Was ist generative Business Intelligence?

Generative Business Intelligence, auch „generative BI“ oder „gen BI“ genannt, bezeichnet die Anwendung von generativer KI auf Business-Intelligence-Prozesse. Generative BI-Tools können wesentliche Aufgaben der Datenanalyse automatisieren und optimieren, wie zum Beispiel das Erkennen von Mustern und das Erstellen von Visualisierungen.

Business Intelligence oder BI bezieht sich auf eine Reihe von Prozessen zur Analyse von Geschäftsdaten, um fundierte Geschäftsentscheidungen zu treffen. Herkömmliche BI-Tools und Workflows arbeiten in hohem Maße manuell und erfordern viel Zeit und technisches Fachwissen, um Rohdaten in umsetzbare Erkenntnisse umzuwandeln. Stakeholder ohne Data-Science-Hintergrund sind oft nicht in der Lage, BI-Techniken voll auszuschöpfen.

Generative BI ermöglicht es mehr Menschen, an Business Analytics teilzunehmen. Generative BI-Tools basieren in der Regel auf großen Sprachmodellen (LLMs) und funktionieren ähnlich wie andere gängige generative KI-Tools, wie ChatGPT oder Microsoft Copilot. Benutzer geben Anweisungen in natürlicher Sprache ein und das Tool reagiert entsprechend. 

Anders als bei herkömmlicher BI müssen Benutzer keine speziellen Programmiersprachen erlernen, manuelle Berechnungen durchführen oder Diagramme von Grund auf neu erstellen. Sie können das generative BI-Tool in einfacher Sprache auffordern, erweiterte Analysen durchzuführen und Berichte für sie zu erstellen.  

Auf diese Weise ermöglicht generative BI Self-Service-Analysen für Benutzer in der gesamten Organisation, unabhängig von ihrem Kenntnisstand. Self-Service-Analysen wiederum helfen Unternehmen dabei, mehr datengestützte Entscheidungen zu treffen.

Generative BI ist eine relativ neue Technologie-Kategorie. Laut einer Umfrage geben nur 3 % der Unternehmen an, dass sie generative BI „in vollem Umfang operativ genutzt“ haben. Jedoch geben mehr als die Hälfte der Unternehmen an, dass sie sich in verschiedenen Stadien des Erkundens generativer BI befinden.¹ Es wird erwartet, dass die Adoptionsraten steigen, da generative BI-Tools immer weiter verfeinert leichter verfügbar werden. 

Generative BI und generative KI sind keine unterschiedlichen Arten von Technologien oder KI-Modellen. Vielmehr kann man generative BI als einen Anwendungsfall für generative KI betrachten. Konkret ist generative BI die Praxis, generative KI-Lösungen zu nutzen, um Unternehmensdaten zu sammeln, zu verwalten und zu analysieren, um Geschäftsabläufe zu unterstützen.

Generative KI (gen AI) bezieht sich auf eine Kategorie von Modellen der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML), die in der Lage sind, originelle Inhalte – wie Texte, Bilder oder Code – als Antwort auf eine Benutzereingabe zu erstellen. Generative BI ist eine Art der KI-Analyse, da sie KI-Algorithmen zur Verarbeitung und Analyse von Geschäftsdaten einsetzt.

Generative BI-Tools funktionieren genauso wie andere generative KI-gestützte Tools. Ein Benutzer gibt ein Prompt in natürlicher Sprache ein und das Tool generiert Inhalte als Antwort.  

Zum Beispiel könnte ein Benutzer eingeben: „Zeige mir ein Kreisdiagramm mit unseren 5 meistverkauften Produkten des letzten Jahres, aufgeteilt nach dem prozentualen Anteil jedes Produkts am Umsatz.“ Das generative BI-Tool würde den entsprechenden Datensatz analysieren und genau das liefern: ein Kreisdiagramm, das die meistverkauften Produkte nach Umsatzanteil aufschlüsselt.

Die meisten generativen BI-Tools liegen in einer von 3 Formen vor:  

1. Generative KI-Modelle für allgemeine Zwecke, wie Llama von Meta, die auf BI-Aufgaben angewendet werden. 
    

2. BI-Plattformen mit integrierten KI-Modellen. Ein Beispiel dafür ist Amazon QuickSight Q, das den LLM-gestützten Chatbot Amazon Q in QuickSight einbettet, ein Business-Intelligence-Tool von Amazon Web Services (AWS). 
    

3. KI-Modelle, die speziell für Business Intelligence angepasst sind. Ein Beispiel ist IBM Project Ripasso, eine LLM-gestützte Plattform, die auf unternehmensrelevante Inhalte trainiert wurde und über integrierte Data-Governance-Funktionen verfügt.

Während generelle generative KI-Modelle viele BI-Funktionen ausführen können, entscheiden sich viele Unternehmen für spezialisierte BI-Tools und -Modelle. Diese gewähren Unternehmen in der Regel mehr Kontrolle darüber, wie ihre Daten verwendet werden.

Die Funktionen können von Tool zu Tool variieren, aber die üblichen generativen BI-Funktionen umfassen:

• Verarbeitung natürlicher Sprache (NLP): Generative BI-Tools verwenden NLP- und Chat-Schnittstellen, damit Benutzer Prompts übermitteln, Datensätze abfragen und Berechnungen durchführen können, ohne strukturierte Abfragesprache (SQL) oder eine andere spezielle Syntax verwenden zu müssen. 

• Benutzerdefinierte Dashboards, Berichte und Datenvisualisierungen: Die meisten generativen BI-Lösungen verfügen über Autorentools, mit denen Benutzer Dashboards, Datenvisualisierungen, schriftliche Berichte und Datenberichte erstellen können, indem sie beschreiben, was sie benötigen, anstatt sie manuell zu erstellen. 

• Integrationen: Generative BI-Tools können mit verschiedenen Datenquellen integriert werden, darunter Datenbanken, Data Warehouses, Data Lakes und Data Lakehouses.

• Empfehlungen: Viele generative BI-Tools können Analysen bereichern, indem sie verwandte Datensätze empfehlen, verwandte Abfragen vorschlagen, Feedback zur Berichtsoptimierung anbieten und andere Anleitungen bereitstellen. 

• Geschäftsglossare: Einige generative BI-Tools unterstützen Geschäftsglossare oder lassen sich in sie integrieren. Mithilfe von Glossaren können Organisationen wichtige Begriffe, Konzepte und Prozesse definieren, sodass das Tool Antworten geben kann, die im einzigartigen Kontext des Unternehmens verankert sind.

Generative KI kann in jeder Phase des Business-Intelligence-Prozesses eingesetzt werden, wird aber am häufigsten zur Unterstützung der Datenerfassung, Datenanalyse, Datenvisualisierung und Maßnahmenplanung eingesetzt.

Gen BI-Tools können Benutzern dabei helfen, Daten für die Analyse zu ermitteln, zu bereinigen, zu transformieren und zu aggregieren.  

Ein Benutzer könnte beispielsweise ein generatives BI-Tool dazu auffordern, einen Bericht über die Ausgaben nach Geschäftsbereich zu erstellen. Das Tool würde nach relevanten Daten aus integrierten Datenquellen suchen – einschließlich unternehmensweiter Finanzaufzeichnungen und bereichsspezifischer Aufzeichnungen – die Formatierung der Datenpunkte standardisieren und alles in einem kohärenten Bericht zusammenstellen.  

Generative BI-Tools können große Mengen komplexer Daten verarbeiten, um Muster zu erkennen, Fragen zu beantworten, Trends zu identifizieren und mehr. So können Benutzer Erkenntnisse aus Daten gewinnen, ohne manuelle Berechnungen durchführen zu müssen.

Beispielsweise könnte der Benutzer, der einen Bericht über die Ausgaben des Geschäftsbereichs erstellt, das generative BI bitten, alle Einheiten zu identifizieren, die das Budget in den letzten acht Quartalen durchgängig überschritten haben. Der Benutzer könnte das generative BI-Tool auch bitten, Gründe zu identifizieren, warum diese Geschäftsbereiche möglicherweise zu viel ausgeben.  

Generative BI kann die Ergebnisse ihre Analyse in leicht verständliche und gemeinsam nutzbare Grafiken und Zusammenfassungen umwandeln, wobei wichtige Kennzahlen und andere wesentliche Datenpunkte und Erkenntnisse hervorgehoben werden.

So könnte ein Benutzer beispielsweise ein Balkendiagramm erstellen, das die Ausgaben des Geschäftsbereichs pro Quartal mit dem zugewiesenen Budget vergleicht, um Abweichungen zwischen geplanten und tatsächlichen Ausgaben hervorzuheben.  

Generative BI-Tools können auf der Grundlage von Datenanalysen Maßnahmen empfehlen, die Unternehmen ergreifen sollten. Das Tool könnte beispielsweise empfehlen, die Ausgaben der Geschäftsbereiche pro Projekt aufzuschlüsseln, um Projekte zu identifizieren, die nicht genügend Rendite bringen, um weitere Investitionen zu rechtfertigen.

Generative BI-Tools ermöglichen erweiterte Datenanalyse im Self-Service. Die Benutzer müssen keine speziellen Programmiersprachen, mathematischen Formeln oder Tools mehr beherrschen, um mit Daten zu arbeiten. Stattdessen können sie Abfragen, Berechnungen und Berichte in natürlicher Sprache erstellen.

Traditionell haben sich Geschäftsanwender auf Data Scientists und Business-Analysten verlassen, um den Großteil der BI-Arbeit zu erledigen. Generative BI reduziert die Komplexität der Business Intelligence erheblich und ermöglicht es Nutzern im gesamten Unternehmen, reale und aktuelle Daten in ihre Entscheidungsprozesse einzubeziehen. Einige Beispiele:

• Beispielsweise können Personalabteilungen (HR) generative BI-Tools nutzen, um Talenttrends zu analysieren und Empfehlungen für die Personalplanung zu erhalten. 

• Finanzteams können generative BI-Tools für detaillierteres Forecasting einsetzen, indem sie Umsätze auf Kunden-, Produkt- und Kanalebene analysieren.

• Lieferketten- und Beschaffungsteams können den Bestand optimieren, indem sie generative BI-Tools nutzen, um anhand vergangener Trends künftige Kaufmuster vorherzusagen.

• Marketingteams können generative BI-Tools verwenden, um eine semantische Analyse des Kundenfeedbacks durchzuführen und daraus Erkenntnisse zu gewinnen, die zur Verbesserung der Customer Experience genutzt werden können.

• Vertriebsteams können generative BI-Tools verwenden, um die Auswirkungen verschiedener Preispunkte auf das Kundenverhalten zu analysieren und die Ergebnisse zur Preisoptimierung nutzen.

Darüber hinaus entlastet die Einführung von Self-Service-Analysen Data Scientists und Business-Analysten, sodass sie sich auf strategischere Projekte konzentrieren können. Anstatt enge Fragen zu beantworten, die Nutzer nun selbst klären können, können Datenexperten beispielsweise neue Datentools entwickeln oder proprietäre KI-Modelle trainieren.

Generative BI-Tools bieten zahlreiche Vorteile, darunter:

• Verbesserung der Akzeptanz von Business-Intelligence-Tools und -Verfahren
• Verbesserung der Business-Intelligence-Ergebnisse
• Lösung für den Fachkräftemangel im Bereich Data Science
• Analyse größerer Mengen komplexerer Daten
• Senkung der Kosten von BI-Bemühungen

Laut einer Umfrage nutzen nur 25 % der Benutzer Business-Intelligence-Tools.² Die niedrigen Akzeptanzraten sind zum Teil auf die technische Komplexität traditioneller BI-Prozesse zurückzuführen.

Generative BI-Tools ermöglichen es jedoch mehr Benutzern, direkt mit ihren Daten zu arbeiten, ohne die Hilfe von Data Scientists und Analysten in Anspruch nehmen zu müssen. Dadurch können mehr Mitarbeiter Business Intelligence nutzen, um datengestützte Entscheidungen im gesamten Unternehmen zu unterstützen.

Neben der Förderung der Nutzung von Business Intelligence kann generative BI auch die Ergebnisse von Business-Analytics-Bemühungen verbessern.

Da es größere Datenmengen schneller verarbeiten kann als ein menschlicher Nutzer oder ein traditionelles BI-Tool, kann ein KI-gesteuertes BI-Tool oft Trends erkennen, die Menschen möglicherweise übersehen.

Viele generative BI-Tools schlagen Nutzern auch Fragen, Daten und Erkenntnisse vor, um ihre Analysen zu verbessern. Und generative BI-Tools können die Ergebnisse der Datenanalyse in visuelle Darstellungen und Berichte umwandeln, die leicht geteilt und genutzt werden können. 

Traditionelle BI erfordert ein gewisses Maß an Datenexpertise, über das nicht jeder verfügt. Es kann schwierig sein, genügend qualifizierte Data Scientist und Unternehmensanalysten zu finden, um alle BI-Projekte voll zu besetzen.

Generative BI-Tools ermöglichen Self-Service-Analysen und können Unternehmen dadurch dabei helfen, die Auswirkungen des Mangels an Data-Science-Kompetenzen auf ihre BI-Bemühungen zu mildern.

Generative BI-Tools verarbeiten größere Datenmengen, als ein Data Scientist oder Geschäftsanwender manuell bewältigen könnte.

Sie können auch unstrukturierte Daten wie Dokumente und Bilder verarbeiten, die einen immer größeren Teil der Geschäftsdaten ausmachen. Herkömmliche, regelbasierte KI-Algorithmen haben Probleme mit Daten, die keinem starren Format folgen. Diese Einschränkung besteht bei generativen KI-Tools jedoch nicht.

Generative BI kann Unternehmen dabei helfen, Zeit und Geld zu sparen, indem viele der besonders zeitaufwändigen und ressourcenintensiven Aspekte der Business Intelligence, wie etwa das Ausführen von Berechnungen und das Erstellen von Berichten, automatisiert werden. Das bedeutet, dass Unternehmen weniger Geld und Arbeitskraft für Geschäfts-Analyse aufwenden können, ohne auf umsetzbare Erkenntnisse verzichten zu müssen.

Generative BI kann zwar viele Nutzen bieten, die Implementierung von generativen BI-Tools ist jedoch nicht ohne Herausforderungen. Zu den häufigsten Hindernissen gehören:

• Transparenz und Erklärbarkeit
• Datensicherheit und Datenschutz
• Halluzinationen
• Ineffektive Datenarchitekturen

Einige generative KI-Modelle verhalten sich wie eine Blackbox und bieten wenig Einblick in den Prozess hinter ihren Ergebnissen. Dies kann problematisch für Business-Intelligence-Bemühungen sein, bei denen die Benutzer verstehen müssen, wie Daten analysiert wurden, um den Schlussfolgerungen eines generativen BI-Tools zu vertrauen.

Darüber hinaus verlangen einige Vorschriften, wie der EU AI Act, dass Unternehmen transparent darüber sind, wie ihre KI-Tools die Daten von Personen verarbeiten.

Der Einsatz von generativen BI-Tools, die ihre „Argumentation“ erläutern, einschließlich der von ihnen verwendeten Daten und der Art und Weise, wie sie zu ihren Schlussfolgerungen kommen, kann Unternehmen dabei helfen, Transparenz und Erklärbarkeit zu wahren. 

Unternehmen haben sowohl rechtliche als auch geschäftliche Gründe dafür, der Datensicherheit und dem Datenschutz Vorrang einzuräumen. Bestimmte Gesetze, wie die Datenschutz-Grundverordnung (DSGVO) der EU, schränken die Nutzung verschiedener Arten von Daten durch Unternehmen ein. Darüber hinaus kosten Data Breaches Unternehmen laut dem Data Breach Kostenreport von IBM durchschnittlich 4,88 Millionen USD pro Vorfall.

Bei einigen generativen KI-Modellen mangelt es an starken Datenschutz- und Sicherheitsmaßnahmen. Besonders besorgniserregend ist die Tatsache, dass Unternehmen möglicherweise nicht kontrollieren können, wie diese Modelle ihre Daten verwenden, nachdem sie diese konsumiert haben.

Generative BI-Tools mit integrierten Datensicherheits- und Data-Governance-Funktionen können Unternehmen dabei helfen, die Kontrolle über ihre Daten zu behalten und unbefugten Zugriff zu verhindern.

KI-Modelle können Halluzinationen erleben. Das heißt, sie können Dinge erfinden und falsche Ausgaben generieren. Halluzinationen können Business-Intelligence-Projekte zum Scheitern bringen und zu Geschäftsstrategien und Handlungsschritten führen, die auf falschen Informationen basieren.

Unternehmen können Halluzinationen abmildern, indem sie generative BI-Tools nur mit hochwertigen, geschäftsrelevanten Datensätzen trainieren. Sie können auch andere Techniken erkunden, wie z. B. Retrieval-Augmented Generation (RAG), die es einem LLM ermöglicht, seine Antworten in einer faktischen, externen Wissensquelle zu verankern.

Wie jedes generative KI-Modell benötigen generative BI-Tools Zugang zu großen Mengen qualitativ hochwertiger Daten. Eine fragmentierte Unternehmensdatenarchitektur, in der Daten isoliert und über das gesamte Unternehmen verstreut sind, kann ein generatives BI-Tool daran hindern, auf die benötigten Daten zuzugreifen.

Eine effektive Datenarchitektur mit den entsprechenden Datenspeichern, die in einem integrierten Data Fabric verbunden sind, kann dazu beitragen, dass allgemeine BI-Tools über die Daten verfügen, die sie zur Erzeugung qualitativ hochwertiger Ausgaben benötigen.