Business Intelligence (Subject) / Kurs 4 (Lektion 2) (Lesson)

This lesson was created by dachucky.

Learn lesson

This lesson is not released for learning.

back  |  next 1 / 1

• 2.1.1 Was versteht man unter dem Begriff Business Intelligence 2.0? 2.1.1 Welche Prinzipieln des Web 2.0. werden von BI 2.0 adaptiert? BI 2.0 ist klar inspiriert von Web 2.0. Aber das Konzept BI 2.0 beinhaltet mehr als nur ein Bezug zwischen Web 2.0 und BI 2.0. Nach Nelson umfasst BI 2.0 unter anderem die folgenden Stichworte: - Proaktive Benachrichtigungen - Echtzeitzugriff auf Informationen - Advanced Analytics - Unternehmensintegration - Verbesserte Visualisierungen - BI as a Service - In-Memory Analytics - OpenSource BI   Die Prinzipien des Web 2.0 können für BI 2.0 übernommen werden: - einfache und intuitive Bedienung und dennoch funktional - entwickeln eigener "Apps" für das BI-System - zeitnahe und unkomplizierte Weiterempfehlen und Abonnieren und Bewerten von Inhalten - rasche Verbreitung von wichtigen und interessanten Inhalten - Gemeinsames Kommentieren, Bearbeiten, Kategorisieren von Personen - schnelles und einfaches Veröffentlichen von eigenen Inhalten - Meta-Analyse des Verhaltens von Benutzern des BI-Systems  
• 2.1.2 Erläutern Sie kurz die Idee des BI Hype Cycles und die Aussagen, die sich auf dessen Basis treffen lassen! - der Hype Cycle soll Unternehmen einen Überblick über den Entwicklungsstand und den Reifegrad von Technologien geben - Technologien können in fünf verschiedene Phasen, die auf eine gewisse Sichtbarkeit und Marktreife schließen lassen, eingeteilt werden. - Gleichzeitig wird mitder Einteilung in eine bestimmte Phase auch eine Prognose verbunden, wie lange diese Technologienoch bis zur Marktreife benötigen wird. Damit kann unter gewissen Einschränkungen abgeschätztwerden, wie risikobehaftet eine Investition in eine bestimmte Technologie voraussichtlich ist und wiegroß die Erfahrungen in Unternehmen bereits sind. - Außerdem lässt sich abschätzen, ob die in denMedien heiß diskutierten Technologien schon sinnvoll einsetzbar sind, oder ob noch eine gewisse Zurückhaltunggeboten ist – ein potenzielles Aufspringen auf Hypes wird transparent
• 2.1.2 Welche BI-Technologien haben vermutlich den Gipfel der Erwartungen schon überschritten und befinden sich bald auf dem Weg in den Massenmarkt? - BI as a Service - Interaktive Visualisierungen - Mobile BI - In-Memory Datenbankmanagementsysteme - Datenintegration zur Entscheidungsunterstützung in Echtzeit - Fortgeschrittene "Analytics" - Suchfunktionen für BI - OpenSource BI
• 2.2 Diskutieren Sie die Bedeutung der Echtzeit-BI für die Entscheidungsunterstützung. Wie grenzt sich diese zur traditionellen BI ab, und welches Potenzial entsteht für Unternehmen? Entscheidungen müssen heute immer schneller getroffen werden aufgrund von technischen Veränderungen oder wegen verkürzten Einführungs- oder Entwicklungszyklen. Echtzeit BI beduetet, dass Informationen zu aktuellen Ereignissen im Idealfall ohne Zeitverzug zur Verfügung stehen. Dadurch rückt die Echtzeit BI näher an das operative Geschäft. Traditionelle BI konzentriert sich eher auf die Unterstützung von strategischen Entscheidungen. Das Potential von Echtzeit BI liegt darin, dass Unternehmen schneller auf Ereignisse reagieren können (z.B. Unwetter, Börse, o.ä.). Dadurch kann ein Wettbewerbsvorteil entstehen, denen evtl. die Analyse der Daten erst später vorliegt.
• 2.2 Welche Arten von Latenz lassen sich im Kontext von BI unterscheiden? - Datenlatenz: Die Zeit, die benötigt wird, um Daten in das DWH einzupflegen - Analyselatenz: Die Zeit, die darüber hinaus benötigt wird, um die Daten zu analysieren und das Ergebnis an die richtigen Personen weiterzuleiten. - Entscheidungslatenz: Die Zeit, die darüber hinaus bentigt wird um die generierten Informationen zu verarbeiten und auf ihrer Basis eine Handlung zu initiieren
• 2.2 Wie sind die Begrffe Echtzeit BI und Rechtzeit BI auseinanderzuhalten? - Echtzeit beduetet, dass die richtigen Daten sofort zur Verfügung stehen müssen, sobald sie angefordert werden - Rechtzeit bedeutet, dass die richtigen Informationen im richtigen Format zur richtigen Zeit bei der richtigen Person zur Verfügung stehen. RTBI optimiert die Latenz für verschiedene Typen von Informationen unter der Berücksichtigung der Kosten und Informations-Halbwertszeiten.
• 2.2 Was bedeutet es, wenn Informationen eine kurze Halbwertszeit besitzen? Das bedeutet, dass die Aktualität der Information hochgradig wichtig ist, bspw. aktuelle Börsenkurse haben eine sehr kurze Halbwertszeit. Eine Information mit kurzer Halbwertszeit ist anfänglich umso wichtiger.
• 2.2.3 Erklären Sie den geschlossenen RTBI Kreislauf von nach Azvine! Ziel von handlungsorientierter RTBI ist die Transformation von Daten in Informationen und von Informationen in Handlungen. Über die Handlungen wirkt die BI direkt zurück auf die Geschäftsprozesse. Der Kreislauf ist in drei Schichten untergliedert: - die operative Schicht besteht aus operativen Systemen (z.B. CRM, ERP, ..) - Datenintegrationsschicht realisiert die Anbindung der operativen Systeme an das DWH. Wichtig ist, dass für RTBI die Integration kontinuierlich erfolgt!! - Analyseschicht muss ständig erreichbar sein        
• 2.2.3 Welche Bedeutung hat das Feedback, z.B. im Rahmen des geschlossenen BI-Kreislaufs, für den Einsatz von BI im Unternehmen? Die BI erzeugt Informationen für die täglichen Entscheidungen im Unternehmen. Diese Entscheidungen werden durch Aktionen implementiert/umgesetzt. Diese Aktionen widerrum erzeuegen Informationen darüber, ob die Entscheidung gut oder schlecht war. Diese Erkenntnisse müssen in den Analysekreislauf eingespeist und entsprechend verarbeitet werden. Das funktionierende BI-Feedback ist DIE WESENTLICHE Voraussetzung für die lernende Organisation.
• 2.3 Was ist unter Advanced Analytics zu verstehen? Advanced Analytics ist ein Sammelbegriff für verschiedene fortgeschrittene Integrationstechnologien der Datenanalyse, darunter zählt auch das Text-Mining oder Predictive Analytics-Technologien. Advanced Analytics werden im Rahmen von unstrukturierten Daten eingesetzt (Emails, Webseiten, o.ä.)
• Advertisement
• 2.3.1 Warum ist der Einsatz von Advanced Analytics notwendig? Traditionelle BI für strukturierte Daten bringen keinen nennenswerten Wettbewerbsvorteil mehr. Des Weiteren bestehen etwa 80% der Unternehmensdaten tatsäclich aus unstrukturierten Inhalten.
• 2.3.1 Nennen Sie einige Beispiele für unternehmensrelevante Inhalte! Call Center Mitschnitte, Kundenbefragungen, Garantiefälle, Blogbeiträge, Facebookeinträge, Foreneinträge, Rezensionen, Zertifizierungsunterlagen, RSS Feeds, Informationsdienste, Webseiten von Konkurrenten, Gesprächsprotokolle, Verträge, Quartalsberichte, Memos, usw.
• 2.3.1 Nennen Sie drei Möglichkeiten, wie strukturierte Daten und unstrukturierte Inhalte gemeinsam integriert werden können! 1. Integration für die Präsentation: ausschließlich bei der Präsentation auf dem Bildschirm durchgekoppelte Navigations- und Suchfunktion. Z.B. kann aus der aktuellen Sicht im OLAP automatisch eine Suchanfrage generiert werden, die auf die Inhaltsdatenbank ausgeführt wird. Der Vorteil dieser Methode ist der geringe Aufwand.   2. Anreicherung der Inhalte durch Metadaten (bspw. via Text Mining): wenn die Metadaten vorhanden sind, können die Daten aus der Inhaltsdatenbank in die strukturierte Datenbank integriert werden. Dabei werden die Metadaten mit den bereits vorhandenen Daten verknüpft und stehen für eine gemeinsame Analyse zur Verfügung   3. Aufbereitung von Analyseergebnisse in Inhaltsform
• 2.3.2 Wie lassen sich die Vorgehensweisen zur Integration von Daten und Inhalten in den geschlossenen RTBI-Kreislauf nach Azvine einordnen? Auf der operativen Schicht fallen Daten (operative Systeme, z.B. klassische DWH Systeme) und Inhalte an (z.B. Kundenkommunikation, allgemein Inhalte aus CMS, DMS, usw.). Die Analyseschicht wird aufgeteilt in eine Logikschicht (enthält Analyselogik) und eine Präsentatiosschicht (SST zum Anwender). Aufgabe der Logikschicht ist z.B. Metadatenanalyse oder Metadatengenerierung. Die Datenintegrationsschicht bleibt unverändert zwischen operativer Schicht und Analyseschicht. Aufgabe ist die Metadatenextraktion   Die Bedeutung der Rückkopplung ist im Vgl. zur traditionell datengetriebenen BI eher geringer und indirekter, da viele Daten nur gespeichert und abgerufen werden können.
• 2.3.2 Wie differenzieren sich KM und BI? BI ist ein ganzheitliches Konzept zur Entscheidungsunterstützung. Hierbei werden Daten aus allen möglichen Systemen gesammelt, integriert, analysiert, aufbereitet und präsentiert. Durch BI können versteckte und entscheidungsrelevante Informationen aufgedeckt werden.   KM ist im Vergleich hierzu ein systematischer Prozess, um Informationen zu finden, zu selektieren, zu verstehen bzw. einzuordnen als auch weitere Informationen abzuleiten und alles dann zu präsentieren. Ziel ist hierbei für Mitarbeiter das Verständnis für bestimmte Teilbereichen im Unternehmen zuverbessern.
• 2.3.3 Was ist Text Mining? Text Mining versucht die Lücke zwischen Daten und Inhalten zu schließen. Moderne Text Mining Systeme können aus einem Dokument Metadaten (Namen, Unternehmen, Produkte, Orte, usw.) erkennen. Einfacher ist Text Mining, wenn das vorlliegende Format standardisiert ist (z.B. RSS-Feeds). Es ist auch möglich Beziehungen zwischen Entitäten abzuleiten.  Gleichartige Texte können mit Clustering-Algorithmen gruppiert werden, ohne dass zuvor explizit ein gemeinsames Thema oder eine Kategorie für diese texte vorhanden ist. Es kann damit umgekehrt analysiert werden, welche Konzepte und Begriffe einen Cluster bilden, um auf evtl. unbekannte Zusammenhänge zwischen den vorhandenen Begriffen zu schließen.
• 2.3.3. Erklären Sie den "Bag-of-Words" Ansatz bei der Analyse von Texten im Rahmen von Text Mining! Erklären Sie den Zusammenhang zwishen "Bag-Of-Words" und dem TF-IDF-Ansatz. Bag-of-Words: Texte werden als unstrukturierte Ansammlung von Wörtern betrachtet. Dabei ist der Korpus die Sammlung der Dokumente und das Lexikon alle Wörter aller Dokumente. Jeder einzelne Text ist dabei ein Bag-of-Word mit einem Vektor, der eine Komponente für JEDEN Lexikoneintrag (also jedes Wort) beinhaltet (Feature-Vektor). Lexika könnn sehr shnell groß werden, was zu großen Feature-Vektoren und lanen Laufzeiten führt. Daher muss entschieden werden, welche Wörter in den Feature-Vektor aufgenommen werden und wie diese gewichtet werden (das Wort "und" hat z.B. keinerlei Inhalte). Ein Vorgehen zum Gewichten von Wörtern ist die "Term Frequency-Inverse Document Frequency (TF-IDF)"-Heuristik.

back  |  next 1 / 1