Konzeption eines Projektverwaltungssystems für betriebswirtschaftliche Datenanalyseprozesse in einem offenen Business-Intelligence-System

Riesner, Frank

Titel: Konzeption eines Projektverwaltungssystems für betriebswirtschaftliche Datenanalyseprozesse in einem offenen Business-Intelligence-System

Konzeption eines Projektverwaltungssystems für betriebswirtschaftliche Datenanalyseprozesse in einem offenen Business-Intelligence-System

Zusammenfassung

Inhaltsangabe:Einleitung:
Die Komplexität der Unternehmensumwelt ist in den vergangenen Jahren zunehmend durch Diskontinuitäten und dynamische Veränderungen gekennzeichnet; betriebliche Entscheidungsträger müssen dieser Entwicklung mit verkürzten Analyse- und Entscheidungsprozessen begegnen. In diesem Zusammenhang bietet das Business- Intelligence-Konzept eine vielversprechende Lösung. Man versteht darunter die analytische Aufgabe, welche fragmentierte Unternehmens- und Umweltdaten in handlungsgerichtetes Wissen für unternehmerische Entscheidungen transformiert.
Business-Intelligence-Systeme (BIS) beinhalten dabei seitens der Informationstechnologie ein enormes Potential, das weite Spektrum der betriebswirtschaftlichen Datenanalyse möglichst komplett abzudecken und verschiedenen Anwendergruppen zu erschließen. Ziel dieser Arbeit ist die Entwicklung einer Konzeption für solche Systeme. Nach einer theoretischen Fundierung der zur Verfügung stehenden Analyseverfahren sowie der Untersuchungsvorgehensweisen und -abläufe wird aufbauend auf den Schwächen früherer Management-Unterstützungssysteme ein umfangreicher Anforderungskatalog für idealtypische BIS definiert. Teil dieser Arbeit ist außerdem die praktische Umsetzung von Auszügen dieser Anforderungen in Form einer Konteption für ein prototypisches Anwendungssystem. Dieses implementiert schwerpunktmäßig ein generisches Projektverwaltungssystem für betriebswirtschaftliche Datenanalyseprozesse.
Dabei können Analyseprojekte und zugehörige Analysephasen problemspezifisch verwaltet und durch eine Ablaufsteuerung zielgerichtet ausgeführt werden. Ein simulierter Analyseprozeß veranschaulicht dabei die Funktionalität der Applikation.
Neben Ausführungen über die allgemeine zukünftige Fortentwicklung innerhalb dieses wissenschaftlichen Gebiets zeigen abschließend einige beispielhafte Ansätze Möglichkeiten zur Erweiterung und Anpassung des prototypischen Business-Intelligence-Systems auf.

Inhaltsverzeichnis:Inhaltsverzeichnis:
AbstractII
InhaltsverzeichnisIII
AbkürzungsverzeichnisVI
AbbildungsverzeichnisIX
TabellenverzeichnisX
1.Einleitung1
1.1Information als Unternehmensressource1
1.2Problemstellung und Zielsetzung2
1.3Aufbau und methodische Behandlung3
1.4Allgemeine Konventionen5
2.Betriebswirtschaftliche Datenanalyse6
2.1Konzept der Untersuchungssituation6
2.2Grundtypen von Datenanalyseproblemen8
2.2.1Data-Warehouse-Systeme10
2.2.2Verfahren hypothesengetriebener Ansätze12
2.2.3Verfahren […]

Leseprobe

Inhaltsverzeichnis

ID 5954

Riesner, Frank: Konzeption eines Projektverwaltungssystems für betriebswirtschaftliche

Datenanalyseprozesse in einem offenen Business-Intelligence-System

Hamburg: Diplomica GmbH, 2002

Zugl.: Bamberg, Universität, Diplomarbeit, 2002

Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die

der Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen,

der Funksendung, der Mikroverfilmung oder der Vervielfältigung auf anderen Wegen und der

Speicherung in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung,

vorbehalten. Eine Vervielfältigung dieses Werkes oder von Teilen dieses Werkes ist auch im

Einzelfall nur in den Grenzen der gesetzlichen Bestimmungen des Urheberrechtsgesetzes der

Bundesrepublik Deutschland in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich

vergütungspflichtig. Zuwiderhandlungen unterliegen den Strafbestimmungen des

Urheberrechtes.

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem

Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche

Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten

wären und daher von jedermann benutzt werden dürften.

Die Informationen in diesem Werk wurden mit Sorgfalt erarbeitet. Dennoch können Fehler nicht

vollständig ausgeschlossen werden, und die Diplomarbeiten Agentur, die Autoren oder

Übersetzer übernehmen keine juristische Verantwortung oder irgendeine Haftung für evtl.

verbliebene fehlerhafte Angaben und deren Folgen.

Diplomica GmbH

http://www.diplom.de, Hamburg 2002

Printed in Germany

Abstract Seite

Abstract

Die Komplexität der Unternehmensumwelt ist in den vergangenen Jahren zuneh-

mend durch Diskontinuitäten und dynamische Veränderungen gekennzeichnet; be-

triebliche Entscheidungsträger müssen dieser Entwicklung mit verkürzten Analyse-

und Entscheidungsprozessen begegnen. In diesem Zusammenhang bietet das Busi-

ness-Intelligence-Konzept eine vielversprechende Lösung. Man versteht darunter die

analytische Aufgabe, welche fragmentierte Unternehmens- und Umweltdaten in

handlungsgerichtetes Wissen für unternehmerische Entscheidungen transformiert.

Business-Intelligence-Systeme (BIS) beinhalten dabei seitens der Informationstechno-

logie ein enormes Potential, das weite Spektrum der betriebswirtschaftlichen Daten-

analyse möglichst komplett abzudecken und verschiedenen Anwendergruppen zu er-

schließen.

Ziel dieser Arbeit ist die Entwicklung einer Konzeption für solche Systeme. Nach ei-

ner theoretischen Fundierung der zur Verfügung stehenden Analyseverfahren sowie

der Untersuchungsvorgehensweisen und -abläufe wird aufbauend auf den Schwächen

früherer Management-Unterstützungssysteme ein umfangreicher Anforderungskata-

log für idealtypische BIS definiert. Teil dieser Arbeit ist außerdem die praktische

Umsetzung von Auszügen dieser Anforderungen in Form einer Konteption für ein

prototypisches Anwendungssystem. Dieses implementiert schwerpunktmäßig ein ge-

nerisches Projektverwaltungssystem für betriebswirtschaftliche Datenanalyseprozes-

se. Dabei können Analyseprojekte und zugehörige Analysephasen problemspezifisch

verwaltet und durch eine Ablaufsteuerung zielgerichtet ausgeführt werden. Ein simu-

lierter Analyseprozeß veranschaulicht dabei die Funktionalität der Applikation.

Neben Ausführungen über die allgemeine zukünftige Fortentwicklung innerhalb die-

ses wissenschaftlichen Gebiets zeigen abschließend einige beispielhafte Ansätze

Möglichkeiten zur Erweiterung und Anpassung des prototypischen Business-

Intelligence-Systems auf.

Inhaltsverzeichnis Seite

III

Inhaltsverzeichnis

Abstract II

Inhaltsverzeichnis III

Abkürzungsverzeichnis VI

Abbildungsverzeichnis IX

Tabellenverzeichnis X

1 Einleitung 1

1.1

Information als Unternehmensressource

1.2

Problemstellung und Zielsetzung

1.3

Aufbau und methodische Behandlung

1.4

Allgemeine Konventionen

2 Betriebswirtschaftliche Datenanalyse

2.1

Konzept der Untersuchungssituation

2.2

Grundtypen von Datenanalyseproblemen

2.2.1

Data-Warehouse-Systeme 10

2.2.2

Verfahren hypothesengetriebener Ansätze

2.2.3

Verfahren datengetriebener Ansätze

2.3

Phasen und Aufgaben der betriebswirtschaftlichen Datenanalyse

2.3.1

Identifikation des Untersuchungsproblems

2.3.2

Durchführung der Datenanalyse

2.3.3

Umsetzung der Untersuchungserkenntnisse

2.3.4

Evaluierung der Untersuchungssituation

2.3.5

Einbettung in das Regelkreismodell

2.4

Business Intelligence (BI)

2.5

Typische Untersuchungssituationen

3 Knowledge Discovery in Databases (KDD)

3.1

Begriff und Zielsetzung

3.2

Phasen und Aufgaben

3.2.1

Selektion 54

3.2.2

Exploration 55

3.2.3

Manipulation 55

Inhaltsverzeichnis Seite

3.2.4

Datenanalyse 59

3.2.5

Interpretation 60

3.3

Herausforderungen und Einordnung

4 Unterstützung von Datenanalysen durch Management-

Unterstützungssysteme 64

4.1

Management-Informationssysteme (MIS)

4.2

Entscheidungsunterstützungssysteme (EUS)

4.3

Führungsinformationssysteme (FIS)

4.4

Analytische Informationssysteme (AIS)

4.5

Business-Intelligence-Systeme (BIS)

5 Anforderungen an Business-Intelligence-Systeme

5.1

Fachliche Anforderungen an die Verfahrensintegration

5.1.1

Integration von Verarbeitungsfunktionen

5.1.2

Kopplung von Untersuchungssituationen

5.1.3

Unterstützung des gesamten KDD-Prozesses

5.2

Fachliche Anforderungen an die Verfahrensdurchführung

5.2.1

Projektverwaltung 84

5.2.2

Problemspezifische Ablaufsteuerung und Dokumentation

5.2.3

Ergonomische Benutzerschnittstelle

5.2.4

Knowledge-Management-Dienste 92

5.2.5

Bereinigte und konsolidierte Datenbasis

5.3

Technische Anforderungen

5.3.1

Offenheit und Flexibilität

5.3.2

Abstraktion von Heterogenität

101

5.3.3

Datenintegrierte Prozeßabwicklung

103

5.3.4

Performanz und Skalierbarkeit

104

5.4

Integrationsgrad von Business-Intelligence-Systemen

107

6 Prototyp für ein Projektverwaltungssystem eines BIS

111

6.1

Zielsetzung 111

6.2

Fachliche Architektur

114

6.2.1

Kommunikation 114

6.2.2

Datenverwaltung 115

6.2.3

Anwendung 117

6.3

Softwaretechnische Architektur

122

6.3.1

Kommunikation 123

6.3.2

Datenverwaltung 123

6.3.3

Anwendung 124

Inhaltsverzeichnis Seite

6.4

Ansätze zur Weiterentwicklung

126

7 Fazit und Ausblick

129

Anhang A: Konzeptionelles Datenmodell der BI-Datenbank

133

Anhang B: Fachliches Datenbankschema der BI-Datenbank

134

Literaturverzeichnis 139

Erklärung gemäß Prüfungsordnung

147

Abkürzungsverzeichnis Seite

Abkürzungsverzeichnis

AIS Analytische

Informationssysteme

API

Application Program Interface

BI Business

Intelligence

BIDB Business-Intelligence-Datenbank

BIS Business-Intelligence-System

BIT Business-Intelligence-Tool

CD-ROM

Compact Disc - Read Only Memory

CSCW

Computer supported cooperative work

CRM

Customer Relationship Management

DaBIS Diplomarbeit

Business-Intelligence-System

DBVS Datenbankverwaltungssystem

DIN Deutsche

Industrienorm

DM Direkte

Manipulation

DSS

Decision Support System

DV Datenverarbeitung

DWH Data

Warehouse

EIP

Enterprise Information Portal

EIS

Executive Information System

ERP

Enterprise Ressource Planning

EUS Entscheidungsunterstützungssysteme

FASMI

Fast Analysis of Shared Mulitdimensional Information

FIS Führungsinformationssysteme

GUI

Graphical User Interface

HOLAP

Hybrid Online Analytical Processing

HTML

Hypertext Markup Language

HTTP

Hypertext Transport Protocol

Abkürzungsverzeichnis Seite

VII

IP Internet

Protocol

ISO

International Organization for Standardization

IT Informationstechnologie

JDBC

Java Database Connectivity

KDD

Knowledge Discovery in Databases

MCI Mensch-Computer-Interaktion

MDX

Multidimensional Expression Language

MIS Management-Informationssystem

MOLAP

Multidimensional Online Analytical Processing

MSS

Management Support System

MUS Management-Unterstützungssystem

ODBC

Open Database Connectivity

OLAP

Online Analytical Processing

OLTP

Online Transaction Processing

OMG

Object Management Group

PDF

Adobe Portable Document File

PIM

Personal Information Management

POS

Point of Sale

QbE

Query by Example

RISQL

Red Brick Intelligent Structures Query Language

RMI

Java Remote Method Invocation

RoI

Return on Investment

ROLAP

Relational Online Analytical Processing

SERM Strukturiertes

Entity-Relationship-Modell

Abkürzungsverzeichnis Seite

VIII

SQL

Structured Query Language

TCP/IP

Transmission Control Protocol / Internet Protocol

TPC

Transaction Processing Performance Council

W3C

World Wide Web Consortium

WWW

World Wide Web

XLS Microsoft

Excel

XML

Extensible Markup Language

Abbildungsverzeichnis Seite

Abbildungsverzeichnis

Abbildung 1-1: Schaffung von Informationskongruenz, in Anlehnung an [Bert75, 30] ...2

Abbildung 2-1: Konzept der Untersuchungssituation, in Anlehnung an [Fers79, 43]...7

Abbildung 2-2: Klassifizierung von Untersuchungsproblemen, in Anlehnung an [Gent00, 3]...10

Abbildung 2-3: Architektur von Data-Warehouse-Systemen, in Anlehnung an [BöUl00, 17] ...11

Abbildung 2-4: Ausprägungsformen des Web Mining, eigene Darstellung...29

Abbildung 2-5: Handlungsschema betriebswirtschaftlicher Datenanalyseprozesse, in Anlehnung an

[Knob00, 44], [BeLi97, 22f.] ...32

Abbildung 2-6: Datenanalyseprozesse im unternehmerischen Kontext, in Anlehnung an [Knob00, 45]...37

Abbildung 2-7: Business-Intelligence-Technologien, in Anlehnung an [CHS+98, 22] ...40

Abbildung 2-8: Verbreitung von Data-Mining-Anwendungen nach betrieblichen Funktionsbereichen

(a) bzw. nach Branchen (b), in Anlehnung an [Roch01, 14f.] ...45

Abbildung 2-9: Kategorisierung betriebswirtschaftlicher Untersuchungssituationen, in Anlehnung an

[Roch01, 11] ...46

Abbildung 3-1: Aufwandsschätzungen für das Preprocessing, eigene Darstellung...52

Abbildung 3-2: Aufgaben im Rahmen des KDD-Prozesses, in Anlehnung an [Knob00, 27f.]...53

Abbildung 3-3: Datenqualitätsprobleme und zugehörige Manipulationsmaßnahmen, [Knob00,32] ...56

Abbildung 3-4: Einordnung des KDD in die betriebswirtschaftliche Datenanalyse, in Anlehnung an

[Knob01c, 22] ...63

Abbildung 4-1: Evolution von Management-Unterstützungssystemen, in Anlehnung an [Knob01c, 8]...65

Abbildung 5-1: Funktionen und Komponenten eines idealtypischen BIS, [Knob01c, 9]...75

Abbildung 5-2: Beispiel für die Kopplung von Untersuchungssituationen, eigene Darstellung ...81

Abbildung 5-3: Trade-off zwischen Vielseitigkeit und Autonomie, in Anlehnung an [MaCP93, 906] ...84

Abbildung 5-4: Verwendung von Bildsymbolen am Beispiel der ,,Chernoff-Faces", [Cher73, 363f.] ...92

Abbildung 5-5: Drei-Schichten-Architektur eines BIS, eigene Darstellung...106

Abbildung 6-1: Einordnung des Prototyps in ein idealtypisches BIS, in Anlehnung an Abb. 5-1 ...112

Abbildung 6-2: Durch den Prototyp realisierte KDD-Analyse, eigene Darstellung...113

Abbildung 6-3: Fachliche Architektur strukturiert nach dem ADK-Modell, eigene Darstellung...114

Abbildung 6-4: DaBIS-Benutzerverwaltung, eigene Darstellung ...115

Abbildung 6-5: SERM-Diagramm der Projektverwaltung (Auszug), eigene Darstellung ...116

Abbildung 6-6: DaBIS-Maschinenverwaltung, eigene Darstellung ...118

Abbildung 6-7: DaBIS-Datenquellenverwaltung, eigene Darstellung...119

Abbildung 6-8: DaBIS-Ablaufsteuerung, eigene Darstellung ...121

Abbildung 6-9: Softwaretechnische Architektur strukturiert nach dem ADK- bzw. Nutzer- und

Basismaschinenmodell, in Anlehnung an [Plah00, 41]...123

Abbildung A-1: SERM-Diagramm der Business-Intelligence-Datenbank, eigene Darstellung ...133

Abbildung C-1: Verzeichnisstruktur beigefügter CD-ROM...

Abbildung D-1: DaBIS-Login, eigene Darstellung ...

Tabellenverzeichnis Seite

Tabellenverzeichnis

Tabelle 2-1: Entwicklungsschritte des Data Mining, in Anlehnung an [KrWZ98, 24f.] ...20

Tabelle 2-2: Verbreitete Definitionsansätze für ,,Data Mining", eigene Darstellung ...22

Tabelle 2-3: Data-Mining-Aufgabentypen in der Literatur, eigene Darstellung ...25

Tabelle 2-4: Verbreitete Definitionsansätze für "Business Intelligence", eigene Darstellung ...39

Tabelle 5-1: Einordnung von Metadaten, in Anlehnung an [BaMK01, 19] ...100

Tabelle 5-2: Integrationsgrad eines idealtypischen BIS, in Anlehnung an [FeSi98, 214] ...108

Tabelle 7-1: Fachliche Eigenschaften eines Business-Intelligence-Systems, eigene Darstellung ...129

Tabelle 7-2: Technische Eigenschaften eines Business-Intelligence-Systems, eigene Darstellung ...130

Tabelle B-1: Fachliches Datenbankschema der Business-Intelligence-Datenbank, eigene Darstellung ..138

1 Einleitung

Seite 1

1 Einleitung

,,We are confronted with the new paradox of the growth of data, that more data

means less information." [AdZa97, 2].

1.1 Information als Unternehmensressource

In der Betriebswirtschaftslehre versteht man Ressourcen als die Fähigkeit einer Un-

ternehmung, Güter hervorzubringen. Ursprünglich geht es dabei um die drei Produk-

tionsfaktoren Arbeit, Boden und Kapital.

Die Bedeutung von Information

im Sinne von zweckorientiertem Wissen wurde da-

bei lange vernachlässigt. Allerdings ermöglicht erst diese eine sinnvolle und damit

ergebnissteigernde Kombination der erstgenannten Produktionsfaktoren und weist

damit große Entscheidungs- und Handlungsrelevanz auf [PiFr88, 544]. Informati-

onsvorsprung ist somit die Grundlage für unternehmerischen Erfolg gegenüber Mit-

bewerbern. Dieser Zusammenhang begründet die heutige Sichtweise, Information als

wertvollen Produktionsfaktor mit strategischer Relevanz zu betrachten.

Die Komplexität der Unternehmensumwelt ist in den vergangenen Jahren nicht nur

rapide gewachsen, sondern zunehmend durch Diskontinuitäten und dynamische Ver-

änderungen gekennzeichnet. Verkürzte Innovations- und Produktlebenszyklen sowie

die forschreitende Öffnung der Märkte sind beispielhafte Trends, die den verschärf-

ten Wettbewerb charakterisieren. Betriebliche Entscheidungsträger müssen dieser

Entwicklung mit zeitlich reduzierten Analyse- und Entscheidungsprozessen begeg-

nen.

Nur durch eine ausgereifte Informationslogistik kann dabei sichergestellt werden,

daß die benötigen Informationen zeitgerecht in der erforderlichen Qualität am richti-

gen Ort vorliegen [ChGl98, 4].

Zum Begriff ,,Information" siehe [FeSi98, 126f.].

1 Einleitung

Seite 2

1.2 Problemstellung und Zielsetzung

Der technische Fortschritt ermöglicht es heutzutage, Daten in großem Umfang zu er-

zeugen und zu speichern, was eine immense Datenflut in Organisationen ausgelöst

hat

. Die Schaffung und Erhaltung einer Kongruenz aus Informationsangebot und

-nachfrage sowie dem aus den Unternehmenszielen abgeleitetem Informationsbedarf

unter Berücksichtigung von Wirtschaftlichkeitsaspekten muß daher von Entschei-

dungsträgern zunehmend als Herausforderung empfunden werden. Eine Begründung

dafür liegt in dem Dilemma, daß Informationsdefizite relevante Fakten für fundierte

Entscheidungen vorenthalten, während eine Überflutung zeitaufwendiges Herausfil-

tern dieser notwendig macht. Im Extremfall kann man letzteres durch die Metapher

der Suche nach der Nadel in einem kontinuierlich wachsenden Heuhaufen darstellen

[AdZa97, 5].

Abbildung 1-1: Schaffung von Informationskongruenz, in Anlehnung an [Bert75, 30]

Eine manuelle Analyse von Datenmengen diesen Ausmaßes ist kaum möglich. Aus

diesem Grund birgt der Einsatz von Informationstechnologie ein enormes Potential

zur Erweiterung der Analysekompetenzen, damit Organisationen schnellen und ef-

fektiven Zugriff auf entscheidungsrelevante Informationen realisieren können.

Anwendungssysteme, die diese Aufgabe erfüllen können, werden unter dem Begriff

,,Business Intelligence" (BI) subsumiert. Es existiert bereits ein junger, aufstrebender

Markt für Business-Intelligence-Tools (BIT) mit vielen namhaften Anbietern, wel-

cher große Wachstumsperspektiven aufweist. Aufgrund fehlender Standards und Er-

Die weltweit verfügbare Datenmenge verdoppelt sich etwa alle 20 Monate [BrHe96, 17].

Informations-

nachfrage

Informations-

angebot

Informations-

bedarf

Informations-

kongruenz

1 Einleitung

Seite 3

fahrungen ist dieser jedoch sehr uneinheitlich und die Produkte erfordern oft ein ho-

hes Maß an Expertise von den Anwendern.

Es ist daher Ziel von sog. Business-Intelligence-Systemen (BIS), das weite Spektrum

der betriebswirtschaftlichen Datenanalyse möglichst komplett abzudecken und ver-

schiedensten Anwendergruppen zu erschließen. Insbesondere unerfahrenen Benut-

zern sollen die komplexen Analyseprozesse durch eine ergonomische, also einfache

und intuitiv zu bedienende Benutzeroberfläche zugänglich gemacht werden.

Im Rahmen dieser Diplomarbeit soll ein Konzept für entsprechende Anwendungssys-

teme mit den relevanten Eigenschaften und Funktionen entwickelt werden. Diese

werden in Form von relevanten Anforderungen, welche an ein solches System zu

stellen sind, beschrieben und festgelegt.

Teil dieser Diplomarbeit ist auch die ausschnittsweise praktische Umsetzung der

entwickelten Konzeption: Ein Prototyp implementiert schwerpunktmäßig ein Pro-

jektverwaltungssystem, welches Analyseprojekte und zugehörige Analysephasen

verwalten und den Ablauf von Untersuchungen problemspezifisch steuern wird. Der

einzelne Benutzer hat dabei die Möglichkeit, Erfahrungswissen in Form von Metada-

ten

zu dokumentieren und anzuwenden. Diese und weitere Systemeigenschaften sol-

len zur Komplexitätsbewältigung von Datenanalysen führen.

1.3 Aufbau und methodische Behandlung

Die vorliegende Arbeit gliedert sich in sieben Kapitel. Das zweite Kapitel legt durch

die Beschreibung der betriebswirtschaftlichen Datenanalyse die Grundlagen für die

folgenden Ausführungen. Ausgehend von dem Konzept der Untersuchungssituation

werden zunächst Datenanalyseprobleme klassifiziert und entsprechende Lösungsver-

fahren erläutert. Daran knüpft die Darstellung des prozessualen Ablaufes solcher A-

nalysen im betriebswirtschaftlichen Umfeld an. Darauf aufbauend wird auf den Beg-

riff und die Bedeutung von Business Intelligence (BI) eingegangen, wobei u. a. typi-

sche Anwendungsgebiete aufgezeigt werden.

Metadaten werden in Kapitel 5.3.1 im Detail erläutert.

1 Einleitung

Seite 4

Das dritte Kapitel behandelt Knowledge Discovery in Databases (KDD), ein aner-

kanntes Lösungsverfahren für die Durchführungsphase der betriebswirtschaftlichen

Datenanalyse. Auch hier gilt wiederum dem phasenweisen Ablauf dieser Aufgabe

besonderes Augenmerk.

Den inhaltlichen Schwerpunkt der Bearbeitung stellt Kapitel fünf dar. Ausgehend

von der historischen Entwicklung von Management-Unterstützungssystemen (MUS),

welche Gegenstand von Kapitel vier ist, werden Anforderungen definiert, die an Sys-

teme zur Unterstützung von Datenanalysen zu stellen sind. Neben technischen As-

pekten werden vor allem fachliche Anforderungen an die Verfahrensintegration und

an die Verfahrensdurchführung beleuchtet. Abschließend wird ein idealtypisches

MUS hinsichtlich seines Integrationsgrades evaluiert.

Inhalt des sechsten Kapitels ist die Implementierung von Bestandteilen der vorge-

stellten Konzeption. Nach der Erläuterung von Zielsetzung und Funktionsumfanges

des Prototyps geht es um dessen fachliche Architektur. Es folgen Ausführungen über

die softwaretechnische Umsetzung, während Ansatzpunkte für die Weiterentwick-

lung der Applikation diesen Teil schließlich abrunden.

Den Abschluß dieser Arbeit bildet Kapitel sieben, in welchem die Ergebnisse dieser

Arbeit zusammengefaßt und Gebiete mit weiterem Forschungsbedarf aufgezeigt

werden.

Die Anhänge A bis D enthalten weiterführende Informationen über das im Rahmen

dieser Arbeit entwickelte Anwendungssystem.

1 Einleitung

Seite 5

1.4 Allgemeine

Konventionen

Als allgemeine Konvention gilt, daß Querverweise zu Kapiteln oder Abbildungen

bzw. Tabellen sowie Abkürzungen durch ein kursives Schriftbild gekennzeichnet

sind. Des weiteren sind die Auszüge aus dem Quellcode des Kapitels sechs durch ei-

nicht proportionale

Schriftart

gekennzeichnet.

Die Quellenangabe erfolgt in dieser Arbeit nach der sog. Harvard-Zitierweise, bei der

auf die Verwendung von Fußnoten verzichtet wird. Der Verweis auf die Literatur er-

folgt dabei im laufenden Text durch Angabe einer Literatur-Identifikation und der

Seitenzahl der verwendeten Quelle in eckigen Klammern. Jede Literaturquelle ist im

Literaturverzeichnis vollständig beschrieben.

Fußnoten enthalten nicht unmittelbar zum Thema gehörende ergänzende Anmerkun-

gen und Hinweise des Verfassers.

Dieser Arbeit liegt die alte deutsche Rechtschreibung zugrunde.

2 Betriebswirtschaftliche Datenanalyse

Seite 6

2 Betriebswirtschaftliche Datenanalyse

Betriebswirtschaftliche Datenanalysen nehmen sich der Aufgabe an, in einer Organi-

sation Informationskongruenz herzustellen (vgl. 1.1).

In diesem Abschnitt werden schwerpunktmäßig die wichtigsten Verfahren, die bei

der Datenanalyse Anwendung finden, erläutert. Anschließend wird die Datenanalyse

in einen prozessualen betriebswirtschaftlichen Rahmen eingeordnet, bevor einige ty-

pische Anwendungsdomänen zur Sprache kommen. Als Grundlage für alle diese

Ausführungen kann das Konzept der Untersuchungssituation angesehen werden.

2.1 Konzept der Untersuchungssituation

Das Konzept der Untersuchungssituation wurde 1979 von O.K. Ferstl vorgeschlagen

[Fers79, 43f.]. Es eignet sich zur Darstellung besonderer Eigenschaften von Daten-

analyseproblemen und soll als Beschreibungsrahmen für die folgenden Ausführun-

gen dienen. Demnach wird die Untersuchung von Objekten als Abfolge von vier Ak-

tivitäten angesehen:

(1) Spezifikation bekannter Charakteristika des relevanten Untersuchungsobjekts O,

(2) Festlegung des Untersuchungsziels Z, welches auf bisher unbekannte Eigen-

schaften von O abzielt.

Durch das Tupel (O, Z) wird ein Untersuchungsproblem definiert.

(3) Ermittlung von geeigneten und verwendbaren Untersuchungsverfahren V

zur

Erreichung des Untersuchungsziels,

(4) Durchführung mindestens eines dieser Untersuchungsverfahren.

Die Elemente des Tupel (O, Z, V

) legen die Untersuchungssituation fest. Diese ist

eine Problemlösung, wenn zumindest eines der Untersuchungsverfahren zur Verfü-

gung steht, ansonsten gilt sie als unlösbar.

2 Betriebswirtschaftliche Datenanalyse

Seite 7

Abbildung 2-1: Konzept der Untersuchungssituation, in Anlehnung an [Fers79, 43]

Untersuchungsziele betrachten vornehmlich neue Erkenntnisse über Verhaltens- und

Struktureigenschaften des Objektes. Daraus lassen sich grundsätzlich zwei Arten von

Problemtypen klassifizieren. Zum einen handelt es sich um Konstruktionsprobleme,

welche aufgrund eines geforderten Verhaltens Strukturen für neu zu schaffende Sys-

teme suchen. Demgegenüber stehen Analyseprobleme: Sie versuchen, Fragen über

des Verhaltens von realen oder formalen Systemen zu beantworten. Dieses Verhalten

wird maßgeblich durch Interaktionen mit externen Systemen und internen Teilsyste-

men determiniert.

Datenanalysen verfolgen das Ziel, einen Datenbestand systematisch auf bestimmte

Eigenschaften hin zu untersuchen [Hein98, 137]. Aus der Fülle erhobener und aufbe-

reiteter Daten werden dabei sinnvolle und entscheidungsrelevante Informationen ü-

ber im gegebenen Zusammenhang relevante Verhaltensgrößen und -merkmale sowie

über Datenbeziehungen erarbeitet.

Untersuchungsobjekte betriebswirtschaftlich geprägter Untersuchungen sind dabei in

der Regel die im Unternehmen verfügbaren Datenbestände, welche durch die elekt-

ronische Steuerung und Erfassung der Geschäftsprozesse durch Online-Transaction-

Processing (OLTP)-Systeme generiert werden. Diese Daten repräsentieren reale Sys-

teme wie beispielsweise Konkurrenten, Kunden oder Geschäftsprozesse und sind da-

her als Modell

der realen Systeme zu interpretieren [Knob00, 7].

Zum Begriff ,,Modell" siehe [FeSi98, 18f.].

Untersuchungs-

objekt O

Untersuchungs-

ziel Z

Untersuchungs-

problem (O, Z)

Analyse Konstruktion

Untersuchungs-

verfahren V

Untersuchungs-

situation (O, Z, V

)

2 Betriebswirtschaftliche Datenanalyse

Seite 8

Die betriebswirtschaftliche Datenanalyse untersucht somit grundsätzlich Verhaltens-

aspekte existierender Objekte und ist folglich zum Typus der Analyseprobleme zu-

zuordnen.

2.2 Grundtypen von Datenanalyseproblemen

Die bisherige Abgrenzung der Analyseprobleme reicht nicht aus, um das weite Feld

der Datenanalyse ausreichend zu systematisieren. Daher wird diese betriebwirtschaft-

liche Aufgabe nach zwei Kriterien klassifiziert, anhand derer geeignete Verfahren für

die Lösung ausgewählt werden können.

In Anlehnung an das eben vorgestellte Konzept der Untersuchungssituation (vgl. 2.1)

wird zum einen eine Einordnung hinsichtlich der Eigenschaften von Untersuchungs-

objekten angestrebt; andererseits wird die Vorgehensweise, welche das Untersu-

chungsziel ausmacht, als zweites Klassifikationsmerkmal angesehen.

Datenquellen und ihre Eigenschaften spielen für Analysen eine zentrale Rolle. In Be-

zug auf Datenanalysen gelten sie als Untersuchungsobjekte, welche Realweltobjekte

modellhaft durch die Datenwerte abbilden. Es wird dabei ein umfassendes Verständ-

nis über Daten zugrunde gelegt, welches neben numerisch-, nominal- oder ordi-

nalskalierten Daten auch alle Formen von Textzeichen, Grafikinhalten etc. umfaßt.

Insbesondere die Beschaffenheit dieser Daten bestimmt die Qualität von Analyseer-

gebnissen. Die Aufbereitung der Datenquellen erfordert daher oft den bei weitem

größten zeitlichen Aufwand (vgl. 3.2).

Im Unternehmen erfolgt ein beträchtlicher Teil der Datenhaltung in Form von Da-

tenbanksystemen. Diese Daten sind in der Regel nach einem bestimmten Organisati-

onsprinzip abgelegt, bei welchem ein eindeutig definiertes Architekturprinzip die lo-

gische und physische Datenhaltung festlegt.

Da diese Datenorganisation bestimmte Strukturanforderungen an die zu speichernden

Inhalte hat, können nicht alle Arten von Inhalten auf diese Weise abgelegt werden.

Unstrukturierte Daten zum Beispiel in Form von Briefen, e-Mails, Webseiten, Grafi-

ken oder informellem Wissen enthalten jedoch oft qualitativ hochwertige Informati-

onen für betriebliche Entscheidungen, die nicht vernachlässigt werden dürfen. Fach-

leute schätzen, daß knapp 80 Prozent der unternehmensweiten Informationen in un-

2 Betriebswirtschaftliche Datenanalyse

Seite 9

strukturiertem Format vorliegen. Systeme für semi- bzw. unstrukturierte Daten haben

weniger restriktive Anforderungen an die Struktur der abzubildenden Objekte und

Wissensbestände [GrGe00, 77f.]. Allerdings stellen sie andere Anforderungen an die

Verfahren und den Ablauf von Datenanalysen.

Die Strukturiertheit der Datenquellen ist daher ein erstes geeignetes Kriterium für die

Kategorisierung von Untersuchungsproblemen.

Hinsichtlich des Untersuchungsziels hat die Relevanz von Hypothesen als Aus-

gangspunkt für eine Datenanalyse eine große Bedeutung. Eine Hypothese ist eine

begründete Annahme oder Erklärung, deren Gültigkeit überprüft werden kann [Be-

Li97, 65]. Dazu eignen sich insbesondere Datenanalysen. Nachdem relevante Daten-

bestände bestimmt und lokalisiert worden sind, werden sie für die Durchführung ei-

nes geeigneten Analyseverfahrens aufbereitet. Die Ergebnisse können dann die

Hypothese verifizieren oder widerlegen. Eine solche Technik wird als hypothesenge-

triebene Vorgehensweise bezeichnet. Da es darum geht, vorgefaßte Ideen zu bewei-

sen oder zu entkräften, spricht man auch von einem sog. ,,Top-Down-Ansatz"

[Knob00, 10f.].

Andererseits lassen sich als ,,Bottom-Up-Vorgehensweisen" datengetriebene Ansätze

identifizieren. Ihnen liegen zunächst keine Annahmen zugrunde, weshalb sie als

hypothesenfrei angesehen werden können. Den Ausgangspunkt der Analyse stellen

allein Datenbestände dar, in denen neue Erkenntnisse vermutet werden. M.J. Berry

und G. Linoff sprechen dabei von ,,Knowledge Discovery" mit dem Ziel ,, (...) to tell

us something we didn´t already know."[BeLi97, 64]. Besonderes Augenmerk ver-

dient hierbei die Auswertung der Analyseergebnisse, denn erst die sinnvolle Interpre-

tation dieser ermöglicht es, die neuen Erkenntnisse wahrzunehmen und in Wettbe-

werbsvorteile umzusetzen.

Allerdings bleibt anzumerken, daß in der Praxis völlig hypothesenfreie Fragestellun-

gen nicht existieren, da eine völlig ungerichtete freie Suche nach neuem Wissen in

Datenbeständen irrational und unrealistisch ist [Knob00, 10]. Daher muß die ideali-

sierte scharfe Trennung zu Gunsten einer realistischeren Einordnung aufgegeben

werden. Es scheint folglich angebracht, in dieser Systematik unter datengetriebenen

2 Betriebswirtschaftliche Datenanalyse

Seite 10

Ansätzen eine tendenziell hypothesenfreie Herangehensweise zu verstehen

[KrWZ98, 30]. Die Relevanz von Hypothesen zur Erreichung der Untersuchungszie-

le ist somit das zweite Kriterium zur Klassifizierung von Datenanalyseproblemen für

die Einordnung möglicher Lösungsverfahren.

Abbildung 2-2 veranschaulicht die erarbeitete Systematik anhand einer Matrix und

gibt beispielhafte Analyseverfahren für unterschiedliche Untersuchungsprobleme an,

die anschließend angesprochen werden.

Abbildung 2-2: Klassifizierung von Untersuchungsproblemen, in Anlehnung an [Gent00, 3]

2.2.1 Data-Warehouse-Systeme

Das Vorhandensein und die Qualität relevanter Daten als Untersuchungsobjekt haben

für betriebswirtschaftliche Datenanalysen herausragende Bedeutung. Daher wird hier

kurz das Konzept des Data Warehouse (DWH) vorgestellt, bevor die einzelnen Ver-

fahren aus Abbildung 2-2 erläutert werden.

In Unternehmen werden laufende Geschäftsvorfälle in der Regel in Form von Trans-

aktionen in Datenbanken bearbeitet. Diese operativen Systeme, welche die Basis für

Online Transaction Processing (OLTP) bilden, sind jedoch aufgrund ihrer Struktur

und Zielorientierung nur sehr eingeschränkt dazu geeignet, dem Management ent-

scheidungsrelevante Informationen zur Verfügung zu stellen [BöUl00, 2f.]. Im Hin-

blick auf die Verbesserung der Abfrage- bzw. Analyseeffizienz und -effektivität fin-

Vorgehensweise

(Untersuchungsziel)

Strukturierungsgrad

der Datenquellen

(Untersuchungsobjekt)

unstrukturiert

strukturiert

hypot

hes

enget

rieben

(

top-dow

)

dat

enget

rieben

(

bottom

-up

)

Volltextsuche

Abfragen

Standardberichte

OLAP

Data Mining

Text Mining

Web Content

Mining

Web Usage

Mining

Attributbasierte

Suche

Web Structure

Mining

2 Betriebswirtschaftliche Datenanalyse

Seite 11

det durch ein Data Warehouse eine entscheidende Erweiterung statt. Dieser Begriff

wurde erstmals 1992 von W.H. Inmon geprägt:

,,A data warehouse is a subject oriented, integrated, time variant, and nonvolatile col-

lection of data in support of management's decisions." [Inmo92, 29]

Dieses allgemein anerkannte Verständnis sieht dieses System als einen integrierten

Datenbestand aus subjektorientierten, vereinheitlichten Detaildaten, die langfristig

abgelegt sind, um Zeitreihenbetrachtungen zu ermöglichen und nicht verändert wer-

den können. Gespeist wird dieses in regelmäßigen Abständen aus verschiedenen ope-

rativen OLTP-Systemen und sonstigen externen Quellen der Datenerfassungsebene

(siehe Abb. 2-3). Dabei werden die operativen Datenbestände entscheidungsorientiert

aufbereitet, wozu u. a. Umrechnungen, Aggregationen und Kategorisierungen sowie

das Anlegen von Zeitreihen zählen [Gent00, 1]. Das eigentliche Data Warehouse ist

in der Datenhaltungsebene anzusiedeln; es stellt Inhalte für die Verarbeitungsverfah-

ren der Datenbereitstellungsebene bereit. Darunter lassen sich alle unter 2.2.2 und

2.2.3 erläuterten Verfahren sehen. Eine detaillierte Erläuterung der hier angedeuteten

Komponenten findet sich anhand des Funktionsmodells in Kapitel 5.1.1.

Abbildung 2-3: Architektur von Data-Warehouse-Systemen, in Anlehnung an [BöUl00, 17]

Diese Art der Datenhaltung zielt somit speziell auf Analyseerfordernisse ab und ist

funktional betrachtet ein Datenbestand zur Entscheidungsunterstützung und Planung

im Unternehmen. Ein Data Warehouse gilt daher allgemein als ideale Infrastruktur

für die Durchführung von Datenanalysen in einer Unternehmung (vgl. 5.2.5).

Datenbereitstellungsebene

Datenhaltungsebene

Datenerfassungsebene

OLTP-Systeme

externe Quellen

Data Warehouse

Navigieren &

Signalisieren

Anwenden

Prognostizieren

Entdecken

Berichten

2 Betriebswirtschaftliche Datenanalyse

Seite 12

2.2.2 Verfahren hypothesengetriebener Ansätze

Aufbauend auf die Systematisierung aus Abbildung 2-2 werden zunächst die

herkömmlichen, d. h. hypothesengetriebenen Analyseverfahren näher erläutert.

2.2.2.1 Volltextsuche

Volltextsuche ist die trivialste Zugriffsmöglichkeit auf unstrukturierte Datenbestän-

de, unter denen man hauptsächlich digitale Dokumente verstehen kann. Alle Elemen-

te im Suchraum werden auf einen gesuchten Ausdruck hin durchsucht und syntak-

tisch identische Ergebnisse zurückgegeben. Eine Kombination von mehreren Such-

begriffen durch logische Operatoren (wie beispielsweise ,,AND" bzw. ,,OR") und das

Verwenden von Platzhaltern für beliebige Zeichen ist dabei möglich.

Weitere Verarbeitungsschritte wie Sortierungen oder Gruppierungen sind nicht reali-

sierbar. Der Hauptnachteil besteht allerdings vor allem darin, daß Suchanfragen aus-

schließlich syntaktisch, jedoch nicht kontextabhängig interpretiert werden können,

wodurch die Qualität der Ergebnisse leidet.

Ein Konzept zur Verbesserung dieser Situation bietet sich mit Hilfe des attributba-

sierten Suchens.

2.2.2.2 Attributbasierte Suche

Im Gegensatz zur Volltextsuche offeriert attributbasiertes Suchen eine semantische

Vorgehensweise. Diese Erweiterung setzt jedoch voraus, daß Dokumenteninhalte

durch Attribute im Sinne von Metainformationen beschrieben werden [GrGe00,

100]. Metainformationen strukturieren Textinhalte durch zusätzliche Daten über ihre

Eigenschaften wie beispielsweise Autor oder Dokumententyp. Denkbar sind auch

Aussagen über die Qualität in Form von Attributen hinsichtlich Relevanz oder Aus-

sagekraft. Die semantische Anreicherung ist allerdings erst vollständig, wenn der

Dokumenteninhalt durch beschreibende Schlagworte erfaßt worden ist.

Im Bereich Internet/Intranet lassen sich diese Anforderungen durch die Extensible

Markup Language (XML) realisieren. XML wurde seit 1996 vom World Wide Web

2 Betriebswirtschaftliche Datenanalyse

Seite 13

Consortium

(W3C) entwickelt und ist eine Metasprache zur Dokumentenbeschrei-

bung. Ihre Flexibilität erlaubt, daß jeder Nutzer seine eigene formale Auszeich-

nungsprache definieren kann, wobei die Dokumentenstruktur streng von der Forma-

tierung getrennt ist. Neben dem eigentlichen Fokus eines vereinfachten Datenaustau-

sches eignet sich XML somit auch gut zur semantischen Klassifizierung von Doku-

menten, um verbessertes Auffinden gesuchter Inhalte zu ermöglichen.

Es bleibt abschließend festzustellen, daß die erhöhte Suchsemantik, welche attribut-

basierte Suchansätze charakterisiert, durch einen erhöhten redaktionellen Bearbei-

tungsaufwand erkauft werden muß [GrGe00, 100].

2.2.2.3 Abfragen

Abfragen stellen ein sprachliches Mittel zur Formulierung eines Anwenderwunsches

nach Information, welche in Datenbanken gespeichert ist, dar [MBBK97, 1]. Sie er-

möglichen somit Zugriff auf Datenbankinhalte.

Structured Query Language (SQL) ist die am weitesten verbreitete Datenbanksprache

für relationale Datenbankmanagementsysteme. Sie beinhaltet sowohl Operatoren zur

Schemadefinition (Data Description Language z. B. für das Anlegen von Tabellen)

als auch zur Datenmanipulation (Data Manipulation Language z. B. zum Einfügen

von Tupeln). Es handelt sich um eine relativ einfache deskriptive Sprache, welche in

den 1980er Jahren durch die International Organization for Standardization

(ISO)

normiert wurde. P. Adriaans und D. Zantinge argumentieren, daß in der Regel bis zu

80 Prozent der interessanten Informationen aus einer Datenbank mit Hilfe von SQL

extrahiert werden können [AdZa97, 48]. Beim verbleibenden Anteil handelt es sich

um noch wettbewerbsrelevantere, versteckte Informationen, die besondere Verfahren

erfordern (vgl. 2.2.3).

Einige Anwendungen abstrahieren zusätzlich von dieser Abfragesprache und stellen

grafische Oberflächen zur Datenabfrage bereit (z. B.: QbE oder ROLAP), was eine

intuitivere Bedienung und das Erstellen komplexerer Abfragen ermöglicht.

Das W3C wurde 1994 gegründet und vertritt die Interessen von etwa 500 Mitgliedsorganisationen.

Es verfolgt das Ziel, die Potentiale des Internet konsequent weiterzuentwickeln, www.w3c.org .

ISO ist die weltweite Vereinigung nationaler Standisierungsgremien aus 140 Ländern, www.iso.org .

2 Betriebswirtschaftliche Datenanalyse

Seite 14

In der Datenbankgeneration der 1990er Jahre und darüber hinaus, zusammengefaßt

unter dem Begriff ,,postrelational", spielen vor allem objektorientierte bzw. multidi-

mensionale Konzepte zunehmend eine Rolle. Daher wird verstärkt versucht, die

erfolgreichen Konzepte von SQL in neue Abfragesprachen zu übernehmen (z. B.

MDX von Microsoft oder RISQL der Firma IBM).

2.2.2.4 Standardberichte

Betriebliche Berichtssysteme sind heute in fast jeder Unternehmung im Einsatz. Die

Geschäftsführung aber auch externe Berichtsempfänger wie staatliche Regulations-

organe verlangen oft eine periodische ex-post orientierte Übersicht und Aufstellung

verschiedenster Geschäftsinformationen.

Bereits in den 1960er Jahren versuchten Management-Informationssysteme (MIS,

vgl. 4.1) das Standardberichtswesen zu automatisieren. Diese Berichte basieren auf

Abfragesprachen und sind allzu oft umfangreiche Ausdrucke, aus denen man sich re-

levante Information mühsam heraussuchen muß [ChGl98, 7]. Sie enthalten oftmals

relative Abweichungen, die aus Vergangenheits-, Soll-, Plan- oder anderen Ver-

gleichsdaten resultieren. Während Berichtssysteme durch eine eher passive Erwar-

tungshaltung der Adressaten gekennzeichnet sind, spricht man im Falle von aktiven

Benutzern von Abfrage- oder Auskunftssystemen [ChGl98, 182]. Sie erlauben Ad-

hoc-Auswertungen, welche im Bedarfsfall durch Benutzeraktionen Antworten auf

außergewöhnliche, einmalige Geschäftssituationen geben.

Obwohl die Benutzerfreundlichkeit und der Funktionsumfang schon enorme Fort-

schritte gemacht haben, zeigen sich in Berichtssystemen neben der reinen Fokussie-

rung auf die Datenversorgung weitere Kritikpunkte auf. Da betriebliche Berichtssys-

teme in der Regel auf proprietären Datenstrukturen aufbauen, sind sie zu unflexibel

und starr, um dem mittleren Management und den Fachbereichen einen Zugang zu

erlauben. Des weiteren sind Interaktivität und Dialogfähigkeit nicht ausreichend, um

den Anforderungen, die durch die zunehmende Komplexität der betrieblichen Wert-

schöpfung zwangsweise entstehen, gerecht zu werden [ChGl98, 7].

Das Konzept des ,,Online Analytical Processing" setzt hier an und stellt eine vielver-

sprechende Lösung dar.

2 Betriebswirtschaftliche Datenanalyse

Seite 15

2.2.2.5 Online Analytical Processing (OLAP)

Das OLAP-Konzept ermöglicht, transaktionsorientierte Rohdaten in wertvolles Wis-

sen bezüglich der Geschäftsprozesse im Unternehmen umzuwandeln. OLAP versetzt

dabei unternehmerische Entscheidungsträger in die Lage, sich durch schnellen, kon-

sistenten Zugriff auf ein großes Spektrum möglicher Sichten auf den Datenbestand

Einblicke über die Inhalte zu verschaffen.

Der Begriff wurde 1993 in bewußter Abgrenzung von OLTP von E.F. Codd wie folgt

geprägt: ,,(...) the name given to the dynamic enterprise analysis required to create,

manipulate, animate and synthesize information from ,Enterprise Data Models'. This

includes the ability to discern new or unanticipated relationships between variables,

the ability to identify the parameters necessary to handle large amounts of data (...)."

[CoCS93, 7].

Implizit enthält E.F. Codds Definition einen Anforderungskatalog verschiedener As-

pekte. Zum einen sollen dynamische Analysen auf Daten aus einem Unternehmens-

datenbestand realisierbar sein. Diese sollten Abhängigkeiten zwischen Variablen

aufdecken und sichtbar machen. Zum anderen ist angestrebt, daß Operatoren

Zugriffs- und Speicherkonzepte anbieten, um auch auf umfassende multidimensiona-

le Datenbestände effizient zugreifen zu können. Somit legt OLAP dem Anwender ei-

nen Gestaltungsrahmen für den Aufbau von analytischen Informationssystemen (AIS)

nahe. Der Benutzer soll mit möglichst geringem Aufwand komplexe betriebswirt-

schaftliche Analysen sowie individuelle Ad-hoc-Auswertungen ausführen können

[Cham01, 544].

Zur Bewertung von OLAP-Systemen stellte E.F. Codd zunächst 12, später 18 Krite-

rien auf, die allerdings seitdem in Fachkreisen wie beispielsweise im OLAP-Council

oder durch die Gartner Group

kontrovers diskutiert worden sind. Sie umfassen Ba-

siseigenschaften, spezielle Eigenschaften, sowie Berichts- und Dimensionseigen-

schaften [Cham01, 545-548].

Das OLAP-Council wurde im Januar 1995 gegründet und dient als Informationsforum und Interes-

sensvertreter für OLAP-Anwender weltweit, www.olapcouncil.org .

Ein renommiertes IT-Beratungs- und Marktforschungsunternehmen, www.gartnergroup.com .

2 Betriebswirtschaftliche Datenanalyse

Seite 16

Eine eingängigere Einordnung legten N. Pendse et al. 1995 fest. Sie nehmen in ihrem

Konzept FASMI (Fast Analysis of Shared Multidimensional Information) eine

herstellerunabhängige pragmatischere Sichtweise ein [PeCr95, 1f.]:

Fast

Dieser Begriff bezieht sich auf die Antwortzeit eines OLAP-Systems, welche im Be-

reich von wenigen Sekunden liegen sollte. Aufgrund der Komplexität sind Erwartun-

gen in Form von ,,Echtzeitverhalten" als übertrieben anzusehen, allerdings darf der

Benutzer nicht in seiner Arbeit gehemmt werden. Das Anwortzeitverhalten ist vor al-

lem bei webbasierten Systemen als problematisch zu sehen.

Analysis

Es müssen Analyseverfahren und -techniken angeboten werden, welche erlauben,

sämtliche Analysefunktionen ohne zusätzlichen Programmieraufwand zu realisieren.

Shared

OLAP-Systeme sollten mehrbenutzerfähig sein. Dies meint, daß Schutzmechanismen

existieren, welche einen konkurrierenden Zugriff auf die Analysedatenbank verhin-

dern. Da allerdings hauptsächlich lesend zugegriffen wird, sind diese vor allem bei

dynamischen Analysemodellen von Bedeutung [Kurz99, 319].

Multidimensional

Essentiell für Analytische Informationssysteme ist die multidimensionale semantische

Sicht auf Informationsobjekte. Ohne Spezifikation der Datenbanktechnologie ist da-

bei sicherzustellen, daß sich der Anwender ,,frei" durch das gesamte Schema bewe-

gen kann.

Information

Zur Analyse müssen alle Datenquellen zu Verfügung stehen, d. h. das OLAP-

Konzept sollte keine Beschränkungen begründen, welche Analysen hinsichtlich des

Datenvolumens beeinflussen. Der Nutzen eines Systems steigt mit der Anzahl der

Datenelemente, welche bei gleichbleibender Bearbeitungszeit analysiert werden kön-

nen [ChGl98, 237].

2 Betriebswirtschaftliche Datenanalyse

Seite 17

Auch diese Zusammenstellung ist als unvollständig kritisiert und von anderen Auto-

ren mehrmals erweitert worden. Nach A. Kurz ist diese Betrachtungsweise noch um

zwei Punkte zu erweitern. Zum einen sieht er den Sicherheitsaspekt vernachlässigt.

Dabei soll es möglich sein, Anwender in Gruppen einzuteilen und diesen einschrän-

kende Sichten (sog. ,,Views") zur Verfügung zu stellen. Des weiteren sei ein zentra-

les durchgängiges Metadaten-Management als siebentes Bewertungskriterium zu se-

hen, welches gleichsam die Basis für Sicherheitskonzepte darstellen müsse [Kurz99,

320].

Die Ansätze des OLAP und Data Warehouse (vgl. 2.2.1) sind sehr eng miteinander

verknüpft, da sich beide ergänzen. Ein DWH vereinheitlicht, speichert und verwaltet

Inhalte aus verschiedensten Datenquellen und schafft somit eine Infrastruktur für

Analysen. OLAP wiederum stellt ein Zugriffs- und Nutzungskonzept auf der Daten-

bereitstellungsebene für diese Datenbasis dar und ermöglicht erst die sinnvolle Um-

wandlung der Einzeldaten in bedeutsame Informationen bzw. Wissen. Aus diesem

Grund versteht man unter dem Begriff ,,OLAP-System" eine umfassende Sichtweise,

welche beide Konzepte vereint. Der weitere Verlauf dieser Arbeit wird diesen As-

pekt wiederholt aufgreifen (vgl. 5.2.5).

Im Gegensatz zum DWH, welches in der Regel auf relationaler Technologie basiert,

arbeitet OLAP auf einer mehrdimensionalen Sicht von zusammengefaßten Daten und

ermöglicht dadurch erst schnellen Zugriff auf entscheidungsrelevante und strategisch

bedeutsame Informationen. Hinsichtlich der Datenbanktechnologie für OLAP-

Analysen existieren grundsätzlich zwei Varianten, die jeweils hinsichtlich der Be-

wertungskriterien wie FASMI Vor- und Nachteile aufweisen.

Relationales OLAP (ROLAP)

Aufgrund der Verbreitung des relationalen Ansatzes, u. a. durch das Data-

Warehouse-Konzept, wird versucht, diese Technologie für OLAP-Anwendungen zu-

gänglich zu machen. Dabei werden virtuell multidimensionale Datenbankkonzepte

verfolgt, welche auf die Vorzüge relationaler Datenhaltung abzielen und die mehr-

dimensionale Datenstruktur in zweidimensionalen Tabellen ablegen. Mit Hilfe von

SQL wird auf diese zur Durchführung der OLAP-Abfragen und Datentransformation

2 Betriebswirtschaftliche Datenanalyse

Seite 18

zugegriffen. Grundsätzlich eignet sich ROLAP eher bei kleineren Datenmengen und

weniger statischen Strukturen in einer komplexeren Domäne.

Multidimensionales OLAP (MOLAP)

Im MOLAP-Ansatz werden die Daten physisch in Form einer meist proprietären mul-

tidimensionalen Datenstruktur bereitgestellt. Dies erscheint sinnvoll, da die Anforde-

rungen an OLAP von den Eigenschaften relationaler Datenbanken relativ stark ab-

weichen [BeLi98, 405]. Multidimensionale Datenbanksysteme führen OLAP-

Abfragen schneller und ohne Effizienzverluste aus, da die Transformation in ein rela-

tionales Schema und zeitaufwendige Aggregatbildungen entfallen. Daher eignet sich

dieses Vorgehen besonders bei großen Datenmengen und weitgehend statischen

Strukturen in einer eng abgegrenzten Domäne.

Es bleibt abschließend festzuhalten, daß die Wahl der Technologie maßgeblich durch

die Wahl des Produktanbieters und der existierenden Systemumgebung determiniert

wird. Sehr wichtige Einflußfaktoren sind dabei vor allem Funktionsumfang, Leis-

tungsverhalten und Kostenaspekte [BeLi98, 404].

Außerdem ist mittel- bis langfristig zu erwarten, daß sich die oben beschriebenen

Unterschiede auflösen werden. Es existieren bereits Ansätze wie das sog. "Hybride

OLAP" (HOLAP), die eine Vereinigung beiderseitiger Vorteile anstreben. Dabei

werden die historischen Detaildaten relational abgelegt, während höher verdichtete

Datenwürfel ein multidimensionales Datenbanksystem zur effizienteren Speicherung

nutzen [Kurz99, 331]. Auf diese Weise kann die Antwortzeit zusätzlich optimiert

werden.

2.2.3 Verfahren datengetriebener Ansätze

,,Our goal is to challenge the data to ask questions, rather than asking questions to the

data." [KeKS94, 305]. Vorstehende Aussage stellt den Unterschied zwischen den e-

ben dargestellten hypothesengetriebenen und nun folgenden datengetriebenen Analy-

seansätzen, worunter man alle Arten von Mining-Verfahren versteht, plakativ dar.

2 Betriebswirtschaftliche Datenanalyse

Seite 19

Im Gegensatz zu den traditionellen, vom Benutzer gesteuerten Analysen, wird bei

Mining-Ansätzen datengetrieben nach interessanten Strukturen gesucht. Letztere

kann man als zusammenfassende Aussagen über eine Untermenge von Daten anse-

hen. Solche Muster sollen eine Einsicht vermitteln, welche über die reine Aufzählung

der Untermengenelemente hinausgeht. Damit umfassen sie alle Arten von Beziehun-

gen zwischen Datensätzen, zwischen einzelnen Feldern der Sätze, den Daten inner-

halb eines Satzes sowie bestimmte Regelmäßigkeiten [HaBM97, 601].

Motiv und Zielsetzung sind bei den verschiedenen Mining-Verfahren identisch. Sie

beabsichtigen, automatisiert und selbständig nach bisher unbekannten, aber entschei-

dungsrelevanten Mustern zu suchen. Der wesentliche Unterschied zwischen den Va-

rianten der Mining-Ansätze besteht in den zugrunde liegenden Datenquellen und da-

bei vor allem im Strukturierungsgrad der darin enthaltenen Informationstypen

[GrGe00, 177]. Da man davon ausgeht, daß etwa ein Viertel der geschäftsentschei-

denden Informationen versteckt und daher für hypothesengetriebene Verfahren un-

zugänglich sind, haben Bottom-Up-Vorgehensweisen insbesondere im betriebswirt-

schaftlichen Umfeld ihre Berechtigung [AdZa97, 128].

2.2.3.1 Data Mining

In der Literatur sowie in der Praxis erfreut sich das Schlagwort ,,Data Mining" in

Diskussionen derzeit besonderer Popularität. Namhafte Institutionen unterstreichen

durch Prognosen und Marktanalysen die zunehmende Bedeutung dieser Technolo-

gien, wonach im Vergleich zu anderen Bereichen der Informationstechnologie (IT)

mit einem weit überdurchschnittlichen Wachstum in den 2000er Jahren zu rechnen

ist.

Dabei ist Data Mining keine plötzliche Neuerscheinung. Das Konzept entstammt aus

vielen anderen Wissenschaftsbereichen und hat sich erst langsam zu einer eigenstän-

digen Disziplin entwickelt. Diese Entwicklung läßt sich in vier Phasen gliedern und

wird in folgender Tabelle 2-1 stichpunktartig umrissen.

2 Betriebswirtschaftliche Datenanalyse

Seite 20

Entwicklungsschritt:

Verfügbare Technologien

und Konzepte:

Eigenschaften:

1960er Jahre:

Data Access

Großrechnersysteme, Bän-

der und Speicherplatten

vergangenheitsorientierte, sta-

tische Datenbeschaffung.

1980er Jahre

Data Collection

Relationale Datenbanken,

SQL und ODBC

vergangenheitsorientierte, dy-

namische Datenbeschaffung

auf Record-Basis

1990er Jahre:

Data Navigation

Multidimensionale Daten-

banken, Data Warehouse,

OLAP

vergangenheitsorientierte, dy-

namische Datenbeschaffung

auf flexibleren Grundlagen

2000er Jahre:

Data Mining

Erweiterte Algorithmen,

parallele und verteilte Da-

tenbanken, Mehrprozessor-

Rechner

vergangenheitsorientierte aber

auch ex-ante-gerichtete, pro-

aktive Informationsbeschaf-

fung

Tabelle 2-1: Entwicklungsschritte des Data Mining, in Anlehnung an [KrWZ98, 24f.]

Die Bedeutung von Data Mining läßt sicht größtenteils auf zwei Einflußgrößen zu-

rückführen [CHS+98, 3-11]: Zum einen der stark angestiegene betriebswirtschaftli-

che Bedarf, der sich in Veränderungen des unternehmerischen Umfeldes begründet.

Dazu zählen u. a. die Wandlung von Verkäufer- zu Käufermärkten, intensiverer

Wettbewerb und ein neues Verständnis über die Bedeutung von Information als Un-

ternehmensressource (vgl. 1.1).

Andererseits sind die neuen Möglichkeiten einer Nutzung solcher Ansätze zu be-

trachten, welche sich neben wissenschaftlichen vor allem durch technische Fort-

schritte erklären lassen (vgl. [BeLi98, 6-10]). Die umfangreiche Generierung von e-

lektronischen Daten durch OLTP-Systeme und die Vereinheitlichung dieser in einem

Data Warehouse bilden wichtige Grundlagen für ihre Nutzung und Verwertung

durch Data-Mining-Algorithmen. Wichtige Faktoren sind zudem enorme Verbesse-

rungen in der Hardwareleistung und das darauf aufbauende Aufkommen von Soft-

warelösungen in diesem Bereich.

Open Database Connectivity (ODBC) ist eine standardisierte Schnittstelle für den Zugriff auf relati-

onale Datenbanken mit Hilfe von SQL.

2 Betriebswirtschaftliche Datenanalyse

Seite 21

In einem solchen Umfeld existieren viele unterschiedliche Auffassungen über den

Begriff ,,Data Mining". Neben verschiedenen Ansichten in der Wissenschaft und in

der Fachliteratur tragen insbesondere Softwareanbieter, welche ihre Produkte in dem

jungen Markt zu plazieren versuchen, durch irreführende Produktbeschreibungen zu

dieser Heterogenität bei. Bis sich überhaupt eine einheitliche Bezeichnung etablierte,

äußerte sich dies in verschiedenartigen Benennungen, welche von ,,data harvesting",

,,data archeology" bis zu ,,data fishing" reichten [Fayy96, 21]. Im deutschsprachigen

Raum hat sich mittlerweile die Übersetzung ,,Datenmustererkennung" nach N. Bis-

santz und J. Hagedorn [BiHa93, 1] etabliert.

Grundsätzlich lassen sich mehrere Hauptrichtungen für eine Definition dieses Beg-

riffs in Theorie und Praxis feststellen. In den Anfängen wurde von Vertretern oftmals

eine prozeßorientierte Perspektive vertreten; aufgrund der großen Bedeutung der In-

tegration der Data-Mining-Aufgabe in einen zielgerichteten Prozeßablauf hat sich je-

doch in Form des Knowledge Discovery in Databases (KDD, vgl. Kapitel drei), wel-

ches Prozeßmodelle für die Lösung von Data-Mining-Problemen bereitstellt, ein ei-

gener Wissenschaftsbereich hierfür herauskristallisiert.

Methodenorientierte Ansätze wiederum charakterisieren Data Mining anhand der zur

Verfügung stehenden Verfahren und Methoden zur Problemlösung. Dieses Ver-

ständnis herrscht oft bei Softwareherstellern vor, welche entsprechende Werkzeuge

vermarkten wollen. Des weiteren besteht wohl auch seitens von Wissenschaftlern ei-

ne gewisse Neigung, die eigenen Ansätze im Umfeld des aktuellen Schlagworts zu

positionieren [Knob00, 3]. Grundsätzlich ist ein methodenorientiertes Vorgehen je-

doch als problematisch zu beurteilen: Die Fülle der verwandten Wissenschaftsgebiete

(vgl. S. 26) macht deutlich, daß es auch hier an einem einheitlichen Rahmen und ei-

ner klaren Methodenabgrenzung mangelt. Aus diesen Gründen ist auch dieser Defini-

tionsansatz in Produktbeschreibungen sowie vor allem in der Literatur kaum noch

vorzufinden.

Heutzutage herrschen problemorientierte Ansätze zur Begriffsbestimmung vor. Diese

fokussieren sich recht allgemein auf die Problemstellung, die darauf gerichtet ist,

durch eine zielgerichtete Analyse von Datenbeständen Anhaltspunkte für eine Lö-

sung zu finden. Darunter sind interessante Datenmuster und -beziehungen zu verste-

2 Betriebswirtschaftliche Datenanalyse

Seite 22

hen. Folgender Überblick in Tabelle 2-2 stellt einige problemorientierte Definitions-

beispiele gegenüber:

Problemorientierte Definitionsansätze des Data Mining:

,,Data mining is the process of discovering interesting knowledge, such as patterns,

associations, changes, anomalies and significant structures from large amounts of da-

ta stored in databases, data warehouses, or other information repositories."

[Han97a,1]

,,Data Mining is the process of extracting previously unknown, valid, and actionable

information from large databases and then using the information to make crucial bu-

siness decisions." [CHS+98, 12]

,,Data Mining is the process of sifting through large amounts of data to produce data

content relationships. (...) This is also known as data surfing." [FlSa97, 45]

,,Der Begriff Data Mining beschreibt die Extraktion implizit vorhandenen, nicht tri-

vialen und nützlichen Wissens aus großen, dynamischen, relativ komplexen struktu-

rierten Datenbeständen." [BiHa93, 481]

,,Data Mining ist die nicht-triviale Entdeckung gültiger, neuer, potentiell nützlicher

und verständlicher Muster in Datenbeständen." [Knob00, 14]

Tabelle 2-2: Verbreitete Definitionsansätze für ,,Data Mining", eigene Darstellung

Aufgrund der Vielzahl von Ausprägungen in der Literatur und mangels einer eindeu-

tigen allgemeinen Definition wird für diese Arbeit ein Data-Mining-Verständnis, wie

es von N. Bissantz und J. Hagedorn [BiHa93, 481] bzw. B. Knobloch [Knob00, 14]

vertreten wird, zugrunde gelegt. Es stellt einen allgemeinen Rahmen zur Verfügung,

welcher sich problemlos in die Theorie des KDD-Prozesses (vgl. Kapitel drei) ein-

ordnen läßt.

Das Konzept des Data Mining ist in seiner ursprünglichen Form relativ visionär. Ent-

sprechend hochgesteckt sind daher auch die Anforderungen für seine Anwendung:

Anforderungen an die Ergebnisse

Besonders wichtig erscheint, daß die Ergebnisse der Datenmustererkennung für den

Anwender interessant sind. Interessantheit abstrahiert von den Teilaspekten Gültig-

keit, Neuartigkeit, Nützlichkeit und Verständlichkeit [Knob01b, 7], welche grundle-

2 Betriebswirtschaftliche Datenanalyse

Seite 23

gend für das problemorientierte Data-Mining-Verständnis sind. Ein Mangel daran

äußert sich in Redundanz, Bedeutungslosigkeit, Bekanntheit und Trivialität der Er-

gebnisse, welchen man durch das Anlegen von Filtern begegnen kann [Knob00, 40-

42].

Anforderungen an den Datenbestand

Die Datenaufbereitung ist als wesentliche Voraussetzung für die Anwendung ent-

sprechender Algorithmen anzusehen. Neben technischen Problemen bereitet dabei

hauptsächlich die Unvollkommenheit der Daten Schwierigkeiten. Diese findet man

in Form von sog. ,,Datenschmutz" durch falsche oder irrelevante Inhalte, Datenun-

vollständigkeit sowie Dynamik der Daten vor [Säub00, 12-15]. Auf die Datenvor-

verarbeitung wird ausführlich in Kapitel 3.2 eingegangen.

Außerdem sollten ausreichend Daten zur Verfügung stehen, in denen interessante

Muster vermutet werden. M.J. Berry und G. Linoff heben die Bedeutung einer gro-

ßen Datenmenge hervor

. Grundsätzlich steigt auch die Qualität und Signifikanz der

Ergebnisse, je mehr Daten analysiert werden [KrWZ98, 40f.].

Anforderungen an die Algorithmen

Algorithmen können einen wichtigen Beitrag zur Lösung der Datenproblematik leis-

ten, wenn sie robust genug sind, um selbständig mit unvollständigen Daten umzuge-

hen. Oftmals verursacht Datenschmutz besonders auffällige Muster, was durch eine

Art Plausibilitätsprüfung abgefangen werden sollte [BiHa93, 485].

Auch die Rechenzeit stellt einen kritischen Faktor für effiziente Analysendurchfüh-

rungen dar. Trotz steigender Verarbeitungsleistungen der Hardware geht man davon

aus, daß Algorithmen, deren Verarbeitungszeit stärker als die quadratische Abhän-

gigkeit von der Anzahl der untersuchten Datensätze wächst, kaum für die Anwen-

dung auf große Datenbestände geeignet sind (vgl. [Biss96]).

,,In data mining, more (data, Anm. d. Verf.) is better." [BeLi97, 77].

Details

Seiten
Erscheinungsform: Originalausgabe
Jahr: 2002
ISBN (eBook): 9783832459543
ISBN (Paperback): 9783838659541
DOI: 10.3239/9783832459543
Dateigröße: 973 KB
Sprache: Deutsch
Institution / Hochschule: Otto-Friedrich-Universität Bamberg – Wirtschaftswissenschaften
Erscheinungsdatum: 2002 (Oktober)
Note: 2,3
Schlagworte: business intelligence datenanalyse data warehouse mining managementunterstützungssysteme

Autor

Frank Riesner (Autor:in)

Konzeption eines Projektverwaltungssystems für betriebswirtschaftliche Datenanalyseprozesse in einem offenen Business-Intelligence-System

Zusammenfassung

Leseprobe

Inhaltsverzeichnis

Details

Autor

Frank Riesner (Autor:in)