Flexible Analysetechniken für kürzeren "time to mar

05. März 2007 - Whitepaper 03_07
Flexible
Analysetechniken
für kürzeren "time to market" Zeiten
Intelligente Datamarts stärken Wettbewerbsvorteile.
Bei
maximaler
Datenmenge auf schnellstem Weg zu
entscheidungsrelevanten
Informationen.
Haben die Verantwortlichen aus den Fachabteilungen jederzeit Zugriff auf alle Daten
(kontrollierte Information Democracy)? Haben die Analysten tatsächlich die Chance
durch spontane Abfragen in zig Millionen
Datensätzen auf Zusammenhänge zu stoßen, die den Umsatzrückgang auf eine für
ältere Kunden ungeeignete Verpackungsgröße zurückführen lassen?
Unter dem Begriff "time to market" (englisch,
etwa:
Vorlaufzeit,
Produkteinführungszeit) versteht man die Zeitdauer
von der Produktentwicklung bis zur Platzierung des Produkts am Markt. Produkte mit
einem kurzen Produktlebenszyklus, wie in
vielen Hightech Branchen der Fall, sollten
idealerweise eine möglichst kurze "time to
market" aufweisen. Nachahmer-Produkte
bedeuten in aller Regel Preisverfall und sinkende Deckungsbeiträge.
Das Unternehmen, das neue Zielgruppen
und Bedürfnisse und damit Produktnutzen
erkannt hat, sollte sich beeilen, diesen Informationsvorsprung bis zum Verkaufsabschluss zu halten. Eine wesentliche Voraussetzung dafür ist, dass dieser Wettlauf
mit der Informationsauswertung strategisch gut vorbereitet wird. Schließlich müssen bis zur Auslieferung der Ware noch viele Managemententscheidungen hinsichtlich
Sortimentspolitik, Distribution, Kommunikation etc. getroffen werden. Der zeitliche
Aufwand für Planung und Aufbau von Analyseprozessen und die Auswahl von Softwarewerkzeugen und natürlich auch die Analyse von entscheidungsrelevanten Daten
selbst, ist ein bestimmender Faktor für die
Produkteinführungszeit.
Diese Tatsache wird spätestens dann für
jeden Unternehmer sichtbar, wenn es in
den Fachabteilungen brennt, weil sich Umsätze und Kosten beim Produkt X in der Region Y, bei der Zielgruppe Z in einem bestimmten Zeitraums nicht halten lassen.
Die besten Chancen einen kurzfristigen
Wettbewerbsnachteil wieder auszubügeln
haben diejenigen, die sofort mit der Ursachenforschung beginnen können und mit
aktuellen Daten der untersten Granularitätsstufe nach der Wahrheit forschen können. Wer hier auf Quartals- oder Bilanzzahlen wartet, begibt sich in die Warteschleife.
Abfragegeschwindigkeit hinsichtlich des Erreichens der Geschäftsziele und des Business Benefit Index. Mit einer höheren Abfragegeschwindigkeit zeigen beide Indikatoren tendenziell schlechtere Werte.
Quelle: Deutschsprachige Ausgabe des
OLAP Survey 2006 (BARC)
Performance die Interaktivität ermöglicht,
muss bei der notwendigen Datenfülle Antworten innerhalb von Sekunden bereitstellen können. Im aktuellen OLAP Survey
2006 ist die schlechte Abfragegeschwindigkeit bei weitem das häufigst genannte produktabhängige Problem seit Bestehen des
Surveys.
Datenknappheit ist nicht das Problem,
eher die beschränkte Skalierbarkeit der
Systeme oder die Datenstruktur vieler OLAP
Anwendungen, die bei der Anzahl der Datensätze, Dimensionen und Kategorien
1
05. März 2007 - Whitepaper 03_07
schlichtweg Grenzen setzt. Neue Fragestellungen mit neuen oder neu strukturierten
Dimensionen ziehen die Generierung immer
neuer OLAP Würfel nach sich. Ein Aufwand
den IT Abteilungen aus Zeitgründen und
aus Sorge um Systemressourcen scheuen.
Analysten werden schließlich dazu verdonnert mit Standard-Reports und grob granulären Daten zu arbeiten. Das Risiko eines
verspäteten Erkenntnisgewinns steigt –
schlechte Voraussetzungen für kurze Vorlaufzeiten im Marketing.
Eine solide Informationsgrundlage liefert in
der Regel ein Datawarehouse. Es enthält
Daten hoher Qualität, die gepflegt und in
sich stimmig sind. Eine schnelle Anpassung
an geänderte Aufgabenstellungen gestaltet
sich jedoch gerade aus diesem Grund recht
aufwändig. Die Komplexität eines Datawarehouse steigt mit dem Umfang exponentiell an. Das Hinzufügen und Neuordnen
von Daten wird zum zeitintensiven Faktor.
Noch kritischer stellt sich die Lage für Mittelständler dar, die hier nicht in dem Maße
in die Informationsgewinnung investieren
können oder wollen, als dies für kürzere
"time to market" Zeiten notwendig wäre.
Der klassische Ansatz AnforderungenKonzeption-Realisierung nimmt hier zu viel
Zeit in Anspruch und wir den gestellten Ansprüchen nicht gerecht.
Ein praktischer Lösungsansatz für dieses
Problem ist die Reduktion der Komplexität
durch Beschränkung auf das Notwendigste.
Dieser Ansatz bedeutet jedenfalls, dass mit
Standardwerkzeugen wie Excel und Access
schnell Ergebnisse erzielt werden können –
nicht selten auf Kosten der Ergebnissicherheit und Flexibilität.
Ab einer gewissen Datenmenge ist ein solches Vorgehen nicht mehr praktikabel. Die
Einfachheit von Excel als Frontend in Verbindung mit hoch performanten Datenquellen mehrdimensionaler Rechenergebnisse
wird in der Praxis mit Middlewarelösungen
erreicht, die als Datamart zwischen operativen Datenquellen oder einem DataWarehouse und Frontends wie Excel, Access u.a.
eingebunden werden.
Einer der wenigen Vertreter dieser
Analyse-Beschleuniger ist QueryObject
vom italienischen BI Entwickler CrossZ Solutions und dem deutschen Systemhaus
datamints
Penzberg.
GmbH
aus
dem
bayerischen
Warum sind solche Analysebeschleuniger
wie QueryObject für die Industrie und Verwaltung so wichtig? Weil politische Entscheidungen beispielsweise, die auf Basis
mehrdimensionaler Analysen mit 100 und
mehr Millionen Datensätzen getroffen werden sollen, der IT keine Zeit geben. Hier
zwei Beispiele für derartige, vornehmlich
aus ROLAP Systemen stammenden Anforderungen:
Fragen zur inneren Sicherheit
Terrorismusbekämpfung
und
QueryObject Datamarts im Einsatz bei der
italienischen Einwanderungsbehörde:
Personendaten von Nicht-EU Bürgern können mit der QueryObject Analysetechnologie in wenigen Sekunden abgefragt und mit
Daten aus weiteren Quellen verknüpft werden.
Als Web-Anwendung (PHP/JSP) können Behörden landesweit auf diese Daten zugreifen, ohne dass bei jeder ad hoc Abfrage auf
die zentrale "Immigration Database" zugegriffen werden muss.
QueryObject Datamarts sind so konzipiert,
dass Millionen Datensätze als wenige Megabyte kleine Datei abgelegt werden. Ein Security Layer garantiert die Sicherheit der
read-only Dateien, die sehr einfach via EMail oder CD/DVD verteilt werden. Für die
Analyse selbst ist kein OLAP Server notwendig. Diese kann jederzeit auch Offline
auf dem Laptop des Analysten passieren.
Die QueryObject Dateien verhalten sich gegenüber jedem Frontend mit ODBC Schnittstelle als relationale Tabelle. Selbst sehr
komplexe mehrdimensionale Abfragen benötigen ausschließlich einfache SQL Befehle
(keine MDX notwendig!).
Die hohe Abfrageperformance erklärt
sich daraus, dass jede theoretisch mögliche
Berechnung mit den ins Datamart geladenen Daten bereits automatisch durchgeführt wurde. Ein sorgsames Haushalten
mit Dimensionen und Ebenen und der Datenmenge wie bei OLAP Würfeln gewöhnlich
der Fall, ist bei den QueryObject Datamarts
nicht notwendig. Hier können die Analysten
sehr großzügig vorgehen und sich somit viel
2
05. März 2007 - Whitepaper 03_07
Unabhängigkeit von Administratoren verschaffen.
Wettbewerbsvorteile
in der Telekommunikation
Telefongesellschaften wie TIM, Wind, Telekom Italia, MCI Worldcom u.a. setzen die
QueryObject Middleware nicht nur zur Analyse von Netzwerkperformance, TrafficDaten oder zur Aufdeckung offener Posten
(Billing Reconciliation) ein. Analysen hinsichtlich Kundenabwanderung und Kaufverhalten sind die wichtigsten Maßnahmen,
um möglichst schnell wieder zu einem bedürfnisgerechteren Tarifmodell zu kommen.
Antwortzeiten bei Abfragen von zig Millionen Call Detail Records über einen Zeitraum
von über einem Jahr stehen im Kundenservice von MCI im Vordergrund, die dem Anrufer damit Antworten schon nach wenigen
Sekunden am Telefon liefern können.
Eine kurze "time to market" setzt voraus,
dass so genannte Decision Support Systeme, also OLAP-Systeme (Online Analytical
Processing), den Entscheidungsträgern ein
intuitives, schnelles und flexibles Manipulieren von Daten mittels vertrauter Geschäftsbegriffe ermöglichen. Dazu braucht es nicht
nur schnelle, flexible Lieferanten von Rechenergebnissen sondern auch eine ebenso
flexible Anwendung die den Rahmen setzt.
In der Praxis erweisen sich Prozessmanagementsysteme, die als Framework aufgebaut
sind, als sehr vorteilhaft. Neue Anforderungen lassen sich damit schnell zu einer
betriebsfertigen Anwendung konfigurieren.
Ein Beispiel eines solchen Frameworks stellt
das Softwareprodukt "Der Analyzer" von
der Firma DataIntelligence GmbH aus Bad
Homburg dar. Der Analyzer bietet Datenanbietern (Datenbrokern) und deren Kunden
aus Marketing- und Vertriebsabteilungen
eine analytische Plattform auf der Daten
beispielsweise aus dem Gesundheitswesen,
schnell und unkompliziert für mehrdimensionale Abfragen zur Verfügung gestellt werden. Die Anwender führen diese Analysen in
eigener Regie aus und werden nicht durch
vorgefertigte Reports eingeschränkt.
Die Browser ähnliche Oberfläche erlaubt
Gelegenheitsnutzern einen schnellen Ein-
stieg in die Bedienung und verlangt für
tiefergehende Analysen keine Datenbankkenntnisse.
Ein definiertes Datenmodell und die Verwendung von Metadaten ermöglichen es die
Konfiguration des Analyzers so zu ändern,
dass ohne zeitaufwändige Programmierung
in kurzer Zeit eine völlig neue Anwendung
entsteht.
Als Beispiel dienen hier OutsourcingUnternehmen, die für regionale Energieversorger das komplette Datenmanagement
übernehmen. Sie haben mit dieser Framework-Technologie die Möglichkeit auf veränderte Informationsbedürfnisse ihrer Kunden wesentlich flexibler zu reagieren. Die
Kunden selbst (z.B. Stadtwerke) erhalten in
kürzester Zeit einen Einblick in veränderte
Verbrauchergewohnheiten ohne dazu eine
eigene Business Intelligence Abteilung aufbauen zu müssen.
Die Steuerung durch Metadaten bildet
den Kern des Analyzer Frameworks. Metadaten sorgen dafür, dass die Struktur der
Nutzdaten und die notwendigen Verarbeitungsschritte der Applikation bekannt gemacht und dem Nutzer angeboten werden.
Um eine neue Applikation mit dem Analyzer
zu realisieren, müssen zunächst die gewünschten Nutzdaten in eine entsprechende einladbare Form gebracht werden. Als
Basis dient hier ein Sterndatenmodell, welches die einfache Auswertung von Dimensionen und Fakten nach allen möglichen Gesichtspunkten gestattet. Als nächstes werden die Meta-Daten eingerichtet, um diese
Datenstruktur für die Verarbeitung je nach
gewünschter Abfrage zugänglich zu machen. Das Ergebnis ist eine in wenigen Tagen erstellte Informationsanwendung für
spezielle Bedürfnisse mit eigener Datenbank.
Diese Datenbank lässt sich durch Zeitreihen
weiter fortschreiben und wird dem Nutzer
aktualisiert weitergegeben.
Der Anwender stellt sich auf der Oberfläche
die gewünschten Abfragen zusammen.
Nach der Ausführung erhält er das Ergebnis
in Form einer flexiblen Pivot-Darstellung,
die dann weiter geändert oder exportiert
werden kann. Um seinen individuellen Bedürfnissen nachzukommen, kann er sich die
Nutzdaten durch Gruppierungen und Kom-
3
05. März 2007 - Whitepaper 03_07
binationen von Elementen selber strukturieren. Die Abfragen lassen sich abspeichern
und können so an andere Anwender weitergegeben werden. Gleiches gilt auch für die
Ergebnisse.
Beim Analyzer handelt es sich technologisch
um einen Datamart, der auf Hyperion Intelligence als Frontend und Sybase iAnywhere
als relationale Datenbank für Nutz- und Metadaten basiert. Bei großen Datenmengen
wird QueryObject als Basis für die vorberechneten Fakten eingesetzt.
Die Kombination konfigurierbarer Einzelwerkzeuge ("best of breed") dürfte bei der
Analyse von Business-Daten angesichts des
hierzulande häufig kritisierten Wettbewerbnachteils langer Produkteinführungszeiten
weiter an Bedeutung gewinnen.
Die Autoren:
Stefan Maier, Geschäftsführer der datamints GmbH, Systemhaus für Database Marketing
www.datamints.com [email protected] Tel. 08856 – 80 20 435
Michael Beth, Geschäftsführer der DataIntelligence GmbH - Entwicklung von Business Intelligence Anwendungen
www.dataintelligence.de [email protected] Tel. 06172 – 68118 35
Quellen: Abb. S.1 aus kostenfreie Leseprobe des OLAP Survey 6 (BARC, dt. Ausgabe)
http://www.barc.de/fileadmin/barc/study/OLAP_Survey_06_Leseprobe.pdf
4