ANALYTICS & Datawarehousing

Wozu braucht es ein analytisches Datenmodell in Dashboarding-, Berichts- und Analysesystemen?

Das analytische Datenmodell reichert die Basisdaten – aus den operativen Quellsystemen, aus Webservices und/oder einem Datawarehouse – um Business Logik an und ermöglicht die intuitive Auswertung im Dashboarding-, Berichts- und Analysesystem.

Wir unterstützen Sie bei der Konzeption und beim Aufbau Ihres analytischen Datenmodells mit Fokus auf die Microsoft BI Technologien. Weiters unterstützen wir Sie bei der kritischen Evaluierung Ihrer bestehenden Datenmodelle und erstellen eine professionelle Evaluierung mit Entwicklungspotentialen.

Funktionen eines analytischen Datenmodells

Ein analytisches Datenmodell ermöglicht den performanten, intuitiven und berechtigten Zugriff auf die zugrundeliegenden Basisdaten und dient der Ermittlung von fortgeschrittene betriebswirtschaftlichen Metrics für Dashboards, Berichte und Analysen.

Im einzelnen:

  • Verknüpfen von Fakten- und Dimensionstabellen :: Star-Schema vs. Snowflake-Schema
  • Anreicherung um semantische Information :: sprechende Namen :: Kategorisierung :: Q&A Synonyme
  • Anreicherung mit Business Logik :: Berechnete Spalten :: Berechnete Measures :: Berechtigungen
  • DAX-Formelsprache :: Row- und Filter-Context :: DAX Patterns für verschiedene bw Fragestellungen
  • Zeitintelligenz :: Year-to-Date, Year-over-Year, Running Total, Moving-12-month-average, usw.
  • Role Playing Dimensions :: Mehrfachverwendung von Dimensionen im Datenmodell
  • m:n Beziehungen :: praktische Anwendungsfälle :: Lösungsmöglichkeiten
  • Bidirektionale Filterung :: praktische Anwendungsfälle
  • Semi-additive Measures :: Sum, Average und Balance :: Iteratoren :: Vorzeichen und Aggregationsregeln
  • Hierarchien :: symmetrische und asymmetrische Hierarchien :: natural Hierarchies :: Parent-Child vs. Regular Dimensions :: Zeitdimensionen
  • Berechtigungen :: statische und dynamische Berechtigungen
  • Analytics :: Warenkorbanalyse/Basket Analysis u.v.m.

Hier ein früherer Blogbeitrag zu den Grundfunktionen eines analytischen Datenmodells (Cube).

Realisierung von analytischen Datenmodellen mit Power BI, Power Pivot und SQL Server Tabular Model ("Self-Service BI")

PowerPivot-2012-Hierarchien-FertigPower BI, Excel Power Pivot und der „große Bruder“ SQL Server Tabular Model sind Instrumente, die gegenüber der etablierten Cube-Technologie dem Fachbereich völlig neue Möglichkeiten einer Self-Service-BI bieten. Neben dem Einsatz dieser Instrumente als Ersatz für „klassische“ Cubes ist der Einsatz für Datadiscovery Anwendungen naheliegend. Datadiscovery ist ein neuer Business Intelligence Ansatz und in konzeptioneller Sicht konträr zum Datawarehousing. Dabei werden Datenquellen und Stammdaten adhoc zu analytischen Modellen kombiniert – und zwar durch den Power User in der Fachabteilung ohne jegliche IT Unterstützung. Datadiscovery ist auch die Lösung für nicht standardisierbare BI Prozesse, etwa die Integration externer (sich ständig in ihrer Struktur ändernder Markt-)Daten in Ihre BI Prozesse.

Wir unterstützen Sie bei der Umsetzung Ihrer Self-Service-BI Anwendungen mit folgenden zentralen Funktionen:

  • Know-How Transfer mit dem Excel BI Training
  • Know-How Transfer mit dem Training für Datenmodellierung
  • Know-How Transfer mit dem Power Pivot- und Tabular Model Training
  • Know-How Transfer mit dem Power BI Training
  • Unterstützung bei der Konzeption der Datenmodelle (Star-Schemata, Dimensionen, Historisierung …)
  • Unterstützung bei der Umsetzung der Datenmodelle (DAX-Formelsprache, Design-Patterns …)
  • Unterstützung beim Aufbau des produktiven Betriebs (Berechtigungen, Processing)
  • Organisation der (relationalen) Verspeicherung und Wartung ergänzender Datenbestände
  • Organisation der Verantwortlichkeiten, Regeln zum Sandboxing

Realisierung von analytischen Datenmodellen mit SQL Server Cubes ("Enterprise BI")

SQL Server AS Multidimensional („Cubes“) ist eine sehr etablierte und die wahrscheinlich immer noch am weitesten verbreitete Technologie, um aus Basisdaten ein analytisches Datenmodell zu erzeugen und den Zugriff mit BI Frontendtools – allen voran den Excel PivotTables und PivotCharts – performant und management-gerecht zu ermöglichen.

Gegenüber der neuen Generation von Self-Service BI Technologien (Power BI, Power Pivot, SQL Server AS Tabular Model) ist die Cube-Technologie aber sehr komplex und IT-lastig, und wird daher eher selten direkt in den Fachbereichen aufgebaut. Am häufigsten wird die Cube-Technologie daher für standardisierbare BI Prozesse, etwa das Reporting aus einem Datawarehouse, genutzt.

Wir unterstützen Sie bei der Umsetzung Ihrer Cube-Anwendungen mit folgenden zentralen Funktionen:

  • Know-How Transfer mit dem Excel BI Training
  • Know-How Transfer mit dem Training für Datenmodellierung
  • Lieferung des Standard-Cubes im Rahmen des Linearis Datawarehouse
  • Unterstützung bei der Konzeption der Datenmodelle (Star-Schemata, Common Dimensions ..)
  • Unterstützung beim Aufbau des produktiven Betriebs (Berechtigungen, Processing)
  • Organisation der (relationalen) Verspeicherung und Wartung ergänzender Datenbestände
  • Organisation der Verantwortlichkeiten, Regeln zum Sandboxing

Realisierung einer agilen relationalen Datenschicht ("Datawarehouse") mit SQL Server

Datawarehousing ist der gut durchdachte Einsatz einer standardisierten Datenstruktur, die dazu dient, heterogene Datenbestände möglichst strukturiert und relevanz-orientiert zu speichern sowie Stammdaten und Berechtigungen zentral zu organisieren. Inmon (1996) folgend ist ein Datawarehouse managementorientiert, zeitvariant, vereinheitlicht und für den Dauerbetrieb ausgelegt. Agilität bedeutet, daß Veränderungen sehr kurzfristig umgesetzt werden können – und das am besten durch den Fachbereich selbst. Ein agiles Datawarehouse ist zu allererst ein verlässliches Konzept zur Modellierung von Daten im Unternehmen, daraus werden physische und virtuelle Aufbereitungsschichten für Informationen.
Linearis-RELEVANZ-KriteriumTrotz oder gerade wegen aller neuen Strömungen wie Big Data macht es nach wie vor Sinn, die management-relevanten Daten aus den hauseigenen Quellsystemen in eine analytisch und betriebswirtschaftlich saubere Form zu bringen – also den single-point-of-truth umzusetzen. Heutzutage wird dieses Ziel aber immer seltener mit einem zentralen Datawarehouse („schwerfälliger IT-Koloss“) und immer öfters mit einzelnen Fachabteilungs-Datawarehouses („dezentrale Einheiten“) umgesetzt, die dann zusammen den single-point-of-truth für bilden.

Wir unterstützen Sie bei der Umsetzung des Fachabteilungs-Datawarehouse mit folgenden zentralen Funktionen:

  • Vereinheitlichung der Datenbestände aus den heterogenen Datenquellen zum Kennzahlenkatalog (Schnittstellen mit „Management Unification“ mit dem Fokus auf „Relevanz“)
  • Systematische Verspeicherung der Faktendaten aus den heterogenen Datenquellen (am besten auf granularster Buchungssatzebene)
  • Systematische Verspeicherung der Dimensionsdaten aus den heterogenen Datenquellen (Mapping, Bereinigung)
  • Systematische Handhabung der Versionierung und Historisierung („Slowly-Changing-Dimensions“)
  • Systematische Verspeicherung von Textinformationen (Buchungstexte, Planungskommentare, monatliche Berichtskommentare)
  • Leistungsfähiger Aktualisierungsmechanismus (Deltaload, Replace-Mechanismus, Job-Steuerung)
  • Einfache Ergänzungs- und Korrekturmöglichkeit bei voller Datenherkunftstransparenz (offene Excel-Schnittstelle)
  • Freie Datenräume für die dynamischen Datenbereiche (Datadiscovery)
  • Berechtigungen und Metadaten für nachfolgende BI Systeme (soweit dies praktisch nutzbar ist)
  • MasterCube für den performanten Zugriff (Zeitintelligenz, semi-addtive Measures, Berechnungen, usw.)
  • Datamarts – einfaches „Klonen“ von Datamarts für spezielle (Abteilungs-)Anforderungen
  • PlanungsDatamarts – einfaches Rückschreiben der (Plan-)Werte direkt aus den Planungspackages in separate relationale Planungsdatenbanken oder Planungscubes

Ihr Datenmodell-Vorteil

  • Single-Point-of-Truth :: für alle fachabteilungsrelevanten Informationen
  • Leistungsfähige Self-Service-BI :: Power BI, Power Pivot und Tabular Model für leistungsfähige Self-Service-BI
  • Leistungsfähige Enterprise BI :: integriertes Reporting im leistungsfähigen MasterCube
  • Leistungsfähige Datenprozesse :: ready-to-use Mechanismen für Delta-Load, Historisierung, Snapshots, Stammdatenmanagement, offene Schnittstelle, umfassende Protokollierung, u.v.m.

Wir bieten Ihnen also die Möglichkeit, unser Know-How und unsere Erfahrung aus über 10 Jahren Implementierung von BI Systemen für Ihre Vorhaben im Bereich Business Intelligence zu nutzen. Den Grad der Intensität der beratenden und umsetzenden Begleitung bestimmen Sie selbst, vom punktuellen Coaching bis zur vollständigen Projektumsetzung ist alles möglich.