Datenmanagement: Das R/3 Business Information Warehouse

Inhaltsverzeichnis

Abbkürzungsverzeichnis

I. Einleitung
1.1 Ziel und Aufbau der Arbeit
1.2 Bisherige Informationssysteme und deren Spezifika
1.2.1 Management-Informations-Systems (MIS)
1.2.2 Decision-Support-Systems (DSS)
1.2.3 Executive-Information-Systems (EIS)
1.3 Die Entwicklung zum Data Warehouse

II. Das Data Warehouse Konzept
2.1 Definition
2.1.1 Data Warehouse im engeren Sinn
2.1.2 Data Warehouse im weiteren Sinn
2.2 Anforderungen an ein Data Warehouse
2.2.1. Orientierung an den unternehmensbestimmenden Sachverhalten
2.2.2. Struktur- und Fornatvereinheitlichung
2.2.3. Nicht-Volatilit ä t
2.2.4. Zeitraumbezug
2.3. Aufbau eines Data Warehouse
2.3.1 Datenbasis
2.3.1.1 Granularität
2.3.1.2 Partitionierung
2.3.1.3 Denormalisierung
2.3.2 Transformationsprogramme
2.3.3 Archivierungssystem
2.3.4 Meta-Datenbanksystem
2.3.5 Auswertungstools
2.4 Ziele eines Data Warehouse
2.4.1 Technische Ziele
2.4.2 Betriebswirtschaftliche Ziele

III. Die Nutzung des Data Warehouse zum Lieferkettenmanagement
3.1 Beschaffungssektor
3.2 Lagerhaltungssektor
3.3 Produktionssektor
3.4 Distributionssektor

IV. Die R/3 Lösung: Das Business Information Warehouse
4.1 Production Data Extractor
4.2 Datenbereitstellungsystem
4.3 Administrator Workbench
4.4 InfoCubes
4.5 Repository für Metadaten
4.6 Speicher für operative Daten
4.7 Business Explorer
4.7.1 Auswertungen und Berichtswesen
4.7.1.1 "Slice and Dice"
4.7.1.2 Business Analysis Library
4.7.2 Report Catalog Browser

V. Schlußbetrachtung und Ausblick Abbildungsverzeichnis

Literaturverzeichnis

Abbkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

I Einleitung

1.1. Ziel und Aufbau der Arbeit

Fortschreitende Globalisierung der Märkte, zunehmender Wettbewerbsdruck, Verkürzung von Produktlebenszyklen. In der heutigen Zeit stehen die Unternehmen einer immer dynamischer werdenden Umwelt gegenüber. Entscheidungen müssen schneller und zuverlässiger getroffen und in kürzer werdenden Abständen überdacht und kontrolliert werden. .Der rasche, flexible und zielgerichtete Zugriff auf entscheidungsrelevante Informationen wird dementsprechend immer mehr zu einem bedeutsamen Wettbewerbsfaktor.

Aufbauen auf dieser Erkenntnis ist das Ziel dieser Arbeit, ein Konzept vorzustellen dessen Intention es ist funktions- und unternehmensübergreifend entscheidungsrelevante Daten zu sammeln: Das Data Warehouse. In diesem Zusammenhang wird insbesondere der Lösung des Softwareunternehmens SAP - dem R/3 Business Information Warehouse - besondere Aufmerksamkeit geschenkt.

Zur Einführung werden diesbezüglich zunächst die bisherigen Informationssysteme und deren Spezifika und die Entwicklung zur Data Warehouse Konzeption vorgestellt (Kapitel 1.2, 1.3). Im zweiten Teil der Arbeit werden dann Anforderungen, Aufbau sowie Ziele eines Data Warehouses erarbeitet, um dann im dritten Teil näher auf dessen Nutzungsmöglichkeiten, insbesondere zum Management von Lieferketten einzugehen. Das vierte Kapitel beschäftigt sich mit dem Business Information Warehouse im Vergleich mit der zuvor vorgestellten Grundkonzeption. Abschließend folgt eine kritische Betrachtung der R/3- Lösung und der Ausblick auf zukünftige Entwicklungen in diesem Bereich

1.2. Bisherige Informationssysteme und deren Spezifika

Schon seit den 60er Jahren gibt es durch den gestiegenen Informationsbedarf Bestrebungen, dem Management DV-Anwendungssysteme zur Verfügung zu stellen deren Funktionen über die üblichen Administrations- und Dipositionsaufgaben hinaus gehen1 (S.50f). Nachfolgend soll zum besseren Verständnis der folgenden Kapitel nur die grundlegenden Spezifika der einzelnen Systeme dargestellt werden.

1.2.1 Management-Informations-Systems (MIS)

MIS sind EDV-gestützte Verfahren, die dem Management ermöglichen aus den im operativen Bereich gewonnenen Daten, mehr oder weniger detaillierte oder verdichtete Informationen zu extrahieren. Es werden jedoch keine Werkzeuge, d.h. Methoden oder Modelle zur Lösung von komplexen Problemstellungen mitgeliefert 2a (S.339) / 2b (S.51f)

1.2.2 Decision-Support-Systems (DSS)

Im Gegensatz dazu stehen die DSS, die sich an dem realen Verhalten von Managern bei der Problemlösung orientieren. Bei den Decision-Support-Systems, bzw. Entscheidungsunterstützungssystemen steht somit nicht alleine die Informationsversorgung im Vordergrund sondern die Unterstützung bei der Lösung von Fachproblemen mit Hilfe entsprechender Modelle und Methoden 3a (S.190) / 3b (S.52f)

1.2.3 Executive-Information-Systems (EIS)

Die sogenannten Executive-Information-Systems bilden die höchste Stufe der Informationssysteme. Überwiegend für das Top-Management entwickelt zeichnen sich die EIS durch einfach zu bedienende, meist grafische Benutzeroberflächen und durch ausgeprägte Kommunikationselemente aus. Möglichkeiten zur Einbeziehung von externen Daten und der Schwerpunkt auf Datengewinnung und -analyse sind weitere Merkmale der EIS 4a(S.223) / 4b(S.57f).

1.3. Die Entwicklung zum Data Warehouse

Ein gemeinsames Problem aller oben aufgeführten Management-Unterstützungsysteme in der Vergangenheit war, daß es sich überwiegend um Insellösungen handelte, die nur Teilaspekte der betrieblichen Entscheidungsprobleme darstellen konnten 5 (S.6-8). In konkreten Entscheidungssituationen werden jedoch in den meisten Fällen Informationen aus unterschiedlichen Unternehmensbereichen in mehr oder weniger stark verdichteter Form benötigt. Das macht deutlich, daß neben der unabdingbaren horizontalen Datenintegration auch die vertikale Datenintegration angestrebt werden muß, damit nicht nur die durchgängige Datenversorgung der Administrations- und Dispositionssysteme, sondern auch der Unternehmensführungssysteme gewährleistet wird 6(S,16) . Seit Anfang der 80er Jahre gibt es deshalb Bestrebungen ein Konzept zu schaffen mit dessen Hilfe die relevanten Informationen aus allen Unternehmensbereichen über eine einheitliche Schnittstelle ausgegeben werden können 7(S.19). Von W.H. Inmon wurde später dann der zu diesem Konzept gehörende Begriff des Data Warehouse geprägt 8(S.1f).

II Das Data Warehouse Konzept

2.1. Definition

2.1.1. Data Warehouse im engeren Sinn

Nach der Definition von W.H. Inmon hat ein Data Warehouse die Aufgabe, inhaltsorientiert, integriert, nicht-volatil und zeitraumbezogen Informationen zur Unterstützung von Entscheidern zu sammeln, zu transformieren und zu verteilen 9(S.29).

2.1.2. Data Warehouse im weiteren Sinn

Im weiteren Sinne ist ein Data Warehouse eine Architektur, die neben der Datenbasis auch Werkzeuge zur Datentransformation und -auswertung umfaßt 10(S.134).

2.2. Anforderungen an ein Data Warehouse

Aufbauend auf der Definition von W.H. Inmon ergeben sich vier Kernforderungen an ein idealtypisches Data Warehouse:

2.2.1 Orientierung an den unternehmensbestimmenden Sachverhalten

Ein Data Warehouse soll all jene Daten sammeln und bereitstellen, die das Handeln und den Erfolg eines Unternehmens bestimmen 11a(S.88) / 11b(S.196). Das bedeutet, daß ein Data Warehouse neben der Integration externer Informationen auch mehrdimensionales Betrachten von Daten ermöglichen muß. Die Fragestellung "Wieviel Umsatz haben wir gemacht?", ist z.B. um die Dimensionen "Wieviel Umsatz haben wir mit Produkt XY, im Gebiet Z, im ersten Quartal, im Vergleich zum Budget gemacht?" zu erweitern.

2.2.2. Struktur- und Fornatvereinheitlichung

In einem Data Warehouse muß gewährleistet sein, daß bei der Übernahme und Transformation von Daten aus operativen Systemen oder externen Datenbeständen eine konsistente Datenbasis, im Sinne einer einheitlichen Formatierung und Struktur erreicht wird 12a(S.89) / 12b(S.196)

2.2.3. Nicht-Volatilität

Das Kriterium der Nicht-Volatilität, d.h. der Unveränderbarkeit der Daten sichert, daß nach erfolgter Datentransformation keine Änderung mehr an der übernommenen Datenbasis stattfindet. Alle späteren Datenzugriffe können nur noch lesend erfolgen. Damit wird festgelegt, daß alle Auswertungen und Analysen jederzeit reproduzierbar sind 13a(S.88) / 13b(S.196)

2.2.4. Zeitraumbezug

Ein Data Warehouse soll keine echtzeitlichen Informationen zur Verfügung stellen, sondern Informationen zu einem bestimmten Zeitpunkt. Im Gegensatz zu den operationalen Datenbanken enthält ein charakteristisches Data Warehouse keine flüchtigen Daten, sondern Momentaufnahmen von Daten zu verschiedenen Zeitpunkten ( Tage, Wochen, Monate usw.) 14a(S.89) / 14b(S.196)

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Schematischer Aufbau eines Data Warehouses [Vgl. Mucksch 1996, S.91]

2.3. Aufbau eines Data Warehouse

Ein idealtypisches Data Warehouse (Abb.1) besteht aus vier Komponenten15 (S.33f): Der Data Warehouse Datenbasis, geeigneter Transformationsprogramme, einem Archivierungssowie einem Meta-Datenbanksystem. Auf diese Architektur setzen dann die Auswertungstools wie MIS, DSS und EIS auf16 (S.37f).

2.3.1. Datenbasis

Die Data Warehouse Datenbasis enthält sowohl aktuelle, wie auch vergangenheitsbezogene Daten aus internen oder externen Datenbeständen. Nachfolgende Kriterien beeinflussen die Gestaltung der Datenbasis:

2.3.1.1. Granularität

Granularität steht für den Detaillierungsgrad innerhalb der Datenbasis eines Data Warehouses. Aus diesem Grund beeinflußt die Granularität entscheidend die Größe der Datenbank und dadurch die unterstützten Analysemöglichkeiten — je höher das Niveau der Detaillierung, desto größer wird das Datenvolumen und desto komplexer und schwieriger wird die Datenbankanalyse 18(S.52).

2.3.1.2. Partitionierung

Partitionierung bedeutet, daß der Datenbestand des Data Warehouse auf mehrere physisch selbständige Bereiche aufgeteilt wird. Der Vorteil dieser Konzeption ist die bessere Verwaltungsmöglichkeit bei kleineren Datenbeständen. Nachteilig wirken sich verteilte Datenbestände auf den Aufwand bei der Datenübernahme und -analyse aus 19(S.129).

2.3.1.3. Denormalisierung

Denormalisierung beschreibt eine Vorgehensweise bei der die in relationalen Datenbanksystemen übliche Implementierung der Relationen in der dritten Normalform wieder rückgängig gemacht wird, um die Anzahl der Datenbankzugriffe zu reduzieren. Der Nachteil dieser Methode ist ein erhöhter Speicherplatzbedarf der denormalisierten Daten 20(S.130)

2.3.2. Transformationsprogramme

Die zweite Komponente im Data Warehouse Konzept sind die Transformationsprogramme, die zur Übernahme von unternehmensinternen und- externen Datenbeständen in die Data Warehouse Datenbasis eingesetzt werden. Mit deren Hilfe können sowohl der Zeitpunkt der Datenübernahme, wie auch die Regeln der Datenumformung festgelegt werden 21(S.49). Die Transformation der operativen und externen Datenquellen ist ein kritischer Erfolgsfaktor beim Gelingen eines Data Warehouse-Projektes 22a(S.80f)/ 22b (S.62). Denn nur wenn alle Daten in einer homogenen und konsistente Form vorliegen können daraus sinnvolle Informationen zur Entscheidungsunterstützung extrahiert werden.

2.3.3. Archivierungssystem

Das Data Warehouse Archivierungssysteme hat neben dem Ziel der Datensicherung den Effekt der Performancesteigerung, indem ältere Daten oder Daten der unteren Detaillierungsstufen auf Off-Line Datenträger ausgelagert werden können.

2.3.4. Meta-Datenbanksystem

Die Metadaten liefern die Informationen über die Datenstrukturen und die Beziehungen zwischen den Datenstrukturen ( z.B.: Herkunft der Daten, Zeitpunkte der Datenübernahme, Verdichtungsstufe u.ä. ) 23(S.134f). Auf diese Weise wird trotz größerer Datenvolumen ein schnelles und sicheres Auffinden der benötigten Informationen auch aus verschiedenen Blickwinkeln gewährleistet.

2.3.5 Auswertungstools

Die idealtypische Data Warehouse Konzeption ermöglicht den vorgestellten ManagementSupport-Systems (MSS) (siehe Abschnitt 1.2) auf eine einheitliche und konsistente Datenbasis zurückzugreifen. Zu diesem Zweck werden MSS neuerer Generation zusätzlich um eine Analytical Processing-Komponente (OLAP) erweitert 24(S.70) Durch die OLAP- Fähigkeit sind auch Darstellungen von Informationen in verschiedenen Perspektiven und Detaillierungsgraden (sog. "Drill Down") möglich. Zudem gibt es Tendenzen, die Benutzergesteuerte Nutzung der Daten durch Data-Mining-Systeme zu ergänzen bzw. zu ersetzen. Das Ziel solcher Systeme ist das selbständig aufspüren von Zusammenhänge und Gesetzmäßigkeiten in großen Datenbeständen 25(S.40).

2.4. Ziele eines Data Warehouse

Zusammenfassend an dieser Stelle die technischen und betriebswirtschaftlichen Ziele des Data Warehouse Konzeptes:

2.4.1 Technische Ziele 26(S.122f)

- Verbesserung der horizontalen und vertikalen Datenintegration.
- Entlastung der Administrations- und Dispositionssysteme.
- Schnellere Abfragen aufgrund der OLAP-Fähigkeit

2.4.2. Betriebswirtschaftliche Ziele 26(S.125f)

- Erhöhung der Informationssicherheit aufgrund von qualitativ und quantitativ verbesserten Informationen.
- Zunahme der Wettbewerbsfähigkeit.
- Verbesserung von Kundenservice und -zufriedenheit

III Die Nutzung des Data Warehouse zum Lieferkettenmanagement

Beispiele für Data Warehousing - verstanden als Instrument zur Planung und Kontrolle der Geschäftsprozesse - findet man hauptsächlich bei Versorgungsketten ("supply chain management") und beim Kunden-Beziehungs-Management ("customer relationship management") 28(S.12). Insbesondere dem "supply chain management" wird in den letzen Jahren, durch die Möglichkeiten moderner IuK-Technologien und den damit verbundenen Rationalisierungspotentialien, vermehrt Aufmerksamkeit geschenkt. Schlagworte wie Just in Time (JIT), Efficient-Consumer-Response (ECR) und Material Requirement Planning (MRP) belegen diesen Trend.

Deshalb soll in diesem Abschnitt als Schwerpunkt näher auf die Möglichkeit der unternehmensübergreifende Nutzung des Data Warehouse Konzeptes entlang der Lieferkette und der einzelnen Schnittstellen eingegangen werden.

3.1. Beschaffungssektor

Hauptbestandteil der Planungs- und Kontrollfunktionen im Beschaffungssektor sind die Lieferantenbeziehungen, d.h. die bedarfsgerechte und wirtschaftliche Versorgung mit extern zu beschaffenden Einsatzgütern . Managementaufgaben in diesem Bereich sind z.B. Lieferantenauswahl, Liquiditätsdisposition, Einkaufspolitik, oder Controlling der Beschaffungslogistik 29(S.105).

Durch den anwachsenden Trend zum "Outsourcing" einzelner Produktionsbereiche entstehen in vielen Unternehmen mehr oder weniger eng gestaltete Kooperationsformen mit den verschiedenen Lieferanten. Folglich kommt dem Beschaffungsbereich eine zunehmend strategische Bedeutung zu. Der Nutzen eines Data Warehouse zeigt sich hier zum Beispiel an der Möglichkeit zur Integration externer Daten. Um etwa die Synchronisation der gemeinsamen Material- und Informationsflüsse zu planen, müssen sowohl unternehmensinterne als auch fremde Daten ( Lieferant, Logistikdienstleister ) Berücksichtigung finden. Maßgrößen in diesem Zusammenhang sind z.B. Lieferzeit, Lieferfähigkeit, Termintreue, Lieferflexibilität , und Lieferqualität 30(S.11f).

3.2. Lagerhaltungssektor

Der Managementaufgaben im Lagerhaltungssektor erstrecken. sich u.a. von der Planung- und Kontrolle der Bestandsentwicklung, der Lagerkosten und Umschlagszeiten bis zur Bevorratung 31(S.112)..

Lagersysteme nehmen wichtige Funktionen innerhalb der "supply chain" wahr. Hier werden die verschiedenen Roh-, Hilfs- und Betriebsstoffe sowie Fertig- und Halbfertigprodukte eingelagert und für den Bedarf vorbereitet. Insbesondere innerhalb eines JIT-Konzeptes ist die Harmonisierung von Verfügbarkeit und Wirtschaftlichkeit ein wesentliches Kriterium für die Qualität der Lagersysteme: Einerseits sollen Lagerkosten so weit wie möglich minimiert werden. Auf der anderen Seite muß die bedarfsgerechte Versorgung nachgelagerter Stufen innerhalb der Prozeßkette sichergestellt sein.

Zur Optimierung dieser Aufgabe kann ein Data Warehouse System verschiedene Kennzahlen zur Verfügung stellen. Beispiele hierzu sind der Raumnutzungsgrad oder der Umschlag von Artikeln während eines vorgegebenen Zeitraumes 32(S.225).

3.3. Produktionssektor

Kerninhalt der Berichte zur Entscheidungsunterstützung im Produktionssektor sind beispielsweise Informationen über die Kapazitätsauslastung, Termininformationen, Qualitätsinformationen, Informationen über die Produktionsanlagen oder auch Informationen zur Produktivität 33(S.114). Die Entscheidungsaufgaben in diesem Bereich sind vielfältiger Natur und reichen von Investitionsentscheidungen bis zur Planung und Kontrolle der einzelnen Produktionsabläufe.

Im Produktionssektor werden die verschiedenen Rohstoffe mit Hilfe von Arbeitskraft, Maschinen und anderen Faktoren, meist nach Durchlaufen mehrerer Produktionsschritte, in verkaufsfertige Güter transformiert. Die Gestaltung und Kontrolle des Güterflusses zwischen den einzelnen Produktionsschritten stellt sich als komplexes Entscheidungsproblem heraus und wird durch zahlreiche Faktoren und Restriktionen beeinflußt: z.B. wirken sich hohe Losgrößen in der Produktion zwar positiv auf die zur Verfügung stehenden Kapazitäten aus - auf der anderen Seite jedoch bewirken sie i.d.R. ein unerwünschtes Ansteigen der Lagerbestände.34(S.22f)

Data Warehousing ermöglicht den Entscheidungsträgern mit Hilfe zeitraumbezogener Daten bestehende Prozesse zu Analysieren und zu verbessern. Beispielsweise könnte in der Vergangenheit ermittelte Daten dazu benutzt werden um die Auswirkungen von Prozeßänderungen auf bestimmte Variablen wie Kapazitäten oder Kosten zu simulieren.

3.4. Distributionssektor

Der Distributionssektor befaßt sich mit allen Aktivitäten die mit dem Umschlag der Güter zwischen den Erzeugern und den Verwendern verbunden sind. Entscheidungsprobleme im Zusammenhang mit der physischen Distribution sind z.B. die räumliche Gestaltung des Distributionsnetzes, die Gestaltung des Transportsystems und die Gestaltung von Verpackung und Transport 35(S.213)

Insbesondere in der physischen Distribution führt eine asynchrone Betrachtung von Angebot und Nachfrage zu hohen Kosten., da sich das Endprodukt praktisch in der höchsten Wertschöpfungsstufe befindet 36(S.114). Daneben gelten Termintreue und Lieferfähigkeit in vielen Bereichen als entscheidender Wettbewerbsvorteil - insbesondere, wenn das liefernde Unternehmen selbst Teil einer JIT-Strategie ist.

Nutzungsbeispiel für ein Data Warehouse ist in diesem Zusammenhang die Analyse der Marktnachfragedaten des Handels Bei diesen sogenannten Efficient-Consumer-Response- Systemen (ECR) wird die Marktnachfrage mit Hilfe von Scannerkassen direkt beim Endverbraucher ermittelt und an die entsprechenden Hersteller weitergeleitet. In ein Data Warehouse-System integriert, können diese Informationen genutzt werden, um sowohl kurz- wie auch langfristig Bedarfsprognosen zu ermitteln. Die Folge sind Senkung von Bestands- und Transportkosten ohne Einbußen beim Lieferservice 37(S.189). Die US- Einzelhandelskette Wal-Mart geht dabei sogar soweit, daß sie ihren wichtigsten Herstellen eine genaue Gewinn- und Verlustübersicht über die von Ihnen bezogenen Artikel zur Verfügung stellt 38.

IV Die R/3 Lösung: Das Business Information Warehouse

Abbildung 2 zeigt die Bestandteile der Data Warehouse Lösung des Softwareunternehmens SAP: Das Business Information Warehouse.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Die Architektur des Business Information Warehouse [Vgl. SAP (1) 1997, S.6]

SAP entwickelt integrierte Standardsoftware und gehört mit seinem Produkt R/3 zu den Marktführern in diesem Bereich 39(S.27f). In folgenden Abschnitten werden die einzelnen Bausteine des Business Information Warehouses vorgestellt und gleichzeitig der Grundkonzeption aus Kapitel 2 gegenübergestellt.

4.1. Production Data Extractor

Der Production Data Extractor ist Bestandteil des Transformationsprogramms des Business Information Warehouse (Vgl. Abschnitt 2.3.2). Er besteht aus einem Extraktionsprogramm für R/3 Anwendungen und einem Programm zum Import von SAP-fremden Daten.

Im ersten Fall werden die operativen Transaktions- und Stammdaten aus den R/3 OLTP- Anwendungen ( On-Line Transaction Processing 40(S.134)) einmalig vollständig an das Business Information Warehouse übertragen. Danach werden nur die Datenänderungen seit dem letzten Lauf übernommen, damit das zu übertragende Datenvolumen gering gehalten werden kann. 41(S.8)SAP-fremde Datenquellen werden über externe oder kundeneigene Extraktionswerkzeuge eingebunden und dadurch vom Business Information Warehouse als Quellsystem erkannt. Zur Datenübernahme stehen verschiedenste Funktionen zur Formatkonvertierung zur Verfügung. Ein Application Programming Interface (BAPI) liefert dann die Schnittstelle zum Business Information Warehouse und dem Datenbereitstellungssystem.

4.2. Datenbereitstellungsystem

Das Datenbereitstellungsystem sorgt dafür, daß die Datenübernahme nach den Zuordnungsund Verbuchungsregeln des Business Information Warehouses erfolgt. Damit wird Forderung nach einer Struktur- und Formatvereinheitlichung in einem Data Warehouse erfüllt ( Vgl. Abschnitt 2.2.2 ). Zu einem einstellbaren Zeitpunkt werden die OLTP-Daten an das Information Business Warehouse übertragen und durchlaufen dann, von den Metadaten gesteuert ( Siehe 4.5 ), eine Reihe von Verdichtungs- Zuordnungs und Transformationsschritten, ehe sie bei den zentralen Datenbehältern, den InfoCubes ankommen ( Siehe 4.4 ). 42(S.8)

4.3. Administrator Workbench

Der Administrator Workbench ist ein Programm mit grafischer Benutzeroberfläche zur Erstellung und Pflege des Data Warehouses. Das Programm umfaßt Funktionen zur Metadatenpflege (Metadaten-Manager), zur Termineinstellung der Datenübernahme (Scheduler), zur Festlegung der InfoCube Definitionen ( Daten Manager ) sowie zahlreiche Statistiken über Ablauf ( Datenlademonitor ) und Nutzung ( Datenzugriffsmonitor ) des Information Business Warehouse.43(S.11)

4.4. InfoCubes

Die InfoCubes stellen die OLAP-fähige Datenbasis des Business Information Warehouse dar. D.h. alle Daten werden mehrdimensional gespeichert, so daß der Endanwender die Daten aus unterschiedlichen Blickwinkeln betrachten kann und somit eine Datenanalyse nach den unternehmensbestimmenden Sachverhalten möglich gemacht wird ( Vgl. Abschnitt 2.2.1 )

Ein InfoCube besteht aus einer Anzahl relationaler Tabellen, die sternförmig Angeordnet sind: In der Mitte die Faktentabelle, umgeben von Dimensionstabellen 44(S.11). Die Faktentabelle bildet dabei die unterste Granularitätsstufe. Inhalt einer Faktentabelle sind z.B. die Rechnungsdaten (Kundennummer, Artikelnummer, Verkaufsmenge, Verkaufswert), denen die Dimensionstabellen Kunde (Kundennummer, Kundenbezeichnung, Adresse) und Artikel (Artikelnummer, Artikelbezeichnung, Materialkosten, Herstellkosten) zugeordnet sind. Dadurch können Daten auch auf niedrigstem Detaillierungsniveau dargestellt werden ( Vgl. Abschnitt 2.3.1)

4.5. Repository für Metadaten

Das Repository für Metadaten enthält die "Informationen über die Informationen". Hier werden sowohl die betriebswirtschaftlich relevanten Metadaten ( Definitionen, Regeln und Beschreibungen ), als auch die technischen Metadaten ( Strukturen und Zuordnungsregeln ) gespeichert 45(S.13). Infolgedessen werden nur konsistente und homogene Daten im Business Information Warehouse bereitgestellt ( Vgl. Abschnitt 2.3.4 ). Die einheitliche Meta-Daten Basis sorgt dafür, daß das ganze Unternehmen mit seinen Daten und Prozessen vollständig auf einer durchgängigen Ebene dokumentiert wird 46(S.7).

4.6. Speicher für operative Daten

Der Speicher für operative Daten, ermöglicht Daten bis auf Belegebene zurückzuverfolgen ohne in die Administrations- und Dispositionssysteme einzuloggen. Da der Speicher für operative Daten den Datenzwischenspeicher für die Datenbereitstellung darstellt, kann der Anwender gerade bei Daten, die aus verschiedenen Quellsystemen kommen, diese vor der Datenübernahme manuell bereinigen und aufbereiten 47(S.14). Durch diese Option ist es möglich Korrekturen vorzunehmen ohne daß bei der Data Warehouse Datenbasis das Kriterium der Nicht-Volatilität verletzt werden muß.

4.7. Business Explorer

Der Business Explorer stellt sozusagen das Data Warehouse-eigene Berichtssystem dar. Hier ist der entscheidende Unterschied zur Definition von W.H. Inmon. Das Business Information Warehouse ist nicht nur ein Datenspeicher, sondern stellt auch die Tools zur Datenanalyse zur Verfügung. Da auch hier die frei programmierbare BAPI Schnittstelle eingesetzt wird, ist das Business Information Warehouse jedoch ebenfalls jederzeit offen für fremde MSS 48(S.21)( vgl. 2.3.5 ). Bestandteile des Business Explorers sind der Report Catalog Browser und die verschiedenen Auswertungen und Berichte.

4.7.1. Auswertungen und Berichtswesen

Der Business Explorer kann sowohl für ad hoc Auswertungen, wie auch für standardisierte Berichte eingesetzt werden. Dem Anwender stehen dabei verschiedene Bausteine zur Verfügung, um die in den InfoCubes gespeicherten Daten in betriebswirtschaftlich aussagefähige Informationen zu transformieren.

4.7.1.1. "Slice and Dice"

"Slicing" und "Dicing" ist nichts anderes als das in Abschnitt 2.3.5 erläuterte "Drill Down". D.h., daß bei einer Abfrage die Daten sowohl in unterschiedlichen Verdichtungsstufen ( "Slicing" oder "Aufriß ), wie auch aus verschiedenen Blickwinkeln ( "Dicing" oder Ändern der Sicht ) betrachtet werden können 49(S.15). Die Slice-und-Dice-Operationen sind nur möglich, weil die Daten in den InfoCubes mehrdimensional abgelegt sind ( vgl. 2.2.1 )

4.7.1.2. Business Analysis Library

Das Business Analysis Library entspricht einer einfachen Methodendatenbank eines DSS ( vgl.1.2.2 ). Hier sind Funktionen hinterlegt um Daten in aussagefähige Informationen umzuwandeln : z.B. Verdichtungsfunktionen, Vergleichsfunktionen, Sequenzfunktionen, Finanzfunktionen aber auch Funktionen zur Darstellung von Trends oder Abweichungen von Erwartungswerten 50(S.16).

4.7.2. Report Catalog Browser

Mit dem Report Catalog Browser steht dem Anwender des Business Explorers ein Programm zur Erstellung und Katalogisierung von Berichten zur Verfügung. Der Vorteil dieses Programmes ist, daß durch die grafische Benutzeroberfläche häufig genutzte Berichte einfach per Drag&Drop zu Bündeln gruppiert werden können. Gleichzeitig ist die Vergabe von Zugriffsrechte für verschiedene Berichte möglich, so daß der Informationsbedarf der Anwender über alle Unternehmensebenen hinweg definiert und mit einem System zufriedengestellt werden kann.

V Schlußbetrachtung und Ausblick

Die in dieser Arbeit vorgestellten Konzeptionen können nur einen kurzen Überblick über den Aufbau und die Möglichkeiten eines Data Warehouses geben. Deutlich wird jedoch, daß die Implementierung eines solchen Konzeptes aufgrund der umfangreichen Anforderungen mit hohem Aufwand und damit Kosten verbunden ist, so daß sich in vielen Fällen die Frage nach dem Kosten-Nutzen-Verhältnis stellt. Die Gegenüberstellung der Grundkonzeption mit der R/3-Lösung zeigt jedoch, daß es in der Zwischenzeit auch Standardsoftwarepakete gibt, welche die Grundforderungen an eine Data Warehouse-Konzeption praktisch erfüllen.

Standardisierte Schnittstellen zu den Administrations- und Dispositionssystemen sorgen hier für eine schnelle Produktivsetzung..

Skepsis was den Aufwand zur Integration angeht muß jedoch bei den Schnittstellen zu unternehmensexternen Applikationen angebracht sein. Trotz der Möglichkeit zur freien Programmierbarkeit von Schnittstellen ( BAPI bei SAP ) ist die Umsetzung gerade bei umfangreichen und nicht spezifischen Kooperationsbeziehungen problematisch.

Es gibt aber Bemühungen auch diesbezüglich in naher Zukunft praktikable Lösungen bereitzustellen. Ein anderer großer Anbieter von integrierter Standardsoftware - Baan - ist z.B. ein Kooperation mit Sun eingegangen, um das Internet als Plattform zur unternehmensübergreifenden Gestaltung der "supply chain" zu nutzen. Ziel dieser Verbindung ist die Entwicklung von Java Applets die von allen Beteiligten der Prozesskette zur Integration der gegenseitigen Lieferbeziehungen genutzt werden können 51. Damit steht der Weg offen auch heterogene Softwaresysteme mit geringem Aufwand in eine Data Warehouse-Konzeption einzubinden.

Abbildungsverzeichnis

Abbildung 1: Schematischer Aufbau eines Data Warehouses [Vgl. Mucksch 1996, S.91]

Abbildung 2: Die Architektur des Business Information Warehouse [Vgl. SAP (1) 1997, S.6]

Literaturverzeichnis

Behme, Wolfgang: Business-Intelligence als Baustein des Gesch ä ftserfolges, in: Das Data Warehouse-Konzept: Architektur-Datenmodelle-Anwendungen; mit Erfahrungsberichten / Harry Muksch/Wolfgang Behme, Wiesbaden: Gabler 1996

Behme, Wolfgang / Muksch, Harry: Die Notwendigkeit einer unternehmensweiten Informationslogistik zur Verbesserung der Qualit ä t von Entscheidungen, in: Das Data Warehouse-Konzept: Architektur-Datenmodelle-Anwendungen; mit Erfahrungsberichten / Harry Muksch/Wolfgang Behme, Wiesbaden: Gabler 1996

Chamoni Peter / Gluchowski, Peter: Analytische Informationssysteme - Einordnung und Ü berblick, in: Analytische Informationssysteme: Data warehouse on-line analytical processing, data mining / Chamoni/Gluchowski, Berlin. u.a. : Springer Verl. 1998

Chamoni, Peter / Zeschau, Dietmar: Management-Support-Systems und Data-Warehousing, in: Das Data Warehouse-Konzept: Architektur-Datenmodelle-Anwendungen; mit Erfahrungsberichten / Harry Mucksch/Wolfgang Behme, Wiesbaden: Gabler 1996

Darling, Charles B. / Semich, William. J.: Wal-Mart's IT secret: Extreme integration, Online im Internet : URL: http://www.datamation.com/PlugIn/workbench/dwhouse/stories/extreme.htm[Stand: 14.12.98]

Diruf, Prof. Dr. Günther: Computergest ü tzte Informations- und Kommunikationssysteme der Unternehmenslogistik als Komponenten innovativer Logistikstrategien, in: Logistik: Gestaltung von Logistiksystemen / H. Isermann, Landsberg/Lech: Verl. moderne Industrie 1998

Domschke,Prof.Dr. Wolfgang / Schildt, Dr. Birgit: Standortentscheidungen in Distributionssytemen, in: Logistik: Gestaltung von Logistiksystemen / H. Isermann, Landsberg/Lech: Verl. moderne Industrie 1998

Fong, Joseph / Zeng, Xiaoqin: Data Warhouse for Decision Support, in : Data mining, data warehousing & client/server databases : proceedings of the 8th International Databse Workshop Hong Kong, 29-31 July 1997 / ed. Joseph Fong ,Singapore : Springer 1997

Heinrich, Lutz J.: Wirtschaftsinformatik-Lexikon, München; Wien: Oldenbourg Verl. 1998

Inmon, William H.: Building the data warehouse, New York u.a.: Wiley 1996

Kemper Hans-Georg / Finger Ralf: Datentransformation im Data Warehouse: Konzeptionelle Überlegung zur Filterung, Harmonisierung, Verdichtung und Anreicherung operativer Datenbestände, in: Analytische Informationssysteme: Data warehouse on-line analytical processing, data mining / Chamoni/Gluchowski, Berlin. u.a. : Springer Verl. 1998

Martin, Wolfgang: Data Warehousing, Bonn u.a.: Internat. Thomson Publ. 1998

Mertens, Peter / Griese, Joachim: Integrierte Informationsverarbeitung: 2. Planungs- und Kontrollsysteme in der Industrie , Wiesbaden: Gabler 1991

Müller, Jochen: Datenbeschaffung f ü r das Data Warehouse, in: Analytische Informationssysteme: Data Warhouse on-line analytical processing, data mining / Chamoni /Gluchowski, Berlin. u.a. : Springer Verl. 1998

Mucksch, Harry: Charakteristika, Komponenten und Organisationsformen von Data- Warehouses, in: Das Data Warehouse-Konzept: Architektur-Datenmodelle-Anwendungen; mit Erfahrungsberichten / Harry Mucksch/Wolfgang Behme, Wiesbaden: Gabler 1996

Muksch, Harry : Das Data Warehouse als Datenbasis analytischer Informationssysteme, in: Analytische Informationssysteme: Data warehouse on-line analytical processing, data mining / Chamoni/Gluchowski, Berlin. u.a. : Springer Verl. 1998

Neumann, Klaus : Organisations- und Operationsmanagement, Berlin. : Springer Verl. 1996

Nottenkämper, Norbert: SAP R/3 kompakt: Einführung und Arbeitshandbuch für die Praxis, München: tewi-Verl. 1996

Poe, Vidette: Aufbau eines Data Warehouse, München u.a.: Laura Reeves 1997

Reiser, Marcus / Holthuis, Jan: Nutzenpotentiale des Data Warehouse-Konzeptes, in: Das Data Warehouse-Konzept: Architektur-Datenmodelle-Anwendungen; mit Erfahrungsberichten / Harry Muksch/Wolfgang Behme, Wiesbaden: Gabler 1996

SAP "White Paper"(1): Business Information Warehouse: Technologie, 1997

SAP "White Paper"(2): Business Information Warehouse: Ready-to-go Data Warhouse für R/3, betriebswirtschaftliches Know-how inbegriffen, 1997

Stadtler, Prof. Dr. Hartmut: Gestaltung von Lagersystemen, in: Logistik: Gestaltung von Logistiksystemen / H. Isermann, Landsberg/Lech: Verl. moderne Industrie 1998

Sun Press Releases: Sun and Baan formalize strategic initiative; team to develop internet ready enterprises applications: Companies Team To Make Java Computing for the Enterprise a Reality, Online im Internet: URL: http://www.sun.com/smi/Press/sunflash/9609/sunflash.960924.11111.html[Stand: 14.12.98]

Wolff, Stefan: Zeitoptimierung in logistischen Ketten: ein Instrumentarium zum Controlling von Liefer- und Durchlaufzeiten bei kundenspezifischer Serienproduktion , in: Schriftenreihe der Bundesvereinigung Logistik e.V; Bd.35, München: Hussverlag 1995.