Heutzutage werden die Business Analyse Technologien in der ganzen Welt als einer der viel versprechenden Bereiche des IT-Marktes betrachtet. Die Entwicklung von analytischen Systemen sind in allen Geschäftsprozessen integriert die ein direkten oder indirekten Einfluss auf die Leistung des Unternehmens haben, stärkt Wettbewerbsvorteile des Business auf dem schnell wachsenden Markt.
Inhaltsverzeichnis
1. Einleitung
2. Grundlagen des Data Warehouses
2.1 Management Support Systeme
2.2 Daten, Information und Wissen
2.3 Data Warehouse - Konzept
2.3.1Definition und Einordnung
2.3.2 Anforderungen an ein Data-Warehouse-System
2.4 Architektur eines Data Warehouse
2.5 Phasen des ETL-Prozess
2.6 On-Line Analytical Processing (OLAP)
2.6.1 Definition OLAP
2.6.2 OLAP Architektur und Anforderung an System
2.6.3 Einsatzbereiche für OLAP-Systeme
2.7 Data Mining
2.7.1 Konzept und Definition Data Mining
3. Betriebswirtschaftliche Bedeutung von Data Warehouse
3.1 Einsatzbereiche von Data Warehouse
3.2 Wirtschaftlichkeitsüberlegungen beim Aufbau und Einsatz
3.3 Strategische Bedeutung: Vorteile und Nachteile
3.4.Sicherheitsziele bei der Nutzung von Data Warehouse Systemen
4. Zusammenfassung und Ausblick
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die theoretischen Grundlagen und die betriebswirtschaftliche Relevanz von Data-Warehouse-Systemen als zentrale Instrumente der modernen Entscheidungsunterstützung in Unternehmen.
- Grundlagen von Management Support Systemen und Wissensmanagement
- Architektur und funktionale Komponenten eines Data Warehouse
- Prozessschritte des ETL-Verfahrens (Extraktion, Transformation, Laden)
- Einsatzmöglichkeiten von OLAP-Technologien und Data Mining
- Wirtschaftlichkeitsanalyse und strategische Bedeutung für Unternehmen
Auszug aus dem Buch
2.6.1 Definition OLAP
Für die Auswertung der gewonnenen Daten wird hauptsächlich OLAP-Funktionalität verwendet. Als Online Analytical Processing bzw. OLAP-Systeme sind Anwendungen bezeichnet die zur „entscheidungsorientierten, multidimensionalen und (dis-) aggregierenden Analyse von Daten“ dienen. Die OLAP-Systeme bilden häufig ein Hautprozess im Data Warehouse-Systemen und zusammen mit den Data Mining Systemen formen den zentralen Kern der Business Intelligence-Systeme. OLAP ist eine Softwaretechnologie, die den Mitarbeitern schnelle, interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen ermöglicht. Wichtig dabei sind dynamische und multidimensionale Analysen auf der Basis von historischen, konsolidierten und semantischen Datenbeständen.
Die Abkürzung OLAP steht für drei Begriffe:
Online- bezeichnet den direkten Zugriff auf den Datenbestand in einer Datenablage zur Datenanalyse und Datensichtenleitung
Analytical – kennzeichnet die Bereitstellung unterschiedlicher Sichten aus den Unternehmensprozessen, die für Entscheidungsträger von Bedeutung sind
Processing - steht für ein Konzept, das schnelle Berechnung und Datenmanipulationen ermöglich
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet die steigende Bedeutung von analytischen IT-Systemen für die unternehmerische Entscheidungsfindung in einem globalisierten Marktumfeld.
2. Grundlagen des Data Warehouses: Dieses Kapitel definiert die theoretischen Fundamente, inklusive der Abgrenzung von Daten, Information und Wissen sowie der Architektur und den Prozessen wie ETL, OLAP und Data Mining.
3. Betriebswirtschaftliche Bedeutung von Data Warehouse: Der Fokus liegt hier auf den Anwendungsbereichen, der Wirtschaftlichkeit, strategischen Vor- und Nachteilen sowie den Sicherheitsanforderungen an Data-Warehouse-Systeme.
4. Zusammenfassung und Ausblick: Das abschließende Kapitel resümiert die Notwendigkeit von Data-Warehouse-Technologien zur Prozessoptimierung und gibt einen Ausblick auf die steigende Relevanz für das Kundenverständnis.
Schlüsselwörter
Data Warehouse, Business Intelligence, ETL-Prozess, OLAP, Data Mining, Management Support Systeme, Entscheidungsunterstützung, Datenintegrität, Wissensmanagement, operative Systeme, Unternehmensplanung, Wirtschaftlichkeit, IT-Strategie, Datenbanken, Analyse.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Konzepte, Architekturen und den betriebswirtschaftlichen Nutzen von Data-Warehouse-Systemen zur Entscheidungsunterstützung.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind Management Support Systeme, Datenintegration, ETL-Prozesse, OLAP-Analysen und Data Mining.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die fundierte Erläuterung der Data-Warehouse-Technologien und deren Anwendungsmöglichkeiten zur Steigerung der Wettbewerbsvorteile von Unternehmen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer Literaturanalyse bestehender wissenschaftlicher Werke und Fachpublikationen zum Bereich IT-Management.
Was wird im Hauptteil behandelt?
Im Hauptteil werden neben den technischen Grundlagen des Datenmanagements insbesondere die wirtschaftlichen Aspekte und die strategische Implementierung analysiert.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Business Intelligence, OLAP, Data Warehouse, ETL und Entscheidungsfindung charakterisiert.
Warum ist eine Trennung von operativen Systemen und Data Warehouse notwendig?
Die Trennung ist essenziell, um komplexe analytische Abfragen ohne Beeinträchtigung der täglichen operativen Transaktionsprozesse durchführen zu können.
Welchen Einfluss haben Data-Warehouse-Systeme auf die Unternehmenskultur?
Sie fördern datenbasierte Managemententscheidungen, erfordern jedoch eine hohe Datenqualität und eine entsprechende organisatorische Akzeptanz durch die Führungsebene.
Was versteht man unter dem ETL-Prozess?
ETL steht für Extraktion, Transformation und Laden; es ist der zentrale Prozess, um Daten aus verschiedenen Quellsystemen für die Analyse im Data Warehouse vorzubereiten.
Wie unterscheidet sich R-OLAP von M-OLAP?
R-OLAP nutzt klassische relationale Datenbanken für hohe Stabilität, während M-OLAP auf spezialisierten, proprietären Strukturen für eine höhere Performance bei komplexen Analysen basiert.
- Citar trabajo
- Zhandos Amantayev (Autor), Maria Belyakova (Autor), 2013, Data Warehouse. Definitionen, Architektur und Funktionen, Múnich, GRIN Verlag, https://www.grin.com/document/274453
