In thinkBI Folge 45 beschreibe ich eine Beobachtung aus einem übernommenen Kundendatenmodell. Eine Maschinenklasse war als Tabelle vorhanden, ihre fachliche Bedeutung aber nur teilweise ausdrücklich geklärt. Ein Teil des Wissens steckte in sprechenden Namen und in der Erfahrung der Menschen, die damit arbeiteten.
Das ist eine besondere Lücke. Informationen können für Menschen lesbar sein und trotzdem als verlässlich nutzbare Analysemerkmale fehlen. Wer die Bezeichnungen kennt, versteht die Zusammenhänge. Für eine Auswertung muss dieses Verständnis erst in Struktur übersetzt werden.
Die fachliche Ebene existiert schon im Denken
Die Tabelle beschrieb eine Gruppierung mehrerer Maschinen. Zu einem Bezeichner wurden Leistungswerte zusammengeführt, die aus verschiedenen Tabellen stammten. Diese Maschinenklasse lag damit oberhalb der einzelnen Maschine und bildete eine eigene Analyseebene.
Im Gespräch mit dem Fachbereich zeigte sich, auf dieser Ebene wurde bereits gedacht und geplant. Man wollte eine bestimmte Anzahl von Maschinen einer solchen Klasse vorhalten und die tatsächlich vorhandenen Maschinen dagegen vergleichen. Der Fachbereich verwendete dafür zwar nicht denselben Begriff, erkannte aber den Nutzen der Gruppierung.
Damit hatte die Struktur eine konkrete Aufgabe. Sie sollte Planung und Ist-Bestand auf einer gemeinsamen Ebene zusammenbringen. Die fachliche Vorstellung war vorhanden, ihre Abbildung musste jedoch gemeinsam verständlich gemacht werden.
Die Modellierungsfrage beginnt hier also bei der Planung. Welche Maschinen werden aus welchem Grund zusammengefasst? Erst aus dieser Klärung ergibt sich, was eine Maschinenklasse im Modell leisten muss.
Der Name trägt mehr, als er verlässlich leisten kann
Für die Zuordnung wurde der Name der Maschinenklasse verwendet. Ein eigenständiger Schlüssel fehlte. Zugleich war der Name sprechend. Fachkundige Personen konnten daraus Leistungsmerkmale herauslesen. Die Bezeichnung übernahm damit mehrere Aufgaben gleichzeitig. Sie identifizierte eine Klasse und transportierte Eigenschaften dieser Klasse.
Über die beteiligten Systeme hinweg waren die Schreibweisen jedoch uneinheitlich. Außerdem wichen teilweise die zugelieferten Attributwerte voneinander ab. Die Menschen konnten aus den Namen weiterhin erschließen, welche Leistungswerte vermutlich gemeint waren. Eine stabile, gemeinsam festgelegte Regel für diese Interpretation war aber nicht erkennbar.
Genau darin steckt das implizite Wissen dieses Falls. Es umfasst das Erkennen gleicher Klassen trotz verschiedener Schreibweisen und das Ableiten fachlicher Eigenschaften aus Bestandteilen eines Namens.
Für den Plan-Ist-Vergleich reicht es deshalb nicht aus, dass beide Seiten ihre Bezeichnungen jeweils verstehen. Es muss geklärt sein, welche Einträge dieselbe Klasse meinen und welche Leistungswerte dafür gelten. Sonst bleibt die gemeinsame Vergleichsebene von persönlichen Interpretationen abhängig.
Im Ladecode steckt bereits eine fachliche Entscheidung
Im Data Warehouse wurden die verschiedenen Schreibweisen schon auf einen einheitlichen Namen umgeschlüsselt. Die Zuordnung war hart in den Ladeskripten hinterlegt. Eine fachlich vorgegebene Mapping-Tabelle gab es dafür bisher nicht.
Der Code machte die technische Umsetzung zwar ausdrücklich sichtbar. Die fachliche Vereinbarung dahinter blieb jedoch unzureichend geklärt. Welche Bezeichnung ist führend? Warum gehören bestimmte Varianten zusammen? Wer legt fest, welcher Attributwert bei einer Abweichung gelten soll?
Eine Umschlüsselung enthält hier bereits eine fachliche Aussage über Gleichheit. Sie verdient deshalb dieselbe Aufmerksamkeit wie die Tabelle, die anschließend im Modell sichtbar wird. Die Prüfung einer bestehenden Datenstrecke kann so Wissen freilegen, das bisher vor allem bei ihrer erstellenden Person lag.
Als nächster Schritt bietet sich eine gemeinsam gepflegte Zuordnung an. Sie müsste die Namensvarianten nachvollziehbar auf die fachlich festgelegten Maschinenklassen beziehen. Für widersprüchliche Leistungswerte wäre zusätzlich zu klären, welche Quelle oder Regel maßgeblich ist. Das sind Gestaltungsvorschläge aus dem Befund, eine abgeschlossene Umsetzung ist damit noch nicht beschrieben.
Aus dem gelesenen Merkmal wird ein nutzbares Attribut
Für die weitere Gestaltung liegt eine verbindliche Stammdatenpflege der Maschinenklassen nahe. Ein führendes System könnte Bezeichnungen und zugehörige Attribute zusammenhalten. Entscheidend wäre dabei die fachliche Festlegung, welche Klasse gemeint ist und welche Eigenschaften ihr zugeordnet werden. Diese Vereinbarung müsste auch in Erfassung, Planung und nachgelagerter Auswertung berücksichtigt werden.
Im Bericht lässt sich die Lücke oft an einer einfachen Handlung erkennen. Jemand öffnet einen Filter und wählt anhand bestimmter Namensbestandteile die passenden Elemente aus. Die Person kennt das gesuchte Merkmal, muss es aber bei jeder Auswahl aus den Bezeichnungen erschließen.
Wird dieses Merkmal als eigenes, fachlich geklärtes Attribut bereitgestellt, lässt es sich unmittelbar filtern. Das Modell macht damit ein Auswahlkriterium zugänglich, das vorher persönliches Wissen erforderte.
Darum gehört das Erschließen solcher Strukturen zur BI-Arbeit. Im Maschinenfall hängt ein nutzbarer Plan-Ist-Vergleich daran, dass eine bereits gedachte Gruppierung über Systeme hinweg eindeutig beschrieben wird. Die entscheidende Frage beim Blick auf einen sprechenden Namen lautet deshalb. Welche darin gelesene Eigenschaft brauchen wir eigentlich als eigenständiges Merkmal unserer Analyse?
🎧 Die komplette Folge findest du im thinkBI Podcast.

Musik: Great Podcast Intro (short & long) von Lundstroem
Quelle: freemusicarchive.org (Creative Commons) – https://freemusicarchive.org/music/lundstroem/songs-for-leona/great-podcast-intro-both-short-and-long-version-included/

