Data Warehousing

In Zeiten eines scharfen Wettbewerbs schreien die Firmenlenker und ihre Strategien förmlich danach, die Inhalte der geballten Massen ihrer Unternehmensdaten jederzeit auf Knopfdruck zur Verfügung gestellt zu bekommen. Zur klassischen Verwaltung von Stamm- und Bewegungsdaten kommen daher in verstärktem Maße Werkzeuge wie Data Warehousing (DWH) und Business Intelligence (BI) in der Kombination mit Datenbanken zum Einsatz, um komplexe Entscheidungen treffen zu können.

Neben den Erfolgsfaktoren Finanzen, Materialwirtschaft und Human Ressources bildet ein solches Daten- und Informationsmanagement die vierte Säule eines erfolgreichen Unternehmens. DWH-Systeme kann man nicht von der Stange weg kaufen. Zu unterschiedlich sind firmenspezifische Anforderungen vor allem aufgrund historisch gewachsener Rahmenbedingungen, auch solche aufgrund strategischer Überlegungen in den Unternehmen.

Das DWH stellt integrierte und konsistente Unternehmensdaten getrennt von den operativen Systemen bereit. Die teils riesigen Datenbestände stehen für Analysen und betriebswirtschaftliche Entscheidungshilfen langfristig zur Verfügung.

Das Data Warehouse wird demnach wie folgt charakterisiert:

Das Zusammenfassen der Daten aus vorhandenen Datenquellen erfolgt per E(C)TL-Prozess (Extract, Cleansing, Transform, Load). Die relevanten Daten werden während des ETL-Prozesses aus den Quelldaten extrahiert, in die erforderlichen Schemata und Formate der Zieldatenbank umgewandelt, nach Bedarf vereinheitlicht und bereinigt, um abschließend in die Zieldatenbank des DWH geladen zu werden. Wurden die Daten anfänglich nur turnusmäßig geladen, erfolgt dies heute oftmals in Echtzeit.

Mit den Daten können Daten­zu­sam­men­hänge ver­ein­facht ermittelt (Data Mining), Berichte und Aus­wertungen er­stellt oder In­for­ma­tio­nen ausgewertet und abgerufen werden. Kernbestandteil einer Data-Warehouse-Architektur ist ein zen­traler Daten­spei­cher (Re­po­si­tory), der im Regel­fall über eine rela­tio­nale Da­ten­bank ver­füg­bar ist.

Eine große Rolle bei DWHs spielt auch die Granularität der Daten. Die Granularität beschreibt den Detaillierungsgrad von Daten. Sehr detaillierte Daten haben eine feine Granularität, hoch verdichtete Daten eine entsprechend grobe Granularität. Verdichtung erfolgt beispielsweise durch Summierung einzelner Datenobjekte, Bildung eines statistischen Mittelwertes oder durch Aggregation mehrerer Objekte zu einem neuen Objekt.

Eine Möglichkeit, den Anforderungen nach Flexibilität und Skalierung im Warehouse gerecht zu werden, ist die Art, in der das Warehouse konzipiert ist: die Architektur. Data Mart – übergreifende Neutralität und zugleich Flexibilität wird mit dem sog. Drei–Schichtenmodell erreicht. Das Schichtenmodell ist eine Einteilung des DWHs-Komplexes in mehrere logische oder funktionale Segmente. Es gibt Segmente für drei Hauptaufgabenbereiche gemäß der einer Referenzarchitektur:

Die committance AG bietet im Data Warehousing-Umfeld eine ganzheitliche Beratung im Hinblick auf Architektur, Umsetzung und evtl. erforderlichen organisatorischen, fachlichen und technologischen Maßnahmen an. Für unsere Kunden ergibt also nicht mehr die Technologie an sich einen Mehrwert, sondern die Anwendung dieser Technologie und die Abstimmung dieser Anwendung auf Geschäfts- und Unternehmensziele. Sie erhalten somit eine Geschäftslösung, bei der die entscheidungsrelevanten Daten zur Verfügung stehen, die das unternehmerische Handeln unserer Kunden unterstützen.

Zahlreiche Beispiele von erfolgreich abgeschlossenen Projekten bzgl. Konzeptionierung und Realisierung sowie die Evaluierung von Informationssystemen belegen unsere Kompetenzen. Auszugsweise seien hier folgende Projekte aus dem Bereich Finanzwirtschaft und Engineering genannt:

Gerne ermitteln wir gemeinsam mit Ihnen in einem ersten unverbindlichen Gespräch, wie wir auch Ihr Unternehmen optimal in allen Belangen des Data Warehousing unterstützen können.