Diplomarbeit. Erstellung eines Konzepts zur Einführung eines Business Intelligence Systems

Größe: px
Ab Seite anzeigen:

Download "Diplomarbeit. Erstellung eines Konzepts zur Einführung eines Business Intelligence Systems"

Transkript

1 Fachhochschule Regensburg Fachbereich Informatik und Mathematik Studiengang Wirtschaftsinformatik Diplomarbeit (nach 31 Rahmenprüfungsordnung und 12 der Allgemeinen Prüfungsordnung der Fachhochschule Regensburg) Erstellung eines Konzepts zur Einführung eines Business Intelligence Systems Verfasser: Florian Oppacher Rauschbergstraße Bernau am Chiemsee Matrikelnummer: Aufgabensteller: Zweitprüfer: Prof. Dr. rer. nat., Dipl.-Math. Edwin Schicker Prof. Dr. rer. nat., Dipl.-Math. Fritz Jobst Firma: Betreuer: Brückner Maschinenbau Königsberger Straße Siegsdorf Josef Ramelsberger Ausgabedatum: Abgabedatum:

2 Business Intelligence I Inhalt 1 Motivation Umfeld der Diplomarbeit Notwendigkeit der Diplomarbeit Herangehensweise und Aufbau der Arbeit Theoretische Grundlagen Grundbegriffe Die Ressource Information Business Intelligence Data-Warehouse Qualität der Daten Mehrdimensionale Sicht der Dinge Kennzahlen Dimension Hierarchisierung Würfel Thema Operationen in multidimensionalen Cubes Informationsbedarfsanalyse Techniken Aufgabenanalyse Dokumentenanalyse Interviewtechniken Schriftliche Befragung Methodenkombinationen Fragebögen Fragebogen für Berichte Fragebogen für Berichte Quelldatenanalyse Modellierung eines Cubes Abbildung der Grundbestandteile einer Dimension Hierarchische Darstellung von Merkmalen Weitere Beschreibungen von Dimensionen... 27

3 Business Intelligence II 5.4 Modellierung von Würfeln Beispielmodellierung Implementierung Cubeware Importer Operative Systeme Extraktion Lademethoden Aktualisierungszeitpunkte Staging Area Modellierung komplexer Sachverhalte Views Überführung in Würfel Datenbereitstellungsebene Metadaten Präsentationsebene Ablage der verschiedenen Themen Metadatenverwaltung Generierung der Metadaten Einlesen der Daten vom SQL Server in Access Beschreibung der Metadaten für das Testsystem Abgleich der Access Systeme untereinander Übersicht zur Metadatenverwaltung Namenskonventionen Bereichskürzel Quellsysteme Datenbanken Tabellen aus den Quellsystemen Views Prozeduren auf dem SQL Server Rollen für Berechtigungen im Active Directory Namen für Berichte in Cockpit Freigabekonzepte Freigabeschritte bei Neuerstellung eines Würfels Freigabeschritte bei Aktualisierung eines Würfels Meldungssystem... 63

4 Business Intelligence III 10 Berechtigungskonzept Elemente des Berechtigungssystems Ausprägung der Rechte Active Directory Importbereich Relationale Datenbank Multidimensionale Datenbank Cubeware Teamserver Metadatenmanagement (MDM) Access Datenbank für das Entwicklungssystem (ADE) Formular: Einlesen von SQL-Server Formular: Tabellen/ Views /Stored Procedures/ Rollen Formular: Felder Formular: Meldungen Access Datenbank für das Produktivsystem (ADP) Formular: Einlesen von SQL-Server Formular: Abgleich MDM Formular: Tabellen/Views/SPs/Rollen Formular: Felder Konventionen für Cubeware Cockpit Berichtskopf Berichtskörper Resümee Anhang Visio Modell: Berichtsdatum Visio Modell: Auftragseingang Literaturverzeichnis Abbildungsverzeichnis Abkürzungsverzeichnis... 96

5 Business Intelligence 1 1 Motivation 1.1 Umfeld der Diplomarbeit Die Brückner-Gruppe mit ihren Hauptstandort in Siegsdorf ist ein Maschinen- und Anlagenbauer mit ca Beschäftigten. Die größte Tochterfirma ist die 1960 gegründete Brückner Maschinenbau GmbH & Co. KG. Mit einem Marktanteil von über 50% ist sie Weltmarktführer bei Folienreckanlagen. Gereckte Folien werden vor allem als hochwertiges Verpackungsmaterial und in technischen Anwendungsbereichen (z.b. Kondensator- und High-Tech-Bildschirmfolien) eingesetzt. 1 Die Brückner Servtec GmbH erbringt weltweit Service-Leistungen (z.b. Ersatzteile, Reparaturen, Software-Upgrades, Training) für Kunden. Die 2007 erworbene Kiefel GmbH in Freilassing ist ein führender Hersteller für für Serien- und Sondermaschinen zur Kunststoffverarbeitung in der Automobil-, Medizintechnik- und Verpackungsindustrie. Die ebenfalls 2007 erworbene Kiefel Extrusion GmbH in Worms ist spezialisiert auf Schlauchfolien-Extrusionsanlagen und Folienwickelmaschinen. Die IT-Abteilung (interne Bezeichnung: KEI) in Siegsdorf ist ein Dienstleister für alle Firmen am Standort. Zu den Aufgabenfeldern zählen: - IT- Infrastruktur (Server, Netzwerk) - Kommunikation (Telefonie) - IT-Arbeitsplätze (Notebooks, PC, Drucker) - SAP Entwicklung und Betreuung - Business Intelligence 1.2 Notwendigkeit der Diplomarbeit Ende des Jahres 2007 wurde von der Geschäftsleitung der Brückner Holding beschlossen ein Business Intelligence (abgekürzt BI) System einzuführen. Nach dem Beschluss fiel die Wahl nach einem detailierten Auswahlverfahren der Abteilungen KEI und Controlling auf das Produkt der Firma Cubeware in Rosenheim. Die Hauptgründe für die Entscheidung waren: Eine hervorragende Schnittstelle zu SAP Einfache Bedienbarkeit (im Vergleich zu den Konkurrenzprodukten) Nutzung des Micorsoft SQL-Servers für die Speicherung der Daten 1 Vgl

6 Business Intelligence 2 Die räumliche Nähe der Firma zum Standort Siegsdorf Niedrige Investitionskosten Eingeführt wurde das System zuerst für alle Firmen am Standort Siegsdorf. In naher Zukunft sollen zudem alle anderen Tochterfirmen von der BI-Lösung profitieren. Am Anfang begann man bei Brückner auf der sprichwörtlichen grünen Wiese. Wissen und Erfahrung in diesem Bereich mussten erst langsam aufgebaut werden. Schnell erkannte man die Notwendigkeit eines standardisierten Wegweisers zur Planung und Durchführung von Business Intelligence Projekten (besonders für die spätere Einführung bei den Tochterfirmen). Daher wurde entschieden eine solche Anleitung in Form dieser Diplomarbeit anfertigen zu lassen. 1.3 Herangehensweise und Aufbau der Arbeit Zu Beginn dieser Arbeit werden theoretische Grundlagen erklärt um ein Grundverständnis für die Thematik zu schaffen. Der erste Schritt bei der praktischen Arbeit bestand darin, eine geeignete Methode zu entwickeln, mit der der Informationsbedarf der Anwender im Unternehmen ermittelt wird. Im zweiten Schritt wurde überprüft, ob der gewünschte Informationsbedarf mit den bestehen Quellsystemen abgedeckt werden kann. Um zu visualisieren, wie die Daten in multidimensionaler Form gespeichert werden, wurden Vorlagen geschaffen, die für eine Modellierung von Datenwürfeln verwendet werden. Die Implementierung der BI-Software und die Schaffung einer Metadatenverwaltung waren große Schwerpunktbereiche innerhalb der Diplomarbeit. In diesem Zusammenhang haben sich Problemstellungen ergeben, deren Beantwortung für eine erfolgreiche Arbeit mit BI-Projekten notwendig war: Um die Arbeit der Entwickler zu erleichtern und um eine einheitliche Nomenklatur zu schaffen wurden Namenskonventionen festgelegt. Die im Rahmen der Diplomarbeit entwickelten Freigabekonzepte für multidimensionale Würfel dienen als organisatorische Leitfäden. Den Schutz der Daten im gesamten Business Intelligence System regelt das neu entwickelte Berechtigungskonzept für alle Arten von Datenzugriffen. Die am Ende der Diplomarbeit ausgearbeiteten Berichtskonventionen sorgen dafür, dass alle BI-Berichte einem einheitlichen Standard entsprechen.

7 Business Intelligence 3 2 Theoretische Grundlagen 2.1 Grundbegriffe Um ein besseres Verständnis für das Thema Business Intelligence zu gewährleisten wird zuerst auf einige Begriffe eingegangen Die Ressource Information Unternehmen sehen heute den Faktor Information als die entscheidende Komponente um am Markt erfolgreich zu bestehen. In einer schnelllebigen Zeit ist es enorm wichtig, unternehmensinterne und -externe Veränderungen frühzeitig zu erkennen. Dafür müssen den Entscheidungsträgern Informationen in ausreichender Qualität zum richtigen Zeitpunkt zur Verfügung stehen. Auf Grundlage dieser Daten (und der Erfahrung der Entscheidungsträger) werden operative, taktische und strategische Entscheidungen getroffen, welche für die Entwicklung eines Unternehmens zukunftsweisend sind. 2 Nahezu alle Geschäftsprozesse sind IT-gestützt. Durch den gestiegenen Einsatz von EDV-Systemen ist in den Unternehmen ein riesiger Pool an Daten vorhanden. Dennoch besteht bei den Entscheidern ein Mangel an aussagekräftigen, zuverlässigen Informationen. Dies liegt vor allem daran, dass die Daten nicht in der entsprechenden Form und Struktur vorliegen Business Intelligence Business Intelligence will den Mangel an verwendbaren Informationen beseitigen. Allgemein bezeichnet der Begriff Business Intelligence den Einsatz von geeigneten Applikationen zur Unterstützung der operativen und strategischen Entscheidungsfindung im Unternehmen. Die Datenbasis für derartige Analysesysteme liefern interne Leistungs- und Abrechnungsdaten sowie externe Marktdaten Data-Warehouse Zur Versorgung der Business Intelligence Anwendungen mit verwendbaren Informationen wird ein Data-Warehouse genutzt. Ein Data-Warehouse ist eine zentrale Datensammlung, welche unter Verwendung von geeigneten 2 Vgl. LEHMANN 2001, S.4. 3 Vgl. KEMPER, MEHANNA, UNGER 2006, S.4.

8 Business Intelligence 4 Extraktionsmechanismen aus verteilten und unterschiedlich strukturierten Datenbeständen gespeist wird. Die Daten müssen dabei so aufbereitet und aggregiert werden, dass sie hinsichtlich der zu erwartenden Auswertungen in möglichst geeigneter Weise zusammengestellt werden. 4 Ein weiterer Nutzen eines Data-Warehouse ist, dass der geschaffene Datenpool für andere Projekte im IT Umfeld verwendet werden kann. Wenn auf eine gemeinsame Datenbasis zugegriffen wird, ist die Vergleichbarkeit der Daten erreicht. Konflikten im Unternehmen wegen unterschiedlicher Aussagen aufgrund ungleicher Quelldaten ist ein positiver Nebeneffekt, der nicht hoch genug eingeschätzt werden kann. Definition: Inmon definiert ein Data-Warehouse als subject-oriented, integrated, nonvolatile and time-variant collection of data in support of management s decisions 5 Demnach muss ein idealtypisches Data-Warehouse vier Funktionen erfüllen: Themenorientierung Die Haltung der Daten richtet sich in operativen Systemen an die unmittelbare Durchführung der Wertschöpfungsprozesse. Im Gegensatz dazu orientieren sich die Daten an den Informationsbedürfnissen des Managements. Sie sollen folgerichtig so gespeichert werden, dass sie sich an die relevanten Themen eines Unternehmens richten. 6 Typische Themenbereiche sind: Vertrieb, Materialwirtschaft, Produkte usw. Integration Die Datenhaltung in den operativen Systemen ist meist auf unterschiedliche Plattformen verteilt; eine Managementsicht auf diese Daten ist nicht möglich. Ein Data-Warehouse sorgt für die Integration der Daten in ein einheitliches System. Die widerspruchsfreie Datenhaltung erweist sich in der Realität als äußerst anspruchsvolle Aufgabe, da die historisch gewachsenen operativen Systeme mit den ihnen zugrunde liegenden Datenhaltungssystemen häufig 4 Vgl. RAUTENSTRAUCH 1997, S INMON 1996, S Vgl. KEMPER, MEHANNA, UNGER 2006, S.17.

9 Business Intelligence 5 Datenredundanzen, Inkonsistenzen und semantische Widersprüche aufweisen. 7 Beständigkeit Die Daten in operativen Systemen sind oft kontinuierlichen Veränderungen unterworfen und repräsentieren nur den jeweils aktuellen Zustand innerhalb eines Geschäftsprozesses. 8 Sind Daten einmal in ein Data-Warehouse geladen worden, so dürfen sie nicht mehr gelöscht oder verändert werden. Damit ist sichergestellt, dass eine einmal erstellte Auswertung jederzeit nachvollziehbar ist. Ausnahmen sind nur gestattet, wenn es zu einer fehlerhaften Datenübernahme gekommen ist, oder wenn Daten nicht mehr gebraucht werden. 9 Damit das Datenwachstum nicht zu groß wird, sind auch für das Data- Warehouse effektive Speichkonzepte zu implementieren. Haben Daten ein bestimmtes Alter überschritten, so ist es beispielsweise sinnvoll sie in komprimierter Form abzulegen oder anderweitig zu archivieren. 10 Zeitorientierung In operativen Systemen werden Daten zeitpunktbezogen gespeichert. Die Daten in einem Data-Warehouse sind im Gegensatz dazu häufig zeitraumbezogen abgelegt, z.b. ein Tag, eine Woche oder ein Monat. Die zeitraumbezogene Speicherung ist notwendig, um Trends zu erkennen und zu untersuchen. 11 Die längerfristige Betrachtung der Daten ist auch der Grund, warum die Daten über einen größeren Zeitraum vorgehalten werden. Während in operativen Systemen die Daten zwischen 60 bis 90 Tagen gespeichert werden, haben die Daten in einem Data-Warehouse eine Verweildauer bis zu 10 Jahre Vgl. KEMPER, MEHANNA, UNGER 2006, S Ebd, S Vgl. MUCKSCH, BEHNE 1997, S Vgl. KEMPER, MEHANNA, UNGER 2006, S Ebd., S Vgl. INMON 1996, S. 36.

10 Business Intelligence Qualität der Daten Daten eines Unternehmens fallen währende des operativen Tagesgeschäfts an. Die hier entstandenen sogenannten Bewegungsdaten sind aber für Analysezwecke nicht geeignet. Für die Entscheidungsunterstützung müssen sie zuerst aufbereitetet und verdichtet werden. Grundsätzlich können zwei Arten von Daten unterschieden werden: a) Operative Daten Operative Daten (Bewegungsdaten) werden auch als Daten des täglichen Gebrauchs bezeichnet. Diese für Administrations-, Dispositions-, und Abrechnungszwecke genutzten Informationen werden in sogenannten Online- Transaction-Processing Systemen (OLTP-Systeme) verwaltet. Beispiele hierfür sind Buchhaltung, Lagerhaltung, Materialwirtschaft. Operative Daten zeichnen sich dadurch aus, dass mehrere Benutzer im Teilhaberbetrieb sich der gleichen Systeme und Daten bedienen. 13 Der Transaktionsbetrieb sorgt dafür, dass die anfordernden Funktionsbereiche schnell und zuverlässig mit Steuerungsdaten versorgt werden. Die Daten sind an betriebswirtschaftliche Abläufe und Funktionen orientiert. 14 Sie sind für eine entscheidungsunterstützende Sicht auf ein Unternehmen nicht geeignet, da die Granularität der Daten zu stark ist. b) Dispositive Daten Einen Entscheider interessiert eher die Sicht aus der Vogelperspektive, d.h. er benötigt die Daten in einer für ihn auswertbaren (aggregierten) Form. Erfüllen Daten dieser Anforderung, werden diese als dispositive Daten bezeichnet. Die Auswahl der Daten, welche gesammelt werden, richtet bei dispositiven Daten nicht nach Funktionsbereichen oder Geschäftsprozessen. Ein direkter Durchgriff auf operative Daten ist aus Managementsicht nicht zielführend. Die dispositiven Daten unterscheiden sich noch in anderen Punkten, wie in folgender Tabelle zu sehen ist Vgl. KEMPER, MEHANNA, UNGER 2006, S Vgl. LEHMANN 2001, S Modifiziert nach CHRISTMANN 1996, S C

11 Business Intelligence 7 Charakteristika operativer Daten Charakteristika dispositiver Daten Ziel Bearbeitung eines Geschäftsprozesses durch Information für das Management; Entscheidungsunterstützung verschiedene Benutzergruppen Ausrichtung Detailierte, granulare Geschäftsvorfalldaten; Hohe Anzahl an Transaktionen mit Zugriff auf wenige Datensätze Verdichtete, transformierte Daten; umfassendes Metadatenangebot; Zugriff auf hohe Anzahl von Datensätzen Zeitbezug Aktuell; zeitpunktbezogen; auf die Transaktion ausgerichtet Unterschiedliche, aufgabenabhängige Aktualität; stichtagbezogene Historienbetrachtung; jederzeit nachvollziehbar und reproduzierbar Modellierung Altbestände oft nicht modelliert (funktionsorientiert) Sachgebiets- o. themenbezogen; standardisiert; endbenutzertauglich Zustand Häufig redundant; inkonsistent Konsistent modelliert; kontrollierte Redundanz Update Laufend und konkurrierend Ergänzend; Fortschreibung abgleitender, aggregierter Daten Tabelle 1: Gegenüberstellung operativer und dispositiver Daten

12 Business Intelligence Mehrdimensionale Sicht der Dinge Für Entscheidungsträger ist es grundsätzlich interessant verschiedene Sichten auf ein Thema zu haben. Diese Funktionalität müssen managementunterstützende Systeme bieten, und zwar in der Art, dass es nicht in einer reinen Ansammlung von Listen endet. Für den Bereich Auftragseingang sind beispielsweise folgende Sichten interessant: Aufträge 2007 in Euro Auftrag Land Quartal Auftragswert 1 China Q Deutschland Q Japan Q Frankreich Q Abbildung 1: Auftragswerte mit Sicht auf Aufträge Aufträge/ Quartal 2007 in Euro Q Q Q Q China Deutschland Japan Frankreich Abbildung 2: Auftragswerte mit Sicht auf Länder Die Abbildungen liefern einen Überblick über die vorhandenen Auftragswerte. In der ersten Abbildung sind die Zahlen pro Auftrag angegeben, im zweiten Fall ist der Ausgangspunkt der Auftragseingang für die jeweiligen Länder. Beiden Fällen ist gemein, dass sie Auftragswerte abbilden. Nur der Blickwinkel auf die Zahlen ist unterschiedlich. Um entsprechende mehrdimensionale Abfrageoperationen (Kapitel 2.5) durchzuführen werden die Daten in multidimensionalen Strukturen abgebildet. 16 Diese Art der Analyse wird mit dem Begriff OLAP (Online Analytical Processing) 16 Vgl. BAUER, GÜNZEL 2004, S. 102.

13 Business Intelligence 9 beschrieben. Bevor jedoch auf die verschiedenen Datenanalysen eingegangen wird, ist eine vorherige Begriffsabgrenzung sinnvoll Kennzahlen Die Entwicklung und Auswertung aussagekräftiger Kennzahlen zur Bewertung von Entwicklungen im Unternehmen ist seit jeher ein wichtiger Bereich der Betriebswirtschaftslehre. Kennzahlen auch Measures oder Fakten genannt - sind numerische Werte, die eine konzentrierte Aussagekraft zur Diagnose, Planung, Überwachung und Steuerung eines Systems 17 besitzen müssen. Sie haben die Aufgabe, relevante Zusammenhänge in verdichteter und quantitativ messbarer Form wiederzugeben. 18 Kennzahlen sind meist monetäre Werte oder Mengen. Beispiele: Umsatzerlöse, Auftragswerte, Materialbestand Dimension Der Wert einer Kennzahl besitzt ohne zugehörigen semantischen Bezug keine Aussagekraft. Erst wenn die Kennzahl in Verbindung mit anderen Informationsobjekten steht, ist sie verwendbar. Im Umfeld von Business Intelligence spricht man bei diesen Objekten von Dimensionen. Dimensionen sind demnach beschreibender Natur. Sie ermöglichen unterschiedliche Sichten auf Kennzahlen. Mit ihnen können die Kennzahlen gruppiert und analysiert werden. 19 Allgemein wird im OLAP-Themenbereich unter einer Dimension eines Raums eine ausgewählte Entität verstanden, mit der eine Auswertungssicht eines Anwendungsbereichs definiert wird und die der eindeutigen, orthogonalen Strukturierung dient." 20 Beispiele: Land, Auftrag, Berichtsjahr 17 HEINRICH 1996, S Vgl. HORVÁTH 2006, S Vgl. KEMPER, MEHANNA, UNGER 2006, S Vgl. BAUER, GÜNZEL 2004, S. 102.

14 Business Intelligence Hierarchisierung Innerhalb einer Dimension kann es zu einem hierarchischen Aufbau kommen, was in Form einer Dimensionsstruktur ausgedrückt wird. Dies tritt dann auf, wenn die Kennzahlen in verschiedenen Verdichtungsstufen betrachtet werden sollen. Diese Stufen werden auch als Merkmale bezeichnet. Beispiel: Der Dimension Firma können die Merkmale Gesamtfirma, Verkaufsbüro und Verkäufergruppe zugeordnet werden Würfel Als Grundlage für multidimensionale Analysen dient der sogenannte Würfel (oder auch Cube, Data Cube, InfoCube, HyperCube genannt). Die Kanten des Würfels werden von den Dimensionen eingenommen. Die Kantenlänge wird durch die die Anzahl der zugeordneten Merkmale bestimmt. In den einzelnen Würfelzellen werden ein oder mehrere Kennzahlen abgelegt. So wird jede Kennzahl durch die jeweils dazugehörenden Dimensionen charakterisiert. 21 Kombiniert man zwei Dimensionen so erhält man ein Rechteck, welches als Tabelle dargestellt werden kann. Kombiniert man drei Dimensionen entsteht ein Würfel (engl. Cube) Abbildung 3: schematische Darstellung deines multidimensionalen Würfels 21 Vgl. BAUER, GÜNZEL 2004, S.105.

15 Business Intelligence 11 Besteht ein Würfel aus mehr als drei Dimensionen, so lässt er sich graphisch nur schwer darstellen. Die folgende Abbildung zeigt eine mögliche Darstellung am Beispiel Auftragseingang. Sie hat allerdings nur informativen Charakter. Die Modellierung eines Würfels ist in Kapitel 5 beschrieben. Abbildung 4: Darstellung eines Würfels mit mehr als drei Dimensionen

16 Business Intelligence Thema Als Thema werden bei Brückner alle zusammengehörenden Aufgaben, Zuständigkeiten und Geschäftsprozesse bezeichnet, die für Auswertungen eines bestimmten Bereichs (z.b. Auftragseingang, Bestandscontrolling) notwendig sind. Dies betrifft alle Vorgänge von der Informationsbedarfsanalyse (Kapitel 3) bis hin zur Gestaltung von Berichten für die Anwender (Kapitel 12) Das Team wählte bewusst ein Thema, das sich am Besten für einen ersten Prototyp eignet. Es sollte überschaubar sein und einen leichten Einstieg bieten. Weiter sollte bereits eine qualitativ gute Datenbasis (SAP) vorhanden sein, die nicht erst aufgebaut werden muss. Das Thema Auftragseingang im Bereich Vertrieb schien hier am geeignetsten. Zudem steht hier ein großes fundiertes Wissen zur Verfügung, da die interne Cotrolling Abteilung bereits entscheidungsunterstützende Auswertungen auf in Access seit vielen Jahren nutzt. In dieser Diplomarbeit werden aus diesem Grund alle Beispiele am Thema Auftragseingang erläutert.

17 Business Intelligence Operationen in multidimensionalen Cubes Multidimensionale Datenwürfel bestehen wie beschrieben aus Kennzahlen, Dimensionen und Hierarchien. Die Anzahl der Dimensionen ist theoretisch unbegrenzt. Gängige Kennzahlen beschränken sich aber auf eine einstellige Anzahl an Dimensionen. Würde eine Cube aus einer größeren Zahl Dimensionen bestehen, so wäre eine Analyse mangels Durchschaubarkeit schlicht unmöglich. 22 Mit einem Cube können verschiedene Operationen durchgeführt werden. Die Ausführungen zu diesem Thema lehnen sich in modifizierter Form an eine Abhandlung von M. Böhnlein und A. Ulbrich vom Ende. 23 Im Folgenden werden die geläufigsten Operationen aufgezeigt. Die Beispiele beziehen sich auch hier auf das Thema Auftragseingang. Aus Gründen der Übersichtlichkeit gibt es eine Beschränkung auf drei Dimensionen. a, Drill Down Die Operationen Drill Down und Roll Up ermöglichen das Durchlaufen der Verdichtungsstufen entlang der auf einer Dimension zugeordneten Merkmale. Beim Drill Down steigt man von einem aggregierten Merkmal auf ein Merkmal mit der nächsttieferen detailierten Verdichtungsstufe ab. Abbildung 5 zeigt anhand von fiktiven Zahlen an, wie sich der Gesamtwert aller Aufträge für Asien am Standort Siegsdorf auf die einzelnen Firmen verteilt. Abbildung 5: Drill Down b, Roll Up 22 Vgl. KEMPER, MEHANNA, UNGER 2006, S nach BÖHNLEIN, ULBRICH VOM ENDE, Jahr unbekannt.

18 Business Intelligence 14 Der Roll Up ist die zum Drill Down komplementäre Operation. Sie wechselt in die jeweils höhere Verdichtungsstufe der Hierarchie. Abbildung 6: Roll Up c, Slice Die Operation Slice entspricht dem Herausschneiden einer Scheibe aus einem dreidimensionalen Cube. Als Ergebnis erhält man eine zweidimensionale Tabelle. Beschränkt man sich auf einzelne Dimensionselemente verschiedener Dimensionen, so kann die Slice Operation auch auf beliebig dimensionierte Cubes angewendet werden. Abbildung 7 zeigt eine Filterung der Aufträge aus Asien auf das Jahr 2007 Abbildung 7: Slice d, Dice Die folgende Abbildung stellt die Wirkungsweise des Dice Operators dar. Dice schneidet einen Teilwürfel aus dem gesamten Cube. Das Beispiel zeigt eine Auswahl der Auftragswerte für Asien, wobei nur die Jahre 2006 und 2007 angezeigt werden. Die Firma BBT wurde in der Selektion ebenfalls nicht berücksichtigt.

19 Business Intelligence 15 Abbildung 8: Dice e, Rotate Die Drehung eines Cubes um eine Achse wird als Rotate bezeichnet. Durch die Drehung erhält man unterschiedliche Sichten auf den Datenwürfel. Im Beispiel wird die Sicht des Benutzers von der Kombination Firma/Land auf die Kombination Firma/ Jahr geändert. Abbildung 9: Rotate f, OLAP-Join Der OLAP- Join verbindet zwei Cubes miteinander. Voraussetzung dafür ist, ähnlich wie bei Fremdschlüssel in der relationalen Welt, dass beide Würfel gemeinsame Dimensionen aufweisen. Abbildung 10 zeigt die Verbindung der beiden Würfel Anzahl Aufträge und Anzahl Anfragen. Als Ergebnis erhält man einen neuen Würfel mit den prozentualen Anteil der realisierten Aufträge.

20 Business Intelligence 16 Abbildung 10: OLAP-Join

21 Business Intelligence 17 3 Informationsbedarfsanalyse Am Anfang eines jeden Business Intelligence Projekts muss in Erfahrung gebracht werden, welche Anforderungen der Benutzer an die gewünschten Berichte und Auswertungen hat. Diese werden mit der Informationsbedarfsanalyse ermittelt. Die hier gewonnen Informationen werden für die Quelldatenanalyse (Kapitel 4) und die Würfelmodellierung (Kapitel 5) gebraucht und wirken sich somit direkt auf das zu entwickelnde Data-Warehouse (Kapitel 6) aus. Definition: Mit der Informationsbedarfsanalyse werden die informationellen Anforderungen (Informationsbedarf) der Benutzer an ein Informationssystem erhoben und beurteilt Techniken Um den Informationsbedarf für ein Data-Warehouse zu ermitteln gibt es eine Reihe von Techniken. Eine Auswahl dieser wird im Folgenden dargestellt Aufgabenanalyse Bei der Aufgabenanalyse wird aufgrund von Entscheidungen, die durch die verantwortlichen Personen gefällt werden, auf die dazu benötigten Informationen geschlossen. Dispositive Entscheidungen zeichnen sich jedoch dadurch aus, dass sie häufig unstrukturiert und einmalig auftreten. 25 Außerdem besteht die Gefahr, dass Funktionalitäten aus rein operativen Prozessen mit einfließen. Ob diese Methode zielführend ist, kann daher bezweifelt werden Dokumentenanalyse Mit der Dokumentenanalyse wird versucht den Informationsbedarf aus vorhandenen Dokumenten abzuleiten. Subjektive Faktoren sollen dabei so weit wie möglich ausgegrenzt werden. Der Nachteil dieser Technik ist, dass sie stark vergangenheitsorientiert ist 27 und daher keine Verbesserung der Informationslage zu erwarten ist. Für zukünftige Entscheidungen reichen die vorhandenen Daten oft nicht aus. 24 STRAUCH 2002, S STRUCKMEIER 1997, S Vgl. STRUCKMEIER 1997, S Vgl. STRAUCH 2002, S. 72.

22 Business Intelligence Interviewtechniken Generell zielen alle Interviewtechniken darauf ab, anhand von Gesprächen zwischen einem Interviewer und einem oder mehreren Interviewpartnern die Fakten eines Aufgabengebietes darzustellen. 28 Eine Schwierigkeit, die auftreten kann, ist einen geeigneten Interviewer zu finden der über ein fundiertes Fachwissen verfügt. Problematisch kann es werden, wenn der Interviewer in der Firmenhierarchie über den Befragten steht. Der Zeitbedarf und die damit verbundenen Kosten dürfen auch nicht unterschätzt werden Schriftliche Befragung Mit Hilfe von Fragebögen wird bei der schriftlichen Befragung der Informationsbedarf ermittelt. Ein großer Vorteil dieser Methode ist, dass Anwender auf kostengünstige und standardisierte Weise befragt werden können. Da für die Benutzer unterschiedliche Informationen von Bedeutung sind, ist die Gestaltung eines allgemein gültigen Fragebogens jedoch recht schwierig. 30 Das Ergebnis der Erhebung ist stark davon abhängig, dass die richtigen Fragen gestellt werden. Falls die Fragen missverstanden werden, leidet die Qualität der erhobenen Ergebnisse Methodenkombinationen Um die Nachteile der erläuterten Techniken auszugleichen, wird versucht, die Methoden zu kombinieren. 32 Im Zuge dieser Diplomarbeit hat sich nach Absprache mit mehren Beteiligten für Brücker eine Kombination aus Interview und schriftlicher Befragung als ideal herausgestellt: Ein Interviewer spricht mit den Entscheidungsträgern und Anwendern einen Fragebogen durch und füllt ihn mit den Befragten gemeinsam aus. Der Fragebogen hilft dabei, dass die Struktur bzw. die Qualität des Interviews sichergestellt und das Ergebnis in einheitlicher Form dokumentiert wird. Falls noch Fragen auftauchen, welche der Fragebogen nicht abdeckt, so kann der Interviewer diese mit den Befragten abklären, schriftlich festhalten und das Ergebnis den Fragebögen beifügen. 28 KOREIMANN 2000, S Vgl. STRAUCH 2002, S Vgl. STRUCKMEIER 1997, S Vgl. STRAUCH 2002, S Vgl. STRAUCH 2002, S.73.

23 Business Intelligence Fragebögen Für die Befragung der Anwender wurden zwei Arten von Fragebögen entworfen Fragebogen für Berichte Da Auswertungen den Entscheidern in Form von Berichten präsentiert werden sollen (Kapitel 12), ist es naheliegend abzufragen, welche Berichte tatsächlich gebraucht werden. Für diesen Zweck wird ein eigener, identisch aufgebauter Fragebogen ausgefüllt. Dieser wird in Abbildung 11 gezeigt. Beschreibung: Im Berichtskopf 1 werden Nummer und Name des Berichts eingetragen. Zusätzlich wird noch das Datum vermerkt. In 2 ist eine detailierte Anforderungsbeschreibung zu erbringen. Im nächsten Feld 3 wird eingetragen, welche Kennzahlen im Bericht ausgegeben werden sollen. Beispiele hierfür sind Auftragswert, Umsatz, Preis usw. Die Frage, welche Größen mit den Kennzahlen in Bezug gesetzt werden sollen, kann in 4 beantwortet werden. Die Antwort soll als Hilfestellung dazu dienen, bereits erste in Frage kommende Dimensionen für den Würfel in Erfahrung zu bringen. Firma, Verkaufsbüro, Jahre sind beispielsweise Dimensionen, die für den Würfel Auftragseingang in Frage kommen. Falls bereits Berichte jeglicher Form zu dem abgefragten Thema existieren, so kann das in 5 angekreuzt werden. In 6 wird abgefragt, ob evtl. vorhandene Berichte manuell oder automatisch erstellt werden. Nach dem Berichtseigentümer wird in 7 gefragt. Liegt ein Bericht in elektronischer Form vor, so wird durch ankreuzen in verwendete System mitgeteilt. 8 das

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

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

Cubeware Connectivity for SAP Solutions

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

Mehr

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

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

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

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

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

1 Einleitung. Betriebswirtschaftlich administrative Systeme

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

Mehr

Business Intelligence

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 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

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

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum

Mehr

Business Intelligence Aufgabenstellung

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

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

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

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

Softwaretool Data Delivery Designer

Softwaretool Data Delivery Designer Softwaretool Data Delivery Designer 1. Einführung 1.1 Ausgangslage In Unternehmen existieren verschiedene und häufig sehr heterogene Informationssysteme die durch unterschiedliche Softwarelösungen verwaltet

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

6 InfoCubes erstellen und konfigurieren

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

Mehr

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

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

Data Warehouse Grundlagen

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

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum

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

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen

Mehr

Intelligente Kanzlei

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

Mehr

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

Fachbereich Informatik Praktikum 1

Fachbereich Informatik Praktikum 1 Hochschule Darmstadt DATA WAREHOUSE SS2015 Fachbereich Informatik Praktikum 1 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.April.2015 1. Kurzbeschreibung In diesem Praktikum geht

Mehr

Inhalt. 1 Übersicht. 2 Anwendungsbeispiele. 3 Einsatzgebiete. 4 Systemanforderungen. 5 Lizenzierung. 6 Installation. 7 Key Features.

Inhalt. 1 Übersicht. 2 Anwendungsbeispiele. 3 Einsatzgebiete. 4 Systemanforderungen. 5 Lizenzierung. 6 Installation. 7 Key Features. Inhalt 1 Übersicht 2 Anwendungsbeispiele 3 Einsatzgebiete 4 Systemanforderungen 5 Lizenzierung 6 Installation 7 Key Features Seite 2 von 12 1. Übersicht MIK.arjuna ist eine 64-bit multidimensionale Datenbank,

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

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen

Mehr

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

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

Mehr

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

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

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

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

Raber+Märcker Business Intelligence Lösungen und Leistungen

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

Mehr

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

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

Mehr

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

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

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

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

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

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

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian Kurze BI-Praktikum IBM WS 2008/09 Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS

Mehr

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects

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

Mehr

Software-Engineering und Datenbanken

Software-Engineering und Datenbanken Software-Engineering und Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Prof. Dr. Bernhard Schiefer 1-1 Wesentliche Inhalte Begriff DBS Datenbankmodelle

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 Mining-Projekte

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

Mehr

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

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

Mehr

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

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

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

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

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

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

Mehr

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

IT-Kompaktkurs. Datenbanken Skript zur Folge 10. Prof. Dr. Dieter Rummler Fachhochschule Deggendorf

IT-Kompaktkurs. Datenbanken Skript zur Folge 10. Prof. Dr. Dieter Rummler Fachhochschule Deggendorf IT-Kompaktkurs Skript zur Folge 10 Prof. Dr. Dieter Rummler Fachhochschule Deggendorf Client Server Architektur Zunächst zur grundsätzlichen Unterscheidung zwischen File-Server Datenbank und Server-Datenbank

Mehr

Logistikinformationssystem (LIS)

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

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

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck

Mehr

Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3. Aufgabenstellung

Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3. Aufgabenstellung Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 18.12.2013 1. Kurzbeschreibung Dieses Praktikum

Mehr

Kluge Entscheidung! Business Intelligence für Mittelstand und Fachabteilungen

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

Mehr

CaseWare Monitor. ProduktNEWS CaseWare Monitor. Version 4.3. Mehr Informationen zu CaseWare Monitor und unseren anderen Produkten & Dienstleistungen

CaseWare Monitor. ProduktNEWS CaseWare Monitor. Version 4.3. Mehr Informationen zu CaseWare Monitor und unseren anderen Produkten & Dienstleistungen Mit der aktuellen Version hält eine komplett neu konzipierte webbasierte Anwendung Einzug, die sich neben innovativer Technik auch durch ein modernes Design und eine intuitive Bedienung auszeichnet. Angefangen

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

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

Vertrautmachen mit Daten

Vertrautmachen mit Daten Kapitel III Vertrautmachen mit Daten 2004 AIFB / FZI 1 III Vertrautmachen mit Daten (see also Data Preparation ) 2004 AIFB / FZI 2 III Vertrautmachen mit Daten III.1 OLAP III.1.1 Einführung in OLAP Wie

Mehr

SQL structured query language

SQL structured query language Umfangreiche Datenmengen werden üblicherweise in relationalen Datenbank-Systemen (RDBMS) gespeichert Logische Struktur der Datenbank wird mittels Entity/Realtionship-Diagrammen dargestellt structured query

Mehr

Performance-Aspekte beim Data-Warehousing mit SAP BW 3.x

Performance-Aspekte beim Data-Warehousing mit SAP BW 3.x Performance-Aspekte beim Data-Warehousing mit SAP BW 3.x Mirko Sonntag, GISA GmbH Leipzig, 14. Oktober 2006 GISA GmbH Leipziger Chaussee 191a 06112 Halle (Saale) www.gisa.de Performance-Aspekte beim Data-Warehousing

Mehr

Business Intelligence für Controller

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

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Das Wesentliche im Blick.

Das Wesentliche im Blick. Das Wesentliche im Blick. Unternehmen effektiv steuern mit relevanten Daten im Management Dashboard CP-Cockpit ist ein Modul der Corporate Planning Suite. Den Blick auf das Wesentliche lenken. Effektiv

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP

Mehr

17.2 MS-Access Projekte

17.2 MS-Access Projekte 964 Von MS-Access 2000 zum SQL-Server 17.2 MS-Access Projekte MS-Access-Projekte, die die Dateiendung adp besitzen, werden als Front-End-Anwendung verwendet. Für die Back-End-Seite gibt es mehrere Möglichkeiten.

Mehr

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

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

Mehr

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

Unterabfragen (Subqueries)

Unterabfragen (Subqueries) Unterabfragen (Subqueries) Die kürzeste Formulierung ist folgende: SELECT Felderliste FROM Tabelle1 WHERE Tabelle1.Feldname Operator (SELECT Feldname FROM Tabelle2 WHERE Bedingung); wobei Tabelle1 und

Mehr

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

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

Mehr

Agile Analytics Neue Anforderungen an die Systemarchitektur

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

Mehr

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Schwierigkeiten bei der Umsetzung Josef Kolbitsch Manuela Reinisch Übersicht Schwierigkeiten bei der Umsetzung eines BI-Systems Schwierigkeiten der Umsetzung 1/13 Strategische Ziele

Mehr

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com WhitePaper BIA Business Intelligence Accelerator Mai 2012 Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com BIA Business Intelligence Accelerator GmbH Softwarepark 26 A-4232 Hagenberg Mail:

Mehr

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

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

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

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

Mehr

Solution for Business Intelligence. MID Insight 2013

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

Mehr

Sven Bosinger solution architect BI. Data Warehouse Architekturen Der Schlüssel zum Erfolg! DOAG 16.11.2007 1

Sven Bosinger solution architect BI. Data Warehouse Architekturen Der Schlüssel zum Erfolg! DOAG 16.11.2007 1 Sven Bosinger solution architect BI Data Warehouse Architekturen Der Schlüssel zum Erfolg! DOAG 16.11.2007 1 Agenda Kurze Vorstellung its-people Architektur als Erfolgsfaktor Verschiedene Architekturansätze

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

OLAP mit dem SQL-Server

OLAP mit dem SQL-Server Hartmut Messerschmidt Kai Schweinsberg OLAP mit dem SQL-Server Eine Einführung in Theorie und Praxis IIIBibliothek V dpunkt.verlag Teil OLAP undder Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1

Mehr

Leistungsbeschreibung. PHOENIX Archiv. Oktober 2014 Version 1.0

Leistungsbeschreibung. PHOENIX Archiv. Oktober 2014 Version 1.0 Leistungsbeschreibung PHOENIX Archiv Oktober 2014 Version 1.0 PHOENIX Archiv Mit PHOENIX Archiv werden Dokumente aus beliebigen Anwendungen dauerhaft, sicher und gesetzeskonform archiviert. PHOENIX Archiv

Mehr

Wirtschaftsinformatik II SS 2012. Einführung in SAP

Wirtschaftsinformatik II SS 2012. Einführung in SAP Wirtschaftsinformatik II SS 2012 Einführung in SAP SAP als klassisches ERP-System SAP = ERP Enterprise Ressource Planing SAP als klassisches ERP-System SAP: führender Anbieter im Bereich ERP-Systeme (Enterprise

Mehr

Integration Services Übersicht

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

Mehr

SmartExporter 2013 R1

SmartExporter 2013 R1 Die aktuelle Version wartet mit zahlreichen neuen Features und umfangreichen Erweiterungen auf. So können mit SmartExporter 2013 R1 nun auch archivierte Daten extrahiert und das Herunterladen der Daten

Mehr

Kapitel 6 Einführung in Data Warehouses

Kapitel 6 Einführung in Data Warehouses Kapitel 6 Einführung in Data Warehouses Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2008, LMU München 2008 Dr. Peer Kröger Dieses Skript basiert zu einem Teil auf dem Skript zur Vorlesung

Mehr

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte DWH Projekt, Methodik, Stärken und Schwächen, Übersicht, Weg der Daten,

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

Grundlagen relationaler Datenbanken... 2. Access 2010 - Grundlagenseminar... 3. Access 2010 - Aufbauseminar... 4. Von Excel 2010 zu Access 2010...

Grundlagen relationaler Datenbanken... 2. Access 2010 - Grundlagenseminar... 3. Access 2010 - Aufbauseminar... 4. Von Excel 2010 zu Access 2010... Inhalt Grundlagen relationaler Datenbanken... 2 Access 2010 - Grundlagenseminar... 3 Access 2010 - Aufbauseminar... 4 Von Excel 2010 zu Access 2010... 5 Access 2010 - Programmierung Teil 1... 6 Access

Mehr

Technische Produktinformation: Active Directory- Management in bi-cube

Technische Produktinformation: Active Directory- Management in bi-cube Inhalt: 1 bi-cube -FEATURES ACTIVE DIRECTORY... 2 2 DAS SYSTEMKONZEPT... 3 3 WAS SIND ADOC UND ECDOC?... 3 4 DIE WICHTIGSTEN FUNKTIONEN IM ÜBERBLICK... 5 4.1 Verwaltung der Strukturdaten... 5 4.2 Verwaltung

Mehr

Anwendertage WDV2012

Anwendertage WDV2012 Anwendertage WDV2012 28.02.-01.03.2013 in Pferdingsleben Thema: Business Intelligence mit Excel 2010 Referent: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant Alles ist möglich! 1 Torsten Kühn Dipl.

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

SharePoint und InfoPath von Microsoft ein Erklärungsversuch für Anwender

SharePoint und InfoPath von Microsoft ein Erklärungsversuch für Anwender SharePoint und InfoPath von Microsoft ein Erklärungsversuch für Anwender Was ist SharePoint? Dies ist eine berechtigte Frage, die zunehmend von Anwendern gestellt, aber selten zufriedenstellend beantwortet

Mehr

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

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

Mehr