Diese Arbeit handelt von einer theoretischen Betrachtung und der konkreten Umsetzung am Beispiel des fiktiven Unternehmens, der Schätzle Finance und Insurance GmbH, unter Berücksichtigung entsprechender Datenbanksysteme, sowie einem Datenkonzept.
Eine Vielzahl an Datenquellen, das steigende Datenvolumen, sowie unterschiedliche Datenbanktechnologien, welche oft auch durch den Einsatz von Applikationen eingeschränkt bzw. vorgegeben sind, erhöhen die Komplexität im Umgang mit Daten.
Für Organisationen ergeben sich daraus verschiedene Herausforderungen im Umgang mit Daten, wie auch bei der Auswertbarkeit von Daten. Datenkonzepte müssen dies entsprechend berücksichtigen. Die Auswahl der richtigen Technologien und Konzepte
sind in der Regel von strategischer Bedeutung. Das Datenkonzept ist entscheidend für den Erfolg des Unternehmens und die Möglichkeit Daten richtig nutzen und einsetzen zu können. Im Falle, dass ein führendes Datenbanksystem nicht zum Einsatz kommen kann, sind entsprechende Konzepte zu entwickeln, welche dieses mögliche Defizit ausgleichen.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Aufbau der Arbeit
2 Theoretische Grundlagen
2.1 Business Intelligence
2.1.1 Herausforderungen einer fehlende BI-Strategie.
2.1.2 Gründe für eine BI-Strategie
2.2 Daten
2.2.1 Strukturierte Daten
2.2.2 Unstrukturierte Daten
2.3 Datenkonzept
2.3.1 Entity Relationship Modell
2.3.1.1 Entität
2.3.1.2 Attribute
2.3.1.3 Relationship
2.3.1.4 Schlüssel
2.3.1.5 Beispiel für ein Entity Relationship Modell
2.3.2 Normalisierung
2.3.2.1 Normalform 1
2.3.2.2 Normalform 2
2.3.2.3 Normalform 3
2.4 Datenbankmanagementsysteme
2.4.1 Anforderungen an ein Datenbankmanagementsystem
2.4.2 Softwarearchitektur von Datenbankmanagementsystemen
2.4.3 Arten von Datenbankmanagementsystemen
2.4.3.1 Relationale Datenbankmanagementsysteme
2.4.3.2 XML Datenbanken
2.4.3.3 NoSQL
2.5 Datenhaltung
2.5.1 Data-Warehousing
2.5.1.1 Quellsysteme
2.5.1.2 Staging Area
2.5.1.3 Cleaning Area
2.5.1.4 Core
2.5.1.5 Mart
2.5.2 Datenhaltung in der Cloud
2.6 Zusammenfassung
3 Anwendungsteil / Wesentliche Fragestellung
3.1 Strategie als Ausgangsage
3.1.1 Unternehmensstrategie
3.1.2 IT-Strategie des Unternehmens
3.1.3 BI-Strategie des Unternehmens
3.1.3.1 Fachlich
3.1.3.2 Technisch
3.1.3.3 Organisatorisch
3.2 Anforderungen an ein neues Datenkonzept
3.3 Datenkonzept
3.4 Applikationslandschaft
3.5 Datenbankmanagementsysteme
3.6 Data-Warehousing unter dem Einbezug von Cloud Services
3.7 Was wurde nicht berücksichtigt
4 Diskussion
5 Fazit Ausblick
Zielsetzung & Themen
Die Arbeit untersucht die Herausforderungen beim effizienten Umgang mit Daten in einem Finanzdienstleistungsunternehmen. Das primäre Ziel besteht darin, unter Berücksichtigung theoretischer Grundlagen zur Datenhaltung und Datenbankmanagementsystemen ein Datenkonzept zu entwickeln, das die geschäftlichen Anforderungen an Analytik und Cross-Selling unterstützt.
- Strategische Bedeutung von Business Intelligence (BI) und Datenmanagement
- Methodische Grundlagen der Datenmodellierung (ER-Modelle und Normalisierung)
- Evaluierung von Datenbanksystemen und deren Architektur
- Konzeption eines Data-Warehouse-Ansatzes unter Einbeziehung von Cloud-Services
Auszug aus dem Buch
2.4.3.3 NoSQL
Im Abschnitt zuvor wurde bereits eine NoSQL Technologie vorgestellt. XML-Datenbanken sind im weiteren Sinne NoSQL Datenbanken. NoSQL steht für Not only SQL und kommt dann zum Einsatz, wenn die SQL-Ansätze von RDBMS zu starr für neue Konzepte sind. Im Prinzip ist das Verlassen der bekannten Schemata die Definition der NoSQL Datenbanksysteme und bedient eine Vielzahl an Herausforderungen, welche sich z.B.: durch die Schemalosigkeit als solches, wie auch durch Replikation und dem sogenannten Sharding ergeben. Beim Sharding werden beispielsweise mehrere Knoten aufgebaut und Daten entsprechend verteilt. Für die Speicherung und Verarbeitung sehr großer Datenmengen ist dieses Konzept ein Vorteil. Bei all den Vorteilen ist auch zu berücksichtigen, dass sich daraus auch Nachteile ergeben können. Die fehlende strukturierte Abfragesprache wie SQL kann zur Herausforderung werden. Zudem sind viele Entwickler auf SQL basierten Systemen spezialisiert.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet den Wandel in der Datenbanklandschaft und skizziert die Herausforderungen im Umgang mit steigenden Datenmengen und komplexen Anwendungslandschaften.
2 Theoretische Grundlagen: Dieses Kapitel vermittelt fundiertes Wissen über BI-Strategien, Datenmodelle (ER-Modell), Normalisierung sowie die Architektur und Arten von Datenbankmanagementsystemen und Data-Warehousing.
3 Anwendungsteil / Wesentliche Fragestellung: Am Beispiel der Schätzle Finance und Insurance GmbH wird die praktische Entwicklung einer BI-Strategie und eines spezifischen Datenkonzepts inklusive Cloud-gestütztem DWH-Ansatz dargelegt.
4 Diskussion: Das Kapitel reflektiert kritisch die Anforderungen an moderne Datenkonzepte und thematisiert den notwendigen technologischen Wandel sowie den damit verbundenen Bedarf an neuem Mitarbeiter-Know-how.
5 Fazit Ausblick: Das Fazit fasst die Relevanz einer strategischen Planung der Datenhaltung zusammen und betont, dass Daten heute einen ähnlich hohen Stellenwert einnehmen wie Öl in der Industrie.
Schlüsselwörter
Business Intelligence, Datenhaltung, Datenbankmanagementsystem, Data-Warehouse, Datenkonzept, Entity Relationship Modell, Normalisierung, Cloud Services, SQL, NoSQL, IT-Strategie, Cross-Selling, FinTech, Skalierbarkeit, Unternehmensdaten.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Herausforderungen und strategischen Lösungswege beim effizienten Umgang mit heterogenen Datenquellen in einem Finanzdienstleistungsunternehmen.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf Business Intelligence, Datenbankarchitekturen, Datenmodellierung, Data-Warehousing und der strategischen IT-Ausrichtung.
Was ist das primäre Ziel der Forschungsarbeit?
Ziel ist es, den theoretischen Hintergrund zur Datenhaltung auf ein fiktives Unternehmen anzuwenden, um Anforderungen an ein modernes Datenkonzept abzuleiten.
Welche wissenschaftliche Methode wird verwendet?
Es erfolgt eine theoretische Herleitung der Konzepte, gefolgt von einer fallstudienbasierten Analyse und Anwendung an einem fiktiven Unternehmen (SFI).
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in einen theoretischen Grundlagenteil und einen Anwendungsteil, der eine konkrete BI- und IT-Strategie für die Schätzle Finance und Insurance GmbH entwickelt.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zentrale Begriffe sind Datenhaltung, Business Intelligence, Data-Warehouse, Cloud Services und IT-Strategie.
Warum spielt die Normalisierung im Datenkonzept eine entscheidende Rolle?
Die Normalisierung ist essenziell, um Redundanzen und Inkonsistenzen in den Daten zu vermeiden und die Datenqualität langfristig sicherzustellen.
Warum reicht für das fiktive Unternehmen kein einzelnes Datenbanksystem aus?
Aufgrund historisch gewachsener Silostrukturen und spezifischer Anforderungen der Fachabteilungen ist eine Konsolidierung auf ein einzelnes System kaum möglich und ökonomisch nicht sinnvoll.
- Quote paper
- Hans Schätzle (Author), 2021, Herausforderung im effizienten Umgang mit Daten unter Berücksichtigung von unterschiedlichen Datenquellen, Munich, GRIN Verlag, https://www.grin.com/document/1171455
