Managementunterstützungssysteme/FIS Flashcards

1
Q

Aufgabe eine FIS

A

alle Daten des Unternehmens analysieren und aufbereiten

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

FIS

Konzeptionelle Fragestellung/Kernfragen

A
  1. Welche Informationen sollen in das Syste aufgenommen werden?
  2. Wie werden die Daten beschafft, aufbereitet und bereitgestellt?
  3. In welcher Information werden die Informationen präsentiert?
    • Übersicht → Graphiken → Zahlen (Detaillierungsgrad)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

FIS

  1. Wie werden Daten beschafft, aufbereitet und bereitgestellt?
A

Data Warehouse = 2. Datenbank für FIS

  • externe Daten/Planwerte → Direktabruf aus Onlinediensten oder manuelle Eingabe
    • z.B. Rohstoffpreise, Gesetzesänderungen, Wetterdaten, soziale Netzwerke
  • interne Daten → Direktübernahme aus operativen Anwedungssystemen nach Selektion und Aggregation

Datenauswertung → Plan-Ist-Vergleich

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

FIS

Gründe für Data Warehouse

A
  • stabile, statische Daten für vergleichende Analysen, Historie, …
  • Datenänderungen zum Testen möglich ohne Auswirkungen auf Produktion
  • operatives Tagesgeschäft wird nicht gestört
  • Analyse benötigt große Bandbreite (schneller)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

FIS

  1. In welcher Form werden die Informationen präsentiert?
A
  • natürliche Sprache
  • graphische Unterstützung wie Drag & Drop
  • Abfrageergebnisse als interaktive Graphiken, insbesondere mit Drill-Down-Unterstützung → Durchwandern von Verdichtungshierarchien
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

BI

Definition

A

Menge an Methoden, Algorithmen, Konzepten, um Daten zu analysieren und aufzubereiten, dass Manager intelligent und informiert Entscheidungen treffen können

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

BI

Wissen

A

in der Datenmenge verborgene entscheidungsrelevante Zusammenhänge, Muster, …

z.B. Trends, Verbraucherverhalten, Kundensegmente

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Architektur von BI-Systemen

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

BI

Technologien im Überblick

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

BI

ETL - 4 Phasen

A

Extraktion - Transformation - Laden

  1. Bereinigung: Beseitigung von syntaktischen und semantischen Mengeln (Datumsformate, fehlende Werte durch Planwerte ersetzen)
  2. Harmonisierung: Synonyme, Homonyme und unterschiedliche Codierungen beseitigen
    • Synonym: Mitarbeiter, Personal - Homonym: Partner für Kunden/Lieferant - Geschlecht codiert mit (0,1)/(m,w)
  3. Verdichtung: Summation auf verschiedene Aggregationsstufen, in Data Warehouse gespeichert
  4. Anreicherung: Berechnung und Speicherung wichtiger Kennzahlen = Grenzzahlen (Return of Investment, Gewinn, Krankenstand, …)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

BI
Data Warehouse

A
  • Sekundärdatenbank, die mit ETL-Verfahren aus Anwendungssystemen und externen Datenquellen erzeugt wird
  • Daten so aufbereitet, dass in geeigneter Weise (Hypercube) dem OLAP - Online Analytical Processing zur Verfügung stehen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

BI

Data Mart

A
  • abteilungsspezifisches Data Warehouse
  • 1 Data Warehouse → viele Data Marts
  • multidimensional statt relational (Data Warehouse)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

BI

Gründe für Data Marts

A
  • gleiche Datenbestände gleichzeitig an mehreren Orten schneller bereitstellen (vergleichende Analysen zwischen Filialen/Tochterunternehmen)
  • einzelnen Fachabteilungen eigene, spezielle Datensammlungen ermöglichen (Vertrieb: Preise, Verkaufszahlen, … - Personal: Kosten, Krankenstände, …)

→ schneller durch weniger Daten und multidimensionalen Zugriff

→ nur wesentliche Daten

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

BI

Analyseverfahren

A
  • Drill-Down-Technik: systematisches Durchwandern von Verdichtungshierarchien
  • Whatif-Analysen: bestimmte Parameter/Variablen verändern, um mögliche Auswirkungen zu sehen
  • Multidimensionale Auswertung (OLAP):
    • mehrere Dimensionen auswählen → Würfel
    • einschränken → Slicing and Dicing
    • Daten aggregieren und zu einem Ergebnis summieren
    • verbinden mit Drill-Down
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

BI

Data Mining

A
  • Suche nach bisher unbekannten aber relevanten Zusammenhängen
  • neues, nicht offensichtliches Wissen automatisiert ableiten
  • gegenseitige Beziehungen der Daten/Analyseziel nicht vorher festgelegt
  • Anwendung: Vertrieb → Käuferverhalten anaylsieren, Kundenprofile erstellen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

BI

Data Mining vs. OLAP

A

OLAP:

  • “Zeige mir, was mich interessiert”
  • Analyseziel vorher festgelegt, Datenbasis selektiert
  • maschinell gestützte, manuelle Suche nach interessanten Zusammenhängen

Data Mining

  • “Finde heraus, was interessant ist”
  • Methoden idetifizieren autonom bedeutsame Muster aus großen Datenmengen ohne a-priori-Hypothesen durch Nutzer
  • manuell gestützte, maschinelle Suche nach interessanten Zusammenhängen