Im Zeitalter der Informationstechnik hat sich die Masse an Daten und Informationen, denen wir tagtäglich begegnen oder die uns verfügbar gemacht werden, immense Ausmaße angenommen. Die Quantität dieser Daten – insbesondere im Business Umfeld – kennt kaum Grenzen und immer wieder eröffnen sich neue Datenquellen aus denen wichtige Informationen gewonnen werden können. Doch wie sieht es mit der Qualität dieser Daten aus?
Betrachtet man das Controlling eines multinationalen Unternehmens, erkennt man schnell, dass hier Datenströme aus den unterschiedlichsten Quellen mit den unterschiedlichsten Strukturen, Volumina und Qualitäten auflaufen. Diese Daten manuell zu strukturieren, zu vereinheitlichen, zu transformieren, zu analysieren, zu speichern und schließlich zu kommunizieren, ist eine Aufgabe, die einfach nicht mehr realisierbar ist. Selbst moderne Tabellenkalkulationen oder operative Datenbanksysteme stoßen so schnell an ihre Grenzen.
Es wird ein Umfeld bzw. System benötigt, welches diesen Ansprüchen gerecht wird. Ein Business Intelligence Umfeld mit einem zentralen Data Warehouse kann vielen dieser Anforderungen mehr als gerecht werden. Die neu aufgestellte Datenbasis steht dem gesamten Unternehmen zur Verfügung und führt so zu einer Vereinheitlichung der Datenstrukturen sowie deren Semantik. Eine funktionierende Business Intelligence erlaubt dem Unternehmen in kürzester Zeit, hochaktuelle Informationen und dynamische Berichte zu generieren, um flexibel am Markt agieren zu können. Komplexe Data Mining Anwendungen finden Muster in den Daten, um Geschäftsprozesse zu optimieren, die verborgenen Wünsche des Kunden aufzudecken oder völlig neue Geschäftsmodelle zu entwickeln.
Ziel dieser Arbeit ist es, einen fundierten Überblick über die Bedeutung der Business Intelligence, des Data Warehouse sowie dem Reporting in diesem Umfeld zu geben und am Ende mögliche Umsetzungsmöglichkeiten zu demonstrieren.
Inhaltsverzeichnis
- 1 Einleitung
- 1.1 Kurzüberblick
- 1.2 Aufbau der Arbeit
- 2 Business Intelligence
- 2.1 Ein kurzer Überblick
- 2.1.1 Semantische Sichtweise
- 2.1.2 Pragmatische Sichtweise
- 2.1.3 Verständnis der Business Intelligence
- 2.1.4 Entwicklung der Business Intelligence
- 2.2 Komponenten der Business Intelligence
- 2.2.1 Ein aktuelles BI Umfeld im Überblick
- 2.2.2 Datenherkunft
- 2.2.3 Datenbereitstellung
- 2.2.4 Informationsgenerierung
- 2.2.5 Informationszugriff
- 2.2.6 Metadatenmanagement
- 2.3 Bedeutung der BI für die betriebswirtschaftliche Praxis
- 2.1 Ein kurzer Überblick
- 3 Das Data Warehouse
- 3.1 Konzept des Data Warehouse
- 3.2 Referenzarchitektur eines Data Warehouse
- 3.2.1 Aufbau der Architektur
- 3.2.2 Datenquellen
- 3.2.3 Metadatenmanager und Repositorium
- 3.2.4 Arbeitsbereich
- 3.2.5 Basisdatenbank
- 3.2.6 Data Warehouse
- 3.2.7 Data Warehouse Manager
- 3.3 OLAP im Data Warehousing
- 3.3.1 OLAP Definition
- 3.3.2 Multidimensionale Datenmodelle
- 3.3.3 Fallbeispiel: Cube-Erstellung
- 3.3.4 Fallbeispiel: Arbeitsprozesse mit Cubes
- 3.3.4.1 Die Standardprozeduren
- 3.3.4.2 Pivoting
- 3.3.4.3 Slicing
- 3.3.4.4 Dicing eines Cubes
- 3.3.4.5 Drill-Down & Roll-Up
- 3.4 OLAP im relationalen Umfeld
- 3.4.1 Datenmodelle von OLAP Systemen
- 4 Reportingerfordernisse im Unternehmen
- 4.1 Bedeutung des Reporting
- 4.2 Anforderungen an das Reporting
- 4.3 Umsetzungsstrategien
- 4.3.1 Vorüberlegungen
- 4.4 Excellence im Reporting
- 4.4.1 Grundlegende Problemstellung
- 4.4.2 Das „magische Viereck“ der Management-Reporting Excellence
- 4.4.3 Die zwölf Erfolgsfaktoren
- 4.4.3.1 Strategie und Steuerungsverständnis fest im Blick halten
- 4.4.3.2 Nutzen für das Management schaffen
- 4.4.3.3 Effizienz im Reporting
- 4.4.3.4 Interaktion zwischen Controlling und Management stärken
- 5 Open Source BI mit der Pentaho BI Suite
- 5.1 Open Source Business Intelligence
- 5.2 Aufbau der Pentaho BI Suite
- 5.3 Installation des Pentaho Testsystems
- 5.4 Funktionen im BI Portal
- 5.5 Datenbereitstellung / ETL Prozess
- 5.6 Mondrian
Zielsetzung und Themenschwerpunkte
Diese Bachelorarbeit untersucht Data Warehouses als Kernkomponente von Business-Intelligence-Systemen und deren Bedeutung für die Qualität des Reportings. Die Arbeit analysiert die Architektur von Data Warehouses, OLAP-Techniken und die Anforderungen an effektives Reporting im Unternehmenskontext.
- Data Warehouses als Bestandteil von Business Intelligence
- Architektur und Komponenten von Data Warehouses
- OLAP-Technologien und deren Anwendung
- Anforderungen an Reporting im Unternehmen
- Open-Source-BI-Lösungen
Zusammenfassung der Kapitel
Kapitel 1 bietet eine Einleitung und einen Überblick über den Aufbau der Arbeit. Kapitel 2 beschreibt Business Intelligence, seine Komponenten und Bedeutung. Kapitel 3 fokussiert auf Data Warehouses, ihre Konzepte, Architektur und die Anwendung von OLAP. Kapitel 4 befasst sich mit den Anforderungen an Reporting in Unternehmen und Strategien zur Verbesserung der Reporting-Qualität. Kapitel 5 stellt eine Open-Source-BI-Lösung vor.
Schlüsselwörter
Data Warehouse, Business Intelligence, Reporting, OLAP, Data Mining, Pentaho BI Suite, Datenanalyse, Informationsmanagement, Unternehmenssteuerung.
- Citar trabajo
- Simon Schäfer (Autor), 2009, Data Warehouse. Komponente der Business Intelligence und Qualitätsfaktor des Reportings, Múnich, GRIN Verlag, https://www.grin.com/document/123959
