Der Einsatz von Business Intelligence im Fördermittel. Konzepte und Technologien zur Beantwortung analytischer Fragestellungen

Größe: px
Ab Seite anzeigen:

Download "Der Einsatz von Business Intelligence im Fördermittel. Konzepte und Technologien zur Beantwortung analytischer Fragestellungen"

Transkript

1 Der Einsatz von Business Intelligence im Fördermittel Fördermittelmangement Konzepte und Technologien zur Beantwortung analytischer Fragestellungen Version 1.1 Autoren: Institution: Adresse: Homepage: Christan Bercker Dipl.-Kfm. Dipl. Julian Fieml Dipl.-Soz.-Wiss. Dipl. rechenwerk GmbH, bh, Essen Marthastr. 11, Essen

2 Inhaltsverzeichnis 1. Abstract Förderpolitik und Controlling Analytische Fragestellungen im Fördermanagement Ausgangssituation Business Intelligence BI-Multidimensionalität BI-Architektur BI Aufbereitungsschicht BI-Speicherungsschicht BI-Analyseschicht BI-Anzeigeschicht Teo Analysis Fazit Literaturverzeichnis Abbildungsverzeichnis

3 1. Abstract Die Umsetzung politischer Programme in konkrete Projekte erfolgt selten nach Drehbuch. Zahlreiche Faktoren aus unterschiedlichen gesellschaftlichen Bereichen prägen den sich schnell wandelnden Kontext und steigern die Notwendigkeit für ein zielgerichtetes Ineinandergreifen abgestimmter Planungs-, Kontroll- und Steuerungsprozesse, um ein Höchstmaß an Effektivität, Effizienz und Ordnungsmäßigkeit des operativen Handelns zu gewährleisten. Die Verfügbarkeit relevanter Informationen bestimmt auch hier die Qualität, Kosten und Geschwindigkeit von Entscheidungen (vgl. Gluchowski/Gabriel/Dittmar 2008: 26ff.). Als Werkzeuge der Entscheidungsunterstützung finden IT- Komponenten aus dem Bereich Business Intelligence seit längrer Zeit in Unternehmen Einsatz. Doch obwohl die Staatsquote in den meisten entwickelten Volkswirtschaften bei ca. 50% Prozent liegt, gibt es bisher kaum Beiträge, die die Anwendung von Business Intelligence zur Unterstützung der öffentlichen Verwaltung thematisieren. Der folgende Text soll deshalb am Beispiel Fördermittelmanagement aufzeigen, wie sich die Planung, Kontrolle und Steuerung staatlicher Eingriffe durch den Einsatz analyseorientierter Informationssysteme zur Schaffung einer verbesserten Urteilsbasis zweckmäßig unterstützen lässt. Nach der Einführung in den Anwendungsbereich finden typische Ziele und Anforderungen in einem allgemeinen Lösungsentwurf Berücksichtigung, der als Rahmenkonzept für vergleichbare Problemstellungen dienen kann. Auf dieser Basis sollen sich Gestaltungs- und Handlungsempfehlungen zum Aufbau entsprechender Systeme ableiten lassen. Zum Schluss werden die wesentlichen Aspekte an einem Praxisbeispiel erläutert. Dieser Beitrag richtet sich insbesondere an Entscheidungsträger, die im näheren Umfeld von Förderprogrammen agieren sowie an Personen, die an der Entwicklung solcher Systeme arbeiten. 3

4 2. Förderpolitik und Controlling Staatliche Förderung hat eine lange Tradition in der Politik. Die hiermit in Zusammenhang stehende Planungsunterstützung, Ergebniskontrolle und Wirkungsanalyse gewinnt jedoch erst langsam an Bedeutung. Dennoch ergänzen in den letzten Jahren zunehmend Verfahren und Konzepte aus den Bereichen Controlling und Business Intelligence die bisher vorherrschende Inputorientierung, die vor allem berücksichtigt, welche Mittel in welche Bereiche fließen und nicht die Resultate des Mitteleinsatzes hinterfragt (vgl. Promberger 1995: 24ff., 111, 224). Ursächlich hierfür sind verschiedene Gründe: - Die EU stellt in zunehmendem Maße Finanzmittel zur Kofinanzierung von Bundes- und Landesförderprogrammen zur Verfügung, die an spezifische EU-Vorgaben in Bezug auf Mittelverwendung gebunden sind. Die EU bildet somit eine wesentliche Kraft für die Einführung von Monitoring- und Evaluierungsverfahren, zur Steigerung von Effektivität, Effizienz und Transparenz bei der Abwicklung von Förderprogrammen. (vgl. Toepel/Schwab 2005: 63ff.). - Aufgrund des Vorkommens von Mittelverschwendungen, Unregelmäßigkeiten und Betrugs wächst der Anteil in der Bevölkerung, der die Sinnhaftigkeit des Einsatzes von Steuermitteln hinterfragt. - Die Verbreitung und Weiterentwicklung von leistungsfähigen datenbankbasierten Informations- und Kommunikationstechnologien, die auch zur Unterstützung staatlicher Planungs-, Kontroll- und Steuerungsprozesse eingesetzt werden können, steigt stetig an (vgl. Finkler 2008: 1). Im Ergebnis wächst somit die Bedeutung analytischer Fragestellungen. 4

5 3. Analytische Fragestellungen im Fördermanagement Die analytischen Fragestellungen werden vor allem durch die Abstraktheit und hohe Bedeutung der Ziele sowie die Weite des Zeithorizontes gekennzeichnet. Mit Blick auf das Management von Förderprogrammen resultieren analytische Fragestellungen, die über das Tagesgeschäft der Projektbearbeitung hinausgehen (z. B. Antrag, Bewilligung, Prüfung, Auszahlung), aus komplexen Entscheidungssituationen. Die Verantwortlichkeit für die Bearbeitung dieser Aufgaben ist dabei im Gegensatz zur traditionellen Struktur von bürokratisch geprägten Organisationen unabhängig von der hierarchischen Position der Akteure: Im Fördergeschäft gehört die Lösung von analytischen Fragestellungen zum üblichen Aufgabenspektrum der Sachbearbeiter/-innen. (vgl. Gluchowski/Gabriel/Dittmar 2008: 25ff.); (vgl. Chamoni/Gluchowski 2010: 6); (vgl. Finkler 2008: 49ff.) Analytische Fragestellungen lassen sich im Kontext des Fördermanagements in die Aufgabenbereiche Monitoring und Evaluierung sowie Finanzsteuerung unterteilen. Ob Verbesserungen in der Anpassungs-, Innovations- oder Wettbewerbsfähigkeit erreicht werden, hängt von zahlreichen Faktoren ab. Ein Erfolg der Förderung in einer bestimmten Region oder Branche lässt sich deshalb nur auf Basis vielschichtiger Ursache-Wirkungs-Beziehungen beschreiben. Entsprechend komplex ist auch die Steuerungssystematik, die die Grundlage des Monitorings und der Evaluierung von Förderprogrammen bildet. Ausgehend vom sozioökonomischen Bedarf erfolgt die Ableitung eines mehrstufigen Zielsystems. Die Messung der Zielerreichung geschieht wiederum durch den Rückgriff auf ein weites Spektrum von Parametern, die den finanziellen Input, die physische Ausbringung, Verbesserung der Leistungsfähigkeit sowie andere mittel- und längerfristige Wirkungen ausdrücken. Zusammengefasst handelt es sich hierbei um soziale Hypothesen die in Realexperimenten geprüft werden. (vgl. Chmielewicz 1994: 113f, 143) Der Begriff des Indikators besitzt im Kontext des Monitorings und der Evaluierung von Förderprogrammen eine hervorgehobene Rolle und bezieht sich allgemein auf Kennzahlen, die die sozioökonomische Ausgangssituation sowie die Ziel-, Einsatz- und Ergebniswerte beschreiben (vgl. Promberger 1995: 25ff.); (vgl. Europäische Kommission 2006: 7ff.). Die folgende Abbildung 1 zeigt ein Übersichtsschema der Steuerungssystematik des Monitorings und der Evaluierung bei Förderprogrammen. 5

6 Abbildung 1: Monitoring und Evaluierung von Förderprogrammen Gesellschaft, Wirtschaft, Umwelt Bedürfnisse, Probleme, Fragen Outcome/ Ergenisse Wirkungen Programm Ziele Input Output Monitoring und Evaluierung Relevanz Quelle: (vgl. Europäische Kommission 2006: 9) Nutzen Nachhaltigkeit Wirksamkeit Effizienz Die Aufgabe des Monitorings liegt in der laufenden Überprüfung der Ziele, die in der Programmplanungsphase festgelegt wurden. Es wird gemessen, ob diese Ziele im Rahmen der Programmumsetzung erreicht werden. Dies geschieht durch die zeitnahe Gegenüberstellung der Plan- bzw. der daraus abgeleiteten Sollwerte mit den Istwerten. Den Schwerpunkt des Monitorings bildet dabei die laufende Ergebnis- und Effizienzkontrolle. Der Evaluierung liegt demgegenüber ein umfassender Ansatz zugrunde, der auf den Ergebnissen des Monitorings aufbaut und die tatsächlich eingetretenen Effekte der durchgeführten Maßnahmen ermittelt. Im Gegensatz zum Monitoring ist die Evaluierung vergangenheitsorientiert und beurteilt in dem Gebiet der Programmevaluierung im Nachhinein die Leistungsfähigkeit staatlicher Programme. Dabei werden im Prozess der Evaluierung unter anderem folgende Fragestellungen untersucht: (vgl. Europäische Kommission 2006: 12); (vgl. Promberger 1995: 129f) - Berücksichtigen die festgelegten Ziele des Förderprogramms auch den tatsächlich vorhandenen sozioökonomischen Bedarf? - Sind die im Programm festgelegten Maßnahmen geeignet diese Ziele zu erreichen? - Sind die gewählten Umsetzungsstrukturen und Begleitverfahren (Aufbau- und Ablauforganisation) zweckmäßig? 6

7 Folgende Sachverhalte erschweren das Monitoring und die Evaluierung von Förderprogramen: - Multiple Ursache-Wirkungszusammenhänge bei sozioökonomischen Problemstellungen (vgl. Promberger 1995: 93). - Die Planung von Förderprogrammen geschieht auf Basis verschiedener, teilweise im Konflikt zueinander stehender Ziele (vgl. Gluchowski/Gabriel/Dittmar 2008: 22). - Die Umsetzung von Förderprogrammen erfolgt mit Hilfe unterschiedlicher Maßnahmen in diversen gesellschaftlichen, wirtschaftlichen und ökologischen Bereichen. - An der Planung, Umsetzung und Kontrolle sind Verwaltungskräfte verschiedener Ebenen und Institutionen sowie Akteure mit unterschiedlichen Zielen, Wissens- und Erfahrungshintergründen beteiligt (Promberger 1995: 75f); (Europäische Kommission 2006: 10). Entsprechend weit ist das Spektrum der eingesetzten Instrumente. Die Finanzsteuerung beschäftigt sich gegenüber dem Monitoring und der Evaluierung nicht mit Programminhalten, sondern mit den eingesetzten finanziellen Mitteln und fokussiert dabei in der Regel weniger die Effektivität und Effizienz von Förderprogrammen, sondern Fragen der Mittelverfügbarkeit und des Mittelverfalls. Sie geschieht im Kontext zahlreicher kaum beeinflussbarer Rahmenbedingungen und stellt hohe Anforderungen an die Abschätzung zukünftiger Finanzströme. Der Abruf von Finanzierungsanteilen verschiedener Quellen ist zum Teil an unterschiedliche Fristen gebunden. Während die nationalen Haushalte zumeist für ein Jahr gelten, stehen die Mittel der EU prinzipiell für die gesamte mehrjährige Programmperiode zur Verfügung. Einmal beantragte EU-Mittel müssen jedoch innerhalb von zwei Jahren verausgabt werden, ansonsten verfallen sie (n+2 Regel) (vgl. Ziel 2 NRW o. J: 54). Notwendige Haushaltsmittel stehen nicht kontinuierlich zur Verfügung. Gleichzeitig kennzeichnen hohe Schwankungen die Abwicklung einzelner Fördervorhaben, woraus sich ein permanenter Prozess der Mittelverschiebung und die Notwendigkeit von Planungsanpassungen und steuernden Eingriffen ergeben. Es kann zu Situationen kommen, in denen ein Verfall der Mittel der einen Quelle droht, weil die Mittel einer anderen Quelle (z. B. aufgrund einer Haushaltssperre) nicht verfügbar gemacht werden können. 7

8 4. Ausgangssituation Ohne zusätzliche Maßnahmen ist der Zugriff auf analyserelevante Daten zur Unterstützung des Fördermanagements mit signifikanten Schwierigkeiten behaftet. Diese betreffen sowohl Probleme der Informationsüberflutung als auch der Datenverfügbarkeit, Datenfragmentierung und Datenheterogenität. Die für die Planung, Steuerung und Kontrolle von Förderprogrammen relevanten Daten sind vielfältig, stammen aus unterschiedlichen Wissensgebieten und werden von unterschiedlichen Datenquellen vorgehalten: - Sozioökonomische Informationen (Pro-Kopf-Einkommen, Arbeitslosenquote, Frauenerwerbsquote) werden von Statistikämtern veröffentlicht und sind im Internet abrufbar. Oftmals liegen die Daten jedoch nicht in der notwendigen Detaillierung vor (branchenmäßig, regional) und machen zusätzliche Erhebungen notwendig (vgl. Europäische Kommission 2006: 16). - HKR-Systeme verwalten die haushälterischen Informationen. Die hier gespeicherten Informationen lassen sich unter Umständen aber nicht einzelnen Fördervorhaben zuordnen. - Viele Bereiche setzen zusätzliche datenbankbasierte operative Systeme für die finanzielle Programm- und Projektsteuerung sowie zur Erfassung und Auswertung der projektbezogenen Einsatz- und Ergebnisinformationen ein. Bei den zuvor erwähnten operativen Systemen die programm- und projektbezogene Daten vorhalten, hat sich bisher kein Standard durchgesetzt (vgl. Gluchowski/Gabriel/Dittmar 2008: 6-7). Aus diesem Grund vervielfacht sich die funktionale Aufgliederung der Datenhaltung bei einer gleichzeitigen Berücksichtigung unterschiedlicher Förderprogramme oftmals. Zusätzlich zu dem Problem der Fragmentierung treten häufig Schwierigkeiten wegen der Heterogenität der vorgehaltenen Informationen auf. Dies betrifft neben Unterschieden in der Formatierung und Detaillierung auch vorhandene Inkonsistenzen in Bezug auf die inhaltliche Bedeutung von Informationen. Es kann vorkommen, dass für einen Sachverhalt verschiedene Berichte existieren, die gleichbezeichnete Informationen mit unterschiedlichen Werten aufweisen. Eine stimmige Konsolidierung erfordert jedoch klare und eindeutige Definitionen der Kennzahlen. Die Bezeichnung Bewilligungen 2010 kann sich beispielsweise auf das Haushaltsjahr oder das Buchungsjahr beziehen. Neben solchen Ungereimtheiten treten auch redundanzverursachte Inkonsistenzen auf. Diese entstehen durch die fehlerhafte Verarbeitung identischer Datenwerte, die in verschiedenen Systemen vorgehalten werden. Ein besonderes Problem bilden Schlüsselanomalien, die drohen, wenn Informationen zu identischen Sachverhalten der Realwelt in verschiedenen Vorsystemen mehrfach gespeichert sind und deren 8

9 identifizierende Eigenschaft (Primärschlüssel) dabei unterschiedliche Werte aufweist. Hier besteht die besondere Gefahr der unentdeckten Weiterverarbeitung von Dubletten z. B. von Zuwendungsempfängern und Fördervorhaben inklusive der zugeordneten Wertangaben (vgl. Kemper/Finger 2010: ). Darüber hinaus müssen die für analytische Fragestellungen relevanten Informationsfragmente, ohne Einarbeitung technischer Hilfsmittel, manuell selektiert, aus den verschiedenen Systemen ausgelesen, bereinigt, zusammengefasst, aufbereitet und in eine ansprechende Berichtsform überführt werden. Eine besondere Herausforderung erwächst dabei oftmals aus dem Zugriff auf historische Daten, da diese nicht mehr in den aktuellen Datenbasen der operativen Systeme gehalten werden. Ferner stellen die Berichte die Informationen in statisch vordefinierten Strukturen dar. Eine Neugruppierung von Kriterien oder die schnelle Generierung von Detailsichten ist nicht möglich. Es fehlen in der Regel auch Optionen, die ein selbstständiges und flexibles Auswerten der vorhandenen Datenbestände ermöglichen. Mit Blick auf die oben dargestellte Ausgangssituation werden Systeme benötigt, die weitestgehend automatisiert Informationen intelligent generieren und vorhalten können. Zudem müssen diese IT-Systeme eine auf die Lösung analytischer Fragen bezogene Nutzung ermöglichen. Business Intelligence zeigt Lösungen auf, um diesen Bedarf zu decken. 9

10 5. Business Intelligence Der Begriff Business Intelligence wurde erstmals 1958 von dem Informatiker Hans Peter Luhn im Zusammenhang mit einer Technologie zur teilautomatisierten Textanalyse verwendet. Business wird von Luhn als a collection of activities for whatever purpose, be it science, technology, commerce, industry, law, government, defense, et cetera definiert (vgl. Hummeltenberg 2010: 18). Luhn schließt staatliches Handeln explizit ein. Intelligence bedeutet in diesem Kontext Einsicht oder Verständnis. Gemäß aktueller Auffassung beschreibt der Begriff Business Intelligence in einer weitgefassten Definition solche Technologien, Prozesse und Konzepte, deren Ziel darauf gerichtet ist, entscheidungsrelevantes Datenmaterial zu sammeln, aufgabenorientiert aufzubereiten, effizient und dauerhaft zu speichern sowie anwendungsbezogen analysier- und darstellbar zu machen (vgl. Gluchowski/Gabriel/Dittmar 2008: 91ff.). Die Anwendungsbeispiele für erfolgreich eingesetzte BI-Systeme in der öffentlichen Verwaltung sind bisher zahlenmäßig gering (vgl. Finkler 2008: 2). Sarah Burnett, eine Analystin der Butler Group, die im Jahr 2007 eine Untersuchung über den Einsatz von Business Intelligence Systemen in der öffentlichen Verwaltung durchgeführt hat, stellte sogar die These auf: Public sector is failing from Business Intelligence at a time when ist could most use it (vgl. Burnett 2007). Dennoch gibt es einige Projekte, die umgesetzt wurden und das Potenzial dieser Konzepte und Technologien aufzeigen. Die Stadt Köln erstellt beispielsweise auf der Grundlage der Datenbasis eines Data Warehouses den KölnAtlas Familie. Hierbei handelt es sich um ein Monitoringsystem über die Lebenslagen von Familien, ihren Rahmenbedingungen und Infrastrukturen. In Befragungen von Müttern und Vätern werden Einkommensverhältnisse, Arbeitsplatzangebote sowie Wohnangebote erfasst und als integrierte Daten in einem Data Warehouse gespeichert. Auf Grundlage der ausgewerteten Daten wird von den Entscheidungsverantwortlichen ein Handlungskonzept zum demographischen Wandel erstellt (vgl. Berg 2007). 5.1 BI-Multidimensionalität Multidimensionalität ist keine zwingende Voraussetzung für Business Intelligence-Systeme. In der Praxis macht sie jedoch einen Großteil der Leistungsfähigkeit entsprechender Anwendungen aus. Die Strukturierung der Daten bestimmt weitgehend den Aufbau und die Funktionalität von Business Intelligence Systemen. Für analyseorientierte Aufgaben erweist sich eine Gliederung von Daten nach Themengebieten als besonders nützlich, weil sie die Betrachtung von Sachverhalten aus unterschiedlichen Perspektiven erleichtert. Im Kontext von Business Intelligence beschreibt der Begriff Multidimensionalität die themenbezogene logische Anordnung von numerischen Werten (Fakten) 10

11 und beschreibender Kriterien (Dimensionen) in mehrdimensionalen Datenwürfeln (vgl. Gluchowski/Gabriel/Dittmar 2008: 143, ); (vgl. Bauer/Günzel 2009: 109f). Fakten lassen sich allgemein als Kennzahlen interpretieren, die quantitativ messbare Sachverhalte in konzentrierter Form wiedergeben. Ein Teil der Fakten entstammt den operativen Geschäftsprozessen und wird aus den transaktionsorientierten Bewegungsdaten gewonnen. Im Bereich Fördermanagement gehören hierzu die Finanzzahlen (z. B. Gesamtinvestitionen, förderbare Ausgaben, Bewilligungen, Auszahlungen) und die auf das Vorhaben bezogenen Indikatoren (z. B. geschaffene Arbeitsplätze, angemeldete Patente, Flächenverbrauch). Ferner lassen sich sozioökonomische statistische Angaben und Ziele als Fakten behandeln und aufbereiten. Ohne jegliche Konkretisierung verfügen Kennzahlen jedoch über keinen Informationsgehalt. Das Treffen substantieller Aussagen benötigt zusätzliche Angaben, die den Kontext eingrenzen und den relevanten Sachverhalt präzisieren. Dimensionen dienen der Beschreibung, Suche und Aggregation von Fakten durch das Liefern von Merkmalen, die den Wer, Was, Wann, Wo, Wofür, Wie Kontext einer Kennzahl zum Zeitpunkt ihrer Entstehung charakterisieren. Innerhalb der operativen Vorsysteme bilden die zustandsorientierten Stammdaten die Grundlage für das Ableiten der Dimensionen. Konkrete Ausprägungen von Dimension werden als Dimensionselement bezeichnet. Wie Abbildung 2 verdeutlicht, weisen Dimensionen oftmals unterschiedliche Konsolidierungsebenen auf, die Fakten hierarchisch strukturieren und in verschiedenen Detaillierungsgraden wiedergeben (vgl. Bauer/Günzel 2009: ). 11

12 Abbildung 2: Dimensionshierarchien im Fördermanagement Quelle: eigene Darstellung Für die Anwender/-innen schaffen Dimensionen eine Orientierungsstruktur und liefern die Navigations- und Konsolidierungspfade anhand derer sich die Fakten aus unterschiedlichen Blickwinkeln und in unterschiedlichen Verdichtungsstufen untersuchen lassen. Mit Blick auf die Anzahl möglicher Dimensionselemente unterscheiden sich Einzelobjektdimensionen von Mengendimensionen. Einzelobjektdimensionen besitzen dabei nur einzelne bis wenige Ausprägungen (vgl. Gluchowski 2004: 140). Beispiele sind eine Wertartdimension mit den Ausprägungen Plan, Soll, Ist und eine Dimension für den Projektstatus mit den Ausprägungen Erfasst, Bewilligt, Abgeschlossen. Mengendimensionen kennzeichnet demgegenüber eine hohe Anzahl möglicher Ausprägungen. Beispiele sind die Dimensionen Zuwendungsempfänger und Projekt. Eine Herausforderung von BI-Projekten liegt in der organisationsbereich- und geschäftsprozessübergreifenden Abstimmung der Dimensionselemente, um diese für integrierte Analysen nutzbar zu machen. Hierfür sind u. U. erhebliche Maßnahmen zur Vereinheitlichung von Kennzahlendefinitionen und im Bereich Stammdatenmanagement erforderlich. 12

13 5.2 BI-Architektur Im Folgenden wird der Aufbau eines BI-Systems konzeptionell skizziert. Der Aufbau typischer BI- Systeme orientiert sich in seiner Grundstruktur an folgendem Schema: Abbildung 3: Übersicht der BI-Architektur Berichtsgeneratoren Enterprise Reporting Dashboard / Portale Anzeige OLAP Cube-viewer Abfrage- Werkzeuge Data-Mining Analyse OLAP- Cube Datamart Data- Warehouse Speicherung Aufbereitung ETL Operative interne Systeme Externe Systeme Quelle: eigene Darstellung Dieses Schema bietet Orientierung bei der Einordnung spezifischer BI-Komponenten sowie der Untersuchung existierender BI-Systeme und neuer Entwicklungen. Im Groben unterscheidet die BI- Architektur die beiden Funktionen der Datenbereitstellung und der Datennutzung. Dabei erfolgt die Bereitstellung innerhalb der Aufbereitungs- und Speicherungsschicht. Während die Aufbereitungsschicht die operativen Daten aus den Vorsystemen abgreift und umwandelt, sorgt die Speicherungsschicht für deren dauerhafte Verwahrung und regelt den Zugriff. Für die Nutzung durch die Endanwender/-innen bieten Analyse- und Präsentationsschicht Komponenten, die unterschiedlichen Anforderungen genügen. Während die Endanwender/-innen innerhalb der Analyseschicht auf Daten eher uneingeschränkt zugreifen, Informationsfragmente individuell zusammenstellen und aktiv untersuchen können, liegt der Fokus innerhalb der Präsentationsschicht auf der automatisierten 13

14 Anzeige und passiven Abrufbarkeit standardisierter Berichte. (vgl. Gluchowski/Gabriel/Dittmar 2008: 108ff.) BI Aufbereitungsschicht Innerhalb der Aufbereitungsschicht geschieht das Selektieren, Bereinigen, Vereinheitlichen und Zusammenfassen der Daten, die aus unterschiedlichen internen und externen Datenquellen stammen, sowie deren Übernahme in die zentrale Datenbasis (vgl. Gluchowski/Gabriel/Dittmar 2008: 109ff.). Die Aufbereitung von heterogenen, fragmentierten Datenbeständen in thematisch strukturierte Informationsblöcke verlangt die Durchführung komplexer Verarbeitungsschritte. Verschiedene Autoren betonen, dass hierauf ca. 80 Prozent des Gesamtaufwandes der Entwicklung von BI- Systemen entfällt (vgl. Kimball et al. 2008: 7); (vgl. Chamoni/Gluchowski 2010: 9). Die Aufbereitung umfasst die drei Subprozesse - Extraktion, - Transformation und - Ladung, die mit ETL abgekürzt werden (vgl. Schinzer 2001: 125). Mit Blick auf den ersten Subprozess, die Extraktion, ist die Frage zu klären, ob die Daten in der zentralen Datenbasis vor der Aktualisierung jeweils vollständig gelöscht und dann neu angelegt (Data Refresh) oder ob nur jeweils Änderungen gegenüber dem der letzten Aktualisierung übernommen werden (Data Update). Während der Data Refresh für jeden Durchlauf des Aufbereitungsprozesses die vollständige Extraktion der Daten notwendig macht, beschränkt sich das Abgreifen beim Data Update auf Änderungen gegenüber dem Stand vom jeweils letzten Durchlauf. Ein Data Refresh gewährleistet die Konsistenz der Daten mit einem relativ einfachen Verfahren. Dem stehen im Vergleich zum Data Update die Nachteile einer höheren Ressourcenbelastung und längerer Übertragungs- und Verarbeitungszeiten gegenüber. Da die zentrale Datenbasis beim Data Refresh nur jeweils den aktuellsten Datenstand vorhält, ist ohne weitere Maßnahmen (z. B. gesonderte Archivierung importierter Daten) kein Vergleich verschiedener Stände der analytischen Datenbasis möglich. Voraussetzung für das Umsetzen eines Data Updates bildet jedoch das Vorhandensein notwendiger Zeitstempel-Informationen in den Vorsystemen, mit deren Hilfe sich die Werte ermitteln lassen, die nach dem letztem Durchlauf des Aufbereitungsprozesses neu angelegt, geändert oder gelöscht wurden. 14

15 Der zweite Subprozess, die Transformation, bildet in der Regel den Hauptteil der Aufbereitung und setzt sich selbst wiederum aus vielen verschiedenen Einzelschritten zusammen. Diese lassen sich einerseits der Filterung und Harmonisierung und andererseits der Verdichtung und Anreicherung zuordnen. Die Filterung und Harmonisierung, übernimmt die selektierten Daten zunächst in einen temporären Zwischenbereich (Stagingbereich). Anschließend untersuchen und bereinigen verschiedene Prüfroutinen die Daten mit Blick auf fehlende Werte sowie syntaktische und semantische Mängel (z. B. Synonyme und Homonyme). Dieser Vorgang geschieht in weiten Teilen automatisch, wobei die Auswertung erstellter Protokolldateien zusätzlich die Möglichkeit für manuelle Korrekturen schafft. Nach der Übernahme und Berichtigung erfolgt die Abstimmung bzw. Vereinheitlichung der Daten. Das funktioniert z. B. durch den Einsatz von Umsetzungstabellen, die festlegen, wie sich die aus den verschiedenen Vorsystemen stammenden Synonyme, Homonyme und Formatierungen harmonisieren lassen. Abbildung 4 verdeutlicht das Problem mit Synonymen am Beispiel der RWTH Aachen (vgl. Gluchowski/Gabriel/Dittmar 2008: );(vgl. Kemper/Finger 2010: 160ff.). Abbildung 4: Unterschiedliche Schreibweisen von Synonyme am Beispiel RWTH Aachen Quelle: eigene Darstellung Die Verdichtung und Anreicherung umfasst die Bildung von Aggregationen und zusätzlichen Kennzahlen. Eine Verwendung von voraggregierten Daten (z. B. auf Monats- oder Quartalsebene) bietet Vorteile in Bezug auf die Antwortzeiten und den Speicherplatzbedarf. Neben der erhöhten Aufbereitungszeit stehen dem Nachteile mit Blick auf die Flexibilität von Auswertungen gegenüber. Jede Aggregation schränkt die Wahlfreiheit ein. Aus diesem Grund neigt man dazu, die Detaillierung so hoch wie möglich zu belassen und allenfalls eine rollierende Summierung zu implementieren, die Daten mit einem bestimmten zeitlichen Abstand voraggregiert. Die Anreicherung bildet und speichert aus den übernommenen Fakten ggf. weitere absolute Kennzahlen, z. B. Differenzen, sowie 15

16 Gliederungs-, Index- und Beziehungskennzahlen (vgl. Promberger 1995: 218f). Abbildung 5 liefert Beispiele für zusammengesetzte Kennzahlen aus dem Bereich Fördermanagement. Abbildung 5: Beispiele für zusammengesetzte Kennzahlen Gliederungszahlen Strukturelle Verhältnisse (Anteile) z. B. Bewilligung Dortmund Bewilligung Gesamtprogramm Beziehungszahlen Ursache-Wirkungs-Zusammenhang Sachlogische Beziehungen z. B. geschaffene Arbeitsplätze Bewilligungen (Wirkung) (Ursache) Indexzahlen Zeitliche Entwicklung z.b Entwicklung der Auszahlungen Quelle: eigene Darstellung Der dritte Subprozess, die Ladung, übernimmt die selektierten, gefilterten, vereinheitlichten, aggregierten und veredelten Daten in die zentrale Datenbasis. Den Abschluss bilden gegebenenfalls noch Neuorganisations- und Berechnungsvorgänge, um die Speicherkomponenten in den aktualisierten Zustand zu überführen. So vielfältig wie die Aufgaben zeigt sich das Spektrum einsetzbarer ETL-Werkzeuge. Diese umfassen sowohl herkömmliche SQL-Skripte (bzw. Editoren) als auch spezialisierte Entwicklungsumgebungen zur Gestaltung der Datenflüsse und Bearbeitungsschritte. In welchen periodischen Abständen das Durchlaufen des Aufbereitungsprozesses erfolgt, ist eine Frage des notwendigen Aktualitätsgrades der analytischen Datenbasis. Denkbar und möglich ist hier alles zwischen jährlichem Durchlaufen und Echtzeitbetrieb. Üblich ist jedoch die wöchentliche oder tägliche Aktualisierung. Da der Aufbereitungsprozess oftmals sehr ressourcenintensiv ist, geschieht der Durchlauf bevorzugt in belastungsarmen Zeiten (in der Regel nachts). Neben dem automatisierten Aufruf kann der Prozess auch manuell angestoßen werden (vgl. Gluchowski/Gabriel/Dittmar 2008: ). 16

17 5.2.2 BI-Speicherungsschicht Die Speicherungsschicht enthält als wesentliche Komponente eine zentralisierte Datenbank. Das Datawarehouse, das gewissermaßen das Herzstück der BI-Architektur bildet, ist die Zielstation des Aufbereitungsprozesses, welche die analyseorientierten Informationspartikel integriert. Als Teil der Bereitstellungsfunktion liefert das Datawarehouse eine von den operativen Datenbasen losgelöste Serverkomponente für die dauerhafte Speicherung der entscheidungsrelevanten Daten (vgl. Gluchowski/Gabriel/Dittmar 2008: 118, 122). Die Realisierung eines Datawarehouse geschieht dabei oft auf der technischen Grundlage von herkömmlichen Datenbanksystemen. Konzeptionell prägen jedoch folgende vier Eigenschaften den Unterschied zu operativen Datenbasen: - Themenorientierung - Vereinheitlichung - Beständigkeit - Zeitbezug Die Themenorientierung meint, dass sich die Struktur der Daten im Datawarehouse an bestimmten Klassen von Sachzusammenhängen orientiert, die mit Blick auf Analysen Relevanz aufweisen. Dies entspricht dem bereits zuvor erwähnten Konzept der Dimensionen, die Arten von Kategorien wie Region, Förderbereich, Branche usw., repräsentieren. Innerhalb des Datawarehouse sind die Daten so vereinheitlicht, dass sie von außen als homogene Informationsbasis erscheinen. Für den Nutzer lässt sich u. U. nicht erkennen, aus welchem Vorsystem ein bestimmtes Informationsfragment stammt. Die Vereinheitlichung der Formate sowie die Beseitigung semantischer Defekte geschehen, wie zuvor beschrieben, innerhalb des Aufbereitungsprozesses (vgl. Gluchowski/Gabriel/Dittmar 2008: 119). Das Datawarehouse speichert die Daten dauerhaft. Eine Änderung der Daten erfolgt lediglich über den Ladevorgang des Aufbereitungsprozesses. Komponenten der Nutzungsebene greifen hingegen allein lesend auf die zentrale Datenbasis zu. Neben den analyseorientierten Sachzusammenhängen (Themen) werden die Daten im Datawarehouse mit Zeitbezug gespeichert. Als Dimension nimmt die Zeit, welche in unterschiedlichen Rollen (Buchungsdatum, Bewilligungsdatum, Projektbeginn, Projektende) Anwendung finden kann, eine besondere Stellung ein: Die zeitliche Eingrenzung und/ oder Aufgliederung von Fakten ist mit Blick auf die meisten analytischen Fragestellungen relevant insbesondere für Zeitreihen- und Trendanalysen, z. B. für die Untersuchung von Mittelabflüssen. Im Ergebnis unterscheiden sich analyseorientierte Datenstrukturen teils erheblich von den transaktions- und prozessorientierten Datenstrukturen operativer Systeme. Für die Erleichterung des Analy- 17

18 seprozesses verzichtet man hier üblicherweise auf die Vermeidung von Redundanzen mit dem Resultat, dass analyseorientierte Datenbasen identische Datenwerte mehrfach speichern. Da Datenänderungen aber nur per Ladevorgang und nicht durch Transaktionen des Endbenutzers erfolgen, führt dies nicht zu Inkonsistenzen. In Ergänzung zur Datenhaltung im zentralen Datawarehouse lassen sich bereichs- bzw. zweckspezifisch abgegrenzte Datenausschnitte zusätzlich in eher dezentral ausgerichteten Data Marts ablegen. Diese besonders in großen Organisationen übliche sogenannte Hub- Spoke-Architektur schafft Vorteile mit Blick auf die Verarbeitungsgeschwindigkeit (weniger Daten) und die Steuerbarkeit des Zugriffs (eigenes Rechtekonzept). Neben relationalen Datenbanksystemen finden auch multidimensionale OLAP-Systeme Einsatz, welche die Daten in eine zellorientierte physische Speicherstruktur überführen und vorhalten. Die entstehenden OLAP-Würfel oder Cubes bieten gegenüber relationalen Datenbasen wiederum erhebliche Vorteile hinsichtlich der Analyseunterstützung. Ferner lassen sich nutzer- bzw. rollenspezifische Zugriffsrechte hier sehr einfach anhand von Dimensionen und Dimensionselementen auf bestimmte Sichten festlegen. Die Speicherungsschicht umfasst entsprechend ggf. mehrere Datenbasen, die bei einer Hub-Spoke- Architektur jedoch inhaltlich nie mehr als einen Ausschnitt des Datawarehouse bereitstellen, so dass eine logisch einheitliche und konsistente Sicht auf die Daten gewährleistet bleibt (vgl. Gluchowski/Gabriel/Dittmar 2008: ); (vgl. Kemper/Mehanna/Unger 2006: 21-23). Die Data Warehouse Technologie wird in den letzten Jahren auch vermehrt in der öffentlichen Verwaltung eingesetzt. So nutzt die Landesregierung des Saarlandes beispielsweise das Informationssystem CONIFERE, um verschiedene Module (wie bspw. das Fördermittelmanagement und controlling) in einem System zu integrieren. Damit ermöglicht CONIFERE auf Grundlage einer einheitlichen elektronischen Datenbasis umfangreiche Auswertungs-, Reporting und Analysefunktionalitäten. Hierdurch können in Echtzeit Informationen über verschiedene Hierarchieebenen und Funktionsbereiche der Landesverwaltung bereitgestellt und zur Aufgabenerfüllung, von Mitarbeitern der Landesverwaltung, genutzt werden (vgl. Landesregierung Saarland o. J.: 34); (vgl. Finkler 2008: 162ff.). Die folgende Abbildung zeigt das Funktionsprinzip von CONIFERE: 18

19 Abbildung 6: Funktionsprinzip von CONIFERE Quelle: (vgl. Klein 2012: 9) BI-Analyseschicht Die Analyse umfasst ein aktives Arbeiten mit Daten. Um relevante Werte individuell selektieren und zusammenstellen zu können, ist hier ein möglichst uneingeschränkter Zugriff hinsichtlich der Informationsbreite und tiefe wünschenswert (vgl. Gluchowski/Gabriel/Dittmar 2008: 105ff., ). Auch kann, abhängig von der konkreten Fragestellung, wiederum die Einbeziehung weiterer, d.h. außerhalb des BI-Systems vorhandener Vorsysteme notwendig sein, wenn die Speicherungsschicht nicht alle notwendigen Daten vorhält (vgl. Gluchowski/Gabriel/Dittmar 2008: 115). Bei einer Analyse geht es in der Regel nicht darum, den Status bekannter Sachzusammenhänge abzurufen, sondern durch die Neukombination und Neustrukturierung von Daten Beziehungsmuster aufzudecken oder zu überprüfen. Im Kontext von Business Intelligence lassen sich hier drei Tätigkeitsarten unterscheiden, die durch Komponenten aus jeweils eigenen Werkzeugklassen Unterstützung finden: - Das Abgreifen von Rohdaten. - Das interaktive und flexible Navigieren in multidimensional aufbereiteten Datenbeständen. - Das Verarbeiten großer Datenmengen zur Erkennung unbekannter Muster und Zusammen- hänge. 19

20 Dem Abgreifen von Rohdaten lassen sich SQL-Abfragen sowie das einfache Kopieren von Tabelleninhalten zuordnen. Einsatz finden hier herkömmliche SQL-Abfragewerkzeuge, die einen Zugriff auf die Quellsysteme und die Extraktion der relevanten Daten erlauben. Insbesondere bei unerwarteten Fragestellungen, die zusätzlich eine hohe Bedeutung kennzeichnet, bildet das Abgreifen von Rohdaten häufig den ersten Schritt der Erstellung von ad hoc Abfragen oder umfangreichen Analysen. Für das interaktive und flexible Navigieren in multidimensional aufbereiteten Datenbeständen finden Online Analytical Processing-Technologien Anwendung. Geübten Anwender/-innen bieten OLAP- Cube-Viewer und funktionsähnliche Excel-Add-Ins einen direkten Zugriff auf die multidimensional strukturierten Daten, so dass sie sowohl individuelle Ad hoc Abfragen (z. B. Welche Mittel aus dem Titel X im Quartal Y in die Gemeinde Z geflossen sind) als auch komplexe Analysen (z. B. Welchen Einfluss die Maßnahme Y auf das globale Ziel Z hat) selbständig durchführen kann. Jede einzelne Dimension lässt sich dabei mit der gleichen Funktionalität selektieren, kombinieren und aufgliedern. Hier unterscheiden sich folgende auf dem Datenwürfel ausführbare Standardoperationen (vgl. Gluchowski/Gabriel/Dittmar 2008: ): - Slice: Ein in Scheiben schneiden des Datenwürfels durch das Filtern bestimmter Dimensionselemente. - Dice: Das Würfeln bzw. Drehen des Datenwüfels durch die Neukombination von Dimensionen (wird auch Pivotieren genannt). - Drill down: Wechsel der Betrachtung einer bestimmten Datenkonstellation auf eine niedrigere Aggregationsstufe (z. B. von der Jahressicht auf die Monatssicht). - Roll up: Wechsel der Betrachtung einer bestimmten Datenkonstellation auf eine höhere Aggregationsstufe (z. B. von der Projektebene auf die Programmebene). (vgl. Kemper/Mehanna/Unger 2006: 95-99) Die Operationen Drill down und Roll up beschreiben allgemein die Betrachtung der Daten in verschiedenen Verdichtungsstufen auf Basis der definierten Dimensionshierarchien. Abbildung 7 erläutert die OLAP-Standardoperationen. 20

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

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

1 Einleitung. Betriebswirtschaftlich administrative Systeme

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

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

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

Mehr

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

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

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 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

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

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

Unlimited Controlling

Unlimited Controlling smcolap Unlimited Controlling Heute müssen beliebige Bereiche eines Unternehmens schnell und effizient analysiert werden. Dabei darf es keine Rolle spielen, wo die Daten liegen und in welcher Relation

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

Das Management Informationssystem für die Wertstoff- und Entsorgungswirtschaft und den Metallhandel

Das Management Informationssystem für die Wertstoff- und Entsorgungswirtschaft und den Metallhandel Das Management Informationssystem für die Wertstoff- und Entsorgungswirtschaft und den Metallhandel BI RECY CLE BI by tegos - das Management Informationssystem für die Wertstoff- und Entsorgungswirtschaft

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

Das Management Informationssystem für die Wertstoff- und Entsorgungswirtschaft und den Metallhandel

Das Management Informationssystem für die Wertstoff- und Entsorgungswirtschaft und den Metallhandel Das Management Informationssystem für die RECY CLE by tegos - das Management Informationssystem für die by tegos wurde von der tegos GmbH Dortmund basierend auf Microsoft Technologie entwickelt. Sie erhalten

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

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects Besseres Investitionscontrolling mit Der Investitionsprozess Singuläres Projekt Idee, Planung Bewertung Genehmigung Realisierung Kontrolle 0 Zeit Monate, Jahre Perioden Der Investitionsprozess Singuläres

Mehr

mit der neuen Microsoft BI-Plattform

mit der neuen Microsoft BI-Plattform Der Weg von manuellen Berichten zum modernen BI-System PSG Projekt Service GmbH The SQL Server Company, Hamburg Jan Streblow, Lead Consultant Public Sector Sascha Lorenz, Lead Consultant SQL Server Technology

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

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

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

Intelligente Kanzlei

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

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

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

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

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

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Corporate Performance Management SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Martin Krejci, Manager CPM Matthias Schmidt, BI Consultant Kristian Rümmelin, Senior BI Consultant Braincourt GmbH

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

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

Business Intelligence was macht Unternehmen intelligent? White Paper

Business Intelligence was macht Unternehmen intelligent? White Paper Business Intelligence was macht Unternehmen intelligent? White Paper Autor: Jens Blank Juli 2012 Wassermann AG Westendstraße 195 80686 München www.wassermann.de Zusammenfassung Über traditionelle Ansätze

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

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

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

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

gallestro BPM - weit mehr als malen...

gallestro BPM - weit mehr als malen... Ob gallestro das richtige Tool für Ihr Unternehmen ist, können wir ohne weitere rmationen nicht beurteilen und lassen hier die Frage offen. In dieser rmationsreihe möchten wir Ihre Entscheidungsfindung

Mehr

Raber+Märcker Business Intelligence Lösungen und Leistungen

Raber+Märcker Business Intelligence Lösungen und Leistungen Business Intelligence Raber+Märcker Business Intelligence Lösungen und Leistungen www.raber-maercker.de 2 LEISTUNGEN Business Intelligence Beratungsleistung Die Raber+Märcker Business Intelligence Beratungsleistung

Mehr

THEOBALD XTRACT PPS IXTO GMBH. Mathias Slawik, Linda Kallinich

THEOBALD XTRACT PPS IXTO GMBH. Mathias Slawik, Linda Kallinich THEOBALD XTRACT PPS IXTO GMBH Mathias Slawik, Linda Kallinich Projekt BWA: Analytische Anwendungen, WS 2010/2011 Agenda 2/14 Projektaufgabe Technologien / Xtract PPS Projektablauf Dashboard-Prototyp Bewertung

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

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

Effizientes Änderungsmanagement in Outsourcing- Projekten

Effizientes Änderungsmanagement in Outsourcing- Projekten Effizientes Änderungsmanagement in Outsourcing- Projekten Dr. Henning Sternkicker Rational Software IBM Deutschland GmbH Sittarder Straße 31 52078 Aachen henning.sternkicker@de.ibm.com Abstract: Es werden

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

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

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011 Business Intelligence und Geovisualisierung Innovative Ansätze für den Gesundheitsmarkt Mainz, 10. Mai 2011 Prof. Dr. Anett Mehler-Bicher Prof. Dr. Klaus Böhm Inhalt Ausgangssituation und Motivation Motivation

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

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

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

Mehr

Data 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

White Paper: Target_Project_BI - Lösungsansatz in der Automobil- Zulieferer-Industrie

White Paper: Target_Project_BI - Lösungsansatz in der Automobil- Zulieferer-Industrie Target_Project_BI - Lösungsansatz in der Automobil- Zulieferer-Industrie Management Summary Der hier beschriebene Target_Project_BI Lösungsansatz der C.O.S bietet folgende Lösungsmodule: Top/Multi-Level

Mehr

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben Transbase Hypercube ist eine Transbase -Option, die die innovative Hypercube-Technologie für komplexe analytische Anwendungen (OLAP)

Mehr

Data Mining-Projekte

Data Mining-Projekte Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein

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

Die wahre Entdeckung besteht nicht darin, Neuland zu finden, sondern die Dinge mit neuen Augen zu sehen. Marcel Proust

Die wahre Entdeckung besteht nicht darin, Neuland zu finden, sondern die Dinge mit neuen Augen zu sehen. Marcel Proust Dynamische Rollen Dreh- und Angelpunkt von perbit.insight ist ein intuitiv bedienbares HR Solution Center. Hier stehen alle personalwirtschaftlichen Anwendungen zusammengeführt unter einer einheitlichen

Mehr

Survival Guide für Ihr Business Intelligence-Projekt

Survival Guide für Ihr Business Intelligence-Projekt Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren

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

Business Intelligence. Business Intelligence Seminar, WS 2007/08

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

Mehr

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

Solution for Business Intelligence. MID Insight 2013

Solution for Business Intelligence. MID Insight 2013 Solution for Business Intelligence MID Insight 2013 A G E N D A 1. Solution für Business Intelligence (BI) 2. Die Gründe und Hintergründe 3. Die Methode 4. Vorteile MID GmbH 2013 2 Solution für Business

Mehr

Steuerung und Berichtswesen für die öffentliche Verwaltung mit BI. Analyse- und Steuerungssystem

Steuerung und Berichtswesen für die öffentliche Verwaltung mit BI. Analyse- und Steuerungssystem Ihre Praxis. Unsere Kompetenz. Sichere Zukunft. Steuerung und Berichtswesen für die öffentliche Verwaltung mit BI Analyse- und Steuerungssystem Jürgen Scherer Part of Auszug Beauftragungen Analyse- und

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

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

Betriebliche Software: Produktdaten-Management

Betriebliche Software: Produktdaten-Management Betriebliche Software: Produktdaten-Management Betriebliche Software: Produktdaten-Management Aufgrund einer großen Anzahl an neuen gesetzlichen Forderungen, die auf die Qualität, Sicherheit oder Umweltverträglichkeit

Mehr

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format.

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format. Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH Gerd Schandert, Neuss den 18.03.2014 Agenda 1. Vorstellung Auftraggeber 2. Förderung allgemein 3. Schichten im Data Warehouse 4.

Mehr

Geschäftsprozessmanagement

Geschäftsprozessmanagement Geschäftsprozessmanagement Der INTARGIA-Ansatz Whitepaper Dr. Thomas Jurisch, Steffen Weber INTARGIA Managementberatung GmbH Max-Planck-Straße 20 63303 Dreieich Telefon: +49 (0)6103 / 5086-0 Telefax: +49

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

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

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

Master-Thesis (m/w) für unseren Standort Stuttgart

Master-Thesis (m/w) für unseren Standort Stuttgart Master-Thesis (m/w) für unseren Standort Abschlussarbeit im Bereich Business Process Management (BPM) Effizienzsteigerung von Enterprise Architecture Management durch Einsatz von Kennzahlen Braincourt

Mehr

Nutzungs- und Betriebskonzept für Data-Warehouse-Systeme im Hochschulwesen

Nutzungs- und Betriebskonzept für Data-Warehouse-Systeme im Hochschulwesen Nutzungs- und Betriebskonzept für Data-Warehouse-Systeme im Hochschulwesen HERUG.DS-Tagung, Berlin 10. Oktober 2007 Dipl. Wirtsch.-Inf. Stefan Hartmann Überblick 1. Motivation 2. Integriertes Nutzungs-

Mehr

Business Intelligence

Business Intelligence Business Intelligence TOP Priorität für CIOs? Köln 08. Mai 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business Intelligence BI TOP Priorität

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

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

Informationssysteme Aufgaben (1)

Informationssysteme Aufgaben (1) Universitätslehrgang Controlling Berichtswesen und Managementinformationssystem SS 2008 A-6600 Reutte - Tränkeweg 18 Phone/Fax: +43 (5672) 64704 - e-mail: g.lovrecki.cat@tnr.at 1 Aufgaben (1) Entscheidungsvorbereitung

Mehr

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Michael Hahne T&I GmbH Workshop MSS-2000 Bochum, 24. März 2000 Folie 1 Worum es geht...

Mehr

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg Ihre PRAXIS Software AG a t o s - nalytisch - aktisch - perativ - trategisch Unser atos Konzept für Ihren Erfolg Das atos Konzept macht geschäftskritische Daten und Abläufe transparent ermöglicht einfache

Mehr

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Hochschulstudium (Wirtschaftsinformatik oder ein vergleichbarer Studiengang) Fachliche und technische Kenntnisse im Bereich Business

Mehr

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching 1.1 Caching von Webanwendungen In den vergangenen Jahren hat sich das Webumfeld sehr verändert. Nicht nur eine zunehmend größere Zahl an Benutzern sondern auch die Anforderungen in Bezug auf dynamischere

Mehr

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

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

Mehr

Business Intelligence für Controller

Business Intelligence für Controller Controllers Best Practice Fachbuch Business Intelligence für Controller Hermann Hebben und Dr. Markus Kottbauer Verlag für ControllingWissen ÄG, Freiburg und Wörthsee Ein Unternehmen der Haufe Mediengruppe

Mehr

Vertriebs-Dashboards für das Management

Vertriebs-Dashboards für das Management Vertriebs-Dashboards für das Management Die wichtigsten Vertriebskennzahlen jederzeit und aktuell auf einen Blick. www.schleupen.de Schleupen AG 2 Der Wettbewerb Die Stadtwerke stehen im direkten Wettbewerb

Mehr

Pressemitteilung. Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren

Pressemitteilung. Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren Pressemitteilung Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren 21. Januar 2008, sieber&partners, Norman Briner 1 Vorwort Die bessere Nutzung und Auswertung

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

Business Intelligence mit MS SharePoint Server

Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server erleichtert es den Entscheidungsträgern, auf Informationen jederzeit

Mehr

Prozessorientierte Informationssysteme im Controlling

Prozessorientierte Informationssysteme im Controlling Themenschwerpunkt Controlling September 2004 Fraunhofer IML bietet Unterstützung bei Systemanalyse und -auswahl Prozessorientierte Informationssysteme im Controlling Das Controlling hat für die Erfolgskontrolle

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

EXZELLENTES MASTERDATENMANAGEMENT. Creactives-TAM. (Technical Attribute Management)

EXZELLENTES MASTERDATENMANAGEMENT. Creactives-TAM. (Technical Attribute Management) EXZELLENTES MASTERDATENMANAGEMENT Creactives-TAM (Technical Attribute Management) Datenqualität durch Stammdatenmanagement Stammdaten sind eine wichtige Grundlage für Unternehmen. Oft können diese, gerade

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

Analysen sind nur so gut wie die Datenbasis

Analysen sind nur so gut wie die Datenbasis Analysen sind nur so gut wie die Datenbasis Datenaufbereitung und Sicherung der Datenqualität durch den kontextbasierten MIOsoft Ansatz. Daten gelten längst als wichtiger Produktionsfaktor in allen Industriebereichen.

Mehr

Die intelligente Sicht auf Ihre Kundendaten

Die intelligente Sicht auf Ihre Kundendaten Die intelligente Sicht auf Ihre Kundendaten Business Case Ein tiefgehendes Verständnis der Kunden, ihrer Bedürfnisse und Kaufgewohnheiten ist im heutigen wirtschaftlichen Umfeld - das durch intensive Anbieter-Konkurrenz,

Mehr

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014 SQL PASS Treffen RG KA Überblick Microsoft Power BI Tools Stefan Kirner Karlsruhe, 27.05.2014 Agenda Die wichtigsten Neuerungen in SQL 2012 und Power BI http://office.microsoft.com/en-us/office365-sharepoint-online-enterprise-help/power-bi-for-office-365-overview-andlearning-ha104103581.aspx

Mehr

Managing Business Intelligence. Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren

Managing Business Intelligence. Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren 2008 Dr. Pascal Sieber & Partners AG Alle Rechte vorbehalten. Die Verwendung, Bearbeitung, Übersetzung, Vervielfältigung

Mehr

Enterprise Reporting & Integration von Datenbanken für den Öffentlichen Sektor

Enterprise Reporting & Integration von Datenbanken für den Öffentlichen Sektor Enterprise Reporting & Integration von Datenbanken für den Öffentlichen Sektor Foto: ooolmooo Quelle: www.photocase.com Foto: Mathias The Dread Quelle: www.photocase.com Unser Unternehmen Erfahrenes Expertenteam

Mehr

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

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

Mehr

Microsoft Dynamics NAV Technische Details

Microsoft Dynamics NAV Technische Details Microsoft Dynamics NAV Technische Details INHALT Microsoft Dynamics NAV Technische Details........................................ [3] Infrastruktur.............................................. [3] Systemanforderungen.....................................

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen

Komponenten und Architekturen von Analytischen Informationssystemen Komponenten und Architekturen von Analytischen Informationssystemen Sommersemester 2013 Prof Dr. Peter Gluchowski Literatur zur Vorlesung AIS/BIS Gluchowski, Peter; Gabriel, Roland; Dittmar, Carsten: Management

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 Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen

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

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 24. Juni 2014 Agenda Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen

Mehr