Was ist ein Data Warehouse?

Data Warehouse (DWH) bezeichnet eine Software, die Daten aus mehreren operativen IT-Systemen eines Unternehmens, einer Unternehmensgruppe oder allgemein einer Organisation an zentraler Stelle sammelt und so strukturiert, dass diese Informationen gezielt für Analysen genutzt werden können.

Die Auswertungsaktivitäten beim Data Warehousing werden allgemein als Business Intelligence (BI) bezeichnet. Neben der reinen Übersicht eines aktuellen Datenbestands ist in der Regel auch der Vergleich zum Vorjahr oder einem längeren Zeitraum aufschlussreich – mit der Möglichkeit, Entwicklungen rechtzeitig zu erkennen und zuverlässige Prognosen zu erstellen.

Vorteile von Data Warehousing für Unternehmen

1. Zeitersparnis und Qualitätsgewinn für Analysen

Data Warehousing optimiert die Datenstruktur für gewünschte Auswertungen und vereinfacht so deren Umsetzung. Dadurch können diese Analysen in weniger Zeit und folglich zu geringeren Kosten erstellt werden.

Bei der Untersuchung transaktionaler Daten im Rahmen umfassender Auswertungen sind zumeist komplexe und somit fehleranfällige Abfragen auszuführen. Diese Fehlerquelle wird mit einem DWH systematisch vermieden.

2. Datengestützte Angebotsoptimierung

Durch die einfache Handhabung eines DWH lassen sich viele unterschiedliche Auswertungen einer vorhandenen Datenquelle durchführen. Die so gewonnenen Informationen und Erkenntnisse bilden eine solide Grundlage für die weitere Entscheidungsfindung: im Rahmen der Unternehmensstrategie oder der saisonalen Ausweitung oder der Anpassung des Waren- und Dienstleistungsangebots nach Eintritt relevanter Markt-Ereignisse.

Eine in diesem Sinne klassische Erfolgsgeschichte hat der Einzelhandel vorzuweisen: Hier wird systematisch das Einkaufsverhalten der Kunden, die Kundenwege analysiert, um die angebotene Ware Zielgruppen-spezifisch und mit optimierter Platzierung im Ladengeschäft anbieten zu können.

3. Geringere Betriebskosten in der Gesamtbetrachtung

Das auswertungsoptimierte Data Warehousing entlastet die operativen Systeme in Unternehmen, wodurch deren IT-Infrastruktur weniger leistungsfähig ausgelegt werden kann. In der Gesamtbetrachtung bedeutet diese Feststellung, dass die Betriebskosten zumeist sinken, obwohl mit dem DWH ein weiteres IT-System betrieben wird.

Wie funktioniert ein Data Warehouse?

Die wichtigste Komponente beim Data Warehousing ist eine leistungsfähige Datenbank. Allerdings erfolgt die Integration der relevanten Daten eines Unternehmens dort in einer besonderen Struktur: Im Fokus steht nicht wie bei den meisten Systemen die optimale Unterstützung einzelner Transaktionen (On-Line Transactional Processing, OLTP), sondern das Verdichten oder Aggregieren von Daten aus unterschiedlichen Quellen zu Aufbereitungs-Zwecken (On Line Analytical Processing, OLAP).

Zur Abgrenzung: Das Verdichten unterscheidet die Data-Warehouse-Architektur von der Data-Lake-Architektur. Beim Data Lake werden digitalisierte Informationen ebenfalls zentral abgelegt, jedoch in ihrem Originalformat. Der Begriff Big Data wiederum beschreibt einen explorativen Ansatz, um aus großen Datenmengen neue Erkenntnisse abzuleiten. Dazu können sowohl Data Warehouses wie auch Data Lakes verwendet werden.

Die für BI-Auswertungen erforderlichen Daten lassen sich aufgrund ihrer schieren Menge an Datenpunkten nicht ad-hoc kalkulieren. Dazu müssten Durchschnittswerte im Bruchteil einer Sekunde aus Hunderttausenden oder Millionen von Datensätzen berechnet werden. Es ist daher sinnvoll, spezielle Datenstrukturen anzulegen, die zum gewünschten Termin zeitnah – also zum Tages- oder Jahresabschluss, wöchentlich, monatlich, quartalsweise oder wann auch immer – mit berechneten Daten beladen werden.

Klassisch unterscheidet die Business Intelligence zwei Datengruppen, die sich in ihrer Anwendung ergänzen: Kennzahlen (oder Fakten) und Dimensionen.

Kennzahlen bezeichnen einen Wert, der zu Berechnungen herangezogen wird. Dies betrifft nicht alle Zahlen. Hausnummern beispielsweise sind normalerweise keine Kennzahlen. Auch Kundennummern fallen nicht unter Kennzahlen. Es sei denn, sie werden für Aggregationen oder für anderweitige Berechnungen verwendet.

Dimensionen wiederum beschreiben Kennzahlen. Hierzu gehören alle nicht berechneten Werte wie Namen, Adressen oder weitere fachliche Objekte.

Die wichtigste Datenstruktur eines BI-Systems ist das Stern-Schema (Star-Scheme oder kurz Star): Es besteht aus einer zentralen Kennzahlen-Tabelle, um die sich unterschiedliche Dimensionstabellen gruppieren wie die Strahlen eines Sterns.

In Dimensions-Tabellen werden vor allem Stammdaten abgelegt, die sich in der Regel nicht oder nur selten verändern. Sollten Dimensionen dennoch einmal grundlegend modifiziert werden, bedarf es einer speziellen Archivierung (Historisierung), auf die im Rahmen dieser Beschreibung allerdings nicht näher eingegangen werden soll.

Die Kennzahlen-Tabelle bildet den Kern der Datenmodellierung. Dort lagern vor allem Referenzschlüssel und aggregierte Kennzahlen. Die Struktur der Tabelle sollte möglichst schlank bleiben, mit einer begrenzten Menge an Schlüsseln und Datenfeldern. Die Anzahl der Datensätze kann jedoch schnell anwachsen.

Die klassische Methode der Datenaufbereitung für die Auswertung großer Datenmengen nennt sich – wie schon eingangs beschrieben – On Line Analytical Processing (OLAP) und verwendet als grundlegende Datenstruktur einen Datenwürfel, den sog. OLAP-Cube.

Der Datenwürfel ist eine abstrakte Form, um Kennzahlen und Dimensionen in leicht verständlicher Anordnung anzuzeigen. Denn die Daten einer Star-Datenstruktur lassen sich gedanklich eben am besten als Datenwürfel darstellen und ermöglichen so, aufgrund vorgewählter Einstellungen, selbst bei komplexen, vertiefenden Analysen ein intuitives Vorgehen.

Die Seiten des Würfels visualisieren hierbei die Dimensionen, die zentralen Tabellenfelder hingegen die Kennzahlen. Eine Pivot-Tabelle entspricht also dem frontalen Blick auf eine Würfelseite.

Der Datenwürfel ist geeignet, das konkrete Vorgehen bei Datenanalysen (Business Intelligence) besser nachvollziehen zu können. Man spricht von Methoden wie Rotation bzw. Pivoting, Slicing und Dicing bzw. Drill-down sowie Drill-up bzw. Roll-up, je nachdem in welche Richtung der Datenbestand analysiert wird.

Paint Points ohne DWH

Dezentrale Datenintegration und Datensilos

Moderne Unternehmen nutzen in aller Regel eine größere Zahl von IT-Systemen zur Unterstützung ihrer operativen Abläufe. Fast jedes davon verfügt über eine eigene Datenbank. Übergreifende Auswertungen werden erst dann sinnvoll möglich, nachdem alle Daten zentral gesammelt und für die übergreifende Auswertung verdichtet wurden. Diese Anforderungen gewährleistet Data Warehousing.

Limitierter Datenzugang

Für die tiefgreifende Datenanalyse reicht der Zugriff auf die transaktionalen Datensätze oft nicht aus. Denn die zu beantwortenden Fragen beziehen sich nicht auf einzelne Transaktionen, etwa „Wann wurde die Sendung 4711 zugestellt?“. Sondern sie zielen auf die Auswertung großer Mengen von Datensätzen, beispielsweise: „Wie hat sich der Anteil der First-time-right-Vorgänge zwischen 2010 und 2022 entwickelt?“.

Data Warehousing ermöglicht einen zentralen Zugriff auf sämtliche Daten der Organisation, ohne dabei die laufenden Systeme zu belasten. Zudem werden durch die Verdichtung der Daten spezifische Auswertungen deutlich erleichtert. Um Auswertungen für die Endbenutzer noch weiter zu vereinfachen, können innerhalb des DWH bereichsspezifische Data Marts angelegt werden. Data Marts sind einzelne, für bestimmte User besonders relevante Abteilungen und ermöglichen ganz gezielte Auswertungen für einzelne Unternehmensbereiche.

Überlastung interner Systeme

Die operativen Systeme einer Organisation dienen dazu, die typischen Vorgänge von Geschäfts-Bereichen oder Geschäftsprozessen zu triggern, zu unterstützen und zu protokollieren. Jeder dieser Vorgänge wird als Transaktion bezeichnet, weshalb man sagt, dass operative Systeme transaktional organisiert sind.

Da BI-Analysen typischerweise große Mengen von Transaktionen auf eine bestimmte Fragestellung hin untersuchen, würden sie die transaktionalen Systeme eigentlich stark belasten. Durch das laufende Beladen des DWH können diese Auswertungen aber auf dem Datenbestand des DWH durchgeführt werden, so dass die operativen, transaktionalen Systeme nicht belastet werden

Kriterien zur Auswahl des richtigen DWH für Ihr Unternehmen

Die Entscheidung für ein Data Warehouse (DWH) ist ein kritischer Schritt, der maßgeblich die Datenstrategie Ihres Unternehmens beeinflusst. Verschiedene Faktoren spielen hierbei eine Rolle, um die optimale Lösung zu finden.

Skalierbarkeit und Leistungsfähigkeit

Ein zentraler Aspekt ist die Skalierbarkeit. Ihr DWH sollte mit Ihrem Unternehmen wachsen können, ohne an Leistung zu verlieren. Berücksichtigen Sie dabei sowohl die Datenmenge als auch die Komplexität der Datenverarbeitung. Einige Data-Warehouse-Lösungen bieten elastische Skalierbarkeit, die eine Anpassung an wechselnde Anforderungen ermöglicht.

Kostenstruktur

Vergleichen Sie nicht nur die Anschaffungskosten, sondern auch die laufenden Betriebskosten. Cloud-basierte Data Warehouses wie Amazon Redshift oder Google BigQuery bieten oft ein Pay-as-you-go-Modell, das eine flexible Kostenkontrolle ermöglicht.

Datensicherheit und Compliance

Stellen Sie sicher, dass Sicherheitsstandards erfüllt werden und mit relevanten Datenschutzgesetzen wie der DSGVO konform sind. Einige Anbieter legen besonderen Wert auf Sicherheitsfunktionen, spezielle Zertifizierungen oder einen europäischen Serverstandort.

Integration und Kompatibilität

Überprüfen Sie, ob das DWH mit Ihren aktuellen Datenformaten und Anwendungen kompatibel ist, um nahtlos in bestehende Systeme integriert werden zu können. Für diesen Zweck eignet sich eine Datenintegrationslösung wie Lobster_data.

Benutzerfreundlichkeit und Support

Ein intuitives Interface und ein kompetenter technischer Support können die Einarbeitungszeit erheblich reduzieren. Achten Sie bei der Auswahl daher auf Onboarding- und Trainingsressourcen sowie einen reaktionsschnellen und kompetenten Kundendienst.

Monitoring- und Analysefunktionen

Ein leistungsstarkes DWH sollte fortschrittliche Analysefunktionen bieten. Dies umfasst nicht nur die Datenabfrage und -berichterstattung, sondern auch Analysetools für Data Mining, Process Mining und Predictive Analytics.

Echtzeit-Datenverarbeitung

Für manche Unternehmen ist die Fähigkeit Daten in Echtzeit verarbeiten zu können besonders wichtig. Überprüfen Sie, ob das DWH Echtzeit-Streaming und -Analyse unterstützt, um schnelle, datengetriebene Entscheidungen zu ermöglichen.

Herausforderungen bei der Integration eines DWH in bestehende IT-Systeme

Die Integration eines Data Warehouse in bestehende IT-Systeme ist ein komplexer Prozess, der sorgfältige Planung erfordert. Einer der größten Herausforderungen ist die Sicherstellung der Datenkonsistenz. Unterschiedliche Datenquellen und Formate müssen harmonisiert werden, um eine einheitliche Datenbasis zu schaffen. Dies erfordert oft umfangreiche Datenbereinigung und -transformation.

Achten Sie auch auf eine hohe Systemstabilität. Eine DWH-Lösung muss nahtlos mit bestehenden Anwendungen und Datenbanken interagieren. Hierbei ist es wichtig, Schnittstellen (APIs) und Datenflüsse genau zu definieren und zu testen. Performance-Probleme sind eine häufige Folge schlecht integrierter Systeme, weshalb besonderes Augenmerk auf die Skalierbarkeit und Effizienz der Datenverarbeitung gelegt werden muss.

Ein letzter wichtiger Punkt ist die Gewährleistung der Datensicherheit und des Datenschutzes. Die Integration muss die Einhaltung aller relevanten Datenschutzbestimmungen entsprechen, was die sichere Übertragung und Speicherung sensibler Daten sowie die Implementierung von Zugriffskontrollen beinhaltet.

Best Practices für die Nutzung und Wartung eines Data Warehouse

Um das Potenzial eines Data Warehouse voll auszuschöpfen, sollten Sie einige Best Practices beachten.

1. Datenqualität sicherstellen: Kern jeder DWH-Strategie ist die Gewährleistung hoher Datenqualität. Regelmäßige Überprüfungen und Bereinigungen sind entscheidend, um Inkonsistenzen und Duplikate zu vermeiden. Nutzen Sie hierfür automatisierte Tools, die Datenanomalien erkennen und melden.

2. Performance-Optimierung: Die Performance hängt stark von der Struktur und Indizierung der Daten ab. Optimieren Sie regelmäßig die Datenbank-Indizes und überwachen Sie die Abfrageleistung. Langsame Abfragen sollten identifiziert und optimiert werden, um die Effizienz zu steigern.

3. Skalierbarkeit und Flexibilität: Ein skalierbares Data Warehouse passt sich wachsenden Datenmengen und veränderten Anforderungen an. Überprüfen Sie periodisch, ob die aktuelle Infrastruktur den Bedürfnissen Ihres Unternehmens entspricht. Erwägen Sie den Einsatz von Cloud-Lösungen, um Flexibilität und Skalierbarkeit zu erhöhen.

4. Sicherheitskonzepte stärken: Datensicherheit steht hoch im Kurs. Implementieren Sie robuste Sicherheitsprotokolle, regelmäßige Backups und einen Desaster-Recovery-Plan. Schulen Sie auch Ihr Team, um menschliche Fehler zu minimieren.

5. Dokumentation und Compliance: Eine umfassende Dokumentation erleichtert die Wartung, fördert das Verständnis der Datenstrukturen und unterstützt die Einhaltung von Compliance-Vorschriften. Halten Sie Änderungen, Prozesse und Datenquellen daher vollständig fest.

6. Regelmäßige Audits und Reviews: Führen Sie in regelmäßigen Abständen Audits durch, um die Einhaltung von Best Practices zu überprüfen. Nutzen Sie diese Gelegenheit, um die Datenarchitektur und -strategien zu bewerten und anzupassen.

7. Training und Support: Ein gut informiertes Team ist entscheidend für den erfolgreichen Einsatz eines DWH. Bieten Sie regelmäßige Schulungen und Support an, um sicherzustellen, dass alle Nutzer das System effektiv verwenden können.

8. Präventive Wartung: Warten Sie nicht auf Probleme. Eine proaktive Wartung hilft, potenzielle Schwachstellen frühzeitig zu identifizieren und zu beheben. Setzen Sie auf Monitoring-Tools, die Systemzustände überwachen und automatisch Alarm schlagen.

9. Integration und Automatisierung: Die Integration in bestehende Systemlandschaften und die Automatisierung von Prozessen steigern die Effizienz des DWH. Achten Sie darauf, dass Ihr DWH nahtlos mit anderen Systemen zusammenarbeitet und repetitive Aufgaben automatisiert werden. Wenn Sie diese Best Practices beachten, steht nichts mehr im Weg, dass Ihr Data Warehouse zu einer noch leistungsfähigeren und zuverlässigeren Ressource für Ihr Unternehmen heranwächst.

DWH-Integration und Prozessoptimierung aus einem Guss

Unternehmen setzen auf Lobster-Produkte, sowohl für die Beladung eines vorhandenen DWH als auch zur Unterstützung operativer Prozesse durch BI-Auswertungen – vollkommen in der Cloud (Private/Public) ohne dass dafür ein eigenes Data-Warehouse-System angeschafft werden muss.

BI-Analysen direkt in Lobster_pro

Per No-Code-Ansatz und Konfiguration kann mit der Software für Prozessautomatisierung Lobster_pro eine wie oben beschriebene Star-Datenstruktur aufgesetzt werden. Diese wird aus dem Datenbestand von Lobster_pro und Drittsystemen befüllt und zu Auswertungs- und Darstellungszwecken ausgelesen. Natürlich ist es ebenfalls möglich, mehrere verschiedene Stars anzulegen und so unterschiedliche Geschäftsfelder und -prozesse zu unterstützen.

Der Ansatz von Lobster_pro ist gut geeignet, um operativ ausgerichtete Anwendungen und Geschäftsprozesse eines Unternehmens unmittelbar zu unterstützen. Der OLAP-Cube wird in Lobster_pro zur Abfragezeit erzeugt, was die Auswertungen sehr flexibel macht.

Dieser Ansatz ersetzt allerdings kein „echtes“ DWH, bei dem die Cubes vorberechnet und persistiert d.h. in der Datenbank gespeichert werden und daher mit viel größeren Datenmengen umgehen können.