Database Reference
In-Depth Information
OLAP und Data Mining
Für Analysen indet in der Regel ein Data Warehouse (DWH) Verwendung, da nicht nur
aktuelle, sondern auch historische Daten einen hohen Informationsgehalt besitzen. Daten
aus verschiedenen internen und externen Quellen werden mittels verschiedener Techni-
ken (siehe dazu auch Abschnitt 2.5.1) in ein DWH integriert und dort langfristig gespei-
chert. In Abhängigkeit von geplantem Verwendungszweck und -ziel wird dieses in festge-
legten Zeitintervallen durch aktuelle Daten ergänzt und ggf. mit weiteren externen Daten
angereichert.
Die in einem DWH gesammelten Daten können dann mit unterschiedlichen Analyseme-
thoden genauer untersucht werden. Typischerweise werden Operationen und Vefahren an-
gewendet, die sogenannte
gerichtete (OLAP)
bzw.
ungerichtete (Data Mining)
Analysen er-
möglichen. Durch die mittels
OLAP
und
Data Mining
gewonnenen Erkenntnisse können
Unternehmen ihre Wertschöpfungskette verbessern, indem Kosten gesenkt, Risiken mini-
miert und Beziehungen zu Kunden und Lieferanten verbessert werden.
Online Analytical Processing (OLAP) ist eine der Schlüsselkomponenten von BI. Auf der Ba-
sis speziell aufbereiteter und strukturierter Datenbestände (Basis sind
multidimensionale
Datenmodelle
) können Operationen eingesetzt werden, die es erlauben, durch sehr große,
hierarchisch aufgebaute Datenbestände zu navigieren. Typische Operationen für
gerichtete
Analysen
sind
Drill Down, Drill Across, Roll Up, Slice
und
Dice
. Sie erlauben es z. B. den Ge-
samtumsatz aus verschiedenen Blickwinkeln zu betrachten und genauer aufzugliedern. So
kann z. B. festgestellt werden, wie sich der Umsatz eines Produktes einer bestimmten Ka-
tegorie in einem bestimmten Verkaufsgebiet im Laufe der Zeit entwickelt. Verkauft sich ein
Produkt besonders gut, ein anderes eher verhalten, könnte entschieden werden, in einer
Aktion gezielt beide Produkte kombiniert anzubieten (
Cross Selling
).
Data Mining ist eine weitere wichtige Komponente von BI. Verfahren des Data Mining
werden eingesetzt, um bisher unbekannte Muster, Abweichungen und Auffälligkeiten zu
identiizieren. Sie werden daher oft als
ungerichtete Analysen
bezeichnet. Die verwende-
ten Techniken stammen meist aus anderen Bereichen wie z. B. Statistik und maschinelles
Lernen. Bekanntestes Einsatzgebiet für derartige Verfahren sind Empfehlungsmaschinen,
bei denen Algorithmen die Transaktionen (Warenkörbe) vieler Kunden analysieren und auf
dieser Basis Empfehlungen geben. Data Mining-Techniken werden aber auch zur Früher-
kennung potentieller Betrüger oder bei der Analyse der Risikofaktoren für den Zahlungs-
ausfall bei Krediten eingesetzt.
Ausführlichere Darstellungen, Erklärungen und Anwendungsbeispiele für BI, OLAP und
Data Mining inden sich z. B. in [KBM10] und [CG10].
Forecasting
Auf den für analytische Zwecke aufbereiteten Datenbeständen lassen sich neben IST-
Analysen auch Prognosen (Forecasting) erstellen. Auf der Grundlage historischer und ak-
tueller und oft unter Hinzuziehung externer Daten können mittels einer Vielzahl von Ver-
fahren Vorhersagen erstellt werden, die mit einer bestimmten Wahrscheinlichkeit Aussa-
gen über künftige Entwicklungen machen und frühzeitige Entscheidungen ermöglichen.
Damit können geeignete Strategien für die Zukunft erstellt werden, um die eigene Wettbe-
werbsfähigkeit zu erhalten bzw. um sich einen Wettbewerbsvorteil gegenüber den Mitbe-
werbern zu schaffen. Typische Anwendungsbereiche sind z. B. die Planung und Einführung
