Bewertungsmethoden von Datenqualität in einem Data Warehouse

Größe: px
Ab Seite anzeigen:

Download "Bewertungsmethoden von Datenqualität in einem Data Warehouse"

Transkript

1 Technische Universität München Fakultät für Informatik Bewertungsmethoden von Datenqualität in einem Data Warehouse Marcus Kühnle Diplomarbeit in Informatik Aufgabensteller: Prof. Dr. Florian Matthes Betreuer: Alexander M. Ernst Abgabedatum: 15. Juni 2006

2 Erklärung Ich versichere, dass ich diese Diplomarbeit selbständig verfasst und nur die angegebenen Quellen und Hilfsmittel verwendet habe. München, den 14. Juni Marcus Kühnle

3 Danksagung An dieser Stelle möchte ich mich bei der Firma Loyalty Partner GmbH bedanken, die diese Diplomarbeit ermöglicht hat. Besonders hervorheben möchte ich meinen Betreuer Carsten Bomsdorf, der mir während meiner Tätigkeit stets hilfreich zur Seite stand. Mein Dank richtet sich auch an Prof. Dr. Florian Matthes, der mir die Gelegenheit gegeben hat, diese Arbeit zu schreiben. Hervorheben möchte ich außerdem Alexander Ernst für die Betreuung meiner Diplomarbeit seitens der Technischen Universität München und danke für die zahlreichen wissenschaftlichen Ratschläge, welche fortwährend zur Verbesserung der Arbeit beigetragen haben. Zum Schluss möchte ich mich noch bei allen bedanken, die durch ihre persönliche Unterstützung zum Gelingen dieser Arbeit beigetragen haben, vor allem bei den zahlreichen geduldigen Korrekturlesern. Mein größter Dank gilt meiner Mutter. München, Juni 2006

4 Qualität kommt von quälen. Felix Magath

5 Inhaltsverzeichnis I Inhaltsverzeichnis Inhaltsverzeichnis...I Abbildungsverzeichnis...IV Tabellenverzeichnis... V Abkürzungsverzeichnis...VI 1 Einleitung Problemstellung Zielsetzung und Abgrenzung Aufbau Motivation Umfeld der Arbeit Loyalty Partner GmbH Data Warehouse Data Warehouse Konzept Unterschied von OLTP- und OLAP-Systemen Datenqualität Qualitätsbegriff Systematisierungsansatz von Garvin Transzendente Sichtweise Prozessbezogene Sichtweise Produktbezogene Sichtweise Anwenderbezogene Sichtweise Kosten-Nutzen-bezogene Sichtweise Ansätze zur Definition von Qualität Ansatz von Deming Ansatz von Juran Ansatz von Feigenbaum Ansatz von Crosby Anwendung des Systematisierungsansatzes von Garvin auf Datenqualität... 18

6 Inhaltsverzeichnis II Mögliche Sichtweisen auf Datenqualität nach Garvin Abwandlung von Garvins Sichtweisen nach Helfert Auswahl einer Sichtweise auf die Datenqualität in einem DWH Ausgewählte Ansätze zum Begriff der Datenqualität Empirische Untersuchung von Wang und Strong Innere Datenqualität nach Wand und Wang Ansatz von Redman Qualitätsmerkmale nach English Untersuchungen zur Datenqualität in einem Data Warehouse Qualitätsfaktoren für Data Warehouse Systeme nach Jarke Datenqualität in Data Warehouse Systemen nach Helfert Folgerung Erfassung der relevanten Datenqualitätsmerkmale für das PAYBACK-DWH Aufbau des Fragebogens Durchführung der Umfrage Auswertung der Umfrage Anwendergruppe Management Anwendergruppe Prozessverantwortliche Anwendergruppe Datenanalysten Anwendergruppe DWH-Management Zusammenfassung Nicht weiter betrachtete Datenqualitätsmerkmale Datenqualitätsmerkmale dieser Arbeit Definition der Datenqualitätsmerkmale Vollständigkeit Korrektheit Aktualität Historisierung Widerspruchsfreiheit Messung von Datenqualität in einem Data Warehouse Ressourcen und Kosten Vorgehensweise zur Messung Überprüfung der Datenqualität innerhalb des DWH Systemübergreifende Überprüfung der Datenqualität... 59

7 Inhaltsverzeichnis III 7.3 Variationen von Abgleichen Abgleich des gesamten Datenbestandes Partieller Abgleich des Datenbestandes Einplanen von Datenqualitätsmessungen Besonderheiten bei der Messung der einzelnen Datenqualitätsmerkmale Messung der Vollständigkeit Messung der Korrektheit Messung der Aktualität Messung der Historisierung Messung der Widerspruchsfreiheit Grenzen der Messung Darstellung und Bewertung der Messergebnisse Darstellung der Messergebnisse Bewertung der Messergebnisse Prototypische Umsetzung Überprüfung der Vollständigkeit Ergebnis der Vollständigkeitsprüfung Überprüfung der Korrektheit Ergebnis der Korrektheitsprüfung Zusammenfassung Fazit Ausblick Literaturverzeichnis... VII Anhang A: Fragebogen...XV Anhang B: Angaben der Anwendergruppen... XIX B1: Angaben der Anwendergruppe Management... XIX B2: Angaben der Anwendergruppe Prozessverantwortliche... XXI B3: Angaben der Anwendergruppe Datenanalysten... XXIV B4: Angaben der Anwendergruppe DWH-Management... XXVI

8 Abbildungsverzeichnis IV Abbildungsverzeichnis Abbildung 2.1: Probleme aufgrund unzureichender Datenqualität... 6 Abbildung 3.1: Zentral organisiertes Data Warehouse Abbildung 4.1: Interpretation von Garvins Sichtweisen auf Qualität nach Helfert Abbildung 4.2: Datengewinnung bei der prozessbezogenen Sichtweise Abbildung 5.1: Die DWH-Nutzer bei Loyalty Partner Abbildung 5.2: Angaben des Managements über existierende Defizite Abbildung 5.3: Gewichtung der Merkmale durch das Management Abbildung 5.4: Angaben der Prozessverantwortlichen über existierende Defizite Abbildung 5.5: Gewichtung der Merkmale durch die Prozessverantwortlichen Abbildung 5.6: Angaben der Datenanalysten über existierende Defizite Abbildung 5.7: Gewichtung der einzelnen Merkmale durch die Datenanalysten Abbildung 5.8: Angaben des DWH-Managements über existierende Defizite Abbildung 5.9: Gewichtung der einzelnen Merkmale durch das DWH-Management Abbildung 6.1: Die Datenqualitätsmerkmale beim PAYBACK-DWH... 48

9 Tabellenverzeichnis V Tabellenverzeichnis Tabelle 3.1: Unterschiedliche Anforderungen an OLTP- und OLAP-Systeme Tabelle 4.1: Datenqualitätsmerkmale nach Wang und Strong Tabelle 4.2: Innere Datenqualitätsmerkmale nach Wand und Wang Tabelle 4.3: Datenqualitätsmerkmale nach Redman Tabelle 4.4: Datenqualitätsmerkmale von Datenwerten nach English Tabelle 4.5: Qualitätsmerkmale nach Jarke Tabelle 4.6: Qualitätsmerkmale von Datenwerten nach Helfert Tabelle 4.7: Unterschiedliche Definitionen des Vollständigkeitsmerkmals Tabelle 5.1: Übersicht über die Anwendergruppen Tabelle 5.2: Verschickte und beantwortete Fragebögen Tabelle 6.1: Die unterschiedlichen Typen der Vollständigkeit Tabelle 6.2: Beispiel-Relation für die Vollständigkeit Tabelle 7.1: Beispieltabelle zur Historisierung... 69

10 Abkürzungsverzeichnis VI Abkürzungsverzeichnis BI... Business Intelligence bspw... beispielsweise BSC... Balanced Scorecard bzw.... beziehungsweise ca... circa CRM... Customer Relationship Management DQ... Datenqualität DWH... Data Warehouse etc... et cetera ETL... Extraction Transformation Load evtl.... eventuell Hrsg... Herausgeber LP... Loyalty Partner GmbH Mio... Millionen Mrd... Milliarden o.ä... oder Ähnliches OLAP... Online Analytical Processing OLTP... Online Transactional Processing RDBMS... Relationales Datenbankmanagementsystem S.... Seite sog... sogenannte u.a... unter anderem v.a... vor allem vgl.... vergleiche z.b.... zum Beispiel

11 Einleitung 1 1 Einleitung 1.1 Problemstellung Die Qualität von Daten und Informationen spielt in der heutigen Informationsgesellschaft eine immer wichtigere Rolle. Immer mehr Entscheidungen basieren auf Auswertungen ständig wachsender Datenbestände bei zunehmend komplexer werdenden Datenstrukturen. Fehlentscheidungen, die basierend auf nicht korrekten Daten getroffen werden, können erheblichen unternehmerischen Schaden verursachen. Trotz der negativen Auswirkungen schlechter Datenqualität auf das gesamte Unternehmen besitzen viele Unternehmen noch keine Strategie, um dieses Problem anzugehen. Um ein hohes Datenqualitätsniveau langfristig zu sichern, reichen punktuelle Datenbereinigungsmaßnahmen von Qualitätsdefiziten, die während des Betriebs entdeckt wurden, nicht aus. Es gilt, Mechanismen und Methoden einzuführen, welche kontinuierlich die Qualität der Daten überwachen, damit die Qualität der Information messbar wird. Diese Mechanismen und Methoden können dann als Frühindikator für etwaige Qualitätsverluste in den Daten dienen. 1.2 Zielsetzung und Abgrenzung Für die dauerhafte Etablierung und Nutzung eines DWH-Systems als zentrale Informationsquelle in einem Unternehmen ist die Qualität der Daten und die Verlässlichkeit daraus abgeleiteter Aussagen von zentraler Bedeutung. Im Rahmen dieser Arbeit werden Kriterien zur Identifizierung möglicher Datenqualitätsdefizite in einem DWH 1 aufgezeigt werden. Diese Diplomarbeit bezieht sich auf das PAYBACK Data Warehouse (PAYBACK-DWH 2 ) der Loyalty Partner GmbH (LP), mit dem Schwerpunkt auf den aus dem PAYBACK Programm gewonnenen Daten. 1 Durch DWH wird im weiteren Verlauf dieser Arbeit ein beliebiges Data Warehouse bezeichnet. 2 Mit PAYBACK-DWH wird im Folgenden das Data Warehouse bezeichnet, in dem die Daten des PAYBACK Programms vorgehalten werden.

12 Einleitung 2 Von hoher Bedeutung ist, was einen Datenbestand von hoher bzw. niedriger Qualität auszeichnet. Um eine Aussage über die Qualität von Daten treffen zu können, wird die Beurteilung der Datenqualität hierbei grundlegend auf ein DWH bezogen definiert. Beispielhaft sind hier einige Qualitätsmerkmale genannt: Aktualität (keine veralteten Daten) Konsistenz (Widerspruchsfreiheit) Korrektheit (Übereinstimmung mit der Realität) Vollständigkeit (es fehlen keine Werte) Diese Arbeit soll Aufschluss darüber geben, wie eine Aussage über die Datenqualität im vorhandenen PAYBACK-DWH getroffen werden kann. Es werden Kriterien erarbeitet, um Datenqualitätsdefizite sowohl innerhalb des PAYBACK-DWH als auch im Vergleich zu den operativen Quellsystemen messen zu können. Ziel ist es, Merkmale zu definieren, anhand derer die Datenqualität zuverlässig im PAYBACK-DWH überwacht werden kann. Etwaige daraus resultierende Maßnahmen zur Verbesserung der Qualität dieser Daten werden ebenso wie die Ursachen mangelnder Datenqualität nicht untersucht. Grundlage sind die im PAYBACK-DWH vorgehaltenen Basisdaten. Unter Basisdaten sind im Rahmen dieser Arbeit Daten zu verstehen, die durch Extraktions-, Transformations- und Ladeprozesse (ETL- Prozesse) aus den operativen Systemen in das PAYBACK-DWH geladen werden. Ebenfalls nicht weiter untersucht werden daraus abgeleitete Daten, Aggregationen oder in Auswertungen bzw. Reports dargestellte Daten, die auf Basis der im DWH vorgehaltenen Daten durchgeführt werden. Das Datenmodell, nach dessen Schema die Daten im PAYBACK-DWH strukturiert sind, wird als fest und unveränderbar vorausgesetzt. Mögliche Ergebnisse zur Beseitigung von Mängeln am Datenmodell können nicht umgesetzt werden, da die Umsetzung einer solchen Änderungsanforderung aufgrund der hohen Komplexität des PAYBACK-DWH hohe Kosten nach sich ziehen würde. Deshalb werden in dieser Arbeit auch keine Datenqualitätsmerkmale näher betrachtet, die das Datenmodell betreffen bzw. nötige Veränderungen daran zur Folge hätten. Ein Beispiel dafür ist das Merkmal des Umfangs [Re96], wonach das Datenmodell umfassend genug modelliert sein muss und die laut Anforderung an das DWH wesentlichen Daten beinhalten muss.

13 Einleitung 3 Darüber hinaus wird angenommen, dass das System (Server, Netzwerk etc.) fehlerfrei arbeitet und Zugriff auf die Daten jederzeit möglich ist. Aus diesem Grund werden im Rahmen dieser Arbeit keine Datenqualitätsmerkmale behandelt, die das System oder den Zugriff auf die Datenbank betreffen. Ein Merkmal das den Zugriff betrifft ist nach Helfert [He02a] das Merkmal Zugriffsrechte, welches verlangt, dass die DWH-Nutzer ausreichend Rechte haben, um die anstehenden Aufgaben zu erfüllen. Wie bereits erwähnt, bezieht sich diese Arbeit aufgrund der Zusammenarbeit mit Loyalty Partner auf das PAYBACK-DWH. Um eine Wiederverwendung auch für andere Data Warehouses zu ermöglichen, wird bei der Erstellung der Ergebnisse auf Allgemeingültigkeit geachtet. Auf die Gegebenheiten des PAYBACK-DWH wird nur bei Bedarf eingegangen. 1.3 Aufbau In Kapitel 2 werden Auswirkungen mangelnder Datenqualität anhand einiger Beispiele erläutert, um die Bedeutung und Aktualität dieser Problematik zu verdeutlichen. Das Umfeld dieser Diplomarbeit wird in Kapitel 3 näher beschrieben. Neben einer kurzen Beschreibung des Unternehmens LP werden die Eigenschaften eines DWH vorgestellt, um die Unterschiede zu den operativen Systemen zu verdeutlichen. Einige ausgewählte Ansätze zur Bestimmung von Qualität im Allgemeinen und zur Datenqualität im Speziellen werden in Kapitel 4 aufgeführt. Anhand dieser Ansätze soll verdeutlicht werden, dass schon eine Reihe von wissenschaftlichen Arbeiten zu diesem Thema existieren. In den vorgestellten Ansätzen zur Bestimmung der Datenqualität werden Merkmale identifiziert, anhand derer die Datenqualität gemessen werden kann. In Kapitel 5 wird beschrieben, wie durch eine Umfrage bei LP die relevanten Datenqualitätsmerkmale für das PAYBACK-DWH identifiziert werden. Zunächst wird der verwendete Fragebogen dargestellt, dessen Merkmale auf den in Kapitel 4 vorgestellten Erkenntnissen basieren. Durch die Auswertung der Umfrage werden die wichtigsten Datenqualitätsmerkmale für das PAYBACK-DWH ersichtlich. Die ermittelten Datenqualitätsmerkmale werden in Kapitel 6 genauer definiert. Anhand dieser Merkmale kann die Datenqualität im PAYBACK-DWH gemessen werden. Die Notwendigkeit einer einheitlichen Definition wird aufgrund des Mangels einer einheitlichen Bezeichnung in der wissenschaftlichen Literatur immer wichtiger.

14 Einleitung 4 In Kapitel 7 wird die Vorgehensweise für die Messung von Datenqualität in einem DWH im Allgemeinen erläutert. Hierzu werden die wichtigsten Faktoren, die zu beachten sind, hervorgehoben. Einige ausschlaggebende Faktoren sind die zur Verfügung stehenden Systemressourcen, entstehende Laufzeiten der Messungen und evtl. vorhandene konkurrierende Prozesse. Eine einfache und übersichtliche Darstellungsmöglichkeit der Messerergebnisse wird in Kapitel 8 aufgezeigt, damit sie für das gesamte Unternehmen zur Verfügung stehen und genutzt werden können. In Kapitel 9 wird die prototypische Umsetzung der in dieser Arbeit gewonnen Erkenntnisse zur Messung von Datenqualität beschrieben und die dadurch gewonnenen Messresultate erläutert. Schließlich werden in Kapitel 10 die Ergebnisse dieser Arbeit zusammengefasst und Vorschläge für weitere mögliche Vorgehensweisen zur Ermittlung der Datenqualität im PAYBACK-DWH gegeben.

15 Motivation 5 2 Motivation Mangelnde Datenqualität kann schwerwiegende Probleme und sehr hohe Kosten verursachen [Ec02, TH04]. In der Literatur findet sich eine Vielzahl von Beispielen für die Folgen von Qualitätsmängeln, wie bspw. bei Eckerson [Ec02], wonach die Industrie und Verwaltung in den USA jährlich einen Verlust von rund 600 Mrd. USD aufgrund von schlechter Datenqualität erleidet. Als Ursache dieser Kosten werden u.a. zusätzliche Druck- und Portokosten und ein zu hoher Bestand an Personal, der aufgrund mangelhafter Daten errechnet wurde, genannt. Auch das Manager Magazin [Th04] weist darauf hin, dass schlechte Datenqualität Gesamtkosten in Höhe von 8-12 % des Umsatzes eines Unternehmens ausmachen kann. Das Magazin nennt dazu Beispiele und Projekte aus der Praxis. Eine Studie von SAS 3 [Sa03] kommt zu dem Ergebnis, dass nur 18% der Betriebe ihren Daten vertrauen. Das bedeutet: Über 80% der Betriebe vertrauen ihren Daten nicht! Laut dieser Studie werden Datenqualitätsmängel sehr oft durch Fehler in den Front-Office-Systemen und durch Schwierigkeiten bei der Systemintegration verursacht. Auch die mangelnde Qualität unternehmensexterner Daten trägt deutlich zu Datenqualitätsproblemen bei. Häufig hat man mit den Auswirkungen von Datenqualitätsmängeln auch im täglichen Leben zu tun, ohne dass die Auswirkung mit der eigentlichen Ursache - der mangelnden Qualität von Daten - sofort in Verbindung gebracht werden kann [SMB05]. Die Schuld für eine verspätete oder nicht erfolgte Auslieferung eines Briefes wird bspw. oft der Post gegeben, obwohl bei einer näheren Betrachtung meist Mängel in der Adressdatenbank als Ursache identifiziert werden können. Auf ähnliche Weise kann der mehrfache Versand automatisch erzeugter Post häufig auf einen doppelten Datenbankeintrag zurückgeführt werden. Für eine dauerhafte Etablierung eines DWH in einem Unternehmen ist es nach Wolf [Wo99] unbedingt notwendig, die Qualität der Daten zu sichern. Eckerson [Ec02] identifiziert durch eine Umfrage im Rahmen einer Studie des The Data Warehouse Institute die Folgen unzureichender Datenqualität. Wie in Abbildung 2.1 dargestellt, verursachen Datenqualitätsmängel in einem DWH sehr häufig zusätzlichen Zeitaufwand für Abgleiche und die Konsistenzerhaltung der Daten, Verlust von Vertrauen in das DWH und Folgekosten, bspw. durch den mehrfachen Versand von Briefen, aber auch durch den Versand an fehlerhafte Adressen. Neben der Unzufriedenheit von Kunden identifizierte Eckerson durch die Umfrage auch 3 SAS Institute AG, Schweiz.

16 Motivation 6 Ertragsverluste, die u.a. aufgrund fehlerhafter Rechnungen verursacht wurden. Auch Probleme bei der Erfüllung der gesetzlichen Auflagen, wie etwa bei der Bilanzerstellung, waren die Folge unzureichender Datenqualität. Abbildung 2.1: Probleme aufgrund unzureichender Datenqualität (aus [Ec02]) Trotz dieser Folgen hatten fast 50% der befragten Unternehmen noch keine Strategie, um dieses Problem anzugehen und nur ca. 10% gaben an, bereits umfassende Maßnahmen eingeleitet zu haben, um die Datenqualität zu verbessern. Nur ca. 40% der Unternehmen waren erst dabei, einen Plan für dieses Problem zu entwickeln oder befanden sich noch in der Phase der Implementierung. Da auf Basis der Daten des PAYBACK-DWH sowohl bei LP als auch bei den Partnern des PAYBACK-Programms strategische Entscheidungen getroffen werden, kommt der Korrektheit der Daten eine besondere Bedeutung zu. Ziel dieser Diplomarbeit ist es, durch die Identifikation von Merkmalen zur Bestimmung der Datenqualität und das Erarbeiten von Methoden zur Messung dieser Merkmale die Qualität der Daten im PAYBACK-DWH messbar zu machen.

17 Umfeld der Arbeit 7 3 Umfeld der Arbeit 3.1 Loyalty Partner GmbH Im Fokus dieser Diplomarbeit steht die Datenqualität des PAYBACK-DWH der Loyalty Partner GmbH. LP ist Experte für Kundenmanagement und unterstützt damit Unternehmen, ihre Kunden besser zu verstehen und profitabler zu handeln. Mit PAYBACK betreibt LP das größte und erfolgreichste Bonusprogramm Deutschlands, für Partner wie OBI, Galeria Kaufhof, dm-drogerie markt, real,- und WMF. LP hilft ihnen dabei, Umsätze zu steigern, die Kundenzufriedenheit zu erhöhen und dadurch die Kundenbindung zu stärken. Als branchenübergreifendes Programm bietet PAYBACK seinen Nutzern objektiven Mehrwert beim täglichen Einkauf. Die Konsumenten profitieren von exklusiven Vorteilen bei starken Handelspartnern. Das mit PAYBACK gewonnene Know-how stellt LP in seinem zweiten Geschäftsfeld Outsourcing" Großunternehmen für individuelles und intelligentes Kundenbeziehungsmanagement zur Verfügung. Dies betrifft sowohl die Entwicklung neuer Kundenbindungsprogramme als auch die Abwicklung bereits laufender CRM-Prozesse. So wickelt Loyalty Partner zum Beispiel bahn.comfort - das Serviceprogramm für Vielfahrer und bahn.bonus. - das Prämienprogramm für Bahnfahrer der Deutschen Bahn AG ab 4. Das PAYBACK-DWH von LP basiert auf einer relationalen Datenbank und enthält mehr als 2,8 Mrd. Transaktionsinformationen in über Tabellen. Es hat ein Datenbankvolumen von über 1,5 Terabyte. Als zentrale Informationsquelle im Unternehmen enthält es aufbereitete Kunden- und Partnerdaten und ist Grundlage für strategische Entscheidungen, sowohl für das Unternehmen LP, als auch für dessen Partner. Der Bereich Business Intelligence (BI) ist bei LP der Bewirtschafter des Data Warehouse und trägt die Verantwortung dafür. 4 Ausführliche Informationen zu LP können im Internet unter abgerufen werden.

18 Umfeld der Arbeit Data Warehouse Data Warehouse Konzept Inmon [In96] definiert ein DWH folgendermaßen: A Data Warehouse is a subject oriented, integrated, non-volatile and time variant collection of data in support of management s decisions. Die vier Hauptmerkmale werden im Hinblick auf diese Arbeit im Folgenden näher erläutert: Subject oriented : Eine Ansammlung von Daten in einem DWH soll auf ein bestimmtes Ziel ausgerichtet sein. Dieses Ziel ist in der Regel die Orientierung an unternehmensrelevanten Sachverhalten [Be96], also die Analyse und Auswertung von Unternehmensdaten zur Unterstützung von Entscheidungen der Unternehmensleitung. Das setzt eine Neuorientierung operativer Daten voraus, denn operative Daten beziehen sich immer auf einzelne betriebliche Funktionen [BS02]. Integrated : Mit dem Konzept eines DWH wird die unternehmensweite Integration von Daten in einem einheitlich gestalteten System angestrebt [MB00]. Die Integration erfordert eine Vereinheitlichung der Datenstrukturen, -formate und -bezeichnungen der unternehmensinternen und -externen Datenquellen. Hierzu ein Beispiel: Wird als Abkürzung für das Geschlecht in einem Quellsystem m und w verwendet, in einem anderen 0 und 1, dann müssen diese Ausprägungen vor der Integration in das DWH vereinheitlicht werden. Non-volatile 5 : Durch die Forderung nach einem Verbot von Änderungen [Ba03] darf auf ein DWH nur durch Lese- und Einfügeoperationen zugegriffen werden. Bereits integrierte Daten dürfen demnach nicht verändert werden. Im Rahmen dieser Arbeit kann dieser Definition nur bedingt zugestimmt werden, weil es möglich sein muss, Daten nach der Integration aus den operativen Systemen zu korrigieren, falls im Rahmen von Datenqualitätsprüfungen Fehler im Datenbestand entdeckt werden [Be96]. 5 Volatile beschreibt den Grad, mit dem sich Daten im Laufe der Nutzung ändern [Be96].

19 Umfeld der Arbeit 9 Time variant : Im Gegensatz zu operativen Systemen, bei denen eine Betrachtung der Daten zu einem genauen Zeitpunkt im Mittelpunkt steht, steht bei Auswertungen im DWH ein Zeitraumbezug im Vordergrund, bspw. bei einer Trendanalyse [Be96]. Dazu wird der Datenbestand im DWH periodisch mit aktuellen Daten ergänzt und nach Zeitintervallen verdichtet [HW05], um einen historisierten Datenbestand zu erhalten. Ein Data Warehouse System ist kein Produkt, sondern ein Konzept. Es besteht aus der eigentlichen Data Warehouse Datenbank und allen Komponenten, die zur Integration und Darstellung von Daten notwendig sind [BG01, Qu03]. Ein Data Warehouse dient als separate, redundante und historisierte Sammlung quantitativer Daten mit dem einen Zweck, entscheidungsrelevante Kennzahlen bereitzustellen, die aus den verschiedensten Quellsystemen stammen und integriert gespeichert werden [Ba03, HA01]. Diese Ausrichtung eines Systems an der Analyse von Daten wird auch mit dem Begriff On-Line Analytical Processing (OLAP) bezeichnet, der von Codd geprägt wurde [CCS93]. Entscheidungsunterstützende Daten und Systeme werden beim Data Warehouse Konzept von operativen Systemen getrennt 6. Operative Systeme sind sog. Online Transactional Processing Systems (OLTP-Systeme), die das operative Geschäft eines Unternehmens unterstützen [HW05]. Die Daten der operativen Systeme werden in themenorientierte und entscheidungsunterstützende OLAP-Syteme (DWH) übertragen [Se95]. Operative Systeme sind die wichtigsten Quellen von Daten im DWH [RH96]. Daten können darüber hinaus aus beliebigen, auch unternehmensexternen Datenquellen in das DWH geladen werden, was aber wegen deren uneinheitlicher Struktur problematisch ist. Bei den Quellsystemen des PAYBACK-DWH handelt es sich ausschließlich um interne operative Systeme, externe Quellsysteme sind nicht vorhanden 7. Zur Befüllung eines DWH werden Daten aus den als Quelle dienenden operativen Systemen extrahiert, den Geschäftsregeln entsprechend transformiert und abschließend in das DWH geladen. Zusammengefasst werden diese Vorgänge im Rahmen dieser Arbeit als die Extraktions-, Transformations- und Ladeprozesse (ETL-Prozesse) oder auch als Befüllungsprozes- 6 Entscheidungsunterstützende Systeme werden auch dispositive Systeme bzw. analytische Systeme genannt [HW05]. 7 Externe Daten wie bspw. von Dienstleistern und Partnern werden zunächst in interne operative Systeme integriert und von dort in das PAYBACK-DWH geladen.

20 Umfeld der Arbeit 10 se bezeichnet. Beim PAYBACK-DWH werden die ETL-Prozesse periodisch 8 angestoßen. Entsprechend den durch die Geschäftsregeln festgelegten Zeitabständen werden die Befüllungsprozesse gestartet. Für diese Arbeit wird vorausgesetzt, dass die ETL-Prozesse periodisch durchgeführt werden. In der Regel wird ein DWH aus mehreren Datenquellen befüllt. Diese liegen dort häufig mit überschneidendem Inhalt in unterschiedlichen Darstellungsformaten vor. Daher müssen diese Daten, bevor sie in das DWH geladen werden können, in ein einheitliches Format gebracht werden. Das erfolgt innerhalb der Transformationsprozesse. Dazu gehört auch die stufenweise Verdichtung der Daten, wobei bspw. Produkte zu Produktgruppen und die Produktgruppen wiederum zu Hauptproduktgruppen aggregiert werden [Be96]. Allgemein werden diese einzelnen Stufen der Verdichtung mit dem Begriff der Granularität beschrieben [In96]. Durch den abschließenden Ladeprozess werden die konsolidierten Daten in analyseorientierte Strukturen des DWH übertragen, wo sie für Auswertungen zur Verfügung stehen. Das multidimensionale Datenmodell hat sich im Hinblick auf die Analyseorientierung eines DWH für viele Problemstellungen bewährt [TKS01]. In der gängigen Praxis erfolgt die Implementierung multidimensionaler Schemata meistens auf einem relationalen Datenbankmanagementsystem (RDBMS). Multidimensionale Strukturen müssen dazu auf relationale Strukturen abgebildet werden, wozu z.b. das Sternschema verwendet wird [HW05]. Beim Sternschema 9, auf dem die meisten OLAP-Datenmodelle basieren [Th03], wird zwischen quantifizierenden und identifizierenden Attributen unterschieden [Oe00]. Die quantifizierenden Attribute sind die zu analysierenden managementrelevanten Größen und werden Fakten genannt 10. Sie repräsentieren die zentralen betrieblichen Erfolgsgrößen, sind meist numerische Attribute und stehen im Zentrum der Analysen von Anwendern [Th03]. Die Fakten werden in einer sog. Faktentabelle vorgehalten, die sich im Mittelpunkt des Sternschemas befindet [Nu98]. Einzig durch die Fakten kann keine bedeutende Information geliefert werden. Um z.b. die Information über den Umsatz beurteilen zu können ist es notwendig zu wissen, in welchem Zeitraum, durch welche Abteilung, durch welche Produkte etc. dieser 8 Genaueres zu periodisch und anderen möglichen Steuerungen in [Ki98]. 9 Genaueres zum Sternschema z.b. in [Th03]. 10 Oft werden sie auch als Kennzahlen bezeichnet.

21 Umfeld der Arbeit 11 erwirtschaftet wurde. Durch die identifizierbaren (beschreibenden) Attribute werden diese Informationen geliefert. Sie werden Dimensionen genannt. Im Gegensatz zu den Fakten enthalten die Dimensionen die Kriterien, welche die Auswahl, Zusammenfassung und Navigation der Fakten ermöglichen [Lu01]. Nach Humm und Wietek sind Dimensionen Filter- und Auswertungskriterien für Kennzahlen [HW05]: Dimensionen spannen einen mehrdimensionalen Faktenraum auf und bilden somit das Koordinatensystem zur Navigation durch die Daten. Die Dimensionen werden in sog. Dimensionstabellen gespeichert, die im Sternschema als Satellitentabellen um die Faktentabelle im Mittelpunkt angeordnet sind [Nu98]. Kimball bezeichnet die Dimensionstabellen als slowly changing, da sie sich im Gegensatz zu Faktentabellen selten ändern [Ki96]. Im Allgemeinen sind beim Sternschema die Daten in den Dimensionstabellen denormalisiert 11 vorgehalten [Gl97]. Die Architektur eines DWH wird durch unterschiedliche organisatorische und technische Einflussfaktoren bestimmt. Dabei steht die Frage im Vordergrund, ob eine zentrale oder dezentrale Lösung gewählt werden soll. Beim PAYBACK-DWH handelt es sich um ein zentral organisiertes DWH, das sich insbesondere für Unternehmen eignet, in denen zentrale Informationsversorgungsstrukturen wie bei einem Rechenzentrum, vorhanden sind [Ba03]. Wie in Abbildung 3.1 dargestellt, werden Daten in einem zentral organisierten DWH aus internen und externen Quellen in ein zentrales Datenbank-System geladen und verwaltet [Ba03]. Die unterschiedlichen Datenquellen sind über ein Netzwerk angebunden. Üblicherweise ist eine Extraktions-, Transformations- und Lade-Schicht zwischen dem DWH und den Datenquellen eingefügt, um die Daten vor der Speicherung im DWH zu transformieren oder auch um sie in einen bereinigten und konsistenten Zustand zu bringen. Der Zugriff auf die im DWH vorgehaltenen Daten erfolgt durch unterschiedliche Client-Werkzeuge über das Netzwerk. Oft wird dabei auf die Internet-Technologie zurückgegriffen Der Begriff Denormalisierung beschreibt das Vorgehen, aus Gründen der Praktikabilität den Übergang in die nächst höhere Normalform wieder Rückgängig zu machen oder diesen zu verhindern [Ho99]. Durch die Denormalisierung sollen u.a. die im Rahmen von Auswertung bzw. Analysen anfallenden Datenbankzugriffe reduziert und eine Verbesserung der Antwortzeiten beim DWH erreicht werden [St95]. Neben dem erhöhten Aufwand zur Erhaltung der Datenkonsistenz und der referentiellen Integrität wird auch in Kauf genommen, dass denormalisierte Daten aufgrund entstehender Redundanzen einen höheren Speicherplatzbedarf haben [Bi94]. 12 Eine ausführliche Beschreibung zentral organisierter Data Warehouses und auch weiterer Architekturvarianten finden sich u.a. in [SBM99, BG01].

A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems

A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems markus.helfert@unisg.ch Slide 2 Überblick Data-Warehouse-Systeme und Datenqualität Datenqualitätsmanagement Datenqualität

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

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

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

Datenqualitätsmanagement im Customer Relationship Management

Datenqualitätsmanagement im Customer Relationship Management Wolfgang Leußer Datenqualitätsmanagement im Customer Relationship Management Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XVII XIX XXI

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

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

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

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

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

Planung und Messung der Datenqualität in Data-Warehouse-Systemen

Planung und Messung der Datenqualität in Data-Warehouse-Systemen Planung und Messung der Datenqualität in Data-Warehouse-Systemen DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung der Würde eines

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

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009 Datenqualität: allgemeiner Überblick Waldemar Braun Seminar Datenqualität OvGU Magdeburg Gliederung 1. Einleitung 2. Motivation 3. Definition 4. DQ-Probleme 5. DQ-Dimensionen 6. DQ-Modelle 7. Messen der

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

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

Mehr

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

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

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

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

Nach Data Warehousing kommt Business Intelligence

Nach Data Warehousing kommt Business Intelligence Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative

Mehr

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG...

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... Inhaltsübersicht Inhaltsübersicht I INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... 1 1.1 Zielsetzung und Motivation... 1 1.2

Mehr

Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter. Chinesische Botschaft in Belgrad

Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter. Chinesische Botschaft in Belgrad Datenqualität mit dem DataFlux dfpower Studio 8.1 Tobias Jansen Zaferna-Hütte, 4. Januar 2009 Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter Nasa Marssonde Mars Climate Orbiter

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

Alina Schneider. Erfolg in Data-Warehouse-Projekten. Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien. Diplomica Verlag

Alina Schneider. Erfolg in Data-Warehouse-Projekten. Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien. Diplomica Verlag Alina Schneider Erfolg in Data-Warehouse-Projekten Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien Diplomica Verlag Alina Schneider Erfolg in Data-Warehouse-Projekten: Eine praxisnahe Analyse

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

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

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

Mehr

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

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

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

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

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

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

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

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. 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

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

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

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

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

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

Mehr

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

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

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

Mehr

Einsatz von Anwendungssystemen

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

Mehr

CRM Architektur. New Economy CRM Architektur Page 1

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

Mehr

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

Corporate Performance Management als Weiterentwicklung von Business Intelligence

Corporate Performance Management als Weiterentwicklung von Business Intelligence Martin Kobrin Corporate Performance Management als Weiterentwicklung von Business Intelligence Grundlagen, Implementierungskonzept und Einsatzbeispiele Diplomica Verlag Martin Kobrin Corporate Performance

Mehr

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude 20.20 Rechenzentrum,

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

Quality Point München Datenqualität

Quality Point München Datenqualität Quality Point München Datenqualität Paul, wie ist denn Eure Datenqualität? Nachdem ich bei der letzten Gehaltszahlung mit Frau... angeredet wurde, bin ich mir nicht mehr so sicher. Autor: W. Ulbrich IT&More

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

Data Warehousing in der Lehre

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

Mehr

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

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

Mehr

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

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

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

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

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

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

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

Mehr

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

Alles richtig machen Prozessorientierung hilft Ziele zu erreichen und schafft Vertrauen

Alles richtig machen Prozessorientierung hilft Ziele zu erreichen und schafft Vertrauen Information zum Thema Prozess Der Erfolg eines Unternehmens die Durchsetzung seiner Produkte und Dienstleistungen auf dem Markt, effiziente interne Abläufe, eine gesunde wirtschaftliche Situation hängt

Mehr

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006) Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger

Mehr

1. Einleitung. 1.1. Ausgangssituation

1. Einleitung. 1.1. Ausgangssituation 1. Einleitung In der vorliegenden Arbeit wird untersucht, welche Faktoren den erfolgreichen Ausgang eines Supply-Chain-Projektes zwischen zwei Projektpartnern beeinflussen. Dazu werden zum einen mögliche

Mehr

REAL-TIME DATA WAREHOUSING

REAL-TIME DATA WAREHOUSING REAL-TIME DATA WAREHOUSING Lisa Wenige Seminarvortrag Data Warehousing und Analytische Datenbanken Friedrich-Schiller-Universität Jena - 19.01.12 Lisa Wenige 19.01.2012 2 Agenda 1. Motivation 2. Begriffsbestimmung

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

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

Themenblock: Erstellung eines Cube

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

Mehr

Solution for Business Intelligence. MID Insight 2013

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

Mehr

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

Software-Qualität Ausgewählte Kapitel

Software-Qualität Ausgewählte Kapitel Martin Glinz Software-Qualität Ausgewählte Kapitel Kapitel 1 Einführung Universität Zürich Institut für Informatik 2009 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe sind für den persönlichen,

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

STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS

STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS Stefan Taubenberger und Prof. Jan Jürjens, 22. September 211 Ziele der Studie Konfirmative und explorative Studie mit folgenden Fragestellungen Welche Kriterien

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

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI Detlef Apel Wolfgang Behme Rüdiger Eberlein Christian Merighi Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte 3., überarbeitete und erweiterte Auflage Edition TDWI rä

Mehr

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Thomas Artur Roner Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Diplom.de Inhaltsverzeichnis Abkürzungsverzeichnis Abbildungsverzeichnis I II 1. Einleitung 1 2. Begriffsklärungen

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

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

Effizientes Änderungsmanagement in Outsourcing- Projekten

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

Mehr

2 THEORETISCHE GRUNDLAGEN ZUM KUNDENBINDUNGSMANAGEMENT 11

2 THEORETISCHE GRUNDLAGEN ZUM KUNDENBINDUNGSMANAGEMENT 11 INHALTSVERZEICHNIS ABBILDUNGSVERZEICHNIS XVII TABELLENVERZEICHNIS XIX ABKÜRZUNGSVERZEICHNIS XXI 1 EINLEITUNG 1 1.1 Zur Notwendigkeit eines Kundenbindungsmanagements auf Business-to-Consumer Märkten.1 1.2

Mehr

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

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

Mehr

Banken tun sich mit der Umsetzung von BCBS 239 schwer

Banken tun sich mit der Umsetzung von BCBS 239 schwer Banken tun sich mit der Umsetzung von BCBS 239 schwer Andreas Bruckner Das Baseler Komitee für Bankenaufsicht (BCBS) hat am 23. Januar 2015 den Bericht über den Umsetzungsstand der Grundsätze für die effektive

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

Datenqualität erfolgreich steuern

Datenqualität erfolgreich steuern Edition TDWI Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte von Detlef Apel, Wolfgang Behme, Rüdiger Eberlein, Christian Merighi 3., überarbeitete und erweiterte Auflage

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

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

Mehr

SAP BI Business Information

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

Mehr

----------------------------------------------------------------------------------------------------------------------------------------

---------------------------------------------------------------------------------------------------------------------------------------- 0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,

Mehr

Softwaretechnik. Fomuso Ekellem WS 2011/12

Softwaretechnik. Fomuso Ekellem WS 2011/12 WS 2011/12 Inhalt Projektvorstellung Übung 1 Wiederholung zusammengefasst Planungsphase Lernziele Ziele und Inhalt der Planungsphase Anlass und Aufgabestellung(Was ist dabei erförderlich) Requirement Engineering

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

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

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

Mehr

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

(Thema) Realisierung eines kennzahlenbasierten Steuerungskonzepts für das Change Management. Bachelorarbeit

(Thema) Realisierung eines kennzahlenbasierten Steuerungskonzepts für das Change Management. Bachelorarbeit (Thema) Realisierung eines kennzahlenbasierten Steuerungskonzepts für das Change Management Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

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

Analysen sind nur so gut wie die Datenbasis

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

Mehr

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 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

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT April 2013 ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT von Maren Weiß & Prof. Dr. Michael Durst Welche Rolle spielen Trends in den Frühen Phasen im Innovationsmanagement? Wie setzen Unternehmen Trends

Mehr

Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis

Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis Peter Steuri Partner / Leiter IT-Prüfung und -Beratung BDO AG, Solothurn Ausgangslage / Zielsetzungen Ausgangslage Sehr grosses, global

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

Metriken für ein ROI-basiertes Datenqualitätsmanagement

Metriken für ein ROI-basiertes Datenqualitätsmanagement Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Metriken für ein ROI-basiertes Datenqualitätsmanagement Prof. Dr. Bernd Heinrich, Prof. Dr. Mathias Klier Institut für Wirtschaftsinformatik

Mehr

Anforderungsanalyse für CRM-Systeme in Speditionen

Anforderungsanalyse für CRM-Systeme in Speditionen Anforderungsanalyse für CRM-Systeme in Speditionen Diplomarbeit zur Erlangung des Grades einer Diplom-Ökonomin der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

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

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

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFTEN Lehrstuhl für Wirtschaftsinformatik I Informationssysteme Prof. Dr. Günther Pernul Theoretisches Seminar/Skiseminar im Wintersemester 2014/15 Auch im Wintersemester

Mehr