Business Intelligence

323 Pages·2013·9.27 MB·German

by  Roland M. Müller

ROLAND M. MÜLLER · HANS-JOACHIM LENZ
Business
Intelligence
eXXamen.press
eXamen.pressisteineReihe,dieTheorieundPraxisausallenBereichenderInformatikfür
dieHochschulausbildungvermittelt.
Roland M. Müller · Hans-Joachim Lenz
Business Intelligence
RolandM.Müller Hans-JoachimLenz
HochschulefürWirtschaftundRechtBerlin FreieUniversitätBerlin
Berlin,Deutschland Berlin,Deutschland
ISSN1614-5216
ISBN978-3-642-35559-2 ISBN978-3-642-35560-8(eBook)
DOI10.1007/978-3-642-35560-8
DieDeutscheNationalbibliothekverzeichnetdiesePublikationinderDeutschenNationalbibliografie;detaillierte
bibliografischeDatensindimInternetüberhttp://dnb.d-nb.deabrufbar.
SpringerVieweg
©Springer-VerlagBerlinHeidelberg2013
DasWerkeinschließlichallerseinerTeileisturheberrechtlichgeschützt.JedeVerwertung,dienichtausdrücklich
vomUrheberrechtsgesetzzugelassenist,bedarfdervorherigenZustimmungdesVerlags.Dasgiltinsbesondere
fürVervielfältigungen,Bearbeitungen,Übersetzungen,MikroverfilmungenunddieEinspeicherungundVerar-
beitunginelektronischenSystemen.
DieWiedergabevonGebrauchsnamen,Handelsnamen,Warenbezeichnungen usw.indiesemWerkberechtigt
auchohnebesondereKennzeichnungnichtzuderAnnahme,dasssolcheNamenimSinnederWarenzeichen-
undMarkenschutz-Gesetzgebungalsfreizubetrachtenwärenunddahervonjedermannbenutztwerdendürften.
GedrucktaufsäurefreiemundchlorfreigebleichtemPapier
SpringerViewegisteineMarkevonSpringerDE.SpringerDEistTeilderFachverlagsgruppeSpringer
Science+BusinessMedia
www.springer-vieweg.de
Vorwort
BusinessIntelligence(BI),istnachwievoreinModewort,„verkauftsichgut“undistzu
RechtausdemUnternehmensalltagkaummehrwegzudenken.
Dies gilt insbesondere dann, wenn man sich in die sechziger bis achtziger Jahre zu-
rückversetzt, wo jede Datenauswertung vom jeweiligen Abteilungsleiter beantragt, vom
Rechenzentrumsleiter eines Unternehmens genehmigt und dann dort einzeln program-
miertwerdenmusste.
Schlimmernoch,derzweiteAutorkannsichgutandenSommer1964erinnern,woer
ineinemnamhaftendeutschenGroßunternehmenalsWerkstudentbeschäftigtwar.Eine
unzweckmäßige Programmierung von sog. „Tabellierungen“ führte zu seitenlangen Pa-
pierausdrucken – einen Papierstapel von gut 25cm Höhe. Dieser Ausdruck enthielt die
KupferpreiseaufdeninternationalenWeltmärktengruppiertnachdiversenKriterien.Die
Aufgabebestanddarin,dieDatenmanuellsozukomprimieren,dassderzuständigeAbtei-
lungsleiterimstandeundbereitwar,sieinTabellenformzuanalysieren.Medienbrüchewie
diesewarenübrigensbisweitindieneunzigerJahrehineindurchausanderTagesordnung
inderdeutschenWirtschaft.
EsstelltsichwiebeijedemBuchdieFrage,wozunocheinBuchüberBusinessIntelligence
geschriebenwerdenmuss.Wirhabendazu,glaubenwir,guteGründe.
Zuerst einmalwollen wir unserenehemaligen Kollegen der Wirtschaftsinformatikan
derHumboldt-UniversitätzuBerlin,denjetzigenPräsidentenderUniversitätPotsdamund
–inPersonalunion–derdeutschenGesellschaftfürInformatik(GI),OliverGünther,dafür
„verantwortlich“ machen;denn er war es,der den Anstoßzu diesem Projekt gab.Ohne
seinenMotivationsschubamAnfanghätteunser„Baby“niedasLichtderWelterblickt.
Weiterhintriebunsan,dasseszweifelsfreiausgezeichneteenglischsprachigeLiteratur
zurBIgibt,dieseaberoftvonInformatikerngeschriebenwurdeundBusinessmehr„Eti-
kett“oder„Alibi“istalsdiebetriebswirtschaftlicheAnwendungsdomäne.WiederBegriff
Intelligence deutlich macht, spielt die Auswertung von Daten bei BI eine entscheidende
Rolleundzwarimbetrieblichen,nichtprimärimtechnischenodergarnaturwissenschaft-
lichenBereich.WirbringengernBIaufdieFormelBusiness Intelligence=50%Betriebs-
wirtschaft/OperationsResearch+25%DataMining/Statistik+25%DataWarehousing.
Diesbedeutet,dassdieobenangesprocheneGruppevonBüchernunsererEinschätzung
nachzuetwa%LückenanbetriebswirtschaftlichenAnwendungenaufweisen.Diesezu
V
VI Vorwort
füllenbzw.eineBrückezwischenInformatik,Statistik,OperationsResearchundBetriebs-
wirtschaft(BWL)zuschlagen,sehenwiralseinewichtigeZielsetzungdiesesBuchesan.
ZweifelsohneexistierengeradeauchimdeutschsprachigenRaumBücherüberBI.Diese
sindaberausunsererSicht„zudeskriptiv“,d.h.siegliedern,be-undumschreibenPhä-
nomeneanstattdiedahinterstehendenProblemeaufzugreifen,zuformalisierenundmit
geeigneten Werkzeugenzulösen.Auchmangeltesanillustrativen,methodischnachvoll-
ziehbarenBeispielenundFällen.
Mit diesem Buch haben wir hartnäckig versucht, uns auf das Wie zu konzentrieren,
undnichtnuraufdasWas.SelbstverständlichhabenwirdiefachlicheEinbettung derBI-
ProblemeindasbetrieblicheUmfeldnichtvölligaußerAchtgelassen.MitderQuantifizie-
rungundFormalisierungderbetrieblichenFragestellungenundderDarstellungzugehö-
rigermethodischerLösungenvonBusinessIntelligence, wiebeispielsweiseDataMining,
maschinellesLernen,statistischeDatenanalyseundOperations Research,habenwir uns
ein vertracktes Darstellungsproblem eingehandelt: Die Vielfalt der Notationen in diesen
Fachgebieten.SobezeichnetalleindasSymbol„π“inderMathematikeineKonstante,im
Operations Research einen Schattenpreis beim linearen Optimieren, in der Datenbank-
TheorieeinenProjektionsoperatorusw.InderStatistikwerdenZufallsvariablentraditionell
mitgroßenBuchstabenwie„X,Y,...“bezeichnet,imOperationsResearchüblicherweise
nur in Ausnahmefällen, siehe Produktions- und Lagerhaltung bei stochastischer Nach-
frage.Dafürwerdenwiederum(deterministische)BestandsgrößenwiederLagerbestandin
Periodet,I ,mitgroßenBuchstabenbezeichnet.NachreiflicherÜberlegunghabenwiruns
t
entschlossen,indeneinzelnenKapitelnsoweitwiemöglichandenjeweiligendomänen-
spezifischenBezeichnernfestzuhalten.DieIdeeeinereinheitlichen,kapitelübergreifenden
Notationhabenwirbewusstverworfen.
Unsere Herangehensweise an Business Intelligence ist natürlich durch etliche For-
schungs-undEntwicklungsprojekteunddiejahrzehntelangeLehrerfahrungimakademi-
schenBereichmitgeprägt.DazuhabenganzeGenerationenvonStudierendenbeigetragen.
Im Mittelpunkt stand dabei nie die reine Stoff- oder Faktenvermittlung, sondern eine
spezifischeDenkweise,wieBIinderPraxiserfolgversprechendeinzusetzenist:
1. Untersuchungszielefestlegen,
2. Datenbeschaffung durch Buchführung, Messen oder Schätzen, Herunterladen (engl.
crawlen)vonInhaltenausdemInternetoderdurchgeplanteExperimente,
3. DatenintegrationineinDataWarehouseinVerbindungmiteffizientenDatenstrukturen
für„massiveDatenmengen“oder–modernerausgedrückt–„BigData“,
4. explorativeDatenanalysemittelsstatistischer,Data-Mining-odermaschinellerLernver-
fahren,sowie
5. WissensgenerierungimSinnevonKnowledgeDiscoveryinDatabases(KDD)durchIn-
terpretation,VisualisierungundTabellierungderErgebnisse.
Wir wollen auch das an der Freien Universität Berlin in den Jahren 2005–2008 durch-
geführte kooperative Forschungsprojekt Global Business Intelligence Server (BussI) nicht
Vorwort VII
unerwähntlassen,dasvonderIBMDeutschlandGmbHundderForschungsgruppeder
DaimlerChrysler, Berlin,finanziell, soft- undhardwaremäßig unterstützt wurde. Dessen
Zielsetzungbestanddarin,ausgewähltemarktgängigeBI-Methoden,insbesonderederAn-
bieter IBM, Microsoft, Oracle und SAP, zu testen bzw. anhand von Literatur zu sichten,
wissenschaftlicheinzuordnenundaufmethodischeSoliditätzuuntersuchen.Diesgeschah
getreudemMotto:„Rerumcognoscerecausas“(dt.„DieUrsachenderDingeerkennen“).
DievomBussI-ProjektteamimRahmenvonForschungsberichten,Diplomarbeitenund
DissertationengesammeltenErkenntnissehabenStrukturundteilweiseInhaltdiesesBu-
chesmitgeprägt.
DerersteAutorhatteersteinternationaleErfahrungenalsBI-BeraterimSiliconValley
zu den Hochzeiten des Dot-Com-Booms1999 und2000 sammelndürfen.Ihm istnoch
lebhafteinER-DiagrammmithundertenEntitätenbeieinemKundenvorAugen,daseine
ganzeWandfüllte.DieMöglichkeitamGraduiertenkolleg Verteilte Informationssysteme
(GKVI)zupromovieren–mit soinspirierendenProfessorenwie O.Günther sowieKol-
legiaten wieM.SchaalundD.Asonov –hatihnnachhaltigwissenschaftlichgeprägt.Die
ArbeitamEU-ProjektPARMENIDESmitM.SpiliopoulouundanderUniversitätTwente
mitJ.vanHillegersbergsindweitereErfahrungsgrundlagenfürdiesesBuch.
Den zweiten Autor haben drei internationale Workshopsnachhaltig beeinflusst, eine
derBusinessIntelligenceangemesseneDenkweisezuerlernen.Einmalhandeltessichum
denspäterberühmtgewordenenEdinburgh-WorkshopüberStatistikundKünstlicheIntel-
ligenzEndederachtzigerJahre,veranstaltetvonD.HandundD.Spiegelhalter.Zumanderen
sinddieimZwei-Jahres-RhythmusstattfindendenWorkshopsAIandStatisticsinFt.Lau-
derdalezunennen,die1986vondenBellLabs,USA,initiiert wurden.Lastbutnotleast
gehörthierzuauchdieFolgevonWorkshopsinUdine,Italien,diedieInternationalSchool
fortheSynthesisofExpertKnowledge(ISSEK)allezweiJahredurchführteunddieunsere
KollegenG.DellaRicciaundR.KruseinsLebenriefen.
Abschließend sei uns noch eine Bemerkung zur Rolle von „Wissen“ und „Wissens-
generierung“speziellimunternehmerischenUmfeldgestattet,dieindiesemBuchimVor-
dergrundzustehenscheint.Alsindensechziger Jahrenamberühmten Institute forAd-
vancedStudies,Princeton,A.EinsteinvonseinennaturwissenschaftlichenKollegen zum
Slogan„KnowledgeisPower“befragtwurde,brachteerseineSichtaufdenPunktmitder
Antwort„Phantasieistwichtiger alsWissen“.Demhabenwirnichtshinzuzufügen;denn
Schumpeters Aussagen,ohnedieIdeenvonUnternehmern–imSinnevon„etwasunter-
nehmen“– läuft die Wirtschaft nicht, gilt nach wie vor.Kurzum, Wissen wird nie allein
Ersatzfürunternehmerische,d.h.menschlicheKreativitätsein[219,294].Soft-undHard-
wareführennichtzu„intelligenten Maschinen“,sondernwaren,sindundbleibenfürdie
Managerwertvolle,unverzichtbareAssistentenundRechenknechte.DennWissenalleinist
zwar notwendig, aber bekanntlich nicht hinreichend für erfolgreiches (wirtschaftliches)
Handeln.
SchließenwirmitG.C.Lichtenberg,derdenAutorendiesesBuchesHoffnunggibt:„Die
NeigungdesMenschen,kleineDingefürnützlichzuhalten,hatsehrvielGroßeshervor-
gebracht.“
VIII Vorwort
WirdankenvielenunsererKollegenfürkritischeHinweiseaufunklarformuliertePas-
sagenimManuskript,insbesondereK.Lenz,F.KlawonnundM.Soeffky.Besondershervor-
hebenwollenwirdieMitarbeiterundMitarbeiterinnenvomSpringerVerlag,Heidelberg,
fürihrEngagement,unsjederzeitbehilflichzusein,undfürihreGeduldbeimWartendar-
auf,dasswirdasManuskriptabliefern.WirwidmendiesesBuchKT undMHSfürderen
VerständnisundUnterstützung.
Berlin,Juni2013 RolandM.Müller
Hans-J.Lenz
Inhaltsverzeichnis
Abkürzungs-undSymbolverzeichnis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIII
1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Datenbereitstellung:DataWarehousing . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 DataWarehouseArchitektur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Architekturkomponenten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Architekturvarianten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Datenintegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 ETL-Prozess . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.2 Schemakonflikte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.3 Datenkonflikte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Datenqualität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.1 KenngrößenderQualitätsmessung . . . . . . . . . . . . . . . . . . . . . 38
2.4.2 Qualitätssicherungsprozess. . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.3 Datenqualitätsberichte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5 OnlineAnalyticalProcessing(OLAP) . . . . . . . . . . . . . . . . . . . . . . . . 50
2.5.1 AnforderungenanOLAPSysteme . . . . . . . . . . . . . . . . . . . . . . 50
2.5.2 FaktenundDimensionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.3 OLAPGrundoperationen. . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5.4 Summierbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.5.5 Speicherarten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.6 MultidimensionaleDatenmodellierung . . . . . . . . . . . . . . . . . . . . . . . 59
2.6.1 MultidimensionaleModellierungssprachen. . . . . . . . . . . . . . . . 59
2.6.2 Star-Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.6.3 Snowflake-Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.6.4 Galaxie-Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.6.5 Fact-Constellation-Schema. . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.6.6 Historisierung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.6.7 VorgehensweisenfürdiemultidimensionaleModellierung . . . . . 68
IX