thinkBI

thinkBI #024 – Batch-Verarbeitung oder Streaming-Logik

Im thinkBI Podcast geht es diesmal um Event-Streaming und die Frage, was davon für Business Intelligence eigentlich wirklich relevant ist. Der Reiz des Themas ist offensichtlich: Daten entstehen fortlaufend, Systeme können Ereignisse sofort weitergeben, Dashboards lassen sich beinahe in Echtzeit aktualisieren. Technisch klingt das nach dem nächsten logischen Schritt.

Genau darin liegt aber auch die erste Irritation. Denn nicht alles, was schneller verfügbar ist, ist für BI automatisch besser.

thinkBI #023 – Web-APIs sind nicht die beste BI-Datenquelle

Im thinkBI Podcast geht es diesmal um eine Schnittstellenlogik, die in modernen Systemlandschaften fast automatisch vernünftig wirkt: die Web-API. Sobald ein System eine API anbietet, scheint die Integrationsfrage oft schon beantwortet. Der Zugriff wirkt sauber, standardisiert und zeitgemäß.

Genau diese Selbstverständlichkeit lohnt einen genaueren Blick. Denn was für operative Integration sinnvoll ist, ist noch lange keine gute Datenquelle für Business Intelligence.

thinkBI #022 – Zwischen direktem Zugriff und sauberer Bereitstellung

Im thinkBI Podcast geht es diesmal um eine Datenquelle, die viele vorschnell als Übergangslösung abtun: die Datei. Dabei lohnt sich ein zweiter Blick. Denn gerade in einer Zeit, in der über Lakehouses, Fabric, Databricks oder verteilte Datenplattformen gesprochen wird, gewinnt die Dateischnittstelle erneut an Bedeutung.

Das wirkt zunächst widersprüchlich. Je moderner Datenarchitekturen werden, desto naheliegender scheint die Erwartung, dass auch die Schnittstellen direkter, dynamischer und technischer werden müssten. Stattdessen kehrt ein erstaunlich schlichtes Prinzip zurück: Daten werden exportiert, in einem verständlichen Format abgelegt und von anderen Systemen weiterverarbeitet.

thinkBI #021 – BI darf das operative System nicht stören

Im thinkBI Podcast wandert der Dashboard Creation Cycle weiter von der Planungsseite in die Umsetzung. Nachdem geklärt wurde, welche Daten fachlich relevant sind und wo ihre Herkunft liegt, stellt sich nun eine sehr konkrete Frage: Wie greifen wir auf diese Daten zu?

Eine naheliegende Antwort lautet oft: direkt auf die SQL-Datenbank. Das klingt effizient. Und technisch ist es das häufig auch. Aber genau darin liegt die Spannung. Denn eine operative Datenbank ist nicht einfach ein neutraler Speicher, aus dem BI beliebig lesen kann. Sie ist Teil eines laufenden Systems. Oft ist sie sogar dessen Herz.

thinkBI #020 – Fachlichkeit führt, Technik begrenzt

Im thinkBI Podcast schließt Folge 020 direkt an die Diskussion zur Datenidentifikation an. Diesmal geht es weniger um eine weitere Technikfrage als um eine notwendige Korrektur: Wie verhalten sich fachliche Anforderung, semantisches Modell und technische Systemrealität eigentlich zueinander?

Die zugespitzte Antwort lautet: Gute BI braucht einen Mittelweg. Weder reicht es, Fachlichkeit einfach als Idealbild zu behandeln, noch genügt es, sich an den vorhandenen technischen Strukturen festzuklammern. Beides führt in Sackgassen.

thinkBI #019 – Quellsystem und Datenplattform erfüllen nicht dieselbe Aufgabe

Im thinkBI Podcast geht es im Dashboard Creation Cycle einen Schritt weiter, weg von der reinen Modellbeschreibung, hin zur Frage, woher die Daten für ein Modell überhaupt kommen. Das klingt zunächst nach einer technischen Vorfrage. In der Praxis ist es aber eine der wichtigsten Architekturentscheidungen überhaupt. Denn bevor ein Report sauber gebaut werden kann, muss klar sein, welche Daten wirklich belastbar sind.

thinkBI #018 – Zeit im Datenmodell ist keine Nebensache

Wer Daten modelliert, landet früher oder später bei einer einfachen, aber folgenreichen Frage: Wann gilt ein Wert eigentlich? In der aktuellen Podcastfolge geht es genau um diesen Punkt, entlang von Slowly Changing Dimensions und der Frage, wie sich Veränderung fachlich sauber abbilden lässt. Nicht jeder Datensatz ist nur ein Datensatz. Manche Informationen verändern sich langsam, manche müssen rückwirkend verstanden werden, manche sollen nur den aktuellen Stand zeigen. Genau an dieser Stelle wird aus Modellierung eine Zeitfrage.

Ein gutes Vorgehensmodell schafft gemeinsame Sprache

Heute war ich wieder für einen Workshop vor Ort bei einem meiner Lieblingskunden.

Okay, zugegeben: Ich habe eigentlich nur Lieblingskunden. Aber bei solchen Projekten ist es mir wirklich wichtig, dass wir partnerschaftlich auf Augenhöhe arbeiten. Denn dann bringe nicht nur ich meine Erfahrung mit, sondern bekomme gleichzeitig Einblicke in die tägliche Realität einer Organisation, die pragmatisch nach vorne will. Nicht im Hochglanz-Konzern, sondern im Mittelstand. Dort, wo Entscheidungen, Verantwortung und Umsetzung oft noch nah beieinanderliegen.

Genau darum ging es auch in diesem Workshop: um die gemeinsame Entwicklung eines zukünftigen Vorgehensmodells für KPI-Anforderungen, Kennzahlen, Dashboards und Reporting-Prozesse.

thinkBI #017 – Ein gutes Datenmodell kennt seine Ausnahmen

Im thinkBI Podcast ging es zuletzt um das Sternschema als Grundform analytischer Modellierung. Daraus ergibt sich die nächste, eigentlich wichtigere Frage: Was tun wir mit den Fällen, in denen die klare Grundregel nicht mehr ganz ausreicht? Genau dort wird Datenmodellierung interessant.

Viele Berichte sind noch keine bessere Steuerung

In vielen Unternehmen wird Business Intelligence noch immer an etwas gemessen, das leicht sichtbar ist: an der Anzahl der Berichte, Dashboards und Auswertungen. Das wirkt zunächst plausibel. Wer mehr sieht, kann besser steuern. Wer mehr Zahlen hat, trifft bessere Entscheidungen. Wer mehr Reports bereitstellt, professionalisiert seine Organisation.