Collapsible sidebar using Bootstrap 3

Homogene Datenbasis für fundierte Analysen

Ein Data Warehouse ist ein System, welches für Analysezwecke und Zwecke des Reporting genutzt wird. Hierbei werden Daten aus diversen Quellen zusammengeführt und verdichtet. Dadurch entsteht eine homogene und integrierte Datenbasis, mithilfe dessen effiziente und zielorientierte Analysen durchgeführt werden können. Ein Data Warehouse ist zudem die Ausgangsbasis für die Aggregation von betrieblichen Kennzahlen innerhalb mehrdimensionaler Matrizen (OLAP-Würfel), sowie des Data-Mining.

 

Anwendungsbereiche

  • Zusammenführen von Daten aus unterschiedlichen strukturierten und verteilten Datenbeständen
  • Datenbeziehungen mittels Data-Mining identifizieren
  • Schnelle und flexible Verfügbarkeit von Berichten, Statistiken und Kennzahlen für Managemententscheidungen
  • Aggregation von Informationen zu Geschäftsobjekten und Zusammenhängen
  • Transparenz im Zeitablauf zu Geschäftsprozessen
  • Informationsbereitstellung für die Erstellung von Dokumenten

 

Data Mining

Data Mining beschreibt die systematische Anwendung statischer, computergestützter Methoden auf große Datenbestände mit dem Ziel Trends und Querverbindungen zu identifizieren. Data-Mining ist ein Baustein des sogenannten „Knowledge Discovery in Databases“ - Prozesses, spricht das Data-Mining dient der Wissensentdeckung. Methoden und Verfahren der Statistik, Datenbankforschung, künstlichen Intelligenz, sowie statische Verfahren tragen zum Data-Mining Prozess bei und ermöglichen die Transformation, Speicherung, Exploration und Wiedergewinnung von Daten, sowie die Erkennung von Mustern.

 

Aus Daten werden Informationen

Der Knowledge-Discovery-in-Databases-Prozess, zu Deutsch Wissensentdeckung in Datenbanken lässt sich in wenigen Schritten beschreiben:

  1. Auswahl: Der erste Schritt des Data Mining beinhaltet die Auswahl der Daten aus einem vorhandenen Datenbestand. Übrig bleibt dann der Datenabschnitt, welcher für die Wissensgenerierung von Relevanz ist.
  2. Vorverarbeitung: In diesem Schritt werden die Daten gereinigt, spricht Dubletten werden gelöscht und fehlende Werte werden behandelt u.Ä.
  3. Transformation: Bei der Transformation der Daten werden bei Bedarf Datenbereiche verändert, Daten normiert, quantitative Daten werden in kategoriale Daten umgewandelt u.Ä.
  4. Data Mining: In diesem Schritt gilt es gefundene Muster zu analysieren und evaluieren. Die Ergebnisse der Analyse können von dem Empfänger zur Erkennung von Chancen, Stärken, Risiken und Schwächen, sowie zur besseren Ausschöpfung von Potentialen genutzt werden.