Mit modernen Tools vom Fachbereichsanwender zum Data Analyst

In den letzten Jahren hat sich der Bereich BI und Analytics stark gewandelt. Zu Beginn definierte man Kennzahlen, die sich auf Vergangenes bezogen und dazu verwendet wurden, bereits eingetroffene Ereignisse zu bewerten und daraus neue Erkenntnisse abzuleiten. Zu diesen Kennzahlen stellte die IT-Abteilung Berichte zur Verfügung – entweder in einem Tool oder als Excel- oder PDF-Export.

Im Laufe der Zeit wurde der Wunsch nach Unabhängigkeit in Form von Self-Service-BI immer lauter, um schneller auf Anforderungen reagieren zu können. Doch mittlerweile überfordern die Komplexität der BI-Tools und die Fülle an Daten viele Mitarbeiter. Sie nehmen die Auswertungs-Tools nicht an, weil sie sich in der Bedienung unsicher fühlen und keine falschen Zahlen liefern möchten. Um Auswertungen zu erhalten, gehen sie auf Kollegen oder die IT-Abteilung zu oder nutzen altbekannte Tools, die sie beherrschen. So kann es passieren, dass Daten nach Excel exportiert und händisch aufbereitet werden.
Eine solche Arbeitsweise schränkt das Sichtfeld ein und verhindert neue Ideen für die Auswertung oder Erkennung von Trends. Täglich werden die gleichen Fragen nach Schema F beantwortet und teilweise treffen die Antworten so spät ein, dass die beantwortete Fragestellung bereits nicht mehr relevant ist. Hier gibt es also statt neuer Chancen einen deutlichen Rückschritt.

Was macht die Digitalisierung mit den Fachbereichen?

Die Zeiten, als es ausreichte, dass der Fachbereich Anforderungen formulierte und an die IT-Abteilung weitergab, sind spätestens mit der Digitalisierung vorbei. Immer mehr Firmen investieren in die Digitalisierung ihrer Prozesse. Bestellt beispielsweise ein Kunde ein Produkt, fallen dabei wertvolle Informationen an, die zur Optimierung von Kundenansprache und Werbung, zur Entwicklung neuer Produkte, zur Verbesserung des Vertriebs und zu vielem mehr verwendet werden können.

Von den Fachbereichen wird im Zuge der Digitalisierung erwartet, dass sie ihre Arbeit umstellen und sich tiefer mit den Daten befassen, als sie es bisher gewohnt waren. Sie müssen beispielsweise beim Verkaufsstart neuer Produkte direkt prüfen, wie der Markt darauf reagiert: Wie kommt das Produkt beim Kunden an? Wie gelangt er zu seiner Kaufentscheidung? Wer sind die Käufer, und welche Interessen haben sie? Nur wer schnell Bezug auf die frisch angefallenen Fragestellungen nehmen kann, hat die Nase vorn.
Nutzt man ein intuitives, leicht zu bedienendes Analyse-Tool, stellen sich immer mehr Fragen, je tiefer man in das Thema eintaucht. Die Kreativität und Neugierde des Fachbereichs wird angeregt und neue Ideen werden generiert. Standard-Tools bieten diese Möglichkeiten nicht und bremsen den Mitarbeiter daher vielfach aus. Und was macht dieser? Er spürt, wie seine Ideen versickern, und wendet sich frustriert und demotiviert ab.

Ein Beispiel aus der Praxis

Als Praxisbeispiel sei hier eine Kundensituation skizziert, die recht typisch ist. Ein agiles Unternehmen, das viel Wert auf die datengetriebene Steuerung seines Geschäfts legt, hat sich entschlossen, den Mitarbeitern das Tool Web Intelligence von SAP BO als Ad-hoc-Analyse-Tool zur Verfügung zu stellen. Die Grundlage für die Auswertungen bildet eine große Metadatenschicht, in der alle Objekte miteinander kombinierbar sind. Jeder Mitarbeiter kann unter Berücksichtigung des Datenschutzes auf alle Informationen zugreifen und sich seine Berichte selbst erstellen.

Die Mitarbeiter verfügen über tiefe Kenntnisse in ihrem Fachgebiet, allerdings bringen nur wenige technische Vorkenntnisse mit. Eine Schulung sollte ihnen den Einstieg in das Tool vereinfachen. Aufgrund der Komplexität des Tools, der großen Datenmengen und der umfangreichen Kombinationsmöglichkeiten fiel vielen Mitarbeitern das Erstellen eigener Auswertungen dennoch schwer. Sie trauten sich komplexere Auswertungen nicht zu und griffen daher lieber auf bewährte Werkzeuge wie Excel zurück. Dieses Problem kennen wir aus vielen Projekten. Forrester hat das Thema ebenfalls identifiziert und in einer Studie untersucht (siehe Abbildung 1).

Der weitere Verlauf stellte sich in unserem Beispiel so dar: Um den Mitarbeitern die Auswertungen, die sie benötigen, zur Verfügung zu stellen, wurden regelmäßige Jours-Fixes mit der IT-Abteilung durchgeführt. In diesen Meetings wurden Anforderungen für Berichte besprochen, die dann von der IT zur Verfügung gestellt wurden. Auch Adhoc-Analysen wurden auf diese Weise erstellt. Hierdurch konnten zwar einige dringliche Fragen beantwortet werden, aber ein tieferes Eintauchen in die Daten und direktes Antworten auf schnelllebige Fragestellungen war so nicht möglich. Dem Kunden wurde deutlich, dass SAP BO Web Intelligence seine Anforderungen nicht ausreichend erfüllt. Stattdessen überlegt er nun, ein anderes Tool einzusetzen, das den Fachbereichen mehr Unterstützung bei der Erstellung von Auswertungen bietet.Moderne Tools mit Augmented-Analytics-Funktionalitäten, wie beispielsweise Tableau, SAP Analytics Cloud, Thoughtspot etc., können dem Kunden in unserem Beispiel helfen, seine Daten intuitiv und unabhängig von der IT-Abteilung zu analysieren.

Die vier Bausteine von Augmented Analytics

Gartner rief den Begriff „Augmented Analytics“ bereits 2017 ins Leben und sah darin die „Zukunft der Datenanalyse“. Bei Augmented Analytics werden Machine-Learning- und Artificial-Intelligence-Technologien dazu verwendet, die Themen Datenintegration, Datenaufbereitung, Trend-Erkennung und Prognosen intuitiver zu gestalten und teilautomatisiert zu bearbeiten. Ebenfalls 2017 tauchte Augmented Analytics als „Augmented Data Discovery“ im „Hype Cycle for Emerging Technologies“ auf [Gar17].
Der Themenkomplex Augmented Analytics setzt sich aus vier Bausteinen zusammen:

1. Data Preparation umfasst die (teil-)automatisierte Aufbereitung von Daten und das Erstellen einer Datengrundlage, die für den Endanwender leicht zu verwenden ist.
2. Augmented Data Discovery deckt den gesamten Bereich der Berichtserstellung und der Analyse ab.
3. Conversational Analytics ermöglicht es laut Gartner dem Anwender, in natürlicher Sprache mit dem Tool zu kommunizieren.
4. Predictive Analysis beinhaltet Forecasts, Simulationen und Planungen.

Diese Bausteine werden im Folgenden unter Bezugnahme auf das oben angeführte Beispiel erläutert. Abbildung 2 listet eine Auswahl an Tools auf und zeigt, welche der Bausteine jeweils abgedeckt werden, wobei sich Reifegrad und Umfang der Funktionalitäten je nach Tool stark unterscheiden.
Da immer mehr Anbieter im Analytics-Bereich Augmented-Analytics-Funktionalitäten in ihre Tools einbauen, wird sich die Verwendungshäufigkeit dieser Features, die zum heutigen Zeitpunkt eher selten ist, in den nächsten Jahren mit großer Wahrscheinlichkeit steigern. Der aktuelle Stellenwert von Augmented Analytics lässt sich anhand der Verbreitung der unterschiedlichen Analyse-Features einschätzen. Abbildung 3 zeigt die Features von BI-Tools in abnehmender Häufigkeit.

Die noch eher selten anzutreffenden Augmented-Analytics-Features stehen an der Spitze der Pyramide. Sie stellen eine deutliche Weiterentwicklung der bisherigen Möglichkeiten dar. Und das Wichtigste: Sie bieten Fachbereichsmitarbeitern einen enormen Mehrwert und stellen ihnen erstmals Lösungen zu vielen Analyse-Herausforderungen zur Verfügung, die sie mit klassischen BI-Funktionalitäten nicht in den Griff bekommen.

Data Preparation

Data Preparation ist der erste der vier Bausteine von Augmented Analytics. Um dem Fachbereich den Einstieg in eine tiefgehende Analyse zu ermöglichen, braucht es eine aufgeräumte, klar verständliche Datengrundlage, die alle benötigten Informationen enthält. Der Fachbereich muss in der Lage sein, seine Daten zusammenzustellen, ohne sich Gedanken über Kombinierbarkeit und gegebenenfalls auftretende Fallstricke machen zu müssen. Bei komplexen Datengrundlagen sollte deren Aufbereitung daher weiterhin bei der IT oder in der Hand von Data Scientists liegen.

Augmented Data Preparation unterstützt Entwickler und Fachbereiche bei der korrekten Verknüpfung einzelner Quellen und Tabellen. So werden automatisch Joins erstellt oder Bereinigungen der Daten vorgenommen. Tools wie Tableau Data Prep bieten die Möglichkeit einer Dublettenprüfung. Unterschiedlich geschriebene Werte mit gleicher Bedeutung können so zusammengeführt werden. Hier kann es allerdings zu Problemen kommen, wenn das Tool ähnliche Werte mit unterschiedlicher Bedeutung oder ähnlich geschriebene Namen wie „Meier“ und „Maier“ zusammenführt. Einige Tools nutzen beim Matching nur die Spaltennamen, andere setzen Machine-Learning-Technologien ein, um Joins aus den Daten direkt abzuleiten. Unpassende Vorschläge können in diesem Fall zu fehlerhaften Auswertungen führen.

Excel-Dateien können in einigen Tools (zum Beispiel SAP Analytics Cloud) mittlerweile vollautomatisiert per Drag and Drop in die Auswertung integriert werden, sodass der Fachbereich seine lokalen Daten problemlos mit einbringen kann. Eine Verknüpfung mit bereits existierenden Daten ist dennoch notwendig.

Bei allen Vorteilen, die die technologische Automatisierung der Datenintegration bietet, ist eine Prüfung der Datengrundlage von einem Know-how-Träger sinnvoll. Die von den Tools verwendeten Algorithmen interpretieren die Daten oft anders, als ein Mensch es tun würde. So können Fehler entstehen, die zu verfälschten Ergebnissen führen können. Daher sollten die Vorgaben der Tools immer als Vorschläge betrachtet und hinterfragt werden. Damit der Fachbereichsmitarbeiter seine benötigten Informationen einfach finden kann, sind verständliche Beschreibungen wichtig. Einige Tools bieten eine textuelle Feldsuche an, die über das reine Abgreifen von Metadaten hinausgeht und auch die Daten selbst berücksichtigt. So kann der Mitarbeiter in der für ihn natürlichen Weise mit dem Tool sprechen und mitteilen, was er sehen möchte. Das Anzeigen häufig genutzter Datenquellen kann dem Mitarbeiter die Auswahl erleichtern. Anhand einer Analyse des Nutzerverhaltens können die Tools auf zuletzt oder häufig verwendete Auswertungen des Mitarbeiters oder anderer Mitarbeiter aufmerksam machen. Einige Tools erstellen automatisch Dashboards aus den häufig angesehenen Themen, um alle relevanten Informationen auf einen Blick darzustellen. Das spart Zeit, in der sich der Fachbereichsmitarbeiter tiefergehenden Analysen zuwenden kann.

Conversational Analytics

Durch Conversational Analytics wird der Mitarbeiter dazu befähigt, in natürlicher Sprache Fragen zu stellen und Antworten zu erhalten. Er kann beispielsweise die Frage „Wie hoch war der Absatz von grünen Hosen im Jahr 2019?“ direkt im Tool formulieren. Mit Hilfe von Natural Language Processing wird die Eingabe des Mitarbeiters verarbeitet und auf die vorliegenden Objekte und Daten „gematcht“. Einige Tools liefern nur Vorschläge für Objekte und orientieren sich hierfür an den Objektnamen, andere haben einen größeren Funktionsumfang. Hier werden Freitexte auch verstanden, wenn Objektnamen nicht direkt angesprochen werden. Dazu werden Kataloge mit Synonymen verwendet und die unterliegenden Daten in Betracht gezogen werden. Die Eingabe kann dann für weiterführende Analysen erweitert werden. Teilweise werden durch die Verwendung von einfachen Keywords Vergleiche von Produkten und Zeitreihen ermöglicht.

Um Conversational Analytics in Tools wie Tableau und Microsoft Power BI gut nutzen zu können, wird eine gut aufbereitete Metadatenschicht benötigt. Sind Objekte nicht klar definiert, kann es zu Problemen bei der Übersetzung kommen. Werden beispielsweise unterschiedliche Datumsobjekte in der Datengrundlage angeboten, kann es zu fehlerhaften Ergebnissen kommen, wenn die zu verwendenden Objekte nicht klar definiert sind. Das Tool kann daher den Mitarbeiter keinesfalls ersetzen, sondern sollte als unterstützend angesehen werden.

Augmented Data Discovery

Augmented Data Discovery bietet die Möglichkeit, über den Tellerrand hinauszuschauen und Ergebnisse zu Fragestellungen zu entdecken, die der Mitarbeiter noch gar nicht in Betracht gezogen hat. Die vorhandenen Daten werden mit Hilfe von Machine-Learning-Technologien analysiert. Beziehungen, Trends und Muster werden erkannt und dem Mitarbeiter offengelegt. Das Tool weist ihn darauf hin, welche Objekte er sich anschauen, worauf er sein Augenmerk legen sollte und wo es sich lohnt tiefer einzusteigen.

Hierzu wird bei einigen Tools automatisch ein Dashboard erstellt, das sich aus unterschiedlichen Visualisierungen zusammensetzt und interaktiv nutzbar ist. Passend zu den ausgewählten Daten wird eine Darstellungsform vorgeschlagen. Im klassischen Reporting kommt es häufig vor, dass eine falsche Diagrammart zur Visualisierung von Ergebnissen verwendet wird. Dadurch wird die Interpretation der Daten erschwert oder der Fokus von den wichtigen Erkenntnissen hin zu unwichtigen Details gelenkt. Dadurch, dass das Tool die jeweils passende Darstellung anbietet, können solche Fallstricke vermieden und viel Zeit eingespart werden.

Einige Tools, beispielsweise SAP Analytics Cloud, sind mittlerweile in der Lage, Ergebnisse in Textform wiederzugeben. In den Texten werden Erkenntnisse und Trends beschrieben und dem Anwender verständlich dargelegt. Zudem gibt das Tool Hinweise auf sogenannte „Key Influencers“, die aufzeigen, wodurch das gezeigte Ergebnis gegebenenfalls beeinflusst wurde. So werden Beziehungen zwischen unterschiedlichen Objekten hergestellt und Wechselwirkungen verdeutlicht. Hierdurch kann sich der Fachbereichsmitarbeiter ein Bild vom Gesamtzusammenhang des Problems machen. Einige Tools weisen auf besonders auffällige Werte und Ausreißer hin, die zu wertvollen Erkenntnissen führen können. Allerdings kann es hier auch zu Fehlinterpretationen seitens der Tools kommen. Die ausgegebenen Ergebnisse sollten daher sorgfältig geprüft werden [Hen19].

Moderne Tools wie Looker bieten die Möglichkeit zur Kollaboration an. Damit ist es möglich, gemeinsam an Auswertungen zu arbeiten, sich Nachrichten zukommen zu lassen, zu kommentieren oder Erkenntnisse hervorzuheben. Durch Schnittstellen zu anderen Systemen können Inhalte nicht nur per Mail versendet, sondern direkt in andere Tools integriert werden. Unter Einhaltung der vorgegebenen Sicherheitsrichtlinien und angepasst an den jeweiligen Empfänger können Informationen so zielgerichtet an genau der richtigen Stelle angezeigt werden. Es ist ebenfalls möglich, Nachrichten und sogar Workflows zu triggern, die automatisiert bestimmte Aktionen ausführen, sobald ein Ereignis eintritt.
Um den Aufwand zum Beispiel für die Erstellung von PowerPoint-Folien noch weiter zu reduzieren, bieten einige Tools integrierte Storytelling-Funktionalitäten an, die ohne Zusatzaufwand für Präsentationen genutzt werden können. So ist es möglich, Informationen schnell und zielgerichtet zu teilen und gemeinsam an Auswertungen zu arbeiten.

Predictive Analytics

Zur Veranschaulichung des Themas Predictive Analytics wird noch einmal auf das oben angeführte Praxisbeispiel zurückgegriffen: Das Unternehmen möchte mit Hilfe von Planwerten unter anderem den zu erwartenden Produktabsatz vorhersagen.

Augmented-Analytics-Tools vereinfachen die Planung, indem sie mit Hilfe von Machine Learning Prognosen erstellen. Anhand unterschiedlicher Faktoren berechnen sie Planwerte, die automatisch in bestehende Diagramme mit Ist-Zahlen integriert werden können. Mit Simulationen können Änderungen durchgespielt werden, sodass die Auswirkungen auf alle möglichen Bereiche sofort ersichtlich sind. In unserem Beispiel können auf diese Weise die Produktabsätze anhand historischer Werte und Einflussparameter prognostiziert werden. Durch Simulationen ist es möglich, die Produkteigenschaften, die Verkaufskanäle, die Bewerbung des Produkts oder andere Faktoren zu verändern, um die Auswirkungen auf den Absatz aufzuzeigen.

Das komplexe Zusammenspiel unterschiedlicher Technologien hilft dabei, auch Folgen zu erkennen, die mit einfachen Planzahlen nicht sichtbar sind. So entsteht eine fundierte und breit gefächerte Entscheidungsgrundlage, anhand derer alle Vor- und Nachteile der Änderung bewertet werden können. Bei komplexen Sachverhalten stoßen viele Tools allerdings schnell an ihre Grenzen. Es ist also sinnvoll zu definieren, welcher Sachverhalt unter welchen Aspekten geprüft werden soll. Die Ergebnisse sollten immer gegen die Erwartungshaltung des Anwenders abgeglichen und kritisch hinterfragt werden.

Fazit

BI-Tools ohne Augmented-Analytics-Funktionalitäten stehen theoretisch zwar vielen Mitarbeitern zur Verfügung, in der Praxis schöpfen aber die wenigsten ihren vollen Funktionsumfang aus. Mit vielen neuen und intuitiv nutzbaren Funktionen hilft Augmented Analytics dem Mitarbeiter, den neuen Anforderungen nachzukommen, die an ihn als Data Analyst gestellt werden. Dies führt zu schnelleren und breit gestreuten Analyseergebnissen und stellt zusätzliche Expertise zentral bereit. So können damit zum Beispiel auch einfache Data-Science-Tätigkeiten vom Fachbereich erledigt werden. Mehr Mitarbeiter als bisher sind nun in der Lage, tiefergehender mit Daten zu arbeiten (vgl. Abbildung 4).

Bei aller maschinellen Intelligenz ist es jedoch nach wie vor wichtig, dass Mitarbeiter die Informationen und Analysen, die das Tool bereitgestellt hat, kritisch hinterfragen. Die Tools und insbesondere die neuen Funktionalitäten ersetzen also keineswegs die Fachkenntnisse der Mitarbeiter. Sie unterstützen diese aber dabei, ihre Entscheidungen auf einer sehr validen Basis zu treffen – schnell und präzise, auf der Grundlage von Zahlen und Fakten – und nicht bloß aus dem Bauch heraus.

Weitere Informationen

[For20]
Forrester: Opportunity Snapshot: A Custom Study Commissioned by SAP: Enabling Data-Driven Decisions Through Augmented Analytics. 2020

[Gar17]
Gartner: Top Trends in the Gartner Hype Cycle for Emerging Technologies. Smarter with Gartner, 15.8.2017,
https://www.gartner.com/smarterwithgartner/toptrends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/, abgerufen am 18.5.2020

[Git17]
Gitanjali, M.: Key Business Intelligence Features and BI Tools That Provide Them. Capterra Business Intelligence, 10.7.2017,
https://blog.capterra.com/businessintelligence-features-list/, abgerufen am 18.5.2020

[Hen19]
Henschen, D.: Augmented Analytics: How Smart Features Are Changing Business Intelligence. Constellation Research, 30.9.2019,
https://www.constellationr. com/research/augmented-analytics-how-smart-features-are-changing-businessintelligence, abgerufen am 18.5.2020

[Hoy20]
Hoyne, N.: Eine bessere datenorientierte Strategie entwickeln. Think with Google, Februar 2020,
https://www.thinkwithgoogle.com/intl/de-de/marketingressourcen/daten-und-erfolgsmessung/bessere-datenorientiertestrategie-entwickeln, abgerufen am 18.5.2020