Vergleich von BI- und Analytics-Plattformen

Du weißt sicher, dass Daten in jedem Unternehmen auf allen Ebenen ein großer Wettbewerbsvorteil sind – ob für Executives oder Bereichsleiter. Daten spielen dabei eine zentrale Rolle. Aber: Eine große Datenmenge allein macht noch keinen Erfolg. Entscheidend ist, daraus verwertbare Erkenntnisse zu gewinnen.

Diese Erkenntnisse wirken sich direkt oder indirekt auf den Umsatz aus. Um aus großen Datenbeständen Informationen abzuleiten, brauchst du eine Analytics-Plattform. Zum Glück gibt es zahlreiche Produkte am Markt, die die typischen Anforderungen eines Unternehmens bei deskriptivem, diagnostischem und prädiktivem Reporting abdecken.

Aus Datenperspektive ist die Reife der Daten entscheidend. Der Reifegrad lässt sich anhand folgender Aspekte einordnen:

• Konsistente Daten in der bestehenden Architektur
• Ein Enterprise-Tool
• Keine mehrfachen, sich überlappenden Quellen
• Cloud-Architektur oder On-Premises-Datenwarehouse
• Datenstandards und -spezialist:innen
• Prädiktive Analytik und definierte Use Cases
• Daten als finanzieller Vermögenswert und Integration mit KI-Aspekten

Je mehr dieser Punkte ein Unternehmen erfüllt, desto höher ist seine Datenreife.

Die Datenreife geht Hand in Hand mit Technologie, Architektur, Organisation und Datenstrategie.

• Mit Technologie ist gemeint, wie ein Unternehmen die erworbene Technologie tatsächlich nutzt.

• Die Architektur sorgt dafür, dass diese Technologien nahtlos zusammenspielen und Daten reibungslos fließen.

• Mit Organisation sind die Menschen gemeint, die mit den Daten arbeiten.

• Verbesserungen in der Datenstrategie: Das „Plumbing“ des Datenmanagements ist entscheidend für hohe Performance. Gute Datenmanagement-Praktiken liefern Analyst:innen die relevanten, strukturierten Daten, die sie für Analysen brauchen – und reduzieren den Aufwand für die Datenaufbereitung. So kann das Management Ziele wie höhere Profitabilität und besseren ROI durch Datenvisualisierungen und gut verständliche Darstellungen erreichen. Außerdem verbessert das die Daten-Performance und optimiert den Speicherbedarf.

Soweit zu den Daten – kommen wir zu den Analytics-Plattformen. Es gibt sehr viele Tools am Markt; alle abzudecken, wäre unrealistisch. Daher konzentriere ich mich auf vier Marktführer:

1. Tableau gilt als Goldstandard für visuelle Analytik. Die Varianten heißen Tableau Desktop, Prep, Online und Server. Sie ermöglichen Self-Service-BI in unterschiedlichen Ausprägungen. Tableau Desktop bietet eine der besten Plattformen für Visual Analytics und Business Intelligence mit Self-Service-Insights. Tableau Prep bringt mehr Menschen zusammen, um Daten schneller zu analysieren. Tableau Online erweitert das Teilen und die Zusammenarbeit ohne eigenen Server. Tableau Server stellt Daten über eigene Server bereit – On-Premises oder in der Cloud. Details zur Dashboard-Entwicklung in Tableau findest du hier.

2. SAP ist ein etablierter Name im Enterprise-Tool-Markt und bietet Lösungen für Unternehmen aller Größen. SAP hat mehrere Analytics-Produkte eingeführt; das eigene Business-Warehouse-System integriert sich sehr gut in die Enterprise-Landschaft und verarbeitet große Datenmengen. Zu den neueren Lösungen zählen SAP Analytics Cloud und SAP Lumira; zuvor hatte SAP Business Objects übernommen und als eigene Analytics-Plattform angeboten.

3. Tibco Spotfire ist ein Produkt, das Advanced Analytics und prädiktive Analytik sehr professionell adressiert. Besonders im Bereich Predictive Analytics ist es im Vergleich sehr leistungsfähig. Tibco bietet On-Premises- und Cloud-Betrieb und stellt vorkonfigurierte, skalierbare Architekturen mit geringem IT-Wartungsaufwand bereit.

4. Qlik ist bekannt für die schnelle Entwicklung geführter Analytics-Anwendungen, die nutzergetriebene Datenexploration bis in die unterste Datenebene unterstützen. Qlik besitzt ein eigenes Repository und In-Memory-Verarbeitung. Es gibt zwei Varianten: QlikView als BI-Anwendungsbaukasten für Personal- und Enterprise-Edition sowie Qlik Sense als End-to-End-BI-Plattform, die sich in die Cloud integrieren lässt.

Alle genannten Plattformen unterscheiden sich und haben ihre Stärken. Ich vergleiche sie anhand von vier zentralen Kriterien:

1. Data Acquisition
2. Data Preparation
3. Visualizations
4. Predictive Modelling

Unter Data Acquisition fallen Datenimport, -extraktion, -verbindungen und -zugriff. Vereinfacht gesagt: Wie gut kann die Plattform Daten aus verschiedenen Quellen oder semantischen Diensten beziehen – etwa aus SQL, Big Data oder Cloud-Services.

Schauen wir uns an, wie die Tools bei der Datenakquise abschneiden:

Tableau

Spricht man über Tableau als leistungsstarkes BI-Tool, denkt man sofort an beeindruckende Visualisierungen und schnelle, auch komplexe Datenexploration.

Tableau hat kein eigenes Daten-Repository, sondern bezieht Daten aus verschiedenen Quellen und verwandelt sie in aussagekräftige, verständliche Visualisierungen.

Dafür braucht es viele Konnektoren – und die hat Tableau. Es unterstützt über 100 Datenquellen und bietet Live-Verbindungen zu transaktionalen Daten.

Bei der Datenakquise hat Tableau klar die Nase vorn.

SAP

SAP stellt mehrere Produkte zur Verfügung, die als Zwischenschicht Daten für die finalen Visualisierungen liefern. Mit Lumira und Analytics Cloud werden derzeit über 60 Datenquellen unterstützt – Tendenz steigend.

Innerhalb des eigenen Ökosystems gibt es bei SAP kaum Hürden bei der Datenakquise – das ist besonders reibungslos. Für Daten aus anderen Ökosystemen existieren ebenfalls Tools zum Verschieben und Verbinden, allerdings mit zusätzlichem Aufwand und benötigten Skills.

Tibco Spotfire

Spotfire ist sehr leistungsfähig – und gelegentlich komplex. Für die Akquise stehen 40+ Datenkonnektoren bereit; über JDBC- und ODBC-Verbindungen funktioniert vieles zuverlässig. Big-Data- und Cloud-Konnektoren werden unterstützt und liefern effizient Daten.

Herausforderungen entstehen, wenn Daten vor dem Laden bereinigt werden müssen.

Qlik

Qlik gehört zu den aufstrebenden BI-Marktführern. Für die Akquise stehen zahlreiche, thematisch gruppierte Datenkonnektoren bereit. Qlik besitzt ein eigenes Repository für Daten und kann ETL (Extraction, Transformation, Loading) ausführen. Das löst viele Probleme in realen Szenarien. Die Datenmanipulationsmöglichkeiten machen die spätere Präsentation deutlich einfacher.

Nach der Akquise folgt die Vorbereitung. Das ist die „Fleißarbeit“, die niemand liebt – aber ohne sie geht es nicht. Dazu gehören das Zusammenführen, Bereinigen und Modellieren von Daten bis zu dem Punkt, an dem sich mit einer einfachen Select-Abfrage ein deskriptiver Bericht erstellen lässt.

Tableau

Tableau bietet solide Funktionen zur Datenaufbereitung, um Daten in präsentationsfähige Reports zu überführen. Details findest du im 2. und 3. Abschnitt dieses Tutorials.

SAP

Auch SAP stellt verschiedene Tools zur Datenaufbereitung bereit. Das BW-System ist leistungsfähig genug, um einen Großteil der Aufbereitung abzudecken. Mit HANA sind dank In-Memory-Engines enorme Leistungsgewinne bei großen Datenmengen möglich.

Allerdings sind das separate Tools mit eigenen Skill-Anforderungen. Einen Einblick in den BI-Bereich von SAP findest du hier.

Tibco Spotfire

Die Data-Wrangling-Fähigkeiten von Spotfire sind sehr gut. Modelle lassen sich automatisieren, was die inkrementelle Datenaufbereitung mit wenig IT-Eingriff erleichtert.

Mit inkrementeller Aufbereitung ist gemeint, Änderungen in Daten aus unterschiedlichen Quellen zu erfassen und darauf basierend aufzubereiten. Mehr dazu findest du hier.

Qlik

Qlik verfügt – ergänzt um die In-Memory-Engine – über ähnliche Möglichkeiten zur Datenaufbereitung wie Tableau. Eigene Skripte können je nach Anforderung erstellt und auf verschiedenen Ebenen eingesetzt werden. Einen Einstieg ins Transformationsscripting findest du hier.

Jetzt kommt der spannende Teil. Daten sind akquiriert und aufbereitet – um sie effizient zu analysieren, brauchen wir Visualisierungen. Sie sparen viel Zeit und führen schneller zu den eigentlichen Problemen. Ein großer Teil der Exploration passiert visuell, der Rest mit statistischen Methoden. So schneiden die Tools hier ab:

Tableau

Tableau bietet eine der vielfältigsten Sammlungen an Visualisierungstypen: Vergleich, Verteilung, Zusammensetzung, Karten u. v. m. Es deckt nahezu alles ab und ist für seine starke Community weltweit anerkannt.

Dazu kommen viele Ideen und Lernhilfen. In der umfangreichen Galerie findest du Standard- und Custom-Charts. Schau dir dort exzellente Visualisierungen und Stories an.

Tableau ist von der IBCS (International Business Communication Standards) zertifiziert und setzt Best Practices für Datenvisualisierung zur besseren Geschäftskommunikation um.

SAP

SAP Lumira ist das am weitesten verbreitete Visualisierungstool im SAP-Portfolio. Es deckt alle grundlegenden Chart-Anforderungen ab; Erweiterungen erlauben Anpassungen nach Bedarf.

SAP Analytics Cloud ist kürzlich IBCS-zertifiziert worden und dürfte die Visualisierungsanforderungen zunehmend umfassend abdecken.

Tibco Spotfire

Spotfire liefert alle nötigen Chart-Funktionen und deckt die gängigen Chart-Gruppen für die visuelle Datenanalyse ab. Dank Advanced Analytics lassen sich außerdem statistische und wissenschaftliche Diagramme integrieren.

Qlik

Qlik überzeugt mit breiten Charting-Fähigkeiten und deckt nahezu alle Chart-Gruppen ab. Über Erweiterungen können weitere Anforderungen umgesetzt werden.

Die „On-Click“-Funktionalität, mit der sich jeder Datenpunkt direkt erschließen lässt, hebt Qlik von anderen Tools ab.

Kommen wir zu einem Bereich, in den alle Analytics-Plattformen investieren: Machine-Learning-Funktionen in die Tools zu integrieren. Manche sind hier schon sehr weit, andere bieten solide Grundlagen.

So sieht es im Detail aus:

Tableau

Beim Thema Predictive Analytics hat Tableau erste Schritte gemacht. Grundlegende Forecasting-Funktionen sind integriert.

Darüber hinaus lässt sich Tableau mit R und Python verbinden – Details dazu findest du in den letzten Abschnitten dieses Tutorials.

SAP

Auch SAP setzt für Predictive Analytics auf ein separates Tool. Es deckt grundlegende prädiktive Modelle ab und bietet starke Zeitreihenfunktionen. Für benutzerdefinierte Skripte setzt SAP vorrangig auf R, das in die entwickelten Modelle eingebunden werden kann.

Mehr zum Tool findest du hier.

Tibco Spotfire

Spotfire liegt bei Predictive Analytics vorn. Die Integration einer Data-Science-Architektur ist klar erkennbar.

Allerdings braucht es entsprechende Skills und Technologieverständnis für die Umsetzung. Spotfire kombiniert Methoden aus Data Science und Statistik zu einem Tool, das prädiktive Analysen mit messbarem Return on Investment ermöglicht.

Mehr dazu findest du hier.

Qlik

Qlik arbeitet ebenfalls daran, Predictive Analytics auf ein gutes Niveau zu bringen. Einige grundlegende Modellierungsalgorithmen sind integriert, doch die nötigen Skills für den Einsatz sind weiterhin gefragt. Positiv sind die Integrationsmöglichkeiten mit R und Python: Der Datenaustausch mit Tools von Drittanbietern ist möglich, unterstützt durch die Associative Engine für schnellen, effizienten Transfer.

Außerdem gibt es eine Open-Source-Analytics-Connection auf GitHub für die Integration mit R und Python.

Das war mein Überblick. Welche Plattform am besten passt, hängt letztlich davon ab, welche Kriterien für dich oder dein Unternehmen am wichtigsten sind.

Wenn du mehr über Python, R oder SQL lernen möchtest, starte mit den Einführungskursen von DataCamp.

• Intro to Python for Data Science
• Introduction to R
• Intro to SQL for Data Science