Blog

Suche
Rainer Pollmann

Rainer Pollmann

Einsatzgebiete von OLAP

OLAP findet in allen Gebieten Anwendung, in denen Entscheidungen getroffen werden müssen. Um diese Entscheidungen auf eine solide Basis zu stellen, ist es notwendig, den aktuellen Stand der Dinge zu kennen und auch zu verstehen. So kann ein einfacher Reportgenerator z.B. die letzten Quartalsergebnisse problemlos auflisten, die tieferen Zusammenhänge, die zeitliche Entwicklung in verschiedenen Sektoren und vieles mehr bleibt dem Betrachter eines solchen Reports jedoch zunächst verborgen.

Erst durch die dynamische Analyse der jeweiligen Ergebnisse, z.B. durch Veränderung des Blickwinkels, wird allmählich ein Verständnis für das komplexe Zusammenspiel der Vielzahl von Faktoren erzielt, die letztendlich in einer Zahl münden – dem Ergebnis am Ende einer Periode. Erst durch den Einsatz der OLAP-Technologie kann die Entstehungsgeschichte dieser einen Zahl interaktiv untersucht und verstanden werden.

Als Werkzeuge zur Entscheidungsunterstützung werden die eigentlichen OLAP-Front Ends keinesfalls von Datenbankexperten bedient, sondern von Mitarbeitern ohne ausgeprägte IT-Kenntnis (Self BI). Die Anforderungen an eine intuitive und übersichtliche Benutzeroberfläche, die schnell aussagekräftige Ergebnisse liefert, sind daher besonders hoch. Die Ausnahme hiervon sind allerdings OLAP-Produkte, die speziell für bestimmte Zielgruppen (z.B. Finanzbereich, Marketing) entwickelt wurden und darauf abgestimmte Oberflächen zur Verfügung stellen. In solchen Fällen wird z.B. eine verbreitete Tabellenkalkulation um Möglichkeiten zur Abfrage der OLAP-Datenbank erweitert (PowerPivot). Die eigentliche Analyse der Daten findet dann mit der Tabellenkalkulation statt, unter der Annahme, dass die Anwender im Umgang mit dieser Art Anwendung vertraut sind.

Data Mining hingegen beschäftigt sich mit der Identifikation und Extraktion bisher unbekannter Zusammenhänge aus großen Datenbeständen. Mittels statistischer Verfahren wird hier hypothesenfrei vorgegangen, um nach Mustern, Auffälligkeiten oder Besonderheiten zu suchen. So können frühzeitig Veränderungen erkannt und entsprechende Gegenmaßnahmen eingeleitet werden.

Data Mining bedient sich hierbei der Methodenansätze aus der Statistik, der künstlichen Intelligenz, dem maschinellen Lernen und der Mustererkennung. Eine Prämisse des erfolgreichen Einsatzes von Data Mining sind große digitale Datenbestände, die aufgrund ihrer internen Struktur eine gewisse Komplexität aufweisen, die es nicht zulässt, Muster und Strukturen mit dem bloßen Auge zu erfassen. Die Prämisse großer Datenmengen ist zumindest für das Controlling großer Unternehmen gewährleistet. Hinsichtlich des Nutzens von Data Mining ergibt sich jedoch je nach Controlling-Bereich ein unterschiedliches Bild. Während im klassischen Controlling die der Datenbasis zugrunde liegenden Strukturen in der Regel übersichtlich und bekannt sind, und daher überraschende neue Erkenntnisse eher unwahrscheinlich erscheinen, so ergibt sich für das Vertriebscontrolling und für das Controlling von Kundenbeziehungen verstärktes Potential (aus Controlling Wiki).

OLAP-Systeme können Kostenrechnung (insbesondere Prozesskostenmanagement), integrierte Erfolgs- und Finanzplanung uvm. eingesetzt werden. Im Zusammenhang mit Business Intelligence-Systemen ist es auch doe Voraussetzung für Predictive Analytics.

Literatur:

Reinke, Helmut/ Schuster, Helmut: OLAP verstehen, Microsoft Press, (2000)

Held, Bernd/, Erb, Harmut: Advanced Controlling mit Excel, Franzis Verlag, (2006)

Oehler, Carsten: Corporate Performance Management, Hanser, (2006)

Wenn Ihnen dieser Beitrag gefallen hat, dann teilen  Sie ihn gerne. Falls Sie Anmerkungen haben, schreiben Sie bitte einen Kommentar, oder senden Sie mir eine Mail an info@prt.de.

Print Friendly, PDF & Email

Beitrag teilen:

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Up to date bleiben

Melden Sie sich für unseren Newsletter an!