Logistik Data Warehouse Systeme

Logistik Data Warehouse Systeme

• Ein «Daten Warenhaus» ist ein System, das in einer Art
• Meta Datenbank Informationen aus verschiedenen
• Quellen in einem einheitlichen Format zusammenfasst.
• Diese Daten werden konsolidiert bereitgestellt und
• ermöglichen eine schnelle und ganzheitliche Sicht auf
• die interessieren Informationen.

Lernziele

• Wissen, weshalb Data Warehouses gebraucht
• werden.
• • Grundlagen eines Data Warehouse verstehen.
• • Das 5-Schichten Modell kennen.
• • Einsatzmöglichkeiten eines Data Warehouse
• allgemein und für die Logistik im Speziellen
• erkennen und erklären können.
• • Den Begriff Data Warehouse definieren können.

Definitionen

• • „Ein Data Warehouse bezeichnet eine themenorientierte, integrierte
• zeitbezogene und dauerhafte Sammlung von Informationen zur
• Entscheidungsunterstützung des Managements.“[2]
• • Ein Data Warehouse ist ein „unternehmensweites Konzept, dessen
• Ziel es ist, eine logisch zentrale, einheitliche und konsistente
• Datenbasis für die vielfältigen Anwendungen zur Unterstützung der
• analytischen Aufgaben von Fach- und Führungskräften aufzubauen,
• die losgelöst von den operativen Datenbanken betrieben wird.“ [3]
• DIGLOG - HMU Seite 3
• [2] Inmon (Building the Data Warehouse, 1992), S. 25, übersetzt in: Schinzer/Bange/Mertens (Data Warehouse
• und Data Mining, 1999), S. 15:
• [3] Chamoni/Gluchowski (Analytische Informationssysteme – Einordnung und Überblick, 1999), S. 13 in
• Anlehnung an Holthuis/Mucksch/Reiser (Das DataWarehouse Konzept, 1995).

Einführung / Geschichte 1

• • Der Begriff des DWH wurde in den 80er Jahren
• geprägt.
• • MIS (Management Information Systems) hatten
• Bedarf an konsolidierten Daten.
• • Fest programmierte Reports waren zu wenig
• flexibel.
• • Teure Datenhaltung durch Redundanz.
• • Datenzugriff war alles andere als einfach, weil
• unzureichende Schnittstellen, Vernetzung nicht
• vorhanden, fehlende Anwendungsneutralität.

Einführung / Geschichte 2

• • Bedienung von DWH kompliziert.
• • Neuerdings werden sie auch bezeichnet als
• – Datenlager
• – Business-Intelligence-Systeme
• • Bekannte Anbieter sind Oracle, Microsoft, IBM, ..

Verbreitung von DWH 1

• • Geniessen seit Mitte der 90er Jahre hohe
• Verbreitung.
• • Zu bewältigende Informationsmenge wächst und
• wächst.
• • Wichtige Voraussetzungen
• – Grafische Oberflächen vereinfachen Handling
• – Sehr billige Harddisk, hohe Kapazitäten im Tera
• Bereich verfügbar. Vergleiche das «Moor’sche
• Gesetz».

Verbreitung von DWH 2

• – Modellierung Anwendungsneutral (relational)
• – Vernetzung weit fortgeschritten, länderüberschreitend
• – IT Durchdringung in den Betrieben hoch
• – Standardisierung

Merkmale eines DWH 1

• Merkmal
• Themenorientierung
• Vereinheitlichung
• Erklärung
• DWH- Daten sollen nicht applikationsbezogen wie die
• operativen Daten sein, deren Hauptaufgabe die Abarbeitung des
• Tagesgeschäftes ist. Die im DWH benötigten Daten sollen
• sich vielmehr auf Themenschwerpunkte wie Kunden,
• Produkte oder Regionen beziehen.
• Diejenigen Daten, die operativen Charakter haben, nur der
• Abwicklung der Geschäftsprozesse und nicht der
• Entscheidungsunterstützung dienen, finden keine Verwendung
• im DWH.
• Die Daten kommen aus verschiedenen Anwendungen und
• Datenbanken.
• Vor der Übernahme in das DWH müssen diese vereinheitlicht
• werden. Dies bezieht sich vor allem auf Namensgebung,
• Bemassung und Kodierung. Ziel ist ein konsistenter und
• integrierter Datenbestand, auf dessen Basis verlässliche
• Auswertungen angefertigt werden können.

Merkmale eines DWH 2

• Merkmal
• Zeitorientierung
• Beständigkeit
• Erklärung
• Die Zeit soll als bewertbare Bezugsgrösse enthalten sein.
• Im Gegensatz zu den operativen Daten, die zeitpunktbezogen
• sind, zielen DWH-Daten auf eine Zeitraumbetrachtung ab. Dies
• ermöglicht die Vergleichbarkeit von Unternehmensdaten über
• eine zusätzliche Dimension .
• Daten im DWH sollen im Gegensatz zu operativen Daten, die
• nach ihrer Verarbeitung oftmals gelöscht werden, über einen
• längeren Zeitraum hinweg bestehen. Dies führt zu hohen
• Ansprüchen an die Datenbanken in Bezug auf Datenzugriff,
• Speichertechniken und Umfang des zu speichernden
• Datenmaterials.

Motivation und Nutzen 1

• • Ermöglicht auf viele neue Fragen Antworten.
• • Verbessert und beschleunigt viele Antworten
• erheblich.
• • Inhaltliche Verknüpfung von Daten führt zu
• übergreifenden Analysen.
• • Massiv höhere Datenqualität (Fehlerminimierung,
• Plausiblitäts-Check).
• • Datenanreicherung mit externen Daten
• (Kundenprofile, geografische Informationen).

Motivation und Nutzen 2

• • Entscheidungsträger benötigen einen schnellen
• und dauerhaften Zugriff auf entscheidungs-
• relevante Informationen.
• • Ein Zugriff auf Informationen aus den unter-
• schiedlichsten Quellsystemen sollte über einen
• einzigen „single Point of Entry“ möglich sein.
• • Es müssen effiziente Analyse- und
• Visualisierungsmöglichkeiten zur Verfügung
• stehen, die den Bedürfnissen verschiedenster
• Benutzergruppen Rechnung tragen.

Datenquellen 1

• DHW zapfen verschiedenste Datenquellen an, z.B.
• • Lieferantendatenbanken
• – Produktinformationen: Packungsgrößen, Farben, ...
• – Lieferbedingungen, Rabatte, Lieferzeiten, ...
• • Personaldatenbank
• – Zuordnung Kassenbuchung auf Mitarbeiter
• – Stundenabrechnung, Prämien

Datenquellen 2

• DHW zapfen verschiedenste Datenquellen an, z.B.
• • Kundendatenbank
• – Kundenklassen; Premium, Normal, soziale
• Brennpunkte, ...
• – Persönliche Vorlieben & Historie
• – Kundenkarten
• • Weitere Vertriebswege
• – Internet, Katalogbestellung, Verkaufsclubs, ...

Frage

• • Bedeutet das Halten eines Data Warehouses nun
• auch eine redundante Datenhaltung?
• – Falls ja, begründen weshalb das notwendig ist
• – Falls nein, erklären warum nicht.

Mögliche Fragestellungen 1

• • Welche Produkte hatten im letzten Jahr im Bereich
• Logistik Dienstleistungen einen Umsatzrückgang
• um mehr als 10%?
• – Welche Leistungsgruppen sind davon betroffen?
• – Welche Kunden haben diese Leistungen bezogen?
• • Haben Zweigstellen einen höheren Umsatz, die
• gemeinsam gekaufte Produkte zusammen stellen?
• – Welche Produkte werden überhaupt zusammen gekauft
• – und wo?

Mögliche Fragestellungen 2

• • Welche Kunden haben über die letzten 5 Jahre
• eine Bestellung über 100 CHF innerhalb von 4
• Wochen nach einem persönlichen Anschreiben
• aufgegeben?
• – Wie hoch waren die Bestellungen im Durchschnitt?
• – Wie hoch waren die Bestellungen im Vergleich zu den
• durchschnittlichlichen Bestellungen des jeweiligen
• Kunden in einem vergleichbaren Zeitraum?
• – Lohnen sich Mailing-Aktionen?

Beispiele von Anwendungen 1

• • Wal Mart (USA) Unternehmensweites Data Warehouse
• • Verkaufszahlen, Lagerhaltung, Filialen.
• • Grösse: ca. 1 Petabyte (10 15 Byte =
• 1.000.000.000.000.000 Byte)
• • 100.000.000 Kunden pro Woche, 3.600 Geschäfte.
• • Täglich bis zu 20.000 DW-Anfragen.
• • Die meisten Analysen laufen auf Shop-, nicht auf
• Kundenebene.

Beispiele von Anwendungen 2

• • Überprüfung des Warensortiments zur Erkennung von
• Ladenhütern oder Verkaufsschlagern.
• • Standortanalyse, Rentabilität von Niederlassungen.
• • Untersuchung der Wirksamkeit von Marketing-Aktionen
• • Analyse / Planung der Zwischenlager.

Beispiele von Anwendungen 3

• CRM Customer Relationship Management
• • Vertriebswege, Vertriebsorganisationen.
• • Kundenkäufe, Präferenzen, Kontaktdaten, Reklamationen,
• Bonität.
• • Wer sind Premiumkunden-> Sonderbehandlung.
• • Beratungssysteme, Personalisierung , Mailings.
• Man beachte beispielsweise Amazon
• Customers who bought X also bought Y
• Personalisierte Empfehlungen
• Neuerscheinungen

Beispiele von Anwendungen 4

• Logistikanwendungen
• • Globale Lagerbestands-Verwaltung
• • Flottenmanagement
• • Globaler Einkauf
• • Disposition
• • Tracking
• Finanzanwendungen
• • Kreditkartenanalyse
• • Risikoanalysen
• • Fraud Detection (Betrugsaufdeckung)

Beispiele von Anwendungen 5

• Kosten & Leistung (Controlling)
• • Kostenstellen, Kostenträger, Kostenarten
• • Gewinn-Verlustrechnung
• • Bilanzierung
• • Vollkostenrechnung
• • Plan –Ist Zahlen, Szenarios
• • Kennzahlensysteme
• • Balanced Scorecard

Architektur eines DWH 1

• Ein Data Warehouse wird vielfach als 5-schichtiges Modell erklärt und
• aufgebaut (Definition nach Chamoni/Gluchowski)
• 

Datenquellen 1

Datenquellen 2

• • Die Qualität des DWH wird massgeblich von den zur Verfügung
• stehenden Daten beeinflusst.
• • 37% der Unternehmen erachten die Qualität der Daten als kritischen
• Erfolgsfaktor (Umfrage Manager Magazin 1998)
• • Für die effiziente Nutzung des Data Warehouses ist es wichtig, die
• Daten zu definieren, die für das strategische Management benötigt
• werden.
• • Unterteilung in interne und externe Daten.
• • Beispiel externe Daten: Internet. Hier müssen unstrukturierte Daten
• mit Hilfe des Web Farming entdeckt und extrahiert werden.

ETL Extract Transform Load 1