Download No Slide Title

Data Warehouse Day 3
Day 2 Review / Recall
What are the 4 key characteristics of Data Warehouse ?
Explain them !
Define a Independent and a dependent Data Mart !
Name the distinctions between Data Warehouses and Data
Marts !
What are the most common schema designs ?
What different kind of data are in a Data Warehouse ?
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 1
Data Warehouse and Analysis
Where we are ?
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 2
Data Warehouse and Analysis
Where we are ?
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 3
Data Warehouse and Analysis
Where we are ?
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 4
Data Warehouse and Analysis
Analysewerkzeuge: Darstellung
Tabellen
• Pivot-Tabellen := Kreuztabellen
• Analyse durch Vertauschen von Zeilen und Spalten
• Veränderung von Tabellendimensionen
• Schachtelung von Tabellendimensionen (Integration
weiterer Dimensionen)
Graphiken
• Bildliche Darstellung großer Datenmengen - Wuerfel
• Netz-, Punkt-, Oberflächengraphen
Text und Multimedia-Elemente
• Ergänzung um Audio- oder Videodaten
• Einbeziehung von Dokumentenmanagementsystemen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 5
Data Warehouse and Analysis
Analysewerkzeuge: Darstellung - Pivot
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 6
Data Warehouse and Analysis
Analysewerkzeuge: Realisierung
Standard Reporting:
• Reporting-Werkzeuge des klassischen Berichtswesens
Berichtshefte:
• Graphische Entwicklungsumgebungen zur Erstellung von
Präsentationen von Tabellen, Graphiken, etc.
Ad-hoc Query & Reporting:
• Werkzeuge zur Erstellung und Präsentation von Berichten
• Verbergen von Datenbankanbindung und Anfragesprachen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 7
Data Warehouse and Analysis
Analysewerkzeuge: Realisierung II
Analyse-Clients:
• Werkzeuge zur mehrdimensionalen Analyse
• beinhalten Navigation, Manipulation (Berechnung), erweiterte
Analysefunktionen und Präsentation
Spreadsheet Add-Ins:
• Erweiterung von Tabellenkalkulationen für Datenanbindung
und Navigation
Entwicklungsumgebungen:
• Unterstützung der Entwicklung eigener Analyseanwendungen
• Bereitstellung von Operationen auf multidimensionalen Daten
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 8
Data Warehouse and Analysis
Werkzeuge fuer Entscheider
• Report- u. Abfragegeneratoren
• Statistik
• Dokumenten-Retrieval
• aktive Informationsfilter
• Prozeßmodellierung
• geographische Informationssysteme
• Führungsinformation
• Entscheidungsunterstützung
• Abteilungsspezifische Tools
• industriespezifische Tools
• Online Analytical Processing
• Data Mining
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 9
Data Warehouse and Analysis
Online Analytical Processing (OLAP)
dynamische, multidimensionale Analyse von Daten mit dem Ziel
der Aufdeckung neuer oder unerwarteter Beziehungen zwischen
Variablen
Typische Fragestellungen:
• „Mit welchem Produkt wird der größte Umsatz in einer Region
gemacht ?“
•„Wie verhält sich der Umsatz im Vergleich zum letzten Jahr?“
Ansatz:
• multidimensionale Sichtweise auf Daten
• Anpassung des Datenmodells
• Präsentationsunterstützung
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 10
Data Warehouse and Analysis
OLAP - Coddsche Regeln
E.F. Codd (1993): Anforderungen an
OLAP-Werkzeuge
1. Multidimensionale konzeptionelle Sichtweise
• Betrachtung von (betriebwirtschaftlichen) Kenngrößen aus
Sicht verschiedener Dimensionen
2. Transparenz
• bzgl. Zugriff auf Daten aus unterschiedlichen Quellen
3. Zugriffsmöglichkeit
• interne und externe Quellen
4. Gleichbleibende Antwortzeit bei der Berichterstellung
• Antwortzeit unabhängig von der Anzahl der Dimensionen und
des Datenvolumens
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 11
Data Warehouse and Analysis
OLAP - Coddsche Regeln II
E.F. Codd (1993): Anforderungen an
OLAP-Werkzeuge
5. Client-Server-Architektur
• Trennung von Speicherung, Verarbeitung, Präsentation
• offene Schnittstelle zum OLAP-Server
6. Generische Dimensionalität
• einheitliche Behandlung aller Dimensionen
• aber -> spezielle Zeitdimensionen
7. Dynamische Behandlung dünn besetzter Matrizen
• Anpassung des physischen Schemas an die Dimensionalität
und Datenverteilung (sparsity)
8. Mehrbenutzer-Unterstützung
• konkurrierende Zugriffe
• Sicherheits- und Integritätsmechanismen, Zugriffsrechte
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 12
Data Warehouse and Analysis
OLAP - Coddsche Regeln III
E.F. Codd (1993): Anforderungen an
OLAP-Werkzeuge
9. Uneingeschränkte kreuzdimensionale Operationen
• automatische Ableitung der Berechnungen, die sich aus den
Hierarchiebeziehungen der Dimensionen ergeben (Aggregationen)
• Definition eigener Berechnungen
10. Intuitive Datenbearbeitung
• ergonomische, intuitive Datenbearbeitung
• Navigation über Daten, Ausrichtung von Konsolidierungspfaden
11. Flexible Berichterstellung
• Erstellung von Berichten mit beliebiger Datenanordnung
12. Unbegrenzte Anzahl von Dimensionen und Ebenen
• keine Einschränkungen der Anzahl der unterstützten
Dimensionen (häufig jedoch max. 5-8)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 13
Data Warehouse and Analysis
OLAP - Definition
FASMI (Fast Analysis of Shared Multidimensional Information)
• Es soll ein schneller Zugriff (nicht länger als 20 Sekunden)
selbst bei aufwendigen Abfragen möglich sein.
• Datenanalysen sollen mit Hilfe von statistischen Verfahren
und Geschäftslogik durchführbar sein.
• Die OLAP-Datenbasis muß von mehreren Benutzern
gleichzeitig genutzt werden können.
• Für den Benutzer sollen alle von ihm benötigten Daten,
unabhängig von Menge oder Herkunft, bereitgestellt werden.
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 14
Data Warehouse and Analysis
OLAP - FASMI II
• Die konzeptionelle Sicht auf die Daten muß von
mehrdimensionaler Natur sein.
- physischer multidimensionaler Datenstruktur
- virtuellen Multidimensionalität der Datenbank
* beruht auf einer relationalen Datenhaltung in
denormalisierter Form (Star- bzw. Snowflake-Schema)
• Unter einer multidimensionalen Datenstruktur ist die Darstellung
von Daten anhand von mehrdimensionalen Datenwürfeln zu
verstehen und nicht wie im relationalen Datenmodell in
zweidimensionalen Tabellen.
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 15
Data Warehouse and Analysis
OLAP - Sources
1. Operational System 2. Warehouse a) Relational b) Multidimensional
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 16
Data Warehouse and Analysis
OLAP - Architectures
ROLAP
Relational On Line Analytical Processing
• relationale Datenspeicherung - Tabellenform
MOLAP
Multidimensional On Line Analytical Processing
• multidimensional Datenspeicherung, n-dimensionaler Würfel (n-dim data
cube)
HOLAP
Hybrid On Line Analytical Processing
• Speicherung eines Teils des DWH’s in Form von Würfeln (Performance), bei
miss-hit wird aus relationalen RDBMS ein neuer Würfel generiert.
DOLAP
Desktop On Line Analytical Processing
• Analysesoftware und Datenspeicherung erfolgt auf der Clientseite
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 17
Data Warehouse and Analysis
OLAP - ROLAP
Presentationschicht
(Clientseite)
API
Visualisierung durch multidimensionale Kreuztabellen,
Reports, Top10 Ranking,
Business Charts, etc.
Dynamische Berichte mit OLAP
Funktionalität
Ben Martin
Operationale
Datenbankschicht
Applikationsschicht
Summary Tabels
(Serverseite)
Applikationsserver
SQL
Data Warehouse
Metadaten
multidimensional modelliertes DWH,
basierend auf einem relationalen
Datenbanksystem
BA Lörrach, WI 4.Semester
4/21/2002
operationale
Datenbestände, legacy
systeme,
externe Datenquellen,
Benchmarking,
Börsendienste, etc.
Business Intelligence/Data
Warehouse, 18
Data Warehouse and Analysis
OLAP - ROLAP Eigenschaften
relationale Datenbank als Datenbasis für die OLAP Analyse
• multidimensionale Sichten (views) durch tabellarische Aufbereitung der Daten,
mittels standard SQL Abfragen (multidimensionalen Anfragen - GROUP-BYErweiterungen CUBE-Operator)
• Multidimensionale Erweiterungen: MDX, OLE DB for OLAP (Microsoft),
Oracle Express, Discoverer
• basieren auf relationalem Starschema (oder Snowflake Schema) mit Facts,
Dimensions
• Vorberechnete Summary Tables (materialized views) verbessern die Performance
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 19
Data Warehouse and Analysis
OLAP - ROLAP Vorteile und Nachteile
• Verwendet robuste (bereits bewährte) relationale
Datenbanken
• Verständlicher (DBA) Datenzugriff (nur SQL)
• Datenimport
• Sicherheitsmechanismen bestehen bereits (auf relationaler
Ebene)
• Große Datenmengen (größer als 100 Gbyte)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 20
Data Warehouse and Analysis
OLAP - MOLAP
Presentationschicht
(Clientseite)
API
Visualisierung durch multidimensionale Kreuztabellen,
Reports, Top10 Ranking,
Business Charts, etc.
Dynamische Berichte mit OLAP
Funktionalität
Ben Martin
Operationale
Datenbankschicht
Applikationsschicht
(Serverseite)
Applikationsserver
Metadaten
MQL
SQL
Multidimensionale Datenbank
DWH in Form von Würfeln
physikalisch gespeichert,
intelligente Indexstrategie
BA Lörrach, WI 4.Semester
4/21/2002
operationale
Datenbestände,
legacy systeme,
externe Datenquellen,
Benchmarking,
Börsendienste, etc.
Business Intelligence/Data
Warehouse, 21
Data Warehouse and Analysis
OLAP - MOLAP Eigenschaften
• Multidimensionale Datenbank für effiziente Speicherung
von multidimensionale OLAP Abfragen
• multidimensionale Sicht durch Aufbereitung der Daten
in einem n-dimensionalen Würfel
• multidimensionales Datenmodell ->
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 22
Data Warehouse and Analysis
OLAP - MOLAP Vorteile und Nachteile
+ Performance bei kleineren Datenmengen ( < 10 Gbyte)
+ Meist eigene multidimensionale Abfragesprache (verständlicher als SQL)
+ Hinzufügen von Dimensionen und Hierarchien ist leichter
+/- Problematik von dünnbesetzten Würfel muß gelöst werden
- Eingeschränkte Datenmengen (Performance sinkt)
- multidimensionale Abfragesprache -> Transformation Standard SQL notwendig
- Nicht jeder mögliche Datenwürfel kann vorberechnet werden.
- Bei miss-hit muß auf dahinterliegendes relationale RDBMS zugegriffen werden.
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 23
Data Warehouse and Analysis
OLAP - HOLAP
Presentationschicht
(Clientseite)
API
Visualisierung durch multidimensionale Kreuztabellen,
Reports, Top10 Ranking,
Business Charts, etc.
Dynamische Berichte mit OLAP
Funktionalität
Ben Martin
Applikationsschicht
(Serverseite)
Applikationsserver
Operationale
Datenbankschicht
MQ
L
Metadaten
Data Warehouse
BA Lörrach, WI 4.Semester
4/21/2002
operationale
Datenbestände, legacy
systeme,
externe Datenquellen,
Benchmarking,
Börsendienste, etc.
Business Intelligence/Data
Warehouse, 24
Data Warehouse and Analysis
OLAP - HOLAP Eigenschaften
• Nutzt die Vorteile der relationalen als auch multidimensionalen
OLAP Anwendung
• multidimensonale Datenbank wird für häufige Abfragen erstellt
• multidimensionale Data Marts
• hochaggregierte Daten - schnelle Antwortzeit
• relationale Datenbank wird für seltenere Abfragen verwendet große Mengen an Daten
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 25
Data Warehouse and Analysis
OLAP - HOLAP Vorteile und Nachteile
+ Vereinigt das beste aus den beiden (ROLAP && MOLAP)
Welten
+ MDDB System greift nicht mehr auf die operationalen Daten
zu, sondern auf ein relationales DWH
+ keine Summary Tabelen (Problem DWH Maintenance !)
mehr notwendig
- Aufwendige Architekturkonzept, unterschiedliche
Technologien werden vermischt
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 26
Data Warehouse and Analysis
OLAP - DOLAP
Operationale
Datenbankschicht
Presentationschicht
(Clientseite)
API
Applikationsserver
ODBC
PC-DBMS
Extrakt aus einem
DWH oder operationalen Datenbeständen
Metadaten
Visualisierung durch multidimensionale Kreuztabellen,
Reports, Top10 Ranking,
Business Charts, etc.
Dynamische Berichte mit OLAP
Funktionalität
Ben Martin
oft wird auch ein spezielle Filestruktur
als Datenbasis für den DOLAP Applikationsserver generiert.
BA Lörrach, WI 4.Semester
4/21/2002
operationale
Datenbestände,
legacy systeme,
externe Datenquellen,
Benchmarking,
Börsendienste, etc.
Business Intelligence/Data
Warehouse, 27
Data Warehouse and Analysis
OLAP - DOLAP Eigenschaften
• Speicherung der Daten am Client (PC)
• OLAP Applikations- und Datenbankserver laufen auf der
Clientseite
• Antwortzeit wird gering gehalten (kein Kommunikationsoverhead
durch Netzwerk)
• begrenzte Kapazität (PC Datenbank, Ressourcen)
• Endanwender wird ein Auszug aus dem zentralen Data Warehouse
auf seinen Client gestellt.
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 28
Data Warehouse and Analysis
OLAP - DOLAP Vorteile und Nachteile
+ Für kleinere klar abgegrenzte Anwendungsgebiete gut geeignet
+ Sicherheit kann gewährleistet werden, DWH (DBA) Administrator steuert die
Erstellung der Extrakte für die einzelnen Endanwender
- Endanwender sieht zumeist nur einen Ausschnitt aus dem zentralen Data
Warehouse, Analysen könnten dadurch falsch interpretiert werden
- Anwendungen sind oft alte Reportgeneratoren (statische Berichte) mit
hinzugefügter OLAP Funktionalität
- Anwendungen verwenden zum Teil keine Datenbank, sondern erzeugen eine
Filestruktur auf dem Client
- Oft greifen DOLAP Anwendungen direkt auf die operationalen Datenbestände zu.
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 29
Data Warehouse and Analysis
OLAP - Multidimensionales Datenmodell
• Datenmodell ausgerichtet auf Unterstützung der Analyse
• Datenanalyse im Entscheidungsprozeß
- Betriebswirtschaftliche Kennzahlen (Erlöse, Gewinne, Verluste,
etc.) stehen im Mittelpunkt
- Betrachtung der Kennzahlen aus unterschiedlichen Perspektiven
(zeitlich, regional, produktbezogen) -> Dimensionen
- Unterteilung der Auswertedimensionen möglich (Jahr, Quartal,
Monat) -> Hierarchien oder Konsolidierungsebenen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 30
Data Warehouse and Analysis
OLAP - Multidimensionales Datenmodell II
Kennzahlen/Fakten (engl. facts):
• (verdichtete) numerische Meßgrößen
• Beschreiben betriebswirtschaftliche Sachverhalte
• Beispiele: Umsatz, Gewinn, Verlust, Deckungsbeitrag
Typen:
• Additive Fakten: (additive) Berechnung zwischen sämtlichen
Konsolidierungsebenen der Dimensionen möglich, z.B. Einkaufswert
• Semi-additive Fakten: (additive) Berechnung nur für ausgewählte
Menge von Hierarchieebenen, z.B. Lagerbestand
• Nicht-additive Fakten: keine additive Berchnung möglich, z.B.
Durchschnitts- oder prozentuale Werte
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 31
Data Warehouse and Analysis
OLAP - Multidimensionales Datenmodell III
Dimension:
• beschreibt mögliche Sicht auf die assoziierte Kennzahl
• endliche Menge von Dimensionselementen
(Hierarchieobjekten), die eine semantische Beziehung aufweisen
• dienen der orthogonalen Strukturierung des Datenraums
• Hierarchien in Dimensionen: einfach und parallel - Examples ?
Beispiele: Produkt, Geographie, Zeit
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 32
Data Warehouse and Analysis
OLAP - Multidimensionales Datenmodell IV
Würfel (engl. cube, eigentlich Quader):
• Grundlage der multidimensionalen Analyse
• Kanten -> Dimensionen
• Zellen -> ein oder mehrere Kennzahlen (als Funktion der Dimensionen)
• Anzahl der Dimensionen -> Dimensionalität
Visualisierung
• 2 Dimensionen: Tabelle
• 3 Dimensionen: Würfel
• >3 Dimensionen: Multidimensionale Domänenstruktur
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 33
Data Warehouse and Analysis
OLAP - Cube
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 34
Data Warehouse and Analysis
OLAP - Cube Example
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 35
Data Warehouse and Analysis
OLAP - Operationen auf multidimensionalen Datenstrukturen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 36
Data Warehouse and Analysis
OLAP - Operationen auf multidimensionalen Datenstrukturen
Standardoperationen
• Pivotierung
• Roll-Up, Drill-Down
• Drill-Across
• Slice, Dice
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 37
Data Warehouse and Analysis
OLAP - Operationen - Pivotierung/Rotation
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 38
Data Warehouse and Analysis
OLAP - Operationen -Drill/Roll-Up
Beispiel:
Land->Staat->Region
Tag -> Monat -> Quartal -> Jahr
• Beim Drill-/Roll-up werden die
Werte auf der nächst höheren
Hierarchieebene analysiert
• Dimensionalität bleibt erhalten
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Dimension REGION
Business Intelligence/Data
Warehouse, 39
Data Warehouse and Analysis
OLAP - Operationen -Drill-Down / Across
• komplementär zu Roll-Up
• Navigation von aggregierten Daten
zu Detail-Daten entlang der
Klassifikationshierarchie
• Untersuchen der Daten in einem
feineren Detaillierungsgrad
innerhalb einer Dimension
Dimension REGION
• Untersuchen von Detaildaten
Drill-Across:
• Wechsel von einem Würfel zu
einem anderen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 40
Data Warehouse and Analysis
OLAP - Operationen - Roll-Up, Drill-Down
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 41
Data Warehouse and Analysis
OLAP - Operationen - Slice
Erzeugen individueller Sichten
Slice:
• Herausschneiden von „Scheiben“ aus dem Würfel
• Verringerung der Dimensionalität
• Beispiel: alle Werte des aktuellen Jahres
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 42
Data Warehouse and Analysis
OLAP - Operationen - Slice
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 43
Data Warehouse and Analysis
OLAP - Operationen - Slice - Beispiel
Regionale Sicht
z.B. Gebietsleiter
Region
Region
Produkt Sicht
z.B. Produktmanager
Produkt
Produkt
 alle Regionen
 gesamter Zeitraum
 ein Produkt (Filter)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
 alle Produkte
 gesamter Zeitraum
 eine Region (Filter)
Business Intelligence/Data
Warehouse, 44
Data Warehouse and Analysis
OLAP - Operationen - Dice
Erzeugen individueller Sichten
Dice:
• Herausschneiden einen „Teilwürfels“
• Erhaltung der Dimensionalität, Veränderung der
Hierarchieobjekte
• Beispiel: die Werte bestimmter Produkte oder Regionen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 45
Data Warehouse and Analysis
OLAP - Operationen - Dice - Example
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 46
Data Warehouse and Analysis
OLAP - Analyse-Werkzeuge
• Business Objects: Business Objects
• Cognos:
Powerplay, BI Platform
•Hyperion:
Hyperion OLAP
Essbase
• IBM: Visualizer
• Informix: Metacube
• Seagate: Holos, Seagate Info
• Oracle: Express Server
• Brio: Brio Enterprise
• Arcplan Information Servies:
inSigth, dynaSight
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 47
Data Warehouse and Analysis
Data Mining and the Sept. 11th ?
• Applied Systems Intelligence (ASI):
- eine Global Information Base, die feindliche Operationen automatisch
aufspüren soll
• Nips, ein Numerically Integrated Profiling System
- stellt Verbindungen zwischen Bankgeschäften und Reiseaktivitäten her
• Choice Point
- verkauft Kundendaten an das FBI
• Nora (Non-Obvious Relationship Awareness)
- Reservierungen für Flüge, Hotels und Mietwagen
- Informationen aus über 4000 Quellen, in denen Daten von über einer
Million Menschen zusammenlaufen
- Datenmuster eines Passagiers mit dem eines Elements auf der Liste der bad
guys überein
- Alarm am Ticketschalter
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 48
Data Warehouse and Analysis
Data Mining - Definition
• Der Begriff Data Mining steht für das Suchen nach wertvollen
Geschäftsinformationen in einer großen Datenbank und für „das Graben nach
einer wertvollen Informationsader.“
• Data Mining kann als Teilprozess des Knowledge Discovery angesehen werden
• Knowledge Discovery ist ein neuer Begriff in der Data Warehouse-, OLAP und
Data Mining Problematik.
• Er bezeichnet den gesamten Entdeckungsprozeß ausgehend von der
Formulierung einer Frage bis zur Interpretation der Ergebnisse.
• Data Mining ist der „Kunde“ im Data Warehouse
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 49
Data Warehouse and Analysis
Data Mining - Knowledge Discovery in Databases (KDD)
Iterativer und interaktiver Prozeß
1. Festlegung von Problembereich und Zielen
2. Datensammlung und –bereinigung
3. Auswahl und Parametrisierung der Analysefunktionen und
–methoden
4. Data Mining/Mustererkennung
5. Bewertung und Interpretation der Ergebnisse
6. Nutzung des gefundenen Wissens
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 50
Data Warehouse and Analysis
Data Mining - Data Warehouse - Kunde
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 51
Data Warehouse and Analysis
Data Mining - Data Warehouse - Donator
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 52
Data Warehouse and Analysis
Data Mining - Verfahren
• Erkennung von Abhängigkeiten:
- Aufdeckung statistischer Abhängigkeiten zwischen Variablen
relevanter Datensätze -> Assoziationsregeln,
Wahrscheinlichkeitsnetze
- Bsp.: Warenkorbanalyse
• Klassifikation:
- Zuordnung von Objekten zu verschiedenen vorgegebenen
Klassen
- Ableitung des Klassifikationsmodells aus einer
Trainingsmenge
- Bsp.: Kundenklassifkation bzgl. Schadensrisiko
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 53
Data Warehouse and Analysis
Data Mining - Verfahren II
Clustering:
- Einordnung ähnlicher Objekte in neu gebildete Gruppen daß
Ähnlichkeit innerhalb der Gruppen möglichst groß sowie
zwischen Gruppen möglichst gering
- Bsp.: Segmentierung von Kunden im Marketing
Generalisierung:
- Methoden zur Aggregation und Verallgemeinerung großer
Datenmengen auf höherer Abstraktionsebene
- Bsp.: interaktive Datenexploration
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 54
Data Warehouse and Analysis
Data Mining - Verfahren III
Sequenzanalyse:
• Suche nach häufig auftretenden Episoden oder
Ereignisfolgen in Datenbeständen mit (zeitlicher) Ordnung
• Bsp.: Clickstream-Analyse
Regression:
• Ermittlung des Ursache-Wirkung-Zusammenhangs
zwischen einzelnen Merkmalen
• Bsp.: Entwickung von Aktienkursen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 55
Data Warehouse and Analysis
Data Mining - Verfahren - Beispiele (Clickstream)
Cognos PowerPlay
• Clickstream-Verhalten der Besucher Ihrer Website nachvollziehen
und multidimensional analysieren.
Antworten und Ergebnisse zu Fragestellungen wie:
• Welches Unternehmen besuchte meine Website?
• Für welche Web-Seiten interessieren sich meine Kunden
besonders?
• Wie navigiert der Besucher durch meine Web-Seiten?
• Wie lange hält sich der Besucher auf den einzelnen Web-Seiten
auf?
• Wann wird meine Website am häufigsten besucht?
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 56
Data Warehouse and Analysis
Data Mining - Verfahren - Beispiele (Clickstream)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 57
Data Warehouse and Analysis
Data Mining - Verfahren - Beispiele (Clustering)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 58
Data Warehouse and Analysis
Data Mining - Verfahren - Beispiele (Klassifikationen)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 59
Data Warehouse and Analysis
Data Mining - Verfahren - Beispiele (Assoziationsregeln)
Ableitung von Regeln aus Itemsets: „Wenn ein Kunde Milch kauft,
dann kauft er auch Butter.“ !
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 60
Data Warehouse and Analysis
Data Mining - Verfahren - Beispiele (Decision Tree)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 61
Data Warehouse and Analysis
Data Mining - Verfahren - Beispiele (weitere)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 62
Data Warehouse and Analysis
Data Mining Weitere
Anwednungen
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 63
Data Warehouse and Analysis
Data Mining - Weitere Methoden und Techniken
Aktienkurse, Bildauswertung, Biometrie, Meteorolgie
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 64
Data Warehouse and Analysis
Data Mining - Weitere Methoden und Techniken
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 65
Data Warehouse and Analysis
Data Mining - What it does
• Discovers facts and data relationship
• find patterns - Examples ?
• determines rules - Examples ?
• Retains and reuses rules - Example ?
• Present Information for the users
• may take many hours
• needs little human intervention (Einmischung)
• but requires knowledgeable people to analyze results !
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 66
Data Warehouse and Analysis
Data Mining - What it does
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 67
Data Warehouse and Analysis
Data Mining and OLAP
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 68
Data Warehouse and Analysis
Data Mining Tools - Kriterien
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 69
Data Warehouse and Analysis
Data Mining Tools - Kriterien II
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 70
Data Warehouse and Analysis
Data Mining Tools - Kriterien III
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 71
Data Warehouse and Analysis
Data Mining Tools - Kriterien IV
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 72
Data Warehouse Projects
The Business Case for a Data Warehouse - Example
Wal * Mart (www.wal-mart.com)
• Marktführer im amerikanischen Einzelhandel
• Unternehmensweites Data Warehouse
- Größe: ca. 25 TB
- Täglich bis zu 20.000 DW-Anfragen
- Hoher Detaillierungsgrad (tägliche Auswertung von
Artikelumsätzen, Lagerbestand Kundenverhalten)
- Basis für Warenkorbanalyse,
- Kundenklassifizierung, ...
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 73
Data Warehouse Projects
The Business Case for a Data Warehouse - Example II
• Überprüfung des Warensortiments zur Erkennung von Ladenhütern oder
Verkaufsschlagern
• Standortanalyse zur Einschätzung der Rentabilität von Niederlassungen
• Untersuchung der Wirksamkeit von Marketing-Aktionen
• Auswertung von Kundenbefragungen, Reklamationen bzgl. Bestimmer
Produkte etc.
• Analyse des Lagerbestandes
• Warenkorbanalyse mit Hilfe der Kassenbons
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 74
Data Warehouse Projects
The Business Case for a Data Warehouse - Example III
Beispiel einer Anfrage:
Welche Umsätze sind in den Jahren 1998 und 1999 in den
Abteilungen Kosmetik, Elektro und Haushaltswaren in den
Bundesländern Sachsen-Anhalt und Thüringen angefallen ?
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 75
Data Warehouse Projects
The Business Case for a Data Warehouse - Example IV
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 76
Data Warehouse Projects
The Business Case for a Data Warehouse - Example V
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 77
Data Warehouse Projects
The Business Case - ROI
“Data Warehousing, often described as the ‘holy grail’ that will
lead companies to success through a better understanding of their
business, is delivering on it’s promise …”
Average Three Year ROI:
Enterprise Data Warehouse ROI - 322%
Discrete Data Warehouse
ROI - 533%
Source International Data Corporation
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 78
Data Warehouse Projects
The Business Case for a Data Warehouse
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 79
Data Warehouse Projects
The Business Case DWH
A well rounded and complete Business Case should include a
picture of:
• the likely Benefits to the company
• an indication of the Costs of the solution: both initial and
year on year
• an indication of the Risks, together with any risk
mitigation (Minderung)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 80
Data Warehouse Projects
The Business Case DWH - Benefits
Categorizing
• Tangible (greifbare) Benefits:
- cost savings associated with the cost reduction in OLTP
- DWH will remove the need to update the old mainframe
• Intangible Benefits:
- e.g. organization decisions making capabilities being
enhanced
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 81
Data Warehouse Projects
The Business Case DWH - Benefits
Categorizing by Objectives (Zielen)
• increased revenue (Einkuenfte)
• decreased costs
Quantifying the Benefits
• Time
- reducing cycle time to perform and activity
• Quantity
- e.g. Reduced customer defection by 5% within 1 year to doubled profit
• Quality
- e.g. Increased Staff satisfaction = increased customer satisfaction =
reduction in churn (Beschwerde) = savings in acquisition costs
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 82
Data Warehouse Projects
The Business Case for a DWH - Costs
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 83
Data Warehouse Projects
The Business Case for a DWH - Costs II
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 84
Data Warehouse Projects
The Business Case for a DWH - Risks
Business Environment
• political and cultural world within which the company
operates
- dependencies to other companies (network, merger,
acquisitions)
- corporate strategy changes
- departmental politics
• Effective sponsorship
• change of the organization itself brought about by the
Warehouse
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 85
Data Warehouse Projects
The Business Case for a DWH - Risks
Technical Environment
• new technologies vers old
• technical surprises
• lack of understanding the source system
• interfaces to other systems
Project Risks
Project Management !!!
• resources ?!
• Inter project dependencies
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 86
Data Warehouse Projects
Overwiev - Die Andersartigkeit des DW-Projektes
• Durch die Größe der Datenbasis müssen frühzeitig Überlegungen der
Datenbankadministration und Performancesicherung mit einbezogen werden
• Auch dem effizienten Import der Daten muss viel Zeit gewidmet werden
• Flexible Architektur nötig, da kein Unternehmen seinen künftigen
Informationsbedarf voraussehen
• DW muss so aufgebaut werden, dass es sich ständig verändern kann
• Gefahr beim Wasserfall-Modell: Paralyse durch Analyse; man wird nie mit
analysieren fertig und setzt somit nie um
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 87
Data Warehouse Projects
Overwiev - Die Andersartigkeit des DW-Projektes II
• Ein DW ist i.d.R. breit angelegt und umfaßt meist große Datenbanken mit über
100 Gbyte
- Fehler im System-/HW-Aufbau ‚rächen‘ sich unmittelbar
• Die Anforderungen an ein DW sind i.d.R. nur sehr unvollständig definierbar und
ändern sich zudem im Laufe der Zeit
- Damit steigt die Gefahr einer ständigen Veränderung der Anforderungen
ohne Fertigstellung „Paralyse durch Analyse“
• Oftmals werden im Zusammenhang mit einem DW auch die Geschäftsprozesse
überarbeitet
• Zeitliche Dimension: 18-24 Monate
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 88
Data Warehouse Projects
Project Management Methods
Why ?
Success is composed of:
• On time delivery, within budget costs
• contracted functionality delivered
• happy clients !
Which ?
• E.g. Oracle: Data Warehouse Method
• e.g. Roche: Price Waterhouse Coopers Summit D
• In-house used Methods
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 89
Data Warehouse Projects
Project Management - Tasks
• Control and Reporting
- determine scope and approach (Zweck) of the project
- manage change and control risks
- report progress status externally
- control the quality plan
• Work Management
- define, monitor and direct all work performed on the
project
- financial view of the project
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 90
Data Warehouse Projects
Project Management - Tasks II
• Resource Management
- helps to provide the project with right level of
staffing (Mitarbeiter) and skills
• Quality Management
- implement quality measures to verify the project
meets the client’s purpose
• Configuration Management
- store, organize, track and control all documents and
deliverables
- Computerized System Validation
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 91
Data Warehouse Projects
Project Management - Phases
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 92
Data Warehouse Projects
Project Management - Phases - Strategy
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 93
Data Warehouse Projects
Project Management - Phases - Strategy II
• focus: understanding the business goals and initiatives
• defining the purpose and objectives for the total DW
solution (vision, big picture)
• key outputs: defining the implementation and
infrastructure development
• business case with measurable objectives
• DW architecture and technical architecture, strategies for
each component of DW
• Project Plan
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 94
Data Warehouse Projects
Project Management - Phases - Definition
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 95
Data Warehouse Projects
Project Management - Phases - Definition II
• to define the scope and objectives for the incremental
development effort while complying (vergleichen) with the
enterprise vision
• to create initial models
• to document data sources
• to define data quality
• to create technical architecture and DW architecture for the
scoped solution
• tactical plans for addressing data acquisition, data access,
DW administration, Training, meta data management
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 96
Data Warehouse Projects
Project Management - Phases - Analysis
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 97
Data Warehouse Projects
Project Management - Phases - Analysis II
• to formulate the detailed requirements for the selected
increment
• focus is on the user’s information, data acquisition and data
access requirements for business analysis and decision
making
• refresh cycles, data mappings
• to produce relational and/or multidimensional modal as
appropriate (angemessen)
• requirements for hardware, software, network, backup and
recovery (credit application !)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 98
Data Warehouse Projects
Project Management - Phases - Design
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 99
Data Warehouse Projects
Project Management - Phases - Design II
• to translate analysis phase requirements into detailed desing
specifications while taking into account the technical
architecture and available technologies
• data acquisition and load modules are designed, data
elements, levels of summarization and granularity are
validated, data integrity is checked, metadata docuemented
• data access, query, reporting components are defined
• using the logical models, detailed data requirements data
mappings, the physical structures for relational/
multidimensional metadata database objects are designed
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 100
Data Warehouse Projects
Project Management - Phases - Build
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 101
Data Warehouse Projects
Project Management - Phases - Build II
• to create and test
- the database structures, data acquisition modules, DW
administration tools, metadata modules, data access modules,
reports and queries
- test scripts
• to develop, integrate and test the increment before it is prepared
for the transition phase
• user and operation guides, technical and metadata references are
produced
• training database is developed, training material are completed
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 102
Data Warehouse Projects
Project Management - Phases - Transition
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 103
Data Warehouse Projects
Project Management - Phases - Transition II
• to install the incremental solution
• to prepare the client personnel to use and manage the solution
• to go to production and begin managing the growth and
maintenance of the Warehouse
• Monitoring
• user acceptance tests
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 104
Data Warehouse Projects
Project Management - Phases - Discovery
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 105
Data Warehouse Projects
Project Management - Phases - Discovery II
• to identify and plan for the next increment
• to select the next effort based on business need and DW
infrastructure need
• to evaluate the implemented increment and identify increment
opportunities (Moeglichkeiten)
• user/client involvement
• “lessons learned”
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 106
Data Warehouse Projects
Project Management - Processes
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 107
Data Warehouse Projects
Project Management - Roles
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 108
Data Warehouse Projects
Business Requirements
Questions
Answers
Who defines the business benefit ?
The Business
Who derives the business benefit ?
The Business
Who holds the purse string ?
The Business
Who do we need to impress ?
The Business
Who needs a Data Warehouse ?
IT ?
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
The Business !
Business Intelligence/Data
Warehouse, 109
Data Warehouse Projects
Business Requirements Definition Process
• defines the requirements
• clarifies the scope
• establishes the implementation roadmap
• with the direction of the client organization:
- definition of strategic business goals and initiatives
- used to direct the strategies, purpose and goals of the DWH
solution
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 110
Data Warehouse Projects
Business Requirements Definition Process II
Early in the process:
• the focus is on the enterprise aspect of the DW solution
- information requirements
- subject areas
- implementation roadmap
- business case
Process continues …
• scoping the solution to be developed and delivered
• identifying the client’s information needs
• modeling the requirements
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 111
Data Warehouse Projects
Business Requirements II
Analyze the business NOT the data !
- Identify the business events that are of interest
- a single business event may result in a number of
transactional records
- some key events may be masked (verdeckt) or not
recorded at all
- the business meaning is critical
- business meaning may also enforce operational
requirements on the Warehouse
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 112
Data Warehouse Projects
Business Requirements III
Identify the types of users - to support their needs effectively
• Monitor
- status reports
• Manager
- overview
• Investigator
- identify meaning/reasons of anomalies, power drilling
• Innovator
- details, multi-step ananlysis
• Communicator
- identify, acquire and retain users
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 113
Data Warehouse Projects
Solution Definition Strategies
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 114
Data Warehouse Projects
Solution Definition Strategies II
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 115
Data Warehouse Projects
Solution Definition Strategies III
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 116
Data Warehouse Projects
Solution Definition Strategies IV
• “Big Bang”
• Independent Data Mart
• Incremental Data Warehouse top- down
• Incremental Data Warehouse bottom-up
• Migration
- Independent Data Mart
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 117
Data Warehouse Projects
Solution Definition Strategies - „Big Bang“
• top-down “big bang” is a high risk
• extended time to achieve business benefits
• requirements will change during analysis
• longer and deeper “valley of despair”
• if the business is being re-engineered, the Data Warehouse may not have
management focus
• but having a “big picture” before starting a DW (vision)
Clients:
• start-up (e-) business where IT is the key enabler (Amazon.com)
• organizations where information is seen as critical
• the foolish !
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 118
Data Warehouse Projects
Solution Definition Strategies - Independent Data Marts
+ low entry costs
+ fast to accrue (zufallen) business benefits
+ Adopted easily be LOB (line of business)
- islands of information - lack any synergy among the subject area
- no high-level understanding of business needs
- no future direction esteblished
- no cross functional view of the business (no single version of truth)
Clients
• immediate needs outweigh (ueberwiegen) potential future benefits
• powerful and dynamic LOB management
• smaller companies or budget held at LOB level
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 119
Data Warehouse Projects
Solution Definition Strategies - Top-Down Incremental
+ provides relatively quick implementation & payback
+ significant lower risk than “Big Bang”
+ achieves synergy among subject areas - one version of truth
- more difficult to “sell” because of higher up-front costs
Clients:
• cross functional reporting seen as important
• strategic vision
• matrix management with an open view to information
• organizations that believe the press about DW benefits
• organizations that are trying to re-align business & IT
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 120
Data Warehouse Projects
Solution Definition Strategies - Bottom-Up Incremental
+ proof of concept type of approach proves the “technical” concept quickly
+ easier product lead sale
- tenets (Grundsaetze) are completely compromised
- high costs of re-engineering between increments
- cultural rejection by the next LOB as definitions are imposed (aufgezwungen)
Clients:
• IT lead Data Warehouse project
• IT attempting to regain (zurueckgewinnen) or maintain control
• Nike IT culture - Just do it !
• concerns about overall risk & benefit, fixed price DW implementations
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 121
Data Warehouse Projects
Solution Definition Strategies - DM-DW Migration
+ client/user has matured through the use of DM’s, derived business value
and moved on
+ sound (vernuenftig) approach to IT
+ strong alignment business & IT
- Benefits are mainly in terms of organization capability & readiness
Clients
• external consulting used rather than internal IT project
• balance of power lies with the business not IT
• new senior appointment wants it this way
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 122
Data Warehouse Projects
Meeting the Technical Challenge - Tenets
Data Warehouse Tenets (Grundsaetze)
• Extensible
- possible to add new types of transactional data as well as new levels of
aggregations as information change over time
• Scalable
- DW may grow by an order of magnitude (Groessenordnung) over time
(transactions and business)
• Flexible
- flexible to support all types of access (multidimensional, ad-hoc, drilldown)
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 123
Data Warehouse Projects
Meeting the Technical Challenge - Tenets II
• Integrated
- any solution must be fully integrated with existing systems and
operational environments
- data from multiple disparate systems
• Reliable (zuverlaessig)
- all data have to be accurate and consistent for a given point in time
• Manageable
- trade off (Kompromis) between the cost of automating any solution and
cost of managing a system on a day to day basis
• Accessible
- 24/7, information must be timely and represented in a useful fashion
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 124
Data Warehouse Projects
Meeting the Technical Challenge - Summary
Ben Martin
BA Lörrach, WI 4.Semester
4/21/2002
Business Intelligence/Data
Warehouse, 125