O'Reilly logo

Data Warehouse Technologien by Saake, Sattler, Köppen

Stay ahead with the world's most comprehensive technology and business learning platform.

With Safari, you learn the way you learn best. Get unlimited access to videos, live online training, learning paths, books, tutorials, and more.

Start Free Trial

No credit card required

der Klassifikationsattribute erfolgt über die Methoden LEVEL und LEVELS. Der
Aufruf des Ausdrucks
[2011].LEVEL
gibt als Ergebnis Jahr zurück. Ebenfalls liefert der Ausdruck
Zeit.LEVELS(1)
den Rückgabewert Jahr. Der Wurzelknoten der Dimension Zeit ist 0, mit stei-
gender Zahl erfolgt eine Verfeinerung, sodass der Parameter 1 dem Attribut
Jahr und der Parameter 2 dem Attribut Quartal entspricht.
Wichtige Funktionen in Berichten sind darüber hinaus die Aggregation von
Kennzahlen. Hierzu zählen insbesondere die unterschiedlichen Typen der Me-
thode PERIODSTODATE. So aggregiert die Methode YTD (Year to Date) Kennzahlen
für das laufende Jahr. Alternativen zur Jahresaggregation stellen auf Wochen-
basis WTD bzw. auf Monatsbasis MTD dar. Diese Funktionen lassen sich insbe-
sondere in interaktiven Berichten nutzen bzw. in Berichten, die über das Web
zugänglich sind.
JBeispiel 9-1I Das folgende Beispiel illustriert den Aufruf der YTD Methode:
WITH MEMBER Measures.YTDUmsatz AS
AGGREGATE(YTD(), Measures.[Umsatz])
SELECT { Measures.[Umsatz], Measures.YTDUmsatz } ON COLUMNS,
{ Zeit.Jahr.MEMBERS } ON ROWS
FROM Verkauf
2
9.3 Data Mining im BI-Umfeld
Data Mining ist die zumeist mathematische oder statistische Anwendung von
Methoden, um aus den enormen Datenmengen wichtige Informationen zu iden-
tifizieren bzw. Wissen abzuleiten. Der KDD-Prozess integriert das Data Mining
als einen zentralen Bestandteil. Es handelt sich beim Data Mining um explo-
rative Verfahren, d.h. es erfolgt grundlegend hypothesenfrei. Somit zielt Data
Mining auf die Extraktion von unbekanntem und nützlichem Wissen aus den
Daten und die Aufbereitung dieses Wissens über die Identifikation von unbe-
kannten Regel- bzw. Gesetzmäßigkeiten und Zusammenhängen.
Da oft bereits die Formulierung von Hypothesen eine sehr komplexe Her-
ausforderung im betrieblichen Zusammenhang darstellt, insbesondere bei der
Ausnutzung aller verfügbaren Informationen hinsichtlich der Datenmenge und
ihrer Dimensionalität, ist eine automatische Generierung und Identifikation
9.3 Data Mining im BI-Umfeld 279
notwendig. Dies leisten Data-Mining-Verfahren. Jedoch muss an dieser Stelle
der Wissensentdeckungsprozess aus Abschnitt 9.1 beachtet werden, denn eine
datengetriebene Prüfung identifiziert Dinge, die oftmals keine Relevanz auf-
weisen. Zudem ergeben sich Interpretationsmöglichkeiten, die in Abhängigkeit
der Domäne, des Anwendungskontexts und fachlicher Expertise erfolgen. Data
Mining sollte daher stets als kreativer Prozess verstanden werden.
In diesem Abschnitt wollen wir einige typische Data-Warehouse-
Anwendungsfälle in einem betrieblichen Kontext exemplarisch darstellen
und anhand von Data-Mining-Methoden beleuchten. Daher werden wir die aus
Kapitel 5 beschriebenen Datenanalysemöglichkeiten hinsichtlich multidimen-
sionaler Abfragen in den Hintergrund rücken und uns hier auf häufig genutzte
Data-Mining-Verfahren konzentrieren.
Zu den typischen Fragen und Anwendungsdomänen zählen beispielsweise:
Welche Kunden kaufen bei uns welche Produkte?
Wie entwickeln sich unsere Kosten und welche Alternativen gibt es?
Welche Entwicklungsmöglichkeiten/Potenziale gibt es in unserem Produkt-
sortiment?
Während die erste Frage dem Customer Relationship Management (CRM)
zuzuordnen ist und oftmals auch in CRM-Systemen analysiert wird, gehört die
zweite Frage in den Bereich des Supply Chain Managements (SCM). Die dritte
Frage wird meist im Bereich des Verkaufs oder Marketings gestellt. Es sind
überdies auch Kombinationen oder Verknüpfungen möglich. An dieser Stelle
bietet das Data Warehouse effiziente Ausgangspunkte für die Beantwortung
dieser Fragestellungen.
Der Data-Mining-Werkzeugkasten bietet eine Vielzahl von Methoden,
Techniken und Algorithmen, um Muster, Regeln und Zusammenhänge in den
Daten aufzudecken. So dienen exemplarisch die folgenden Klassen für die Be-
antwortung der aufgeführten Fragestellungen:
Assoziationsregeln – Was wurde gemeinsam in einem Warenkorb gekauft?
Klassifikationsverfahren Welchen Kundengruppen sollen wir Aktionen
vorschlagen?
Clustering Welche Gemeinsamkeiten gibt es bei unseren Kun-
den/Lieferanten?
Prognose – Wie sieht die Umsatzentwicklung für die nächsten drei Monate
aus?
280 9 Business-Intelligence-Anwendungen

With Safari, you learn the way you learn best. Get unlimited access to videos, live online training, learning paths, books, interactive tutorials, and more.

Start Free Trial

No credit card required