Wirtschaftsinformatik (Subject) / Business Analytics und Business Intelligence (Lesson)

Business Analytics und Business Intelligence

This lesson was created by IssamHagen.

Learn lesson

back  |  next 1 / 1

• Business Analytics Der Begriff Business Analytics umfasst Anwendungen, Methoden und Techniken, die Daten aus vielen verschiedenen Quellen sammeln, speichern und analysieren sowie den Zugriff auf diese Daten ermöglichen mit dem Ziel, aus den Daten Erkenntnisse zu gewinnen und die betriebliche Entscheidungsfindung zu unterstützen
• Ziel der Business Analytics Zentrales Ziel von Business Analytics ist die Erkenntnisgewinnung zur Optimierung und Steuerung von Geschäftsprozessen
• Was bildet den Kern der Business Analytics Den Kern von Business Analytics bildet das Prinzip des Business Intelligence (BI)
• Business Intelligence Business Intelligence (BI) beschreibt einen ganzheitlichen Ansatz, um dem Informationsbedarf von Entscheidungsträgern zu begegnen. Entscheidungsrelevante Information werden durch die Erfassung, Integration, Speicherung, Auswertung und Interpretation von Daten aus vielen verschiedenen Quellen generiert
• Welche Trends sind für die Entwicklung von BI-Konzepten und -Systemen ausschlaggebend Für die Entwicklung von BI-Konzepten und -Systemen sind insbesondere folgende zu beobachtende Trends ausschlaggebend x Das Volumen der weltweit verfügbaren Daten ist in den vergangenenJahrzehnten exponentiell gewachsen. Mittlerweile verdoppelt sich das globale Volumen digital verfügbarer Daten ca. alle zwei Jahre. x Die Heterogenität der verfügbaren Daten hat deutlich zugenommen(strukturierte Daten, Text, Grafik, Audio, Video, etc.) und damit auch dieKomplexität der Datenanalysen. x Die zunehmende Globalisierung und Dynamisierung der Märkte erfordern Managemententscheidungen in immer kürzeren Zeitspannen.
• Welche technische und ökonomische Nutzenpotenziale bieten BI-Konzepte an Vor diesem Hintergrund bieten BI-Konzepte und -Systeme folgende technischeund ökonomische Nutzenpotenziale  x Bereitstellung einer integrierten Datenbasis und damit Erhöhung derQualität von Managemententscheidungen aufgrund einer besseren Informationsversorgungx Erschließung bislang nicht oder nur schwer zugänglicher Daten wie z.B.externer oder historischer Daten sowie Ermöglichung flexibler und insbesondere auch multidimensionaler Datenanalysenx Verbesserung der Wettbewerbsfähigkeit aufgrund der Möglichkeit, unternehmensrelevante Trends frühzeitig zu entdecken und ggf. erforderliche Maßnahmen umgehend einzuleitenx Wettbewerbsrelevante Erhöhung der Kundenzufriedenheit aufgrund verbesserter Kundenanalysen, wie sie z.B. durch die Möglichkeit der Verknüpfung von Daten unterschiedlicher Unternehmensbereiche ermöglichtwerden
• Technischer Kern von BI-Systemen Den technischen Kern von BI-Systemen bilden Data-Warehouse-Technologien,die unternehmensweit eine einheitliche, konsistente Datenbasis auf der Grundlageinterner und externer Datenquellen für die Managementunterstützung bereitstellen
• Grundsätzliche Architektur von BI-Systemen (4 Stufen) Stufe1: Datenquellen Stufe2: Staging Stufe3: Data Warehouse Stufe4: Entscheidungsunterstützung
• Datenquellen Entsprechend sinddie zu verarbeitenden Daten häufig auf verschiedenen Systemen verteilt, liegenin unterschiedlichen Formaten vor (z.B. XML, relationale Tabellen, CSVDateien) und sind nach unterschiedlichen Datenmodellen (häufig entsprechenddes Modells des Anwendungsbereichs, aus dem die Daten stammen, z.B. Logistik,Lagerverwaltung oder Buchhaltung) strukturiert
• Schritte im Staging Zur Integration der Datenaus den operativen Anwendungssystemen und externen Quellen in einem DataWarehouse sind in der Staging-Stufe drei Schritte notwendig: Extraktion, Transformation und Laden (auch als ETL-Prozess bezeichnet)
• Data Warehouse Ein Data Warehouse ist eine unternehmensweite Datenbank, die als zentralerSpeicher eine einheitliche und konsistente Datenbasis zur Entscheidungsunterstützung aller Bereiche und Ebenen im Unternehmen bietet und unabhängig von operativen Anwendungssystemen betrieben wird. Im Data Warehouse werden alle fürein Unternehmen relevanten internen und externen Daten zusammengeführt undfür verschiedenartige Auswertungen und Analysen für längere Zeiträume gespeichert
• Grundlegende Eigenschaften eines Data Warehouses Subjektorientierung: Anders als bei den auf die Verarbeitung einzelnerGeschäftsvorfälle ausgerichteten operativen Anwendungssystemen werdendie Daten im Data Warehouse üblicherweise nach inhaltlichen Themenschwerpunkten (Dimensionen) wie z.B. Produktgruppen, Absatzmärkten, Unternehmenseinheiten oder Mitarbeitern gegliedert. x Zeitorientierung: Für die Speicherung historischer Daten über längereZeiträume hinweg werden relevante Größen wie z.B. Umsätze, Marktanteile mit Zeitstempeln versehen. Ermöglicht wird so die Analyse vonVeränderungen mittels Methoden der Zeitreihenanalyse. x Integration: Die aus heterogenen Quellen stammenden Daten werden imRahmen des ETL-Prozesses bereinigt und vereinheitlicht, wobei jederDatenpunkt zu einem Thema genau einmal gespeichert wird. Ziel dieserIntegration ist eine inhaltlich konsistente (d.h. widerspruchsfreie) Datenmenge. x Beständigkeit: Die in ein Data Warehouse geladenen Daten sindunveränderlich (insbesondere auch nicht überschreibbar) und werdendauerhaft für zukünftige Analysen abgelegt. Daraus folgt, dass Analysenund Berichte jederzeit mit identischem Ergebnis reproduzierbar sind. ImGegensatz dazu sind die Daten aus den operativen Systemen durch eine kontinuierliche Veränderung gekennzeichnet und werden in der Regelnicht dauerhaft gespeichert
• Kern eines Data Warehouse Den Kern eines Data Warehouse bildet eine integrierte Datenbank, die alle relevanten operativen und historischen Daten speichert
• Data Marts Data Marts sind ein aggregierter Teilausschnitt des Data Warehouse, der die relevanten Datenfür einen bestimmten abgegrenzten Themen- und/oder Anwenderkreis enthält.Diese Architekturvariante wird häufig auch als Hub-and-Spoke-Architektur (dt.Nabe-Speiche-Architektur) bezeichnet, wobei die Data Marts die Speichen darstellen und die Daten z.B. einzelner Geschäftsprozesse beinhalten
• Vorteile durch Data Warehouse x Verbesserung der Datenqualität durch Standardisierung der Datenbasisund Bereitstellung einer Metadatenbank x Schneller Zugriff auf alle für die Entscheidungsfindung relevanten Datensowie deren effiziente Analyse aufgrund der umfassenden und einheitlichen Datenbasis x Reduktion von Kosten durch verringerten Aufwand bei der Datensucheaufgrund einer einheitlichen Datenbasis x Anwenderfreundliche Zugriffsmöglichkeiten durch eine integrierte Benutzeroberfläche (Front-end) und die darin integrierten Analysewerkzeuge
• Online Analytical Processing (OLAP) Online Analytical Processing (OLAP) ist ein Ansatz, um Daten eines Data Warehouse nach mehreren Dimensionen zu analysieren. „Online“ steht dabei für eineJust-in-time-Bereitstellung der Daten. Im Gegensatz zu den in MUS verwendetenMethoden und Verfahren ist OLAP auf die Analyse sehr großer Datenvoluminaausgerichtet
• Anwendungsmöglichkeiten von Data Mining Anwendungsmöglichkeiten von Data Mining sind: x Umsatzprognosen für bestimmte Produktgruppen oder Märkte x Identifizierung von Mustern in Datenbeständen, die Rückschlüsse auf bestimmte Vorgänge zulassen x Klassifizierung von Produktgruppen anhand von häufig zusammen gekauften Produkten im E-Commerce-Bereich x Optimierung von Zielvariablen wie Umsatz oder Gewinn unter Berücksichtigung von bestimmten (Neben-)Bedingungen
• Big Data Analytics Unter dem Begriff Big Data Analytics werden verschiedene technologische Ansätze zusammengefasst, die sich mit der Speicherung, Verwaltung, Analyse undVisualisierung sehr großer Datenbestände aus vielen unterschiedlichen Quellenund in unterschiedlichen Formaten befassen
• 4V-Modell der Big Data Analytics x Volume (Volumen) beschreibt das zunehmende Speichervolumen, dasfür die kontinuierliche Sammlung von Daten benötigt wird. Hierfür müssen Unternehmen geeignete Infrastrukturen bereitstellen, die eine kostengünstige Speicherung und Aufbereitung der Daten ermöglichen.x Velocity (Geschwindigkeit) bezeichnet die sehr hohe Geschwindigkeit,mit der neue Daten innerhalb und außerhalb eines Unternehmens erzeugtwerden. Hierfür benötigen Unternehmen Systeme, die in der Lage sind,solche Daten zu speichern und zu analysieren, um zeitnah auf kritische Ereignisse oder Entwicklungen reagieren zu können. Neben der hohen Geschwindigkeit, mit der Daten generiert werden, bezieht sich dieses Merkmal auch auf die notwendige Verarbeitungsgeschwindigkeit der Daten.x Variety (Vielfalt) bezieht sich auf die zunehmende Datenvielfalt, mit derUnternehmen konfrontiert werden. Während traditionelle Datenmanagement- und BI-Systeme mit strukturierten Daten arbeiten, sind bestimmteinternetbasierte Inhalte (z.B. Diskussionsforen, Fotos, Videos) oder Datenvon Bewegungssensoren nur zu einem geringen Anteil oder gar nichtstrukturiert. Im Gegensatz zu strukturierten Daten besitzen unstrukturierteDaten keine festgelegte Form und Struktur (Beispiele sind Texte oderBildmaterial). Insbesondere unstrukturierte Daten erfordern neue Techniken und Verfahren zur Speicherung und Auswertung.x Veracity (Wahrhaftigkeit) bezieht sich auf die Qualität und Vertrauenswürdigkeit von Daten und damit der aus ihnen abgeleiteten Erkenntnisse („Garbage in, garbage out“). Während die ersten drei Eigenschaftengrundsätzlich gut mit Hilfe von Big Data Analytics adressiert werden können, ist Veracity derzeit noch eine Herausforderung für Unternehmen.
• Fokus von Big Data Analytics Im Fokus von Big Data Analytics liegen daher insbesondere vorhersagende Analysen sowie der Vergleich von Handlungsalternativen, die den Einsatz komplexer Methoden erfordern

back  |  next 1 / 1