Data Warehouse Day 3
-
Upload
emily-jenkins -
Category
Documents
-
view
26 -
download
2
description
Transcript of Data Warehouse Day 3
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 1
Data Warehouse Day 3Day 2 Review / Recall
What are the 4 key characteristics of Data Warehouse ?
Explain them !
Define a Independent and a dependent Data Mart !
Name the distinctions between Data Warehouses and Data Marts !
What are the most common schema designs ?
What different kind of data are in a Data Warehouse ?
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 2
Data Warehouse and AnalysisWhere we are ?
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 3
Data Warehouse and AnalysisWhere we are ?
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 4
Data Warehouse and AnalysisWhere we are ?
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 5
Data Warehouse and AnalysisAnalysewerkzeuge: Darstellung
Tabellen• Pivot-Tabellen := Kreuztabellen• Analyse durch Vertauschen von Zeilen und Spalten• Veränderung von Tabellendimensionen• Schachtelung von Tabellendimensionen (Integration weiterer Dimensionen)
Graphiken• Bildliche Darstellung großer Datenmengen - Wuerfel• Netz-, Punkt-, Oberflächengraphen
Text und Multimedia-Elemente• Ergänzung um Audio- oder Videodaten• Einbeziehung von Dokumentenmanagementsystemen
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 6
Data Warehouse and AnalysisAnalysewerkzeuge: Darstellung - Pivot
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 7
Data Warehouse and AnalysisAnalysewerkzeuge: Realisierung
Standard Reporting:• Reporting-Werkzeuge des klassischen Berichtswesens
Berichtshefte:• Graphische Entwicklungsumgebungen zur Erstellung von Präsentationen von Tabellen, Graphiken, etc.
Ad-hoc Query & Reporting:• Werkzeuge zur Erstellung und Präsentation von Berichten• Verbergen von Datenbankanbindung und Anfragesprachen
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 8
Analyse-Clients:• Werkzeuge zur mehrdimensionalen Analyse • beinhalten Navigation, Manipulation (Berechnung), erweiterte Analysefunktionen und Präsentation
Spreadsheet Add-Ins:• Erweiterung von Tabellenkalkulationen für Datenanbindung und Navigation
Entwicklungsumgebungen:• Unterstützung der Entwicklung eigener Analyseanwendungen• Bereitstellung von Operationen auf multidimensionalen Daten
Data Warehouse and AnalysisAnalysewerkzeuge: Realisierung II
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 9
• Report- u. Abfragegeneratoren • Statistik • Dokumenten-Retrieval • aktive Informationsfilter • Prozeßmodellierung • geographische Informationssysteme • Führungsinformation • Entscheidungsunterstützung • Abteilungsspezifische Tools • industriespezifische Tools
• Online Analytical Processing • Data Mining
Data Warehouse and AnalysisWerkzeuge fuer Entscheider
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 10
dynamische, multidimensionale Analyse von Daten mit dem Ziel der Aufdeckung neuer oder unerwarteter Beziehungen zwischen Variablen
Typische Fragestellungen:• „Mit welchem Produkt wird der größte Umsatz in einer Region gemacht ?“•„Wie verhält sich der Umsatz im Vergleich zum letzten Jahr?“
Ansatz:• multidimensionale Sichtweise auf Daten• Anpassung des Datenmodells• Präsentationsunterstützung
Data Warehouse and AnalysisOnline Analytical Processing (OLAP)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 11
Data Warehouse and AnalysisOLAP - Coddsche Regeln
E.F. Codd (1993): Anforderungen an OLAP-Werkzeuge
1. Multidimensionale konzeptionelle Sichtweise• Betrachtung von (betriebwirtschaftlichen) Kenngrößen aus Sicht verschiedener Dimensionen
2. Transparenz• bzgl. Zugriff auf Daten aus unterschiedlichen Quellen
3. Zugriffsmöglichkeit• interne und externe Quellen
4. Gleichbleibende Antwortzeit bei der Berichterstellung• Antwortzeit unabhängig von der Anzahl der Dimensionen und des Datenvolumens
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 12
Data Warehouse and AnalysisOLAP - Coddsche Regeln II
E.F. Codd (1993): Anforderungen an OLAP-Werkzeuge
5. Client-Server-Architektur• Trennung von Speicherung, Verarbeitung, Präsentation• offene Schnittstelle zum OLAP-Server
6. Generische Dimensionalität• einheitliche Behandlung aller Dimensionen• aber -> spezielle Zeitdimensionen
7. Dynamische Behandlung dünn besetzter Matrizen• Anpassung des physischen Schemas an die Dimensionalität und Datenverteilung (sparsity)
8. Mehrbenutzer-Unterstützung• konkurrierende Zugriffe• Sicherheits- und Integritätsmechanismen, Zugriffsrechte
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 13
9. Uneingeschränkte kreuzdimensionale Operationen• automatische Ableitung der Berechnungen, die sich aus den Hierarchiebeziehungen der Dimensionen ergeben (Aggregationen)• Definition eigener Berechnungen
10. Intuitive Datenbearbeitung• ergonomische, intuitive Datenbearbeitung• Navigation über Daten, Ausrichtung von Konsolidierungspfaden
11. Flexible Berichterstellung• Erstellung von Berichten mit beliebiger Datenanordnung
12. Unbegrenzte Anzahl von Dimensionen und Ebenen• keine Einschränkungen der Anzahl der unterstützten Dimensionen (häufig jedoch max. 5-8)
Data Warehouse and AnalysisOLAP - Coddsche Regeln III
E.F. Codd (1993): Anforderungen an OLAP-Werkzeuge
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 14
• Es soll ein schneller Zugriff (nicht länger als 20 Sekunden) selbst bei aufwendigen Abfragen möglich sein.
• Datenanalysen sollen mit Hilfe von statistischen Verfahren und Geschäftslogik durchführbar sein.
• Die OLAP-Datenbasis muß von mehreren Benutzern gleichzeitig genutzt werden können.
• Für den Benutzer sollen alle von ihm benötigten Daten, unabhängig von Menge oder Herkunft, bereitgestellt werden.
Data Warehouse and AnalysisOLAP - Definition
FASMI (Fast Analysis of Shared Multidimensional Information)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 15
• Die konzeptionelle Sicht auf die Daten muß von mehrdimensionaler Natur sein.
- physischer multidimensionaler Datenstruktur- virtuellen Multidimensionalität der Datenbank
* beruht auf einer relationalen Datenhaltung in denormalisierter Form (Star- bzw. Snowflake-Schema)
Data Warehouse and AnalysisOLAP - FASMI II
• Unter einer multidimensionalen Datenstruktur ist die Darstellung von Daten anhand von mehrdimensionalen Datenwürfeln zu verstehen und nicht wie im relationalen Datenmodell in zweidimensionalen Tabellen.
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 16
Data Warehouse and AnalysisOLAP - Sources
1. Operational System 2. Warehouse a) Relational b) Multidimensional
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 17
Data Warehouse and AnalysisOLAP - Architectures
ROLAP Relational On Line Analytical Processing• relationale Datenspeicherung - Tabellenform
MOLAP Multidimensional On Line Analytical Processing• multidimensional Datenspeicherung, n-dimensionaler Würfel (n-dim data cube)
HOLAP Hybrid On Line Analytical Processing• Speicherung eines Teils des DWH’s in Form von Würfeln (Performance), bei miss-hit wird aus relationalen RDBMS ein neuer Würfel generiert.
DOLAP Desktop On Line Analytical Processing• Analysesoftware und Datenspeicherung erfolgt auf der Clientseite
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 18
Data Warehouse and AnalysisOLAP - ROLAP
Presentationschicht(Clientseite)
Applikationsschicht(Serverseite)
Operationale Datenbank-schicht
operationale Datenbestände, legacy systeme,externe Datenquellen, Benchmarking, Börsendienste, etc.
Applikations-server
Applikations-server
Visualisierung durch multi-dimensionale Kreuztabellen,Reports, Top10 Ranking, Business Charts, etc. Dynamische Berichte mit OLAPFunktionalität
Metadaten
Data Warehouse
SQLAPI
Summary Tabels
multidimensional modelliertes DWH,basierend auf einem relationalen Datenbanksystem
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 19
Data Warehouse and AnalysisOLAP - ROLAP Eigenschaften
relationale Datenbank als Datenbasis für die OLAP Analyse• multidimensionale Sichten (views) durch tabellarische Aufbereitung der Daten, mittels standard SQL Abfragen (multidimensionalen Anfragen - GROUP-BY-Erweiterungen CUBE-Operator)
• Multidimensionale Erweiterungen: MDX, OLE DB for OLAP (Microsoft), Oracle Express, Discoverer
• basieren auf relationalem Starschema (oder Snowflake Schema) mit Facts, Dimensions
• Vorberechnete Summary Tables (materialized views) verbessern die Performance
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 20
Data Warehouse and AnalysisOLAP - ROLAP Vorteile und Nachteile
• Verwendet robuste (bereits bewährte) relationale Datenbanken
• Verständlicher (DBA) Datenzugriff (nur SQL)
• Datenimport
• Sicherheitsmechanismen bestehen bereits (auf relationaler Ebene)
• Große Datenmengen (größer als 100 Gbyte)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 21
Data Warehouse and AnalysisOLAP - MOLAP
Presentationschicht(Clientseite)
Applikationsschicht(Serverseite)
Operationale Datenbank-schicht
operationale Datenbestände, legacy systeme,externe Datenquellen, Benchmarking, Börsendienste, etc.
Multidimensionale DatenbankDWH in Form von Würfelnphysikalisch gespeichert, intelligente Indexstrategie
Applikations-server
Applikations-server
API SQL
Visualisierung durch multi-dimensionale Kreuztabellen,Reports, Top10 Ranking, Business Charts, etc. Dynamische Berichte mit OLAPFunktionalität
Metadaten
MQL
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 22
Data Warehouse and AnalysisOLAP - MOLAP Eigenschaften
• Multidimensionale Datenbank für effiziente Speicherung von multidimensionale OLAP Abfragen
• multidimensionale Sicht durch Aufbereitung der Daten in einem n-dimensionalen Würfel
• multidimensionales Datenmodell ->
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 23
Data Warehouse and AnalysisOLAP - MOLAP Vorteile und Nachteile
+ Performance bei kleineren Datenmengen ( < 10 Gbyte)
+ Meist eigene multidimensionale Abfragesprache (verständlicher als SQL)
+ Hinzufügen von Dimensionen und Hierarchien ist leichter
+/- Problematik von dünnbesetzten Würfel muß gelöst werden
- Eingeschränkte Datenmengen (Performance sinkt)
- multidimensionale Abfragesprache -> Transformation Standard SQL notwendig
- Nicht jeder mögliche Datenwürfel kann vorberechnet werden.
- Bei miss-hit muß auf dahinterliegendes relationale RDBMS zugegriffen werden.
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 24
Data Warehouse and AnalysisOLAP - HOLAP
Presentationschicht(Clientseite)
Applikationsschicht(Serverseite)
Operationale Datenbank-schicht
Applikations-server
Applikations-server
API
Visualisierung durch multi-dimensionale Kreuztabellen,Reports, Top10 Ranking, Business Charts, etc. Dynamische Berichte mit OLAPFunktionalität
Metadaten
Data Warehouse
operationale Datenbestände, legacy systeme,externe Datenquellen, Benchmarking, Börsendienste, etc.
MQL
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 25
Data Warehouse and AnalysisOLAP - HOLAP Eigenschaften
• Nutzt die Vorteile der relationalen als auch multidimensionalen OLAP Anwendung
• multidimensonale Datenbank wird für häufige Abfragen erstellt
• multidimensionale Data Marts
• hochaggregierte Daten - schnelle Antwortzeit
• relationale Datenbank wird für seltenere Abfragen verwendet - große Mengen an Daten
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 26
+ Vereinigt das beste aus den beiden (ROLAP && MOLAP) Welten
+ MDDB System greift nicht mehr auf die operationalen Daten zu, sondern auf ein relationales DWH
+ keine Summary Tabelen (Problem DWH Maintenance !) mehr notwendig
- Aufwendige Architekturkonzept, unterschiedliche Technologien werden vermischt
Data Warehouse and AnalysisOLAP - HOLAP Vorteile und Nachteile
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 27
Data Warehouse and AnalysisOLAP - DOLAP
Presentationschicht(Clientseite)
Operationale Datenbank-schicht
Visualisierung durch multi-dimensionale Kreuztabellen,Reports, Top10 Ranking, Business Charts, etc. Dynamische Berichte mit OLAPFunktionalität
operationale Datenbestände, legacy systeme,externe Datenquellen, Benchmarking, Börsendienste, etc.
Metadaten
Applikations-server
Applikations-server PC-DBMS
API
ODBC
Extrakt aus einem DWH oder opera-tionalen Datenbe-ständen
oft wird auch ein spezielle Filestrukturals Datenbasis für den DOLAP Applika-tionsserver generiert.
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 28
Data Warehouse and AnalysisOLAP - DOLAP Eigenschaften
• Speicherung der Daten am Client (PC)
• OLAP Applikations- und Datenbankserver laufen auf der Clientseite
• Antwortzeit wird gering gehalten (kein Kommunikationsoverhead durch Netzwerk)
• begrenzte Kapazität (PC Datenbank, Ressourcen)
• Endanwender wird ein Auszug aus dem zentralen Data Warehouse auf seinen Client gestellt.
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 29
Data Warehouse and AnalysisOLAP - DOLAP Vorteile und Nachteile
+ Für kleinere klar abgegrenzte Anwendungsgebiete gut geeignet
+ Sicherheit kann gewährleistet werden, DWH (DBA) Administrator steuert die Erstellung der Extrakte für die einzelnen Endanwender
- Endanwender sieht zumeist nur einen Ausschnitt aus dem zentralen Data Warehouse, Analysen könnten dadurch falsch interpretiert werden
- Anwendungen sind oft alte Reportgeneratoren (statische Berichte) mit hinzugefügter OLAP Funktionalität
- Anwendungen verwenden zum Teil keine Datenbank, sondern erzeugen eine Filestruktur auf dem Client
- Oft greifen DOLAP Anwendungen direkt auf die operationalen Datenbestände zu.
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 30
Data Warehouse and AnalysisOLAP - Multidimensionales Datenmodell
• Datenmodell ausgerichtet auf Unterstützung der Analyse
• Datenanalyse im Entscheidungsprozeß
- Betriebswirtschaftliche Kennzahlen (Erlöse, Gewinne, Verluste, etc.) stehen im Mittelpunkt
- Betrachtung der Kennzahlen aus unterschiedlichen Perspektiven (zeitlich, regional, produktbezogen) -> Dimensionen
- Unterteilung der Auswertedimensionen möglich (Jahr, Quartal, Monat) -> Hierarchien oder Konsolidierungsebenen
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 31
Data Warehouse and AnalysisOLAP - Multidimensionales Datenmodell II
Kennzahlen/Fakten (engl. facts):
• (verdichtete) numerische Meßgrößen• Beschreiben betriebswirtschaftliche Sachverhalte• Beispiele: Umsatz, Gewinn, Verlust, Deckungsbeitrag
Typen:• Additive Fakten: (additive) Berechnung zwischen sämtlichen Konsolidierungsebenen der Dimensionen möglich, z.B. Einkaufswert
• Semi-additive Fakten: (additive) Berechnung nur für ausgewählte Menge von Hierarchieebenen, z.B. Lagerbestand
• Nicht-additive Fakten: keine additive Berchnung möglich, z.B. Durchschnitts- oder prozentuale Werte
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 32
Data Warehouse and AnalysisOLAP - Multidimensionales Datenmodell III
Dimension:• beschreibt mögliche Sicht auf die assoziierte Kennzahl
• endliche Menge von Dimensionselementen (Hierarchieobjekten), die eine semantische Beziehung aufweisen
• dienen der orthogonalen Strukturierung des Datenraums
• Hierarchien in Dimensionen: einfach und parallel - Examples ?
Beispiele: Produkt, Geographie, Zeit
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 33
Data Warehouse and AnalysisOLAP - Multidimensionales Datenmodell IV
Würfel (engl. cube, eigentlich Quader):
• Grundlage der multidimensionalen Analyse
• Kanten -> Dimensionen• Zellen -> ein oder mehrere Kennzahlen (als Funktion der Dimensionen)
• Anzahl der Dimensionen -> Dimensionalität
Visualisierung
• 2 Dimensionen: Tabelle• 3 Dimensionen: Würfel• >3 Dimensionen: Multidimensionale Domänenstruktur
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 34
Data Warehouse and AnalysisOLAP - Cube
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 35
Data Warehouse and AnalysisOLAP - Cube Example
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 36
Data Warehouse and AnalysisOLAP - Operationen auf multidimensionalen Datenstrukturen
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 37
Data Warehouse and AnalysisOLAP - Operationen auf multidimensionalen Datenstrukturen
Standardoperationen
• Pivotierung
• Roll-Up, Drill-Down
• Drill-Across
• Slice, Dice
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 38
Data Warehouse and AnalysisOLAP - Operationen - Pivotierung/Rotation
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 39
Data Warehouse and AnalysisOLAP - Operationen -Drill/Roll-Up
Beispiel: Land->Staat->RegionTag -> Monat -> Quartal -> Jahr
• Beim Drill-/Roll-up werden die Werte auf der nächst höherenHierarchieebene analysiert
• Dimensionalität bleibt erhalten Dimension REGION
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 40
Data Warehouse and AnalysisOLAP - Operationen -Drill-Down / Across
Dimension REGION
• komplementär zu Roll-Up
• Navigation von aggregierten Daten zu Detail-Daten entlang der Klassifikationshierarchie
• Untersuchen der Daten in einem feineren Detaillierungsgrad innerhalb einer Dimension
• Untersuchen von Detaildaten
Drill-Across:• Wechsel von einem Würfel zu einem anderen
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 41
Data Warehouse and AnalysisOLAP - Operationen - Roll-Up, Drill-Down
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 42
Data Warehouse and AnalysisOLAP - Operationen - Slice
Erzeugen individueller Sichten
Slice:• Herausschneiden von „Scheiben“ aus dem Würfel
• Verringerung der Dimensionalität
• Beispiel: alle Werte des aktuellen Jahres
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 43
Data Warehouse and AnalysisOLAP - Operationen - Slice
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 44
Regionale Sichtz.B. Gebietsleiter
ZeitR
egio
n
Produkt
alle Produkte gesamter Zeitraum eine Region (Filter)
Produkt Sichtz.B. Produktmanager
Zeit
Reg
ion
Produkt
alle Regionen gesamter Zeitraum ein Produkt (Filter)
Data Warehouse and AnalysisOLAP - Operationen - Slice - Beispiel
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 45
Data Warehouse and AnalysisOLAP - Operationen - Dice
Erzeugen individueller Sichten
Dice:• Herausschneiden einen „Teilwürfels“
• Erhaltung der Dimensionalität, Veränderung der Hierarchieobjekte
• Beispiel: die Werte bestimmter Produkte oder Regionen
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 46
Data Warehouse and AnalysisOLAP - Operationen - Dice - Example
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 47
Data Warehouse and AnalysisOLAP - Analyse-Werkzeuge
• Business Objects: Business Objects• Cognos:
Powerplay, BI Platform•Hyperion:
Hyperion OLAPEssbase
• IBM: Visualizer• Informix: Metacube• Seagate: Holos, Seagate Info• Oracle: Express Server• Brio: Brio Enterprise• Arcplan Information Servies:
inSigth, dynaSight
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 48
Data Warehouse and AnalysisData Mining and the Sept. 11th ?
• Applied Systems Intelligence (ASI): - eine Global Information Base, die feindliche Operationen automatisch aufspüren soll
• Nips, ein Numerically Integrated Profiling System - stellt Verbindungen zwischen Bankgeschäften und Reiseaktivitäten her
• Choice Point- verkauft Kundendaten an das FBI
• Nora (Non-Obvious Relationship Awareness)- Reservierungen für Flüge, Hotels und Mietwagen- Informationen aus über 4000 Quellen, in denen Daten von über einer Million Menschen zusammenlaufen- Datenmuster eines Passagiers mit dem eines Elements auf der Liste der bad guys überein- Alarm am Ticketschalter
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 49
Data Warehouse and AnalysisData Mining - Definition
• Der Begriff Data Mining steht für das Suchen nach wertvollen Geschäftsinformationen in einer großen Datenbank und für „das Graben nach einer wertvollen Informationsader.“
• Data Mining kann als Teilprozess des Knowledge Discovery angesehen werden
• Knowledge Discovery ist ein neuer Begriff in der Data Warehouse-, OLAP und Data Mining Problematik.
• Er bezeichnet den gesamten Entdeckungsprozeß ausgehend von der Formulierung einer Frage bis zur Interpretation der Ergebnisse.
• Data Mining ist der „Kunde“ im Data Warehouse
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 50
Iterativer und interaktiver Prozeß
1. Festlegung von Problembereich und Zielen
2. Datensammlung und –bereinigung
3. Auswahl und Parametrisierung der Analysefunktionen und –methoden
4. Data Mining/Mustererkennung
5. Bewertung und Interpretation der Ergebnisse
6. Nutzung des gefundenen Wissens
Data Warehouse and AnalysisData Mining - Knowledge Discovery in Databases (KDD)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 51
Data Warehouse and AnalysisData Mining - Data Warehouse - Kunde
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 52
Data Warehouse and AnalysisData Mining - Data Warehouse - Donator
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 53
Data Warehouse and AnalysisData Mining - Verfahren
• Erkennung von Abhängigkeiten:- Aufdeckung statistischer Abhängigkeiten zwischen Variablen relevanter Datensätze -> Assoziationsregeln, Wahrscheinlichkeitsnetze- Bsp.: Warenkorbanalyse
• Klassifikation:- Zuordnung von Objekten zu verschiedenen vorgegebenen Klassen- Ableitung des Klassifikationsmodells aus einer Trainingsmenge- Bsp.: Kundenklassifkation bzgl. Schadensrisiko
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 54
Data Warehouse and AnalysisData Mining - Verfahren II
Clustering:- Einordnung ähnlicher Objekte in neu gebildete Gruppen daß Ähnlichkeit innerhalb der Gruppen möglichst groß sowie zwischen Gruppen möglichst gering- Bsp.: Segmentierung von Kunden im Marketing
Generalisierung:- Methoden zur Aggregation und Verallgemeinerung großer Datenmengen auf höherer Abstraktionsebene- Bsp.: interaktive Datenexploration
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 55
Sequenzanalyse:• Suche nach häufig auftretenden Episoden oder Ereignisfolgen in Datenbeständen mit (zeitlicher) Ordnung• Bsp.: Clickstream-Analyse
Regression:• Ermittlung des Ursache-Wirkung-Zusammenhangs zwischen einzelnen Merkmalen• Bsp.: Entwickung von Aktienkursen
Data Warehouse and AnalysisData Mining - Verfahren III
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 56
Data Warehouse and AnalysisData Mining - Verfahren - Beispiele (Clickstream)
Cognos PowerPlay • Clickstream-Verhalten der Besucher Ihrer Website nachvollziehen und multidimensional analysieren.
Antworten und Ergebnisse zu Fragestellungen wie: • Welches Unternehmen besuchte meine Website? • Für welche Web-Seiten interessieren sich meine Kunden besonders? • Wie navigiert der Besucher durch meine Web-Seiten? • Wie lange hält sich der Besucher auf den einzelnen Web-Seiten auf? • Wann wird meine Website am häufigsten besucht?
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 57
Data Warehouse and AnalysisData Mining - Verfahren - Beispiele (Clickstream)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 58
Data Warehouse and AnalysisData Mining - Verfahren - Beispiele (Clustering)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 59
Data Warehouse and AnalysisData Mining - Verfahren - Beispiele (Klassifikationen)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 60
Data Warehouse and AnalysisData Mining - Verfahren - Beispiele (Assoziationsregeln)
Ableitung von Regeln aus Itemsets: „Wenn ein Kunde Milch kauft, dann kauft er auch Butter.“ !
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 61
Data Warehouse and AnalysisData Mining - Verfahren - Beispiele (Decision Tree)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 62
Data Warehouse and AnalysisData Mining - Verfahren - Beispiele (weitere)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 63
Data Warehouse and AnalysisData Mining - Weitere Anwednungen
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 64
Data Warehouse and AnalysisData Mining - Weitere Methoden und Techniken
Aktienkurse, Bildauswertung, Biometrie, Meteorolgie
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 65
Data Warehouse and AnalysisData Mining - Weitere Methoden und Techniken
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 66
Data Warehouse and AnalysisData Mining - What it does
• Discovers facts and data relationship
• find patterns - Examples ?
• determines rules - Examples ?
• Retains and reuses rules - Example ?
• Present Information for the users
• may take many hours
• needs little human intervention (Einmischung)
• but requires knowledgeable people to analyze results !
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 67
Data Warehouse and AnalysisData Mining - What it does
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 68
Data Warehouse and AnalysisData Mining and OLAP
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 69
Data Warehouse and AnalysisData Mining Tools - Kriterien
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 70
Data Warehouse and AnalysisData Mining Tools - Kriterien II
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 71
Data Warehouse and AnalysisData Mining Tools - Kriterien III
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 72
Data Warehouse and AnalysisData Mining Tools - Kriterien IV
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 73
Data Warehouse ProjectsThe Business Case for a Data Warehouse - Example
Wal * Mart (www.wal-mart.com)
• Marktführer im amerikanischen Einzelhandel
• Unternehmensweites Data Warehouse- Größe: ca. 25 TB- Täglich bis zu 20.000 DW-Anfragen- Hoher Detaillierungsgrad (tägliche Auswertung von Artikelumsätzen, Lagerbestand Kundenverhalten)- Basis für Warenkorbanalyse,- Kundenklassifizierung, ...
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 74
Data Warehouse ProjectsThe Business Case for a Data Warehouse - Example II
• Überprüfung des Warensortiments zur Erkennung von Ladenhütern oder Verkaufsschlagern
• Standortanalyse zur Einschätzung der Rentabilität von Niederlassungen
• Untersuchung der Wirksamkeit von Marketing-Aktionen
• Auswertung von Kundenbefragungen, Reklamationen bzgl. Bestimmer Produkte etc.
• Analyse des Lagerbestandes
• Warenkorbanalyse mit Hilfe der Kassenbons
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 75
Data Warehouse ProjectsThe Business Case for a Data Warehouse - Example III
Beispiel einer Anfrage:
Welche Umsätze sind in den Jahren 1998 und 1999 in den Abteilungen Kosmetik, Elektro und Haushaltswaren in den Bundesländern Sachsen-Anhalt und Thüringen angefallen ?
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 76
Data Warehouse ProjectsThe Business Case for a Data Warehouse - Example IV
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 77
Data Warehouse ProjectsThe Business Case for a Data Warehouse - Example V
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 78
Data Warehouse ProjectsThe Business Case - ROI
“Data Warehousing, often described as the ‘holy grail’ that will lead companies to success through a better understanding of their business, is delivering on it’s promise …”
Average Three Year ROI:
Enterprise Data Warehouse ROI - 322%
Discrete Data Warehouse ROI - 533%
Source International Data Corporation
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 79
Data Warehouse ProjectsThe Business Case for a Data Warehouse
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 80
Data Warehouse ProjectsThe Business Case DWH
A well rounded and complete Business Case should include a picture of:
• the likely Benefits to the company
• an indication of the Costs of the solution: both initial and year on year
• an indication of the Risks, together with any risk mitigation (Minderung)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 81
Data Warehouse ProjectsThe Business Case DWH - Benefits
Categorizing
• Tangible (greifbare) Benefits:
- cost savings associated with the cost reduction in OLTP
- DWH will remove the need to update the old mainframe
• Intangible Benefits:
- e.g. organization decisions making capabilities being enhanced
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 82
Data Warehouse ProjectsThe Business Case DWH - Benefits
Categorizing by Objectives (Zielen)
• increased revenue (Einkuenfte)
• decreased costs
Quantifying the Benefits
• Time
- reducing cycle time to perform and activity
• Quantity
- e.g. Reduced customer defection by 5% within 1 year to doubled profit
• Quality
- e.g. Increased Staff satisfaction = increased customer satisfaction = reduction in churn (Beschwerde) = savings in acquisition costs
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 83
Data Warehouse ProjectsThe Business Case for a DWH - Costs
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 84
Data Warehouse ProjectsThe Business Case for a DWH - Costs II
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 85
Data Warehouse ProjectsThe Business Case for a DWH - Risks
Business Environment
• political and cultural world within which the company operates
- dependencies to other companies (network, merger, acquisitions)
- corporate strategy changes
- departmental politics
• Effective sponsorship
• change of the organization itself brought about by the Warehouse
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 86
Data Warehouse ProjectsThe Business Case for a DWH - Risks
Technical Environment
• new technologies vers old
• technical surprises
• lack of understanding the source system
• interfaces to other systems
Project Risks
• resources ?!
• Inter project dependencies
Project Management !!!
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 87
Data Warehouse ProjectsOverwiev - Die Andersartigkeit des DW-Projektes
• Durch die Größe der Datenbasis müssen frühzeitig Überlegungen der Datenbankadministration und Performancesicherung mit einbezogen werden
• Auch dem effizienten Import der Daten muss viel Zeit gewidmet werden
• Flexible Architektur nötig, da kein Unternehmen seinen künftigen Informationsbedarf voraussehen
• DW muss so aufgebaut werden, dass es sich ständig verändern kann
• Gefahr beim Wasserfall-Modell: Paralyse durch Analyse; man wird nie mit analysieren fertig und setzt somit nie um
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 88
• Ein DW ist i.d.R. breit angelegt und umfaßt meist große Datenbanken mit über 100 Gbyte
- Fehler im System-/HW-Aufbau ‚rächen‘ sich unmittelbar
• Die Anforderungen an ein DW sind i.d.R. nur sehr unvollständig definierbar und ändern sich zudem im Laufe der Zeit
- Damit steigt die Gefahr einer ständigen Veränderung der Anforderungen ohne Fertigstellung „Paralyse durch Analyse“
• Oftmals werden im Zusammenhang mit einem DW auch die Geschäftsprozesse überarbeitet
• Zeitliche Dimension: 18-24 Monate
Data Warehouse ProjectsOverwiev - Die Andersartigkeit des DW-Projektes II
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 89
Data Warehouse ProjectsProject Management Methods
Why ?
Success is composed of:
• On time delivery, within budget costs
• contracted functionality delivered
• happy clients !
Which ?
• E.g. Oracle: Data Warehouse Method
• e.g. Roche: Price Waterhouse Coopers Summit D
• In-house used Methods
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 90
Data Warehouse ProjectsProject Management - Tasks
• Control and Reporting
- determine scope and approach (Zweck) of the project
- manage change and control risks
- report progress status externally
- control the quality plan
• Work Management
- define, monitor and direct all work performed on the project
- financial view of the project
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 91
Data Warehouse ProjectsProject Management - Tasks II
• Resource Management
- helps to provide the project with right level of staffing (Mitarbeiter) and skills
• Quality Management
- implement quality measures to verify the project meets the client’s purpose
• Configuration Management
- store, organize, track and control all documents and deliverables
- Computerized System Validation
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 92
Data Warehouse ProjectsProject Management - Phases
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 93
Data Warehouse ProjectsProject Management - Phases - Strategy
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 94
Data Warehouse ProjectsProject Management - Phases - Strategy II
• focus: understanding the business goals and initiatives
• defining the purpose and objectives for the total DW solution (vision, big picture)
• key outputs: defining the implementation and infrastructure development
• business case with measurable objectives
• DW architecture and technical architecture, strategies for each component of DW
• Project Plan
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 95
Data Warehouse ProjectsProject Management - Phases - Definition
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 96
Data Warehouse ProjectsProject Management - Phases - Definition II
• to define the scope and objectives for the incremental development effort while complying (vergleichen) with the enterprise vision
• to create initial models
• to document data sources
• to define data quality
• to create technical architecture and DW architecture for the scoped solution
• tactical plans for addressing data acquisition, data access, DW administration, Training, meta data management
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 97
Data Warehouse ProjectsProject Management - Phases - Analysis
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 98
Data Warehouse ProjectsProject Management - Phases - Analysis II
• to formulate the detailed requirements for the selected increment
• focus is on the user’s information, data acquisition and data access requirements for business analysis and decision making
• refresh cycles, data mappings
• to produce relational and/or multidimensional modal as appropriate (angemessen)
• requirements for hardware, software, network, backup and recovery (credit application !)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 99
Data Warehouse ProjectsProject Management - Phases - Design
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 100
Data Warehouse ProjectsProject Management - Phases - Design II
• to translate analysis phase requirements into detailed desing specifications while taking into account the technical architecture and available technologies
• data acquisition and load modules are designed, data elements, levels of summarization and granularity are validated, data integrity is checked, metadata docuemented
• data access, query, reporting components are defined
• using the logical models, detailed data requirements data mappings, the physical structures for relational/ multidimensional metadata database objects are designed
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 101
Data Warehouse ProjectsProject Management - Phases - Build
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 102
Data Warehouse ProjectsProject Management - Phases - Build II
• to create and test
- the database structures, data acquisition modules, DW administration tools, metadata modules, data access modules, reports and queries
- test scripts
• to develop, integrate and test the increment before it is prepared for the transition phase
• user and operation guides, technical and metadata references are produced
• training database is developed, training material are completed
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 103
Data Warehouse ProjectsProject Management - Phases - Transition
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 104
Data Warehouse ProjectsProject Management - Phases - Transition II
• to install the incremental solution
• to prepare the client personnel to use and manage the solution
• to go to production and begin managing the growth and maintenance of the Warehouse
• Monitoring
• user acceptance tests
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 105
Data Warehouse ProjectsProject Management - Phases - Discovery
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 106
Data Warehouse ProjectsProject Management - Phases - Discovery II
• to identify and plan for the next increment
• to select the next effort based on business need and DW infrastructure need
• to evaluate the implemented increment and identify increment opportunities (Moeglichkeiten)
• user/client involvement
• “lessons learned”
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 107
Data Warehouse ProjectsProject Management - Processes
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 108
Data Warehouse ProjectsProject Management - Roles
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 109
Data Warehouse ProjectsBusiness Requirements
Questions Answers
Who defines the business benefit ?
Who derives the business benefit ?
Who holds the purse string ?
Who do we need to impress ?
Who needs a Data Warehouse ?
The Business
The Business
The Business
The Business
The Business !IT ?
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 110
Data Warehouse ProjectsBusiness Requirements Definition Process
• defines the requirements
• clarifies the scope
• establishes the implementation roadmap
• with the direction of the client organization:
- definition of strategic business goals and initiatives
- used to direct the strategies, purpose and goals of the DWH solution
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 111
Data Warehouse ProjectsBusiness Requirements Definition Process II
Early in the process:
• the focus is on the enterprise aspect of the DW solution
- information requirements
- subject areas
- implementation roadmap
- business case
Process continues …
• scoping the solution to be developed and delivered
• identifying the client’s information needs
• modeling the requirements
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 112
Data Warehouse ProjectsBusiness Requirements II
Analyze the business NOT the data !
- Identify the business events that are of interest
- a single business event may result in a number of transactional records
- some key events may be masked (verdeckt) or not recorded at all
- the business meaning is critical
- business meaning may also enforce operational requirements on the Warehouse
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 113
Identify the types of users - to support their needs effectively
• Monitor- status reports
• Manager- overview
• Investigator- identify meaning/reasons of anomalies, power drilling
• Innovator- details, multi-step ananlysis
• Communicator- identify, acquire and retain users
Data Warehouse ProjectsBusiness Requirements III
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 114
Data Warehouse ProjectsSolution Definition Strategies
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 115
Data Warehouse ProjectsSolution Definition Strategies II
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 116
Data Warehouse ProjectsSolution Definition Strategies III
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 117
Data Warehouse ProjectsSolution Definition Strategies IV
• “Big Bang”
• Independent Data Mart
• Incremental Data Warehouse top- down
• Incremental Data Warehouse bottom-up
• Migration
- Independent Data Mart
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 118
Data Warehouse ProjectsSolution Definition Strategies - „Big Bang“
• top-down “big bang” is a high risk
• extended time to achieve business benefits
• requirements will change during analysis
• longer and deeper “valley of despair”
• if the business is being re-engineered, the Data Warehouse may not have management focus
• but having a “big picture” before starting a DW (vision)
Clients:
• start-up (e-) business where IT is the key enabler (Amazon.com)
• organizations where information is seen as critical
• the foolish !
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 119
Data Warehouse ProjectsSolution Definition Strategies - Independent Data Marts+ low entry costs
+ fast to accrue (zufallen) business benefits
+ Adopted easily be LOB (line of business)
- islands of information - lack any synergy among the subject area
- no high-level understanding of business needs
- no future direction esteblished
- no cross functional view of the business (no single version of truth)
Clients
• immediate needs outweigh (ueberwiegen) potential future benefits
• powerful and dynamic LOB management
• smaller companies or budget held at LOB level
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 120
Data Warehouse ProjectsSolution Definition Strategies - Top-Down Incremental
+ provides relatively quick implementation & payback
+ significant lower risk than “Big Bang”
+ achieves synergy among subject areas - one version of truth
- more difficult to “sell” because of higher up-front costs
Clients:
• cross functional reporting seen as important
• strategic vision
• matrix management with an open view to information
• organizations that believe the press about DW benefits
• organizations that are trying to re-align business & IT
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 121
Data Warehouse ProjectsSolution Definition Strategies - Bottom-Up Incremental
+ proof of concept type of approach proves the “technical” concept quickly
+ easier product lead sale
- tenets (Grundsaetze) are completely compromised
- high costs of re-engineering between increments
- cultural rejection by the next LOB as definitions are imposed (aufgezwungen)
Clients:
• IT lead Data Warehouse project
• IT attempting to regain (zurueckgewinnen) or maintain control
• Nike IT culture - Just do it !
• concerns about overall risk & benefit, fixed price DW implementations
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 122
Data Warehouse ProjectsSolution Definition Strategies - DM-DW Migration
+ client/user has matured through the use of DM’s, derived business value and moved on
+ sound (vernuenftig) approach to IT
+ strong alignment business & IT
- Benefits are mainly in terms of organization capability & readiness
Clients
• external consulting used rather than internal IT project
• balance of power lies with the business not IT
• new senior appointment wants it this way
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 123
Data Warehouse ProjectsMeeting the Technical Challenge - Tenets
Data Warehouse Tenets (Grundsaetze)
• Extensible
- possible to add new types of transactional data as well as new levels of aggregations as information change over time
• Scalable
- DW may grow by an order of magnitude (Groessenordnung) over time (transactions and business)
• Flexible
- flexible to support all types of access (multidimensional, ad-hoc, drill-down)
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 124
• Integrated
- any solution must be fully integrated with existing systems and operational environments
- data from multiple disparate systems
• Reliable (zuverlaessig)
- all data have to be accurate and consistent for a given point in time
• Manageable
- trade off (Kompromis) between the cost of automating any solution and cost of managing a system on a day to day basis
• Accessible
- 24/7, information must be timely and represented in a useful fashion
Data Warehouse ProjectsMeeting the Technical Challenge - Tenets II
Ben Martin BA Lörrach, WI 4.Semester 4/21/2002
Business Intelligence/Data Warehouse, 125
Data Warehouse ProjectsMeeting the Technical Challenge - Summary