Something Stupid – eines der berühmtesten musikalischen Duette von Frank Sinatra und seiner Tochter Nancy kennt wahrscheinlich jeder. Ein anderes Duett hat sich in den letzten Jahren im Datenanalyse-Umfeld zusammengetan – Business Intelligence und Advanced Analytics. Ob das „something stupid“ oder doch eine ganz smarte Idee ist, wird in diesem Blog beantwortet.
Die erste Frage, die sich direkt aufdrängt, ist doch: Warum gibt es überhaupt die Tendenz, zwei doch sehr unterschiedliche Welten zusammenzulegen? Während sich die BI-Systeme traditionell mehr an dem Business-Anwender orientieren, so ist klar, dass nur der Statistiker oder Mathematiker in der Lage ist, mit Advanced Analytik, z. B. Data Mining & Machine Learning, überhaupt umzugehen. Hier prallen offensichtlich sehr unterschiedliche Ansichten und letztlich auch Menschen mit speziellen Fähigkeiten aufeinander. Bevor diese Frage beantwortet werden kann, sollte man sich nochmals kurz die beiden Disziplinen mit ihren Kernaufgaben ansehen.
Kernaufgaben von Business Intelligence und Advanced Analytics
Abbildung: Abgrenzung BI/AA
Der Kernbereich der Business Intelligence ist die rückwärtsgerichtete Datenanalyse. Man nimmt bestehende Daten, entdeckt Veränderungen, schaut sich an, „wie oft“ und „wo“ es Veränderungen gab, und man geht dem Problem auf den Grund. Technologisch wird man dabei durch Standardberichte, Ad-hoc-Reports und sog. mehrdimensionale Abfragen unterstützt – kurz, man befindet sich in der beschreibenden Statistik.
In der Abbildung als „Next Level“ interpretierbar, setzt Advanced Analytics da an, wo BI aufhört. Der Kernbereich ist die zukunftsorientierte Prozessverbesserung. Die Mittel der Wahl sind hier mathematische Algorithmen, die die Frage nach „warum ist etwas passiert“, „was könnte passieren“ und „was ist das Beste, das passieren kann“ beantworten. Das Endergebnis sollen Vorhersagemodelle sein, die aus der Vergangenheit abgeleitet die Zukunft prognostizieren. Wenn möglich zusätzlich Handlungsoptionen bieten, um eine optimale Wertschöpfung zu generieren.
Wenn man das zusammenfasst, fragt man sich doch eher, warum sind/waren diese Disziplinen überhaupt getrennt? Denn die Advanced Analytics kommt ja um eine fundierte und flexible deskriptive Statistik, wie sie BI-Systeme bieten, gar nicht herum. Also liegt die Ursache woanders!
Eine wahre Win-win-win-Situation
Es gibt meiner Meinung nach zwei Ursachen, warum man Business Intelligence und Advanced Analytics bisher getrennt betrachtete: Der Mensch und seine Fähigkeiten / Technologische Unterstützung und einfache Zugangsmöglichkeiten zu Analytik.
Wie eingangs erwähnt, ist (war) die Advanced Analytik nur was für Mathematiker und Statistiker, neudeutsch gerne auch als Data Scientist bezeichnet. Einer, der das menschgewordene Schweizer Taschenmesser der Datenanalyse verkörpert. Denn ein Data Scientist hat bestes Grundlagenwissen, Domain-Expertise, kann programmieren und komplexe analytische Tools verwenden, kennt sich mit IT-Infrastruktur, Datenbanken und Prozessen aus und kann nebenbei noch exzellent kommunizieren und seine Erkenntnisse der Welt mitteilen.
Wenn das alles die Eintrittskarte in die Welt der Analytik ist, ist klar, warum viele Business-Intelligence-Anwender nicht ins nächste Level kommen. Es fehlt schlicht an den entsprechenden Fähigkeiten – die häufig mehr in der Domain-Expertise und sehr gutem Business-Wissen und weniger beim „Code-Hacken“ liegen. Genau hier liegt die zweite Ursache – bisher sind/waren Analytik-Werkzeuge meist komplexe Tools oder im schlimmsten Fall einfach ein Programmeditor zum Verfassen von seitenlangem Quellcode. Da ist der BI-User anderes gewohnt. Mit benutzerfreundlichen Werkzeugen können Sachverhalte meist grafisch einfach per Drag´n‘Drop untersucht werden – von Quellcode keine Spur.
Diese beiden Lücken hat SAS schon vor rund 5 Jahren erkannt und mit der Produktreihe Visual Analytics eine Anwendung geschaffen, die dem Anwender nahtlos beide Welten (BI und Advanced Analytics) zu Verfügung stellt. Die Einstiegshürde in die Analytik ist nunmehr so niedrig, dass Fachbereichsanwender bei einer Drag´n‘Drop-Oberfläche auch in den Genuss mathematischer Algorithmen kommen – genauso kann aber auch der Data Scientist viel einfacher und schneller die Wegstrecke von deskriptiver Statistik in die prädiktive Modellierung gehen. Das ist eine echte Win-win-win-Situation für den BI-User, den Analytiker und für deren direkte Zusammenarbeit.
Innovation per Mausklick - Wie so etwas konkret aussieht, zeigt die folgende Abbildung.
Auf der linken Seite sind die klassischen Business-Intelligence-Funktionalitäten zu sehen, z. B. Kreuztabellen mit Drilldown, Filter und Visualisierungen etc., auf der rechten Seite analytische Modelle wie ein Entscheidungsbaum und ein neuronales Netz. Durch die Verschmelzung kann ein Unternehmen eine viel höhere Wertschöpfung erzeugen. Hier ein paar Beispiele:
- Die Zusammenarbeit von Fachbereichsexperten und Data Scientist wird deutlich enger und effizienter
- Eine mehrdimensionale prädiktive Modellierung ist möglich, z. B. für jede Kundengruppe ein eigenes Modell, statt ein ungenaues, generelles Modell für alle
- Kürzere und schnellere Modellierung und Bereitstellung
- Keine Medienbrüche von BI zu Analytik auf denselben Daten
- Größere Reichweite von Analytik in Unternehmen
Augen auf bei der Anbieterauswahl
Auch Unternehmen, die noch ganz am Anfang der analytischen Reise stehen, können hier einfach und schnell einsteigen und binnen kurzer Zeit auch Machine-Learning-Verfahren nutzen.Wie bei einem musikalischen Duett kommt es auf das Timing und die Harmonie an. Wenn sich einer in der Tonlage vergreift, klingt das ganze Lied schief. Seitdem auch die Analystenhäuser wie z. B. Gartner eine Kombination von BI und Analytik als das Nonplusultra postulieren, wollen viele Anbieter auf dieser Welle mitsurfen und bieten über Nacht Werkzeuge dafür an. Um eine gute Einschätzung über die Leistungsfähigkeit dieser Tools zu bekommen, habe ich hier drei heiße Tipps zusammengestellt:
Integration in R
Viele BI-Tools bieten neuerdings eine R-Integration an, also eine Schnittstelle zum Open-Source-Projekt R an, technisch gesehen also wieder ein Medienbruch, nämlich raus aus dem BI-Tool, rein in ein Analytik-Werkzeug. Hier sind die klassischen Einbußen zu erwarten, die da wären: separate Datentransfers, reine Programmierung und fehlendes Modell-Deployment.
Analytik ist nicht gleich Analytik
Es gibt Werkzeuge auf dem Markt, die preisen Advanced Analytik an und bieten Mittelwerte und den Median an. Hier sollte man genau hinschauen und auf mathematische Algorithmen wie Entscheidungsbäume, Regressionsverfahren und vielleicht Machine-Learning-Methoden wie neuronale Netze oder Clustering Wert legen.
Operationalisierung von Modellen
Die Krönung und das Ziel von Advanced Analytics ist, ein Vorhersagemodell zu operationalisieren, sprich, dort einzusetzen, wo eine Monetarisierung eintritt. Bei vielen Werkzeugen fehlt dieser letzte Schritt des sog. Modell-Deployment.
Zusammenfassung
Ist das Duett nun eine smarte Idee? Von mir ein klares Ja – ich selbst komme aus der klassischen BI-Ecke und habe lange Jahre OLAP-Würfel von links nach rechts gedreht. Doch mittlerweile sind die Aufgaben und Daten vielfältiger geworden, und das erfordert eine neue Herangehensweise in der Datenanalyse. Durch die Verschmelzung von BI und Advanced Analytics zu einer Anwendung kann ich heute Fragen beantworten (siehe Abbildung 1), die mir bisher verborgen blieben. Klar war eine Einarbeitungsphase nötig, um die neuen Möglichkeiten gut und solide nutzen zu können, aber heute nutze ich Entscheidungsbäume genauso sicher wie damals den Drilldown. Mehr zum Thema Visual Analytics finden Sie hier: https://www.sas.com/de_at/software/business-intelligence/visual-analytics.html
