Gewinne:
- Fähigkeit, Business-Intelligence-Ebenen (Quelle, ETL, Data Warehouse, Bericht) und die korrekte Definition wichtiger Geschäftsmetriken (KPIs) zu erklären.
- Fähigkeit, künstliche Intelligenz zu nutzen, um Metrikdefinitionen, SQL-Entwürfe und Berichtserzählungen zu erstellen und das Ergebnis mit echten Daten bereitzustellen
- Fähigkeit, Risiken einer Korrelation-Ursache-Verwechslung und irreführender Metriken in KI-gestützten Analyseergebnissen zu erkennen
Business Intelligence (BI) ist die Disziplin, die die verstreuten Daten der Organisation sammelt, sie für die Analyse aufbereitet und aus diesen Daten entscheidungsunterstützende Informationen generiert. Für einen MIS-Experten ist BI die Ebene, auf der „Daten zu Entscheidungen werden“. Rohe Auftragsdatensätze allein sind nicht aussagekräftig; aber „in welcher Region ist der Umsatz diesen Monat zurückgegangen, warum?“ Es erzeugt einen Wert, wenn daraus ein Bericht wird, der die Frage beantworten kann. In dieser Einheit werden wir die Ebenen von BI, das richtige Metrikdesign und die Frage sehen, wo künstliche Intelligenz ein Beschleuniger und eine Falle in diesem Prozess ist.
Die BI-Architektur besteht im Allgemeinen aus den folgenden Schichten. Quellsysteme: Orte, an denen Daten entstehen, z. B. ERP, CRM, E-Commerce. ETL-Prozess (engl. Extract-Transform-Load): Der Prozess, der die Daten aus den Quellen extrahiert (Extract), bereinigt und in eine Standardstruktur umwandelt (Transform) und in das Ziel lädt (Load). Data Warehouse: Ein zentrales Repository, in dem historische und konsistente Daten für die Analyse gesammelt werden. Berichts-/Visualisierungsebene: Dashboards, Berichte und Ad-hoc-Abfragen. In dieser Kette bestimmt die Qualität jeder Schicht die nächste; Wenn die Quelle fehlerhaft ist, ist auch der Bericht fehlerhaft.
Kennzahlen und KPIs richtig definieren
Eine Metrik ist ein gemessener Zahlenwert: Gesamtumsatz, Anzahl der Bestellungen. Ein KPI (Key Performance Indicator) ist eine kritische Kennzahl, die die Leistung anhand eines Ziels misst: „monatliche Kundenabwanderungsrate unter 5 %“. Nicht jede Kennzahl ist ein KPI; Ein KPI ist eine Kennzahl, die an ein Geschäftsziel gebunden ist und eine Entscheidung auslöst.
Das heimtückischste Problem von BI-Projekten ist die vage Definition von Metriken. Was bedeutet „aktiver Kunde“? In den letzten 30 oder 90 Tagen bestellt? Werden Rückkehrer gezählt? Wenn zwei Teams unter „Anzahl der aktiven Kunden“ unterschiedliche Bedeutungen haben, zeigt dasselbe Dashboard zwei unterschiedliche Fakten an. Aus diesem Grund sollte jeder KPI eine allgemein akzeptierte Definition in einem Satz haben. KI erstellt schnell Entwürfe dieser Definitionen; Es liegt jedoch an der Geschäftseinheit, zu entscheiden, welche Definition „richtig“ ist.
Tipp: Schreiben Sie beim Entwerfen eines KPI drei Dinge auf: (1) Formel (was genau ist der Zähler/Nenner), (2) Zeitfenster, (3) ausgeschlossene Fälle. Wenn die KI sagt: „Extrahieren Sie die Unklarheiten in der Definition dieses KPI als Fragen“, werden verborgene Annahmen sichtbar.
Schritt für Schritt: KI-gestützte Berichtserstellung
Schritt 1 – Klären Sie die Frage. Welcher Entscheidung dient der Bericht? Ein konkretes Ziel wie „Wir entscheiden, in welche Region wir den Haushalt verlagern“, nicht „Es soll schön aussehen“.
Schritt 2 – Definieren Sie Metriken. Schreiben Sie die erforderlichen KPIs mit Formeln, Fenstern und Ausnahmen. Künstliche Intelligenz kann Definitionsentwürfe erstellen.
Schritt 3 – SQL-Entwurf erstellen. Geben Sie der künstlichen Intelligenz Schemainformationen und erstellen Sie einen Abfrageentwurf. Aber lesen und verstehen Sie die Abfrage, bevor Sie sie ausführen.
Schritt 4 – Überprüfen Sie mit kleinen Daten. Führen Sie die Abfrage zunächst für eine kleine Stichprobe mit bekannten Ergebnissen aus; Überprüfen Sie die Summen manuell. AIs SQL ist möglicherweise syntaktisch korrekt, aber logisch falsch.
Schritt 5 – Erzählung hinzufügen, Behauptungen testen. KI kann einen narrativen Text für den Bericht erstellen; sondern beweisen Sie jede Kausalbehauptung („Deswegen sind die Umsätze gesunken“).
Die Korrelations- und Kausalitätsfalle
Der gefährlichste Fehler in der BI besteht darin, zwei zusammenwirkende Metriken so zu interpretieren, dass „eine die andere schafft“. Von Korrelation spricht man, wenn sich zwei Werte gemeinsam ändern; Kausalität liegt vor, wenn einer den anderen verursacht. Der Satz „Als der Eisverkauf zunahm, nahmen auch die Fälle von Ertrinken zu“ ist wahr, aber Eis verursacht kein Ertrinken; Die häufigste Ursache ist der Sommer (heißes Wetter). Künstliche Intelligenz kann bei der Erstellung einer Berichtserzählung leicht Kausalsätze bilden; Der MIS-Experte antwortet auf diese Behauptungen mit der Frage: „Gibt es eine andere Erklärung?“ Er sollte es testen. Andernfalls wird die falsche Entscheidung aus dem falschen Grund getroffen.
Drei Mini-Hüllen: In Zahlen
Fall 1 – Kosten einer undefinierten Metrik. In einem Telekommunikationsunternehmen belief sich die dem Vorstand vorgelegte Zahl der „aktiven Abonnenten“ auf 2,1 Millionen und der Bericht des Finanzteams auf 1,7 Millionen. Der Unterschied bestand darin, dass einer 90 Tage als „aktiv“ zählte, während der andere 30 Tage zählte. Über die falsche Wachstumsrate wurde zwei Wochen lang diskutiert, bis die gemeinsame Definition geklärt war. Eine KPI-Definition in einem Satz würde diese Verwirrung vermeiden.
Fall 2 – Künstliche Intelligenz verwendet falsches SQL. Bei einem Einzelhändler fügte AI Retourenzeilen zur Gesamtsumme hinzu, als die Abfrage „Durchschnittlicher Warenkorb pro Kunde“ generiert wurde. Das Ergebnis lag 12 % über dem tatsächlichen Wert. SQL war syntaktisch perfekt. Als der Experte die Gesamtsumme eines bekannten Tages manuell überprüfte, erkannte er die Abweichung und ließ den Rückgabefilter hinzufügen.
Fall 3 – Trugschluss der Kausalität. Bei einem E-Commerce-Unternehmen stand auf dem Dashboard: „An den Tagen, an denen eine E-Mail-Kampagne gesendet wird, sind die Verkäufe um 18 % höher“ und das Team war dabei, das Kampagnenbudget zu erhöhen. Die Analyse ergab, dass die Kampagnen bereits zeitlich auf stark frequentierte Aktionstage (Rabattzeiträume) abgestimmt waren. Es war der Zeitraum, nicht die E-Mail, der den Umsatz ankurbelte. Würde das Budget erhöht, ohne eine Kontrollgruppe zu testen, wäre das Geld verschwendet.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Schreiben Sie den SQL-Verkaufsbericht aus dieser Tabelle.
Kraftvolle Aufforderung:
Ihre Rolle: Sie sind ein aufmerksamer BI-Analyst. Schreiben Sie einen ENTWURF einer SQL-Abfrage gemäß dem Diagramm unten. Regeln: - Verwenden Sie nur die angegebenen Tabellen/Felder; nicht passendes Feld.- Rückgabewerte (Status='Return') aus der Gesamtsumme ausschließen.- Zeitfenster: letzte 30 Tage.- Kommentieren Sie Zeile für Zeile, was die Abfrage bewirkt.- Schlagen Sie 1 Beispielzeile vor, die zum Testen am Ende manuell validiert werden kann.Schema:Bestellung(ID, Kunden-ID, Datum, Betrag, Status)Kunde(ID, Name, Segment)Zweck: Nettoumsatz der letzten 30 Tage nach Segment.
Die leistungsstarke Eingabeaufforderung schränkt das Schema ein, legt die Geschäftsregel fest (ohne Rückgabe), gibt das Fenster an und fordert eine überprüfbare Ausgabe an.
Vier kopierbare Vorlagen
1) Klarstellung der KPI-Definition:
Schreiben Sie eine vollständige Beschreibung für den folgenden KPI: Formel (Zähler/Nenner), Zeitfenster, ausgeschlossene Fälle. Fügen Sie etwaige Unklarheiten in der Definition als Frage hinzu. KPI: [Name, z. B. „Kundenabwanderungsrate“]
2) SQL-Logikprüfung:
Untersuchen Sie die folgende SQL-Abfrage: Besteht die Gefahr von logischen Fehlern, falschen JOINs, fehlenden Filtern oder Doppelzählungen? Schreiben Sie für jeden Befund eine Begründung. Ändern Sie die Abfrage nicht, sondern überprüfen Sie sie. SQL: [Abfrage]
3) Berichterzählung + Anspruchskontrolle:
Schreiben Sie eine kurze Zusammenfassung aus der folgenden Ergebnistabelle. Beschriften Sie jede Kausalbehauptung mit [BEWEISE ERFORDERLICH] und schlagen Sie eine alternative Erklärung vor. Verlassen Sie sich einfach auf die Daten in der Tabelle. Tabelle: [Daten]
4) Metrikkonsistenzprüfung:
In den beiden folgenden Berichten ergeben Metriken mit demselben Namen unterschiedliche Werte. Eventuelle Unterschiede in der Definition (Zeitfenster, Filter, Berechnung) werden aufgelistet. Berichte: [A] [B]
Vergleichstabelle: Gute und schlechte KPI
Funktion
Schlechter KPI
Guter KPI
Beschreibung
„Aktiver Kunde“
„Kunde mit ≥1 abgeschlossener Bestellung in den letzten 30 Tagen“
Bindung an das Ziel
Keine
„Unter 5 % Verlustquote bleiben“
Messbarkeit
mehrdeutig
Formel klar
Ausnahme
unsicher
Ausgenommen Retouren
Löst es eine Entscheidung aus?
Nein
Ja
Häufige Fehler
- Die Metrik bleibt undefiniert. Wenn Wörter wie „aktiv“, „erfolgreich“, „abgeschlossen“ ohne Formel verwendet werden, zählt jedes Team anders.
- Ausführen des SQL der KI ohne Überprüfung. Eine syntaktisch korrekte Abfrage kann logisch falsch sein; Doppelzählungen und falsche JOINs sind häufig.
- Verwirrende Korrelation mit Kausalität. Zu denken, dass „es damit zugenommen hat“ bedeutet „das hat das verursacht“, würde zu einer falschen Entscheidung führen.
- Vanity-Metrik-Verfolgung. Verwechseln Sie ausgefallene, aber nicht entscheidende Kennzahlen wie „Gesamtklicks“ als KPIs.
- Zahlen ohne Kontext darstellen. Allein „4,2 Millionen Umsatz“ ist bedeutungslos; Es ist ein Kontext erforderlich, der auf dem letzten Monat, dem Ziel oder dem Budget basiert.
Achtung: Durch künstliche Intelligenz erstellte Berichtserzählungen sind überzeugend und flüssig; Das vergrößert das Risiko genau. Ein fließender Satz kann eine falsche Behauptung der Kausalität enthalten. Überprüfen Sie jede „weil“- und „deshalb“-Aussage anhand von Beweisen.
Zusammenfassend
Business Intelligence ist die Ebene, die verstreute Daten in Entscheidungen umwandelt und aus Quelle, ETL, Data Warehouse und Berichtskette besteht. Ein KPI ist eine kritische Kennzahl, die an ein Geschäftsziel gebunden ist und eine klar definierte Formel und Ausnahmen aufweist. Eine undefinierte Metrik ist der häufigste BI-Fehler. Künstliche Intelligenz sorgt für eine erhebliche Geschwindigkeit bei der Erstellung von KPI-Definitionen, SQL-Entwürfen und Berichtserzählungen. Aber jede SQL muss logisch begründet sein, jede Zahl muss durch bekannte Daten gestützt werden und jede kausale Behauptung muss mit Beweisen überprüft werden. Korrelation ist keine Kausalität; Eine flüssige Erzählung garantiert keine Genauigkeit.
Anwendungsaufgabe
Entwerfen Sie einen KPI „Abschlussquote“ für eine Online-Kursplattform. (1) Schreiben Sie eine Beschreibung in einem Satz mit Formel, Zeitfenster und Ausnahmen (z. B. werden stornierte Anmeldungen gezählt?). (2) Erstellen Sie ein einfaches Schema (Registrierung, Kurs, Fortschritt) und lassen Sie den SQL-Entwurf für diesen KPI mit einer leistungsstarken Eingabeaufforderung generieren. (3) Finden Sie mindestens ein mögliches Risiko einer Doppelzählung oder einer falschen Filterung in der Abfrage. (4) Drucken Sie eine Zusammenfassung der Schlussfolgerung aus und markieren Sie darin jede Kausalbehauptung. (5) Stellen Sie ein Beispiel für die Korrelations-Ursache-Falle auf und erklären Sie, wie Sie sie testen würden.
Checkliste
- [ ] Formel, Zeitfenster und Ausnahme jedes KPI werden geschrieben.
- [ ] Ich habe das von AI generierte SQL Zeile für Zeile gelesen und verstanden.
- [ ] Ich habe die Abfrage manuell mit wenig bekannten Daten validiert.
- [ ] Ich habe jede Kausalitätsbehauptung im Bericht anhand von Beweisen überprüft.
- [ ] Ich habe jede Zahl mit einem Benchmark (Ziel/letzter Zeitraum) kontextualisiert.
- [ ] Ich habe einen teamübergreifenden Konsens über Metrikdefinitionen erzielt.