Definition „Self-Service-BI“
Beginnen möchte ich diesen Blog mit einem Versuch der Definition von Self-Service-BI:
Mit Self-Service-BI können Business User selbst auf mehr Datenquellen zugreifen, ihre eigenen Daten modellieren und dann mit sehr wenig IT-Hilfe Berichte oder Dashboards/Visualisierungen erstellen.
Zu den Versprechen von Self-Service-BI Anbietern gehört unter anderem, dass moderne BI-Tools eine visuellere, aufschlussreichere und automatisierte (KI-getriebene) Analyse von Daten bieten.
Herausforderungen
Das Versprechen klingt verlockend, aber warum scheitern dann so viele Self-Service-BI Initiativen?
In der Regel liegt dies an einer Reihe von Missverständnissen und falschen Annahmen, wie z.B.:
- Wir brauchen nur ein BI Werkzeug installieren und los geht’s!
- Mit einem Self-Service-BI Werkzeug wird keine IT-Unterstützung mehr benötigt.
- Benutzer verstehen automatisch, wie das Tool verwendet wird.
-> Die Einführung von Self-Service-BI Lösungen sollte immer im Rahmen eines Projektes erfolgen mit den entsprechen Schritten: Analyse, Solution-Design, Implementierung, RollOut, Training, Support!
Best Practices
Hier ein paar Best Practices/Aspekte, die bei der Planung berücksichtigt werden sollten.
Anforderungsanalyse: Es ist wichtig zu verstehen, was der Anwender erreichen möchte. In der Regel hat er bereits einen Prozess, mit dem er Daten zusammenträgt und diese analysiert. Dies ist ein guter Startpunkt zu hinterfragen, wo die Schmerzen in diesem Prozess liegen und wie ein Self-Service-BI Werkzeug helfen kann. Dabei sollte nicht in Berichts- oder Dashboard-formaten gedacht werden, sondern die Anforderungen in einer User Story / Use Case spezifiziert werden.
Data Governance/Data Quality: Häufig geht es darum, Daten, die bisher nicht ins DWH einfließen, mit auszuwerten. Hier sollte immer hinterfragt werden, woher die Daten kommen, wie vollständig/aktuell diese sind und welche Qualität sie haben.
Datenbasis/Performance: In vielen Fällen geht es um eine freie Analyse auf einer Datenquelle, bei der die unterschiedlichsten Sichten auf die Daten möglich sind. Dies führt auf schon vorhandenen Datenquellen (z.B. DWH), die bisher fürs Reporting verwendet werden zu Performanceproblemen. Zum einen, weil in Berichten fixe Sichten auf Daten definiert sind, die sich Datenbankseitig gut optimieren lassen und zum anderen, weil bei AdHoc Analysen (im Gegensatz zu Berichten) Antwortzeiten jenseits von 5-10 Sekunden nicht akzeptiert werden.
Self-Service-BI ist nicht die Antwort auf alle BI Anforderungen. Ein Großteil der Anforderungen kann nach wie vor mit Standard-Berichten und/oder Standard-Dashboards abgedeckt werden!
Nutzen von Self-Service-BI
Trotz all der Hürden und Dinge, die man bedenken sollte, bringt Self-Service-BI natürlich eine Reihe von wichtigen Vorteilen, die dies für jedes Unternehmen erstrebenswert machen.
Im Kern bringt es den Business Usern eine größere Agilität im Umgang mit Daten, Visualisierungen und Analysen. Diese stärkere Unabhängigkeit von zentralen IT-Strukturen ist absolut notwendig, um im heutigen sehr schnelllebigen Geschäftsumfeld an den entscheidenden Stellen eigenständig die notwendigen Daten möglichst schnell auswerten und darstellen zu können.
BI Anwender / Cognos Komponenten
Im Folgenden möchte ich einen Überblick über typische BI Rollen geben und zeigen, mit welchen Cognos Komponenten, Self-Service Ansätze umgesetzt werden können.
Data Consumer
Ein Großteil der Anwender eines BI-Systems ist in operativen Rollen (z.B. Sachbearbeiter, Verkäufer) zu finden, die zu bestimmten Arbeitsabläufen Informationen (z.B. zu Kunden) in Form von statischen Berichten abrufen. Für diese Anwender reicht es in der Regel schon aus, die benötigten Berichte hinsichtlich Interaktivität (Filterung, Sortierung, Gruppierung, Darstellung) und Personalisierung (parametrisierte Berichtsansichten) aufzubohren.
Data Explorer
In dieser Rolle finden sich typischerweise Controller, Abteilungsleiter, die in Ihrer täglichen Arbeit sehr stark von Zahlen abhängig sind. Dies ist die Kern-Zielgruppe von Self-Service-BI Initiativen, die am meisten von den neuen Möglichkeiten profitieren kann. Der Fokus liegt dabei auf 2 Beriechen: 1. Anbindung/Aufbereitung von Datenquellen, die (noch) nicht zentral bereitgestellt werden. 2. Flexible, einfache Erstellung eigener Analysen, Dashboards, Visualisierungen.
Data Analyst / Data Scientist
Die Spitze des Eisbergs stellen die Datenanlysten/Data Scientists dar. Bis zu einem gewissen Grad lassen sich die Anforderungen dieser Anwender auch mit BI Werkzeugen abdecken. Häufig sind die Anforderungen aber so speziell, dass auf Programmier- und Skript-Umgebungen und spezielle Bibliotheken zurückgegriffen wird.
Betrachten wir nun, welche Cognos Komponenten für welche Zielgruppen und Anwendungszwecke zur Verfügung stehen. Das folgende Bild gibt einen groben Überblick über die funktionalen Komponenten, die in der Cognos BI Plattform enthalten sind.
Dashboard / Story
Das Dashboard Modul ermöglicht es, auf beliebigen Datenquellen einfach und schnell aussagekräftige Dashboards und Visualisierungen zu erstellen. Das Story Modul dient dazu Visualisierungen und andere Dashboard Elemente für Ergebnispräsentationen in erzählerischer Form zu Präsentieren.
Weitere Quellen / Dataset / Datenmodul
Mit diesen Komponenten ermöglicht Cognos die Verdichtung/Caching von Daten aus zentral angebundenen Datenquellen (Dataset), wie auch das Einbinden beliebiger Excel- und CSV-Dateien. Das Datenmodul bietet eine einfache Möglichkeit der Datenaufbereitung für Reporting und Dashboard.
Exploration / Jupyter Notebbok Integration
Der Fokus bei der Exploration liegt auf der Anwendung statistischer und DataMining-Verfahren/-Algorithmen, die eine automatisierte Analyse der Daten ermöglicht. Diese Auswertungen können einen ersten Schritt in Richtung DataMining / DataScience Anwendungsfälle darstellen.
In dem Überblick nicht dargestellt ist die Integration von Jupyter Notebboks in die Cognos Architektur/Oberfläche. Die ermöglicht es einerseits einfach in Cognos angebundenen Datenquellen in Jupyter Notebooks zu integrieren und andererseits Ergebnisse aus dem Notebook (Datensets und Visualisierungen) in Cognos bereitzustellen und zu nutzen.
Mit beiden Komponenten wird die Zielsetzung verfolgt eine Brücke zwischen Business Analysten und DataScientisten zu bauen.
Vielen Dank für diesen Beitrag von:
Martin Kramer, Sievers Group
Quellen / Links zum Thema:
//ibmblueview.com/organize-cognos/
//senturus.com/blog/enterprise-bi-vs-self-service-analytics-tools/
//www.information-works.de/technologien/ibm-analytics/86-technologien/274-ibm-cognos-analytics.html
