Klausurvorbereitung

Question 1

Was ist Big Data?

Answer 1

verfolgt das Ziel, qualitative und unterschiedlich struktierte Daten zu verbinden und in ein Geschäftsnutzen zu verwandeln
lässt sich anhand der “3-Vs” beschreiben
aus sicht der Wirtschaftsinformatik kommt Value dazu
Volume - Datenmengen (z.B. Zetabye)
Velocity - Geschwindigkeit
Vareity - Datenvielfallt (z.B. Strukturierte Daten - ERP-System; Unstrukturierte Daten - Facebook/Sensoren; Semi-Strukturierte Daten - E-Mail)
Value - Gewinn/Nutzen

Question 2

Herrausforderungen sowie zukünftige Trends im Kontext zu BI

Answer 2

Big Data: Große Datenmengen, Geschwindigkeit der Daten, hoher Informationsgehalt - dimensionalisierung = Digitalisierung des Alltags
Datenheterogenität: Daten aus Externen (z.B. Facebook)
Erfassungs-, Mess-, Veränderungsgeschwindigkeit der Daten
Mobile BI: Zugriff auf mobile Endgeräte
Predictive Analysis: Prognose von Zukunftswerten
Self BI: User holen sich aufbereittete Daten aus DB
In-Memory: Speichertechnologie, Daten befinden sich direkt im Speicher, Enorme Aufbereitung und Ausgabe Geschwindigkeit
BI as a Service: Cloud basierte BI Lösung

Question 3

Risiken im Kontext mit BI

Answer 3

Datenkraken
Datenschutz
Gläsener Mensch
Konflikt zwischen technisch möglich und Ethnischer Sicht
Kommerzieller Nutzen der Daten
Qualität der Analysemethoden bzw. Datenbasis

Question 4

Was ist ein Data Warehouse?

Answer 4

für Analysezwecke Optimierte Datenbank, die Daten aus mehreren i.a. heterogenen Quellen zusammenführt und verdichtet (Integration und Transformation)
Umfasst:
den GP, der Datenbeschaffung aus internen und externen zugänglichen Quellen
die Datentransofrmation und -aufbereitung gemäß der Quell- und Zieldatenbankschemata
die Datenqualitätssicherung und die Speicherung im (zentralen) DW bzw. (dezentralen) Data Marts benutzersichten)
die auf OLAP basiernde Datenanalyse

Question 5

Was ist eine Data Warehouse Architektur?

Answer 5

Als DW Architektur wird der planvolle, fachkonzeptionelle Strukturentwurf des Data Warehouse Systems und dessen Enbettung in sein reales Umfeld bezeichnet.

Question 6

Data Warehouse Zeichnung

Answer 6

Siehe BP Datawarehouse Architektur

Question 7

Star Schema Architektur Erklären inklusive Vor und Nachteile

Answer 7

Star Schema:
Relationale Speicherung
- Faktentabelle bildet Zentrum des Star-Schemas und enthält die Detail-Daten mit analysiernden Kennzahlen
- 1 Dimensionstabelle pro Dimension, die nur mit Faktentabelle verknüpft ist (-> sternförmige Anordnung der Tabellen)

+ Einfache Datenmodelle -> intuitiv
+ Geringe Anzahl von Join-Operationen
+ Geringe Anzahl physischer DW-Tabellen
+ Geringer Aufwand im Rahmen der DW-Wartung
- Bei sehr großen Dimensionstabellen hohe Antwortzeit
- Redundanz innerhalb der Dimensionstabellen durch das mehrfache Verwenden identischer Fakten

Question 8

Snowflake Schema Zeichnen inklusive Vor und Nachteile

Answer 8

Siehe BP

+ Beseitigung der Redundanzen in den Dimensionstabellen
+ -> Beseitigung verbundenen Probleme wie z. B. UpdateAnomalien
+ Ist in der 3. Normalform
- Für eine Abfrage sind mehrere Joins notwendig
- Größere Anzahl der Joint-Operationen die die abhängigen Dimensionstabellen verbinden müssen

Question 9

Was wird bei der Modellierung multidimensionaler Datenräume unter einem Star-Schema verstanden? Beschreiben Sie das Star-Schema anhand seiner wesentlichen Charakteristika. Wie könnte eine Beispielabfrage auf ein StarSchema lauten?

Answer 9

Welcher Umsatz wurde im Januar 2020 in der Region West mit dem Produkt 320 bei dem Kundentyp Geschäftskunden erzielt?

• Fakten sind betriebswirtschaftliche Kennzahlen und repräsentieren monetäre Werte oder Mengen Bsp.: Umsatz, Absatz, Einzelkosten, Personalbestand etc.
• Dimensionen sind deskriptiv und ermöglichen eine Gruppierung der Fakten zur Analyse Bsp.: Tage, Produkte, Kunden etc.
• Hierarchisierungen ermöglichen die Betrachtung unterschiedlicher Konsolidierungsstufen der Fakten Bsp.: Filiale > Region > Land > Gesamt

Question 10

Beschreiben Sie das in der Vorlesung kennengelernte FASMI-Prinzip. (5 Punkte) FASMI = Fast Analysis of Shared Multidimensional Information

Answer 10

• Fast: stabile, schnelle Antwortzeiten
• Analysis: Beherrschung beliebiger Businesslogik und statistischer Analysen wie “What-If”- & “How to achieve”- Betrachtungen
• Shared: Mehrbenutzerbetrieb, implementiert Sicherheitsanforderungen für Datenschutz
• Multidimensional: Unterstützung multidimensionaler konzeptioneller Sichten auf Daten, ermöglicht Hierarchien
• Information: Zugriff auf alle benötigten Daten und abgeleitete Informationen, Verarbeitung großer Datenvolumina

Question 11

Was wird unter den Begriffen „OLTP“ und „OLAP“ verstanden? Grenzen Sie die beiden Konzepte in Bezug auf Anfragen ab. (7 Punkte)

Answer 11

OnLine Transaction Processing:
• transaktionale Prozesse mit operativen Daten
• klassische operative Informationssysteme
• Erfassung und Verwaltung von Daten
• kurze Schreib- und Lesezugriffe auf wenige Daten

OnLine Analytical Processing:
• Analyse im Mittelpunkt
• lange Lesetransaktionen auf viele Datensätze
• Integration, Aggregation und Konsolidierung von Daten

Question 12

Nennen Sie sechs Operatoren zur Navigation in multidimensionalen Datenstrukturen multidimensionaler Datenmodelle. (6 Punkte)

Answer 12

Pivoting, Slicing, Dicing, Drill Down, Roll Up, Split

Question 13

ETL-Prozess + Zeichen

Answer 13

Siehe PB
-Extraktion

-Transformation
– Filterung
o Auswahl der geeigneten Datenbestände
o Bereinigung von syntaktischen und semantischen Mängeln
– Harmonisierung
o Integration der Teilschemata der Datenquellen zum Data-Warehouse-Schema
o Abstimmung von Kodierungen, Synonymen und Homonymen
– Aggregation
o Bildung von Hierarchien und daraus resultierenden Aggregationen
o Beispielhierarchie: Produkt – Produktgruppe - Gesamt
–Anreicherung
o Berechnung von betriebswirtschaftlichen Kennzahlen

-Laden

Question 14

Erläutern Sie, warum BI nicht als Produkt käuflich, sondern unternehmensspezifisch individuell zu implementieren ist. Ein Beispiel (4P)

Answer 14

Veraltete Einzelsysteme reichen nicht mehr aus, um die gesamten Informationen, die in einem Unternehmen generiert werden, adäquat zu speichern, analysieren und zu verteilen -> Integrierte und unternehmensspezifische Gesamtansatz notwendig!

Question 15

Was ist Pivoting

Answer 15

Rotation des Datenwürfels durch Drehen oder Kippen, um eine andere Perspektive auf die Daten zu ermöglichen

Question 16

Unterschied zwischen Slicing und Dicing

Answer 16

• Slicing - Ausschnitt im 2D Raum (nur eine Dimension für z. B. alle Produkte zum Zeitpunkt)
• Dicing - Verkleinerter ausschnitt Würfel des gesamten Würfels (aus allen Dimensionen)

Question 17

Unterschied Drill Down and Roll UP

Answer 17

Drill Down - von Grob nach Fein (Produktgruppe -> Produkt)

Roll Up - von Fein nach Grob (Produkt -> Produktgruppe -> Produkte Gesamt)

Question 18

Benutzersicht und physikalische Umsetzung (R-OLAP, M-OLAP und H-OLAP) Zeichnen + Unterschiede

Answer 18

Siehe BP
R-OLAP = Star / Snowflake == KEINE WÜRFEL
+ Hohe Stabilität
+ Sicherheit im AWBereich, große Benutzerzahl
- wenig Aggregatsstufen

M-OLAP = Teildaten/Aggregationsdaten Multidimensional gespeichert in Würfel, direkt auf OLAP Server
Nach Aufbereitung muss nicht mehr auf Datenbank zugegriffen werden
“Versuchen hochzuaggregierren und Würfel vorzubereiten”
+ Flexibilität
+ Antwortzeit verhalten
- Sicherheit (Würfel muss generiert werden)
- beschränkt

H-OLAP vereint Vorteile von beiden OLAPS
Aggregation in Multidimensionalen Würfel; Bei Drill Down erst von DB Nachladen; Verwendung bei Hochverdichteten Daten

Question 19

Hichert Regeln

Answer 19

SAY: Botschaften klar vermitteln
UNIFY: Bedeutung vereinheitlichen
CONDENSE: Information verdichten
CHECK: Qualität sicherstellen
ENABLE: Konzept verwirklichen
SIMPLIFY: Rauschen, Redundanz und Details weglassen
STRUCTURE: Inhalt richtig gliedern

Question 20

DuPont Schema (ROI)

Answer 20

Siehe BP

Question 21

Balanced Score Card (Die vier Schichten einer BSC)

Answer 21

Siehe BP

Question 22

Beschreiben Sie den Knowledge Discovery im Databases Prozess. Unterstützen Sie Ihre Erläuterungen durch eine grafische Darstellung des Prozesses. Gehen Sie auf die einzelnen Schritte im Detail ein. (10 Punkte)

Answer 22

Kapitel 6 Folie 4/ BI_Prüfungsstoff_final

1. Selektion:
   • Auswahl der für die Fragestellung relevanten Daten
2. Vorverarbeitung:
   • Beseitigung von Datenqualitätsproblemen
   • z.B. Missing Values und Imputation, Dubletten, Outliers, fehlerhaft Werte
3. Transformation:
   • Daten werden in einen für das Datamining-Verfahren geeigneten Datentyp umgewandelt
4. ML: / Datamining:
   • ML: / Datamining wird auf Daten angewandt (Mustererkennung)
   • Ergebnis: Modell mit Mustern, Auffälligkeiten, Abhängigkeiten etc.
5. Interpretation und Evaluation
   • Modell und Einsetzbarkeit des Modells werden bewertet
   • Aufbereitung der Ergebnisse für die Entscheidungsfindung

Question 23

Nennen Sie vier Vorteile eines zentralen Data Warehouse im Gegensatz zu reinen Data Marts. (4 Punkte)

Answer 23

• integrierte Sichtweise auf das Gesamtunternehmen
• zentrale Datenverwaltung
• geringere Datenredundanz
• kein Transformations- bzw. Implementierungsaufwand

Question 24

Zwei Elemente von multidimensionalen Datenstrukturen nennen. (2 Punkte)

Answer 24

Fakten, Dimensionen

Question 25

Datenqualität nach Hinrichs

Answer 25

Glaubwürdigkeit

• Korrektheit
• Zuverlässigkeit
• Konsistenz

Interpretierbarkeit

• Einheitlichkeit
• Eindeutigkeit
• Verständlichkeit

Nützlichkeit

• Vollständigkeit
• Genauigkeit
• Zeitnähe
• Redundanzfreiheit
• Relevanz

Schlüsselintegrität

• Schlüsseleindeutigkeit
• Referntielle Integrität

Question 26

Data Warehouse - In Memory Datenbanken

Answer 26

Sind Datenbankmanagementsysteme, die im Gegensatz zu herkömmlichen Datenbankmanagementsystemen nicht Festplattenlaufwerke, sondern den Arbeitsspeicher zur Datenspeicherung nutzen

Question 27

Unterschiedliche Architekturen nennen

Answer 27

Zentrale Data-Warehouse Architektur
Unabhängige Data-Marts
Hub-and-Spoke-Architektur

Question 28

William H. Inmon stellt in seiner Data-Warehouse-Definition vier Merkmale in den Mittelpunkt. Nennen und beschreiben Sie jedes Merkmal. (8 Punkte)

Answer 28

1. Themenorientierung (subject-oriented):
   - Zweck nicht Erfüllung dedizierter Aufgabe, sondern Unterstützung übergreifender Auswertungsmöglichkeiten aus verschiedenen Perspektiven.
   - Alle Daten - unternehmensweit - über ein Subjekt (z.B Kunde) und nicht “versteckt” in versch. Anewendungen
2. Integrierte Datenbasis (integrated):
   - Daten aus mehreren versch. Datenquellen
   - Vereinheitlichung der Daten aus den operativen Systemen
   - Benennung, Skalierung und Kodierung
3. Historische Daten (time-variant):
   - Vergleich der Daten über Zeit möglich (Zeitreihenanalyse)
   - Speicherung über längeren Zeitraum
   - Bereitstellung von Zeitreihendaten über längere Zeiträume
4. Nicht-flüchtige Datenbasis (non-volatile):
   - Daten im DW werden i.a. nicht mehr geändert
   - Stabile, persistente Datenbasis
   - Bereitstellung von Zeitreihendaten über längere Zeiträume

Question 29

Welche der folgenden Systeme sind Ihrer Ansicht nach üblicherweise keine BI Anwendungssysteme und begründen Sie? (9 Punkte)

• Reisekostenabrechnung
• Balanced Scorecard
• Debitorenbuchhaltung
• Call-Center-Steuerung mit ACDS (Automated Call Distribution System)
• Konzernkonsolidierung
• Vertriebscontrolling
• Lagerhaltungsmanagement
• Analytisches CRM
• Workflow-Management für die Verarbeitung von Geschäftsdokumenten

Answer 29

• Reisekostenabrechnung
KEINE BI-Anwendung: Es ist ein operatives System, bei dem einzelne Datensätze herangezogen werden.

• Balanced Scorecard
IST eine BI-Anwendung: Zur Berechnung der Kennzahlen werden viele Daten aggregiert.

• Debitorenbuchhaltung
KEINE BI-Anwendung: Es ist ein operatives System, bei dem einzelne Datensätze herangezogen werden.

• Call-Center-Steuerung mit ACDS (Automated Call Distribution System)
KEINE BI-Anwendung: Es ist ein operatives System, bei dem einzelne Datensätze herangezogen werden.

• Konzernkonsolidierung
IST eine BI-Anwendung: Zur Konsolidierung werden viele Daten aggregiert.

• Vertriebscontrolling
IST eine BI-Anwendung, sofern übergreifende Daten z.B. für Reports aggregiert werden.

• Lagerhaltungsmanagement
KEINE BI-Anwendung: Es ist ein operatives System, bei dem einzelne Datensätze gebucht und abgefragt werden.

• Analytisches CRM
IST eine BI-Anwendung, da Kundendaten aggregiert ausgewertet werden.

• Workflow-Management für die Verarbeitung von Geschäftsdokumenten
KEINE BI-Anwendung, da Geschäftsdokumente ausschließlich für operative Zwecke verteilt werden.

Question 30

Definieren Sie den Begriff „Business Intelligence“ wie in der Vorlesung kennengelernt. (2 Punkte)

Answer 30

Business Intelligence ist ein integrierter, unternehmensspezifischer, IT-basierter Gesamtansatz zur betrieblichen Entscheidungsunterstützung. BI ist die Gesamtheit aller Werkzeuge und Anwendungen mit entscheidungsunterstützendem Charakter, die zur besseren Einsicht in das eigene Geschäft verhilft.

Question 31

Welche Bereiche Spielen in Business Intelligence Zentrale Rollen?

Answer 31

• Reporting
• Analytics
• Data Mining
• OLAP
• Big Data
• Unternehmenssteuerung
• Data Warehousing

Question 32

Nennen Sie jeweils zwei unterschiedliche Beispiele für Fälle, in denen die folgenden Arten von Bereinigungsaktivitäten notwendig sind.

Answer 32

• Automatische Erkennung und Korrektur:
  Komma durch Punkt ersetzen, “€” durch “EUR” ersetzen, Umformatierung von Datumsangaben
• Automatisierbare Erkennung und manuelle Korrektur:
  Unzulässige Zeichen, Ausreisen in Daten, unübliche Altersangabe oder Umsatzauswertung
• Manuelle Erkennung und Korrektur:
  Tippfehler, Manipulation (bewusste Falscheingabe)

Question 33

Es sind 8 Probleme bei der Transformation gegeben. Diese den Fehlerarten zuordnen.

Answer 33

Eventuell wo Sherwin damals die Aufgabe gelöst hat?

• Syntaktische Mängel
• Semantische Mängel
• Harmonisierung
• Eliminierung von Schlüsseldisharmonien
• Aggregation
• Anreicherung

Question 34

15. Erörtern Sie die Unterschiede zwischen operativen und dispositiven Daten. Verdeutlichen Sie Ihre Ausführungen anhand von selbst gewählten Beispielen?

Answer 34

•	Operative Daten: 
stammen meist nur aus einer Datenquelle
nur aktuelle Daten
häufige Aktualisierung
Zugriff auf einzelne Datensätze
z.B. Umsatz von Kunde X am 12.2.2010 in der Filiale Hamburg. 

• Dispositive Daten:
sind aus mehreren Datenquellen aggregiert
sowohl aktuelle, als auch historische Daten
große Datenmengen
Zugriff auf gruppierte Daten
z.B. Umsatz aller Filialen in Bayern im Monat März

Question 35

Zentrale Data-Warehouse-Architektur zeichnen

Answer 35

Siehe Bp

Question 36

Unabhängige Data-Marts zeichnen

Answer 36

Siehe BP

Question 37

Hub-and-Spoke Architektur

Answer 37

Siehe BP

Question 38

Data Warehouse - In Memory + Merkmale

Answer 38

Sind DBMS, die im Gegensatz zu herkömmlichen DBMS nicht Festplattenlaufwerke, sondern den Arbeitsspeicher zur Datenspeicherung nutzen.

Merkmale:

• Daten werden in den Arbeitsspeicher gelanden
• Lange Zugriffszeiten klassischer Massenspeicher (z.B. Festplatten) entfallen
• Auswertungen können innerhalb von Sekunden oder gar Sekundenbruchteilen erstellt werden

Question 39

BI nach Gluchowsky

Answer 39

• Enges BI-Verständnis Kernapplikationen die Entscheidungsfindung unterstützen (OLAP, MIS)
• Analyseorientiertes BI-Verständnis Alle Anwendungen mit denen der Entscheider im System arbeitet (CRM)
• Weites BI-Verständnis Alle Anwendungen die direkt und indirekt mit Entscheidungsunterstützung arbeiten (Anw. Zur Datenauswertung, -präsentation, - aufbereitung und -speicherung)