Datenanalyse und Business Intelligence

Datenanalyse und Business Intelligence (BI) bündeln alle Methoden, Werkzeuge und Prozesse, mit denen Unternehmen aus Rohdaten verwertbare Erkenntnisse machen. Datenanalyse meint die statistische und algorithmische Auswertung selbst, BI das organisatorische Rahmenwerk drumherum: Datenintegration, Datenmodellierung, Berichtswesen und Self-Service-Auswertungen für Fachbereiche. Der Begriff Business Intelligence wurde 1958 vom IBM-Forscher Hans Peter Luhn geprägt, populär gemacht hat ihn ab 1989 der Gartner-Analyst Howard Dresner.

Im Zentrum steht ein vierstufiges Reifegradmodell: Beschreibend (Descriptive), erklärend (Diagnostic), vorhersagend (Predictive), handlungsempfehlend (Prescriptive). Je weiter ein Unternehmen aufsteigt, desto stärker werden Algorithmen, statistische Verfahren und mittlerweile auch Machine Learning eingesetzt. Bekannte BI-Plattformen sind Microsoft Power BI, Tableau, Qlik Sense, Looker, MicroStrategy und SAP Analytics Cloud, im deutschen Mittelstand zusätzlich Jedox, MyReport und QlikView.

Reifegradmodell der Datenanalyse Vier Ebenen: Descriptive Analytics als Basis, darüber Diagnostic, Predictive und an der Spitze Prescriptive Analytics. Die vier Reifegrade der Datenanalyse Prescriptive Predictive Diagnostic Descriptive Mit jeder Stufe steigen Datenbedarf, Rechenleistung und methodische Anforderungen
Reifegradmodell nach Gartner: Die meisten Mittelständler bewegen sich zwischen Stufe 1 und 2.

Die vier Reifegrade im Detail:

Descriptive Analytics: Standardberichte und Dashboards beantworten die Frage „Was ist passiert?“ für einen vergangenen Zeitraum. Klassische Beispiele sind Umsatzberichte, Auftragsstatistiken und Liquiditätsübersichten.

Diagnostic Analytics: Tiefenanalysen ergänzen die Beschreibung um Ursachenforschung. Drilldowns, Vergleichsanalysen und statistische Korrelationen beantworten „Warum ist es passiert?“.

Predictive Analytics: Mit Regression, Zeitreihenanalysen und Machine-Learning-Modellen werden Prognosen für Umsatz, Bedarf, Ausfallzeiten oder Kundenverhalten erstellt. Antwort auf „Was wird passieren?“.

Prescriptive Analytics: Algorithmen schlagen konkrete Handlungen vor, etwa optimale Bestellmengen, dynamische Preise oder Wartungsintervalle. Häufig in Verbindung mit Reinforcement Learning oder Operations Research. Antwort auf „Was sollten wir tun?“.

Komponenten eines BI-Systems:

Bausteine eines modernen BI-Systems Vier Kacheln mit Datenquellen, ETL-Prozessen, Data Warehouse und Reporting/Dashboards als Hauptkomponenten eines BI-Systems. Bausteine eines BI-Systems DATENQUELLEN Rohdaten ERP, CRM, Excel APIs, externe Daten ETL / ELT Datenintegration Extrahieren, Transform. Laden, Bereinigen DATA WAREHOUSE Datenspeicher Modelliert, historisiert DWH, Lakehouse REPORTING Auswertung Dashboards, KPIs Self-Service-BI Cloud-Plattformen wie Snowflake, BigQuery oder Databricks bündeln Speicher und Verarbeitung in einem Stack
Die vier Bausteine bauen aufeinander auf, ohne saubere Datenintegration scheitert jedes Reporting.

Abgrenzung zu verwandten Begriffen:

Data Science: Forschungsnaher Bereich mit Schwerpunkt auf Statistik und Machine Learning, oft jenseits der klassischen BI-Werkzeuge. Übergänge sind fließend.

Big Data: Beschreibt Datenmengen, die durch Volumen, Geschwindigkeit und Vielfalt klassische Datenbanken überfordern (3 V nach Doug Laney, 2001). BI kann auf Big-Data-Plattformen aufsetzen.

CPM (Corporate Performance Management): Steuerungsrahmen, der BI-Daten in Planung und Forecasting übersetzt.

Data Engineering: Disziplin, die die Pipelines baut, auf denen BI und Data Science laufen.

Datenanalyse im Mittelstand:

Im Mittelstand laufen Datenanalysen oft noch in Excel, mit allen bekannten Schwächen: doppelte Datenpflege, fehlende Versionierung, viele manuelle Brüche zwischen Quellsystemen. Der Einstieg in moderne BI muss kein Großprojekt sein. Sinnvolle Schritte:

  • Drei bis fünf zentrale Kennzahlen festlegen, die das Geschäft wirklich steuern
  • Datenquellen inventarisieren und auf Qualität prüfen, bevor neue Tools eingeführt werden
  • Ein einfaches Cloud-Dashboard mit Power BI oder Looker Studio aufsetzen, statt sofort eine Suite zu kaufen
  • Berechtigungen und Datenschutz von Anfang an mitdenken (DSGVO, Verzeichnis von Verarbeitungstätigkeiten)
  • Datenpflege als Aufgabe ernst nehmen, nicht „nebenbei“ erledigen

Für den technischen Betrieb der Datenpipeline und die sichere Anbindung von ERP-, CRM- und sonstigen Quellsystemen lohnt sich oft die Zusammenarbeit mit einem erfahrenen IT-Dienstleister wie oneserv. Das hält die Fachabteilung frei von Infrastrukturfragen und sorgt für stabilen Datenfluss.

Datenschutz und Datenethik:

Wer mit personenbezogenen Daten arbeitet, muss die DSGVO einhalten: Zweckbindung, Datenminimierung, Pseudonymisierung. Auch jenseits der Pflicht ist Datenethik ein wachsendes Thema: Wer Daten auswertet, sollte sich fragen, ob die Schlüsse fair sind, ob Diskriminierung in Modellen lauert (Bias) und ob betroffene Personen die Auswertung nachvollziehen können (Erklärbarkeit). Die EU-KI-Verordnung (AI Act) seit 2024 verschärft diese Anforderungen für Hochrisiko-Systeme weiter.

Relevanz im Arbeitsalltag:

Gute BI-Systeme machen Entscheidungen schneller, transparenter und nachvollziehbarer. Statt monatelang über Bauchgefühle zu diskutieren, schauen Geschäftsführung und Fachbereiche auf dieselben Zahlen und können fokussiert über Konsequenzen sprechen. Schlechte BI-Systeme dagegen produzieren Zahlenfriedhöfe, denen niemand mehr vertraut. Entscheidend ist nicht die teuerste Plattform, sondern die Datenqualität und die Disziplin, mit der Kennzahlen definiert und gepflegt werden.

Synonyme:

  • Business Intelligence (BI)
  • Datenanalyse
  • Geschäftsanalytik
  • Analytics

Abgrenzung zu:

  • Data Science: Forschungsnaher Schwerpunkt mit ML und Statistik, häufig in eigenen Tools (Python, R).
  • Big Data: Datenkategorie, nicht Methodik. BI kann auf Big-Data-Architekturen laufen.
  • CPM: Steuerungsrahmen, der BI-Daten in Planung übersetzt.
  • Data Engineering: Bau und Betrieb der Datenpipelines.

Siehe auch:

  • CPM (Corporate Performance Management)
  • KPI
  • Data Warehouse
  • Cloud-Services
  • DSGVO

Literaturhinweise:

  • Luhn, Hans Peter: „A Business Intelligence System“. IBM Journal, Oktober 1958.
  • Inmon, William H.: „Building the Data Warehouse“. Wiley, vierte Auflage 2005.
  • Kimball, Ralph; Ross, Margy: „The Data Warehouse Toolkit“. Wiley, dritte Auflage 2013.
  • Gartner Magic Quadrant for Analytics and Business Intelligence Platforms, jährlich.
  • Verordnung (EU) 2024/1689 (AI Act), Amtsblatt der Europäischen Union.
« Alle Begriffe im Unternehmenslexikon anzeigen