Business Intelligence

− Welche Artikel drehen besonders schnell? Wie hoch ist meine
Shopper/Buyer Quote – Conversion Rate?
− Welche Artikel sollten im Bestand reduziert bzw. erhöht werden?
− Wie hoch sind meine Lagerkosten je Artikel bzw. Artikelgruppe?
− Wie liefertreu ist welcher Lieferant?
− Wie stellt sich die eigene Liefertreue gegenüber den Kunden dar?
− Wie hoch ist das gebundene Lagerkapital?
− Wie viele Reklamationen je Artikel und Lieferant entstehen innerhalb
eines betrachteten Zeitraums?
− Wie hoch ist meine durchschnittliche Out-of-Shelve Quote? Wann
entstehen Spitzen? Wo sind die Enpässe?
− Wie hoch ist der monatliche Verlust durch Abschriften (bsp Frische)?

− Wie sind meine Mitarbeiter oder Maschinen ausgelastet?
− Wie viele Fehler entstehen an welchen Maschinen/ Arbeitsplätzen?
− Wie ist die Entwicklung der Fehlerhäufigkeit im zeitlichen Ablauf?
− Wo sind die kritischen Engpässe und welche Auswirkungen auf den
Umsatz haben diese?
− Wie lässt sich ein Lieferengpass umgehend lösen?

Grafik

Strategisches, taktisches und operationales Business
Intelligence

Siehe Grafik

«Data  Warehouses  (DWHs)  sind  von  den  operativen  Datenbeständen  getrennte,  logisch
zentralisierte, dispositive Datenhaltungssysteme. Idealtypisch dienen sie als unternehmensweit
einheitliche  und  konsistente  Datenbasis  für  alle  Arten  von  Managementunterstützungssystemen
(Mucksch/Behme 2000, S. 6; Gabriel et. al. 2000, S. 76).»
 
«Der Begriff Data Warehouse wurde wesentlich von William H.
Inmon geprägt. Danach ist ein Data-Warehouse-System durch die
Merkmale der Themenorientierung, der Integration, des Zeitraumbezugs
und der Nicht-Volatilität charakterisiert (Inmon 2005,
S. 29 ff.).»

Der größte Teil an Daten, die im Unternehmen anfallen, entsteht intern, das heißt in den operativen Systemen. Diese im Tagesgeschäft erzeugten, operativen Unternehmensdaten sind in der Regel auf die Steuerung und Überwachung des Unternehmens ausgerichtet.

Operative Daten sind meist transaktionsorientiert und werden oft von Administrations- und Abrechnungssystemen generiert. Dazu gehören beispielsweise Daten, wie sie Warenwirtschaftssysteme, Buchhaltungsprogramme oder ERP-Systeme wie SAP erzeugen. Auch Auskunfts- und Bestellsysteme liefern operative Daten.

Solche tagesaktuellen Daten können eine strategische und operative Entscheidungsfindung kaum unterstützen. Hierfür müssten die Daten beispielsweise langfristig gespeichert werden, um Trends zu erkennen und Prognosen zu erstellen. Auch müssen unterschiedliche Komplexitätsstufen abgedeckt werden. All dies können die IT-Systeme in den Unternehmen nicht leisten.

Operative Daten müssen deshalb in einem ersten Schritt aufbereitet und in längerfristig gespeicherte Daten, so genannten dispositive Daten, überführt werden. Diese Daten stellen dann mehr oder weniger direkt Informationen für das Management bereit.

Oft handelt es sich bei dispositiven Daten um verdichtete, bereits transformierte und hoch aggregierte Daten. Sie können vom Management direkt als entscheidungsunterstützende Daten für unterschiedlichste Analyse-, Kontroll- und Steuerungszwecke eingesetzt werden. Die Tabelle fasst einige typische Merkmale operativer und dispositiver Daten zusammen.

Quelle: http://www.tecchannel.de

1. Unabhängig zwischen Datenquellen und Analysesystemen (bzgl. Verfügbarkeit, Belastund, laufender Änderungen)
2. Historisierung
3. Dauerhafte Bereitstellung integrierter und abgeleiteter Daten (Persistenz)
4. Mehrfachverwendbarkeit der bereitgestellten Daten
5. Möglichkeit der Durchführung prinzipiell beliebiger Auswertungen
6. Unterstützung individueller Sichten (z.B. bzgl. Zeithorizont, Struktur)
7. Erweiterbarkeit (z.B. Integration neuer Quelle)
8. Automatisierung der Abläufe -> insb. ETL
9. Eindeutigkeit über Datenstrukturen, Zugriffsberechtigungen und Prozesse
10. Ausrichtung am Zweck: Analyse der Daten

« Abteilungsdatenbank; physikalisch getrennter Auszug aus einem Data Warehouse,
dessen Datenbestand einer Fachabteilung für ihre spezifischen Auswertungen (z.B.
durch OLAP- oder Data Mining-Werkzeuge) zur Verfügung steht.»
http://wirtschaftslexikon.gabler.de/Archiv/75479/data-mart-v7.html

« Data Marts sind kleinere Datenpools für eine Klasse von Applikationen,
die üblicherweise für einen eingeschränkten Benutzerkreis
aufgebaut werden. Ihre Daten werden in aller Regel mit
Hilfe weiterer Transformationsprozesse aus dem Core Data
Warehouse extrahiert.»

Siehe Tabelle

«Eine Architektur beschreibt die grundlegende Struktur eines Systems mit seinen Elementen,
den Beziehungen zwischen diesen Elementen sowie den Beziehungen des Systems zur
Umwelt (ISO 2000). Darüber hinaus sollten auch Prinzipien für die Konstruktion, Weiterentwicklung
und Nutzung des Systems beschrieben werden (IEEE 2000). Eine Architektur unterscheidet sich
von anderen Ansätzen (z. B. der unternehmensweiten Datenmodellierung) zum einen durch eine
ganzheitliche Sicht auf ein System, was die Breite der betrachteten Elemente angeht. Zum anderen
unterscheidet sie sich durch die Beschränkung auf aggregierte Elemente und Beziehungen, was
den Grad der Detaillierung angeht.»

1. Unabhängige Data Marts
2. Mehrere C-DWHs (Core Data Warehouse)
3. abgestimmte Datenmodelle
4. C-DWH und abhängige Data Marrts
5. Zentrales C-DWH
6. DWH-Architektur-Mix

1. Vordefinierte Berichte
2. Funktionales Data Warehouse
3. Unternehmensweites Data Warehouse
4. Erweiterte Analyse
5. Aktive Wissenverarbeitung

Ein Operational Data Store beinhaltet aktuelle transaktionsorientierte
Daten aus verschiedenen operativen Quellsystemen und
stellt sie für Anwendungs- und Auswertungszwecke bereit. Die
Daten werden hierbei jedoch nicht längerfristig historisiert, sondern
– in Analogie zur operativen Datenhaltung – im Bedarfsfalle
durch neue Transaktionen überschrieben 

Bild

Grafik

ETL steht für Extrahieren (herausfiltern), Transformieren (homogenisieren) und Laden (einfügen in Data Warehouse) von Daten aus
einem oder mehreren Quellsystemen in einen Zieldatenbestand inkl.
Data Cleansing. ETL-Systeme bilden beim Data Warehousing die
Datenschnittstelle zwischen operativen / externen Datenbeständen
und Data Warehouse / Data Marts. 

1. Filterung
2. Harmonisierung
3. Aggregation
4. Anreicherung

o        Klasse 1 syntaktisch: bewirkt durch interne Format-, Steuer- oder Sonderzeichen – werden über Zuordnungstabellen bearbeitet

o        Klasse 1 semantisch: fehlende IST-Werte werden durch vorher festgelegte äquivalente Werte ersetzt

o        Klasse 2 syntaktisch: neue Syntaxvarianten müssen durch technische Spezialisten manuelle berichtigt werden und können nachfolgend automatisiert werden und werden somit zu Mängeln der Klasse 1

o        Klasse 2 semantisch: Fehler in den operativen Datenquellen werden durch Plausibilitätskontrollen erkannt und bedürfen kurz- oder mittelfristiger Korrekturmaßnahmen in den betroffenen operativen Quellsystemen

o        Klasse 3 syntaktisch: keine

o        Klasse 3 semantisch: unkorrekte Datenwerte in den extrahierten Daten werden nur durch betriebswirtschaftliche Fachexperten erkannt und bedürfen kurz- oder mittelfristiger Korrekturmaßnahmen in den betroffenen operativen Quellsystemen und bis zur Korrekturimplementierung Berichtigung der semantischen Fehler in der Filterungsschicht des DWH

1. Kodierung
2. Synonyme
3. Homonyme

Die beiden folgenden Schritte der Aggregation und Anreicherung fassen Daten themenspezifisch zusammen und erweitern sie um betriebswirtschaftliche Kennzahlen. Die so erzeugten und ins Data Warehouse geladenen Daten erhalten damit bereits eine bestimmte Ausrichtung auf die Bedürfnisse einzelner Nutzergruppen und Analysezwecke.

Aggregation: Verdichtung (zusammenfassen) der gefilterten und harmonisierten Daten

Anreicherung: Berechnung und Speicherung betriebswirtschaftlicher Kennzahlen

Betrachtung aus mehreren Perspektiven...

«OLTP (Online Transaction Processing) befasst sich mit dem massiv parallelen Onlinezugriff einer Vielzahl von
Nutzern und Anwendungen auf einen Datenbestand und bringt damit die Anforderung
mit sich, dass Resultate schnell zur Verfügung stehen müssen. Dies unterscheidet sie von Batch-
Transaktionen, die ohne direkte Involvierung eines Benutzers Aufgaben auf einem Rechner
erledigen und deshalb weniger zeitkritisch sind. Während also bei OLTP der zeitkritische
Zugriff auf aktuelle Datenbestände im Vordergrund steht, widmet sich das
Online Analytical Processing (OLAP) im Wesentlichen der intelligenten und
zielgerichteten Aufbereitung und Auswertung von über einem längeren Zeitraum
angesammelten Daten.»

«On-Line Analytical Processing repräsentiert eine Software-Technologie, die Managern wie auch
qualifizierten Mitarbeitern aus den Fachabteilungen schnelle, interaktive und vielfältige
Zugriffe auf relevante und konsistente Informationen ermöglichen soll [Gluchowski,
Gabriel, Dittmar 2008, S. 144]. -> schnelle, flexible Analyse, die keine Programmier-Kenntnisse erfordert (Für Endbenutzer)

Im Vordergrund stehen dabei dynamische und
multidimensionale Analysen auf historischen, konsolidierten Datenbeständen
[Franconi et al. 2000, S. 88]. Durch die gewählte Begrifflichkeit werden OLAP-Systeme bewusst von
OLTP-Systemen abgegrenzt, die transaktionsorientiert die Abwicklung der operativen
Geschäftstätigkeit unterstützen

Tabelle

Fast: Abfragen sollen durchschnittlich fünf Sekunden dauern dürfen. Dabei sollen einfache Abfragen nicht länger als eine Sekunde und nur wenige, komplexere Abfragen bis zu 20Sekunden Verarbeitungszeit beanspruchen.

Analysis: Ein OLAP-System soll jegliche benötigte Logik bewältigen können. Dabei soll die Definition einer komplexeren Analyseabfrage durch den Anwender mit wenig Programmieraufwand zu realisieren sein.

Shared: Ein OLAP-System soll für den Mehrbenutzerbetrieb ausgelegt sein. Dies bedingt eine Verfügbarkeit geeigneter Zugriffsschutzmechanismen.

Multidimensional: Als Hauptkriterium fordern Pendse und Creeth eine mehrdimensionale Strukturierung der Daten mit voller Unterstützung der Dimensionshierarchien.

Information: Bei der Analyse sollen einem Anwender alle benötigten Daten transparent zur Verfügung stehen. Eine Analyse darf nicht durch Beschränkungen des OLAP-Systems beeinflusst werden.

1. − Multidimensionale, konzeptionelle Sicht
2. − Transparenz
3. − Zugriffsmöglichkeit
4. − Performanz
5. − Skalierbarkeit
6. − Generische Dimensionalität
7. − Dynamische Handhabung dünnbesetzter multidimensionaler Strukturen
8. − Mehrbenutzerbetrieb
9. − Uneingeschränkte Operationen
10. − Intuitive Benutzeroberfläche
11. − Flexibles Reporting
12. − Beliebig viele Dimensionen und Aggregationsebenen

1. Drill Down
2. Roll Up
3. Drehen / Pivotierung
4. Slice
5. Selection
6. Dice
7. Join

Beim Drill Down steigt man von einem bestimmten Aggregationsniveau auf die jeweils nächsttiefere und detailliertere Verdichtungsstufe. Diese Operation bewirkt eine genauere Darstellung der Daten. Es muss jedoch bereits bei der Modellierung des Data Warehouses überlegt werden, bis zu welchen Detaillierungsgrad die Daten vorhanden sein sollen.

Die inverse Operation zum „Drill Down“ ist das Roll Up. Beim Roll-Up werden alle Einzelwerte zu einem weiter oben liegenden Hierarchieattribut verdichtet. Dadurch verringert sich der Detaillierungsgrad. In der Abbildung ist ein „Roll Up“ im rechten Bild dargestellt.

Unter Pivotierung versteht man das Rotieren des Würfels um die eigene Achse, so dass eine andere Kombiniation von zwei Dimensionen sichtbar wird. Somit erhält der Benutzer durch die Rotation unterschiedliche Sichten auf den betrachteten Datenwürfel.

Wichtige spezielle Selektionsoperatoren sind „Slice“ und „Dice“. Der Slice-Operator entspricht bei einem dreidimensionalen Hypercube dem Herausschneiden einer Scheibe aus dem Würfel. Das Ergebnis ist dann eine zweidimensionale Matrix.

Ein „Dice“ ist ein kleiner, mehrdimensionaler Ausschnitt eines Hypercubes (Teilwürfel). Dabei werden mehrere Dimensionen jeweils durch eine Menge von Dimensionselementen eingeschränkt. Das Ergebnis ist ein neuer, mehrdimensionaler Datenraum, der extrahiert und weiter verarbeitet werden kann.

2 Cubes addieren = neuer Cube

Das Sternschema ist eine besondere Form eines Datenmodells, dessen Ziel nicht die Normalisierung ist, sondern eine Optimierung auf effiziente Leseoperationen. Hauptanwendungsfeld sind Data-Warehouse und OLAP-Anwendungen.

Zentrale Faktentabelle (n:1 Beziehung, wo, was, wann, wer, viele Redundanzen)

Siehe Bild

Vorteile
• schnelles Abfrageverhalten durch Verzicht auf Normalisierung  
• Datenvolumen: Dimensionstabellen sind im Vergleich zu Faktentabellen sehr klein.
Das zusätzliche Datenvolumen durch eine Denormalisierung der Dimensionstabelle
muss nicht beachtet werden.
• Änderungsanomalien können leicht kontrolliert werden, da kaum Änderungen an
Klassifikationen stattfinden.
• einfaches, intuitives Datenmodell
• Verständlichkeit & Nachvollziehbarkeit: eine Modernisierung des Berichtswesens ist
durch das Sternschema möglich.

Nachteile
• Verschlechtertes Antwortzeitverhalten bei häufigen Abfragen sehr großer
Dimensionstabellen  
• Redundanz innerhalb einer Dimensionstabelle durch das mehrfache Speichern
identischer Werte bzw. Fakten.
• Aggregationsbildung ist schwierig