Auswirkungen einer serviceorientierten Architektur auf Business Intelligence

Wird BI zum analytischen Service dank Business Activity Monitoring?


Bachelorarbeit, 2009

93 Seiten, Note: 1,7


Leseprobe


Inhaltsverzeichnis

II. Abbildungsverzeichnis

III. Tabellenverzeichnis

IV. Abkürzungsverzeichnis

1. Einleitung
1.1 Informationsflut im Unternehmen
1.2 Relevanz von Informationen für das geschäftliche Umfeld
1.3 Was ist Wissen? Implizit versus Explizit
1.4 Problemstellung aus Sicht des Managements
1.5 Motivation und Rechtfertigung dieser Arbeit

2. Business Intelligence
2.1 Die Strategie hinter Business Intelligence
2.1.1 Data Warehousing Ansatz
2.1.2 Data Mart
2.1.3 Online Analytical Processing (OLAP)
2.1.4 Data Mining
2.1.5 Dashboards
2.1.6 Kennzahlen
2.2. Architektur von BI-Systemen
2.2.1 Inhalt der Informationen
2.2.2 Periodizität
2.2.3 Präsentationsform der Informationen
2.2.4 Anwender des Systems
2.2.5 Funktion und Analyse der Daten
2.3 Bewertung von BI-Solutions durch Reifegradmodelle
2.4 Competitive Business Intelligence
2.5 Delegation von Autonomie und Souveränität an das Anwendungssystem
2.6 Defizite eines BI-Systems

3. Serviceorientierte Architektur
3.1 Das SOA-Konzept
3.1.1 Service
3.1.2 Enterprise-Service-Bus (ESB)
3.1.3 Das Konzept der „Losen Kopplung“
3.2 Erfolgsfaktoren für eine SOA
3.3 SOA im prozessorientierten Kontext
3.4 SOA Governance

4. Implementierung von Business Intelligence in ein SOA-Konzept
4.1 Real-Time BI
4.2 Prozesssteuerung und -monitoring mittels der Balanced Scorecard
4.3 BAM - Business Activity Monitoring
4.4 Business Activity Monitoring innerhalb des Enterprise Service Bus
4.5 Analytische Services
4.6 Der intelligente Prozess
4.7 Probleme und Risiken bei der Implementierung eines BI-Systems in eine SOA
4.8 Bedeutung einer SOA für das Business

5. Conclusio - intelligente Prozesse von Morgen

Quellen
Direkte Quellen
Printmedien
Studien und Kompendien
Internetquellen
Weitere Quellen
Printmedien
Studien und Kompendien
Internetquellen

II. Abbildungsverzeichnis

Abb. 1: Begriffshierarchie

Abb. 2: Unterschiedliche Formen der Wissenstransformation

Abb. 3: Prozessorientierter Weg zu einer unternehmensübergreifenden Business Intelligence

Abb. 4: Zielkonfliktsdreieck Business Intelligence

Abb. 5: Das Data Warehouse und seine Quellen

Abb. 6: Würfel, Dimension, Elemente am Beispiel

Abb. 7: Oracle Contact Center Dashboard

Abb. 8: Oracle BAM - Real-Time Portfolio Dashboard

Abb. 9: Informationswirtschaftliches Gleichgewicht

Abb. 10: Idealtypische Hub and Spoke Architektur

Abb. 11: SOA - Das prozessorientierte Unternehmen

Abb. 12: Der Enterprise-Service-Bus (vereinfachte Darstellung)

Abb. 13: Gegenüberstellung BI mit und ohne SOA

Abb. 14: Balanced Scorecard

Abb. 15: Real-Time-Management

Abb. 16: Oracle Business Activity Monitoring

Abb. 17: Oracle Business Activity Monitoring

Abb. 18: Business Analytics in einer SOA

Abb. 19: Referenzprozess mit einer analytischen Komponente

III. Tabellenverzeichnis

Tab. 1: TOP15 der Anbieter von BI-Standardsoftware in Deutschland 2007

IV. Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Einleitung

ALLES WISSEN BESTEHT IN EINER SICHEREN UND KLAREN ERKENNTNIS

René Descartes, französischer Philosoph, Mathematiker und Wissenschaftler (1596)

Dieses Zitat von René Descartes lässt sich analog auf die heutige Informationsflut anwenden und zeigt deutlich, dass das Wissen, das wir im privaten oder im geschäftlichen Betrieb erfordern und einsetzen möchten absolut zuverlässig sein muss und sich auch aus einer sicheren Datenquelle versorgen muss. Dieses Wissen ist leider nur in den wenigsten Fällen mit dem Auge oder dem pragmatischen Blick greifbar. Aus diesem Grunde gibt es Methodiken und Verfahren, die es uns ermöglichen, dieses Wissen zu erzielen - nicht zuletzt um es im Rahmen einer Geschäftslogik auf betriebswirtschaftlicher Ebene einfließen zu lassen.

1.1 Informationsflut im Unternehmen

Das heutige betriebliche Umfeld stellt für Unternehmen aller Größenordnungen immer wieder aufs Neue eine Herausforderung dar. Es gibt in allen industriellen Sektoren zahlreiche Faktoren, die bei der geschäftlichen Tätigkeit berücksichtigt werden müssen und - wie es heute Gang und Gebe ist - in einen größeren bzw. weiteren Kontext implementiert werden müssen.

Der Markt ist gekennzeichnet und durchwachsen von unterschiedlichen Interdependenzen, zahlreichen Faktoren sowie auch eine Fülle von Kennzahlen1, jene welche immer aufs Neue beachtet und berücksichtigt werden müssen, sodass die geschäftliche Tätigkeit erfolgversprechend ist. So verhält es sich besonders im 21. Jahrhundert mit der Informationswirtschaft und den Informationsströmen innerhalb einer Organisation.

Grundsätzlich gilt, dass die Quantität der Informationen eines Unternehmens exponentiell ansteigt und zunehmend unüberschaubarer wird. Das Bild in den Betrieben heute ist zahlreich durchwuchert von historisch gewachsenen Informationsbeständen, die allesamt isoliert und redundant sind. Viele heterogene Datentöpfe 2 verwalten einen dezentralisierten Datenbestand. Diese voneinander isolierten Datenhaltungen verfügen nicht selten über kompliziert und aufwändig implementierte Schnittstellen, sodass der simultane Zugriff auf Informationen gewährleistet werden kann. Architekturen dieser Art können beispielsweise mit Abfragen wie

Welcher Kunde hat in den Gesch ä ftsjahren 2005 und 2006 an den Standorten Berlin, Hamburg und Stuttgart die höchsten Absatzzahlen eingefahren?

zurechtkommen und Daten über mehrere Prozesse und Workflows hin miteinander verknüpfen.

Die Frage nach einem unternehmensweiten Datenmodell 3 wird so deutlich - ein Konzept, das sich mit der Integration von Informationen beschäftigt und zugleich den Abruf solchen Gutes standardisiert und ergonomisch gestaltet. Diese Konzeption soll unternehmensweit gefahren werden, sodass es dadurch möglich wird, alle wertschöpfenden Prozesse und Workflows sowie Datenobjekte dahingehend zu integrieren bzw. zu modellieren, dass diese sich innerhalb eines größeren Komplexes abbilden lassen. Das Ziel, das verfolgt wird, ist es, einen einheitlichen Unternehmenskomplex zu schaffen, den man auch als Gesamtgefüge elektronisch erfassen kann.

Diese Ideologie würde Redundanzen und inkonsistente Datenbestände 4 damit hinfällig machen und ablösen. Allerdings ist die Errichtung eines solchen Informationskomplexes auch mit sehr viel Aufwand und Mühen verbunden.

1.2 Relevanz von Informationen für das geschäftliche Umfeld

Was sind Informationen? Was ist Wissen?

Das sind zwei der möglichen Fragen die sich uns eröffnen, wenn wir über Wissensmanagement und dessen Integration in das ökonomische Umfeld sprechen.

Besonders Wirtschaftsinformatiker fühlen sich dabei adressiert, wenn es darum geht, Informationen und Wissen dieser Art (abstrakt und verallgemeinert betrachtet) zu verwalten und ebenso effektiv zu verwenden, dass damit Umsätze und Gewinne erzielt werden können. Das Informationszeitalter beweist uns in diesem Sinne, dass es heutzutage einer Firma ohne Informationsmanagement nicht mehr möglich ist, sich wettbewerbsfähig zu halten (geschweige denn am Markt geschäftig tätig zu bleiben). Die Prozesse, die maßgeblich an der Filterung und dem Suchen von Informationen beteiligt sind, werden zu aufwändig - eine Dimension, die sich ohne Weiteres auch gemäß dieses Ansatzes in den Kosten widerspiegelt. Der Markt für Business Intelligence Solutions legt stetig zu; laut einer aktuellen BI-Studie5 aus dem Hause Forrester betrugen die Investitionen für Business Intelligence Systeme im Jahre 2007 bereits 7,3 Mrd. US$ - annährend das Doppelte (4,5 Mrd. US$) verglichen noch zu 2004.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Begriffshierarchie6

Die Wissensgewinnung basiert auf dem Aufdecken von Abgängigkeiten und Korrelationen zwischen verschiedenen Faktoren; diese sind in der Regel implizit vorhanden und müssen formalisiert und aufgedeckt werden. Die mögliche Fragestellung sei an dieser Stelle,

Warum soll in die Gewinnung von Informationen investiert werden, die nur schwer in Worte zu fassen sind? Bringt das das Unternehmen weiter?

Dem Erfahrungswert zufolge sind es gerade diese7 Informationen, die Auskunft darüber geben, wie die Effektivität bestimmter Prozesse gesteigert werden kann oder wie beispielsweise Informationen über die

Zielgruppe eines bestimmten Produktes aufgedeckt werden können. Die Bedeutung derartiger Informationen kann somit entscheidend für den Geschäftserfolg oder gar Misserfolg einer Organisation sein.

1.3 Was ist Wissen? Implizit versus Explizit

Nicht selten werden Informationen und Expertisen als „bekannt“ oder bereits „gewusst“ vorausgesetzt. In unserem Alltag treffen wir dutzende Male auf Informationen, die für unseren beruflichen oder privaten Werdegang von eminenter Bedeutung sind, ohne zu hinterfragen, wie dieses Wissen geschöpft oder generiert wurde. In solchen Fällen wird oftmals zwischen explizitem und implizitem Wissen unterschieden.

Gerade eine Vielzahl an Studien hat es schon Schwarz auf Weiss bewiesen: die Unterscheidung von implizitem (häufig sogar als „Tiefenwissen8 “ bezeichnet) und explizitem Wissen ist eine Problemstellung in der Unternehmung. Wissen muss geschöpft und generiert werden (und selbstverständlich dynamisch aktualisiert und angepasst werden, ein weiterer Akt, der in die Betrachtung fällt).

Als „explizites Wissen“ wird Wissen bezeichnet, welches bereits kommuniziert wurde und beispielsweise so schon auf mehreren Medien vorhanden ist (z.B. in einem sogenannten „Wiki9 i“ innerhalb eines Unternehmensnetzwerks oder in Form von DVD’s als Wissensarchiv). Dieses Wissen kann somit abgerufen werden in Form von Organigrammen, Berichten, Patenten, etc. Maßgeblich ist hierbei, dass sich diese Form der Expertise in Worten oder Zahlen darstellen lässt. Das Wissen wird somit pragmatisch greifbar und auch explizit verifizierbar.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Unterschiedliche Formen der Wissenstransformation10

„Implizites Wissen“ verfolgt das antagonistische Prinzip, es handelt sich dabei so gesehen um Erfahrungswissen, das intuitiv und laufend entsteht. Signifikante Merkmale sind, dass dieses Wissen sich nur sehr schwer, wenn überhaupt, in Zahlen oder Worten formalisieren lässt, da es sich im Regelfall um Impressionen oder Erfahrungswerte handelt. Häufig wird implizites Wissen auch als Know-How11 bezeichnet. Darunter fallen z.B. auch subjektive Wahrnehmungen und Ideale, die signifikant für ausgewählte Geschäftsbereiche sein können. Ein konkretes Beispiel für implizites Wissen ist z.B. Fahrradfahren; der physikalische Hintergrund das Gleichgewicht zu behalten, ist nur sehr schwer zu formalisieren.

In vielen Fällen ist genau Wissen dieser Art entscheidend für den Wertschöpfungsprozess und von großer Bedeutung für den Unternehmenserfolg.

1.4 Problemstellung aus Sicht des Managements

Die Allgegenwart und die dazugehörige Quantität an Informationen machen es schwer, die Expertisen die wirklich von Bedeutung sind12, zu filtern, zu extrahieren und letztlich so aufzubereiten, dass es dem Leser möglich ist, mit diesen Informationen zu arbeiten. Dieser Ansatz erweist sich dementsprechend als schwerfällig; da es sich bei Business Intelligence in jedem Fall um ein unternehmensindividuelles Konzept handelt, und dementsprechend auch die jeweilige Lösung branchen- u. geschäftsbezogen angefertigt werden muss.

Managementinformationssysteme dieser Typisierung arbeiten mit den Prämissen, so einfach und intuitiv bedienbar zu sein, wie nur möglich. Das Fachwissen des Anwenders hinsichtlich des Geschäftsbereiches steht im Vordergrund und nicht das Know-How über die technische Realisierbarkeit (beispielsweise machen sogenannte OLAP13 -Systeme SQL14 -Abfragen hinfällig und der Entscheider kann somit relativ einfach an die benötigten Informationen gelangen). Auf diesen Aspekt hin sind auch analytische Informationssysteme ausgerichtet. Sie haben zum Ziel, Informationen abrufbar zu gestalten und die qualitative Eignung mehr auf den Wertschöpfungsprozess an sich zu lenken (z.B. welche Informationen visualisiert werden sollen und nicht wie genau dies realisiert werden soll). Gerade hier liegt die Rechtfertigung der Unterstützung durch ein Informationssystem dieser Art. Der Anwender delegiert den technischen Hintergrund und das Fachwissen auf das System und auf den Experten bei der Einführung und Installation des Informationssystems, das sich normalerweise zeit- und kostenintensiv ausgestaltet.

Die Wartung und Installation durch Experten rückt somit in den Vordergrund und ist unerlässlich, sodass es im Nachhinein möglich ist, auch ohne technisches Know-How an Wissen und Informationen zu gelangen.

1.5 Motivation und Rechtfertigung dieser Arbeit

Das interdisziplinäre Forschungsgebiet der Wirtschaftsinformatik stützt sich auf die Nutzung der Kommunikations- und Informationstechnik. Die Relevanz dieser wissenschaftlichen Arbeit liegt hauptsächlich in der Erkenntnis der Expertise, dass es neben den originären Faktoren15 Arbeit, Boden und Kapital eine weitere Ressource gibt; Informationen und Wissen.

Methoden und Prozesse oder begriffliche Klammern wie Business Intelligence zeigen auf, dass sich eben eine Vielzahl von wichtigen und relevanten Expertisen aus der Relation von unterschiedlichen Faktoren zueinander ergeben. Solche Kennzahlen stellen die Wegweiser der modernen Unternehmenssteuerung dar und ermöglichen es, in den unterschiedlichen Managementebenen zu entscheiden und zu handeln, sofern in gewissen Domänen konkreter Handlungsbedarf besteht. Dieser Handlungsbedarf könnte sich beispielsweise darin ergründen, dass die Absatzzahlen unterschiedlicher Produkte zentral gesammelt und grafisch aufbereitet werden; eine Grafik stellt dann daraufhin dar, welche Produkte sich wie gut verkaufen und wie groß ihr Anteil letztlich am Gesamtumsatz des Unternehmens ist.

Business Intelligence stellte seinerzeit16 einen völlig neuen Ansatz der Bewertung von Unternehmensinformationen dar; aber dennoch ist bekannt, dass Wissen dynamisch und wandlungsfähig ist - Wissen, welches heutzutage eine Unternehmensgrundlage darstellt, kann bereits morgen veraltet sein. Gerade hier liegt die Motivation dieses Intellectual Capital17 möglichst gut zu verwalten und auch im Hinblick auf die Zukunft in Form von Prognosen und Vorhersagen dynamisieren zu können.

Problematisch ist bei BI der Ansatz der Architektur; das BI-System arbeitet vergangenheitsbezogen und macht eine Real-Time-Analyse nur in wenigen Fällen möglich. Dabei kommt es auf den analytischen Charakter an - BI analysiert Informationen und Wirkungszusammenhänge, allerdings operationalisiert es sie nicht. An diesem Eckpunkt könnte die Implementierung einer BI-Solution in eine serviceorientierte Architektur zur Redefinition von Real-Time-Business Intelligence werden; aus Business Intelligence wird ein analytischer Service, der in die Prozessabläufe integriert wird und somit zur „intelligenten Organisation“ beiträgt - diese zeichnet sich durch Automatismen und kontextuellen Regeln aus, die somit immer mehr Verantwortung auf sich laden und den Entscheider entlasten.

Die Verschmelzung von Analytik und operativem Tagesgeschäft in ein einzelnes Architekturmodell bietet die Möglichkeit, gewonnenes Wissen als auch Erkenntnisse direkt umzusetzen und die große Spanne, die noch zwischen der Analyse und der Umsetzung von Expertisen besteht, zu minimieren.

Das letztliche Ziel ist somit, nicht nur Expertisen aus vorangegangenen Perioden zu schöpfen, sondern dieses zugleich zu internalisieren und in Form des Anwendungssystems umsetzen zu können.

2. Business Intelligence

WIR ERTRINKEN IN INFORMATIONEN , ABER WIR HUNGERN NACH WISSEN .

John Naisbitt, amerikanischer Zukunftsforscher (1929)

Heutzutage gibt es mehrere unterschiedliche BI-Lösungsansätze am Markt, die von verschiedenen Herstellern angeboten werden. Die Unterscheidung, die all diese Modelle und Systeme voneinander abgrenzt, ist die sich differierende Auswertung und Analyse von Geschäftsprozessen und dazugehörigen Ressourcen sowie Workflows. Das eigentliche Ziel, das alle Systeme untereinander gemein haben, ist, Methoden und Werkzeuge zur Verfügung zu stellen, die im geschäftlichen Betrieb und im Zuge von betrieblichen Anwendungssystemen entscheidungsunterstützend wirken und dem Anwender (hier in der Rolle des Managements) Hilfestellung bieten. Signifikanter Benefit ist hierbei die Zeitersparnis: Managementposten werden so in hochkomplexen Vorhaben und Entscheidungen entlastet und können sich mehr auf ihre eigentlichen Aufgabenbereiche konzentrieren. Die Aufgabe des Ergründens von Ursachen und Phänomenen, gleichsam wie die Zusammenstellung von Informationen, entfällt. Das Management kann so mehr Freiräume in Anspruch nehmen und sich auf die Entscheidung an sich konzentrieren - das Anwendungssystem übernimmt den bis dahin anfallenden analytischen Teil (die Auswertung von Informationen durch informationstechnische Unterstützung).

Der Wirkungszusammenhang wird somit immer wertvoller und gewinnt an Bedeutung. BI-Systeme decken nicht nur auf, was passiert, sondern stellen Methoden und Werkzeuge zur Verfügung, um nachvollziehen zu können warum etwas passiert. Hierbei befinden wir uns auf dem Themengebiet der Geschäftsanalytik.

In diesem Kontext kann man auch von BI-Governance18 oder von Qualitätsmanagement sprechen. Dabei handelt es sich um die Inklusion unterschiedlicher Aspekte in diese Betrachtung. Dieser Blickwinkel stützt sich aber auf komplexere und weiter reichende Komponenten als die Netzwerkinfrastruktur, die Serverauslastung u. -kapazität oder andere technische Attribute. Dieser Zusammenhang macht deutlich, dass die Einflussfaktoren für ein erfolgreiches BI-System in einer hohen Quantität vertreten sind.

2.1 Die Strategie hinter Business Intelligence

Der heutige Wirtschaftsinformatiker fungiert als Schnittstelle zwischen der betriebswirtschaftlichen Welt und ihren hochkomplexen Vorgängen und der Welt der Informationstechnik - der technischen Realisierung dieser Prozesse und Abläufe durch elektronische Unterstützung. Es gibt eine Vielzahl konkreter Ansätze, um einen Königsweg vorzudefinieren, wie man in einem Unternehmen den Erfolg spürbar durch elektronische Unterstützung steigern kann, der Ansatz der Business Intelligence ist dabei einer davon. Der Grundgedanke definiert, dass es daran geht, stetig Kennzahlen zu beobachten um so das Unternehmen steuern zu können, anstatt sich „ceteris paribus“ blindlings auf Einflussfaktoren zu verlassen.

… was genau konkretisiert BI?

Business Intelligence versteht sich im weiteren Kontext als ein Konzept, das - unternehmensweit gefahren - die Informations- u. Datenflüsse im Unternehmen bündelt, vereinheitlicht und regelt. Der Zugriff auf diese Informationen und Daten wird standardisiert (beispielsweise durch Schnittstellen). Rudimentär erläutert, geht es dabei darum, mit Hilfe von IT-Prozessen, Wissen und Informationen aus Datenbeständen zu extrahieren, die wiederum in spürbaren Unternehmenserfolg transformiert werden können.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Prozessorientierter Weg zu einer unternehmensübergreifenden Business Intelligence19

Zwei der deutlichsten Merkmale dieses Ansatzes sind die Integration von Informationen und eben solchen Einzellösungen in einem Unternehmen, sowie die Berücksichtigung von technischen, organisatorischen und räumlichen Voraussetzungen.

BI vereinheitlicht einzelne Komponenten zu einem komplexen System, welches Daten und Informationen nicht nur als wichtigen Rohstoff eines Unternehmens definiert, sondern auch zeitgleich verfügbar und abrufbar ausgestaltet.

Das Problem, mit dem gedankliche Klammern wie auch Business Intelligence zu kämpfen haben, sind und bleiben nach wie vor die Definition der Begrifflichkeit an sich; BI lässt sich schwer definieren und stellt eher eine Richtung dar, die in einem Unternehmen verfolgt wird. Dabei wird versucht, mittels abgestimmten Workflows den Unternehmenserfolg zu steigern.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Zielkonfliktsdreieck Business Intelligence20

In der praktischen Anwendung findet man dazu aber vielerorts isolierte Insellösungen21, die alle voneinander abgeschottet sind und der integrative Aspekt vernachlässigt wird.

Wie Abb. 4 demonstriert, haben BI-Systeme solch ein Zielkonfliktsdreieck22 gemein. Unterschiedliche Perspektiven wirken auf ein BI-System ein. Der Anwender verlangt die höchstmögliche Flexibilität vom System (beispielsweise in Form verschiedener Detaillierungsgrade), das System hingegen wird wiederum von technischen Gegebenheiten und Möglichkeiten limitiert: Der BI-Verantwortliche fokussiert sich auf die Datenqualität und versucht diese mit aufwändigen ETL23 -Prozessen immer weiter zu präzisieren. Beide Steuerungsrichtungen nehmen somit Einfluss auf Kosten und auf Qualität. Ein Zielkonfliktsdreieck hat immer den Hintergrund, dass es in einer gewissen Art und Weise „magisch“ ist - das bedeutet, es ist nicht möglich, gleichzeitig alle Ziele zu erreichen bzw. zu erzielen. Sofern man mehr auf Kosten setzt (Preise für Entwicklung und Einführung), kann man nicht alle Qualitätsstandards einhalten oder dem Nutzer die Flexibilität liefern die ursprünglich geplant war bzw. eingehalten werden sollte.

2.1.1 Data Warehousing Ansatz

Die Intention eines Data Warehouse sieht sich der Fragestellung gegenübergestellt;

Wie kann ich meine Informationen im Unternehmen so weit vereinheitlichen, dass ich alle Daten integrieren und so miteinander einmalig verkn ü pfen kann?

Die Aufgabenstellung ist gewagt, es dreht sich letztlich darum, einen konkreten Ansatz zu implementieren, um die Informationen, die im Unternehmenskomplex anfallen (beispielsweise das CRM-System als Datenquelle) zu integrieren und zu konsolidieren, sodass es möglich ist, anhand dessen statistische Auswertungen und Analysen für Unternehmensberichte verwertbar zu machen.

Dieser „Konsolidierungs-Workflow“ wird als ETL-Prozess bezeichnet und steht für „Extract - Transform - Load“. Dabei ist der Vorgang der Überführung der Daten ins Data Warehouse in erster Linie die Extraktion der Daten aus den operativen Systemen, anschließend der Verknüpfung und Konsolidierung dieser Datenbestände und dem letztendlichen Laden und Archivieren in das Data Warehouse.

Hierbei kommen Technologien wie Data Mining24 zum Zuge, die sich explizit mit der Aufdeckung von Abhängigkeiten auseinandersetzen und zum Ziel haben, mathematische Algorithmen auf Datenbestände anzuwenden. Dabei wird von der Dimension des Datenbestandes profitiert; in einem Data Warehouse werden nahezu alle Daten des Unternehmens gespeichert, sodass es beispielsweise problemlos möglich ist, die Absatzzahlen selektierter Perioden und Regionen zweier Produkte einander gegenüberzustellen, um zu analysieren, inwieweit diese sich einen Markt teilen oder gar gegenseitig Anteile streitig machen. Das Beispiel, das hier theoretisch funktioniert, findet in der Praxis auch Anwendung25: Die Firma Audi AG erkannte schon recht früh das Potential eines zentralisierten Datenbestandes und machte sich somit zeitgemäß an die Einführung eines Data Warehouses. Im Zuge der Implementierung des DWH wurde ebenso ein Management-Portal für den User errichtet, das sich dessen behilft, Informationen grafisch aufzubereiten und visuell darzustellen in Form von Diagrammen und Grafiken; dabei wird die klassische Ampelfunktion26 genutzt. Die Audi AG installierte zugleich auch ein System für die Ausübung von Analysen und Operationen auf den Datenbeständen des Data Warehouse; der Anwender hat so die Möglichkeit, ohne explizite IT-Kenntnis auf fundierte (evtl. auch historisierte) Informationen zugreifen zu können.

Das Data Warehouse stellte eine zentrale Datensammlung dar, die sich in regelmäßigen Abständen (die Aktualität der Datenbestände genießt bei Projekten dieser Art eine hohe Priorität) mit Informationen aus den Datenbeständen der operationalen und transaktionalen Systeme versorgt. Der Grund, der maßgeblich dazu beiträgt, dass das Data Warehouse eigenständig ist und vom restlichen Tagesgeschäft abgekoppelt wird, liegt in der Modularisierung der Analyseprozesse an sich. Die Auswertung von Geschäftsdaten ist eine Prozedur, für die „reguläre“ Informationssysteme (z.B. ein CRM-System) nicht ausgelegt sind. Anfragen an Systeme dieser Art (beispielsweise die Auflistung aller Käufe oder Reklamationen des Jahres 2008) führen so unweigerlich zu einem Ausbremsen des Systems bzw. zu einem Performanceverlust des Tagesgeschäftes. Das Reporting beeinflusst das Tagesgeschäft nachteilig für die Generierung von Berichten.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Das Data Warehouse und seine Quellen27

Aus diesem Grunde werden eigenständige Data Warehouse-Systeme erstellt, die sich mit der Analyse von Daten auseinandersetzen und auf komplette Datenscans und Abfragen ausgerichtet sind. Diese vereinheitlichen so gesehen mehrere Datenbestände einer Unternehmung und verknüpfen sie miteinander, sodass auch bereichsübergreifend analysiert werden kann. Die hohe Integration von Datensätzen macht explizite Regeln für die Migration und Verknüpfung von Datenbeständen unabdingbar. Die Tatsache dass Informationssysteme unterschiedlichen Konzeptionen unterliegen, macht ein BI-Konstrukt sehr komplex; eine Analyse betrachtet wesentlich mehr Daten (z.B. über einen längeren Zeitraum hinweg), als ein operatives System, das im laufenden Betrieb lediglich einzelne Datensätze (z.B. Kunde A kauft Produkt 1) modifiziert. Im Vordergrund steht die Möglichkeit, Unternehmensinformationen in gewinnbringendes Wissen und Erkenntnis zu transformieren, allerdings dürfen diese Prozesse rund um die Wissensgewinnung und -verwaltung keine negativen Auswirkungen auf die übliche Leistungserstellung haben.

Es bestehen mehrere Gründe, die dazu beitragen, dass ein unternehmensweites Data Warehouse28 oder evtl. auch mehrere Data Marts29 gefahren werden, anstatt sich den handelsüblichen Datenbanken und historisch gewachsenen Datenbeständen einzelner operativer Funktionsabteilungen zu bedienen.

2.1.2 Data Mart

Bei einem Data Mart handelt es sich regulär um einen Datenextrakt bzw. um einen Ausschnitt des Datenmusters, der abgeschottet vom restlichen Datenaufkommen gehalten und dem Data Warehouse unterstellt wird. Data Marts dienen dem Zweck, einen abgekapselten Bereich für eine Organisationseinheit zu schaffen oder dieses als eigenständiges Informationsobjekt bereitzustellen.

Ein möglicher Grund für eine Verlagerung von Daten dieser Art könnte sein, Performanceengpässen vorbeugen zu wollen für Daten, die unterschiedlich frequent abgerufen werden. So wird beispielsweise direkt ein Data Mart erstellt und für häufig genutzte Datenanalysen genutzt, anstatt Anfragen an das gesamte Data Warehouse zu stellen. Das Data Mart stellt so die Datenbasis für die Anwendung von Data Mining- Algorithmen dar. Dieses Informationsobjekt erfasst so alle relevanten Dimensionen und stellt die Datenbasis für Visualisierungstools dar.

2.1.3 Online Analytical Processing (OLAP)

Die Betrachtung von Berichten und generisch erstellen Reports als Informationsquelle und -medium ist heutzutage in manchen Branchen leider nicht mehr ausreichend für die Darstellung der betrieblichen Tätigkeit des Core Businesses 30 an sich; die Anforderungen richten sich nicht nur an die Präsentation der Informationen, sondern vielmehr an die schnelle Analyse und Aufbereitung derselbigen. Im Zuge dessen spricht man auch von „Real-Time31 Business Intelligence“ oder „Real-Time Data Warehouse“.

Das OLAP-Konzept setzt eben an dieser Stelle an - ausgehend von einem zentralen Datenbestand werden keine Abfragen ausgeführt (beispielsweise wie bei üblichen transaktionalen Anwendungssystemen), sondern sogenannte „Dimensionen“ gebildet, die auf den Datenbestand appliziert werden. Eine Dimension stellt eine gerichtete Maßgröße dar, die unterschiedliche Ausprägungen aufweisen kann. Ein Beispiel einer Dimension könnte „Region“, „Produkt“ oder „Zeit“ sein. Diese Dimensionen sind in sich wiederum in Subattributen unterteilt, die dann perspektivisch einander gegenübergestellt werden können. Eine mögliche OLAP-Analyse könnte sich so in der Aufbereitung manifestieren:

Welche Produkte wurden in M ü nchen, Berlin und Stuttgart Ende 2008 gekauft?

[...]


1 Staade, M., Schüler, B., SAP BI-Projektmanagement, Bonn, 2007, S. 237

2 Fachterminus aus der SAP-Welt für selbstständige Datenhaltungen, z.B. Datenbestand eines CRM-Systems

3 Krcmar, H., Informationsmanagement, 4. Auflage, Heidelberg, 2005, S. 112

4 Hierbei handelt es sich beispielsweise um Kundendaten, die in mehreren Systemen vorkommen und aufgrund der manuellen Erfassung auch Fehler aufweisen können.

5 http://www.forrester.com/Research/Document/Excerpt/0,7211,46312,00.html;Zugriff 30.03.2009

6 Abb. 1: Begriffshierarchie, entnommen aus Versteegen, G., ManagementTechnologien, Heidelberg, 2002, S. 16

7 Krcmar, H., Informationsmanagement, 4. Auflage, Heidelberg, 2005, S. 17

8 Reinhardt, R., Eppler, M.-J., Wissenskommunikation in Organisationen, Heidelberg, 2004, S. 36

9 Mehr Informationen unter http://www.mediawiki.org/wiki/MediaWiki; Zugriff 13.03.2009 5

10 Abb. 2: Unterschiedliche Formen der Wissenstransformation, entnommen aus Versteegen, G., Management-Technologien, Heidelberg, 2002, S. 18

11 Versteegen, G., Management-Technologien, Heidelberg, 2002, S. 17

12 beispielsweise in Form von Interdependenzen zwischen Verkaufszahlen und Marketingaktivitäten

13 Online Analytical Processing, siehe Kapitel 2.1.3

14 Structured Query Language, Datenbankabfragesprache

15 Klassische Produktionsfaktoren, in der VWL auch bezeichnet als „Faktorausstattung“, siehe Baßeler, U., Heinrich, J., Utrecht, B., Grundlagen und Probleme der Volkswirtschaft, 17. Auflage, Stuttgart, 2002

16 Der Begriff kam Anfang der 90er Jahre auf und wurde geprägt von Analysten der Gartner Group

17 Auch bezeichnet als „Wissensbilanz“

18 Chamoni, P., Gluchowski, P., Analytische Informationssysteme, 3. Auflage, Heidelberg 2006, S. 63

19 Abb. 3: Prozessorientierter Weg zu einer unternehmensübergreifenden Business Intelligence, entnommen aus Schildhauer, T., Grothe, M., Braun, M., Schultze, M., Business Intelligence - Durch eBusiness Strategien und Prozesse verbessern, Heidelberg, 2004, S. 45

20 Abb. 4: Zielkonfliktsdreieck Business Intelligence, entnommen aus Chamoni, P., Gluchowski, P., Analytische Informationssysteme, 3. Auflage, Heidelberg 2006, S. 75

21 Großmann, M., Koschek, Holger, Unternehmensportale, Heidelberg, 2005, S. 92

22 Chamoni, P., Gluchowski, P., Analytische Informationssysteme, 3. Auflage, Heidelberg 2006, S. 75

23 Extract - Transform - Load; Extraktion und Konsolidierung von Daten in einem Data Warehouse, siehe Kapitel 2.1.1

24 Mathematische Algorithmen die sich mit der Aufdeckung von Interdependenzen in Datenbeständen beschäftigen, siehe Kapitel 2.1.4

25 Schildhauer, T., Grothe, M., Braun, M., Schultze, M., Business Intelligence - Durch eBusiness Strategien und Prozesse verbessern, Heidelberg, 2004, S. 136

26 „Managementampel“, „grün“ für optimale Auslastung, „gelb“ für normalen Systemzustand und „rot“ als Indikator für ein gezieltes Eingreifen und Gegensteuern

27 Abb. 5: Das Data Warehouse und seine Quellen, entnommen aus Schildhauer, T., Grothe, M., Braun, M., Schultze, M., Business Intelligence - Durch eBusiness Strategien und Prozesse verbessern, Heidelberg, 2004, S. 45

28 Zu Deutsch auch oft als „Datenhalde“ bezeichnet

29 In der Literatur auch häufig als „Data Cube“ oder „Datenwürfel“ bezeichnet

30 Tagesgeschäft, Kerngeschäft; primäre Leistungserstellung der Unternehmung am Markt

31 Prozesse und Analysen nahezu ohne Zeitverlust ausführen, höchstreaktives System 18

Ende der Leseprobe aus 93 Seiten

Details

Titel
Auswirkungen einer serviceorientierten Architektur auf Business Intelligence
Untertitel
Wird BI zum analytischen Service dank Business Activity Monitoring?
Hochschule
Hochschule Niederrhein in Mönchengladbach
Note
1,7
Autor
Jahr
2009
Seiten
93
Katalognummer
V142938
ISBN (eBook)
9783640533589
ISBN (Buch)
9783640533503
Dateigröße
1636 KB
Sprache
Deutsch
Schlagworte
Auswirkungen, Architektur, Business, Intelligence, Wird, Service, Business, Activity, Monitoring
Arbeit zitieren
Bachelor of Science Victor Bibescu (Autor:in), 2009, Auswirkungen einer serviceorientierten Architektur auf Business Intelligence, München, GRIN Verlag, https://www.grin.com/document/142938

Kommentare

  • Noch keine Kommentare.
Blick ins Buch
Titel: Auswirkungen einer serviceorientierten Architektur auf Business Intelligence



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden