BAP2

Aufgrund der Existenz funktionaler Abhängigkeiten zwischen Nicht-Schlüsselattributen wird in den Dimensionstabellen bewusst die dritte Normalform verletzt. Um der 3NF zu genügen, müsste die betreffende Dimensionstabelle in einzelne hierarchische Tabellen zerlegt werden, jedoch aus Gründen der Performance sieht man bei dem Sternschema von einer Normalisierung der Dimensionstabellen ab und akzeptiert die hierdurch auftretende Redundanz.

Sehr detaillierte Daten haben eine niedrige Granularität, sie sind sehr „feinkörnig“.  Hoch komprimierte, also stark vereinfachte Daten haben hingegen eine hohe Granularität.

siehe Grafik

Unter Data-Mining versteht man die systematische Anwendung statistischer Methoden auf einen Datenbestand mit dem Ziel, neue Muster zu erkennen. Hierbei geht es auch um die Verarbeitung sehr grosser Datenbestände (die nicht mehr manuell verarbeitet werden könnten), wofür effiziente Methoden benötigt werden, deren Zeitkomplexität sie für solche Datenmengen geeignet macht. Data Mining stellt einen sehr komplexen Vorgang dar und operiert mit anspruchsvollen mathematisch-statistischen Verfahren: Entscheidungsbäume, Assoziationsanalysen, Clusteranalysen, künstliche neuronale Netze, genetische Algorithmen. Im Gegensatz zu klassischen Datenbankabfragen, bei denen der Benutzer weiss, was er sucht, will das Data-MiningSystem „unvoreingenommen" suchen, bis es etwas Bemerkenswertes oder Verdächtiges vermutet. 

Bei OLAP hab ich ein Ziel und such eine Lösung. Bei Data Mining hab ich eine Lösung auf eine Frage, die ich nicht habe.

Ausreissererkennung: Identifizierung von ungewöhnlichen Datensätzen: Ausreißern, Fehlern, Änderungen / Clusteranalyse: Gruppierung von Objekten aufgrund von Ähnlichkeiten / Klassifikation: bisher nicht Klassen zugeordnete Elemente werden den bestehenden Klassen zugeordnet. / Assoziationsanalyse: Identifizierung von Zusammenhängen und Abhängigkeiten in den Daten in Form von Regeln wie „Aus A und B folgt normalerweise C“. / Regressionsanalyse: Identifizierung von Beziehungen zwischen (mehreren) abhängigen und unabhängigen Variablen / Zusammenfassung: Reduktion des Datensatzes in eine kompaktere Beschreibung ohne wesentlichen Informationsverlust

Cross-Industry Standard Process For Data Mining : CRISP-DM. Dies ist ein Industriestandart für das Data Mining:Phase1: Business Understanding: Define the project objectives and requirements clearly from a business perspective. Convert these goals into the formulation of data mining problem definition.Phase2: Data Understanding: Collect the initial data. Get familiar with the data. Identify data quality problems. Discovery first insights into the data.Phase3: Data Preparation: Prepare from the initial raw data to the final data set. Select the cases and variables you want to analyze and that are appropriate for your analyze. Perform transformations on certain variables, if needed.Phase4: Modeling: Select and apply appropriate modeling techniques. Adjust model settings to optimize result. If necessary, loop back to the data preparation phase to bring the form of the data into line with the specific requirements of a particular data mining technique.Phase5: Evaluation: Evaluate the model, and review the steps executed to construct the model, to make sure that achieving the business objectives. Determine if there are some important business issues that have not been sufficiently considered. At the end of this phase, a decision on the use of the data mining results should be reached.Phase6: Deployment: Make use of the models created, but this project does not finish yet. Deployment phase can be as simple as generating a report or as complex as implementing a repeatable data mining process.

Data-Mining ist der eigentliche Analyseschritt des Knowledge Discovery  in Databases (KDD) Prozesses. Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist grossen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Die Teilschritte des KDD-Prozesses sind:1. Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich à 2.Definition der Ziele der Wissensfindung à 3.Datenauswahl à 4.Datenbereinigung à 5.Datenreduktion (z. B. durch Transformationen) à 6.Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll à 7.Data-Mining, die eigentliche Datenanalyse à 8.Interpretation der gewonnenen Erkenntnisse. Üblicher-weise werden diese Schritte mehrfach durchlaufen. Ein verbreitetes Vorgehensmodell ist CRISP-DM

Warenkorbanalyse: Gezielter Verkauf von Waren, Risk-Management: Risikominimierung

Ein Bayes-Klassifikator ist ein aus dem Bayestheorem hergeleiteter Klassifikator. Er ordnet jedes Objekt der Klasse zu, zu der es mit der größten Wahrscheinlichkeit gehört, oder bei der durch die Einordnung die wenigsten Kosten entstehen. Genau genommen handelt es sich um eine mathematische Funktion, die jedem Punkt eines Merkmalsraums eine Klasse zuordnet.

Ein Data-Mart ist eine Kopie eines Teildatenbestandes des Data-Warehouse, die für einen bestimmten Organisationsbereich oder eine bestimmte Anwendung oder Analyse erstellt wird. Man kann es auch als Teilansicht auf das Data-Warehouse (DW) oder nicht persistenten Zwischenspeicher verstehen. Gründe für das Arbeiten mit einem Data Mart anstelle des direkten Zugriffs auf die Daten im Data-Warehouse anhand von Sichten sind: Die Notwendigkeit spezieller Datenstrukturen (die in dieser Form nicht im DW vorhanden sind) für bestimmte Analysen, z. B. für die mehrdimensionale Analyse, das so genannte Online Analytical Processing (OLAP). / Bessere Leistung (Performance): Verlagerung von Rechnerleistung auf einen anderen Rechner und/oder Verlagerung von Zugriffen auf einen anderen Speicher und/oder im Falle von lokaler Nutzung weniger Netzbelastung. / Eigenständigkeit der Anwender (z. B. Mobilität, Unabhängigkeit von anderen Organisationsbereichen). / Zugriffsschutz: Abgrenzung gegenüber anderen Nutzern oder Öffnung für weitere Nutzer (es wird nicht direkt auf die Daten im Data-Warehouse zugegriffen sondern nur indirekt über den Data-Mart. dezentrale Data Marts aber Anzahl Schnittstellen schnell nicht mehr administrierbar und höchst ressourcenintensiv in der Pflege, isolierte Data Marts bilden auch unverbundene Teildatenbestände mit unabgestimmten und inkonsistenen Inhalten. Data Mart Bus – zentrale Aufbereitung von Dimensionen, bevor sie an die Data Marts weiter verteilt und aktualisiert werden; strukturelle und inhaltliche Identität verteilter Dimensionen in der gesamten Unternehmung. Data Warehouse und Data Marts halten das gespeicherte Datenmaterial in verdichteter Form vor und eröffnen dadurch dem Anwender die Option, frei und flexibel im aufgespannten Datenraum zu navigieren.

Abhängige Data Mart: Vorteile: keine Überschneidung, nur eine Datentransformation. Nachteile: In der Praxis nur mit viel Mehraufwand durchführbar. / Unabhängige Data Mart: Vorteile: Entspricht unter Umständen der vorhandenen IT-Struktur besser, schneller zu erstellen als direkt ein grosses DW. Nachteile: 2 malige Datentransformation, Überschneidungen zwischen den Data Marts kaum zu vermeiden.

Unter Clusteranalyse (Clustering-Algorithmus, gelegentlich auch: Ballungsanalyse) versteht man Verfahren zur Entdeckung von Ähnlichkeitsstrukturen in (großen) Datenbeständen. Die so gefundenen Gruppen von „ähnlichen“ Objekten werden als Cluster bezeichnet, die Gruppenzuordnung als Clustering. Die gefundenen Ähnlichkeitsgruppen können hierarchisch oder agglomerativ sein, also Untergruppen oder Teilgruppen in Gruppen kennzeichnen. Die Clusteranalyse ist eine wichtige Disziplin des Data-Mining, dem Analyseschritt des Knowledge Discovery in Databases Prozesses.

Entscheidungsbäume sind geordnete, gerichtete Bäume, die der Darstellung von Entscheidungsregeln dienen. Sie veranschaulichen hierarchisch, aufeinanderfolgende Entscheidungen. Sie haben eine Bedeutung in zahlreichen Bereichen, in denen automatisch klassifiziert wird oder aus Erfahrungswissen formale Regeln hergeleitet oder dargestellt werden.

Personen im Alter von 40 kaufen nebst einer 6er Kisten-Bier auch noch ein Sack Chips. Deshalb sollte man das Bier und die Chips immer in der Nähe aufstellen und verkaufen.

Zur Einordnung und Bewertung von BI-Entwicklungsprozessen lassen sich Reifegradmodelle wie z.B. das Capability Maturity Model (CMM) oder das Business Intelligence Maturity Model (biMM) nutzen, die als Referenz für Audits und Branchenbenchmarks dienen können.

Ein solches Kompetenzzentrum sollte nicht für den Betrieb oder die implementierung von Systemen verantwortlich sein. Der Fokus liegt hier bei der langfristigen Ausrichtung, der organisatorischen Einbettung und den konzeptionellen Rahmen. Mögliche Aufgaben: Konzeptionelle Beratung und Strategieentwicklung, Strukturierung und Priorisierung mach fachlichen Inhalten, BI Governance.

BI dient zur Messung der Unternehmensziele, zur Verbesserung der Materialwirtschaft im Bereich der Laden-hüteridentifikation, zur Erweiterung des Kundenbeziehungsmanagements im Life-Cycle-Management, etc. Kritische Aspekte: hohe Kosten, kein Bedarf, wenig Bewusstsein, keine Ownership, kein Know-How, etc.

nach Bill Inmon:„Ein Data-Warehouse ist eine themenorientierte, integrierte, chronologisierte und persistente Sammlung von Daten, um das Management bei seinen Entscheidungsprozessen zu unterstützen.“ Eigenschaften: - Kann mit der „Zeit“ umgehen, - Muss mit Redundanzen umgehen können

Pro (Beispiele): - Integration von Daten aus heterogenen Informationssystemen, - Gemeinsame Datenbasis für Entscheidungszwecke, - Gemeinsame, konsens-fähige Datenbasis, - Erweiterbarkeit (flexibles Anbinden weiterer Systeme), - Flexibler Datenexport, - Flexibler u sichere Zugangsverwaltung zum System, - Qualitativ (strukturell und semantisch) hochwertige Datenbasis, - Hoch-performant, - Single-Point-Of-Truth (einheitliches Unternehmens-Datenmodell), - Einfache u intuitive Bedienung, - Webbasierter, plattformunabhängiger Zugang; Cons (Beispiele): - hoher Invest-Aufwand in Hardware und Software, - hoher Aufwand für Know-How-Aufbau, - recht hohe Lizenzkosten (Front-End/Back-End), - lange Projektlaufzeiten, - ERP-Integration kann sehr aufwändig sein (z.B. SAP), - End-User-Akzeptanz, - Probleme mit personalisierten Daten

Manager brauchen Informationen in richtiger Form, zur richtigen Zeit, am richtigen Ort. Diese Informationen kommen aus den Administrativ- und Dispositionssystemen. Diese Informationen müssen aber entsprechend transformiert und aufbereitet werden und den Manager in der richtigen Granularität zur Verfügung gestellt werden. Das ist die grosse Herausforderung der vertikalen Integration.

Zusammenspiel auf gleicher Ebene. Auf der operativen Ebene das Zusammenspiel der Abteilungen (Einkauf, Vertrieb, Marketing usw.), wird durch ERP-System gelöst. 

siehe Grafik

Ausgehend von der mittelfristige Unternehmensvision werden Unternehmensstrategien abgeleitet, die der Umsetzung der Unternehmensvision dienen. Beispiele sind:Vertriebsstrategie, Produktstrategie, Marketingstrategie, IT-Strategie, Investitionsstrategie, Preisstrategie. In der Strategie werden messbare Ziele festgelegt. Diese messbaren Ziele werden als Key Performance Indicators (KPI)bezeichnet. Um diese Ziele zu erreichen, müssen einerseits die Geschäftsprozesse entsprechend ausgerichtet werden und andererseits die IT-Infrastrukur angepasst werden. Externe u interne Ereignisse können Einfluss auf Ziele, Strategien und Geschäftsprozesse haben. Diese gilt es zu erkennen, indem die Zielwerte permanent gegen die die Sollwerte abgeglichen werden. Bei Abweichungen müssen Massnahmen evaluiert und umgesetzt werden. Diese Massnahmen können Einfluss auf Unternehmensstrategien und Geschäftsprozess haben. 

Der Nutzen von CPM liegt darin begründet, dass Indikatoren – KPIs – geschaffen werden, die den Grad der Zielerreichung permanent messen und frühzeitig Handlungsalternativen fordern. Somit ist CPM ein Steuerungsinstrument der Strategischen Unternehmensführung.

Unter Business Intelligence versteht man Strategien, Methoden und Werkzeuge, um aus verteilten, heterogenen Informationssystemen handlungsrelevantes Wissen über Status und Potentiale eines Unternehmen zu gewinnen. 

BI hilft mir im Bereich des Corp. Perf. Mgmt. um die Abweichungen von den KPI's zu erkennen.

sind EDV-Systeme, die auf den das Verständnis und die Rationalisierung von Prozessen abzielen. Sie dienen der Automatisierung von festgelegten und wiederkehrenden Arbeitsabläufen, bei denen es keine Entscheidungsspielräume gibt. Damit sollen die Mitarbeiter von Routineaufgaben entlastet werden. 

ist ein EDV-System, welches routinemäßige Entscheidungen in Unternehmen unterstützen soll. Die Entscheidungen werden dabei anhand von formalen Entscheidungsmodellen und -verfahren getroffen. Die Entscheidungen betreffen dabei nur einen kurzfristigen Entscheidungshorizont und haben keine strategische Ausrichtung.  à ERP-System.

Ein Planungssystem ist ein Anwendungssystem, welches darauf abzielt, dass zum einen die bei der Planung von Unternehmensprozessen verwendeten Daten zuverlässig sind und zum anderen mehr. 

ist ein Anwendungssystem, welches darauf abzielt, dass Entscheidungsträger auf auffällige und relevante Datenkonstellationen aufmerksam gemacht werden und zum anderen Bereiche aufzeigen, wo spezielle Analysen und Abhilfemaßnahmen notwendig und von Nutzen sein würden.

Ein Operatives Informationssystem ist ein computergestütztes Anwendungssystem, das zur Durchführung und Unterstützung operativer Aufgaben in einer Unternehmung eingesetzt wird.

Ein Entscheidungsunterstützungssystem (EUS) bzw. ein Decision Support System (DSS) ist ein interaktives computergestütztes Anwendungssystem, das Fach- und Führungskräfte (Manager) mit Modellen, Methoden und problembezogenen Daten in ihrem Planungs- und Entscheidungsprozess unterstützt.

Langfristige und unternehmungsweiten Orientierungsrahmen für die Ausgestaltung analytischer, entscheidungsorientierter Informationssysteme. Strategische Ziele einer BI-Strategie: - Aufbau einer durchgängigen entscheidungsunterstützenden Informationslogistik für alle Fachbereiche

Ein BI-Prozess ist zum Beispiel der ETL-Prozess (Extraktion, Transformation und Laden). Beim BI-Prozess geht es darum operative Daten so aufzubereiten damit Sie als Entscheidungsgrundlage für einen Manager gelten

Daten die in verschiedenen Systemen abgelegt sind

Unterschiedliche Informationen (z.B. strukturierte und unstrukturierte Informationen oder Informationen in Excel-Format und Informationen in XML-Format).

Teil des Wissens das gebraucht wird, um ein Problem zu lösen

Online Analytical Processing (OLAP) wird neben dem Data-Mining zu den Methoden der analytischen Informationssysteme gezählt. Der Analyst muss vor der eigentlichen Untersuchung wissen, welche Anfragen er an das OLAP-System stellen möchte. Seine Hypothese wird dann durch das Analyseergebnis bestätigt oder widerlegt. OLAP-Systeme beziehen ihre Daten entweder aus den operationalen Datenbeständen eines Unternehmens oder aus einem Data-Warehouse (Datenlager).