Introduction to Information Technology and Business Intelligence

Größe: px
Ab Seite anzeigen:

Download "Introduction to Information Technology and Business Intelligence"

Transkript

1 Introduction to Information Technology and Business Intelligence WS 06/07 Seminar Business Intelligence: from Reporting to Analytics, University of Konstanz Lehrstühle: Prof. Dr. Harald Reiterer Prof. Dr. Marc. H. Scholl Betreuung: Svetlana Mansmann Matthias Röger, Information Engineering Übersicht Überblick Informationstechnologie Business Intelligence (BI) Architekturkonzept und Bausteine BI BI-Komponente für die Datenbereitstellung ETL-Prozess Data Warehouse BI-Komponente für die Datennutzung OLAP Data Mining Visualisierung Nutzen BI 2 1

2 Einführung Datenflut Informationsparadox: Starkes Wachstum der Speicher- u. Verarbeitungsmöglichkeit von EDV-Systemen Daten im Überfluss Ohne Datenanalyse kein Nutzen Richtige Daten werden übersehen Kein Informationsaustausch zwischen Abteilungen 3 Einführung Informationstechnologie Welt des Handels erlebt Anfang der 90er Jahre Transformation: Starkes Wachstum der Anwendung von Informationstechnologie (IT) Ziel: Steigerung Produktivität und Rentabilität Nutzen IT: Verbesserung Informationsfluss zu Entscheidern und Angestellten Ausarbeitung effizienterer Geschäftsstrategien durch Manager Schnellere Analyse von Operationen quer durch alle Unternehmensbereiche z.b. Produktion, Marketing, Absatz, Finanzen, Personal 4 2

3 Einführung Informationstechnologie Welle von Kapitalinvestitionen ab 1993 in IT Enorme Steigerungsraten beim Erwerb von Computern und Nachrichtentechnik Starker Preisverfall Verstärkung des Effektes: Erhöhung der Produktivität durch IT Signifikanter Durchbruch der Möglichkeiten von Computer-Prozessoren Entwicklung mächtiger Software-Applikationen Innovationen in der Telekommunikations-Technologie Verbesserung der Internet-Nutzung Unterstützung der Ausbreitung von Informationen Kombination dieser neuen Technologien ergab gewaltiges Informationsnetz: Informationspuls des Unternehmens 5 Einführung Informationstechnologie Entwicklung Verkauf von Personal-Computern von Quelle:arstechnica 6 3

4 Entwicklungsgeschichte Business Intelligence Management-Informations-Systeme in den 60er Jahren Versuch, Führungskräfte umfassend zu unterstützen Konzepte wurden als Total System Approaches bezeichnet Aufgrund überzogener Erwartungen / Technikgläubigkeit gescheitert Führungsunterstützungs-Systeme in den 70er Jahren Erste wirkungsvolle IT-Ansätze Modellorientierte Decision Support Systems (DSS) Berichtorientierte Management Information Systems (MIS) auf spezielle Anwendungsbereiche ausgerichtet 7 Entwicklungsgeschichte Business Intelligence IT-basierte Entscheidungsunterstützung der 80er Jahre: Zusammenfassung von EDV-Systemen: Management Support Systems (MSS) Unterstützung von Führungskräften und Entscheidungsträgern Verbesserung: Komfortable Benutzerschnittstellen Qualitativ hochwertige grafische Darstellung Erweiterte Berichts- und Recherchefunktionalitäten Kommunikation mit Hilfe von - oder Audio-Video-Systemen 8 4

5 Entwicklungsgeschichte Business Intelligence Management Support Systeme Enorme Entwicklung in den letzten 15 Jahren in Dynamik Komplexität Funktionsvielfalt Gründe dieser Entwicklung Gravierende Veränderungen des IT-Marktes Zunehmende IT-Unterstützung von Geschäftsprozessen Weltweite, kommerzielle Nutzung der Internettechnologie Um geänderten Rahmenbedingungen Rechnung zu tragen, entstand vor 15 Jahren der Begriff Business Intelligence Wurde 1989 von Howard Dresner geprägt Analyst des Gartner-Konzern 9 Entwicklungsgeschichte Business Intelligence BI Entwicklung aktuell Markt Business Intelligence: nicht gesättigt Einschätzung in sämtlichen seriösen Prognosen als Wachstumsmarkt Quelle: META GROUP 10 5

6 Business Intelligence Begriff Business Intelligence (BI) Keine allgemein akzeptierte Definition von Business Intelligence Sehr umfassende Definition: Unter Business Intelligence wird ein integriertes IT-Gesamtkonzept verstanden, das für die unterschiedlichen Ausprägungen der Anforderungen an geeignete Systeme zur Entscheidungsunterstützung tragfähige und miteinander verknüpfte Lösungen anbietet. Anwendungsorienterte Definition: Business Intelligence ist die entscheidungsorientierte Sammlung, Aufbereitung und Darstellung geschäftsrelevanter Informationen. 11 Business Intelligence Systemkomponenten: alle Komponenten zur entscheidungsrelevanten Daten- Sammlung Aufbereitung Speicherung Analyse Darstellung Funktionalität: Abgrenzung von zwei grundlegenden Funktionsblöcken von BI-Systemen Datenbereitstellung Datennutzung Bauen logisch und technisch aufeinander auf 12 6

7 Architekturkonzept und Bausteine Technische Sicht BI-Systemkomponenten 13 BI Komponenten für die Datenbereitstellung Data Warehouse: Als Speicherkomponenten werden Lösungen genutzt, welche auf separaten Datenbanken mit ausgeprägter analytischer Ausrichtung aufbauen. Diese werden als Data Warehouse (DWH) bezeichnet. Die Datenspeicherung erfolgt anwendungs-/auswertungsorientiert und ist hinsichtlich relevanter Themen organisiert. Das Datenmaterial umfasst beliebige Verdichtungsstufen von Kennzahlen. Data Marts: Problem DWH: Zentrales, organisationsweites DWH ist durch das große Volumen dort abgelegter Daten zu wenig performant, um umfangreiche Datenbestände schnell und flexibel zu analysieren. Lösung: Es erfolgt eine Extraktion und getrennte Speicherung von z.b. anwendungsspezifischer Auszüge des zentralen DWH-Datenbestandes in den sogenannten Data Marts. 14 7

8 BI Komponenten für die Datennutzung Zweiter Funktionsblock von BI-Systemen: Datennutzung Systemseitig gehören hierzu alle Anwendungen, welche das verfügbare Datenmaterial so aufbereiten und analysieren, dass der Nutzer es in geeigneter Form erhält. Abb.: Kern der einsetzbaren Tools zur Datennutzung 15 Online Analytical Processing (OLAP) Beschreibung OLAP OLAP Bezeichnung für die Analyse und Auswertung von großen Datenbeständen, welche multidimensional aufbereitet wurden. Durch Multidimensionalität können Daten aus verschiedenen Blickwinkeln betrachtet und analysiert werden. Berichte können einfach erstellt und interaktiv verändert werden. Ziel ist die Gewinnung von Informationen zur Entscheidungsunterstützung auf unterschiedlichen Hierarchieebenen. 16 8

9 Online Analytical Processing (OLAP) OLAP-Funktionalität Pivotierung: Vertauschen der Dimensionen Roll-Up: Aggregation über vorgegebene Dimensionen Drill-Down: Navigation von aggregierten Daten zu Detaildaten nach bestimmten Dimensionen Slicing: Herausschneiden einer Hyper-Scheibe, Verringerung der Dimensionalität Dicing: Herausschneiden eines Teilwürfels, Erhaltung der Dimensionalität Visualisierung: Interaktive Darstellung der Daten Abb.: Verschiedene Sichten OLAP-Würfel 17 BI Komponenten für die Datennutzung Aufgabe Data Mining Data Mining Systeme versuchen unbekannte Zusammenhänge in umfangreichen, strukturierten Datenbeständen zu erkennen und aufzuzeigen, die gewonnenen Zusammenhänge für Zukunftsprognosen zu nutzen, Analysen und Klassifizierungen automatisiert vorzunehmen Text-Mining-Systeme konzentrieren sich auf unstrukturierte, textuelle Inhalte Vorkommen: Dokumente, s, Web-Seiten 18 9

10 Data Mining - Prozess Data Mining Prozess Datenauswahl Datentransformation Data Mining Interpretation des Ergebnisses Präsentation neuer Erkenntnisse Data Mining Methoden Clustering Klassifikation Neuronale Netze Regressions-Analyse Assoziations-Analyse 19 Data Mining - Clustering Aufgabe Clusteranalyse Gruppierung der Objekte entsprechend ihrer Ähnlichkeit Objekte eines Clusters möglichst ähnlich Cluster untereinander möglichst unähnlich Einsatz Clusteranalyse Abb.: Clustering nach 2 Merkmalen Identifikation von Gruppen mit ähnlichen Merkmalen Beispiel Kundensegmentierung: Erkennen von Zielgruppen von Kunden mit ähnlichen Merkmalen Grundlage für Marketingaktionen 20 10

11 Data Mining - Klassifikation Klassifikation (Prognose) Zielsetzung der Klassifikation: Vorhersage zukünftiger Klassenzuordnungen anhand verschiedener Merkmale Erkennung von Abhängigkeiten in Datensätzen Anwendung: Klassifikation neuer Objekte Einsatz Welcher Kunde bezahlte Kredit nicht / welcher Kunde wird Kredit nicht bezahlen? Wer kaufte Produkt / wer wird Produkt kaufen? Verfahren Entscheidungsbaumverfahren K-nearest-neighbour 21 Data Mining - Klassifikation Entscheidungsbaum Abb.: Entscheidungsbaum für einen Autoversicherer 22 11

12 Data Mining Neuronale Netze Anwendung: Künstliche Neuronale Netze lösen u.a. konkrete Anwendungsprobleme. Eignung auch, wenn kein/nur geringes Wissen über das zu lösende Problem vorliegt. Funktionsapproximation (nichtlineare) Klassifikation (Kundensegmentierung, Bonitätsbewertung) Beispiele Einsatzgebiet: Kapazitätsplanung Mustererkennung, Zielgruppenerkennung Kreditrisikoerkennung Entwicklung wirtschaftlicher Prozesse 23 Data Mining Neuronale Netze Bestandteile Neuronales Netz: Verschiedene Knoten: Neuronen Verbindungen zwischen Neuronen: unterschiedliche Gewichtungen Lernen: Gewichtsänderungen zwischen Neuronen Wissen: Verteilte Speicherung in einzelnen Gewichten (Verbindungen) Abb.: einzelnes Neuron Abb.: Feedforward Netz 24 12

13 Data Mining Regression Regressionsanalyse Bsp.: Trendextrapolation Regressionsanalyse basiert auf historischen Daten. Beschreibt Beziehung zwischen unabhängiger und abhängiger Variablen, welche untersucht werden soll. Analysten nutzen die Regression typischerweise um mengenmäßige Beziehungen zwischen Variablen aufzudecken und um Zukunftsprognosen erstellen zu können. Typische Fragestellung: Wie ist die Verkaufsprognose bei gegebenen saisonalen Faktoren für das nächste halbe Jahr? Welche Auswirkungen werden Werbeausgaben auf den Marktanteil haben? 25 Data Mining Assoziations-Analyse Assoziations-Analyse: Assoziationsregeln beschreiben Korrelationen zwischen gemeinsam auftretenden Ausprägungen. Aufgabe: Ermittlung von Elementen (z.b einzelne Artikel eines Warenkorbes), die das Auftreten anderen Elemente innerhalb einer Transaktion implizieren. Darstellung als Regel der Form: Aufgedeckte Beziehung zwischen zwei oder mehr Elementen: Wenn Element(e) A, dann Element(e) B A B 26 13

14 Data Mining Assoziations-Analyse Beispiel Assoziations-Analyse: 27 Visualisierung Nutzen Visualisierung Ein Bild sagt mehr als tausend Worte. Grafiken zeigen Beziehungsmuster auf, machen Zusammenhänge sichtbar (Interaktive) Visualisierung Ermöglicht Erkennen und Analysieren von Mustern und Beziehungen in den Daten Vereinfacht Vielzahl Analysemöglichkeiten durch Überblickdarstellung Einsatz: quer durch das BI-Spektrum (z.b. Data Mining, OLAP)

15 Visualisierung Visualisierung Graphische Repräsentationen brauchen eine gewisse Zeit, bis man sie aufgenommen hat. Typischer Vorgang beim Betrachten eines Diagramms: 1. Muster fallen direkt auf. 2. Man benötigt eine Minute um herauszufinden, was die Achsen repräsentieren. 3. Man braucht einige Minuten um zu verstehen, was das Diagramm aussagt. 29 Visualisierung Übersicht Basis-Diagramme: Kreisdiagramme (Pie Chart) zeigen Proportionen auf. Ganze Einheit wird in ihre Bestandteile gegliedert. Gut geeignet zur Darstellung von Größenverhältnissen und Anteilen. Einfache Balkendiagramme (Bar Chart) vergleicht Kategorie-Werte. z.b. Veranschaulichung von Rangfolgen 30 15

16 Visualisierung Übersicht Basis-Diagramme: Säulendiagramme (Column Chart) geeignet, um einen Fluss von Mengen von links nach rechts darzustellen, wenn Mengen eine logische Sequenz darstellen z.b. Zeitserie. Liniendiagramme (Line Chart) haben die gleiche Absicht wie Säulendiagramme Einsatz bei großer Anzahl von Datensätzen bzw. bei kontinuierlichem Verlauf der Daten. 31 Visualisierung Übersicht Basis-Diagramme: Punktdiagramme (Scatter Chart) können Korrelationen bei einer großen Anzahl von Daten zwischen Variablen sehr gut darstellen. Farbschema gut durchdachtes, logisches Farbschema ist wesentlicher Bestandteil einer effektiven Visualisierung. Quelle:

17 Visualisierung Beispiel cartogram: Nicht maßstabsgetreue Darstellung Quelle: Informationsvisualisierung, Robert Spence 33 Visualisierung Bsp: Interaktive Visualisierung Bsp: 3- und 2-dimensionale Visualisierung Quelle: Quelle: visual Scalability, Eick, Farr 34 17

18 Nutzen von BI Untersuchung der 479 umsatzstärksten Unternehmen (BRD, Österreich Schweiz, 2004) Quelle: Forschungsprojekt Lohnt sich Business Intelligence?, FH Köln 35 Nutzen von BI Untersuchung der 479 umsatzstärksten Unternehmen (BRD, Österreich Schweiz, 2004) Quelle: Forschungsprojekt Lohnt sich Business Intelligence?, FH Köln 36 18

19 Fazit Entscheidungsträger bekommen besseren Überblick über das gesamte Geschäftsumfeld Einsatz von BI nicht auf bestimmte Personen/Hierarchieebenen beschränkt Nutzung von Modellen, um Strukturen zu entdecken, welche in den Daten versteckt sind. Treffsichere Prognosen für die Zukunft möglich. BI hilft dabei, Unklarheiten / Unbekanntes in der Geschäftsumgebung zu minimieren. ABER: Erfolge stellen sich nicht von allein ein! 37 Fazit Voraussetzungen um BI erfolgreich einzusetzen und somit Synergien von den IT-Investitionen zu erhalten: Notwendige Systeme Manager-Fähigkeiten Ausbildung/Training der Anwender Einbindung der Mitarbeiter Erkenntnisse aus BI-Analysen nutzen 38 19

20 Referenzen Papers (Basis): Richard Hoptroff, Stephan Kudyba: Chapter I: An Introduction to Information Technology and Business Intelligence, in Data Mining and Business Intelligence: A Guide to Productivity Peter Gluchowski, Hans-Georg Kemper: Quo Vadis Business Intelligence?, in BI- SPEKTRUM. vol. 1, no. 1, Weitere Quellen: Data Warehouse Systeme Architektur, Entwicklung, Anwendung, dpunkt.verlag, Bauer, Günzel. Kapitel 3.5 Analysephase Neuronale Netze Eine Einführung, Fabian Beck, Günter Daniel Rey, 39 Referenzen Ars Technica, LLC, Total share: 30 years of personal computer market share figueres, Jeremy Reimer, Marketing-Management Märkte, Marktinformationen und Marktbearbeitung, Lucius & Lucius, Matthias Sander, Kap 3.1.3: Gewinnung von Marktinformationen Business Intelligence Mit Microsoft SQL Server 2005, Hanser-Verlag, Holger Schrödel. Kapitel 2.4 OLAP Skript Information Visualization, Robert Spence, Imperial College London Der Weg zum Data Warehouse, Addison-Wesley, J.-H. Wieken, Kapitel 2.5: Data Mining neue Zusammenhänge entdecken Skript Data Mining im Marketing, Prof. Dr. Wilde, Universität Eichstätt-Ingolstadt, Kapitel Data Warehouse und Olap, SS

21 Fragen? 41 21

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 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

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 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

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

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

Mehr

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

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

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

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

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

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

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

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

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

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

Mehr

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

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

Mehr

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

Informationssysteme für das Management

Informationssysteme für das Management FHBB l Departement Wirtschaft l Informationssysteme für das Management Michael Pülz, Hanspeter Knechtli Lernziele Den Unterschied zwischen operativen und analytischen Informationssystemen beschreiben können

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

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

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

Mehr

Dominik Pretzsch TU Chemnitz 2011

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

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

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

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

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

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

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

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

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

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

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

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

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

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Seminararbeit von Christian Hägele im Februar 2004 Betreuer: Dr. M. Grabert Inhaltsverzeichnis 1 Einführung 1 2 Data Warehouse 3 2.1 Warum Data Warehouse?........................

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Inhaltsverzeichnis Summary... 4 Keywords... 4 Granularität der Daten... 5 Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Partitionierung der Datenbestände... 7 Vergrößerter Aktionsradius von

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

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

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

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm Open Source BI Trends 11. Dezember 2009 Wien Konstantin Böhm Profil Folie 2 JAX 2009 11.12.2009 Gründung 2002, Nürnberg 50 Mitarbeiter Innovative Kunden Spezialisiert auf Open Source Integration Open Source

Mehr

Visual Business Analytics Visueller Zugang zu Big Data

Visual Business Analytics Visueller Zugang zu Big Data Visual Business Analytics Visueller Zugang zu Big Data Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax:

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Management Support Systeme

Management Support Systeme Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte

Mehr

Ausarbeitung Projekt. Sven Elvers. Business Intelligence: Analyse. Betreuender Prüfer: Prof. Dr. Olaf Zukunft

Ausarbeitung Projekt. Sven Elvers. Business Intelligence: Analyse. Betreuender Prüfer: Prof. Dr. Olaf Zukunft Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Ausarbeitung Projekt Sven Elvers Business Intelligence: Analyse Betreuender Prüfer: Prof. Dr. Olaf Zukunft Fakultät

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

Inhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1

Inhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 sverzeichnis Holger Schrödl Business Intelligence mit Microsoft SQL Server 2008 BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41210-1

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

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

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

Treffsichere Absatzprognosen durch Predictive Analytics

Treffsichere Absatzprognosen durch Predictive Analytics Treffsichere Absatzprognosen durch Predictive Analytics Prof. Dr. Michael Feindt, Karlsruhe Institute of Technology KIT Chief Scientific Advisor, Phi-T GmbH und Blue Yonder GmbH & Co KG 3. Europäischer

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

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

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

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele

Mehr

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen OLAP und Data Mining OLAP Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen Data Mining Begriff und Prozeß Verfahren Vorlesung Data-Warehouse-Technologien 9-1 On-Line Analytical Processing

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

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

Spezialisierung Business Intelligence

Spezialisierung Business Intelligence Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business

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

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

Datenbanken-Themen im OS "Data Mining" SS 2010

Datenbanken-Themen im OS Data Mining SS 2010 Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend

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

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

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

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

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

Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE. 1. Konferenz der SAS Benutzer in Forschung und Entwicklung

Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE. 1. Konferenz der SAS Benutzer in Forschung und Entwicklung Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE 1. Konferenz der SAS Benutzer in Forschung und Entwicklung Unterschiedliche Geschäftsprozesse Operativer Dispositve Geschäftsbetrieb

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

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

Multidimensionales Datenmodell, Cognos

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

Mehr

SQL Server 2012. Administration, Entwicklung und Business Intelligence. Roland Bauch. 1. Ausgabe, Mai 2012. Der kompakte Einstieg SQL2012A

SQL Server 2012. Administration, Entwicklung und Business Intelligence. Roland Bauch. 1. Ausgabe, Mai 2012. Der kompakte Einstieg SQL2012A SQL Server 2012 Roland Bauch 1. Ausgabe, Mai 2012 Administration, Entwicklung und Business Intelligence Der kompakte Einstieg SQL2012A 2 SQL Server 2012 - Administration, Entwicklung und Business Intelligence

Mehr

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

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

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

Begleitende Online-Lernkontrolle als Prüfungszulassungsvoraussetzung

Begleitende Online-Lernkontrolle als Prüfungszulassungsvoraussetzung Modulbezeichnung: Modulnummer: IWBI Business Intelligence Semester: -- Dauer: Minimaldauer 1 Semester Modultyp: Wahlpflicht Regulär angeboten im: WS, SS Workload: 300 h ECTS Punkte: 10 Zugangsvoraussetzungen:

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

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

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

Einführung in Business Intelligence

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

Mehr

IT-Kompaktkurs. Data Warehouse Datenbank-Skript zur Folge 14. Prof. Dr. Michael Ponader Fachhochschule Deggendorf

IT-Kompaktkurs. Data Warehouse Datenbank-Skript zur Folge 14. Prof. Dr. Michael Ponader Fachhochschule Deggendorf IT-Kompaktkurs Data Warehouse Datenbank-Skript zur Folge 14 Prof. Dr. Michael Ponader Fachhochschule Deggendorf Datenbanken sind eine wesentliche Grundlage für die betriebliche Informationsversorgung.

Mehr

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04.

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04. Folie Retargeting intelligent Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Big Data Analytics Roadshow Düsseldorf, 24.04.2012 Nils Grabbert Director Data Science Der Retargeting

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

Business Intelligence braucht mehr Business!

Business Intelligence braucht mehr Business! Business Intelligence braucht mehr Business! Oder: Raus aus der BI-Falle! Dr. Guido Kemper 16. Handelsblatt Jahrestagung: Strategisches IT-Management. München, 25.01.2010 prometis - Management & Technology

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

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

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

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

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

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Business Intelligence Data Warehouse. Jan Weinschenker

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

Mehr

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

Data Warehousing in der Lehre

Data Warehousing in der Lehre Data Warehousing in der Lehre Prof. Dr.-Ing. Tomas Benz Dipl.-Inform. Med. Alexander Roth Agenda Vorstellung Fachhochschule Heilbronn Vorstellung i3g Vorlesungen im DWH-Bereich Seminare Projekte Studien-

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

Business Intelligence Anwendungssysteme

Business Intelligence Anwendungssysteme Business Intelligence Anwendungssysteme Fakultät für Wirtschaftswissenschaften Professur Wirtschaftsinformatik II Prof. Dr. Peter Gluchowski Folie 1 Literatur zur Vorlesung BI- Anwendungssysteme Gluchowski,

Mehr

Analyse leicht gemacht - SAS Enterprise Guide. Gerd Hoffmann Technical Competence Center SAS Deutschland

Analyse leicht gemacht - SAS Enterprise Guide. Gerd Hoffmann Technical Competence Center SAS Deutschland Analyse leicht gemacht - SAS Enterprise Guide Gerd Hoffmann Technical Competence Center SAS Deutschland Agenda Was ist Enterprise Guide? Besonderheiten in Enterprise Guide Analysewerkzeuge Abfrage-Tool

Mehr