Analyseschicht in der Data Warehouse Architektur

Überblick über verschiedene Analysesysteme und deren unterschiedliche Einsatzgebiete

Die Analyseschicht hat die Aufgabe, die Daten aus dem Data Warehouse (DW) zu analysieren und aufzubereiten sowie diese anschließend an die Präsentationsschicht weiterzuleiten. Grundsätzlich kann man dabei zwei Systemarten unterscheiden, welche meist als Business Intelligence (BI)-Basissysteme und konzeptorientierte BI-Systeme bezeichnet werden.

Abbildung 1: Übersicht verschiedener Analysesysteme

Die konzeptorientierten BI-Systeme richten sich an betriebswirtschaftlichen Themengebieten aus. Hierbei handelt es sich um Ansätze wie zum Beispiel der Balanced Scorecard, dem wertorientierten Management oder der Planung und Budgetierung.

Um diese Systeme in der Praxis auch umzusetzen und in den jeweiligen Unternehmensbereichen auch erfolgreich zu implementieren, bildet das BI das Grundgerüst.

Zu den Basissystemen gehören unter anderem die Systeme der freien Datenrecherche. Bei diesen Systemen ist es Nutzern möglich, mittels SQL-Code und anderer Programmiersprachen Anfragen an den Datenbestand, der in der Datenbereitstellungsschicht liegt, zu stellen. Dies obliegt jedoch nur einem sehr geringen Nutzerkreis.

Einer der größten Aufgaben der Berichtssysteme ist die Aufbereitung und Erstellung von Reporten. Hierunter fallen meistens Tabellen, Grafiken oder Listen, die es ermöglichen, die benötigten Informationen möglichst schnell wiederzugeben. Gluchowski unterteilt in einer ersten Grobklassifizierung zwischen aktiven und passiven Berichtssystemen. Aktive Berichtssysteme erstellen, nachdem sie einmal eingerichtet wurden, Berichte nach einem vordefinierten Muster und verteilen diese an die jeweiligen Empfänger. Passive Berichtssysteme werden genutzt, um Berichte zu erstellen, die spezifischen Anforderungen des Benutzers unterliegen.

Ein weiterer Bereich der Basissysteme sind die Ad-hoc-Analysesysteme, die sich gerade in den letzten Jahren immer größerer Beliebtheit erfreuen. Sie dienen dazu, schnell und unkompliziert Berichte zu erstellen, die managementunterstützend eingesetzt werden können. Codd definierte OLAP (Online Analytical Processing) in seiner ersten Publikation 1993 anhand von zwölf Kriterien, die als richtungsweisend galten und 1995 von Pendse und Creeth auf fünf Kerninhalte reduziert wurden. Im Zusammenhang mit OLAP stehen sowohl der Begriff Relationales OLAP (ROLAP) als auch der Begriff Multidimensionales OLAP (MOLAP), das die am häufigsten benutzte Form von OLAP ist. Diese multidimensionalen Datenräume (MDDR) setzen sich aus Fakten und Dimensionen zusammen und werden meist als Würfel oder Cube bezeichnet. Grundsätzlich werden fünf verschiedene Operationsklassen bei MDDR unterschieden, mit deren Hilfe unterschiedliche Operationen ausgeführt werden können:

• Pivotierung
• Roll-up und Drill-down
• Drill-through und Drill-across
• Slice und Dice
• Split und Merge

Modellgestützte Analysesysteme sind in der Lage, komplexe Auswertungen durchzuführen. Zu dieser Kategorie gehören Systeme wie Decision Support Systems (DSS) sowie Data Mining. Das DSS wurde von Gorry und Scott Morton 1971 entwickelt und ist ein computerbasiertes Managementunterstützungsprogramm, das sich durch seine algorithmische Orientierung auszeichnet. Mertens und Meier definieren DSS als interaktive Systeme, „die Verantwortlichen in semi- oder unstrukturierten Entscheidungssituationen mit Methoden, Modellen und Daten helfen.“ Die Aufgabe von Data Mining ist die Bereitstellung von effizienten Methoden, „die autonom aus großen Rohdatenmengen die bedeutsamsten und aussagekräftigsten Muster identifiziert und sie dem Anwender als interessantes Wissen“ präsentiert.

Kontakt: Oliver Tovar, Consultant Rödl Reporting, Rödl Dynamics AG, Oliver.Tovar@roedl.com

www.roedl.com