Kitabı oku: «Praxishandbuch SAP Business Warehouse mit BW/4HANA»

1 Einführung in SAP Business Warehouse

In diesem Kapitel erhalten Sie eine generelle Einführung in das Thema »Business Intelligence« und einen kurzen Abriss zur Historie von SAP Business Warehouse. Abschließend werden die beiden Produkte SAP BW/4HANA und SAP SQL Data Warehousing kurz dargestellt.

1.1 Einstieg in Business Intelligence

Amazon hat es erfolgreich in seinem Geschäftsmodell eingesetzt: das sogenannte Cross- und Upselling. Mit Cross-Selling ist Folgendes gemeint: Wenn Sie sich auf der Internetseite von Amazon als Benutzer registrieren und nach interessanten Büchern stöbern, so speichert das E-Commerce-Versandhaus die Treffer Ihrer Suche. Sobald Sie das nächste Mal auf die Seite gehen, schlägt Ihnen Amazon weitere Titel vor, die zu Ihren Interessen passen. Unter Upselling ist dagegen zu verstehen, dass Ihnen während Ihrer Suche ein teurerer Artikel oder ein Set, das den gewünschten Artikel enthält, vorgeschlagen werden.

Die diesem Prinzip zugrunde liegende Frage ist: Wie bringe ich als Unternehmen meine Kunden dazu, beim nächsten Online-Besuch nicht nur den gewünschten, sondern eventuell weitere Artikel zu kaufen? Amazon hatte hierzu die entscheidende Idee: Wenn es gelingt, die Suchanfrage der Benutzer zu speichern, über einen Algorithmus verwandte Ergebnisse zu finden und sie dem Interessenten vorzuschlagen, kauft der Kunde eventuell mehr als nur einen Artikel. Die Umsetzung erfolgt mittels einer sogenannten Recommendation Engine [1] bzw. eines Empfehlungsdienstes. Im Hintergrund werden dabei Methoden des Data-Minings aufgerufen, die verwandte oder ergänzende Produkte ermitteln. Data-Mining und Recommendation Engines sind die bekanntesten Beispiele für den Einsatz von Business Intelligence.

Das Gabler Wirtschaftslexikon definiert Business Intelligence wie folgt:

»Sammelbegriff für den IT-gestützten Zugriff auf Informationen, sowie die IT-gestützte Analyse und Aufbereitung dieser Informationen. Ziel dieses Prozesses ist es, aus dem im Unternehmen vorhandenen Wissen neues Wissen zu generieren. Bei diesem neu gewonnenen Wissen soll es sich um relevantes, handlungsorientiertes Wissen handeln, welches Managemententscheidungen zur Steuerung des Unternehmens unterstützt.« [2]

Business Intelligence beinhaltet somit bei Weitem nicht nur die bloße Abfrage von Tabellen und das Anzeigen der Ergebnisse auf einer geeigneten Benutzeroberfläche. Vielmehr ist eines der Ziele, durch den Einsatz von Business-Intelligence-Tools und -Methoden neue Zusammenhänge zwischen Daten zu entdecken, die für die Erschließung neuer Kundenfelder oder die Nutzung alternativer Vertriebswege genutzt werden können.

1.2 Grundkonzepte des Data Warehousing

Neben der Globalisierung hat sich in jüngster Zeit auch die Erkenntnis von der Macht der Daten durchgesetzt. Ein Unternehmen, das in der Lage ist, persönliche Daten von Kunden, wie seine Adresse oder Vorlieben und Interessen, geeignet zu speichern und zu analysieren, hat enorme Wettbewerbsvorteile. So erzielt Facebook den meisten Umsatz nicht mit seiner Webseite oder mobilen App, sondern mit Diensten zur Auswertung der mehr als eine Milliarde Benutzerdaten. In diesem Zusammenhang geriet Cambridge Analytics 2016 in die Schlagzeilen, als herauskam, dass das Unternehmen den Präsidentschaftskandidaten Donald Trump im Kampf um Wählerstimmen mit analytischen Methoden, basierend auf Facebook-Nutzungsdaten, unterstützt habe. Technisch ermöglicht haben dies sogenannte Data Warehouses, die in der Lage sind, sehr große Datenmengen in einer Datenbank zu speichern und die die Möglichkeit bieten, Daten gezielt zu filtern sowie mit statistischen Verfahren der Varianzanalyse oder Stichprobentheorie auf Zusammenhänge zu prüfen. Außerdem lassen sich in kurzer Zeit Rechenoperationen oder Abfragen performant ausführen. 1988 stellte IBM als erstes Unternehmen ein Data Warehouse vor.

1.2.1 Definition Data Warehouse

Das Gabler Wirtschaftslexikon definiert den Begriff »Data Warehouse« als

»… eine von den operativen Datenverarbeitungssystemen separierte Datenbank, auf die nur Lesezugriff besteht. In regelmäßigen Abständen werden aus den operativen DV-Systemen unternehmensspezifische, historische und daher unveränderliche Daten zusammengetragen, vereinheitlicht, nach Nutzungszusammenhängen geordnet, verdichtet und dauerhaft in der Datenbasis des Data Warehouse archiviert. Ziel ist die Verbesserung der unternehmensinternen Informationsversorgung (Wissensmanagement) und damit der Unterstützung strategischer Entscheidungen. Als analytisches System liefert es Informationen zur Problemanalyse – Online Analytical Processing (OLAP) –, die durch die Anwendung von Methoden (z.B. des Data Mining) generiert werden.« [3]

Berichtswesen im Data Warehouse

Im Vordergrund eines Data Warehouse steht weniger das operative als vielmehr das taktische oder strategische Berichtswesen zur optimierten Entscheidungsfindung für das Unternehmensmanagement.

Die Daten aus den operativen Systemen werden in mehreren Schritten verdichtet, vereinheitlicht und geordnet, bis sie für das Berichtswesen im Management den geforderten Aggregierungsgrad aufweisen. Viele Unternehmen betreiben daher in der Praxis ein mehrschichtiges Data Warehouse, wie in Abbildung 1.1 dargestellt.

Abbildung 1.1: Data-Warehouse-Schichten

 Die unterste Ebene enthält sehr detailliert operative Daten aus den angeschlossenen Vorsystemen, wie beispielsweise einem ERP- oder CRM-System. Meist finden sich hier die einzelnen Belege wie Bestellungen, Kundenaufträge oder Buchungsbelege aus der Finanzbuchhaltung.

 In der Ebene Business Transformation (Umwandlung in Fachbereichsdaten) werden die operativen Daten interpretiert, harmonisiert und meist auch auf weniger Details verdichtet. In der Folge könnte das etwa bedeuten, dass nicht mehr der einzelne Buchhaltungsbeleg betrachtet, sondern z.B. ein Kontensaldo ermittelt wird. Auf dieser Ebene sind darüber hinaus zusätzliche Ableitungs- oder Zuordnungsregeln definiert, nach denen die Daten gegliedert werden. Hier kann man hinterlegen, welche Konten einer Tochtergesellschaft welchen Konten des Gesamtkonzerns zugeordnet sind.

 Nach der Business Transformation werden die Daten an die Reporting-Ebene weitergeleitet. Dort stehen sie für das Berichtswesen zur Verfügung. Meist werden die Daten auf der obersten Ebene noch weiter verdichtet, um ein leistungsstarkes Berichtswesen zu ermöglichen. Hier lassen sich letztlich die konsolidierte Bilanz des Konzerns sowie, bei Bedarf, die Bilanzen der Tochtergesellschaft abrufen.

Aus dieser Übersicht wird zum einen deutlich, dass die Daten in einem klassischen Data Warehouse oft redundant gespeichert werden, was viel Speicherplatz erfordert. Zum anderen bietet sich durch den Einsatz eines Data Warehouse die Möglichkeit, auf der Basis von vereinheitlichten und hoch aggregierten Daten zu berichten. Dies entlastet die operativen Systeme.

Basierend auf diesen Annahmen sowie mit zunehmendem Praxiseinsatz wuchs die Erkenntnis, dass Data Warehouses eine spezielle Architektur erfordern, um Insellösungen und Datensilos zu vermeiden.

1.2.2 Corporate Information Factory nach Bill Inmon

Im Jahr 1996 war es Bill Inmon vorbehalten, die Idee einer Corporate Information Factory (CIF) zu veröffentlichen. Sie ist in der vereinfachten Abbildung 1.2 dargestellt.

Abbildung 1.2: Corporate Information Factory

Die Kernidee einer CIF ist, dass Daten aus dem gesamten Unternehmen in einem von Bill Inmon skizzierten Enterprise Data Warehouse (EDW) abgelegt werden und dort nachgelagerten Systemen für Auswertungen zur Verfügung stehen. Im ersten Schritt werden die Daten aus verschiedensten Vorsystemen oder Applikationen extrahiert und in einem Staging-Bereich gespeichert. Hier können sie im nächsten Schritt per Extraktion, Transformation und Laden (ETL) homogenisiert und verdichtet werden, damit sich anschließend weitere Zusammenhänge zwischen ihnen ableiten lassen.

Staging

Die Prozessierung der Daten über Extraktion aus den angeschlossenen Quellsystemen bis hin zur Bereitstellung in Data Marts heißt Staging.

Im Anschluss an das ETL werden die Daten meist in verschiedenen Data Marts des Enterprise Data Warehouse gespeichert. Ein Data Mart kann in diesem Kontext einerseits eine persistente anwendungsspezifische Sicht, andererseits eine für einen bestimmten Organisationsbereich erstellte persistente Sicht auf die Daten sein.

Im Zentrum der CIF steht das Enterprise Data Warehouse, das die Daten an nachgelagerte Systeme liefert. Dies können Decision-Support-Systeme oder sogenannte Departmental Data Marts sein, also abteilungs- oder fachspezifische Data Marts. Die Daten im EDW erfüllen folgende Eigenschaften:

 granular

 integriert

 historisch