Business Intelligence Gastvortrag von Dr. Stefan Paul an der FH Koblenz 6. Mai 2013, 14:00 18:00 Uhr

Größe: px
Ab Seite anzeigen:

Download "Business Intelligence Gastvortrag von Dr. Stefan Paul an der FH Koblenz 6. Mai 2013, 14:00 18:00 Uhr"

Transkript

1 Business Intelligence Gastvortrag von Dr. Stefan Paul an der FH Koblenz 6. Mai 2013, 14:00 18:00 Uhr zur Person: Jahrgang : Berater bei IDS Scheer heute: Selbständiger IT- und Unternehmensberater Geschäftsführer der Citi GmbH, Zweibrücken SAP Business Warehouse Berater der ersten Stunde IT-Projektleiter in BI-Projekten bei einem DAX-Unternehmen der chem. Industrie Mitglied der IT Governance für BI Projekte Dolmetscher zwischen Business und IT Seite 1

2 Inhalt Einführung: Big data! Business Intelligence Data Mining Ziel ist es, das, was Sie in der IT Architekturen -Vorlesung über BI gelernt haben, - zu vertiefen und zu ergänzen und - anschaulich zu machen, wo die Herausforderungen in der Praxis liegen Seite 2

3 Big Data Seite 3

4 Was ist Big data? Volume das Datenvolumen nimmt immer mehr zu Variety semi- und unstrukturierte Daten gewinnen an Bedeutung Velocity Realtime bzw. near Realtime Reporting ist gefordert Variability* Komplexität von Daten bzw. Interpretationsoptionen nehmen zu IBM characterizes Big data by its volume, variety and velocity or simply V 3 (from Understanding Big data IBM ebook) * Gartner und Forrester haben zu den 3 von IBM eingeführten V eine 4.te Dimension hinzugefügt Seite 4

5 Big data: Volume Chart from Dr. Thomas Keil, SAS; Original source: I D C - M U L T I M E D I A W H I T E P A P E R As the Economy Contracts, the Digital Universe Expands, May 2009 Das Datenvolumen nimmt exponentiell zu was primär an der Zunahme der unstrukturierten Daten liegt 90% der weltweiten Daten wurden in den letzten beiden Jahren erzeugt* * Quelle: Seite 5

6 Big data: Variety Alle Arten von verfügbaren Daten sind relevant zur Entscheidungsfindung Unternehmensintern Unternehmensextern unstrukturiert* strukturiert Tabellenkalkulation Datenbanken ERP CRM BI Textdokumente Intranet Folien/Präsentationen s Web log-files (click-stream) Sensordaten Smart devices RFID Web Sites Soziale Netzwerke Marktanalysen/ Meinungen * genauer: un- bzw. semistrukturierte Daten, denn z. B. s sind semistrukturiert, da sie eine Absender/Adressat-Struktur besitzen Seite 6

7 Strukturierte vs. unstrukturierte Daten Unternehmensinterne vs. externe Daten? Neben strukturierten und unternehmensinternen Daten gewinnen in Unternehmen immer mehr an Bedeutung: semi- bzw. unstrukturierte Daten unternehmensexterne Daten Beispiele: bitte zuordnen! Strukturiert vs. unstrukturiert Unternehmens- intern vs. -extern Report zum Umsatz pro Produkt, Kunde, Monat Zusammenfassungen von Kundengesprächen Geschäftsklima-Index Markt-Analysen unabhängiger Institute Kritik bzw. Zustimmung zu Produkten in sozialen Netzwerken Seite 7

8 Strukturierte vs. unstrukturierte Daten Unternehmensinterne vs. externe Daten Neben strukturierten und unternehmensinternen Daten gewinnen in Unternehmen immer mehr an Bedeutung: semi- bzw. unstrukturierte Daten unternehmensexterne Daten Beispiele: Strukturiert vs. unstrukturiert Unternehmens- intern vs. -extern Report zum Umsatz pro Produkt, Kunde, Monat Strukturiert Intern Zusammenfassungen von Kundengesprächen Unstrukturiert Intern Geschäftsklima-Index Strukturiert Extern Markt-Analysen unabhängiger Institute Unstrukturiert Extern Kritik bzw. Zustimmung zu Produkten in sozialen Netzwerken Unstrukturiert Extern Seite 8

9 Big data: Velocity Immer mehr Realtime Reporting ist gefordert: Decision window small, compared with data and data requirement change rate * Velocity steht für folgende Herausforderungen: Handling der immer schnelleren Produktion und Änderung von Daten Entscheidern benötigen Daten zeitnah (veraltete Daten bringen keinen Wettbewerbsvorteil) Die Anforderungen, welche Daten benötigt werden und in welcher Art und Weise sie präsentiert werden müssen, ändern sich schnell * Quelle: Forrester Expand your digital horizon with big data Seite 9

10 Big data für Unternehmen Wenn Unternehmen von Big data profitieren wollen, müssen sie sich z. B. mit den folgenden Konzepten und den dazugehörigen Technologien beschäftigen: Business Intelligence Data Mining Es ist gut, etwas über Business Intelligence und Data Mining zu lernen Seite 10

11 Business Intelligence 1. Data Warehouse und BI 2. BI Architektur 3. OLAP 4. Close the loop 5. Typische BI Fragestellungen 6. Herausforderungen in BI Projekten 7. IT Trends und BI 8. Standardisierte vs. agile BI Seite 11

12 1. Data Warehouse und BI Seite 12

13 Business Intelligence stellt Entscheidungen auf die Basis von Fakten Unter Business Intelligence (BI) versteht man alle Strategien, Prozesse und Technologien, bei denen aus Daten Informationen und aus Informationen erfolgskritisches Wissen gewonnen wird, so dass Entscheidungen auf Basis von Fakten getroffen werden, die Aktionen zur Unternehmens- und Prozesssteuerung auslösen Dr. Wolfgang Martin, 2009 Seite 13

14 Business Intelligence erhöht den Informationsgrad Informationsgrad mit Informationssystem ohne Zeit Quelle: Marcus Reiser, Jan Holthuis Seite 14

15 Business Intelligence sorgt dafür, dass Entscheidungen besser getroffen werden Informationsgrad mit Informationssystem ohne Gewinn an Sicherheit Zeitpunkt der Entscheidung Zeit Quelle: Marcus Reiser, Jan Holthuis Seite 15

16 Business Intelligence sorgt dafür, dass Entscheidungen schneller getroffen werden Informationsgrad mit Informationssystem Für Entscheidung notwendiger Informationsgrad Gewinn an Zeit ohne Zeit Quelle: Marcus Reiser, Jan Holthuis Seite 16

17 Unter Business Intelligence versteht man die Analyse von Daten mit dem Ziel, die Entscheidungsfindung zu unterstützen Präsentation zur Entscheidungsunterstützung Business Intelligence* (Geschäftsanalytik) bezeichnet Verfahren und Prozesse zur systematischen Analyse (Sammlung, Auswertung und Darstellung) von Daten in elektronischer Form. Datenbank Ziel ist die Gewinnung von Erkenntnissen, die in Hinsicht auf die Unternehmensziele bessere operative oder strategische Entscheidungen ermöglichen. Wikipedia Daten aus (operativen) Vorsystemen * Der englische Ausdruck intelligence bedeutet in diesem Kontext nicht Intelligenz, sondern die aus dem Sammeln und Aufbereiten erworbener Informationen gewonnenen Erkenntnisse. Seite 17

18 BI Architektur Übersicht Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank ETL: Extract, Transform & Load Verwaltung In der Data-Warehouse-Datenbank werden die Daten aus den (operativen) Quellsystemen gesammelt aufbereitet bzw. verwaltet nachgelagerten Analysetools zur Verfügung gestellt Entscheider im Unternehmen greifen über Spreadsheets, Dashboards oder andere Analysetools auf die Daten zu Quellsysteme Daten aus (operativen) Vorsystemen und finden damit Hilfestellungen für ihre Entscheidungsfindung Wichtig: Eine BI Lösung ist kein Produkt sondern ein Konzept, das unternehmensindividuell umgesetzt werden muss. Seite 18

19 Data Warehouse Definition gemäß Bill Inmon A Data Warehouse is a subject oriented, integrated, non volatile and time variant collection of data in support of management decisions. Collection of data in support of management decisions Datensammlung mit der Zielrichtung Entscheidungsunterstützung Subject oriented Die im DW gespeicherten Daten orientieren sich an den Inhalten bzw. Themen der Informationsbedarfe der Entscheider Integrated Im DW werden Daten aus heterogenen unternehmensinternen und -externen Vorsystemen in einer einheitlichen Datenbasis zusammenzuführt (wobei z. B. unterschiedliche Formatierungen vereinheitlicht werden) Non volatile (nicht flüchtig) Während in den operativen Systemen die Daten sehr häufig aktualisiert werden, bleiben die einmal im DW gespeicherten Daten unverändert bzw. eingefroren Time variant Um zeitliche Trends analysieren zu können, ist es wichtig, dass die Daten einen Zeitraumbezug haben, also aus ihnen jeweils ersichtlich ist, auf welchen Zeitraum in der Vergangenheit sie sich beziehen. Seite 19

20 OLAP vs. OLTP? Während die operativen, transaktionsorientierten Anwendungen (Online Transaction Processing, OLTP) Prozesse wie die Auftragsbearbeitung, das Bestellwesen oder die Finanzbuchhaltung unterstützen besteht das Ziel von analytischen bzw. Data-Warehouse-basierten Anwendungen (Online Analytical Processing, OLAP) darin, die Entscheider im Unternehmen mit Informationen zu versorgen OLTP OLAP (operativ) (analytisch) Ziel Leistungserbringung Entscheidungsunterstützung Anwender Sachbearbeiter Entscheider Detaillierung Zeitbezug Aktualisierung Seite 20

21 OLAP vs. OLTP Während die operativen, transaktionsorientierten Anwendungen (Online Transaction Processing, OLTP) Prozesse wie die Auftragsbearbeitung, das Bestellwesen oder die Finanzbuchhaltung unterstützen besteht das Ziel von analytischen bzw. Data-Warehouse-basierten Anwendungen (Online Analytical Processing, OLAP) darin, die Entscheider im Unternehmen mit Informationen zu versorgen OLTP OLAP (operativ) (analytisch) Ziel Leistungserbringung Entscheidungsunterstützung Anwender Sachbearbeiter Entscheider Detaillierung sehr granular verdichtete Daten (Einzelbelege) Zeitbezug aktuell (zeitpunktbezogen) historisch (zeitraumbezogen) Aktualisierung kontinuierlich, in Echtzeit turnusmäßige Fortschreibung (oft vortagesaktuelle Daten) Seite 21

22 2. BI Architektur Seite 22

23 BI und Data Warehouse Architektur Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank ETL: Extract, Transform & Load Verwaltung Eine BI Architektur besitzt im Wesentlichen die folgenden Komponenten: Analysetools Data Warehouse mit den Extract, Transform & Load- Funktionalitäten (ETL) der Data-Warehouse-Datenbank den Verwaltungsfunktionalitäten Quellsysteme Daten aus (operativen) Vorsystemen Vor- bzw. Quellsysteme (gehören im weiteren Sinne auch zur BI Architektur, da sie die Basis für die BI Anwendungen sind) Abgrenzung (vereinfacht): BI = DW + Analysetools Seite 23

24 Vorsysteme (bzw. Quellsysteme) Quellsysteme Daten aus (operativen) Vorsystemen Den Schwerpunkt bilden operative, unternehmensinterne OLTP-Anwendungen Immer mehr Relevanz bekommen aber z. B. auch: externe Daten zu z. B. Währungskursen, Ölpreisentwicklung usw. externe Stammdaten wie z. B. die über Wirtschaftsdienste verfügbare Zuordnung von Kunden zu Kundensegmenten (die den Entscheidern helfen, ein Gesamtbild der Marktsituation zu bekommen) Seite 24

25 Extract, Transform & Load Ziel von ETL ist es, Quellsysteme Data Warehouse DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Daten aus den Vorsystemen zu extrahieren in eine einheitliche Datenbasis zu transformiert Harmonisierung von Feldern aus heterogenen Quellen (Struktur- und Formatvereinheitlichungen) Daten-Qualitätskontrollen in die Data Warehouse-Datenbank abzuspeichern, typischerweise in täglichen Ladeprozeduren Je nach Anzahl und Heterogenität der Vorsysteme kann ETL sehr komplex sein Seite 25

26 ETL: Beispiele für Plausibilitätsprüfungen Datensätze werden als fehlerhaft markiert, wenn sie z. B.: keinen Eintrag bei Kunde und Material (Artikel) besitzen unlogische Datumsfelder besitzen (z. B. kann ein Liefertermin nicht vor dem Termin liegen, an dem der dazugehörige Auftrag angelegt wurde) einen unrealistische hohen Warenwert besitzen Auftrag 4711 angelegt am Artikel 0815 Kunde 1234 Liefertermin Warenwert 20 Auftrag 4712 angelegt am Artikel 0816 Kunde 3456 Liefertermin Warenwert 50 Auftrag 4713 angelegt am Artikel Liefertermin Warenwert 10 Auftrag 4714 angelegt am Artikel 0818 Kunde 5566 Liefertermin Warenwert 20 Auftrag 4715 angelegt am Artikel 0819 Kunde 3344 Liefertermin Warenwert Auftrag 4711 angelegt am Artikel 0815 Kunde 1234 Liefertermin Warenwert 20 Auftrag 4712 angelegt am Artikel 0815 Kunde 3456 Liefertermin Warenwert 50 Auftrag 4713 angelegt am Artikel Liefertermin Warenwert 10 Auftrag 4714 angelegt am Artikel 0815 Kunde 5566 Liefertermin Warenwert 20 Auftrag 4715 angelegt am Artikel 0815 Kunde 3344 Liefertermin Warenwert Seite 26

27 Data Warehouse Datenbank Vorteile einer separaten DWH Datenbank (gegenüber Auswertungen direkt im OLTP): Quellsysteme Data Warehouse DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Entlastung der operativen Systeme von umfangreichen Abfragen: Reports können sehr aufwendig sein und massiv Systemressourcen binden es besteht die Gefahr, dass ein OLTP dadurch gebremst würde Für Abfragen optimierte Datenhaltung: Einsatz spezieller, für Auswertungen optimierte Datenbankmodelle (bewusst redundante Datenhaltung, Aggregationen) Zusammenführung von Daten aus mehreren Quellen: Oft müssen für aussagekräftige Reports die Daten aus mehreren Quellsystemen (aus verschiedenen Regionen, Unternehmensbereichen, Aufgabengebieten) kombiniert werden Seite 27

28 Datenverwaltung im DWH In der Data Warehouse Verwaltung werden Quellsysteme Data Warehouse DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Datenflüsse aus den Vorsystemen ins DWH initiiert, gesteuert und überwacht historische Daten, die den relevanten Betrachtungsbereich der Vergangenheit überschritten haben, archiviert oder gelöscht Zugriffsrechte verwaltet usw. Seite 28

29 Analysetools Business Intelligence Quellsysteme Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung Dashboard Spreadsheet OLAP Data Mining DW Datenbank ETL: Extract, Transform & Load Daten aus (operativen) Vorsystemen Verwaltung Zur Präsentation und Analyse der Daten kommen unterschiedlichste Tools zum Einsatz: Dashboards: analog zu einer Instrumententafel werden Informationen kombiniert und graphisch aufbereitet; Ziel ist es, möglichst viel auf einen Blick zu überschauen Spreadsheets bzw. Tabellenkalkulations- Programme: am bekanntesten ist MS Excel OLAP Tools: hier stehen OLAP Navigationsmöglichkeiten im Vordergrund (oft als WEBoder Excel-basiertes Tool implementiert) Data Mining Tools: für die Suche nach bisher unentdeckte und betriebswirtschaftlich relevante Muster in großen Datenbeständen Außerdem: Erzeugung elektronischer Listen zur Datenverteilung an nachgelagerten Anwendungen Seite 29

30 3. OLAP Seite 30

31 OLAP Typische BI Fragestellungen sind einfach strukturiert; sie sind subject oriented, also auf die Subjekte bzw. Kategorien, in denen Entscheider denken, ausgerichtet Merkmale (= Dimensionen): Themen, nach denen man etwas analysiert Kennzahlen: quantitativen Informationen, die man auswerten möchte Typische Fragestellungen sind: Wie entwickeln sich bestimmte Kennzahlen (Absatz, Umsatz, Preise usw.*) in Bezug auf bestimmte Merkmale (Kunden, Produkte, Zeit usw.)? Visualisiert wird dieser Sachverhalt oft mit einem Würfel (Cube): Merkmale sind die Kanten (Dimensionen) des Würfels Kennzahlen stehen in Würfelzellen Produkt A380 A350 Umsatz Umsatz: Mio x Mio Air France A320 Qantas Lufthansa * neben Kennzahlen wir Mengen, Werte und Preise sind auch die Anzahl von Kundenbeschwerden oder die Anzahl an Tagen, die eine Lieferung verspätet ist, typische BI-Kennzahlen Zeit Seite 31

32 OLAP-Navigation: Slice & Dice Navigieren in den Daten entspricht dem Drehen, Wenden und Durchschneiden des OLAP-Würfels: Slice bezeichnet dabei das Herausschneiden von Würfelscheiben was bedeutet, dass man z. B. nur den Kunden Lufthansa herausschneidet: Produkt Produkt A380 Umsatz x Mio A380 Umsatz x Mio A350 Air France A350 Air France A320 Qantas Lufthansa A320 Qantas Lufthansa Zeit Zeit Summe Absatz Filter auf Kunde = Lufthansa Zeit Zeit Summe Absatz Seite 32

33 OLAP-Navigation: Slice & Dice Navigieren in den Daten entspricht dem Drehen, Wenden und Durchschneiden des OLAP-Würfels: Dice bezeichnet dabei das Drehen des Blickwinkels was bedeutet, dass man z. B. statt dem zeitlichen Verlauf die Produkte zeigt: Produkt Zeit A380 Umsatz x Mio 2010 Umsatz x Mio A350 Air France 2009 Air France A Zeit Zeit Summe Absatz Qantas Lufthansa Zeitlicher Trend Produktaufteilung 2008 A320 A350 A380 Produkt Produkt A320 A350 A380 Summe Absatz Qantas Lufthansa Seite 33

34 OLAP-Navigation: Drill-down & Roll-up Drill-down bedeutet, dass man die Daten detaillierter untersucht, also z. B.: statt dem Jahresverlauf die Absatzzahlen pro Quartal oder Monat anzeigt statt Lufthansa komplett zu sehen, die Standorte einzeln aufzuführen Roll-up ist die Gegenbewegung zu drill-down (zurück auf höhere Aggregationsebenen) Produkt Produkt A380 Umsatz x Mio A380 Umsatz x Mio A350 A Zeit Zeit Summe Absatz Qantas Air France Lufthansa Jahresverlauf Quartalsverlauf A350 A Q1 Q2 Q3 Q Q1 Q2 Q3 Q Q1 Q2 Q3 Q4 Qantas Zeit Air France Lufthansa Zeit (Jahr, Summe Quartal) Absatz Seite 34

35 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 35

36 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 36

37 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 37

38 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 38

39 Beispiel für Drill-Down, Slice & Dice Beispiel-Werte sind frei erfunden Seite 39

40 OLAP Beispiel? Wie sieht OLAP in einer realen Anwendung aus? Seite 40

41 4. Close the loop Seite 41

42 Stammdaten Bewegungsdaten Informationen Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank Extract, Transform & Load Verwaltung Informationen helfen dabei, strategische und operative Entscheidungen zu treffen Quellsysteme Daten aus Vorsystemen Stammdaten Kunde, Lieferant Material etc. Seite 42

43 Stammdaten Bewegungsdaten Informationen Close the loop Business Intelligence Analysetools Data Warehouse Präsentation zur Entscheidungsunterstützung DW Datenbank Extract, Transform & Load Verwaltung Informationen helfen dabei, strategische und operative Entscheidungen zu treffen und sie helfen bei der Optimierung der Prozesse Quellsysteme Stammdaten Daten aus Vorsystemen Kunde, Lieferant Material etc. und bei der Harmonisierung der Stammdaten Seite 43

44 Close the loop Unter dem closed loop -Ansatz versteht man, dass die aus dem BI-Reporting gewonnenen Erkenntnisse nicht nur dazu dienen, gute Entscheidungen im Blick auf den Markt und den Verkauf der Produkte zu treffen sondern auch dazu, die Unternehmensprozesse kontinuierlich zu optimieren und Probleme im Bereich der Stammdaten zu analysieren und zu beheben Beispiele: Prozessoptimierung: Wird z. B. festgestellt, dass Kunden regelmäßig zu spät beliefert werden, können die Supply-Chain-Prozesse untersucht werden, um festzustellen, wie man diese Prozesse optimieren muss, um die Lieferzuverlässigkeit zu verbessern Stammdatenharmonisierung: Stellt man im BI-Reporting fest, dass Produkte zu zwei verschiedenen Kunden mit identischer Adresse geliefert werden, sollte man hinterfragen, ob ein Stammdaten-Fehler vorliegt und es sich eigentlich um nur einen Kunden handelt, der aber eventuell zu unterschiedlichen Zeiten von unterschiedlichen Mitarbeitern zweimal angelegt wurde Seite 44

45 5. Typische BI Fragestellungen Seite 45

46 Typische BI Fragestellungen und ihr möglicher Nutzen Teil 1 Typische Fragen Wie haben sich Absatzmenge und Umsatzwert bezogen auf die verschiedenen Produktbereiche in den letzten Monaten in den verschiedenen Regionen entwickelt? Mit welchen Kunden mache ich den meisten Umsatz? Über welche Produkte erwirtschafte ich den höchsten Deckungsbeitrag? Möglicher Nutzen Die für das Unternehmen besonders wichtigen Kunden werden identifiziert (Kunden mit hohem Umsatz in lukrativen Geschäftsfeldern) diese Kunden können bei Produktionsengpässen bevorzugt bedient werden Bei einem Absatzrückgang in einer bestimmten Region oder in einem bestimmten Produktsegment kann frühzeitig gegengesteuert werden (zum Beispiel durch gezielte Werbemaßnahmen oder durch Preisreduktionen). Seite 46

47 Typische BI Fragestellungen und ihr möglicher Nutzen Teil 2 Typische Fragen Welche Rohstoffe bestellen wir monatlich in welchen Mengen bei unseren wichtigsten Lieferanten? Möglicher Nutzen Abhängigkeiten von Lieferanten können erkannt bzw. verhindert werden, so dass man beim Ausfall eines Lieferanten ober bei Änderungen in dessen Preispolitik zeitnah auf Alternativen zugreifen kann Seite 47

48 Typische BI Fragestellungen und ihr möglicher Nutzen Teil 3 Typische Fragen Wie zuverlässig ist meine Supply Chain in Bezug auf die pünktliche Ablieferung der Waren beim Kunden? Wie viele Beschwerden von Kunden gehen pro Monat ein und worüber beschweren sich die Kunden? Möglicher Nutzen Verspätete Lieferungen, die zu Unzufriedenheit auf Kundenseite führen, sind frühzeitig bekannt und es können Maßnahmen ergriffen werden, die Lieferzuverlässigkeit zu verbessern idealerweise bevor es zu Kundenbeschwerden kommt. Seite 48

49 Einige Aussagen zu Kennzahlen Roughly right is better than precisely wrong Carveth Read Nicht über betriebswirtschaftlich irrelevante Nachkommastellen diskutieren, weil man dabei ev. die wichtigen Dinge (die großen Trends) übersieht! Gilt nicht für Auswertungen in der Finanzbuchhaltung (dort muss es exakt sein) Kennzahlen beeinflussen sich gegenseitig Wenn die Lagerreichweite sinkt ( reduzierte Lagerhaltungskosten, weniger gebundenes Kapital) sinkt typischerweise auch die Lieferfähigkeit und Lieferzuverlässigkeit (und damit auch die Kundenzufriedenheit) Welche Kennzahlen sind eigentlich wichtig? Beispiel: Absatz steigt sehr gut, ich verkaufe mehr! Umsatz steigt noch besser, denn ich verkaufe mehr teure Produkte! Deckungsbeitrag und Profit steigen erst jetzt bin ich sicher, dass es gut läuft! Es bleibt die Frage, ob ich auch in den richtigen Märkten* wachse? Seite 49 * bei zukunftsträchtigen Produkte und Kunden

50 6. Herausforderungen in BI Projekten i. Das Team (Facheinheit und IT) ii. Fachliche Anforderungen iii. Tools iv. Prototyp v. Go Live und was dann? Seite 50

51 BI scheint eine einfache Thematik zu sein trotzdem laufen viele BI Projekte schief BI scheint eine relativ einfache Thematik zu sein: Daten sammeln, verwalten und präsentieren That s it! Präsentieren Verwalten Sammeln Trotzdem laufen viele BI Projekte schief: Gartner says more than 50 percent of Data Warehouse projects will have limited acceptance or will be failures Gartner Press release 2005 Wo liegt das Problem? Seite 51

52 Wo liegen die Probleme bzw. Herausforderungen? Phasen eines typischen BI Projektes Projektstart - Ziele* - Sponsoren - Team Analyse der fachlichen Anforderungen Toolauswahl Prototyp Entwicklung Post Go-Live * welche "Entscheider" sollen bei der Verrichtung welcher betriebswirtschaftlichen Aufgaben unterstützt werden und welche Informationen benötigt man dazu? Einige Herausforderungen in BI Projekten werden näher betrachtet Seite 52

53 6. Herausforderungen in BI Projekten i. Das Team (Facheinheit und IT) Rollenabgrenzung gemeinsame Sprache Kommunikation ii. Fachliche Anforderungen iii. Tools iv. Prototyp v. Go Live und was dann? Seite 53

54 Die Rollen/Aufgaben müssen zwischen Facheinheit und IT klar abgegrenzt sein Wenn die Facheinheit Aufgaben der IT übernimmt und z.b. selbst programmiert oder über Tabellen-Logiken entscheidet -... werden die Anwendungen oft nicht in das Support-Konzept eingebunden wer kümmert sich um die Pflege, Korrektur und Erweiterung der Anwendung, um die Rückmeldung zu User-Anfragen, etc.? -... sind die Anwendungen oft auf einzelne Einheiten beschränkt, folgen also keinem zentralen Ansatz Synergien gehen verloren Wenn die IT Fach-Aufgaben übernimmt (z.b. Fachkonzept-Details festlegt) verstehen die Facheinheiten ev. die Details der Anwendung nicht die Anwendung findet keine Akzeptanz Seite 54

55 Die Rollen/Aufgaben müssen zwischen Facheinheit und IT klar abgegrenzt sein Konflikte in der Aufgabenverteilung zwischen Facheinheit und IT basieren oft auf betrieblichen Rahmenbedingungen wie z.b.: - Mitarbeiter sind überlastet jeder versucht Arbeit abzuschieben - Mitarbeiter sorgen sich um ihre Aufgaben und verbitten sich Eingriffe in ihren Kompetenz-Bereich Seite 55

56 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter einige Grundbegriffe der Datenmodellierung verstehen, wie z.b.: - Bewegungsdaten Beleg 4711 bestellt am Artikel 0815 Warenempfänger KG 20 Seite 56

57 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter einige Grundbegriffe der Datenmodellierung verstehen, wie z.b.: - Bewegungsdaten vs. Stammdaten Beleg 4711 bestellt am Artikel 0815 Warenempfänger KG 20 Name: Müller GmbH Ort: Bielefeld Land: Deutschland Branche: Automobile werden regelmäßig aktualisiert (täglich, wöchentlich) Seite 57

58 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter einige Grundbegriffe der Datenmodellierung verstehen, wie z.b.: - Nummern-Ergänzungen (Compounding) zur Vermeidung von Kollisionen Beleg 4711 bestellt am Artikel 0815 Warenempfänger 01/ KG 20 Name: Müller GmbH Ort: Bielefeld Beleg 4713 bestellt am Artikel 1111 Warenempfänger 02/ KG 20 bei einer hinzugekauften Firma aus GB werden die identischen Kundennummern verwendet aber für andere Kunden Name: Smith Inc. Ort: London Seite 58

59 Gemeinsame Sprache: Mitarbeiter der Facheinheit benötigen ein Grundverständnis zu IT-Themen Zum Beispiel sollten Facheinheiten Mitarbeiter verstehen, - dass es Performance-Restriktionen gibt man kann nicht beliebig viele Daten beliebig schnell bereitstellen! viel schnell - dass es in der IT Arbeit Aufwandstreiber gibt Dinge, die relativ einfach klingen, können technisch sehr aufwändig sein! Seite 59

60 Gemeinsame Sprache: Mitarbeiter der IT benötigen ein Grundverständnis der Arbeit der Facheinheit Zum Beispiel sollten IT-Mitarbeiter ein Grundverständnis der Arbeit der Facheinheit haben zu Themen wie: - Prozess-Know-how: Wie sind Prozesse konzipiert bzw. implementiert, aus denen das BI Tool die Daten bezieht? - Was sind die wesentlichen Kennzahlen, die bereitgestellt werden sollen - und wofür werden sie verwendet? Seite 60

61 Gemeinsame Sprache: es geht um einen groben Überblick und nicht um die Details Es kommt zu Frustration und Missverständnissen - wenn die IT die Facheinheit mit IT-Ausdrücken überfordert - wenn die Facheinheit die IT Kollegen nicht zumindest in die Grundzüge der fachlichen Hintergründe der Anforderung einweiht Wo es nötig ist, muss jemand (Projektleitung, Berater, etc.) übersetzen! Business IT IT Business Seite 61

62 Gemeinsame Sprache: es geht um einen groben Überblick und nicht um die Details Facheinheit und IT müssen ihre Themen so weit veranschaulichen und vereinfachen, dass ein gemeinsames Gespräch und gemeinsame Entscheidungen möglich werden Wahrheit und Klarheit sind komplementär! 100% Klar 100% Wahr das Programm ist fehlerhaft ziemlich klar! im Function Module XY führt eine fehlende If-Anweisung dazu, dass in ca. 10% aller Fälle ein falscher Datums-Wert an das übergeordnete Programm übergeben wird... näher an der Wahrheit Seite 62

63 Offene Kommunikation & gegenseitiges Vertrauen sind essentiell für den Projekterfolg Es muss möglich sein, die Aussagen der jeweils anderen Einheit zu hinterfragen die Aussage das versteht Du eh nicht hilft hier nicht weiter! Gleichzeitig muss es in der Zusammenarbeit eine Vertrauensbasis geben (nicht jede Aussage, die unangenehm ist, sollte hinterfragt werden) Zwei Beispiele: - Wenn die IT zur Umsetzung einer Anforderung nur 2 technische Optionen sieht (mit Vor.- und Nachteilen), ist es nicht hilfreich, wenn die Facheinheit darauf drängt, dass nach einer Option 3 (ohne Nachteile) gesucht wird - Wenn die Facheinheit eine technisch schwierig zu ermittelnde Information zwingend für ihr Reporting benötigt, ist es nicht hilfreich, wenn die IT den betriebswirtschaftlichen Mehrwert dieser Information in Frage stellt Seite 63

64 Das Team: Zusammenfassung Die Rollen/Aufgaben müssen zwischen Facheinheit und IT klar abgegrenzt sein Facheinheit-Mitarbeiter benötigen ein Grundverständnis zu IT-Themen und umgekehrt Die Kommunikation lebt davon, dass jeder einen groben Einblick in die Arbeit der anderen Einheit hat es geht nicht um die Details! Offene Kommunikation und gegenseitiges Vertrauen sind essentiell Man kann nur erfolgreich sein, wenn alle das gleiche Ziel verfolgen Seite 64

65 6. Herausforderungen in BI Projekten i. Das Team (Facheinheit und IT) ii. Fachliche Anforderungen Unterschiedliche Sichten Implizite Logik Abgeleitete Merkmale Beschränkung auf das Wesentliche Datenqualität iii. Tools iv. Prototyp v. Go Live und was dann? Seite 65

66 Anforderungen unterschiedliche Sichten Beispiel 1: Die Facheinheit einer Brauerei möchte folgenden Bericht: Absatzzahlen pro Warengruppe pro Land pro Monat Seite 66

67 Anforderungen unterschiedliche Sichten Beispiel 1: Die Facheinheit einer Brauerei möchte folgenden Bericht: Absatzzahlen pro Warengruppe pro Land pro Monat Hier müssen z.b. folgende Details geklärt werden: - Absatzzahlen: Alle Absätze oder nur die Absätze mit echten Kunden? - pro Warengruppe: welche Artikel gehören zu dieser Warengruppe und: ist die Gruppierung gemäß aktueller Sicht zu erstellen? - pro Land: Land der Vertriebseinheit oder Land des Kunden? - pro Monat: basierend auf welchem Datum? Seite 67

68 Anforderungen unterschiedliche Sichten Beispiel 1: Die Facheinheit einer Brauerei möchte folgenden Bericht: Absatzzahlen pro Warengruppe pro Land pro Monat Dazu sagt der Vertriebschef - alle Absätze auch die Verkäufe an Händler, die zum Konzern gehören - auch historische Daten sollen so gezeigt werden, als wäre die aktuelle Waren-Gruppierung schon immer gültig gewesen - bezogen auf das Land des Kunden, der die Ware geliefert bekommt - basierend auf Auftragsanlagedatum Seite 68

Business Intelligence in der Praxis: Herausforderung an Business und IT

Business Intelligence in der Praxis: Herausforderung an Business und IT Business Intelligence in der Praxis: Herausforderung an Business und IT Dr. Stefan Paul Jahrgang 1965 1995-1999: Berater bei IDS Scheer 2000 - heute: Selbständiger IT- und Unternehmensberater Geschäftsführer

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

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

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

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

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

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

Business Intelligence Meets SOA

Business Intelligence Meets SOA Business Intelligence Meets SOA Microsoft People Ready Conference, München, Nov. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

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

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

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

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

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

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

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

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

Mehr

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

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

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

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Autoren: Alexander Schramm Marcus Mertens MuniConS GmbH Einleitung Unternehmen verfügen heute über viele wichtige Informationen

Mehr

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed Industrialisierung, Agilität und Compliance die Rolle von Performance Management

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

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 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

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

Business Intelligence - Wie passt das zum Mainframe?

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

Mehr

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

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

Komplexität der Information - Ausgangslage

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

Mehr

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

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Presse Talk CeBIT 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich Experten für CRM und BI seit über 10 Jahren Analytische CRM Lösungen im Vergleich Kernaussagen Analytische CRM Lösungen Analyse- und Reportmöglichkeiten bestehender CRM- Systeme können den Managementanforderungen

Mehr

Maximieren Sie Ihr Informations-Kapital

Maximieren Sie Ihr Informations-Kapital Maximieren Sie Ihr Informations-Kapital Zürich, Mai 2014 Dr. Wolfgang Martin Analyst, Mitglied im Boulder BI Brain Trust Maximieren des Informations-Kapitals Die Digitalisierung der Welt: Wandel durch

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

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

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

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

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von BI zu Analytik bessere Entscheidungen basiert auf Fakten Webinar Mai 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von Business Intelligence zu Analytik Die Bedeutung

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

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

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

Mehr

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

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

Mehr

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

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

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

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

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

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

Mehr

BIG DATA Impulse für ein neues Denken!

BIG DATA Impulse für ein neues Denken! BIG DATA Impulse für ein neues Denken! Wien, Januar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust The Age of Analytics In the Age of Analytics, as products and services become

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

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Copyright 2007 Infor. Alle Rechte vorbehalten. Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Hubertus Thoma Presales Consultant PM Schalten Sie bitte während

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

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

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

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

Mehr

Business Intelligence 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

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

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag SAP HANA ist schnell erklärt TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag Ihr Referent Steckbrief Name: Miroslav Antolovic Jahrgang: 1975 Stationen: SAP, Walldorf 1999-2004 Realtech, Walldorf

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

Das intelligente Unternehmen

Das intelligente Unternehmen Das intelligente Unternehmen Das Office of the CFO als Leitstand SAP Infotage, Düsseldorf, Okt. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut

Mehr

Business Analytics in der Big Data-Welt

Business Analytics in der Big Data-Welt Business Analytics in der Big Data-Welt Frankfurt, Juni 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data-Analytik "The way I look at big data analytics is it's not a technology,

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

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 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

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

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

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

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

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

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

Mehr

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10.

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10. Titel1 Business Analytics als Werkzeug zur Titel2 Unternehmenssteuerung Business Excellence Day 2015 Michael Shabanzadeh, 10. Juni 2015 World Communication GmbH 2015 Seite 1 Definition Business Analytics

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

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

Prozess- und Datenmanagement Kein Prozess ohne Daten

Prozess- und Datenmanagement Kein Prozess ohne Daten Prozess- und Datenmanagement Kein Prozess ohne Daten Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Prozess- und Datenmanagement Erfolgreiche Unternehmen sind Prozessorientiert.

Mehr

Virtual Roundtable: Business Intelligence - Trends

Virtual Roundtable: Business Intelligence - Trends Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Prof. Dr. Rainer Bischoff Organisation: Fachbereich Wirtschaftsinformatik,

Mehr

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP

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

Mehr

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

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

Andreas Emhart Geschäftsführer Alegri International Group

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

Mehr

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 OPEN SYSTEMS CONSULTING IT-KOMPLETTDIENSTLEISTER IM MITTELSTAND GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 Business Analytics Sascha Thielke AGENDA Die Geschichte des Reporting Begriffe im BA Umfeld

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

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

SAP HANA eine Plattform für innovative Anwendungen

SAP HANA eine Plattform für innovative Anwendungen SAP HANA eine Plattform für innovative Anwendungen Top Intelligence: Big Data & SAP HANA Zürich, Frankfurt, Hamburg, München, Mülheim/R Februar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder

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

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

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

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

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

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

Rolle des Stammdatenmanagements in einer SOA

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

Mehr

Industrialisierung bei offshore/nearshore SW-Projekten Erfahrungen, Trends und Chancen

Industrialisierung bei offshore/nearshore SW-Projekten Erfahrungen, Trends und Chancen Industrialisierung bei offshore/nearshore SW-Projekten Erfahrungen, Trends und Chancen 72. Roundtbale MukIT, bei Bankhaus Donner & Reuschel München, 06.08.2014 Jörg Stimmer, Gründer & GF plixos GmbH joerg.stimmer@plixos.com,

Mehr

SOA Check 2009 Ergebnisse einer empirischen Studie

SOA Check 2009 Ergebnisse einer empirischen Studie SOA Check 2009 Ergebnisse einer empirischen Studie Dr. Wolfgang Martin Analyst Dipl.-Wirtsch.-Ing. Julian Eckert Stellv. Leiter Forschungsgruppe IT-Architekturen, FG Multimedia Kommunikation, Technische

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

Bisnode STAMMDATENMANAGEMENT

Bisnode STAMMDATENMANAGEMENT Bisnode STAMMDATENMANAGEMENT HALTEN IHRE DATEN, WAS SIE VERSPRECHEN? Das merken Sie spätestens an der Aussagekraft Ihrer Analysen: Sie ist immer nur so stark wie die Qualität der Informationen, die Ihnen

Mehr

Die Rolle des Stammdatenmanagements im digitalen Unternehmen

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

Mehr

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

Mehr

Chancen und Herausforderungen einer BI Governance als strategischer Enabler

Chancen und Herausforderungen einer BI Governance als strategischer Enabler Chancen und Herausforderungen einer BI Governance als strategischer Enabler Dr. Hans-Martin Sadlers, Schweizerische Bundesbahnen SBB Delia Neuling, CubeServ AG Einleitung E n t w u r f Ausgangslage. Inwieweit

Mehr

Agile BI Kickstart. Beschreibung des Workshops. Workshopbeschreibung

Agile BI Kickstart. Beschreibung des Workshops. Workshopbeschreibung Bereich: Workshop: Dauer: In-House Workshop Agile BI Kickstart 2 Tage Beschreibung des Workshops Agile Vorgehensweisen werden bei der Entwicklung von BI- und Data Warehouse-Lösungen heutzutage mehr und

Mehr

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

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

Mehr

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

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

Mehr

vfabric-daten Big Data Schnell und flexibel

vfabric-daten Big Data Schnell und flexibel vfabric-daten Big Data Schnell und flexibel September 2012 2012 VMware Inc. All rights reserved Im Mittelpunkt: Daten Jeden Morgen wache ich auf und frage mich: Wie kann ich den Datenfluss optimieren,

Mehr

Virtual Roundtable: Business Intelligence - Trends

Virtual Roundtable: Business Intelligence - Trends Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Andreas Seufert Organisation: Institut für Business Intelligence

Mehr

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch?

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch? Oberseminar Data Mining 07. April 2010 Methodik des Data Mining Knowledge Discovery In Databases oder auch Data Mining - Der moderne Goldrausch? Data Mining...? Hochleistungsrechnen Geoinformationssysteme

Mehr

Business Intelligence Center of Excellence

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

Mehr

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