Die 12 größten Herausforderungen mit Business Intelligence

1. Integration von Daten aus verschiedenen Quellsystemen

Die Zunahme der Datenquellen bedeutet, dass viele Unternehmen Daten für Analysen aus einer Vielzahl von Datenbanken, Big-Data-Systemen und Geschäftsanwendungen sowohl On-Premises als auch in der Cloud zusammenführen müssen. Der gängigste Weg ist die Bereitstellung eines Data Warehouses als zentraler Speicherort für BI-Daten. Andere Ansätze sind agiler – beispielsweise die Verwendung von Datenvirtualisierungssoftware oder BI-Tools selbst, um Daten zu integrieren, ohne sie in ein Data Warehouse zu laden. Das ist jedoch ein komplizierter Prozess.

Andere Arten von Herausforderungen bei der Datenintegration erfordern technische Kompromisse. Sameer Dixit, Senior Vice President of Engineering für Daten, Analytik und KI/maschinelles Lernen beim Beratungsunternehmen Persistent Systems, berichtete beispielsweise, dass sein Team Probleme hatte, Power BI-Berichte aus dem Cloud Data Warehouse Google BigQuery eines Kunden im laufenden Betrieb zu aktualisieren. Das Team fand heraus, dass es die Berichte stattdessen im Arbeitsspeicher aktualisieren konnte, aber laut Dixit war die Leistung durch die verwendete Hardware eingeschränkt.

Dixits Team stand auch vor der Herausforderung, unterschiedliche Dateiformate zu harmonisieren, die von den Quellsystemen eines anderen Kunden verwendet wurden. Das Team prüfte die Erstellung eines separaten ETL-Mappings (Extract, Transform, Load) für jede Datei, doch das hätte laut Dixit zu viel Zeit in Anspruch genommen. Stattdessen schrieb das Team eine Java-Anwendung, um alle Dateien in ein gemeinsames Format zu bringen, das in einem einzigen ETL-Job effizient verarbeitet werden konnte.

2. Probleme mit der Datenqualität

„BI-Anwendungen sind nur so genau wie die Daten, auf denen sie basieren. Benutzer müssen vor Beginn eines BI-Projekts Zugriff auf hochwertige Daten haben“, sagt Soumya Bijjal, Vice President of Product Management bei Aiven, einem Anbieter von Open-Source-Dateninfrastrukturplattformen.

Bijjal fügt jedoch hinzu, dass viele Unternehmen in ihrer Eile, Daten in BI-Systemen zu aggregieren, die Datenqualität vernachlässigen oder glauben, dass sie Fehler einfach beheben können, nachdem die BI-Teams oder Benutzer die Daten für die Analyse gesammelt haben. „Die Datenqualität ist einer der wichtigsten Aspekte der BI, der oft übersehen wird“, sagt sie.

Die Ursache für schlechte Datenqualität kann ein mangelndes Verständnis der Benutzer für die Bedeutung eines ordnungsgemäßen Datenmanagements sein. Bijjal empfiehlt Unternehmen, bei der Einführung von BI-Tools einen Datenerfassungsprozess zu schaffen, bei dem alle Beteiligten darüber nachdenken, wie die Richtigkeit der Daten sichergestellt werden kann. Eine Datenmanagementstrategie, die eine solide Grundlage für die Verfolgung des gesamten Datenlebenszyklus – von den Rohdaten bis zu den aufbereiteten BI-Datensätzen – bietet, ist ebenfalls unerlässlich.

3. Datensilos mit inkonsistenten Informationen

Silosysteme sind eine weitere häufige Herausforderung im Bereich Business Intelligence. Die Vollständigkeit der Daten ist für eine effektive BI unerlässlich, aber laut Bijjal ist es für BI-Tools schwierig, auf isolierte Daten mit unterschiedlichen Berechtigungsstufen und Sicherheitseinstellungen zuzugreifen. „BI- und Datenmanagement-Teams müssen Datensilos aufbrechen und die darin enthaltenen Daten harmonisieren, um die gewünschten Auswirkungen auf die Geschäftsentscheidungen zu erzielen“, fügt sie hinzu.

Viele Unternehmen haben damit zu kämpfen, weil es in den verschiedenen Abteilungen und Geschäftsbereichen keine internen Datenstandards gibt.

„Das ist eine der größten Herausforderungen, weil viele Definitionen über verschiedene Geschäftsbereiche hinweg festgelegt werden müssen“, sagt Cameron Cross, Partner, Technology und Experience bei der Beratungsfirma West Monroe Partners. Für ein Kundenprojekt musste sein Team leitende Führungskräfte in einem Raum versammeln und sie sich auf grundlegende Datendefinitionen einigen, beispielsweise was eine Brille ausmacht.

Inkonsistente Daten in Silos können zu mehreren Versionen der Wahrheit führen, sagt Garegin Ordyan, Vice President für Daten und Analysen beim Datenintegrationssoftwareanbieter Fivetran. Geschäftsanwender sehen dann unterschiedliche Ergebnisse für KPIs und andere Geschäftsmetriken, die in separaten Systemen ähnlich bezeichnet sind. Um dies zu vermeiden, empfiehlt Ordyan, mit einer klar definierten Datenmodellierungsebene und eindeutigen Definitionen für jeden KPI und jede Metrik zu beginnen.

4. Verwaltung der Nutzung von Self-Service-BI-Tools

Unkontrollierte Self-Service-BI-Implementierungen in verschiedenen Geschäftsbereichen können zu einer chaotischen Datenumgebung mit Silos und widersprüchlichen Analyseergebnissen führen, die bei Führungskräften und anderen Entscheidungsträgern Verwirrung stiften.

Nach Angaben von Thorndike verfügen die meisten modernen BI-Tools über eine Daten- und Sicherheitsarchitektur, die einen geschützten Ort für die Speicherung und gemeinsame Nutzung von benutzergenerierten Analysen bietet. Er empfiehlt BI- und Datenmanagement-Teams, Datensätze vorab in Data Warehouses oder anderen Analyse-Repositorys zu kuratieren, um Inkonsistenzen zu vermeiden.

„Wir haben festgestellt, dass der Schlüssel zur Verbesserung der Self-Service-Erfahrung darin liegt, diese Tools mit kuratierten Daten und Inhalten zu versorgen, die die Benutzer zur Erstellung viel besserer Datenflüsse und Mashups nutzen können“, erläutert er.

5. Erstellen solider Datenmodelle für BI-Anwendungen

„Ineffektive Self-Service-BI- und Analyseinitiativen sind oft auf unzureichende Datenmodellierung zurückzuführen“, sagt Tracy Colameco, Vice President of Analytics and Information Management bei Cervello, einer Tochtergesellschaft des Beratungsunternehmens Kearney. Dies kann zu Ineffizienzen führen, wenn Daten nicht so strukturiert sind, dass Benutzer leicht darauf zugreifen und sie verwenden können.

BI- und Data-Engineering-Teams „verfügen oft nicht über den notwendigen Geschäftskontext, um Daten effektiv zu modellieren, was dazu führt, dass die Daten für Endnutzer nicht ohne Weiteres nutzbar oder verwertbar sind“, erklärt sie.

Colameco empfiehlt BI-Teams, die Rolle eines Business Translators zu schaffen, um die Lücke zwischen Geschäftskonzepten und technischer Umsetzung zu schließen. Im Gegensatz zu einem Business Analysten, der in erster Linie Anforderungen sammelt, versteht ein Business Translator die geschäftlichen Anforderungen und technischen Rahmenbedingungen genau. Dies kann dazu beitragen, dass Daten auf der Grundlage des Verständnisses und der Erfahrung der Nutzer modelliert werden.

Eine weitere bewährte Vorgehensweise besteht darin, zu prüfen, wie generative KI-Tools (GenAI) eingesetzt werden können, um logische Datenmodelle in physische Modelle zu übersetzen. Dies kann die Optimierung der Datenstruktur für Quellsysteme erleichtern und die Bereitstellung für den Self-Service-Zugriff in BI-Systemen verbessern.

6. Schlechte Datenvisualisierung und Dashboard-Design

Datenvisualisierungen gehen oft schief, sodass die Informationen, die sie veranschaulichen sollen, schwer zu entschlüsseln sind. Ebenso sind BI-Dashboards oder -Berichte nur dann wertvoll, wenn die Benutzer leicht navigieren und die dargestellten Daten verstehen können. Unternehmen konzentrieren sich jedoch häufig darauf, die BI-Daten und den Analyseprozess richtig zu gestalten, ohne über das Design und die Benutzererfahrung nachzudenken.

Dixit sagt, BI-Manager sollten einen UX-Designer hinzuziehen, um ein verständliches Layout für Dashboards und Berichte mit einer übersichtlichen Benutzeroberfläche zu entwickeln. BI-Teams sollten auch gute Praktiken für die Datenvisualisierung fördern, insbesondere in Self-Service-BI-Umgebungen. Diese Schritte sind besonders wichtig für mobile BI-Anwendungen auf Smartphones und Tablets mit kleinen Bildschirmen.

7. Rechtfertigung neuer BI-Investitionen

Um ein BI-Programm auszubauen oder zu verbessern, muss nachgewiesen werden, dass die zusätzlichen Investitionen den Gewinn des Unternehmens steigern werden. Dies wird jedoch von BI-Teams oft erst im Nachhinein berücksichtigt.

„Infolgedessen haben viele Teams Schwierigkeiten, den ROI ihrer Initiativen effektiv zu messen“, sagt Sandy Estrada, Vice President of Client Solutions bei Cervello. Dies kann auf fehlende klar definierte KPIs zu Beginn von BI-Projekten, unzureichende Ressourcen für die Nachverfolgung von Kennzahlen oder eine mangelnde Fokussierung auf den ROI zurückzuführen sein.

Einer der entscheidenden Schritte zur Messung des ROI ist die Vereinbarung von KPIs und anderen Kennzahlen für jedes BI-Projekt mit den Geschäftsverantwortlichen vor dessen Start. Dadurch wird sichergestellt, dass alle Beteiligten die Projektziele und Erfolgskriterien kennen. Außerdem werden Benchmarks für die Nachverfolgung des Fortschritts und die Bewertung der gesamten geschäftlichen Auswirkungen festgelegt.

8. BI-Erkenntnisse mit Geschäftsmaßnahmen verknüpfen

„Bei der Entwicklung von BI-Anwendungen ist die Art und Weise, wie Daten präsentiert werden, fast genauso wichtig wie die Daten selbst“, erklärt Karel Callens, CEO und Mitbegründer von Luzmo, einem Anbieter von Datenanalyseplattformen. Idealerweise sollten Daten in den operativen Anwendungen angezeigt werden, in denen die Geschäftsaktivitäten stattfinden. Dies kann BI-Teams dabei unterstützen, einen iterativen Kreislauf zwischen Datenanalyse, Geschäftsmaßnahmen und Ergebnissen zu schaffen.

Beispielsweise ermöglichen eingebettete Analyse-Tools die Integration von BI in Geschäftssysteme, anstatt sie als separate Registerkarte, Seite oder Tool bereitzustellen. In einigen Fällen kann eine einzige Kennzahl, die im richtigen Kontext bereitgestellt wird, die geschäftlichen Auswirkungen von BI erheblich steigern. In anderen Fällen möchte ein Benutzer möglicherweise eine Reihe von Kennzahlen und Analysen für Anwendungen wie die Datenexploration in Betracht ziehen.

Eine weitere Herausforderung besteht darin, alles, was Geschäftsanwender benötigen, an einem Ort zusammenzufassen, um die Zugänglichkeit zu verbessern, ohne wichtige Details für datenversierte Benutzer zu entfernen. Generative KI kann durch Abfragen in natürlicher Sprache dazu beitragen, den Zugang zu demokratisieren. Außerdem ist es wichtig, die Anpassung von BI-Erkenntnissen an verschiedene Benutzertypen zu vereinfachen.

9. Bereitstellung der richtigen Daten für Entscheidungsträger

Eine damit verbundene Herausforderung ist laut Callens die Anpassung von BI-Erkenntnissen an verschiedene Benutzer. Auf diese Weise können BI-Teams personalisiertere Benutzererfahrungen bieten. „BI sollte dann angezeigt werden, wenn Sie sie benötigen, mit den Erkenntnissen, die für Sie zu diesem Zeitpunkt und in Ihrer Rolle relevant sind“, erklärt er.

Die ständig wachsende Menge an Daten, die von Unternehmen generiert und gesammelt werden, erschwert jedoch die Entscheidung, welche Erkenntnisse in welchem Format je nach BI-Anwendungsfall weitergegeben werden sollen. Überflüssige Daten können bei der Entscheidungsfindung kontraproduktiv sein. Daher ist es unerlässlich, nur relevante Erkenntnisse zu präsentieren, um effektive datengestützte Entscheidungen zu ermöglichen. „Eine Überflutung der Benutzer mit Informationen kann sehr schnell zu einer Entscheidungsunfähigkeit führen“, ist Callens Erfahrung.

10. Kombination verschiedener BI- und Analysetechnologien

„Es gibt immer noch eine recht breite Palette von Technologien, die für Business-Intelligence-Maßnahmen eingesetzt werden“, sagt Michael Berthold, CEO des Datenwissenschaftsplattformanbieters Knime. Neben traditionellen Data Warehouses werden BI-Daten beispielsweise mittlerweile manchmal in Data Lakes oder neueren Data Lakehouses gespeichert, die Elemente der beiden anderen Plattformen kombinieren. Außerdem werden KI-Tools zunehmend in den BI-Prozess integriert.

Dies führt zu Schwierigkeiten beim Zugriff auf Daten, bei der Integration verschiedener Tools und bei der Aktualisierung der Kenntnisse über die Verwendung der neuesten Technologien. Außerdem kann es zu isolierten Wissens- und Qualifikationslücken innerhalb eines Unternehmens sowie zu anderen potenziellen Problemen kommen. „Dies ist kein neues Problem, aber es wird durch die Integration von KI-Modellen weiter verschärft, die in den meisten Fällen in der Cloud eines anderen Anbieters ausgeführt werden, wodurch Unternehmen dem Risiko von Datenlecks und explodierenden Verbrauchskosten ausgesetzt sind“, sagt Berthold.

Eine Option für BI-Teams: Low-Code-Entwicklungsumgebungen können dabei unterstützen, die Komplexität von Programmiersprachen und anderen Datentechnologien zu abstrahieren und so die Einführung und Nutzung neuer Tools zu vereinfachen.

11. Mangelndes Vertrauen in KI-Tools für BI-Anwendungen

Verschiedene Arten von KI werden mittlerweile als Teil von Business-Intelligence-Plattformen eingesetzt. Gleichzeitig stehen viele Unternehmen noch am Anfang der Etablierung einer effektiven Governance für ihre KI-Initiativen. „Das Ergebnis ist ein Mangel an Vertrauen in die Datennutzung, unzureichendes Vertrauen in KI-generierte Erkenntnisse und unzureichende Nachverfolgung und Überwachung“, sagt Briana Ullman, Global AI Product Manager beim Analytics-Anbieter SAS. Infolgedessen bleibt die Integration von KI in Kerngeschäftsprozesse, einschließlich BI-Anwendungen, eine große Herausforderung.

Dies kann sich darin äußern, dass BI-Anwender Schwierigkeiten haben, KI-Tools erfolgreich zu implementieren, und Führungskräfte sich mit der Frage auseinandersetzen, wie sie ihre KI-Strategie richtig gestalten können. Letzteres ist jedoch von entscheidender Bedeutung: Ullman empfiehlt Unternehmen, eine umfassende KI-Strategie zu verfolgen, um die KI-Governance zu priorisieren, Risiken oder Reputationsschäden zu minimieren und das Vertrauen der Kunden zu schützen.

12. Einhaltung gesetzlicher Vorschriften zu Datensicherheit und Datenschutz

Die Vorschriften, die Unternehmen im Rahmen ihrer BI-Initiativen einhalten müssen, können je nach Branche, geografischer Region und der verwendeten Technologie stark variieren. Dazu gehören Datenschutzgesetze wie die EU-Datenschutz-Grundverordnung (EU-DSGVO) oder der California Consumer Privacy Act (CCPA), branchenspezifische Vorschriften und allgemeine Standards für Datensicherheit und Datenschutz.

„Für Unternehmen, die unter diesen strengen regulatorischen und Compliance-Rahmenbedingungen arbeiten, kann es eine Herausforderung sein, mit den neuesten Änderungen Schritt zu halten und die Compliance sicherzustellen“, erklärt Ullman. Falsche Konfigurationseinstellungen und unzureichende Sicherheitsmaßnahmen in BI-Anwendungen können zu Schwachstellen, Datenverletzungen und der missbräuchlichen Verwendung sensibler Informationen führen.

Daher müssen BI-Programme strenge Compliance-Prozesse umfassen. Ullman empfiehlt die Implementierung einer kontinuierlichen Nutzungsüberwachung und -prüfung, die Gewährleistung von Data Governance und Datenschutz sowie die Aufrechterhaltung der erforderlichen Rechts- und Compliance-Kompetenzen. Darüber hinaus sollten Unternehmen sicherstellen, dass BI-Softwareanbieter regelmäßig Berichte, Zertifizierungen und Prüfprotokolle vorlegen, um die fortlaufende Compliance ihrer Tools zu bestätigen.

Weitere Tipps zur Bewältigung von Herausforderungen im Bereich Business Intelligence

BI-Manager sollten nach Angaben von Ordyan außerdem einen Prozess zur Pflege und Aktualisierung von Metriken, Datenmodellen und Dashboards einrichten. Dazu gehört auch, regelmäßig zu überprüfen, was verwendet wird und was nicht, und nicht mehr benötigte Elemente zu entfernen. „Wenn Sie nicht verwendete Elemente nicht löschen, werden Sie sich in einer Situation wiederfinden, in der Sie ohne triftigen Grund zu viel zu warten haben“, warnt er.

Eine effektive BI-Strategie muss auch unterschiedliche Anforderungen innerhalb eines Unternehmens erfüllen.

„Eine geringe Akzeptanz von BI-Tools ist häufig das Ergebnis eines Elfenbeinturm-Ansatzes, bei dem Unternehmen versuchen, eine einzige, für alle Benutzer geeignete Lösung zu implementieren“, sagt Estrada. Dieser Ansatz berücksichtigt nicht die unterschiedlichen Informationsbedürfnisse und Datenkompetenzen innerhalb des Unternehmens.

Estrada empfiehlt, verschiedene Tools und Ansätze in Betracht zu ziehen, um die Nutzer dort abzuholen, wo sie stehen. Dies beginnt damit, dass man versteht, wie sie in ihren aktuellen Rollen über Daten denken und diese nutzen, und dass man ihren Datenkompetenzgrad und den benötigten Support ermittelt. Es ist auch wichtig, ihre bevorzugten Tools und Formate zu identifizieren und zu unterstützen, egal ob es sich dabei um Dashboards, Tabellenkalkulationen oder Berichte handelt.

Weitere allgemeine Ratschläge für die erfolgreiche Bewältigung von Herausforderungen sind die Sicherstellung, dass Ihre zugrunde liegende BI-Architektur skalierbar ist und bei Bedarf neue Tools aufnehmen kann, und dass verschiedene Benutzer über die richtigen Tools für ihre jeweiligen Fähigkeiten verfügen. Beispielsweise können Augmented-Analytics-Funktionen in BI-Software Benutzern helfen, relevante Daten zu finden, sie für die Analyse vorzubereiten, Abfragen in natürlicher Sprache auszuführen und Datenvisualisierungen zu erstellen.