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].