mis kurs ifa - roger-wiesendanger.ch kurs ifa.pdf · ifa fach: mis seite 3 ... what-if, olap,...
TRANSCRIPT
IFA Seite 2Fach: MIS
Der FührungsprozessDer Führungsprozess
Kommunizieren
Kontrollieren, Korrigieren,
Steuern
Anordnen
Entscheiden
Planen
Ziele setzen
Kommunikationsplattform (inkl. Berichts- und Rapportierungswesen)
Aufgrund von Abweichungen vom Soll zum Ist entsprechende Aktionen vornehmen
Festlegen der 5 W's (Was, Wie, Wann, Wo, Wer)
Aus den Alternativen jene auswählen, die für die Zielerreichungund dem Mittelverbrauch am optimalsten ist
Planen der Termine, Dauer, Ressourcen, Kosten, Zuständigkeiten (inkl. verschiedener Varianten)
Aufgrund der internen und externen SWOT-Analyse das unternehmerische Zielsystem festlegen
IFA Seite 3Fach: MIS
Unterstützung des FührungsprozessesUnterstützung des Führungsprozesses
Managementaktivitäten Unterstützung durch Management SupportSysteme
Ziele setzen • Vergleich von internen und externenInformationen (SWOT-Analyse)
− Analyse von externen Fakten wie Kunden-,Konkurrenz- und Lieferanteninformationen
• Aufgrund der Abweichungen des aktuellenSystems zum Zielsystem konkrete Zielwertedefinieren
Planen • Untersuchen und Festlegen von Alternativen• Variantenbildung
Entscheiden • Aufgrund der Ist- und Sollwerte optimaleVariante auswählen
IFA Seite 4Fach: MIS
Unterstützung des FührungsprozessesUnterstützung des Führungsprozesses
Managementaktivitäten Unterstützung durch Management SupportSysteme
Anordnen • Organisatorische Rahmeninformationen(Personal, Ressourcen)
Kontrollieren,Korrigieren, Steuern
• Permanente Überwachung von internen undexternen Prozessen
• Feststellen von Soll-/Ist-Abweichungen• Handlungsbedarf feststellen und aufgrund der
Abweichungen in der entsprechenden Phaseeinfliessen lassen
Kommunizieren • Schnelle, exakte, personen- und sachbezogeneAufbereitung der Informationen
• Aggregation der Detailinformationen• Unterstützung durch „Unabhängigkeit“ von Zeit
und Raum• Berichts- und Kontrollsysteme (Kosten, Termine
Qualität, Probleme...)
IFA Seite 6Fach: MIS
Aktuelle SituationAktuelle Situation
Daten-Volumen und -Komplexität sind exponentiell gewachsen
Mehr Daten heisst nicht mehr Informationen
Viele Firmen haben riesige Datenbanken. Zu realisieren, dass ein eigentlicher Informations-Schatz verborgen liegt, ist von grosser Wichtigkeit
Information = Macht, und Macht heisst Profit und Marktanteil (managementby fact)
Information führt zu Wissen, und Wissen ist zu einer wertvollen Ressource wie Energie, Kapital und menschliche Komponente geworden
IFA Seite 7Fach: MIS
Studie: Business Information Studie: Business Information TodayToday **
Wie sind Sie zufrieden bezüglich...
Zugriff und Flexibilität von Daten zur Entscheidungsunterstützung
4%4%
72%72%
24%24%
Richtigen Kennzahlen (Performance Measures)
4%4%
63%63%
33%33%
ZufriedenTeilweise zufriedenUnzufrieden
* Joint research project (CFO Knowledge Program SM) of Arthur Andersen with Economist Intelligence Unit (EIU).
IFA Seite 8Fach: MIS
Von (Transaktions)Daten zu InformationenVon (Von (Transaktions)DatenTransaktions)Daten zu Informationenzu Informationen
Transaktion
Integration
Modellierung& Analyse
Präsentation
Infrastruktur
INPU
TSO
UTP
UTS
VER
DIC
HTU
NG
IFA Seite 9Fach: MIS
BegriffBegriff-- und Abkürzungsund Abkürzungs--DschungelDschungel
OLTP Online Transaction Processing
MIS Management Information SystemeDSS Decision Support SystemeEIS Executive Information SystemeDWH Data WarehouseOLAP Online Analytical ProcessingVBM Value Based ManagementBSC Balance ScorecardETL Extraktion, Transformation, LoadData Miningetc.
BI Business Inteligence
IFA Seite 10Fach: MIS
Management Support Systeme (MSS)Management Support Systeme (MSS)
Management Information Systeme
Decision Support Systeme
Executive Information SystemeEISEIS
DSSDSS
MISMIS
MSSMSS
ManagementSupportSysteme
ManagementSupportSysteme
IFA Seite 11Fach: MIS
Management Information Systeme (MIS)Management Information Systeme (MIS)
Begriffserklärung:
MIS sind EDV-gestützte Systeme, die Managern verschiedener Hierarchieebenen erlauben, detaillierte und verdichtete Informationen aus der operativen Datenbasis ohne (aufwendige) Modellbildung und logisch-algorithmische Bearbeitung (Anwendung von anspruchsvollen Methoden) zu extrahieren.
MIS sind EDV-gestützte Systeme, die Managern verschiedener Hierarchieebenen erlauben, detaillierte und verdichtete Informationen aus der operativen Datenbasis ohne (aufwendige) Modellbildung und logisch-algorithmische Bearbeitung (Anwendung von anspruchsvollen Methoden) zu extrahieren.
Im angelsächsischen Sprachgebrauch wird häufig unter dem Begriff MIS „ganzheitliche Informationssysteme“ verstanden.Im angelsächsischen Sprachgebrauch wird häufig unter dem Begriff MIS „ganzheitliche Informationssysteme“ verstanden.
IFA Seite 12Fach: MIS
DecisionDecision Support Systeme (DSS)Support Systeme (DSS)
Begriffserklärung:
Decision Support Systeme (DSS) oder Entscheidungs-unterstützungssysteme (EUS) sind interaktive EDV-gestützte Systeme, die Manager mit Modellen, Methoden und problem-bezogenen Daten in ihrem Entscheidungsprozess bei der Lösung von Teilaufgaben in eher schlecht strukturierten Entscheidungssituationen unterstützen.
Decision Support Systeme (DSS) oder Entscheidungs-unterstützungssysteme (EUS) sind interaktive EDV-gestützte Systeme, die Manager mit Modellen, Methoden und problem-bezogenen Daten in ihrem Entscheidungsprozess bei der Lösung von Teilaufgaben in eher schlecht strukturierten Entscheidungssituationen unterstützen.
Im Gegensatz zu den MIS-Systemen orientieren sich DSS-Systeme an der Abbildung des Verhaltens von Managern bei der Lösung von Fachproblemen.Im Gegensatz zu den MIS-Systemen orientieren sich DSS-Systeme an der Abbildung des Verhaltens von Managern bei der Lösung von Fachproblemen.
IFA Seite 13Fach: MIS
ExecutiveExecutive Information Systeme (EIS)Information Systeme (EIS)
Begriffserklärung:
Executive Information Systeme (EIS) sind rechnergestützte, dialog- und datenorientierte Informationssysteme für das Management mit ausgeprägten Kommunikationselementen, die einzelnen Entscheidungsträgern aktuelle entscheidungsrelevante interne und externe Informationen ohne Entscheidungsmodell zur Selektion und Analyse über intuitiv benutzbare und individuell angepasste Benutzeroberflächen anbieten.
Executive Information Systeme (EIS) sind rechnergestützte, dialog- und datenorientierte Informationssysteme für das Management mit ausgeprägten Kommunikationselementen, die einzelnen Entscheidungsträgern aktuelle entscheidungsrelevante interne und externe Informationen ohne Entscheidungsmodell zur Selektion und Analyse über intuitiv benutzbare und individuell angepasste Benutzeroberflächen anbieten.
IFA Seite 14Fach: MIS
EIS EIS -- BegriffBegriff
Populär Mitte 80er Jahren
Ursprüngliche Bedeutung: Executive Information Systeme
Wurde seither in vielen Varianten verwendet:
IFA Seite 15Fach: MIS
ExecutiveExecutive Information Systeme (EIS)Information Systeme (EIS)
Management und das EIS
ManagementaktivitätenÜberwachen, FilternAnalysieren, ErforschenSuchen, ExplorierenInformierenPrognostizierenKommunizieren, Aktivieren
EIS-FunktionenException ReportingDrill-DownNavigationNewsTrendanalyseEmail
IFA Seite 16Fach: MIS
Business Business IntelligenceIntelligence (BI)(BI)
Begriffserklärung:
Business Intelligence bezeichnet komplette Lösungen und Applikationen, die für eine spezifische Problemstellung und/oderBranche entwickelt und angepasst wurden.Die Anwendungen gehen von einfachen Query-Tools, über OLAP-Datenbanken bis hin zu komplexen Data MiningApplikationen und wurden für die Analyse von strukturierten und/oder unstrukturierten Informationen von verschiedenen Datenquellen konzipiert.
Business Intelligence bezeichnet komplette Lösungen und Applikationen, die für eine spezifische Problemstellung und/oderBranche entwickelt und angepasst wurden.Die Anwendungen gehen von einfachen Query-Tools, über OLAP-Datenbanken bis hin zu komplexen Data MiningApplikationen und wurden für die Analyse von strukturierten und/oder unstrukturierten Informationen von verschiedenen Datenquellen konzipiert.
IFA Seite 17Fach: MIS
HauptHaupt--Merkmale einer BI LösungMerkmale einer BI Lösung
Möglichkeit auf kritische Daten des Unternehmens zuzugreifen
Daten müssen in relevante und brauchbare Informationenumgewandelt werden
Informationen müssen in einem interpretierbaren und nutzvollenFormat präsentiert werden (Bsp. EIS, Grafiken, Kennzahlen, Simulation)
IFA Seite 19Fach: MIS
DataData WarehouseWarehouse
Begriffserklärung:
Ein Data Warehouse (DWH) hat die Aufgabe, inhaltsorientiert, integriert und dauerhaft Informationen zur Unterstützung von Entscheidungsträgern zu sammeln, zu transformieren und zu verteilen.
Ein Data Warehouse (DWH) hat die Aufgabe, inhaltsorientiert, integriert und dauerhaft Informationen zur Unterstützung von Entscheidungsträgern zu sammeln, zu transformieren und zu verteilen.
DWHDWH
IFA Seite 20Fach: MIS
Flat Files
DW
Data Mining
ETL
ERP(z.B. SAP)
OLAP...
Reporting
Data Sources Data ExtraktionTransformation
und Load
Data MartsDataWarehouse
andere RDB
Reporting
DataData WarehouseWarehouse ArchitekturArchitektur
DataMart
OLAP...
Reporting
externe Daten
DWHDWH
IFA Seite 21Fach: MIS
DataData WarehouseWarehouse ZielsetzungZielsetzung
Ziele des DWH-Einsatzes:– Das DWH soll die Möglichkeit eröffnen, auf Daten
aus unterschiedlichen Quellen zuzugreifen.
– Im DWH sollen unterschiedliche Arten von Daten (Grafiken, Text, Ton, Video, etc.)verwaltet werden können.
– Für den Endbenutzer müssen die Daten so aufbereitet werden, dass eine wirkungsvolleEntscheidungsunterstützung auf der Basis intensiver Informationsanalyse gewährleistet ist.
– Das DWH bildet die Basis für die MSS.
DWHDWH
DWHDWH
IFA Seite 22Fach: MIS
Beispiel operative Systeme (Quellen für ein DWH)Beispiel operative Systeme (Quellen für ein DWH)
Einkaufs-systeme
Material-verwaltungs-
systemeProduktions-
systemeVerkaufs-systeme
Logistik-systeme
Einkauf
Lieferant
Warenannahme
Rechnungsprüfung
Einkauf
Disposition
Lager
Materialbuchhaltung
Materialwirtschaft
AVOR
Konstruktion
Produktion
Produktion
Verkaufsdisposition
Aussendienst
Versand
Fakturierung
Verkauf
Rechnungswesen
Personal
Informatik
Controlling
Logistik
UNTERNEHMUNG"BSP"
DWHDWH
IFA Seite 23Fach: MIS
Operative interne ZahlenbasisOperative interne Zahlenbasis
Quantitativ– Betriebsbuchhaltung– Finanzbuchhaltung– Verkaufszahlen (Produkt, Menge, Verkäufer, Region...)– Infrastrukturelle Zahlen und Mengen (Personal, Ressourcen...)– Einkaufszahlen– Lagerzahlen– Lieferzeiten
Qualitativ– Kundeninformationen– Reklamationen– Zahlungsfreudigkeit
DWHDWH
IFA Seite 24Fach: MIS
Der Der ETLETL--ProzessProzess
Einkaufs-systeme
Material-verwaltungs-
systeme
Produktions-systeme
Verkaufs-systeme
Logistik-systeme
Operative Systeme
Data WarehouseData Warehouse
ETL:Extraktion
TransformationLoad
DWHDWH
IFA Seite 25Fach: MIS
Operative (Vor)Systeme
DataData WarehouseWarehouse: Die Architektur im Überblick: Die Architektur im Überblick
Data Warehouse
EIS
DSS
MIS
DWHDWH
IFA Seite 26Fach: MIS
DW
Data Mining
OLAP...
Reporting
Data MartsDataWarehouse
Reporting
DataData MartMart
DataMart
OLAP...
Reporting
Ein “kleines DataWarehouse”
Beinhaltet einen Teil der Daten aus dem DWH
Zugeschnitten auf die Bedürfnisse einer Abteilung oder auf eine Problemstellung
Relational oder multidimensional (OLAP)
DWHDWH
IFA Seite 27Fach: MIS
MetadatenMetadaten
Generell: Daten über Daten
Werden im Metadata Repository gespeichert
Verschiedene Informationen über die Daten im DWH:
Technische Daten– Informationen über Datenquellen-Systeme (inkl. verwendeten Tabellen und
Attributen)– Angaben über Periodizität und Zeitpunkte der Extraktionen
Business Daten– Standard-Definitionen und Berechnungsregeln
(z.B.: Wie wird die Marge berechnet?)
DWHDWH
IFA Seite 28Fach: MIS
Vorteile Vorteile DataData WarehousingWarehousing
Keine Beeinträchtigung der kritischen Applikationen
Zusammenführen verschiedener Datenquellen (Single Point of Information)
Bereinigung der Daten (ETL-Prozess) ermöglicht eine einheitliche Sicht auf die Daten
Aggregation der Daten für Analysezwecke
Basis für tiefergehende Analysen: Data Mining, Szenarios, What-if, OLAP, Drilldown, Slice&Dice
Mehr Wissen - Konkurrenzvorsprung
DWHDWH
IFA Seite 29Fach: MIS
Nachteile Nachteile DataData WarehousingWarehousing
Prozess, kein Projekt
Enorme Grösse; inkrementelles Vorgehen
Kosten, v.a. für ständige Pflege
Nutzung / Akzeptanz der Endbenutzer
Strategien im Bezug auf Technologien und Tools, Einschränkungen
Up-to-date, Aktualität der Daten
DWHDWH
IFA Seite 30Fach: MIS
DataData WarehousingWarehousing: Return on Investment: Return on Investment
Durchschnittlicher ROI von einem Data Warehouse ist über 400% (Gartner Group)
Durchschnittliche Payback-Dauer beträgt ca. 2 Jahre
Wird erreicht z.B. durch die Kundenprofitabilitäts-Analyse und Kunden-Segmentierung
-200%
-150%
-100%
-50%
0%
50%
100%
150%
200%
250%
Top 10% 10%-20%
20%-30%
30%-40%
40%-50%
50%-60%
70%-80%
80%-90%
Bottom10%
DWHDWH
IFA Seite 32Fach: MIS
DW
Data Mining
OLAP...
Reporting
Data MartsDataWarehouse
Reporting
OLAP OLAP -- Online Online AnalyticalAnalytical ProcessingProcessing
DataMart
OLAP...
Reporting
Ein Data Mart
Beinhaltet einen Teil der Daten aus dem DWH
Zugeschnitten auf die Bedürfnisse einer Abteilung oder auf eine Problemstellung
IFA Seite 33Fach: MIS
Transaktionsbasierte Applikationen für alle Geschäftsbereiche (z.B. Buchhaltungssysteme, Reservationssysteme, Logistikapplikationen etc.)
Merkmale:
Hohe Performance (garantierte Antwortzeiten zwischen 1 - 3 Sekunden) und Systemverfügbarkeit
Hohe Anforderungen an Sicherheit und Datenintegrirät
Daten werden in normalisierten relationalen Datenbanken gespeichert -> SQL für Datenmanipulation und Auswertungen
Speicherung von verschiedenen Datenformaten (Zahlen, Text etc.)
Daten sind aktuell und werden laufend verändert
Was istWas ist OOnnlline ine TTransactionransaction PProcessing (OLTP)?rocessing (OLTP)?
IFA Seite 34Fach: MIS
Was ist Was ist OOnnlline ine AAnalyticalnalytical PProcessing (OLAP)?rocessing (OLAP)?
Kategorie von Applikationen und Tools zur multidimensionaler Analyse von Daten.
Merkmale:Hohe Anforderung an Benutzerfreundlichkeit und IntuitivitätDatenstruktur richtet sich nach den AnalysebedüfnissenMultidimensionale Speicherung von ZahlenHierarchische Struktur mit teilweise vorsummierten StufenPeriodische statische “Snapshots” von DatenI.d.R. nur Lesezugriff (Ausnahme: Budgetierung und ähnliches)Auswertung erfolgt durch Drill-Down, Slice’n’Dice etc.-> multidimensionale “Würfel” (“Cube”)
IFA Seite 35Fach: MIS
MDDB vs. RDBMDDB vs. RDB
RDB (relationale Datenbanken)– Daten sind in Tabellen gespeichert– mit Schlüsseln verknüpft (Primary und Foreign Keys)– SQL für Datenmanipulation und Auswertungen
MDDB (multidimensionale Datenbanken)– Daten werden denormalisiert und nach Dimensionen organisiert– Hierarchische Struktur mit teilweise vorsummierten Stufen– Auswertung erfolgt durch Drill-Down, Slice’n’Dice etc.
IFA Seite 36Fach: MIS
Struktur einer relationalen DatenbankStruktur einer relationalen Datenbank
Main table
Market tableMarket key Description Region Level
1 Ohio E 482 Texas N 463 Iowa S 484 Utah S 56
Time tableTime key Year Month Qtr
1 1997 Jan 12 1997 Apr 23 1997 Jul 34 1997 Dec 4
Product tableProduct key Description Type Category
1 Cola A A2 Root Beer N A3 Cream Soda N B4 Ginger Ale A C
Scenario tableScenario key Description Year
1 Budget 19972 Actual 19973 Variance 19974 Forecast 1998
MarketKey
ProductKey
TimeKey
ScenarioKey Sales COGS Expenses
1 1 1 1 45 63 341 1 1 2 33 15 98
2 2 2 1 11 33 412 2 2 2 97 23 65
2 1 1 1 32 1 212 2 1 1 22 43 54
3 1 1 1 90 43 213 3 1 1 68 99 34
1 1 1 3 23 43 781 1 1 4 1 13 23
IFA Seite 37Fach: MIS
Reporting auf einer relationalen DatenbankReporting auf einer relationalen Datenbank
SQL statement:
SELECT PRODUCT_NAME, MARKET_NAME,
PRODUCT_SALES
FROM PRODUCT A, MARKET B, SALES C
WHERE A.PROD_ID = C.PROD_ID
AND B.MKT_ID = C.MKT_ID
ORDER BY 1,2
Product Report
1997 Sales
Product Market Sales
Cola East $xxxx
West $xxxx
Central $xxxx
South $xxxx
Root Beer East $xxxx
West $xxxx
Central $xxxx
South $xxxx
ProductPROD_ID PRODUCT_NAME
100-10 Cola200-20 Diet Rootbeer200-40 Birch Beer
SalesPROD_ID MKT_ID PROD_SALES
100-10 M01 1000200-20 M03 3000200-40 M03 2500200-20 M03 2000
MarketMKT_ID MARKET_NAME
M01 EastM02 WestM03 CentralM04 South
IFA Seite 38Fach: MIS
OLAP OLAP EnginesEngines
Multidimensionale Würfel (“Cubes”)
Daten sind nach Dimensionen und Hierarchien gespeichert
JAN
JAN
JAN
FEB
FEB
LA
SF
PHX
LA
SF
SALES
SALES
MARGIN
SALES
MARGIN
ACTUAL
ACTUAL
BUDGET
BUDGET
ACTUAL
500
250
180
300
400
WEST
L.A.
S.F.
PHX
DEN
Actuals BudgetSales Margin Sales Margin
IFA Seite 39Fach: MIS
Multidimensionale AnalysenMultidimensionale Analysen
JanJanFebFeb
MarMarAprApr
TVTV
VCRVCR
EastEastWestWest
TotalTotalSouthSouth
EastEastWestWest
TotalTotalSouthSouth
ActualActual BudgetBudgetSalesSales SalesSalesMarginMargin MarginMargin
CogsCogsMarginMargin
Total Total ExpExpProfitProfit
TVTV
VCRVCR
JanJanFebFeb
QtrQtr 11MarMar
EastEast WestWestActualActual ActualActualBudgetBudget BudgetBudget
JanJanFebFeb
QtrQtr 11MarMar
JanJanFebFeb
MarMarAprApr
EastEast
WestWest
ActualActualBudgetBudget
VarianceVarianceForecastForecast
SalesSales MarginMarginTVTV TVTVVCRVCR VCRVCR
ActualActualBudgetBudget
VarianceVarianceForecastForecast
WestSFSF
LALADenverDenver
SalesSales
MarginMargin
CameraCameraTVTV
AudioAudioVCRVCR
FebruaryFebruary MarchMarchActualActual ActualActualBudgetBudget BudgetBudget
CameraCameraTVTV
AudioAudioVCRVCR
IFA Seite 40Fach: MIS
Multidimensional Multidimensional -- Was ist eine Dimension?Was ist eine Dimension?
Sichtpunkt, Klassifikation von Daten-> Jede Zahl muss bei allen Dimensionen definiert sein.
Beispiele– Konto (Facts) Erlös, Quantität, Anzahl MA– Zeit Januar, Quartal 1, 1999– Kategorie IST, Plan, Budget– Geographische Region Europa, Schweiz, Zürich– Produkt Zement, Produkte Gruppe xy– Kunde Retail, Kunde xy– Verkaufskanal Direktverkauf, Internet– Verpackung 1 Liter Pet, 1 Liter Tetrapack– usw.
IFA Seite 41Fach: MIS
Hierarchischer AufbauHierarchischer Aufbau
Jede Dimension wird als Hierarchie dargestellt(wenn keine Hierarchie vorhanden -> flache Dimension)
Analyse: Drill-Down von einem Level zum nächsten
Beispiel:Parent
Child
IFA Seite 42Fach: MIS
Übung: DimensionenÜbung: Dimensionen
Ausgangslage:– Herstellung und Verkauf von Sportbekleidung– Verkauf in verschiedene Länder weltweit– Verkauf nur an grosse Warenhäuser und Ketten– Abschluss im SAP erfolgt quartalsweise
Anforderungen:– Analyse von Umsatzzahlen (Erlös / Kosten) nach verschiedenen Sichtpunkten– Vergleich von Ist-Zahlen mit Budget
Aufgabe:– Definiere die Dimensionen und Hierarchie-Stufen gemäss Ausgangslage und
Anforderungen.
IFA Seite 43Fach: MIS
OLAP FunktionalitätOLAP Funktionalität
Drill Down (Top-Down Prinzip)
Slice’n’Dice (“Drehen des Würfels”)
Kalkulationen und Berechnungen
Simulationen
Drill Through (Zugriff auf Detaildaten in einer RDB)
σ Σƒ
IFA Seite 44Fach: MIS
OLAP vs. OLTPOLAP vs. OLTP
OLAPAbfragende Analyseintensiver lesender ZugriffAbfragen sind nicht vordefiniertkleinere bis mittlere Zahl von Anwendernkleine bis grosse Datenbankenhohes Abfragevolumenkomplexe AbfragenAntwortzeit nicht kritischeinfache IntegritätsregelnSystemausfall tolerierbar
OLTPEntscheidungsunterstützung und transaktionsorientiertviele Modifikationen der DatenbasisAbfragen sind vordefinierthohe Zahl von Anwenderngrosse Datenbeständeniedriges Abfragevolumeneinfache AbfragenAntwortzeiten sind kritischkomplexe IntegritätsregelnSystemausfall inakzeptabel
IFA Seite 45Fach: MIS
DWH vs. OLAPDWH vs. OLAP
Data Warehouses und OLAP Applikationen sind komplementär.
Data Warehouse
Ist eine zentrale Datensammlung, die als Basis für weitere Analysen konzipiert ist.
OLAP
Ermöglicht eine benutzerfreundliche und problembezogene Analyse der Daten aus dem Data Warehouse.
DWHDWH
IFA Seite 46Fach: MIS
Beispiele von OLAP ApplikationenBeispiele von OLAP Applikationen
Performance- und Profitabilitätsanalyse
Produkt-Reporting
Kostenarten- und Kostenstellen-Analyse
E-Business Analysen (z.B. Web Activity Analysis)
Planung und Budgetierung
Key Identifikatoren und Leistungsträgerrechnung
Kundenprofitabilitätsanalyse (CRM)
Executive Information System (EIS)
Balance Scorecard
IFA Seite 47Fach: MIS
OLAP KategorienOLAP Kategorien
Relationales OLAP (ROLAP)– Daten sind in einer RDB gespeichert
Multidimensionales OLAP (MOLAP)– Daten sind in einer MDDB gespeichert
Hybrides OLAP (HOLAP)– Kombination von MOLAP & ROLAP
Desktop OLAP (DOLAP)– Client-basierte OLAP-Tools
IFA Seite 48Fach: MIS
OLAP VorteileOLAP Vorteile
Effiziente ANALYSE für Entscheidungsunterstützung
Flexibilität und Skalierbarkeit
Benutzerfreundliche, intuitive Oberfläche
Integration verschiedener Datenquellen
Ad-hoc Analysen
Kalkulationen und Simulationen
Standort-Unabhängigkeit mit Web-Reporting
Schnelle Umsetzung (Standardprodukte, keine Programmierung)
bessere Kommunikation
IFA Seite 49Fach: MIS
OLAP Nachteile / kritische PunkteOLAP Nachteile / kritische Punkte
Redundante Datenbestände -> Daten werden (teilweise) aus Vorsystemen geladen
Datenbankadministration (Backup, Restore, Sicherheit etc. ) weniger ausgereift als in RDB
Neue Investitionen -> Projektkosten, Ausbildung von Systemadministratoren, Software-Lizenzen etc.
Grosse Datenvolumen -> voraggregierte Stufen werden oft gespeichert
IFA Seite 51Fach: MIS
Flat Files
DWETL
ERP(z.B. SAP)
Data Sources Data ExtraktionTransformation
und Load
DataWarehouse
andere RDB
ETL ETL -- Extraktion, Transformation, Extraktion, Transformation, LoadLoad
externe Daten
Prozess, um die Daten in das Data Warehouse zu laden.
Die Daten aus den verschiedenen Source-Systemen werden in einheitliche Form gebracht.
IFA Seite 52Fach: MIS
EExtraktion, xtraktion, TTransformation, ransformation, LLoadoad
E: Daten aus verschiedenen Source-Systemen extrahieren
T: Umwandlungsregeln definieren und anwenden; Datenbereinigung (data cleansing)
L: Bevölkerung (Population) des Data Warehouse, Laden der Daten ins Zielsystem
• Regelmässiger Prozess
• Automatisiert
• Hoher Aufwand
• Grosses Volumen an operationellen Daten
IFA Seite 53Fach: MIS
ETL ETL -- IssuesIssues ExtraktionExtraktion
Heterogene Systeme, verschiedene Datenbanken und Datenformate
Verteilte Systeme, lokale Ablagen
Verfügbarkeit (24h-Applikationen sind schwierig zu „locken“ für eine zweistündige Extraktion)
Grosse Datenmengen
Unnötige Daten nicht laden
Filterkriterien bereits beim extrahieren anwenden
Allenfalls vorhandene DBMS-Tools verwenden
JOIN‘s optimieren, Memory-caching
Inkrementelles Vorgehen
IFA Seite 54Fach: MIS
ETL ETL -- IssuesIssues TransformationTransformation
Laderegeln definieren – one size fits all
Änderung der Datenformate
Unkomplette Datenbestände
Fehlerhafte Daten
Volumen – Dauer
Skalierbare und angepasste Transformationsregeln
Genug Hardware-Ressourcen, Batch
IFA Seite 55Fach: MIS
ETL ETL -- IssuesIssues LoadLoad
Verbindung zum Zielsystem (proprietäre Formate und API‘s)
Delete / update / insert Regeln
Load approach: Bulk, incremental, changes
Load approach hängt vom DWH ab
kann für die einzelnen Data Marts verschieden sein
IFA Seite 56Fach: MIS
ETL ETL -- Beispiele Daten in Beispiele Daten in SourceSource--SystemenSystemen (Datum)(Datum)
Source 1
Source 2
Source 3
Source 4
DWHDWH
31. Januar 2001
31.01.2001
01/31/2001
31.1.01
?
IFA Seite 57Fach: MIS
Generelles rund um ETLGenerelles rund um ETL
80% der Zeit, um ein DWH zu erstellen, wird für Datenaufbereitung (ETL Prozess) benötigt
Design der Prozesse und Datenstrukturen ist kritisch für Performance
Laden der Daten und Abfrage sind die weniger aufwändigen Tasks
Der Aufwand steigt mit der Anzahl der Source-Systeme
IFA Seite 58Fach: MIS
Star Schema Star Schema
Operationelle Systeme sindtransaktions-optimiert unddurchgehend normalisiert
Data Warehouse Schemaist für eine möglichsteinfache Navigation optimiert,Redundanzen werden bewusstangewendet
IFA Seite 59Fach: MIS
Star Schema Star Schema -- KonzeptKonzept
Key 1 (FK)Key 2 (FK)Key 3 (FK)Key 4 (FK)
Fact 1Fact 2Fact 3...
Key
Non-Key 1Non-Key 2Non-Key 3...
Key
Non-Key 1Non-Key 2Non-Key 3...
Key
Non-Key 1Non-Key 2Non-Key 3...
Key
Non-Key 1Non-Key 2Non-Key 3...
Fact Table
Dimension 1
Dimension 2
Dimension 3
Dimension n
IFA Seite 60Fach: MIS
Star SchemaStar SchemaBeispiel Beispiel ProfitabilitätsanalyseProfitabilitätsanalyse der Organisationseinheitender Organisationseinheiten
Zeit-IDOU-IDKategorie-IDSparte-ID
UmsatzIT-KostenAnzahl MA...
Zeit-ID
MonatQuartalJahr
OE-ID
BezeichnungLandRegionName Leiter OU...
Kategorie-ID
BezeichnungDeadline...
Sparte-ID
Bezeichnung...
Fact Table
Zeit Dimension
Organizations-Einheit Dimension
Kategorie Dimension
Sparte Dimension
IFA Seite 61Fach: MIS
SnowflakeSnowflake SchemaSchema
Erweitertes Star Schema
Dient zur Abbildung der Hierarchien
IFA Seite 62Fach: MIS
SnowflakeSnowflake SchemaSchemaBeispiel Beispiel ProfitabilitätsanalyseProfitabilitätsanalyse der Organisationseinheitender Organisationseinheiten
Zeit-IDOU-IDKategorie-IDSparte-ID
UmsatzIT-KostenAnzahl MA...
Zeit-ID
MonatQuartal-ID
OE-ID
BezeichnungLandRegion-IDName Leiter OU
Kategorie-ID
BezeichnungDeadline...
Sparte-ID
Bezeichnung...
Fact Table
Zeit Dimension
Organizations-Einheit Dimension
Kategorie Dimension
Sparte Dimension
Quartal-ID
QuartalJahr-ID
Jahr-ID
Jahr
Region-ID
BezeichnungVerantwortlicher...
IFA Seite 63Fach: MIS
Productproduct_keydescriptionfull_descriptionsku_numberpackage_sizebrandsubcategorycategorydepartmentpackage_typediet_typeweightweight_unit_of_measureunits_per_retail_caseunits_per_shipping_casecases_per_palletshelf_width_cmshelf_height_cmshelf_depth_cm
Promotionpromotion_keypromotion_nameprice_reduction_typead_typedisplay_typecoupon_typead_media_typedisplay_providerpromo_costpromo_begin_datepromo_end_date
sales factdollar_salesunit_salesdollar_costcustomer_count
Storestore_keynamestore_numberstore_street_addresscitystore_countystore_statestore_zipsales_districtsales_regionstore_managerstore_phonestore_faxfloor_plan_typephoto_processing_typefinance_services_typefirst_opened_datelast_remodel_datestore_sqftgrocery_sqftfrozen_sqftmeat_sqft
Timetime_keydateday_of_weekday_number_in_monthday_number_overallweek_number_in_yearweek_number_overallmonthquarterfiscal_periodyearholiday_flag
Star Schema Star Schema -- RealReal--LifeLife BeispielBeispiel
IFA Seite 64Fach: MIS
Star Schema und normalisierte ERDStar Schema und normalisierte ERD
Da wir jetzt im Zeitalter des Datawarehousing sind, können wir die Entity-Relationship-Diagramme vergessen und uns dem Star Schema zuwenden...
Das Star Schema ist keine Konkurrenz zum ERD im Bereich des Data Warehouse; es gibt Vor- und Nachteile bei der Verwendung beider Arten beim Design eines Data Warehouse
IFA Seite 65Fach: MIS
Star Schema: BeurteilungStar Schema: Beurteilung
Vorteile der Star- und Snowflake-Modellierung– einfach verständlich für Endbenutzer– generelle Zugriffstechniken für Auswertungstools– schneller Zugriff– generell anwendbar– erlaubt eine grosse Anzahl von Auswertungen– summierte Daten für eine bessere Übersicht
Nachteile / Schwierigkeiten– ein Umdenken für die IT-Spezialisten– führt zu hohen Datenvolumen wegen Denormalisierung– Know-how und Erfahrung erforderlich
IFA Seite 66Fach: MIS
Übung: Star SchemaÜbung: Star Schema
Ausgangslage:– Herstellung und Verkauf von Sportbekleidung– Verkauf in verschiedene Länder weltweit– Verkauf nur an grosse Warenhäuser und Ketten– Abschluss im SAP erfolgt quartalsweise
Anforderungen:– Analyse von Umsatzzahlen (Erlös / Kosten) nach verschiedenen Sichtpunkten– Vergleich von Ist-Zahlen mit Budget
Aufgabe:– Erstelle ein Star Schema gemäss Ausgangslage und Anforderungen
IFA Seite 68Fach: MIS
DW
Data Mining
OLAP...
Reporting
Data MartsDataWarehouse
Reporting
Data MiningData Mining
Data Mart
OLAP...
Reporting
Spezielle Tools zur Entdeckung von unbekanntem Wissen in vorhandenen Unternehmensdaten
Nutzt DataWarehouse als Datenbasis
IFA Seite 69Fach: MIS
DataData MiningMining
Begriffserklärung:
Im Gegensatz zu Data Warehouses, in deren Mittelpunkt die zentrale Bereitstellung von Daten steht, konzentriert sich das Konzept des DataMinings auf die Nutzung der Information aus diesen Datenbeständen.
Im Gegensatz zu Data Warehouses, in deren Mittelpunkt die zentrale Bereitstellung von Daten steht, konzentriert sich das Konzept des DataMinings auf die Nutzung der Information aus diesen Datenbeständen.
Unter Data Mining versteht man die Extraktion implizit vorhandenem, nicht trivialem und nützlichem Wissen aus grossen dynamischen, relativ komplex strukturierten Datenbeständen. Ziel des Data Mining ist es, Wissen in Form von Mustern zu identifizieren.
Unter Data Mining versteht man die Extraktion implizit vorhandenem, nicht trivialem und nützlichem Wissen aus grossen dynamischen, relativ komplex strukturierten Datenbeständen. Ziel des Data Mining ist es, Wissen in Form von Mustern zu identifizieren.
IFA Seite 70Fach: MIS
Profil eines Low-Risk-Kunden?
20-30 Jahre, hohes Einkommen, ledig
Wann wechseln Kunden zur Konkurrenz?
Jeweils nach Weihnachten und Ostern
Wer kauft was und wann?
Bier und Windeln zusammen kaufen
Trends und Gewohnheiten erkennen
Versicherungsbetrug identifizieren
DataData MiningMining: Gesuchte Antworten: Gesuchte Antworten
IFA Seite 71Fach: MIS
DataData MiningMining TasksTasks
Beziehungen in Daten erkennen
Käufer von Produkt A kaufen meistens auch Produkt F
Zeitbezogene Zusammenhänge
Nach Marketing-Kampagne gehen die Verkäufe während 2 Monate um 70% hoch
Clusters – Gruppierungen
Klassifikation – „gute“ und „schlechte“ Kunden
Forecast, what-if Analysen
IFA Seite 72Fach: MIS
DataData MiningMining TechnikenTechniken
Knowledge Discovery Driven
- Entscheidungsbäume (Decision Trees)
- Neuronale Netze (Neural Networks)
- Ähnlichkeiten (Case Based Reasoning)
Verification Driven
- Lineare und non-lineare Regression
- Faktor-Analysen
- Widerspruchs-Analysen
Kombination der Techniken
IFA Seite 73Fach: MIS
OLAP:
die Warum-Frage; Analyse vorhandenen Daten
Statistiken:
die Vorhersage; mathematische Eintrittswahrscheinlichkeit
Data Mining:
die Einsicht, das Verständnis, der Zusammenhang; Gewinnung von neuem Wissen
DataData MiningMining vs. OLAP und Statistikenvs. OLAP und Statistiken
IFA Seite 74Fach: MIS
Veränderlich, unkomplett
Data that runs thebusiness
SQL
Normalisiert
RDBMS
Tagesverarbeitung
OLTP Data MiningDWH
Voraussagend, profilierend, klassifizierend
Historisch, beschreibend
Zustand
Data that leads thebusiness
Data that analyses thebusiness
Datentyp
Decision TreesNeural Networks
SQL + Extensions(Dimensionen)
Zugriff
Alle möglichen Strukturen
Multi-dimensionalDaten-modell
Alle möglichen Strukturen
RDBMSStruktur
Wissens-gewinnung, Mustererkennung
Informations-gewinnungZweck
DataData MiningMining vs. OLAP und Statistikenvs. OLAP und Statistiken
DWHDWH
IFA Seite 75Fach: MIS
Was Was DataData MiningMining NICHT ist:NICHT ist:
DIE Lösung aller Probleme und Fragen
Oben Daten reinschaufeln, unten kommt „Wissen“ heraus
- es sind vertiefte Kenntnisse der Daten nötig
- genaue Definition der Regeln zur Analyse
Professionelles Vorgehen und sehr gutes Statistik-Knowhowsind nötig
Keine reine Tool-Lösung
IFA Seite 76Fach: MIS
Strategische Erfolgsfaktoren
Balance Balance ScorecardScorecard / Performance Management/ Performance Management
Vision Mission Werte
FINANZENZiele Indikatoren
Was sind unsere finanziellen Ziele?
INT. GESCHÄFTS PROZESSEZiele Indikatoren
Welche Prozesse benötigen wir?
KUNDENZiele Indikatoren
Wie sehen unsunsere Kunden?
LERNEN & ENTWICKLUNG
Ziele Indikatoren Wie können wir uns verbessern?
VISION &
STRATEGIE
IFA Seite 79Fach: MIS
Wissensmanagement (Knowledge Management)Wissensmanagement (Knowledge Management)
Ziel: Das organisationales Wissen - Wissen, das in der gesamter Unternehmung produziert wird - zu sammeln, organisieren und zu verteilen.
Verschiedene Wissensmanagementsysteme und -Ansätze(z.B. das System von “Verteilten Intelligenten Systemen”)
Informations- und Kommunikationstechnologien bieten gute Möglichkeiten, das Wissen zu managen (IT als Enabler des Wissesnamagements)
Umgang mit dem Produktionsfaktor Wissen
IFA Seite 80Fach: MIS
Portale (EIP Portale (EIP -- Enterprise Information Portals)Enterprise Information Portals)
Benutzerspezifischer Einsteigspunkt im Intranet (Entry Point)
Verknüpfung von verschiedenen Applikationen:– Intranet / Internet– Emails– Dokumente– Analyse-Tools– OLAP– etc.
IFA Seite 85Fach: MIS
Vorteile von MIS / MSSVorteile von MIS / MSS
Kunden-Zufriedenheit
Mehr Zeit für Analyse
MA-Zufriedenheit
Einheitliche Sicht auf Daten
Profitabilität
Internes Benchmarking
Kosten-Bewusstsein
Bessere Kunden-segmentierung
Unterstützung der Entscheide
ZielgerichteteInformationen
Aktuelle Daten
Erhöhung der Transparenz
IFA Seite 86Fach: MIS
Nachteile und Risiken von MIS / MSSNachteile und Risiken von MIS / MSS
Zahlengläubigkeit
Übergehen von anderen Werten
Entwicklungs- und Wartungsaufwand
Lizenzkosten für Software
direkter Zugriff auf die Informationen– ursprüngliche Stellen werden übergangen (Widerstand von Stabsstellen)– keine Filterfunktionen
Interpretation, Verständnis der Zahlen durch Führungskräfte
Angst vor zu hoher Transparenz
Technologieangst der Führungskräfte
IFA Seite 87Fach: MIS
ImplementationImplementation -- Kritische ErfolgsfaktorenKritische Erfolgsfaktoren
Support vom Top-Management
Erfahrenes Projektteam (Business & IT)
Datenqualität der Source-Systeme
Datenübernahme / Datenverfügbarkeit (historische Daten)
Tool-Auswahl (ETL, DW, OLAP, Reporting etc.)
Erwartungshaltung (Expectation Management)
ETL Prozess: 60-80% des Projektaufwandes!
IFA Seite 88Fach: MIS
OLAP & Reporting OLAP & Reporting -- Kritische ErfolgsfaktorenKritische Erfolgsfaktoren
Einbezug der Endbenutzer (u.a. Top-Management)-> regelmässige Workshops
Möglichst frühe Präsentation eines Prototyps
Laden von Testdaten so bald wie möglich
Performance (Tuning, Hardware, Netzwerk)
IFA Seite 89Fach: MIS
VorgehenVorgehen
Vorgehen gemäss klassischen Vorgehensmodellen
Bei grösseren Projekten: – Aufteilung in Teilprojekte– Weitere Aufteilung der Phasen
Prototyping Ansatz und inkrementelles Vorgehen
Wichtig: gute Kommunikation mit den End-Benutzern, regelmässige Workshops
Analyse Design Implementation Roll-Out
IFA Seite 91Fach: MIS
Beispiel Projekt: Beispiel Projekt: DataData WarehouseWarehouse, 1 spezifisches , 1 spezifisches DataData MartMart
Phase 1 - Analyse: 2 Monate
Phase 2 - Modellierung (Design): 11/2 Monate
Phase 3 - ETL: 6 Monate
Phase 4 - Data Mart: 1 Monat
Phase 5 - GUI & Reporting: 1 Monat
Phase 6 - Integration: 2 Monat
IFA Seite 92Fach: MIS
Proj. Manager100%
DataArchitekt
DatenbankAdministrator
Qualitäts-Sicherung
Business Analyst
Beispiel ProjektorganisationBeispiel Projektorganisation
IFA Seite 93Fach: MIS
DataData WarehousingWarehousing: Mögliche Rollen im Projektteam: Mögliche Rollen im Projektteam
Technical Architect
Data Architect
Business Requirements Analyst
Meta Data Architect
Data Acquisition Developer
Data Access Developer
Data Base Administrator
Data Quality Administrator
IFA Seite 95Fach: MIS
Flat Files
DW
Data Mining
ETL
ERP(z.B. SAP)
OLAP...
Reporting
Data Sources Data ExtraktionTransformation
und Load
Data MartsDataWarehouse
andere RDB
Reporting
Tools Tools -- für jeden Bereich die geeignete Toolsfür jeden Bereich die geeignete Tools
DataMart
OLAP...
Reporting
externe Daten
Div. Datenbanken und Applikationen
ETL-Tools Datenbanken (RDB)DW-Tools
OLAP-Datenbanken;BI Tools
IFA Seite 96Fach: MIS
BI Tools KategorienBI Tools Kategorien
OLAP (z.B. Hyperion Essbase, Microsoft OLAP Services)
Query Tools (z.B. Business Objects, Cognos PowerPlay)
EIS (z.B. Arcplan inSigth, TEMTEC Executive Viewer)
Statistiken und Data Mining (z.B. SAS, Search Space )
Cockpit (z.B. Brio, Microsoft Digital Dashboard)
Enterprise Reporting (z.B. Seagate Crystal Reports, Hyperion Reports)
Packaged Applications - viele Anbieter und Applikationen in den Bereichenvon Planung / Budgetierung, Konsolidierung, CRM, Risk Management etc.
IFA Seite 97Fach: MIS
Wichtigste Kriterien für ToolWichtigste Kriterien für Tool--AuswahlAuswahl
Produkt– Funktionalität vs. Anforderungen (“Tools Factors”)– Skalierbarkeit– Schnittstellen / Kompatibilität zu anderen Produkten– Preis
Vorhandene Infrastruktur / Software / DB
IT Strategie
Software-Hersteller– Marktstellung (Entwicklung, Zukunft?)– Allianzen
Implementierung– Vorhandenes Know-How– Consultants
IFA Seite 99Fach: MIS
Drei strategische Vorhersagen aus Drei strategische Vorhersagen aus GartnerGartner StudieStudie
Management wird BI als strategische Initiative definieren– einfache und klare Zielsetzung– Ressourcen richtig nutzen – Fokus setzen– Unterstützung des Unternehmens mit mehr Wissen
90% aller neuen BI Applikationen werden auf zentralisierten Servern laufen und/oder einen Web-basierten Ansatz befolgen
Management wird BI als Eckstein der E-Business Initiativen definieren
IFA Seite 101Fach: MIS
TrendsTrends
Kürzere Reporting-Cycles (monatlich -> wöchentlich -> täglich)
Analyse von Realtime-Daten
Analyse von strukturierten UND unstrukturierten Daten (ContentManagement)
Extranets: Analyse-Tools für Kunden (Stakeholder Information Systems)(Beispiel: Bank-Kunden analysieren die Entwicklung des eigenen Portfolios per Internet)