Visual Business Intelligence für die Datenanalyse einsetzen

Visual Business Intelligence ist ein Option, um einen Zugang zu den wachsenden Datenmengen zu bekommen. Damit lassen sich die wachsende Datenmengen effektiv auswerten.

Immens wachsende Datenmengen stellen aktuelle Business-Intelligence-Ansätze und Datenverarbeitungsprozesse vor große Herausforderungen. Visual Business Intelligence bezeichnet die Antwort auf die wachsenden Anforderungen der Benutzer, insbesondere im Hinblick auf einen intuitiven, zielführenden und interaktiven Zugang zu großen Mengen an Daten und Informationen. Neue interaktive grafische Darstellungen werden dafür sorgen, dass Entscheider ihr Wissen und ihre Fähigkeiten stärker nutzen können, um diese wachsenden Datenmengen effektiv und effizient auswerten zu können.

Abgrenzung und Definition von Visual Business Intelligence

Eine der wesentlichen Aufgaben von Business-Intelligence-Werkzeugen ist neben der reinen Darstellung von Information in Berichten oder Dashboards die Unterstützung der Datenanalyse. In beiden Bereichen spielt Visualisierung von Daten eine bedeutende Rolle. Im Berichtswesen finden sich üblicherweise Geschäftsgrafiken, also eine eher statische visuelle Aufbereitung von Daten. Visual Business Intelligence hingegen verbindet automatische Datenanalyseverfahren mit neuen Visualisierungstechniken für eine interaktive Exploration der Daten. Relevante Informationen werden aus großen Datenmengen extrahiert und komplexe Sachverhalte in den Daten durch interaktive visuelle Darstellungen verständlich abgebildet. Zusammenhänge, die sonst verborgen bleiben, lassen sich dadurch herausfiltern und für eine effektive Entscheidungsfindung nutzen.

Die richtigen Informationen in großen Datenmengen erfolgreich zu finden, ist eine schwierige Aufgabe. Sie so darzustellen, dass der Nutzer sie auch sinnvoll verwerten kann, ist eine zusätzliche Herausforderung. Denn je umfassender Informationen sind, desto schwerer behält man den Überblick. Visual Analytics verbindet die automatische Datenanalyse mit neuartigen Techniken der Visualisierung. Diese Ansätze nutzen dabei die unterschiedlichen Fähigkeiten von Computer und Mensch aus: Der Rechner ist zuständig für die sequentielle Abarbeitung großer Datenmengen und deren Verwandlung in eine für den Menschen erfassbare optische Darstellung. Dieser kann sich auf die Erkennung von Mustern, die Bewertung und Auswertung der betrachteten Daten konzentrieren. Dabei handelt es sich um eine sehr enge Arbeitsteilung zwischen Mensch und Computer, in der der Mensch im Vordergrund steht. Nicht das System entscheidet, sondern immer der Nutzer.

Neue Schnittstellen zwischen Mensch und Computer

Forscher vom Fraunhofer-Institut für Graphische Datenverarbeitung (Fraunhofer IGD) arbeiten im Bereich Visual Analytics an konkreten Techniken, diese unüberschaubaren Datenmengen so zu analysieren und darzustellen, dass Endnutzer schneller zu Ergebnissen kommen. Eine Visualisierungssoftware stellt die Datenmengen dabei für den Menschen optisch leicht erkennbar dar. Statt statischer Zahlentabellen zeigt das System intuitiv erfassbare Strukturen und bietet mittels Interaktion weitere Sichten auf die Daten an. Derartige Visualisierungen sind etwa für Finanzdienstleister interessant. Hier sind die Daten meist so umfangreich und vielfältig, dass eine aussagekräftige Bewertung auf die Schnelle praktisch unmöglich ist. Eine einzige Fehleinschätzung eines Analysten kann zu großen Verlusten führen. Die Finanzdienstleister versuchen daher mit einer immer genaueren und breiteren Datenbasis die Voraussetzung dafür zu schaffen, das Geschehen auf den Finanzmärkten sicherer bewerten zu können. Technisch sind dem Umfang der Datenmengen dabei kaum mehr Grenzen gesetzt: Aktuelle und historische Informationen aus dem Börsenhandel und zu Unternehmensdaten stehen zur Verfügung. 

Parallel dazu werden immer mehr verschiedene Kennzahlen und Indizes, etwa für die Bewertung von Risiken, kalkuliert und gespeichert. Analysten und Entscheider können zwar auf eine Vielzahl von Berechnungen zugreifen, ihre Arbeit ist dadurch aber nicht einfacher geworden. Denn einerseits sind aufwändige Kreuzbewertungen der einzelnen Ergebnisse nötig, um entscheidende Inhalte herauszufinden. Andererseits verlangt die Möglichkeit, Daten „live“ zu nutzen, auch eine Verkürzung der Analysezeit. Damit möglichst viele Informationen gewinnbringend genutzt werden können, werden daher neue Schnittstellen zwischen Mensch und Computer benötigt, welche die Inhalte der zunehmend komplexen Datenräume schnell und transparent begreifbar machen können. Visuelle Darstellungen erleichtern den Überblick: Werden dem Analysten auf dem Bildschirm die Auswertung der Beteiligungsstrukturen von Unternehmen nicht mehr als nüchterne Zahlentabellen, sondern in Form intuitiv erfassbarer Strukturen dargestellt, kann er daraus schnell und gezielt Schlüsse ziehen. Andere Visualisierungstechniken erlauben es, die Aktienkurse vieler Unternehmen gleichzeitig zu beobachten und Schlüsse aus der vergangenen Entwicklung zu ziehen. So kommen oft Korrelationen optisch zum Vorschein, die sonst im Zahlenwust untergehen würden.

Anwendungsbeispiel Finanzmarktanalyse

Während klassische Diagrammdarstellungen auf die statische Abbildung von Zusammenhängen beschränkt sind, ermöglichen die Methoden der Visual Analytics auch dynamische Darstellungsformen mehrdimensionaler Abhängigkeiten. Am Fraunhofer IGD wurden beispielsweise Softwarelösungen zur visuellen Analyse von zeitabhängigen Finanzdaten realisiert. Mit einer der Anwendungen können die Entwicklungen mehrerer Aktien in Bezug auf Risiko und Ertrag über die Zeit beobachtet werden. Jede Aktie wird als ein Punkt dargestellt, dessen Position den Kenngrößen Risiko und Ertrag entspricht. Die Größe bildet die Marktkapitalisierung und die Farbe das Herkunftsland ab.

In einer Animation kann nun am Bildschirm das Verhalten der Aktien über die Zeit hinweg beobachtet werden. Dynamische Darstellungsformen wie diese sind sowohl für Auswertungen langfristiger Veränderungen im „Zeitraffer-Modus“ einsetzbar als auch für eine Beobachtung tagesaktueller Marktbewegungen. Je nach Einsatzbereich können sich hinter der Bewegung eines Diagrammpunktes auch komplexe Berechnungen großer Mengen an Ausgangsdaten verbergen. Die von der Visualisierungssoftware erzeugte Bilddarstellung lässt sich in Echtzeit auch auf mobile Endgeräte übertragen.

Anwendungsbeispiel Beteiligungsanalyse

Eine weitere erfolgreich umgesetzte Anwendung des Fraunhofer IGD macht beispielsweise das Netzwerk aus Firmenbeteiligungen der großen und mittelgroßen Unternehmen in Deutschland sichtbar. Aus einer Datenbank mit mehr als 225.000 Firmenprofilen werden automatisch Einträge von Kapitalrechten berechnet sowie Kontrollmöglichkeiten von Firmen über mehrere Beteiligungen hinweg erkannt. Die Beteiligungsbeziehungen werden in einer Grafik dargestellt, in der jeder Knoten eine Firma repräsentiert und Beteiligungen durch gerichtete Kanten (Pfeile) zwischen Knoten dargestellt werden (siehe Abbildung 3). Über interaktive Komponenten lassen sich weitere Informationen über Firmen und ihre Beziehungen identifizieren und grafisch darstellen. Solche Analysen sind wertvoll für erfolgreiche Finanzinvestments. Das System lässt sich auch in anderen Branchen einsetzen, zum Beispiel im Supply Chain Management (SCM), in der Biochemie oder im Prozessmanagement

Der Finanzsektor bietet mit einem Themenspektrum von Finanzmarktanalyse und Risikomanagement bis zu Kundenprofilanalyse oder Marktsegmentierung eine Vielzahl an Einsatzbereichen für Visual Analytics. Entsprechende Anwendungen können aber auch in anderen Branchen helfen, die kaum mehr überschaubaren Datenmengen zu verstehen: In der Medizin zum Beispiel bei der Analyse von Labor- und Messdaten, in der Biotechnologie beim Vergleich von Testergebnissen oder als Informationsbasis für zeitkritische Entscheidungen im Katastrophenschutz. Gemeinsames Merkmal aller Anwendungsszenarien ist, dass es keine Standardlösung für die Berechnung der Daten und deren graphische Umsetzung gibt. Denn je nach Fragestellung des späteren Programmnutzers müssen die Daten mit unterschiedlichen statistischen Verfahren aufbereitet werden und sind für die Darstellung der Ergebnisse verschiedener Methoden zur Visualisierung sinnvoll.

Szenario für das Kundenbeziehungsmanagement

In einem System für Customer Relationship Management (CRM) werden Daten unter anderem über Kunden, Produkte, Historie der Kundenbeziehung gespeichert. Methoden der Kundensegmentierung, Kundenklassifikation oder Produktklassifikation bilden Hierarchien von Kategorien nach denen diese Daten analysiert werden könnten. Klassische statische Darstellungsformen können die Komplexität der Daten nicht ausreichend darstellen. Zum Beispiel lassen sich in einem klassischen Tortendiagramm (siehe Abbildung 4 links) die Anteile der Unterkategorien und weitere Einflussvariablen (zum Beispiel Profitabilität) nicht erfassen. Weiterhin es ist nicht möglich, die Datenänderungen über die Zeit hinweg zu betrachten. 

Um eine solche Analyse zu ermöglichen, hat das Fraunhofer IGD eine interaktive Visualisierung entwickelt. Das Programm CirVis3D visualisiert die Struktur der Daten in einem dreidimensionalen hierarchischen Kreisdiagramm, wobei die hierarchische Zusammensetzung der Daten leicht erkennbar ist und weiterhin die Höhe und die Farbe der einzelnen Teile zwei weitere Datenvariable abbilden (zum Beispiel Profit und Wachstum, siehe Abbildung 4 rechts). Die Zeitdimension der Daten wird durch Animation dargestellt. Außerdem bietet das System interaktive Tools zur Unterstützung der Datenanalyse, wie etwa das Filtern, Zoomen und Hervorheben von Daten.

Drei Gruppen im Werkzeugmarkt für Visual Business Intelligence

Die bisher aufgezeigten Anwendungsbeispiele zeigen die Fortschritte in der Forschung zur visuellen Kennzahlendarstellung. Marktgängige Business-Intelligence-Werkzeuge zeigen dagegen häufig seit vielen Jahren kaum Fortschritte in diesem Bereich – ganz im Gegenteil führte die Überführung der Werkzeuge in Web-basierte Versionen häufig sogar zu Rückschritten. Selbst an rudimentären Funktionen wie der konsistenten Darstellung einer Dimension in der gleichen Farbe in verschiedenen Diagrammen oder die einheitliche Einfärbung von positiven und negativen Werten ist schon eine Herausforderung.

Hinsichtlich der Umsetzung von Visual Business Intelligence können drei Klassen von Business-Intelligence- Werkzeugen unterschieden werden. Die erste Gruppe der statistischen Visualisierungswerkzeuge in klassischen oder auch speziellen visuellen Data- Mining-Werkzeugen bieten häufig ähnliche Ansätze wie oben beschrieben. Aus einer Reihe von fortgeschrittenen Visualisierungsmöglichkeiten muss in der Regel der Anwender eine für den Anwendungsfall sinnvolle Möglichkeit wählen und einsetzen. Neben Visualisierungsmöglichkeiten in klassischen Data-Mining-Werkzeugen (beispielsweise von SAS, SPSS, Oracle, IBM, StatSoft oder KXEN) gibt es auch spezielle visuelle Data-Mining-Werkzeuge mit sehr umfangreichen Möglichkeiten zur Darstellung von Daten (beispielsweise Miner3D, StarProbe Visual Data Miner, SAS JMP).

In die zweite Gruppe fallen Werkzeuge für Datenanalyse und Dashboarding, die sich grundsätzlich an Fachanwender oder weniger spezialisierte und geschulte Anwender richten. Interessant ist, dass sich erste Anbieter Gedanken zur aussagekräftigen und sinnvollen Berichtsgestaltung machen und diese werkzeugseitig umsetzen (beispielsweise Berichtsdesign nach Hichert bei Cubeware).

Weiterhin finden neue und wiederentdeckte Methoden zur Visualisierung von Managementinformationen Einzug in Werkzeuge, die von Informations-Designern wie Tufte oder Few entwickelt wurden. Prominentes Beispiel hierfür ist die Kondensierung von Zeitreihendaten in so genannten Sparklines aus Linien- oder Balkengrafiken, wie sie in XLCubed oder in Deutschland bekannter bei Bissantz implementiert wurden. Sparklines werden auch Wortgrafiken genannt, da die Gesamtgröße einer Grafik Wortgröße hat.

Gerade die aktuelle Popularität von Management-Dashboards und die Herausforderungen ansprechender visueller Darstellungen im Web führten zu zahlreichen Übernahmen und Entwicklungen bei klassischen, eher Berichts- und Analyse-orientierten Business-Intelligence-Werkzeugen. Vor allem der Einsatz von Flex- bzw. Flash-Technologie und Asynchronous JavaScript and XML (AJAX) führte hier zu Veränderungen (beispielsweise bei BusinessObjects Crystal Xcelsius, Micro- Strategy oder Information Builders).

Letztlich finden sich im Bereich der „fachanwendertauglichen“ Analysewerkzeuge zahlreiche Spezialisten, deren Werkzeuge die visuelle Analyse großer Datenmengen als grundsätzliches Gestaltungsprinzip anbieten. Beispiele hierfür sind InfoZoom, Tableau, RayQ von Qyte oder Tibco Spotfire. Besonders interessant werden diese Lösungen, wenn die sinnvolle visuelle Darstellung von Daten durch Regelbasen unterstützt wird und so tatsächlich etwas Intelligenz in die Werkzeuge kommt und Anwender Mehrwert erhalten.

In die dritte Gruppe der (spärlichsten) Umsetzung von Visual Business Intelligence reihen sich die meisten marktgängigen Business-Intelligence- Werkzeuge ein. Häufig ist für die grafischen Darstellungsmöglichkeiten Microsoft Excel ein Benchmark, gerade mit den neuen grafischen Ergänzungen in der neuesten Version 2007. Entwicklungsorientierte Werkzeuge wie Information Builders, Board MIT oder Qlikview bieten teilweise noch mehr als der Durchschnitt an, aber insgesamt fallen die Möglichkeiten noch begrenzt aus. Nicht ohne Grund werden daher OEM-Partnerschaften genutzt, um das eigene Portfolio zu ergänzen (zum Beispiel Tableau als Oracle Visual Analyzer). Die nächste Runde der Übernahmen im Business- Intelligence-Markt hat damit schon eine Perspektive.

Wachsende Bedeutung visueller Komponenten

Visuelle Komponenten werden eine wachsende Bedeutung in Business-Intelligence-Werkzeugen erhalten. Der Wunsch des Kunden ist die einfache Bedienbarkeit von Business Intelligence, bei gleichzeitig wachsender Mächtigkeit und (möglichst versteckter) Komplexität der Werkzeuge, um noch mehr Nutzen aus den vorhandenen Daten zu ziehen. Die Erfüllung dieser sich entgegengesetzt verstärkenden Ansprüche kann effektiv durch Innovationen an der Mensch-Maschine-Schnittstelle unterstützt werden. Es gibt Produkte, die in besonderer Weise visuelle Komponenten in ihren Werkzeugen integrieren. Solche Werkzeuge werden zunehmend für größere Software-Anbieter interessant, um ihr Portfolio an dieser Stelle zu erweitern. Die industrienahe Forschung in Visual Analytics hält zudem viele Technologien bereit, die solche Zukäufe noch innovativ unterstützen können.

Dieser Artikel ist in Ausgabe 7+8/2008 des is report erschienen. Der Abdruck erfolgt mit freundlicher Genehmigung der Fachzeitschrift is report. Mehr Informationen unter www.isreport.de.

Über den Autoren:

Dr. Carsten Bange ist geschäftsführender Gesellschafter des Business Application Research Centers (BARC). Er ist seit mehr als 10 Jahren für nationale und internationale Unternehmen verschiedenster Branchen und Größen im Rahmen der Strategie- und Architekturberatung, Werkzeugauswahl und Qualitätssicherung in Business-Intelligence- und Datenmanagement-Projekten tätig. Als neutraler Beobachter des Softwaremarktes ist er ein häufiger Redner bei Tagungen und Seminaren sowie Autor zahlreicher Fachpublikationen und Marktstudien.

Dr. Jörn Kohlhammer leitet am Fraunhofer IG D die Abteilung Echtzeitlösungen für Simulation und Visual Analytics. Seine Forschungsinteressen beinhalten entscheidungsbasierte Informationsvisualisierung unter Nutzung von Semantik, Visual Business Analytics sowie simulationsbasierte Visualisierung großer Datenmengen. 

Tatiana Tekušová arbeitet seit April 2006 am Fraunhofer IGD in der Abteilung Echtzeitlösungen für Simulation und Visual Analytics und seit April 2008 auch an der TU Darmstadt im Fachgebiet Graphisch-Interaktive Systeme. Sie fokusiert sich auf Visual Analytics und Visual Business Intelligence.

Folgen Sie SearchEnterpriseSoftware.de auch auf Twitter, Google+ und Facebook!

Erfahren Sie mehr über Business Intelligence

- GOOGLE-ANZEIGEN

ComputerWeekly.de

Close