Business Intelligence

Was ist Business Intelligence wirklich?

Business Intelligence ist kein Tool. Es ist ein Prozess.
Viele verwechseln BI mit einem Dashboard oder einem Reporting-Tool. Aber der eigentliche Kern ist ein anderer:
Daten sammeln – aus allen relevanten Quellen
Daten analysieren – strukturiert und nachvollziehbar
Erkenntnisse nutzen – für fundierte Entscheidungen
Das klingt simpel. In der Praxis scheitern Projekte genau an diesen drei Schritten – meist an der Datenqualität oder fehlenden Architekturen.
Gute BI-Systeme entstehen nicht durch Tools, sondern durch durchdachtes Design.
Was war euer größtes Lernfeld bei einem BI-Projekt?

#BusinessIntelligence #DataQuality #DWH #DataArchitecture #ITConsulting

Daten als Machtfaktor

Daten sind nicht nur eine technische Ressource. Sie sind ein strategischer Machtfaktor.

Unternehmen, die große Datenmengen sinnvoll nutzen:
✔ Verbessern ihre Produkte und Services kontinuierlich
✔ Treffen bessere Entscheidungen schneller
✔ Beeinflussen ganze Branchen und Märkte

Ich erlebe das täglich in meiner Arbeit mit öffentlichen und privatwirtschaftlichen Auftraggebern: Wer seine Daten nicht beherrscht, verliert mittelfristig den Anschluss.

Big Data ist kein Hype. Es ist Infrastruktur – genauso unverzichtbar wie Strom oder Internet.

Wie reif ist das Datenmanagement in eurer Organisation?

#BigData #DataDriven #Digitalisierung #PublicSector #BusinessIntelligence #DataManagement

Daten als das „neue Öl“ – aber richtig verstanden

Daten sind das neue Öl. Aber nur, wenn man sie raffiniert.
Rohöl ist wertlos, solange es nicht verarbeitet wird. Genauso verhält es sich mit Daten: Gesammelt, aber nicht analysiert, bringen sie nichts.
Was viele Unternehmen noch nicht verstanden haben:
→ Daten müssen extrahiert, gespeichert und aufbereitet werden
→ Erst dann entstehen Erkenntnisse, die echte Geschäftsentscheidungen ermöglichen
→ Wer das beherrscht, verschafft sich einen klaren Wettbewerbsvorteil
In über 20 Jahren DWH- und BI-Projekten sehe ich immer wieder dasselbe: Die Daten sind da. Die Architektur fehlt.
Was ist eure größte Herausforderung im Umgang mit euren Daten?

#BigData #BusinessIntelligence #DataWarehouse #DataStrategy #DigitalTransformation

Aggregatfunktionen für Auswertungen

Um ein Total bei der Summenbildung hinzuzufügen kann man die group by Funktion über Grouping Sets erweitern.
Hier am Beispiel einer Aggregation über Steuerklassen.

select
	umm.MWSTID
        ,m.Steuersatz
	,summeAusg = format(sum(umm.[UmsatzBetrag]), 'n2', 'de-de')
	,summeEsrt = format(sum(umm.[SplitSteuer]), 'n2', 'de-de')
	, 'Total'  = grouping(umm.MWSTID)

  FROM [dbo].[UmsatzMwSt] umm

  inner join [dbo].[Umsätze] um 
  on umm.UmsatzID = um.ID

  left join [dbo].[MWST] m
  on umm.MWSTID = m.ID

  where um.[ImportDat] is Not NULL
 group by Grouping sets((m.Steuersatz, umm.MWSTID), ())
 order by  Total, umm.MWSTID

Das sieht dann so aus. Die 1 in der Spalte 'Total' markiert die Gesamtsumme.

Die beiden Spalten Steuersatz und MWSTID bilden das Set über das gruppiert werden soll. Die Klammer weißt an, dass über alles das Total zu bilden ist.

#T-SQL, #Aggregate

Natürliche Sprache statt Klick-Dashboards – ist das die Zukunft von BI?

Mit dem Model Context Protocol (MCP) wird etwas möglich, das vor zwei Jahren noch deutlich komplizierter war:

KI-Agenten direkt in BI-Tools wie Power BI oder Tableau einbinden – und Daten einfach in normaler Sprache abfragen.

Statt: „Wo ist der richtige Filter, welche Seite, welches Visual?“
Einfach: „Zeig mir den Umsatz der letzten 3 Monate nach Region, ohne Retouren.“

Das klingt simpel – und genau das ist der Punkt. Weiterlesen…

KI ersetzt keine Dashboards. Sie macht sie smarter.

Viele denken gerade: „Wozu noch Power BI, wenn ich die KI einfach fragen kann?“

Ganz so einfach ist es nicht.

Weiterlesen…

Meldewesen / Regulatory Reporting Meldewesen klingt trocken. Ist es aber nicht – zumindest nicht aus Datensicht.

Ich arbeite seit Jahren an regulatorischen Reporting-Lösungen für Banken (u. a. FMS, FinRep, Anacredit, VERA, Pfandbrief-Meldungen an OeNB und Deutsche Bundesbank).

Was die wenigsten wissen: Hinter jeder Meldung steckt ein hochkomplexes DWH-Problem.

Weiterlesen…

ROI-Erwartungen vs. Realität

32% der Unternehmen erwarten positiven ROI aus KI in den nächsten 6–11 Monaten.
Gleichzeitig haben viele von ihnen kritische Lücken in Governance, Datenqualität und Skills – die sie selbst eingestehen.

Weiterlesen…

Das Skills-Problem

Die größte Hürde auf dem Weg zur KI-Reife ist keine Technologie.
Es sind Menschen.
51% der Datenstrategen nennen Skills als wichtigsten Bedarf für KI-Readiness.

Weiterlesen…

Data Vault oder Kimball? Ich werde gefragt fast jedes Mal.

Nach über 20 Jahren DWH-Projekten mit beiden Ansätzen hier meine ehrliche Einschätzung:

Kimball (Star Schema) ist besser, wenn…
→ Das Datenmodell stabil ist und sich kaum ändert
→ Performance im Reporting oberste Priorität hat
→ Das Team klein ist und schnell liefern muss
→ Die Datenmenge überschaubar bleibt

Data Vault 2.0 ist besser, wenn…
→ Viele, heterogene Quellsysteme angebunden werden müssen
→ Das Modell sich häufig ändert (z. B. neue Quellen, neue Geschäftsbereiche)
→ Vollständige Historisierung und Auditierbarkeit gefordert wird
→ Das DWH langfristig skalieren soll

Mein Fazit: Es gibt kein „besser“ – es gibt nur „passend zum Kontext“.

Was ich in der Praxis sehe: Data Vault wird oft für Projekte eingesetzt, wo Kimball völlig gereicht hätte – und umgekehrt.

Welchen Ansatz nutzt ihr in euren aktuellen Projekten?

#DataVault #Kimball #DataWarehouse #DWH #BI #MSSQL #Datenarchitektur