Data Analytics: Traditionelle versus erweiterte IT-Landschaften

Wie können Unternehmen das Big-Data-Zeitalter datenanalytisch meistern? Zwei Professoren der FH Münster, Wieland Appelfeller und Carsten Feldmann, beschreiben in ihrem 2023er-Buch "Die digitale Transformation des Unternehmens" erweiterte IT-Landschaften in Organisationen. Einige der spannenden Informationen habe ich für euch zusammengefasst.

Dieses Bild erstellte das KI-Tool Craiyon anhand des Prompts "data analytics".

Data Analytics: Traditionelle IT-Landschaften in Unternehmen

Die Autoren identifizieren vier datenanalytische Systeme in traditionellen IT-Landschaften:

1. Transaktions-Systeme (OLTP)
2. Analyse-Systeme (OLAP)
3. Master-Data-Management-Systeme (MDM)
4. Dokumenten-Management-Systeme (DMS)

1. Zu den Transaktions-Systemen (Online Transaction Processing, OLTP) gehören unter anderem: 

• ERP-Lösungen (Enterprise-Resource-Planning)
• CRM-Tools (Customer-Relationship-Management) 
• SCM-Software (Supply-Chain-Management) 

Diese arbeiten mit folgenden Basisdaten: 

• strukturierte Stammdaten (konstant, kein Zeitbezug, z. B. Kunden- oder Artikeldaten)
• strukturierte Bestandsdaten (veränderlich, u. a. bezogen auf die Menge, z. B. Lagerbestände)
• strukturierte Bewegungsdaten (veränderlich, mit Zeitbezug, häufig Transaktionen aus Bestandsdaten, z. B. aus dem Lagerbestand heraus generierter Absatz)

Strukturiert heißt in diesem Fall: Die Informationen liegen in relationalen Datenbanken vor. Relational heißt: Die Daten sind spaltenweise in vorab definierten Feldern abgelegt. 

Diese OLTP-Systeme bilden komplette operative Geschäftsprozesse ab. Da sie transaktional ausgerichtet sind, können sie keine komplexen betriebswirtschaftlichen Entscheidungen vorbereiten. Hierzu braucht es den folgenden System-Typus:

2. Analyse-Systeme (Online Analytical Processing, OLAP) sammeln, organisieren und untersuchen Daten. Dafür greifen sie auf Datenquellen wie relationale Datenbanken und Data Warehouses zu.

Sie arbeiten entlang eines ETL-Prozesses (Extract, Transform, Load), der Daten aus mehreren Quellen in einer Zieldatenbank vereinigt. 

OLAP-Tools verdichten Daten und ermöglichen zeitraumbezogene Analysen (im Gegensatz zu OLTP, die zeitpunktbezogen arbeiten). So soll es Entscheider*innen ermöglicht werden, das Unternehmen datenbasiert zu steuern.

3. Master-Data-Management-Systeme (MDM) werden eingesetzt, wenn übergreifende Daten-Auswertungen in großen und komplexen Unternehmen erschwert sind. Sie bereinigen zum Beispiel redundante Daten.

4. Dokumenten-Management-Systeme (DMS) speichern papierbasierte Dokumente (Rechnungen, Lieferscheinen, Verträge, etc.). Diese werden via Scanner in ein elektronisches Dokument umgewandelt. 

Soweit die datenanalytischen Szenarien in traditionellen IT-Landschaften. Die Autoren Appelfeller und Feldmann schildern auch, wie diese Szenarien in einer erweiterten Version aussehen:

Data Analytics: Erweiterte IT-Landschaften in Unternehmen

"Alles, was digitalisiert werden kann, wird digitalisiert."

Das Zeitalter der Digitalisierung hat die Anzahl verfügbarer Daten explodieren lassen. In diesen Größenordnungen spricht man von Massendaten bzw. Big Data – und dies entlang eines 5V-Modells:

(1) Volume (Datenmenge): Der Datenbestand liegt mindestens im Terabyte-Bereich (10 hoch 12).

(2) Variety (Datenvielfalt): Die Daten liegen strukturiert, unstrukturiert und semi-strukturiert vor.

(3) Velocity (Geschwindigkeit): Die Daten sollen in Echtzeit analysiert werden.

(4) Value (Wert): Die Daten-Analyse soll wertschöpfend für das Unternehmen sein.

(5) Veracity (Wahrhaftigkeit): Die Daten müssen richtig und widerspruchsfrei sein.

Traditionelle Data-Analytics-Systeme (siehe oben) stoßen bei solchen Größenordnungen an ihre Grenzen. Deshalb haben sich in der Big-Data-Welt neue Systeme etabliert:

Apache Hadoop, NoSQL-Datenbanken & In-Memory-Datenbanken:

➤ Apache Hadoop ist eine Big-Data-Plattformtechnologie, die auf einem offenen Quellcode (Open Source) basiert. Sie kann sehr große Datenmengen speichern und diese sehr schnell verarbeiten. Der Legende nach geht der Name zurück auf den Spielzeug-Elefanten des Sohnes von Hadoop-Gründer Doug Cutting.

➤ NoSQL-Datenbanken (Not only SQL) sind nicht-relationale Datenbanken, die äußerst flexibel, skalierbar und leistungsstark sind. Sie überwinden die Beschränkungen traditioneller relationaler Datenbanken.

➤ Eine In-Memory-Datenbank wertet Daten aus, indem sie nicht den Umweg über die Festplatte geht, sondern direkt auf den Arbeitsspeicher (engl. "main memory") zugreift. Effekt: In-Memory-Datenbanken arbeiten äußerst schnell.

Beispiele für Big-Data-Anwendungsfälle:

➤ Gesundheitswesen: Mittels Big-Data-Analysen sollen Krankheiten früh erkannt und neue Heilungsmethoden entwickelt werden.

➤ Finanzbranche: Mittels Daten-Analyse soll Betrug erkannt werden (Fraud Detection).

➤ Sicherheitsbehörden: Straftaten sollen datenbasiert vorhergesagt werden (Predictive Policing, "vorausschauende Polizeiarbeit").

➤ Verkehrssteuerung: Mittels Big Data soll der Verkehr dynamisch geleitet werden.

Wie kann (Big) Data im Unternehmen analysiert werden?

Appelfeller und Feldmann nennen die vier typischen Klassifizierungen der Data Analytics:

1. Deskriptive Analysen – Was ist in der Vergangenheit passiert? Beispiel: Wie viele Einheiten wurden in einem bestimmten Zeitraum wo und wann verkauft?

2. Diagnostische Analysen – Warum ist es passiert? Auch diese Untersuchungsmethode blickt wie die deskriptive Analyse in die Vergangenheit. Statt nur zu beschreiben, versucht sie aber Gründe für die Ereignisse zu finden. Beispiel: Warum ist in welchen Verkaufsgebieten der Umsatz bei welchen Produkten in welcher Kundengruppe eingebrochen?

3. Prädiktive Analysen – Was wird in Zukunft passieren? Diese Analysemethode will anhand von Datenmodellen vorhersagen, wie sich eine Situation entwickeln wird. Beispiel ist die vorausschauende Wartung (Predictive Maintenance).

4. Präskriptive Analysen – Was sollte getan werden? Diese Analysemethode soll mit Blick in die Zukunft die optimale unter verschiedenen Lösungsmöglichkeiten identifizieren. Einsatzgebiete sind zum Beispiel die Preisgestaltung und die Mitarbeiterplanung.

➤ Während sich die beiden ersten Analysearten (deskriptiv und diagnostisch) in traditionellen IT-Landschaften verwirklichen lassen, braucht es für prädiktive und präskriptive Untersuchungen die genannten erweiterten Systeme.

Data Analytics im Unternehmen: The show has just begun

Soweit der informative Überblick von Appelfeller und Feldmann (deren Buch "Die digitale Transformation des Unternehmens" zu den bislang besten Publikationen gehört, die ich zum Thema lesen durfte).

Um den Shift von einer traditionellen zu einer erweiterten IT-Landschaft vollziehen zu können, müssen Unternehmen aller Größen und Branchen in ihre IT investieren. 

Data Analytics ist dabei kein Selbstzweck: Ziel muss immer sein, Prozesse, Produkte, Dienstleistungen und Geschäftsmodelle digital so zu transformieren, dass die Wertschöpfung des Unternehmens zukunftssicher ist.

Quelle:

• Wieland Appelfeller, Carsten Feldmann: Die digitale Transformation des Unternehmens

Link-Tipps:

• IT-Consulting-Studie: Der Siegeszug der Data Analytics
• Hohe Datenqualität: Wie Unternehmen sie erreichen können