Intelligente Kanzlei

Transkript

1 Seite 1 von 5 Intelligente Kanzlei Datawarehouse und OLAP in der Steuerkanzlei Notwendigkeit eines Kanzleiinformationssystems Seit einigen Jahren sind enorme Veränderungen am Beratungsmarkt durch einen erhöhten Konkurrenzdruck und veränderten Beratungsbedarf der Mandanten zu beobachten. Als Ergebnis dieser Veränderungen am Beratungsmarkt ergeben sich für die Wirtschaftsprüfungs- und Steuerberatungskanzleien zum einen stagnierende Erträge in den traditionellen Dienstleistungsbereichen und zum anderen aufgrund der zunehmenden Komplexität der Beratung und den damit erhöhten Anforderungen an die Mitarbeiter steigende Kosten. Vor diesem Hintergrund gewinnt eine betriebswirtschaftlich ausgerichtete Kanzleiführung stark an Bedeutung. Voraussetzung für die Führung einer modernen Kanzlei sind entscheidungsrelevante Daten. Aber welcher Kanzleichef kann heute wirklich einfach, schnell, kostengünstig und kanzleiweit Fragestellungen nach dem Umsatz mit dem Mandanten X in den letzten drei Jahren oder nach dem Mitarbeiter mit dem höchsten Deckungsbeitrag auf Knopfdruck beantworten? Häufig können solche Fragestellungen nur durch aufwendige Zusammenstellung von Listen beantwortet werden, oder die Daten sind nicht vorhanden. Die Kanzlei Dres. Fürst und Partner GmbH hatte aus diesem Grund bereits 1996 ein datenbankbasierendes Kanzleiinformationssystem zur Führung ihrer Kanzleien entwickelt. Auf Basis des SQL- Server 6.5 von Microsoft und Access wurde ein modulares System entwickelt, das von der Verwaltung der Mitarbeiter- und Mandantenstammdaten über die Erfassung von Auftragszeiten bis zur Fakturierung und Auftragsnachkalkulation reicht. Flexible Analyse mit dem AnalysisServer Bereits während der Entwicklung des Kanzleiinformationssystems hat sich bei den Projektgesprächen mit den Geschäftsführern gezeigt, dass der Informationsbedarf für die Ausübung von Führungsfunktionen häufig nicht exakt antizipierbar ist. Zudem hat jeder Entscheidungsträger unterschiedliche Vorgehensweisen zur Analysen der Daten. Die Fragestellungen der Führungskräfte sind häufig komplexer als angenommen. Sobald z.b. der Umsatz einer Niederlassung analysiert ist, wird versucht zu klären, wie sich der Umsatz in der Niederlassung A im Vergleich zur Niederlassung B in den letzten drei Jahren entwickelt hat. Solche vielschichtigen Fragen können Standardauswertungen nicht beantworten. Es sollte deshalb eine Lösung konzipiert werden, mit der individuelle Analysen möglich sind, und dies ohne Mithilfe von IT-Spezialisten.

2 Seite 2 von 5 Auf Basis des Analysis Services von Microsoft SQL 2000 hat it innovations ein DataWarehouse mit den Daten aus KIS aufgebaut. Darin werden die Daten konsolidiert und so aufbereitet, daß eine leichte Auswertung durch den Endanwender ohne Unterstützung der DV-Abteilung möglich wird. Der Benutzer braucht für die Analyse der Daten keine Kenntnisse von der zugrundeliegende Datenbankstruktur und der Datenbankabfragesprache SQL haben. Statt dessen kann er Geschäftsbegriffe aus dem täglichen Arbeitsumfeld verwenden (z.b. Mandant, Deckungsbeitrag, Mitarbeitererlöse usw.). Die Informationsbereitstellung erfolgt mit Hilfe von Excel-Pivot. Über dieses Front-End greift der Benutzer auf die gesammelten Daten zu. Die aus dem Kanzleiinformationssystem bereitgestellten Felder werden im Analysis Manager dazu verwendet, Dimensionen aufzubauen (siehe Bild) oder als Measures (z.b. Honorar, Zeitaufwand, Kosten, Deckungsbeitrag,) die eigentlich auszuwertenden Unternehmenszahlen abzubilden. Mandatsgruppe Mandat Mandatsdimension Dienstleistungscluster Produktbereich Produkt Auftragstyp Ist-Daten: Zeitaufwand Auftragskosten Erlöse Deckungsbeitrag Plan-Daten: Plan-Zeitaufwand Plan-Auftragskosten Plan-Erlöse Plan-Deckungsbeitrag Produktdimension Auftrag mit Measures Abb. 1: Dimensionen und Measures im KIS-DataWarehouse Monat Jahr Quartal Zeitdimension Unternehmen Niederlassung Gruppe Mitarbeiter Organisationsdimension Mit Hilfe der sogenannten Berechneten Elemente, die über Analysis Services bereitstellt werden, können Zahlen zur Verfügung gestellt werden, die so im gesamten Datenbereich der Kanzlei nicht existieren. Zum Beispiel der Vergleich von Ist-Umsatz zum Vorjahresumsatz in einem bestimmten Zeitraum. So entstehen sogenannte Datenwürfel (Cubes), die nun wiederum als Datengrundlage für das Frontend Excel-Pivot angezapft werden können. Es bietet die typischen OLAP-Funktionalitäten wie Drill-Down und Slice and Dice zur Navigation in den mehrdimensionalen Datenbeständen. Durch ihre Flexibilität unterscheidet sich ein mittels des Analysis Services aufgebautes Data Warehouse grundsätzlich von den konventionellen Informationssystemen, die relativ starr auf die Beantwortung zuvor definierter Fragestellungen ausgerichtet sind.

3 Seite 3 von 5 Gleitzeitsystem Data Warehouse Mandant Honorarkalkulation KIS- Datenbank Auftrags- Vertyp Fertiganlagungsstellungsjahgrad SQL-Tables, Views Geschäftsobjekte in der Kanzlei Datenwürfel Kanzleimanagement Abb 2: Wie aus Daten Informationen werden. Die OLAP-Technologie ermöglicht, transaktionsorientierte Daten in wertvolles Wissen in bezug auf die Kanzleiprozesse zu verwandeln. Das heißt, diese Technologie vermittelt ein Bild über das Zusammenspiel der Faktoren, die für das Abschneiden einer Kanzlei ausschlaggebend sind. Vorgehensweise bei der technische Realisation Damit die Daten aus den operativen Systemen mit einem Auswertungstool so einfach wie oben beschrieben analysiert werden können, sind einige Schritte notwendig. Im folgenden wird der Prozess des Data Warehousing anhand des Projekts KIS-Data Warehouse beschrieben. Erstellen von Cubes Mandat Dienstleistungs - Faktentabelle clusterproduktbereich mit measures Produkt Auftragstyp Gruppe Mitarbeiter Aufbau des Snow-flake-Schemas Daten transformieren, validieren, konfertieren Identifizieren der notwendigen Datenquellen Abb 3: Vorgehensmodell

4 Seite 4 von 5 Anforderungsdefinition Durch Befragung der Geschäftsleiter und anhand von vorhandenen Auswertungen wurde ermittelt, welche Daten (measures) und Auswertungsdimensionen im Data Warehouse bereitgestellt werden sollen. Anhand dieser Anforderungen hat sich herausgestellt, das für das KIS-Data Warehouse das Kanzleiinformationssystem und dass Gleitzeitsystem (IPEV) zur Erfassung der Mitarbeiterzeiten als operativen Datenquellen notwendig sind OLTP-Daten für die OLAP-Datenbasis extrahieren Nach diesem konzeptionellen Schritt kommt der Prozess, die Daten aus den operativen Systemen (OLTP) in die OLAP-Datenbank zu übernehmen. Der Detaillierungsgrad, auf dem die Daten verknüpft werden können, entscheidet über das Möglichkeiten der Analyse der Daten. Der regelmäßige Import der Daten aus den Vorsystemen wurde mit Hilfe der Data Transformation Services (DTS) des SQL-Servers realisiert. Auftragspakete sorgen dafür, dass zeitgesteuert und automatisiert Daten importiert, validiert und transformiert werden. Denormalisierte Faktentabelle Um eine hohe Abfragegeschwindigkeit zu erreichen wird das normalisierte Datenmodell der OLTP- Systeme denormalisiert. Dabei wird ein Modell aufgebaut mit einer Faktentabelle, die Measures wie z.b. Umsatz, Kosten beinhaltet und ein oder mehrere Dimensionstabellen, die mit der Faktentabelle verbunden sind. Aufgrund der entstehenden Form wird dies als star schema bezeichnet. Hierarchische Dimensionen Die Elemente (members) der Dimensionen stammen jeweils aus mehreren Tabellen und sind hierarchisch aufgebaut. Die Produktdimension weist die Hierarchieebenen Dienstleistungsbereich Produktbereich Produkt Auftragstyp auf. Hierarchien haben den Vorteil, dass sie sich sehr gut als Baumstrukturen darstellen lassen. Die Abbildung 4 zeigt, wie die hierarchischen Elemente der Produktdimension in Excel-Pivot dargestellt und zur Auswahl angeboten werden. Abb. 4: Darstellung der Produktdimension in Excel-Pivot

5 Seite 5 von 5 -Erstellung des Cubes Nachdem die measures und Dimension festgelegt worden sind, wird der Cube aufbereitet. Das Aufbereiten eines Cubes bedeutet, dass die Aggregationen, die für den Cube entworfen wurden, berechnet und zusammen mit den anderen Daten in den Cube geladen werden. Darüber hinaus werden die Dimensionstabellen gelesen und die Ebenen und Elemente der Dimensionen mit den aktuellen Werten versorgt. Schließlich wird die Faktentabelle gelesen, es werden die erforderlichen Aggregationen berechnet und beides wird im Cube gespeichert. Nach dem Aufbereiten eines Cubes steht dieser für Abfragen von Clients zur Verfügung. Ergebnis Mit dem DataWarehouse auf Basis des Analysis Servers sowie Excel-Pivot profitiert die Kanzleileitung unmittelbar dadurch, daß sie jederzeit alle wichtigen Informationen über die Entscheidungsobjekte (z.b. Auftrag, Mandant, Mitarbeiter, Ist-Umsatz im Vergleich zum Vorjahresumsatz usw.) durch das Data Warehouse erhalten kann. Die Informationsqualität in der Kanzlei Fürst verbesserte sich durch aktuelle und konsistente Daten. Die Datenbestände können zu aussagefähigen Informationen transformiert werden, um sie als Entscheidungsgrundlage und nicht zuletzt als Wettbewerbsfaktor einzusetzen. Mit dem DataWarehouse steht der Kanzlei ein Informationssystem zur Verfügung, mit dem die Kanzleileitung in die Lage versetzt wird, qualifizierte Entscheidungen zu fällen, schneller auf Wettbewerbsänderungen zu reagieren und Schwachstellen zu identifizieren. Die Kanzlei selbst wird also intelligenter. Ausblick Die Analyse von Daten mit Excel-Pivot ist für zahlenorientierte Menschen, wie es die Steuerberater und Wirtschaftsprüfer sind, ein ideales Analysewerkzeug. Dennoch wäre manchmal eine grafische Aufbereitung der nüchterner Zahlen hilfreich. Eine Lösung verspricht der Data Analyzer von Microsoft, das neue OLAP-Front-End-Tool, welches ab Januar 2002 verfügbar ist.