Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen

Größe: px
Ab Seite anzeigen:

Download "Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen"

Transkript

1 TDWI Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen Dr. Carsten Bange Geschäftsführer BARC Übersicht Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen 10:00-10:15 Einführung und Übersicht Carsten Bange 10:15-10:45 Speichertechnologien: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Jacqueline Bloemen, Senior Analyst BARC 10:45-11:30 Status Quo und Trends in Master Data Management Dr. Siegmund Priglinger, Senior Analyst BARC 11:30-12:00 Pause 12:00-12:30 Potentiale der unterschiedlichen Datenintegrationstechniken und methoden Timm Grosser, Analyst BARC 12:30-13:00 Methoden und Techniken für das übergreifende Metadatenmanagement Jacqueline Bloemen, Senior Analyst BARC 13:00 13:15 Übergreifende Konzepte: Data Governance und IT Governance Dr. Siegmund Priglinger, Senior Analyst BARC 2

2 Data Management Landkarte Data Governance Business Intelligence Cockpit Reporting Analysis Management Planning Consolidation Data Mining Collaborative Data Provisioning System & Process Monitoring Data Modeling Integration & Quality Data Integration Batch, Real-Time, Virtual(federation), Synchronization/Replication Data Quality Data Profiling Data Cleansing Master Data Consolidation Enrichment Administration Meta Data Mgt. Security 3 Übersicht Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen 10:00-10:15 Einführung und Übersicht Carsten Bange 10:15-10:45 Speichertechnologien: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Jacqueline Bloemen, Senior Analyst BARC 10:45-11:30 Status Quo und Trends in Master Data Management Dr. Siegmund Priglinger, Senior Analyst BARC 11:30-12:00 Pause 12:00-12:30 Potentiale der unterschiedlichen Datenintegrationstechniken und methoden Timm Grosser, Analyst BARC 12:30-13:00 Methoden und Techniken für das übergreifende Metadatenmanagement Jacqueline Bloemen, Senior Analyst BARC 13:00 13:15 Übergreifende Konzepte: Data Governance und IT Governance Dr. Siegmund Priglinger, Senior Analyst BARC 4

3 Speichertechnologien Speichertechnologien für Data Warehousing: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Historie Aktuelle Innovationen Ausblick Historie der etablierten Speichertechnologien Hierarchische h und Netzwerk Datenbanken (Objekt-)Relationale Datenbanken (rdbms) Von E.F. Codd erstmalig 1970 Entity Relationship Modelling (ERM) Multidimensionale Datenbanken (mdbms) E.F. Codd publizierte Regeln für Analysesysteme (OLAP) Heute nicht auf mdbms beschränkt, ROLAP vs. MOLAP Auch in Kombination > HOLAP Spezialisierte Datenspeicher Bspw. für Dokumente, XML, Geo-Daten, Bilder,

4 Vergleich rdbms und mdbms Relationale DBMS Stärken Stabilität und operationelle Verlässlichkeit Standardisierte API (SQL, ODBC/JDBC) Unterstützt heterogene Anforderungen Große Datenvolumen, hohe Anzahl konkurrierender Zugriffe Schwächen Komplexität, insbesondere Performance Tuning für Adhoc- Abfragen Mangelnde Unterstützung ng für Planung und Simulation Häufig fehlende MDX und XMLA API Multidimensionale DBMS Stärken Gute Performance für adhoc Abfragen auf kleine-mittlere Datenvolumen Administration häufig auch durch Fachanwender möglich Unterstützung komplexer Kalkulationen sowie Planung und Simulation Schwächen Große Datenvolumen, hohe Anzahl konkurrierender Zugriffe Hochverfügbarkeit Fokussierung auf OLAP Applikationen Fördert Datenredundanzen Speicherinnovationen für Data Warehousing (1/2) Data Warehouse Appliance Vorkonfigurierte HW und SW für den Einsatz für DWH Applikationen optimiert Zunehmend auch auf Basis von Standard HW Meist preisgünstig, meist einfacher zu verwalten als etablierte Angebote Siehe auch TDWI Track Data Warehouse Appliances am Dienstag 3. Juni ab 14:45 Uhr Im-Memory Datenhaltung I/O ist Performance-kritisch, Vermeidung daher kritischer Erfolgsfaktor Teilweise Nutzung von alternativen Suchmethoden SAP BI Accelerator

5 Speicherinnovationen für Data Warehousing (2/2) Streaming Quasi-real-time Analyse von flüchtigen Daten, deren Persistierung nicht oder nur partiell notwendig ist Beispiel Börsendaten Middleware ( Access ) Kapselung der Speicher-Technologie und der Zugriffs-API s Vereinfachung des Datenzugriffs aus Sicht der Frontends Konsolidierung von Speicher-unabhängigen Caching-Mechanismen Speicherinnovationen: Worin investieren Hersteller? Am Beispiel IBM DB2 for z/os, LUW Relationale Datenbank für OLTP und DWH Informix IDS Relationale Datenbank für OLTP Cubing Cube Views Metadaten für Datenbank und BI Werkzeuge Aggregatmanagement Für SQL und MDX Zugriffe MDX und Caching MDX API zu relationalen und multidimensionalen Datenquellen In-Memory Caching von Datenwürfel Cognos Portfolio Powercubes Multidimensionale Datenbank TM1 In-Memory OLAP Datenbank Cognos Now! Ehemals Celequest, Streaming- Technologie Solid Portfolio Relationale In-Memory Datenbank Zukünftig als SQL Database Cache für DB2 und Informix IDS DB2 Streaming Kooperation mit Mike Stonebreaker

6 Speicherinnovationen: Worin investieren Hersteller? Weitere Beispiele SAP BI Accelerator Oracle Möglicherweise i auch als BI Appliance BI Server Hyperion Essbase Times Ten Zugriffsdienste der Data Warehouse Architektur Collabo oration & Administra ation Serv ices Kapselung der Speicher- Technologie Vereinfachung des Analytical Datenzugriffs Konsolidierung von Speicherunabhängigen Performance Optimierung Cockpit (Caching, Reporting Aggregate) Analysis Planning Data Warehouse Integrated Enterprise Data Fact Tables Dimens. Tables Data Mart Data Mart Access In-Memory, Low Latency Data Integration Data mining EII Near-time sources, MDM, ECM, Office, CAD/CAM ta Service es Security an nd Metada

7 Zugriffsdienste am Beispiel Oracle BI Server Oracle BI Suite Enterprise Edition Interactive Dashboards Reporting & Publishing Ad-hoc Analysis Proactive Detection and Alerts Disconnected Analytics MS Office Plug-in Web Enterprise Business Model and Abstraction Layer Oracle BI Server Intelligent Caching Multidimensional Calculation and Integration Engine Intelligent Request Generation and Optimized Data Access OLTP & ODS Systems Data Warehouse Data Mart SAP, Oracle PeopleSoft, Siebel, Custom Apps Files Excel XML Business Process Zugriffsdienste am Beispiel IBM Cubing IBM InfoSphere Warehouse v9.5

8 Ausblick Speichertechnologien für DWH Spezialisierte Speichertechnologien Funktional sinnvoll, erhöhen aber Komplexität und TCO Zusammenwachsen zu Plattformen Ansatzweise bereits zu erkennen bei kommerziellen und Open Source Lösungen Reduzierung der Verwaltungskomplexität Technologie Fragen - Integration Backend vs. Frontend Zentralisierte, administrative Dienste Ausblick Speichertechnologien für DWH Data Warehouse Access In-Memory, Low Latency EII Integrated Enterprise Data Fact Tables Dimens. Tables Data Mart Data Mart Near-time sources, MDM, ECM, Office, CAD/CAM Zugriffsdienste übernehmen zentralisierte Aufgaben: Kapselung der Speicher-Technologie Vereinfachung des Datenzugriffs Standard APIs wie SQl, MDX, XQUERY Konsolidierung von Speicher-unabhängigen, administrative Metadaten Zugriffsschutz Zugriffs-Optimierung Caching, Aggregate

9 Übersicht Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen 10:00-10:15 Einführung und Übersicht Carsten Bange 10:15-10:45 Speichertechnologien: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Jacqueline Bloemen, Senior Analyst BARC 10:45-11:30 Status Quo und Trends in Master Data Management Dr. Siegmund Priglinger, Senior Analyst BARC 11:30-12:00 Pause 12:00-12:30 Potentiale der unterschiedlichen Datenintegrationstechniken und methoden Timm Grosser, Analyst BARC 12:30-13:00 Methoden und Techniken für das übergreifende Metadatenmanagement Jacqueline Bloemen, Senior Analyst BARC 13:00 13:15 Übergreifende Konzepte: Data Governance und IT Governance Dr. Siegmund Priglinger, Senior Analyst BARC 17 Data Management Landkarte Data Governance Business Intelligence Cockpit Reporting Analysis Management Planning Consolidation Data Mining Collaborative Data Provisioning System & Process Monitoring Data Modeling Integration & Quality Data Integration Batch, Real-Time, Virtual(federation), Synchronization/Replication Data Quality Data Profiling Data Cleansing Master Data Consolidation Enrichment Administration Meta Data Mgt. Security 18

10 Master Data Management Die auslösenden Faktoren BI-Initiativen Initiativen von Excel zur Integration Langzeit Investition MDM-Lösung Migrationen Applikationswechsel Merger & Acquisition Produktmanagement Individual < > Standard Data Governance & Compliance Mission Critical Application Fach Experte < > IT Experte Business Process Management B2B B2C B2B2C Entscheidung < > Regeln Der Auslöser für MDM Integration durch Business Process Management User Dialog Service Prozess schritt Inputobjekte Output- objekte??????????????????? Da ata Sour rces & Targets Operative Prozesse: strukturierte Daten Dispositive Prozesse: aggregierte Daten Kollaborative Prozesse: vernetzte t Daten Konfliktlösung auf Schema Ebene Instanzen Ebene Technologie Ebene 20

11 Master Data Management Prozesse und deren Stammdaten Operative Prozesse: Strukturierte Stammdaten: 1:n, n:m Version Komposition Klasse Variante Relationale Sicht Im Fokus: Finanzdaten Organisationsdaten Produktdaten Dispositive Prozesse: Multidimensionale Sicht Aggregierte Stammdaten: n:1 Kollaborative Prozesse: Massive Redundanz Rd d der Stammdaten Objekte Globale <-> Lokale Sicht Vernetzte Stammdaten: n in m ( Komposition der Attribute ) Globale und lokale Attribute in den Stammdaten Objekten Bewegungsdaten der Klebstoff zwischen den Stammdaten 21 Master Data Management Beispiel für Strukturierte Stammdaten Financial References Kostenstelle, Kostenart, Mandant Business Hierarchies Ergebnisrechnung [Absatzmarktsegmentierung] Ergebnisbereich 1:n 1:n Kostenrechnung Kostenrechnungskreis Glossar: Logistik Gesellschaft 1:1 1:1 Bewertungsplan Kontenplan 1:n Rechnungs wesen 1:n Bewertungskreis Material m:n Geschäftsbereich Buchungskreis 1:n oder n:1 oder 1:n Profitcenter Werk n:1 Lagerort Verkaufsorganisation. Einkaufsorganisation

12 Operationales & Analytisches MDM Vom Einzelstammsatz zu den Verknüpfungen Operationales MDM Analytisches MDM Stammdaten- management Kun nden Liefer ranten Mitarb beiter Prod dukte Finan nzen & Orga nisation Hiera archien ytische täten Anal Entit Partner Daten Produkt Daten Daten- Verknüpfungen Data Governance & Compliance Anfragen, Freigaben, Prozesse, Audit, Risikomanagement 23 Master Data Management Einsatzszenarien und Werkzeugklassen Kollaborative Prozesse Datenkonsolidierung Datenverknüpfungen Daten- Freiheit tsgrade fü ür den Anwende er integration Komplexität in der Anwendung 24

13 Master Data Management Dimensionen für eine Architektur Operative / Analytische Applikationen Zentrale / Dezentrale Datenpflege (Create/Delete/Update) Applikations- / BPM- Prozesse Individual- / Standard- MDM-Lösung Konfigurieren / Programmieren Data Governance & Compliance MDM-Lösung Zentrale / Dezentrale Verteilung Synchrone / Asynchrone Verteilung Globale / Lokale Attribute Registry- / Repositoryspeicher Einzel- / Struktur- Daten Globaler / Lokaler Identifier Master Data Management Dimensionen für eine Implementierung Standards Best Practice Templates Architektur Einsatzszenarien Werkzeugklassen Master Data Management: eine multidimensionale i l Herausforderung Trend zu durchdachten und erprobten Standardlösungen 26

14 Master Data Management Praxisbeispiel Gesundheitswesen 27 Master Data Management Praxisbeispiel Versicherungen

15 Master Data Management Praxisbeispiel Fertigungsindustrie Externes Internes Analyse Internes Operative Internes Reporting Reporting BPM Reporting Steuerung Reporting Konzern- Finanzund weitere Konsolidierung KPIs je Firma Data Warehouse A Vertriebs daten Data Warehouse B Abwicklungs daten Data Warehouse C Inhalte Intervalle Excel SAP CRM ERP 1 ERP 2 SAP Stammdaten (SD,MM, PP) SAP (FI/CO) Vertrieb Auftragsabwicklung Finanz Master Data Management Praxisbeispiel Telekom-Provider Interconnect Revenue Lackage: B2B2B2 2C Settlement Process Data Exchange Data Reconciliation Data Settlement Complexity More Products & Number of Customers New Rating Models Unbundled Rating Number Portability Content Content Value Chain Content Provider Portal ISP Operator Customer Billing Process 30

16 Master Data Management Dimensionen der Herausforderungen Initiativen versus Projekte Auslöser Kritikalität Philosophie versus Technik Reifegrad Nutzer Data Governance & Compliance MDM-Lösung Was wäre, Wenn nicht Reifegrad Anbieter Wechselwirkungen Einflussfaktoren Master Data Management Dimensionen für ein Vorgehensmodell Unternehmenspolitik Menschen Technologie Branche Master Data Management: eine multidimensionale Herausforderung Trend zu MDM-Initiativen als Vorstufen zu Kompetenzzentren, wo Fachbereiche [Data Stewardship & Policy] und IT-Bereich [Technologie] zusammenarbeiten 32

17 Übersicht Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen 10:00-10:15 Einführung und Übersicht Carsten Bange 10:15-10:45 Speichertechnologien: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Jacqueline Bloemen, Senior Analyst BARC 10:45-11:30 Status Quo und Trends in Master Data Management Dr. Siegmund Priglinger, Senior Analyst BARC 11:30-12:00 Pause 12:00-12:30 Potentiale der unterschiedlichen Datenintegrationstechniken und methoden Timm Grosser, Analyst BARC 12:30-13:00 Methoden und Techniken für das übergreifende Metadatenmanagement Jacqueline Bloemen, Senior Analyst BARC 13:00 13:15 Übergreifende Konzepte: Data Governance und IT Governance Dr. Siegmund Priglinger, Senior Analyst BARC 33 Übersicht Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen 10:00-10:15 Einführung und Übersicht Carsten Bange 10:15-10:45 Speichertechnologien: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Jacqueline Bloemen, Senior Analyst BARC 10:45-11:30 Status Quo und Trends in Master Data Management Dr. Siegmund Priglinger, Senior Analyst BARC 11:30-12:00 Pause 12:00-12:30 Potentiale der unterschiedlichen Datenintegrationstechniken und methoden Timm Grosser, Analyst BARC 12:30-13:00 Methoden und Techniken für das übergreifende Metadatenmanagement Jacqueline Bloemen, Senior Analyst BARC 13:00 13:15 Übergreifende Konzepte: Data Governance und IT Governance Dr. Siegmund Priglinger, Senior Analyst BARC 34

18 Data Management Landkarte Data Governance Business Intelligence Cockpit Reporting Analysis Management Planning Consolidation Data Mining Collaborative Data Provisioning System & Process Monitoring Data Modeling Integration & Quality Data Integration Batch, Real-Time, Virtual(federation), Synchronization/Replication Data Quality Data Profiling Data Cleansing Master Data Consolidation Enrichment Administration Meta Data Mgt. Security 35 Der Markt für Datenintegrationswerkzeuge Spezialist Anbieter liefert keine Datenbank oder BI-Frontend Suite-Anbieter Anbieter hat auch Datenbank und/oder BI-Frontends im Portfolio Open Source Spezialisten oder Suite-Anbieter

19 Datenintegrationsplattformen: funktionale Bestandteile Messaging, (auch EAI) Föderation (Enterprise Information Integration) Datentransformation (ETL, ELT) Datenqualität (Profiling, Cleansing) Data Mining Datenmodellierung Metadatenmanagement Master Data Management 37 Architekturen der Datenintegration Direktverbindung EAI ETL Point-to-Point t P i t Bus Hub-and-Spoke Staging Hub Real-Time Near-Time Batch Verzögerung (Lag Time) Direkte Übertragung Mapping Komplexe Transformationen Transformationen Datenvolumen/Job Datensatz Nachricht Dateien 38

20 Methoden der Datenintegration Extraktion, Transformation, Laden Ziel: Datenintegration Zyklische Integration großer Datenmengen Umfangreiche Transformation ETL-Engines & Repositories EII Föderation Ziel: Föderation von Datenquellen Erstellung von Views (Metadaten) und Abfrage auf Anforderung Strukturierte u. unstrukturierte Daten EII Server für Query-Handling ETL EAI Enterprise Application Integration Ziel: Geschäftsprozessintegration Real-/Near-Time Verbindung operativer & dispositiver Systeme Formattransformation von Nachrichten Messaging-Middleware Middl & Broker 39 Föderation Portal Cockpit Reporting Analyse EII-Server hält nur Informationen (Metadaten) t über Datenquellen und Zugriffsrechte Föderierte Sicht im EII-Server A B a b C D c d E F e f G H g h Auf Anforderung werden die Quellsysteme abgefragt g und das Ergebnis zusammengesetzt und weitergeleitet. Datenquelle 1 Datenquelle 2 1 A B 2 C D 3 E F 4 G H 1 a b 2 c d 3 e f 4 g h

21 Ansätze für Datenintegration 3 prinzipielle Ansätze für Datenintegration: Code Generatoren ( 1st generation ) ETL-Engines ( 2nd generation ) Datenbank-Engines (ELT) Hauptunterschiede liegen in der Verteilung der Verarbeitungslast und den eingesetzten Werkzeugen Kombinationen der Ansätze sind notwendig und üblich (z.b. Kombination von Mainframe, SAP und SQL-Datenbank Extraktion/Integration). Zwischen ETL und ELT häufig Architekturentscheidung notwendig, Code Generatoren in vielen Werkzeugen enthalten. 41 Integration von Methoden zur Datenqualität Methoden der Datenqualität Integration von DQ-Methoden in den Datenintegrationsprozess durch direkten Aufruf eines externen Programms oder über Webservices durch Einbettung der DQ-Funktionaliät in Transformationskomponenten

22 Vom ETL-Werkzeug zur Datenintegrationsplattformen Methodenkonvergenz ETL/ELT (Extraktion, Transformation, Laden): zyklische Überführung und Anpassung großer Datenmengen EAI (Enterprise Application Integration): ti Systemübergreifende Prozessausführung durch direkte Übertragung kleiner Datenmengen Föderation: Logische Sicht auf Datenquellen zur Abfrage, Einbeziehung unstrukturierter Daten Unterstützung verschiedener Ansätze zur Umsetzung von Datenintegration Breiteres Funktionsangebot durch Integration von Methoden zur Verbesserung und Überwachung der Datenqualität Ergebnisse aus den BARC Software Evaluationen für Data Warehousing und Datenintegration Performance und Skalierbarkeit weiterhin Thema in jedem Release Entwicklung zur SOA: Integrationsservices für Stamm-, Meta und Bewegungsdaten in strukturierte und unstrukturierte Form Verbesserungen im Metadatenmanagement (Administration, Auswertung und Austausch) Datenmodellierung wird von wenigen Anbietern unterstützt Einbeziehung neuer Datenquellen wie RFID-Daten und Erweiterung der Standardkonnektoren für Applikationen und Datenbanken Transformationen werden von allen Werkzeugen gut bis sehr gut unterstützt

23 Übersicht Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen 10:00-10:15 Einführung und Übersicht Carsten Bange 10:15-10:45 Speichertechnologien: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Jacqueline Bloemen, Senior Analyst BARC 10:45-11:30 Status Quo und Trends in Master Data Management Dr. Siegmund Priglinger, Senior Analyst BARC 11:30-12:00 Pause 12:00-12:30 Potentiale der unterschiedlichen Datenintegrationstechniken und methoden Timm Grosser, Analyst BARC 12:30-13:00 Methoden und Techniken für das übergreifende Metadatenmanagement Jacqueline Bloemen, Senior Analyst BARC 13:00 13:15 Übergreifende Konzepte: Data Governance und IT Governance Dr. Siegmund Priglinger, Senior Analyst BARC 45 Methoden und Techniken für das übergreifende Metadatenmanagement Praktikable Methoden und Techniken für das übergreifende Metadatenmanagement (MEDM) Status Quo Ziele des MEDM Welche Metadaten gibt es überhaupt, wie sind sie gespeichert Prozesse des MEDM (Entwicklung vs. Betrieb) Lösungsansätze und Herausforderungen

24 Metadaten Management: Status Quo Metadaten Management (MEDM) gehört mit Datenmodellierung und Security als übergreifende Funktion zu den Management Metadaten Management (MEDM) gilt in der Praxis als unerreichbar und teuer Strategische, proaktive Wege werden deswegen häufig gar nicht erst begonnen MEDM wird jedoch faktisch betrieben b Werkzeuge mit überlappenden Metadaten werden im Verbund betrieben Beispiel i dimensionales i Datenmodell, BI Tool und DBMS Fehlender, strategischer Ansatz rächt sich in der Praxis Erhöhte Aufwende Mangelnde Qualität Technisches oder konzeptionelles Problem? Metadaten Management: Ziele Übergreifende, fachliche und technische Sicht auf alle Metadaten der DWH und BI Architektur Business Glossary > Geschäftliche Nomenklatur Welches Informationsangebot ist vorhanden? Dokumentation Auswertung Versionierung Lifecycle Management Impact Analysis: Was ist zu tun, wenn sich an einer Stelle etwas ändert (z.b. Datenstruktur in der Datenquelle)? Data Lineage: Wo kommen die Daten her, wie werden sie verarbeitet und verwendet? Austausch und Synchronisation Gleiche Metadaten werden mehrfach verwendet und sind redundant gespeichert Austausch zwischen verschiedene Werkzeuge Möglichst Automatisiert Reduzierung der Pflege Aufwende

25 Metadaten Management: Welche Metadaten gibt es? Semantische, logische und physische Datenmodelle Quellsystem Staging Area Data Warehouse Data Marts (Cubes) Anwendungen Individuelle Datenbestände (opt.) Datenvolumen und Wachstumsraten Historisierungs- /Archivierungsregeln zu Daten Transformationen und Ableitungen In einer und zwischen verschiedenen Datenebene(n) Automatisierung der Abläufe (Scheduling) Reporting-/Analyse-Regeln Historisierung der Abläufe, deren Ergebnisse und Durchlaufzeiten der Nutzung und der Abfragezeiten Zugriffsberechtigungen User, Gruppen und Rollen Definitionen Referenzarchitektur und Werkzeuge: Wo werden Metadaten gespeichert? Collabo oration & Administra ation Serv ices Cockpit Data Warehouse Integrated Enterprise Data Fact Tables Dimens. Tables Reporting Data Mart Data Mart Analytical Analysis Access In-Memory, Low Latency Planning Data Integration Ersteller und Inhalt von Analysen Definition von neuen Kennzahlen Häufigkeit des Zugriffs Data mining ta Service es Letzter Update eines Standardberichts Ressourcen Monitoring (Online/Batch) Accounting und Auditing Informationen EII Security an nd Metada Überblick über die verfügbaren Daten Namenskonventionen Near-time sources, Datenmodelle Abgeleitete, MDM, berechnete Informationen ECM, Summen, Aggregationen Office, CAD/CAM Struktur und Profil der Datenquellen Datenqualitätsbewertung Transformationen Anreicherungen

26 MEDM und Werkzeugintegration Jedes Werkzeug generiert und speichert eigene Metadaten Teilweise strukturiert in einem Repository, teilweise unstrukturiert in Protokoll-Dateien abgelegt, Mischformen Werkzeugübergreifende Überlappungsbereiche hinsichtlich der benötigten Metadaten Große Überlappungen in den Metadateninhalten hinsichtlich Datenhaushalt Weniger große Überlappungen hinsichtlich Funktionalität und Datenverwendung für einzelne Anwendungsbereiche Unterschiedliche Anforderungen an das MEDM Entwicklungsprozess Metadaten im SEP weiter reichen im Sinne des Forward-Engineering Betriebsprozess Laufendes Monitoring sowie end-to-end Analysen im Sinne Change- Managements Beispiele für Metadaten-Flüsse Entwicklungsprozess-Sicht, bspw. Datenmodelle Datenintegrations-Regeln Betriebsprozess-Sicht, bspw. Datenvolumen Nutzungs-Statistiken Daten Reports Beispiel: Hub & Spoke Datenarchitektur Quell- Systeme Staging Area Normalisierte, relationale Daten (atomare Daten) Zugriff durch Anwender und Applikationen Abh. Data Marts (meist aggr. Daten)

27 Metadaten im Entwicklungsprozess: Datenmodellinformationen (Werkzeugsicht) Datenmodellierung Data Warehouse Datenmodell (ERM) Datenmodellierung Data Mart Datenmodell (meist dimensional) DBMS DDL (Tables, Indexes, ) Datenintegration DWH Zieltabellen DBMS DDL (Tables, Indexes) Dimensionale Metadaten Datenintegration DM Zieltabellen Business Intelligence Data Mart Datenmodell, Dimensionale Metadaten Metadaten im SEP weiter reichen im Sinne des Forward-Engineering Metadaten im Betriebsprozess: Laufzeit-Informationen (Werkzeugsicht) Scheduler DWH: Zentral oder Tool-spezifisch, Statistiken Scheduler DM: Zentral oder Tool-spezifisch, Statistiken Scheduler Reports: Zentral oder Tool-spezifisch, Statistiken Datenintegration für DWH, Statistiken Datenintegration für Data Marts, Statistiken Business Intelligence Data Mart Datenmodell, Dimensionale Metadaten, Statistiken DBMS DDL (Table, Indexes, ) Statistiken DBMS DDL (Tables, Indexes, ) Dimensionale Metadaten Statistiken Weitere Speicherungen? Laufendes Monitoring sowie end-to-end Analysen im Sinne des Change-Management

28 MEDM und Werkzeugintegration: Anforderungen Aus Sicht des Entwicklungsprozesses Metadatenaustausch für das Forward-Engineering Definition der Pflege-Master Sicherstellung der Integrität im Zeitverlauf Aus Sicht des Betriebsprozesses Konsolidierung vom Metadaten für eine end-to-end Sicht Mögliche Lösungsansätze Einheitliches Repository Master Repository Virtuelles Repository MEDM und Werkzeugintegration: Aspekte des Entwicklungsprozesses Klärung von Prozesse und Werkzeugverwendung g Wer, zu welchem Zeitpunkt, in welcher Reihenfolge, mit welchem Werkzeug Forward-Engineering Abdeckungsgrad Meta-Attribute Im Metamodell Verfügbare Schnittstellen (Import/Export) Mischformen sind wahrscheinlich Erreichbare Automatisierung Out-of-the-Box vs. Skripting Grenzen der Lizenzierung Integrität vor allem auch organisatorisch sicherstellen Zuständigkeiten Konventionen DBMS DDL (Tables, Indexes, ) Datenmodellierung Data Warehouse Datenmodell (ERM) Datenintegration DWH Zieltabellen DBMS DDL (Tables, Indexes) Dimensionale Metadaten Datenmodellierung Data Mart Datenmodell (meist dimensional) Datenintegration DM Zieltabellen Business Intelligence Data Mart Datenmodell, Dimensionale Metadaten

29 MEDM und Werkzeugintegration: Aspekte des Betriebsprozesses Konsolidierung verschiedenster Metadaten Backward-Engineering Einheitliches Repository Bei sehr wenigen, in sich geschlossenen Lösungen Potential der marktführenden Generalisten derzeit unklar Virtuelles Repository Tatsächliche Speicherformen prägt die Lösungsmöglichkeiten (Komplexität und Kosten) Master Repository Welche Komponente birgt entsprechendes Potenzial? Metamodell Offenheit Change-Management und Versionierung Auswertung Scheduler DWH: Zentral oder Tool-spezifisch, Statistiken Datenintegration für DWH, Statistiken DBMS DDL (Table, Indexes, ) ) Statistiken Scheduler DM: Zentral oder Tool-spezifisch, Statistiken Datenintegration für Data Marts, Statistiken DBMS DDL (Tables, Indexes, ) Dimensionale i Metadaten t Statistiken Scheduler Reports: Zentral oder Tool-spezifisch, Statistiken Business Intelligence Data Mart Datenmodell, Dimensionale Metadaten, Statistiken Weitere Speicherungen? i h? Resümee MEDM Keine Suche nach der ELWMS sie wird (vorerst) unerfüllt bleiben Marktführenden Generalisten beobachten Klarheit, welche Ziele mit welcher Priorität erreicht werden sollen Klarheit über Fähigkeiten und Schnittstellen der involvierten Werkzeuge Kein alleiniger Verlass auf theoretische Zusagen der Hersteller Mit anderen Anwendern sprechen Sorgfältige Auswahl der möglichen Master Weniger gute Eignung von allgemeinen Repositories Gute Chancen bei DI-/DWH-Plattformen Prototyping durchführen Gesunder Pragmatismus

30 Übersicht Strategisches Informationsmanagement: Status Quo und aktuelle Entwicklungen 10:00-10:15 Einführung und Übersicht Carsten Bange 10:15-10:45 Speichertechnologien: Herausforderungen und neue Lösungsansätze für bessere Performance und Skalierbarkeit Jacqueline Bloemen, Senior Analyst BARC 10:45-11:30 Status Quo und Trends in Master Data Management Dr. Siegmund Priglinger, Senior Analyst BARC 11:30-12:00 Pause 12:00-12:30 Potentiale der unterschiedlichen Datenintegrationstechniken und methoden Timm Grosser, Analyst BARC 12:30-13:00 Methoden und Techniken für das übergreifende Metadatenmanagement Jacqueline Bloemen, Senior Analyst BARC 13:00 13:15 Übergreifende Konzepte: Data Governance und IT Governance Dr. Siegmund Priglinger, Senior Analyst BARC 59 Data Governance Definition und Einordnung Data Management ist die Planung, Steuerung und Kontrolle der gesamte Datenstrategie und architektur eines Unternehmens zur Verwaltung der Informationsbestände und Steuerung der internen und externen Informationsflüsse. Data Governance legt Prozesse, Fähigkeiten, Führungsart und IT- Ressourcen fest, die erforderlich sind, um die Informations- Ressourcen des Unternehmens erfolgreich einsetzen zu können. Data Governance umfaßt das gesamte Data Management und ist wesentlicher Teil der IT Governance. Leitidee The Right Data at the Right Place at the Right Time Initiativen in Business Intelligence und Data Warehousing führen notwendigerweise zu Data Governance

31 Von SOA zu Data Governance Geschäftsdaten als Teil von SOA Ausgangspunkt jeden Frameworks, das die Anforderungen aus Geschäftssicht mit den Möglichkeiten der Informationstechnologie in einer Service-orientierten Welt verbindet, ist das Dreieck Geschäftsprozesse Geschäftsdaten Geschäftsmethoden/ -regeln Data Governance umfasst alle Supportaktivitäten, die sich um die Geschäftsdaten t kümmern. Data Governance ist notwendige Voraussetzung für SOA. Von SOA zu Data Governance die Daten- Der Prozess triggert die Daten. Prozesse Methoden / Daten- Daten-Silos Die Daten triggern den Prozess.

32 Data Management Landkarte Data Governance Business Intelligence Cockpit Reporting Analysis Management Planning Consolidation Data Mining Collaborative Data Provisioning System & Process Monitoring Data Modeling Integration & Quality Data Integration Batch, Real-Time, Virtual(federation), Synchronization/Replication Data Quality Data Profiling Data Cleansing Master Data Consolidation Enrichment Administration Meta Data Mgt. Security 63 Das Data Governance Competence Center von BI und SOA zu Data Governance End User Process Consultant Process Owner App.Management Key User Basis Betrieb Fachbereich DG CC IT Infrastruktur Das BI CC wandelt sich zu einem DG CC. Wichtige Themen für das DG CC Entwicklung von Strategien und Prioritäten rund um DG. Zentrale Stelle für alle datenbezogenen Aktivitäten im Unternehmen. Institutionalisierung der Zusammenarbeit zwischen IT und Fachbereich. Verbesserung des Know-How-Austausches und Abstimmung über Dateninhalte (übergreifend genutzte Strukturen und Datenmodelle) unter den Fachbereichen. Definition von Leitlinien für unterschiedliche Themen wie Technologie, Werkzeugeinsatz, Datenintegration, Datenqualität, Security, Das DG CC benötigt ein Framework.

Master Data Management - Wege aus der Datenkrise

Master Data Management - Wege aus der Datenkrise Master Data Management - Wege aus der Datenkrise Conect 2008-04-03 Dr. Siegmund Priglinger Business Application Research Center (BARC) Steinbachtal 2b D-97082 Würzburg +49-931-8806510 www.barc.de Agenda

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

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

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

O-BIEE Einführung mit Beispielen aus der Praxis

O-BIEE Einführung mit Beispielen aus der Praxis O-BIEE Einführung mit Beispielen aus der Praxis Stefan Hess Business Intelligence Trivadis GmbH, Stuttgart 2. Dezember 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg

Mehr

Die Rolle von Stammdaten-Management in einer SOA

Die Rolle von Stammdaten-Management in einer SOA Die Rolle von Stammdaten-Management in einer SOA Frankfurt, Sept. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business Intelligence Rolle

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

Mehr

Rolle des Stammdatenmanagements in einer SOA

Rolle des Stammdatenmanagements in einer SOA Rolle des Stammdatenmanagements in einer SOA Forum Stammdatenmanagement, November 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Data Warehouse Grundlagen

Data Warehouse Grundlagen Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen

Mehr

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence: Markt, Trends und Technologien Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence & Corporate Performance Management Entwicklung des BI-Softwaremarktes Seit Jahren robustes

Mehr

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch Markus Ruf, Geschäftsführer mip GmbH Jens Kretzschmar, Senior

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

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

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

Mehr

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA Agenda VORSTELLUNG B.TELLIGENT WIE ENTSTEHT EINE KENNZAHL? WAS SIND METADATEN? AUFBAU UND FUNKTIONSWEISE DES BI WIKI LIVE DEMO ZUSAMMENFASSUNG

Mehr

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI Hannover, 10. März 2014 Patrick Keller, Senior Analyst Business Application Research Center BARC Historie BARC ist der führende

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

PRODATIS CONSULTING AG. Folie 1

PRODATIS CONSULTING AG. Folie 1 Folie 1 Führend im Gartner Magic Quadranten für verteilte, interagierende SOA Projekte Oracle ist weltweit auf Rang 1 auf dem Markt der Enterprise Service Bus Suiten (ESB) für SOA Software 2010 26,3 %

Mehr

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT DIE DATEN IM ZENTRUM: SAS DATA RAINER STERNECKER SOLUTIONS ARCHITECT SAS INSTITUTE SOFTWARE GMBH Copyr i g ht 2013, SAS Ins titut e Inc. All rights res er ve d. NEUE WEGE GEHEN SAS DATA GOVERNANCE & QUALITY

Mehr

Markttrends im Data Warehousing Bereich. Aktuelle Tendenzen und Technologien. CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC

Markttrends im Data Warehousing Bereich. Aktuelle Tendenzen und Technologien. CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC Markttrends im Data Warehousing Bereich Aktuelle Tendenzen und Technologien CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC Was sind die Hauptprobleme in BI-Projekten? Top 5 Probleme beim Einsatz

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

Michael Bauer Niederlassungsleiter Köln

Michael Bauer Niederlassungsleiter Köln Click to edit Master title style 1 Michael Bauer Niederlassungsleiter Köln Hamburg, 18. Juni 2009 2009 IBM Corporation Agenda Click to edit Master title style 2 zur Person Wo, Warum.., Was - CPM liefert

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise

Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise A Company of Prof. Dr. Bernhard Humm OOP 2006 sd&m Developer Day München, 18. Januar 2006 sd&m AG, 18.1.2006, Seite 1 Anwendungslandschaften

Mehr

Master Data Management als Basis für eine Enterprise SOA Strategie

Master Data Management als Basis für eine Enterprise SOA Strategie Master Data Management als Basis für eine Enterprise SOA Strategie Executive Round Table MDM, Wien, Februar 2008 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor

Mehr

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57 1... Einleitung... 15 1.1... Zielgruppen dieses Buches... 17 1.2... Aufbau des Buches... 18 1.3... Hinweise zur Benutzung des Buches... 21 1.4... Danksagung... 23 2... Grundlagen der Datenmodellierung...

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information SPoT Agenda Begrüßung und Vorstellung CAS AG Markttrends aus Analystensicht Big Data Trusted Information Lars Iffert, BARC GmbH Dr. Oliver Adamczak, IBM Deutschland GmbH Factory Ansatz für ETL-Prozesse

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP V04 02. Mai 2011, 16.15-17.45 Uhr, ITS-Pool nur zugelassene Teilnehmer Niedersächsisches Hochschulkompetenzzentrum für SAP (CCC) Aktuelles

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

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas

Mehr

Menschen entscheiden über Geschäftserfolg

Menschen entscheiden über Geschäftserfolg 1C01 Die Microsoft Business Intelligence- Plattform: SQL Server 2005, das 2007 Office System und Office Business Applications Steffen Krause Technologieberater Microsoft Deutschland GmbH http://blogs.technet.com/steffenk

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Oracle Business Process Analysis Suite. Gert Schüßler Principal Sales Consultant

<Insert Picture Here> Oracle Business Process Analysis Suite. Gert Schüßler Principal Sales Consultant Oracle Business Process Analysis Suite Gert Schüßler Principal Sales Consultant 1 Geschäftsprozesse Zerlegung am Beispiel Kreditvergabe Antrag aufnehmen Antrag erfassen Schufa Kunden

Mehr

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

Richtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services

Richtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services Launch Microsoft Dynamics AX 4.0 Richtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services Sonia Al-Kass Partner Technical

Mehr

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

Mehr

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst Durchblick im Self-Service-Dschungel Hannover, 16.03.2015 Patrick Keller, Senior Analyst Business Application Research Center (BARC) B Europas führendes IT-Analysten- und -Beratungshaus für Business Software

Mehr

good. better. outperform.

good. better. outperform. good. better. outperform. Analytic mit Oracle BI relational oder besser multidimensional? 8. Oracle BI & DWH Konferenz, 20.03.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence

Mehr

ETL Monitoring & Tuning durch Auswertung der OWB Laufzeit-Metadaten. Referent: Lutz Bauer, Leiter CC Data Integration, MT AG

ETL Monitoring & Tuning durch Auswertung der OWB Laufzeit-Metadaten. Referent: Lutz Bauer, Leiter CC Data Integration, MT AG ETL Monitoring & Tuning durch Auswertung der OWB Laufzeit-Metadaten Referent: Lutz Bauer, Leiter CC Data Integration, MT AG MT AG managing technology Key-facts: 1994: Gründung als MT Software GmbH 2000:

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

COGNOS PERFORMANCE MANAGEMENT. Jörg Fuchslueger, COGNOS Austria Manager Professional Services

COGNOS PERFORMANCE MANAGEMENT. Jörg Fuchslueger, COGNOS Austria Manager Professional Services COGNOS PERFORMANCE MANAGEMENT Jörg Fuchslueger, COGNOS Austria Manager Professional Services Agenda Cognos Performance Management Unternehmensweites Berichtswesen AdHoc Analysen Überwachung und Steuerung

Mehr

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG DW2004 XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science Dr. Michael Hahne, cundus AG 3. November 2004 cundus AG 2004 Gliederung Motivation SAP Business Information Warehouse

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

Mehr

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist

Mehr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche

Mehr

InfoSphere Change Data Capture/Change Data Delivery

InfoSphere Change Data Capture/Change Data Delivery InfoSphere Change Data Capture/Change Data Delivery Aktuellste Daten für Ihr Datawarehouse 1 Information Management ist eine Wertschöpfungskette für die RICHTIGE Information zu jeder Zeit, am richtigen

Mehr

25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU

25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU BLUEFORTE GmbH Dirk Lerner 25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU 1 Elemente des Data Vault (Basic) HUB

Mehr

Cubeware Connectivity for SAP Solutions

Cubeware Connectivity for SAP Solutions Cubeware Connectivity for SAP Solutions Beispiele und Anwendungsfälle 1. Modellierung, Extraction, Transformation und Loading mit Datenquelle SAP R/3 und mysap ERP Mit Hilfe des Cubeware Importers und

Mehr

BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center

BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center Ing. Polzer Markus öffentlich Inhaltsverzeichnis 1 2 3 4 5 6 7 Kurzvorstellung Raiffeisen Solution Business Intelligence Strategie

Mehr

SAP Business Intelligence

SAP Business Intelligence SAP Business Intelligence Helmut Roos Diplom-Ingenieur Unternehmensberater Grundlagen zu Netweaver 7.0 D-67067 Ludwigshafen +49 (621) 5 29 44 65 Data Acquisition Common Read / Write Interface Open Interface

Mehr

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014 Datenintegration, -qualität und Data Governance Hannover, 14.03.2014 Business Application Research Center Führendes europäisches Analystenhaus für Business Software mit Le CXP (F) objektiv und unabhängig

Mehr

Corporate Performance Management als Weiterentwicklung von Business Intelligence

Corporate Performance Management als Weiterentwicklung von Business Intelligence Martin Kobrin Corporate Performance Management als Weiterentwicklung von Business Intelligence Grundlagen, Implementierungskonzept und Einsatzbeispiele Diplomica Verlag Martin Kobrin Corporate Performance

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

Mehr

Modellierung und Implementierung einer End-to-End BI Lösung

Modellierung und Implementierung einer End-to-End BI Lösung IBM Software Group Modellierung und Implementierung einer End-to-End BI Lösung DB2 Information Management Software Martin Clement, mclement@de.ibm.com Otto Görlich, ogoerlich@de.ibm.com Stefan Sander,

Mehr

arcplan Edge V.2.7 in 30 min von 0 auf 100 Stefan Koch VP Product Management 31. März 2011

arcplan Edge V.2.7 in 30 min von 0 auf 100 Stefan Koch VP Product Management 31. März 2011 arcplan Edge V.2.7 in 30 min von 0 auf 100 Stefan Koch VP Product Management 31. März 2011 arcplan 2011 Agenda Was ist arcplan Edge? Komponenten von arcplan Edge arcplan Edge Roadmap Live Demo arcplan

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

Business Intelligence Center of Excellence

Business Intelligence Center of Excellence Center of Excellence Eine Businessinitiative von Systematika und Kybeidos Werner Bundschuh Was ist das? In der Praxis versteht man in den meisten Fällen unter die Automatisierung des Berichtswesens (Reporting).

Mehr

mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com

mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com Wer sind wir? Wir sind ein unabhängiges Beratungs- und Analystenhaus für Business Intelligence Beratungs-

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

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Jochen Heßler, 16.03.2015 2002 Gegründet in Freiburg, Deutschland 2002 Heute Büros in Freiburg, Frankfurt, Düsseldorf, Paris, Boston

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

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Ian Perry Marco Lehmann Stefan Sander Darmstadt, 6.11.2012 Einmal Pie-Chart und zurück Ian Perry Sales Engineer - IP&S Client Technical

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015 Symbiose hybrider Architekturen im Zeitalter digitaler Transformation Hannover, 18.03.2015 Business Application Research Center (BARC) B (Analystengruppe Europas führendes IT-Analysten- und -Beratungshaus

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

PROZESSE INTEGRIEREN leicht gemacht EFFIZIENTE PROZESSE

PROZESSE INTEGRIEREN leicht gemacht EFFIZIENTE PROZESSE PROZESSE INTEGRIEREN leicht gemacht DURCH TransConnect Geschäftsprozesse ableiten mit der Universal Worklist (UWL) Integrationsszenarien effektiver verwalten und transportieren Optimierte Personalverwaltung

Mehr

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Patrick Keller Senior Analyst BARC Business Application Research Center BARC ist Marktanalyst und Berater spezialisiert auf Business Intelligence, Daten- und Dokumentenmanagement.

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

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

Delivering new, powerful reporting solutions with open source BI Michael Schlenzka, Jaspersoft

Delivering new, powerful reporting solutions with open source BI Michael Schlenzka, Jaspersoft Delivering new, powerful reporting solutions with open source BI Michael Schlenzka, Jaspersoft 2009 Jaspersoft Corp. All rights reserved. 0509JW Agenda Reporting und Rechenzentren Vorstellung Jaspersoft

Mehr

Data Governance als Teil von IT Governance. Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007

Data Governance als Teil von IT Governance. Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007 1 Data Governance als Teil von IT Governance Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007 2 Agenda Informatica - Allgemeiner Überblick Die Informatica Data Quality Lösungen im Überblick

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

SOA im Zeitalter von Industrie 4.0

SOA im Zeitalter von Industrie 4.0 Neue Unterstützung von IT Prozessen Dominik Bial, Consultant OPITZ CONSULTING Deutschland GmbH Standort Essen München, 11.11.2014 OPITZ CONSULTING Deutschland GmbH 2014 Seite 1 1 Was ist IoT? OPITZ CONSULTING

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

Lebenslauf. Persönliche Angaben. Sprachen. Aus- und Weiterbildung. mündlich: gut schriftlich: gut Grundkenntnisse. Englisch.

Lebenslauf. Persönliche Angaben. Sprachen. Aus- und Weiterbildung. mündlich: gut schriftlich: gut Grundkenntnisse. Englisch. Lebenslauf Persönliche Angaben Name, Vorname Aktuelle Position Nationalität Abplanalp, Dieter Senior Architect, Projekt Manager Schweizer Sprachen Deutsch Englisch Italienisch Muttersprache mündlich: gut

Mehr

Microsoft Office SharePoint Server 2007

Microsoft Office SharePoint Server 2007 Microsoft Office SharePoint Server 2007 Personen, Prozesse und Informationen verbinden Präsentation Version 1.0 Datum 03-07-2008 1 Agenda Das Duet Ernie und Bert Portale Wieso? Weshalb? Warum? Die Lösung

Mehr

Die Rolle des Stammdatenmanagements im digitalen Unternehmen

Die Rolle des Stammdatenmanagements im digitalen Unternehmen Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Die Rolle des Stammdatenmanagements im digitalen Unternehmen Frankfurt, April 2015 Die Digitalisierung der Welt Nach der Globalisierung

Mehr

Mehrwerte schaffen durch den Einsatz von Business Intelligence

Mehrwerte schaffen durch den Einsatz von Business Intelligence Mehrwerte schaffen durch den Einsatz von Business Intelligence 1 Menschen beraten Menschen beraten BTC zeigt Wege auf - Sie entscheiden BTC zeigt Wege auf - Sie entscheiden Martin Donauer BTC Business

Mehr

Kluge Entscheidung! Business Intelligence für Mittelstand und Fachabteilungen

Kluge Entscheidung! Business Intelligence für Mittelstand und Fachabteilungen Kluge Entscheidung! Business Intelligence für Mittelstand und Fachabteilungen Von Cubeware bekommen Sie alles, was Sie für leistungsstarke BI-Lösungen brauchen. 2 Cubeware steht für Erfahrung, Know-how

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

SOA goes real Service-orientierte Architekturen erfolgreich planen und einführen

SOA goes real Service-orientierte Architekturen erfolgreich planen und einführen Daniel Liebhart SOA goes real Service-orientierte Architekturen erfolgreich planen und einführen ISBN-10: 3-446-41088-0 ISBN-13: 978-3-446-41088-6 Inhaltsverzeichnis Weitere Informationen oder Bestellungen

Mehr

4. WORKSHOP - OSBI Big Data und Datenvirtualisierung. Dr. Sebastian Streit & Maxim Zehe

4. WORKSHOP - OSBI Big Data und Datenvirtualisierung. Dr. Sebastian Streit & Maxim Zehe 4. WORKSHOP - OSBI Big Data und Datenvirtualisierung Dr. Sebastian Streit & Maxim Zehe F. Hoffmann-La Roche AG Gegründet 1896 in Basel Über 80.000 Mitarbeitende Führende Position in Pharma Fokussierung

Mehr

Digitalisierung wie aus einer Strategie Realität wird.

Digitalisierung wie aus einer Strategie Realität wird. Digitalisierung wie aus einer Strategie Realität wird. Information Builders International Summit Frankfurt, 10.06.2015 Dr. Carsten Bange, Business Application Research Center (BARC) Knüpfen wir dort an,

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

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

Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault

Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Herbert Rossgoderer Geschäftsführer Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH ISE

Mehr

Willkommen im Haifischbecken:

Willkommen im Haifischbecken: Willkommen im Haifischbecken: Strategien der vier Megavendoren Zürich 18. November 2009 Wolf K. Müller Scholz Business Intelligence Magazine wms@bi-magazine.net 1 Business Intelligence: Tastsinn Lehre

Mehr

Das generierte Data Warehouse

Das generierte Data Warehouse Das generierte Data Warehouse Aspekte beim Einsatz von DWH-Generatoren Peter Welker (Trivadis GmbH) BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN STUTTGART WIEN 1

Mehr