Lade Inhalt...

Corporate Performance Management

Grundlagen, Implementierungskonzept und Einsatzbeispiele

Diplomarbeit 2009 76 Seiten

BWL - Unternehmensführung, Management, Organisation

Leseprobe

1. Einleitung

Unternehmen befinden sich heutzutage in stark umkämpften Märkten und sind durch die stetige Globalisierung sowie einer unaufhaltsamen Weiterentwicklung der Informations- und Kommunikationstechnologien in einer harten Wettbewerbssituation. Die Manager müssen sich sowohl auf die weltweite Öffnung von Güter-, Arbeits- und Informationsmärkten als auch auf fortschreitende Kommunikationsmöglichkeiten einstellen. Doch die Unternehmen haben nicht nur mit diesen Veränderungen zu kämpfen. Längst haben auch weitere Akteure wie beispielsweise Finanzdienstleister, Investoren, behördliche Institutionen und Anteilseigner ein berechtigtes Interesse und somit auch direkten oder indirekten Einfluss auf die Unternehmen. Daher ist es für Manager besonders wichtig, die richtigen Entscheidungen zum richtigen Zeitpunkt zu treffen, um die Wettbewerbsfähigkeit ihres Unternehmens weiter auszubauen, und um auf Veränderungen im Unternehmensumfeld schnell und adäquat reagieren zu können. Um die richtige Strategie der Unternehmensführung zu finden, bedarf es allerdings der genauen Kenntnis über das eigene Unternehmen und das Umfeld, in welchem sich das Unternehmen bewegt. Es muss die Fähigkeit gegeben sein, unterschiedliche Informationen und Daten zu wettbewerbsrelevantem Wissen weiter zu entwickeln. In diesem Zusammenhang ist die Informationsgewinnung aus bereits vorhandenen Unternehmensdaten sowie externen Informationen ein wichtiger Schritt, um das Management und die Fachabteilungen bei ihrer Planung und Entscheidungsfindung zu unterstützen. Die erfolgreiche Umsetzung dieses Ansatzes wird durch Business Intelligence (BI) und dessen Weiterentwicklung zum Corporate Performance Management (CPM) ermöglicht, welche nun schon seit einigen Jahren erfolgreich im Einsatz sind. Sie sammeln Daten und Informationen mit dem Ziel, sie auszuwerten, der Unternehmensführung in geeigneter Form zur Verfügung zu stellen und um Handlungsalternativen zu bewerten und Verbesserungspotential im Unternehmen zu identifizieren. Entscheidungsunterstützende Informationssysteme und Managementsysteme sind aus den heutigen Unternehmen kaum noch wegzudenken, denn durch sie werden sowohl die Planung als auch das Controlling und die Steuerung von Organisationen erheblich transparenter.

Ziel dieser Arbeit ist es, eine Abgrenzung des Corporate Performance Management von Business Intelligence zu erarbeiten, die Möglichkeiten der Einführung eines solchen Systems in ein Unternehmen zu erläutern und einen Überblick über den Softwaremarkt und seine Teilnehmer zu geben. Die Kapitel zwei und drei beschäftigen sich mit der theoretischen Grundlagenbearbeitung. Dabei wird aufgezeigt, wie Business Intelligence entwickelt wurde, welche Komponenten zusammenwirken und wie das Konzept der Datengewinnung, Informationsverdichtung und Nutzung des neu generierten, wettbewerbsorientierten Wissens funktioniert. Sowohl die Rahmenbedingungen werden erläutert als auch erklärt, wie Unternehmen aus ihren Geschäftsprozessen und den daraus entstehenden Daten Rückschlüsse auf ihr Geschäft generieren. Des weiteren werden Möglichkeiten dargestellt, die dem Management gegeben werden, um Entscheidungen anhand von Analysen und Reports erst vorzubereiten und dann umzusetzen. Der nächste Schritt ist eine Abgrenzung des CPM vom BI. Er beschäftigt sich mit der Entwicklung, den Voraussetzungen und den Komponenten des CPM und stellt die wesentlichen Unterschiede beider Ansätze in den Vordergrund. Das Zusammenspiel der angewendeten Technologien im CPM-Umfeld wird erarbeitet, um aufzuzeigen, warum das klassische BI nicht allen Aufgaben im Sinne des CPM gerecht werden kann. Die Zielsetzungen, die Funktionsweise sowie die Vorteile bzw. die Risiken für die Unternehmen, die durch den Einsatz von CPM entstehen, werden erläutert und verschiedene Instrumente zur Performanceverbesserung vorgestellt. In Kapitel vier wird ein Leitfaden zur Einführung von CPM-Systemen erstellt, der sich mit den Herausforderungen, Rahmenbedingungen und Erfolgsfaktoren von CPM-Projekten beschäftigt. Außerdem werden Möglichkeiten aufgezeigt, die den Unternehmen in der Praxis bei der Einführung von BI- und CPM-Instrumenten zur Verfügung stehen. Unterschiedliche Strategien zum Erwerb von entscheidungsunterstützenden Tools werden untersucht, um eine Handlungsempfehlung bezüglich der Einführung auszuarbeiten. Eine Aufwandsanalyse und ein Vergleich mit Open Source-Lösungen in diesem Bereich sowie eine Markt- und Produktübersicht sollen das Verständnis für die heterogenen Softwareangebote und die Konkurrenzsituation am Markt vertiefen. Drei kurze Praxisbeispiele zeigen das Zusammenspiel einzelner Instrumente auf und verdeutlichen den Nutzen, den Unternehmen durch den Einsatz von CPM-Anwendungen für ihr tägliches Geschäft gewinnen können. Eine Zusammenfassung mit kritischer Betrachtung des Themas und ein Blick in die Zukunft des Corporate Performance Management schließen die Arbeit ab.

2. Business Intelligence

In der heutigen Unternehmenslandschaft fallen durch den kaum mehr wegzudenkenden Einsatz von EDV-Anwendungen eine Menge an relevanten und nicht relevanten Daten an. Diese unternehmensinternen Daten zu selektieren, sie zu verdichten und mit externen Daten von beispielsweise Marktforschungsinstituten oder Onlinediensten aufzuwerten, um Zusammenhänge abzuleiten, ist der Grundgedanke des BI. Die Hauptaufgabe von BI ist, dem Management die entscheidungsrelevanten Informationen dem Management zu liefern. Diese Art der Informationsgenerierung und -verteilung ist für viele Unternehmen, zunehmend auch für kleine und mittlere Unternehmen, von großer Bedeutung und als Grundgerüst für wettbewerbsorientierte Entscheidungen anzusehen. Um einen größtmöglichen Nutzen aus den vorhandenen Daten zu erzielen werden die Informationssysteme nicht nur genutzt, sondern auch ständig weiterentwickelt, was sich ebenfalls positiv auf die umliegenden Systeme auswirkt. Hierbei werden bei der Weiterentwicklung vor allem Datenhaltung, Datenbereitstellung, Kommunikation der einzelnen Systeme untereinander sowie eine Verbesserung der gesamten Leistungsfähigkeit fokussiert.

2.1 Business Intelligence Grundlagen

2.1.1 Historische Grundlagen

Mit dem Beginn der kommerziellen Nutzung der elektronischen Datenverarbeitung Anfang der 1960er Jahre wurden die ersten Schritte zur Unterstützung von Führungskräften durch Informationssysteme eingeleitet. Diese ersten so genannten Management Information Systems (MIS)1 scheiterten jedoch an zu hohen Erwartungen an eine noch nicht ausgereifte Technologie. Das Konzept einer laufenden Entscheidungs- und Planungsunterstützung konnte daher nicht zufriedenstellend umgesetzt werden. Trotzdem wurde die Idee nicht fallengelassen, und mit dem Fortschreiten der technologischen Entwicklung wurde Mitte der 1980er Jahre mit dem Executive Information Systems (EIS)2 ein neuer Ansatz zur Managementunterstützung geboren. Die aufbereiteten Daten konnten zum ersten Mal in einer graphischen Benutzeroberfläche abgefragt werden. Mit W. H. Bill Inmons „Data Warehouse-Konzept“ wurde 1992 ein weiterer wichtiger Meilenstein in der Führungsunterstützung erreicht: Eigenständige, speziell auf Analyse- und Entscheidungsaufgaben ausgerichtete Datenbanken bewirkten ein Herauslösen von Daten aus den operativen Systemen. Auf der Analyse und Auswertung der im Data Warehouse vorhandenen Daten basiert das Konzept der heutigen Managementunterstützung. Der Begriff des Business Intelligence wurde Mitte der 1990er Jahre eingeführt und kennzeichnet seither die IT-basierte Managementunterstützung. Sie besteht aus einer Vielzahl von Anwendungen und ist für die korrekte Informationsverteilung an das Management, sowie Koordination und Unterstützung zuständig. Dabei werden in einer dreistufigen Pyramide Hierarchie und Aufgabenbereiche vom Top-Management über das Middle-Management bis hin zum Lower-Management festgelegt. Desweiteren wird definiert, welche Informationen zu welcher Zeit in welcher Ebene gebraucht werden.3

2.1.2 Definitionen

Für BI finden sich in der Literatur viele verschiedene Definitionen, die sich teilweise überschneiden und nicht klar voneinander und von anderen Ansätzen abzugrenzen sind. Durch diesen hohen Grad an Beliebigkeit, die Zuordnung von BI zu verschiedenen Unternehmensbereichen sowie die Verwendung vieler Technologien hat sich bisher keine allgemeingültige und verbindliche Erklärung herauskristallisiert. Einige der am weitest verbreiteten Definitionen lauten:

„The use of computers and related information technologies to support manageers.“4

„Business Intelligence gilt als Sammelbegriff zur Kennzeichnung von Systemen, die auf Basis interner Leistungs- und Abrechnungsdaten sowie externer Marktdaten das Management in Planung, Steuerung und Koordination unterstützen.“5

Der Autor Mertens identifizierte 2002 bei seiner Untersuchung zu gängigen BI-Abgrenzungen sieben unterschiedliche Varianten:6

1. BI als Fortsetzung der Daten- und Informationsverarbeitung (IV): IV für
die Unternehmensleitung
2. BI als Filter in der Informationsflut: Informationslogistik
3. BI = MIS, aber besonders schnelle und flexible Auswertungen
4. BI als Frühwarnsystem („Alerting“)
5. BI = Data Warehouse
6. BI zur Informations- und Wissensspeicherung
7. BI als Prozess: Symptomerhebung ® Diagnose ® Therapie ® Prognose

® Therapiekontrolle

„Unter Business Intelligence (BI) wird ein integrierter, unternehmensspezifischer, IT-basierter Gesamtansatz zur betrieblichen Entscheidungsunterstützung verstanden, bei dem BI-Anwendungssysteme Teilaspekte des BI-Gesamtansatzes abbilden und BI-Werkzeuge ausschließlich zur Entwicklung von BI-Anwendungen dienen.“7

2.1.3 Business Intelligence Verständnis

Die unter Gliederungspunkt 2.1.2 vorgestellten Definitionen wurden durch die Autoren Chamoni und Gluchowski zusammengefasst und über die jeweils verwendeten Systeme in drei Definitionsansätze unterteilt:8

- Enges Business Intelligence Verständnis: Unter dem engen BI-Verständnis werden wenige Kernapplikationen verstanden, die eine Entscheidungsfindung direkt unterstützen. Es handelt sich hierbei überwiegend um das Online Analystical Processing (OLAP), das Management Information System (MIS) und das Executive Information System (EIS). Das enge BI-Verständnis beinhaltet alle Anwendungen mit entscheidungsunterstützendem Charakter.
- Analyseorientiertes Business Intelligence Verständnis: Das analyseorientierte Business Intelligence umfasst die Anwendungen, die von der Führungsebene benötigt werden, um direkt mit dem System zu arbeiten. D.h. BI stellt hier insbesondere die technischen Werkzeuge zur Datenauswertung sowie den Rahmen zur Ausführung betriebswirtschaftlicher Abfragen und Analysen zur Verfügung. Hierzu gehören neben OLAP, MIS und EIS auch das Text- und Data-Mining, Berichts- und Analysesysteme, Planungs- und Konsolidierungssysteme, Reporting und Kennzahlen- bzw. Balanced Scorecard Modelle.9
- Weites Business Intelligence Verständnis: Im weitesten Sinne versteht man unter BI alle direkten und indirekten Anwendungen, die zur Unterstützung einer Entscheidungsfindung beitragen. Hierbei geht es neben der Auswertung und der Präsentation von Daten und Informationen auch um die Datenherkunft, die Datenspeicherung und die Datenaufbereitung.

Zusammenfassend ist zu sagen, dass BI eine Vielzahl unterschiedlicher Ansätze zur Analyse geschäftsrelevanter Daten zu bündeln versucht und die Gesamtheit aller Werkzeuge und Anwendungen mit entscheidungsunterstützendem Charakter darstellt. Ziel ist es, einen besseren Einblick in das eigene Geschäft und ein Verständnis für die Mechanismen relevanter Wirkungsketten zu erlangen.10 Langfristig kann BI nur bestehen, wenn es als eigenständiges System zur Managementunterstützung angesehen wird, das heißt, es weist klare Abgrenzungen zu anderen Systemen und Methoden auf und neue qualitative Lösungen werden eigenständig herausgearbeitet. Festzuhalten ist allerdings, dass BI als Datenbasis ein DWH erfordert.

2.2 Business Intelligence Architektur und Komponenten

2.2.1 Datenhaltung operativer und dispositiver Daten in relationalen Datenbanken

Die Datenhaltung von konsistenten, betriebswirtschaftlichen Daten in Datenbanken, so genannten Data Warehouses, ist Grundvoraussetzung für die Anwendung von Business Intelligence. Hierbei handelt es sich in der Praxis meist um Datenbanken, die auf relationalen Datenmodellen basieren. Entwickelt wurde dieses Modell, das auf der mathematischen Mengentheorie aufbaut, 1970 von Edgar F. Codd. Die Daten sind in Tabellen („Relationen“) mit Zeilen und Spalten gespeichert. Ein wichtiges Ziel beim Erstellen von relationalen Datenbanken ist, Redundanzen11 zu beseitigen und dadurch Inkonsistenzen zu vermeiden. Zur Einrichtung und Nutzung von Datenbanken verwendet man Structured Query Language (SQL). SQL ist in der Praxis weit verbreitet und wird mittlerweile in fast allen Datenbankmanagementsystemen genutzt. Diese Programmiersprache erlaubt den Benutzern, mit wenigen Befehlen auf Informationen zuzugreifen, die in der Datenbank gespeichert sind. Dieser Zugriff besteht aus dem Lesen, Einfügen, Ändern oder Löschen der Daten.

Doch woher stammen die Daten, welche gespeichert, strukturiert, aufbereitet und verwaltet werden müssen? Grundsätzlich wird zwischen operativen und dispositiven Daten unterschieden, die in einem Unternehmen generiert werden. Zusammen mit externen Daten von Online-Diensten und Marktforschungsinstituten bilden diese die Grundlage für die Unterstützung des Managements. Operative Daten sind unmittelbar wirkend und stammen aus den Administrations-, Dispositions- und Abrechnungssystemen, die zur Abwicklung des Tagesgeschäfts eines Unternehmens benötigt werden. Die operativen Daten werden in den einzelnen Abteilungen wie etwa dem Vertrieb, der Entwicklung, dem Personalwesen oder dem Einkauf erzeugt. Sie stammen also direkt aus den Geschäftsprozessen. Nach der Aufbereitung und Strukturierung der operativen und externen Daten wird von dispositiven Daten gesprochen. Auf diese isolierten Datenbestände greifen die managementunterstützenden Systeme dann zu. Eine Verdichtung der operativen und externen Daten ist notwendig, da ein Zugriff auf diese durch BI-Anwendungssysteme meist nicht zielführend ist.

Tabelle 1 verdeutlicht noch einmal den Unterschied zwischen operativen und dispositiven Daten.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Eigenschaften operativer und dispositiver Daten im Vergleich12

2.2.2 Operative Systeme als Grundlage für Business Intelligence

Operative Systeme sind die bereits angesprochenen Administrations-, Dispositions- und Abrechnungssysteme, die in der Betriebswirtschaft der Unterstützung und Abwicklung des täglichen Geschäftsbetriebs dienen. Diese Systeme umfassen das Supply Chain Management (Verwaltung der Lieferbeziehungen eines Unternehmens), das E-Procurement (elektronische Beschaffung von Gütern und Dienstleistungen), das Enterprise Ressource Planning (komplexes Unternehmensanwendungssystem, zum Beispiel SAP) und das Customer Relationship Management (dient der Dokumentation und Verwaltung von Kundenbeziehungen). Sie sind damit direkt an den Wertschöpfungsprozess eines Unternehmens gekoppelt. Diese Systeme sind Grundvoraussetzung und bilden den Unterbau von BI-Analysesystemen. Es handelt sich hierbei um Online-Dialogsysteme, die an den verschiedenen betrieblichen Funktionen ausgerichtet sind und stetig aktualisiert werden. Einzelne Geschäftsvorgänge bewirken eine Änderung des Datenbestands, der dadurch immer die aktuelle Situation darstellt. Durch die hohe Aktualität der Daten können einfache, gezielte Anfragen von operativen Systemen beantwortet werden. Fragestellungen an operative Systeme könnten etwa der aktuelle Einkaufs- bzw. Verkaufspreis für ein Produkt sein oder die Höhe des Lagerbestands eines Artikels. Für Analysezwecke oder umfassende Auswertungen sind operative Systeme allerdings nicht geeignet, da ihnen hierzu die geeignete Datenstruktur fehlt sowie der Zeitraumbezug aufgrund einer zeitlich begrenzten Speicherung der Daten. Weil diese Systeme in erster Linie zur Transaktionsunterstützung entwickelt wurden, sind sie bereits voll ausgelastet und geben keine freie Kapazität für Analysezugriffe her. Sowohl die Zusammenstellung, Bereinigung und Ordnung dieser heterogenen Daten als auch die Verknüpfung zu Informationen für Analysen erfolgen im Data Warehouse.

2.2.3 Data Warehouse

Aufgabe eines Data Warehouse (DWH) in einem Unternehmen ist es, die relevanten Informationen, die aus den operativen und externen Quellen herausgefiltert wurden, in einem einheitlichen Datenpool zusammenzuführen. In diesem Datenlager werden die gespeicherten Daten in logische Zusammenhänge gebracht. Hier herrscht die höchste Datenqualität im Unternehmen. Das DWH ist auf die Verarbeitung und Bereitstellung großer Datenmengen zur Durchführung von Auswertungen und Analysen spezialisiert, um der Unternehmensführung entscheidungsrelevante Informationen liefern zu können. Durch die in neue Zusammenhänge gebrachten dispositiven Daten lassen sich beispielsweise Informationen zur Steuerung und Kontrolle von operativen Prozessen erzeugen. Außerdem lassen sich mit Hilfe spezieller Analysetools bedarfsgerechte Auswertungen erstellen. Die Speicherung der Daten im DWH erfolgt über relationale Datenbanken.

Data Warehouses weisen einige typische Merkmale auf, die sie erheblich von den operativen Systemen unterscheiden. Der erste gravierende Unterschied ist der Zeitraumbezug. Während in operativen Systemen die Datenhaltung transaktionsorientiert und zeitpunktbezogen angelegt ist, werden im DWH Daten dauerhaft über Zeiträume wie Tage, Monate und Jahre gespeichert, um historische Verläufe oder Trendanalysen durchführen zu können. Hierbei muss allerdings überlegt werden, wie das stetige Datenwachstum begrenzt werden kann. Eine Lösung wäre etwa das Auslagern in Archivsystemen. Ein weiteres Merkmal ist die Themenorientierung des dispositiven Datenbestands, die sich direkt an den Informationsbedürfnissen des Managements ausrichtet. Den Führungskräften soll ermöglicht werden, direkte Informationen zu interessierenden Kerngebieten zu recherchieren. Diese können zum Beispiel Produktgruppen, Kunden oder Märkte sein. Eine weitere Charakteristik ist die Integration von heterogenen Daten in einen konsistenten Datenbestand. Dabei werden Informationen aus internen und externen Quellen zusammengeführt und bei der Übernahme in das DWH vereinheitlicht. Als letztes Merkmal ist die Beständigkeit der Daten aufzuführen. Die in einem DWH abgelegten Inhalte werden nur in Ausnahmefällen gelöscht oder modifiziert. Dagegen werden Daten der operativen Anwendungen nur für einen begrenzten Zeitraum im System vorgehalten und nach Abwicklung ihres konkreten Auftrags anschließend ausgelagert oder gelöscht, um die Performance (Antwortzeiten) dieser Systeme nicht unnötig zu belasten.13

Die Architektur eines DWHs setzt sich aus verschiedenen Datenhaltungssystemen zusammen, die nachfolgend einzeln beschrieben werden. Eine Grafik verdeutlicht den Aufbau abschließend.

Operational Data Store (ODS): In den aktuellen DWH-Ansätzen stellt der ODS einen speziellen Datenpool dar, der allgemein als Vorstufe von DWHs aufgefasst wird. Er verbindet den Bereich der operativen Transaktionssysteme mit der dispositiven Datenhaltung, das heißt er beinhaltet transaktionsorientierte Daten aus verschiedenen operativen Quellsystemen. In den ODS werden meist kleine und zeitpunktaktuelle Daten übertragen, die schon an definierte Anforderungen und Analysesysteme angepasst wurden, um auch im Tagesgeschäft operative und taktische Entscheidungen treffen zu können. Der Autor William H. Inmon definierte 1999 den ODS als eine Datenhaltung mit subjektorientierten, integrierten, zeitpunktbezogenen, volatilen und detaillierten Daten.14

Core Data Warehouse (C-DWH): Das C-DWH stellt die zentrale Datenbank innerhalb des DWH dar. Es wird über den ODS mit sämtlichen internen und externen Daten des Unternehmens befüllt und übernimmt die Funktionen der Datensammlung und -integration, der Weitergabe an eine Vielzahl von Benutzern sowie der Auswertung und Analyse. In der Regel umfasst das C-DWH durch seine historienbildende Ablage von Daten mehrere Terrabyte und basiert ebenfalls auf relationalen Datenbanken. Um die Performance des C-DWH zu gewährleisten und mögliche Störungen zu vermeiden, werden in der Praxis die Befüllung, Pflege und Nutzung meist ausschließlich durch die IT-Fachabteilung vorgenommen. Damit aber auch andere Fachabteilungen die Möglichkeit haben, mit den BI-Anwendungssystemen zu arbeiten, wurden so genannte Data Marts entwickelt.15

Data Marts: Data Marts sind kleinere Datenpools, die durch spezielle Transformations-prozesse aus dem C-DWH in kleinere, überschaubare Einheiten extrahiert werden, um das Handling mit den riesigen C-DWHs zu vereinfachen und um Ressourcen zu schonen. Diese werden spezifischen Nutzergruppen zur Verfügung gestellt. Der Vorteil besteht darin, dass nicht die komplette Datenbasis eines Unternehmens abgefragt werden muss, sondern nur ein Ausschnitt bzw. eine Teilmenge des DWHs abgebildet wird. Data Marts werden also direkt an die Bedürfnisse der jeweiligen Benutzergruppen angepasst.16

Metadaten: Generell versteht man unter Metadaten alle Informationen, die Aufbau, Wartung und Administration des DWH-Systems vereinfachen und darüber hinaus die Informationsgewinnung aus dem DWH ermöglichen.17 Diese „Daten über Daten“ beschreiben die Datenstruktur in DWHs und dienen der Dokumentation der Speicherparameter, wie zum Beispiel Herkunft, Struktur, Zusammensetzung und inhaltliche Beschreibung der gespeicherten Informationen. Metadaten werden in separaten Meta-Datenbanken gespeichert und verwaltet.

Abbildung 1 zeigt den technischen Aufbau und die Integration von Daten in ein Data Warehouse.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Technischer Aufbau eines Data Warehouse18

2.2.4 Datenübernahme und -verdichtung durch den ETL-Prozess

Damit das DWH mit den operativen und externen Daten befüllt werden kann, müssen diese Daten zuerst selektiert, dann vorbereitet und im dritten Schritt übertragen werden. Diese Aufgaben übernehmen ETL-Werkzeuge. ETL steht hierbei für Extraction (Extrahieren), Transformation (Transformation) und Loading (Laden). Ziel des ETL-Prozesses ist es, die Daten von ihren unterschiedlichen Strukturen zu bereinigen und sie zu standardisieren, um sie dauerhaft subjekt- und themenorientiert im DWH abzulegen. Dadurch wird die betriebswirtschaftliche Interpretierbarkeit gewährleistet.

- Extraction: Im Extraktionsprozess werden die operativen und externen Daten, die später für das Management von strategischer Bedeutung sein werden, aus den Transaktionssystemen selektiert und für die Übertragung ins DWH vorbereitet.
- Transformation: Der Transformationsprozess besitzt die Aufgabe, die Daten für den Ladeprozess vorzubereiten und sie zu bereinigen, um die Datenextrakte in ein einheitliches internes Format zu überführen. Fehlerhafte, redundante oder veraltete Quelldaten machen die Bereinigung unabdingbar. Verunreinigte Daten werden durch Plausibilitätsprüfungen aufgespürt und korrigiert. Diese Datenbereinigung erfolgt in vier aufeinander folgenden Prozessen (vgl. Tabelle 2) und ist für die Datenqualität im DWH maßgebend.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Teilprozesse der Transformation im ETL-Prozess19

- Loading: Die letzte Phase des ETL-Prozesses lädt die hochverdichteten Daten in das DWH. Im ersten Befüllungsprozess (initial load) werden alle Daten in das DWH geladen, anschließend erfolgen nur noch Aktualisierungen mit geänderten oder neuen Daten. Für den Ladevorgang wird die Verwendung der Systeme gesperrt oder ist nur teilweise nutzbar, da eine hohe Rechenkapazität benötigt wird.

2.3 Business Intelligence – Analyse

2.3.1 Freie Recherche

Die einfachste und schnellste Möglichkeit der Datenanalyse ist die freie Datenbankrecherche durch eine Datenmanipulationssprache wie zum Beispiel SQL. Dabei werden die im DWH abgelegten Daten direkt und gezielt über SQL abgefragt, wobei auch eine Gruppierung der Daten möglich ist. Vorteil der freien Recherche ist die hohe Flexibilität der Abfragen. Diese werden direkt im Datenbestand ausgeführt, und die Analyseergebnisse können leicht in anderen Systemumgebungen weiterverarbeitet werden. Ein gravierender Nachteil von Datenmanipulationssprachen ist die Voraussetzung einer gewissen IT-Kompetenz. Die Einarbeitung in diese Sprachen ist sehr intensiv. Führungskräfte und andere Entscheider sind meist nicht dazu bereit, sich diese Kenntnisse anzueignen. Daher bleibt der Einsatz dieser freien Recherchen meist nur Datenbankadministratoren und Powerusern – besonders versierten Benutzern – vorbehalten.20

2.3.2 Ad-Hoc-Analyse über Online Analytical Processing (OLAP)

Online Analytical Processing wurde 1993 von Edgar F. Codd entwickelt und wird für die Durchführung komplexer Analysevorhaben eingesetzt, bei der auch die historische Betrachtung eine wichtige Rolle spielt. Der Begriff OLAP wurde nach Codd durch zwölf Kriterien definiert, welche durch die Beteiligung von Wissenschaftlern und OLAP-Anbietern im Laufe der Jahre um mehr als 300 Regeln erweitert wurden. Hieraus entstand 1995 das Akronym FASMI (Fast Analysis Shared Multidimensional Information), das fünf Kerninhalte zur kurzen und prägnanten Umschreibung erläutert (vgl. Tabelle 3, Seite 14). Die komplexen Analysen durch OLAP verursachen ein hohes Datenaufkommen. Durch FASMI ist jedoch eine flexible und intuitive Auswertung möglich. Die Daten werden aus den Datenquellen in einem multidimensionalen Würfel zusammengefasst und dann in Berichten mit Grafiken und Tabellen präsentiert. So kann der Anwender die Kriterien, die für ihn interessant sind, selektieren und miteinander kombinieren, wodurch sich die Analyseergebnisse schrittweise verfeinern lassen. Die OLAP-Datenbanken sind ständig verfügbar, leicht bedienbar und betrachten den gleichen Datenbestand aus unterschiedlichen Perspektiven und in verschiedenen Detailstufen. OLAP ist zusammengefasst die Sammlung, Verwaltung, Bearbeitung und Darstellung multidimensionaler Daten.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3: FASMI-Eigenschaften21

2.3.3 Modellgestützte Analysesysteme

Durch die freie Recherche und die OLAP-Systeme wird im Gegensatz zu den modellgestützten Systemen nur eine kleinere Berechnung, wie zum Beispiel der Umsatz eines Produkts in einem bestimmten Zeitraum, durchgeführt. Die modellgestützten Systeme ermöglichen komplexe Auswertungen, die regelbasiert und algorithmisch ausgerichtet sind. Zu diesen Systemen gehören die Decision Support Systems (DSS), die Expertsystems (ES) sowie das Data Mining.

Decision Support Systeme sind interaktiv, das heißt sie reagieren direkt auf die Eingaben des Benutzers. Da sie meist von der Führungsebene benutzt werden, bei der weder ein tiefes Verständnis für, noch große Erfahrungen in der Informationstechnologie erwartet werden können, sind sie leicht zu verstehen und zu bedienen. Zum Einsatz kommen sie bei unstrukturierter Problemstellung, also wenn Ziele und Vorgehensweisen nicht genau spezifizierbar sind. Hier lassen sich relevante Informationen aus Daten und Modellen filtern, die aufbereitet und innerhalb kürzester Zeit in geeigneter Form dargestellt werden können.

Expertensysteme bilden im Gegensatz zu den DSS menschliches Expertenwissen ab. Der Fokus liegt hierbei nicht nur auf dem angesammelten Wissen sondern auch auf dem Wissen über Mechanismen zur Problemlösung. Hauptaufgabe von Expertensystemen ist die Hilfestellung bei der Entscheidungsfindung in Form von Handlungsempfehlungen. Sie werden meistens in gut strukturierten Problemfeldern sowie zur Risikoanalyse eingesetzt.

Durch das Data Mining, das Schürfen nach Mustern, sollen aus bereits vorhandenen Daten neue, bisher unbekannte Daten auf möglichst automatisierte Weise durch das Erkennen von Zusammenhängen, Mustern und Trends extrahiert werden. Das Data Mining bildet eine Kombination aus Statistik, künstlicher Intelligenz, maschinellem Lernen und klassischer Mustererkennung. Dies führt dazu, dass der Analyst nicht von vorneherein wissen muss, wonach er sucht. Die angewendeten Verfahren zeigen dem Anwender vermeintlich interessante Informationen und Zusammenhänge zwischen den Daten auf, wodurch neue Kenntnisse gewonnen werden, die für die Unterstützung des Managements von hoher Bedeutung sind.

2.3.4 Berichtswesen mit Kennzahlsystemen

Das Berichtswesen hat die Aufgabe, Informationen bereitzustellen und sie in geeigneter, übersichtlicher und nutzerfreundlicher Form den betrieblichen Entscheidungsträgern vorzulegen. Je nach Einsatzgebiet und Zielgruppe werden verschiedene Analysewerkzeuge des Berichtswesens eingesetzt. Das Standard-Reporting ist die klassische Form des Berichtswesens und basiert auf den dispositiven Daten aus dem DWH. Es wird zwischen Planungsberichten (als Grundlage und Ergebnis der strategischen und operativen Planung), Abweichungsberichten (wöchentlich, monatlich oder quartalsweise) und Statusberichten (beispielsweise Geschäftsberichte) unterschieden22. Diese Berichte beruhen auf Kennzahlen23, die in so genannten grafischen Scorecards und Dashboards aussagekräftig als Ampel, Tachometer oder Thermometer dargestellt werden. Diese Darstellungsart der betriebswirtschaftlichen Schlüsselkennziffern aus unterschiedlichen Unternehmensbereichen vereinfacht das Verständnis von Zusammenhängen und ermöglicht somit eine rasche Entscheidungsfindung.

3. Corporate Performance Management

3.1 Grundlagen des Corporate Performance Management

3.1.1 Fazit Business Intelligence

Die Aktualität der Unternehmensdaten wird für Unternehmen immer wichtiger, um auf Marktveränderungen und Umwelteinflüsse schnell und effizient reagieren zu können. BI zielt darauf ab, das Management durch Bereitstellung unternehmensspezifischer Informationen bei der Entscheidungsfindung zu unterstützen. Hierzu bedient es sich verschiedener Analyseverfahren, die für die vergangenheitsorientierte und taktische Geschäftsanalyse von unverzichtbarem Wert sind. Auch die strategische Unternehmensplanung erfolgt unter Berücksichtigung der aus den BI-Anwendungen gewonnenen Informationen.

Es kristallisierten sich zusammenfassend folgende Vorteile von BI heraus:

- Datenbereitstellung aus dem gesamten Unternehmen zu Analysezwecken
- Verbesserung der Strategieausrichtung, Zielplanung und des Controllingumfangs
- Neue Betrachtungsperspektiven anhand von multidimensionalen Analysen
- Mustererkennung und Marktanalyse
- Leichte Bedienbarkeit ermöglicht einfache und schnelle Berichterstellung
- Keine Beeinträchtigung der operativen Transaktionsdatenbanken

Die ständig wechselnde Wettbewerbssituation sowie der zunehmend stärkere Konkurrenzkampf zwingen die Unternehmen, eine Möglichkeit zu schaffen, sich flexibel auf neue Situationen einzustellen und sofortige Gegenmaßnahmen bei sich ändernden Bedingungen einzuleiten. Es ist also nicht nur wichtig, die Leistungsfähigkeit des eigenen Unternehmens zu kennen und zu bewerten, sondern zusätzlich muss gewährleistet werden, aktiv in die Leistungserstellung – also in die Unternehmensprozesse – eingreifen zu können, um wettbewerbsfähig zu bleiben. BI basiert auf den Daten aus den operativen Geschäftsprozessen ohne dem Anwender jedoch die Möglichkeit zu bieten, diese Prozesse aktiv zu planen, zu überwachen oder zu steuern. Um es dem Management zu ermöglichen, die Optimierung der laufenden Geschäftsprozesse zu forcieren und sie an die strategische Planung anzupassen, fehlte es bislang an prozessorientierten BI-Lösungen. Man wollte Ergebnisse, die man direkt auf Geschäftsprozesse und Strategien anwenden und umsetzen konnte. BI ist also ein Informationsbereitstellungsmodell, dessen Hauptaufgaben die Analyse, die Diagnose sowie die Berichterstellung sind. Die fehlende Prozessorientierung machte eine Weiterentwicklung des BI notwendig, damit die ausgewerteten Informationen genutzt werden können, was eine weitere Verbesserung der Leistungsfähigkeit des Unternehmens zur Folge hat.

[...]


1 MIS = Dem Nutzer werden Informationen für Entscheidungen und Planungen zur Verfügung gestellt

2 EIS = Anwendung zur Analyse und Präsentation von Daten, geringe Analysemöglichkeit und einfache

Handhabung

3 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 9

4 Scott Morton, 1983: vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 9

5 vgl. Chamoni, P. / Gluchowski, P.: Analytische Informationssysteme, 2006, S. 52

6 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 2 f.

7 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 8

8 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 3 f.

9 Erläuterungen erfolgen im Gliederungspunkt 2.3 Business Intelligence - Analyse

10 vgl. Oehler, K.: Corporate Performance Management mit BI-Werkzeugen, 2006, S.33

11 Redundanzen sind Datenüberschneidungen, durch z.B. Mehrfachspeicherung

12 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 14

13 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 17 f.

14 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 38

15 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 34

16 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 36

17 vgl. Bauer, A. / Günzel, H.: Data Warehouse Systeme, 2008, S. 69

18 Abbildung modifiziert übernommen aus Kemper / Mehanna / Unger: Business Intelligence, 2006, S.10

19 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 24, Abb. 2.6

20 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 93

21 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 94

22 vgl. Kemper, H.-G. / Mehanna, W. / Unger, C.: Business Intelligence, 2006, S. 110

23 Kennzahlen sind Momentaufnahmen entscheidungsrelevanter Daten

Details

Seiten
76
Erscheinungsform
Originalausgabe
Jahr
2009
ISBN (eBook)
9783836639491
Dateigröße
1 MB
Sprache
Deutsch
Katalognummer
v227427
Institution / Hochschule
Hochschule Coburg (FH) – Betriebswirtschaft
Note
2,0
Schlagworte
corporate performance management business wirtschaftsinformatik managementunterstützung data warehouse

Autor

Teilen

Zurück

Titel: Corporate Performance Management