Business Intelligence
BI Theorie
BI Theorie
Wie sieht eine Referenzarchitektur eines Enterprise DWH-Systems aus? (Skizze)
Frontend: OLAP Analysen
Output / Layer: Aggregationen, Planung, Forecast, OLAP Würfel
Data, Storage Layer: Data Warehouse
Integration Layer: ETL
Quellsysteme: Administrations- und Dispositionssysteme, externe Daten, Internet
BI Umsetzung:
Ausgleich zwischen Wirtschaftlichkeit und Wirksamkeit?
BI-Fehlentwicklungen in der Praxis:
- Strategisches Wirksamkeitsdefizit: Unzureichende Ausnutzung des BI-Potenzials
- Strategische Insufizienz: völlige Fehleinschätzung des gesamten Komplexes
BI-Strategie Rahmenkonzept?
Bild
Welche Verbesserungen könnte die strategische Integration vereinfachen?
- BI Governance Committee
- BI Competence Center
5 Phasen der Strategieentwicklung?
- Definition
- Analyse
- Bewertung
- Konzeption
- Massnahmen
Wie sieht eine allgemeine Vorgehensweise zur Entwicklung einer BI-Strategie aus?
Bild
Ansätze zur Ableitung der BI-Strategie?
- Ableitung der BI-Strategie aus dem strategischen Unternehmensrahmen
- Ableitungen der BI-Strategie aus den Informationsbedürfnissen (Information von Marketing, Controlling, etc. holen)
- Orientierung an Reifegradmodellen (wenn Unternehmen bereits gut organisiert ist, gute Prozesse hat, dann will es weiter in der Zukunft...)
Welche Schritte beinhaltet die Phase Analyse bei der BI-Strategieentwicklung?
- Informationsbedarfsanalyse aus Unternehmenszielen
- Ableitung von BI-Strategieelementen aus den Unternehmenszielen
- Darstellung des Informationsbedarfs
- Kennzahlen-Dimensions-Matrix
- Analyse der Architektur
- Einordnung der Anwendungssysteme
Welche Schritte beinhaltet die Phase Bewertung bei der BI-Strategieentwicklung?
- Bewertung der Architektur und Technologie
- Organisatorische Bewertung
- Beispiel für SWOT Analyse
Welche Schritte beinhaltet die Phase Konzept bei der BI-Strategieentwicklung?
- Zielarchitektur: Output-, Application-, EDW-, Source-Layer
- Nutzwertanalyse
- Kostentreiber: Endandwender, Anwendung, Infrastruktur, Daten
Welche Schritte beinhaltet die Phase Umsetzung bei der BI-Strategieentwicklung?
- BI-Projektportfolio
- Projektorganisation
- Risikobetrachtung
- Controlling
Phase Umsetzung:
Was ist ein BI-Projektportfolio?
• Das BI-Portfolio beinhaltet alle Projekte, die im Rahmen der BI-
Strategie (und später im Rahmen der laufenden Weiterentwicklung)
durchgeführt werden sollen
• Es kennzeichnet Abhängigkeiten zwischen den einzelnen Projekten,
beschreibt aber auch die Spezifika der einzelnen Projekte
• Folgende Punkte sollten in einer Projektbeschreibung enthalten sein:
- • Inhaltlicher Schwerpunkt des Projektes (z.B. „Neues Vertriebsreporting“, „Redesign ETL-Prozesse“)
- • Dringlichkeit/Priorität (Abgeleitet aus Strategieprozess: 1 – „sehr niedrig“ bis 5 „unternehmenskritisch“)
- • Investitionshöhe (Bildung von Investitionsklassen: z.B. von 1 – „sehr gering“ (Budget <10 Tsd. Euro) bis zu 5 – „sehr hoch“ (200- 500 Tsd. Euro))
- • Nutzen (z.B. von 1 – „praktisch keiner“ bis zu 5 – „sehr hoch“, zusätzlich kurze textuelle Beschreibung worin der Nutzen besteht)
Unterschieden werden im BI-Projektportfolio fünf Arten von Projekten,
wobei nicht
in jedem Portfolio alle Arten vorhanden sein müssen
- • BI-Strategieprojekt: Entwicklung oder Anpassung einer BI-Strategie
- • BI-Organisationsprojekt: Veränderung der von BI „betroffenen“ Unternehmensbereiche oder Einführung neuer Unternehmensbereiche (z.B. BICC)
- • Fachprojekt: Konzeptionelle Arbeiten wie z.B. Kennzahlendefinitionen, Steuerungskonzeption, etc.
- • IT-Projekt: Nicht direkt sichtbare Änderungen in Steuerung oder Business-Intelligence Systemen wie z.B. Hardwaremodernisierung, Software-Updates, etc.
- • BI-Projekt (im klassischen Sinne): Einführung eines Reporting Konzepts und/oder Reporting-Systems, Datenqualitätsinitiativen, etc.
Was bedeutet BICC?
«Ein Business Intelligence Competency Center (BICC) ist eine
Organisationsform, die Verantwortlichkeiten und Aufgaben
wahrnimmt und entsprechende Rollen und Prozesse durch ein
interdisziplinäres Team ausfüllt, um den effektiven Einsatz von
Business Intelligence in Unternehmen zu fördern.»
Dies erfolgt durch:
• Standardisierung und Organisation
• Unterstützung der BI-Strategie
• Portfoliomanagement
• Weiterbildung und Beratung
• Projektunterstützung
Einflussfaktoren und Gestaltungselemente eines BI Competence Center?
Bild
Welche sind die Funktionen eines BICC?
- BI-Management
- BI-Unterstützung
- BI-Architektur
- BI-Umsetzung
Welche sind die Rollen eines BICC?
- Kernrollen
- zusätzliche Rollen
Wo gibt es Überschneidungen von Verantwortungsbereich bei den Rollen im BICC?
Bild
Aufbauorganisation: Welche 3 Organisationsformen gibt es bei BICC und was sind die Vor- und Nachteile?
- Linie
- Stabstelle
- Matrix
Vor- und Nachteile siehe Grafik
Aufbauorganisation: Welche Organisationsform suchen wir hier und was sind die Vor- und Nachteile?
Zentrales BICC
Vor- und Nachteile siehe Grafik
Aufbauorganisation: Welche Organisationsform suchen wir hier und was sind die Vor- und Nachteile?
Externes BICC
Vor- und Nachteile siehe Grafik
Definition Business Intelligence?
Sammelbegriff für den IT-gestützten Zugriff auf Informationen sowie die IT-gestützte
Analyse und Aufbereitung dieser Informationen.
Ziel dieses Prozesses ist es, aus dem im Unternehmen vorhandenen Wissen neues
Wissen zu generieren.
Bei diesem neu gewonnen Wissen soll es sich um relevantes, handlungsorientiertes
Wissen handeln, welches Managemententscheidungen zur Steuerung des
Unternehmens unterstützt.
Horizontale und vertikale Integration betrieblicher
Anwendungssysteme?
Siehe Bild
Groborientierung am Kimball Lifecycle Modell?
Siehe Modell
Methodik zur Implementierung eines DWHs.
Warum braucht es Business Intelligence?
- Zentrale Informationsverfügbarkeit (Single Source of Truth)
- Beherrschung der Datenmengen und Komplexität
- Zeitgerechte Informationsverfügbarkeit
- Erleichterung strategischer Entscheidungen
- Fundierte Möglichkeit den Status Quo Ihrer Organisation zu prüfen
- Effektive Steuerung des Unternehmens
- High Resolution Management
Beispiele bei Vertriebs-/Finanzkennzahlen?
− Welche Kunden zahlen in welchen Zeiträumen?
− Gibt es Kundengruppen mit auffälligem Zahlungsverhalten?
− Wie viele Rechnungen werden beanstandet – von welchen Kunden? Wie verbessere
ich diese Situation?
− Welche Reklamationsgründe kommen wie häufig vor, auf welche Artikel beziehen sie
sich?
− Welche Artikel sind die größten Umsatzbringer, welche sorgen für Stückzahlen, welche
haben den besten Gesamtdeckungsbeitrag?
− Welche Artikel verursachen die höchsten Kosten?
− Wie hoch ist der Umsatz bestimmter Zeiträume?
− Welchen Forecast haben wir für einen bestimmten Zeitraum?
− Welche Kunden/Kundengruppen kaufen wann, wie viel, besonders häufig, was?
− Wie erfolgreich sind bestimmte Werbeaktionen?
Beispiele im Projektmanagement?
− Wie hoch ist mein Wareneinsatz im einzelnen Projekt bzw. über eine
Anzahl von Projekt hinweg?
− Wie hoch ist mein Ressourceneinsatz im konkreten Projekt bzw.
typischerweise?
− Werden Meilensteine eingehalten bzw. kommt es zu Über-
/Unterschreitungen und welches Ausmaß nehmen diese Abweichungen
an?
− Wie steht es um meine Budgettreue?
− Wo entstehen immer wieder Liegezeiten und Verzögerungen?
− Wo steht mein Unternehmen im Vergleich zu Mitbewerbern?
Beispiele im Bereich Logistik / Material?
− 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)?
Beispiele in der Produktion?
− 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?
Umfang von BI?
Grafik
Welche 3 Arten von BI gibt es?
Strategisches, taktisches und operationales Business
Intelligence
Ordnungsrahmen von BI?
Siehe Grafik
Was ist Data Warehouse?
«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.).»
Unterschied zwischen Operative und Dispositive Daten?
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
Was sind die Anforderungen des Data Warehouse?
- Unabhängig zwischen Datenquellen und Analysesystemen (bzgl. Verfügbarkeit, Belastund, laufender Änderungen)
- Historisierung
- Dauerhafte Bereitstellung integrierter und abgeleiteter Daten (Persistenz)
- Mehrfachverwendbarkeit der bereitgestellten Daten
- Möglichkeit der Durchführung prinzipiell beliebiger Auswertungen
- Unterstützung individueller Sichten (z.B. bzgl. Zeithorizont, Struktur)
- Erweiterbarkeit (z.B. Integration neuer Quelle)
- Automatisierung der Abläufe -> insb. ETL
- Eindeutigkeit über Datenstrukturen, Zugriffsberechtigungen und Prozesse
- Ausrichtung am Zweck: Analyse der Daten
Was ist Data Mart?
« 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.»
Unterschied zwischen Data Mart und Data Warehouse?
Siehe Tabelle
Was ist eine Architektur?
«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.»
Welche 6 Architekturvarianten gibt es im Bereich Data Warehouse / Data Mart?
- Unabhängige Data Marts
- Mehrere C-DWHs (Core Data Warehouse)
- abgestimmte Datenmodelle
- C-DWH und abhängige Data Marrts
- Zentrales C-DWH
- DWH-Architektur-Mix
Nenne die 5 Integrationsstufen bei BI?
- Vordefinierte Berichte
- Funktionales Data Warehouse
- Unternehmensweites Data Warehouse
- Erweiterte Analyse
- Aktive Wissenverarbeitung
Was ist ein Operational Data Store?
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
-
- 1 / 99
-
Cartes-fiches
Logische Modellierung: Was ist ein Snowflake Schema?
Das Schneeflockenschema ist eine Weiterführung des Sternschemas, das beim OLAP und Data-Warehousing eingesetzt wird.
Beim Sternschema liegen die Dimensionstabellen denormalisiert vor, was eine bessere Verarbeitungsgeschwindigkeit zu Lasten der Datenintegrität und des Speicherplatzes mit sich bringt. Im Gegensatz dazu werden beim Schneeflockenschema die einzelnen Dimensionstabellen verfeinert, indem sie klassifiziert oder normalisiert werden. Durch diese Weiterverzweigung des Datenmodells entsteht die Form einer Schneeflocke, woher die Bezeichnung dieses Entwurfsmusters stammt.
Bedingt durch diese feinere Strukturierung sind die Daten zwar weniger redundant als in einem Sternschema, es sind jedoch für Abfragen eventuell zusätzliche Join-Operationen notwendig. Ein Schneeflockenschema führt also zu kleineren und besser strukturierten Datenmengen, die aber komplexere Zusammenhänge haben und damit unter Umständen zu längeren Lade- oder Abfragezeiten führen.
--> Verhindert Redundanz, aber dafür komplexere Modellierung
Was sind die Vor- und Nachteile eines Snowflake Schemas?
Vorteil
• geringerer Speicherplatzverbrauch, in Dimensionentabellen sind durch
Normalisierung keine redundanten Daten enthalten
• häufige Abfragen über sehr große Dimensionstabellen erbringen
Zeitersparnis und Geschwindigkeitsvorteil.
Nachteile
• Geschwindigkeitsnachteil, bedingt durch zusätzliche Verbunde bei den
Dimensionstabellen
• Komplexere Strukturierung
• Mehrstufige Dimensionstabellen müssen über Join-Abfragen verknüpft
werden
• größere Tabellenanzahl
• Reorganisationsproblem: Änderungen im semantischen Modell führen zu
umfangreicher Reorganisation der Tabellen und folglich zu einem höheren
Wartungsaufwand
Was ist Data Mining?
Data Mining hat das Ziel, neuartiges, verstecktes Wissen aus großen Datenbeständen zu extrahieren. Dabei sollen Beziehungsmuster wie Regelmäßigkeiten oder Auffälligkeiten in umfangreichen Datenbeständen ermittelt und nutzbar gemacht werden.
Diese Beziehungsmuster sollten für einen möglichst großen Anteil der Datenbasis Geltung haben. Und sie sollten bis dato unbekannte, leicht verständliche Zusammenhänge in den Daten zu Tage fördern, die nicht trivial sind. Hinter der Forderung nach Nichttrivialität der Ergebnisse verbirgt sich der Anspruch, dass gefundene Lösungen auch tatsächlich neues Wissen produzieren und Entdeckungen im engeren Sinne darstellen sollen.
Ziel beim Data Mining ist es also nicht, einzelne Daten aufzulisten oder zu aggregieren. Vielmehr wird immer angestrebt, allgemeine Zusammenhänge zu entdecken und dafür ein Modell zu erstellen. Die im Datenbestand induktiv ermittelten und in Form eines Modells zum Ausdruck gebrachten Zusammenhänge entsprechen dabei den Hypothesen über den durch die Daten abgebildeten Gegenstandsbereich.
Beispielsweise kann Data Mining bei der Analyse der Kundendaten eines Telekommunikationsunternehmens die Hypothese generieren: „Kunden unter 35 Jahren mit einem Vieltelefonierer-Tarif gehören in 80 Prozent der Fälle zu den umsatzstärksten Kunden“.
Was ist KDD und wie sieht der KDD Prozess von Fayyad aus? (5 Phasen)
KDD bezeichnet in der Forschung den gesamten Prozess der Wissensentdeckung. Dieser Prozess zielt auch die Auswahl und Aufbereitung der Daten ein, die Festlegung eines Analyseverfahrens und die Ableitung von explizitem Wissen. Data Mining ist in diesem Verständnis nur ein bestimmter Teil von KDD - nämlich das eigentliche Analyseverfahren, das konkret zur Entdeckung der Zusammenhänge führt.
- Auswahl
- Vorverarbeitung
- Transformation
- Data Mining
- Interpretation
In der ersten Phase des KDD-Prozesses nach Fayyad erfolgt die Auswahl des Datenbestandes, der für die gewählte Aufgabenstellung relevant ist. Dieser Zieldatenbestand wird dann in der Vorverarbeitungsphase bereinigt. Hierbei werden etwaige Datenqualitätsmängel beseitigt. Fehlende oder fehlerhafte Werte werden gegebenenfalls entfernt oder ersetzt. Zudem kann der bereits vorhandene Datenbestand in dieser Phase durch weitere Attribute angereichert werden, sofern es die jeweilige Aufgabenstellung erfordert. In der darauf folgenden Phase, der Transformation, wird der Datenbestand in die vom gewählten Analyseverfahren benötigte Form gebracht. Beispielhafte Transformationsschritte sind die Diskretisierung numerischer Werte oder die Umwandlung nominaler Werte in numerische Werte. Anschließend werden geeignete mathematische Verfahren angewendet, um die im Datenbestand vorhandenen, bislang unbekannten Muster zu erkennen. Erst durch die Interpretation der gefundenen Muster durch einen Experten entsteht Wissen, das auf die Verwendbarkeit hin zu evaluieren ist. Sollte die Aufgabenstellung mithilfe der gefundenen Muster nicht zufrieden stellend gelöst werden können, ist ein Rücksprung in eine der vorherigen Phasen zur Ergebnisverbesserung möglich [Fayyad et al. 1996, S. 9 ff.].
Was ist CRISP-DM?
Cross-industry standard process for data mining (CRISP-DM) ist ein branchen- und anbieterneutraler Industriestandard, in dessen Mittelpunkt die betriebswirtschaftliche Problemstellung steht. Zudem wird der zyklische Charakter von Data-Mining-Projekten in den Vordergrund gerückt.
- Geschäftsmodell verstehen: Verstehen der Geschäftsziele und Festlegung der Data Mining Ziele, sowie die Projektplanung.
- Daten verstehen: Datenquellen bestimmen, Daten untersuchen und beschreiben, sowie Datenqualitätsniveau bestimmen.
- Daten aufbereiten: Auswahl der Daten. Entweder durch Totalerhebung oder Stichprobenziehung, durch Experimente, Beobachtungen oder Messungen. Gewonnen Daten werden bereinigt (Ausreisser etc.). Abgeleitete Werte (Aggregate) werden berechnet, Daten zusammengeführt und transformiert.
- Modellierung: Passendes Data Mining Verfahren manuell auswählen.
- Evaluation: Daten in Test und Trainingsdaten aufteilen, Data Mining Verfahren anwenden und die Modellanpassungsgüte bestimmen. Resultate werden bezüglich der Geschäftsziele evaluiert.
- Einsatz: Planung der Implementierungsstrategie, den täglichen Einsatz des Data Mining Modells, sowie das weitere Monitoring der Gültigkeit des Data Mining Modell
Wie unterscheiden sich die beiden Prozessen und was sind die Vor- und Nachteile?
KDD-Prozess:
Vorteil: nicht linear, sondern kann Iterationen aufweisen. Falls Evaluation unbefriedigend ist, wird zu einem vorherigen Schritt zurückgekehrt.
Nachteil: In Ausnahmefällen müssen weitere Datensätze beschafft werden.
CRIPS-DM-Prozess
Vorteil: Hohe Erfolgschance durch bereits erprobte „Anleitung“; Kommunikation zwischen technischen und kaufmännischen Mitarbeitern sowie mit den Kunden besser
Nachteil: Datenvorverarbeitung und Datenqualitätssicherung macht 70% des Gesamtaufwandes aus, relativ Zeitaufwändig.
Unterschiede: Beim CRIPS-DM-Prozess werden die Daten zuerst verstanden und anschliessen aufbereitet, während im KDD Verfahren die Daten selektiert und anschliessen geeignet transformiert werden.
Welche Problemtypen gibt es im Data Mining?
Data-Mining-Problemtyp:
- Beschreibungsprobleme
- Prognoseprobleme
Welche Verfahren werden bei bestimmten Data Mining Aufgaben eingesetzt?
Bild
Welche Data Mining Verfahren gibt es und eignen sich für welche betriebswirtschaftlichen Ziele?
- Clustering: Geeignete Aufteilung einer Menge von Objekten, indem ähnliche Datenobjekte zu Gruppen zusammengefasst werden.
- Ziel: Wird in Marktforschung eingesetzt wie z.B Zusammenführen von Einkaufsaktivitäten um anschliessend gezielte Marketingkampagnen zu starten und so die Verkaufszahlen anzukurbeln.
- Assoziationsanalyse: Aufdeckung von einer informativen Menge von Abhängigkeiten.
- Ziel: Um Produkte mit ähnlichen Produkten zu verlinken werden bei einem Einkauf zu bestimmten Produkten weitere ähnliche Produkte vorgeschlagen. Z.B unter der Rubrik das könnte Sie auch interessieren.
- Klassifikation: Zuordnung von Datenobjekten mit unbekannter Klassenzugehörigkeit zu einer am besten passenden Klasse. Zuordnung geschieht mittels Klassifikator, der in der Lern- bzw. Schätzphase anhand einer Menge von Trainingsdaten trainiert wird.
-
Ziel: Anhand von historischen Bestelldaten von Kunden wird entschieden ob ein Katalog an einen potenziellen Kunden geschickt wird oder nicht.
-
Welcher Unterschied besteht zwischen Data Mining und OLAP-Operationen?
Während OLAP ein Analysewerkzeug für einen Benutzer ist, ist Data Mining ein Tool das selbständig Zusammenhänge und Abhängigkeiten aus vorliegenden Daten findet. Der Anwender wertet beim Data Mining nur noch die Ergebnisse aus.
Was sind die Grenzen und Gefahren eines unreflektierten Einsatzes von Data Mining?
- Interpretation / falsche Rückschlüsse
- Muster der Vergangenheit haben auch in Zukunft noch Gültigkeit (Strukturbruch)
- Ob genügend Daten vorhanden sind um aussagekräftige Ergebnisse zu erzielen
- Ob die vorhandene Daten ausgewertet werden dürfen (Gesetz)
- Datenschutz / Datensicherheit Gesetzgebungen der jeweiligen Länder
- Ob die richtigen Daten erhoben worden sind und ob sie verfälscht sind oder nicht
Beispiele für Clustering?
-Kunden werden anhand von bereits getätigten Käufen in Cluster segmentiert. Zum Beispiel nach Umsatz (hoch/mittel/tief) oder Produktsegmente (z. B. Pflege für Damen). Somit können gezielte Werbeaktionen gestartet werden.
-Mittels Coop Superpunkt Karte wird das Kaufverhalten der Kunden analysiert und gespeichert. Somit können Produkte ganz bestimmt interessierten Kundengruppen angepriesen werden.
-In einem Spital werden die Patienten gemäss Tags deklariert worauf sich diese dann gezielt nach verschiedenen Diagnosen auswerten lassen und so Voraussagen oder Statistiken erstellt werden können.
Beispiele für Assoziationsanalyse?
-Im Warenkorb eines Online Shops, z. B. Digitec, Amazon, etc. wird analysiert welche Artikel von welcher Kundengruppe wie oft gekauft wird. Damit können Artikel speziell gepusht und der Absatz verbessert werden.
-Bei einem Druckerkauf ist in der Verpackung schon ein Flyer zur Tintenbestellung vorhanden.
-Beim Kauf von Fastfood im McDonalds ist auf jedem Tablett Werbung mit anderen/neuen Produkten.
Beispiele für Klassifikation?
-Die Fachhochschule überprüft, ob Personen welche sich für ein Studium einschreiben möchten, auch wirklich dazu berechtig sind.
-Wenn der Kunde ein Auto leasen möchte, wird er zuerst auf Kreditwürdigkeit überprüft.
-Beim Militär müssen AdA für bestimmte Aufgaben überprüft werden. Dürfen diese beispielsweise mit Geheim-Material arbeiten bzw. in Berührung kommen. Anhand verschiedener ziviler und militärischer Daten wird ein Gesamtbild verschafft. Das Resultat gibt aus ob die Person fähig oder unfähig ist.
Was sind die Nachteile bei der Trennung zwischen OLAP und OLTP?
− Verzögerungen der Erkenntnis- und Reaktionszeiten (Latenzen)
− Eingeschränkte Abfragemöglichkeiten durch feste Granularität der Daten
− Teilweise schlechte Performanz der Abfragen
− Eingeschränkter Nutzerkreis und unflexible Analysemöglichkeiten
− Organisatorische und technische Trennung statt Integration
− Gefahr von Bypass Reporting durch Verzögerungen
− Total Cost of Ownership
Wie sieht der Aufbau eines In-Memory DBMS aus?
Bild
OLAP oder OLTP?
OLAP und OLTP?
Latenzzeiten
Definition Unternehmenssteuerung mit BI?
«Die Methoden der Unternehmenssteuerung bilden das Herzstück von
Business Intelligence (BI). Sie stellen dem mittleren und höheren
Management in allen Funktionsbereichen eines Unternehmens und dort
bei allen Planungs-, Entscheidungs und Kontrollaufgaben die
gewünschten Daten und Informationen, die zugehörigen betrieblichen
Modelle und die im Einzelfall geeigneten Methoden nutzerspezifisch
zur Verfügung.»
Beispiel für Regelkreis des Management?
Grafik
BI Funktionen im Überblick?
- Data Mining
- Prognose- und Szenarioverfahren
- Planung und Konsolidierung, Entscheidung
- Controlling
- Entscheidungsunterstützung
- Risikomanagement
- Optimierung
- Monitoring
- Fehlerrückverfolgung
- Betrugsanalyse und Betrugsaufdeckung
- Simulation
Prognose- und Szenarioverfahren?
Prognose- und Szenariotechnik sind Verfahren, um anhand vorliegender historischer Daten konditionale Aussagen vom Zeitpunkt t über zukünftige Werte der Variablen (auch Deskriptoren genannt) unter Abschätzung der Trefferwahrscheinlichkeit zu berechnen.
«Aufgabe der Szenariotechnik ist es, qualitative Aussagen über den für eine Unternehmung relevanten künftigen Weltausschnitt hinsichtlich der langfristigen Entwicklung und des künftigen Zustands zu treffen. Die Langfristigkeit ist durch Prognosedistanzen τ in der Größenordnung von fünf bis fünfundzwanzig Jahren gekennzeichnet.»
Planung als Teil des Managementkreislaufs?
«Planung ist ein Aktionsprogramm für die Zukunft und hat damit antizipativen Charakter (im Sinne von Antizipationsentscheidungen). Sie umfasst alle Vorausüberlegungen über die erstrebten Ziele (Z) sowie die Aktionen (Mittel (M) und Wege (W)) zu ihrer Erreichung im Rahmen von Zielplanung und Massnahmenplanung.»
Vertikale Planintegration?
• Top-Down Planung: Die Planung beginnt mit den strategischen Konzernzielen des Unternehmens, die dann auf die Bereichs- und Produktebene heruntergebrochen werden. Daran anschließend werden aus den Zielen, Mittel und Wege abgeleitet und vorgegeben.
• Bottom-Up Planung: Der Planungsprozess beginnt mit den Plänen
der einzelnen Teilsparten, die anschließend zur Konzernplanung
aggregiert werden und mit den Top-Zielen abgeglichen werden
müssen.
• Gegenstromverfahren: Hierbei wird sowohl Top-Down als auch
Bottom-Up geplant und die einzelnen Teilpläne im Dialog abgeglichen.
Welche Planungswerkzeuge gibt es?
Planspeicherung und –versionierung: Plandaten werden zentral im Data Warehouse
gespeichert. Dabei sollen Änderungen der Plandaten durch Versionierung nachvollziehbar
bleiben.
Planungsfunktion: Der Planer wird unterstützt durch Kopierfunktionen, die Daten
vorheriger Perioden als „Standardwerte“ in den entsprechen Zellen vorschlägt.
Planintegration: Zu den Unterstützungsfunktionen gehört die Bereitstellung von
Kommunikations- und Abstimmungsfunktionen für die vertikale und horizontale
Integration der Teilpläne im Rahmen mehrstufiger Unternehmensplanung mittels
Gegenstromverfahren
Simulation: Simulationen und What-If-Analysen helfen die Auswirkungen von
Planalternativen abzuschätzen.
Soll-Ist-Vergleich: Plandaten werden mit den erfassten Ist-Daten konfrontiert, und es
werden gemäß des „Management-by-Exception“-Prinzips eine Ursachenanalyse und ggf.
Korrekturmaßnahmen ausgelöst
Konsolidierung?
«Bei der Konsolidierung werden konzerninterne Transaktionen und
Bestandsgrößen (sog. Verflechtungen) saldiert, d. h. konzerninterne
Umsätze, Kosten, Erträge, Gewinn, Forderungen, Verbindlichkeiten
und Rückstellungen werden gegeneinander aufgerechnet. Der
Konzern wird so dargestellt, als ob er ein einheitliches Unternehmen wäre
(sog. Einheitsfiktion).»
1. Modellierung der Konzernstruktur
2. Währungsumrechnung
3. Saldierung
4. Konsistenzprüfung
Welche Entscheidungsunterstützungssysteme gibt es? (5 Arten)
- datengetrieben
- modellbasiert
- dokumentbasiert
- kommunikationsbasiert
- wissensbasiert
Was sind regelbasierte Expertensysteme?
Regelbasierte Expertensysteme schlussfolgern bei gegebener Anfrage (Ziel oder Hy-
pothese) aus einer Menge von Regeln (Wissensbasis) und Fakten auf neue Aussagen
(„Konklusionen“) und kommen dadurch zu Empfehlungen, vergleichbar mit dem
Rat von Experten
Was ist Risikomanagement?
«Risikomanagement ist die Identifikation und Analyse von möglichen
Ereignissen, die Unternehmen personell, dinglich, vermögens- und
finanzwirtschaftlich negativ beeinflussen können. Steuerung,
Überwachen und ggf. die Beseitigung dieser Wagnisse erfolgt in der Art
und Weise, dass ein gewünschtes Risikoniveau mit an Sicherheit
grenzender Wahrscheinlichkeit nicht überschritten wird.»
• Risikoidentifikation: Identifikation und Kategorisierung der Risiken
• Risikoanalyse. Für die identifizierten Risiken wird das Risiko gemessen. In der
Literatur werden verschiedene Risikomasse diskutiert
• Risikosteuerung
- • Risikovermeidung ist oft nur möglich durch Einstellen der risikobehafteten Aktivität.
- • Risikoverminderung. Durch Vorsorge soll die Eintrittwahrscheinlichkeit und/oder die Schadenshöhe verringert werden.
- • Risikolimitierung Beispiel: Es werden maximale Bestellwerte für Versand auf Rechnung pro Kunde festgelegt
- • Risikodiversifikation. Eine Verteilung von Handlungen auf voneinander unabhängige Ereignisse ermöglicht einen Risikoausgleich („Versicherungseffekt“).
- • Risikoüberwälzung. Das Risiko wird auf eine andere Partei übertragen (Bsp. Versicherung)
- • Risikoakzeptanz. Das Risiko wird selbst getragen (Budgetieren)
• Controlling und Monitoring laufende Überwachung der Risikolimits, gegebenenfalls
das Nachsteuern einzelner Risiken sowie von Zeit zu Zeit die laufende Anpassung der
Risikomaße
Was ist Simulation?
«Unter Simulation versteht man die Nachahmung von Abläufen realer
oder fiktive Systeme anhand von Modellen für Analyse,
Entscheidungs- oder Planungszwecke. Wegen des erheblichen
Rechenaufwands ist i. Allg. die Rechnerunterstützung unabdingbar.»
Siehe Bild: Simulation auf Basis von Modellen
Betriebliche Anwendungsszenarien des BI?
Grafik
Was sind die Benutzerprofile und Zielgruppen?
- Analysten
- Informationsverwender
- Informations-Konsumenten
Wie sieht die historische Entwicklung im Bereich BI System aus? (vom MIS zum BI System)
MIS -> EUS /DSS -> EIS /FIS -> DW / OLAP -> Business Intelligence
Motivation für BI-Strategie:
Wie sieht die 1. Motivation aus?
Unterstützung des Regelkreises der Unternehemnsführung
Motivation für BI-Strategie:
Wie sieht die 2. Motivation aus?
Transparenz über Datenherkunft und Verbesserung Qualität
Motivation für BI-Strategie:
Wie sieht die 3. Motivation aus?
Vermeidung / Vereinheitlichung heterogener Systeme
Motivation für BI-Strategie:
Wie sieht die 4. Motivation aus?
Eindeutige Organisation für BI-Projekte und Betrieb
Motivation für BI-Strategie:
Wie sieht die 5. Motivation aus?
Verbindlichkeit bzgl. Rollen und Aufgaben
Motivation für BI-Strategie:
Wie sieht die 6. Motivation aus?
Verbesserung der Reaktionszeiten
Was sind die Ziele und Sichten des BI?
- Fachliche Ziele
- Organisatorische Ziele
- Architektonische Ziele
- Technologische Ziele
Wie sieht eine Referenzarchitektur eines Enterprise DWH-Systems aus? (Skizze)
Frontend: OLAP Analysen
Output / Layer: Aggregationen, Planung, Forecast, OLAP Würfel
Data, Storage Layer: Data Warehouse
Integration Layer: ETL
Quellsysteme: Administrations- und Dispositionssysteme, externe Daten, Internet
