Business Intelligence (IU)

Historische Entwicklung der BI

1960er: MIS (Management Information Systems)

1970er: DSS (Decision Support Systems)

1980er: EIS (Executive Information Systems)

1990er: DWH (Data Warehouse)

2000er: BI

MIS (Management Information Systems)

Informationsversorgung des Managements

DSS (Decision Support Systems)

interaktive Analysen, statistische Algorithmen

EIS (Executive Information Systems)

multidimensionale Modellierung, Fokus auf Top-Management

DWH (Data Warehouse)

einheitliche, konsistente Datenbasis

BI

Oberbegriff für alle Analysewerkzeuge auf Basis des DWH
Analytische Anwendungen, Kennzahlsysteme, Data Mining, Balanced Scorecards

4 Merkmale eines Data Warehouse (nach Inmon)

Subject-oriented: themenorientierte Datenorganisation

Integrated: Zusammenführung heterogener Quellen

Nonvolatile: Daten werden nicht geändert/gelöscht

Time-variant: Zeitreihenanalysen möglich

BI-Verständnis eng

Kernapplikationen zur direkten Entscheidungsfindung ohne komplexe Modelle (OLAP, MIS, EIS)

BI-Verständnis analyseorientiert

direkte Analyse durch Nutzer mit Methoden/Modellen

BI-Verständnis weit

alle Anwendungen für Entscheidungsfindung inkl. Datenspeicherung

Operative Systeme: OLTP (Online Transaction Processing)

Aktuelle Daten, viele Nutzer, häufige Änderungen

Dispositive Systeme: OLAP (Online Analytical Processing)

Entscheidungsunterstützung, historische/verdichtete Daten, wenige Experten, komplexe Anfragen

BI-Referenzarchitektur (Komponenten)

Quellsysteme

Staging Area

ETL-Prozess (Extraktion, Transformation, Laden)

ODS (Operational Data Store)

Core Data Warehouse

Data Mart

Frontend

BI-Referenzarchitektur (Prozessphasen)

Datenbereitstellung

Informationsgenerierung, Speicherung und Distribution

Informationszugriff

Unabhängige Data Marts

Jede Abteilung eigenes DWH, einfach und schnell, aber unternehmensweite Auswertungen kaum möglich

Data Marts mit abgestimmten Datenmodellen

Alle Marts folgen einem gemeinsamen Datenmodell – bessere Konsistenz

Zentrales C-DWH (ohne Data Marts)

Monolithischer Ansatz, sinnvoll bei geringen Nutzerzahlen und kleinen Datenmengen, Nachteile bei Performance und Komplexität

Mehrere C-DWHs

Sinnvoll für spartenorientierte Großunternehmen mit unterschiedlichen Produkt- und Marktstrukturen

C-DWH mit abhängigen Data Marts

häufigste Variante in der Literatur, Data Marts werden aus dem C-DWH gespeist, kurze Antwortzeiten durch geringeres Datenvolumen in den Marts

DWH-Architektur-Mix

Kombination aller Varianten inkl. virtuellem DWH, häufig historisch gewachsen oder bewusst gestaltet

ETL-Prozess

Extraktion: relevante Daten aus Quellsystemen lesen

Transformation: Daten bereinigen und vereinheitlichen

Laden: Daten in das DWH schreiben

Transformationsschritte

Filterung
Harmonisierung
Aggregation
Anreicherung

Filterung (Transformationsschritt)

Selektion, Zwischenspeicherung, Bereinigung syntaktischer/semantischer Mängel

Harmonisierung (Transformationsschritt)

Schlüsselharmonien, Kodierungen, Synonyme/Homonyme vereinheitlichen

Aggregation (Transformationsschritt)

Verdichtung auf gewünschte Granularität

Anreicherung (Transformationsschritt)

Berechnung betriebswirtschaftlicher Kennzahlen

Mängelklassen

Klasse 1: automatisch erkannt und korrigiert
Klasse 2: automatisch erkannt, manuell korrigiert
Klasse 3: nur manuell erkannt und korrigiert

Data Mart

abteilungsbezogen, höher aggregiert, geringes Datenvolumen

C-DWH

unternehmensweit, höchste Detailtiefe, sehr großes Datenvolumen

ODS (Operational Data Store)

themenorientiert, integriert, zeitpunktbezogen, volatil, hoher Detaillierungsgrad
Keine Historisierung; Daten werden überschrieben

Metadaten passiv

dokumentieren Daten und deren Verhältnis zur Umwelt

Metadaten aktiv

Transformationsregeln, zur Laufzeit interpretierbar

Metadaten technisch

Fokus auf Filterung

Metadaten betriebswirtschaftlich

Fokus auf Harmonisierung, Aggregation, Anreicherung

OLAP-Würfel

Fakten: betriebswirtschaftliche Kennzahlen (z.B. Umsatz, Kosten)
Dimensionen: beschreibende Kontexte (z.B. Zeit, Region, Produkt)
Hierarchien: ermöglichen Aggregation und Navigation

OLAP-Operationen

Drill-Down
Roll-Up
Slice
Dice
Drill-Across
Pivotierung

Drill-Down

höhere Detaillierung z.B. von Quartalsdaten auf Monatsdaten

Roll-Up

Detaillierungsgrad verringern z.B. Monatsdaten auf Quartalsdaten

Slice

einzelne Scheibe aus dem Würfel herausschneiden z.B. nur Daten für eine bestimmte Region anzeigen

Dice

Teilwürfel ausschneiden z.B. Kennzahlen für eine bestimmte Kombination aus Region, Zeit und Produkt

Drill-Across

zwischen verschiedenen Würfeln wechseln, um Daten aus unterschiedlichen Themengebieten zu verknüpfen

Pivotierung

Würfel virtuell drehen, um Daten aus einer anderen Perspektive zu betrachten, die Reihenfolge der Dimensionen wird vertauscht

Physische Speicherkonzepte

ROLAP, MOLAP, HOLAP

ROLAP (Relationale Speicherung)

Multidimensionale Daten werden in zweidimensionalen relationalen Tabellen gespeichert
häufigste Variante, große Datenmengen

MOLAP (Multidimensionale Speicherung)

Daten werden direkt in einem multidimensionalen Datenbanksystem gespeichert (Array-Struktur)
sehr hohe Abfragegeschwindigkeit
nicht geeignet für sehr große Datenmengen

HOLAP (Hybride Speicherung)

Kombination aus ROLAP und MOLAP, Detaildaten in relationale Datenbank, aggregierte Daten in multidimensionale Datenbank
hoher Implementierungsaufwand, Kenntnisse beider Technologien erforderlich

Star-Schema

Zentrale Faktentabelle mit sternförmigen Dimensionstabellen, für jede Dimension eine Tabelle, Beziehungen nur zwischen Fakten- und Dimensionstabellen, Verknüpfung über Fremdschlüssel

Snowflake-Schema

Erweiterung des Star-Schemas: Dimensionstabellen nach funktionalen Abhängigkeiten normalisiert, mehr Tabellen, per SQL-Join verbunden
weniger Redundanz in Dimensionstabellen
Performance-Defizite durch viele Joins

Slowly Changing Dimensions (SCD)

Typ 1: Datensatz überschreiben, keine Historisierung
Typ 2: Gültigkeitsintervall (GültigVon/GültigBis), vollständige Historisierung
Typ 3: Zusatzattribut für neuen Wert, nur Ursprung und aktueller Zustand gespeichert