Softwaretechnologien zur Unterstützung des Knowledge-Managements

Führungskräften eine mehrdimensionale Sicht auf die Daten des DW ermöglicht. Hierfür werden in einem Datenwürfel (oder auf den Achsen eines n-dimensionalen Raumes) verschiedene Dimensionen, wie z. B. Produkt, Region oder Monat hinterlegt und der Analyst kann die für ihn relevanten Kriterien auswählen und beliebig miteinander kombinieren. So wählt beispielsweise der Gebietsleiter die Dimensionskombination „Umsatz aller Produkte und Monate für ein Gebiet“, während der Produktmanager „Umsatz aller Gebiete und Monate für ein Produkt“ genauer betrachtet. Während OLAP die Antwort auf gezielte Fragen gibt, geht es bei Data Mining um die Entdeckung von verwertbaren Zusammenhängen und Strukturen in den meist sehr umfangreichen Datenbeständen des DW.78 Data Mining ist ein zentraler Prozeß im Rahmen des Knowledge Discovery in Databases (KDD), dem Prozeß der Wissensgewinnung aus Datenbanken. Kern jedes Data Mining-Systems sind Analysealgorithmen, wobei sich eine Analyseeinheit herangezogen, immer um aus Teilen der Mustererkennung und der Musterbeschreibung Datenfeldern zu zusammensetzt. Bei der Mustererkennung werden große Bestände von Datenobjekten verborgene Zusammenhänge zwischen einzelnen lokalisieren. Es sollen Muster in der Struktur der betrachteten Datenobjekte erarbeitet werden. Muster können alle Beziehungen und Regelmäßigkeiten zwischen Datensätzen und Datenfeldern umfassen. Die Hauptaufgabe der Musterbeschreibung ist es, ein erzeugtes Muster oder eine Hypothese über Zusammenhänge und Regelmäßigkeiten heranzuziehen und mit Hilfe von Algorithmen möglichst genau zu beschreiben. Neben der Aufdeckung unbekannter Zusammenhänge in untergeordneten Datenbeständen, sollen Data Mining-Tools auch die automatisierte Vorhersage von Trends, Verhalten und Mustern auf Basis hinterlegter Daten vornehmen. Im Rahmen des Knowledge Discovery in Databases (KDD) beschäftigt sich Text Mining, als Ergänzung zum Data Mining, Hauptziel mit ist der es, Analyse von halboder unstrukturierten aus großen Textdatenbeständen. weitgehend automatisiert [...]

Transformationsprogramme: Diese sollen bei der Übernahme der Daten ins DW für Einheitlichkeit sorgen. Dazu müssen sie Funktionen zur Extraktion von Daten aus unterschiedlichsten operativen Systemen, zur eigentlichen Transformation dieser Daten sowie deren Transport und den Ladevorgang in das DW umfassen. Im Idealfall sind diese Transformationsprogramme die einzige Schnittstelle zu den operationalen DVSystemen und den unternehmensexternen Datenquellen. Als externe Datenquellen kommen sehr heterogene Datenquellen in Frage, wie z. B. Nachrichtendienste von Wirtschaftsverbänden, Markt-, Meinungsund Trendforschungsinstitute, externe Datenbanken sowie das Internet. Diese sind deshalb von Interesse, da viele Auswertungen und Analysen, die basierend auf den unternehmensinternen Daten erstellt werden, erst durch den Vergleich mit externen Daten eine für den Entscheidungsträger signifikante Bedeutung erlangen. Durch diese zentrale Speicherung unternehmensexterner Daten im DW wird sichergestellt, daß alle Entscheidungsträger mit der gleichen Datenbasis arbeiten und außerdem wird der Aufwand für die Wissensbeschaffung minimiert. Die aus den Transformations- und Extraktionsprozessen resultierenden Regeln, Zuordnungen und Definitionen bilden die Grundlage für die MetaDatenbank. Archivierungssystem: Dieses dient vor allem der Datensicherung und –archivierung. Die Datensicherung wird zur Wiederherstellung des DW im Falle eines Programm- oder Systemfehlers durchgeführt. Ziel des Archivierungssystems ist es, durch eine effiziente Speicherung und Verarbeitung großer Datenmengen auch für komplexe Ad hoc-Analysen kurze Antwortzeiten und die schnelle, einfache und vor allem umfassende Bereitstellung von Wissen zu gewährleisten. Meta-Datenbanksystem: Metadaten beschreiben die Bedeutung der gespeicherten Daten – sie stellen somit „Daten über Daten“ dar. Sie beschreiben aber auch Quellen, Abläufe und Strukturen eines DW.76 Das Meta-Datenbanksystem unterstützt den Endbenutzer bei der Suche nach den für seine Aufgabenlösung relevanten Daten und liefert auch die benötigten Hintergrundinformationen über Datenquellen, Transformationen und Verdichtungen. Darüber hinaus unterstützt es auch die für den Betrieb des DW verantwortlichen Mitarbeiter des DV-Bereichs. Für das Data WarehouseManagement stellt das Meta-Datenbanksystem alle notwendigen Informationen zur Steuerung der Transformationsprozesse bereit, indem die Meta-Daten sämtliche Informationsflüsse von den Quell- zu den Zieldatenbanken definieren. [...]

Die inhaltliche Ausrichtung des DW läßt sich damit unter Aufgabengesichtspunkten wie folgt zusammenfassen: Ein Data Warehouse hat die Aufgabe, themenorientierte und integrierte (i.S.v. vereinheitlichte) Informationen über lange Zeiträume und mit Zeitbezug zur Unterstützung von Entscheidern aus unterschiedlichen internen und externen Quellen periodisch zu sammeln, nutzungsbezogen aufzubereiten und bedarfsgerecht zur Verfügung zu stellen.74 5.6.1 Komponenten eines Data Warehouses Ein idealtyptisches Data Warehouse umfaßt als Komponenten die eigentliche Data WarehouseDatenbasis, geeignete Transformationsprogramme und -externen Quellen, ein zur Datengewinnung sowie aus ein den Metaunternehmensinternen Datenbanksystem.75 Data Warehouse-Datenbasis: Die Datenbasis stellt das DW i.e.S. dar – es enthält sowohl aktuelle als auch historische Daten aus allen eingebundenen Unternehmensbereichen in unterschiedlichen Verdichtungsstufen. [...]