Einführung Business Intelligence

Zentrales Datenlager

Nutzen Sie Ihre Geschäftsdaten auf eine neue und anspruchsvolle Weise, um aus Daten schließlich Wissen zu generieren.

Ein Data Warehouse stellt eine zentrale, mehrdimensional strukturierte und umfassende Datenbank dar, mit der unternehmensweites Reporting und Business Intelligence möglich ist. Data Warehousing meint dagegen den gesamten Prozess, wie aus an verschiedenen Stellen im Unternehmen anfallenden und gespeicherten Daten eine zentrale Data Warehouse-Datenbank entsteht und wie diese für Reporting und Datenanalyse in einem kontinuierlichen Prozess zum Einsatz kommt.

Mehrdimensionales Datenmodell

Ein Data Warehouse wird rund um die für ein Unternehmen wichtigen Themen (Dimensionen, Perspektiven) aufgebaut. Die Daten-Integration ist dann genauso auf diese Dimensionen ausgerichtet wie die späteren Analysen. So entsteht eine synoptische Darstellung der Daten, ihren Aggregaten und hierarchischen Beziehungen zwischen ihnen.

Integration und Separation

Daten bilden die zentrale Objekt des Data Warehouses. An ihnen hängen weitere analysierbare Eigenschaften wie Beziehungen untereinander und Hierarchien. Die für die Gesamtschau notwendigen Daten werden daher aus unterschiedlichen Quellen integriert und in einem ETL-Prozess aufbereitet (Extraktion, Transformation, Laden). Das Data Warehouse ist dann im Ergebnis diejenige Stelle im Unternehmen, welche die gereinigten und vollständig korrekt aufbereiten Daten enthält. Da die Analyse und nicht etwa die Prozesse und ihre Durchführung im Vordergrund stehen, werden die Daten aber auch separiert und damit die Analysedaten von anderen sekundären Daten getrennt.

Ausgangspunkt für Reporting

Entlang der definierten Dimensionen und so genannten Faktentabellen, welche die auszuwertenden Daten enthalten, baut man sein Berichtssystem und seine Analysen auf. Dabei bildet das Data Warehouse den Ausgangspunkt für unterschiedliche Arten von Analysen:

• Berichtssystem mit vorher definierten Berichten in verschiedenen Auslieferungsformen (PDF, Online, MS Excel) und Bereitstellungsarten (als zentrale Berichtsplattform, integriert in andere Anwendungen oder auch in einer Variante für mobile Endgeräte) sowie mit begrenzter Interaktivität (Filter, Sortierungen und Drill Down und Drill Through)
• OLAP (OnLine Analytical Processing) in Form eines speziellen OLAP-Systems, welches interaktive und dynamische ad-hoc-Analysen entlang der mehrdimensionalen Strukturen möglich macht, die bei Bedarf auch wieder in Form von festen Berichten gespeichert werden können.

Prognose und Erklärung

Neben den Aspekten Themenorientierung (Dimensionen), Integration (Vereinheitlichung) kann man noch zwei Aspekte unterscheiden

Zeitorientierung – Analyse im Zeitablauf für Prognosen ermöglichen

In einem typischen Data Warehouse für Unternehmensdaten spielt die Zeit-Dimension eine zentrale Rolle. Durch die zeitorientierte Speicherung und die beständige Speicherung kann  man Veränderungen von Unternehmens- und Prozessdaten im Zeitverlauf sichtbar machen. Dies dient der Ableitung von Erklärungen und dem Entdecken von Mustern, die man dann auch für Prognose nutzen kann.

Beständigkeit – Langfristige und nachhaltige Analysen ermöglichen

Ein Data Warehouse lebt auf der einen Seite von seinem Datenmodell und auf der anderen Seite vom sehr hohen Datenvolumen. Dies kann schon aufgrund der regen Geschäftstätigkeit schnell erreicht werden. Es ist aber auch denkbar, dass erst im Laufe der Zeit durch beständige Datenspeicherung die Data Warehouse-Datenbank extrem groß wird. Dieses Wachstum ist erwünscht und begünstigt erst die Analyse von Daten über mehrere Geschäftsjahre hinweg.

Hat man bereits ein Data Warehouse und damit eine zentrale Datenbasis,, kann man neben traditionellen Berichten bei Bedarf weitere Verfahrensweisen hinzunehmen.

Ausgangspunkt für Erweiterungen

• Data Mining: Mit Mitteln des Data Mining kann man sehr viel stärker explorative Datenanalyse betreiben und Muster und Trends in seinen Daten identifizieren. Data Mining kann hier  neue Verfahren liefern, die in einer eigenständigen Anwendung genutzt werden. Es ist jedoch ebenfalls möglich, eine Data Mining-Komponente in das bestehende Berichts- und Analysesystem zu integrieren und Ergebnisse direkt in Berichten oder für Auswertungen zu übernehmen.
• Expertensysteme: Geht es um bewertende Fragestellungen und die Unterstützung von Entscheidungen, so ist es auch möglich, ein auf ein selbst definiertes Regelsystem aufbauendes Expertensystem zu entwickeln. Dieses kann statische Verfahren oder Data Mining-Techniken enthalten.