Datawarehouse HWZ 4 Semster

1) Fundierte Analyse der Datenquellen
2) Definition der Kennwerte und Qualitätsattribute
3) Robuste und performante Infrastruktur
4) Klare Verantwortung und Kompetenzen definieren
5) Enge Zusammenarbeit von IT – und Business-Abteilung

Abfragemethode, die Endbenutzern einen mehrdimensionalen schnellen Zugriff und eine benutzerfreundliche interaktive Analyse auf Data Marts ermöglicht.

Benutzerfreundlich, mehrdimensional, detaillierend und zusammenfassend, analysierend, schnell, Data Mart orientiert

1) Filtern: Datenauswahl
2) Drilling Down and Up: Zusammenfassung entlang einer beliebigen Dimension
3) Drilling Through: Detailzugriff auf Produktionsdaten
4) Drilling Across: Zugriff auf mehrere Data Marts
5) Slicing and Dicing: Wahl und Abwahl beliebiger Dimensionen

1) Churn Entscheidungsbaum
2) Neuronale Netze
3) Warenkorbanalyse
4) Clustering
5) Web Mining

1) Versorgung des Data Warehouse mit Daten aus den operativen Systemen
2) Versorgung der Data Marts mit Daten aus dem Data Warehouse
3) Datentechnische Verknüpfung von Front-End-Applikationen mit operativen Systemen
4) Versorgung der Front-End-Applikationen aus den Data Marts
5) Versorgung eines Operational Data Store (ODS) mit Daten aus den verschiedenen operativen Applikationen

1) Integration von analytischen und operativen Daten
2) Minimierung der Schnittstellen
3) geringere Wartungskosten
4) Integration der Metadaten

1) Spezifikation (Anforderungsdefinition): Was ist das Ziel? • Ist?Analyse • Soll?Analyse
2) Realisierung: Wie soll das Ziel erreicht werden? • Entwurf Logische Datenmodellierung Physische Datenmodellierung Dialogentwurf Modularisierung • Implementation Deklarative Implementation (Daten, Abfragen) Prozedurale Implementation (Prozeduren) Modul? und Systemtest • Betrieb Installation Wartung
3) Planung und Kontrolle

1) Abbildungstreue : einfache Abbildung betrieblicher Fakten und Dimensionen
2) Benutzerfreundlichkeit : Mehrdimensionalität, Drilling, Slicing and Dicing, Visualisierung, Views
3) Flexibilität : Ausbaubarkeit von Clients, Servern und Netz, vordefinierte und ad hoc?Abfragen
4) Performance : Durchsatz, Laufzeiteffizienz, Speichereffizienz
5) Verfügbarkeit : Multiprozessoren, Festplattenspiegelung
6) Wartbarkeit : Synchronisation mit OLTP, Metadatenverwaltung
7) Kompatibilität : Data Mining Tools, Produktionsdatenbanken, Anwendungssoftware

Dataowner: ist verantwortlich für folgende Aufgaben seines Teilmarktes:
1) Sicherstellung der Datenqualität: welche Daten, Definition der Q?Standarts
2) Sicherstellung der Wirtschaftlichkeit
3) Nutzung der Daten für Auswertungs? und Marktbearbeitungsprozesse
4) Entscheidet wie die Daten anhand der spezifischen Bedürfnisse erweitert bzw. verdichtet werden
5) Stellt sicher, dass der Dateninhalt den aktuellen und zukünftigen Bedürfnissen gerecht wird Dataownership: wird von den Dataowners wahrgenommen Strategische Ausrichtung: strategische Positionierung des Systems
1) Abstimmung mit der Unternehmensstrategie
2) Entwicklung des Systems bezüglich Kundenorientierung vorantreiben
3) Markt? und Technologische Trends
4) Planung der Weiterentwicklung im Auftrag des Systemowners

1. Festlegung der Identifizierung (PK,FK)
2. Festlegung der Beziehungen
3. Der Normalisierungsprozess • Anpassung an das relationale Datenbankmodell (d.h. Beseitigung von multiple Eigenschaften) • Beseitigung von Redundanz • Beseitigung von Redundanz
4. Denormalisierung (rückgängige Normalisierung aufgrund Performanceverbesserung)

1) Ein “kleines Data Warehouse”
2) Beinhaltet einen Teil der Daten aus dem DWH
3) Zugeschnitten auf die Bedürfnisse einer Abteilung oder auf eine Problemstellung
4) Relational oder multidimensional (OLAP)

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

1) schnelle Anfrageverarbeitung:
2) Datenvolumen: Dimensionstabellen sind im Vergleich zu Fakttabellen sehr klein. Änderungsanomalien können leicht kontrolliert werden.
3) einfaches, intuitives Datenmodell:
4) Verständlichkeit & Nachvollziehbarkeit:
5) Hohe Performance
6) Hohe Übersichtlichkeit

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

1) Effiziente ANALYSE für Entscheidungsunterstützung
2) Flexibilität und Skalierbarkeit
3) Benutzerfreundliche, intuitive Oberfläche
4) Integration verschiedener Datenquellen
5) Ad?hoc Analysen
6) Kalkulationen und Simulationen
7) Standort?Unabhängigkeit mit Web?Reporting
8) Schnelle Umsetzung (Standardprodukte, keine Programmierung)
9) bessere Kommunikation

1) Redundante Datenbestände => Daten werden (teilweise) aus Vorsystemen geladen

2) Datenbankadministration (Backup, Restore, Sicherheit etc. ) weniger ausgereift als in RDB

3) Neue Investitionen => Projektkosten, Ausbildung von Systemadministratoren,

4) Grösse Datenvolumen => voraggregierte Stufen werden oft gespeichert

Business Understanding <--> Data Understanding --> Data Preparation <--> Modelling -- Evaluation --> Deployment

Entdeckte Muster einer Datengesamtheit werden beschrieben.

Methoden: desktriptive Statistik, Neuronale Netze, Entscheidungsbäume.

Bsp: Wer liest die Zeitschrift "Auto" und "Wohnen"?
 

Anhand von Hypothesen, die von einschränkendem Modell der Wirklichkeit abgeleitet werden.

Methoden: SQL, Schliessende Statistik

Bsp: Stichprobe bei Glühbirnen.

Diese Informationen können durch gezielte Analysen mit Hilfe von OLAP-Tools in Marketingwissen umgewandelt werden

Dieses Wissen ist in Daten und Informationen versteckt und kann durch den Einsatz von Data Mining Techniken eruiert werden

Dieses Wissen ist nur Auffindbar, wenn Hinweise oder Anleitungen über sein Domizil vorhanden sind

1) Aquisation Welchr Kundenbedürfnisse sollen befriedigt werden
2) Corss/Up-Selling Welches Potenzial hat der Kunde
3) Service Differenzierung Wie kann die Kundenprofitabilität langfristig sichergestellt werden
4) Retentionsprogramme Welche Kunden haben ein hohes Abwanderungsrisiko
5) Rückgewinnungsprogramme Welche Kunden sollen zurück gewonnen werden

1) Wird im Marketing zur Entdeckung von unbekannten Muster, Trend und Korrelationen mit Hilfe von bekannten Verhaltensschemata aus der Vergangenheit eingesetzt.
2) Spezielle Tools zur Entdeckung von unbekannten Wissen in vorhandenen Unternehmensdaten
3) Ziel ist, den Kunden besser zu verstehen, um bedürfnisgerechte Leistungen zu erbringen
4) Nutzt Datawarehouse als Datenbasis

1) Trainingsphase
2) Validierungsphase

1) Neuronale Netze
2) Entscheidungsbäume
3) Clustering Algorithmen => Gruppierungen
4) Warenkorbananalysen => wer kauft A kauft auch B

1) Datenaufbereitung (Bereinigungsprozesse, Stichprobeziehung, Modifikation, Selektion)
2) Datenanalyse (Assoziationsanalyse, Multivariateanalyse, Klassifizierung, Prognose)
3) Datenintegration (Erkennung von Muster, Trend und Strukturen)

1) Bestehende Kunden zu analysieren 2) Kundenprofile zu erstellen und diese mit potenziellen Kunden zu vergleichen 3) Für jeden potenziellen Kunden wird eine Reaktionswahrscheinlichkeit berechnet 4) Kontaktiert werden diejenigen Kunden mit der größten Wahrscheinlichkeit zu reagieren 5) Dadurch lassen sich Kosten senken, da nur ein Teil der Zielgruppe angeschrieben wird

Im Gegensatz zu Data Warehouses, in deren Mittelpunkt die zentrale Bereitstellung von Daten steht, konzentriert sich das Konzept des Data Minings auf die Nutzung der Information aus diesen Datenbeständen

Olap: die Warum-Frage; Analyse vorhandenen Daten Data Minig: die Einsicht, das Verständnis, der Zusammenhang; Gewinnung von neuem Wissen

Ist Basis für Berichts- und Controllingssysteme

1) Keine Beeinträchtigung der kritischen Applikationen
2) Zusammenführen verschiedener Datenquellen (Single Point of Information)
3) Bereinigung der Daten (ETL-Prozess) ermöglicht eine einheitliche Sicht auf die Daten
4) Aggregation der Daten für Analysezwecke
5) Basis für tiefergehende Analyse: Data Mining, Scenarios, What?if, OLAP, Drilldown, Slice&Dice
6) Mehr Wissen – Konkurrenzvorsprung

1) Prozess, kein Projekt
2) Enorme Größe; inkrementelles Vorgehen
3) Kosten, v.a. für ständige Pflege
4) Nutzung / Akzeptanz der Endbenutzer
5) Strategien im Bezug auf Technologien und Tools, Einschränkungen
6) Up-to-date, Aktualität der Daten

Alle Werkzeuge und Anwendungen mit entscheidungsunterstützendem Charakter zählen, die zur besseren Einsicht in das eigene Geschäft und damit zum besseren Verständnis in die Mechanismen relevanter Wirkungsketten führen

1) Systemkomponenten, die Informationen aufbereiten und speichern

2) Werkzeuge für die Wissensgenerierung

3) Auswertungs- und Präsentationsfunktionalität

Ist die Technologie, die Managern wie qualifizierten Mitarbeiter interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen ermöglichen soll. D.h. analytische Auswertung von Daten und Informationen

Unterstützt transaktionsorientiert die Abwicklung operativer Geschäftstätigkeit. D.h. operative laufende Tagesgeschäft

Konzentrieren sich auf die Ablage und Verwaltung aller Kunden die beim Kundenkotakt anfallen. Hier werden Kundendaten analysiert, um Kunden besser zu verstehen Anwendungsfelder sind: Kundensegmentierung, Kampagnemanagement, Churn Management, Kundenwert