3 1 3 Data Warehouse

• Data Warehouse

  zentrale Datenquelle für BI-Analysen und Berichterstattung.

  • Ein Data Warehouse ist eine spezialisierte Datenbank, die darauf ausgelegt ist, große Mengen an Daten aus verschiedenen Quellen zu sammeln, zu integrieren und zu speichern, um umfassende und konsistente Analysen zu ermöglichen.
• Data Warehouse


  alle entscheidungsrelevante Daten werden zusammengeführt

  • unternehmensinterne und externe Daten
• Data Warehouse Herausforderung

  heterogene Datenbestände einheitlich d.h. homogen zur Verfügung zu stellen

  • erfordert ETL Prozesseb, welche aufwändig sind zu pflegen und zu implementieren
• Data Warehouse nach Immon vier Dimensionen

  Subjektorientierung,

  • Integration,

  • Zeitraumbezug sowie

  • Nicht-Volatilität.
• Subjektorientierung

  Ausrichtung an den Informationsbedürfnissen der Entscheidungsträger in Bezug auf Analysen, Berichte

  • Durch
  • dieses Konzept sollen Entscheidungsträger in der Lage sein, Informationen für ihre relevanten Kerngebiete recherchieren zu können
• Subjektorientierung Kerngebiete

  Unternehmensstruktur (Geschäftsbereiche, Organisationsbereiche,

  rechtliche Einheiten usw.),

  • Produktstruktur (Produktgruppen, Produkte usw.),

  • Regionalstruktur (Länder, Gebiete, Bezirke, Filialen usw.),

  • Kundenstruktur (Kundensegmente, Kunden usw.),

  • Zeitstruktur (Quartale, Monate, zu denen meist Informationen wie be￾triebswirtschaftliche Kennzahlen, z. B. Umsätze, Deckungsbeiträge,

  Gewinn und deren Ausprägungen, Plan-, Ist-Werte, Abweichungen,

  zugeordnet werden)
• Gewöhnlich orientiert sich die Datenhaltung operativer Systeme in Unternehmen an der unmittelbaren Durchführung des Wertschöpfungsprozesses.
• Integration

  Zusammenführen entscheidungsrelevanter Daten

  • werden unterschiedliche operative und externe Quellen zu einer inhaltlich widerspruchsfreien Datensammlung zusammengefügt.
  • In der Realität ist diese Aufgabe zumeist sehr komplex, da die historisch gewachsenen operativen Systeme mit den ihnen zugrundeliegenden Datenhaltungssystemen häufig Datenredundanzen, Inkonsistenzen und semantische Widersprüche aufweisen.
• Zeitraumbezug

  Speicherung in Bezug auf Zeit statt transaktionierte Speicherung

  • Zeitraum ein Tag, Monat Woche
  • verliert an Bedeutung, da es heute aufgrund von Verbesserungen im Preis-/Leistungsverhältnis bei Verarbeitungs- und Speicherkapazitäten gängig ist, die Daten im Data-Warehouse ebenfalls auf der Ebene der Transaktionen abzulegen.
• Nicht Volatilität 


  die integrierten Daten dauerhaft gespeichert

  und stehen damit auch für künftige betriebswirtschaftliche Analysen zur Verfügung.
• Daten in operativen Systemen zeichnen sich durch kontinuierliche Veränderungen aus.

  • Sie repräsentieren jeweils den aktuellen Zustand innerhalb

  eines Geschäftsprozesses.

  • Eine Historie der Daten wird normalerwiese nicht gespeichert. Nur aus Recovery-Gründen (z. B. für das Wiederaufsetzen der Datenbank nach technischen Defekten) erfolgt meist eine Datensi￾cherung und -speicherung über einen begrenzten Zeitraum.
• ETL


  Extract Transform Load
• ETL


  Das Data-Warehouse-Konzept beinhaltet einen sogenannten ETL-Prozess(Extract Transform Load), innerhalb dessen die komplexe semantische Integration der Quelldaten zu einer inhaltlich widerspruchsfreien Datensammlung mit Hilfe von Transformationsregeln sichergestellt wird.
• ETL Prozess


  Grundsätzlich umfasst der Transformationsprozess alle Aktivitäten zur Umwandlung der operativen Daten in betriebswirtschaftlich interpretierbare Daten und besteht aus den Teilprozessen Filterung, Harmonisierung, Aggregation und Anreicherung
• Filterung ETL Prozess

  Der erste Schritt der Transformation ist die Filterung. Durch die Filterung

  werden die für das Data-Warehouse benötigten Daten, deren Ursprung heterogene unternehmensinterne und -externe Quellen sind, selektiert, zwischengespeichert und von Mängeln befreit. Insofern unterteilt sich die Filterung in die beiden Phasen Extraktion und Bereinigung.
• Extraktion Filterung

  werden die unternehmensexternen und insbesondere die

  operativen unternehmensinternen Daten in speziell hierfür vorgesehene Extraktionsbereiche (Staging areas) des Data-Warehouse eingestellt.
• Bereinigung

  werden die extrahierten Daten von syntaktischen und semantischen Fehlern befreit
• synatktische Fehler


  formelle Mängel der code-technischen Darstellung.
• semantische Fehler

  sind Fehler in den betriebswirtschaftlichen Inhalten der Daten.
• Harmonisierung


  liefert die Harmonisierung bereits dispositiv ver￾wendbare Daten, die sich auf der detailliertesten Stufe betriebswirtschaftlich

  sinnvoller Interpretation befinden
• Harmonisierung Hauptaufgabe

  Die Zusammenführung der gefilterten Daten
• Harmonisierung Kernherausforderung

  Vielmehr ist die syntaktische und betriebswirtschaftliche Abgleichung der gefilterten Datenbestände zur Vorbereitung der physischen Integration
• Transformationsregeln

  Die operativen und externen Datenbestände sind häufig durch eine hohe Heterogenität geprägt

  üssen die operativen Daten vereinheitlicht, also syntaktisch angeglichen

  werden. Durch Transformationsregeln erfolgt eine Bereinigung von Schlüsseldisharmonien in den Extrakten, die Behebung von Problemen mit unterschiedlich kodierten Daten sowie von Schwierigkeiten bei der Verwendung von Synonymen und Homonymen
• Schlüsseldisharmonien 


  basieren auf Unverträglichkeiten der Primärschlüssel in den extrahierten und bereinigten Daten und entstehen

  durch die Verwendung unterschiedlicher Zugriffsschlüssel in der

  operativen Datenhaltung

  • müssen eleminiert werden um die gewünschten
  • Auswertungen durchführen zu können
• Bei der Harmonisierung wird

  eine Zuordnungstabelle (mapping table) erstellt, die bspw. für jeden

  Kunden einen neuen Primärschlüssel generiert. Die Primärschlüssel

  der operativen Systeme werden als Fremdschlüssel mitgeführt, so

  dass übergreifende Auswertungen möglich sind
• bei unterschiedliche kodierte Daten

  liegen identische Attributnamen

  mit einer identischen Bedeutung vor, die jedoch unterschiedliche Domänen bzw. Wertebereiche aufweisen

  Die Problemlösung erfolgt durch eine eindeutige Wahl einer Domäne

  und der Verwendung entsprechender Zuordnungs- bzw. Mapping Tabellen
• Synonym 


  haben die Attribute zwar unterschiedliche Namen,

  weisen jedoch dieselbe Bedeutung und dieselbe Domäne auf. Die

  Differenzbehebung erfolgt durch eine Neufestlegung der Attributbezeichnung und eine Überführung der anderen Attributbezeichnungen entsprechend der Neufestlegung
• Hononym


  weisen hingegen denselben Attributnamen auf, besitzen

  jedoch unterschiedliche Bedeutungen. Vor diesem Hintergrund muss

  über neu zu vergebende Attributnamen eine Unterscheidung herbeigeführt werden
• betriebswirtschaftliche Harmonisierung


  operative Daten in managementorientierte Daten zu überführen. erfolgen eine Abgleichung der betriebswirtschaftlichen Kennziffern und eine Festlegung der gewünschten Granularität

  der dispositiven Daten
• Nach Durchführung von Transformation, Filterung und Harmonisierung liegen im Data-Warehouse bereinigte und konsistente Daten auf der gewünschten Granularitätsebene vor. Diese Daten können alsdann für Informationssysteme direkt nutzbar gemacht werden.
• Aggregation


  werden die gefilterten und harmonisierten Daten um Verdichtungsstrukturen erweitert.

  werden diverse Dimensionshierarchietabellen entwickelt, die antizipierbare Auswertungsvarianten ermöglichen

  Parallele Hierarchien entstehen, wenn die Granularwerte einer Dimension nach verschiedenen Kriterien hierarchisiert werde
• Grundsätzlich können Dimensionshierarchien im Zeitverlauf modifiziert, gelöscht oder neu angelegt werden. Die Anpassungen werden notwendig,

  wenn es bspw. Veränderungen der personellen Zuständigkeiten, Zusammenfassungen bzw. Entflechtungen von Teilmärkten oder Sortimentsumstrukturierungen in Unternehmen gib
• Anreichung


  betriebswirtschaftliche Kennzahlen berechnet

  und in die Datenbasis integriert. Dabei werden Werte auf Basis der zweiten Schicht (harmonisierte Daten der gewünschten Granularität) als auch auf Grundlage der dritten Schicht (bereits aggregierte Zusammenfassungstabellen) berechnet und selbst als Attribute gespeichert
• Anreichung Beispiel

  Beispiele sind die Berechnung wöchentlicher Deckungsbeiträge auf Produktebene (zweite Schicht) und jährlicher Deckungsbeiträge auf Filialebene (dritte Schicht).
• Anreicherung praktische Vorteile


  ein kalkulierbares Antwortzeitverhalten bei späteren Abfragen aufgrund der Vorausberechnung, eine Konsistenz der kalkulierten Werte durch einmalige Berechnung und die Etablierung eines abgestimmten betriebswirtschaftlichen Instrumentariums
• ODS Operational Data Store


  ist eine Art von Datenbank oder Datenspeicher, der dazu dient, operativ relevante Daten aus verschiedenen Quellen zu sammeln, zu integrieren und vorübergehend zu speichern, bevor sie in ein Data Warehouse oder andere analytische Systeme übertragen werden. Der ODS fungiert als Zwischenspeicher für Daten, die für laufende Geschäftsprozesse und tägliche Transaktionen von Bedeutung sind
• ODS


  um einen harmonisierten Datenpool
• ODS Detailgrad


  entspricht dem der transaktionsorientierten Systeme, hat gegenüber diesen jedoch den Vorteil, dass die Daten in der Analyseumgebung zur Verfügung stehen.

  So verbindet ein Operational Data Store den Bereich der operativen Transaktionssysteme mit der entscheidungsorientierten Systemlandschaft, um im Tagesgeschäft operative und

  taktische Entscheidungen zu unterstützen bzw. neue, transaktionsorientierte Analysedienste anbieten zu können.
• Ein ODS kann als eigenständige

  Komponente betrachtet werden und gehört zu den essenziellen Komponenten moderner Datenhaltungskonzepte
• Aufgrund der hohen Detaillierung der im ODS abgelegten Daten ermöglicht ein ODS eine konsistente Datendarstellung der betrieblichen Wertschöpfungsprozesse. Die Datenbereitstellung ist nicht nur für die Entscheidungsunterstützung des Managements, sondern auch für die Durchführung von Aktivitäten der Geschäftsprozessabwicklung relevant. ODS ermöglichen dem Management einen ganzheitlichen Blick auf die Geschäftsprozesse auf detaillierter Datenebene