Analyse von Vertriebsdaten mit Hilfe des Frontends Impromptu

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1. Problemstellung und Gang der Untersuchung

2. Die strategische Neuausrichtung des Marketings
2.1. Konzeption und Grundlagen des Customer Relationship Managements
2.2. Schlüsselstrategien des CRM
2.3. Kundenbindungsmanagement als zentrales Ziel des CRM
2.4. CRM – Systeme in der Praxis

3. Das vertriebsorientierte Data Warehouse auf Basis SAP
3.1. Datengrundlage und Struktur der SAP Musterfirma IDES
3.2. Auswahl der IDES – Daten für das Data Warehouse
3.3. Anbindung der Frontend Software Impromptu

4. Vorstellung der Software Impromptu zur Berichterstellung auf Datenbankbasis
4.1. Der Impromptu Katalog und die Schnittstelle zu den Daten
4.2. Berichtskomponenten mit Impromptu

5. Kritische Würdigung und Schlussbetrachtung

ANHANG 1

Datenmodell des DWH

ANHANG 2

Tabellen und Scripte zu dem Datenmodell des DWH

ANHANG 3

Weitere Beispiele für Impromtu Analysen

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1 : Beispiel für die Darstellung eines OLAP Cubes

Abbildung 2 : Business Intelligence Integration in das Marketing

Abbildung 4 : Aufbau der IDES Unternehmensgruppe

Abbildung 5 : Verzeichnis der aus der SAP Firma IDES verwendeten Tabellen.

Abbildung 6 : Die Standard SAP Struktur.

Abbildung 7 : SAP Geschäftsprozesse und SAP R/3 Funktionalität.

Abbildung 8 : SAP Module und Komponenten.

Abbildung 9 : Strukturdetails des SAP Moduls SD, Sales and Distribution.

Abbildung 10 : SAP Hierarchien für den Bereich Ergebnis- und Marktsegmentrechung.

Abbildung 11 : Grafische Darstellung eines DWH auf Basis einer SQL Datenbank.

Abbildung 12 : Grafische Darstellung eines SAP / R3 Datawarehouses.

Abbildung 13 : Zusätzliche Kennzahlen mit Impromptu zur Unternehmensanalyse.

Abbildung 14 : Einbettung der Impromtu Software in die DWH Architektur

Abbildung 15 : Benutzeroberfläche der Software Impromptu.

Abbildung 16 : Anmeldung der Software Impromtu zur DWH Datenbank.

Abbildung 17 : Öffnen des Impromtu Katalogs Consumerframe.

Abbildung 18 : Beispiel einer OLAP Abfrage mit Impromtu aus dem DWH.

Abbildung 19 : Beispiel eines Abfrageberichts mit den Spalten: Order Number, Customer Number, Article Number, Article Name, Gross Turnover, Net Turnover, Gross Quantity, Net Quantity.

Abbildung 20: Beispiel eines Abfrageberichtes mit den Spalten: Representative Number, Representative Name, Customer Name, Article Number, Article Name, Gross Quantity, Net Quantity.

Abbildung 21 : Übersicht über die verwendeten Tabellen im DWH (IN ACCESS an Stelle von SQL gespeichert)

Abbildung 22 : Entwurfsansicht der ausgewählten Tabelle PA0001

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Problemstellung und Gang der Untersuchung

Im Rahmen des Projektstudiums im zweiten Studienabschnitt des Sozialökonomischen Studienganges im WiSe 2001 bis SoSe 2002 an der HWP - Hamburger Universität für Wirtschaft und Politik unter Leitung von Prof. Dr. Gerhard Brosius soll ein Managementinformationssystem / Muster Data Warehouse für kleine und mittelständische Unternehmen, nachfolgend KMU genannt, erstellt werden. Die Durchführung des Projektes erfolgt in Zusammenarbeit mit dem Unternehmen Powercase Informatik GmbH, Hamburg.

Ziel dieser Arbeit ist eine Beurteilung, ob das mittels eins Data Warehouses errichtete Management Informationssystem mit dem Schwerpunkt Vertriebsinformationssystem / Customer Relationship Management ein relevanter Wettbewerbsfaktor im Konsumgüterbereich sein kann und ob dadurch die Wettbewerbsfähigkeit und der Unternehmenswert gesteigert werden kann. Diese Arbeit gründet auf den Erkenntnissen der zwei Semester dauernden Projektarbeit und dem darin entwickelten Datenmodell sowie den vertriebsorientierten Funktionalitäten des Data Warehouses.

Zur Beantwortung dieser Frage soll insbesondere untersucht werden, welche Datenbanken und welche Software geeignet sind, um ein Vertriebsanalyse- und ein CRM System in ein Unternehmen zu implementieren, die signifikante Wettbewerbsvorteile und Wertzuwächse generieren. Anliegen dieser Arbeit ist es explizit, eine SQL Datenbank, die mit Daten aus der SAP Musterfirma IDES befüllt wurde, mit der Software Impromtu zu analysieren. Sowohl das Unternehmen SAP als auch das Unternehmen Cognos, das die Software Impromptu vertreibt, sind auf ihren Gebieten Weltmarktführer, so dass diese Untersuchung ein übergreifendes Interesse repräsentiert.

2. Die strategische Neuausrichtung des Marketings

2.1. Konzeption und Grundlagen des Customer Relationship Managements

Vor dem Hintergrund fragmentierter Absatzkanäle sowie einer grundlegend veränderten Medien und Informationslandschaft sehen sich Marketing und Vertrieb Herausforderungen gestellt, denen mit klassischen Marketingmethoden nicht mehr zu begegnen ist. Die bedeutsamste Neuausrichtung hierbei ist die die permanente Herausarbeitung von Kundennutzen und eine langfristige Kundenbindung.^[1] Das Relationship Marketing entspricht dabei einer neuen Kundenfokussierung der marktbezogenen Arbeit auf längerfristig angelegte, intensive, vertrauensvolle und ergiebige Geschäftsbeziehungen. Der Analysefokus wird dabei von einzelnen Transaktionen auf zusammenhängende Prozessfolgen erweitert, wobei vor allem langfristige und prozessuale Aspekte des Marketings in den Vordergrund treten. Relationship Management konzentriert sich auf die Optimierung bestehender Kundenbeziehungen und nicht auf die Akquisition neuer Kunden.^[2] Dabei sollen wichtige Kunden möglichst umfassend zufrieden gestellt werden und kostspielige Neuakquisitionen vermeiden werden.

2.2. Schlüsselstrategien des CRM

Das Konzept des CRM bezieht sich im Gegensatz zum Relationship Marketing auf alle zentralen Kundeninteraktionspunkte in einem Unternehmen und umfasst über das Marketing hinaus auch die Bereiche Vertrieb und Service, es ist das Äquivalent einer kundenzentrierten Unternehmenskultur.

Ein systematisches CRM verfolgt das übergeordnete Ziel, zum Treiber von messbaren Unternehmenswertsteigerungen zu werden.^[3] Dafür ist die Optimierung der Kundenprofitabilität im Rahmen des Customer Life Circles von zentraler Bedeutung. Die Beantwortung folgender strategischer CRM Fragen setzt eine möglichst exakte und tief differenzierte Analyse der Kundenbeziehungen voraus:

- Welche Kunden sind die profitabelsten?
- Welche Leistungen sollten diesen Kunden offeriert werden, damit sie dem Unternehmen langfristig erhalten bleiben?
- Wie kann für unterschiedliche Kunden ein differenziertes Leistungsangebot ohne Kostenerhöhung entwickelt werden?
- Wie können neue, ähnliche, profitable Kunden auf Dauer gewonnen werden?

Die Beantwortung dieser Fragen ist qualifiziert in der Regel nur mit Datenbanken und Analysesoftware möglich.^[4]

2.3. Kundenbindungsmanagement als zentrales Ziel des CRM

Gesättigte Märkte und die internationale Intensivierung des Wettbewerbdrucks erfordern einerseits offensive Kundenstrategien, lassen aber andererseits auch defensive Kundenstrategien, zu denen das CRM zu rechnen ist, in den Fordergrund treten.^[5] Langfristige Kundenbindung, Kundenloyalität, Kundentreue, Kundenzufriedenheit und Kundenprofitabilität sind die zentralen Parameter des CRM. Die Begriffe Zufriedenheit und Bindung verkörpern hypothetische Konstrukte und repräsentieren somit theoretische Erscheinungsformen, die sich einer direkten Quantifizierung verschließen. Unbestritten ist hingegen, dass die Kundenzufriedenheit eine wichtige Voraussetzung für die Kundenbindung ist, die wiederum zu profitablen Dauerkunden führt. Mit dem Begriff Kundenbindungsmanagement soll das Ziel erreicht werden, dass die Kunden auch künftig die Geschäftsbeziehung aufrechterhalten und intensivieren.^[6]

Zu den Dimensionen einer Kundenbindungsstrategie gehören insbesondere:^[7]

a) Bezugsobjekt der Kundenbindung:
Auf das Produkt bzw. die Marke, den Hersteller, oder den Absatzmittler.
b) Zielgruppe der Kundenbindung:

Dient der gezielten und individualisierten Ansprache der Kunden, bestimmt ein konkretes Profil von strategisch bedeutsamen Kunden und identifiziert eine Kernzielgruppe für aktive Kundenbindungsmaßnahmen.

Zu den Arten der Kundenbindung gehören:

a) Situative Kundenbindung,
b) Vertragliche Kundenbindung,
c) Ökonomische Kundenbindung,
d) Technisch – funktionale Kundenbindung,
e) Emotionale – psychologische Kundenbindung.

Festlegung der Kundenbindungsinstrumente:^[8]

a) Maßnahmen der Produkt-, Preis-, Kommunikations- und Distributionspolitik,
b) Ausrichtung auf den Aufbau von Kundendialog und Interaktion sowie auf Kundenzufriedenheit.
c) Intensität und Timing der Kundenbindung,
d) Bestimmung der Einsatzpunkte und Einsatzintervalle sowie der Intensität der ausgewählten Kundenbindungsinstrumente.
e) Kooperationsstrategien der Kundenbindung, hierzu zählen die Optionen, die Ziele der Kundenbindung mit anderen Unternehmen zu erreichen. Denkbar sind auch Kooperationen zwischen Hersteller und Handel.

2.4. CRM – Systeme in der Praxis

Der betriebswirtschaftlichen Komponente des CRM, die sich als Modifizierung des Marketings auf das theoretische CRM Konzept bezieht, ist die technologische Komponente, die dessen Umsetzung und Implementierung ermöglicht, gegenüber zu stellen. Die Umsetzung von CRM vollzog sich Mitte der neunziger Jahre zunächst im Bereich der technologischen Automatisierung von Vertriebsprozessen und dem Einsatz entsprechender IT – Tools. Mit der Weiterentwicklung der technischen Möglichkeiten wurden auch die Vorteile des ganzheitlichen Ansatzes des CRM Konzeptes fortentwickelt.^[9] Hierzu zählen insbesondere:

Database Marketing ^[10]

Das DB^[11] Marketing benutzt Daten, Technologie und statistische Techniken, um detaillierte Informationen über Kunden und deren Verhalten zu gewinnen. Hieraus lassen sich idealtypische Kundenprofile erstellen und hinsichtlich deren Kaufverhaltens Analysen und Bewertungen durchführen.^[12] Daher kann das DB – Marketing als Fundament eines systematischen und effektiven Kundenbeziehungsmanagements verstanden werden. Das CRM geht etwas weiter und bezieht den gesamten Prozess der Kundenbeziehung auf Basis fundierter Analysen mit ein.

Kundeninteraktionskanäle und Kundeninteraktionspunkte ^[13]

Zu den Kundeninteraktionskanälen, über die Interaktionen mit den Kunden laufen, zählen z. B. Direct Mail, Fax, direkte Interaktion über den Außendienst, Call Center, Customer Interaktion Center, und das Internet.

Im Konsumgüterbereich werden die für das analytische CRM benötigten Daten häufig mit der Datenbankarchitektur eines Customer Data Warehouses gespeichert, das vom operationalen System isoliert ist. Ein Customer Data Warehouses entspricht als Konzept zur Informationsgewinnung einem System zur Bereitstellung und Abfrage aller im Unternehmen vorhandenen Kundendaten und dient innerhalb des CRM als unternehmensweite Datenbasis für ein Management Informationssystem MIS. Vor diesem Hintergrund enthalten vollständige Data Warehouse Lösungen Werkzeugsammlungen mit Programmen zur multidimensionalen Darstellung komplexer Zusammenhänge. Die am häufigsten verbreiteten Verfahren sind das Online Analytical Processing OLAP und das Data Mining.^[14]

Mit OLAP können Daten über z. B Kunden, Produkte, Vertriebskanäle und Zeiten mit analytischen Verfahren in Informationen umgewandelt werden. Dabei ist eine multidimensionale Perspektive auf die zugrunde liegenden Daten möglich. OLAP ermöglicht sowohl eine anwenderspezifische Aggregation von Kundendaten als auch eine Definition von berechneten Kenngrößen. Es können Zeitreihenanalysen, Umsatz- und Erfolgsprognosen und Optimierungsanalysen durchgeführt werden.^[15] Das Online Analytical Processing wurde 1993 von dem Begründer der relationalen Datenbanken Codd eingeführt.^[16] Es sollte im Wesentlichen schnelle Analysen von mehrfach genutzten (shared) multidimensionalen Informationen ermöglichen. Aus betriebswirtschaftlicher Perspektive spielte dabei die Mehrdimensionalität die entscheidende Rolle, weil beispielsweise bei Umsatzauswertungen nach Artikel- und Kundengruppen, Vertriebsbereichen und Perioden differenziert wird. In den Microsoft SQL Analysis Services ist der OLAP Würfel oder Cube die vorrangige Form der Darstellung.^[17] Der Cube wird benutzt zur multidimensionalen Darstellung von Detail- und Übersichtsdaten, wobei sich die Detaildaten jeweils auf Zeilendaten beziehen und die Übersichtsdaten eine Zusammenfassung verschiedener Daten repräsentiert. Aus der Vielzahl von zur Verfügung stehenden Cubes stellt jeder eine Unternehmenseinheit dar, wie beispielsweise den Lagerbestand oder den Vertrieb. Dabei zeigt jede Seite des Würfels eine andere Dimension der Daten an, so dass der Würfel aus verschiedenen Datenebenen besteht. Mit den SQL Analysis Services lassen sich Cubes entweder nach dem Datenbankschema des Sternschemas oder dem Schneeflockenschema erstellen.^[18] Beide Schemen bestehen aus Faktentabellen und Dimensionstabellen. Mit Analysis Services werden diese Datentabellen zusammen gestellt, um daraus die Cubes zu produzieren.

Nachfolgende Abbildung zeigt einen Beispiel Cube:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 : Beispiel für die Darstellung eines OLAP Cubes

Eine Faktentabelle enthält historische Daten, die die Kerninformationen des DWH darstellen. Die Daten der Faktentabelle drehen sich um die Geschäftstransaktionen.^[19] Bei diesen Transaktionen kann es ich beispielsweise handeln um den Verkauf von Artikeln, um Reklamationen, oder auch um Kredittransaktionen.^[20] In einem DWH ist die Faktentabelle die umfangreichste Tabelle, sie kann bis zu mehr als 1000 Gigabytes Speicherplatz verbrauchen. In der Projektgruppe bewegte sich dieser Speicherbedarf allerdings nur bei ca. 200 MB.

Die Dimensionstabellen werden zur Definition der Felder in der Faktentabelle verwendet, beispielsweise für die Bezeichnung der Artikel, den Namen des Verkaufsrepräsentanten oder der Warenmenge.^[21] Der Vorgang entspricht dem Zusammenfassen, der Aggregation oder auch der Normalisierung von Daten in Gruppen, um effektiver rechnen zu können.^[22] Im Gegensatz zu den historischen Daten der Faktentabelle dienen die Daten aus den Dimensionstabellen dazu, nützliche Ergebnisse aus den Faktentabellen zu erzielen. Dimensionstabellen werden also dazu benutzt, die Bedeutung der Daten von Faktentabellen festzulegen.

Das Data Mining entspricht einer Erweiterung des OLAP mit dem Ziel, neue, zwischen den einzelnen Daten bestehende Beziehungen zu suchen und zu erkennen.^[23] Es entstammt der Mustererkennung, einem Arbeitsgebiet der Künstlichen Intelligenz, wobei Datenbestände auf bisher unbekannte Zusammenhänge durchsucht werden.

Der Microsoft Analysis Services beinhaltet eine aktuelle Dataminingtechnologie, die sowohl in relationalen Datenbanken als auch in OLAP Cubes zur Erkennung und Analyse von Beziehungen zwischen den Daten über Artikel, Kunden etc. benutzt werden. Eine neue Dataminingfunktion ist Microsoft Decision Tree, oder auch Entscheidungsbaum. Decision Tree verwendet intelligente Klassifizierungsverfahren und Algorithmen, mit deren Hilfe Prognoseanalysen von neuen Daten durchgeführt werden können. Beispielsweise lassen sich damit das Kaufverhalten von Kunden sowie deren Kreditwürdigkeit prognostizieren. Diese Werkzeuge und Methoden führen damit zu einer erhöhten Planungssicherheit für Budget- und Umatzplanrechnungen.

Demzufolge kann das CRM zu einem System entwickelt werden, in dem Kundenreaktionen systematisch genutzt werden, um die Abstimmung von Kundenkommunikation, Produkten und Dienstleistungen auf fein differenzierte Kundenbedürfnisse zu optimieren. Nachfolgende Grafik soll die Integration von Business Intelligence BI in das CRM orientierte Marketing demonstrieren:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 : Business Intelligence Integration in das Marketing

3. Das vertriebsorientierte Data Warehouse auf Basis SAP

Dem Projektteam standen Rohdaten von Unternehmen, aus denen ein Muster Datawarehouse hätte abgeleitet werden können, nicht zur Verfügung. Die Nordwind Datenbank von Microsoft schied aus, weil Microsoft keine Software für das Rechnungswesen größerer Firmen anbietet. Der Weltmarktführer auf diesem Gebiet ist das deutsche Unternehmen SAP, dessen Musterfirma IDES für diesen Zweck ausgewählt wurde. Es ist mehrmandantenfähig, mehrwährungsfähig und multinational einsetzbar.^[24] Die von IDES eingesetzten Kennzahlen, die produkt- und unternehmensabhängig sind, wurden nicht in das Data Warehouse übernommen, sondern es wurden die für ein Muster Datawarehouse betriebswirtschaftlich sinnvollen Kennzahlen verwendet. Hierzu wird Bezug genommen auf die erste Projektarbeit.

Das Zieldatenmodell ist als Snowflake-Schema angelegt.^[25] Alle Tabellen sind mandantenfähig und wenn nötig mehrsprachig. Bei allen Tabellen ist neben den logischen Schlüsseln eine künstliche ID als Primary Key enthalten. Die Attribute die den Primary Key klassifizieren sind nur als Kennzeichen in den Star-Tabellen enthalten, die Umsetzung in Text erfolgt über eine Steuertabelle.^[26] Die Bezeichnung von Tabellen und Attributen erfolgt in englischer Sprache. Das Zielmodell ist die Auswertungsschicht auf der von den Anwendern die Analysen erstellt werden.

Für die Frontend Darstellungen sind für dieses Projekt die nachfolgenden drei Softwarelösungen vorgesehen, von denen hier nur auf die Cognos Software Impromptu eingegangen werden soll:

- Cognos Impromtu,
- Web4Reporting,
- Arcplan.

Der Loading Prozess des Data Warehouses kann wahlweise erfolgen mit:

- DTS^[27] des Microsoft SQL - Servers,
- LoadExpress von der Firma Powercase Informatik GmbH.

Im Projekt wurde aus Zeitersparnisgründen vorzugsweise das Tool LoadExpress verwendet.

3.1. Datengrundlage und Struktur der SAP Musterfirma IDES

Die SAP Datenstrukturen gelten als hochkomplex, weil sie die interdependenten Relationen aller Geschäftsprozesse multinationaler Unternehmen abbilden und in real time verarbeiten können.^[28] Die Systematik und der Aufbau der Firma IDES lassen sich wie folgt darstellen:

Aufbau der IDES – Gruppe in vier Teilkonzerne:

- europäischer Teilkonzern mit fünf Gesellschaften,
- nordamerikanischer Teilkonzern mit zwei Gesellschaften,
- Lateinamerika und Asien mit je einer Gesellschaft.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4 : Aufbau der IDES Unternehmensgruppe

3.2. Auswahl der IDES – Daten für das Data Warehouse

In der ABAP^[29] - Workbench des SAP – Systems können mit Hilfe des Repository - Infosystems Tabellen und Tabellenfelder unmittelbar gesucht werden.^[30] Hat man aus den mehr als hunderttausend Tabellen in SAP eine genauer zu untersuchende Tabelle gefunden, die für die das DWH brauchbar erscheint, beispielsweise aus den Modulen SD^[31], kann über die Auswahl der Fremdschlüssel eine Liste mit mehreren Hundert Tabellen ausgewählt werden, die über einen Fremdschlüssel mit den Mandantentabellen verknüpft sind. Anschließend kann jede einzelne Tabelle nach zweckmäßigen Informationen und Verwendbarkeit für die Dimensionen und Kennzahlen des DWH manuell geprüft werden. Eine weitere Möglichkeit, in SAP die geeigneten Tabellen zu finden, ist die Schlagwortsuche. Dabei wird dann nicht nach Umsatz oder Kunde gesucht, sondern nach den möglichst klein granulierten Bestandteilen, wie z. B. Artikel oder Produkt. Naturgemäß ergibt das Suchergebnis eine zunächst unüberschaubare Anzahl von Tabellen, ermöglicht aber bei genauerer manueller Durchsicht ein hohes Maß an Datensicherheit.

Auf die Verwendung der SAP Tabellen in der Zieldatenbank des DWH soll hier aus Kapazitätsgründen nicht eingegangen werden.^[32]

Im Quelldatensystem lassen sich zwei Datentabellentypen unterschieden, die Stamm- und die Bewegungsdaten. Zu den Stammdaten gehören die Kunden-, Material- und Vertriebsdaten, zu den Bewegungsdaten gehören die Daten aus den laufenden Geschäftsvorfällen, die aus dem Rechnungswesen resultieren. In der folgenden Übersicht sind die von der Musterfirma IDES verwendeten Tabellen aufgeführt und erläutert, für welche Dimensionen des DWH diese Tabellen Verwendung finden:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5 : Verzeichnis der aus der SAP Firma IDES verwendeten Tabellen.

Die Standard SAP Struktur läßt sich wie folgt grafisch darstellen:

Abbildung 6 : Die Standard SAP Struktur.

Abbildung in dieser Leseprobe nicht enthalten

Der Abbildung ist die Gliederung eines Konzerns zu entnehmen, der mit SAP arbeitet. Ganz oben ist der Client zu sehen, der dem Konzernverbund entspricht. Darunter sind weitere verschiedene firmen angeordnet und gleichzeitig auch Geschäftsfelder wie Controlling und Einkauf. In der nächsten darunter liegenden Ebene sind die Fabriken und Business Areas angesiedelt. Unterhalb dieser Ebene sind dann die Geschäftsfelder Sales and Distribution, Work Center und Storage Location angesiedelt. Dieses Organisationsprinzip ermöglicht ein einheitliches Rechnungswesen für einen Konzern der wie beispielsweise das IDES Unternehmen auf verschiedenen Kontinenten produziert und verkauft und Logistik Units unterhält. Es kann als mehrmandantenfähiges und mehrwährungsfähiges System zeitgleich Geschäftsprozesse aus der Produktion, dem Vertrieb und dem zentralen Rechnungs- und Finanzwesen erfassen und analysieren.

Geschäftsprozesse und SAP Funktionalität:

Um ein System wie SAP verstehen zu können, ist ein grundlegendes Verständnis von Ereignissen und Beziehungen, die in einem Konzern ablaufen, erforderlich.^[33] Es genügt nicht zu realisieren, dass Vertrieb, Produktion, Finanzen und Rechnungswesen interdisziplinäre Aufgaben in einem Unternehmen erfüllen. Die ganz konkreten Details einer jeden kleinen Aktion, das Timing dieser Aktion, und dessen Wechselbeziehungen mit jedem anderen Geschäftsprozess muß verstanden werden. In vielen großen Konzernen mag es niemanden geben, der einen vollständigen Überblick über die vielfältigen und komplexen Abläufe hat. Bevor jedoch ein Geschäftvorgang automatisiert oder computerisiert werden kann, muß eine gründliche und umfassende Untersuchung der Geschäftsabläufe vorgenommen werden. Diese Aufgabe wird auch bezeichnet als Business Process Engineering.

Nachfolgende Grafik mag das verdeutlichen:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7 : SAP Geschäftsprozesse und SAP R/3 Funktionalität.

Von den zahlreichen Modulen, die SAP anbietet, soll hier nur auf das Modul SD Sales and Distribution eingegangen werden, weil es die für das vertriebsorientierte Data Warehouse notwendigen Daten und Tabellen liefern kann.^[34] Die nachfolgende Grafik zeigt die SAP Module und Komponenten.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8 : SAP Module und Komponenten.

Das SAP Modul SD Sales and Distribution hilft alle Aufgaben und Aktivitäten, die im Bereich Verkauf, Auslieferung und Rechnungsstellung anfallen, zu optimieren. Schlüsselelemente sind:

- Presales Support,
- inquiry processing,
- quotation processing,
- sales order processing,
- delivery processing,
- billing, and
- Sales information system.

Nachfolgende Abbildung zeigt Strukturdetails des SD Tools:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 9 : Strukturdetails des SAP Moduls SD, Sales and Distribution.

Abbildung 10 : SAP Hierarchien für den Bereich Ergebnis- und Marktsegmentrechung.

Abbildung in dieser Leseprobe nicht enthalten

Neben dem R/3-System mit überarbeiteter Benutzeroberfläche hat SAP auch Produkte in verschiedenen anderen Anwendungsbereichen anzubieten.^[35] Der Advanced Planner and Optimizer (APO) ist ein Produkt zum Supply Chain Management. Es verfügt über Funktionen zur Absatzplanung, zur Planung der Lieferbeziehungen, zur Produktionsplanung und die konzernübergreifende Verfügbarkeitsprüfung. Daneben bietet SAP Produkte zum Customer Relationship Management an, die u.a. mit der Möglichkeit zur mobilen Auftragserfassung und Konfiguration den Außendienst unterstützen sollen. Auch eine Data Warehouse -Lösung steht zur Verfügung.

Systemarchitektur:

Alle Anwendungen werden mit einer einheitlichen Benutzeroberfläche bedient, sind voll integriert und greifen auf eine zentrale Datenbank zu. Die Anzahl der Applikationsserver in der dreistufigen Architektur kann beliebig gewählt werden, um das System zu skalieren. Der Anwender kann einfachere Modifikationen in VBA vornehmen. Schnittstellen zu den Systemen der wichtigsten ERP-Anbieter werden angeboten.^[36]

Abbildung 11 : Grafische Darstellung eines DWH auf Basis einer SQL Datenbank.

Abbildung in dieser Leseprobe nicht enthalten

3.3. Anbindung der Frontend Software Impromptu

Impromptu ist ein interaktives relationales Abfrage- und Berichterstellungswerkzeug / Tool, das mit einer benutzerfreundlichen und differenzierten Benutzeroberfläche die Abfrage von Daten sowie die Erstellung von komplexen Berichten ermöglicht. Mit Impromptu kann man auf Daten aus beliebigen Quellen zugreifen, die an beliebiger Stelle in einem Data Warehouse vorliegen. In Anlehnung an die in der IDES Musterfirma verwendete englische Sprache wurde diese auch für die Tabellenbezeichnungen im Data Warehouse und auch für die Auswertungen mit Impromptu beibehalten.

Das Unternehmen Cognos bietet zu dem Produkt Impromptu ausführliche Schulungsmaterialien sowohl für den Bereich Administration als auch für die Berichterstellung an. Darüber hinaus hatten die Projektteilnehmer Gelegenheit an mehreren hochqualifizierten Kursen der Firma Cognos in dem Schulungscenter der Firma Powercase teilzunehmen. Teilnehmer dieser Kurse waren Mitarbeiter führender deutscher Konzerne. Für Die Projektteilnehmer entstanden durch diese Schulungen keinerlei Aufwendungen.

Grafische Darstellung der Entwicklung von Daten aus dem SAP System via Data Warehouse zu den mehrdimensionalen Cubes und den Impromptu Berichten:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 12 : Grafische Darstellung eines SAP / R3 Datawarehouses.

Für die Berichtsabfragen mit Impromptu kann entweder auf die Kennzahlen, die im Data Warehouse verwendet wurden, zurückgegriffen werden, oder es können zusätzliche Kennzahlen definiert werde, wie in der nachfolgenden Grafik dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 13 : Zusätzliche Kennzahlen mit Impromptu zur Unternehmensanalyse.

4. Vorstellung der Software Impromptu zur Berichterstellung auf Datenbankbasis

Die Einbettung der Impromtu software in die Gesamtarchitektur eines DWH kann wie folgt grafisch dargestellt werden:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 14 : Einbettung der Impromtu Software in die DWH Architektur

4.1. Der Impromptu Katalog und die Schnittstelle zu den Daten

Schnittstelle zu den Daten ist der Impromptu Katalog. Der Katalog stellt die Daten in einfacher Form dar, er strukturiert und präsentiert die Daten entsprechend der unternehmensindividuellen Terminologie und spiegelt die Struktur des Unternehmens wider. Der Katalog selbst enthält keine Daten, sondern nur die Informationen, die erforderlich sind, um die gewünschten Daten abrufen zu können.

Ein Impromtu Katalog enthält Ordner, Spalten, Eingabeaufforderungen, Bedingungen, Filter und Berechnungen.

- Die Ordner stellen eine sinnvolle Gruppierung von Informationen, zum Beispiel nach Aufträgen, Produkten und Kunden dar. Sie werden nach betriebswirtschaftlich logischen Aspekten dargestellt. Ein Ordner kann andere Ordner enthalten. Ein Ordner kann spalten aus einer oder mehreren Tabellen sowie Bedingungen, Eingabeaufforderungen und Berechnungen enthalten.
- In jedem Ordner werden die einzelnen Datenelemente als Spalten präsentiert, z.B. Kundennummer und Name. Dieselben Spalten können in mehreren Ordnern zur Verfügung stehen. Und genau diese Spalten sind im Bericht zu sehen. Wenn beispielsweise die Spalten KDS Kunden Nr. und KDS Name in den Bericht aufgenommen werden, enthält dieser eine Liste aller Kunden mit entsprechender Kundennummer aus der Datenbank.
- Beim Öffnen eines Berichtes wird eine Eingabeaufforderung eingeblendet, anhand derer die Berichtsdaten gefiltert werden können. Zum Beispiel KundenNr erlaubt die Eingabe einer Kundennummer. Der abgerufene Bericht enthält dann nur Angaben zu der vorher abgefragten Kundennummer.
- Die Bedingungen stellen vordefinierte Filter dar, mit deren Hilfe die Anzeige auf bestimmte Daten beschränkt werden kann. Beispielsweise Umsatz_und_Nr filtert auf bestimmte Musterarten.
- Berechnungen können bereits vordefiniert in einem Ordner enthalten sein. In einem Data Warehouse voraggregierte Berechnungen können direkt als Spalte in den Bericht übernommen werden.

Für die Erstellung eines Berichtes mit Impromptu sind folgende Arbeitsschritte erforderlich:

1. Verbindung der Impromptu Software mit der SQL – Datenbank, in der das Data Warehouse gespeichert ist.
2. Katalog erstellen,
3. festlegen der erforderlichen Datenbanktabellen und Spalten,
4. Entwickeln der Verbindungsstrategien für sämtliche Tabellen,
5. Bestimmen der Ordnerstruktur,
6. Auswahl des zu verwendenden Berichtes,
7. Auswahl des Berichtstyps,
8. Hinzufügen von Daten zu dem Bericht mit Hilfe des Dialogfeldes Abfrage.

Für die in Impromptu für die Verbindung zur Datenbank erforderlichen Parameter sind z. B. folgende Informationen erforderlich:

- Schnittstellentyp,
- Datenpfad,
- Sicherheitsinformationen,
- Benutzer ID,
- Kennwort,
- Art des Netzwerks.

[...]

---

^[1] Vgl. Reinecke, Sven; Tomczak, Torsten; Geis, Gerold (2001), S. 82 ff.

^[2] Vgl. Bach, Volker; Österle, Hubert (2000), S. 30.

^[3] Vgl. Bhattacharya, C. B.; Boltron, R. N. (2000), S. 329.

^[4] Vgl. Microsoft Corporation (2001), SQL Server 2000 – Die technische Referenz, S. 481.

^[5] Vgl. Gawlik, Tom; Kellner, Joachim; Seifert, Dirk (2002), S. 132.

^[6] Vgl. Brezina, R. (2001), S. 219 bis 226.

^[7] Vgl. Gerecke, U. (2001), S. 235 bis 240.

^[8] Vgl. Helmke, s. (2000), S. 36 bis 39.

^[9] Vgl. Henn, H. (2000), S. 16.

^[10] Vgl. Mentzel, R.; Ludwig, C. (1998), S. 171 – 189.

^[11] Data Base, oder Datenbank.

^[12] Vgl. Below, C. V. (1998), S. 53.

^[13] Vgl. Brändli, D. (1998), S. 75 – 82.

^[14] Vgl. Gabriel, R.; Chamoni, P.; Gluchowski, P. (2000), S. 74 bis 96.

^[15] Vgl. Microsoft Corporation (2001), S. 775 ff.

^[16] Vgl. Stahlknecht, Peter; Hasenkamp, Ulrich (1999), S. 407.

^[17] Vgl. Garcia, Marci Frohock; Reding, Jamie; Whalen, Erdward; DeLuca, Steve (2000), S. 707.

^[18] Vgl. Garcia, Marci Frohock; Reding, Jamie; Whalen, Erdward; DeLuca, Steve (2000), S. 708.

^[19] Vgl. Doberenz, Walter; Kowalski, Thomas (2001), S. 571 ff.

^[20] Vgl. Petkovic, Dusan (2001), S. 541.

^[21] Vgl. Microsoft Corporation (2001), SQL Server 2000 – Die technische Referenz, S. 486.

^[22] Vgl. Garcia, Marci Frohock; Reding, Jamie; Whalen, Erdward; DeLuca, Steve (2000), S. 710.

^[23] Vgl. Microsoft Corporation (2001), SQL Server 2000 – Die technische Referenz, S. 481 und 747 ff.

^[24] Vgl. Oberniedermaier, Gerhard (2000), S. 85.

^[25] Vgl. Garcia, Marci Frohock; Reding, Jamie; Whalen, Erdward; DeLuca, Steve (2000) Microsoft SQL Server 2000 – Das Handbuch, Unterschließheim, S. 708.

^[26] Vgl. Balzert, Helmut (1999), S. 335 ff.

^[27] DTS, Data Transformation Services.

^[28] Vgl. Buck – Emden, Rüdiger (2001, Bonn, S. 59.

^[29] ABAP ist der Name für die Programmiersprache bei SAP.

^[30] Vgl. Riekert, Reiner (2001), ABAP – Programmierung: Fortgeschrittene Programmiertechniken für ABAP, München, Boston u.a, S. 171 ff.

^[31] SD ist die Abkürzung für das SAP Modul Sales and Distribution.

^[32] Diese Aspekte wurden gewürdigt in den Projektarbeiten der übrigen Teammitglieder der Projektgruppe.

^[33] Vgl. Riekert, Reiner (2001), S. 326 ff.

^[34] Vgl. Oberniedermaier, Gerhard (2000), Vertriebslogistik mit SAP R/3: Konzeption und Implementierung des R/3 – Moduls SD, München, S. 157.

^[35] Vgl. Keller, Gerhard & Partner (1999), S. 704 ff.

^[36] Vgl. Balzert, Helmut (2001), Lehrbuch der Software-Technik, Band 1: Software-Entwicklung, 2. Aufl., Heidelberg / Berlin, s. 238 ff.