Zusammenhang von BI und SOA

Inhaltsverzeichnis

Abbildungsverzeichnis

1 Zielsetzung des Projekts

2 Business Intelligence
2.1 Begriffsdefinition
2.2 Framework
2.3 Datenbereitstellung
2.3.1 Aufbau eines Data Warehouse
2.3.2 ETL
2.4 Datenmodellierung
2.4.1 Semantische Modellierung
2.4.2 Logische Modellierung
2.4.3 Physische Modellierung
2.5 Informationsgenerierung und –zugriff
2.5.1 OLAP
2.5.2 Data Mining

3 SOA
3.1 Merkmale
3.2 Rollen und Aktionen in einer SOA
3.3 Web Services

4 Zusammenhang BI und SOA
4.1 Administration von Metadaten
4.2 Einfache Abfragen
4.3 Echtzeitzugriff
4.4 BI-Funktionen als Web Service für alle Unternehmensbereiche
4.5 Überwachung der Geschäftsprozesse in Echtzeit

5 Fazit und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Das Business-Intelligence-Framework

Abbildung 2: OLAP Datenwürfel

Abbildung 3: Rollen im SOA

Abbildung 4: WSDL, SOAP und UDDI im Rahmen eines Web Service

Abbildung 5: BI Funktionen als Web Service

Abbildung 6: Integration BI-Web Service in Enterprise Portal

1 Zielsetzung des Projekts

Das Top-Management trifft Entscheidungen, die sich auf das Unternehmen sehr stark auswirken. Die obere Führungsschicht entwickelt Strategien, um die Richtung vorzugeben. Falsche Entscheidungen können zu finanziellen Verlusten und Abbau von Arbeitsplätzen führen. Der Vorstand braucht bei der Entscheidung Unterstützung, um interne und externe Veränderungen frühzeitig zu erkennen und entsprechend zu reagieren. Dazu müssen alle Daten und Informationen der gesamten Unternehmensbereiche zum richtigen Zeitpunkt zur Verfügung stehen.

Business Intelligence Lösungen sind Werkzeuge, die genau diese Anforderungen erfüllen. Gleichzeitig wächst jedoch der Wunsch, diese Tools mit noch umfangreicheren Funktionen, wie z.B. Geschäftsprozessunterstützung und Echtzeitmonitoring auszustatten. Weiterhin sollen BI-Portale nicht nur für das Topmanagement bereitgestellt werden, sondern für mehrere Anwender. Welche Lösungsansätze gibt es, um diese Anforderungen zu erfüllen? Die Zielsetzung dieses Projekt besteht darin, den Zusammenhang von BI und SOA zu entwickeln. Zunächst werden diese zwei Begriffe definiert. Anschließend wird der Zusammenhang zwischen BI und SOA dargestellt.

2 Business Intelligence

2.1 Begriffsdefinition

„Business Intelligence ist ein integrativer Ansatz, dessen Ziel es ist, aus verteilten und inhomogenen Unternehmens-, Markt- und Wettbewerbsdaten erfolgskritisches Wissen zu erzeugen.“^[1]

Im Fokus steht der Prozess, bei dem das Management mit verlässlichen Informationen für Analyse- und Entscheidungszwecke versorgt wird. Grothe unterteilt in drei Prozessphasen:

- Bereitstellung quantitativer und qualitativer, strukturierter oder unstrukturierter Basisdaten.
- Entdeckung relevanter Zusammenhänge, Muster oder Musterbrüche oder Diskontinuitäten gemäß vorbestimmter Hypothesen oder hypothesenfrei.
- Teilen und Nutzung der gewonnenen Erkenntnisse zur Stützung von Maßnahmen und Entscheidungen.^[2]

2.2 Framework

Das Framework ist ein Programmgerüst, welches die Anwendungsarchitektur vorgibt. Es ist ein Referenzmodell und dient als Grundlage für die Implementierung individueller Sachverhalte. Das Business-Intelligence-Framework besteht aus drei Ebenen.

Abbildung in dieser Leseprobe nicht enthalten

2.3 Datenbereitstellung

Die 1. Ebene des Business-Intelligence-Frameworks ist die Datenbereitstellung. Das Data-Warehouse-Konzept steht im Mittelpunkt auf dieser Ebene.

„Als Data Warehouse wird die themenorientierte, vereinheitlichte, beständige, zeitbezogene Sammlung von Daten zur Unterstützung von Managemententscheidungen“ bezeichnet.“^[3]

Die unterschiedlichsten Daten aus den operativen Anwendungssystemen systematisch zusammenzuführen, ist das wichtigste Ziel. Ein Data Warehouse muss Anforderungen, wie Fachorientierung, Integration, Nichtflüchtigkeit, Zeitraumbezug und Redundanz erfüllen.

2.3.1 Aufbau eines Data Warehouse

Es lassen sich drei verschiedene Varianten unterscheiden:

- Zentrales Data Warehouse
- Virtuelles Data Warehouse
- Data Marts

Ein zentrales Data Warehouse ist eine physische Datenbasis, die isoliert von den operativen Datenbeständen besteht. Spricht man von einem Data Warehouse, dann assoziiert man automatisch damit ein zentrales Data Warehouse.

Ein virtuelles Data Warehouse ermöglicht den direkten Zugriff durch den User auf die operativen Datensysteme. Der Vorteil dabei ist die schnelle und kostengünstige Realisierung. Durch komplexe Abfragen kann es zu immensen Performanceeinbußen führen.

Ein Data Mart ist ein abteilungs- oder subjektspezifisches Data Warehouse. Dabei werden mehrere dezentrale Datenbanken aufgebaut. Ziel dabei ist, den einzelnen Fachabteilungen ihre eigenen Datenbestände zur Verfügung zu stellen. Auch an mehreren Orten bzw. Niederlassungen kann man die Daten bereitstellen. Ein Nachteil ist der zusätzliche Aufwand, der durch die Synchronisation entsteht.

2.3.2 ETL

Der ETL-Prozess besteht aus den Teilprozessen Extraktion, Transformation und Laden.

Bei der Extraktion erfolgt die Übertragung von Daten aus einer Datenquelle in den Arbeitsbereich. Die Extraktion gestaltet sich unterschiedlich je nach Monitoringstrategie. Bei der triggerbasierten Variante sind die geänderten Datensätze aus den entsprechenden Dateien auszulesen. Die zeitstempelbasierte Variante selektiert lediglich die Datensätze anhand ihres Zeitstempels. Zu nennen wäre noch die Log- bzw. Snapshot-Variante, dessen Vorgehen von der gewählten Umsetzung der Log-Analyse abhängt. Um das Data Warehouse mit aktuellen Daten zu versorgen, muss die Extraktion regelmäßig stattfinden. Es können folgende Strategien angewandt werden:

- Periodische Extraktion, wobei die Periodendauer von der geforderten Mindestaktualität der Daten abhängt
- Extraktionen auf Anfrage
- Ereignisgesteuerte Extraktion
- Sofortige Extraktionen bei Änderungen

Technisch wird die Extraktion mit Hilfe von Standard-Datenbankschnittstellen (ODBC) realisiert. Die Transformation umfasst Filterung, Harmonisierung, Aggregation und Anreicherung. Bei der Filterung erfolgt eine Bereinigung der Daten. Syntaktische Fehler wie z. B. Umsetzung in ein einheitliches Währungsformat und Semantische Mängel wie z.B. fehlende Datenwerte oder Ausreißerwerte werden behoben. Die Harmonisierung erfolgt syntaktisch und betriebswirtschaftlich. Die syntaktische Harmonisierung bereinigt unterschiedliche Ausprägungen. Die Aggregation umfasst die Verdichtung der gefilterten und harmonisierten Daten. Durch die Anreicherung können ergänzende betriebswirtschaftliche Kennzahlen berechnet werden. Die Ergebnisse können zu Analysezwecken offeriert werden.

Beim Laden müssen die Daten aus dem Arbeitsbereich in das Data Warehouse eingebracht werden. Dies soll in der Regel möglichst effizient geschehen, so dass die Datenbank während des Ladens nicht oder nur kurz blockiert wird und ihre Integrität gewährleistet wird. Zusätzlich kann eine Versionsgeschichte angefertigt werden, in der Änderungen protokolliert werden, so dass auf frühere Zeitpunkte zurückgegriffen werden kann.

[...]

^[1] Seufert und Lehmann 2006, S. 15

^[2] Grothe 1999, S. 5

^[3] Inmon 1996, S. 5