Business Intelligence
Klausur
Klausur
Normalisierung
Aufteilung der Daten in Relationen (=Tabellen) entsprechend den Normalisierungsregeln
ETL-Prozess
Vorgang der regelmäßigen Aktualisierung der Daten eines DWHs.
Schritte
- Extract der Daten aus den Quellsystemen
- Transform Konsistenz überprüfen, ggf. anpassen
- Load in die Datenbank des DWH, Einarbeitung in OLAP-Würfel
Wie unterstützt BI moderne Management Konzepte?
Das BI unterstützt moderne Managementkonzepte dadurch, dass die Entscheidungsträger mit den richtigen Informationen zum richtigen Zeitpunkt versorgt werden. Dadurch können Entscheidungen auf fundierten Erkenntnissen getroffen werden.
Konzept der BSC
= Ausgewogener Berichtsbogen
- Nicht nur finanzielle Kennzahlen
- Kennzahlen in anderen Perspektiven
- Beispiel (4 Perspektiven)
- Finanzperspektive
- Kundenperspektive
- Informationsperspektive
- Lern- und Wachstumsperspektive
- Bestandteile
- Zielwerte
- Kennzahlen
- Maßnahmen
OLTP vs OLAP
Dem OLAP-Ansatz steht der traditionelle, operative OLTP-Ansatz („Online Transaction Processing“) gegenüber, wie er im relationalen Datenbankkonzept zum Ausdruck kommt. Beide Ansätze unterscheiden sich gravierend: Bei OLTP wiederholen sich die Datenbankprozesse ständig, sind strukturiert und bestehen aus isolierten, atomaren Transaktionen. Diese arbeiten mit aktuellsten Daten und greifen lesend sowie schreibend meist nur auf wenige Datensätze über Primärschlüssel zu. Bei OLAP hingegen steht die historische, aggregierte Information im Vordergrund. Die Analysen bestehen aus komplexen Abfragen, der Zugriff erfolgt meist nur lesend. Die Tabelle fasst die wichtigsten Unterschiede schlagwortartig zusammen.
SAS Studio
In einem System sind die zwei Quelltabellen BESTELLUNGEN(Kd-ID, Bestellnummer, Artikel, Bestellmenge, Bestellweg) und KUNDE(Kd-ID, Name, Vorname) gegeben. Im Rahmen der Datentransformation sollen die Zieltabellen KATALOG und INTERNET mit den Bestellungen des jeweiligen Bestellweges gefüllt werden. Die Daten sind nach Kundennamen zu sortieren.
Erstellen Sie eine Job Beschreibung für den entsprechenden Prozess.
Siehe Bild
n-way crossing
- enthält von allen Dimensionen die unterste Stufe
- Damit können alle weiteren Würfel ausgerechnet werden
Virtuelles Datawarehouse
Direkter Zugriff auf die operativen Systeme oder einem Extrakt davon
- Nachteile: Datenqualität ist unsicher, Performance
- kein richtiges DWH --> keine historischen Daten
Unabhängige Data Marts
- "m x n"-Extraktionsschnittstellenproblem
Nachteile
- isolierte Daten
- Inkonsistenz
- teure, redundate Speicherung
- Wartungsprobleme
Monolithisches DWH
Vorteil
- Integrierte, konsistente Daten in allen Bereichen des UN
Nachteile
- Umfang zu breit und detailliert
- Fehlende Einbeziehung der Fachbereiche
- Schlechte Antwortzeiten
- Speicherung zu vieler, d.h. nicht benötigter Daten
- Andererseits können benötigte Informationen fehlen
- Lange Projektlaufzeit bis zum produktiven Einsatz
- Hohe Kosten bevor sich ein geschäftlicher Nutzen einstellt
Integrierte DWH-Umgebung
In einer iterativen Vorgehensweise werden das unternehmensweite DWH schrittweise erstellt und darauf aufbauend die abhängigen Data Marts gefüllt.
- Kombination der Vorteile der beiden anderen Ansätze:
- Beginn mit unternehmensweiter Vision, eines unternehmensweiten Subjektmodell und einem Infrastrukturplan
- Entwicklung des ersten Data Mart mit Bildung der ersten Schicht des unternehmensweiten DWH
- Entwicklung des zweiten Data Mart mit Erweiterung des unternehmensweiten DWH um gemeinsam genutzte Informationen
- Evolutionärer Ansatz (hat sich bewährt)
- Baut iterativ die integrierte Umgebung auf
- Verringert die zu leistende Vorabinvestition
- Ermöglicht das Lernen von Warehousing-Techniken in kleinen Teilprojekten ohne großes Risiko
- Liefert früh die ersten produktiven Auswertungen und damit einen schnellen Nutzen
- erzeugt einen schnellen ROI
Vollendetes integriertes DWH
- Operational Data Store (ODS) /Allgemeines
- Ist noch nicht weit verbreitet
- Unterstützt die operativen Anwendungen mit subjektorientierten Informationen, z.B. kundenorientiert
- Bereinigt Daten bevor sie ins DWH kommen (z.B. einheitliches Datumsformat)
- Kann der Warehouse-Umgebung saubere, integrierte Daten liefern
- Kann auch vom DWH gefüllt werden
- Operational Data Store (ODS) /Definition
- Subjektorientiert
- Integriert
- Temporär
- Aktuell (keine Historie)
- Persönliche Data Marts
- Sind ein Subset weiterer Informationen für eine noch kleinere Gruppe von Anwendern
- Unterstützt Einzelanalysen
- Unterliegt einer nicht so strengen Kontrolle und Verwaktung wie abteilungsorientierte Data Marts oder das DWH
DWH vs operatives System
siehe Bild
Subjektmodell - Bank/Vertriebscontrolling
- Berater
- Zweigstelle
- Kunde
- Produkt
- Konto
- Kontonummer
- Provision
- Gehalt
- Hauptsitz
- Kapitalanlagen
Versicherung / Vertriebscontrolling
- Makler
- Makler Agent
- Provision
- Angebot
- Kunde
- Policen/Vertrag
- Prämie
- Schaden
- Schadensanspruch
- Risikokategorie
- Vertriebmitarbeiter
- Kunde
- Vertrag
- Lieferung
- Automarke/typ/hersteller
Bi und Managementprozesse
- BI ist dafür zuständig, dass die Entscheidungsträger mit den richtigen Informationen zum richtigen Zeitpunkt versorgt werden.
=> Dadurch können Entscheidungen auf fundierten Erkenntnissen getroffen werden.
- Die betriebliche Informationsflut bewältigen & entscheidungsrelevant aufzubereiten
=> ist einen wesentlichen Erfolgsfaktor (ohne IT-Unterstützung nicht zu bewältigen)
- Eine integrierte und zeitnahe Sicht auf Informationen aus allen Unternehmensbereichen ist daher wesentlicher Bestandteil des Erfolgs.
Welche Managementprobleme können Auslöser für die Implementierung einer BSC in einem Unternehmen sein?
- Unstrukturierte Daten
- Kein Überblick über die Daten
- Fehlende Daten
- Fehlende Ziele
- Fehlender Überblick
- Mehr Kundenorientierung
Prozess von der Produktnummer zur Dimension?
Siehe Bild
Worin liegt der Vorteil einer Standardsoftware gegenüber einer Eigenentwicklung im Unternehmen?
- Zeitvorteil
- Kostenvorteil
- Insbesondere während des Betriebs entstehen bei Individualsoftware hohe Kosten
- Software-Qualität
- Bei Standartsoftware wurde die Anwendung bereits von vielen Nutzern geprüft und daraufhin optimiert
- Zukunftssicherheit
- Standwartsoftware wird idR Weiterentwickelt
- Wartungsverträge für Systemupdates
- Know-how Einkauf
- Personalentwicklung
- Es werden keine Ressourcen in der Entwicklung benötigt
- Unabhängigkeit von Mitarbeitern, die die vorhandene Anwendungssysteme pflegen und damit unentbehrlich für ein Unternehmen sind
Data Mining
- Prozess des Auffindens und der Analyse von bbisher unbekannten Mustern, Zusammenhängen und Trends in großen Datenbeständen, um diese Erkenntnisse zum Vorteil des eigenen Unternehmens zu nutzen.
- Umfasst Werkzeuge und Methoden, um neues und bislang unbekanntes Wissen in gespeicherten Daten zu finden.
12 OLAP-Regeln
- Multidimensionale Sicht auf Daten
- Transparenter Datenzugriff
- Freie Verfügbarkeit der Daten (Zugriffsmöglichkeiten)
- Konsistente Performance
- Client-/Server-Architektur
- Verarbeitung von Default-Dimensionen
- Dynamische Belegungsdichte
- Multi-User Unterstützung
- Uneingeschränkte Operationen über alle Dimensionen
- Intuitive Steuerung
- Flexibles Reporting
- Unbegrenzte Dimensionen und Aggregationsstufen
Fakten
- enthalten die Unternehmenskennzahlen, die analysiert werden sollen
- werden auf der untersten Detaillierungsebene (=kleinste Granularität) im Data Warehouse abgelegt
(Inhaltliche Daten)
3 Anwendungsgebiete für Data Mining
- Warenkorbanalyse (Handel)
- Schadensrisiko (Versicherung)
- Investment-Modelle (Finanzmanagement)
Zusammenhang CRM und Data Mining
- DWH (Ideale Basis für Analysen und Reports aller Art)
- Data Mining (wertschöpfende Kernstück im Database Marketing und damit im CRM-Prozess; hier wird Kundenverhalten analysiert und prognostiziert
- Database Marketing (denn die Kunden sind i.d.R. nur durch ihre Daten bekannt)
- CRM (ist die Umsetzung von Vertriebs- bzw. Marketingaktivitäten auf Basis von Ergebnis aus dem Database Marketing)
1 --> 2 --> 3 --> 4
Metadaten
Metadaten enthalten Informationen über Daten, Prozesse, Infrastruktur, Konzepte, Ideen und Anwendungen, aber nicht die Daten selbst.
Anwenderschnittstelle zum DWH
Es gibt technische und fachliche Metadaten.
Datawarehouse-Prozess
Unter Data Warehousing versteht man den Prozess aus operativen Daten, Informationen zu generieren und diese zeitnah, aktuell und anwenderspezifisch zur Verfügung zu stellen.
Schritte
- Datenbeschaffung und -integration(ETL)
- Extraktion der relevanten Daten aus den Quellsystemen
- Transformation und ggf. Datenbereinigung in einem Arbeitsbereich
- Laden in das DWH
- Datenhaltung (langfrstige Speicherung im DWH)
- Versorgung und Datenhaltung der Datamarts (Datamarts sind als separate Datenbestäde für die Analyse notwendig)
- Datenauswertung (durch Analyse der Daten im jeweiligen Datamart bzw. Versorgung nachgelagerter Anwendungssysteme)
Subjektmodellierung
- Wichtigsten Subjekte
- Beziehungen
- Umfasst ganzes Unternehmen
- Branche wird ersichtlich
Dimensionen
sind die logischen Merkmale, unter denen die Fakten betrachtet werden sollen (z.B. Monat, Land, Mitarbeiter, Produkt)
- werden logisch gruppiert und zusammengefasst (z.B. die Merkmale Jahr, Monat, Tag zu der Dimension "Zeit")
- können zusätzliche, beschreibende Merkmale beinhalten (z.B. einen Vornamen)
- Jede Dimension wird in einer eigenen Tabelle abgebildet.
- Hierarchiestufen
Dimensionsmodell
- Kombination von fachlicher (konzeptioneller) und ER-Modellierung, z. B. Entitäten, Attribute, Schlüssel und Relationen
- Der Unterschied zur klassischen ER-Modellierung ist der Grad der Normalisierung
- liefert eine detaillierte, logische Sicht auf die Daten.
- Einteilung in Fakten und Dimensionen:
- welche Informationen zu den gefunden Subjekten sollen analysiert und betrachtet werden (Fakten).
- welche Dimensionen können verwendet werden, um die gewünschten Informationen zu bekommen.
Datawarehouse
Datenpool, der Grundlage der Informationsversorgung im Unternehmen ist.
Die Daten stammen aus den operativen Systemen (ERP-Systeme) oder aus externen Datenquellen (z.B. Markt- und Wettbewerbsinformationen). Aus diesen Daten entstehen dann durch Zusammenführen, Analyse und Aufbereitung die Informationen, die Mitarbeiter im Unternehmen auf allen Ebenen und in allen Fachbereichen benötigen, um sichere faktenbasierende Entscheidungen treffen zu können.
Business Intelligence
bezeichnet den Prozess, der aus fragmentierten inhomogenen Unternehmens-, Markt- und Wettbewerbsdaten Wissen über die eigenen und über fremde Positionen, Potentiale und Perspektiven generiert. (Der Nachrichtendienst des Unternehmens)
Eigenschaften eines Datawarehouse (bzw. Daten)
- Subjekt/Themenorientiert (Kunde, Produkt)
- Integriert (einheitlich)
- Zeitvariant (historisch+aktuelle Daten)
- Beständig innerhalb einer Zeiteinheit (Laden in definierten Intervallen)
Datenqualität
- richtiger Content in den Feldern
- Dublettenbereinigung
- Standardisierung der Datenschreibweise
- Formatprüfung
==> Voraussetzung für aussagekräftige Clusterbildung
Hub-Spoke-Architektur
DWH-Architektur, bei der die zur Verfügung stehenden Datenquellen im DWH aus einzelnen Datenquellen zusammengeführt, bereinigt und historisiert werden. Aus dem konsistenten Datenbestand (Hub) werden i.d.R. dann abteilungsbezogene Datamarts erzeugt.
Subjekte
Wichtige Themenbereiche im Unternehmen über die viele Informationen gesammelt werden (variiert je nach Branche)
Können sein: Personen, Prozesse, Sachen
Star Schema
Um eine zentrale Faktentabelle gruppieren sich mehrere Dimensionstabellen
- Sternenförmige Darstellung des Dimensionsmodells.
- Minimierung der vielen Tabellen im relationalen Modell
- Unterscheidung in Fakten- und Dimensionstabelle
Ziel des Star-Schemas ist nicht die Normalisierung, sondern eine Optimierung auf effiziente Leseoperationen. Beim Star-Schema liegen die Dimensionstabellen deshalb denormalisiert vor.
Zur Herstellung der Beziehung zwischen den Dimensionstabellen und der zugehörigen Fakttabellen werden die Primärschlüssel der Dimensionstabellen in die Fakttabelle als Fremdschlüssel aufgenommen und bilden dort wiederum zusammen den Primärschlüssel der
Fetch
Erstellen einer Kopie für den Nutzer auf der ohne Beeinflussung der anderen User gearbeitet werden kann. Damit können ETL-Jobs und Tabellen parallel bearbeitet werden.
Check-In
Übertragen aller lokaler Änderungen auf den Servern, damit sie allen anderen Nutzern zur Verfügung stehen
Check-Out
Sperrt die Bearbeitung für alle anderen Nutzer, verhindert Überschreiben und Konflikte bei parallelem Arbeiten.
-
- 1 / 54
-
Flashcards
Data Mining
- Prozess des Auffindens und der Analyse von bbisher unbekannten Mustern, Zusammenhängen und Trends in großen Datenbeständen, um diese Erkenntnisse zum Vorteil des eigenen Unternehmens zu nutzen.
- Umfasst Werkzeuge und Methoden, um neues und bislang unbekanntes Wissen in gespeicherten Daten zu finden.
12 OLAP-Regeln
- Multidimensionale Sicht auf Daten
- Transparenter Datenzugriff
- Freie Verfügbarkeit der Daten (Zugriffsmöglichkeiten)
- Konsistente Performance
- Client-/Server-Architektur
- Verarbeitung von Default-Dimensionen
- Dynamische Belegungsdichte
- Multi-User Unterstützung
- Uneingeschränkte Operationen über alle Dimensionen
- Intuitive Steuerung
- Flexibles Reporting
- Unbegrenzte Dimensionen und Aggregationsstufen
Fakten
- enthalten die Unternehmenskennzahlen, die analysiert werden sollen
- werden auf der untersten Detaillierungsebene (=kleinste Granularität) im Data Warehouse abgelegt
(Inhaltliche Daten)
3 Anwendungsgebiete für Data Mining
- Warenkorbanalyse (Handel)
- Schadensrisiko (Versicherung)
- Investment-Modelle (Finanzmanagement)
Zusammenhang CRM und Data Mining
- DWH (Ideale Basis für Analysen und Reports aller Art)
- Data Mining (wertschöpfende Kernstück im Database Marketing und damit im CRM-Prozess; hier wird Kundenverhalten analysiert und prognostiziert
- Database Marketing (denn die Kunden sind i.d.R. nur durch ihre Daten bekannt)
- CRM (ist die Umsetzung von Vertriebs- bzw. Marketingaktivitäten auf Basis von Ergebnis aus dem Database Marketing)
1 --> 2 --> 3 --> 4
Metadaten
Metadaten enthalten Informationen über Daten, Prozesse, Infrastruktur, Konzepte, Ideen und Anwendungen, aber nicht die Daten selbst.
Anwenderschnittstelle zum DWH
Es gibt technische und fachliche Metadaten.
Datawarehouse-Prozess
Unter Data Warehousing versteht man den Prozess aus operativen Daten, Informationen zu generieren und diese zeitnah, aktuell und anwenderspezifisch zur Verfügung zu stellen.
Schritte
- Datenbeschaffung und -integration(ETL)
- Extraktion der relevanten Daten aus den Quellsystemen
- Transformation und ggf. Datenbereinigung in einem Arbeitsbereich
- Laden in das DWH
- Datenhaltung (langfrstige Speicherung im DWH)
- Versorgung und Datenhaltung der Datamarts (Datamarts sind als separate Datenbestäde für die Analyse notwendig)
- Datenauswertung (durch Analyse der Daten im jeweiligen Datamart bzw. Versorgung nachgelagerter Anwendungssysteme)
Subjektmodellierung
- Wichtigsten Subjekte
- Beziehungen
- Umfasst ganzes Unternehmen
- Branche wird ersichtlich
Dimensionen
sind die logischen Merkmale, unter denen die Fakten betrachtet werden sollen (z.B. Monat, Land, Mitarbeiter, Produkt)
- werden logisch gruppiert und zusammengefasst (z.B. die Merkmale Jahr, Monat, Tag zu der Dimension "Zeit")
- können zusätzliche, beschreibende Merkmale beinhalten (z.B. einen Vornamen)
- Jede Dimension wird in einer eigenen Tabelle abgebildet.
- Hierarchiestufen
Dimensionsmodell
- Kombination von fachlicher (konzeptioneller) und ER-Modellierung, z. B. Entitäten, Attribute, Schlüssel und Relationen
- Der Unterschied zur klassischen ER-Modellierung ist der Grad der Normalisierung
- liefert eine detaillierte, logische Sicht auf die Daten.
- Einteilung in Fakten und Dimensionen:
- welche Informationen zu den gefunden Subjekten sollen analysiert und betrachtet werden (Fakten).
- welche Dimensionen können verwendet werden, um die gewünschten Informationen zu bekommen.
Datawarehouse
Datenpool, der Grundlage der Informationsversorgung im Unternehmen ist.
Die Daten stammen aus den operativen Systemen (ERP-Systeme) oder aus externen Datenquellen (z.B. Markt- und Wettbewerbsinformationen). Aus diesen Daten entstehen dann durch Zusammenführen, Analyse und Aufbereitung die Informationen, die Mitarbeiter im Unternehmen auf allen Ebenen und in allen Fachbereichen benötigen, um sichere faktenbasierende Entscheidungen treffen zu können.
Business Intelligence
bezeichnet den Prozess, der aus fragmentierten inhomogenen Unternehmens-, Markt- und Wettbewerbsdaten Wissen über die eigenen und über fremde Positionen, Potentiale und Perspektiven generiert. (Der Nachrichtendienst des Unternehmens)
Eigenschaften eines Datawarehouse (bzw. Daten)
- Subjekt/Themenorientiert (Kunde, Produkt)
- Integriert (einheitlich)
- Zeitvariant (historisch+aktuelle Daten)
- Beständig innerhalb einer Zeiteinheit (Laden in definierten Intervallen)
Datenqualität
- richtiger Content in den Feldern
- Dublettenbereinigung
- Standardisierung der Datenschreibweise
- Formatprüfung
==> Voraussetzung für aussagekräftige Clusterbildung
Hub-Spoke-Architektur
DWH-Architektur, bei der die zur Verfügung stehenden Datenquellen im DWH aus einzelnen Datenquellen zusammengeführt, bereinigt und historisiert werden. Aus dem konsistenten Datenbestand (Hub) werden i.d.R. dann abteilungsbezogene Datamarts erzeugt.
Subjekte
Wichtige Themenbereiche im Unternehmen über die viele Informationen gesammelt werden (variiert je nach Branche)
Können sein: Personen, Prozesse, Sachen
Star Schema
Um eine zentrale Faktentabelle gruppieren sich mehrere Dimensionstabellen
- Sternenförmige Darstellung des Dimensionsmodells.
- Minimierung der vielen Tabellen im relationalen Modell
- Unterscheidung in Fakten- und Dimensionstabelle
Ziel des Star-Schemas ist nicht die Normalisierung, sondern eine Optimierung auf effiziente Leseoperationen. Beim Star-Schema liegen die Dimensionstabellen deshalb denormalisiert vor.
Zur Herstellung der Beziehung zwischen den Dimensionstabellen und der zugehörigen Fakttabellen werden die Primärschlüssel der Dimensionstabellen in die Fakttabelle als Fremdschlüssel aufgenommen und bilden dort wiederum zusammen den Primärschlüssel der
Fetch
Erstellen einer Kopie für den Nutzer auf der ohne Beeinflussung der anderen User gearbeitet werden kann. Damit können ETL-Jobs und Tabellen parallel bearbeitet werden.
Check-In
Übertragen aller lokaler Änderungen auf den Servern, damit sie allen anderen Nutzern zur Verfügung stehen
Check-Out
Sperrt die Bearbeitung für alle anderen Nutzer, verhindert Überschreiben und Konflikte bei parallelem Arbeiten.
Voraussetzungen für eine ETL-Job-Erstellung
- Quelltabellen (Bestellungen, Kunde) müssen mit Metadaten beschrieben werden
- Zieltabellen (Katalog, Internet) müssen den Metadaten entsprechend angelegt werden
Welche Methoden und Elemente kennen wir aus dem SAS-Studio?
- Source-Tabelle (Quelltabelle)
- Target-Tabelle (Zieltabelle)
- Table-Loader
- Splitter
- SQL-Join
- Sort
OLAP
Schnelle und dynamische Analyse der Daten im DWH.
Beispiel: "Hängt die Kündigung eines Vertrages vom Alter, Einkommen und Familienstand des Kunden ab?"
Eigenschaften des OLAP (8)
- Top-down, abfragegesteuert
- Wiederholtes Testen von Theorien, die vom Benutzer aufgestellt wurden
- Erfordert viel Interaktion zwischen Benutzer und Datenbank
- Benutzer muss eine klare Vorstellung von den Informationen nach denen er sucht haben
- Benutzer ist in ständiger Interaktion mit dem System
- Beantwortet Fragen wie "Ist das richtig?"
- Nachprüfen von Annahmen
- Benutzer muss selber wissen wonach er sucht
Data Mining
Suchen nach bisher unbekannten Zusammenhängen und können somit Informationen entdecken, nach denen man nicht unbedingt bewusst gesucht hat.
Beispiel: "Welche Eigenschaften eines Kunden lassen auf eine bevorstehende Vertragskündigung schließen?"
Es werden Techniken der künstlichen Intelligenz genutzt (Neuronennetzwerke), um versteckte Verbindungen zwischen den Daten herauszuarbeiten.
Eigenschaften des Data Mining (8)
- Bottom-Up, entdeckungsgesteuert
- Benötigt keine Annahmen
- Keine intensive Interaktion zwischen Benutzer und Datenbank erforderlich
- Läuft praktisch automatisch ab (Clustering, Klassifizierung, Regressionen etc.)
BI und Balanced Scorecard
Da das BI der Nachrichtendienst des UN ist, können alle Kennzahlen damit insbesondere nicht finanzielle Kenngrößen über BI-Analysen ermittelt und transparent und arbeitsübergreifend dargestellt werden.
Unternehmensstrategie definiert die BI-Strategie aus Aufgaben und strategischen Zielen der Balanced Scorecard lassen sich die Ziele der BI-Konfigurationen ableiten.
Data Mining umfasst Werkzeuge und Methoden, die dem Entscheidungsträger erlauben, neues und bislang unbekanntes Wissen in gespeicherten Daten zu finden.
- Durch Nutzung von BI auf Basis von OLAP wird die Navigation innerhalb multidimensionaler Datenbestände ermöglicht.
- Es werden Operationen angeboten, die eine Navigation in verschiedenen Dimensionen und auf verschiedenen Aggregationsniveaus erlauben, sodass individuelle Sichten auf die kompletten Datenbestände ermöglicht werden.
- Ermöglicht die gleichzeitige Betrachtung mehrerer Kenngrößen, um so eine ausgewogene Führung zu ermöglichen. Über geeignete BI-Anzeigewerkzeuge können ganze Dashboards entwickelt werden, welche umfassend über das Geschehen im Unternehmen Aufschluss geben.
Subjektmodell - Marketing
- Kampagne
- Image
- Marke
- Event
- Medium
- Region
- Kunde
- Interessen
- Produkt
- Zielgruppe
Technische Metadaten
Sie beschreiben die physische Natur der Daten und wie die Daten erstellt sowie verwaltet werden (z.B. Speicherort, Struktur, Format, Erzeugungsdatum,…).
Fachliche Metadaten
Sie stellen die eigentlich beschreibenden Daten dar und vereinfachen das Verständnis und den Gebrauch von Daten und Anwendungen (z.B. Fachliche Regeln, Darstellungsformat, Zweck der Daten in einer Tabelle, Beschreibung der Fachsprache etc.).
Es werden die Fragen nach dem WARUM beantwortet. Solche Metadaten werden von Anwendern gepflegt.
Dicing
Bildung von Unterwürfeln mit allen Dimensionen
Slicing
Betrachten einer bestimmten Einheit einer Dimension, z.B. alle Produkte von einer Region im gesamten Zeitraum
Data Mart
Ein Data Mart ist ein Data Warehouse für einen einzelnen Unternehmensbereich bzw. eine Abteilung.
Eine weitere Abgrenzung sind persönliche Data Marts. Sie beziehen sich auf sehr kleine Anwendergruppen, sind Einzelanalysen und ihre Kontrolle sowie Verwaltung ist weniger streng.
Vorteile/Nachteile von Data Marts
Vorteile sind hierbei der höhere direkte Nutzen und die geringeren Kosten.
Nachteilig ist allerdings die Zerstückelung der Daten, wodurch Redundanzen auftreten. Zudem gibt es keine einheitlichen Qualitätsstandards, Inkonsistenzen, Wartungsprobleme und langfristigen Kosten.
Normalisierung
Aufteilung der Daten in Relationen (=Tabellen) entsprechend den Normalisierungsregeln
ETL-Prozess
Vorgang der regelmäßigen Aktualisierung der Daten eines DWHs.
Schritte
- Extract der Daten aus den Quellsystemen
- Transform Konsistenz überprüfen, ggf. anpassen
- Load in die Datenbank des DWH, Einarbeitung in OLAP-Würfel
Wie unterstützt BI moderne Management Konzepte?
Das BI unterstützt moderne Managementkonzepte dadurch, dass die Entscheidungsträger mit den richtigen Informationen zum richtigen Zeitpunkt versorgt werden. Dadurch können Entscheidungen auf fundierten Erkenntnissen getroffen werden.
Konzept der BSC
= Ausgewogener Berichtsbogen
- Nicht nur finanzielle Kennzahlen
- Kennzahlen in anderen Perspektiven
- Beispiel (4 Perspektiven)
- Finanzperspektive
- Kundenperspektive
- Informationsperspektive
- Lern- und Wachstumsperspektive
- Bestandteile
- Zielwerte
- Kennzahlen
- Maßnahmen
OLTP vs OLAP
Dem OLAP-Ansatz steht der traditionelle, operative OLTP-Ansatz („Online Transaction Processing“) gegenüber, wie er im relationalen Datenbankkonzept zum Ausdruck kommt. Beide Ansätze unterscheiden sich gravierend: Bei OLTP wiederholen sich die Datenbankprozesse ständig, sind strukturiert und bestehen aus isolierten, atomaren Transaktionen. Diese arbeiten mit aktuellsten Daten und greifen lesend sowie schreibend meist nur auf wenige Datensätze über Primärschlüssel zu. Bei OLAP hingegen steht die historische, aggregierte Information im Vordergrund. Die Analysen bestehen aus komplexen Abfragen, der Zugriff erfolgt meist nur lesend. Die Tabelle fasst die wichtigsten Unterschiede schlagwortartig zusammen.
SAS Studio
In einem System sind die zwei Quelltabellen BESTELLUNGEN(Kd-ID, Bestellnummer, Artikel, Bestellmenge, Bestellweg) und KUNDE(Kd-ID, Name, Vorname) gegeben. Im Rahmen der Datentransformation sollen die Zieltabellen KATALOG und INTERNET mit den Bestellungen des jeweiligen Bestellweges gefüllt werden. Die Daten sind nach Kundennamen zu sortieren.
Erstellen Sie eine Job Beschreibung für den entsprechenden Prozess.
Siehe Bild
