CRM mit SAP CRM: SAP NetWeaver BI - Sozialinformatik · Prof. Dr. Klaus D. Wilde Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt CRM mit

Prof. Dr. Klaus D. Wilde

Lehrstuhl für ABWL und Wirtschaftsinformatik

Katholische Universität Eichstätt-Ingolstadt

CRM mit SAP CRM: SAP NetWeaver BI

SoSe 2012

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 1 Literatur

Egger, N. et al. (2006): SAP BW Reporting und Analyse, 1. Auflage –korrigierter Nachdruck, Bonn.

Egger, N. et al. (2007): SAP Business Intelligence, 1. Auflage –korrigierter Nachdruck, Bonn.

Egger, N. et al. (2007): SAP BW Datenbeschaffung, 1. Auflage – korrigierter Nachdruck, Bonn.

Kießwetter, M.; Vahlkamp, D. (2007): Data Mining in SAP NetWeaver BI, 1.Auflage, Bonn.

Mehrwald, C. (2007): Datawarehousing mit SAP BW 7, 4. Auflage, Heidelberg.

www.sap.help.com

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 2 Copyright

SAP, SAP Logo, R/2, RIVA, R/3, SAP ArchiveLink, SAP Business Workflow, WebFlow, SAP EarlyWatch, BAPI, SAPPHIRE, Management Cockpit, SAP, SAP.com und alle im Text erwähnten SAP-Produkte und –Dienstleistungen, Screenshots sowie die entsprechenden Logos sind Marken oder eingetragene Marken der SAP AG in Deutschland und anderen Ländern weltweit

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e Struktur der Übung 3

SAP Praxis / Übungen

Theorie

Allgemeines

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e Lernziele der Übung

Theorie Was ist ein DW?

Was versteht man unter einem ETL-Prozess?

…

SAP-Praxis Wie ist die Software

aufgebaut?

Wie funktioniert die Software?

…

4

Übersicht

1 Grundlagen

2 SAP CRM

3 SAP BI 3.1 Einführung

3.2 Data Warehouse

3.3 Business Intelligence

Übersicht

1 Grundlagen

2 SAP CRM


3.1.1 Definition analytisches CRM

3.1.2 Closed-Loop-Prozess

3.1.3 SAP

3.2 Data Warehouse 3.2.1 Definition Data Warehouse

3.2.2 ETL Prozess

3.2.3 SAP NetWeaver BI


Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 9 3.1 Einführung


Quelle: in Anlehnung an: Hippner/Wilde 2006, S. 48; Kemper/Baars 2008, S. 2

Analytisches CRM dient der Untersuchung des Kundenbestandes und -verhaltens.

In diesem Umfeld werden auf der Basis kundenzentrierter Data Warehouses mit Hilfe von Analysesystemen (vor allem Data Mining und OLAP) Kundenwertmodelle, Kundensegmentierung bzw. -klassifikationen und kundenspezifische Verhaltensänderungen ermittelt (Churn-Analysen).

Marketing- Prozesse

Back

Off

ice

Ente

rpris

e R

esso

urce

Pla

nnin

g Su

pply

Cha

in M

anag

emen

t

Operative CRM-Systeme

Analytische CRM-Systeme

Data Warehouse

Data Mining

CRM- Anwendungen

Interaktions- kanäle

Customer Touch Points

Außendienst Innendienst CIC Filiale Website

OLAP

Pers. Kontakt WWW E-Mail Telefon Brief/Fax Etc.

Service- Prozesse

Sales- Prozesse

Operative Kundendatenbank

Etc.

Kampagne Opportunity Feedback Lead Angebot/Auftrag Support

Basis- Anwendungen

Kontakt Workflow Stammdaten

Aktivitäten Eskalation

Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 11 3.1 Einführung


Geschlossener Regelkreis verschafft strategischen Mehrwert und bindet Kunden langfristig.

Im operativen Bereich gewonnene Daten werden im analytischen CRM ausgewertet.

Die daraus abgeleiteten Erkenntnisse werden in den Produktionsprozess eingearbeitet, verwirklicht und somit wieder in den operativen Verfahren eingespeist.

Der Regelkreis ist geschlossen!

Ergebnis:

- Gezieltere Kundenansprache

- Intensivere Kundenbindung

http://upload.wikimedia.org/wikipedia/de/6/65/Closedloopmarketing.jpg

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild



Praktische Anwendungen:

Service-Hotline

Kundenbefragung

After Sales Management (Postkarte beilegen)

Internet: Verkaufsportale, Online Marketing, Verfahren um Verhalten der Internetbesucher zu analysieren

Kombi-Produkte: Amazon Kunden die dieses Buch gekauft haben, haben auch … gekauft.

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 13

Quelle: Egger et al. 2007a, S. 27

Ziel:

Operative Daten in analysierbare Informationen umzuwandeln, daraus Action Knowledge (handlungsauslösendes Wissen) zu generieren, um damit wieder Einfluss auf die operativen Systeme zu nehmen.

3.1 Einführung 3.1.2 Closed-Loop-Prozess

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 14

Ziel:

Eliminieren der Wissenslücke!



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 15

Voraussetzung:

Unternehmensweite, konsistente Informationslandschaft als Basis.

Die 5 Schritte des Closed-Loop Business Analytics Process:

1. Verfolgen

2. Analysieren

3. Modellieren

4. Entscheiden

5. Handeln

Quelle: Egger et al. 2007a, S. 27 ff.


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 16

Closed-Loop Business Analytics Process – 1. Schritt: Verfolgen

Datenbeschaffung und Datenhaltung

Extraktion der Daten aus allen relevanten operativen Systemen (entweder zeitversetzt oder Echtzeit)

Bereinigung, Umwandlung, Anreicherung und Vereinheitlichung der Daten

SAP: Laden und Lagerung der bereinigten Daten im Enterprise Data Warehouse Layer des Data Warehouses

Quelle: Egger et al. 2007a, S. 27 f.


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 17

Closed-Loop Business Analytics Process – 2. Schritt: Analysieren

Datenbereitstellung, Daten stehen für Analyse mit Business Intelligence-Werkzeugen zur Verfügung

Möglichkeit von Query, Reporting und multidimensionale Analysen

Beantwortung der Fragen: Was ist passiert?

Wie ist es passiert?

Wann ist es passiert?

Es fehlen jedoch die Antworten auf folgende Fragen: Welche Entscheidungsalternativen gibt es?

Was ist die optimale Entscheidung?

Was sind die Tragweiten, Konsequenzen dieser Entscheidung ?

Was wird passieren?



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 18

Quelle: Egger et al. 2006, S. 58

Closed-Loop Business Analytics Process:

Evolutionspfad analytischer Methoden


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 19

Closed-Loop Business Analytics Process – 3. Schritt: Modellieren

Kreieren von Regeln, Klassifizierungen und weiteren Modellen mit Hilfe von Advanced-Analytics-Werkzeugen (fortschrittliche Analyse Werkzeuge)

Einsatz von: Entscheidungsmodellierung

Prognostik

Simulation

Optimierung

Risikoanalyse



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 20

Closed-Loop Business Analytics Process – 4. Schritt: Entscheiden

Auf Basis von soliden Informationen, die auch anwendergerecht präsentiert wurden, Entscheidungen zu treffen.

Grundlage bietet der Zugriff auf die konsistenten und integrierten Informationen.



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 21

Closed-Loop Business Analytics Process – 5. Schritt: Handeln

Bildet die Rückkopplung zu den operativen Prozessen im Unternehmen Vollautomatisch = Retraktion

Entscheider mit handlungsauslösendem Wissen = manuelle Rückkopplung

Beispiele: Weitere Marketing Kampagne auf Basis der Ergebnisse früherer Kampagnen

Automatische Sperrung einer Kreditkarte im Falle des Betrugsverdachts (Transaktionsanalyse!)

Aufgrund von Kundenprofilen Kredite gewähren oder verweigern



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 22

Ziele des Closed-Loop-Prozesses:

Den Prozess an sich beschleunigen ohne zu schnelle vorzeitige Entscheidungen zu treffen.

Präzision bei der Entscheidungsfindung!

Verständnis der Auswertungsergebnisse und Marktkenntnisse,

um echte Wettbewerbsvorteile zu generieren!



Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild


3.1.3 SAP

http://upload.wikimedia.org/wikipedia/de/8/8f/SAP-Logo.svg

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 25

SAP: Systeme, Anwendungen und Produkte in der Datenverarbeitung

Aktiengesellschaft

Größter europäischer und weltweit 4. größter Softwarehersteller

53 513 Mitarbeiter

Über 100 000 Kunden und 12. Mio Anwender

Niederlassungen in mehr als 50 Ländern

Umsatz in 2011: 14,233 Mrd. Euro

Quelle: SAP

3.1 Einführung 3.1.3 SAP

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 26

Quelle: Einkauf.Österreich.com

Entwicklungsverlauf:

Grau = informationstechnologische Konzepte

Schwarz = dazugehörige SAP Lösungen

Externe Entwicklungen

SAP

Produktentwicklungen


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 27

Quelle: SAP

Beschaffungs-partner Kunde

Vertriebs- partner Unternehmen

SAP SCM/APO SAP ERP SAP CRM

Nachfragefluss

Auftragserfüllungsfluss

Finanzmittelfluss

SAP Netweaver BI

Ope

rativ

e Pr

ozes

se

Analyse und Reporting

Anal

ytis

che

Proz

esse


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 28

Quelle: SAP

FI (Financial Accounting) FI

CO: Controlling CO-PC: Kostenträgerrechnung (Product Costing)

CO-OM-CEL: Kostenartenrechnung (Cost Element Accounting)

CO-OM-CCA: Kostenstellenrechnung (Cost Center Accounting)

SEM: Strategic Enterprise Management

EC: Enterprise Controlling

PSM: Haushaltsmanagement (Public Sector Management)

PS: Projektabwicklung (Project System)

Human Capital Management PA: Personnel Management

Logistics MM: Materialwirtschaft (Materials Management)

PP: Produktionsplanung und -steuerung (Production Planning and Control)

LE: Lagerverwaltung, Versand und Transport (Logistics Execution)

IS: Branchenlösungen

3.1 Einführung 3.1.3 SAP ERP

http://de.wikipedia.org/wiki/Controlling

http://de.wikipedia.org/wiki/Kostentr%C3%A4gerrechnung

http://de.wikipedia.org/wiki/Kostenartenrechnung

http://de.wikipedia.org/wiki/Kostenstellenrechnung

http://de.wikipedia.org/wiki/Materialwirtschaft

http://de.wikipedia.org/wiki/Produktionsplanung_und_-steuerung

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 29

Quelle: SAP NetWeaver BI

3.1 Einführung 3.1.3 SAP NetWeaver BI Menübaum

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 30


Nur im Bereich des BI Training KU Eichstätt-Ingolstadt / Übung SoSe 12 wird gearbeitet!!!

3.1 Einführung 3.1.3 SAP NetWeaver BI: Data Warehousing Workbench

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 31

Wichtige Symbole:

Enter Freigabe / Bestätigung der getätigten Eingabe

Sichern Sichern der zuvor eingegebenen Daten

Zurück man gelangt eine Anwendungsstufe zurück auf den vorherigen Bildschirm

Beenden aktuelle Anwendung wird ohne Datensicherung verlassen

Abbrechen beendet Anwendung ohne Speicherung der Daten

Suchen Suchen von Daten, die auf dem aktuellen Bildschirm angezeigt werden

F1-Hilfe kurze Feldhilfe zu dem Feld auf dem sich der Cursor befindet

Anzeigen <-> Ändern wechselt vom Anzeigen in den Änderungsmodus

Aktivieren aktiviert die getätigte Eingabe / Änderung

Neu anlegen gibt die Möglichkeit zur Neuanlage eines Objektes

Auffrischen integriert die neuen Änderungen und zeigt aktuelle Situation an

F4 Werthilfe


3.1 Einführung 3.1.3 SAP NetWeaver BI

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 32

Symbole:


Merkmal

Kennzahl

Dimension

InfoCube

Info Objekt Katalog

DataSource

InfoProvider

InfoObjects

3.1 Einführung 3.1.3 SAP NetWeaver BI

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 33

Nach Erwerb eines SAP-Systems muss die Software an die unternehmensspezifischen Anforderungen angepasst werden.

Customizing bezeichnet die Vorgehensweise der Systemkonfiguration, in der die Mitarbeiter des Projektteams Systemeinstellungen vornehmen.

Customizing wird im SAP-System über den Einführungsleitfaden (IMG: Implementation Guide) vorgenommen.

IMG: Werkzeug zur Anpassung des SAP-Systems an die betriebswirtschaftlichen Anforderungen im Unternehmen.

Alle Änderungen die im Customizing vorgenommen werden haben später Auswirkungen auf die Handhabung des Systems.

-> Nur Dokumentationen betrachten, keine Änderungen durchführen!!!

Quelle: SAP

3.1 Einführung 3.1.3 SAP NetWeaver BI: Customizing

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 34


3.1 Einführung 3.1.3 SAP NetWeaver BI: Customizing

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 35


Login

Die Kommunikation zwischen dem Benutzer und dem SAP System erfolgt üblicherweise über das SAP GUI (Graphical User Interface) und ist lokal auf den entsprechenden Clients installiert.

Eingabe: VS_12-XX (Nummer wird vom Dozenten vergeben!) Passwort: winter

3.1 Einführung 3.1.3 SAP NetWeaver BI Benutzeroberfläche

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 36

Übungen 1-10:

Einführende Aufgaben zu SAP NetWeaver BI

3.1 Einführung 3.1.3 SAP NetWeaver BI Benutzeroberfläche

Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 39 3.2 Data Warehouse

3.2.1 Definition

Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.].

Ausgangsproblematik (d.h. ohne Data Warehouse) Nachfolgende Abbildung (Heine 1999, S. 75) veranschaulicht die damit i.d.R.

verbundene Speicherung der Daten in unterschiedlichen Datenbanksystemen mit abweichenden physikalischen und logischen Strukturen.

Aus Sicht der Datenauswertung bedeutet dies, dass Informationen auf horizontaler Ebene über mehrere operative Anwendungssysteme - teilweise redundant - verteilt sind und informationelle Zusammenhänge durch u.a. unterschiedliche Modelle, Schlüsselung und Zeitbezüge der Bewegungsdaten verloren gehen.

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild


3.2.1 Definition

Ausgangsproblematik (d.h. ohne Data Warehouse)

Zudem werden teilweise Daten individuell zum Zweck der Auswertung direkt aus den operativen Systemen extrahiert. Dies führt zu einer Belastung der operativen Systeme, zu Medienbrüchen und innerhalb des managementunterstützenden Teilinformationssystems teilweise zu personenspezifischen Datenbanken, die von einzelnen Anwendern weiterverarbeitet und ausgewertet werden.

Dies wiederum führt entlang der vertikalen Ebenen der Informationssystem-Pyramide zu starkem Wachstum, Heterogenität und Redundanz der Datenbestände und damit zu einer mangelhaften Datenqualität (Heine 1999, S. 72 ff.). Insgesamt entsteht für das Herauslösen und Zusammenführen von Daten zum Zweck der Auswertung ein sehr hoher Aufwand.

Das Konzept des Data Warehouse wurde entwickelt, um die genannten Integrationsdefizite zu beheben. Es hat in der Praxis eine rasche Verbreitung erfahren und wesentlich zur „Reifung“ der MSS beigetragen.

Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.].

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild


3.2.1 Definition

Quelle: Bauer, A.; Günzel, H. (2004): Data Warehouse Systeme - Architektur Entwicklung Anwendung, 2. Aufl., Heidelberg. Mucksch, H.; Behme, W. (2000): Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik. In: Mucksch, H.; Behme, W. (Hg.): Das Data Warehouse-Konzept - Architektur - Datenmodelle - Anwendungen, 4. Aufl., Wiesbaden, S. 3-80.

Begriffsabgrenzung und Eigenschaften

Der Data-Warehouse-Begriff umfasst sowohl technische als auch betriebswirtschaftliche Aspekte.

Data Warehouse : Datenbank, „die aus der technischen Sicht Daten aus verschiedenen Datenquellen integriert und aus der betriebswirtschaftlichen Sicht dem Anwender diese Daten zu Analysezwecken zur Verfügung stellt“ (Bauer/Günzel 2004, S. 5).

Data Warehouse : Eine von den operationalen Systemen isolierte Datenbank, „die als unternehmensweite Datenbasis für alle Ausprägungen managementunterstützender Systeme dient und durch eine strikte Trennung von operationalen und entscheidungsunterstützenden Daten und Systemen gekennzeichnet ist“ (Mucksch/Behme 2000, S. 6).

Zu den Leitgedanken des Data Warehouse zählen somit Integration, Separation und Informationsbereitstellung für Analysezwecke.

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild


3.2.1 Definition

Quelle: Chamoni, P.; Gluchowski, P. (2006): Analytische Informationssysteme - Einordnung und Überblick. In: Chamoni, P.; Gluchowski, P. (Hg.): Analytische Informationssysteme - Business Intelligence-Technologien und Anwendungen, 3. Aufl., Berlin [u.a.], S. 3-22.


Integration: Übernahme von Daten aus unterschiedlichen Vorsystemen mit verschiedenen

Datenhaltungen (z.B. relationale Datenbanken, hierarchische Datenbanken, Flat-Files) und Datenformaten (z.B. Datenbank-Tabellen, unstrukturierte Textdateien, Bild-Dateien).

Zu den Vorsystemen gehören nicht nur die internen operativen Informationssysteme, mit denen die Geschäftsvorfälle des betrieblichen Basissystems in Transaktionen innerhalb des Informationssystems abgebildet werden (Online Transaction Processing Systems, OLTP), sondern auch externe Systeme, wie z.B. kommerzielle Datenbanken.

Relevante atomare Daten der Vorsysteme werden periodisch extrahiert, in vielfältiger Weise aufbereitet und im Data Warehouse systematisch zusammengeführt (vgl. Chamoni/Gluchowski 2006, S. 12).

Nach den englischen Bezeichnungen der Teilschritte - „Transformation“, „Extraction“ und „Loading“ - wird dieser Vorgang auch als „ETL-Prozess“ bezeichnet.

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild


3.2.1 Definition

Quelle: Mucksch, H.; Behme, W. (2000): Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik, in: Mucksch, H.; Behme, W. (Hg.): Das Data Warehouse-Konzept - Architektur - Datenmodelle - Anwendungen, 4. Aufl., Wiesbaden, S. 3-80.


Separation: Basiert auf der Erkenntnis, dass die operativen Vorsysteme durch analytische

Abfragen nicht in ihrem reibungslosen Betrieb gestört werden dürfen.

Beeinträchtigungen eines operativen Systems durch darauf ausgeführte analytische Abfragen lassen sich technisch kaum verhindern. Nachfolgende Abbildung (leicht modifiziert nach Mucksch/Behme 2000, S. 16) verdeutlicht, dass die Auslastung der zugrunde liegenden Hardware bei den transaktional ausgerichteten operativen Systemen relativ gleichmäßig ist.

operative DV-Systeme

Zeit

HW

-Nut

zung

Managementunterstützungssysteme

Zeit

HW

-Nut

zung

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild


3.2.1 Definition

Quelle: Bauer, A.; Günzel, H. (2004): Data Warehouse Systeme - Architektur Entwicklung Anwendung, 2. Aufl., Heidelberg, S. 8 ff.


Informationsbereitstellung für Analysezwecke : Hard- und Software sowie Datenmodell der operativen Systeme sind für die

schnelle Bearbeitung von kurzen, einfachen Transaktionen ausgelegt, wobei die Anfragen keine modellseitige Bevorzugung haben und damit auf einem anfrageflexiblen Datenmodell basieren.

Analytische Abfragen hingegen umfassen sehr viele Datensätze in langen Lese-transaktionen und benötigen ein analysebezogenes Datenmodell.

Die Daten der operativen Systeme sind zeitaktuell und ständigen Modifikationen unterworfen.

Analytische Anwendungen dagegen benötigen konsolidierte, stabile und meist aggregierte Daten.

Das Datenbankschema des Data Warehouse muss sich dem Einsatzzweck anpassen und wird im Gegensatz zu den OLTP-Systemen nicht anwendungsneutral, sondern auswertungsorientiert mit vorgedachten Analysepfaden ausgelegt

Dies spricht ebenfalls für die Separation von operativen und Data Warehouse-Systemen.

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 45

Quelle: SAP

Gründe für ein gesondertes Data Warehouse:

Themenorientierung

Vereinheitlichung

Zeitraumorientierung

Beständigkeit

3.2 Data Warehouse 3.2.1 Nutzenpotenziale eines Data Warehouse

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 46

Quelle: Heine, P. (1999): Unternehmensweite Datenintegration - modular-integrierte Datenlogistik in betrieblichen Informationssystemen, Stuttgart [u.a.]. Strauch, B. (2002): Entwicklung einer Methode für die Informationsbedarfsanalyse im Data Warehousing, Bamberg.



Data Warehouse-Systeme haben sich als Zwischenschicht durchgesetzt, die dispositive und operative Applikationen entkoppelt (s. Abbildung, leicht modifiziert nach Strauch 2002, S. 24).

Das Data Warehouse stellt somit ein Teilinformationssystem des betrieblichen Informationssystems dar.

Es handelt sich hierbei weder um einen Standard, noch um ein Produkt, sondern viel mehr um eine Architektur, deren Umsetzung für jedes Unternehmen unterschiedliche Software- und Hardware-Komponenten umfasst und einen sehr hohen Anteil an Fachwissen benötigt (Heine 1999, S. 112).

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild


3.2.1 Definition

Quelle: Hippner/Wilde 2006, S. 48

Marketing- Prozesse

Back

Off

ice

Ente

rpris

e R

esso

urce

Pla

nnin

g Su

pply

Cha

in M

anag

emen

t

Operative CRM-Systeme

Analytische CRM-Systeme

Data Warehouse

Data Mining

CRM- Anwendungen

Interaktions- kanäle

Customer Touch Points

Außendienst Innendienst CIC

Filiale Website

OLAP

Pers. Kontakt WWW E-Mail Telefon Brief/Fax Etc.

Service- Prozesse

Sales- Prozesse

Operative Kundendatenbank

Etc.

Kampagne Opportunity Feedback Lead Angebot/Auftrag Support

Basis- Anwendungen

Kontakt Workflow Stammdaten

Aktivitäten Eskalation

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 48

Quelle: in Anlehnung an: Mucksch/Behme 1996, S. 64 ff.

Abfrage- und Analysewerkzeuge

Archivierungs-systeme

Datenbasis

Benutzerschnittstelle bzw. Output-Schicht

Datenschnittstelle bzw. Input-Schicht Transformationsprogramme

Met

adat

en

Direktzugriff Analysen Berichte

Data Marts

Unternehmensinterne und –externe transaktionsorientierte Daten

Verdichtungsstufe 1

Verdichtungsstufe 2

Verdichtungsstufe n

3.2 Data Warehouse 3.2.1 Architektur des Data Warehouse Systems

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 49

Technischer Nutzen

Verbesserte Datenintegration

Keine dezentralen Datenprüfungen mehr notwendig

Schnelle Abfragen möglich

Entlastung operativer Anwendungen

Flexible Zugriffsmöglichkeiten

Betriebswirtschaftlicher Nutzen

Verbesserte Informationsbereitstellung

Frühzeitiges Erkennen von Trends

Zügige Reaktion auf Umweltveränderungen

Verbesserung der Kundenzufriedenheit

Harmonisierung von Begriffen

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 50

Quelle: SAP

Online Transaction Processing DWH

Ziel Effizienz durch Automation Vorteile durch Wissensgenerierung

Inhalt der Daten Anwendungs- & funktionsbezogen Themenbezogen

Art der Daten Transaktionsdaten Aggregierte- & Transaktionsdaten

Alter der Daten Aktuell, zeitnah: 30-60 Tage Historisch, aktuell, zukünftig

Datenvolumen Klein Sehr umfangreich

Hauptfunktionalität Häufige Änderungen Zeitabhängige Auswertungen

State of the Art beim Normalisiert Relationale & multidimensionale DB

Datenbanksystem

Erlaubte Operationen auf Einfügen, Aktualisieren, Löschen, Lesen

den Datenbestand Lesen

3.2 Data Warehouse 3.2.1 Nutzenpotentiale eines OLTP im Vergleich zum Data Warehouse

Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 52

Bevor BI relevante Daten im DW bereit gestellt werden können, sind

umfangreiche Bearbeitungsaktivitäten erforderlich.

Im ETL-Prozess werden die operativen Systeme aufgegriffen und in

betriebswirtschaftlich interpretierbare Daten transformiert.

ETL besteht aus 3 nachfolgenden Prozessschritten:

Extraktion der relevanten Daten aus verschiedenen Quellen (Filterung)

Transformation der Daten in das Schema und Format der Zieldatenbank (syntaktische und semantische Datenaufbereitung)

Laden der Daten in das Data Warehouse (Datenübernahme in das DW)

3.2 Data Warehouse 3.2.2 ETL Prozess

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 53

Extraktion

Erster Schritt

Auswahl der Daten aus Quellsystem

Vorbereitung der Daten für Transformation

In der Regel wird nur ein Ausschnitt aus den Quelldaten selektiert

Interne Datenquelle

Externe Datenquelle

Extrakt Extrakt

Bereinigte Rohdaten

Data Warehouse


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 54

Datenquellen

Meist aus verschiedenen Informationssystemen

Oftmals bestehen sie aus unterschiedlichen Datenformaten und Datenstrukturen.

Im Idealfall sind die Daten in relationalen Datenbanken abgelegt.

Unstrukturierte Textdaten lassen sich nur schwer einlesen!

ETL- Tools ermöglichen den Zugriff auf vielfältige Datenformate.

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 55

Aktualität der Datenquellen

Extraktion muss regelmäßig stattfinden Asynchrone Extraktion

Periodisch

Ereignisgesteuert

Nachfragegesteuert

Synchrone Extraktion

Oftmals stehen für das Auslesen aus operativen Datenbestände nur begrenzt

Zeitfenster zur Verfügung; daher nachts Zugriff auf Quellsysteme um

den operativen Tagesbetrieb nicht durch aufwendige Lese- und Kopiervorgänge

zu behindern!

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 56

Unterteilung des

Transformationsprozesses

in 4 Einzelschritte:

1. Filterung

2. Harmonisierung

3. Aggregation

4. Anreicherung

Transformation

Quelle: Kemper/Finger 2006, S. 116


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 57

Transformation – 1. Schritt: Filterung

Filterung: Extraktion und Bereinigung syntaktischer und inhaltlicher (semantischer)

Defekte der Daten

Syntaktische Mängel: falsche Steuerzeichen, formale Fehler

Semantische Mängel: Fehler betriebswirtschaftlich-inhaltlicher Art (offensichtlich falsche Umsatzzahlen)

Quelle: Kemper/Finger 2006, S. 114 ff.


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 58

Unterscheidung: Mängel 1., 2. und 3. Klasse

1. Klasse: lassen sich automatisch erkennen und während des Extraktionsvorgangs auch automatisch korrigieren

2. Klasse: Defekterkennung erfolgt automatisch, die Korrektur muss aber nach dem Extraktionsvorgang manuell vorgenommen werden

3. Klasse: Mängel können ausschließlich manuell erkannt und korrigiert werden

Die Mängel 2. und 3. Klasse bedingen kurz- oder mittelfristig eine

Fehlerbereinigung in den operativen Quellsystemen!



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 59

Syntaktische Mängel:

1. Klasse: Bekannte Formatanpassungen

Beispiel: intern verwendete Sonderzeichen werden durch Mapping- Tabellen automatisch beim Extrahieren erkannt und bereinigt

2. Klasse: Erkennbare Formatinkompatibilitäten

Beispiel: Entdecken bislang unberücksichtigter Syntaxvarianten der operativen Datenquellen / erkennbare Formatinkompatibilitäten



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 60

Semantische Mängel:

1. Klasse: Fehlende Datenwerte

2. Klasse: Ausreißerwerte / unstimmige Wertekonstellationen

Beispiel: Negative Umsatzzahlen; Abhilfe durch Plausibilitätskontrollen, Domänenüberprüfung zur Identifikation fehlerhafter Datenfelder

3. Klasse: Unerkannte semantische Fehler in operativen Quellen

Beispiel: Zuordnung Produkte zu Produktgruppen; Extrahierte Daten enthalten inkorrekte Datenwerte



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 61

Transformation – 2. Schritt: Harmonisierung der Daten

Die gefilterten und bereinigten Daten werden zusammengeführt

3 Problemklassen:

Abgleichen von Kodierungen, Synonymen und Homonymen

Auflösen von Schlüsselharmonien

Betriebswirtschaftliche Harmonisierung



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 62

Kodierung: Einzelne Datenbestände können unterschiedlich kodiert sein. So könne Attribute wie Geschlecht in Datenquelle 1 als „M“ / „W“ kodiert sein, in Datenquelle 2 als „0“ / „1“ Variable

-> Harmonisierung durch einheitlichen Attributwert „0“ / „1“


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 63

Synonyme = unterschiedliche Attributnamen können die gleiche Bedeutung haben. Beispielsweise kann in Datenquelle 1 für den Namen von Betriebsmitarbeitern das Attribut „Personal“ vorgesehen sein, in Datenquelle 2 aber „Mitarbeiter“

-> Harmonisierung durch identische Attributnamen

Homonyme = gleiche Attributnamen können unterschiedliche Bedeutung haben. In Datenquelle 1 kann „Partner“ den Namen von Kunden bezeichnen, in Datenquelle 2 den Namen von Lieferanten

-> Harmonisierung durch unterschiedliche Attributnamen


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 64

Auflösung von Schlüsseldisharmonien

Beim Zusammenführen von Daten aus mehrer Datenbanken ist ein gemeinsamer

Primärschlüssel notwenig.

Mit Hilfe von Zuordnungstabellen wird jedem neuen Kunden ein künstlicher

Primärschlüssel generiert.

Die Primärschlüssel der operativen Systeme werden als Fremdschlüssel

mitgeführt, so dass übergreifende Datenauswertungen möglich sind.

Im letzten Schritt erfolgt die Vereinheitlichung betriebswirtschaftlicher

Begriffe. Bsp.: Währungen, Periodenzählweise, Einheiten etc.

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 65

Beispiel: Schlüsseldisharmonien

Kundenreklamation eines schadhaften Ersatzteils.

Herstellerfirma hat anderen Schlüssel als Vertriebsfirma

-> Garantiefall ohne angelegten Lieferantenschlüssel und ohne

Beschaffungssystem, kein Kundenschlüssel bekannt

-> Lieferant des schadhaften Ersatzteils ist nicht identifizierbar!

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 66

Transformation – 3. Schritt: Aggregation

Betriebswirtschaftliche Aufbereitung. Die Daten werden in die gewünschte

Granularität (Detaillierungsebene der abgelegten Daten innerhalb eines DWH)

überführt.

Aggregationsalgorithmen für tagesaktuelle Daten zusammenfassen

Vorsummierung für betriebswirtschaftliche Kennziffern

Entwicklung von Dimensionshierarchietabellen (Kunde, Kundengruppe, Gesamt)

Wichtiger Einschnitt was „Neutralität“ der Daten betrifft

Quelle: Kemper/Baars 2008, S. 10; Kemper /Finger 2006, S. 114 ff.


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 67

Quelle: Kemper/Finger 2006, S. 132

Granularität

Beschreibt den Detaillierungsgrad von Daten

Sehr detaillierte Daten haben eine niedrige Granularität

Mit steigender Verdichtung der Daten wird eine höhere Granularität erreicht

Die Granularität wirkt sich unmittelbar auf den benötigten Speicherplatz, die Verarbeitungsgeschwindigkeit und die Flexibilität des Data Warehouses aus


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 68

Transformation – 4. Schritt: Anreicherung

Aufweichung der strikten Trennung

zwischen Daten und Programmlogik. Die

Daten werden um betriebswirtschaftliche

Kennziffern expandiert.

Vorteile: Abfragen sind effizienter durchführbar

Die errechneten Werte sind wegen der einmaligen Berechnung konsistenter

Es liegt ein abgestimmtes betriebswirtschaftliches Instrumentarium vor

Dieser Prozess findet in der Staging Area

statt!

Quelle: Skript Wirtschaftsuniversität Wien


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 69

Laden der geprüften Daten

Die vorbereiteten Daten werden in das Data Warehouse integriert.

Hierzu müssen sie physikalisch in die Datenbank des DW verschoben werden und darauf aufbauende Datenanalysesysteme aktualisiert werden.

Das Laden aus der Staging Area in das DW soll möglichst effizient geschehen, daher werden meist nicht alle Daten bei jeder Aktualisierung geladen, sonder nur die Neuen.

Um operativen Betrieb nicht zu beeinträchtigen wird der ETL Prozess meist über Nacht abgewickelt.

Quelle: SAP


Übersicht

1 Grundlagen

2 SAP CRM




3.1.3 SAP


3.2.2 ETL Prozess



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 71

Quelle: SAP

Datenbasis

Datenschnittstelle bzw. Input-SchichtTransformationsprogramme

Unternehmensinterne - und -externe transaktionsorientierte Daten

Met

adat

en

Verdichtungsstufe 2

Verdichtungsstufe 1

Verdichtungsstufe n

Verdichtungsstufe 2

Verdichtungsstufe 1

Verdichtungsstufe n

Data MartsData Marts

ArchivierungsArchivierungs--systemesysteme

Benutzerschnittstelle bzw . Output-Schicht

Direktzugriff Analysen BerichteDirektzugriff Analysen Berichte

Abfrage- und Analysewerkzeuge

3.2 Data Warehouse 3.2.3 Vom DW zum SAP NetWeaver BI

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 72

Quelle: http://www.uniorg.de/page/sap_beratung_netweaver_soa

3.2 Data Warehouse 3.2.3 SAP NetWeaver BI

http://images.google.de/imgres?imgurl=http://www.uniorg.de/image/header/uniorg_banner_180x260.jpg&imgrefurl=http://www.uniorg.de/page/sap_beratung_netweaver_soa&h=260&w=180&sz=21&hl=de&start=49&usg=__dJYXkBlAQn-2_K-aq7Z0gjQwcFk=&tbnid=UkU3E8D_CiaujM:&tbnh=112&tbnw=78&prev=/images?q=sap+Netweaver+bi&start=42&gbv=2&ndsp=21&hl=de&sa=N

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 73

Quelle: SAP

3.2 Data Warehouse 3.2.3 Integration SAP NetWeaver BI im SAP NetWeaver

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 74

Quelle: SAP

Data Warehouse

BI Plattform

BI Suite: Business Explorer

Entwicklertechnologien

3.2 Data Warehouse 3.2.3 Integration SAP NetWeaver BI im SAP NetWeaver

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 75

Quelle: http://www.youtube.com/watch?v=zB-uBLI_30Q SAP

3.2 Data Warehouse 3.2.3 SAP NetWeaver BI – Body of Information

http://www.youtube.com/watch?v=zB-uBLI_30Q

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 76

Die SAP-Lösung für den DWH Bereich ist das SAP NetWeaver BI, sprich es handelt sich um eine von SAP entwickelte Applikation eines Data Warehouses

Das SAP NetWeaver BI: ist für die Datenhaltung und Datenanalyse von SAP interner und externer Daten

entwickelt worden

ist inzwischen die Grundlage für verschiedene SAP Anwendungen geworden

dient der Unterstützung von strategischen und operativen Unternehmensentscheidungen. Dabei werden Warehouse-Technologien mit vorkonfigurierten betriebswirtschaftlichen Inhalten (Business Content) miteinander verbunden. Auf diese Weise wird ein umfassender Überblick über unternehmensinterne und –externe Daten geboten.

Quelle: SAP

3.2 Data Warehouse 3.2.3 … zur Praxis SAP NetWeaver BI

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 77

Die 3 Ebenen des SAP NetWeaver BI:

Präsentationsebene (Auswertungen)

Administrationsebene (Aufbereitung der Daten)

Zentraler Punkt: Data Warehousing Workbench

Extraktionsebene (Datenbeschaffung)

Quelle: SAP

3.2 Data Warehouse 3.2.3 Definition SAP NetWeaver BI

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 78

Datenübernahme einplanen

Daten laden

Datenübernahme überwachen

Fortschreibungs-prozess überwachen

BW Erstellung Pflege

Überwachung

Zentraler Punkt der BW Verwaltung und Steuerung

3.2 Data Warehouse 3.2.3 Administrator Workbench

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 79

Data Warehousing Workbench:

Funktionsbereiche:

Modellierung

Administration

Transportanschluss

Dokumente

Business Content

Übersetzung

Metadaten Repository


3.2 Data Warehouse 3.2.3 Extraktion im SAP NetWeaver BI

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 80

Data Warehousing Workbench:

Funktionsbereich Modellierung:

Das Werkzeug zur Modellierung von Daten

ist die Data Warehousing Workbench. Je

nach Anforderung für Analyse und Reporting

stehen verschiedene BI-Objekte zur

Integration, Transformation, Konsolidierung,

Bereinigung und Ablage von Daten zur

Verfügung. Die BI-Objekte erlauben eine

effiziente Bereitstellung der Daten zur

Analyse und Interpretation.

Quelle: SAP

3.2 Data Warehouse 3.2.3 ETL im SAP NetWeaver BI

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 81

Data Warehousing Workbench (RSA1)

Die Data Warehousing Workbench (DWB),

ist für die Aufgaben im Data

Warehousing Prozess das zentrale

Werkzeug.

Sie stellt die Funktionen zur

Datenmodellierung sowie zur Steuerung,

Überwachung und Pflege aller mit der

Datenbeschaffung, -haltung und

–verarbeitung verbundenen Prozesse

im SAP NetWeaver BI zur Verfügung.



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 82

Quelle: SAP

Extraktionsebene


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 83

Einspeisung der Daten sowohl aus dem ERP als auch aus Fremdsystemen: Andere SAP NetWeaver BI-Systeme

SAP CRM

Flat-Files

Datenbanksysteme

XML

PSA = Persisting Staging Area = Eingangsschnittstelle

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 84

Der Weg zur PSA: InfoArea anlegen

InfoObjectCataloge anlegen

InfoObjects anlegen

InfoCube anlegen Struktur fertig angelegt, jetzt mit Daten füllen!

Anwendungskomponente anlegen

DataSources anlegen

Transformation anlegen

InfoPackages laden

Datentransferprozess anlegen

Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind!

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 85


InfoObjectCataloge anlegen (beinhaltet Merkmale / Kennzeichen)

InfoObjects anlegen (kleinste Einheit!)

InfoCube anlegen Struktur fertig angelegt, jetzt mit Daten füllen!

Anwendungskomponente anlegen

DataSources anlegen (woher kommen die Daten?)

Transformation anlegen (Zuordnung)

InfoPackages laden

Datentransferprozess anlegen

Prüfen ob die Daten fehlerfrei in der PSA und im InfoCube angekommen sind!

Quelle: SAP

3.2 Data Warehouse 3.2.3 Überblick einzelne Schritte

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 86



Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 87


3.2 Data Warehouse 3.2.3 Anlegen eines Merkmals

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 88


InfoProvider ist eine persistente Datenablage, er stellt die Daten für Analyse,

Reporting und Planung zur Verfügung

(Modellierungsebene der Data Warehousing Workbench)

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 89

Der Weg zur PSA: InfoObjectCataloge anlegen

IOC beinhaltet mehrere InfoObjects (Merkmale oder Kennzahlen), dient somit

einer besseren Strukturierung und ist im InfoObjectsbaum integriert.

Ist ein IOC angelegt, kann er mit InfoObjects (kleinste Einheiten des BI) gefüllt werden.

Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 90

Zwei Arten von Tabellen:

Faktentabellen beinhalten betriebswirtschaftliche Daten wie Umsatz, Verkaufsdaten usw.

Zu jeder Faktentabelle sind Dimensionstabellen verbunden, die die Geschäfts- strukturen des Unternehmens beschreiben.

Quelle: http://de.wikipedia.org/wiki/Sternschema

3.2 Data Warehouse 3.2.3 Exkurs: Stern (Star) Schema

Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 91

Der Weg zur PSA: InfoCube anlegen

Mehrdimensionale Ablage für den Decision Support.

Wird aus einer oder mehreren DataSources gefüllt und enthält zwei Arten von Daten: Merkmale und Kennzahlen

Bildet das Datenmodell des SAP Business Information Warehouse.

Technische Sicht: InfoCube besteht aus einigen relationalen Tabellen die nach dem Star-Schema zusammengestellt sind. Eine große Faktentabelle im Zentrum (Kennzahlen) und mehrere sie umgebende Dimensionstabellen (Merkmale).

Struktur fertig angelegt, jetzt mit Daten füllen! Quelle: SAP


Kath

olis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dt

Lehr

stuh

l für

ABW

L un

d W

irtsc

hafts

info

rmat

ik

Prof

. Dr.

Klau

s D

. Wild

e 92

Sie sind Praktikant des anerkannten PC Vertriebsunternehmens WIF (Wir Informieren Fachleute). Im Rahmen Ihrer Praktikumsstelle will das Unternehmen testen wie fit Sie im Umgang mit spezieller Systemsoftware sind, in diesem Fall der SAP NetWeaver BI.

Sie sollen mit Hilfe dieser Software Unternehmensdaten in das Data Warehouse laden und diese entscheidungsrelevant aufbereiten. Dazu empfiehlt es sich nach spezifischen Kennzahlen (Umsatz, Produktpreise,..) und Merkmalen (Buchungskreis, Kunden, Kundengruppen,..) zu suchen, welche anschließend in Form eines Daten-Würfels vorliegen und somit auch eine Analysebasis für zukünftig umfangreichere Daten bilden.

Sind die Daten in Form einer aussagekräftigen Grafik mit Hilfe des Query Designers verfügbar, steht einer Festanstellung nichts mehr im Wege!

3.2 Data Warehouse 3.2.3 Szenario

Documents

CRM mit SAP CRM: SAP NetWeaver BI - Sozialinformatik · Prof. Dr. Klaus D. Wilde Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt CRM mit