Data Warehouse Technologien

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