KI für Business Intelligence: Wie der Einstieg gelingt

Die Daten sind da. Die Reports und Visualisierungen auch. Doch es gibt noch ungenutztes Potential: den Einsatz von künstlicher Intelligenz. 

Viele Unternehmen haben bereits ein ausgereiftes Business intelligence (BI) Team. Aber der nächste Schritt – Von der Darstellung vergangener Kennzahlen hin zur Vorhersage – bereitet vielen noch Schwierigkeiten. Wie der Einstieg in die Welt der künstlichen Intelligenz für BI Teams gelingt, zeigt unser Artikel.

Business Intelligence vs. Data Science: Der Unterschied 

Bevor wir in sinnvolle erste Schritte für BI Teams starten, muss erst die grundlegende Frage gestellt werden: Warum wird der Einsatz von künstlicher Intelligenz als so anders gesehen im Vergleich zu klassischer Business Intelligence?

Historisch betrachtet arbeiten BI Teams am Reporting: Kennzahlen wie Umsatz  werden historische betrachtet, visualisiert und als „Erfolgsmetrik“ für das Unternehmen interpretiert. Dabei werden die Daten nur rückwärtsgerichtet und deskriptiv verarbeitet  – also die Frage „Was ist passiert?“ beantwortet. 

Data Science hingegen ist der neue Spieler auf dem Feld. Fortgeschrittene statistische Modelle, maschinellen Lernen und andere Methoden der künstlichen Intelligenz werden eingesetzt, um Muster zu erkennen und in die Zukunft zu projizieren – also Vorhersagen zu treffen.

Die Datengrundlage ist oft gleich – Daten aus dem Data Warehouse – geht bei Data Scientists aber meist noch weiter in die Verarbeitung unstrukturierter Daten (z.b. Text, Bilder).

Generell kann man den Unterschied zwischen Business Intelligence und Data Science SMS skizzieren:

Aufgaben und Methoden Business Intelligence 

  • Nutzung strukturierter Daten aus dem Data Warehouse
  • Rückwärts gerichtete Betrachtung der Vergangenheit 
  • Erstellung von Key Performance Identicators (KPIs) und Berechnung mittels simpler Statistik (Durchschnitt, Summe, etc)
  • Reporting und Visualisierung der Daten und KPIs

Aufgaben und Methoden Data Science

  • Nutzung strukturierter und unstrukturierter Daten
  • Ursachenanalyse, Mustererkennung und Vorhersage auf Basis von Daten
  • Einsatz von künstlicher Intelligenz, maschinellen Lernen, natürlicher Sprachverarbeitung
  • Erstellung von Datenprodukten, die kontinuierlich und live Vorhersagen treffen

Wie ein BI Team effektiv mit KI starten kann

Was hält also BI ab, selbst im Bereich Data Science und KI tätig zu werden? Grundlegend nichts – jedoch sind die Methoden doch eine starke Erweiterung des klassischen BI Aufgabenbereichs. Und die notwendigen Kenntnisse sind oft nicht vorhanden.

Doch muss man den Einsatz von KI etwas differenzierter betrachten. Auf der einen Seite stehen Methoden, die Ad-Hoc auf einen Datensatz angewandt werden können und somit direkt Einblicke und Mehrwert schaffen. Auf der anderen Seite stehen Datenprodukte, die “in Produktion” laufen, also als Services in einer Infrastruktur verankert und gepflegt werden müssen.

Ad-Hoc Analytics

Analysen die auf einem statischen Datensatz ausgeführt werden und direkt Mehrwert schaffen, fallen in den Bereich Ad-Hoc Analytics. Der Vorteil für das Business Intelligence Team: Die Daten haben sie und eine singuläre Analyse darauf ist gut machbar. Weitere Fähigkeiten wie Data Engineering oder DevOps sind nicht nötig.

Deployed data products 

Das Ziel vieler Unternehmen in einem späteren Schritt sind Algorithmen die live Aufgaben erledigen. Zum Beispiel die Fertigung überwachen oder Real-Time Kunden kategorisieren. Dazu braucht man nebst Datenexpertise noch wesentlich mehr: Data Engineering, Software Engineering, DevOps und vieles mehr, das weit über Business Intelligence hinaus reicht. 

Möchte man also als Business Intelligence Einheit KI einbringen, empfehlen wir mit Ad-Hoc Initiativen, die auf statischen Daten Mehrwert schaffen. In späteren Entwicklungsstufen mit genügend Experten an der Seite können auch Produkte (z.B. Vorhersage) entwickelt und eingesetzt werden.

Beispiele für künstliche Intelligenz für Business Intelligence 

Im Prinzip kann man zwischen zwei Kategorien für KI im Bereich Business Intelligence unterscheiden. Die erste Kategorie ist die Optimierung von BI Aufgaben selbst, die andere Mehrwert für Business Units, also die Domänen wie Marketing,  Vertrieb oder Produktion.

Beispiele für KI im Bereich Business Intelligence 

Datenqualität

Ein Thema das Daily Business im Bereich BI ist, ist die Qualität der Daten. Hier kann KI untersützen: von einer automatisieren Analyse über die Identifikation schlechter Datensätze gibt es viele Ansatzpunkte wie Künstliche Intelligenz die Arbeit effizienter gestalten kann. 

Ein guter erster Ansatzpunkt ist die automatisierte Datenqualitätsanalyse. Die gibt Einsicht in den Status, um nachfolgend via Data Governance das “First time right”-Principle zu etablieren.

Redundanz von Daten

Besonders bei sehr großen Unternehmen ergibt sich die Herausforderung, dass teilweise multiple Datensätze zur gleichen Grundwahrheit existieren. Das Problem let ist, dass menschlich selten alle Facetten der Datenmodelle und deren Inhalten erfasst werden können.

Im Zuge der Datensparsamkeit und “Golden Record“-Gedanken  ist es vorteilhaft, von dieser Datenredundanz zu wissen. KI kann unterstützen, Redundanzen innerhalb eines Datensatzes (z.b. Gewicht in KG und Gramm) und über Datensätze hinweg (z.B. Kundenstammdaten) zu identifizieren. 

Unterstützung bei DSGVO Konformität

Ein großer Faktor zum Thema Datenschutz, besonders in Übereinstimmung der DSGVO, ist das Wissen über personenbezogene Daten. Auch hier stellt sich wieder die Frage: wie kann man in den Unmengen eines Data Warehouses wissen, wo sich entsprechende Daten befinden? Dies ist vor allem notwendig für das „Recht auf vergessen werden“ gemäß Paragraph §35, also die Löschpflicht jedes Unternehmens. 

Auch hier kann Künstliche Intelligenz unterstützen. Durch die automatische Identifikation von PII – personal identifiable information, also persönlich identifizierende Daten – können Datensätze identifiziert werden, auf die ein besonderes Augenmerk gelegt werden muss. Ob Namen, Adressen, E-Mails oder anderes: wenn ein BI Team Bescheid weiß, wo sich personenbezogene Daten befinden, können sie auch entsprechend verwaltet werden.

Beispiele für KI aus dem Bereich BI für Domänen

Hier möchten wir nur auf Beispiele eingehen, die in den Bereich Ad-Hoc Analytics fallen. Dies erlaubt einen schnellen und einfachen Zugang zu Mehrwert, ohne große zusätzliche Engineering Aufwände.

Ausreißererkennung

Die Aufgabe von BI ist es, verlässliche Zahlen zu liefern. Ein erstes Indiz, dass Zahlen nicht verlässlich sind, sind sehr große Änderungen. Dies Ausreisser werden im DWH üblicherweise über einfache Metriken (z.b. prozentuale veränderung) identifiziert. Doch das erkennt nicht alle – oder viele Dinge, die keine Ausreißer sind.

Auch diesbistbeik Fall für KI. Durch statistische Ausreißererkennung werden die wichtigsten Ausreißer schnell und zuverlässig entdeckt. Dies bildet die Basis für effizientes Arbeiten im BI Team, um der Frage nach dem Warum nachzugehen. 

Vorhersage von Kundenabwanderung

Die meisten KI Projekte finden dort statt, wo der Umsatz gemacht wird: im Bereich Marketing und sales. Bei Unternehmen mit vielen wiederkehrenden Kunden (z.B. Abonnements, Ersatzteile, Verbrauchsgüter) stellt sich hierbei besonders die Frage, wie man existierende Kunden halten und zum wiederkommen bewegen kann. 

Eine der Methoden um Customer Success, Sales oder Marketing beim Thema Kundenloyalität unterstützen kann, ist sogenannte Customer Churn Prediction, also die Vorhersage von Kundenabwanderung. Hier wird KI eingesetzt um aus historischen Daten ein Vorhersagemodell abzuleiten, mit der zukünftige Kundenabwanderung abschätzen werden kann. Als Folge können sehr zielgerichtet die Kunden „in Gefahr“ angesprochen und zur Loyalität bewegt werden. 

Während dieses Beispiel fortgeschrittene Methoden von künstlicher Intelligenz einsetzt, ist der Vorteil, dass eine derartige Analyse sehr gut Ad-Hoc und somit z.b. monatlich durchgeführt werden kann. Folglich muss die Vorhersage nicht live ständig verfügbar sein, was Engineering zur Folge hätte, sondern kann einfach bei Bedarf durchgeführt werden. 

Data Driven Personas

Eine zentrale strategische Initiative in jedem Unternehmen ist das Kundenverständnis. Umfragen, Reviews, Interviews und viele andere Methoden werden eingesetzt um besser die Bedürfnisse der Kunden zu verstehen. Das Ziel ist immer, diese Bedürfnisse besser bedienen zu können – durch neue Produkte, spezielle Aktionen oder gezielte Ansprachen.

Auch hier kann KI Ad-Hoc Mehrwert schaffen: Durch Data-Driven Personas. Personas sind ein exemplarisches Abbild einer Kundengruppe, die qualitativ erstellt werden. Indem man Daten und maschinelles Lernen einsetzt, werden diese Segmente auf eine Abbild der Realität gebildet. Ähnliche Datensätze werden zusammengefasst und somit als Gruppen beschrieben. 

Da das Business Intelligence Team viele kundenbezogenen Verhaltensdaten vorliegen hat, müssen diese nur noch verarbeitet werden. Ein perfekter Ansatz, um schnell und einfach Mehrwert durch Daten zu generieren.

Zusammenfassung und Startpunkt

Wie man sieht, ist der Weg von Business Intelligence zum Einsatz von Künstlicher Intelligenz nicht weit. Das Hauptproblem jedoch bleibt bestehen: Wie kann man starten?

Da das BI Team selbst aus Datenexperten besteht, die vor allem sehr gute Kontrolle über die strukturierten Daten in ihrem Data Warehouse haben, fehlt nicht viel. Wir empfehlen, mit einem Ad-Hoc Anwendungsfall zu starten. Dieser erfordert nebst den Daten wenig Aufwand. Es fehlt nur die Data Science Expertise. Diese kann über einen neuen Mitarbeiter, eine Agentur oder durch Self-Service KI erfolgen.

Self-Service KI-Produkte erlauben in diesem Zusammenhang einen schnellen, einfachen und günstigen Einstieg. Indem Daten zu einem fest definierten Anwendungsfall bereitgestellt werden, kann man ohne Umwege die KI einsetzen. Somit ist dieser Weg der beste für eine Fähige BI-Abteilung, erste Erfahrungen mit künstlicher Intelligenz zu sammeln und direkt Mehrwert zu schaffen.