Der Markt für Enterprise BI & Analytics hat eine bemerkenswerte Reife erreicht, mit ausgereiften Plattformen, die insbesondere umfassende Kernfunktionen wie Reporting und Dashboards in guter Qualität anbieten. Die Differenzierung unter den Anbietern liegt zunehmend in spezialisierten Funktionen und branchen- oder fachbereichsbezogenen Angeboten. Aktuell birgt allerdings auch Generative AI (GenAI) gutes Potenzial die Software aufzuwerten und sich vom Wettbewerb abzuheben.
GenAI als Hoffnungsträger vieler Nutzer im BI & Analytics Umfeld
Generative AI (der Einsatz von KI-Features, allen voran basierend auf großen Sprachmodellen (LLMs)) verbessert moderne BI-Plattformen erheblich, indem sie die Interaktion mit der BI-Plattform, aber auch mit den Daten selbst, in natürlicher Sprache ermöglicht. Diese Technologie hilft insbesondere gelegentlichen Nutzern, die richtigen Daten schneller zu finden und hochwertige Erkenntnisse herauszuarbeiten, was die Nutzung von Business Intelligence in der Breite deutlich effektiver und einfacher macht.
Vor einigen Jahren konnten sich Anbieter, die Natural Language Query (NLQ) besonders gut umsetzten, vom Wettbewerb abheben. Mit dem Aufkommen von LLMs sind die bisherigen Standard-NLQ-Lösungen jedoch technologisch überholt. Denn die Nutzung von LLMs führt zu einer deutlich größeren funktionalen Fülle und Treffgenauigkeit, die weit über einfache Chatbots hinausgeht.
GenAI in BI & Analytics Lösungen geht jedoch bereits heute über reines NLQ hinaus, auch wenn viele Anbieter noch weitestgehend an den neuen Funktionen arbeiten. So entwickeln derzeit viele BI & Analytics Anbieter Agents oder Assistenten. Diese ermöglichen den Nutzern, mit den BI & Analytics Tools in natürlicher Sprache zu interagieren – teils sogar per Spracheingabe. Die Agenten sollen neben den Endanwendern vor allem auch die Power User bzw. Business Analysten bei Aufgaben wie der Erstellung von Visualisierungen, Reports, Dashboards und der Generierung von sogenannten Stories (also ansprechenden Data Storytelling Berichten) unterstützen. Für Data Engineers werden Funktionen wie das Schreiben von Code wie SQL oder Python oder die Erstellung von Daten-Pipelines angeboten.
Eine aktuelle BARC-Umfrage zeigt, dass die Nutzer diese Angebote auch bereits erwarten (s. Abbildung 1). Denn durch den Einsatz von GenAI können bestimmte Arbeitsschritte schneller erledigt werden. So könnten Datenanalysten und -konsumenten deutlich effizienter zur gewünschten Erkenntnis kommen (kürzere „time to insight“) und sich dabei die Arbeitsbelastung in den analytischen Teams deutlich reduzieren. Die Umfrage zeigt auch, dass insbesondere Fachanwender (Business User) der GenAI viel Potenzial zusprechen, da diese neben Effizienzsteigerung auch den Zugang zu Business Intelligence und Analytics erleichtern und den Raum für Self-Service-Analytics erweitern soll – eine Meinung, der 32 Prozent der Befragten zustimmen. Auch Data Engineers sehen Vorteile, insbesondere in Bezug auf die Reduzierung ihrer Arbeitsbelastung durch Automatisierung. Im Gegensatz dazu sind Power User und Data Scientists eher skeptisch. Da diese Nutzergruppen mit der BI & Analytics Software typischerweise täglich intensiv arbeiten, haben sich effiziente Point-and-Click-Workflows oder Programmierschritte etabliert. Eine Spracheingabe, die heute noch sehr häufig Korrektur und viele Eingabeparameter benötigt, um eine notwendige Zielgenauigkeit zu erreichen, bedeutet für viele Power User daher eher Rückschritt in Punkto Effizienz.
Qualität der GenAI-Implementierungen variiert
Die technische Umsetzung von GenAI-Funktionen erfolgt über sog. Agents, die die Orchestrierung der verschiedenen Technologien, die hier zum Einsatz kommen, übernehmen. Dazu zählen die LLMs selbst (für das Verstehen der Eingabe in natürlicher Sprache und für die Generierung der Ausgabe), aber auch weitere Technologien wie Vektor- und Graph-Datenbanken, die es erst ermöglichen, ausreichend zuverlässige Antworten im richtigen Kontext zu generieren.
Produkte, die auf einer semantischen Schicht basieren, haben hier deutliche Vorteile: Ein semantischer Layer stellt komplexe Datenstrukturen in vertrauten Geschäftskonzepten dar, die näher an der natürlichen Sprache der Nutzer liegen und somit dem LLM helfen, die Intention des Nutzers auf den Datenbestand zu mappen. Das verringert den Interpretationsspielraum der LLMs erheblich und die Ergebnisse werden so zuverlässiger.
Diese Zuverlässigkeit ist entscheidend, denn von jeder Enterprise BI & Analytics Plattform wird erwartet, dass die Reports absolut vertrauenswürdig sind – vorausgesetzt, die zugrundeliegenden Daten sind von entsprechender Qualität. An dieser hohen Messlatte müssen sich auch die GenAI-Funktionen in der Praxis messen lassen.
Weiterentwicklung und Spezialisierung moderner BI & Analytics Plattformen
Neben der Investition vieler Anbieter in GenAI als Möglichkeit zur Modernisierung und Differenzierung, haben sich viele spezialisierte Werkzeuge auf dem BI & Analytics Markt zu Enterprise BI & Analytics Plattformen entwickelt. Das ist auch in den Zahlen unseres BI & Analytics Surveys zu sehen: Nur 10% der Teilnehmer nennen fehlende Kernfeatures als größte Probleme mit der von ihnen genutzten Software (s. Abbildung 2).
Dies zeigt, dass die funktionale Differenzierung in den Kernbereichen nur schwer möglich ist. Laut dem BARC BI & Analytics Survey gehören Dashboards, Reporting und Analysen zu den Kernfeatures, die jedes Tool abdecken muss. Dementsprechend gewinnt eine Differenzierung über diversifizierte Funktionen oder gezieltes Messaging an Bedeutung. BI & Analytics Anbieter versuchen Nischen zu besetzen, wie z.B. Branchen (Finance, Manufacturing) oder Funktionen (z.B. Visual Data Science, Druckberichte). Auch bleibt die Verknüpfung zu eigenen Quellsystemen oder denen von strategischen Partnern ein wichtiges Argument im Marketing der Softwareanbieter, die sich auch in der funktionalen Fokussierung der Produkte niederschlägt.
BI & Analytics Anbieter decken mit ihren unterschiedlichen Stärken und Ausrichtungen diese vielfältigen Anforderungen ab und bieten so eine breite Palette an Lösungen für verschiedene Nutzergruppen.
Der BARC Score Enterprise BI & Analytics Platforms: Ein Verlässlicher Marktüberblick
Die Unterschiede der führenden Hersteller von modernen BI & Analytics Plattformen arbeitet der BARC Score Enterprise BI & Analytics Platforms heraus. Zum zehnten Mal erfolgt diese umfassende Bewertung durch unabhängige Analysten und bietet einen Überblick über den Markt. Der BARC Score bewertet und vergleicht 19 der weltweit wichtigsten Hersteller von modernen Enterprise BI & Analytics Plattformen. Zwei Anbieter, die in den vergangenen Jahren Teil des Marktüberblicks waren, entsprechen nicht mehr den Aufnahmekriterien.
Kernstück des BARC Scores ist eine zwei-dimensionale Matrix. Auf der y-Achse bewerten wir die Market Execution, also wie erfolgreich eine Organisation und ihre Partner die Software vermarkten, verkaufen, implementieren und zum Projekterfolg beitragen. Auf der x-Achse bewerten wir hingegen die Portfolio Capabilities, also die Funktionalität der Software.
Der BARC Score dient als Werkzeug für Unternehmen, die ein neues BI & Analytics-Tool auswählen oder ihre bestehenden Investitionen evaluieren möchten. Laut dem BARC BI & Analytics Survey führen 62% der befragten Unternehmen eine kompetitive Bewertung bei der Softwareauswahl durch. Die Studie zeigt ebenso eindeutig, dass diese Unternehmen mehr Geschäftsnutzen (sog. Business Benefits) aus dem Einsatz der professioneller Software erzielen und somit langfristig erfolgreicher in ihren BI & Analytics-Vorhaben sind.
Der BARC Score kann in dem Softwareauswahl oder -validierungs-Prozess helfen, indem er eine fundierte Basis für die Erstellung von Long- und Shortlists oder den Anbietervergleich bietet. Sie finden die englischsprachige Studie auf unserer Website www.barc.com/score.
BARC-Empfehlungen für die Käufer von BI & Analytics Lösungen
Sind Sie auf der Suche nach einer passenden BI & Analytics-Lösung? Unsere nachfolgende Checkliste unterstützt Sie bei einem strukturierten Vorgehen und hilft Ihnen, während des gesamten Projekts den Überblick über den umfangreichen Anbietermarkt zu behalten.
- Projektumfang (Scope) definieren: Haben Sie einen Softwarebedarf identifiziert, definieren Sie den Projektumfang, also welche Anwendungsszenarien mit der Software abgebildet werden sollen. Ist dies erfolgt, prüfen Sie welche Unternehmensbereiche von der Softwareentscheidung berührt werden und welche Abteilungen ggf. auch von dem Softwarekauf profitieren könnten.
- Projektbeteiligte definieren: Es hat sich als Best Practice gezeigt, einen repräsentativen Mix aus verschiedenen Nutzergruppen und Stakeholdern in die Softwareauswahl einzubeziehen. Entscheider und Projektsponsoren sind wichtig um Zustimmung für den Softwarekauf zu erhalten und die damit notwendigen verbundenen Entscheidungsprozesse effizienter gestalten zu können. Softwarenutzer sind die zukünftigen Hauptakteure, die ebenso eingebunden werden sollten. Hier hat sich ein Mix aus diversen Nutzertypen (Endanwender/Konsument, Power User bzw. Business Analyst, IT etc.) bewährt.
- Anforderungen erheben: Ist das allgemeine Projektsetup abgeschlossen, sollten Sie die Anforderungen an die Software erheben, indem Sie diese aus den zukünftigen Anwendungsszenarien ableiten. Die Projektstakeholder können Fragebogen-, Interview- oder Workshop-basiert abgeholt werden. Wichtig ist es auf eine Mischung aus allgemeinen Kriterien (Anbieter bspw.), organisatorischen, funktionalen und technischen Aspekten zu achten und ein möglichst vollständiges Bild der Anforderungslage herauszuarbeiten.
Keine Software kann all Ihre Anforderungen berücksichtigen. Die Projektbeteiligten sollten abwägen, welche Kriterien eher erfüllt werden müssen als andere, also die Anforderungen gewichten und sog. K.O.-Kriterien, also „Showstopper“ definieren. - Marktüberblick verschaffen: Sind die Anforderungen erhoben, sollten Sie sich einen Überblick über das Marktsegment und die dort agierenden Lösungen verschaffen. Einen der umfassendsten Einblicke auf den DACH-Markt gewährt der jährlich aktualisierte BARC Guide Data, BI & Analytics . Gezielte Marktsegmente werden von uns in diversen BARC Scores bewertet.
- Longlist definieren: Basierend auf den erhobenen Anforderungen sollte eine Longlist der potenziell in Frage kommenden Lösungen erstellt werden. Dies kann bspw. mithilfe eines BARC Scores, wie des BARC Score Enterprise BI & Analytics Platforms, geschehen.
- Shortlist definieren: Die Longlistanbieter sollten auf die Erfüllung der K.O.-Kriterien überprüft werden. Die verbleibende Liste kann dann einer detaillierteren Prüfung unterzogen werden.
- Detailevaluierung durchführen: Die Anbieter auf der Shortlist sollten in einem „Beauty Contest“ (Umsetzung außerhalb des Hauses) oder in einem Proof of Concept (Umsetzung in-house) gründlich geprüft werden.
- Implementierungspartner aussuchen: Sollte die Kommunikation zur Softwarelösung mit dem Hersteller passiert sein, gilt es nach der Entscheidung für eine BI & Analytics Lösung einen hierfür passenden Implementierungspartner zu finden.
Falls Sie das Auswahlprojekt schnell und fokussiert durchführen möchten und Unterstützung benötigen, kann BARC als unabhängiger Marktanalyst Ihnen mit der bewährten Auswahlmethodik in allen genannten Teilschritten zur Seite stehen!
Konkrete Angebote zum Schnelleinstieg und weitere Informationen dazu, wie wir Sie unterstützen können, finden Sie hier.
