Data-Warehouse

Objektiv: Informationsmenge die man braucht um gute Entscheidungen zu treffen

Subjektiv: Was der Manager denkt, was er an Informationen braucht

Angebot: Tatsächlich, vorhandene Informationen

Informationsstand: Schnittmenge

• Subjektiv und Infoangebot müssen an den objektiven Bedarf angepasst werden
  • Zu viel Subjektiv: falsche Entschiedungsgrundlage, zu subjektiv, evtl zu viele Daten oder sogar zu wenig
  • zu viel Angebot: zu viele Daten, unnötiger Aufwand / Speicher

Entscheidung kann je Unternehmen und Manager unterschiedlich sein, weil es Nebenbedingungen gibt, die pro Unternehmen/ Manager anders sind

• Faktor Mensch (aktuelles Befinden, Bauchgefühl, keine Entscheidung trifft man rational)
• Unterschiedliche Zielsetzung: Gewinnorient, Marktorientiert, Arbeitsplätze sichern, …
• Risikomanagement unter Führungskräften: Risikoneigung (Risikoneutral, Risikoavers, Risikofreudig)

Mensch, Vision, Risiko

Meist eine eigene Abteilung

• Controller versteht sich als Lotse , er entscheidet nicht, sorgt aber für informationstransparenz
• Der Ergebnisverantwortliche controllt. Dieser trifft die Entscheidungen (Kapitän) -> Lotse ist nicht verantwortlich -> Controlling betreibt der Manager, der Controller gibt nur die Informationen dazu

Granularität hoch heißt Grobkörnig, also bei Auswertung

erste Ebene: einzel Vorfälle ( Krankmeldungen)

zwei Ebene: aggregierte Daten ( Anzahl der Krankmeldungen)

dritte Ebene: Auswertung (Anzahl der Krankmeldungen für Bank Münster)

• Zweckneutral
• Mehrdimensionalität
• Einfache Auswertung
• Verrechnungsfreiheit

• Semantische Datenmodelle: Datenhaltung innerhalb der Anwendung (Logik)
• Mögliche Probleme: Probleme bei der Zusammenführung der Datenbestände auf Grund unterschiedlicher Formate, Missverständnisse, Folge: Inkonsistenzen, Redundanzen

• Ein gemeinmsanes unternehmensweites Datenmodell (UDM)

• Sehr aufwendig
• eher Wunschvorstellung
• ein Modell zur kann nicht die Komplexität abbilden

• Die Anzahl der Schnittstellen ergibt sich aus der multiplikativen Verknüpfung
• Endandwender x System
• hier: 50x50 = 2500 Schnittstellen

• Heterogene DV-Strukturen behindern den Zugriff und die Zusammenführung der Systeme was zu Dateninkonsistenzen führen kann, wenn es nicht in einer einheitlichen Struktur vorliegt (Haun und UMD)
• Begrenzte Kapazitäten für operative Systeme führen bei flexiblen ad hoc Auswertungen zu Priorisierungskonflikten und unklaren Verantwortlichkeiten zwischen EDV und Fachabteilungen
• Mangelhafte Verfügbarkeit historischer Daten in OLTP Systemen; umgekehrt haben Trendaussagen im MUS-Umfeld eine hohe Bedeutung
• Aktualität und Qualität der Daten ist nur schwer überprüfbar
  • Zum Teil nicht gepflegte Datenfelder
  • Zeitliche Änderungen z.B. durch Strukturbrüche erschweren die Auswertungen
  • Die nicht synchronisierten Datenzugriffe führen zu interpretationsfehlern
  • Unterschiedliche Datenformate und semantische Modelle für gleiche Sachverhalte erschweren die Interpretation der Daten
• Die Skalierbarkeit der IT-Infrastruktur ist für operative Systeme nur eingeschränkt erforderlich. Im MUS Umfeld ist hingegen ein exponentiell gute Skalierbarkeit der Plattformen erforderlich 

• Die Daten der operativen Systeme sollten nicht getrennt sondern kumuliert betrachtet werden (Zweckneutral)
• Die Daten werden in verschiedenen Dimensionen betrachtet (Mehrdimensional)
• Atomistische Betrachtung der Daten (feinste Ebene)
• Verrechnungsfreiheit bei dem Umgang mit Daten (Vereinheitlichung der Daten, zentrale Ablagestelle)

Haun hat dies betriebswirtschaftlich, logisch erkannt, der Ansatz von Inman ist eher technisch betrachtet.

additiv und nicht multiplikativ, da ein zentraler Datentopf

• Die Daten der operativen Systeme sollten nicht getrennt sondern kumuliert betrachtet werden (Zweckneutral)
• Die Daten werden in verschiedenen Dimensionen betrachtet (Mehrdimensional)
• Atomistische Betrachtung der Daten (feinste Ebene)
• Verrechnungsfreiheit bei dem Umgang mit Daten (Vereinheitlichung der Daten, zentrale Ablagestelle)

Haun hat dies betriebswirtschaftlich, logisch erkannt, der Ansatz von Inman ist eher technisch betrachtet.

• Es kommt drauf an:
  • wenn Attribute fehlen, können bestimmte Perspektiven nicht mehr ausgewertet werden (Unterscheidung Geschlecht bei Schadensfällen in Versicherungen)
  • wenn Dateninstanzen fehlen, werden die kompletten Ergebnisse verfälscht (Nur ein Teil der Schadenfälle ist abgebildet)
• Es gibt zwar auch Beispiele bei denen das fehlen von Dateninstanzen in Ordnung wäre, diese würden dann aber nicht mehr zweckneutral verwendet werden können

•  Schnellere / einfachere Datenauswertungen möglich (kleinerer Datenbestand und denormalisiert)
• Aufhebung der Zweckneutralität --> Nun Zweckgebunden

• Örtlich
• juristisch
• zeitlich
• Mandanten-Rechtliche Art
• Fach: agrregation
• Performance der Auswertung und der Entwicklung
• Abgeleitet / isoliert
• Rechtlich-Juristisch
• Allgemein: Viele Einteilung sind mölich
• Redundanzen sind zulässig

• Ja wenn die auf der gleichen Rohdatenbasis basieren und sie sich an das Metadatenmanagement halten
• Definition von neuen Elementen müssen gleich sein

• Zweckneutrailität
  • verschiedene Blickwinkel soll möglich werden
  • Rohdaten
• Zeitraumbezug
  • Potenzial wird in den Rohdaten aufgebaut, aber die Betrachtung an sich (Zeitpunkt, Zeitraum) in den Cubes und Data Marts
• Struktur und Formatvereinheitlichung
  • Rohdaten
  • Stichwort: Integration
• Nicht-Volatilität
  • Rohdaten, DM, Cubes --> alles außerhalb der operativen Systeme

• Möglichst offen in den Rohdaten und in den Cubes

• die Metadaten beschreiben die Daten in dem Datawarehouse
• somit bilden die Metadaten eine Art UDM

• Dem Fachbereich gehören die Daten und sie sind verantwortlich