Business Intelligence

Aufteilung der Daten in Relationen (=Tabellen) entsprechend den Normalisierungsregeln

Vorgang der regelmäßigen Aktualisierung der Daten eines DWHs.

Schritte

1. Extract der Daten aus den Quellsystemen
2. Transform Konsistenz überprüfen, ggf. anpassen
3. Load in die Datenbank des DWH, Einarbeitung in OLAP-Würfel

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.

= Ausgewogener Berichtsbogen

• Nicht nur finanzielle Kennzahlen
• Kennzahlen in anderen Perspektiven
• Beispiel (4 Perspektiven)
  • Finanzperspektive
  • Kundenperspektive
  • Informationsperspektive
  • Lern- und Wachstumsperspektive
• Bestandteile
  • Zielwerte
  • Kennzahlen
  • Maßnahmen

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.

Siehe Bild

• enthält von allen Dimensionen die unterste Stufe
• Damit können alle weiteren Würfel ausgerechnet werden

Direkter Zugriff auf die operativen Systeme oder einem Extrakt davon

• Nachteile: Datenqualität ist unsicher, Performance
• kein richtiges DWH --> keine historischen Daten

• "m x n"-Extraktionsschnittstellenproblem

Nachteile

• isolierte Daten
• Inkonsistenz
• teure, redundate Speicherung
• Wartungsprobleme

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

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

• 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

siehe Bild

1. Berater
2. Zweigstelle
3. Kunde
4. Produkt
5. Konto
6. Kontonummer
7. Provision
8. Gehalt
9. Hauptsitz
10. Kapitalanlagen

1. Makler
2. Makler Agent
3. Provision
4. Angebot
5. Kunde
6. Policen/Vertrag
7. Prämie
8. Schaden
9. Schadensanspruch
10. Risikokategorie

1. Vertriebmitarbeiter
2. Kunde
3. Vertrag
4. Lieferung
5. Automarke/typ/hersteller

• 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.

• Unstrukturierte Daten
• Kein Überblick über die Daten
• Fehlende Daten
• Fehlende Ziele
• Fehlender Überblick
• Mehr Kundenorientierung

Siehe Bild

• 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

1. Multidimensionale Sicht auf Daten
2. Transparenter Datenzugriff
3. Freie Verfügbarkeit der Daten (Zugriffsmöglichkeiten)
4. Konsistente Performance
5. Client-/Server-Architektur
6. Verarbeitung von Default-Dimensionen
7. Dynamische Belegungsdichte
8. Multi-User Unterstützung
9. Uneingeschränkte Operationen über alle Dimensionen
10. Intuitive Steuerung
11. Flexibles Reporting
12. Unbegrenzte Dimensionen und Aggregationsstufen

• enthalten die Unternehmenskennzahlen, die analysiert werden sollen
• werden auf der untersten Detaillierungsebene (=kleinste Granularität) im Data Warehouse abgelegt

(Inhaltliche Daten)

• Warenkorbanalyse (Handel)
• Schadensrisiko (Versicherung)
• Investment-Modelle (Finanzmanagement)

1. DWH (Ideale Basis für Analysen und Reports aller Art)
2. Data Mining (wertschöpfende Kernstück im Database Marketing und damit im CRM-Prozess; hier wird Kundenverhalten analysiert und prognostiziert
3. Database Marketing (denn die Kunden sind i.d.R. nur durch ihre Daten bekannt)
4. CRM (ist die Umsetzung von Vertriebs- bzw. Marketingaktivitäten auf Basis von Ergebnis aus dem Database Marketing)

1 --> 2 --> 3 --> 4

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.

Unter Data Warehousing versteht man den Prozess aus operativen Daten, Informationen zu generieren und diese zeitnah, aktuell und anwenderspezifisch zur Verfügung zu stellen.

Schritte

1. Datenbeschaffung und -integration(ETL)
   • Extraktion der relevanten Daten aus den Quellsystemen
   • Transformation und ggf. Datenbereinigung in einem Arbeitsbereich
   • Laden in das DWH
2. Datenhaltung (langfrstige Speicherung im DWH)
3. Versorgung und Datenhaltung der Datamarts (Datamarts sind als separate Datenbestäde für die Analyse notwendig)
4. Datenauswertung (durch Analyse der Daten im jeweiligen Datamart bzw. Versorgung nachgelagerter Anwendungssysteme)

• Wichtigsten Subjekte
• Beziehungen
• Umfasst ganzes Unternehmen
• Branche wird ersichtlich

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

• 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.

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.

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)

• Subjekt/Themenorientiert (Kunde, Produkt)
• Integriert (einheitlich)
• Zeitvariant (historisch+aktuelle Daten)
• Beständig innerhalb einer Zeiteinheit (Laden in definierten Intervallen)

• richtiger Content in den Feldern
• Dublettenbereinigung
• Standardisierung der Datenschreibweise
• Formatprüfung

==> Voraussetzung für aussagekräftige Clusterbildung

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.

Wichtige Themenbereiche im Unternehmen über die viele Informationen gesammelt werden (variiert je nach Branche)

Können sein: Personen, Prozesse, Sachen

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

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.

Übertragen aller lokaler Änderungen auf den Servern, damit sie allen anderen Nutzern zur Verfügung stehen

Sperrt die Bearbeitung für alle anderen Nutzer, verhindert Überschreiben und Konflikte bei parallelem Arbeiten.