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

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die mu l- tidimensionale Betrachtung von Daten zwecks Ermit t- lung eines entscheidungsunterstützenden

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

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

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

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle ??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine

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

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

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

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

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

Data Warehousing und Data Mining

Data Warehousing und Data Mining 2 Data Warehousing und Data Mining Kapitel 1: Data-Warehousing-Architektur von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich zum letzten Jahr? In welchen Regionen

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 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

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825 Folien zum Textbuch Kapitel 6: Managementunterstützungssysteme Teil 2: Managementunterstützung auf strategischer Ebene Datenverwaltung und -auswertung Textbuch-Seiten 794-825 WI 1 MUS MUS auf strategischer

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

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

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

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

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

Objektorientierte Datenbanken

Objektorientierte Datenbanken OODB 11 Slide 1 Objektorientierte Datenbanken Vorlesung 11 vom 01.07.2004 Dr. Sebastian Iwanowski FH Wedel OODB 11 Slide 2 Inhalt heute: Datenbanken in betriebswirtschaftlichen Anwendungen OTLP (SAP) Data

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

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH)

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian

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 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

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

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

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

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

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

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

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

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 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

Informationssysteme: Neuere Konzepte Teil II

Informationssysteme: Neuere Konzepte Teil II Informationssysteme: Neuere Konzepte Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser

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

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

Zeitgemäße Verfahren für ganzheitliche Auswertungen

Zeitgemäße Verfahren für ganzheitliche Auswertungen Intelligente Vernetzung von Unternehmensbereichen Zeitgemäße Verfahren für ganzheitliche Auswertungen Sächsische Industrie- und Technologiemesse Chemnitz, 27. Juni 2012, Markus Blum 2012 TIQ Solutions

Mehr

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen 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

Produktinformation eevolution OLAP

Produktinformation eevolution OLAP Produktinformation eevolution OLAP Was ist OLAP? Der Begriff OLAP steht für Kurz gesagt: eevolution -OLAP ist die Data Warehouse Lösung für eevolution. Auf Basis verschiedener

Mehr

10. Vorlesung: Datenorganisation SS 2007

10. Vorlesung: Datenorganisation SS 2007 10. Vorlesung: Datenorganisation SS 2007 8 Parallele Transaktionen 9 9.1 Drei-Ebenen Ebenen-Architektur 9.2 Verteilte Datenbanken 9.3 Client-Server Server-Datenbanken 9.4 Föderierte Datenbanken 9.5 Das

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

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

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

Inhaltsverzeichnis. Herausgebervorwort VII. Autorenvorwort. Abbildungsverzeichnis XIX. Tabellenverzeichnis XXI. Abkürzungsverzeichnis.

Inhaltsverzeichnis. Herausgebervorwort VII. Autorenvorwort. Abbildungsverzeichnis XIX. Tabellenverzeichnis XXI. Abkürzungsverzeichnis. Herausgebervorwort Autorenvorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis V VII XV XIX XXI 1 Einleitung 1 1.1 Lernziel Entscheidungskompetenz 1 1.2 Gegenstand der Wirtschaftsinformatik

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

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 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

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

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

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

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

Mehr

Data Warehousing 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

Self Service BI mit Office 2013 Raúl B. Heiduk

Self Service BI mit Office 2013 Raúl B. Heiduk 1 Self Service BI mit Office 2013 Raúl B. Heiduk Partner: 2 Agenda Begrüssung Vorstellung Referent Inhalt F&A Weiterführende Kurse 3 Vorstellung Referent Name: Raúl B. Heiduk Ausbildung: Dipl. Ing. (FH),

Mehr

Data Mining-Projekte

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

Mehr

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

Vorzüge auf einen Blick

Vorzüge auf einen Blick Vorzüge auf einen Blick Umfassend: Gezielt: Komfortabel: Übersichtlich: Effektiv: Unterstützend: Effiziente Kontaktverwaltung Workflow-gestützte Bearbeitung firmeninterner Vorgänge Serienbrieffunktion

Mehr

Mala Bachmann September 2000

Mala Bachmann September 2000 Mala Bachmann September 2000 Wein-Shop (1) Umsatz pro Zeit und Produkt Umsatz Jan Feb Mrz Q1 Apr 2000 Merlot 33 55 56 144 18 760 Cabernet-S. 72 136 117 325 74 1338 Shiraz 85 128 99 312 92 1662 Rotweine

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

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting.

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Schober Group Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Mag. (FH) Alexandra Vetrovsky-Brychta Wien, 23.10.2012 Mehr IQ für Ihre Kundendaten Seite 2 Agenda Themen

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

Vorwort zur 5. Auflage... 15 Über den Autor... 16

Vorwort zur 5. Auflage... 15 Über den Autor... 16 Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung

Mehr

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38 Inhaltsverzeichnis 1 Einleitung 1 1.1 Problemstellung 1 1.2 Gang der Untersuchung 5 2 Kundenorientiertes Management und Controlling - Der Kunde im Fokus betriebswirtschaftlicher Konzepte 9 2.1 Bedeutung

Mehr

RE.one. Self Service Information Management für die Fachabteilung

RE.one. Self Service Information Management für die Fachabteilung RE.one Self Service Information Management für die Fachabteilung Das Ziel Verwertbare Informationen aus Daten gewinnen Unsere Vision Daten Info Data Warehousing radikal vereinfachen in einem Tool Die Aufgabe

Mehr

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

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

Mehr

Data 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

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

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle

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

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

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

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

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg Ihre PRAXIS Software AG a t o s - nalytisch - aktisch - perativ - trategisch Unser atos Konzept für Ihren Erfolg Das atos Konzept macht geschäftskritische Daten und Abläufe transparent ermöglicht einfache

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

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

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

BI around the world - Globale Reporting Lösungen bei Continental Automotive

BI around the world - Globale Reporting Lösungen bei Continental Automotive BI around the world - Globale Reporting Lösungen bei Continental Automotive Stefan Hess Trivadis GmbH Stuttgart Herbert Muckenfuss Continental Nürnberg Schlüsselworte: Oracle BI EE, Business Intelligence,

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

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

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein Alles für den Kunden Analyse von Kundendaten Katrin Plickert, Heiko Hartenstein Zum Verständnis 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 2 Quelle: Heilmann, Kempner, Baars: Business and Competitive

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

Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung

Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence Unterstützung Ihrer Mitarbeiter Das interaktive Drag-and-Drop Interface in Excel Mit Jet Enterprise

Mehr

Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung

Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence Mit Jet Enterprise erhalten Sie dies und mehr Jet Enterprise ist Business Intelligence und intuitives

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

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

Software-Engineering und Datenbanken

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

Mehr

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

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 Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele

Mehr

3 Bereitstellung von Informationen zur Aufgabenerfüllung

3 Bereitstellung von Informationen zur Aufgabenerfüllung 1 3 Bereitstellung von Informationen zur Aufgabenerfüllung Die Bereitstellung, der auf aufgrund der bisherigen Aufgaben hinsichtlich der Informationsmanagement (siehe Kapitel 1 und 2) benötigten Informationen,

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

Informationssysteme Aufgaben (1)

Informationssysteme Aufgaben (1) Universitätslehrgang Controlling Berichtswesen und Managementinformationssystem SS 2008 A-6600 Reutte - Tränkeweg 18 Phone/Fax: +43 (5672) 64704 - e-mail: g.lovrecki.cat@tnr.at 1 Aufgaben (1) Entscheidungsvorbereitung

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

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

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