Seit Mitte der neunziger Jahre hoffen wir auf höhere Erkenntnis durch Business Intelligence Systeme. Bei der Hoffnung ist es in vielen Fällen geblieben. Denn die meisten Projekte, die mit hochgesteckten Zielen gestartet wurden, blieben schon in der Anfangsphase stecken – bei der Erstellung der zugrundeliegenden Datenbasis. Zwar sind in Unternehmenslösungen die relevanten Daten für die Planung und Steuerung auch komplexester Geschäftsprozesse enthalten, aber in den seltensten Fällen sind diese Daten so gepflegt, dass sie ohne manuelle Nachbearbeitung in ein BI-System übernommen werden können. Das Problem potenziert sich, wenn die Daten aus mehreren Applikationen unterschiedlicher Anbieter mit abweichenden Datenbankstrukturen und Systemarchitekturen zusammengefasst werden sollen.
Um das Problem plakativ zu beschreiben: Allein für das Datumsfeld gibt es mehrere Dutzend Formatierungsmöglichkeiten – von der amerikanischen Version mit vorgestellter zwei- oder vierstelliger Jahreszahl über ausgeschriebene oder abgekürzte Monatsnamen bis zur Interpunktion. Bei Stammdaten ist die Variabilität praktisch unbegrenzt. Und Bewegungsdaten und deren aggregierte Formen lassen den Variantenreichtum ins Millionenfache explodieren. Kein Wunder, dass Datenmanagement und Datenpflege auch nach erfolgreicher Einführung einer Unternehmenssoftware Dauerbrenner bleiben.
Hier ist nicht selten der Punkt erreicht, wo das Thema Business Intelligence bereits aus dem Focus gerät, weil die Vorbereitungsarbeiten schon ausufern. Bis dann die Daten in einem Data Warehouse zusammengefasst sind, wurde nicht selten schon der erste Hunderttausend-Euro-Schein verbrannt. Dabei ist zu diesem Zeitpunkt noch kein echter Nutzen entstanden – geschweige denn eine Erkenntnis.
Hinzu kommt, dass ein Data Warehouse auf kopierten Daten aufbaut, die regelmäßig aktualisiert werden. In den seltensten Fällen ist die Kopie also so aktuell wie die Originaldaten. Dabei ist schon allein das Datenvolumen hinderlich, wenn die Aktualisierung jeweils den gesamten Datenbestand umfasst. BI–Lösungen haben also den Nachteil, Dass sie Erkenntnisse aus den Daten „von gestern“ erzeugen.
Wir bei actesy haben deshalb mit dem actesy Metadaten-Framework einen Weg entwickelt, bei einem Bruchteil dieser Kosten zu einem Ergebnis zu gelangen, dass echte Business Intelligence eröffnet. Dazu ziehen wir mit den mehr als 250 bereits vorkonfigurierten Adaptoren die Daten aus bestehenden Anwendungsarchitekturen und normalisieren sie innerhalb des actesy Metadaten-Frameworks. Dabei bleibt selbstverständlich die Integrität der Daten erhalten: Ändern sich die Daten in den Produktivsystemen, werden die Daten im actesy Metadaten-Framework sofort ebenfalls aktualisiert. So werden Auswertungen stets auf dem neuesten möglichen Stand durchgeführt.
Und auch in der zweiten Phase – der Erstellung von Relations, Patterns und Principles – können mit dem actesy Metadaten-Framework komfortabel Beziehungen zwischen Daten, Datenfeldern und Metadaten hergestellt werden. Dabei lassen sich die Methoden festlegen, auf deren Grundlage die Erkenntnisse aus den Daten gezogen werden sollen.
Schließlich zeigt das actesy Metadaten-Framework seine ganze Stärke, wenn es in die dritte Phase des BI-Projekts geht – dort, wo viele BI-Projekte niemals hingelangen: das eigentliche Wissensmanagement. Denn mit dem actesy Metadaten-Framework können Sie eine komplette Plattform für die Auswertung und Verbreitung von Erkenntnissen und Ergebnissen entwickeln – vom Management Dashboard bis zu Drill-Down-Funktionen, über die Sie schließlich wieder zu den ursprünglichen Daten gelangen können.
Und auch dort, wo ein BI – System schon operativ ist oder sich in der Einführung befindet, kann das actesy Metadaten-Framework zusätzliche Hilfe leisten. Denn als vorgeschalteter „Data Crawler“ kann es die Aktualität im Data Warehouse erzeugen, die es für eine Real-time Intelligence braucht.
Wir sehen uns in Ihrem nächsten Digitalprojekt!
Für weitere Informationen kontaktieren Sie uns bitte auf info@actesy.com
