Wie KI hilft, Business-Intelligence-Projekte zu befeuern

KI-Modelle sind eine sinnvolle Ergänzung zu traditionellen Business-Intelligence-Lösungen und -Projekt. Welches Potenzial KI im Bereich Business Intelligence ermöglicht und welche Herausforderungen es dabei gibt, erklärt BI-Experte Markus Nöbauer. [...]

Das Thema Künstliche Intelligenz findet derzeit in vielen Bereichen große Beachtung. Im Bereich Business Intelligence haben KI-Modelle schon länger ihren festen Platz. Viele Anbieter von BI Lösungen integrieren KI-Modelle in ihren Produkten die schnell, auch auf existierende Reports, angewandt werden können. KI kann unsere täglichen Entscheidungsprozesse unterstützen oder Entscheidungen vollständig übernehmen. Klassische BI-Systeme sind nicht tot, sondern erfährt durch KI eine neue Dimension in Bezug auf Möglichkeiten und Automatisierungen in der Datenanalyse. Die einfache Verfügbarkeit von KI-Tools in Businesslösungen verschleiert jedoch oft die tatsächlichen Herausforderungen in der Praxis. 

Komplexe Fragestellungen beantworten

Aktuell sind zwei KI-Trends im Bereich Business Intelligence zu beobachten. Einerseits wird das Erstellen und Einbinden von Vorhersagemodellen, Clustering und Datenanalysen immer einfacher und auch öfter eingesetzt. So können Unternehmen im Rahmen KI-gestützter BI-Projekte mit wenig Aufwand komplexe Fragestellungen beantworten. Zweites wird generative KI in Zukunft helfen, das Erstellen z.B. eines Reports zu automatisieren. Dabei wird das Laden und Bereinigen von Daten durch KI-Assistenten unterstützt und so die Datenqualität verbessert. Ebenso lässt sich das Erstellen von Berichten, Grafiken, Tabellen und das Layouten automatisieren. KI erledigt also die „handwerkliche“ Tätigkeiten und schafft Freiraum für die eigentliche Datenanalyse.

Kontext herstellen

Business-Intelligence-Projekte basieren in vielen Fällen auf Transaktionsdaten aus Warenwirtschafts- und CRM-Systemen. Das ist ausreichend, um Umsatz oder Deckungsbeitrag zu berechnen und ABC-Kundenanalyse durchzuführen. Für KI-Modelle, die Vorhersagen berechnen oder nicht-triviale Zusammenhänge erkennen sollen, sind Transaktionsdaten allein meistens zu wenig. KI benötigt Daten zum Kontext, in dem die Transaktionen entstanden sind. Zum Beispiel kann der Umsatz in bestimmten Regionen mit Wetter und Jahreszeit zusammenhängen sowie dem Alter, Einkommen, Geschlecht, Familiensituation, Beruf, Wohn- und Arbeitssituation der Kunden, Verfügbarkeit öffentlicher Verkehrsmittel, der Stimmung in den sozialen Netzwerken, u.v.m. Diese Kontextinformationen sind in der Regel nicht in Warenwirtschaftssystemen vorhanden. Der unreflektierte Einsatz von fertigen KI-Modellen in solchen Szenarien birgt die Gefahr, dass die Vorhersagen und Analysen nicht korrekt sind, weil die Zusammenhänge aufgrund des fehlenden Kontextes nicht erkannt werden. Um diesen zu identifizieren, müssen zusätzliche Datenquellen integriert werden. Je nach Anwendungsfall ist zusätzliche Arbeit zu investieren, um diese Daten abzufragen, zu erheben oder mit Sensoren aufzuzeichnen.

Repräsentative Daten

KI-Modelle werden auf einer breiten Datenbasis trainiert, um Zusammenhänge zu erkennen. In BI-Projekten stehen oft nur sehr eingeschränkte und meistens nicht allgemein gültige Datenmodelle zu Verfügung. Werden KI-Funktionen von BI-Tools genutzt, um (auf diesen Daten basierend) Vorhersagen oder Klassifizierungen zu erstellen, besteht die Gefahr, dass diese Modelle dann nicht allgemein gültig sind. In der industriellen Fertigung etwa könnte man historische Wartungsdaten nutzen, um ein KI-Modell zu trainieren, das einen prädiktiven Wartungsplan erstellt. Dabei besteht die Gefahr, dass die verwendeten Daten von einigen wenigen Maschinen nicht allgemein gültig sind. Besonderheiten, die einige wenige Maschinen haben, könnten zu hoch bewertet und andere Faktoren zu gering oder gar nicht berücksichtigt werden. Werden neue Maschinen angeschafft, stimmt unter Umständen das Vorhersagemodell nicht mehr mit der Realität überein. In Folge könnten Maschinen ausfallen, die laut Modell noch nicht gewartet werden müssten, oder es werden unnötige Wartungsfenster eingeplant. Die Auswahl einer repräsentativen Stichprobe ist also dringend notwendig, wenn man allgemein gültige Vorhersagen treffen will. Daten von Herstellern oder Dritten können helfen, um eine solide Informationsgrundlage zu schaffen.

Generative KI-Modelle

Bei solchen Modellen wird KI verwendet, um neue Inhalte (Texte, Bilder, Videos u.ä.) zu erstellen. Generative KI basiert auf Fundamentmodellen (große KI-Modelle), die multitasking-fähig sind und vordefinierte Aufgaben ausführen, etwa Zusammenfassungen, Fragen-/Antworten-Sessions oder Klassifizierungen. Generative KI benötigt ein trainiertes Modell, um zu verstehen, was von ihr verlangt wird. Für ein generiertes Bild von einem Hund auf einem Fahrrad muss das Modell mit entsprechenden Bildern trainiert sein. Generative KI findet auch in BI ihren Platz. Eine Herausforderung dabei wird sein, dass Fachbegriffe in verschiedenen Unternehmen anders verstanden werden und die Bausteine dafür in den unterschiedlichsten Ausprägungen vorliegen. Wie z.B. der Deckungsbeitrag für ein Produkt berechnet wird, unterscheidet sich in Unternehmen und Branchen sehr stark. Auch die Datenquellen (Tabellen und Spalten in Datenbanken, Excel, CSV-Exportdateien aus der Buchhaltung, etc.) sind von Unternehmen zu Unternehmen unterschiedlich gestaltet. Damit eine generative KI in BI-Projekten korrekte Analysen und Berichte erstellen kann, benötigt es also viel Vorarbeit und Meta-Modellierung vom BI-Analysten, um die KI mit den unternehmensspezifischen Ausprägungen zu trainieren. 

Integration von KI in Business Intelligence

Generell gilt: Um verlässliche Prozesse und belastbare Ergebnisse zu erzielen, braucht es eine stabile Datenbasis. Diese liefert unter anderem BI bzw. das Data Warehouse als Single Version of Truth, also einer einheitlichen und konsolidierten Datenbasis für sämtliche Analysen. Für die Integration von KI in Business Intelligence ist daher eine Architektur sinnvoll, bei der die gesamte Datenorchestrierung und -transformation auf die Informationen des Data Warehouse zugreift.

In diesem Fall stützt sich die KI-Anwendung also vollständig auf historische BI-Daten. Dieser Ansatz bildet eine stabile Basis für fundierte Analysen. Es gibt aber auch KI-Use-Cases, bei denen Stammdaten nicht erforderlich sind, etwa wenn nur einfache Berechnungen gefragt sind oder Datentransformationen fast ausschließlich auf mathematischen Kalkulationen basieren.

Fazit

KI-Modelle in Verbindung mit Business Intelligence bieten viel Potenzial – zum Beispiel Kunden clustern, Einflussfaktoren für die Lebensdauer von Maschinen identifizieren, Verkäufe und Umsätze prognostizieren oder Lieferzeiten und Lagerhaltung optimieren. Die Herausforderung in der Praxis ist die Beschaffung von zusätzlichen Daten, um die existierenden Transaktionsdaten (z.B. aus ERP- und CRM-Systemen) zu ergänzen, damit KI-Modelle allgemein gültige Vorhersagen treffen können. Dabei gilt zu beachten, dass die Datengrundlage für ein KI-Modell vollständig, korrekt und relevant für die zu beantwortenden Fragen ist. Auch öffentliche Datenquellen, wie die Statistik Austria, können nützlich sein, um demographische Daten zu integrieren. Für Maschinen müssen unter Umständen Daten von Dritten zugekauft oder mit Sensoren selbst erfasst werden. Für Logistik und Material gibt es branchenspezifische Datenquellen, die man gegen Gebühr nutzen kann. Zukünftig werden wir mehr Systeme am Markt sehen, die KI und BI verschränken und dadurch wertvolle Nutzeneffekte wie höhere Automatisierung und mehr Effizienz bieten.

*Der Autor Markus Nöbauer ist F&E-Verantwortlicher für Forschungsprojekte im Kontext von Business Software bei inside-Ax.