Seminar CRM SS Data Warehouses und Customer Relationship Management

Größe: px
Ab Seite anzeigen:

Download "Seminar CRM SS 2006. Data Warehouses und Customer Relationship Management"

Transkript

1 Seminar CRM SS 2006 Data Warehouses und Customer Relationship Management Jan Guggisberg & Urs Dietrich 1. Der Einsatz von Data Warehouses im Customer-Relationship-Management 2 2. Die Einführung eines Data Warehouses 3 3. Anforderungen an das Data Warehouse Churn-Analysen und Service-Optimierumg Warenkorb-Analyse Zielgruppen-Analyse Vertriebs-Targeting Budget-Analysen Cross-Selling Fertigung/Logistik/Distribution Cross-funktionale Fragen 5 4. Das Customer Orientation Framework (COF) 6 5. Data Warehouses eine technikorientierte Einführung Einleitung Grundlagen des OLAP Modellierung von Data Warehouses Der Fuzzy Logic Approach Bibliographie 15 1

2 1. Der Einsatz von Data Warehouses im Customer- Relationship-Management Um heute noch konkurrenzfähig zu sein, müssen die Unternehmen Strategien entwickeln, die den Kundenanforderungen entsprechen. Die Hauptschwierigkeit hier ist, die Kundenbeziehungen als Asset einzusetzen. Um dies zu erreichen, ist die Entwicklung eines Data Warehouses unumgänglich. (Meier 2003) Es werden Lösungen angestrebt, die gezielt den Kundenanspruch sowie die Kundenzufriedenheit steigern. Dazu benötigt man Daten, die z. B. Aussagen über das Kaufdas Reklamations- und das Bestellverhalten enthalten, um die Ausrichtung der gesamten unternehmerischen Wertschöpfungskette auf den Kunden ermöglichen. Hier kommt das Data Warehouse ins Spiel. Es dient als zentraler Speicher von Kundenwissen, das mit Hilfe analytischer Hilfsmittel (Business Intelligence) wie Data-Mining und OLAP die benötigten Informationen liefert. (Hofmann and Mertiens 2000) Abbildung 1: Marktanalyse der Behandlung von Kundentaten für CRM Wie man bei Abbildung 1 sieht, ist die häufigste Methode der Datenbeschaffung immer noch die manuelle Sammlung. Ausserdem werden diese eher dazu gebraucht, die Bestellungen zu machen, als das Kundenverhalten zu analysieren und zu überwachen. Wenn die Daten elektronisch erfasst werden, stellt sich ausserdem das Problem, dass sich diese oft an verschiedenen Standorten in verschiedenen Datenbanken befinden. Die Aufgabe des Data Warehouses ist, die Daten aus den verschiedenen Datenquellen zu sammeln und soll ermöglichen, dass diese ohne grösseren Aufwand analysiert werden können. «Das Beispiel des Einzelhandels macht die Problematik klarer. Jeder Kunde hinterlässt an der Scannerkasse Spuren seines Einkaufs. Es wird der genaue Inhalt des Einkaufswagens 2

3 zusammen mit dem Datum und der Uhrzeit des Einkaufs gespeichert. Sogar die Identität kann bei Zahlung mit ec- oder Kreditkarte festgestellt werden.» 1 2. Die Einführung eines Data Warehouses Die meisten Projekte ein Data Warehouse einzuführen, scheitern am organisatorischen Aufwand. Es ist empfehlenswert, den Aufbau in verschiedenen Etappen vorzunehmen, da es oft gar nicht möglich ist, ein unternehmensweites Data Warehouse in einem Schritt aufzubauen. In Abbildung 2 sind die wesentlichen Schritte dargestellt: Abbildung 2: Die wesentlichen Schritte bei der Einführung eines Data Warehouses Als erstes muss bestimmt werden, welchen Anforderungen das Data Warehouse genügen soll. Aufschluss darüber gibt eine Prozessanalyse der ausgewählten Unternehmensteile. Es wird eine Mitarbeiterumfrage durchgeführt um die vorhandenen Informationsströme zu analysieren und um herauszufiltern, welche Informationen gefordert werden. Ausserdem fördert diese Umfrage die Akzeptanz für dieses neue Informationssystem. Mit den gewonnenen Informationen wird nun ein Grobkonzept erstellt. Auf dieser Basis sollte eine 1 Hofmann, M. and M. Mertiens (2000). Customer-Lifetime-Value-Management. Kundenwerte schaffen und erhöhen: Konzepte, Strategien, Praxisbeispiele. Wiesbaden, S

4 Wirtschaftlichkeitsanalyse durchgeführt werden, wobei der erwartete Nutzen des Ware Houses den Kosten für Aufbau, Betrieb und Schulung der Mitarbeiter gegenübergestellt wird. Hat man sich nun für die Einführung entschieden, müssen die verschiedenen Datenquellen identifiziert und detailliert beschrieben werden. Ausserdem ist auf Abhängigkeiten zwischen den verschiedenen Datenquellen zu achten. Wenn man diese zwei Hauptschritte durchgeführt hat, muss man noch die richtige Software auswählen und diese dem bestehenden System anpassen. 3. Anforderungen an das Data Warehouse «Von einem Data-Warehouse wird die komfortable Analyse komplizierter Sachverhalte mit niedrigen Antwortzeiten, auch bei sehr grossen Datenmengen, erwartet.» 2 Jegliche Auswertungen sollten ohne grossen Programmieraufwand machbar sein. Nicht alle Benutzer sind an denselben Daten interessiert. Analytiker benötigen detailliertere Daten als die Geschäftsleitung. Folgende Analysebeispiele geben Aufschluss auf die unterschiedlichen Anforderungen an das Data Warehouse Churn-Analysen und Service-Optimierumg Die Churn-rate ist die Rate der Vertragskündigungen oder die Rate der Geshäftskunden, die dauerhaft in einem anderen Geschäft einkaufen. Die Gründe dieser Fluktuationen geben oftmals Aufschluss über mögliches Optimierungspotential in der Kundenbeziehung. Andererseits dient die Churn-Analyse auch als Frühwarnsystem Warenkorb-Analyse Durch die Analyse der Warenverkäufe kann überprüft werden, ob positive oder negative Korrelationen zwischen den einzelnen Produkten bestehen (z. B. wird Bier häufig zusammen mit Chips oder Grillwaren gekauft). Mit diesen Informationen lässt sich das Sortiment und die Produktpositionierung optimieren Zielgruppen-Analyse Data Warehousing und Data-Mining erlauben es, die klassische Zielgruppenanalyse um eine Dimension zu erweitern. Verschiedenste Variablen des Kaufverhaltens können genauestens untersucht werden. Somit kann vom bestehenden Sortiment auf Kundenprofile geschlossen 2 Ibid., S Ibid. 4

5 werden, «die als Schablone für Neukunden dienen können.» 4 Mit Hilfe dieser Profile können ausserdem Vorhersagemodelle erstellt werden, welche die Wahrscheinlichkeit vorhersagen können, ob ein neues Produkt ein Erfolg werden kann oder nicht Vertriebs-Targeting Hier wird vor allem eine geographische Analyse der Kaufgewohnheiten durchgeführt. Mit den gewonnenen Erkenntnissen können die Vertriebsressourcen optimiert und die Marketingaktivitäten koordiniert werden Budget-Analysen Mit Hilfe der Zielgruppenanalyse kann auch festgestellt werden, wie effektiv das Budget bezüglich einzelner Kampagnen eingesetzt wurde: «so können zum Beispiel nach einer Kampagne in einem Printmedium die reinen Abverkaufszahlen des beworbenen Produktes aufgebrochen, mit der regionen- sowie zielgruppenspezifischen Reichweite des gewählten Medium verknüpft und miteinander in Beziehung gesetzt werden.» Cross-Selling Häufig werden bei grossen Produktpaletten die Geschäftsfelder getrennt, um die Vermarktung zu vereinfachen. Dadurch werden mögliche Synergien gar nicht oder nur unzureichend ausgenutzt. Ein Data Warehouse ermöglicht hier Geschäftsfelder zu virtuellen Einheiten zu verknüpfen Fertigung/Logistik/Distribution Durch die verschiedenen Analysen des Marktes mit Hilfe von Data-Mining können Trends frühzeitig erkannt werden. Dies erlaubt es einem Unternehmen, rechtzeitig reagieren zu können und die Fertigung anzupassen. Ausserdem kann die Lagerhaltung und der Vertrieb schnell angepasst werden Cross-funktionale Fragen Die Einführung eines Data Warehouses kann das Informationsverhalten der Mitarbeiter positiv beeinflussen. Sie erhalten einen Einblick auf die gesamte Wertschöpfungskette und können die Konsequenzen ihres Handelns besser abschätzen. Ausserdem können die Verknüpfungen zwischen den Abteilungen analysiert werden. Managemententscheidungen 4 Ibid., S Ibid. 5

6 können so auf eine solide Grundlage gestellt werden. Durch Red-Flag-Funktionalitäten werden darüber hinaus schnelle Reaktionszeiten auf kritische Veränderungen ermöglicht. Die hier aufgezeigten Beispiele stellen nur einen Bruchteil der Möglichkeiten dar, die durch die Einführung von Customer Data Warehouses möglich sind. 4. Das Customer Orientation Framework (COF) Um Kundenbeziehungen zu bilden und zu pflegen, braucht es spezifische Methoden, hier illustriert durch die fünf Elemente eines customer orientation frameworks (COF). In einem ersten Schritt muss die Strategie festgelegt werden. Es muss ein Mix zwischen Kundengewinnung, Kundenbindung und add-on selling gefunden werden. Ziel der Kundengewinnung ist es, aus der Gesamtheit der Marktteilnehmer Sympathisanten zu gewinnen, sie zu Interessenten zu machen und als Kunden zu gewinnen. Folgende Mittel stehen dafür zur Verfügung: Imagewerbung/Public Relations, Produktwerbung, Responsemedien (Mailings, Telefon ) usw. Weiter muss versucht werden, die gewonnenen Kunden zu binden. Das Wohlwollen der Kunden muss schrittweise gefestigt werden, um so die Loyalität und das Vertrauen der Kunden zu erhöhen (Abbildung 4). Das kann man erreichen, wenn man in ständiger Kommunikation mit den Kunden bleibt (Telefon, Fax, , Persönliche Beratung ). Abbildung 3: Die fünf Elemente des Customer orientation framework (COF) 6

7 Abbildung 4: Die einzelnen Phasen des Beziehungskreislaufes Der zweite Schritt widmet sich der Planung. Als erstes müssen die Geschäftsprozesse während dem gesamten Kundenlebenszyklus analysiert werden. Zweitens werden durch ein customer equity model Kundensegmente gebildet oder angepasst. In einem dritten Schritt werden Kampagnen geplant, um die interessanten Segmente zu bearbeiten (Kundengewinnung und Bindung). (Meier 2003) Drittens muss die Organisation geregelt werden. Eine wichtige Frage ist hier, ob ein chief customer officer (CCO) ernannt werden soll oder nicht. Als Mitglied der Geschäftsleitung wäre er dafür da, eine kundenorientierte Unternehmenspolitik zu garantieren. Ausserdem wäre er für das Relationship-Marketing, sales und after-sales Dienstleistungen zuständig. (Meier 2003) Schritt vier dieses frameworks besteht in der Bereitstellung und dem Support von «customer data warehouses» bzw. einer «contact database» (Meier 2003). Die folgenden Ausführungen fokussieren auf technische Aspekte von Data Warehouses und gehen insbesondere auf neuere Entwicklungen in diesem Bereich ein. 5. Data Warehouses eine technikorientierte Einführung 5.1 Einleitung Im Gegensatz zu Datenbanken, die im produktiven Bereich eingesetzt werden und transaktionsorientiert ausgerichtet und diesbezüglich optimiert sind, werden Data Warehouses 7

8 unter dem Blickwinkel der Auswertbarkeit von Informationen entworfen und implementiert. Elmasri und Navathe beschreiben sie in einer sehr allgemeinen Form als «a collection of decision support technologies, aimed at enabling the knowledge worker (executive, manager, analyst) to maker better and faster decisions» (Elmasri and Navathe 2004). Sie werden für Anwendungen des On-Line Analytical Processings (OLAP), der Visualisierung, des Data Minings und des Knowledge Discovery verwendet. Dabei sind die darin enthaltenen Daten von den operationalen Daten getrennt, themenbezogen, integriert, zeitveränderlich und nicht flüchtig (Vossen 2000). In der Praxis sind Data Warehouses in eine technische Umgebung eingebettet, die in vielen Fällen etwa folgendem Muster entspricht: o Die (meisten) Datenquellen sind relationale Datenbanken o Das Data Warehouse selbst ist ein relationales Datenbankmanagementsystem. o Datenintegration und extraktion erfolgen offline, meist im Batchbetrieb über Nacht. o Die Quelldatenbanken werden vollständig im Data Warehouse repliziert, die Extraktion findet, wenn überhaupt, auf einem nur rudimentären Level statt. o Das Data Warehouse wird weiter in Data Marts unterteilt, welche themenspezifische Untersuchungen, Auswertungen und OLAP erlauben. Damit wird in vielen Fällen eine zusätzliche Schicht zwischen dem in Abbildung 5 gezeigten Data Warehouse und den anschliessenden Auswertungen gelegt. Um ein Data Warehouse einzurichten, sind zumindest folgende Aktivitäten notwendig: o Extrahieren von Daten aus operationalen Datenbanken o Laden eines initialen Datensets o Periodische Aktualisierungen dieses Datensets o Transformation und Anpassung der Quelldaten an das Schema des Data Warehouse 8

9 Abbildung 5: Auswertungsorientierte Integration von Daten und Anwendungen von Data Warehouses (Vossen 2000) Da das Data Warehouse von den zugrunde liegenden Quellen losgelöst unterhalten wird, müssen die Datenbestände in regelmässigen Abständen aktualisiert werden. Hier werden zwei Ansätze unterschieden: o Bei einem Refresh-Copy werden in bestimmten Abständen alle Daten neu ins Data Warehouse kopiert. Für grosse Datenmengen ist dieser Ansatz ungeeignet. o Bei einem Incremental-Copy werden nur die geänderten Daten im Data Warehouse nachgeführt. (Vossen 2000) Mittels des von der OMG vorgeschlagenen Common Warehouse Metamodells (CWM) wird ein Standard zur Beschreibung, den Zugriff und den Austausch von Metadaten in Data Warehouses vorgeschlagen. Der Standard definiert ein Metamodell, das Metadaten sowohl aus betriebswirtschaftlicher als auch aus technischer Sicht darstellen kann. Da das CWM sowohl die Syntax als auch die Semantik bereitstellt, kann der komplette Prozess beschrieben werden. (OMG 2003; Haag 2004; Wikipedia 2006) 5.2 Grundlagen des OLAP Beim On-Line Analytical Processing geht es in erster Linie um die Unterstützung von Anfragen zum Zwecke von Analysen oder auch um eine Aufbereitung von geschäftskritischen Daten für Entscheidungsträger in Unternehmungen. Der Begriff geht auf Codd zurück, der 12 Regeln zur Evaluierung von OLAP-Systemen formulierte und diese letztendlich auf 18 erweiterte (Codd, Codd et al. 1993). Unter dem Akronym FASMI (Fast Analysis of Shared 9

10 Multidimensional Information) wurden 1995 durch Pendse und Creeth fünf herstellerunabhängige Evaluierungsregeln aufgestellt, um damit das OLAP-Konzept zu beschreiben; hier wurde das Gewicht verstärkt auf Benutzeranforderungen und weniger auf technische Anforderungen gelegt. OLAP wird den hypothesengestützten Analysemethoden zugeordnet, was bedeutet, dass der Analyst vor der eigentlichen Untersuchung wissen muss, welche Anfragen er an das System stellen möchte. Seine Hypothese wird dann durch das Analyseergebnis bestätigt oder abgelehnt (Wikipedia 2006). Zentral für Data Warehouses und OLAP ist die Sicht, dass Daten mehrdimensional sein können. Das Data Warehouse wird als eine Menge von Fakten in einem multidimensionalen Raum betrachtet, wobei jedes Faktum durch ein aggregiertes Mass sowie eine oder mehrere Dimensionen wie «Zeit», «Ort» oder «Produktekategorie» gekennzeichnet ist. Das folgende Beispiel eines 3D-Cubes zeigt Daten über erfolgte Verkäufe. Als Dimensionen werden hier «Product», «Quarter» und «City» verwendet, als Mass (Measure) die Verkäufe. In einem solchen hier mit drei Dimensionen versehenen Datenwürfel oder Data Cube spannen die Dimensionen den Würfel auf, bilden also die Koordinatenachsen. Durch die betrachteten Attribute wird der Würfel in Zellen zerlegt und jeweils mit einem Funktionswert in Abhängigkeit der Dimensionen versehen. (Vossen 2000) Abbildung 6: Bestandteile eines (3D-)Datenwürfels (Vossen 2000) Auf einem solchen Cube können dann die folgenden Operationen ausgeführt werden: o ein Roll-up aggregiert Daten, bildet Summen und reduziert Dimensionen, 10

11 o ein Drill-down navigiert von Summen zu detaillierteren Daten und entspricht damit der Umkehrung des Roll-ups, o Slice and Dice dient der Selektion von Teilwürfeln, z. B. der Selektion horizontaler Ebenen oder einzelner Zellen, o das Ranking bzw. Sorting bildet Rangfolgen und Ordnungen, o derived oder computed attributes nehmen Ergebnisse von Berechnungen innerhalb einer Dimension oder dimensionsübergreifend auf, o das Nesting erlaubt die Darstellung eines n-dimensionalen Würfels (mit n>2) in genau 2 Dimensionen o und das Pivoting erlaubt ein Rotieren von Spalten und Zeilen. (Elmasri and Navathe 2004) 5.3 Modellierung von Data Warehouses Zur Unterstützung der oben aufgezählten Operationen haben sich spezifische Formen von Datenbankschemas herauskristallisiert. Man unterscheidet in solchen Schemas zwischen einer Faktentabelle und jeweils einer oder mehreren unnormalisierten Dimensionstabellen, die zu einem Star-, Snowflake- oder Fact Constellation Schema angeordnet werden. Beim Star-Schema bildet die Faktentabelle das Zentrum, die Dimensionstabellen die «Strahlen». Jede Dimensionstabelle ist durch zwei Arten von Attributen gekennzeichnet, nämlich durch einen gegebenenfalls künstlichen Schlüssel sowie zugehörende beschreibende Attribute. Abbildung 7: Allgemeine Form eines Starschemas (Vossen 2000) 11

12 Die einzelnen Dimensionen können als Hierarchie strukturiert sein, um Aggregationen zu ermöglichen. Die Zeitdimension in Abbildung 8 weist zum einen eine Fragmentierung des Jahres in Quartale, Monate und Tage auf, zum andern eine Fragmentierung in Wochen und Tage. Abbildung 8: Beispiel eines Starschemas (Meier 2003) Ein solches Schema unterstützt keine Attributhierarchien, was aber durch eine Normalisierung und einen Übergang von einem Stern- zu einem Snowflakeschema erreicht werden kann: Abbildung 9: Beispiel eines Snowflakeschemas (Vossen 2000) Ein Fact Constellation Schema verwendet mit mehreren Faktentabellen dieselben Dimensionstabellen, so dass mehrere Starschemen praktisch überlagert werden. 12

13 5.4 Der Fuzzy Logic Approach Heute ist nicht mehr der Mangel an Daten, sondern deren Überfluss ein Problem. Unternehmen und Organisationen suchen daher Werkzeuge für die Datenanalyse, die ihnen Grundlagen für Entscheide liefern können. Mittels Knowledge Discovery in Datenbanken (KDD) werden wertvolle Informationen aus solchen Datenbeständen extrahiert. Primäres Ziel eines solchen Prozesses ist die Reduktion der Datenkomplexität sowie das Erkennen von Mustern. Klassische Ansätze verwenden Cluster- oder Regressionsanalysen, basieren also auf statistischen Verfahren. Diese wiederum erfordern als Grundlage numerische Werte oder solche aus einem definierten Wertebereich. Fehlt eine solche Basis, versagen viele der herkömmlichen Ansätze. (Meier, Werro et al. 2005; Werro, Meier et al. 2005) Anfragesprachen wie SQL setzen voraus, dass die Anfragen in der gleichen Granularität und Genauigkeit formuliert werden, wie die Daten in der Datenbank abgelegt sind. SQL als die am weitest verbreitete Anfragesprache erlaubt keine ungenau oder unscharf formulierten Abfragen, was aber in vielen Fällen erwünscht ist. So ergeben sich in den verschiedensten Anwendungsbereichen Probleme. (Werro, Stormer et al. 2005) Abbildung 10: Beispiel einer unscharfen Abfrage unter Verwendung einer linguistischen Variable (Meier, Mezger et al. 2003) Die an der Universität Fribourg entwickelte unscharfe Klassifizierungssprache fuzzy Classification Query Language (fcql) basiert auf einer Erweiterung des relationalen Datenbankschemas; hierbei wird ein Kontextmodell für unscharfes Klassifizieren von Tabelleninhalten vorgeschlagen. fcql ermöglicht mit Hilfe von vordefinierten unscharfen linguistischen Variablen 6 den Zugriff auf die darunter liegenden Daten, indem die fcql- Aufrufe in SQL übersetzt werden, was wiederum eine Migration des Basissystems in eine unscharfe Datenbank zu vermeiden hilft. (Meier, Mezger et al. 2003; Werro, Stormer et al. 2005) 6 Siehe dazu auch: Koop, E. A. (2004). Datenbankunterstützung für imperfekte Daten im Verkehrsumfeld. Karlsruhe,

14 Mit Hilfe dieses Kontextmodells werden Klassen im relationalen Datenbankschema gebildet, so dass z. B. «Lieferenten mit schlechtem Service» in eine andere Klasse als «Lieferanten mit sehr gutem Service» zu liegen kommen. 7 Damit wird die Komplexität reduziert. Neben klassischen «scharfen» Klassifikationen, wie sie beispielsweise bei Gebrauch von bool schen Variablen entstehen, können auch solche verwendet werden, die Werte zwischen 0 und 1 akzeptieren, also 0.25 für die Klasse «Lieferenten mit schlechtem Service» und 0.75 für die Klasse «Lieferanten mit sehr gutem Service» - ein so verorteter Lieferant ist also zumindest ein akzeptabler Zulieferer. Im fuzzy-relationalen Kontextmodell ist jedem Attribut A j, definiert auf einem Wertebereich D(A j ), ein Kontext zugeordnet. Ein Kontext K(A j ) ist dann eine Partition von D(A j ) in Äquivalenzklassen. Ein relationales Datenbankschema mit Kontexten besteht daher aus einer Menge von Attributen A=(A 1,...,A n ) und einer Menge assoziierter Kontexte K=(K 1 (A 1 ),...,K n (A n )). (Meier, Mezger et al. 2003; Meier, Werro et al. 2005; Werro, Meier et al. 2005) fcql ist stark an SQL angelehnt; anstelle des Kommandos «Select» wird «classify» verwendet, die from-klausel ist mit derjenigen in SQL identisch und an Stelle der where- Klausel wird das Konstrukt «with» verwendet, das ein Prädikat für eine Klassifikation spezifiziert. Ein Beispiel für eine Anfrage könnte dann wie folgt aussehen: classify CUSTOMER from CUSTOMERRELATION with turnover is high and paymenttime is positive Wie bereits erwähnt, wird mit diesem System das Datenbankschema erweitert, und zwar im Bereich des Metadatenmodells. Namen und dazugehörende Definitionen der Äquivalenzklassen, die Beschreibung der Klassen und die gesamten Metainformationen, die so genannten «membership functions» betreffend. Abbildung 11 zeigt die Architektur des fcql-toolkits, dessen wesentlichstes Merkmal die Zwischenschicht zwischen dem relationalen DBMS und dem Benutzer ist und es ermöglicht, dieses DBMS inhaltlich nicht zu verändern, sondern lediglich zu erweitern. Der Zugriff auf die Datenbank erfolgt entweder wie bis anhin direkt (Fall 1) und unter Einsatz von SQL, über medit (Fall 2) oder über den Interpreter von fcql (Fall 3). Mit medit kann der Datenarchitekt Attribute auswählen, Äquivalenzklassen, linguistische Variablen, linguistische Terme und «membership functions» 7 Siehe dazu auch die Arbeiten zum Thema «Imperfekte Daten» und «Erweiterungen des relationalen Modells für unscharfe Klassifikationen»: Merkel, A. (2003). Imperfektion und Datenbanken. Schemaerweiterung zur Abbildung von imperfekten Daten, Schepperle, H., A. Merkel and A. Haag (2004). Erhalt von Imperfektion in einem DataWarehouse. Symposium Data Warehousing und Data Mining, Darmstadt. 14

15 definieren. Der Interpreter erlaubt die Bildung von unscharfen Anfragen, die analysiert und dann nach einer Übersetzung in SQL an die Datenbank geschickt werden. Das Resultat ermöglicht dem Interpreter, die Unschärfe für den Benutzer zu berechnen. 8 Abbildung 11: Architektur des fcql Toolkits 6. Bibliographie Codd, E. F., S. B. Codd and C. T. Salley (1993). Providing OLAP to User-Analysts: An IT Mandate. Codd & Associates. Michigan Elmasri, R. and S. B. Navathe (2004). Fundamentals of Database Systems. Boston Haag, A. (2004). Konzeption und Umsetzung einer Erweiterung des Common Warehouse Metamodel (CWM) zur Beschreibung von imperfekten Daten. Karlsruhe, Hofmann, M. and M. Mertiens (2000). Customer-Lifetime-Value-Management. Kundenwerte schaffen und erhöhen: Konzepte, Strategien, Praxisbeispiele. Wiesbaden Koop, E. A. (2004). Datenbankunterstützung für imperfekte Daten im Verkehrsumfeld. Karlsruhe, Meier, A. (2003). A Data Warehouse Approach to Customer Relationship Management. Proceedings of the 2 nd International Conference "Management Education for the 21 st Century", Hanoi, Vietnam. Meier, A., C. Mezger, N. Werro, et al. (2003). Zur unscharfen Klassifikation von Datenbanken mit fcql. Proceedings of the GI-Workshop LLWA - Lehren, Lernen, Wissen, Adaptivität. Meier, A., N. Werro and M. Albrecht (2005). Using a Fuzzy Classification Query Language for Customer Relationship Management. Proceedings of the Very Large Database Conference (VLDB05), Trondheim. Merkel, A. (2003). Imperfektion und Datenbanken. Schemaerweiterung zur Abbildung von imperfekten Daten. Nançoz, C. (2004). medit. membership function editor for fcql-based architecture. Fribourg, OMG (2003). Common Warehouse Metamodel (CWM) Specification. 8 Siehe dazu auch den ausführlichen Artikel von Christian Nançoz: Nançoz, C. (2004). medit. membership function editor for fcql-based architecture. Fribourg,

16 Schepperle, H., A. Merkel and A. Haag (2004). Erhalt von Imperfektion in einem DataWarehouse. Symposium Data Warehousing und Data Mining, Darmstadt. Vossen, G. (2000). Datenmodelle, Datenbanksprachen und Datenbankmanagementsysteme. München Werro, N., A. Meier and C. Mezger (2005). Concept and Implementation of a Fuzzy Classification Query Language. Proceedings of the International Conference on Data Mining (DMIN05). World Congress in Applied Computing, Las Vegas. Werro, N., H. Stormer and A. Meier (2005). Personalized discount - a fuzzy logic approach. Proceedings of the IFIP International Conference on ebusiness, ecommerce and egovernment, Poznan, Poland. Wikipedia. ( ). "Common Warehouse Metamodel." Retrieved from Wikipedia. ( ). "Online Analytical Processing." Retrieved from 16

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.

Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem. Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen

Mehr

OLAP und der MS SQL Server

OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP-Systeme werden wie umfangreiche Berichtssysteme heute nicht mehr von Grund auf neu entwickelt. Stattdessen konzentriert man sich auf die individuellen

Mehr

Data Warehouse Technologien

Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............

Mehr

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

23. Daten-Analyse. Datenwarenhäuser. Grundlagen des OLAP (On-Line Analytical Processing)

23. Daten-Analyse. Datenwarenhäuser. Grundlagen des OLAP (On-Line Analytical Processing) 23. Daten-Analyse Datenwarenhäuser Grundlagen des OLAP (On-Line Analytical Processing) Data Mining: Klassifikation, Assoziationsregeln, Sequenzanalyse Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme,

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die mu l- tidimensionale Betrachtung von Daten zwecks Ermit t- lung eines entscheidungsunterstützenden

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -

Mehr

Aufgabe 1: [Logische Modellierung]

Aufgabe 1: [Logische Modellierung] Aufgabe 1: [Logische Modellierung] a) Entwerfen Sie für das von Ihnen entworfene Modell aus Aufgabe 2 des 1. Übungsblattes ein Star-Schema. b) Entwerfen Sie für das vorangegangene Modell einen Teil eines

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian Kurze BI-Praktikum IBM WS 2008/09 Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH)

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian

Mehr

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle

Mehr

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle ??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Mehr

Hetero-Homogene Data Warehouses

Hetero-Homogene Data Warehouses Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung

Mehr

Das Multidimensionale Datenmodell

Das Multidimensionale Datenmodell Das Multidimensionale Datenmodell Konzeptuelle Modellierung Umsetzung des Modells Beispiel ER-Modell 2 / 36 Probleme ER-Modellierung Keine Unterscheidung Klassifikation, Attribute, Kenngrößen Dimension

Mehr

Visualisierung der Imperfektion in multidimensionalen Daten

Visualisierung der Imperfektion in multidimensionalen Daten Visualisierung der Imperfektion in multidimensionalen Daten Horst Fortner Imperfektion und erweiterte Konzepte im Data Warehousing Betreuer: Heiko Schepperle 2 Begriffe (1) Visualisierung [Wikipedia] abstrakte

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

Mehr

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,

Mehr

Realisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier

Realisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier Realisierung von OLAP Operatoren in einem visuellen Analysetool Vortrag von Alexander Spachmann und Thomas Lindemeier Gliederung Ausgangssituation/Motivation Was ist OLAP? Anwendungen Was sind Operatoren?

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Seminar C02 - Praxisvergleich OLAP Tools

Seminar C02 - Praxisvergleich OLAP Tools C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Erhalt von Imperfektion in einem Data Warehouse

Erhalt von Imperfektion in einem Data Warehouse Erhalt von Imperfektion in einem Data Warehouse Heiko Schepperle, Andreas Merkel, Alexander Haag {schepperle,merkela,haag}@ipd.uni-karlsruhe.de Abstract: Üblicherweise werden in einem Data-Warehouse-System

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen in

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

OLAP mit dem SQL-Server

OLAP mit dem SQL-Server Hartmut Messerschmidt Kai Schweinsberg OLAP mit dem SQL-Server Eine Einführung in Theorie und Praxis IIIBibliothek V dpunkt.verlag Teil OLAP undder Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1

Mehr

ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.

ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is. ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.de insight und dynasight sind eingetragene Markenzeichen der

Mehr

Business Intelligence Data Warehouse. Jan Weinschenker

Business Intelligence Data Warehouse. Jan Weinschenker Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data

Mehr

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Inhalt der Vorlesung. 1 Datenmodellierung (Entity-Relationship Modell) 2 Das relationale Modell. 3 Relationenalgebra. 4 Datenbanksprache (SQL)

Inhalt der Vorlesung. 1 Datenmodellierung (Entity-Relationship Modell) 2 Das relationale Modell. 3 Relationenalgebra. 4 Datenbanksprache (SQL) Inhalt der Vorlesung 1 Datenmodellierung (Entity-Relationship Modell) 2 Das relationale Modell 3 Relationenalgebra 4 Datenbanksprache (SQL) 5 Normalisierung 6 Vom ERM zum Datenbankschema 7 Routinen und

Mehr

Intelligente Kanzlei

Intelligente Kanzlei Seite 1 von 5 Intelligente Kanzlei Datawarehouse und OLAP in der Steuerkanzlei Notwendigkeit eines Kanzleiinformationssystems Seit einigen Jahren sind enorme Veränderungen am Beratungsmarkt durch einen

Mehr

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse

Mehr

Erstellen von Business Intelligence mit Office XP und SQL 2000 Analysis Services

Erstellen von Business Intelligence mit Office XP und SQL 2000 Analysis Services Erstellen von Business Intelligence mit Office XP und SQL 2000 Analysis Services (Engl. Originaltitel: Building Business Intelligence with Office XP and SQL 2000 Analysis Services) In diesem Artikel wird

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter

bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

Mehr

Inhaltsverzeichnis. Teil I OLAP und der Microsoft SQL-Server 1. 1 Theoretische Grundlagen 3

Inhaltsverzeichnis. Teil I OLAP und der Microsoft SQL-Server 1. 1 Theoretische Grundlagen 3 vii Teil I OLAP und der Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1 Was ist OLAP?......................................... 3 1.1.1 Business Intelligence............................... 4 1.1.2

Mehr

Kap. 6 Data Warehouse

Kap. 6 Data Warehouse 1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5

Mehr

Multidimensionales Datenmodell, Cognos

Multidimensionales Datenmodell, Cognos Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur

Mehr

Vorwort zur 5. Auflage... 15 Über den Autor... 16

Vorwort zur 5. Auflage... 15 Über den Autor... 16 Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung

Mehr

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken Profilbezogene informatische Bildung in den Klassenstufen 9 und 10 Schwerpunktthema Robby Buttke Fachberater für Informatik RSA Chemnitz Fachliche Einordnung Phasen relationaler Modellierung Fachlichkeit

Mehr

QUICK-START EVALUIERUNG

QUICK-START EVALUIERUNG Pentaho 30 für 30 Webinar QUICK-START EVALUIERUNG Ressourcen & Tipps Leo Cardinaals Sales Engineer 1 Mit Pentaho Business Analytics haben Sie eine moderne und umfassende Plattform für Datenintegration

Mehr

Nach Data Warehousing kommt Business Intelligence

Nach Data Warehousing kommt Business Intelligence Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

Mehr

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol CRM Customer Relationship Management Gliederung Entwicklung und Einführung von Bezugspunkte und CRM - Systeme Veränderte Rahmenbedingungen Entwicklung CRM - Systeme» Deregulierung verstärkt internationalen

Mehr

Star - Schema. AnPr. Name Klasse Datum. ANPR_StarSchema_v03.docx Seite 1

Star - Schema. AnPr. Name Klasse Datum. ANPR_StarSchema_v03.docx Seite 1 Name Klasse Datum 1 OLAP vs. OLTP In den RDBMS Konfigurationen unterscheidet man zwei verschiedene Grundtypen: OLTP: OnLine Transactional Processing ist für die Transaktionsprozesse und somit zur funktionalen

Mehr

Objektorientierte Datenbanken

Objektorientierte Datenbanken OODB 11 Slide 1 Objektorientierte Datenbanken Vorlesung 11 vom 01.07.2004 Dr. Sebastian Iwanowski FH Wedel OODB 11 Slide 2 Inhalt heute: Datenbanken in betriebswirtschaftlichen Anwendungen OTLP (SAP) Data

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Management Information System SuperX status quo and perspectives

Management Information System SuperX status quo and perspectives Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

Neuerungen Analysis Services

Neuerungen Analysis Services Neuerungen Analysis Services Neuerungen Analysis Services Analysis Services ermöglicht Ihnen das Entwerfen, Erstellen und Visualisieren von Data Mining-Modellen. Diese Mining-Modelle können aus anderen

Mehr

Intelligence (BI): Von der. Nürnberg, 29. November 2011

Intelligence (BI): Von der. Nürnberg, 29. November 2011 Modelle für Business Intelligence (BI): Von der Anforderung zum Würfel Nürnberg, 29. November 2011 Warum Modelle für Business Intelligence (BI)? Warum Modelle für Business Intelligence (BI)? Bis zur Auswertung

Mehr

Fuzzy Customer Segmentation

Fuzzy Customer Segmentation Fuzzy Customer Segmentation Dominic Brügger 19. Mai 2005 Zusammenfassung Die herkömmliche Kundensegmentierung beschränkt sich auf eine scharfe Klassifikation der Kunden. Dies genügt nicht, wenn neben den

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

ENTERBRAIN Reporting & Business Intelligence

ENTERBRAIN Reporting & Business Intelligence Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit

Mehr

Data Warehousing Grundbegriffe und Problemstellung

Data Warehousing Grundbegriffe und Problemstellung Data Warehousing Grundbegriffe und Problemstellung Dr. Andrea Kennel, Trivadis AG, Glattbrugg, Schweiz Andrea.Kennel@trivadis.com Schlüsselworte Data Warehouse, Cube, Data Mart, Bitmap Index, Star Queries,

Mehr

Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2

Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Cubix O.L.A.P... 2 Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Datenverbindung über ODBC... 4 Datenbereitstellung über SQL... 5 Festlegung der Dimensionen... 6 Festlegung der Summen...

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Data Warehouse Technologien

Data Warehouse Technologien mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de

Mehr

3.17 Zugriffskontrolle

3.17 Zugriffskontrolle 3. Der SQL-Standard 3.17. Zugriffskontrolle Seite 1 3.17 Zugriffskontrolle Datenbanken enthalten häufig vertrauliche Informationen, die nicht jedem Anwender zur Verfügung stehen dürfen. Außerdem wird man

Mehr

Self Service BI mit Office 2013 Raúl B. Heiduk

Self Service BI mit Office 2013 Raúl B. Heiduk 1 Self Service BI mit Office 2013 Raúl B. Heiduk Partner: 2 Agenda Begrüssung Vorstellung Referent Inhalt F&A Weiterführende Kurse 3 Vorstellung Referent Name: Raúl B. Heiduk Ausbildung: Dipl. Ing. (FH),

Mehr

Einführung in Business Intelligence

Einführung in Business Intelligence Einführung in Business Intelligence Grundlagen und Anwendungsmöglichkeiten Prof. Dr. Wolfram Höpken wolfram.hoepken@eloum.net eloum @ Hochschule Ravensburg-Weingarten Informationsveranstaltung ebusiness-lotse

Mehr

Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten

Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten Vorname: Nachname: Matrikelnummer: Studiengang: Bei der Klausur sind keine Hilfsmittel

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

VisualCockpit. agile business analytics

VisualCockpit. agile business analytics VisualCockpit agile business analytics Agile Business Analytics mit VisualCockpit Für Unternehmen wird es immer wichtiger die gesamte Wertschöpfungskette aus Daten, sowohl für das operative Geschäft als

Mehr

Modellierung von OLAP- und Data- Warehouse-Systemen

Modellierung von OLAP- und Data- Warehouse-Systemen Andreas Totok Modellierung von OLAP- und Data- Warehouse-Systemen Mit einem Geleitwort von Prof. Dr. Burkhard Huch Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

Mehr

2. Integrationsgegenstände: Prozesse, Funktionen, Daten, IT-Systeme. 3. Vertikale Integrationsrichtung: organisationale Ebenen

2. Integrationsgegenstände: Prozesse, Funktionen, Daten, IT-Systeme. 3. Vertikale Integrationsrichtung: organisationale Ebenen Anwendungssysteme 1. Integrationsdimensionen 2. Integrationsgegenstände: Prozesse, Funktionen, Daten, IT-Systeme 3. Vertikale Integrationsrichtung: organisationale Ebenen 4. Horizontale Integrationsrichtung:

Mehr

Praktisches Beispiel 02.03.2008

Praktisches Beispiel 02.03.2008 Agenda CRM-Philosophie Warum CRM? Chancen und Nutzen einer CRM Lösung Das CRMCoach 4 Phasen Modell CRM Teilbereiche und Architektur Einführung einer CRM Lösung CRM-Lösungen und der Markt Zusammenfassung

Mehr

Model Klausel - Der Excel-Killer von Oracle?

Model Klausel - Der Excel-Killer von Oracle? Model Klausel - Der Excel-Killer von Oracle? Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Model Klausel, SQL, Data Warehousing, OLAP Zusammenfassung Ein Data Mart kann als ein Würfel mit

Mehr

XAMPP-Systeme. Teil 3: My SQL. PGP II/05 MySQL

XAMPP-Systeme. Teil 3: My SQL. PGP II/05 MySQL XAMPP-Systeme Teil 3: My SQL Daten Eine Wesenseigenschaft von Menschen ist es, Informationen, in welcher Form sie auch immer auftreten, zu ordnen, zu klassifizieren und in strukturierter Form abzulegen.

Mehr

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1.

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1. Inhalt der Vorlesung Literatur 1 Datenmodellierung (Entity-Relationship Modell) 2 Das relationale Modell 3 Relationenalgebra 4 Datenbanksprache (SQL) 5 Normalisierung 6 Vom ERM zum Datenbankschema 7 Routinen

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum

Mehr

Oracle-Statistiken im Data Warehouse effizient nutzen

Oracle-Statistiken im Data Warehouse effizient nutzen Oracle-Statistiken im Data Warehouse effizient nutzen Reinhard Mense ARETO Consulting Köln Schlüsselworte: DWH, Data Warehouse, Statistiken, Optimizer, Performance, Laufzeiten Einleitung Für die performante

Mehr

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

Mehr

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert Maika Büschenfeldt Datenbanken: Skript 1 1. Was ist eine relationale Datenbank? In Datenbanken können umfangreiche Datenbestände strukturiert abgelegt werden. Das Konzept relationaler Datenbanken soll

Mehr

Frühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil

Frühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

ConWeaver Make Your Data Work

ConWeaver Make Your Data Work ConWeaver Make Your Data Work 2012 ConWeaver Know-how im Bereich Wissensvernetzung seit 1993 2007 Ausgründung aus der Fraunhofer-Gesellschaft (Mit-)Gewinner des Software-Clusters 2010 und des Innovationspreis-IT

Mehr