Analytische Informationssysteme (eBook)

Prof. Dr. Gluchowski leitet den Lehrstuhl für Wirtschaftsinformatik, insb. Systementwicklung und Anwendungssysteme, an der Technischen Universität in Chemnitz und konzentriert sich dort mit seinen Forschungsaktivitäten auf das Themengebiet Analytische Informationssysteme. Er beschäftigt sich seit mehr als 20 Jahren mit Fragestellungen, die den praktischen Aufbau dispositiver Systeme zur Entscheidungsunterstützung betreffen. Seine Erfahrungen aus unterschiedlichsten Praxisprojekten sind in zahlreichen Veröffentlichungen zu diesem Themenkreis dokumentiert. Als Vorsitzender des TDWI Germany e. V. und Herausgeber der Zeitschrift BI-Spektrum arbeitet er eng mit Praxisvertretern zusammen.Prof. Dr. Peter Chamoni lehrt an der Universität Duisburg-Essen und hat den Lehrstuhl für Wirtschaftsinformatik, insbesondere Business Intelligence, an der Mercator School of Management. Zum Thema Data Warehouse und Business Intelligence erschienen von ihm zahlreiche Publikationen. Auf einschlägigen nationalen und internationalen Tagungen ist er Organisator, Autor und Gutachter. Neben der Wissenschaft und Lehre nimmt die Arbeit in Praxisprojekten einen hohen Stellenwert ein. Er war langjähriger Vorsitzender des TDWI Germany e.V.

Vorwort zur 5. Auflage 5
Vorwort zur 4. Auflage 6
Vorwort zur 3. Auflage 7
Vorwort zur 2. Auflage 8
Vorwort zur 1. Auflage 9
Inhaltsverzeichnis 12
Autorenverzeichnis 20
Teil I 22
Grundlagen und Organisatorische Aspekte 22
Kapitel-1 23
Analytische Informationssysteme – Einordnung und Überblick 23
1.1 Motivation 24
1.2 Einordnung der Analytischen Informationssysteme in die betriebliche Informationsverarbeitung 26
1.3 Grundlagen und organisatorische Aspekte 28
1.4 Architektur und Technologien 29
1.5 Betriebswirtschaftliche Anwendung und spezielle Aspekte der Analytischen Informationssysteme 30
Literatur 32
Kapitel-2 33
Historische Fragmente einer Integrationsdisziplin – Beitrag zur Konstruktgeschichte der Business Intelligence 33
2.1 Einleitung 34
2.2 Historische Fragmente zur Chronologie der Business Intelligence 36
2.3 Etymologische Annäherung an Business Intelligence – Taxonomie des State-of-the-Art 41
2.4 Situation Awareness als Zielkonstrukt einer kognitionsorientierten Gestaltung der Business Intelligence 45
2.5 Zusammenfassung und Ausblick 47
Literatur 50
Kapitel-3 53
Von der Business-Intelligence-Strategie zum Business Intelligence Competency Center 53
3.1 Einführung 54
3.2 Entwicklung einer BI-Strategie 56
3.2.1 Business-Intelligence-Strategie 56
3.2.2 Vorgehensmodell zur Entwicklung einer BI-Strategie 56
3.3 Aufbau eines BI Competency Center 65
3.4 Ausgewählte Aspekte einer BI-Strategie 66
3.4.1 Kosten und Nutzen bewerten 66
3.4.2 Auf Trends reagieren 68
3.4.3 Architektur gestalten 68
3.4.4 Softwareportfolio festlegen 69
3.4.5 Spannungsfeld erkennen 70
3.5 Fazit 72
Literatur 73
Kapitel-4 74
Die nächste Evolutionsstufe von AIS: Big Data 74
4.1 Big Data und Business Intelligence 75
4.2 Erweiterung der analytischen Anwendungsfelder durch Big Data 77
4.3 Überblick über Technologien für Big Data 80
4.4 Erweiterung klassischer BI-Architekturen durch Big Data 81
4.5 Fazit 83
Literatur 84
Kapitel-5 85
Analytische Informationssysteme aus Managementsicht: lokale Entscheidungsunterstützung vs. unternehmensweite Informations-Infrastruktur 85
5.1 Analytische Informationssysteme aus Managementsicht 86
5.1.1 Dimensionen „Umsetzungsunabhängigkeit“ und „Reichweite“ 86
5.1.2 Infrastruktur vs. Analytik 89
5.1.3 Unternehmensweite Informations-Infrastruktur 90
5.1.4 Analytik 92
5.1.5 Gestaltungsaufgaben für Informations-Infrastruktur und Analytik 94
5.2 Unternehmensweite Informations-Infrastruktur aus Managementsicht 96
5.2.1 Projekt- vs. Betriebssicht 96
5.2.2 Informationsinfrastruktur-Strategie 97
5.2.3 Informationsinfrastruktur-Organisation 100
5.2.4 Finanzielle Aspekte der Informationsinfrastruktur 102
5.2.5 IT/Business Alignment für die Informations-Infrastruktur 104
5.3 Analytik aus Managementsicht 105
5.3.1 Projekt- vs. Betriebssicht 106
5.3.2 Anwendungspotenziale und Wertbeitrag von Analytik 106
5.3.3 Realisierungsformen von Analytik 108
5.3.4 IT/Business Alignment in der Analytik 109
5.4 Ausblick 110
Literatur 111
Kapitel-6 114
Werkzeuge für analytische Informationssysteme 114
6.1 Einsatzbereiche und Werkzeugkategorien 115
6.2 Marktentwicklung 117
6.2.1 Trends im Markt für Datenmanagement 121
6.2.2 Trends im Markt für BI-Anwenderwerkzeuge 122
6.3 Datenintegration und -aufbereitung 122
6.4 Datenspeicherung und -bereitstellung 125
6.5 Anwendungen 128
6.5.1 Cockpits und Scorecards 129
6.5.2 Standard Reporting 131
6.5.3 Ad-hoc Reporting 134
6.5.4 Analyse 135
6.5.5 Planung und Simulation 140
6.5.6 Legale Konsolidierung 141
6.5.7 Data Mining 141
6.6 Fazit 142
Literatur 143
Teil II 144
Architektur und Technologien 144
Kapitel-7 145
Transformation operativer Daten 145
7.1 Operative und dispositive Daten 146
7.2 Transformation – Ein Schichtenmodell 147
7.2.1 Filterung – Die Extraktion und Bereinigung operativer Daten 149
7.2.2 Harmonisierung – Die betriebswirtschaftliche Abstimmung gefilterter Daten 153
7.2.3 Aggregation – Die Verdichtung gefilterter und harmonisierter Daten 155
7.2.4 Anreicherung – Die Bildung und Speicherung betriebswirtschaftlicher Kenngrößen 157
7.3 Aktuelle Konzepte – Datentransformation wird nicht obsolet 158
7.4 Fazit 159
Literatur 160
Kapitel-8 162
Architekturkonzepte und Modellierungsverfahren für BI-Systeme 162
8.1 Einleitung 163
8.2 Traditionelle Business-Intelligence-Architekturen 164
8.2.1 Stove-Pipe-Ansatz 164
8.2.2 Data Marts mit abgestimmten Datenmodellen 166
8.2.3 Core Data Warehouse 166
8.2.4 Hub-and-Spoke-Architektur 168
8.2.5 Data-Mart-Busarchitektur nach Kimball 170
8.2.6 Corporate Information Factory nach Inmon 171
8.2.7 Architekturvergleich Kimball und Inmon 173
8.3 Core-Data-Warehouse-Modellierung in Schichtenmodellen 173
8.3.1 Aufgaben und Komponenten in Multi-Layer-Architekturen 174
8.3.2 Eignungskriterien für Methoden der Core-Data-Warehouse-Modellierung 177
8.4 Star-Schema-Modellierung im Core Data Warehouse 179
8.4.1 Granulare Star-Schemata im Core Data Warehouse 179
8.4.2 Bewertung dimensionaler Core-Data-Warehouse-Modelle 182
8.5 Normalisierte Core-Data-Warehouse-Modelle 183
8.5.1 Core-Data-Warehouse-Modellierung in 3NF 183
8.5.2 Historisierungsaspekte von 3NF-Modellen 183
8.5.3 Bewertung 3NF-Modellierung im Core Data Warehouse 185
8.6 Core Data Warehouse mit Data-Vault 186
8.6.1 Hub-Tabellen 187
8.6.2 Satellite-Tabellen 188
8.6.3 Link-Tabellen 191
8.6.4 Zeitstempel im Data Vault 194
8.6.5 Harmonisierung von fachlichen Schlüsseln 195
8.6.6 Agilität in Data-Vault-Modellen 196
8.6.7 Bewertung der Data-Vault-Methode 197
8.7 Zusammenfassung 198
Literatur 199
Kapitel-9 201
Grundlagen und Einsatzpotentiale von In-Memory-Datenbanken 201
9.1 Einleitung und Motivation 202
9.2 Grundlagen In-Memory-Datenbanken 203
9.2.1 Aktuelle Entwicklungen im Hauptspeicherbereich 203
9.2.2 Datenorganisation 205
9.3 Konsequenzen für Business Intelligence und Business Analytics 207
9.3.1 Klassische Business Intelligence-Architekturen 207
9.3.2 Zukünftige Business Intelligence-Architektur als semi-virtuellesData-Warehouse 209
9.3.3 Konsequenzen für die Informationslandschaft 211
9.4 Aktuelle Beispiele aus betrieblichen Praxis 212
9.4.1 Steigende Datenmenge und zunehmende Integrationunstrukturierter Daten erhöhen die Komplexität vonBusiness Intelligence 212
9.4.2 Potentiale von In-Memory-Technologien am Beispiel von Handelsunternehmen 213
9.4.3 Unterstützung von Geschäftsprozessen durch In-Memory-Technologie im Bereich Predictive Maintenance 214
9.5 Fazit und Ausblick 215
Literatur 215
Kapitel-10 218
NoSQL, NewSQL, Map-Reduce und Hadoop 218
10.1 Einleitung und motivierende Beispiele 219
10.2 NoSQL- und NewSQL-Datenbanken 220
10.2.1 Grundlagen: Partitionierung, Replikation, CAP-Theorem, Eventual Consistency 221
10.2.2 NoSQL 224
10.2.3 NewSQL 225
10.3 Big Data und Map-Reduce/Hadoop 226
10.3.1 Technologie zur Handhabung von Big Data: Map-Reduce 227
10.3.2 Nutzung von Big Data 232
10.4 Zusammenfassung und Ausblick 234
Literatur 235
Kapitel-11 237
Entwicklungstendenzen bei Analytischen Informationssystemen 237
11.1 Motivation 238
11.2 Technologische und organisatorische Entwicklungen bei Analytischen Informationssystemen 238
11.2.1 Advanced/Predictive Analytics 239
11.2.2 Datenmanagement von BI-Systemen 240
11.2.3 Agile BI 244
11.2.4 Self Service BI 245
11.2.5 Mobile BI 248
11.3 Zusammenfassung 249
Literatur 249
Teil III 251
Betriebswirtschaftliche Anwendung und spezielle Aspekte 251
Kapitel-12 252
Planung und Informationstechnologie – Vielfältige Optionen erschweren die Auswahl 252
12.1 Einleitung 253
12.2 Werkzeug-Kategorien 253
12.2.1 ERP (Enterprise Resource Planning) 254
12.2.2 Tabellenkalkulation 254
12.2.3 Generische OLAP Werkzeuge (Generisches BI) 255
12.2.4 Dedizierte Planungsanwendungen (BI Anwendungen) 255
12.3 Die Beurteilung im Einzelnen 256
12.3.1 Zentrale Administration 256
12.3.2 Workflow-Unterstützung 257
12.3.3 Planung auf verdichteten Strukturen 258
12.3.4 Validierung 258
12.3.5 Automatisierte Top-Down-Verteilungen 259
12.3.6 Simulationsrechnungen 259
12.3.7 Vorbelegung 260
12.3.8 Aggregation 261
12.3.9 Kommentierungen 261
12.3.10 Eingabe über das Internet 262
12.3.11 Detailplanungen 262
12.3.12 Abstimmung des Leistungsnetzes 263
12.3.13 Übernahme von Stamm- und Bewegungsdaten aus ERP-Systemen 263
12.3.14 Verknüpfung von Teilplanungen 264
12.3.15 Abbildung abhängiger Planungsgrößen 265
12.3.16 Nachvollziehbarkeit 266
12.4 Zusammenfassende Bewertung 266
12.5 Ausblick 269
Literatur 269
Kapitel-13 270
Operational Business Intelligence im Zukunftsszenario der Industrie 4.0 270
13.1 Einleitung 271
13.2 Entwicklung der IT in der Produktion bis zur Industrie 4.0 273
13.2.1 Unterstützung technischer Aufgaben und Funktionen 273
13.2.2 Integration von Aufgaben und Funktionen 274
13.2.3 Integration von Prozessen und Wertschöpfungsketten 276
13.2.4 Digitalisierung und globale Vernetzung 279
13.2.5 Status Quo der Operational Business Intelligence 280
13.3 Industrie 4.0 281
13.3.1 Technologische Grundlagen 282
13.3.2 Das Zukunftsszenario „Smart Factory“ 286
13.3.3 Operational Business Intelligence in der Industrie 4.0 289
13.4 Fazit 290
Literatur 291
Kapitel-14 293
Innovative Business-Intelligence-Anwendungen in Logistik und Produktion 293
14.1 Entscheidungsunterstützung in Logistik und Produktion – auf dem Weg zur Industrie 4.0 294
14.2 Relevante Entwicklungen in der Business Intelligence 295
14.3 Logistik und Produktion: Rahmenbedingungen, Herausforderungen und Entwicklungen 297
14.3.1 Logistik 297
14.3.2 Produktion 300
14.4 Innovative BI-Anwendungen in der Logistik 302
14.4.1 Produktionslogistik und Ladungsträgermanagement 303
14.4.2 Cloud- und RFID-basierte Retail Supply Chain 304
14.5 Innovative BI-Anwendungen in der Produktion 305
14.5.1 Produktentwicklung und Produktdatenmanagement 306
14.5.2 MES als Datenquelle für Produktions- und Qualitätsoptimierung 307
14.6 Diskussion und Ausblick 308
Literatur 309
Kapitel-15 313
Der Markt für Visual Business Analytics 313
15.1 Einführung 314
15.2 Das Visual-Business-Analytics-Modell 315
15.3 Information Design und Reporting 317
15.3.1 Dekoration 317
15.3.2 3-D-Diagramme 319
15.3.3 Skalierung 319
15.3.4 Einsatz von Farben, schlanke Visualisierung und hohe Informationsdichte 319
15.4 Visual Business Intelligence und Dashboarding 321
15.5 Visual Analytics und Big Data 325
15.5.1 Big Data 325
15.5.2 Visual Analytics 327
15.5.3 Aktueller Einsatz in Unternehmen 328
15.5.4 Anwendungsbeispiel 331
15.6 Zusammenfassung 332
Literatur 333
Kapitel-16 334
Effektive Planung und Steuerung erfolgskritischer Komponenten eines Geschäftsmodells 334
16.1 Einführung 335
16.2 Evolutionsstufen in der Unternehmenssteuerung 336
16.2.1 Finanzorientierte Steuerungskonzepte 336
16.2.2 Ausgewogene Steuerungskonzepte 338
16.2.3 Gegenüberstellung aktueller Steuerungskonzepte 340
16.3 Erfolgskritische Komponenten eines Geschäftsmodells 342
16.3.1 Abdeckungsgrad der Geschäftsmodellkomponenten 342
16.3.2 Steuerungsdomänen eines Geschäftsmodells 345
16.3.3 Zuordnung steuerungsrelevanter Kennzahlen 347
16.4 Planung und Steuerung mit analytischen Informationen 349
16.4.1 Herausforderung in der Informationsbedarfsanalyse 349
16.4.2 Identifikation von Kennzahlen-Dimensionen-Kombinationen 350
16.4.3 Informationssystem zur Steuerung des Geschäftsmodells 354
16.5 Fazit und Ausblick 356
Literatur 357
Stichwortverzeichnis 359