Institut für Medizinische Informatik. Technische Universität Braunschweig

Größe: px
Ab Seite anzeigen:

Download "Institut für Medizinische Informatik. Technische Universität Braunschweig"

Transkript

1 Data Warehouse Dipl. Inform.. Maik Plischke Technische Universität Data Warehouse Definition gemäss W.H. Inmon A Data Warehouse is a subject- oriented, integrated, time-variant and nonvolatile collection of data in support of managements Decision support process. 1

2 Entstehung Anfang der 80er: Erste Projektversuche: Data Supermarket Super Database 1988: internes Projekt von IBM European Business Information System (EBIS) 1991: umbenannt in Information Warehouse Strategy Entstehung Ziel von EBIS: Konzepte für f r Produkte, Mechanismen und Vorgehensweisen zur Überwindung der Heterogenität t und Bewältigung der Informationsexplosion 2

3 Entstehung Ziel der Information Warehouse Strategy: Versorgung autorisierter Einzelpersonen mit zuverlässigen, zeitrichtigen, genauen und verständlichen Geschäftsinformationen aus allen Geschäftsbereichen zum Zwecke der Entscheidungsunterstützung tzung Hintergrundproblematik Informationen als unternehmerische Ressource Richtige Informationen zum richtigen Zeitpunkt am richtigen Ort Ineffizienz in der Informationslogistik: 95% Liege- und Wartezeit, 5% Verarbeitungszeit Schwächen chen relationaler Datenbanken bei der Durchführung hrung multidimensionaler betriebswirtschaftlicher Analysen Flache, zweidimensionale Tabellenstruktur Unterschiedliche Sichtweisen auf denselben Datenbestand ist sehr aufwendig 3

4 Hintergrundproblematik Forderung an die Informationslogistik Minimierung der Informationsdurchlaufzeiten Optimierung der Informationsbestände Informationsverfügbarkeit Just in time Idee: Zentraler Daten- und Informationspool als Basis einer adäquaten betrieblichen Informationsversorgung Wunsch nach für f r Produkte, Mechanismen und Vorgehensweisen zur Überwindung der Heterogenität t und Bewältigung der Informationsexplosion Data Warehouse Definition als Informationslager Erlaubt die Analyse und den Vergleich operativer, historischer und externer Daten Erlaubt die Berechnung von Prognosen Macht interne wie externe Trends sichtbar Dient der Unterstützung tzung von Entscheidungen in allen Unternehmensebenen 4

5 Data Warehouse Stellt eine vom operativen Bereich losgelöste, ste, homogene und konsistente Datenbasis bereit (Trennung von operativen und entscheidungsunterstützenden tzenden Systemen) Quellen dieser Datenbasis sind: Im Unternehmen vorhandene DV-Anwendungen und Datenerhaltungsysteme sowie Externe Daten, zum Beispiel aus Online-Diensten, dem Internet oder elektronische Presse-Ausschnitte Data Warehouse Strukutur und Umfang der Datenbasis in einem Data Warehouse besitzen ein spezifische Form, die Die Verfügbarkeit entscheidungsrelevanter Informationen in bedarfsgerechter Form gewährleistet Die grundsätzliche Analysierbarkeit der Daten sichert 5

6 Data Warehouse Eigenschaft:Themenbezug Operationelle Systeme Kontoeröffnung Kreditabwicklung Führungsinstrumente Wertschriftenverwaltung Operationelle Systeme sind prozessorientiert und werden durch ein System verwaltet Data Warehouse CRM Customer Relationship Management Risiko Management Das Data Warehouse ist themenbezogen und erhält Daten von vielen opertionalen Systemen. Die Daten werden nach dem betriebswirtschaftlichen Umfeld des Unternehmens organisiert. Data Warehouse Eigenschaft: : Integration Operationelle Systeme Data Warehouse Anwendungsspezifisch Integriert Anwendungen und Datenbanken wurden unabhängig voneinander erstellt EntwicklungübereinelangeZeit Integration von Beginn an Designed zu Beginn, Implementation iterativ in kurzer Zeit Integration aus verschiedenen Systemen 6

7 Data Warehouse Eigenschaft: Zeitabhängigkeit Operationelle Systeme Data Warehouse Normalerweise aktuelle Daten Generell historischer Bezug Zeitreihenanalysen Data Warehouse Eigenschaft: Beständigkeit einfügen Operationelle Systeme ändern Data Warehouse hinzufügen ersetzen löschen Laden / Hinzufügen Ständiger Wechsel stetiger Update Änderungen nach Bedürfnis und nicht nach Plan Konsistent zu einer bestimmten Zeit auf ein Data Warehouse wird nur lesend zugegriffen 7

8 Operative und strategische Planung Operative Planung Ausschöpfung vorhandener Erfolgspotentiale operative Daten Strategische Planung Aufbau langfristiger Erfolgspotentiale strategische Daten Operative Datenbank (Produktionsdatenbank) Datenbank, die operative Geschäftsvorg ftsvorgänge aufzeichnet, indem sie Einzeldaten in häufigen Transaktionen in Echtzeit laufend vollständig und redundanzarm fortschreibt Telekommunikation, Handel und Banken sind transaktionsintensive Branchen mit bis zu bis Tansaktionen pro Minute Quelle: [Lusti, 1999] 8

9 Mängel von operativen Datenbanken Operative Entscheidungen Datenanalyse Operative Datenbanken sind unübersichtlich (originäre Detaildaten) momentbezogen (keine historischen Periodendaten) benutzerfeindlich (SQL oder 3GL-Kenntnisse) Data Warehouse Data Warehouses... sind analytische Datenbanken die Berichtsgeneratoren Abfrage- und Analysewerkzeuge zur Verfügung stellen Sie dienen... Managern zur Entscheidungsunterstützung nachträglichen Monitoring von Entscheidungen Spezialisten zum Data Mining 9

10 Operative vs. Analytische Datenbanken Schwerpunkt Produktions- Data datenbank Warehouse Daten operativ Daten vollständig Daten detailliert Daten redundanzarm (fortschreibungsfreundlich) Daten änderungsintensiv Schlüssel i.d.r. natürlich meist Auswahlabfragen Abfragen häufig h ad hoc Daten strategisch Daten periodenbezogen Daten oft abgeleitet (v.a. zusammenfassend) endbenutzerorientiert Schlüssel i.d.r. künstlich k Data Warehouse Merkmale eines DW 1. Orientierung an unternehmensbedingten Sachverhalten (subject( subject-oriented) 2. Zeitraumbezug (time( time-variant) 3. Struktur- und Formatvereinheitlichung (integrated) 4. Permanenz (nonvolatile( nonvolatile) 10

11 Data Warehouse 1. Orientierung an unternehmensbedingten Sachverhalten (subject( subject-oriented): Ableitung relevanter Informationen aus den Unternehmensdaten aus unterschiedlichen Dimensionen für f r den Entscheidungsträger ger Dimensionen (Bsp.): Unternehmensstruktur, Produktstruktur, Regionalstruktur, Kundenstruktur, Zeitstruktur, betriebswirtschaftliche Kenngrößen und deren Ausprägung Data Warehouse 2. Zeitraumbezug (time( time-variant) Operative Systeme: Zeitpunktbetrachtungen Trendanalysen (Zeithorizonte bis zu 15 Jahren) Impliziter oder expliziter Bestandteil im DW Herstellung eines Zeitraumbezuges zu den entsprechenden Daten und Datensätzen, tzen, Zeitmarken 11

12 Data Warehouse 3. Struktur- und Formatvereinheitlichung (integrated) Lösungen für f r Daten aus heterogenen und proprietären ren Rechnerarchitekturen, Datenredundanzen und Inkonsistenzen sowie semantische Inkonsistenzen Data Warehouse 13. Mai 12/7/ Fr, KW14/00 12

13 Data Warehouse 4. Permanenz (nonvolatile( nonvolatile) Volatilität: t: Grad, mit dem sich Daten iim Laufe der normalen Nutzung ändern Keine Korrektur enthaltener Daten Keine Aktualisierungen oder Veränderungen Architektur 13

14 Architektur Operative Daten Externe Daten Daten Ladeprozess Auswahl Transformation Integration Data Warehouse Einzelheiten Zusammenfassungen Metadaten Information Endbenutzerzugriff Zugriffswerkzeuge Berichtsgenerator Zweidimensionale Abfrage Mehrdimensionale Abfrage (OLAP) Data Mining... Entscheidung Textdokument 14

15 Architektur Architektur Online-Transaction Transaction-Processing Schicht OLTP-Systeme Systeme: Informationsysteme zur Unterstützung tzung der eigentlichen Geschäftsprozesse: Bsp: Finanzbuchhaltung, Lagerverwaltung, Materialwirtschaft, Warenwirtschaft Meist gewachsene IT-Strukturen Realität: t: Extraktion der Daten aus unterschiedlichen Sytemen 15

16 Architektur Architektur Import-Schicht Daten aus OLTP-Systeme müssen selektiert, transformiert und bereinigt werden Tools zur Zusammenfassung der Funktionen Extraktion, Transformation und Loading (ELT-Tools) Daten aus operativen Systemen werden extrahiert und semantisch vereinheitlicht: m und Meter für Längenmaß muss automatisch erkannt und vereinheitlicht werden 16

17 Architektur Transformation interner und externer Daten in thematisch strukturierte Informationsdatenbanken Gründe für f r Transformationen auch der operativen Daten Anfragen/ Analysen erfordern oft Einbeziehung erheblicher Datenmengen; dadurch starke Behinderung operativer Systeme Form und Zusammenhänge der op. Daten sind zweckbestimmt nicht unmittelbar für Analysezwecke nutzbar Data Warehouse Daten aus internen und externen Quellen werden konsolidiert,, d.h. Bereinigt Gefiltert Umcodiert Sortiert Ggf. vorverdichtet Und anschließen in das DW eingestellt Extraktion, Umformatierung und Umstrukturierung der Daten für f r ein DW erfolgt mit Hilfe spezieller Software- Werkzeuge und in regelmäß äßigen zeitlichen Abständen 17

18 Architektur Architektur DW - Schicht Zentrale Datenhaltungskomponente (mehrere Terabyte) Metadatenbank enthält betriebswirtschaftliche und DV-technische Informationen über den Datenbestand des DW, Bearbeitung von Anfragen und zur Navigation im Datenbestand Data-Mart Mart: : Sub- oder Teilsystem des DW 18

19 Architektur Struktur eines DW ist themenorientiert (d.h. bezogen auf die Struktur des Unternehmens, seine Prozesse etc.) Sachverhalte können k z.b. unter zeitlichen, räumlichen oder bezogen auf spezielle Produkte und deren Varianten betrachtet werden Zeit, Raum, Produkte etc. sind sog. Dimensionen im DW. (In der Praxis: Dimensionen) Architektur Dimensionen legen Struktur und Klassifizierung der Daten fest Dimensionen haben verschiedene Grade der Detaillierung (Verdichtungsebenen/Aggregationsebenen) Aggregationsebenen der Dimension Zeit sind z.b. Tag Quartal Jahr Jahrzehnt 19

20 Architektur Aggregationsebenen der Dimension Raum sind z.b. Stadt Großraum Region Filialen Aggregationsebenen der Dimension Produkt sind z.b. Verpackung Preis Versandform Vertriebsweg Architektur Unterste Aggregationsebene ist jene Darstellung der Daten, die sich nicht weiter aufschlüsseln sseln lässtl Wahl der AE und ihrer untersten Ebene beeinflusst entscheidend das Datenvolumen und damit den Ressourcenbedarf des DW Vor der Einrichtung des DW müssen m alle Erkenntnisinteressen definiert sein; hieraus leiten sich die Dimensionen und AE ab (Auseinandersetzung mit den Unternehmensprozessen erforderlich!) 20

21 Architektur Grundsätzlich auch verzicht auf AE möglich, m d.h. Berechnung erwünschter Zusammenhänge nge erst aufgrund konkreter Anfrage Einbußen bei Komfort (Schnelligkeit der Abfrage, Einfachheit etc.); somit Verlust entscheidender Vorteile eines DW Einschub: Data Mart DM Datenbanken operativer Systeme DM DM Data Mart (DM): lokales Data Ware House, das sich auf die Daten eines Funktionsbereichs, einer Abteilung, einer Arbeitsgruppe, einer komplexen Anwendung beschränkt. 21

22 Einschub: Data Marts Vorteile Entwicklungskomplexität t kleiner Endbenutzerbeteiligung wahrscheinlicher Flexibilität grösser Datenmodell einfacher Abfrageeffizienz grösser Probleme Skalierbar? Integrierbar in Enterprise Data Warehouse? Redundanz kontrollierbar? Data Marts untereinander konsistent? Entwicklungs- und Wartungskosten tragbar? Einschub: Metadaten Kern des Data Warehouse: : Metadaten Enthalten alle Informationen über seinen Inhalt und seine Struktur Steuern den gesamten Prozess der Datenlogistik Enthalten Automatismen für f r die freie Navigation und das Drill-Down Down Definieren zulässige Verknüpfungen und Verwendungen von Daten als Grundlage für f r ihre (mehrdimensionale) Auswertung Geben Benutzer Überblick, wie das DW aufgebaut ist und wo sich welche Informationen befinden 22

23 Einschub: Metadaten Meta-Daten im Informationskatalog: Welche Daten gibt es? Wo befinden sie sich? In welcher Form existieren sie? Wer ist dafür verantwortlich? Wann war das letzte Update? Welche Werkzeuge ermöglichen mir den Zugriff? Wie kann ich einen Bericht erzeugen? Wo ist die Information, die ich brauche? Data Warehouse Einschub: Metadaten Load Query Source Storage Meta-Datenverwaltung 23

24 Architektur Architektur Analyse- und Präsentationsschicht Eindimensionale Auswertung mittels SQL Betrachtung multidimensionaler Daten aus verschiedenen Blickwinkeln OLAP (Online Analytical Processing) Systeme stellen unterschiedliche Sichten aus denselben Daten schnell und flexibel bereit und organisieren die Daten logisch in Würfeln Erkennen von unbekannten Zusammenhängen ngen in großen Datenmengen mittels Data Mining Methoden 24

25 Architektur Art und Weise der Auswertung und Visualisierung der Informationen sind abh. Von den spezifischen Anforderungen des Unternehmens In der Regel: Mischung aus vordefinierten Reports und dem freien Navigieren in Datenbeständen Einsatz von grafischen Präsentationswerkzeugen für die Darstellung der Auswertungsergebnisse Textdokument 25

26 Einschub: OLAP OLAP (Online Analytical Processing): Dynamische Auswertung der Daten OLAP-Werkzeuge ermöglichen insbesondere: Mehrdimensionale Sichten auf die Daten ohne zusätzliche Programmierung Stufenweises Erschließen en immer höhere h here Detaillierungsgrade (Drill( Drill-Down) Zugriff auf Datenbanken und andere Datenquellen Einschub: OLAP Nach CODD et al. (1993) existieren für f r OLAP 12 Evaluationsregeln 1. Mehrdimensionale konzeptionelle Perspektiven 2. Transparenz 3. Zugriffsmöglichkeit 4. Stabile Antwortzeiten bei der Berichtserstattung 5. Client/Server Architektur 6. Grundprinzipen der gleichgestellten Dimensionen 26

27 Einschub: OLAP Nach CODD et al. (1993) existieren für f r OLAP 12 Evaluationsregeln 7. Dynamische Verwaltung dünnbesetzter Matrizen 8. Mehrbenutzerfähigkeit 9. Unbeschränkte kreuzdimensionaler Operationen über Dimensionen hinweg 10. Intuitive Datenmanipulation 11. Flexibles Berichtswesen 12. Unbegrenzte Dimensions- und Aggregationsstufen Einschub: OLAP FASMI-Test: Dieser Test nennt 5 Kriterien, um zu entscheiden, ob ein Produkt ein OLAP-Produkt Produkt ist FAST: Antworten innerhalb weniger Sekunden ANALYSIS: Betriebswirtschaftliche und statistische Analysen, ad-hoc Berechnungen ohne Programmierkenntnisse SHARED: Mehrbenutzerbetrieb, Zugriffsrechte,... MULTIDIMENSIONAL: Die Kern-Anforderung für OLAP INFORMATION: Verarbeitung aller relevanter Informationen, unabhängig vom Umfang und Inhalt Quelle: Stand

28 Einschub: OLAP Vielfältige ltige OLAP-Anwendungen: Anwendungen: Beispiele Finanz- und Rechnungswesen Absatz Beschaffung Produktion Personalwesen... Kurzfristige Erfolgsrechnung Jahresabschlussanalyse Cash Flow - Analyse Soll-/Ist /Ist-Vergleiche Produkt- und Kundenvergleiche Qualität des Kundendienstes Bestandsanalysen Lieferfristenüberwachung Kapazitätsanalysen tsanalysen Qualitätskontrolle Personalverwaltung Mitarbeiterqualifikationen 28

29 Einschub: OLAP benutzerfreundliche Abfrage mit... Drilling Down and Up Zusammenfassung und Detaillierung entlang einer Dimension Drilling Through Detailzugriff auf operative Datenbanken (meist über vordefinierte SQL-Anweisungen) Drilling Across Zugriff auf mehrere Data Marts Filtern Werteauswahl Slicing and Dicing Dimensionsauswahl 29

30 Einschub: OLAP Verschiedene Sichten auf die Daten werden durch Drehen des Würfels W erzeugt. Je nach benötigter Sicht wird eine Tabelle als zweidimensionale Darstellung der Daten erzeugt Rotation = Drehen des Würfels Slicing = Auswählen einer bestimmten Scheibe der dritten Dimension Dicing = Einschränken der Dimension Präsentation mittels grafischer Oberflächen Export für f r z.b. Excel 30

31 31

32 Slicing (in Scheiben schneiden) Auswahl eines kleineren Würfels oder Reduktion der Dimensionen in einem mehrdimensionalen Würfel Branche Bank Zeit 1995 Zweidimensionale Darstellung als Tabelle: Nordamerika Europa Asien Bank Biotechn Computer Nordamerika Europa Asien Bank Biotechn Computer Computer Biotechnologie Nordamerika Europa Asien Region 1996 Dicing (würfeln) Rotation der Resultate um andere Sichten zu zeigen, z.b. Anzeigen anderer Dimensionen Austausch von Zeilen und Spalten (auch Pivoting) Branche Region Bank Nordamerika Biotechnologie Zeit Europa Zeit Computer Asien Nordamerika Europa Asien Region Bank Biotechnologie Computer Branche 32

33 Dicing Dicing (Dimensionswahl): Änderung der angezeigten Dimension mit Drag and Drop einer Dimension der horizontalen Leiste über dem Anzeigefenster Beispiel: Drag and Drop der neuen Dimension Firmensitz (Country of HQ) in die horizontale oder vertikale Titelleiste des Anzeigebereichs ersetzt die alte Dimension Fiskaljahr Pivoting tauscht Zeilen und Spalten Pivoting: Zeilen und Spalten tauschen (besondere Form des Dicing) Beispiel: Tausch der Dimensionen Branche und Firmensitz 33

34 Visualisierung Dreidimensionale Visualisierung Grafische Veranschaulichung eines Indikators und zweier Dimensionen Beispiel: Indikator Jahresertrag Dimensionen Branche und Firmensitz Filtern beschränkt die angezeigten Werte Beispiel: Unternehmungen mit einem Jahresertag von < oder 100 Mio 34

35 Einschub: Data-Mining Data-Mining Oberbegriff für f r Methoden und Techniken zur Aufdeckung unbekannter Zusammenhänge nge der Daten Aufspürung von Datenmustern Interpretation und Visualisierung von Mustern Einschub: Data Mining Data Mining ist nicht: Data Warehousing Ad hoc Anfragen / Reportgenerierung Online Analytic Processing (OLAP) Datenvisualisierung Software Agenten 35

36 Beispiel Handelsunternehmen Vorhersagen: Database Marketing Marketing auf Basis kundenindividueller Informationen in einer Kundendatenbank gespeicherter Informationen Beispiel: Aus Daten früherer Werbemassnahmen werden die Personengruppen ermittelt, denen man ein Leistungsangebot gezielt unterbreiten kann Mustererkennung: Typisches Kundenverhalten Daten aus Verkäufen Kundeninformationen (z.b. über Kundenkarte) Einkäufe (Produkte, Mengen, Daten) Frage: Welche (scheinbar unabhängigen) ngigen) Produkte werden oft zusammen gekauft? Nutzung des Wissens: Verkaufsanordnung des Sortiments (Beispiel: "Windeln und Bier") Cross-Selling Beispiel aus der Automobilindustrie Daten über 7-10 Jahre Historie für f r ca Fahrzeuge Fahrzeugdaten (Produktionsdaten; Daten über Motor, Getriebe,...) Beanstandungen (Schadensteil, Schadensart,...) Werkstattaufenthalte Frage: Wie kann man das Auto zuverlässiger machen? Mustererkennung: Suche in Datenbank nach möglichen m Gründen für r Ausfälle mögliche Umsetzung des Wissens: Änderung in Konstruktion Wechsel des Zulieferers Kundendienst: vorbeugende Wartung usw. 36

37 Weitere Anwendungsbeispiele Betrugserkennung Beispiel: Erkennung typische Muster zur Identifikation von Kreditkartenbetrug. Kreditbeurteilung Identifikation von Kriterien für Kreditwürdigkeit von Kunden Lebensversicherung Analyse von Daten früherer Verträge zur Identifikation von Fällen, die ohne oder mit geringem Risiko akzeptabel sind. Warum Data Mining? Vereinfachung und Automatisierung statistischer Prozesse Datenanalyse Anwendung der Modelle Bessere, verständlichere Modelle Nicht bekannte Zusammenhänge nge können erkannt werden 37

38 Data Warehouse Einsatz von Data Warehouses im Marketing: Database Marketing Custom Relationship Management Efficient Consumer Response Category Management Data Warehouse Einsatz von Data Warehouses im Marketing: Database Marketing Custom Relationship Management Efficient Consumer Response Category Management 38

39 Customer Relationship Management Dipl. Inform.. Maik Plischke Technische Universität Motivation Integrationsbarrieren zwischen IS des Marketings, Vertriebs und Service Unterschiedliche Kommunikationskanäle für r die zu integrierende Kundenkontaktpunkte Vollständige Abbildung des Kunden- Feedback-Kreislaufs bzw. Einordnung der Kunden über den Kundenwert in den Customer-Life Life-Cycle 39

40 Integrationsbedarf im CRM Entwicklung des CRM Wegfokusierung Rückfokusierung Massenmarketing Markttransparenz Kundenwechsel Service Abgrenzung Kundenbindung 40

41 Inhalte des CRM Aufbau, kontinuierliche Pflege und Kontrolle von profitablen Kundenbeziehungen Kerndedanke des CRM Konzeptentwicklung des CRM Datenbank aktualisieren Konzept bewerten Kundendaten erfassen (Data Warehouse) IT-Unterstützung Matching (Kundenbearbeitung) Profiling der Nutzerprofile 41

42 Komponenten eines CRM-Systems Front Office Data Ware House Back Office Kommunikationskanäle (Kontakt, Mailing, Telefon, Internet, WAP, TV) Konkrete Maßnahmen im Marketing, Verkauf und Service umsetzen Datenbestand und Optimierungserkenntnisse für Marketing, Verkauf... Kommunikatives CRM Operatives CRM Analytisches CRM Metadatengetriebende Datenbewirtschaftung Kunden Konto Adresse Externe Daten Bonität Herkunft Fakten Produkte Artikel Sortiment Aktionsware Organisation Filiale Mitarbeiter 42

43 Prozessintegration von Analysen und Kampagnen Data Access Segmentierung nach Kundenwert Analysen Hypothesen erstellen On-Line Analytical Processing Kundenverhalten analysieren Erstellen neuer Prognose- oder Klassifikationsmodelle auf Grundlage von analytischen Hypothesen Kampagne Steuerung der Kundenansprache Kundenwert Deckungsbeitragssumme der gekauften Produkte + potentielle Deckungbeitragssumme + Wert von der Empfehlung durch den Kunden + Wert der übermittelten Informationen - Kundenakqusitionskosten - Kundenbindungskosten = Kundenwert 43

44 Fazit 44

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

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

OLAP und Data Warehouses

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

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

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

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

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

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

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

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

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

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

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

Data Warehousing: Anwendungsbeispiel

Data Warehousing: Anwendungsbeispiel Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale

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

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

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

IT-Kompaktkurs. Data Warehouse Datenbank-Skript zur Folge 14. Prof. Dr. Michael Ponader Fachhochschule Deggendorf IT-Kompaktkurs Data Warehouse Datenbank-Skript zur Folge 14 Prof. Dr. Michael Ponader Fachhochschule Deggendorf Datenbanken sind eine wesentliche Grundlage für die betriebliche Informationsversorgung.

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

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. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -

Mehr

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

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

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

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

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

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

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

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

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

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

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

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Business Intelligence

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

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

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol CRM Customer Relationship Management Gliederung Entwicklung und Einführung von Bezugspunkte und CRM - Systeme Veränderte Rahmenbedingungen Entwicklung CRM - Systeme» Deregulierung verstärkt internationalen

Mehr

Data-Warehouse-Systeme

Data-Warehouse-Systeme Vorlesung im Wintersemester 2008/09 Data-Warehouse-Systeme Dr. Stefanie Rinderle-Ma Institut für Datenbanken und Informationssysteme Universität Ulm stefanie.rinderle@uni-ulm.de Übersicht 1) Einführung

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

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

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

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

Customer Relationship Management CRM

Customer Relationship Management CRM Customer Relationship Management CRM 1.1 Zielsetzung von CRM...2 1.2 Komponenten einer CRM-Lösung...4 1.2.1 Aufgabenbereiche eines CRM-Systems...4 1.2.2 Analytisches CRM...7 1.2.3 Operatives CRM...7 1.2.4

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

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

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

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

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

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

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

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

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

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

Multidimensionales Datenmodell, Cognos

Multidimensionales Datenmodell, Cognos Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur

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

Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE. 1. Konferenz der SAS Benutzer in Forschung und Entwicklung

Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE. 1. Konferenz der SAS Benutzer in Forschung und Entwicklung Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE 1. Konferenz der SAS Benutzer in Forschung und Entwicklung Unterschiedliche Geschäftsprozesse Operativer Dispositve Geschäftsbetrieb

Mehr

Business and Data Understanding. Business und Data Understanding

Business and Data Understanding. Business und Data Understanding Business und Data Understanding Gliederung 1. Grundlagen 2. Von Data Warehouse zu Data Mining 3. Das CRISP-DM Referenzmodell 4. Die Phasen Business- und Data Understanding 5. Überblick der weiteren Phasen

Mehr

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

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

Mehr

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

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

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

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

SAP Business Intelligence

SAP Business Intelligence SAP Business Intelligence Helmut Roos Diplom-Ingenieur Unternehmensberater Grundlagen zu Netweaver 7.0 D-67067 Ludwigshafen +49 (621) 5 29 44 65 Data Acquisition Common Read / Write Interface Open Interface

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

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

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen VIADEE CRM VIEL MEHR ALS EIN STÜCK SOFTWARE Eine Vielzahl von unterschiedlichen

Mehr

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Einführung Gegenstand der Vorlesung fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Datenvolumen (effiziente Speicherung

Mehr

Einführung in Business Intelligence

Einführung in Business Intelligence Einführung in Business Intelligence Grundlagen und Anwendungsmöglichkeiten Prof. Dr. Wolfram Höpken wolfram.hoepken@eloum.net eloum @ Hochschule Ravensburg-Weingarten Informationsveranstaltung ebusiness-lotse

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

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

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

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management KubiS 2008 Bonner Anwendertagung Kundenbindung durch Defection-Management "Identifizieren Sie Ihre abwanderungswilligen Kunden bevor sie weg sind" Thomas Starsetzki Geschäftsführer starsetzki@skopos.de

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

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

Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren

Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren Customer Relationship Management Lösungen von ERM sind flexible Komplettlösungen, mit denen Sie Ihre

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

ERP-Systeme für den Mittelstand. SAP Business ByDesign 02.05.2012. Agenda. -Systemhaus in Ihrer Nähe. am Beispiel von:

ERP-Systeme für den Mittelstand. SAP Business ByDesign 02.05.2012. Agenda. -Systemhaus in Ihrer Nähe. am Beispiel von: ERP-Systeme für den Mittelstand am Beispiel von: SAP Business ByDesign Das -Systemhaus in Ihrer Nähe Über sine qua non und SAP-Basis-Technologien und Positionierung Business bydesign Details - Agenda ITbyCloud_Industry_Templates

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

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder Andreas Meier, Universität Fribourg Folie 1 DW Cartoon Quelle: Knoll M., Meier A. (Hrsg): Web & Data Mining. Praxis der Wirtschaftsinformatik,

Mehr

Konrad Kastenmeier. Die Plattform für Web-Browser-basierte Nutzung von Microsoft Office. Überblick Microsoft Office System

Konrad Kastenmeier. Die Plattform für Web-Browser-basierte Nutzung von Microsoft Office. Überblick Microsoft Office System Die Plattform für Web-Browser-basierte Nutzung von Microsoft Office Überblick Microsoft Office System Die Weiterentwicklung von Microsoft Office Microsoft SharePoint Server das unbekannte Wesen Einsatzszenarien

Mehr

Business Intelligence - Wie passt das zum Mainframe?

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

Mehr

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

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

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

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

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 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

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

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

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen OLAP und Data Mining OLAP Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen Data Mining Begriff und Prozeß Verfahren Vorlesung Data-Warehouse-Technologien 9-1 On-Line Analytical Processing

Mehr

Agenda. 09.00 Uhr Begrüßung Bernhard Fölting. 09.15 Uhr Zukunft & Strategie drink.3000 Tim Fölting / Horst Rudolph

Agenda. 09.00 Uhr Begrüßung Bernhard Fölting. 09.15 Uhr Zukunft & Strategie drink.3000 Tim Fölting / Horst Rudolph Agenda 09.00 Uhr Begrüßung Bernhard Fölting 09.15 Uhr Zukunft & Strategie drink.3000 Tim Fölting / Horst Rudolph 09.45 Uhr Dokumentenmanagement mit drink.3000 - EASY ENTERPRISE in der Praxis Joachim Roeling

Mehr

Praxis Forum für KMU

Praxis Forum für KMU Praxis Forum für KMU : Der Schlüssel zum Erfolg 9. Mai 2012 www.it konkret.ch schmid + siegenthaler consulting gmbh Herzlich willkommen Praxis Forum für KMU : Der Schlüssel zum Erfolg 9. Mai 2012 Messe

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

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

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

Anwendertage WDV2012

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

Mehr