102
Führungsprozess

mis kurs ifa - roger-wiesendanger.ch Kurs Ifa.pdf · IFA Fach: MIS Seite 3 ... What-if, OLAP, Drilldown, Slice&Dice zMehr Wissen - Konkurrenzvorsprung DWHDWH. IFA Fach: MIS Seite

  • Upload
    buicong

  • View
    219

  • Download
    2

Embed Size (px)

Citation preview

Führungsprozess

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...)

Übersicht

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)

Data Warehousing

DWHDWH

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

OLAP

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

Techniken

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

Weitere Themen

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 77Fach: MIS

Beispiel Balance Beispiel Balance ScorecardScorecard

IFA Seite 78Fach: MIS

uu

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 81Fach: MIS

Portal Architektur Portal Architektur -- Beispiel Beispiel ViadorViador

IFA Seite 82Fach: MIS

IFA Seite 83Fach: MIS

Praxis

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 90Fach: MIS

StepsSteps für für DataData WarehousingWarehousing VorgehenVorgehen

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

Tools

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

Ausblick

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 100Fach: MIS

GartnerGartner -- BI MarktBI Markt

Quelle: Gartner Dataquest (Januar 2001)

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)

IFA Seite 102Fach: MIS

LinksLinks

www.olapreport.com

www.olapcouncil.org

www.dmreview.com

www.intelligententerprise.com

www.datawarehouse.com

www.rkimball.com

Seiten von Softwareherstellern

www.4solutions.ch