CRM mit SAP CRM: SAP NetWeaver BI

Größe: px
Ab Seite anzeigen:

Download "CRM mit SAP CRM: SAP NetWeaver BI"

Transkript

1 SoSe 2012 CRM mit SAP CRM: SAP NetWeaver BI Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt

2 Literatur 1 Egger, N. et al. (2006): SAP BW Reporting und Analyse, 1. Auflage korrigierter Nachdruck, Bonn. Egger, N. et al. (2007): SAP Business Intelligence, 1. Auflage korrigierter Nachdruck, Bonn. Egger, N. et al. (2007): SAP BW Datenbeschaffung, 1. Auflage korrigierter Nachdruck, Bonn. Kießwetter, M.; Vahlkamp, D. (2007): Data Mining in SAP NetWeaver BI, 1.Auflage, Bonn. Mehrwald, C. (2007): Datawarehousing mit SAP BW 7, 4. Auflage, Heidelberg.

3 Copyright 2 SAP, SAP Logo, R/2, RIVA, R/3, SAP ArchiveLink, SAP Business Workflow, WebFlow, SAP EarlyWatch, BAPI, SAPPHIRE, Management Cockpit, SAP, SAP.com und alle im Text erwähnten SAP-Produkte und Dienstleistungen, Screenshots sowie die entsprechenden Logos sind Marken oder eingetragene Marken der SAP AG in Deutschland und anderen Ländern weltweit

4 Struktur der Übung 3 Allgemeines Theorie SAP Praxis / Übungen

5 Lernziele der Übung 4 Theorie Was ist ein DW? Was versteht man unter einem ETL- Prozess? SAP-Praxis Wie ist die Software aufgebaut? Wie funktioniert die Software?

6 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung 3.2 Data Warehouse 3.3 Business Intelligence

7 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

8 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

9 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

10 3.1 Einführung Definition analytisches CRM 9 Back Office Enterprise Ressource Planning Supply Chain Management Interaktionskanäle Customer Touch Points CRM- Anwendungen Basis- Anwendungen Operative CRM-Systeme Analytische CRM-Systeme Marketing- Prozesse Außendienst Innendienst Filiale Data Mining Sales- Prozesse Pers. Kontakt WWW Website Data Warehouse Quelle: in Anlehnung an: Hippner/Wilde 2006, S. 48; Kemper/Baars 2008, S. 2 Service- Prozesse Telefon Brief/Fax Etc. CIC OLAP Etc. Kampagne Opportunity Feedback Stammdaten Lead Angebot/Auftrag Support Aktivitäten Kontakt Eskalation Workflow Operative Kundendatenbank Analytisches CRM dient der Untersuchung des Kundenbestandes und -verhaltens. In diesem Umfeld werden auf der Basis kundenzentrierter Data Warehouses mit Hilfe von Analysesystemen (vor allem Data Mining und OLAP) Kundenwertmodelle, Kundensegmentierung bzw. -klassifikationen und kundenspezifische Verhaltensänderungen ermittelt (Churn-Analysen).

11 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

12 3.1 Einführung Closed-Loop-Prozess 11 Geschlossener Regelkreis verschafft strategischen Mehrwert und bindet Kunden langfristig. Im operativen Bereich gewonnene Daten werden im analytischen CRM ausgewertet. Ergebnis: - Gezieltere Kundenansprache - Intensivere Kundenbindung Die daraus abgeleiteten Erkenntnisse werden in den Produktionsprozess eingearbeitet, verwirklicht und somit wieder in den operativen Verfahren eingespeist. Der Regelkreis ist geschlossen!

13 3.1 Einführung Closed-Loop-Prozess 12 Praktische Anwendungen: Service-Hotline Kundenbefragung After Sales Management (Postkarte beilegen) Internet: Verkaufsportale, Online Marketing, Verfahren um Verhalten der Internetbesucher zu analysieren Kombi-Produkte: Amazon Kunden die dieses Buch gekauft haben, haben auch gekauft.

14 3.1 Einführung Closed-Loop-Prozess 13 Ziel: Quelle: Egger et al. 2007a, S. 27 Operative Daten in analysierbare Informationen umzuwandeln, daraus Action Knowledge (handlungsauslösendes Wissen) zu generieren, um damit wieder Einfluss auf die operativen Systeme zu nehmen.

15 3.1 Einführung Closed-Loop-Prozess 14 Ziel: Eliminieren der Wissenslücke! Quelle: Egger et al. 2007a, S. 57

16 3.1 Einführung Closed-Loop-Prozess 15 Voraussetzung: Unternehmensweite, konsistente Informationslandschaft als Basis. Die 5 Schritte des Closed-Loop Business Analytics Process: 1. Verfolgen 2. Analysieren 3. Modellieren 4. Entscheiden 5. Handeln Quelle: Egger et al. 2007a, S. 27 ff.

17 3.1 Einführung Closed-Loop-Prozess 16 Closed-Loop Business Analytics Process 1. Schritt: Verfolgen Datenbeschaffung und Datenhaltung Extraktion der Daten aus allen relevanten operativen Systemen (entweder zeitversetzt oder Echtzeit) Bereinigung, Umwandlung, Anreicherung und Vereinheitlichung der Daten SAP: Laden und Lagerung der bereinigten Daten im Enterprise Data Warehouse Layer des Data Warehouses Quelle: Egger et al. 2007a, S. 27 f.

18 3.1 Einführung Closed-Loop-Prozess 17 Closed-Loop Business Analytics Process 2. Schritt: Analysieren Datenbereitstellung, Daten stehen für Analyse mit Business Intelligence- Werkzeugen zur Verfügung Möglichkeit von Query, Reporting und multidimensionale Analysen Beantwortung der Fragen: Was ist passiert? Wie ist es passiert? Wann ist es passiert? Es fehlen jedoch die Antworten auf folgende Fragen: Welche Entscheidungsalternativen gibt es? Was ist die optimale Entscheidung? Was sind die Tragweiten, Konsequenzen dieser Entscheidung? Was wird passieren? Quelle: Egger et al. 2007a, S. 27 f.

19 3.1 Einführung Closed-Loop-Prozess 18 Closed-Loop Business Analytics Process: Evolutionspfad analytischer Methoden Quelle: Egger et al. 2006, S. 58

20 3.1 Einführung Closed-Loop-Prozess 19 Closed-Loop Business Analytics Process 3. Schritt: Modellieren Kreieren von Regeln, Klassifizierungen und weiteren Modellen mit Hilfe von Advanced-Analytics-Werkzeugen (fortschrittliche Analyse Werkzeuge) Einsatz von: Entscheidungsmodellierung Prognostik Simulation Optimierung Risikoanalyse Quelle: Egger et al. 2007a, S. 28

21 3.1 Einführung Closed-Loop-Prozess 20 Closed-Loop Business Analytics Process 4. Schritt: Entscheiden Auf Basis von soliden Informationen, die auch anwendergerecht präsentiert wurden, Entscheidungen zu treffen. Grundlage bietet der Zugriff auf die konsistenten und integrierten Informationen. Quelle: Egger et al. 2007a, S. 29 f.

22 3.1 Einführung Closed-Loop-Prozess 21 Closed-Loop Business Analytics Process 5. Schritt: Handeln Bildet die Rückkopplung zu den operativen Prozessen im Unternehmen Vollautomatisch = Retraktion Entscheider mit handlungsauslösendem Wissen = manuelle Rückkopplung Beispiele: Weitere Marketing Kampagne auf Basis der Ergebnisse früherer Kampagnen Automatische Sperrung einer Kreditkarte im Falle des Betrugsverdachts (Transaktionsanalyse!) Aufgrund von Kundenprofilen Kredite gewähren oder verweigern Quelle: Egger et al. 2007a, S. 29 f.

23 3.1 Einführung Closed-Loop-Prozess 22 Ziele des Closed-Loop-Prozesses: Den Prozess an sich beschleunigen ohne zu schnelle vorzeitige Entscheidungen zu treffen. Präzision bei der Entscheidungsfindung! Verständnis der Auswertungsergebnisse und Marktkenntnisse, um echte Wettbewerbsvorteile zu generieren! Quelle: Egger et al. 2007a, S. 30

24 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

25 3.1 Einführung SAP 24

26 3.1 Einführung SAP 25 SAP: Systeme, Anwendungen und Produkte in der Datenverarbeitung Aktiengesellschaft Größter europäischer und weltweit 4. größter Softwarehersteller Mitarbeiter Über Kunden und 12. Mio Anwender Niederlassungen in mehr als 50 Ländern Umsatz in 2011: 14,233 Mrd. Euro Quelle: SAP

27 3.1 Einführung SAP 26 Externe Entwicklungen Entwicklungsverlauf: Grau = informationstechnologische Konzepte Quelle: Einkauf.Österreich.com SAP Produktentwicklungen Schwarz = dazugehörige SAP Lösungen

28 3.1 Einführung SAP 27 SAP SCM/APO SAP ERP SAP CRM Operative Prozesse Analytische Prozesse Quelle: SAP Beschaffungspartner Nachfragefluss Auftragserfüllungsfluss Finanzmittelfluss Unternehmen Analyse und Reporting SAP Netweaver BI Vertriebspartner Kunde

29 3.1 Einführung SAP ERP 28 FI (Financial Accounting) Quelle: SAP FI CO: Controlling CO-PC: Kostenträgerrechnung (Product Costing) CO-OM-CEL: Kostenartenrechnung (Cost Element Accounting) CO-OM-CCA: Kostenstellenrechnung (Cost Center Accounting) SEM: Strategic Enterprise Management EC: Enterprise Controlling PSM: Haushaltsmanagement (Public Sector Management) PS: Projektabwicklung (Project System) Human Capital Management Logistics PA: Personnel Management MM: Materialwirtschaft (Materials Management) PP: Produktionsplanung und -steuerung (Production Planning and Control) LE: Lagerverwaltung, Versand und Transport (Logistics Execution) IS: Branchenlösungen

30 3.1 Einführung SAP NetWeaver BI Menübaum 29 Quelle: SAP NetWeaver BI

31 3.1 Einführung SAP NetWeaver BI: Data Warehousing Workbench 30 Nur im Bereich des BI Training KU Eichstätt-Ingolstadt / Übung SoSe 12 wird gearbeitet!!! Quelle: SAP NetWeaver BI

32 3.1 Einführung SAP NetWeaver BI 31 Wichtige Symbole: Enter Sichern Zurück Beenden Abbrechen Freigabe / Bestätigung der getätigten Eingabe Sichern der zuvor eingegebenen Daten man gelangt eine Anwendungsstufe zurück auf den vorherigen Bildschirm aktuelle Anwendung wird ohne Datensicherung verlassen beendet Anwendung ohne Speicherung der Daten Suchen F1-Hilfe Anzeigen <-> Ändern Aktivieren Neu anlegen Auffrischen F4 Quelle: SAP NetWeaver BI Suchen von Daten, die auf dem aktuellen Bildschirm angezeigt werden kurze Feldhilfe zu dem Feld auf dem sich der Cursor befindet wechselt vom Anzeigen in den Änderungsmodus aktiviert die getätigte Eingabe / Änderung gibt die Möglichkeit zur Neuanlage eines Objektes integriert die neuen Änderungen und zeigt aktuelle Situation an Werthilfe

33 3.1 Einführung SAP NetWeaver BI 32 Symbole: Merkmal Kennzahl Dimension Info Objekt Katalog Quelle: SAP NetWeaver BI InfoCube DataSource InfoProvider InfoObjects

34 3.1 Einführung SAP NetWeaver BI: Customizing 33 Nach Erwerb eines SAP-Systems muss die Software an die unternehmensspezifischen Anforderungen angepasst werden. Customizing bezeichnet die Vorgehensweise der Systemkonfiguration, in der die Mitarbeiter des Projektteams Systemeinstellungen vornehmen. Customizing wird im SAP-System über den Einführungsleitfaden (IMG: Implementation Guide) vorgenommen. IMG: Werkzeug zur Anpassung des SAP-Systems an die betriebswirtschaftlichen Anforderungen im Unternehmen. Alle Änderungen die im Customizing vorgenommen werden haben später Auswirkungen auf die Handhabung des Systems. -> Nur Dokumentationen betrachten, keine Änderungen durchführen!!! Quelle: SAP

35 3.1 Einführung SAP NetWeaver BI: Customizing 34 Quelle: SAP NetWeaver BI

36 3.1 Einführung SAP NetWeaver BI Benutzeroberfläche 35 Login Die Kommunikation zwischen dem Benutzer und dem SAP System erfolgt üblicherweise über das SAP GUI (Graphical User Interface) und ist lokal auf den entsprechenden Clients installiert. Eingabe: VS_12-XX (Nummer wird vom Dozenten vergeben!) Passwort: winter Quelle: SAP NetWeaver BI

37 3.1 Einführung SAP NetWeaver BI Benutzeroberfläche 36 Übungen 1-10: Einführende Aufgaben zu SAP NetWeaver BI

38 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

39 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

40 3.2 Data Warehouse Definition 39 Ausgangsproblematik (d.h. ohne Data Warehouse) Nachfolgende Abbildung (Heine 1999, S. 75) veranschaulicht die damit i.d.r. verbundene Speicherung der Daten in unterschiedlichen Datenbanksystemen mit abweichenden physikalischen und logischen Strukturen. Datenauswertung Datengenerierung Fakturierungssystem Managementunterstützendes Teilinformationssystem Operatives Teilinformationssystem Auftragssystem Buchhaltungssystem Vorstandsinformationssystem Finanzinformationssystem Marketinginformationssystem Individuelle Lösungen Aus Sicht der Datenauswertung bedeutet dies, dass Informationen auf horizontaler Ebene über mehrere operative Anwendungssysteme - teilweise redundant - verteilt sind und informationelle Zusammenhänge durch u.a. unterschiedliche Modelle, Schlüsselung und Zeitbezüge der Bewegungsdaten verloren gehen. Verteilung Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.].

41 3.2 Data Warehouse Definition 40 Ausgangsproblematik (d.h. ohne Data Warehouse) Zudem werden teilweise Daten individuell zum Zweck der Auswertung direkt aus den operativen Systemen extrahiert. Dies führt zu einer Belastung der operativen Systeme, zu Medienbrüchen und innerhalb des managementunterstützenden Teilinformationssystems teilweise zu personenspezifischen Datenbanken, die von einzelnen Anwendern weiterverarbeitet und ausgewertet werden. Dies wiederum führt entlang der vertikalen Ebenen der Informationssystem- Pyramide zu starkem Wachstum, Heterogenität und Redundanz der Datenbestände und damit zu einer mangelhaften Datenqualität (Heine 1999, S. 72 ff.). Insgesamt entsteht für das Herauslösen und Zusammenführen von Daten zum Zweck der Auswertung ein sehr hoher Aufwand. Das Konzept des Data Warehouse wurde entwickelt, um die genannten Integrationsdefizite zu beheben. Es hat in der Praxis eine rasche Verbreitung erfahren und wesentlich zur Reifung der MSS beigetragen. Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.].

42 3.2 Data Warehouse Definition 41 Begriffsabgrenzung und Eigenschaften Der Data-Warehouse-Begriff umfasst sowohl technische als auch betriebswirtschaftliche Aspekte. Data Warehouse : Datenbank, die aus der technischen Sicht Daten aus verschiedenen Datenquellen integriert und aus der betriebswirtschaftlichen Sicht dem Anwender diese Daten zu Analysezwecken zur Verfügung stellt (Bauer/Günzel 2004, S. 5). Data Warehouse : Eine von den operationalen Systemen isolierte Datenbank, die als unternehmensweite Datenbasis für alle Ausprägungen managementunterstützender Systeme dient und durch eine strikte Trennung von operationalen und entscheidungsunterstützenden Daten und Systemen gekennzeichnet ist (Mucksch/Behme 2000, S. 6). Zu den Leitgedanken des Data Warehouse zählen somit Integration, Separation und Informationsbereitstellung für Analysezwecke. Quelle: Bauer, A.; Günzel, H. (2004): Data Warehouse Systeme - Architektur Entwicklung Anwendung, 2. Aufl., Heidelberg. Mucksch, H.; Behme, W. (2000): Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik. In: Mucksch, H.; Behme, W. (Hg.): Das Data Warehouse-Konzept - Architektur - Datenmodelle - Anwendungen, 4. Aufl., Wiesbaden, S

43 3.2 Data Warehouse Definition 42 Begriffsabgrenzung und Eigenschaften Integration: Übernahme von Daten aus unterschiedlichen Vorsystemen mit verschiedenen Datenhaltungen (z.b. relationale Datenbanken, hierarchische Datenbanken, Flat- Files) und Datenformaten (z.b. Datenbank-Tabellen, unstrukturierte Textdateien, Bild-Dateien). Zu den Vorsystemen gehören nicht nur die internen operativen Informationssysteme, mit denen die Geschäftsvorfälle des betrieblichen Basissystems in Transaktionen innerhalb des Informationssystems abgebildet werden (Online Transaction Processing Systems, OLTP), sondern auch externe Systeme, wie z.b. kommerzielle Datenbanken. Relevante atomare Daten der Vorsysteme werden periodisch extrahiert, in vielfältiger Weise aufbereitet und im Data Warehouse systematisch zusammengeführt (vgl. Chamoni/Gluchowski 2006, S. 12). Nach den englischen Bezeichnungen der Teilschritte - Transformation, Extraction und Loading - wird dieser Vorgang auch als ETL-Prozess bezeichnet. Quelle: Chamoni, P.; Gluchowski, P. (2006): Analytische Informationssysteme - Einordnung und Überblick. In: Chamoni, P.; Gluchowski, P. (Hg.): Analytische Informationssysteme - Business Intelligence-Technologien und Anwendungen, 3. Aufl., Berlin [u.a.], S

44 3.2 Data Warehouse Definition 43 Begriffsabgrenzung und Eigenschaften Separation: Basiert auf der Erkenntnis, dass die operativen Vorsysteme durch analytische Abfragen nicht in ihrem reibungslosen Betrieb gestört werden dürfen. Beeinträchtigungen eines operativen Systems durch darauf ausgeführte analytische Abfragen lassen sich technisch kaum verhindern. Nachfolgende Abbildung (leicht modifiziert nach Mucksch/Behme 2000, S. 16) verdeutlicht, dass die Auslastung der zugrunde liegenden Hardware bei den transaktional ausgerichteten operativen Systemen relativ gleichmäßig ist. HW-Nutzung operative DV-Systeme Zeit Managementunterstützungssysteme Quelle: Mucksch, H.; Behme, W. (2000): Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik, in: Mucksch, H.; Behme, W. (Hg.): Das Data Warehouse-Konzept - Architektur - Datenmodelle - Anwendungen, 4. Aufl., Wiesbaden, S HW-Nutzung Zeit

45 3.2 Data Warehouse Definition 44 Begriffsabgrenzung und Eigenschaften Informationsbereitstellung für Analysezwecke : Hard- und Software sowie Datenmodell der operativen Systeme sind für die schnelle Bearbeitung von kurzen, einfachen Transaktionen ausgelegt, wobei die Anfragen keine modellseitige Bevorzugung haben und damit auf einem anfrageflexiblen Datenmodell basieren. Analytische Abfragen hingegen umfassen sehr viele Datensätze in langen Lesetransaktionen und benötigen ein analysebezogenes Datenmodell. Die Daten der operativen Systeme sind zeitaktuell und ständigen Modifikationen unterworfen. Analytische Anwendungen dagegen benötigen konsolidierte, stabile und meist aggregierte Daten. Das Datenbankschema des Data Warehouse muss sich dem Einsatzzweck anpassen und wird im Gegensatz zu den OLTP-Systemen nicht anwendungsneutral, sondern auswertungsorientiert mit vorgedachten Analysepfaden ausgelegt Dies spricht ebenfalls für die Separation von operativen und Data Warehouse- Systemen. Quelle: Bauer, A.; Günzel, H. (2004): Data Warehouse Systeme - Architektur Entwicklung Anwendung, 2. Aufl., Heidelberg, S. 8 ff.

46 3.2 Data Warehouse Nutzenpotenziale eines Data Warehouse 45 Gründe für ein gesondertes Data Warehouse: Themenorientierung Vereinheitlichung Zeitraumorientierung Beständigkeit Quelle: SAP

47 3.2 Data Warehouse Nutzenpotenziale eines Data Warehouse 46 Begriffsabgrenzung und Eigenschaften Fakturierungssystem Managementunterstützendes Teilinformationssystem Data Warehouse- Zwischenschicht Operatives Teilinformationssystem Auftragssystem Buchhaltungssystem Data Warehouse Vorstandsinformationssystem Finanzinformationssystem Marketinginformationssystem Data Warehouse-Systeme haben sich als Zwischenschicht durchgesetzt, die dispositive und operative Applikationen entkoppelt (s. Abbildung, leicht modifiziert nach Strauch 2002, S. 24). Das Data Warehouse stellt somit ein Teilinformationssystem des betrieblichen Informationssystems dar. Es handelt sich hierbei weder um einen Standard, noch um ein Produkt, sondern viel mehr um eine Architektur, deren Umsetzung für jedes Unternehmen unterschiedliche Software- und Hardware- Komponenten umfasst und einen sehr hohen Anteil an Fachwissen benötigt (Heine 1999, S. 112). Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.]. Strauch, B. (2002): Entwicklung einer Methode für die Informationsbedarfsanalyse im Data Warehousing, Bamberg.

48 3.2 Data Warehouse Definition 47 Marketing- Prozesse Sales- Prozesse Service- Prozesse Back Office Enterprise Ressource Planning Supply Chain Management Quelle: Hippner/Wilde 2006, S. 48 Interaktionskanäle Customer Touch Points CRM- Anwendungen Basis- Anwendungen Operative CRM-Systeme Analytische CRM-Systeme Pers. Kontakt WWW Telefon Brief/Fax Etc. Außendienst Innendienst CIC Filiale Website Etc. Kampagne Opportunity Feedback Lead Angebot/Auftrag Support Stammdaten Kontakt Workflow Aktivitäten Eskalation Operative Kundendatenbank Data Warehouse Data Mining OLAP

49 3.2 Data Warehouse Architektur des Data Warehouse Systems 48 Abfrage- und Analysewerkzeuge Direktzugriff Analysen Berichte Benutzerschnittstelle bzw. Output-Schicht Verdichtungsstufe n Metadaten Data Marts Quelle: in Anlehnung an: Mucksch/Behme 1996, S. 64 ff. Datenbasis Datenschnittstelle bzw. Input-Schicht Transformationsprogramme Verdichtungsstufe 2 Verdichtungsstufe 1 Archivierungssysteme Unternehmensinterne und externe transaktionsorientierte Daten

50 3.2 Data Warehouse Nutzenpotenziale eines Data Warehouse 49 Technischer Nutzen Verbesserte Datenintegration Keine dezentralen Datenprüfungen mehr notwendig Schnelle Abfragen möglich Entlastung operativer Anwendungen Flexible Zugriffsmöglichkeiten Quelle: SAP Betriebswirtschaftlicher Nutzen Verbesserte Informationsbereitstellung Frühzeitiges Erkennen von Trends Zügige Reaktion auf Umweltveränderungen Verbesserung der Kundenzufriedenheit Harmonisierung von Begriffen

51 3.2 Data Warehouse Nutzenpotentiale eines OLTP im Vergleich zum Data Warehouse 50 Online Transaction Processing DWH Ziel Effizienz durch Automation Vorteile durch Wissensgenerierung Inhalt der Daten Anwendungs- & funktionsbezogen Themenbezogen Art der Daten Transaktionsdaten Aggregierte- & Transaktionsdaten Alter der Daten Aktuell, zeitnah: Tage Historisch, aktuell, zukünftig Datenvolumen Klein Sehr umfangreich Hauptfunktionalität Häufige Änderungen Zeitabhängige Auswertungen State of the Art beim Normalisiert Relationale & multidimensionale DB Datenbanksystem Erlaubte Operationen auf Einfügen, Aktualisieren, Löschen, Lesen den Datenbestand Lesen Quelle: SAP

52 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

53 3.2 Data Warehouse ETL Prozess 52 Bevor BI relevante Daten im DW bereit gestellt werden können, sind umfangreiche Bearbeitungsaktivitäten erforderlich. Im ETL-Prozess werden die operativen Systeme aufgegriffen und in betriebswirtschaftlich interpretierbare Daten transformiert. ETL besteht aus 3 nachfolgenden Prozessschritten: Extraktion der relevanten Daten aus verschiedenen Quellen (Filterung) Transformation der Daten in das Schema und Format der Zieldatenbank (syntaktische und semantische Datenaufbereitung) Laden der Daten in das Data Warehouse (Datenübernahme in das DW)

54 3.2 Data Warehouse ETL Prozess 53 Extraktion Extrakt Interne Datenquelle Data Warehouse Bereinigte Rohdaten Extrakt Externe Datenquelle Erster Schritt Auswahl der Daten aus Quellsystem Vorbereitung der Daten für Transformation In der Regel wird nur ein Ausschnitt aus den Quelldaten selektiert

55 3.2 Data Warehouse ETL Prozess 54 Datenquellen Meist aus verschiedenen Informationssystemen Oftmals bestehen sie aus unterschiedlichen Datenformaten und Datenstrukturen. Im Idealfall sind die Daten in relationalen Datenbanken abgelegt. Unstrukturierte Textdaten lassen sich nur schwer einlesen! ETL- Tools ermöglichen den Zugriff auf vielfältige Datenformate. Quelle: SAP

56 3.2 Data Warehouse ETL Prozess 55 Aktualität der Datenquellen Extraktion muss regelmäßig stattfinden Asynchrone Extraktion Periodisch Ereignisgesteuert Nachfragegesteuert Synchrone Extraktion Oftmals stehen für das Auslesen aus operativen Datenbestände nur begrenzt Zeitfenster zur Verfügung; daher nachts Zugriff auf Quellsysteme um den operativen Tagesbetrieb nicht durch aufwendige Lese- und Kopiervorgänge zu behindern! Quelle: SAP

57 3.2 Data Warehouse ETL Prozess 56 Transformation Unterteilung des Transformationsprozesses in 4 Einzelschritte: Quelle: Kemper/Finger 2006, S Filterung 2. Harmonisierung 3. Aggregation 4. Anreicherung

58 3.2 Data Warehouse ETL Prozess 57 Transformation 1. Schritt: Filterung Filterung: Extraktion und Bereinigung syntaktischer und inhaltlicher (semantischer) Defekte der Daten Syntaktische Mängel: falsche Steuerzeichen, formale Fehler Semantische Mängel: Fehler betriebswirtschaftlich-inhaltlicher Art (offensichtlich falsche Umsatzzahlen) Quelle: Kemper/Finger 2006, S. 114 ff.

59 3.2 Data Warehouse ETL Prozess 58 Unterscheidung: Mängel 1., 2. und 3. Klasse 1. Klasse: lassen sich automatisch erkennen und während des Extraktionsvorgangs auch automatisch korrigieren 2. Klasse: Defekterkennung erfolgt automatisch, die Korrektur muss aber nach dem Extraktionsvorgang manuell vorgenommen werden 3. Klasse: Mängel können ausschließlich manuell erkannt und korrigiert werden Die Mängel 2. und 3. Klasse bedingen kurz- oder mittelfristig eine Fehlerbereinigung in den operativen Quellsystemen! Quelle: Kemper/Finger 2006, S. 114 ff.

60 3.2 Data Warehouse ETL Prozess 59 Syntaktische Mängel: 1. Klasse: Bekannte Formatanpassungen Beispiel: intern verwendete Sonderzeichen werden durch Mapping- Tabellen automatisch beim Extrahieren erkannt und bereinigt 2. Klasse: Erkennbare Formatinkompatibilitäten Beispiel: Quelle: Kemper/Finger 2006, S. 114 ff. Entdecken bislang unberücksichtigter Syntaxvarianten der operativen Datenquellen / erkennbare Formatinkompatibilitäten

61 3.2 Data Warehouse ETL Prozess 60 Semantische Mängel: 1. Klasse: Fehlende Datenwerte 2. Klasse: Ausreißerwerte / unstimmige Wertekonstellationen Beispiel: Negative Umsatzzahlen; Abhilfe durch Plausibilitätskontrollen, Domänenüberprüfung zur Identifikation fehlerhafter Datenfelder 3. Klasse: Unerkannte semantische Fehler in operativen Quellen Beispiel: Quelle: Kemper/Finger 2006, S. 114 ff. Zuordnung Produkte zu Produktgruppen; Extrahierte Daten enthalten inkorrekte Datenwerte

62 3.2 Data Warehouse ETL Prozess 61 Transformation 2. Schritt: Harmonisierung der Daten Die gefilterten und bereinigten Daten werden zusammengeführt 3 Problemklassen: Abgleichen von Kodierungen, Synonymen und Homonymen Auflösen von Schlüsselharmonien Betriebswirtschaftliche Harmonisierung Quelle: Kemper/Finger 2006, S. 114 ff.

63 3.2 Data Warehouse ETL Prozess 62 Kodierung: Einzelne Datenbestände können unterschiedlich kodiert sein. So könne Attribute wie Geschlecht in Datenquelle 1 als M / W kodiert sein, in Datenquelle 2 als 0 / 1 Variable -> Harmonisierung durch einheitlichen Attributwert 0 / 1

64 3.2 Data Warehouse ETL Prozess 63 Synonyme = unterschiedliche Attributnamen können die gleiche Bedeutung haben. Beispielsweise kann in Datenquelle 1 für den Namen von Betriebsmitarbeitern das Attribut Personal vorgesehen sein, in Datenquelle 2 aber Mitarbeiter -> Harmonisierung durch identische Attributnamen Homonyme = gleiche Attributnamen können unterschiedliche Bedeutung haben. In Datenquelle 1 kann Partner den Namen von Kunden bezeichnen, in Datenquelle 2 den Namen von Lieferanten -> Harmonisierung durch unterschiedliche Attributnamen

65 3.2 Data Warehouse ETL Prozess 64 Auflösung von Schlüsseldisharmonien Beim Zusammenführen von Daten aus mehrer Datenbanken ist ein gemeinsamer Primärschlüssel notwenig. Mit Hilfe von Zuordnungstabellen wird jedem neuen Kunden ein künstlicher Primärschlüssel generiert. Die Primärschlüssel der operativen Systeme werden als Fremdschlüssel mitgeführt, so dass übergreifende Datenauswertungen möglich sind. Im letzten Schritt erfolgt die Vereinheitlichung betriebswirtschaftlicher Begriffe. Bsp.: Währungen, Periodenzählweise, Einheiten etc. Quelle: SAP

66 3.2 Data Warehouse ETL Prozess 65 Beispiel: Schlüsseldisharmonien Kundenreklamation eines schadhaften Ersatzteils. Herstellerfirma hat anderen Schlüssel als Vertriebsfirma -> Garantiefall ohne angelegten Lieferantenschlüssel und ohne Beschaffungssystem, kein Kundenschlüssel bekannt -> Lieferant des schadhaften Ersatzteils ist nicht identifizierbar! Quelle: SAP

67 3.2 Data Warehouse ETL Prozess 66 Transformation 3. Schritt: Aggregation Betriebswirtschaftliche Aufbereitung. Die Daten werden in die gewünschte Granularität (Detaillierungsebene der abgelegten Daten innerhalb eines DWH) überführt. Aggregationsalgorithmen für tagesaktuelle Daten zusammenfassen Vorsummierung für betriebswirtschaftliche Kennziffern Entwicklung von Dimensionshierarchietabellen (Kunde, Kundengruppe, Gesamt) Wichtiger Einschnitt was Neutralität der Daten betrifft Quelle: Kemper/Baars 2008, S. 10; Kemper /Finger 2006, S. 114 ff.

68 3.2 Data Warehouse ETL Prozess 67 Granularität Beschreibt den Detaillierungsgrad von Daten Sehr detaillierte Daten haben eine niedrige Granularität Mit steigender Verdichtung der Daten wird eine höhere Granularität erreicht Die Granularität wirkt sich unmittelbar auf den benötigten Speicherplatz, die Verarbeitungsgeschwindigkeit und die Flexibilität des Data Warehouses aus Quelle: Kemper/Finger 2006, S. 132

69 3.2 Data Warehouse ETL Prozess 68 Quelle: Skript Wirtschaftsuniversität Wien Transformation 4. Schritt: Anreicherung Aufweichung der strikten Trennung zwischen Daten und Programmlogik. Die Daten werden um betriebswirtschaftliche Kennziffern expandiert. Vorteile: Abfragen sind effizienter durchführbar Die errechneten Werte sind wegen der einmaligen Berechnung konsistenter Es liegt ein abgestimmtes betriebswirtschaftliches Instrumentarium vor Dieser Prozess findet in der Staging Area statt!

70 3.2 Data Warehouse ETL Prozess 69 Laden der geprüften Daten Die vorbereiteten Daten werden in das Data Warehouse integriert. Hierzu müssen sie physikalisch in die Datenbank des DW verschoben werden und darauf aufbauende Datenanalysesysteme aktualisiert werden. Das Laden aus der Staging Area in das DW soll möglichst effizient geschehen, daher werden meist nicht alle Daten bei jeder Aktualisierung geladen, sonder nur die Neuen. Um operativen Betrieb nicht zu beeinträchtigen wird der ETL Prozess meist über Nacht abgewickelt. Quelle: SAP

71 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence

72 3.2 Data Warehouse Vom DW zum SAP NetWeaver BI 71 Abfrage- und Analysewerkzeuge Direktzugriff Analysen Berichte Benutzerschnittstelle bzw. Output-Schicht Metadaten Data Marts Quelle: SAP Datenbasis Verdichtungsstufe n Verdichtungsstufe 2 Verdichtungsstufe 1 Datenschnittstelle bzw. Input-Schicht Transformationsprogramme Archivierungs- - systeme Unternehmensinterne - und -externe transaktionsorientierte Daten

73 3.2 Data Warehouse SAP NetWeaver BI 72 Quelle:

74 3.2 Data Warehouse Integration SAP NetWeaver BI im SAP NetWeaver 73 Quelle: SAP

75 3.2 Data Warehouse Integration SAP NetWeaver BI im SAP NetWeaver 74 Data Warehouse BI Plattform Quelle: SAP BI Suite: Business Explorer Entwicklertechnologien

76 3.2 Data Warehouse SAP NetWeaver BI Body of Information 75 Quelle: SAP

77 3.2 Data Warehouse zur Praxis SAP NetWeaver BI 76 Die SAP-Lösung für den DWH Bereich ist das SAP NetWeaver BI, sprich es handelt sich um eine von SAP entwickelte Applikation eines Data Warehouses Das SAP NetWeaver BI: ist für die Datenhaltung und Datenanalyse von SAP interner und externer Daten entwickelt worden ist inzwischen die Grundlage für verschiedene SAP Anwendungen geworden Quelle: SAP dient der Unterstützung von strategischen und operativen Unternehmensentscheidungen. Dabei werden Warehouse-Technologien mit vorkonfigurierten betriebswirtschaftlichen Inhalten (Business Content) miteinander verbunden. Auf diese Weise wird ein umfassender Überblick über unternehmensinterne und externe Daten geboten.

78 3.2 Data Warehouse Definition SAP NetWeaver BI 77 Die 3 Ebenen des SAP NetWeaver BI: Präsentationsebene (Auswertungen) Administrationsebene (Aufbereitung der Daten) Quelle: SAP Zentraler Punkt: Data Warehousing Workbench Extraktionsebene (Datenbeschaffung)

79 3.2 Data Warehouse Administrator Workbench 78 Zentraler Punkt der BW Verwaltung und Steuerung BW Erstellung Pflege Überwachung Datenübernahme einplanen Daten laden Datenübernahme überwachen Fortschreibungsprozess überwachen

80 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 79 Data Warehousing Workbench: Funktionsbereiche: Modellierung Administration Transportanschluss Quelle: SAP NetWeaver BI Dokumente Business Content Übersetzung Metadaten Repository

81 3.2 Data Warehouse ETL im SAP NetWeaver BI 80 Data Warehousing Workbench: Funktionsbereich Modellierung: Das Werkzeug zur Modellierung von Daten ist die Data Warehousing Workbench. Je nach Anforderung für Analyse und Reporting stehen verschiedene BI-Objekte zur Quelle: SAP Integration, Transformation, Konsolidierung, Bereinigung und Ablage von Daten zur Verfügung. Die BI-Objekte erlauben eine effiziente Bereitstellung der Daten zur Analyse und Interpretation.

82 3.2 Data Warehouse ETL im SAP NetWeaver BI 81 Data Warehousing Workbench (RSA1) Die Data Warehousing Workbench (DWB), ist für die Aufgaben im Data Warehousing Prozess das zentrale Werkzeug. Quelle: SAP NetWeaver BI Sie stellt die Funktionen zur Datenmodellierung sowie zur Steuerung, Überwachung und Pflege aller mit der Datenbeschaffung, -haltung und verarbeitung verbundenen Prozesse im SAP NetWeaver BI zur Verfügung.

83 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 82 Extraktionsebene Quelle: SAP

84 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 83 Einspeisung der Daten sowohl aus dem ERP als auch aus Fremdsystemen: Andere SAP NetWeaver BI-Systeme SAP CRM Flat-Files Datenbanksysteme XML PSA = Persisting Staging Area = Eingangsschnittstelle Quelle: SAP

85 3.2 Data Warehouse ETL im SAP NetWeaver BI 84 Der Weg zur PSA: InfoArea anlegen InfoObjectCataloge anlegen InfoObjects anlegen InfoCube anlegen Struktur fertig angelegt, jetzt mit Daten füllen! Anwendungskomponente anlegen Quelle: SAP DataSources anlegen Transformation anlegen InfoPackages laden Datentransferprozess anlegen Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind!

86 3.2 Data Warehouse Überblick einzelne Schritte 85 Der Weg zur PSA: InfoArea anlegen InfoObjectCataloge anlegen (beinhaltet Merkmale / Kennzeichen) InfoObjects anlegen (kleinste Einheit!) InfoCube anlegen Struktur fertig angelegt, jetzt mit Daten füllen! Anwendungskomponente anlegen Quelle: SAP DataSources anlegen (woher kommen die Daten?) Transformation anlegen (Zuordnung) InfoPackages laden Datentransferprozess anlegen Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind!

87 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 86 Quelle: SAP NetWeaver BI

88 3.2 Data Warehouse Anlegen eines Merkmals 87 Quelle: SAP NetWeaver BI

89 3.2 Data Warehouse ETL im SAP NetWeaver BI 88 Der Weg zur PSA: InfoArea anlegen InfoProvider ist eine persistente Datenablage, er stellt die Daten für Analyse, Reporting und Planung zur Verfügung (Modellierungsebene der Data Warehousing Workbench) Quelle: SAP

90 3.2 Data Warehouse ETL im SAP NetWeaver BI 89 Der Weg zur PSA: InfoObjectCataloge anlegen IOC beinhaltet mehrere InfoObjects (Merkmale oder Kennzahlen), dient somit einer besseren Strukturierung und ist im InfoObjectsbaum integriert. Ist ein IOC angelegt, kann er mit InfoObjects (kleinste Einheiten des BI) gefüllt werden. Quelle: SAP

91 3.2 Data Warehouse ETL im SAP NetWeaver BI 90 Der Weg zur PSA: InfoCube anlegen Mehrdimensionale Ablage für den Decision Support. Wird aus einer oder mehreren DataSources gefüllt und enthält zwei Arten von Daten: Merkmale und Kennzahlen Bildet das Datenmodell des SAP Business Information Warehouse. Technische Sicht: InfoCube besteht aus einigen relationalen Tabellen die nach dem Star-Schema zusammengestellt sind. Eine große Faktentabelle im Zentrum (Kennzahlen) und mehrere sie umgebende Dimensionstabellen (Merkmale). Struktur fertig angelegt, jetzt mit Daten füllen! Quelle: SAP

92 3.2 Data Warehouse Exkurs: Stern (Star) Schema 91 Zwei Arten von Tabellen: Faktentabellen beinhalten betriebswirtschaftliche Daten wie Umsatz, Verkaufsdaten usw. Zu jeder Faktentabelle sind Dimensionstabellen verbunden, die die Geschäftsstrukturen des Unternehmens beschreiben. Quelle:

93 3.2 Data Warehouse Szenario 92 Sie sind Praktikant des anerkannten PC Vertriebsunternehmens WIF (Wir Informieren Fachleute). Im Rahmen Ihrer Praktikumsstelle will das Unternehmen testen wie fit Sie im Umgang mit spezieller Systemsoftware sind, in diesem Fall der SAP NetWeaver BI. Sie sollen mit Hilfe dieser Software Unternehmensdaten in das Data Warehouse laden und diese entscheidungsrelevant aufbereiten. Dazu empfiehlt es sich nach spezifischen Kennzahlen (Umsatz, Produktpreise,..) und Merkmalen (Buchungskreis, Kunden, Kundengruppen,..) zu suchen, welche anschließend in Form eines Daten-Würfels vorliegen und somit auch eine Analysebasis für zukünftig umfangreichere Daten bilden. Sind die Daten in Form einer aussagekräftigen Grafik mit Hilfe des Query Designers verfügbar, steht einer Festanstellung nichts mehr im Wege!

94 3.2 Data Warehouse ETL im SAP NetWeaver BI 93 Analysieren Sie zuerst die auf M:\Win\WI_Infos\SAP NetWeaver BI\Daten bereitgestellten Dateien. Übungen 11-17: Einführende Aufgaben zu SAP NetWeaver BI

95 Wiederholung ETL Prozess 94 Data Warehouse Laden Transformation Interne / Externe Datenquellen Filterung Harmonisierung Anreicherung Aggregation Extraktion ERP System Operative Systeme

96 Wiederholung Überblick SAP Prozessablauf 95 1 InfoArea 2 InfoObjectCatalog Merkmale 3 InfoObjects Produkt Buchungskreis Kunde Kundengruppe Produktgruppe 4 InfoCube Kennzeichen InfoProvider 3 InfoObjects Umsatz Preis Menge Data Warehousing Workbench - Modellierung

97 Wiederholung Überblick SAP Prozessablauf 96 1 InfoArea 2 InfoObjectCatalog Merkmale Kennzeichen 3 3 InfoObjects InfoObjects Produkt Kunde Kundengruppe Produktgruppe Buchungskreis Umsatz Preis Menge 4 InfoCube InfoProvider Data Source 5 Anwendungskomponente 6 DataSources 8 InfoPackage 7 Transformation/ Synchronisation 9 DTP 10 Prüfen! Data Warehousing Workbench - Modellierung

98 3.2 Data Warehouse ETL im SAP NetWeaver BI 97 Der Weg zur PSA: Anwendungskomponente anlegen (wichtig für Strukturierung der DataSources) DataSources anlegen Quelle: SAP Anwendungskomponente

99 3.2 Data Warehouse ETL im SAP NetWeaver BI 98 DataSource Eine DataSource beschreibt das Datenangebot eines Quellsystems in Form von Feldstrukturen. Diese Feldstrukturen nennt man Transferstruktur. Sie beschreibt die Felder der DataSource in deren Reihenfolge. Definition Eine DataSource ist eine Menge von Feldern, die dem BI die Daten zu einer betriebswirtschaftlichen Einheit zur Datenübertragung zur Verfügung stellt. Technisch gesehen umfasst die DataSource eine Menge von logisch zusammengehörigen Feldern, die in einer flachen Struktur (Extraktstruktur) bzw. für Hierarchien in mehreren flachen Strukturen zur Datenübertragung ins BI angeboten werden. Verwendung DataSources liefern die Metadatenbeschreibung der Quelldaten. Sie werden für die Datenextraktion aus einem Quellsystem und Übertragung der Daten ins BI oder für den direkten Zugriff auf die Quelldaten aus dem BI heraus verwendet. Quelle: SAP NetWeaver BI

100 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 99 Flatfiles Dateien mit fest strukturiertem Aufbau, der für jede Zeile der Datei identisch ist. Das SAP NetWeaver BI ist in der Lage, eine vorgegebene Anzahl von Zeilen zu Quelle: SAP NetWeaver BI; Mehrwald 2008, S. 341 Beginn des Flatfiles zu überspringen. Dies ermöglicht, zu Anfang des Flatfiles Informationen wie beispielsweise Feldnamen abzulegen.

101 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 100 Feste Struktur vs. CSV-Format Zwei Möglichkeiten um Felder innerhalb der Datei zu beschreiben: Feste Datensatzlänge Quelle: Mehrwald 2008, S Feste Länge des Datensatzes und jeden einzelnen Feldes wird vorab bestimmt Comma-Seperated Values

102 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 101 Der Weg zur PSA: Transformation anlegen Konsolidierung, Bereinigung und Integration der Daten, entspricht der Synchronisation von Daten aus externen Quellen. Quelle: SAP

103 3.2 Data Warehouse ETL im SAP NetWeaver BI 102 Der Weg zur PSA: InfoPackages laden InfoPackages fordern die Daten einer gewünschten DataSource für ein Quellsystem an Quelle: SAP

104 3.2 Data Warehouse ETL im SAP NetWeaver BI 103 Der Weg zur PSA: Datentransferprozess (DTP) anlegen Übertragung der Daten in das gewünschte Datenziel Quelle: SAP

105 3.2 Data Warehouse ETL im SAP NetWeaver BI 104 Der Weg zur PSA: Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind! Quelle: SAP

106 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 105 Persistent Staging Area (PSA): Eingangslayer für Daten im BI Stellt Eingangsablage von angeforderten Daten aus verschiedenen Quellsystemen dar. Quelle: SAP Die angeforderten Daten werden unverändert in Form der Transferstruktur in transparenten, relationalen Datenbanktabellen abgelegt. Der Eingangslayer wird über die Data Source verwaltet, dabei wird die PSA Tabelle erzeugt, wenn die Data Source aktiviert wird.

107 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 106 Aufgaben Quelle: SAP

108 3.2 Data Warehouse SAP NetWeaver BI 107 Administrationsebene Quelle: SAP

109 3.2 Data Warehouse SAP NetWeaver BI 108 Administrationsebene Quelle: SAP Metadaten-Repository Data Warehouse Systeme geraten schnell zu einer Black Box, wenn die verwendeten Daten und Datenflüsse nicht transparent gehalten sind. Im Metadaten-Repository werden sämtliche Objekte zentral abgelegt. Die dort abgelegten Objekte erfüllen unterschiedliche technische oder betriebswirtschaftliche Funtionen und lasssen sich in 3 Schichten gliedern: Datenbank ABAP Dictionary Apllikationen (SAP NetWeaver BI Objekte Bsp.: InfoObject, InfoAreas,..)

110 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 109 Quelle: SAP DATASOURCE Transferstruktur INFOSOURCE Kommunikationsstruktur mit Übertragungsregeln (heute: DSO!) INFOCUBE mit Fortschreibungsregeln

111 3.2 Data Warehouse Extraktion im SAP NetWeaver BI 110 Administrationsebene Quelle: SAP NetWeaver BI Master Data Dokumente für Stammdaten Stellt Konsistenz sicher Aktuelle und stichtagsbezogene Darstellung von Attributen und Merkmalen Texte eines Merkmals Attribute eines Merkmals Externe Hierarchien flache Struktur DataStore-Objekt Fasst Merkmale und Kennzahlen in Tabllenform zusammen!

112 3.2 Data Warehouse ETL im SAP NetWeaver BI 111 Sicherung der Daten in DataStore Objects und InfoCubes um Historisierung zu ermöglichen. Wichtig für Transparenz im Unternehmen. Quelle: SAP Bei Mitarbeiterwechsel oder Regionsverschiebungen besteht weiterhin die Möglichkeit der Nachvollzeihung der getätigten Geschäftsgänge. Vergleichsmöglichkeit aktueller zu historischer Daten. Dadurch Sicht auf Trendentwicklungen.

113 3.2 Data Warehouse Historisierung im Rahmen des ETL-Prozesses 112 Historisierung temporäre Daten historische Daten ERP- System non ERP- System external data PSA ODS historische Basis PSA - Persistent Staging Area ODS - Operational Data Store Info- Cubes

114 3.2 Data Warehouse Historisierung 113 Unterscheidung zwischen: Aktueller Sicht Historische Wahrheit Typisches Szenario Bis zum arbeitet Verkäufer Hr. Hesseuner im Vertriebsbüro Memmingen. Ab dem wechselt er in das Vertriebsbüro Augsburg. Ab dem wird Hr. Bidenk im Vertriebsbüro Ingolstadt neu eingestellt.

115 3.2 Data Warehouse Historisierung 114 Zuordnung in Zuordnung in Verkäufer Vertriebsbüro Verkäufer Vertriebsbüro Minsendeck Memmingen Minsendeck Memmingen Hesseuner Memmingen Hesseuner Augsburg Schland Wichner Augsburg Augsburg Schland Wichner Bidenk Augsburg Augsburg Ingolstadt

116 3.2 Data Warehouse Historisierung 115 Aktuelle Sicht Es kommt nur darauf an, zu welchem Vertriebsbüro der Verkäufer gehört, wenn die Query ausgeführt wird. Das bedeutet, dass auch die ursprünglich in einem anderen Vertriebsbüro angefallenen Umsätze des Verkäufers in der Query für das neue Vertriebsbüro angezeigt werden. Vereinfacht Vergleiche mit Vergangenheitszeiträumen (z.bsp.: Vorjahr)

117 3.2 Data Warehouse Historisierung 116 Aktuelle Sicht Umsätze in 11./

118 3.2 Data Warehouse Historisierung 117 Historische Wahrheit Es kommt darauf an, zu welchem Vertriebsbüro der Verkäufer zum Zeitpunkt seines Verkaufvorgangs gehört. Das bedeutet, dass die Umsätze dann beim damals gültigen Verkaufsbüro verbleiben.

119 3.2 Data Warehouse Historisierung 118 Historische Wahrheit Umsätze in 11./

120 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence Definition BI Analyse im SAP NetWeaver BI

121 3.3 Business Intelligence Definition 120 Definition Business Intelligence (BI) Systeme und Prozesse zum Sammeln von internen und externen Unternehmensdaten und informationen Einer systematischen Analyse dieser gesammelten Daten Die Verwertung dieser Daten als nutzbringende Informationen Ziel des BI ist eine verbesserte und flexiblere Gewinnung von Erkenntnissen zu Entscheidungsunterstützung des Managements in planenden, steuernden und koordinierenden Tätigkeiten! Quelle: Kießwetter/Vahlkamp 2007, S. 21

122 3.3 Business Intelligence Definition 121 Quelle: Humm/Wietek 2005, S. 4

123 3.3 Business Intelligence Definition 122 BI unterteilt sich in 3 Phasen: 1. Erfassung relevanter Daten in einem Datenspeicher Quelle: Kießwetter/Vahlkamp 2007, S Analyse und Erweiterung der Daten 3. Aus den Daten gewonnene Informationen werden zur Entscheidungsunterstützung herangezogen

124 3.3 Business Intelligence Definition 123 Data Warehouse Extrakt Interne Datenquelle Bereinigte Rohdaten Extrakt Externe Datenquelle

125 1 Grundlagen 2 SAP CRM 3 SAP BI Übersicht 3.1 Einführung Definition analytisches CRM Closed-Loop-Prozess SAP 3.2 Data Warehouse Definition Data Warehouse ETL Prozess SAP NetWeaver BI 3.3 Business Intelligence Definition BI Analyse im SAP NetWeaver BI

126 3.3 Business Intelligence Beispiel: Management Cockpit 125 Quelle: am am

127 3.3 Business Intelligence Beispiel: Management Cockpit 126 Management Cockpit: Präsentation und Diskussion unterschiedlicher Strategien zur Visualisierung entscheidungsrelevanter Daten, wie man sie heute typischerweise in entscheidungsunterstützenden Informationssystemen (Management Support Systems) findet. Die zunehmende Bedeutung derartiger Systeme in der betrieblichen Praxis hat dazu geführt, dass Fragestellungen hinsichtlich adäquater Formen der computerbasierten Visualisierung von entscheidungsrelevanten Daten für das Management immer mehr an praktischer Bedeutung gewinnen! Quelle: Burger 2006, S. 4

128 3.3 Business Intelligence Beispiel: Online Analytical Processing (OLAP) 127 Pivoting bedeutet drehen des Datenwürfels Slicing ist das Setzen von Filtern; Dadurch wird eine Datenscheibe erzeugt Dicing ist das erzeugen eines kleineren Datenwürfels durch Slicing auf ein Intervall Drill Down bedeutet allgemein das Hinzufügen zusätzlicher Informationen zu einem Report Roll up = Gegenteil von Drill Down Als einen Drill Across bezeichnet man das Austauschen der X- und Y- Achsen Einige Data Warehouse Systeme bieten die Möglichkeit, auch auf Daten zu reporten, die gar nicht im Warehouse selbst, sondern nur in den OLTP- Systemen gespeichert sind. Ein Beispiel hierfür könnten einzelne Buchhaltungsbelege sein. Diese Fähigkeit wird Drill Through genannt. Quelle: SAP

129 3.3 Business Intelligence Beispiel: OLAP 128 Online Analytical Processing = OLAP Slicing, Dicing, Rotation! Quelle: IBI Institute for Business Intelligence

130 3.3 Business Intelligence Beispiel: OLAP 129 Quelle: IBI Institute for Business Intelligence

131 3.3 Business Intelligence Beispiel: OLAP 130 Quelle: IBI Institute for Business Intelligence

132 3.3 Business Intelligence Analyse im SAP NetWeaver BI 131 Präsentationsebene Quelle: SAP

133 3.3 Business Intelligence Präsentation im SAP NetWeaver BI 132 In die Präsentationsebene oder auch Decision-Support-Schicht (DSS), fallen alle Tools, mit denen Daten des Data Warehouses abgefragt und entscheidungsrelevant aufbereitet werden. Zusätzlich zu der Möglichkeit auf externen DSS Tools mit Daten zu beliefern, verfügt das SAP NetWeaver BI über eigene entscheidungsunterstützende Tools. Diese sind in der Produktionssuite des Business Explorer (BEx) zusammengefasst. SAP BI Suite! Quelle: SAP

134 3.3 Business Intelligence Business Explorer (SAP BI Suite) 133 Komponente des SAP Business Information Warehouses Bietet flexible Reporting- und Analysewerkzeuge zur strategischen Analyse und Entscheidungsunterstützung Quelle: SAP Query-, Reporting und Analysefunktionen Auswertung historischer und aktueller Daten in unterschiedlichen Detaillierungsstufen und unterschiedlicher Perspektiven

135 3.3 Business Intelligence Funktionsbereiche des BEx 134 Nahtlose Integration in das SAP Enterprise Portal BEx Information Broadcasting BEx Web Web Application Design BEx Web Application Designer Quelle: SAP BEx Web Analyzer BEx Mobile Intelligence BEx Analyzer

136 3.3 Business Intelligence Business Explorer Analyzer 135 Analyse- und Reportingwerkzeug des Business Explorer, eingebettet in Microsoft Excel Funktionsumfang: Definition von Queries Interaktive Auswertung und Präsentation der InfoProvider Daten Queries in Arbeitsmappen einfügen Navigation in Queries Queries können danach in Excel weiterverarbeitet werden oder im Web Browser angezeigt werden Ergebnis: Quelle: SAP Unterschiedliche Sichten auf die InfoProvider Daten

137 3.3 Business Intelligence Business Explorer Query Designer 136 Bietet grafische Oberfläche zur Modellierung von Abfragen aus dem Infoprovider Query: Datenbankabfrage, welche eine bestimmte Sicht auf den Datenbestand liefert. Die Dimensionen eines InfoCubes (Merkmale und Kennzahlen) können in beliebige Zeilen und Spalten angeordnet werden. Quelle: SAP

138 3.3 Business Intelligence Analyse im SAP NetWeaver BI 137 Übungen Quelle: SAP

139 3.3 Business Intelligence Analyseprozessdesigner 138 Die Daten des SAP Netweaver BI enthalten oftmals noch versteckte Informationen oder komplexe Beziehungen zwischen den Daten. Dabei handelt es sich um weiteres, wertvolles Potential in Form von vollkommen neuen Informationen. Der Analyseprozessdesigner entspricht einer SAP Data Mining Lösung, mit folgenden Funktionen: Quelle: SAP Anlegen und Ändern von Data-Mining-Modellen Trainieren von Data-Mining-Modellen Ausführen von Data-Mining-Methoden Visualisierung von Data-Mining-Modellen

140 3 Analyse im Rahmen des Business Intelligence 3.3 Analyseprozessdesigner 139 Einfache und intuitive Bedienbarkeit: angebotene Funktionen können per Drag & Drop zu einem Analyseprozess zusammengesetzt werden Ein Analyseprozess verläuft grob in 3 Phasen: 1. Datenquelle In diesem Schritt werden die Quellen, aus denen die zu analysierenden Daten extrahiert werden, festgelegt. Quelle: SAP 2. Transformation Legt die Verarbeitungsvorschriften für die Aufbereitung und Analyse der Daten fest. 3. Datenziel Definiert wie und wo die Ergebnisdaten für die Präsentation und Analyse gespeichert werden.

141 3.3 Business Intelligence Analyseprozessdesigner 140 TA: RSANWB Quelle: SAP

142 3.3 Business Intelligence Analyseprozessdesigner 141 Menüleiste Navigationsbereich Drucktastenleiste Kopfdaten Modellierungsbereich Quelle: SAP TIPP: Sichern Sie nach jedem Teilschritt!!!

143 3.3 Business Intelligence Analyseprozessdesigner 142 Einzelne Prozessphasen: 1. Auswahl der Daten 2. Vorbereitung der Daten 3. Transformation 4. Speichern der transformierten Daten Quelle: SAP 5. Anzeigen der Daten in BEx (Analyse) Dabei besteht die Möglichkeit zur Wahl zwischen verschiedenen Datenquellen, Transformationen und Datenzielen.

144 3.3 Business Intelligence Analyseprozessdesigner 143 Datenquellen Quelle: SAP

145 3.3 Business Intelligence Analyseprozessdesigner 144 Transformationen (Auswahl) Quelle: SAP

146 3.3 Business Intelligence Analyseprozessdesigner 145 Datenziele Quelle: SAP

147 3.3 Business Intelligence Analyseprozessdesigner 146 Geschlossener Kreislauf Daten extrahieren Daten transformieren Daten laden Daten analysieren Daten visualisieren Quelle: SAP Daten nutzten (Kampagne, etc) Daten in CRM System überführen und profitieren!!!

148 3.3 Business Intelligence Aufbau eines Entscheidungsbaums 147 Wurzel Split Knoten Knoten Kanten Quelle: SAP Blatt Blatt Knoten Blatt Blatt Blatt Blatt

149 3.3 Business Intelligence Beispielszenario 148 Geschlecht Versicherungsnehmer weiblich männlich Alter Einkommen > 35 < 35 < > Nein Einkommen < > Ja Nein Wird Versicherungsnehmer Schadensfall melden? Quelle: SAP Ja Nein

150 3.3 Business Intelligence Entscheidungsbaum im SAP NetWeaver BI 149 Quelle: SAP

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

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

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

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

Inhalt. Geleitwort 13. Vorwort 17. Einleitende Hinweise 19. 1 Business-Intelligence-Konzepte - Neuerungen 25

Inhalt. Geleitwort 13. Vorwort 17. Einleitende Hinweise 19. 1 Business-Intelligence-Konzepte - Neuerungen 25 Inhalt Geleitwort 13 Vorwort 17 Einleitende Hinweise 19 Handhabung des Buches 19 Übergreifendes Beispielszenario 19 Nach der Lektüre 21 Danksagung 21 1 Business-Intelligence-Konzepte - Neuerungen 25 1.1

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

V13: SAP BW: Data Warehousing & Wiederholung

V13: SAP BW: Data Warehousing & Wiederholung Aufbaukurs SAP ERP: Module PP, FI und CO Wintersemester 2009/10 V13: SAP BW: Data Warehousing & Wiederholung 25. Januar 2010 Dipl.-Ök. Harald Schömburg Dipl.-Ök. Thorben Sandner schoemburg@iwi.uni-hannover.de

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

AGM Project & Education GmbH

AGM Project & Education GmbH AGM Project & Education GmbH Leipzig Datenschutzkonferenz dtb Kassel November 2011 20.11.2011 Detlev.Sachse@agm-onside.com 1 Zur Person 20.11.2011 Detlev.Sachse@agm-onside.com 2 Thema Data-Mining am Beispiel

Mehr

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9 vii 1 Einführung 1 1.1 SAP Business Information Warehouse... 3 1.1.1 BW Version 3.0...5 Architekturplanung.................................... 9 2 BW-Basissystem 11 2.1 Client/Server-Architektur... 12

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

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

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Norbert Egger, Jean-Marie R. Fiechter, Jens Rohlf, Jörg Rose, Oliver Schrüffer SAP BW Reporting und Analyse

Norbert Egger, Jean-Marie R. Fiechter, Jens Rohlf, Jörg Rose, Oliver Schrüffer SAP BW Reporting und Analyse Norbert Egger, Jean-Marie R. Fiechter, Jens Rohlf, Jörg Rose, Oliver Schrüffer SAP BW Reporting und Analyse Galileo Press Inhalt Geleitwort 13 Vorwort 15 Einleitung und Überblick 17 Einführung 17 Aufbau

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

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse.

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse. 1 Einführung mysap Business Intelligence stellt mit Hilfe von Knowledge Management die Verbindung zwischen denen, die etwas wissen und denen, die etwas wissen müssen her. mysap Business Intelligence integriert

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

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

SAP BI Business Information

SAP BI Business Information Aus der Praxis für die Praxis. SAP BI Business Information Thomas Wieland Berlin, 24. November 2006 SAP BW Architektur Seite 2 Business Intelligence Aufgaben Bereitstellung harmonisierter Daten, Informationen

Mehr

Xtract EXA. Plug n Play mit SAP und EXASolution

Xtract EXA. Plug n Play mit SAP und EXASolution Xtract EXA Plug n Play mit SAP und EXASolution Xtract EXA garantiert eine nahtlose Integration zwischen Ihrem SAP ERP- bzw. SAP BW-System und EXASolution. Mit nur wenigen Mausklicks extrahieren Sie Massendaten

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

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

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

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

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

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

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

1. Welche Fremdschlüsselbeziehungen gehen Dimensionstabellen ein? Fortschreibungsregel im Quellsystem anlegen

1. Welche Fremdschlüsselbeziehungen gehen Dimensionstabellen ein? Fortschreibungsregel im Quellsystem anlegen Fragen 1. Welche Fremdschlüsselbeziehungen gehen Dimensionstabellen ein? Falsch a) Faktentabellen b) SID- Tabllen c) Dimensionstabellen d) Attribute e) Tete 2. Was muss beim Laden von Bewegungsdaten aus

Mehr

SAP BW Grundlagen. Bremerhaven 06.05.2006. T4T Bremerhaven 1

SAP BW Grundlagen. Bremerhaven 06.05.2006. T4T Bremerhaven 1 SAP BW Grundlagen Bremerhaven 06.05.2006 T4T Bremerhaven 1 Inhaltsverzeichnis 1. Motivation für bzw. Anforderungen an eine Data Warehousing-Lösung 2. Architektur des SAP Business Information Warehouse

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

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

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

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

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

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

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

6 InfoCubes erstellen und konfigurieren

6 InfoCubes erstellen und konfigurieren InfoCubes bilden die Reportingschicht in der LSA; sie sind für die Performance des Reportings entscheidend. In diesem Kapitel stellen wir Ihnen vor, welche InfoCubes es gibt und wie Sie damit arbeiten.

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

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

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

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung

Mehr

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel Data Warehousing Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 Analyse von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich

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

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

Erfolgreiches strategisches Informa2onsmanagement Chancen & Risiken mit SAP und Business Objects rechtzei2g erkennen und managen

Erfolgreiches strategisches Informa2onsmanagement Chancen & Risiken mit SAP und Business Objects rechtzei2g erkennen und managen CubeServ Services für ein erfolgreiches strategisches Informa8onsmanagement Erfolgreiches strategisches Informa2onsmanagement Chancen & Risiken mit SAP und Business Objects rechtzei2g erkennen und managen

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

products Cubeware Connectivity for SAP Solutions Smarte Schnittstelle für Business Intelligence auf SAP SAP zertifiziert

products Cubeware Connectivity for SAP Solutions Smarte Schnittstelle für Business Intelligence auf SAP SAP zertifiziert Cubeware Connectivity for SAP Solutions Smarte Schnittstelle für Business Intelligence products auf SAP SAP zertifiziert Keine Programmierkenntnisse erforderlich Mächtig durch vorgegebenen Business Content

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

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

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

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

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

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

Technische Integration des Informationssystems über SAP (1/6)

Technische Integration des Informationssystems über SAP (1/6) Technische Integration des Informationssystems über SAP (1/6) Software Systemsoftware Anwendungssoftware Betriebssysteme Standardsoftware Individualsoftware Übersetzungsprogramme Dienstprogramme andere

Mehr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr Infor PM 10 auf SAP 9.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche zu vermeiden. Sie können

Mehr

Kapitel 4: Data Warehouse Architektur

Kapitel 4: Data Warehouse Architektur Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale

Mehr

Agile Analytics Neue Anforderungen an die Systemarchitektur

Agile Analytics Neue Anforderungen an die Systemarchitektur www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende

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

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

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

Customer Analytics. Kundenwertorientierte Vertriebssteuerung mit SAP CRM und SAP NetWeaver BI an einem Beispiel der pharmazeutischen Industrie

Customer Analytics. Kundenwertorientierte Vertriebssteuerung mit SAP CRM und SAP NetWeaver BI an einem Beispiel der pharmazeutischen Industrie Customer Analytics Kundenwertorientierte Vertriebssteuerung mit SAP CRM und SAP NetWeaver BI an einem Beispiel der pharmazeutischen Industrie Vortrag 5. Juni 2012 Universität Eichstätt-Ingolstadt Ali Gülerman

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

Workshop Fit for SAP BW 7.40!

Workshop Fit for SAP BW 7.40! Workshop Fit for SAP BW 7.40! Fit for SAP BW 7.40 Seite 1 von 5 Agendavorschlag - Tag 1 Delta Workshop BW 7.4 09:00 09:15 Vorstellung Ablauf 09:15 09:30 Übersicht Neuerungen BW 7.4 09:30 10:00 Data Staging

Mehr

Datawarehousing mit SAP @ BW 7

Datawarehousing mit SAP @ BW 7 Christian Mehrwald Datawarehousing mit SAP @ BW 7 Bl in SAP NetWeaver 2004s Architektur, Konzeption, Implementierung 4., vollständig überarbeitete und erweiterte Auflage i" dpunkt.verlag Übersicht 1 Einleitung

Mehr

MultiProvider. Logische Reporting- Schicht. Abb. 9 21 Einsatz von MultiProvidern als logische Reporting- Schicht

MultiProvider. Logische Reporting- Schicht. Abb. 9 21 Einsatz von MultiProvidern als logische Reporting- Schicht MultiProvider 243 MultiProvider MultiProvider sind virtuelle InfoProvider ohne eigene Datenhaltung, deren Hauptaufgabe die Grundlage für die Datenanalyse und -planung ist. Dabei nimmt der MultiProvider

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

Seminar C16 - Datenmodellierung für SAP BW

Seminar C16 - Datenmodellierung für SAP BW C16: Datenmodellierung für SAP BW Ein Seminar der DWH academy Seminar C16 - Datenmodellierung für SAP BW Dieses Seminar soll einen umfassenden Einblick in die Datenmodellierung beim Einsatz von SAP BW

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

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen Christoph Arnold (B. Sc.) Prof. Dr. Harald Ritz Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen AKWI-Tagung, 17.09.2012, Hochschule Pforzheim Christoph Arnold, Prof. Dr. Harald

Mehr

Cubeware Connectivity for SAP Solutions

Cubeware Connectivity for SAP Solutions Cubeware Connectivity for SAP Solutions Smarter BI-Connector für SAP SAP zertifiziert Adapter für die SAP Business Suite und SAP Business All-in-One Leistungsstark, einfach und ohne Programmieraufwand

Mehr

Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s)

Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s) Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s) Architektur, Konzeption, Implementierung von Christian Mehrwald überarbeitet Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s) Mehrwald schnell

Mehr

Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s)

Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s) Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s) Architektur, Konzeption, Implementierung von Christian Mehrwald 5., korrigierte Auflage Datawarehousing mit SAP BW 7 (BI in SAP NetWeaver 2004s)

Mehr

Forum Kommune 21, DiKOM Nord Hannover, 17. Februar 2011

Forum Kommune 21, DiKOM Nord Hannover, 17. Februar 2011 Forum Kommune 21, DiKOM Nord Hannover, 17. Februar 2011 Trends, Muster und Korrelationen erkennen und die richtigen Schlüsse daraus ziehen: MACH BI der für öffentliche Einrichtungen passende Zugang zur

Mehr

CRM Architektur. New Economy CRM Architektur Page 1

CRM Architektur. New Economy CRM Architektur Page 1 CRM Architektur Titel des Lernmoduls: CRM Architektur Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.2 Zum Inhalt: Dieses Modul beschreibt mögliche Architekturen von CRM-Systemen. Insbesondere

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

Integration Services Übersicht

Integration Services Übersicht Integration Services Übersicht Integration Services Übersicht Integration Services stellt umfangreiche integrierte Tasks, Container, Transformationen und Datenadapter für die En t- wicklung von Geschäftsanwendungen

Mehr

Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08

Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08 Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08 Inhaltsverzeichnis SAP BUSINESS WAREHOUSE (BW) DATENKOLLEKTOR 3 GRUNDSÄTZLICHES:...3 DER BW DATENKOLLEKTOR ÜBERWACHT DIE FOLGENDEN KERNPROZESSE

Mehr

HANA. TOBA-Team Dresden 19.05.2012

HANA. TOBA-Team Dresden 19.05.2012 HANA TOBA-Team Dresden 19.05.2012 Kunde droht mit Auftrag! Ein großer Discounter schickt Anfrage: Bis wann und zu welchem Preis können Sie 30.000 Stück liefern? Die Hektik beginnt! Bis wann Welche und

Mehr

eevolution Business Intelligence

eevolution Business Intelligence eevolution Business Intelligence Haben Sie sich schon häufig gefragt, warum Ihr Berichtswesen so kompliziert sein muss? Warum Sie nicht einfach mit wenigen Handgriffen Ihr Berichtswesen einrichten und

Mehr

TU Chemnitz SAP BW Pratikum

TU Chemnitz SAP BW Pratikum TU Chemnitz SAP BW Pratikum SAP BW Basics 19.05.2008 Falk Engelhardt Agenda Überblick SAP NetWeaver 7.0 / BI 7.0 Warehouse Management das multidimensionale Datenmodell InfoObjekte DataProvider Datenversorgung

Mehr

FRT Consulting GmbH. Projekt KATEGO Komfortable SAP-Datenanalyse. Gustav Sperat FRT Consulting GmbH. www.frt.at. Wir machen aus Daten Wissen.

FRT Consulting GmbH. Projekt KATEGO Komfortable SAP-Datenanalyse. Gustav Sperat FRT Consulting GmbH. www.frt.at. Wir machen aus Daten Wissen. FRT Consulting GmbH Projekt KATEGO Komfortable SAP-Datenanalyse Gustav Sperat FRT Consulting GmbH 1 FRT Consulting das Unternehmen Spin off der TU Graz von langjährigen IT Experten Hauptsitz Graz, Büro

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

Business Intelligence Aufgabenstellung

Business Intelligence Aufgabenstellung Hochschule Darmstadt Business Intelligence (BI) Fachbereich Informatik Praktikum 2 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Sebastian Gobst Änderung: 15.06.2012 Datum: 30.05.2012 1. Einführung

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

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

Information-Design-Tool

Information-Design-Tool Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn

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

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

Business Intelligence Funktionsweise und technische Grundlagen

Business Intelligence Funktionsweise und technische Grundlagen Business Intelligence Funktionsweise und technische Grundlagen Whitepaper 1/5 HINTERGRUND Die richtige Information zur richtigen Zeit abrufen zu können kann für ein Unternehmen entscheidend sein. Doch

Mehr

Logistikinformationssystem (LIS)

Logistikinformationssystem (LIS) und steuerung Das Logistikinformationssystem umfasst die folgenden Informationssysteme: Vertriebsinformationssystem Einkaufsinformationssystem Bestandscontrolling Fertigungsinformationssystem Instandhaltungsinformationssystem

Mehr

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Anforderungen von BI an Software- Entwicklungsprozesse

Mehr

Einsatz von Anwendungssystemen

Einsatz von Anwendungssystemen Einsatz von Anwendungssystemen WS 2013/14 7 Führungssysteme 7.1 Data Warehouse 7.2 Planungssysteme 7.3 Balanced Scorecard (BSC) 7.4 Business Intelligence 7 Führungssysteme 7.1 Data Warehouse Ein Data Warehouse

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

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

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

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II.

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II. II. bereitstellung Kapitel II bereitstellung 1 2 II. bereitstellung II.1 Grundlagen Collect Initial Data identify relevant attributes identify inconsistencies between sources Describe Data characterize

Mehr

Oracle 10g revolutioniert Business Intelligence & Warehouse

Oracle 10g revolutioniert Business Intelligence & Warehouse 10g revolutioniert Business Intelligence & Warehouse Marcus Bender Strategisch Technische Unterstützung (STU) Hamburg 1-1 BI&W Market Trends DWH werden zu VLDW Weniger Systeme, mehr Daten DWH werden konsolidiert

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

Mehr