Inhaltsverzeichnis

  Inhaltsverzeichnis  

  Inhaltsverzeichnis  II

  Abbildungsverzeichnis.  IV

  Abkürzungsverzeichnis.  VI

1  Einleitung.  1

1.1  Gegenstand und Motivation  1

1.2  Terminologie.  2

1.3  Zielstellung und Vorgehen.  5

2  Grundlagen und Konzepte  6

2.1  Einordnung von Managementinformationssystemen in die  

  Informationssystemlandschaft eines Unternehmens  6

2.2  Historische Entwicklung und Klassifikation von  

  Managementinformationssystemen  7

2.3  Moderne Konzepte für Managementinformationssysteme.  10

2.3.1  Anforderungen an moderne Managementinformationssysteme  10

2.3.2  Data Warehouse-Systeme  12

2.3.3  OLAP  20

2.3.4  Performance Management mit der Balanced Scorecard.  23

2.3.5  Einbindung in das Wissensmanagement mit Hilfe von Enterprise Portalen  26

3  SAP NetWeaver als Plattform für Managementinformationssysteme  28

3.1  SAP NetWeaver  28

3.2  SAP Business Intelligence mit dem SAP Business Information Warehouse.  33

3.2.1  Data Warehousing  34

3.2.2  Business Intelligence Platform  38

3.2.3  Business Intelligence Suite  40

3.3  SAP Strategic Enterprise Management.  43

4  SAP BW als Basis für Managementinformationssysteme in  

  Energieversorgungsunternehmen.  47

4.1  Rahmenbedingungen für Energieversorgungsunternehmen in Deutschland.  48

4.2  Einsatzmöglichkeiten von SAP BW in Energieversorgungsunternehmen in  

  Gegenwart und Zukunft  50

4.2.1  Der SAP BW Business Content for Utilities.  51

4.2.2  Einsatzszenarien beim Stromlieferanten.  54

4.2.3  Einsatzszenarien beim Netzbetreiber  62

4.3  Informatorisches Unbundling und SAP BW.  71

5  Zusammenfassung und Ausblick  75

Anhang A.   80

II

Inhaltsverzeichnis

  A.1 Umsetzungsvarianten des multidimensionalen Datenmodells in relationalen  

  Datenstrukturen (ROLAP)  80

  A.2 Data Warehouse-Architekturen mit Data Marts  82

  A.3 OLAP-Operationen.  84

Anhang B   86

  B.1 Umsetzungsvarianten des informatorischen Unbundling mit SAP IS-.U  86

  B.1.1 Zwei-Verträge-Modell  86

  B.1.2 Zwei-Vertragskonten-Modell.  87

  B.1.3 Zwei-Mandanten-Modell.  88

  B.1.4 Zwei-Systeme-Modell  89

  B.2 Möglichkeiten zur Umsetzung des informatorischen Unbundling mit SAP BW  

  und zwei IS-U-Mandanten  90

  B.2.1 Bestandsstatistik  90

  B.2.2 Verkaufsstatistik  91

  B.2.3 Stammdatenstatistik.  94

  B.2.4 Legende der BW Datenobjekte.  96

Anhang C.   97

  Glossar  115

  Literatur- und Quellenverzeichnis.  121

  Selbständigkeitserklärung.  127

III

  Abbildungsverzeichnis  

  Abbildungsverzeichnis  

  Abb. 1: Systempyramide  

  Abb. 2: Historische Entwicklung von Konzepten für  

  Managementinformationssysteme  

  Abb. 3: Referenzarchitektur eines Data Warehouse-Systems.  

  Abb. 4: Multidimensionaler Datenwürfel mit Dimensionen,  

  Klassifikationsschemata und Klassifikationshierarchien.  

  Abb. 5: Die vier klassischen Perspektiven der Balanced Scorecard  

  Abb. 6: Management Cockpit in SAP Strategic Enterprise Management.  

  Abb. 7: SAP NetWeaver Integrationsebenen und -funktionen  

  Abb. 8: Die integrierte Data Warehouse-System-Architektur des SAP BW im  

  Überblick.  

  Abb. 9: Beispielhafter Datenfluss im SAP BW.  

  Abb. 10: Stellung und Funktion des OLAP-Prozessors innerhalb des Data  

  Warehouse-Prozesses des SAP BW  

  Abb. 11: Verteilung eines mit SAP BW generierten Reports vom BEx Web  

  Analyzer aus.  

  Abb. 12: Komponenten und Funktionen von SAP SEM und Integration mit  

  SAP NetWeaver.  

  Abb. 13: Wertschöpfungskette in der Energiewirtschaft.  

  Abb. 14: InfoAreas des SAP BW Business Content for Utilities  

  Abb. 15: Prozesse in der Wertschöpfung beim Lieferanten.  

  Abb. 16: Kennzahlen und deren multidimensionale Betrachtung beim  

  Lieferanten  

  Abb. 17: Prozesse der Verbrauchsabrechnung und typische Prozesskennzahlen.  

  Abb. 18: Operationalisierung strategischer Ziele  

  Abb. 19: Mögliches Einsatzszenario von SAP BW beim Lieferanten im SAP  

  Systemumfeld  

  Abb. 20: Priorisierung von Maßnahmen für Netzobjekte entsprechend der  

  gewählten Instandhaltungsstrategie im Rahmen von RCM.  

  Abb. 21: Mögliches Einsatzszenario des SAP BW beim Netzbetreiber im SAP-  

  Systemumfeld  

  Abb. 22: Star-Schema  

IV

  Abbildungsverzeichnis  

  Abb. 23: Snowflake-Schema  

  Abb. 24: Erweitertes Star-Schema des SAP BW  

  Abb. 25: Abhängige Data Marts.  

  Abb. 26: Unabhängige Data Marts  

  Abb. 27: Zwei-Verträge-Modell.  

  Abb. 28: Zwei-Vertragskontenmodell  

  Abb. 29: Zwei-Mandanten-Modell.  

  Abb. 30: Zwei-Systeme-Modell.  

  Abb. 31: Beispiel Bestandsstatistik Geschäftspartner mit getrennten InfoCubes  

  für Netz und Lieferant  

  Abb. 32: Beispiel Verkaufsstatistik mit getrennten InfoCubes für Netz und  

  Lieferant  

  Abb. 33: Beispiel Verkaufsstatistik mit gemeinsamen InfoCubes für Netz und  

  Lieferant und Datentrennung durch Berechtigungsobjekt zum  

  Merkmal „logisches System“  

  Abb. 34: Beispiel Verkaufsstatistik mit Fortschreibung in getrennte InfoCubes  

  für Netz und Lieferant anhand des Merkmals „logisches System“ und  

  einer InfoSource  

  Abb. 35: Beispiel Stammdatenstatistik mit getrennten InfoObjects für Netz und  

  Lieferant  

  Abb. 36: Beispiel Stammdatenstatistik mit gemeinsamen InfoObjects für Netz  

  und Lieferant mit Quellsystemklammerung  

  Abb. 37: Legende der BW-Datenobjekte  

V

Abkürzungsverzeichnis

API Application Programming Interface ASCII American Standard for Information Interchange B2B Business-to-Business BAPI Business Application Programming Interface BC Business Content BI Business Intelligence BPEM Business Process Exception Management BSC Balanced Scorecard BW Business Information Warehouse CO Controlling (SAP R/3-Modul) CSV Character Separated Values, Comma Separated Values DBMS Database Management System - Datenbankmanagementsystem DSS Decision Support System EAI Enterprise Application Integration EDM Energy Data Management - Energiedatenmanagement EIS Executive Information System EnWG Energiewirtschaftsgesetz ERP Enterprise Resource Planning ESA Enterprise Services Architecture EVU Energieversorgungsunternehmen FASMI Fast Analysis of Shared Multidimensional Information FI Finance (SAP R/3-Modul) FIS Führungsinformationssystem GIS Geografisches Informationssystem HTML Hypertext Mark-up Language HTTP Hypertext Transport Protocol IFRS International Financial Reporting Standards IH Instandhaltung IM Investment Management (SAP R/3-Modul) IS-U/CCS Industry Solution-Utilities/Customer Care and Services KM Knowledge Management MIS Managementinformationssystem

VI

MRS Management Reporting System MSS Management Support System NLS Netzleitsystem OLAP On-Line Analytical Processing OLTP On-Line Transactional Processing PDA Personal Digital Assistant PLM Product Lifecycle Management RFID Radio Frequency Identification PM Plant Maintenance (R/3-Modul) SCADA Supervisory Control And Data Acquisition SCM Supply Chain Management SEM Strategic Enterprise Management SOA Service-oriented Architecture - Service-orientierte Architektur SOAP Simple Object Access Protocol SRM Supplier Relationship Management SQL Structured query Language StromNEV Stromnetzentgeltverordnung UIS Utilities Information System URL Uniform Resource Locator VBA Visual Basic for Applications WAP Wireless Application Protocol WML Wireless Markup Language XML Extensible Markup Language

VII

1 Einleitung

1.1 Gegenstand und Motivation

Unternehmen sehen sich heute einer Vielzahl von Faktoren ausgesetzt, die den Unternehmenserfolg bestimmen. Allen voran der immer mehr an Dynamik gewinnende globale Wettbewerb, aber auch politische bzw. rechtliche, technologische sowie soziokulturelle Rahmenbedingungen (vgl. MEIER 2004, S. 10). Innerhalb dieser Rahmenbedingungen haben Faktoren des Wettbewerbsumfeldes wie die Beziehungen zu Kunden, Lieferanten und Konkurrenten einen maßgeblichen Einfluss auf die Unternehmensper-formance. Im Unternehmen selbst kommt in diesem Zusammenhang den internen Geschäftsprozessen, die die Wertschöpfungskette bilden oder unterstützen, eine immer größere Bedeutung zu. Vor diesem Hintergrund spielen Informationen sowohl über das Wettbewerbsumfeld, als auch über unternehmensinterne Prozesse heute eine entscheidende Rolle für den nachhaltigen Unternehmenserfolg. Die Analyse gesammelter interner und externer Informationen ermöglicht u. a. neue Einblicke in das Unternehmensgeschehen, die Optimierung von Geschäftsprozessen sowie das frühzeitige Erkennen bestimmter Entwicklungen als Voraussetzung für rechtzeitiges Gegensteuern. Das durch die Aufbereitung und Analyse von Informationen entstehende Wissen wird heute neben den klassischen Faktoren Arbeit, Kapital und Boden als vierter Produkti-onsfaktor angesehen. Es bildet die Grundlage für richtige strategische und operative unternehmerische Entscheidungen.

Für die effiziente Beschaffung von Informationen, deren Aufbereitung und Analyse sowie die Verteilung der gewonnenen Erkenntnisse ist der Einsatz von Informationstechnologie unabdingbar. Informationssysteme, die die Aufgaben des Managements im Unternehmen unterstützen - im Folgenden Managementinformationssysteme (MIS) genannt - sowie deren informationstechnologische Basis sind Gegenstand dieser Arbeit. Als Einsatzgebiet von Managementinformationssystemen werden hierbei Unternehmen der Energieversorgungsbranche betrachtet. Energieversorgungsunternehmen (EVU, engl. Utilities) sind seit der Liberalisierung des Energiesektors 1998 dem Wettbewerb ausgesetzt und vollziehen seither den Wandel zu Energiedienstleistungsunternehmen (vgl. IRREK 2004, S. 38). Die daraus resultierende Bedeutung des energiewirtschaftlichen Marktumfeldes und damit verbunden die Bedeutung von Informationen über dessen Akteure wie Kunden, Stromhändler, unabhängige Energieerzeuger, unabhängige Energielieferanten, Wettbewerber, Shareholder etc. hat für Energieversorger stark zuge-

1

nommen. Aber auch entscheidungsunterstützende Informationen über interne Geschäftsprozesse wie die Verbrauchsabrechnung und deren Kosten sind für das Management von EVU von zunehmender Wichtigkeit (vgl. GREWE U. A. 2004, S. 121). Zudem erbringen EVU ihre Leistung im Spannungsfeld zwischen den renditeorientierten Interessen der Anteilseigner und den Zielen der Energiepolitik ¹ und den daraus resultierenden gesetzlichen und regulatorischen Bestimmungen wie etwa das Unbundling (Entflechtung, vgl. Kapitel 4.1, S. 48). Dies stellt das Management von EVU vor besondere Herausforderungen bei der strategischen Unternehmensführung, die eine Unterstützung durch entsprechende Managementinformationssysteme nötig machen.

Als informationstechnologische Basis für Managementinformationssysteme in Unternehmen der Energieversorgungsindustrie wird in dieser Arbeit die Infrastrukturplatt-form NetWeaver der SAP AG und dabei insbesondere die NetWeaver-Komponente SAP Business Intelligence mit dem technologischen Kernstück SAP Business Information Warehouse (SAP BW) betrachtet. Die Untersuchung von Einsatzmöglichkeiten für MIS in Energieversorgungsunternehmen auf Basis von SAP-Technologie erscheint besonders sinnvoll vor dem Hintergrund der weiten Verbreitung der SAP Branchenlösung IS-U/CCS ² für Verbrauchsabrechnung und Kundenservice bei Energieversorgern in Deutschland (vgl. FRONIUS 2004, S. 24 ff.).

1.2 Terminologie

Die im Zusammenhang mit Managementinformationssystemen verwendeten Begriffe sind vielfältig: Management Reporting Systems (MRS), Management Support Systems (MSS), Decision Support Systems (DSS), Executive Information Systems (EIS), Executive Support Systems - um nur einige zu nennen. Zusätzliche Verwirrung stiften die korrespondierenden deutschen Übersetzungen wie Entscheidungsunterstützungssysteme (EUS), Führungsinformationssysteme (FIS) u. s. w.

Ein Grund für diese Vielzahl verwendeter Begriffe ist die schwierige inhaltliche Abgrenzung verschiedener MIS-Typen untereinander. Ein weiterer Grund ist darin zu sehen, dass von Unternehmen und Wissenschaft immer wieder neue Begriffe geschaffen worden sind, um sich von anderen abzugrenzen (vgl. HICHERT, MORITZ 1995, S. XV). Auch

¹ Grundlegendes Ziel der Energiepolitik in Europa ist die sichere, preisgünstige, verbraucherfreundliche,

effiziente und umweltverträgliche Energieversorgung (vgl. KURTH 2005, S. 26 ff.).

² Industry Solution Utilities/Customer Care and Services

2

der technische Fortschritt und neue konzeptionelle Ansätze prägten neue Bezeichnungen.

Vor einer Definition des Begriffs Managementinformationssystem in dieser Arbeit sollen zunächst die Bestandteile des Wortes, nämlich Information und Informationssystem sowie Management kurz definiert werden:

Unter Informationen versteht man im allgemeinen Sprachgebrauch Daten in einer Form, in der sie eine Bedeutung für Menschen haben (vgl. LAUDON, LAUDON 2004, S. 8). Nach HANSEN besteht ein Informationssystem aus den Systemkomponenten Mensch und Maschine, die Informationen erzeugen und benutzen. Andere Definitionen legen abhängig vom Untersuchungszweck andere Systemelemente zu Grunde. Gemeinsam ist den meisten Begriffsbestimmungen jedoch die fließende Information, durch die verschiedene Systemkomponenten verbunden sind. Ein betriebliches Informationssystem bildet die Leistungsprozesse und Austauschbeziehungen im Unternehmen sowie zwischen dem Unternehmen und seiner Umwelt ab. Es ist ein System miteinander verbundener Komponenten, die zusammen wirkend Informationen sammeln, verarbeiten, speichern und verbreiten, mit dem Ziel der Koordination, Kontrolle, Analyse, Visualisierung und Unterstützung der Entscheidungsfindung in einer Organisation (vgl. HANSEN 1998 S. 67; vgl. LAUDON, LAUDON 2004, S. 8).

Unter dem Management ist die Personengruppe zu verstehen, die in einem Unternehmen Managementfunktionen, also im wesentlichen Planung, Organisation, Führung und Kontrolle wahrnimmt (vgl. STAEHLE 1999, S. 71). Häufig erfolgt eine hierarchische Einteilung des Managements in operatives Management (Lower-Managment), taktisches oder Fachbereichsmanagement (Middle-Management) und strategisches Management (Top-Management) (vgl. GLUCHOWSKI U. A 1997, S. 9). Die verschiedenen Aufgaben des Managements spiegeln sich im Managementprozess bzw. -zyklus wider. Der Managementprozess besteht aus den Phasen Situationsanalyse, Zielsetzung, Planung, Realisierung und Kontrolle (vgl. STAHLKNECHT, HASENKAMP 2002, S. 399). Den verschiedenen Managementebenen und -prozessphasen werden häufig verschiedene MIS-Typen zugeordnet.

Der Begriff Managementinformationssystem findet in der Literatur in zweierlei Bedeutungen Verwendung: Zum einem steht er für Berichtssysteme für das mittlere und untere Management (vgl. LAUDON, LAUDON 2004 S. 44). Zum anderen wird er oft auch allgemein für alle Informationssysteme verwendet, die das Management bei der Entscheidungsfindung unterstützen. Diese Verwendung als Überbegriff ist auch in der

3

Praxis weit verbreitet (vgl. HICHERT, MORITZ 1995, S. XV; vgl. LAUDON, LAUDON 2004, S. 16).

Auch der Sprachraum scheint bei der Verwendung des Begriffs eine gewisse Rolle zu spielen, obwohl sich hierzu in der Literatur zum Teil widersprüchliche Aussagen finden. Im Deutschen ist der Begriff Managementinformationssystem weit verbreitet. Im Englischen hingegen wird eher der Begriff Executive Information System verwendet (vgl. HICHERT, MORITZ 1995, S. XV). Nach KRAEMER steht hingegen im angelsächsischen Sprachgebrauch der MIS-Begriff häufig für ganzheitliche Informationssysteme, die den gesamten Managementprozess unterstützen (vgl. KRAEMER 1993, S. 53). GLUCHOWSKI U. A. warnen vor einer Gleichsetzung der Begriffe Management Information Systems und Executive Information Systems (wie z. B. bei STAHLKNECHT, HASEN- KAMP 2002,S. 336). Sie unternehmen den Versuch einer Systematisierung durch Einteilung der verschiedenen Konzepte in Management Information Systems, Decision Support Systems und Executive Information Systems. Diese werden dann unter dem Oberbegriff Management Support Systems zusammengefasst (vgl. GLUCHOWSKI ^{U. A.} 1997, S.148 ff.). Diese Klassifizierung entspricht auch der historischen Entwicklung von Konzepten für Informationssysteme für das Management, die in Kapitel 2.2 kurz vorgestellt wird.

BAUER, GÜNZEL kritisieren allgemein solche Klassifikationen, da sie nur zur weiteren Verwirrung beitragen. Sie betrachten die verschiedenen Begriffe als weitgehend synonym und argumentieren, dass jedes System erst vor dem Hintergrund der spezifischen Anforderungen im Unternehmen sein individuelles Erscheinungsbild erhält (vgl. BAU- ER, GÜNZEL2004, S. 11).

In dieser Arbeit wird der Begriff Managementinformationssystem in einer weiten Auslegung verwendet: als Überbegriff für Informationssysteme, die das Management aller Ebenen in seinen Aufgaben entsprechend des Managementprozesses unterstützen. Dabei soll der Anwenderkreis nicht nur das Management selbst, sondern auch die Personengruppen, auf deren Arbeitsergebnisse sich Manager bei ihren Entscheidungen stützen (z. B. Controller und Analysten), umfassen. Eine weitergehende Abgrenzung wird nur vorgenommen, wenn dies zum Verständnis notwendig erscheint. Des Weiteren sollen hier die Begriffe MIS und Business Intelligence (vgl. Kapitel 2.2, S. 7) entsprechend HANNIG 2002, S. 6 als weitgehend synonym betrachtet werden.

4

1.3 Zielstellung und Vorgehen

In dieser Arbeit soll untersucht werden, welche Einsatzmöglichkeiten es für SAP Net-Weaver als Basis für Managementinformationssysteme in Energieversorgungsunternehmen gibt. Dabei liegt der Schwerpunkt auf der NetWeaver-Komponente Business Intelligence mit dem SAP Business Information Warehouse. Zunächst werden dazu im zweiten Kapitel MIS in die Informationssystemlandschaft eines Unternehmens eingeordnet und ihre historische Entwicklung betrachtet. Daran anschließend werden Grundlagen und Konzepte für Managementinformationssysteme theoretisch aufgearbeitet. Dabei wird dem Konzept des Data Warehouse auf Grund seiner großen Bedeutung als datentechnische Basis für MIS breiter Raum gewidmet. In diesem Kontext werden des Weiteren die Konzepte OLAP, Performance Management bzw. Balanced Scorecard sowie Enterprise Portale kurz vorgestellt. Im dritten Kapitel wird die Funktionalität von SAP NetWeaver als Plattform für Mana-gementinformationssysteme beschrieben. Dabei wird ausführlich auf die Komponente Business Intelligence mit dem SAP Business Information Warehouse eingegangen. Auf Grund der stark wachsenden Bedeutung der Unternehmensstrategie für Energieversorgungsunternehmen (vgl. MÜLLER 2004, S. 309 ff.), wird SAP Strategic Enterprise Management (SEM) - die auf das SAP BW aufsetzende Lösung zur informationstechnischen Unterstützung des strategischen Managements - kurz vorgestellt. Im vierten Kapitel werden - aufbauend auf der Darlegung veränderter Rahmenbedingungen für Energieversorger in Deutschland - gegenwärtige und zukünftige Einsatzgebiete des SAP BW als Basis für Managementinformationssysteme bei Energieversorgern untersucht. Dabei werden Einsatzszenarien herausgearbeitet, die sich bei EVU in der Rolle des Stromlieferanten sowie in der des Netzbetreibers ergeben. Abschließend wird am Beispiel des Zwei-Mandanten-Unbundling-Modells untersucht, wie sich informationstechnische Anforderungen, die aus den gesetzlich vorgeschriebenen Unbundling-Vorgaben resultieren, beim Einsatz des SAP BW als Basis für Managementinformationssysteme umsetzen lassen.

5

2 Grundlagen und Konzepte

2.1 Einordnung von Managementinformationssystemen in die

Informationssystemlandschaft eines Unternehmens

Betriebliche Informationssysteme lassen sich nach der Art des Verwendungszwecks einteilen in Administrations- und Dispositionssysteme sowie Planungs- und Kontrollsysteme (vgl. GLUCHOWSKI U. A. 1997, S. 44). Zur Darstellung der Einordnung der betrieblichen Informationssysteme in die Systemlandschaft wird gewöhnlich die Systempyramide (vgl. Abb. 1) genutzt.

Abb. 1: Systempyramide

(vgl. GLUCHOWSKI U. A. 1997, S. 44)

In der Systempyramide stellen die mengen- und wertorientierten operativen Systeme die unterste Stufe dar. Sie bilden die Basisabläufe des operativen Unternehmensgeschehens ab und werden unter dem Oberbegriff Administrations- (z. B. Warenwirtschafts-oder Finanzbuchhaltungssysteme) und Dispositionssysteme (z. B. Produktionsplanungssysteme) zusammengefasst. Auf Grund ihres Transaktionscharakters werden sie historisch als Transaktionssysteme (Transaction Processing Systems, TPS) bezeichnet. In ihnen werden die grundlegenden Buchungen der einzelnen Geschäftsvorfälle durch Lese- und Schreiboperationen auf kurzfristig veränderliche Datenbestände vorgenommen. Heute wird in diesem Zusammenhang meist von On-line Transaction Processing (OLTP)-Systemen gesprochen. Die horizontale Integration dieser Systeme - dargestellt

6

durch den Pfeil in der Pyramidenbasis - unterstützt informationstechnisch den Wertschöpfungsprozess im Unternehmen.

Die Planungs- und Kontrollsysteme, die den Managementprozess unterstützen sollenalso in der Terminologie dieser Arbeit Managementinformationssysteme - bilden den oberen Teil der Systempyramide. Klassisch unterteilen lassen sich diese wiederum in Berichts- und Kontrollsysteme, Analyse-Informationssysteme und Systeme zur Unternehmensplanung und -führung, die an der Spitze der Pyramide stehen (vgl. GLUCHOWSKI U. A. 1997, S. 44). Die in den operativen Systemen generierten Daten werden den Entscheidungsträgern im Unternehmen durch Managementinformationssysteme in verdichteter Form zur Verfügung gestellt (dargestellt als vertikaler Pfeil in der Systempyramide). Der Grad der Aggregation der Daten richtet sich meist nach der Position des Managers in der Managementhierarchie. Heute werden die Daten aus den OLTP-Systemen meistens in einem Data Warehouse (vgl. Kapitel 2.3.2, S. 12) gesammelt und können mit Hilfe verschiedener Technologien wie OLAP (vgl. Kapitel 2.3.3, S. 20) analysiert werden.

Ergänzt wird die oben dargestellte Einteilung betrieblicher Informationssysteme durch Bürokommunikations- (z. B. Office-Pakete) und wissensbasierte Systeme (u. a. Groupwaresysteme, Workflow-, Content- und Dokumentenmanagementsysteme und Portale). Diese Systeme werden auch als Querschnittssysteme bezeichnet, da sie sich auf allen Ebenen der Unternehmenshierarchie einsetzten lassen. Enterprise Resource Planning (ERP)-Systeme integrieren alle wesentlichen Funktionen von Administration, Disposition und Führung in einem modular aufgebauten Gesamtsystem. Systeme, die über die Unternehmensgrenzen hinaus wirken, können den Bereichen Business-to-Customer (B2C) oder Business-to-Business (B2B) zugeordnet werden. In ersteren Bereich fallen Customer Relationship Management (CRM)-Systeme zum Management der Kundenbeziehungen, in letzteren Supply Chain Management- (SCM) und Supplier Relationship Management (SRM)-Systeme zum Management von Lieferketten bzw. Beziehungen zu Lieferanten.

2.2 Historische Entwicklung und Klassifikation von Manage-

mentinformationssystemen

Die Entwicklung von Konzepten für Managementinformationssysteme war immer stark vom Entwicklungsstand und der Leistungsfähigkeit der Computer- und Netzwerktechnik abhängig. Eine große Rolle haben auch Veränderungen der Unternehmensumwelt

7

und daraus resultierende neue Anforderungen gespielt. Zur Entwicklung neuer Lösungen haben zum anderen auch neue unternehmerische Organisationsformen und eine immer stärkere Bedeutung von Informationen für den Unternehmenserfolg beigetragen.

Abb. 2: Historische Entwicklung von Konzepten für Managementinformationssysteme

(vgl. HOLTEN 2000, S. 4)

Abb. 2 stellt die historische Entwicklung von Konzepten für Managementinformationssysteme dar. Der Begriff Managementinformationssystem (MIS) entstand in den 60er Jahren. Ziel des ursprünglichen MIS-Ansatzes war die Generierung von Informationen für das Management direkt, automatisch und in Echtzeit aus den operativen Systemen. Das Konzept scheiterte bald auf Grund der den Anforderungen nicht gewachsenen technischen Voraussetzungen. Ein weiterer wichtiger Grund für das Scheitern lag darin, dass das Informationsdefizit durch eine Informationsflut ersetzt wurde, weil eine Filterung, Säuberung und Verdichtung der Daten unterblieb. Durch das Scheitern der ursprünglichen MIS-Idee war der MIS-Begriff lange negativ belegt und ist im Laufe der 70er und 80er Jahre auf Management Reporting Systeme (MRS) eingeengt worden (vgl. HOLTEN 1999 S. 32).

In den 70er Jahren kamen die so genannten Decision Support Systems (DSS) oder Entscheidungsunterstützende Systeme (EUS) auf, die Manager bei spezifischen, schlecht strukturierten Entscheidungssituationen unterstützen sollen. DSS unterstützen die Lösung von What-If-Fragestellungen mit Hilfe komplexer Entscheidungsmodelle. Dabei kommen meist Methoden des Operations Research ³ zum Einsatz. Ursprüngliche DSS

³ Unter Operations Research (OR) wird im Allgemeinen die Entwicklung und der Einsatz quantitativer

Modelle und Methoden (vor allem Optimierungsverfahren) zur Entscheidungsunterstützung verstan-

den.

8

haben beim Management nie eine hohe Akzeptanz erreicht. Gründe dafür können im hohen Lernaufwand, starren Modellstrukturen und komplizierten Kommandosprachen gesehen werden (vgl. MERTENS, WIECZORREK 2000, S.17). Ergänzungen fanden die Decision Support Systeme in so genannten Expert Support Systems (XSS) und wissensbasierten DSS (Knowledge Based Decision Support Systems, KBDSS). Hierbei spielen Methoden der künstlichen Intelligenz wie neuronale Netze eine große Rolle. Eine immer größere Bedeutung kommt heute den Data Mining-Systemen zu, deren Ziel es ist, mit Hilfe statistischer Verfahren unbekannte Zusammenhänge und Muster in Daten zu finden.

Anfang der 80er Jahre entstand eine neue Generation von Managementinformationssystemen, die als Executive Information Systems (EIS) bzw. Führungsinformationssysteme bezeichnet werden. Ziel dieser Systeme ist speziell die Unterstützung des Top-Managements bei der strategischen Unternehmensführung. Die Akzeptanz der frühen EIS durch das Management war aber u. a. wegen ihrer geringen Flexibilität ebenfalls gering (vgl. HANNIG 2004, S. 4).

Klassisch werden Managementinformationssysteme entsprechend ihrer historischen Entwicklung in der wissenschaftlichen Literatur häufig in die drei soeben erwähnten Kategorien MIS/MRS, DSS und EIS eingeteilt (vgl. GLUCHOWSKI U. A. 1997, S. 149 ff.; vgl. LAUDON, LAUDON 2004, S. 43 ff.; vgl. MERTENS, WIECZORREK 2000, S. 16 ff.). Heute finden sich Ansätze dieser Konzepte vereint unter dem Begriff Business Intelligence (BI), der 1993 von der Gartner Group geprägt wurde. Er wird heute oft synonym zum Begriff Managementinformationssystem gebraucht (vgl. HANNIG 2002, S. 6). Eine allgemein anerkannte Definition existiert jedoch nicht. GROTHE, GENTSCH bieten folgende Umschreibung des Business Intelligence-Begriffs an:

“Business Intelligence (BI) bezeichnet den analytischen Prozess, der - fragmentierte -Unternehmens- und Wettbewerbsdaten in handlungsgerichtetes Wissen über Fähigkeiten, Positionen, Handlungen und Ziele der betrachteten internen oder externen Handlungsfelder (Akteure und Prozesse) transformiert.” (GROTHE, GENTSCH 2000, S. 19)

Der analytische Prozess benötigt häufig eine integrierte Datenbasis, die heute meist ein Data Warehouse bildet (vgl. Kapitel 2.3.2, S. 12). Zu den Technologien, die diesen Prozess unterstützen, zählen multidimensionale Analysen (OLAP), Data Mining, Text Mining, Web Mining, die Balanced Scorecard (vgl. Kapitel 2.3.4, S. 23), Business Simu-

9

lation-Techniken, Methoden der künstlichen Intelligenz sowie DSS-Technologien (vgl. MAIER 2004, S. 234).

Ein engeres Verständnis des Business Intelligence-Begriffs konzentriert sich nur auf Werkzeuge für multidimensionale Analysen (OLAP) und deren Visualisierung. (vgl. HANNIG 2002, S.33). In der Praxis wird der BI-Begriff jedoch häufig sehr weit ausgelegt. Meist wird die ganze Bandbreite von Tools und Anwendungen zur Datenintegration und Analyse adressiert, wie z. B. aus den Bereichen Performance Management (vgl. Kapitel 2.3.4), Reporting, Datenanalyse, Planung, Konsolidierung, Datenintegration und Datenqualität (vgl. BARC 2004, S. 3).

Unterteilen lässt sich der BI-Prozess in drei Phasen (vgl. GROTHE, GENTSCH 2000, S. 20): In der ersten Phase Data delivery werden die Daten für die Analyse bereitgestellt. In der zweiten Phase Discovery of relations, patterns and principles sollen relevante Zusammenhänge, Muster, Musterbrüche oder Diskontinuitäten aufgedeckt werden. Die Entdeckung kann anhand vorbestimmter Hypothesen oder hypothesenfrei erfolgen. Hierfür kommen die o. g. Technologien zum Einsatz. Die dritte Phase Knowledge sharing dient der Kommunikation der in der vorangegangenen Phase gewonnenen Erkenntnisse und deren Integration in das Wissensmanagement des Unternehmens. Als „State-ofthe-art“ gelten in diesem Zusammenhang heute Portal-Technologien, die u. a. einen zentralen Zugangspunkt zum Unternehmenswissen - also auch zu dem im BI-Prozess generierten Wissen - realisieren (vgl. Kapitel 2.3.5, S. 26).

2.3 Moderne Konzepte für Managementinformationssysteme

2.3.1 Anforderungen an moderne Managementinformationssysteme

Anforderungen an Managementinformationssysteme hängen von der betrachteten Managementebene sowie von der konkret zu unterstützenden Aufgabe im Managementprozess ab. MEIER U. A. stellen folgende Forderungen an umfassende Management-informationssysteme, die den gesamten Managementprozess unterstützen (vgl. MEIER U. A. 2004, S. 7):

N Informationsintegration: Unternehmensweite Integration von Stamm-, Bewegungs- und Metadaten sowie die Verknüpfung von quantitativen und qualitativen, internen und externen Fakten als Grundlage für Managementinformationssysteme

10

N Funktionsintegration: Integration und Koordination von Funktionalitäten verschiedener Anwendungsbereiche, z. B. die Möglichkeit aus einer Balanced Scorecard (vgl. Kapitel 2.3.4, S. 23) direkt in eine Planungsumgebung zu wechseln N Modulintegration: Verwendung identischer Funktionen in verschiedenen Komponenten

N Prozessintegration: Koordination von Vorgangsketten, z. B. bei der Überführung strategischer Ziele in operative Vorgaben oder die kooperative Planung in komplexen Unternehmensstrukturen

N Weltweiter Zugriff über das Internet/Intranet: Realisierung eines globalen und konsistenter Zugriffs auf Informationen und Funktionen bzw. Anwendungen durch den Einsatz von Unternehmensportalen (vgl. Kapitel 2.3.5, S. 26) N Multidimensionalität: Möglichkeit der Betrachtung relevanter Informationen aus verschiedenen Perspektiven (vgl. Kapitel 2.3.2, S. 12 und 2.3.3, S. 20) N Einfache Erlern- und Bedienbarkeit: Schaffung von Akzeptanz von Management-informationssystemen gerade bei Anwendern aus den höheren Managementebenen durch Benutzerfreundlichkeit

N Interpretationsmodelle und Visualisierungsmethoden: Unterstützung der Informationsaufnahme bzw. der Erfassung von Zusammenhängen durch die Anwender durch geeignete Hilfsmittel (z. B. Darstellungen in Form von Managementcockpits oder die Abbildung von Ursache-Wirkungsbeziehungen) N Betriebswirtschaftliche Inhalte (Business Content): Nutzung bzw. Angebot betriebswirtschaftlicher Vorlagen (z. B. für Methoden, Informationen, Rollen), die schnell und flexibel an spezifische Anforderungen angepasst werden können (vgl. Kapitel 4.2.1, S. 51)

N Personalisierung: Vermeidung von Informationsüberflutung durch ein auf den jeweiligen Nutzer abgestimmtes Informationsangebot

Heutige Systeme erfüllen oft nur Teile dieser umfassenden Anforderungen. HOLTEN U. A. betrachten Managementinformationssysteme im engeren Fokus der Informationsbereitstellung und erheben folgende Anforderungen: Eigene, flexible, aufgabenbezogene Sichten auf das Unternehmensgeschehen in Form von verdichteten, entscheidungsrele-

11

vanten Informationen auf der Grundlage einer integrierten und konsistenten Datenbasis. Die Informationen sollen dem Management zur richtigen Zeit und in der gewünschten Form zur Verfügung stehen (vgl. HOLTEN U. A. 2001, S. 4). Die zentrale Architekturkomponente bzw. datentechnische Basis für Managementin-formationssysteme stellt heute das Data Warehouse dar (vgl. HOLTEN U. A. 2001, S. 8). Der Data Warehouse-Prozess, in dem die managementrelevanten Informationen erzeugt werden, wird von Data Warehouse-Systemen umgesetzt.

2.3.2 Data Warehouse-Systeme

Definition und Abgrenzung

Eine einheitliche Definition des Begriffs Data Warehouse existiert derzeit nicht. Dahingehende Versuche verschiedenster Normierungsgremien waren bis jetzt erfolglos. Eine der ersten und bekanntesten Definition des Begriffs „Data Warehouse“ stammt von INMON:

„A data warehouse is a subject oriented, integrated, non-volatile, and time-variant collection of data in support of management’s decisions.“ (INMON 1996, S. 33)

Ein Data Warehouse hat dieser Definition nach vier Eigenschaften, die der Entscheidungsunterstützung des Managements dienen sollen:

N Themen- oder Fachorientierung (subject orientation): Die Daten in einem Data Warehouse werden so strukturiert, dass sie einem bestimmten Anwendungszweck dienen.

N Integrierte Datenbasis (integration): Analyserelevante Daten aus verschiedenen operativen Systemen werden im Data Warehouse physisch zusammengeführt, bereinigt und vereinheitlicht.

N Nicht flüchtige Datenbasis (non-volatile): Einmal in ein Data Warehouse eingebrachte Daten werden gewöhnlich nicht mehr überschrieben oder geändert. N Zeitliche Varianz/Historische Daten (time variance): Die Daten werden langfristig im Data Warehouse vorgehalten, um Analysen mit Zeitraumbezug zu ermöglichen.

12

Der Begriff des Data Warehouse wurde durch Informatik und Betriebswirtschaft weiter geprägt. Die Informatik stellt die informationstechnologischen Aspekte der Datenintegration in den Vordergrund. In der betriebswirtschaftlichen Praxis kommt den konkreten Anwendungsfeldern bzw. dem Analyseaspekt größere Bedeutung zu. Für BAUER, GÜNZEL ist Inmons Definition nicht aussagekräftig genug, um sie in Praxis oder Theorie verwenden zu können. Zum anderen wird sie als so einschränkend angesehen, dass einige Anwendungsgebiete herausfallen. Sie schlagen deshalb folgende Definition vor:

“Ein Data Warehouse ist eine physische Datenbank, die eine integrierte Sicht auf beliebige Daten zu Analysezwecken ermöglicht.“ (BAUER, GÜNZEL, 2004, S.7)

HOLTEN U. A. bezeichnen aus Managementsicht ein Data Warehouse kurz und knapp als „Datenbank für Managementinformationen“ (vgl. HOLTEN U. A. 2001, S. 5).

Analyse- und Integrationscharakter können also als die wichtigsten Eigenschaften eines Data Warehouse angesehen werden. Der analytische Charakter wird durch die multidimensionale Datenmodellierung realisiert. Das multidimensionale Datenmodell stellt besondere Datenstrukturen zur Verfügung, die speziell für betriebswirtschaftliche Analysezwecke ausgelegt sind. Der Integrationscharakter bedeutet hier das Zusammenführen und die Vereinheitlichung der Daten aus den verschiedenen Quellsystemen, d.h. z. B. die Schaffung einheitlicher Namenskonventionen oder Maßeinheiten zur Realisierung einer konsistenten Datenbasis für verlässliche Analysen. Die physische Trennung des Data Warehouse von den operativen Systemen impliziert, dass die Daten redundant vorgehalten werden. Dies stellt eine Abkehr von früheren Konzepten dar, Management-informationen direkt aus den OLTP-Systemen heraus zu generieren. Die meisten dieser Ansätze scheiterten an technischen Problemen oder führten zu unflexiblen Lösungen. Aus damaliger Sicht war der Ansatz, direkt auf die in verschiedenen Anwendungssystemen verteilten Daten zuzugreifen, auf Grund der hohen Kosten für Datenträger und deren geringe Kapazität durchaus nachvollziehbar. Heute stellt die redundante Speicherung der Daten wegen der rasanten Entwicklung der Kapazität im Bereich der Datenspeicher und deren vergleichsweise niedrigen Preise kein Problem mehr dar. Eine weitere Abgrenzung eines Data Warehouse von einer OLTP-Datenbank besteht darin, dass die Daten im Data Warehouse gewöhnlich nicht mehr modifiziert oder gelöscht werden.

13

Der lesende Zugriff ist die wesentliche Operation, die auf die Daten angewandt wird. Er erfolgt meist in der Form komplexer Anfragen, die viele Millionen Datensätze betreffen können. Ein Data Warehouse kann also für lesenden Zugriff optimiert werden. In OLTP-Datenbanken herrschen hingegen kurze Lese- und Schreibtransaktionen vor, die meist nur wenige Datensätze umfassen. Der zeitliche Bezug der Daten in einem Data Warehouse ist aus Managementsicht besonders wichtig, da für Führungskräfte Auswertungen über längere Zeiträume, also Monate oder Jahre, eine große Bedeutung haben (vgl. HOLTEN 2001, S. 6). Eine Historisierung wird dadurch erreicht, dass die Daten aus den operativen Anwendungssystemen nach ihrer Integration zu den bereits vorhandenen Daten periodisch hinzugefügt werden. Dem Datenbestand des Data Warehouse werden im Prinzip immer „Momentaufnahmen“ des Datenbestandes der operativen Systeme in festgelegten Zeitintervallen angefügt. Die Abgrenzung gegenüber transaktionalen Systemen lässt sich noch weiter führen: Der Anwenderkreis eines Data Warehouse besteht in der Regel aus relativ wenigen Personen wie Führungskräfte, Controller und Analysten, aber im zunehmenden Maße auch einfache Informationskonsumenten, die einen eher begrenzten Blick auf die Daten für ihre operative Tätigkeit benötigen. In operativen Systemen herrscht hingegen Datenein- und -ausgabe durch eine sehr große Anzahl von Anwendern vor. Hierbei liegt die Antwortzeit des Systems im Millisekundenbereich, bei den analytischen Anwendungen hingegen auf Grund der z. T. komplexen Abfragen und wesentlich höheren Datenmengen im Sekunden- bis Minutenbereich.

Referenzmodell für Data Warehouse-Systeme

Ein Data Warehouse allein kann die Anforderungen der Analyse- und Integrationsfunktion nicht erfüllen, es muss in ein Data Warehouse-System eingebettet sein. Unter einem Data Warehouse-System wird ein Informationssystem verstanden, das den Data Warehouse-Prozess umsetzt. Der Data Warehouse-Prozess - auch als Data Warehousing oder Business Intelligence-Prozess bezeichnet - beschreibt den dynamischen Vorgang der Datenbeschaffung, Vereinheitlichung, Speicherung und Verwaltung der Daten bis hin zur Analyse und Präsentation für den Endanwender (vgl. BAUER, GÜNZEL 2004, S. 8).

14

Abb. 3 veranschaulicht die Referenzarchitektur ⁴ eines Data Warehouse-Systems nach BAUER, GÜNZEL (vgl. BAUER, GÜNZEL 2004, S. 31 ff.). Danach besteht ein Data Warehouse-System aus folgenden Komponenten: Monitor, Extraktor, Transformator, Lade- und Analysekomponente. Monitor, Transformator und Ladekomponente werden häufig unter dem Begriff ETL-Komponenten ⁵ zusammengefasst. Ergänzt werden diese Komponenten durch den Data Warehouse-Manager und den Metadaten-Manager. Als Speicher dienen in dem Modell der Arbeitsbereich, die Basisdatenbank, das Data Warehouse, das Metadaten-Repository und - außerhalb des Data Warehouse-Systems - die Datenquelle. Die ETL-Komponenten und der Arbeitsbereich bilden den Datenbeschaffungsbereich. Die Basisdatenbank, das Data Warehouse und die Analysekomponente stellen den Auswertebereich dar. Zu beachten ist in den folgenden Ausführungen, dass in dem Referenzmodell nicht zwischen Data Warehouse und Data Marts (vgl. Anhang A.2) unterschieden wird. Data Marts werden selbst als Data Warehouses angesehen, die

⁴ verstanden als statisches Modell, frei von technischen Details und Implementierungsaspekten

⁵ ETL steht für Extraction, Transformation, Loading

15

eng am jeweiligen Analysezweck ausgerichtet sind und auf die granulare Basisdatenbank aufsetzen (vgl. BAUER, GÜNZEL 2004, S. 60). „Data Warehouse“ könnte im Folgenden durchaus durch „Data Mart“ ersetzt werden.

Im ersten Schritt des Data Warehouse-Prozesses werden die Daten durch die Extraktionskomponente aus der Datenquelle extrahiert und in den Arbeitsbereich (staging area) transportiert. Besondere Bedeutung kommt dabei der Auswahl und Beschaffenheit der zu extrahierenden Daten zu, da diese sich direkt auf die Analyseergebnisse auswirken. Die Qualität von Analysen kann nur so gut sein, wie die Qualität der zu Grunde liegenden Daten. Schlechte Datenqualität kann schnell zu steigenden Kosten und Akzeptanzproblemen führen. Als wichtige Qualitätskriterien lassen sich u. a. Integrität, Konsistenz, Fehlerfreiheit, Vollständigkeit und Relevanz der Daten anführen. Ein einheitliches Datenmodell, wie es allen SAP-Anwendungen zu Grunde liegt, gewährleistet schon ein gewisses Maß an Datenqualität (vgl. WHITBYPARTNERS2005). Eine große Rolle bei der Auswahl von Datenquellen spielen der Anwendungszweck des Data Warehouse, sowie Qualität, Verfügbarkeit und Preis für die Beschaffung von Quelldaten. Unterstützt wird der Extraktionsvorgang durch den Monitor, der Datenänderungen in der Datenquelle entdeckt.

Im nächsten Schritt werden die in den Arbeitsbereich geladenen Daten transformiert. Wichtig hierbei ist die Vereinheitlichung der Daten, so müssen z. B. Maßeinheiten oder Datumsangaben in ein einheitliches Format gebracht werden. Eine weitere Aufgabe der Transformationskomponente ist die Datenbereinigung (data cleansing). Fehlerhafte, redundante oder unplausible Daten müssen erkannt und gegebenenfalls korrigiert werden, damit das Analyseergebnis nicht verfälscht wird. Im Anschluss an die Transformationsphase werden die bereinigten und vereinheitlichten Daten in die Basisdatenbank und/oder ein Data Warehouse geladen. Die Basisdatenbank stellt nach BAUER, GÜNZEL die integrierte Datenbasis für verschiedene Analysen dar. Sie hat eine zentrale Verteilfunktion und wird deshalb mit analyseunabhängigen, bereinigten, integrierten, granularen Daten befüllt. Dies gewährleistet die Mehrfachverwendung der Daten sowie eine allgemein höhere Flexibilität. In der Praxis wird jedoch aus Aufwands- und Kostengründen trotz ihrer zentralen Bedeutung häufig auf eine Basisdatenbank verzichtet. In diesem Fall werden analysespezifische Daten (z. B. aggregierte) direkt in ein Data Warehouse geladen. Die nicht auf einen spezifischen Analysezweck ausgerichtete Basisdatenbank im Referenzmodell von BAUER, GÜNZEL wird auch als unternehmensweites, zentrales Data Warehouse oder Enterprise Data Warehouse bezeichnet (vgl. SAP2005A). Existiert also eine Basisdatenbank, dient sie als Basis für ein Data Warehouse. Die inte-

16

grierten und bereinigten Detaildaten der Basisdatenbank werden in ein Data Warehouse geladen und dort entsprechend des Analysezweckes (z. B. können die Detaildaten hier aggregiert werden) abgelegt. Als Ablagestruktur hat sich dafür das multidimensionale Datenmodell durchgesetzt, da dieses für multidimensionale Analysen (OLAP) am besten geeignet ist.

Die Analysekomponente bildet die Schnittstelle zwischen Anwender und Data Warehouse und stellt Funktionen für die Präsentation der Analyseergebnisse und die Interaktion mit dem System bereit. Zwischen Analysekomponente und Data Warehouse befindet sich bei relationaler Speicherung der Daten im Data Warehouse eine multidimensionale Zugriffsschicht. Sie übersetzt eine multidimensionale Anfrage eines Analysetools in eine SQL-Anfrage an die relationale Datenbank und transformiert die Daten dann in die für Analysezwecke besser geeignete direkte multidimensionale Form. Vereinfacht können drei Komplexitätsstufen analytischer Werkzeuge in einem Data Warehouse-System unterschieden werden: Reporting, OLAP und Data Mining (vgl. BAUER, GÜNZEL 2004, S.65). Im Metadaten-Repository sind die Metadaten des Data Warehouse-Systems abgelegt. Diese Metadaten umfassen alle Informationen, die den Aufbau, die Wartung, die Administration von Daten sowie die Informationsgewinnung aus den Daten unterstützen. Beispiele für Metadaten eines Data Warehouse-Systems sind beschreibende Informationen über Datenquellen, Datenmodell, Zugriffsrechte oder physische Ablage der Daten. Die Verwaltung des Metadaten-Repositories wird vom Metadatenmanager gesteuert.

Zentrale Verwaltungskomponente eines Data Warehouse-Systems ist der Data Warehouse-Manager. Er ist für die Initiierung, Steuerung und Überwachung aller Teilprozesse von der Extraktion der Daten aus den Quellsystemen über die Transformation und das Laden bis hin zur Analyse zuständig.

Das multidimensionale Datenmodell

Die Grundlage für multidimensionale Analysen ist das multidimensionale Datenmodell, nach dessen Schema die Daten im Data Warehouse organisiert sind. Multidimensionale Sichten bestehen aus Kennzahlen ⁶ und Dimensionen. Beispiele für betriebswirtschaftliche Kennzahlen sind Umsatz, Deckungsbeitrag oder Return On Investment. Der Infor-

⁶ UnterKennzahlen versteht man allgemein Zahlen, die quantitativ erfassbare Sachverhalte in konzent-

rierter Form wiedergeben. Die wichtigsten Eigenschaften einer Kennzahl sind Informationscharakter,

Quantifizierbarkeit (Messbarkeit) und die spezifische Form der Information. Letztere ist für Führungs-

kräfte besonders wichtig, weil damit komplizierte Strukturen und Prozesse auf relativ einfache Weise

dargestellt werden können. (vgl. HORVATH, REICHMANN 2003, S. 381; vgl. HOLTEN 1999, S. 93)

17

mationsgehalt dieser Kenngrößen allein ist gering. Er ergibt sich erst im Kontext von Bezugsobjekten oder Auswertesichten, die in der Data Warehouse- bzw. OLAP-Begriffswelt als Dimensionen bezeichnet werden. Sie bilden visualisiert die Kanten eines multidimensionalen Würfels. Aus der Würfelanalogie wird der wesentliche Unterschied des multidimensionalen zum relationalen Datenmodell, das sich hervorragend für transaktionale, aber eher schlecht für analytische Systeme eignet, deutlich: Das relationale Datenmodell ist datensatzorientiert, das multidimensionale hingegen zellenorientiert (vgl. HANNIG 2002, S. 11). In Abb. 4 bilden die Dimensionen „Geografie“, „Zeit“ und „Produkt“ den Würfel. In den Würfelzellen können eine oder mehrere Kennzahlen („Verkäufe“ in Abb. 4) abgelegt werden, wobei die Existenz von mehreren Kennzahlen in einer Würfelzelle nur möglich ist, wenn sich die Kennzahlen durch die gleichen Dimensionen beschreiben lassen.

Abb. 4: Multidimensionaler Datenwürfel mit Dimensionen, Klassifikationsschemata und

Die Anzahl der Dimensionen, die einen Würfel aufspannen, wird als Dimensionalität des Würfels bezeichnet. Sie ist nicht auf drei beschränkt, weswegen man auch von „Hypercubes“ spricht (vgl. OEHLER 2000, S. 54). Dimensionen haben meist hierarchischen Charakter, d.h. sie lassen sich weiter untergliedern. So kann z. B. die Dimension „Geografie“ unterteilt werden in die Ebenen „Land“, „Region“, „Bezirk“, u. s. w. Die Anzahl der Dimensionselemente in einer Hierarchiestufe (z. B. „Nord“, „Süd“, „Ost“, „West“ für die Hierarchiestufe „Region“) bestimmt die Kantenlänge des Würfels ⁷ . Die Dimensionselemente bilden die Knoten und auf der untersten Stufe die Blätter eines Baumes, der

⁷ Korrekterweise ergibt sich in Abhängigkeit von der Kantenlänge meist ein Quader, aber der Begriff

„Würfel“ hat sich durchgesetzt.

18

als Klassifikationshierarchie ⁸ bezeichnet wird (vgl. Abb. 4). Die Ebenen einer Klassifikationshierarchie werden durch ein Klassifikationsschema dargestellt (vgl. Abb. 4). Die Ebene der Klassifikationshierarchie, auf der sich ein Dimensionselement befindet, bestimmt den Aggregationsgrad der Daten. Auf der untersten Klassifikationsstufe befinden sich die Kenngrößen, wie sie im Data Warehouse abgelegt wurden (aggregiert oder atomar). Jedes Dimensionselement einer höheren Stufe enthält die aggregierten Werte der im Teilbaum jeweils direkt darunter liegenden.

Die hierarchische Struktur der Dimensionen ermöglicht die Navigation im Datenbe-stand bzw. spezifische Sichten (Dimensionsausschnitte) entsprechend dem Anwendungszweck und der Anwendergruppe. Für das Topmanagement z. B. ist ein Dimensionsausschnitt, der die obersten Hierarchieebenen umfasst, am geeignetsten. Für den Manager einer bestimmten Vertriebsregion wird die Hierarchieebene seiner Region, bzw. die darunter liegenden, am interessantesten sein. Wie bereits im vorangegangenen Kapitel erwähnt, hat der zeitliche Bezug der Daten für Managementinformationen eine große Bedeutung. Die Dimension Zeit wird somit in den meisten Würfeln und managementrelevanten Sichten vorhanden sein.

Die o. g. Beschreibung des multidimensionalen Datenmodells ist an BAUER, GÜNZEL angelehnt, die verschiedene Ansätze aus der wissenschaftlichen Literatur zusammengetragen haben. Eine allgemein anerkannte formale Beschreibung des multidimensionalen Datenmodells und seiner Modellelemente (Würfel, Dimensionen, Hierarchien etc.) existiert nicht.

Für die datenbanktechnische Umsetzung des multidimensionalen Datenmodells können drei Speicherungsvarianten zum Einsatz kommen. Relationale Speicherung (ROLAP, relational OLAP), multidimensionale Speicherung (MOLAP, multidimensional OLAP) und hybride Speicherung (HOLAP, hybrides OLAP). Bei der relationalen Speicherung wird das multidimensionale Datenmodell mit Hilfe von relationalen Datenstrukturen eines relationalen Datenbankmanagementsystems (RDBMS) physisch abgebildet. Dafür kommen das Star-Schema, das Snowflake-Schema oder Abwandlungen dieser beiden Schemata zum Einsatz. Bei beiden Varianten werden die Dimensionen durch Tabellen dargestellt, die durch eine so genannte Fakttabelle, in der die Kennzahlen gespeichert werden, verbunden sind. Die Dimensionstabellen enthalten Stammdaten, an die Fakttabelle werden periodisch Bewegungsdaten angefügt. Star- und Snowflake-Schema unterscheiden sich hinsichtlich des Grades der Normalisierung der Dimensionstabellen. Auf eine weitergehende Darstellung der beiden Sche- ⁸ DieElemente einer höheren Stufe in der Hierarchie „klassifizieren“ die darunter liegenden.

19

mata wird hier verzichtet ⁹ . Relationale Speicherung bietet den Vorteil, dass sie auf ausgereifte standardisierte relationale Datenbankmanagementsysteme, Tools und die Abfragesprache SQL aufsetzen kann, die sich lange im produktiven Einsatz bewährt haben. Hinzu kommt die gute Skalierbarkeit relationaler Systeme bei wachsenden Datenbeständen. Der Hauptnachteil dieser Form der Speicherung ist die schlechte Performance bei komplexen Anfragen, wie sie bei OLAP häufig vorkommen. Bei der multidimensionalen Speicherung wird das multidimensionale Datenmodell physisch nahezu direkt in einem multidimensionalen Datenbankmanagementsystem (MDBMS) abgebildet. Die Speicherung erfolgt dabei in Form von multidimensionalen Arrays, wodurch sich große Geschwindigkeitsvorteile gegenüber der relationalen Speicherung erreichen lassen. Multidimensionale Datenbankmanagementsysteme sind nicht standardisiert und somit proprietär. Zur Administration solcher Systeme sind im Gegensatz zu RDBMS also Spezialkenntnisse erforderlich. Multidimensionale Speicherung kommt meist bei Data Marts (vgl. Anhang A.2) zum Einsatz, auf die die meisten analytischen Abfragen erfolgen. Für Data Warehouses, die große Datenmengen auf niedriger Granularitätsstufe enthalten, wird eher die relationale Speicherung verwendet. Der Ansatz der hybriden Speicherung versucht die Vorteile der relationalen und der multidimensionalen Speicherung zu vereinen. Allgemein gesprochen werden hier Detaildaten der unteren Hierarchiestufen relational abgelegt. Aggregierte Daten der oberen Hierarchiestufen, auf die gewöhnlich die meisten Anfragen abzielen, werden hingegen in multidimensionalen Strukturen gespeichert.

(vgl. OEHLER, S. 22 f., 124 ff.; vgl. HOLTEN U. A., S. 21 ff.; vgl. BAUER, GÜNZEL, S. 202 ff.)

2.3.3 OLAP

Eine wichtige Anwendung zur Analyse der Daten im Data Warehouse ist OLAP. OLAP-Systeme realisieren zentrale Anforderungen an Informationssysteme aus Managementsicht: Sie ermöglichen verschiedene Blickwinkel auf entscheidungsrelevante, verdichtete Informationen und die Navigation durch den Datenbestand (vgl. HOLTEN 2001, S. 10). Wie im vorangegangenen Kapitel bereits erwähnt, ist OLAP, wie alle analytischen Anwendungen, die die Daten des Data Warehouse nutzen, als integraler Bestandteil eines Data Warehouse-Systems anzusehen. Dabei hält das Data Warehouse selbst die entscheidungsrelevanten Daten in multidimensionalen Strukturen vor. OLAP kann als der

⁹ Ausführliche Informationen zur physischen Umsetzung des multidimensionalen Datenmodells finden

sich in BAUER, GÜNZEL 2004. Schematische Darstellungen von Möglichkeiten zur relationalen Abbil-

dung des multidimensionalen Datenmodells finden sich in Anhang A.1.

20