Data Warehouse Version: June 26, Andreas Geyer-Schulz und Anke Thede

Transkript

1 Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude Rechenzentrum, 1. Stock, Zi. 169 Universität Karlsruhe (TH) D Karlsruhe Tel: Fax: Sprechstunde nach Vereinbarung ( )

2 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 1

3 Contents Contents 1 Data Warehousing Herkunft der Information über Kunden Datenquellen - operationale Systeme Notwendigkeit eines Data Warehouses Integrierte Kundendaten im Data Warehouse Was machen entscheidungsunterstützende Systeme Data Warehouse für analytisches CRM Unterschiede operational Data Warehouse Data Warehouse Eigenschaften eines Data Warehouse Data Marts Komponenten eines Data Warehouses 16 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 2

4 Data Warehousing 1 Data Warehousing Kundenkontakt Firmenkontakt Produktlisten Umsätze Zahlungen Umsätze/Erträge Kundensegmente Promotionhistory Campaign Response Customer Value Score Kundenkontakte Trouble Tickets Fragebögen Umfragen Zahlungen SFA-DB Marketing-DB Call Center-DB Ein Unternehmen mehrere Datenbanken evtl. Inkonsistenz, Kunde erwartet aber konsistentes Verhalten! Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 3

5 Herkunft der Information über Kunden 1.1 Herkunft der Information über Kunden von - Direktverkaufsinteraktionen 60% - 50% - Call-Center Interaktionen 43% - Website Besuche 40% - Umfragen 28% - Fokusgruppen 28% - Messen 27% (Yankee Groups 2000) Fokusgruppen: speziell ausgewählte Gruppen, die repräsentativ für bestimmte Kundensegmente sind. Z.B. vor Erstellung eines Fragebogens zum Ausloten wichtiger Fragen. Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 4

6 Datenquellen - operationale Systeme 1.2 Datenquellen - operationale Systeme Rechnungssysteme Bestell- und Versorgungssysteme Provisionssysteme Enterprise Resource Planning Systeme Human Resource Systeme Point-of-sale Daten Web Server Marketing Datenbanken Call-Center Systeme Corporate Financial Packages interne, operative Systeme, meist beschränkt integriert, ursprünglich zur Unterstützung bestehender Geschäftsprozesse konzipiert. Externe Datenprovider Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 5

7 Notwendigkeit eines Data Warehouses 1.3 Notwendigkeit eines Data Warehouses Damit das Management strategische Entscheidungen treffen kann, braucht es die richtigen Informationen Operationale Systeme sind nicht in der Lage diese strategischen Informationen zu liefern Data Warehouse Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 6

8 Integrierte Kundendaten im Data Warehouse 1.4 Integrierte Kundendaten im Data Warehouse Umfrage Daten Demografische Daten Kauf geschichten Call Center Kontakte Data Warehouse Campaign Response Retouren Web Aktivität Verrechnung und Zahlung Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 7

9 Was machen entscheidungsunterstützende Systeme 1.5 Was machen entscheidungsunterstützende Systeme Werden eingesetzt zum Beobachten dess Geschäftsprozesses Zeig mir die meistverkauften Produkte an Zeig mir dir Problemregionen an Sag mir warum Zeig mir andere Daten Alarmiere mich, wenn in einem Bereich weniger verkauft wird als erwartet Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 8

10 Data Warehouse für analytisches CRM 1.6 Data Warehouse für analytisches CRM Customer Profiling Partner Contribution Measurement Revenue Analysis Customer Segmentation ERP SCM Workforce Optimization Analytical CRM Enterprise Data (Nicht aus CRM) Operational CRM Activity Management SRM Contact Management Customer Support PRM Campaign Management Pricing and Configuration e-commerce Customer Value Measurement Financial Supplier Evaluation Billing Product Channel Next-Sequential Analysis Propensity-to-Buy Purchase Analysis Modelling Churn Analysis and Prediction Risk Scoring Customer Satisfaction Analysis Campaign Measurement Prospect Qualification Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 9

11 Unterschiede operational Data Warehouse 1.7 Unterschiede operational Data Warehouse operational Data Warehouse Dateninhalt aktuelle Daten archivierte, abgeleitete, zusammengefasste Daten Datenstruktur optimiert für Transaktionen optimiert für komplexe Abfragen Zugriffshäufigkeit hoch mittel bis niedrig Zugriffsart lesen, updaten, löschen lesen Benutzung vorhersagbar, wiederholentisch Ad hoc, zufällig, heuris- Antwortzeit <1 sek. mehrere Sek. bis Min. Nutzer große Anzahl relativ kleine Anzahl Normalisierung ja meist denormalisiert Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 10

12 Data Warehouse 1.8 Data Warehouse Data Warehouse ist ein entscheidungsunterstützendes System Data Warehouse bezieht Daten von mehreren (verschiedenen) operationalen Systemen dazwischen werden die Daten bereinigt, aggregiert und transformiert, so dass sie das geeignete Format für das Data Warehouse haben das Data Warehouse bietet somit eine integrierte und komplette Übersicht über das Unternehmen das Data Warehouse ist eine benutzerfokussierte Umgebung Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 11

13 Eigenschaften eines Data Warehouse 1.9 Eigenschaften eines Data Warehouse " A Data Warehouse is a subject oriented, integrated, nonvolatile, and time variant collection of data in support of management s decicsions." (Bill Inmon) themenbezogene Daten / Subject-Oriented Data integrierte Daten / Integrated Data Data Warehouse bezieht Daten von mehreren (verschiedenen) operationalen Systemen Inkonsistenzen eliminieren Standardisierung(Namen,etc.) zeitlich variable Daten / Time-Variant Data operationales System: aktuelle Werte Data Warehouse: enthält historische Daten unvergängliche Daten / Nonvolatile Data Daten im Data Warehouse werden normalerweise nicht gelöscht oder geändert Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 12

14 Eigenschaften eines Data Warehouse Detailstufen der Daten / Data Granularity operationales System: höchste Detailstufe, keine zusammengefassten Daten Data Warehouse: mehrere Detailstufen möglich, da oft zusammengefasste Daten gewünscht Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 13

15 Data Marts 1.10 Data Marts Data Mart: ist ein Teilbereich eines Data Warehouses, der für einen bestimmten Organisationsbereich oder Anwendung geschaffen wird Verschiedene Architekturansätze: Top-down approach / " von oben nach unten" -Ansatz riesiges Data Warehouse füttert lokale, abteilungsspezifische Data Marts Vorteile: unternehmensweite Sicht, Konsistenz Nachteile: höheres Fehlerrisko Data Marts Data Staging Area globales Data Warehouse Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 14

16 Data Marts Bottom-up approach / " von unten nach oben" -Ansatz individuelle, lokale Data Marts verbinden zu Data Warehouse Vorteile: schnellere und einfachere Implementierung, geringeres Risiko Nachteile: jeder Data Mart hat nur eine auf seine eigenen Daten begrenzte Sicht blind für unternehmensweite Fragestellungen, redundante Daten in unterschiedlichen Data Marts Data Staging Area Data Staging Area Data Staging Area Data Mart Data Mart Data Mart globales Data Warehouse Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 15

17 Komponenten eines Data Warehouses 2 Komponenten eines Data Warehouses Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 16

18 Komponenten eines Data Warehouses Quelldaten Produktionsdaten: Daten von den verschiedenen operationalen Systemen (verschiedene Datenformate, verschiedene Plattformen, Inkonsistenzen in den Daten) interne Daten (z.b. aus Verkäufernotizen) archivierte Daten: historische Daten aus alten archivierten Daten gewinnen externe Daten: Daten von externen Quellen, Daten von/über Konkurrenten, Kennzahlen zur Überprüfung der Performance Industrietrends ausfindig machen, eigene Performance mit anderen vergleichen Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 17

19 Komponenten eines Data Warehouses Data Staging Extraktion, Transformation und Laden (ETL-Prozess) finden hier statt Extraktion Extraktion der Daten von den verschiedenen Quellen, angepasste Extraktionsprozesse Transformation Daten bereinigen: Schreibfehler und Duplikate entfernen, Standardwerte für fehlende Datenelemente einführen Standardisierung: Datentypen, Feldlängen für gleiche Datenelemente, Synonyme(>=2 Ausdrücke meinen das gleiche) und Homonyme(ein Ausdruck hat mehrere verschiedene Bedeutungen) auflösen unnütze Quelldaten werden gelöscht Zusammenfassung bestimmter Daten, wenn Details nicht wichtig sind Transformieren des Datenmodells Laden Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 18

20 Komponenten eines Data Warehouses erstes sehr großes Laden bei Inbetriebnahme Aktualisierung in gewissen Zeitabständen Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 19

21 Komponenten eines Data Warehouses Metadaten Data Warehouse Datenstrukturen Management und Kontrolle koordiniert die Dienste und Aktivitäten innerhalb eines Data Warehouses Administration des Data Warehouses erhält Informationen aus den Metadaten Information Delivery User mit unterschiedliche Data Warehouse-Kenntnissen brauchen unterschiedliche " information delivery" -Mechanismen Online, Intranet, Internet, , etc. [Pon01] Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 20

22 References References [Pon01] Paulraj Ponniah. Data Warehousing Fundamentals. John Wiley & Sons, Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 21