Eine spontane, einmalige Datenauswertung zur Beantwortung einer konkreten Geschäftsfrage. Im Gegensatz zu standardisierten Reports wird eine Ad-hoc-Analyse nur bei Bedarf durchgeführt – z.B. „Warum sind die Retouren in KW 12 um 40% gestiegen?“ Moderne Self-Service-BI-Tools ermöglichen es Fachanwendern, solche Analysen ohne IT-Unterstützung durchzuführen.

Ein von Gartner geprägter Begriff für die Integration von KI und Machine Learning in BI-Tools. Augmented Analytics automatisiert Datenaufbereitung, Mustererkennung und Insight-Generierung. Beispiel: Power BI Copilot, das natürlichsprachliche Fragen in Datenvisualisierungen übersetzt. Einer der Top-Trends für 2026.

Erweitert Business Intelligence um prädiktive und präskriptive Methoden. Während BI primär rückwärtsgewandt fragt „Was ist passiert?“, beantwortet BA die Frage „Was wird passieren?“ und „Was sollten wir tun?“. Nutzt statistische Modelle, Regressionsanalysen und Simulationen. Mehr dazu: BI vs. Business Analytics.

Oberbegriff für Technologien, Strategien und Prozesse, die Unternehmensdaten in handlungsrelevante Erkenntnisse verwandeln. Umfasst Datensammlung, ETL, Data Warehousing, Analyse und Visualisierung. Ziel: bessere Geschäftsentscheidungen auf Basis von Fakten statt Intuition. Ausführliche Definition →

BI-Lösungen, die vollständig in der Cloud betrieben werden (Azure, AWS, Google Cloud). Vorteile: keine eigene Server-Infrastruktur, nutzungsbasierte Kosten, automatische Updates, Skalierbarkeit. Besonders für den Mittelstand attraktiv, da geringere Einstiegsinvestition.

Multidimensionale Datenstruktur für analytische Abfragen. Organisiert Daten entlang von Dimensionen (Zeit, Produkt, Region) und Kennzahlen (Umsatz, Menge). Ermöglicht schnelle Drill-Down-, Roll-Up- und Slice-&-Dice-Operationen. In modernen Cloud-DWH durch In-Memory-Engines oft abgelöst.

Visuelle Darstellung der wichtigsten KPIs und Kennzahlen auf einen Blick. Interaktive Dashboards erlauben Filtern, Drill-Down und Zeitvergleiche. Das Äquivalent zum Cockpit im Flugzeug – alle relevanten Informationen übersichtlich für den Entscheider. Tools: Power BI, Tableau, Qlik.

Gesamtheit aller Regeln, Prozesse und Verantwortlichkeiten für die Verwaltung von Unternehmensdaten. Umfasst Datenqualitätsstandards, Zugriffsrechte, Datenschutz (DSGVO), Datenklassifizierung und Data Stewardship. Unverzichtbar für verlässliche BI und regulatorische Compliance.

Zentraler Speicher für Rohdaten in jedem Format (strukturiert, semi-strukturiert, unstrukturiert). Günstiger als ein Data Warehouse, aber ohne Schema-Vorgaben – daher Gefahr des „Data Swamp“ ohne Governance. Ideal für Data Science und Machine Learning. Vergleich: DWH vs. Data Lake.

Hybride Architektur, die die Flexibilität eines Data Lake mit der Performance und Governance eines Data Warehouse kombiniert. Beispiele: Databricks Delta Lake, Apache Iceberg. Trend ab 2024.

Automatisierte Entdeckung von Mustern, Korrelationen und Anomalien in großen Datenmengen. Nutzt statistische Verfahren, Clustering und Assoziationsanalysen. Beispiel: Warenkorbanalyse im Einzelhandel – „Kunden, die X kaufen, kaufen oft auch Y.“

Zentrale, für analytische Abfragen optimierte Datenbank, die Daten aus verschiedenen Quellsystemen in einem konsistenten Modell zusammenführt. Speichert auch historische Daten für Trendanalysen. Das Herzstück jeder professionellen BI-Lösung. Ausführlicher Leitfaden →

Maß dafür, wie gut Daten die Realität abbilden. Dimensionen: Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Integrität und Konformität. Schlechte Datenqualität ist der häufigste Grund für gescheiterte BI-Projekte. Mehr zum Thema →

Formelsprache in Microsoft Power BI und Analysis Services. Ermöglicht komplexe Berechnungen, Zeitintelligenz (Year-over-Year, Running Totals) und dynamische Aggregationen. Die Beherrschung von DAX ist die Kernkompetenz für professionelle Power-BI-Entwicklung.

Beschreibende Kategorie in einem BI-Datenmodell, über die Fakten (Kennzahlen) analysiert werden. Typische Dimensionen: Zeit, Kunde, Produkt, Region, Vertriebskanal. Dimensionen bilden die „Achsen“ der Analyse – z.B. „Umsatz pro Produkt pro Region pro Quartal.“

Navigation von einer aggregierten Ansicht zu detaillierteren Daten. Beispiel: Gesamtumsatz Deutschland → Umsatz nach Bundesland → Umsatz nach Stadt → einzelne Transaktionen. Das Gegenteil ist Roll-Up (von Detail zur Aggregation).

Standardprozess der Datenintegration: Daten aus Quellsystemen extrahieren, bereinigen und in ein einheitliches Format transformieren, dann ins Data Warehouse laden. Variante ELT lädt zuerst roh und transformiert im Zielsystem – moderner Ansatz mit Cloud-DWH. Mehr zur BI-Architektur →

Integration von BI-Funktionen direkt in andere Anwendungen (ERP, CRM, Webportale). Der Nutzer arbeitet mit Analysen, ohne ein separates BI-Tool öffnen zu müssen. Beispiele: Power BI Embedded, Tableau Embedded Analytics.

Numerischer Messwert in einem BI-Datenmodell. Fakten sind die Kennzahlen, die analysiert werden: Umsatz, Menge, Kosten, Marge, Dauer. Fakten werden in Fakt-Tabellen gespeichert und über Dimensionen aufgeschlüsselt.

Strategisch relevante Kennzahl, die den Fortschritt bei der Erreichung eines Geschäftsziels misst. Nicht jede Metrik ist ein KPI – nur die handlungsrelevanten. Sollte SMART definiert sein: spezifisch, messbar, erreichbar, relevant, terminiert. KPIs definieren →

Prozesse und Technologien zur Sicherstellung einer einheitlichen, konsistenten und aktuellen Verwaltung von Stammdaten (Kunden, Produkte, Lieferanten, Mitarbeiter). Ohne MDM entstehen Dubletten und widersprüchliche Daten – Gift für jede BI-Lösung.

Technologie für multidimensionale Datenanalysen in Echtzeit. Ermöglicht Drill-Down, Roll-Up, Slice und Dice über beliebige Dimensionen. MOLAP (Multidimensional), ROLAP (Relational) und HOLAP (Hybrid) sind die drei Varianten. In modernen Cloud-Systemen oft durch In-Memory-Engines ersetzt.

Einsatz statistischer Modelle und Machine Learning zur Vorhersage zukünftiger Ereignisse. Beispiele: Absatzprognose, Kundenabwanderungsvorhersage (Churn Prediction), Preisoptimierung. Baut auf historischen Daten auf und erfordert saubere Datenbasis.

Kennzahl für die Wirtschaftlichkeit einer Investition. Im BI-Kontext: Verhältnis von Einsparungen und Mehrerlösen durch BI zu den Gesamtkosten. Durchschnittlicher BI-ROI laut Nucleus Research: 1.300%. BI-ROI berechnen →

BI-Ansatz, bei dem Fachanwender eigenständig Analysen durchführen und Dashboards erstellen – ohne Programmier- oder SQL-Kenntnisse. Erfordert saubere Datenmodelle, Governance-Regeln und Schulung. Ausführlicher Leitfaden →

Standardmäßiges Datenmodell für Data Warehouses. Eine zentrale Fakt-Tabelle (z.B. Verkäufe) ist über Fremdschlüssel mit denormalisierten Dimensionstabellen (Zeit, Kunde, Produkt) verbunden – grafisch ergibt das eine Sternform. Einfach, performant und der empfohlene Ansatz für BI.

Grafische Darstellung von Daten und Analyseergebnissen: Balken-, Linien-, Kreisdiagramme, Maps, Heatmaps, Treemaps, Scatter Plots. Gute Visualisierung macht komplexe Daten auf einen Blick verständlich und ist der Schlüssel zur Akzeptanz von BI im Unternehmen.