Zielgruppen dieser Arbeit sind neben Studierenden insbesondere Unternehmen, die planen, ein Data-Warehouse-System (DWH) einzuführen, oder in der Implementierungsphase Hilfestellungen und Erfahrungswerte auf Basis der letzten Dekade suchen. Diese können bei Priorisierungen und der Suche nach Lösungswegen bei auftretenden Problemen mögliche kritische Erfolgsfaktoren sowie deren Auswirkungen auf ein DWH-Projekt aufzeigen. Daher wurde der Stand der Forschung in Bezug auf kritische Erfolgsfaktoren praxisnah untersucht und ausgewertet. Darüber hinaus wurde eine Analyse von relevanten Data-Warehouse-Erfolgsmessgrößen durchgeführt, um die Auswirkungen bestimmter Erfolgsfaktoren auf Erfolge in Data-Warehouse-Projekten vergleichen zu können.
Inhaltsverzeichnis
1 Einleitung
2 Theoretische Definitionen und grundlegende Konzepte
2.1 Definition von Data-Warehouse und Data-Warehousing
2.2 Operationelle Systeme vs. Data-Warehouse-Umgebung
2.3 Nutzen des Data-Warehouse
2.4 Data-Warehouse-Architektur
3 Grundlagen zum Konzept der kritischen Erfolgsfaktoren
3.1 Definition von kritischen Erfolgsfaktoren und -kriterien.
3.2 Erfolgsmessung eines Informationssystems
3.3 Erfolg in Data-Warehouse-Projekten
4 Systematische Literaturanalyse
4.1 Vorgehensweise der Literaturrecherche
4.2 Übersicht über die in der Arbeit ausgewerteten Studien
5 Wissenschaftliche Ergebnisse zu Data-Warehouse-Erfolgskriterien und kritischen Erfolgsfaktoren in Data-Warehouse-Projekten
5.1 Data-Warehouse-Erfolgsdimensionen und -kriterien
5.2 Kritische Erfolgsfaktoren zur Entscheidungsfindung von Data-Warehouse Implementierungen
5.3 Kritische Erfolgsfaktoren für Data-Warehouse-Projekte
5.3.1 Organisatorische Faktoren
5.3.2 Projektbezogene Faktoren
5.3.3 Technische Faktoren
6 Diskussion
7 Zusammenfassung und Ausblick
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, die kritischen Erfolgsfaktoren zu ermitteln, die für Data-Warehouse-Implementierungen und die Durchführung entsprechender Projekte maßgeblich sind. Dabei wird der wissenschaftliche Forschungsstand analysiert, um Zusammenhänge zwischen Erfolgsfaktoren und Data-Warehouse-Erfolgskriterien aufzuzeigen und somit eine fundierte Entscheidungsgrundlage für die Praxis zu schaffen.
- Theoretische Grundlagen und Architektur von Data-Warehouse-Systemen
- Konzeptualisierung und Messung von IS-Erfolg
- Systematische Literaturanalyse empirischer Studien zum Data-Warehouse-Erfolg
- Identifikation organisatorischer, projektbezogener und technischer Erfolgsfaktoren
- Vergleich und Diskussion verschiedener Data-Warehouse-Architekturansätze
Auszug aus dem Buch
2.4 Data-Warehouse-Architektur
Eine Architektur von Data-Warehouse enthält die Komponententeile sowie die Verknüpfungen zwischen den Teilen. In Abb. 2.2 wird eine umfassende Data-Warehouse-Architektur dargestellt.
Im unteren Teil der Abb. 2.2 befinden sich verschiede Datenquellen. Die meisten Daten kommen aus den operationellen Systemen, z. B. aus Betrieb, Marketing oder Buchhaltung. Außerdem können auch externe Daten eingefügt werden. Diese Datenquellen verwenden oft für die Datenlagerung verschiedene Hardware und Software sowie die Mischung aus hierarchischen, relationalen und Netzwerkdatenmodellen. Die Größe der Datenbanken kann von einigen Megabytes bis Gigabytes reichen, was an sich viel, aber im Vergleich zum entsprechenden Data-Warehouse wenig ist. Es ist nicht unüblich, dass ein Data-Warehouse auf über 100 Quellsysteme zurückgreift.
Durch Verwendung einer maßgeschneiderten Software oder kommerziellen Extrahieren-Transformieren-Laden-Software (ETL-Software) werden Daten aus diesen Datenquellen extrahiert. Die Daten werden dann dem Transaktionsverarbeitungsbereich für die Transformation zugeführt. Spezielle Software kann extra für die Erleichterung von Datenreinigungsprozessen verwendet werden. Die aufbereiteten Daten können zur Unterstützung des Datenspeichers von operationellen Systemen dienen. Diese Daten werden für das Laden ins Data-Warehouse aufbereitet.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung erläutert die Bedeutung von Data-Warehouse-Systemen als wichtige Instrumente für die Entscheidungsunterstützung und thematisiert die hohen Risiken und Investitionskosten, die mit solchen Projekten verbunden sind.
2 Theoretische Definitionen und grundlegende Konzepte: Dieses Kapitel definiert die zentralen Begriffe Data-Warehouse sowie Data-Warehousing, erläutert deren Eigenschaften und stellt die Architektur sowie verschiedene Arten von Systemumgebungen gegenüber.
3 Grundlagen zum Konzept der kritischen Erfolgsfaktoren: Es werden die theoretischen Ansätze zur Definition kritischer Erfolgsfaktoren und zur Erfolgsmessung von Informationssystemen, insbesondere unter Einbeziehung von Modellen wie dem TAM oder dem IS-Erfolgsmodell von DeLone und McLean, dargestellt.
4 Systematische Literaturanalyse: Hier wird die methodische Vorgehensweise bei der Literaturrecherche erläutert und ein Überblick über die für die Arbeit herangezogenen empirischen Studien gegeben.
5 Wissenschaftliche Ergebnisse zu Data-Warehouse-Erfolgskriterien und kritischen Erfolgsfaktoren in Data-Warehouse-Projekten: Dieses Kapitel präsentiert und vergleicht die Ergebnisse der Literaturanalyse hinsichtlich der Erfolgsdimensionen und der für Implementierung und Durchführung kritischen Faktoren.
6 Diskussion: Die Diskussion reflektiert die Ergebnisse der empirischen Forschung und erörtert deren Bedeutung für die Praxis sowie die kritischen Einflussfaktoren der Unternehmensgröße und Managementunterstützung.
7 Zusammenfassung und Ausblick: Das abschließende Kapitel fasst die zentralen Erkenntnisse über Erfolgsfaktoren zusammen und beleuchtet Forschungsbedarfe für die Zukunft.
Schlüsselwörter
Data-Warehouse, Data-Warehousing, Kritische Erfolgsfaktoren, Erfolgsmessung, Informationssysteme, Systemqualität, Informationsqualität, Servicequalität, Projektmanagement, IT-Infrastruktur, Balanced Scorecard, Benchmarking, Datenqualität, Architektur, Literaturanalyse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Analyse von Erfolgsfaktoren und -kriterien, die den Erfolg von Data-Warehouse-Projekten beeinflussen, und stützt sich dabei auf den aktuellen wissenschaftlichen Forschungsstand.
Welche sind die zentralen Themenfelder der Untersuchung?
Die Arbeit beleuchtet die Definition und Abgrenzung von Data-Warehouse-Systemen, die Konzepte kritischer Erfolgsfaktoren, die Messung des Projekterfolgs sowie die Bedeutung spezifischer IT-Architekturen.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist die Identifikation der Faktoren, die für den erfolgreichen Implementierungsprozess und den anschließenden dauerhaften Erfolg von Data-Warehouse-Projekten kritisch sind.
Welche wissenschaftliche Methode verwendet die Autorin?
Die Autorin nutzt eine systematische Literaturanalyse (qualitatives Literaturreview), um empirische Studien zu sichten, zu kategorisieren und deren Ergebnisse zu den Erfolgsfaktoren zu synthetisieren.
Welche Bereiche werden im Hauptteil schwerpunktmäßig behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung, die detaillierte Literaturanalyse und die systematische Aufarbeitung der Erfolgsdimensionen sowie der organisatorischen, technischen und projektbezogenen Erfolgsfaktoren.
Durch welche Schlüsselwörter lässt sich diese Arbeit charakterisieren?
Die Arbeit ist durch Begriffe wie Data-Warehouse, Erfolgsfaktoren, Erfolgsmessung, Informationsqualität und Projektmanagement charakterisiert.
Warum ist die Unterscheidung zwischen operationellen Systemen und Data-Warehouse wichtig?
Die Unterscheidung ist für das Verständnis der Systemarchitektur essenziell, da beide Arten unterschiedliche Ziele verfolgen: operative Systeme fokussieren auf aktuelle Transaktionsprozesse, während das Data-Warehouse auf die aggregierte, historische Datenanalyse zur Entscheidungsunterstützung ausgerichtet ist.
Welche Rolle spielt die Managementunterstützung bei Data-Warehouse-Projekten?
Managementunterstützung ist ein kritischer Erfolgsfaktor, da sie nicht nur die notwendigen finanziellen und personellen Ressourcen sichert, sondern auch maßgeblich zur Akzeptanz und strategischen Ausrichtung des Projekts im Unternehmen beiträgt.
Warum wird das Modell von DeLone und McLean in dieser Arbeit verwendet?
Das Modell von DeLone und McLean dient als Rahmenstruktur zur Klassifizierung verschiedener Erfolgsgrößen und zeigt die kausalen Wechselwirkungen zwischen Systemqualität, Nutzerzufriedenheit und Nettonutzen auf.
- Citation du texte
- Alina Schneider (Auteur), 2011, Erfolg in Data-Warehouse-Projekten: Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien, Munich, GRIN Verlag, https://www.grin.com/document/192448
