BI

Mis( Managment Information System)

DSS(Entscheidungsunterstützungssysetm)

FIS/EIS(Executive Information System (EIS):

Es hat die Aufgabe das Managment bei der Planung, Steuerung, Überwachung und Kontrolle auf taktischer Ebene zu unterstützen. Es bietet Berichte ,Analysen und Dashboards für die Entscheidungsfindung

• Bietet spezialisierte Tools und Modelle, um komplexe Entscheidungen zu unterstützen, indem es Daten analysiert und alternative Szenarien bewertet.

• Verstärkte Betrachtung von Methoden

  • Interaktiver Prozess der Daten- und Methodenauswahl

• Abbildung von Realitätsausschnitten mittels Modelle

  • Oft schlechte Wartbarkeit der Modelle

  • Unzureichende Integration mit operativen Systemen

• Bietet Top-Managern strategische Informationen in komprimierter und leicht verständlicher Form, um strategische Entscheidungen zu treffen.

  Zielgruppe: Obere Führungsebene

  • Hohe Präsentations- und Kommunikationsorientierung

  • Verdichtete Daten, Datenhaltung/-extraktion nicht thematisiert

  • Idee der qualitativen Informationsversorgung

• Kein breiter Einsatz in der Zielgruppe

  • Verbreitung in den Fachbereichen

• Fehlende Abstimmung mit Organisationsstrukturen und Prozessen

Ein Data Warehouse (Datenlager) ist eine zentrale Datenbank oder ein spezieller Datenspeicher, der entwickelt wurde, um große Mengen von strukturierten und oft auch historischen Daten aus verschiedenen Quellen zu sammeln, zu speichern, zu verwalten und zu analysieren.

1. Höhere Kundenerwartungen: Kunden erwarten immer anspruchsvollere Dienstleistungen und personalisierte Erfahrungen. Data Warehousing muss in der Lage sein, Daten zu sammeln und zu analysieren, um diese Erwartungen zu erfüllen.

2. Leistung: Data Warehousing muss eine schnelle und effiziente Verarbeitung von Daten und Abfragen gewährleisten, um Echtzeit-Entscheidungen zu ermöglichen.

3. Wertvolle Ergebnisse in Echtzeit: Unternehmen benötigen in Echtzeit verfügbare Erkenntnisse, um schnell auf Geschäftsveränderungen reagieren zu können.

4. Umfang: Data Warehousing muss in der Lage sein, eine Vielzahl von Datenquellen und Datentypen zu integrieren, um ein umfassendes Bild des Geschäfts zu liefern.

1. Historische Daten UND vorausschauende, agile Analytik: Neben der Analyse historischer Daten werden auch vorausschauende Analysen immer wichtiger, um Trends und zukünftige Entwicklungen vorherzusagen.

2. Wert: Data Warehousing muss sicherstellen, dass die analysierten Daten einen messbaren Wert für das Unternehmen liefern, sei es durch Kosteneinsparungen, Umsatzsteigerungen oder andere Vorteile.

1. Daten: Die Vielfalt der verfügbaren Daten und Datentypen erfordert eine sorgfältige Integration und Verarbeitung.

2. Neue Typen: Neben strukturierten Daten werden auch unstrukturierte Daten wie Text, Bilder und Videos zunehmend wichtig.

3. Verhaltensdaten und das Internet der Dinge: Daten über das Verhalten von Kunden und vernetzte Geräte (IoT) eröffnen neue Möglichkeiten für Analysen und Erkenntnisse.

4. Größere Volumina (Dateigrößen): Mit immer größer werdenden Datenmengen müssen Data Warehouses in der Lage sein, diese Daten effizient zu verarbeiten und zu speichern.

5. Neue Standorte: Die Nutzung von Cloud-Diensten ermöglicht es, Daten in verschiedenen Standorten zu speichern und zu verarbeiten.

1.Technische Aspekte

2.Betriebswirtschaftliche Aspekte

Bi umfasst Strategie, Prozesse und Technologien, um aus vielfälltigen und verteilten Daten Wissen über Status, Potenziale und perspektiven eines Unternehmens zu gewinnen

Die Grundbausteine sind dafür da um das volle Potenzial aus Bi zu schöpfen, realisieren

1. Business Performance Managment(BPM)

2. Business Analytics 1

3. Business Analytics 2

4. Data Warehouse/ Data Lake

Definition: 

BPM ist eine Menge von systematischen an der Unternehmensstrategie ausgerichteten Managementprozessen, die Unterstützung durch IT-Systeme erhalten, und einen geschlossenen Regelkreis bilden

**Business Performance Management (BPM)**:

   - BPM bezieht sich auf den Prozess, Ziele und Leistungskennzahlen zu definieren, zu überwachen und zu analysieren, um die Gesamtleistung des Unternehmens zu steigern.

   - Es umfasst die Planung, Budgetierung, Prognose und Überwachung der Performance, um sicherzustellen, dass strategische Ziele erreicht werden.

Ziel:

• Strategien für das Unternehmen zu entwickeln und zu bewerten

• Diese Strategien in Ziele und operative Maßnahmen zu transformieren

• Darauf basierend soll die Leistungsfähigkeit des Unternehmens gemessen, analysiert und gesteuert werden.

3. **OLAP (Online Analytical Processing)**:

   - OLAP ist eine Technologie zur multidimensionalen Analyse von Daten.

   - Es ermöglicht es Benutzern, Daten aus verschiedenen Blickwinkeln zu betrachten, in verschiedenen Dimensionen zu analysieren und Drill-Down-Analysen durchzuführen.

1.Es stellt Daten in Form von Diagrammen, Dashboards und Grafiken da.

2.Das Ziel ist es Daten anschaulich Darzustellen um schnellere Erkentnisse zu erfassen

- Reporting bezieht sich auf die Erstellung von standardisierten Berichten, die relevante Informationen aus den Daten für verschiedene Stakeholder darstellen.

   - Es ermöglicht es, Informationen in strukturierter Form zu kommunizieren.

Predictive Analytics**:

   - Predictive Analytics nutzt statistische Modelle und Algorithmen, um zukünftige Ereignisse oder Trends vorherzusagen.

   - Es verwendet historische Daten, um Wahrscheinlichkeiten und Prognosen für zukünftige Ereignisse zu berechnen.

• Strategisch:

  • Bietet einen Überblick über das Geschäft mit dem Schwerpunkt auf Leistung und Prognosen

  • Hilft bei der Identifizierung von Möglichkeiten zur Verbesserung und Entwicklung

• Analytisch:

  • Liefern Daten, zum Verständnis des Kontextes, warum Dinge passieren, Trends oder Perspektiven.

  • Macht Vergleiche, analysiert die Geschichte und interagiert mit den Daten.

  • Kann sehr komplex sein.

• Operativ:

  • Überwachung von Echtzeit-Ereignissen, dich sich ständig ändern und möglicherweise eine rechtzeitige Aufmerksamkeit erfordern.

  • Sie werden häufig aktualisiert und können den Benutzern spezifische Informationen liefern.

1. Idealtypische Beschreibung der (funktionalen) Module eines Systems:

   • Beschreibt die verschiedenen funktionalen Module oder Komponenten im System.

   • Definiert die Aufgaben und Funktionen jedes Moduls.

2. Darstellung von Datenflüssen (Durchführungssicht):

   • Visualisiert, wie Daten im System von einem Modul zum anderen fließen.

   • Zeigt den Pfad der Datenverarbeitung und -bewegung im System auf.

3. Darstellung von Kontrollflüssen (Steuerungssicht):

   • Visualisiert den logischen Ablauf der Steuerung und Ausführung von Prozessen im System.

   • Zeigt Entscheidungsstrukturen, Kontrollmechanismen und Ablauflogik.

1. Basis für Implementierungsplan:

   • Dient als Grundlage für die Planung und Implementierung von Systemen.

   • Bietet klare Richtlinien für die technische Umsetzung.

2. Erhöhung der Übersichtlichkeit und Komplexitätsreduktion:

   • Hilft dabei, komplexe Systeme zu strukturieren und zu organisieren.

   • Bietet eine übersichtliche Darstellung der Systemkomponenten und ihrer Beziehungen.

3. Ermöglichung von Vergleichen realer Systeme:

   • Ermöglicht den Vergleich von realen Systemen mit dem idealtypischen Modell.

   • Unterstützt die Bewertung der Konformität mit bewährten Praktiken.

Strategische Planung und Ausrichtung: Der Manager ist dafür verantwortlich, eine klare langfristige Vision für das Data Warehouse zu entwickeln, die mit den Geschäftszielen und -strategien des Unternehmens übereinstimmt.

Datenqualitätsmanagement: Eine der wichtigsten Aufgaben ist die Gewährleistung der Datenqualität im Data Warehouse. Der Manager ist verantwortlich für die Implementierung von Prozessen zur Überwachung, Bereinigung und Verbesserung der Datenqualität.

Performanceoptimierung und Technologieaktualisierung: Der Manager überwacht die Leistung des Data Warehouse, identifiziert Engpässe und implementiert Strategien zur Optimierung der Datenbank- und Abfrageleistung. Außerdem ist der Manager dafür verantwortlich, sich über neue Technologien und Best Practices auf dem Laufenden zu halten und sicherzustellen, dass das Data Warehouse mit den neuesten Entwicklungen Schritt hält.

Metadatenmanager: Der Metadatenmanager ist für die Verwaltung von Metadaten im Data Warehouse verantwortlich. Metadaten sind Informationen über Daten, Prozesse und Ressourcen im Data Warehouse. Der Metadatenmanager sorgt dafür, dass diese Metadaten konsistent, zugänglich und aktuell sind.

• Metdatenmanager stellt API für Zugriff auf Metadaten-Repositorium zur Verfügung

1. Metadatenerfassung und -speicherung: Der Metadatenmanager erfasst und speichert Informationen über Datenquellen, Datenstrukturen, Transformationen, Geschäftsregeln, Berichte und andere Elemente im Data Warehouse.

2. Metadatendokumentation: Er sorgt für die Dokumentation von Metadaten, damit Benutzer und Entwickler wissen, welche Daten verfügbar sind, wie sie transformiert wurden und wie sie verwendet werden können.

3. Metadatenverwaltung und -aktualisierung: Der Metadatenmanager aktualisiert und verwaltet die Metadaten kontinuierlich, um sicherzustellen, dass sie genaue Informationen über die im Data Warehouse vorhandenen Daten und Prozesse enthalten.

Metadaten sind Infos über Daten, zeigen Herkunft, Bedeutung, und Struktur. Sie organisieren, erklären und nutzen Daten effizient. Sie fördern Suche, Qualität, Entscheidungen, ohne direkten Datenblick. Sie sind fundamental für Datenmanagement, Analyse und Nutzung in Technologie.

1. Dateimetadaten: Dateiname, Dateigröße, Erstellungsdatum, Änderungsdatum.

2. Datenbankmetadaten: Tabellenname, Spaltenname, Datentyp, Schlüssel, Indizes.

3. Webseiten-Metadaten: Seitentitel, Beschreibung, Schlüsselwörter für SEO.

4. Autorisierung (Name, Password)

5. Quellspezifika (DBMS, IP, URL)

6. Datenbankschemas

Data-Warehouse Manager

• Zentrale Prozessmanagement-Komponente

  • Initiierung

  • Steuerung

  • Überwachung

• Aller Prozesse im Rahmen des Date Warehousing

• Zentrale Steuerung aller Data Warehouse Komponenten

Der Data-Warehouse-Manager fungiert als zentrale Prozessmanagement-Komponente, was bedeutet, dass er die Hauptverantwortung für die Steuerung, Überwachung und Optimierung der Prozesse im Data Warehousing trägt.

Die Initiierung bezieht sich auf den Start von neuen Aktivitäten oder Projekten im Data Warehousing

Die Steuerung umfasst die Lenkung und Koordination der verschiedenen Aktivitäten und Prozesse im Data Warehousing

Überwachung: Die Überwachung bezieht sich auf die kontinuierliche Beobachtung und Bewertung der Prozesse und Aktivitäten im Data Warehousing

Er fungiert als ein temporärer Zwischenspeicher für die Daten, die aus den Quelldatensystemen extrahiert werden, bevor sie in die Basisdatenbank oder das Data Warehouse geladen werden.

• Vorteile: Keine Beeinflussung der Quellen oder des DW; keine Übernahme fehlerbehafteter Daten

Dies bezieht sich auf die Änderung von Daten, um sicherzustellen, dass sie den Anforderungen und Standards des Data Warehouses entsprechen

Extraktor

• Selektieren und transportieren Daten aus den Quellsystemen in die Staging Area

• Arbeitsweise ist von den verwendeten Monitoren abhängig

• Extraktionsstrategien

  • Periodisch

  • Anfrageinduziert

  • Ereignisgesteuert

  • Unverzüglich

1. Periodisch: Daten werden zu bestimmten Zeitintervallen extrahiert, z. B. täglich, wöchentlich oder monatlich. Diese Strategie eignet sich für Daten, die sich nicht häufig ändern.

2. Anfrageinduziert: Daten werden aufgrund spezifischer Anfragen oder Abfragen extrahiert. Dies geschieht, wenn Benutzer explizit nach bestimmten Daten fragen.

3. Ereignisgesteuert: Daten werden extrahiert, wenn bestimmte Ereignisse in den Quellsystemen auftreten, z. B. wenn ein neuer Datensatz hinzugefügt wird.

4. Unverzüglich: Daten werden in Echtzeit oder nahezu in Echtzeit extrahiert, um aktuelle Informationen im Data Warehouse bereitzustellen. Dies erfordert eine enge Integration mit den Quellsystemen.

Die Transformationsaktivität, die der Transformator durchführt, ist von entscheidender Bedeutung für die Datenqualität im Data Warehouse. Daten, die nicht richtig integriert, bereinigt oder vereinheitlicht werden, können zu Fehlern, Inkonsistenzen und unzuverlässigen Analysen führen.

• Eine Komponente zur Übertragung analyseunabhängiger Detaildaten aus dem Arbeitsbereich in die Basisdatenbank

• Eine Komponente zur Übertragung von analysespezifischen Daten (z.B. Aggregate) aus der Basisdatenbank

Datenvolumina und Historisierung der Daten sind bedeutende Herausforderungen beim Laden. Große Datenvolumina können Probleme verursachen. Historisierung behandelt Änderungen im Laufe der Zeit. Manche Datensätze ändern sich, andere sind historisch. Datenvolumina und Historisierung sind wichtig für Data-Warehouse-Effizienz und Datenrückverfolgbarkeit.

Ladezeitfenster minimiert Störungen. Online: Data Warehouse bleibt nutzbar. Offline: Data Warehouse ist während des Ladevorgangs nicht verfügbar.

Schritt1: ERW/WAWI Daten werden extrahiert

Schritt 2: darafhin transferiert

Schritt 3: und zum Schluss in ein Data Warehouse geladen