Inhaltsverzeichnis

Abbildungsverzeichnis   iv

Tabellenverzeichnis v   

Abk  ürzungsverzeichnis  vi

1  Einleitung  1

1.1  Kurzüberblick  1

1.2  Aufbau der Arbeit.  1

2  Business Intelligence  4

2.1  Ein kurzer Überblick  4

2.1.1  Semantische Sichtweise  4

2.1.2  Pragmatische Sichtweise.  4

2.1.3  Verständnis der Business Intelligence  5

2.1.4  Entwicklung der Business Intelligence.  6

2.2  Komponenten der Business Intelligence  9

2.2.1  Ein aktuelles BI Umfeld im Überblick  9

2.2.2  Datenherkunft  10

2.2.3  Datenbereitstellung  11

2.2.4  Informationsgenerierung.  14

2.2.5  Informationszugriff  14

2.2.6  Metadatenmanagement  14

2.3  Bedeutung der BI für die betriebswirtschaftliche Praxis.  15

3  Das Data Warehouse.  16

3.1  Konzept des Data Warehouse.  16

3.2  Referenzarchitektur eines Data Warehouse.  17

3.2.1  Aufbau der Architektur  17

3.2.2  Datenquellen  18

3.2.3  Metadatenmanager und Repositorium  19

3.2.4  Arbeitsbereich  19

3.2.5  Basisdatenbank  20

3.2.6  Data Warehouse  20

3.2.7  Data Warehouse Manager.  21

3.3  OLAP im Data Warehousing.  21

3.3.1  OLAP Definition.  21

3.3.2  Multidimensionale Datenmodelle.  22

3.3.3  Fallbeispiel: Cube-Erstellung  24

3.3.4  Fallbeispiel: Arbeitsprozesse mit Cubes.  26

ii

3.3.4.1  Die Standardprozeduren  26

3.3.4.2  Pivoting.  26

3.3.4.3  Slicing.  27

3.3.4.4  Dicing eines Cubes  28

3.3.4.5  Drill-Down Roll-Up  29

3.4  OLAP im relationalen Umfeld  29

3.4.1  Datenmodelle von OLAP Systemen  29

4  Reportingerfordernisse im Unternehmen.  33

4.1  Bedeutung des Reporting.  33

4.2  Anforderungen an das Reporting.  33

4.3  Umsetzungsstrategien.  37

4.3.1  Vorüberlegungen  37

4.4  Excellence im Reporting  41

4.4.1  Grundlegende Problemstellung.  41

4.4.2  Das „magische Viereck“ der Management-Reporting Excellence  42

4.4.3  Die zwölf Erfolgsfaktoren.  44

4.4.3.1  Strategie und Steuerungsverständnis fest im Blick halten  44

4.4.3.2  Nutzen für das Management schaffen  45

4.4.3.3  Effizienz im Reporting  46

4.4.3.4  Interaktion zwischen Controlling und Management stärken.  46

5  Open Source BI mit der Pentaho BI Suite  48

5.1  Open Source Business Intelligence  48

5.2  Aufbau der Pentaho BI Suite  49

5.3  Installation des Pentaho Testsystems  50

5.4  Funktionen im BI Portal  53

5.5  Datenbereitstellung / ETL Prozess  53

5.6  Mondrian  53

6  Schlussbetrachtung  57

6.1  BI und DW im Unternehmen.  57

6.2  Kapitelbezogenes Resümee  57

6.3  Schwierigkeiten bei der Umsetzung des Fallbeispiels  58

6.4  Ausblick.  58

GLOSSAR   60

Anhang A. 71   

Anhang B   75

Literaturverzeichnis   77

iii

Abbildungsverzeichnis   

Abbildungsverzeichnis   

Abbildung  1: Unterschiedliche Verständnisse der BI  

Abbildung  2: Verständnisse der Business Intelligence.  

Abbildung  3: Entwicklungsumfeld der Business Intelligence.  

Abbildung  4: Komponenten der Business Intelligence.  

Abbildung  5: Phasen der Transformation  

Abbildung  6: Referenzarchitektur eines Data Warehouse  

Abbildung  7: Multidimensionaler Cube  

Abbildung  8: Aufbereitete Beispieltabellen.  

Abbildung  9: Cube-Entwurf mit 3 Dimensionen  

Abbildung  10: Aufbereiteter Cube.  

Abbildung  11: Pivoting eines Cubes  

Abbildung  12: Slicing eines Cubes.  

Abbildung  13: Dicing eines Cubes  

Abbildung  14: Transaktionales Datenmodell.  

Abbildung  15: Datenmodell "Flache Struktur"  

Abbildung  16: Datenmodell "Star Schema"  

Abbildung  17: Datenmodell "Snowflake Schema"  

Abbildung  18: Objektiver und subjektiver Informationsbedarf.  

Abbildung  19: Entstehungsmöglichkeiten von Störungen im Berichtswesen.  

Abbildung  20: Arten von Berichten  

Abbildung  21: Berichtsarten in der Praxis.  

Abbildung  22: Erstellungsart der Managementreporte nach Bereichen  

Abbildung  23: Perspektiven der Transparenz  

Abbildung  24: Das "magische Viereck" der Management-Reporting Excellence  

Abbildung  25: System der Reporting Pyramiden  

Abbildung  26: Aufbau der Pentaho BI Suite  

Abbildung  27: Einbindung des mySQL JDBC Treibers  

Abbildung  28: XAMPP Control Panel  

Abbildung  29: Startseite der Pentaho-Plattform.  

Abbildung  30: Portalseite der Pentaho BI-Suite.  

Abbildung  31: Pentaho Data Integration.  

Abbildung  32: OLAP-Beispiel Grundansicht.  

Abbildung  33: OLAP-Beispiel Pivoting  

Abbildung  34: OLAP-Beispiel: Slicing.  

Abbildung  35: OLAP-Beispiel Dicing  

Abbildung  36: OLAP-Beispiel Drill-Down und Roll-Up  

Abbildung  37: OLAP-Beispiel Zusatzwerkzeuge.  

iv

Tabellenverzeichnis   

Tabellenverzeichnis   

Tabelle 1:  Vergleich der Eigenschaften von OLTP und OLAP.  8

Tabelle 2:  Vor- und Nachteile des Standardberichts  39

Tabelle 3:  Vor- und Nachteile des Abweichungsberichts.  39

Tabelle 4:  Vor- und Nachteile des Bedarfsberichts  40

v

Abkürzungsverzeichnis

Abkürzungsverzeichnis

ACID atomicity, consistency, isolation, durability

BAM Business Activity Monitoring

BI Business Intelligence

CDW Core Data Warehouse bzw. Central Data Warehouse

CPM Corporate Performance Management

CRM Customer Relationship Management

CSV Comma Separated Values

DSS Decision Support System

DW Data Warehouse

EIS Executive Information System

ERP Enterprise Resource Planning

ETL Extraction, Transformation, Loading

EU Europäische Union

FASMI Fast analysis of shared multidimensional information

GPL General Public License

GUI Graphical User Interface

HOLAP Hybrid Online Analytical Processing

HR Human Resources

ICT Information and Communication Technologies

IT Informationstechnologie

MDM Metadatenmanagement

MIS Management Information System

MOLAP Multidimensional Online Analytical Processing

MPL Mozilla Public License

MSS Management Support System

vi

Abkürzungsverzeichnis

NRW Nordrhein-Westfalen

ODS Operational Data Store

OLAP Online Analytical Processing

OLTP Online Transaction Processing

OMG Object Management Group

OSI Open Source Initiative

OSS Open Source Software

PPM Process Performance Management

ROLAP Relational Online Analytical Processing

SCM Supply Chain Management

SQL Structured Query Language

WDCC World Data Center for Climate

vii

1 Einleitung

1 Einleitung

1.1 Kurzüberblick

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.

1.2 Aufbau der Arbeit

Im zweiten Kapitel wird der Frage nachgegangen, was man überhaupt unter dem Begriff „Business Intelligence“ versteht und ob es eine Möglichkeit gibt, diesen genau zu definieren. Hierfür wird ein kurzer Überblick über die geschichtliche Entwicklung der Informationssysteme innerhalb der Unternehmen eingeschoben, der schließlich in einem Referenzmodell mündet. Dieses Modell zeigt, wie aktuelle BI-Landschaften aussehen könnten. Hier wird versucht zu erklären, wie ein Business Intelligence System funktioniert und welche Möglichkeiten man hat, dieses effektiv zu nutzen.

Das Konzept und die Funktionsweise eines Data Warehouse hat, aufbauend auf dem zweiten Kapitel, das dritte Kapitel zum Inhalt. Es versucht das allgemein anerkannte Data Warehouse Konzept und die darauf aufbauende Referenzarchitektur darzustellen und die Prozesse innerhalb

1

1 Einleitung

des Data Warehouse entsprechend zu erläutern. Hierfür wird aufgeführt, welche Anforderungen an die Systeme zu stellen sind um dem analytischen Gedanken zu folgen. Das Kapitel wird mit einer Einführung in die multidimensionalen Datenmodelle und deren Abbildung im relationalen Umfeld abgeschlossen.

Kapitel 4 stellt die Erfordernisse eines Reportings dar und versucht die Thematiken Business Intelligence und Data Warehouse in dieses Thema zu integrieren. Es soll aufzeigen, wie sich die gewonnenen Erkenntnisse der vorherigen Kapitel schließlich auch im Bereich des Unternehmensreportings widerspiegeln. Hierzu orientiert sich das Kapitel an der Management Reporting Excellence, der Idealform des Management Reportings. Abschließend soll das fünfte Kapitel aufzeigen, wie man mit Open Source Produkten ein Business Intelligence Umfeld aufbauen und administrieren kann. Es stellte sich heraus, dass es hier zu einigen Problemen kommen kann, die ebenfalls im Kapitel erläutert werden. Die Arbeit endet mit einer Schlussbetrachtung, die abschließend aufzeigen soll, ob die Problemstellungen der einzelnen Kapitel gelöst worden sind und welche Fragen eventuell nicht beantwortet werden konnten.

2

1 Einleitung

3

2 Business Intelligence

2 Business Intelligence

2.1 Ein kurzer Überblick

2.1.1 Semantische Sichtweise

In vielen Lehrbüchern, Internetinhalten und Aufsätzen wird der Begriff „Business Intelligence“ differenziert dargestellt. Es ist daher sinnvoll, zunächst einen kurzen Ausflug in die Geschichte und Entwicklung der BI zu unternehmen, um die Verständlichkeit der nachfolgenden Kapitel zu verbessern. Interessanterweise wird das Wort „Intelligence“ häufig nur rein wortwörtlich - also als Intelligenz - interpretiert. Innerhalb der BI spielt diese sicherlich auch eine wichtige Rolle, aber die weiteren Übersetzungen des Begriffs wie z.B. Aufklärung, Einsicht oder Information beschreiben die Aufgaben und Wirkungsweisen der BI wesentlich passender. ¹ Dies wird unter anderem auch in den drei Prozessphasen Bereitstellung (von Information), Entdeckung (Aufklärung) und Kommunikation deutlich, in die man die BI grob einteilen kann. ² Würde man den Begriff BI nun also rein nach dessen semantischer Sichtweise definieren, so käme man zu dem Ergebnis, dass es sich bei der BI um einen Prozess oder eine Institution handelt, die im wirtschaftlichen Umfeld aufklärt, informiert und neue Einsichten vermittelt.

2.1.2 Pragmatische Sichtweise

Betrachtet man nun - neben der sehr breit gespannten semantischen Sichtweise - die stark differenzierten Definitionen des Begriffs, die sich im Laufe der Zeit sowohl in der Forschung als auch in der Praxis entwickelten, so wird deutlich, warum auch das Verständnis von BI in der Praxis einen sehr großen Umfang aufweist. Ein Grund hierfür ist sicherlich die recht lange und dynamische Entwicklung der Vorläufersysteme, welche bereits seit den 60er Jahren existierten und schließlich in die BI mündeten. Doch auch das Unternehmensumfeld trug entschieden dazu bei, das Verständnis der Allgemeinheit hinsichtlich der BI weiter aufquellen zu lassen. Je nach Produktspektrum wurde der Begriff der BI von jedem Unternehmen anders ausgelegt. Infolge dessen ergaben sich viele differenzierte Auffassungen, was nun unter BI zu verstehen ist. Abbildung 1 stellt in diesem Zusammenhang die unterschiedlichen Assoziationen auf, die sich daraus ergaben und von Mertens in einem Arbeitspapier zum Thema BI publiziert worden sind. 3

¹ Vgl. Gluchowski / Gabriel / Dittmar (2008), S. 89.

² Vgl. Grothe / Gentsch (2000), S. 20.

³ Vgl. Mertens (2002), S. 4.

4

2 Business Intelligence

Es fällt auf, dass sich die Sichtweisen an unterschiedlichen Objekten orientieren. Zum einen sind dies die Systeme und Anwendungen, die mit der BI zusammenhängen und zum anderen die Prozesse, die notwendig sind um ein BI-Umfeld zu betreiben.

2.1.3 Verständnis der Business Intelligence

In der Literatur werden, unter anderem wegen der im Kapitel 2.1.2 besprochenen Thematik, verschiedene Abgrenzungen vorgenommen, welche die BI in einem Verständnisrahmen aufgliedern. Gluchowski stellt die Zusammenhänge sehr anschaulich in einer Matrix dar, deren Abszisse angibt, ob das Objekt der BI eher technik- oder anwendungsorientiert ist, sowie deren Ordinate, welche differenziert, ob es sich um eine Datenbereitstellung oder eine Datenauswertung handelt. In diesem aufgespannten Raum ordnet er nun die einzelnen Objekte der BI ein und definiert mit den entstandenen Feldern die unterschiedlichen Verständnisse der BI. ⁴ Im Bereich des „Engen BI-Verständnisses“ sieht er nur die Hauptmodule, die ein BI-Umfeld ausmachen wie die OLAP-Funktionalität und die Informationssysteme MIS / EIS. Darauf aufbauend folgen die analyseorientierten Verständnisse, die sich eher im datenbereitstellenden Bereich der Matrix aufhalten, aber sowohl technikorientiert sind - wie z.B. die Mustererkennung innerhalb der Daten - wie auch die Komponenten, die eher auf die Anwendungsebene fokussiert sind. Dazu zählen einerseits die Kennzahlensysteme wie z.B. die Balanced Scorecard und andererseits auch Planungs- und Konsolidierungssysteme. Der Domäne des „Weiten BI-Verständnisses“ werden überwiegend Objekte zugeordnet, die für die Datenbereitstellung zuständig sind. Ein klarer Vertreter dieses Bereichs, dem auch in dieser Arbeit ein größeres Augenmerk gewidmet wird, ist das Data Warehouse. In Anlehnung an Gluchowski stellt Abbildung 2 das aufgespannte Ordnungsfeld der einzelnen Verständnisse der BI dar.

⁴ Vgl. Gluchowski (2001), S. 7.

5

2 Business Intelligence

Die einzelnen Komponenten werden an späterer Stelle dieser Arbeit noch näher erläutert. Abschließend zu erwähnen ist, dass die breite Auslegung des Begriffs und die vielen differenzierten Definitionen die BI zwar allumfassend beschreiben, jedoch die Gefahr besteht, dass der Begriff weiter verwässert wird und nur noch als ein Schlagwort zu gebrauchen ist. 5

2.1.4 Entwicklung der Business Intelligence

Der Bedarf nach einer adressatengerechten Lieferung von Informationen besteht nicht erst seit dem Aufkommen von BI-Produkten. Schon in den 60er Jahren versuchte man die Ansätze der Organisationslehre, der Informatik und der Führungslehre miteinander zu kombinieren. ⁶ Daraus entwickelte sich schließlich das Management Information System (MIS) - sozusagen der Vorläufer der heutigen BI. Schon damals sollte aus den Daten, welche die proprietären Systeme lieferten, Informationen gewonnen werden, um das Management bei deren Entscheidungsfindung zu unterstützen.

Kennzeichnend war damals jedoch, dass man auf die objektiven und subjektiven Informationsbedürfnisse der Manager kaum eingehen konnte. Die zu der Zeit vorherrschenden sehr starren Systeme ließen derartige Individualisierungen einfach nicht zu. Ebenfalls festzuhalten ist, dass die Datenextraktion direkt auf die operativen Systemen aufsetzte, was aber aufgrund fehlender Alternativen und den geringeren Datenmengen vorerst nicht weiter berücksichtigt wurde. ⁷ Eine ebenfalls zu erwähnende Komponente waren die damaligen Kosten für derartige Großrechnerarchitekturen. Informationssysteme dieser Art blieben daher nur den

⁵ Vgl. Gluchowski (2001), S. 2.

⁶ Vgl. Weill / Olson (1987), S. 5.

⁷ Vgl. Knöll / Schulz-Sacharow / Zimpel (2006), S. 41.

6

2 Business Intelligence

großen Unternehmen vorbehalten. In den nachfolgenden Jahren wurden weitere Anstrengungen unternommen, das MIS um einen modellorientierten Ansatz zu erweitern. Diese Entwicklung mündete Ende der 60er / Anfang der 70er Jahre schließlich in die ersten Decision Support Systems (DSS) bzw. Management Decision Systems (MDS), welche vor allem durch Peter Keen und Charles Stabell vorangetrieben wurden. Die Unterschiede zum MIS waren unverkennbar, da es die Architektur der DSS erlaubte, auf die vielfältigen Methoden und Modelle Rückgriff zu nehmen, die in dem System implementiert waren. Vom Prinzip her waren es zwar immer noch Management Information Systems, doch weil der Begriff durch die schlechten Erfahrungen mit vielen negativen Assoziationen behaftet war, entschied man sich für einen Namenswechsel und damit zu den DSS. ⁸ Erstmals wurden Erfahrungswerte in Rechnern abgelegt, die anschließend in die Informationsgenerierung zur Analyse, Prognose oder Simulation mit einfließen konnten. Man wandte sich von den datengetriebenen Systemen ab und eröffnete sich neue Sichtweisen durch die methodengetriebene Herangehensweise. ⁹ Doch im Laufe der 70er Jahre stellte sich heraus, dass die bisherigen Herangehensweisen, ein Informationssystem für das obere Management zu schaffen, erhebliche Akzeptanz- und Verständnisprobleme zur Folge hatten. ¹⁰ Dafür steht stellvertretend eine Aussage von einem Mitarbeiter im Vorstandsbüro eines großen Chemiekonzerns dieser Zeit: „The President bought a home computer six months ago. He's been happily working on his own investment portfolio with it and told us last week that he was sure that he ought to be able to use computers directly in the management of the corporation. We need a plan to make this happen." Die verschiedenen Umstände führten schließlich dazu, dass sich Rockart und Treacy näher mit diesen Problemtiken auseinandersetzten und schließlich eine weitere Form der Informationssysteme entwickelten, welche speziell für die obere Führungsebene ausgelegt war und durch niedrigere Akzeptanzbarrieren auch schnell in die Unternehmensumfelder Einzug halten sollte. Dieses sogenannte Executive Information System (EIS) sollte interessanterweise eine von vielen Forderungen des Managements befriedigen, die jedoch auch heute noch aktuell ist. Rockart und Treacy fanden heraus, dass das Management trotz der implementierten MIS bzw. DSS jener Zeit sehr darüber klagte, dass es noch immer keine ausreichende Transparenz über die ablaufenden Prozesse der Unternehmung habe. Sie forderten einen bedarfsgerechten, breiteren Zugriff auf die Datengrundlagen sowie eine Ausweitung des Detaillierungsgrades. Außerdem bestand eine Nachfrage nach einer einfachen Möglichkeit, die Analyse auch selber durchführen und dynamisieren zu können. 11

Es bleibt festzuhalten, dass die bisher angesprochenen Systeme nicht parallel existiertenvielmehr gingen sie nach und nach ineinander über und die Entwicklungen innerhalb des Bereichs eines Systems wurden auch zu Treibern der nachfolgenden Systeme. So finden sich Modelle der Optimierung, Simulation, Statistik und auch der künstlichen Intelligenz heutzutage

⁸ Vgl. Grothe / Gentsch (2000), S. 65.

⁹ Vgl. Alter (2002), S. 151.

¹⁰ Vgl. Rockart / Treacy (1980), S. 4.

¹¹ Vgl. Rockart / Treacy (1980), S. 6f.

7

2 Business Intelligence

nicht nur in einzelnen Bereichen der BI, sondern verstehen sich vielmehr als Werkzeuge der gesamten BI-Umgebung.

In den 90er Jahren wurden die Problematiken des Online Transaction Processing (OLTP) auf der einen Seite und jene des Online Analytical Processing (OLAP) bei simultaner Nutzung immer offenbarer. Einige markante Unterschiede zwischen den beiden Systemen veranschaulicht Tabelle 1. Für kleinere Analysen innerhalb eines kurzen Zeitraums waren die operativen Systeme mit ihrer normalisierten relationalen Datenbankstruktur ausreichend. Die Datenmengen waren noch nicht zu groß und für längere Extraktionsprozesse nutzte man Leerzeiten der Systemarchitektur, um die Performance im operativen Bereich nicht zu belasten. Doch je größer die Datenmengen wurden und je stärker die Fragmentierung - durch das relationale Datenmodell bedingt - zunahm, desto länger wurde auch die Laufzeit der Abfragen und desto rasanter stieg die Auslastung der operativen Systeme an. Dieses grundlegende Problem des Zugriffs auf die operativen Datenbestände wurde mit der Entwicklung des Data Warehouse schließlich gelöst. In den frühen 90er Jahren stellten W. Inmon und E.F. Codd fest, dass OLTP und OLAP in ein und demselben Datenbankumfeld nicht gleichzeitig existieren können. ¹² Es wurde schließlich der Weg für die Entwicklung und Einführung vom Data Warehouse geebnet.

Einige Jahre vor den Veröffentlichungen von Inmon und Codd beschäftigte sich auch Howard Dresner - Marktforscher bei der Gartner Group - mit den Problematiken der Informationsversorgung und prägte dabei den Begriff „Business Intelligence“ nachhaltig. Erstmalig im Jahre 1989 verwendet, stand der Begriff einige Jahre später nicht mehr für ein Nischengeschäft, sondern für einen allgemein gültigen Bereich der Unternehmenssteuerung und Forschung. 13

In etwa zur gleichen Zeit, zu der sich die BI in der Unternehmenslandschaft durchsetzte, fanden auch immer mehr analytische Anwendungen Einzug in die einzelnen Bereiche der Informationssysteme. Gerade die vorgelagerten Datenbestände der Data Warehouse

¹² Vgl. Jarke / Lenzerini / Vassiliou / Vassiliadis (2000), S. 1.

¹³ Vgl. [URL1] Gartner Group.

8

2 Business Intelligence

Architekturen ließen es zu, nach Mustern innerhalb der Datenbestände zu suchen. Der Begriff „Data Mining“ gewann ebenfalls zunehmend an Popularität und fügte sich nach und nach in die Landschaft der BI ein. Aktuell begegnen einem die Begriffe Corporate Performance Management, Process Performance Management sowie Business Activity Monitoring immer häufiger und hier bleibt abzuwarten, wie sich diese Felder auf das Verständnis der BI auswirken werden. Betrachtet man nun die historische Entwicklung rund um das Thema Business Intelligence, ist ersichtlich, dass auf der einen Seite die Weiterentwicklung eher datengetrieben fortgeführt wurde. Die Struktur, die Herkunft, die Haltung, die Speicherung, die Verfügbarkeit der Daten, etc. waren Inhalte der Problemstellungen, welche die Weiterentwicklung deutlich vorantrieben. Auf der anderen Seite standen eher die methodengetriebenen Entwicklungen, deren Inhalte eher Fragestellungen waren, wie mit den Daten verfahren werden soll. Abbildung 3 stellt die nun fast 50jährige Entwicklungsgeschichte der Business Intelligence noch einmal an einem Zeitstrahl und differenziert nach dem jeweiligen Entwicklungshintergrund dar.

2.2 Komponenten der Business Intelligence

2.2.1 Ein aktuelles BI Umfeld im Überblick

Definiert man nun den Begriff der BI hinsichtlich dessen semantischer wie auch pragmatischer Bedeutung, so zeichnet sich ein erstes grobes Bild des Begriffs ab. Dieses Bild wird aussagekräftiger, wenn man nun noch die einzelnen Komponenten hinzufügt, welche die Struktur der BI ausmachen. In Abbildung 4 sind die häufig vorkommenden Komponenten eines BI Umfelds schematisch dargestellt.

9

2 Business Intelligence

Die roten Rechtecke bezeichnen die einzelnen Bereiche einer BI-Referenzumgebung in Bezug auf die Daten und den daraus gewonnenen Informationen. Nachfolgend werden diese Bereiche wie auch die enthaltenen Objekte charakterisiert sowie deren Funktionen kurz erläutert, da diese für den Reportingprozess ebenfalls eine nicht zu vernachlässigende Bedeutung haben.

2.2.2 Datenherkunft

In einem idealen Umfeld für ein BI System stehen für die Generierung der Daten unterschiedliche Vorsysteme zur Verfügung. ¹⁴ Auf der einen Seite ein klarer Vorteil, denn je mehr Daten zusammengetragen können, desto weitreichender bzw. detaillierter könnten die Zusammenhänge sein, die aus dem entwickelten Informationsstamm generiert werden. Betrachtet man zunächst die operativen Vorsysteme, welche meist die aktuellen internen Daten für das Data Warehouse bereitstellen, wird klar, dass es schon dort zu Problemen kommen kann. Wenn Daten z.B. aus dem ERP-System des Unternehmens extrahiert werden sollen, um für weitere Transformations- und Speicherprozesse zur Verfügung zu stehen, muss ein Prozess in Gang gesetzt werden, welcher die Daten dieser Systeme über Schnittstellen oder die zu Grunde liegenden Datenbanken auslesen kann.

Dies muss nun nicht nur vom ERP System aus möglich sein, sondern sämtliche Subsysteme umfassen, die wirtschaftlich relevante Daten vorhalten. Teilweise werden im Bereich SCM oder

¹⁴ Vgl. Chamoni / Gluchowski / Hahne (2005), S. 40.

10