Durch die wachsende Menge an Daten, die in einem Unternehmen anfallen, stellt sich die Frage, wie diese gewinnbringend weiterverwendet werden können. An dieser Stelle greifen Data Warehouse Systeme ein, die aus den vorliegenden Daten einen Mehrwert schaffen sollen. Dadurch das die Auswertungen computergestützt sind, kann eine Betrachtung über eine größere Datenmenge hinweg erreicht werden. Diese Seminararbeit soll einen Überblick darüber schaffen, wie Data Warehouse Systeme arbeiten und welchen Mehrwert diese schaffen. Aufgrund der Größe des Softwareunternehmens SAP wird dessen SAP Business Information Warehouse in einem extra Kapitel beschrieben.
Inhaltsverzeichnis
1 Einleitung
2 Data Warehouse und Komponenten
2.1 ERP Systeme
2.2 Data Warehouse
2.3 Data Mart
3 Business Intelligence
3.1 Data Mining
3.2 OLAP
4 Denormalisierung von Tabellen – Voraussetzung für Abfragen
5 ETL-Prozess
6 SAP Business Information Warehouse
6.1 Die Firma SAP
6.2 SAP Business Suite 7 und Ablösung durch SAP HANA
6.3 SAP NetWeaver
6.4 Werkzeuge des SAP BW
6.5 Schichten des SAP BW
6.5.1 Datenschicht
6.5.2 Administrationsschicht
6.5.3 Analyseschicht
6.6 SAP Business Explorer
6.7 SAP BW on HANA
7 Fazit
Zielsetzung & Themen
Die Arbeit untersucht die Funktionsweise und den Mehrwert von Data Warehouse Systemen, mit einem spezifischen Fokus auf die SAP Business Information Warehouse (SAP BW) Lösung zur unternehmensweiten Datenanalyse.
- Grundlagen von Data Warehouse und Data Mart Systemen
- Methoden der Business Intelligence (Data Mining und OLAP)
- Techniken der Datennormalisierung für effiziente Abfragen
- Struktur und Komponenten der SAP BW Architektur
- Zukunftsperspektiven durch den Einsatz von SAP HANA
Auszug aus dem Buch
3.1 Data Mining
Dank großer Datenbestände ist es möglich, mithilfe von Algorithmen teils unbekannte Werte aus Datenbestände zu schürfen. Diese Anwendung wird allgemein unter dem Begriff Data Mining zusammengefasst. Dabei unterteilt Fayyad&Uthurusamy Data Mining in die zwei Kategorien Verification und Discovery. Letzteres wird unterteilt in Prediciton und Discription. Verification dient dazu Annahmen zu überprüfen, bei denen der Anwender recht genau weiß, was er überprüfen möchte. Discovery dient, wie der Name Entdeckung bereits andeutet, der Suche neuer Erkenntnisse. Im Data Mining wird dagegen nach unbekannten Mustern im Datenbestand gesucht. Die Unterteilung Prediciton beschäftigt sich damit, wie sich der Datenbestand in der Zukunft voraussichtlich verändern wird und prognostiziert, welche Auswirkungen bestimmte Veränderungen mit sich bringen. Discription wiederum ist der Blick in die Vergangenheit. Es soll ermittelt werden, was zu einem in der Vergangenheit liegenden Ergebnis geführt hat. Die Ergebnisse dienen zum Erkenntnisgewinn, der zukünftige Entscheidungen beeinflussen soll (vgl. Fayyad, Piatetsky-Shapiro and Smyth, 1996, pp. 43–44).
Eine Erweiterung hierzu ist „Prescriptive“, zu deutsch „Verordnend“. Hierbei soll durch das Data Mining System vorgeschlagen werden, welche Entscheidungen in der Zukunft zu treffen sind und gleichzeitig angegeben werden, welche Auswirkungen bestimmte Aktionen auf die Zukunft haben. Gekoppelt mit der Supply Chain kann dies beispielsweise dazu führen, dass „der Computer“ entscheidet, an welchem Standort welche Ressourcen benötigt werden (vgl. Intelligence Halo Business, 2017).
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Problematik wachsender Datenmengen in Unternehmen ein und skizziert die Rolle von Data Warehouse Systemen zur Generierung von Mehrwert.
2 Data Warehouse und Komponenten: Das Kapitel erläutert die Funktionsweise von Data Warehouses im Kontext von ERP-Systemen und grenzt diese von der kleineren Komponente Data Mart ab.
3 Business Intelligence: Hier werden die Analysemethoden Data Mining und OLAP als wesentliche Bestandteile von Business Intelligence detailliert betrachtet.
4 Denormalisierung von Tabellen – Voraussetzung für Abfragen: Dieses Kapitel erklärt, warum die Denormalisierung von ERP-Datenbanktabellen notwendig ist, um die Performanz bei analytischen Abfragen zu steigern.
5 ETL-Prozess: Der Abschnitt beschreibt das Prozessmodell zur Übertragung von Daten aus Quellsystemen in das Data Warehouse mittels Extraktion, Transformation und Laden.
6 SAP Business Information Warehouse: Dieses umfangreiche Kapitel behandelt die Architektur von SAP BW, die Rolle von NetWeaver sowie die technologische Transformation hin zu SAP HANA.
7 Fazit: Das Fazit fasst die Bedeutung von Data Warehouse Systemen als unverzichtbare Basis für fundierte Management-Entscheidungen zusammen.
Schlüsselwörter
Data Warehouse, Business Intelligence, SAP BW, ERP, Data Mining, OLAP, ETL-Prozess, SAP HANA, Datenmodellierung, Starschema, Datenauswertung, SAP NetWeaver, Unternehmensanalyse, In-Memory-Technologie, Management-Entscheidungen
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der methodischen Unterstützung betriebswirtschaftlicher Entscheidungsprozesse durch den Einsatz von Data Warehouse Systemen, insbesondere der SAP-Lösung SAP BW.
Welche zentralen Themenfelder werden behandelt?
Die Schwerpunkte liegen auf Data Warehouse Grundlagen, Business Intelligence Analysetechniken, Datenmodellierung für Auswertungen und der spezifischen Architektur von SAP BW.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, einen Überblick über die Funktionsweise von Data Warehouse Systemen zu geben und aufzuzeigen, wie diese aus operativen Daten wertvolle Informationen für Unternehmen generieren.
Welche wissenschaftliche Methode kommt zum Einsatz?
Es handelt sich um eine strukturierte Literaturanalyse, die Konzepte der Wirtschaftsinformatik aufbereitet und mit der Softwarelandschaft von SAP in Verbindung setzt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen zu Data Warehousing und Business Intelligence sowie eine detaillierte technische Analyse der SAP-Architekturkomponenten.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Data Warehouse, Business Intelligence, SAP BW, ETL-Prozess und SAP HANA geprägt.
Was ist der Vorteil einer Denormalisierung laut Arbeit?
Die Denormalisierung vereinfacht komplexe Datenstrukturen aus ERP-Systemen, was die Ausführungsgeschwindigkeit bei OLAP-Abfragen massiv erhöht.
Warum spielt SAP HANA eine zentrale Rolle für die Zukunft?
SAP HANA ermöglicht durch In-Memory-Technologie eine Echtzeitanalyse der Daten und ersetzt langfristig die klassischen InfoCubes, was eine Anpassung der bestehenden SAP BW-Landschaften erforderlich macht.
- Arbeit zitieren
- Taktiker Vakuum (Autor:in), 2017, SAP Business Information Warehouse, München, GRIN Verlag, https://www.grin.com/document/418191
