Folie 0 - Katholische Universität Eichstätt

Transcription

Folie 0 - Katholische Universität Eichstätt
SoSe 2012
CRM mit SAP
CRM: SAP NetWeaver BI
Prof. Dr. Klaus D. Wilde
Lehrstuhl für ABWL und
Wirtschaftsinformatik
Katholische Universität
Eichstätt-Ingolstadt
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Literatur

Egger, N. et al. (2006): SAP BW Reporting und Analyse, 1. Auflage –
korrigierter Nachdruck, Bonn.

Egger, N. et al. (2007): SAP Business Intelligence, 1. Auflage –korrigierter
Nachdruck, Bonn.

Egger, N. et al. (2007): SAP BW Datenbeschaffung, 1. Auflage – korrigierter
Nachdruck, Bonn.

Kießwetter, M.; Vahlkamp, D. (2007): Data Mining in SAP NetWeaver BI,
1.Auflage, Bonn.

Mehrwald, C. (2007): Datawarehousing mit SAP BW 7, 4. Auflage,
Heidelberg.

www.sap.help.com
1
Copyright
2
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
SAP, SAP Logo, R/2, RIVA, R/3, SAP ArchiveLink, SAP Business Workflow,
WebFlow, SAP EarlyWatch, BAPI, SAPPHIRE, Management Cockpit, SAP,
SAP.com und alle im Text erwähnten SAP-Produkte und –Dienstleistungen,
Screenshots sowie die entsprechenden Logos sind Marken oder eingetragene
Marken der SAP AG in Deutschland und anderen Ländern weltweit
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Struktur der Übung
3
Allgemeines
Theorie
SAP Praxis /
Übungen
Lernziele der Übung
 Theorie
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Was ist ein DW?
 Was versteht man
unter einem ETLProzess?
 …
4
 SAP-Praxis
 Wie ist die Software
aufgebaut?
 Wie funktioniert die
Software?
 …
1 Grundlagen
2 SAP CRM
3 SAP BI
Übersicht
3.1
Einführung
3.2
Data Warehouse
3.3
Business Intelligence
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
3.1
Einführung
9
3.1.1 Definition analytisches CRM
SalesProzesse
Enterprise Ressource Planning
Back Office
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Supply Chain Management
MarketingProzesse
Interaktions- Pers. Kontakt
Telefon
kanäle
Customer Außendienst
Filiale
Touch Points
CRMAnwendungen
WWW
Brief/Fax
Innendienst
Operative
CRM-Systeme
E-Mail
Etc.
CIC
Website
Etc.
Kampagne
Opportunity
Lead
Angebot/Auftrag
Stammdaten
BasisAnwendungen
ServiceProzesse
Kontakt
Aktivitäten
Feedback
Support
Workflow
Eskalation
Operative Kundendatenbank
Data Warehouse
Analytische
CRM-Systeme
Data Mining
OLAP
Quelle: in Anlehnung an: Hippner/Wilde 2006, S. 48; Kemper/Baars 2008, S. 2
Analytisches CRM dient
der Untersuchung des
Kundenbestandes und
-verhaltens.
In diesem Umfeld werden
auf der Basis
kundenzentrierter Data
Warehouses mit Hilfe von
Analysesystemen (vor allem
Data Mining und OLAP)
Kundenwertmodelle,
Kundensegmentierung bzw.
-klassifikationen und
kundenspezifische
Verhaltensänderungen
ermittelt (Churn-Analysen).
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
3.1
Einführung
11
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1.2 Closed-Loop-Prozess

Geschlossener Regelkreis verschafft
strategischen Mehrwert und bindet
Kunden langfristig.

Im operativen Bereich gewonnene
Daten werden im analytischen CRM
ausgewertet.

Die daraus abgeleiteten
Erkenntnisse werden in den
Produktionsprozess eingearbeitet,
verwirklicht und somit wieder in den
operativen Verfahren eingespeist.

Der Regelkreis ist geschlossen!
Ergebnis:
- Gezieltere Kundenansprache
- Intensivere Kundenbindung
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Praktische Anwendungen:

Service-Hotline

Kundenbefragung

After Sales Management (Postkarte beilegen)

Internet: Verkaufsportale, Online Marketing, Verfahren um Verhalten der
Internetbesucher zu analysieren

Kombi-Produkte: Amazon Kunden die dieses Buch gekauft haben, haben
auch … gekauft.
12
3.1
Einführung
13
3.1.2 Closed-Loop-Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Ziel:
Operative Daten in
analysierbare Informationen
umzuwandeln, daraus Action
Knowledge
(handlungsauslösendes
Wissen) zu generieren, um
damit wieder Einfluss auf die
operativen Systeme zu
nehmen.
Quelle: Egger et al. 2007a, S. 27
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1
3.1.2 Closed-Loop-Prozess
Einführung
Quelle: Egger et al. 2007a, S. 57
14
Ziel:
Eliminieren der Wissenslücke!
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Voraussetzung:
Unternehmensweite, konsistente Informationslandschaft als Basis.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Die 5 Schritte des Closed-Loop Business Analytics Process:
1.
Verfolgen
2.
Analysieren
3.
Modellieren
4.
Entscheiden
5.
Handeln
Quelle: Egger et al. 2007a, S. 27 ff.
15
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Closed-Loop Business Analytics Process – 1. Schritt: Verfolgen

Datenbeschaffung und Datenhaltung

Extraktion der Daten aus allen relevanten operativen Systemen (entweder
zeitversetzt oder Echtzeit)

Bereinigung, Umwandlung, Anreicherung und Vereinheitlichung der Daten

SAP: Laden und Lagerung der bereinigten Daten im Enterprise Data
Warehouse Layer des Data Warehouses
Quelle: Egger et al. 2007a, S. 27 f.
16
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Closed-Loop Business Analytics Process – 2. Schritt: Analysieren

Datenbereitstellung, Daten stehen für Analyse mit Business IntelligenceWerkzeugen zur Verfügung

Möglichkeit von Query, Reporting und multidimensionale Analysen

Beantwortung der Fragen:


Was ist passiert?

Wie ist es passiert?

Wann ist es passiert?
Es fehlen jedoch die Antworten auf folgende Fragen:

Welche Entscheidungsalternativen gibt es?

Was ist die optimale Entscheidung?

Was sind die Tragweiten, Konsequenzen dieser Entscheidung ?

Was wird passieren?
Quelle: Egger et al. 2007a, S. 27 f.
17
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Closed-Loop Business Analytics Process:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Evolutionspfad analytischer Methoden
Quelle: Egger et al. 2006, S. 58
18
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Closed-Loop Business Analytics Process – 3. Schritt: Modellieren

Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde

Kreieren von Regeln, Klassifizierungen und weiteren Modellen mit Hilfe von
Advanced-Analytics-Werkzeugen (fortschrittliche Analyse Werkzeuge)
Einsatz von:

Entscheidungsmodellierung

Prognostik

Simulation

Optimierung

Risikoanalyse
Quelle: Egger et al. 2007a, S. 28
19
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Closed-Loop Business Analytics Process – 4. Schritt: Entscheiden

Auf Basis von soliden Informationen, die auch anwendergerecht präsentiert
wurden, Entscheidungen zu treffen.

Grundlage bietet der Zugriff auf die konsistenten und integrierten
Informationen.
Quelle: Egger et al. 2007a, S. 29 f.
20
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Closed-Loop Business Analytics Process – 5. Schritt: Handeln

Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde

Bildet die Rückkopplung zu den operativen Prozessen im Unternehmen

Vollautomatisch = Retraktion

Entscheider mit handlungsauslösendem Wissen = manuelle Rückkopplung
Beispiele:
 Weitere Marketing Kampagne auf Basis der Ergebnisse früherer Kampagnen
 Automatische Sperrung einer Kreditkarte im Falle des Betrugsverdachts
(Transaktionsanalyse!)
 Aufgrund von Kundenprofilen Kredite gewähren oder verweigern
Quelle: Egger et al. 2007a, S. 29 f.
21
3.1
Einführung
3.1.2 Closed-Loop-Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Ziele des Closed-Loop-Prozesses:

Den Prozess an sich beschleunigen ohne zu schnelle vorzeitige
Entscheidungen zu treffen.

Präzision bei der Entscheidungsfindung!

Verständnis der Auswertungsergebnisse und Marktkenntnisse,

um echte Wettbewerbsvorteile zu generieren!
Quelle: Egger et al. 2007a, S. 30
22
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1
3.1.3 SAP
Einführung
24
3.1
Einführung
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1.3 SAP

SAP: Systeme, Anwendungen und Produkte in der Datenverarbeitung

Aktiengesellschaft

Größter europäischer und weltweit 4. größter Softwarehersteller

53 513 Mitarbeiter

Über 100 000 Kunden und 12. Mio Anwender

Niederlassungen in mehr als 50 Ländern

Umsatz in 2011: 14,233 Mrd. Euro
Quelle: SAP
25
3.1
Einführung
26
3.1.3 SAP
Externe
Entwicklungen
Entwicklungsverlauf:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Grau =
informationstechnologische
Konzepte
Schwarz = dazugehörige SAP
Lösungen
SAP
Produktentwicklungen
Quelle: Einkauf.Österreich.com
3.1
Einführung
27
3.1.3 SAP
SAP ERP
SAP CRM
Operative Prozesse
Nachfragefluss
Auftragserfüllungsfluss
Finanzmittelfluss
Beschaffungspartner
Analytische
Prozesse
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
SAP SCM/APO
Quelle: SAP
Unternehmen
Analyse und Reporting
SAP Netweaver BI
Vertriebspartner
Kunde
3.1
Einführung
3.1.3 SAP ERP
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde


FI (Financial Accounting)

FI

CO: Controlling

CO-PC: Kostenträgerrechnung (Product Costing)

CO-OM-CEL: Kostenartenrechnung (Cost Element Accounting)

CO-OM-CCA: Kostenstellenrechnung (Cost Center Accounting)

SEM: Strategic Enterprise Management

EC: Enterprise Controlling

PSM: Haushaltsmanagement (Public Sector Management)

PS: Projektabwicklung (Project System)
Human Capital Management



PA: Personnel Management
Logistics

MM: Materialwirtschaft (Materials Management)

PP: Produktionsplanung und -steuerung (Production Planning and Control)

LE: Lagerverwaltung, Versand und Transport (Logistics Execution)
IS: Branchenlösungen
Quelle: SAP
28
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1
3.1.3 SAP NetWeaver BI Menübaum
Einführung
Quelle: SAP NetWeaver BI
29
3.1
Einführung
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1.3 SAP NetWeaver BI: Data Warehousing Workbench
Nur im Bereich des BI Training KU Eichstätt-Ingolstadt / Übung SoSe 12
wird gearbeitet!!!
Quelle: SAP NetWeaver BI
30
3.1
Einführung
3.1.3 SAP NetWeaver BI
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Wichtige Symbole:
Enter
Freigabe / Bestätigung der getätigten Eingabe
Sichern
Sichern der zuvor eingegebenen Daten
Zurück
man gelangt eine Anwendungsstufe zurück auf den vorherigen Bildschirm
Beenden
aktuelle Anwendung wird ohne Datensicherung verlassen
Abbrechen
beendet Anwendung ohne Speicherung der Daten
Suchen
Suchen von Daten, die auf dem aktuellen Bildschirm angezeigt werden
F1-Hilfe
kurze Feldhilfe zu dem Feld auf dem sich der Cursor befindet
Anzeigen <-> Ändern
wechselt vom Anzeigen in den Änderungsmodus
Aktivieren
aktiviert die getätigte Eingabe / Änderung
Neu anlegen
gibt die Möglichkeit zur Neuanlage eines Objektes
Auffrischen
integriert die neuen Änderungen und zeigt aktuelle Situation an
F4
Werthilfe
Quelle: SAP NetWeaver BI
31
3.1
Einführung
3.1.3 SAP NetWeaver BI
Symbole:
Merkmal
Kennzahl
Dimension
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Info Objekt Katalog
InfoCube
DataSource
InfoProvider
InfoObjects
Quelle: SAP NetWeaver BI
32
3.1
Einführung
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1.3 SAP NetWeaver BI: Customizing
33

Nach Erwerb eines SAP-Systems muss die Software an die
unternehmensspezifischen Anforderungen angepasst werden.

Customizing bezeichnet die Vorgehensweise der Systemkonfiguration, in der
die Mitarbeiter des Projektteams Systemeinstellungen vornehmen.

Customizing wird im SAP-System über den Einführungsleitfaden (IMG:
Implementation Guide) vorgenommen.

IMG: Werkzeug zur Anpassung des SAP-Systems an die
betriebswirtschaftlichen Anforderungen im Unternehmen.

Alle Änderungen die im Customizing vorgenommen werden haben später
Auswirkungen auf die Handhabung des Systems.
-> Nur Dokumentationen betrachten, keine Änderungen durchführen!!!
Quelle: SAP
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1
3.1.3 SAP NetWeaver BI: Customizing
Einführung
Quelle: SAP NetWeaver BI
34
3.1
Einführung
3.1.3 SAP NetWeaver BI Benutzeroberfläche
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Login
Die Kommunikation zwischen dem Benutzer und dem SAP System erfolgt
üblicherweise über das SAP GUI (Graphical User Interface) und ist lokal auf den
entsprechenden Clients installiert.
Eingabe: VS_12-XX (Nummer wird vom Dozenten vergeben!)
Passwort: winter
Quelle: SAP NetWeaver BI
35
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.1
3.1.3 SAP NetWeaver BI Benutzeroberfläche
Einführung
Übungen 1-10:
Einführende Aufgaben zu SAP NetWeaver BI
36
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
3.2
Data Warehouse
39
3.2.1 Definition
Ausgangsproblematik (d.h. ohne Data Warehouse)

Nachfolgende Abbildung (Heine 1999, S. 75) veranschaulicht die damit i.d.R.
verbundene Speicherung der Daten in unterschiedlichen Datenbanksystemen mit
abweichenden physikalischen und logischen Strukturen.
Vorstandsinformationssystem
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Managementunterstützendes
Teilinformationssystem
Datenauswertung
Datengenerierung
Marketinginformationssystem
Individuelle
Lösungen
Operatives
Teilinformationssystem
Verteilung
Auftragssystem

Finanzinformationssystem
Fakturierungssystem
Buchhaltungssystem
Aus Sicht der Datenauswertung bedeutet dies, dass Informationen auf horizontaler
Ebene über mehrere operative Anwendungssysteme - teilweise redundant - verteilt sind
und informationelle Zusammenhänge durch u.a. unterschiedliche Modelle,
Schlüsselung und Zeitbezüge der Bewegungsdaten verloren gehen.
Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.].
3.2
Data Warehouse
3.2.1 Definition
40
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Ausgangsproblematik (d.h. ohne Data Warehouse)

Zudem werden teilweise Daten individuell zum Zweck der Auswertung direkt
aus den operativen Systemen extrahiert. Dies führt zu einer Belastung der
operativen Systeme, zu Medienbrüchen und innerhalb des
managementunterstützenden Teilinformationssystems teilweise zu
personenspezifischen Datenbanken, die von einzelnen Anwendern
weiterverarbeitet und ausgewertet werden.

Dies wiederum führt entlang der vertikalen Ebenen der InformationssystemPyramide zu starkem Wachstum, Heterogenität und Redundanz der
Datenbestände und damit zu einer mangelhaften Datenqualität (Heine
1999, S. 72 ff.). Insgesamt entsteht für das Herauslösen und
Zusammenführen von Daten zum Zweck der Auswertung ein sehr hoher
Aufwand.
Das Konzept des Data Warehouse wurde entwickelt, um die genannten
Integrationsdefizite zu beheben. Es hat in der Praxis eine rasche
Verbreitung erfahren und wesentlich zur „Reifung“ der MSS
beigetragen.
Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.].
3.2
Data Warehouse
3.2.1 Definition
41
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Begriffsabgrenzung und Eigenschaften

Der Data-Warehouse-Begriff umfasst sowohl technische als auch
betriebswirtschaftliche Aspekte.

Data Warehouse : Datenbank, „die aus der technischen Sicht Daten aus
verschiedenen Datenquellen integriert und aus der betriebswirtschaftlichen
Sicht dem Anwender diese Daten zu Analysezwecken zur Verfügung stellt“
(Bauer/Günzel 2004, S. 5).

Data Warehouse : Eine von den operationalen Systemen isolierte
Datenbank, „die als unternehmensweite Datenbasis für alle Ausprägungen
managementunterstützender Systeme dient und durch eine strikte Trennung
von operationalen und entscheidungsunterstützenden Daten und Systemen
gekennzeichnet ist“ (Mucksch/Behme 2000, S. 6).
 Zu den Leitgedanken des Data Warehouse zählen somit Integration,
Separation und Informationsbereitstellung für Analysezwecke.
Quelle: Bauer, A.; Günzel, H. (2004): Data Warehouse Systeme - Architektur Entwicklung Anwendung, 2. Aufl., Heidelberg.
Mucksch, H.; Behme, W. (2000): Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik.
In: Mucksch, H.; Behme, W. (Hg.): Das Data Warehouse-Konzept - Architektur - Datenmodelle - Anwendungen, 4. Aufl., Wiesbaden, S. 3-80.
3.2
Data Warehouse
3.2.1 Definition
42
Begriffsabgrenzung und Eigenschaften

Integration:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Übernahme von Daten aus unterschiedlichen Vorsystemen mit verschiedenen
Datenhaltungen (z.B. relationale Datenbanken, hierarchische Datenbanken, FlatFiles) und Datenformaten (z.B. Datenbank-Tabellen, unstrukturierte Textdateien,
Bild-Dateien).
 Zu den Vorsystemen gehören nicht nur die internen operativen
Informationssysteme, mit denen die Geschäftsvorfälle des betrieblichen
Basissystems in Transaktionen innerhalb des Informationssystems abgebildet
werden (Online Transaction Processing Systems, OLTP), sondern auch externe
Systeme, wie z.B. kommerzielle Datenbanken.
 Relevante atomare Daten der Vorsysteme werden periodisch extrahiert, in
vielfältiger Weise aufbereitet und im Data Warehouse systematisch
zusammengeführt (vgl. Chamoni/Gluchowski 2006, S. 12).
 Nach den englischen Bezeichnungen der Teilschritte - „Transformation“,
„Extraction“ und „Loading“ - wird dieser Vorgang auch als „ETL-Prozess“
bezeichnet.
Quelle: Chamoni, P.; Gluchowski, P. (2006): Analytische Informationssysteme - Einordnung und Überblick. In: Chamoni, P.; Gluchowski, P. (Hg.):
Analytische Informationssysteme - Business Intelligence-Technologien und Anwendungen, 3. Aufl., Berlin [u.a.], S. 3-22.
3.2
Data Warehouse
43
3.2.1 Definition
Begriffsabgrenzung und Eigenschaften

Separation:
 Beeinträchtigungen eines operativen Systems durch darauf ausgeführte
analytische Abfragen lassen sich technisch kaum verhindern. Nachfolgende
Abbildung (leicht modifiziert nach Mucksch/Behme 2000, S. 16) verdeutlicht, dass
die Auslastung der zugrunde liegenden Hardware bei den transaktional
ausgerichteten operativen Systemen relativ gleichmäßig ist.
operative DV-System e
Managem entunterstützungssystem e
HW-Nutzung
HW-Nutzung
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Basiert auf der Erkenntnis, dass die operativen Vorsysteme durch analytische
Abfragen nicht in ihrem reibungslosen Betrieb gestört werden dürfen.
Zeit
Zeit
Quelle: Mucksch, H.; Behme, W. (2000): Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik, in: Mucksch, H.; Behme, W. (Hg.): Das Data
Warehouse-Konzept - Architektur - Datenmodelle - Anwendungen, 4. Aufl., Wiesbaden, S. 3-80.
3.2
Data Warehouse
3.2.1 Definition
Begriffsabgrenzung und Eigenschaften

Informationsbereitstellung für Analysezwecke :
 Hard- und Software sowie Datenmodell der operativen Systeme sind für die
schnelle Bearbeitung von kurzen, einfachen Transaktionen ausgelegt, wobei die
Anfragen keine modellseitige Bevorzugung haben und damit auf einem
anfrageflexiblen Datenmodell basieren.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Analytische Abfragen hingegen umfassen sehr viele Datensätze in langen Lesetransaktionen und benötigen ein analysebezogenes Datenmodell.
 Die Daten der operativen Systeme sind zeitaktuell und ständigen Modifikationen
unterworfen.
 Analytische Anwendungen dagegen benötigen konsolidierte, stabile und meist
aggregierte Daten.
 Das Datenbankschema des Data Warehouse muss sich dem Einsatzzweck
anpassen und wird im Gegensatz zu den OLTP-Systemen nicht
anwendungsneutral, sondern auswertungsorientiert mit vorgedachten
Analysepfaden ausgelegt
 Dies spricht ebenfalls für die Separation von operativen und Data WarehouseSystemen.
Quelle: Bauer, A.; Günzel, H. (2004): Data Warehouse Systeme - Architektur Entwicklung Anwendung, 2. Aufl., Heidelberg, S. 8 ff.
44
3.2
Data Warehouse
3.2.1 Nutzenpotenziale eines Data Warehouse
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Gründe für ein gesondertes Data Warehouse:
Quelle: SAP

Themenorientierung

Vereinheitlichung

Zeitraumorientierung

Beständigkeit
45
3.2
Data Warehouse
3.2.1 Nutzenpotenziale eines Data Warehouse
46
Begriffsabgrenzung und Eigenschaften
Data Warehouse-Systeme haben
sich als Zwischenschicht
durchgesetzt, die dispositive und
operative Applikationen entkoppelt
(s. Abbildung, leicht modifiziert
nach Strauch 2002, S. 24).

Das Data Warehouse stellt somit ein
Teilinformationssystem des
betrieblichen Informationssystems
dar.

Es handelt sich hierbei weder um
einen Standard, noch um ein
Produkt, sondern viel mehr um eine
Architektur, deren Umsetzung für
jedes Unternehmen unterschiedliche
Software- und HardwareKomponenten umfasst und einen
sehr hohen Anteil an Fachwissen
benötigt (Heine 1999, S. 112).
Vorstandsinformationssystem
Managementunterstützendes
Teilinformationssystem
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde

Marketinginformationssystem
Data WarehouseZwischenschicht
Finanzinformationssystem
Data Warehouse
Operatives
Teilinformationssystem
Auftragssystem
Fakturierungssystem
Buchhaltungssystem
Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.].
Strauch, B. (2002): Entwicklung einer Methode für die Informationsbedarfsanalyse im Data Warehousing, Bamberg.
3.2
Data Warehouse
47
3.2.1 Definition
SalesProzesse
Enterprise Ressource Planning
Back Office
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Supply Chain Management
MarketingProzesse
Quelle: Hippner/Wilde 2006, S. 48
Interaktionskanäle
Customer
Touch Points
CRMAnwendungen
BasisAnwendungen
Operative
CRM-Systeme
Pers. Kontakt
ServiceProzesse
WWW
Telefon
Außendienst
E-Mail
Brief/Fax
Etc.
Innendienst
Filiale
CIC
Website
Etc.
Kampagne
Opportunity
Feedback
Lead
Angebot/Auftrag
Support
Stammdaten
Kontakt
Aktivitäten
Workflow
Eskalation
Operative Kundendatenbank
Data Warehouse
Analytische
CRM-Systeme
Data Mining
OLAP
3.2
Data Warehouse
3.2.1 Architektur des Data Warehouse Systems
Abfrage- und Analysewerkzeuge
Direktzugriff
Analysen
Berichte
Benutzerschnittstelle bzw. Output-Schicht
Metadaten
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Verdichtungsstufe n
Verdichtungsstufe 2
Data Marts
Verdichtungsstufe 1
Datenbasis
Archivierungssysteme
Datenschnittstelle bzw. Input-Schicht
Transformationsprogramme
Unternehmensinterne und –externe transaktionsorientierte Daten
Quelle: in Anlehnung an: Mucksch/Behme 1996, S. 64 ff.
48
3.2
Data Warehouse
3.2.1 Nutzenpotenziale eines Data Warehouse
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Technischer Nutzen
49
Betriebswirtschaftlicher Nutzen

Verbesserte Datenintegration


Keine dezentralen Datenprüfungen
mehr notwendig
Verbesserte
Informationsbereitstellung

Frühzeitiges Erkennen von Trends

Schnelle Abfragen möglich


Entlastung operativer
Anwendungen
Zügige Reaktion auf
Umweltveränderungen

Verbesserung der
Kundenzufriedenheit

Harmonisierung von Begriffen

Flexible Zugriffsmöglichkeiten
Quelle: SAP
3.2
Data Warehouse
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2.1 Nutzenpotentiale eines OLTP im Vergleich zum Data
Warehouse
Online Transaction Processing
DWH
50

Ziel
Effizienz durch Automation
Vorteile durch Wissensgenerierung

Inhalt der Daten
Anwendungs- & funktionsbezogen
Themenbezogen

Art der Daten
Transaktionsdaten
Aggregierte- & Transaktionsdaten

Alter der Daten
Aktuell, zeitnah: 30-60 Tage
Historisch, aktuell, zukünftig

Datenvolumen
Klein
Sehr umfangreich

Hauptfunktionalität
Häufige Änderungen
Zeitabhängige Auswertungen

State of the Art beim
Normalisiert
Relationale & multidimensionale DB
Erlaubte Operationen auf
Einfügen, Aktualisieren, Löschen,
Lesen
den Datenbestand
Lesen
Datenbanksystem

Quelle: SAP
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
3.2
Data Warehouse
3.2.2 ETL Prozess
Bevor BI relevante Daten im DW bereit gestellt werden können, sind
umfangreiche Bearbeitungsaktivitäten erforderlich.
Im ETL-Prozess werden die operativen Systeme aufgegriffen und in
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
betriebswirtschaftlich interpretierbare Daten transformiert.

ETL besteht aus 3 nachfolgenden Prozessschritten:

Extraktion der relevanten Daten aus verschiedenen Quellen (Filterung)

Transformation der Daten in das Schema und Format der Zieldatenbank
(syntaktische und semantische Datenaufbereitung)

Laden der Daten in das Data Warehouse (Datenübernahme in das DW)
52
3.2
Data Warehouse
53
3.2.2 ETL Prozess
Extraktion
Data Warehouse

Erster Schritt

Auswahl der Daten aus
Quellsystem

Vorbereitung der Daten für
Transformation

In der Regel wird nur ein Ausschnitt
aus den Quelldaten selektiert
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Bereinigte Rohdaten
Extrakt
Interne
Datenquelle
Extrakt
Externe
Datenquelle
3.2
Data Warehouse
3.2.2 ETL Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Datenquellen

Meist aus verschiedenen Informationssystemen

Oftmals bestehen sie aus unterschiedlichen Datenformaten und
Datenstrukturen.

Im Idealfall sind die Daten in relationalen Datenbanken abgelegt.

Unstrukturierte Textdaten lassen sich nur schwer einlesen!
ETL- Tools ermöglichen den Zugriff auf vielfältige Datenformate.
Quelle: SAP
54
3.2
Data Warehouse
3.2.2 ETL Prozess
Aktualität der Datenquellen
Extraktion muss regelmäßig stattfinden

Asynchrone Extraktion
 Periodisch
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Ereignisgesteuert
 Nachfragegesteuert

Synchrone Extraktion
Oftmals stehen für das Auslesen aus operativen Datenbestände nur begrenzt
Zeitfenster zur Verfügung; daher nachts Zugriff auf Quellsysteme um
den operativen Tagesbetrieb nicht durch aufwendige Lese- und Kopiervorgänge
zu behindern!
Quelle: SAP
55
3.2
Data Warehouse
56
3.2.2 ETL Prozess
Transformation
Unterteilung des
Transformationsprozesses
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
in 4 Einzelschritte:
Quelle: Kemper/Finger 2006, S. 116
1.
Filterung
2.
Harmonisierung
3.
Aggregation
4.
Anreicherung
3.2
Data Warehouse
3.2.2 ETL Prozess
57
Transformation – 1. Schritt: Filterung
Filterung: Extraktion und Bereinigung syntaktischer und inhaltlicher (semantischer)
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Defekte der Daten

Syntaktische Mängel: falsche Steuerzeichen, formale Fehler

Semantische Mängel: Fehler betriebswirtschaftlich-inhaltlicher Art
(offensichtlich falsche Umsatzzahlen)
Quelle: Kemper/Finger 2006, S. 114 ff.
3.2
Data Warehouse
3.2.2 ETL Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Unterscheidung: Mängel 1., 2. und 3. Klasse

1. Klasse: lassen sich automatisch erkennen und während des
Extraktionsvorgangs auch automatisch korrigieren

2. Klasse: Defekterkennung erfolgt automatisch, die Korrektur muss aber
nach dem Extraktionsvorgang manuell vorgenommen werden

3. Klasse: Mängel können ausschließlich manuell erkannt und korrigiert
werden
Die Mängel 2. und 3. Klasse bedingen kurz- oder mittelfristig eine
Fehlerbereinigung in den operativen Quellsystemen!
Quelle: Kemper/Finger 2006, S. 114 ff.
58
3.2
Data Warehouse
3.2.2 ETL Prozess
59
Syntaktische Mängel:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde


1. Klasse:
Bekannte Formatanpassungen
Beispiel:
intern verwendete Sonderzeichen werden durch MappingTabellen automatisch beim Extrahieren erkannt und bereinigt
2. Klasse:
Erkennbare Formatinkompatibilitäten
Beispiel:
Entdecken bislang unberücksichtigter Syntaxvarianten der
operativen Datenquellen / erkennbare Formatinkompatibilitäten
Quelle: Kemper/Finger 2006, S. 114 ff.
3.2
Data Warehouse
3.2.2 ETL Prozess
60
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Semantische Mängel:

1. Klasse:
Fehlende Datenwerte

2. Klasse:
Ausreißerwerte / unstimmige Wertekonstellationen
Beispiel:
Negative Umsatzzahlen; Abhilfe durch Plausibilitätskontrollen,
Domänenüberprüfung zur Identifikation fehlerhafter Datenfelder
3. Klasse:
Unerkannte semantische Fehler in operativen Quellen
Beispiel:
Zuordnung Produkte zu Produktgruppen; Extrahierte Daten
enthalten inkorrekte Datenwerte

Quelle: Kemper/Finger 2006, S. 114 ff.
3.2
Data Warehouse
3.2.2 ETL Prozess
Transformation – 2. Schritt: Harmonisierung der Daten
Die gefilterten und bereinigten Daten werden zusammengeführt
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3 Problemklassen:

Abgleichen von Kodierungen, Synonymen und Homonymen

Auflösen von Schlüsselharmonien

Betriebswirtschaftliche Harmonisierung
Quelle: Kemper/Finger 2006, S. 114 ff.
61
3.2
Data Warehouse
3.2.2 ETL Prozess

Kodierung: Einzelne Datenbestände können unterschiedlich kodiert sein. So
könne Attribute wie Geschlecht in Datenquelle 1 als „M“ / „W“ kodiert sein, in
Datenquelle 2 als „0“ / „1“ Variable
-> Harmonisierung durch einheitlichen Attributwert „0“ / „1“
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
62
3.2
Data Warehouse
3.2.2 ETL Prozess

63
Synonyme = unterschiedliche Attributnamen können die gleiche Bedeutung
haben. Beispielsweise kann in Datenquelle 1 für den Namen von
Betriebsmitarbeitern das Attribut „Personal“ vorgesehen sein, in Datenquelle
2 aber „Mitarbeiter“
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
-> Harmonisierung durch identische Attributnamen

Homonyme = gleiche Attributnamen können unterschiedliche Bedeutung
haben. In Datenquelle 1 kann „Partner“ den Namen von Kunden bezeichnen,
in Datenquelle 2 den Namen von Lieferanten
-> Harmonisierung durch unterschiedliche Attributnamen
3.2
Data Warehouse
3.2.2 ETL Prozess
64
Auflösung von Schlüsseldisharmonien
Beim Zusammenführen von Daten aus mehrer Datenbanken ist ein gemeinsamer
Primärschlüssel notwenig.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Mit Hilfe von Zuordnungstabellen wird jedem neuen Kunden ein künstlicher
Primärschlüssel generiert.
Die Primärschlüssel der operativen Systeme werden als Fremdschlüssel
mitgeführt, so dass übergreifende Datenauswertungen möglich sind.
Im letzten Schritt erfolgt die Vereinheitlichung betriebswirtschaftlicher
Begriffe. Bsp.: Währungen, Periodenzählweise, Einheiten etc.
Quelle: SAP
3.2
Data Warehouse
3.2.2 ETL Prozess
Beispiel: Schlüsseldisharmonien
Kundenreklamation eines schadhaften Ersatzteils.
Herstellerfirma hat anderen Schlüssel als Vertriebsfirma
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
->
Garantiefall ohne angelegten Lieferantenschlüssel und ohne
Beschaffungssystem, kein Kundenschlüssel bekannt
->
Lieferant des schadhaften Ersatzteils ist nicht identifizierbar!
Quelle: SAP
65
3.2
Data Warehouse
3.2.2 ETL Prozess
Transformation – 3. Schritt: Aggregation
Betriebswirtschaftliche Aufbereitung. Die Daten werden in die gewünschte
Granularität (Detaillierungsebene der abgelegten Daten innerhalb eines DWH)
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
überführt.

Aggregationsalgorithmen für tagesaktuelle Daten zusammenfassen

Vorsummierung für betriebswirtschaftliche Kennziffern

Entwicklung von Dimensionshierarchietabellen (Kunde, Kundengruppe,
Gesamt)

Wichtiger Einschnitt was „Neutralität“ der Daten betrifft
Quelle: Kemper/Baars 2008, S. 10; Kemper /Finger 2006, S. 114 ff.
66
3.2
Data Warehouse
3.2.2 ETL Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Granularität

Beschreibt den Detaillierungsgrad von Daten

Sehr detaillierte Daten haben eine niedrige Granularität

Mit steigender Verdichtung der Daten wird eine höhere Granularität erreicht

Die Granularität wirkt sich unmittelbar auf den benötigten Speicherplatz, die
Verarbeitungsgeschwindigkeit und die Flexibilität des Data Warehouses aus
Quelle: Kemper/Finger 2006, S. 132
67
3.2
Data Warehouse
68
3.2.2 ETL Prozess
Transformation – 4. Schritt: Anreicherung
Aufweichung der strikten Trennung
zwischen Daten und Programmlogik. Die
Daten werden um betriebswirtschaftliche
Kennziffern expandiert.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Vorteile:

Abfragen sind effizienter durchführbar

Die errechneten Werte sind wegen der
einmaligen Berechnung konsistenter

Es liegt ein abgestimmtes
betriebswirtschaftliches Instrumentarium
vor
Dieser Prozess findet in der Staging Area
statt!
Quelle: Skript Wirtschaftsuniversität Wien
3.2
Data Warehouse
3.2.2 ETL Prozess
69
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Laden der geprüften Daten

Die vorbereiteten Daten werden in das Data Warehouse integriert.

Hierzu müssen sie physikalisch in die Datenbank des DW verschoben werden
und darauf aufbauende Datenanalysesysteme aktualisiert werden.

Das Laden aus der Staging Area in das DW soll möglichst effizient
geschehen, daher werden meist nicht alle Daten bei jeder Aktualisierung
geladen, sonder nur die Neuen.

Um operativen Betrieb nicht zu beeinträchtigen wird der ETL Prozess meist
über Nacht abgewickelt.
Quelle: SAP
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
3.2
Data Warehouse
3.2.3 Vom DW zum SAP NetWeaver BI
Abfrage- und Analysewerkzeuge
Direktzugriff
Analysen
Berichte
Verdichtungsstufe n
Verdichtungsstufe 2
Metadaten
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Benutzerschnittstelle bzw . Output-Schicht
Data Marts
Verdichtungsstufe 1
Datenbasis
ArchivierungsArchivierungs
systeme
Datenschnittstelle bzw. Input-Schicht
Transformationsprogramme
Unternehmensinterne - und -externe transaktionsorientierte Daten
Quelle: SAP
71
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 SAP NetWeaver BI
Data Warehouse
Quelle: http://www.uniorg.de/page/sap_beratung_netweaver_soa
72
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 Integration SAP NetWeaver BI im SAP NetWeaver
Quelle: SAP
Data Warehouse
73
3.2
Data Warehouse
3.2.3 Integration SAP NetWeaver BI im SAP NetWeaver
Data Warehouse
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
BI Plattform
BI Suite: Business Explorer
Entwicklertechnologien
Quelle: SAP
74
3.2
Data Warehouse
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2.3 SAP NetWeaver BI – Body of Information
Quelle: http://www.youtube.com/watch?v=zB-uBLI_30Q SAP
75
3.2
Data Warehouse
3.2.3 … zur Praxis SAP NetWeaver BI

Die SAP-Lösung für den DWH Bereich ist das SAP NetWeaver BI, sprich es
handelt sich um eine von SAP entwickelte Applikation eines Data
Warehouses

Das SAP NetWeaver BI:
76
 ist für die Datenhaltung und Datenanalyse von SAP interner und externer Daten
entwickelt worden
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 ist inzwischen die Grundlage für verschiedene SAP Anwendungen geworden
 dient der Unterstützung von strategischen und operativen
Unternehmensentscheidungen. Dabei werden Warehouse-Technologien mit
vorkonfigurierten betriebswirtschaftlichen Inhalten (Business Content) miteinander
verbunden. Auf diese Weise wird ein umfassender Überblick über
unternehmensinterne und –externe Daten geboten.
Quelle: SAP
3.2
Data Warehouse
77
3.2.3 Definition SAP NetWeaver BI
Die 3 Ebenen des SAP NetWeaver BI:
 Präsentationsebene
(Auswertungen)
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Administrationsebene
(Aufbereitung der Daten)
Zentraler Punkt: Data
Warehousing Workbench
 Extraktionsebene
(Datenbeschaffung)
Quelle: SAP
3.2
Data Warehouse
78
3.2.3 Administrator Workbench
Zentraler Punkt der BW Verwaltung
und Steuerung
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
BW Erstellung
Pflege
Überwachung
Datenübernahme
einplanen
Daten laden
Datenübernahme
überwachen
Fortschreibungsprozess überwachen
3.2
Data Warehouse
79
3.2.3 Extraktion im SAP NetWeaver BI
Data Warehousing Workbench:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Funktionsbereiche:
Quelle: SAP NetWeaver BI

Modellierung

Administration

Transportanschluss

Dokumente

Business Content

Übersetzung

Metadaten Repository
3.2
Data Warehouse
80
3.2.3 ETL im SAP NetWeaver BI
Data Warehousing Workbench:
Funktionsbereich Modellierung:
Das Werkzeug zur Modellierung von Daten
ist die Data Warehousing Workbench. Je
nach Anforderung für Analyse und Reporting
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
stehen verschiedene BI-Objekte zur
Integration, Transformation, Konsolidierung,
Bereinigung und Ablage von Daten zur
Verfügung. Die BI-Objekte erlauben eine
effiziente Bereitstellung der Daten zur
Analyse und Interpretation.
Quelle: SAP
3.2
Data Warehouse
81
3.2.3 ETL im SAP NetWeaver BI
Data Warehousing Workbench (RSA1)
Die Data Warehousing Workbench (DWB),
ist für die Aufgaben im Data
Warehousing Prozess das zentrale
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Werkzeug.
Sie stellt die Funktionen zur
Datenmodellierung sowie zur Steuerung,
Überwachung und Pflege aller mit der
Datenbeschaffung, -haltung und
–verarbeitung verbundenen Prozesse
im SAP NetWeaver BI zur Verfügung.
Quelle: SAP NetWeaver BI
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 Extraktion im SAP NetWeaver BI
Quelle: SAP
Data Warehouse
Extraktionsebene
82
3.2
Data Warehouse
3.2.3 Extraktion im SAP NetWeaver BI

Einspeisung der Daten sowohl aus dem ERP als auch aus
Fremdsystemen:
 Andere SAP NetWeaver BI-Systeme
 SAP CRM
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Flat-Files
 Datenbanksysteme
 XML

PSA = Persisting Staging Area = Eingangsschnittstelle
Quelle: SAP
83
3.2
Data Warehouse
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
 InfoArea anlegen
 InfoObjectCataloge anlegen
 InfoObjects anlegen
 InfoCube anlegen
 Struktur fertig angelegt, jetzt mit Daten füllen!
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Anwendungskomponente anlegen
 DataSources anlegen
 Transformation anlegen
 InfoPackages laden
 Datentransferprozess anlegen
 Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind!
Quelle: SAP
84
3.2
Data Warehouse
3.2.3 Überblick einzelne Schritte

Der Weg zur PSA:
 InfoArea anlegen
 InfoObjectCataloge anlegen (beinhaltet Merkmale / Kennzeichen)
 InfoObjects anlegen (kleinste Einheit!)
 InfoCube anlegen
 Struktur fertig angelegt, jetzt mit Daten füllen!
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Anwendungskomponente anlegen
 DataSources anlegen (woher kommen die Daten?)
 Transformation anlegen (Zuordnung)
 InfoPackages laden
 Datentransferprozess anlegen
 Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind!
Quelle: SAP
85
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 Extraktion im SAP NetWeaver BI
Data Warehouse
Quelle: SAP NetWeaver BI
86
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 Anlegen eines Merkmals
Data Warehouse
Quelle: SAP NetWeaver BI
87
3.2
Data Warehouse
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
 InfoArea anlegen
InfoProvider ist eine persistente Datenablage, er stellt die Daten für Analyse,
Reporting und Planung zur Verfügung
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
(Modellierungsebene der Data Warehousing Workbench)
Quelle: SAP
88
3.2
Data Warehouse
89
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
 InfoObjectCataloge anlegen
IOC beinhaltet mehrere InfoObjects (Merkmale oder Kennzahlen), dient somit
einer besseren Strukturierung und ist im InfoObjectsbaum integriert.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Ist ein IOC angelegt, kann er mit InfoObjects (kleinste Einheiten des BI) gefüllt werden.
Quelle: SAP
3.2
Data Warehouse
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
 InfoCube anlegen
 Mehrdimensionale Ablage für den Decision Support.
 Wird aus einer oder mehreren DataSources gefüllt und enthält zwei Arten von
Daten: Merkmale und Kennzahlen
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Bildet das Datenmodell des SAP Business Information Warehouse.
 Technische Sicht: InfoCube besteht aus einigen relationalen Tabellen die nach
dem Star-Schema zusammengestellt sind. Eine große Faktentabelle im Zentrum
(Kennzahlen) und mehrere sie umgebende Dimensionstabellen (Merkmale).

 Struktur fertig angelegt, jetzt mit Daten füllen!
Quelle: SAP
90
3.2
Data Warehouse
3.2.3 Exkurs: Stern (Star) Schema
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Zwei Arten von Tabellen:

Faktentabellen beinhalten
betriebswirtschaftliche Daten
wie Umsatz, Verkaufsdaten
usw.

Zu jeder Faktentabelle sind
Dimensionstabellen verbunden, die die Geschäftsstrukturen des Unternehmens
beschreiben.
Quelle: http://de.wikipedia.org/wiki/Sternschema
91
3.2
Data Warehouse
92
3.2.3 Szenario
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Sie sind Praktikant des anerkannten PC Vertriebsunternehmens WIF (Wir
Informieren Fachleute). Im Rahmen Ihrer Praktikumsstelle will das Unternehmen
testen wie fit Sie im Umgang mit spezieller Systemsoftware sind, in diesem Fall
der SAP NetWeaver BI.
Sie sollen mit Hilfe dieser Software Unternehmensdaten in das Data Warehouse
laden und diese entscheidungsrelevant aufbereiten. Dazu empfiehlt es sich nach
spezifischen Kennzahlen (Umsatz, Produktpreise,..) und Merkmalen
(Buchungskreis, Kunden, Kundengruppen,..) zu suchen, welche anschließend in
Form eines Daten-Würfels vorliegen und somit auch eine Analysebasis für
zukünftig umfangreichere Daten bilden.
Sind die Daten in Form einer aussagekräftigen Grafik mit Hilfe des Query
Designers verfügbar, steht einer Festanstellung nichts mehr im Wege!
3.2
Data Warehouse
3.2.3 ETL im SAP NetWeaver BI
Analysieren Sie zuerst die auf M:\Win\WI_Infos\SAP NetWeaver BI\Daten
bereitgestellten Dateien.
Übungen 11 - 17:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Einführende Aufgaben zu SAP NetWeaver BI
93
Wiederholung
94
ETL Prozess
Data
Warehouse
Laden
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Transformation
Filterung
Harmonisierung
Anreicherung
Aggregation
Extraktion
Interne /
Externe
Datenquellen
ERP
System
Operative
Systeme
Wiederholung
95
Überblick SAP Prozessablauf
1
2
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3
Produkt
Buchungskreis
InfoObjects Kunde
Kundengruppe
Produktgruppe
3
Umsatz
InfoObjects Preis
Menge
InfoArea
Merkmale
InfoObjectCatalog
Kennzeichen
4
InfoCube
InfoProvider
Data Warehousing Workbench - Modellierung
Wiederholung
96
Überblick SAP Prozessablauf
1
3
InfoArea
2
InfoObjectCatalog Merkmale
Kennzeichen
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
4
3
Produkt
InfoObjects Kunde
Kundengruppe
Produktgruppe
Buchungskreis
Umsatz
InfoObjects Preis
Menge
InfoCube
InfoProvider
5
9
Anwendungskomponente
6
7
DTP
Transformation/
Synchronisation
DataSources
8
InfoPackage
10
Prüfen!
Data Source
Data Warehousing Workbench - Modellierung
3.2
Data Warehouse
97
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
 Anwendungskomponente anlegen (wichtig für Strukturierung der DataSources)
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 DataSources anlegen
Anwendungskomponente
Quelle: SAP
3.2
Data Warehouse
98
3.2.3 ETL im SAP NetWeaver BI
DataSource
Eine DataSource beschreibt das Datenangebot eines Quellsystems in Form von
Feldstrukturen.
Diese Feldstrukturen nennt man Transferstruktur. Sie beschreibt die Felder der
DataSource in deren Reihenfolge.
Definition
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde

Eine DataSource ist eine Menge von Feldern, die dem BI die Daten zu einer
betriebswirtschaftlichen Einheit zur Datenübertragung zur Verfügung stellt. Technisch
gesehen umfasst die DataSource eine Menge von logisch zusammengehörigen
Feldern, die in einer flachen Struktur (Extraktstruktur) bzw. für Hierarchien in mehreren
flachen Strukturen zur Datenübertragung ins BI angeboten werden.
Verwendung

DataSources liefern die Metadatenbeschreibung der Quelldaten. Sie werden für die
Datenextraktion aus einem Quellsystem und Übertragung der Daten ins BI oder für den
direkten Zugriff auf die Quelldaten aus dem BI heraus verwendet.
Quelle: SAP NetWeaver BI
3.2
Data Warehouse
99
3.2.3 Extraktion im SAP NetWeaver BI
Flatfiles
Dateien mit fest strukturiertem Aufbau,
der für jede Zeile der Datei identisch ist.
Das SAP NetWeaver BI ist in der Lage,
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
eine vorgegebene Anzahl von Zeilen zu
Beginn des Flatfiles zu überspringen.
Dies ermöglicht, zu Anfang des Flatfiles
Informationen wie beispielsweise
Feldnamen abzulegen.
Quelle: SAP NetWeaver BI; Mehrwald 2008, S. 341
3.2
Data Warehouse
100
3.2.3 Extraktion im SAP NetWeaver BI
Feste Struktur vs. CSV-Format
Zwei Möglichkeiten um Felder innerhalb
der Datei zu beschreiben:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde

Feste Datensatzlänge
Feste Länge des Datensatzes und
jeden einzelnen Feldes wird vorab
bestimmt

Quelle: Mehrwald 2008, S. 341
.
Comma-Seperated Values
3.2
Data Warehouse
3.2.3 Extraktion im SAP NetWeaver BI

Der Weg zur PSA:
 Transformation anlegen
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Konsolidierung, Bereinigung und Integration der Daten, entspricht der
Synchronisation von Daten aus externen Quellen.
Quelle: SAP
101
3.2
Data Warehouse
102
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
 InfoPackages laden
InfoPackages fordern die Daten einer gewünschten DataSource für ein Quellsystem
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
an
Quelle: SAP
3.2
Data Warehouse
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
 Datentransferprozess (DTP) anlegen
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Übertragung der Daten in das gewünschte Datenziel
Quelle: SAP
103
3.2
Data Warehouse
3.2.3 ETL im SAP NetWeaver BI

Der Weg zur PSA:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind!
Quelle: SAP
104
3.2
Data Warehouse
105
3.2.3 Extraktion im SAP NetWeaver BI
Persistent Staging Area (PSA):
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Eingangslayer für Daten im BI
Quelle: SAP

Stellt Eingangsablage von
angeforderten Daten aus
verschiedenen Quellsystemen dar.

Die angeforderten Daten werden
unverändert in Form der
Transferstruktur in transparenten,
relationalen Datenbanktabellen
abgelegt.

Der Eingangslayer wird über die
Data Source verwaltet, dabei wird
die PSA Tabelle erzeugt, wenn die
Data Source aktiviert
wird.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 Extraktion im SAP NetWeaver BI
Quelle: SAP
Data Warehouse
Aufgaben 18 - 29
106
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 SAP NetWeaver BI
Quelle: SAP
Data Warehouse
Administrationsebene
107
3.2
Data Warehouse
108
3.2.3 SAP NetWeaver BI
Administrationsebene
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Metadaten-Repository
Quelle: SAP

Data Warehouse Systeme geraten
schnell zu einer „Black Box“, wenn die
verwendeten Daten und Datenflüsse
nicht transparent gehalten sind.

Im Metadaten-Repository werden
sämtliche Objekte zentral abgelegt.

Die dort abgelegten Objekte erfüllen
unterschiedliche technische oder
betriebswirtschaftliche Funtionen und
lasssen sich in 3 Schichten gliedern:

Datenbank

ABAP Dictionary

Apllikationen (SAP NetWeaver BI
Objekte Bsp.: InfoObject, InfoAreas,..)
3.2
Data Warehouse
109
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2.3 Extraktion im SAP NetWeaver BI
DATASOURCE
INFOCUBE mit
Transferstruktur
INFOSOURCE
Fortschreibungsregeln
Kommunikationsstruktur
mit Übertragungsregeln
Quelle: SAP
(heute: DSO!)
3.2
Data Warehouse
110
3.2.3 Extraktion im SAP NetWeaver BI
Administrationsebene
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Master Data

Dokumente für Stammdaten

Stellt Konsistenz sicher

Aktuelle und stichtagsbezogene
Darstellung von Attributen und
Merkmalen

Texte eines Merkmals

Attribute eines Merkmals

Externe Hierarchien
flache Struktur

DataStore-Objekt
Fasst Merkmale und Kennzahlen in
Tabllenform zusammen!
Quelle: SAP NetWeaver BI
3.2
Data Warehouse
111
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2.3 ETL im SAP NetWeaver BI
Quelle: SAP

Sicherung der Daten in DataStore
Objects und InfoCubes um
Historisierung zu ermöglichen.

Wichtig für Transparenz im
Unternehmen.

Bei Mitarbeiterwechsel oder
Regionsverschiebungen besteht
weiterhin die Möglichkeit der
Nachvollzeihung der getätigten
Geschäftsgänge.

Vergleichsmöglichkeit aktueller zu
historischer Daten. Dadurch Sicht auf
Trendentwicklungen.
3.2
Data Warehouse
112
3.2.3 Historisierung im Rahmen des ETL-Prozesses
Historisierung
temporäre Daten
historische Daten
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
ERPSystem
non ERPSystem
external
data
PSA
ODS
historische
Basis
PSA - Persistent Staging Area
ODS - Operational Data Store
InfoCubes
3.2
Data Warehouse
3.2.3 Historisierung

Unterscheidung zwischen:
 Aktueller Sicht
 Historische Wahrheit
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde

Typisches Szenario
 Bis zum 30.11.2008 arbeitet Verkäufer Hr. Hesseuner im Vertriebsbüro
Memmingen.
 Ab dem 1.12.2008 wechselt er in das Vertriebsbüro Augsburg.
 Ab dem 1.12.2008 wird Hr. Bidenk im Vertriebsbüro Ingolstadt neu eingestellt.
113
3.2
Data Warehouse
114
3.2.3 Historisierung
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Zuordnung in 11.2008
Zuordnung in 12.2008
Verkäufer
Vertriebsbüro
Verkäufer
Vertriebsbüro
Minsendeck
Memmingen
Minsendeck
Memmingen
Hesseuner
Memmingen
Hesseuner
Augsburg
Schland
Augsburg
Schland
Augsburg
Wichner
Augsburg
Wichner
Augsburg
Bidenk
Ingolstadt
3.2
Data Warehouse

Aktuelle Sicht
3.2.3 Historisierung
Es kommt nur darauf an, zu welchem Vertriebsbüro der Verkäufer gehört,
wenn die Query ausgeführt wird.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Das bedeutet, dass auch die ursprünglich in einem anderen Vertriebsbüro
angefallenen Umsätze des Verkäufers in der Query für das neue
Vertriebsbüro angezeigt werden.
 Vereinfacht Vergleiche mit Vergangenheitszeiträumen (z.Bsp.: Vorjahr)
115
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 Historisierung
Data Warehouse
Umsätze in 11./12. 2008
116
Aktuelle Sicht
3.2
Data Warehouse
117
3.2.3 Historisierung

Historische Wahrheit
Es kommt darauf an, zu welchem Vertriebsbüro der Verkäufer zum Zeitpunkt
seines Verkaufvorgangs gehört.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Das bedeutet, dass die Umsätze dann beim damals gültigen Verkaufsbüro
verbleiben.
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.2
3.2.3 Historisierung
Data Warehouse
Umsätze in 11./12. 2008
118
Historische Wahrheit
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
3.2.1
Definition BI
3.2.2
Analyse im SAP NetWeaver BI
3.3
Business Intelligence
3.3.1 Definition
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Definition Business Intelligence (BI)

Systeme und Prozesse zum Sammeln von internen und externen
Unternehmensdaten und –informationen

Einer systematischen Analyse dieser gesammelten Daten

Die Verwertung dieser Daten als nutzbringende Informationen
Ziel des BI ist eine verbesserte und flexiblere Gewinnung von Erkenntnissen zu
Entscheidungsunterstützung des Managements in planenden, steuernden und
koordinierenden Tätigkeiten!
Quelle: Kießwetter/Vahlkamp 2007, S. 21
120
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.1 Definition
Business Intelligence
Quelle: Humm/Wietek 2005, S. 4
121
3.3
Business Intelligence
122
3.3.1 Definition
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
BI unterteilt sich in 3 Phasen:
Quelle: Kießwetter/Vahlkamp 2007, S. 21
1.
Erfassung relevanter Daten in
einem Datenspeicher
2.
Analyse und Erweiterung der
Daten
3.
Aus den Daten gewonnene
Informationen werden zur
Entscheidungsunterstützung
herangezogen
3.3
Business Intelligence
123
3.3.1 Definition
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Data Warehouse
Bereinigte Rohdaten
Extrakt
Extrakt
Interne
Datenquelle
Externe
Datenquelle
1 Grundlagen
2 SAP CRM
3 SAP BI
3.1
Übersicht
3.2
3.3
Einführung
3.1.1
Definition analytisches CRM
3.1.2
Closed-Loop-Prozess
3.1.3
SAP
Data Warehouse
3.2.1
Definition Data Warehouse
3.2.2
ETL Prozess
3.2.3
SAP NetWeaver BI
Business Intelligence
3.2.1
Definition BI
3.2.2
Analyse im SAP NetWeaver BI
3.3
Business Intelligence
125
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3.2 Beispiel: Management Cockpit
Quelle: http://hitaki.net/diary/images/fs2004_737_cockpit.jpg , am 07.11.2008
http://www.juergendaum.com/news/11_01_2005_d-Dateien/image007.gif, am 07.11.2008
3.3
Business Intelligence
3.3.2 Beispiel: Management Cockpit
Management Cockpit:
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Präsentation und Diskussion unterschiedlicher Strategien zur Visualisierung
entscheidungsrelevanter Daten, wie man sie heute typischerweise in
entscheidungsunterstützenden Informationssystemen (Management Support
Systems) findet.
Die zunehmende Bedeutung derartiger Systeme in der betrieblichen Praxis hat
dazu geführt, dass Fragestellungen hinsichtlich adäquater Formen der
computerbasierten Visualisierung von entscheidungsrelevanten Daten für das
Management immer mehr an praktischer Bedeutung gewinnen!
Quelle: Burger 2006, S. 4
126
3.3
Business Intelligence
127
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3.2 Beispiel: Online Analytical Processing (OLAP)

Pivoting bedeutet drehen des Datenwürfels

Slicing ist das Setzen von Filtern; Dadurch wird eine Datenscheibe erzeugt

Dicing ist das erzeugen eines „kleineren“ Datenwürfels durch Slicing auf ein
Intervall

Drill Down bedeutet allgemein das Hinzufügen zusätzlicher Informationen zu
einem Report

Roll up = Gegenteil von Drill Down

Als einen Drill Across bezeichnet man das Austauschen der X- und YAchsen

Einige Data Warehouse Systeme bieten die Möglichkeit, auch auf Daten zu
reporten, die gar nicht im Warehouse selbst, sondern nur in den OLTPSystemen gespeichert sind. Ein Beispiel hierfür könnten einzelne
Buchhaltungsbelege sein. Diese Fähigkeit wird Drill Through genannt.
Quelle: SAP
3.3
Business Intelligence
3.3.2 Beispiel: OLAP
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Online Analytical Processing = OLAP
Slicing, Dicing, Rotation!
Quelle: IBI Institute for Business Intelligence
128
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Beispiel: OLAP
Business Intelligence
Quelle: IBI Institute for Business Intelligence
129
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Beispiel: OLAP
Business Intelligence
Quelle: IBI Institute for Business Intelligence
130
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Analyse im SAP NetWeaver BI
Quelle: SAP
Business Intelligence
Präsentationsebene
131
3.3
Business Intelligence
132
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3.2 Präsentation im SAP NetWeaver BI

In die Präsentationsebene oder auch Decision-Support-Schicht (DSS), fallen
alle Tools, mit denen Daten des Data Warehouses abgefragt und
entscheidungsrelevant aufbereitet werden.

Zusätzlich zu der Möglichkeit auf externen DSS Tools mit Daten zu beliefern,
verfügt das SAP NetWeaver BI über eigene entscheidungsunterstützende
Tools. Diese sind in der Produktionssuite des Business Explorer (BEx)
zusammengefasst.  SAP BI Suite!
Quelle: SAP
3.3
Business Intelligence
133
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3.2 Business Explorer (SAP BI Suite)
Quelle: SAP

Komponente des SAP Business
Information Warehouses

Bietet flexible Reporting- und
Analysewerkzeuge zur
strategischen Analyse und
Entscheidungsunterstützung

Query-, Reporting und
Analysefunktionen

Auswertung historischer und
aktueller Daten in unterschiedlichen
Detaillierungsstufen und
unterschiedlicher Perspektiven
3.3
Business Intelligence
134
3.3.2 Funktionsbereiche des BEx

Nahtlose Integration in das SAP
Enterprise Portal

BEx Information Broadcasting

BEx Web
 Web Application Design
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 BEx Web Application Designer
 BEx Web Analyzer
 BEx Mobile Intelligence

Quelle: SAP
BEx Analyzer
3.3
Business Intelligence
135
3.3.2 Business Explorer Analyzer

Analyse- und Reportingwerkzeug des Business Explorer, eingebettet in
Microsoft Excel

Funktionsumfang:
 Definition von Queries
 Interaktive Auswertung und Präsentation der InfoProvider Daten
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Queries in Arbeitsmappen einfügen
 Navigation in Queries
 Queries können danach in Excel weiterverarbeitet werden oder im Web Browser
angezeigt werden

Ergebnis:
Unterschiedliche Sichten auf die InfoProvider Daten
Quelle: SAP
3.3
Business Intelligence
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3.2 Business Explorer Query Designer

Bietet grafische Oberfläche zur Modellierung von Abfragen aus dem
Infoprovider

Query: Datenbankabfrage, welche eine bestimmte Sicht auf den
Datenbestand liefert. Die Dimensionen eines InfoCubes (Merkmale und
Kennzahlen) können in beliebige Zeilen und Spalten angeordnet werden.
Quelle: SAP
136
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Analyse im SAP NetWeaver BI
Quelle: SAP
Business Intelligence
Übungen 30 - 36
137
3.3
Business Intelligence
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3.2 Analyseprozessdesigner

Die Daten des SAP Netweaver BI enthalten oftmals noch versteckte
Informationen oder komplexe Beziehungen zwischen den Daten.

Dabei handelt es sich um weiteres, wertvolles Potential in Form von
vollkommen neuen Informationen.

Der Analyseprozessdesigner entspricht einer SAP Data Mining Lösung, mit
folgenden Funktionen:
 Anlegen und Ändern von Data-Mining-Modellen
 Trainieren von Data-Mining-Modellen
 Ausführen von Data-Mining-Methoden
 Visualisierung von Data-Mining-Modellen
Quelle: SAP
138
3
Analyse im Rahmen des Business Intelligence
3.3 Analyseprozessdesigner

Einfache und intuitive Bedienbarkeit: angebotene Funktionen können per
Drag & Drop zu einem Analyseprozess zusammengesetzt werden

Ein Analyseprozess verläuft grob in 3 Phasen:
1. Datenquelle
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
In diesem Schritt werden die Quellen, aus denen die zu analysierenden Daten
extrahiert werden, festgelegt.
2. Transformation
Legt die Verarbeitungsvorschriften für die Aufbereitung und Analyse der Daten
fest.
3. Datenziel
Definiert wie und wo die Ergebnisdaten für die Präsentation und Analyse
gespeichert werden.
Quelle: SAP
139
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Analyseprozessdesigner

Business Intelligence
TA: RSANWB
Quelle: SAP
140
3.3
Business Intelligence
141
3.3.2 Analyseprozessdesigner
Menüleiste
Drucktastenleiste
Navigationsbereich
Kopfdaten
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Modellierungsbereich
TIPP: Sichern Sie nach jedem Teilschritt!!!
Quelle: SAP
3.3
Business Intelligence
142
3.3.2 Analyseprozessdesigner
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Einzelne Prozessphasen:
1.
Auswahl der Daten
2.
Vorbereitung der Daten
3.
Transformation
4.
Speichern der transformierten
Daten
5.
Anzeigen der Daten in BEx
(Analyse)
Dabei besteht die Möglichkeit zur Wahl
zwischen verschiedenen Datenquellen,
Transformationen und Datenzielen.
Quelle: SAP
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Analyseprozessdesigner

Business Intelligence
Datenquellen
Quelle: SAP
143
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Analyseprozessdesigner

Business Intelligence
Transformationen (Auswahl)
Quelle: SAP
144
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Analyseprozessdesigner

Business Intelligence
Datenziele
Quelle: SAP
145
3.3
Business Intelligence
3.3.2 Analyseprozessdesigner

Geschlossener Kreislauf
 Daten extrahieren
 Daten transformieren
 Daten laden
 Daten analysieren
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Daten visualisieren
 Daten nutzten (Kampagne, etc)
 Daten in CRM System überführen und profitieren!!!
Quelle: SAP
146
3.3
Business Intelligence
147
3.3.2 Aufbau eines Entscheidungsbaums
Wurzel
Split
Knoten
Knoten
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Kanten
Blatt
Blatt
Quelle: SAP
Blatt
Knoten
Blatt
Blatt
Blatt
3.3
Business Intelligence
148
3.3.2 Beispielszenario
Geschlecht Versicherungsnehmer
weiblich
männlich
Alter
Einkommen
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
> 35
< 3.200 €
< 35
Nein
Einkommen
< 2.500 €
Ja
Ja
> 2.500 €
Nein
Wird Versicherungsnehmer Schadensfall melden?
Quelle: SAP
> 3.200 €
Nein
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Entscheidungsbaum im SAP NetWeaver BI
Quelle: SAP
Business Intelligence
149
3.3
Business Intelligence
3.3.2 Nutzung von Prognosen in SAP – Closing the Loop

Innerhalb SAP Netweaver BI:
 Speicherung in DSO
 Darstellung und Analyse mittels BEx oder Third-Party-Produkten

In SAP Customer Relationship Management:
 Anlage von Marketingmerkmalen
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
 Information beim Kunden
 Weitere Pflege durch Mitarbeiter
 Selektionskriterien für Kampagnen
 Zielgruppenbestimmung für Kampagnen
3.3
Business Intelligence
3.3.2 Vom DW zum SAP NetWeaver BI
Abfrage- und Analysewerkzeuge
Direktzugriff
Analysen
Berichte
Verdichtungsstufe n
Verdichtungsstufe 2
Metadaten
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Benutzerschnittstelle bzw . Output-Schicht
Data Marts
Verdichtungsstufe 1
Datenbasis
ArchivierungsArchivierungs
systeme
Datenschnittstelle bzw. Input-Schicht
Transformationsprogramme
Unternehmensinterne - und -externe transaktionsorientierte Daten
Quelle: SAP
151
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
3.3
3.3.2 Analyse im SAP NetWeaver BI
Quelle: SAP
Business Intelligence
Übungen 37 - 53
152
153
Closed-Loop-Prozess
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
Ziel:
Operative Daten in
analysierbare Informationen
umzuwandeln, daraus Action
Knowledge
(handlungsauslösendes
Wissen) zu generieren um
damit wieder Einfluss auf die
operativen Systeme zu
nehmen.
Quelle: Egger et al. 2007a, S. 27
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Prof. Dr. Klaus D. Wilde
154
Viel Erfolg bei der Klausur
und schöne Ferien !!

Similar documents