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

Größe: px
Ab Seite anzeigen:

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

Transkript

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

2 Datenbanken sind eine wesentliche Grundlage für die betriebliche Informationsversorgung. Aber meistens existiert in einem Unternehmen nicht nur eine Datenbank, sondern mehrere. So können z.b. Kundendaten in verschiedenen Datenbanken enthalten sein, aber in einer gemeinsamen Auswertung benötigt werden. PROBLEME IN UNTERNEHMEN Ein wesentliches Problem sind heterogene DV-Strukturen. In den verschiedenen Bereichen eines Unternehmens existieren häufig unterschiedliche Datenbanken. Diese sind meist über Jahre zusammen mit den entsprechenden operativen DV-Systemen gewachsen und decken die spezifischen Anforderungen des Bereiches ab. Übergreifende Auswertungen sind schwierig und zeitaufwendig. Teilweise erschweren z.b. unterschiedliche Ordnungsbegriffe die Zusammenführung der Daten. Ein weiteres Problem ist, dass die Anwender in den Fachabteilungen keine Werkzeuge haben, um sich die gewünschten Analysen erstellen zu können. Für die gewünschten Auswertungen sind häufig Programmierkenntnisse erforderlich. Komfortable grafische Benutzungsoberflächen zur Formulierung der Abfragen stehen den Fachabteilungen nicht zur Verfügung. Sie sind auf die Unterstützung der EDV-Abteilungen angewiesen, die die erforderliche Auswertung häufig individuell programmieren muss. Die EDV-Abteilung ist jedoch meist bereits mit der Weiterentwicklung der Systeme ausgelastet. Neben der EDV-Abteilung wird auch die vorhandene DV-Infrastruktur bei der Erstellung der Auswertungen sehr stark belastet. Die operativen DV-Systeme sind auf die effiziente Bearbeitung einzelner Transaktionen, wie z.b. die Anlage eines Kundenauftrages, optimiert. Bei diesen Transaktionen wird nur auf geringe Datenmengen in wenigen Tabellen zugegriffen. Analysen und Berichte erfordern aber den Zugriff auf eine große Menge von Daten und oft auf eine Vielzahl von Tabellen eines relationalen Systems. Bei den Analysen spielen immer häufiger verdichtete Daten und Vergleiche über längere Zeiträume eine Rolle, z.b. die Produktabsätze der letzten Jahre, um über Zeitreihenanalysen Trends erkennen zu können. Historische Daten werden von operativen Systemen jedoch auf kostengünstigere, langsame Datenträger ausgelagert, auf die nicht online zugegriffen werden kann. Damit fehlen die erforderlichen historischen Daten. Ein wichtiger Aspekt ist, dass in operativen Systemen permanent neue Geschäftsvorfälle verarbeitet werden. Frühere Auswertungen können zu einem späteren Zeitpunkt oft nicht nachvollzogen werden, da die erforderlichen historischen Daten nicht verfügbar sind. In operativen Systemen müssen die verschiedenen Geschäftsvorfälle sofort zu einer Aktualisierung der Daten, z.b. der Verkaufzahlen, führen. Eine Analyse, die auf diese Daten zurückgreift, kann daher unter Umständen schon nach kurzer Zeit nicht mehr nachvollzogen werden, da die zugrundeliegenden Werte in den operativen Systemen durch neue Transaktionen geändert wurden. Prof. Dr. Michael Ponader Seite 2

3 ZIEL EINES DATA WAREHOUSE Zunächst einmal ist es das Ziel eines Data Warehouse, Entscheidungsunterstützung für die Mitarbeiter aller Unternehmensbereiche zu bieten. Es sollen Informationen für die Kontroll- und Entscheidungsprozesse in einem Unternehmen bereitgestellt werden. Die Verfügbarkeit problemadäquater Informationen für ein gezieltes Marketing oder die frühzeitige Erkennung von Chancen und Risiken wird für Unternehmen zunehmend erfolgskritisch. Denken Sie nur an Ansätze wie Database Marketing oder One-toone-Marketing, bei denen aus detaillierten Informationen über den Kunden eine individualiserte Kundenansprache abgeleitet werden soll. Neben der Kontrolle von Entscheidungen durch Standardauswertungen oder Ad hoc Abfragen werden Informationen für eine gezielte Ausgestaltung des Marketing Mix immer wichtiger. Es gilt, neue Zusammenhänge in den Datenbeständen zu erkennen, z.b. wodurch zeichnen sich gewinnund verlustbringende Kunden aus, welche Kunden sind gefährdet oder welche Vertriebskanäle/Marketingaktionen sind die wirksamsten. Kern ist eine Datenbank mit allen entscheidungsrelevanten Informationen. Diese Datenbank ist eine bedarfsgerechte Zusammenführung der Datenbanken, die für die Abwicklung der operativen Geschäftsprozesse eingesetzt werden, ergänzt um externe Quellen. Ergänzt wird diese Datenbank um Softwarewerkzeuge, mit denen die Daten in die Data Warehouse-Datenbank eingestellt werden und mit denen diese Daten danach abgefragt und analysiert werden können. ANFORDERUNGEN AN EIN DATA WAREHOUSE Im Vergleich zu den operativen Datenbeständen der Administrations- und Dispositionssysteme muss ein Data Warehouse grundsätzlich andere Anforderungen erfüllen. Diese sind zu verschiedenen Regeln für ein Data Warehouse zusammengefaßt worden. Die bekanntesten Regeln stammen von Inmon: Die Entscheidungen in einem Unternehmen basieren auf Informationen über z.b. Kunden oder Produkte und weniger auf Informationen über die innerbetrieblichen Prozesse. Die Speicherung der Informationen in einem Data Warehouse sollte sich daher an den Subjekten eines Unternehmens, z.b. den Kunden, orientieren und nicht an den innerbetrieblichen Abläufen. Daten, die nicht der Entscheidungsunterstützung dienen, werden nicht das Data Warehouse aufgenommen. Das Data Warehouse ist eine Zusammenfassung verschiedenster Datenbanken. Durch Struktur- und Formatvereinheitlichung müssen zusammengehörige Informationen, z.b. die Kundeninformationen, bereinigt und in einer ü-bergreifenden Datenstruktur abgebildet werden. Prof. Dr. Michael Ponader Seite 3

4 Mit der Unveränderbarkeit der Daten der Nicht-Volatilität soll die Reproduzierbarkeit der Analyseergebnisse gewährleistet werden. Data Warehouse-Daten können vom Anwender nicht gelesen werden - in ein Data Warehouse werden neue Daten hinzugeladen oder andere archiviert. Nie werden vorhandene Daten verändert auch nicht von anderen Programmen. Alle Daten erhalten den Bezug zu einem Zeitraum, für den sie gültig sind. Damit können historische Daten, z.b. Verkaufszahlen, parallel zu aktuellen Informationen gespeichert und z.b. für Trendanalysen verwendet werden. Eine wesentliche Anforderung sind flexiblere Analysemöglichkeiten. Dies ist im Interesse der Fachabteilung und der internen DV. Durch einfach zu bedienende, intuitive grafische Oberflächen können die Analysen in der Fachabteilung selbst erstellt werden. Diese wird dadurch unabhängiger von der Internen DV. Papierberge und entsprechende Kosten können abgebaut werden, indem Auswertungen on demand erzeugt werden. Die DV-Abteilung muss weniger Auswertungen programmieren und wird dadurch entlastet. Durch eine umfassende Informationsbasis, in die auch externe Daten einbezogen werden, z.b. die Branchenentwicklung, sollen fundiertere Entscheidungen möglich werden. Häufig finden sich in unterschiedlichen Berichten nicht vergleichbare Informationen, da diese Berichte auf unterschiedlichen Datenbanken in den verschiedenen Bereichen eines Unternehmens beruhen. Dies kann vermieden werden, wenn alle Bereiche eines Unternehmens auf eine gemeinsame, bereinigte Datenbasis zugreifen. DATA WAREHOUSE ARCHITEKTUR Bei einem Data Warehouse können zwei wesentliche Bereiche unterschieden werden. Der Bereich der Datenbereitstellung und der der Informationsgewinnung. Als Grundlage müssen die verschiedensten operativen Datenbestände zu einem gemeinsamen, konsistenten Datenbestand zusammengeführt werden. Ausgangsbasis können relationale Datenbanken, Vsam-Dateien oder sonstige Dateien sein. Neben den internen Daten sind auch externe Daten, z.b. Marktforschungsdaten oder volkswirtschaftliche Daten, zu integrieren. Beispiele für externe Daten können Marktforschungsdaten sein oder volkswirtschaftliche Daten über die Branchenentwicklung. Aufgrund der Heterogenität der Ausgangsdaten verursacht der Bereich der Datenbereitstellung meistens den wesentlichen Aufwand bei einer Data Warehouse-Entwicklung. Diese Daten werden dann in einer Datenbank, dem Data Warehouse im engeren Sinne, abgelegt. In den meisten Fällen handelt es sich hier um eine von den operativen Systemen getrennte Datenbank. Prof. Dr. Michael Ponader Seite 4

5 Auf diese kann dann für die gewünschten Auswertungen und Analysen zugegriffen werden. Z.B. können konventionelle Reportgeneratoren zum Einsatz kommen, mit denen vordefinierte Auswertungen automatisch zu vorher festgelegten Zeitpunkten oder Ad hoc erzeugt werden. Eine andere Möglichkeit besteht in der weiteren Auswertung und Verarbeitung der Data Warehouse-Daten mit Spreadsheet-Programmen, wie z.b. Excel. Damit können z.b. zusätzliche statistische Berechnungen auf den Data Warehouse-Daten ausgeführt werden. Mit dem Bereich OLAP-Tools und Analysen werden wir uns im weiteren Verlauf der heutigen Sendung noch beschäftigen. Das Data Mining ist die neueste Auswertungstechnologie. Bei den bisher genannten Auswertungsverfahren sind zumindest die Dimensionen der Analyse vorgedacht und die Zusammenhänge zwischen diesen Strukturen sind bekannt oder werden unterstellt. Die Analyse der Informationen erfolgt intuitiv und weitgehend manuell durch den Benutzer. Beim Data Mining sollen automatisch neue Muster und Zusammenhänge in den Daten erkannt und der Benutzer darauf aufmerksam gemacht werden. Mögliche Einsatzfelder des Data Minings sind die Einteilung von Kunden in Risikoklassen für eine Bonitätsprüfung oder die Analyse von Warenkörben zur Erforschung des Kaufverhaltens. Hierzu kommen beim Data Mining unterschiedliche Techniken zum Einsatz, z.b. klassische statistische Verfahren wie die Clusteranalyse oder Methoden der Künstlichen Intelligenz wie Neuronale Netze. DATENBEREITSTELLUNG = Erzeugen der Data Warehouse-Datenbank. Der erste Schritt ist das Anzapfen der bestehenden Datenbanken. Die wesentliche Entscheidung, die hier zu treffen ist, ist in welchen Zeitabständen welche Daten abgezogen werden. Es können z.b. in periodischen Abständen alle relevanten Daten übertragen werden. Da viele Daten zeitlich relativ stabil sind, wie z.b. die Stammdaten, ist dieses Vorgehen hier uneffizient, daher werden bei anderen Verfahren nur die Daten übertragen, die seit dem letzten Abzug verändert wurden oder die neu hinzugekommen sind. Der vielleicht wichtigste Schritt ist der der Transformation der Ausgangsdaten, da hier die Qualität des Datenbestandes und damit der späteren Analysen entscheidend festgelegt wird. Aus den unterschiedlichen Daten muss ein einheitlicher Datenbestand erzeugt werden. Die Felder der operativen Datenbanken müssen in die Felder der Data Warehouse-Datenbank transformiert werden. In den verwendeten Werkzeugen werden hierfür Regeln definiert, nach denen die Data Warehouse-Daten gewonnen werden. Beispiel: Das Geschlecht kann in den unterschiedlichen operativen Systemen unterschiedlich abgelegt sein: ausgeschrieben, abgekürzt, in unterschiedlichen Sprachen oder 0/1-kodiert für eine optimale Verarbeitung durch das Programm. Für die Data Warehouse-Datenbank muss dies vereinheitlicht werden. Darüber hinaus müssen die Informationen in einer für den menschlichen Benutzer optimal lesbaren Form abgelegt werden, also z.b. männlich/weiblich. Prof. Dr. Michael Ponader Seite 5

6 Weiterhin müssen vor der Übernahme in die Data Warehouse-Datenbank Plausibilitätsprüfungen ausgeführt werden, z.b. liegen die Daten in den richtigen Formaten vor. Fehlende oder fehlerhafte Daten werden protokolliert. Die Detaildaten werden für die spätere Analysen nach unterschiedlichen Dimensionen verdichtet, z.b. die Absatzzahlen nach Produkten/Warengruppen/Geschäftsfeldern oder unterschiedlichen zeitlichen Dimensionen. Dies wird uns heute bei dem Thema OLAP nochmals begegnen. Sollten bei den Detaildaten bestimmte Informationen fehlen, so können diese in einem weiteren Schritt berechnet werden. Liegen z.b. die Umsätze, die variablen und die fixen Kosten vor, so kann zusätzlich der Deckungsbetrag ausgerechnet und zusammen mit den anderen Daten in der Data Warehouse- Datenbank abgelegt werden. Um eine weitere Anforderung von Inmon zu erfüllen, müssen die Daten einen Zeitstempel oder Gültigkeitszeitraum erhalten. Auf diese Weise wird eine Historie aufgebaut, auf die z.b. für Zeitreihenanalysen oder Zeitvergleiche zu-rückgegriffen werden kann. Für diese Arbeitsschritte werden unterschiedlichste Werkzeuge angeboten, die häufig als ETL Extraktion, Transformation, Laden-Werkzeuge bezeichnet werden. METADATEN Wesentliche Grundlage für diese Systeme sind Metadaten. Metadaten sind Daten über Daten. Metadaten sind nichts Data Warehouse-Spezifisches, sie sind in der Datenverarbeitung lange bekannt. Ein typisches Beispiel hierfür sind Data Dictionarys. Die Metadaten beschreiben die Struktur und die Zusammenhänge eines Systems. Die Metadaten bilden damit die Grundlage dafür, komplexe Systeme verstehen und warten bzw. weiterentwickeln zu können. Stellen Sie sich vor, Datenfelder in den operativen Datenbanken werden geändert. Es muss nachvollziehbar sein, welche Data Warehouse-Datenfelder davon betroffen sind. Auch die oben beschriebenen Transformationsregeln sind als Metadaten abgelegt und stehen so den ETL-Werkzeugen zur Verfügung. Weitere Beispiele sind Datenmodelle auf logischer Ebene in Form von Entity Relationship-Modellen, Datenbankkataloge mit der physischen Speicherstruktur und Informationen über die Ausgangsdaten der operativen Systeme, z.b. Formate, Verantwortlichkeiten. Neben diesen dv-technischen Metadaten für die Administration der Data Warehouse- Umgebung treten fachliche Metadaten, die unmittelbar den Anwender betreffen. Die Metadaten sind wesentliches Hilfsmittel für den Benutzer, das System verstehen und zielgerichtet nutzen zu können. Beispiele hierfür sind Informationen über existierende Standardberichte/Berichtsvorlagen, fachliche Berechnungsvorschriften und Begriffslexika. Die Metadaten können in einer separaten Datenbank abgelegt sein oder in der gleichen Datenbank abgelegt werden wie die entscheidungsrelevanten Daten. Prof. Dr. Michael Ponader Seite 6

7 OLAP Eine relativ junge Technologie im Bereich Informationsgewinnung ist OLAP (Online Analytical Processing). Der Begriff OLAP wurde von E. F. Codd geprägt und von ihm erstmals 1993 in einem Aufsatz verwendet. OLAP ist nicht zwangsläufig an ein Data Warehouse gebunden, aber OLAP und ein Data Warehouse ergänzen sich sehr gut. Das Data Warehouse stellt eine bereinigte, konsistente Datenbasis zur Verfügung. Auf dieser können OLAP-Werkzeuge aufsetzen, um dem Benutzer die entsprechenden Auswertungsmöglichkeiten zur Verfügung zu stellen. OLAP ermöglicht die mehrdimensionale Analyse betriebswirtschaftlicher Variablen, z.b. Umsatz, Gewinn, nach verschiedenen Kriterien, z.b. Kunden, Regionen. Die typische Darstellung dieser mehrdimensionalen Sicht ist der Olap-Würfel, den wir hier auf dieser Folie sehen. Die Kanten des Würfels sind die Analysekriterien oder Dimensionen, hier in unserem Beispiel Region, Zeit und Produkt. Die Zellen des Würfels enthalten die Analysevariablen, z.b. den Umsatz. Eine Zelle des Würfels enthält also beispielsweise den Umsatz des Produktes X in Deutschland im Jahr Für die Dimensionen werden verschiedene Aggregationsstufen definiert. Also z.b. Monat, Quartal, Jahr für die Zeit oder Bundesland, Land, Kontinent für die Region. Entsprechend liegen dann auch die Kennzahlen in den verschiedenen Verdichtungsstufen vor. Das wesentliche an dem Modell ist, dass die Daten in mehrdimensionalen Strukturen abgelegt sind. Mit dem OLAP-Würfel läßt sich dies anschaulich darstellen. Es ist durchaus möglich, dass mehr als drei Dimensionen zur Beschreibung der Daten möglich sind. Es können und das ist in der Praxis fast immer der Fall noch zusätzliche Dimensionen, z.b. Vertriebseinheit, Kundengruppe, hinzukommen. Der OLAP-Würfel wird für die Darstellung des Modells gewählt, weil wir uns nicht mehr als drei Dimensionen vorstellen können. Für konkrete Auswertungen sind schon drei Dimensionen zu viel, weil nicht alle Werte sichtbar sind. Bei mehr als zwei Dimensionen lassen sie sich in einer Auswertung nicht sinnvoll darstellen. In der Visualisierung bleibt auch OLAP wie normale Spreadsheets auf zwei Dimensionen beschränkt. Das wesentliche gegenüber den bisherigen Auswertungen und Spreadsheet-Programmen ist, das trotz der beschränkten Darstellungsmöglichkeiten die Daten nach mehreren Dimensionen beschrieben sind, was wesentlich flexiblere Auswertungsmöglichkeiten bewirkt. Man stellt sich eine typische Liste vor, die mit einem Reportgenerator erzeugt wird, oder ein entsprechendes Spreadsheet mit den Umsätzen für das Jahr 2000 gegliedert nach Produktlinien und Kundengruppen. Gegenüber Ihren Planungen haben sich die Umsätze bei den verschiedenen Produktlinien sehr unterschiedlich entwickelt. Sie interessieren daher die Umsätze bei den einzelnen Produkten, um in die Analyse der Ursachen einzusteigen. Oder Sie möchten die Zahlen für 1999, um zu sehen, ob normale saisonale Schwankungen aufgetreten sind. Prof. Dr. Michael Ponader Seite 7

8 Mit den herkömmlichen Analysetechniken hat man diese Informationen nicht ad hoc zur Verfügung. Mit OLAP können Sie sofort in eine Detailanalyse einsteigen oder zusätzliche Dimensionen in die Analyse einbeziehen. DRILL-DOWN = die Detaillierung der dargestellten Informationen. Man kann sich damit die Daten auf einer feineren Detaillierungsstufe innerhalb der gleichen Dimension ansehen. Beispiel: Die schrittweise Detaillierung vom Kontinent über das Land zum Bundesland. DRILL- ODER ROLL-UP? Die Daten werden auf die nächsthöhere Aggregationsebene einer Dimension verdichtet. Beispiel: Vom Bundesland über das Land zum Kontinent. Es gibt prinzipiell zwei Möglichkeiten, wie bei diesen Analysen die Dimensionen behandelt werden. Bei der einen werden die nicht angezeigten Dimensionen auf der höchsten Aggregationsstufe einbezogen, also ohne weitere Detaillierung. Z.B. alle Kunden oder für das Gesamtunternehmen bei der Dimension Vertriebsbereiche. Bei der anderen Form wird die nicht angezeigte Dimension nur mit einer bestimmten Ausprägung einbezogen. Damit wären wir bei der nächsten Analyseform von OLAP, dem Slice. SLICE Beim Slice werden einzelne Scheiben oder Schichten aus dem Würfel herausgeschnitten. Stellen Sie sich z.b. einen Produktmanager vor. Dieser ist nur an den Zahlen des Produktes interessiert, für das er verantwortlich ist. Alle anderen Dimensionen, z.b. Region oder Zeit, sollen nur hinsichtlich seines Produktes in die Analysen einbezogen werden. Oder ein anderes Beispiel, ein Gebietsleiter. Dieser ist nur an einer bestimmten Region interessiert, hier aber an allen Produkten und für alle Perioden. Slice bedeutet also das Filtern in bestimmten Dimensionen. In einer Dimension wird eine bestimmte Ausprägung als Filter gesetzt. Für die weiteren Analysen werden bei den anderen Dimensionen nur die Werte einbezogen, die sich auf diesen Filter beziehen. Auf diese Weise kann man den Blickwinkel einer Analyse sehr schnell wechseln und die Untersuchung bzw. die Darstellung mit einer anderen Sicht fortsetzen. Hierzu dient auch die letzte Analysetechnik, die wir im Rahmen dieser Vorlesung besprechen wollen. Prof. Dr. Michael Ponader Seite 8

9 DICE Unter Dice versteht man das Drehen des Würfels, so dass die zweidimensionale Auswertung die gewünschten Dimensionen enthält. Zu jedem Zeitpunkt der Analyse können so die für die Darstellung gewünschten Dimensionen gegeneinander ausgetauscht werden. Die OLAP-Analysewerkzeuge sind mit sehr komfortablen grafischen Benutzungsoberflächen ausgestattet. Die gewünschten Analysen können sehr einfach mit der Maus per Drag and Drop zusammengestellt werden. Die Funktionen wie Dice oder Drill down können ebenfalls z.b. mit einfachen Mausklicks in einer Grafik angestoßen werden. Damit ist eine wesentliche Voraussetzung für die Akzeptanz dieser Technik bei den Benutzern gegeben. BEISPIELE FÜR NUTZUNGSEFFEKTE Der Nutzen eines Data Warehouse liegt vor allem im qualitativen Bereich, z.b. mit aktuellen, qualitativ hochwertigen Informationen zu marktgerechteren und schnelleren Entscheidungen beizutragen und damit Umsatzpotentiale zu erschließen. Auch die Auswirkungen auf die interne DV, z.b. die Entlastung der operativen Systeme oder der internen DV-Abteilung von der Programmierung von Auswertungen, sind in eine Nutzenbetrachtung einzubeziehen. Diese Beispiele machen aber deutlich, dass eine exakte Wirtschaftlichkeitsbetrachtung zu Beginn des Projektes kaum möglich ist. Auch während oder nach der Einführung bleiben diese Nutzeffekte schwer messbar. Durch ein stufenweises Vorgehen können aber möglichst frühzeitig Erfahrungswerte gewonnen werden, die die Entscheidung über die Realisierung weiterer Aufgabenbereiche erleichtern. ZUSAMMENFASSUNG Auslöser für die Data Warehouse-Entwicklung war die Notwendigkeit, umfassendere, aktuellere Informationen für betriebliche Entscheidungen zur Verfügung zu haben, um schneller auf Marktänderungen reagieren zu können und Chancen frühzeitig zu erkennen. Dieser Informationsbedarf konnte mit den bestehenden operativen Datenbanken nur unzureichend befriedigt werden. Die erforderlichen Informationen waren über verschiedene Datenbanken verteilt, Auswertungen konnten nur mit Programmierkenntnissen erstellt werden oder erforderliche historische Daten waren nicht verfügbar. Für ein Data Warehouse werden daher die entscheidungsrelevanten Daten aus den operativen Systemen zusammengeführt und gegebenenfalls durch externe Daten ergänzt. Für das Füllen der Data Warehouse-Datenbank und die Informationsgewinnung kommen unterschiedlichste Tools zum Einsatz. Dies ist ein wesentlicher Punkt, ein Data Warehouse ist mehr als eine zusätzliche Datenbank. Prof. Dr. Michael Ponader Seite 9

10 Der Datenbereitstellung kommt besondere Bedeutung zu, da hiervon die Möglichkeiten und die Qualität der späteren Analysen entscheidend beeinflußt wird. Für zusammengehörige Daten aus verschiedenen Datenbanken muss eine gemeinsame Datenstruktur festgelegt werden, Formate müssen vereinheitlicht werden und eine Historie der Daten muss aufgebaut werden, um nur einige Beispiele zu nennen. Die Data Warehouse-Datenbank kann mit unterschiedlichsten Auswertungswerkzeugen genutzt werden, z.b. herkömmliche Reportgeneratoren oder Spreadsheet-Programme. Einen wesentlichen Fortschritt bezüglich der Flexibilität der Analysen und der einfachen Bedienbarkeit der hierfür verwendeten Werkzeuge brachte das Online Analytical Processing. Wegen des zugrundeliegenden mehrdimensionalen Modells für die betriebswirtschaftliche Kennzahlen können Analysen sehr flexibel durchgeführt werden. Trotz der offensichtlichen Vorteile eines Data Warehouse erweist es sich als sehr schwierig, eine exakte Wirtschaftlichkeitsbetrachtung als Grundlage für eine Einführungsentscheidung anzustellen, da sich fast alle Nutzeffekte nicht exakt quantifizieren lassen. LITERATUR Wieken, J.-H., Der Weg zum Data Warehouse, München 1999 Prof. Dr. Michael Ponader Seite 10

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

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

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

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

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

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

Einführungsveranstaltung: Data Warehouse

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

Mehr

Business Intelligence 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

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

Eine Einführung in OLAP

Eine Einführung in OLAP Eine Einführung in OLAP Einleitung... 1 Wofür wird OLAP benötigt?... 1 Was ist OLAP?... 3 OLAP Charakteristika... 3 Dimensionen... 3 Hierarchien... 3 Flexible Präsentation... 4 OLAP und Data Warehousing...

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 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

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

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

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

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

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

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

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

eevolution Business Intelligence

eevolution Business Intelligence eevolution Business Intelligence Haben Sie sich schon häufig gefragt, warum Ihr Berichtswesen so kompliziert sein muss? Warum Sie nicht einfach mit wenigen Handgriffen Ihr Berichtswesen einrichten und

Mehr

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

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

FAGUS Paper Data Cubes

FAGUS Paper Data Cubes FAGUS Paper Data Cubes v5 Dynamische Datenanalyse auf Basis von FAGUS Paper.v5 und Microsoft Analysis Services 2 FAGUS Paper Data Cubes Data Mining Nutzen Sie den Mehrwert Ihrer IT Jeden Tag werden in

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

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

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

Mehr

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

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects

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

Mehr

Data Warehouse und ETL. Einführung und Überblick

Data Warehouse und ETL. Einführung und Überblick Data Warehouse und ETL Einführung und Überblick Data Warehouse Definition I A subject-oriented, integrated, non-volatile, time-variant collection of data organized to support management needs Inmon, Database

Mehr

Intelligente Kanzlei

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

Mehr

Datenmanagement und Datenqualität Techniken und Prozesse

Datenmanagement und Datenqualität Techniken und Prozesse Database Marketing: Datenmanagement und Datenqualität Techniken und Prozesse Andrea Ahlemeyer-Stubbe Management Summary Der zunehmende Wandel hin zu einer kundenorientierten Geschäftsführung und die Verinnerlichung

Mehr

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

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

Mehr

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

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

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

Unlimited Controlling

Unlimited Controlling smcolap Unlimited Controlling Heute müssen beliebige Bereiche eines Unternehmens schnell und effizient analysiert werden. Dabei darf es keine Rolle spielen, wo die Daten liegen und in welcher Relation

Mehr

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

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

Mehr

Management von Kundendaten mit Hilfe eines Data Warehouse

Management von Kundendaten mit Hilfe eines Data Warehouse Management von Kundendaten mit Hilfe eines Data Warehouse Abstrakt: Seitdem der CRM-Gedanke Verbreitung gefunden hat, werden an die Kenntnisse über Kunden hohe Anforderungen gestellt. Im gleichen Maße

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

Data Warehouse und Data Mining

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

Mehr

Informationssysteme für das Management

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

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Sage HR Controlling Reports & Analysen

Sage HR Controlling Reports & Analysen Sage HR Controlling Reports & Analysen Integrierte Lösungen für die Personalwirtschaft Sage HR ist der Spezialist für branchenunabhängige HR-Software. Dabei bringen wir ein umfangreiches Wissen rund um

Mehr

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

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

Mehr

Sage Infocenter. Das Werkzeug für einfaches Reporting und Controlling in der Sage Personalwirtschaft

Sage Infocenter. Das Werkzeug für einfaches Reporting und Controlling in der Sage Personalwirtschaft Sage Infocenter Das Werkzeug für einfaches Reporting und Controlling in der Sage Personalwirtschaft Integrierte Lösungen für die Personalwirtschaft Sage HR ist der Spezialist für branchenunabhängige HR-Software.

Mehr

Die wahre Entdeckung besteht nicht darin, Neuland zu finden, sondern die Dinge mit neuen Augen zu sehen. Marcel Proust

Die wahre Entdeckung besteht nicht darin, Neuland zu finden, sondern die Dinge mit neuen Augen zu sehen. Marcel Proust Dynamische Rollen Dreh- und Angelpunkt von perbit.insight ist ein intuitiv bedienbares HR Solution Center. Hier stehen alle personalwirtschaftlichen Anwendungen zusammengeführt unter einer einheitlichen

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

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

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

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

Mehr

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Corporate Performance Management SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Martin Krejci, Manager CPM Matthias Schmidt, BI Consultant Kristian Rümmelin, Senior BI Consultant Braincourt GmbH

Mehr

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

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

Mehr

Erfolgskriterien für die Einführung von Business Intelligence Systemen

Erfolgskriterien für die Einführung von Business Intelligence Systemen Erfolgskriterien für die Einführung von Business Intelligence Systemen Dpl.-Betriebswirt (FH) Matthias Fellersmann Geschäftsführender Gesellschafter PST Software & Consulting GmbH Erfahrungen BI Auswahlprozess

Mehr

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011 Business Intelligence und Geovisualisierung Innovative Ansätze für den Gesundheitsmarkt Mainz, 10. Mai 2011 Prof. Dr. Anett Mehler-Bicher Prof. Dr. Klaus Böhm Inhalt Ausgangssituation und Motivation Motivation

Mehr

Logistikinformationssystem (LIS)

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

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

Softwaretool Data Delivery Designer

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

Mehr

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

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

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

Mehr

Data Warehouse und Data Mining

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

Mehr

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

Motivation für Datawarehouse. Data Warehouse Systeme. Data-Warehouse Systeme

Motivation für Datawarehouse. Data Warehouse Systeme. Data-Warehouse Systeme Data-Warehouse Systeme A.Kaiser; WU-Wien MIS 210 Data Warehouse Systeme Ein Data Warehouse ist ein umfassendes Konzept zur Entscheidungsunterstützung von Mitarbeitern aller Bereiche und Ebenen. Kern ist

Mehr

Data Warehouse Systeme

Data Warehouse Systeme Data-Warehouse Systeme A.Kaiser; WU-Wien MIS 210 Data Warehouse Systeme Ein Data Warehouse ist ein umfassendes Konzept zur Entscheidungsunterstützung von Mitarbeitern aller Bereiche und Ebenen. Kern ist

Mehr

Berichtsmanagement. mehr unter www.ees-online.de. Berichte aus aktuellen und historischen Daten erstellen und weiterverarbeiten

Berichtsmanagement. mehr unter www.ees-online.de. Berichte aus aktuellen und historischen Daten erstellen und weiterverarbeiten Berichtsmanagement Berichte aus aktuellen und historischen Daten erstellen und weiterverarbeiten Zuverlässige und regelmäßige Berichterstattung ist für die Überwachung von weiträumig verteilten Anlagen

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

Seminar C02 - Praxisvergleich OLAP Tools

Seminar C02 - Praxisvergleich OLAP Tools C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

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

Mehr

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

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

Leistungsbeschreibung. PHOENIX Archiv. Oktober 2014 Version 1.0

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

Mehr

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

Mehr

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

GDP4U. Intelligente Ideen für Finanzinstitute

GDP4U. Intelligente Ideen für Finanzinstitute GDP4U Intelligente Ideen für Finanzinstitute --> GDP4U Die Grundsätze zum Datenzugriff und zur Prüfbarkeit digitaler Unterlagen (GDPdU 147 Abs. 6 AO) verpflichten Finanzinstitute, den Finanzbehörden den

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

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

Kapitel 4: Data Warehouse Architektur

Kapitel 4: Data Warehouse Architektur Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale

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

Wie viele Dimensionen hat ein WŸrfel? Der Einsatz von Datamarts als Analysehilfen in einem Data Warehouse

Wie viele Dimensionen hat ein WŸrfel? Der Einsatz von Datamarts als Analysehilfen in einem Data Warehouse Wie viele Dimensionen hat ein WŸrfel? Der Einsatz von Datamarts als Analysehilfen in einem Data Warehouse Andrea Kennel Beim Start eines Data Warehouse-Projekts gibt es oft das Problem, dass Informatiker

Mehr

Relationale Datenbanken Datenbankgrundlagen

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

Mehr

Vertriebs-Dashboards für das Management

Vertriebs-Dashboards für das Management Vertriebs-Dashboards für das Management Die wichtigsten Vertriebskennzahlen jederzeit und aktuell auf einen Blick. www.schleupen.de Schleupen AG 2 Der Wettbewerb Die Stadtwerke stehen im direkten Wettbewerb

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

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel.

Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel. M/S VisuCom Beratung Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel. Design Auch das Erscheinungsbild Ihres E-Business-Projektes ist entscheidend. Unsere Kommunikationsdesigner

Mehr

Business Intelligence

Business Intelligence Business Intelligence Der einfache Weg zur professionellen Analyse Ihrer Daten. Informationen gewinnen,... Die passgenaue Software für die Analyse Ihrer Daten. Erfolgreiche Unternehmensführung wird gerade

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

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

Christian Kurze BI-Praktikum IBM WS 2008/09

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

Mehr

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

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

SharePoint und InfoPath von Microsoft ein Erklärungsversuch für Anwender

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

Mehr

Das Wesentliche im Blick.

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

Mehr

Data Warehouse. dem Kunden auf der Spur. 4.SAP-Anwenderforum FH NON Lüneburg 16. März 2001. Dr. Anselm Schultze GS Versicherungen Nord CSC PLOENZKE

Data Warehouse. dem Kunden auf der Spur. 4.SAP-Anwenderforum FH NON Lüneburg 16. März 2001. Dr. Anselm Schultze GS Versicherungen Nord CSC PLOENZKE Data Warehouse dem Kunden auf der Spur 4.SAP-Anwenderforum FH NON Lüneburg 16. März 2001 Dr. Anselm Schultze GS Versicherungen Nord CSC PLOENZKE Copyright CSC PLOENZKE AG 1 Inhalt Agenda Data Warehouse

Mehr

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

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

Mehr

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

Mehrdimensionale Datenanalysen

Mehrdimensionale Datenanalysen Unmengen an Daten. Abteilungsspezifische Informationen. Navigation durch Informationsbasis. Datenwürfel als Schlüsselelement. Mehrdimensionale Datenanalysen Datenanalysen als Werkzeug für Entscheidungsprozesse

Mehr

Enterprise Reporting & Integration von Datenbanken für den Öffentlichen Sektor

Enterprise Reporting & Integration von Datenbanken für den Öffentlichen Sektor Enterprise Reporting & Integration von Datenbanken für den Öffentlichen Sektor Foto: ooolmooo Quelle: www.photocase.com Foto: Mathias The Dread Quelle: www.photocase.com Unser Unternehmen Erfahrenes Expertenteam

Mehr

Kapitel 6 Managementunterstützungssysteme und Business Intelligence

Kapitel 6 Managementunterstützungssysteme und Business Intelligence ProKSy - EBSS Institut AIFB WS 2013/2014 Programmierung kommerzieller Systeme Einsatz betrieblicher Standardsoftware (ProKSy EBSS) Kapitel 6 Managementunterstützungssysteme und Business Intelligence Institut

Mehr