Auszug
Data Warehouse-Lösungen verfolgen das Ziel, einen logisch zentralen, einheitlichen und konsistenten Datenbestand aufzubauen, der als Grundlage unterschiedlicher Ansätze zur Entscheidungsunterstützung in einer Unternehmung fungieren kann.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Aus diesem Grunde wird das OLAP-Konzept gar als historischer Nachfolger des Ansatzes hierarchischer Kennzahlensysteme verstanden. Vgl. Hofacker (1999), S. 60.
Vgl. Codd/Codd/Salley (1993); Codd (1994).
Vgl. Franconi/Baader/Sattler/Vassiliasis (2000), S. 88.
Als besondere Anekdote der DV-Geschichte ist der Umstand zu verstehen, dass es mit E. F. Codd einer der geistigen Urväter der relationalen Datenbanksysteme war, der den Begriff des On-Line Analytical Processing prägte. Vgl. Gluchowski/Chamoni (2006), S. 145. Unbestritten erweisen sich operative, transaktionsorientierte Anwendungssysteme auf der Basis relationaler Datenbanktechnologie als stabile, sichere und schnelle Lösungen. Allerdings offenbaren diese Systeme Schwächen bei der flexiblen und benutzeradäquaten Zurverfügungstellung entscheidungsrelevanter Informationen. Schließlich, so argumentiert Codd, sind relationale Systeme auch nicht darauf ausgelegt, multidimensionale Analysen mit der geforderten Funktionalität und in der gewünschten Schnelligkeit zu gewährleisten. Vgl. Codd/Codd/Salley (1993).
Vgl. Jahnke/Groffmann/Kruppa (1996), S. 321.
Vgl. Holthuis (1998), S. 52.
Vgl. Jahnke/Groffmann/Kruppa (1996), S. 321; Holthuis (1998), S. 55.
Vgl. Werner (1995), S. 45.
Vgl. Clausen (1998), S. 14; Pendse/Creeth (1995); Reinke/Schuster (1999), S. 46.
Vgl. Leitner (1997), S. 44.
Vgl. Clausen (1998), S. 44.
Vgl. Thomsen (1997), S. XIXf.; Oehler (2006), S. 25.
Vgl. Pendse (2002).
Vgl. Thomsen (1997), S. XXI.
Vgl. Oehler (2006), S. 25.
Hinsichtlich des Datenvolumens existieren allerdings inzwischen Durchgriffsmöglichkeiten auf Datenbankserver, so etwa im Microsoft-Bereich auf die Analysis Services des SQL-Server 2005. Die Tabellenkalkulationsprogramme werden dann als reines Anzeigemedium und nicht als Speicherkomponente genutzt. Vgl. Pendse (2002).
Vgl. Oehler (2006), S. 25.
Vgl Thomsen (1997), S. XIX.
Vgl. Saylor/Bedell/Rodenberger (1997), S. 39.
Vgl. Totok (2000b), S. 87; Schelp (2000), S. 140.
Bauer und Günzel definieren Granularität als Stufe des Verdichtungsgrades von Daten. Vgl. Bauer/Günzel (2004), S. 528. Siehe auch Mucksch (1999), S. 177; Kemper/Finger (2006), S. 116.
Vgl. Oehler (2006), S. 136ff.
Entsprechend der gewählten Begrifflichkeit des Hierarchiebaumes werden die Basiselemente auch als Blätter und das Element auf der obersten Ebene als Wurzel bezeichnet. Vgl. Totok (2000b), S. 92f.
So unterscheidet Holthuis zwischen nichthierarchischen, hierarchischen und kategorischen Dimensionen. Vgl. Holthuis (1998), S. 121–125. Mit ausgeprägtem Bezug zur relationalen Implementierung grenzt Thomsen dagegen Identifikator-von Variablen-Dimensionen ab. Vgl. Thomsen (1997), S. 424–431.
In Abgrenzung zur Hierarchiebildung werden Auswertungen auf derartigen Attributen dann auch als vertikale Analysen benannt. Vgl. Oehler (2006), S. 143.
Vgl. Holthuis (1998), S. 186.
Als alternative Metapher zur Abbildung mehrdimensional strukturierter Daten lässt sich beispielsweise auch eine Rechenschieberdarstellung wählen. Vgl. Back-Hock (1993c), S. 267.
Vgl. Oehler (2006), S. 127.
Vgl. Holthuis (2000), S. 174.
Zusätzlich finden sich auch die Begriffsgebilde nicht-hierarchische Dimension und partitioning dimension als Bezeichnung für eine derartig strukturlose Dimension. Vgl. Holthuis (1998), S. 121f.
Holten und Knackstedt zeigen für eine Artikeldimension acht alternative Wege zur Gruppierung von Einzelartikeln auf. Vgl. Holten/Knackstedt (1999), S. 11.
Vgl. Totok (2000b), S. 93.
Vgl. Oehler (2006), S. 138.
Schelp diskutiert diesen Sonderfall unter dem Begriff Heterarchie. Vgl. Schelp (2000), S. 142f.
Vgl. Oehler (2006), S. 139f.
Vgl. Lehmann (2001), S. 38.
Vgl. Kimball (1996), S. 49.
Die Behandlung von zeitlichen Strukturbrüchen innerhalb einzelner Dimensionen ist ein nicht zu unterschätzendes Phänomen, für das vielfältige Lösungsmöglichkeiten existieren. So unterbreiten beispielsweise Chamoni und Stock einen Vorschlag zum Einsatz von Zeitstempeln für die Verwaltung von Änderungen in den Dimensionsstrukturen. Vgl. Chamoni/Stock (1998), S. 516–519.
Vgl. Lehmann (2001), S. 37.
Vgl. Saylor/Bedell/Rodenberger (1997), S. 39.
Teilweise wird hier zwischen informations-, analyse-, planungs-und kampagnenorientierten Einsatzbereichen explizit unterschieden. Vgl. Bauer/Günzel (2004), S. 13. Schinzer, Bange und Mertens identifizieren darüber hinaus auch noch die einzelfallorientierte Nutzung multidimensionaler Datenbestände als besonderen Einsatzbereich. Vgl. Schinzer/Bange/Mertens (2000), S. 12.
Vgl. Hannig/Hahn (2002), S. 224. Zwar werden hier Business Intelligence-Lösungen allgemein abgetragen, allerdings ist davon auszugehen, dass es sich zu einem Großteil dabei um multidimensionale Systeme handelt.
Brändli (1997), S. 12.
Vgl. Mentzl/Ludwig (1998), S. 479.
Vgl. Oehler (2006), S. 296ff.
Vgl. Gregorzik (2002), S. 49–51.
Oehler führt zudem die Zahlungsstromrechnung, die Konsolidierung und speziell die Prozesskostenrechnung als Anwendungsfelder für multidimensionale Informationssysteme auf. Überdies beschreibt er den multidimensionalen Aufbau einer Balanced Scorecard-Lösung. Vgl. Oehler (2006), S. 226–272. Bauer und Günzel verweisen auf Einsatzfelder, die sich auch außerhalb betriebswirtschaftlicher Betrachtungen im Bereich der empirischen Messdatenerfassung finden lassen. Vgl. Bauer/Günzel (2004), S. 484ff.
Vgl. Siegwart (1992), S. 26; Oehler (2006), S. 59.
Derartige Systemlösungen werden auch als hybrid bezeichnet. Vgl. Bauer/Günzel (2004), S. 242; Clausen (1998), S. 35; Kurz (1999), S. 326.
Vgl. Behme/Holthuis/Mucksch (2000), S. 216; Finkelstein (1995); Thomsen (1997), S. 207. Zur exakten Abgrenzung bezeichnet Holthuis die Vertreter dieser Systemkategorie als physisch multidimensionale Datenbanksysteme. Vgl. Holthuis (1998), S. 186. Als charakteristisch erweist sich, dass multidimensionale Datenbanksysteme die Daten physikalisch in Arrays speichern. Vgl. Franconi/Baader/Sattler/Vassiliasis (2000), S. 96.
Vgl. Gluchowski (1998a), S. 12.
Vgl. Bauer/Günzel (2004), S. 241; Grandy (2002), S. 23.
Vgl. Clausen (1998), S. 33; Kurz (1999), S. 330; Leitner (1997), S. 43–46; Martin (1996).
Vgl. Gabriel/Röhrs (1995), S. 114ff., und die Ausführungen in Abschnitt 4.2.1.
Als wegweisend werden in diesem Zusammenhang die frühen Arbeiten von Edgar F. Codd gewertet. Vgl. z. B. Codd (1970), S. 377–387.
Vgl. Codd/Codd/Salley (1993).
Vgl. Gabriel/Röhrs (2003), S. 58ff.
Vgl. Kurz (1999), S. 330.
Als typische Anwender einer multidimensionalen Lösung lassen sich neben den Benutzern in leitender Position gelegentliche User, Geschäftsanalytiker, Daueranwender und Anwendungsentwickler identifizieren. Vgl. Poe/Reeves (1997), S. 172f. Bereits in Abschnitt 4.3 wurden verschiedene Nutzergruppen beschrieben, von denen sich als typische OLAP-Anwender insbesondere die Analytiker identifizieren lassen.
Martin unterscheidet zwischen vorgefertigten, explorativen und interaktiven Analyseformen. Vgl. Martin (1998a), S. 32.
Vgl. Wieken (1999), S. 40. Als typische Anwender lassen sich hier die Spezialisten anführen (vgl. Abschnitt 4.3).
Clausen bezeichnet diese Tools als Ad-Hoc-Analysewerkzeuge. Vgl. Clausen (1998), S. 142.
Vgl. Oehler (2006), S. 64. Eine praktische Anleitung zur Verknüpfung von multidimensionalen Datenbeständen mit Spreadsheet-Technologie findet sich bei Reinke/Schuster (1999), S. 143–173.
Vgl. Bauer/Günzel (2004), S. 127–131; Clausen (1998), S. 128–138; Kurz (1999), S. 115f.; Kemper/Mehanna/Unger (2004), S. 132ff.; Wieken (1999), S. 90–92.
Aufgrund der bisweilen sensiblen Dateninhalte ist bei einer Übertragung via Internet-Technologie sehr genau auf die Gewährleistung eines sicheren, möglichst verschlüsselten Transfers zu achten. Vgl. Gartner (1997), S. 63.
Vgl. Lux (2005), S. 17.
Vgl. Berson/Smith (1997), S. 233f.; Piemonte (1997), S. 10.
Vgl. Vlamis (1996), S. 28–31.
Vgl. Microsoft (2007).
Vgl. Brosius (1999), S. 15; Oehler (2006), S. 93–100.
Vgl. Reinke/Schuster (1999), S. 216f.
Vgl. Spofford (2001).
Eine ausführliche Beschreibung des gesamten Sprachumfangs findet sich z. B. bei Spofford. Vgl. Spofford (2001).
Vgl. Chamoni/Gluchowski (2006), S. 16f.
Vgl. Bissantz (1999), S. 376.
Vgl. Bissantz/Hagedorn (1997), S. 104.
Vgl. Düsing (2006), S. 243f.
Zum Begriff der aktiven Informationssysteme vgl. Bissantz (1999), S. 376f
Vgl. Fayyad/Piatetsky-Shapiro/Smyth (1996).
Vgl. Adriaans/Zantinge (1998).
Vgl. Fayyad/Piatetsky-Shapiro/Smyth (1996), S. 6.
Vgl. Bissantz/Hagedorn (1993), S. 481.
Vgl. Düsing (2006), S. 246.
Einen Überblick hierzu bietet Soeffky (1998), S. C833.07 ff.
Vgl. Krahl/Windheuser/Zick (1998), S. 106f.
Vgl. Petersohn (2005), S. 12–14.
Vgl. Gluchowski (2000), S. 12f.; Schommer/Müller (2001), S. 59ff., und Abschnitt 8.4.
Vgl. Gerst/Herdweck/Kuhn (2001), S. 38. Einen Überblick über die gebräuchlichen Verfahren und Anwendungsgebiete von Text Mining liefert Felden (2006), S. 283 — 304.
Eine breite Palette unterschiedlicher Verfahren lässt sich nutzen, um vorhandene Datenbestände im Sinne des Data Mining zu analysieren. Übersichten über die einsetzbaren Methoden bieten z. B. Beekmann/Chamoni (2006), S. 263–282; Krahl/Windheuser/Zick (1998), S. 59–95; Schweizer (1999), S. 57–62.
Vgl. Degen (2006), S. 311 und 320.
Vgl. Beekmann/Chamoni (2006), S. 274.
Vgl. Bankhofer (2004), S. 399.
Vgl. Poddig/Sidorovich (2001), S. 373.
Vgl. Rehkugler/Zimmermann (1994); Schöneburg/Straub (1993), S. 247ff.
Vgl. Laudon/Laudon/Schoder (2006), S. 482 f.
Vgl. Neckel/Knobloch (2005), S. 222f.
Vgl. Hettich/Hippner/Wilde (2000), S. 977; Krahl/Windheuser/Zick (1998), S. 140.
Vgl. hierzu das Beispiel einer Assoziationsanalyse in Bodendorf (2006), S. 47 ff.
In Anlehnung an: Hettich/Hippner/Wilde (2000), S. 970.
Eine Erläuterung dieses Verfahrens bieten beispielsweise Hettich und Hippner. Vgl. Hettich/Hippner (2001), S. 429ff.
Vgl. Krahl/Windheuser/Zick (1998).
Vgl. Beekmann/Stock/Chamoni (2003), S. 1531 ff.
Rights and permissions
Copyright information
© 2008 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
(2008). Datenanalyse: On-Line Analytical Processing und Data Mining. In: Management Support Systeme und Business Intelligence. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-68269-1_6
Download citation
DOI: https://doi.org/10.1007/978-3-540-68269-1_6
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-23543-9
Online ISBN: 978-3-540-68269-1
eBook Packages: Business and Economics (German Language)