Die Grundlage für profunde unternehmerische Entscheidungen bilden Daten und deren Auswertung. Der Datenverarbeitungsprozess mittels Online Analytical Processing (OLAP) beschreibt Technologien, Methoden sowie Tools, die eine unmittelbare Analyse multidimensionaler Informationen ermöglichen. OLAP wird zu den analytischen Informationssystemen gezählt und den hypothesengestützten Analysemethoden zugeordnet. Mithilfe von OLAP kann eine Analyse nach verschiedenen Gesichtspunkten durchgeführt werden; wobei die multidimensionale Betrachtung von Daten im Fokus steht.

Die Wirkungsweise von OLAP lässt sich am Besten durch ein Beispiel veranschaulichen: Ein Online-Shop verkauft zehn verschiedene Teesorten. Zu den relevanten Daten zählen vornehmlich der Umsatz jeder Sorte in einem bestimmten Zeitraum, beispielsweise pro Monat. Die Teesorten sind noch in zwei Produktgruppen geteilt, Kräutertees und Schwarztees, was wiederum die Information generiert, wieviel Umsatz jede Produktgruppe macht. Auch der Faktor Zeit ist hierarchisch unterteilt, und zwar in Jahren, Quartalen und Monaten. Die Tees werden im Raum DACH vertrieben, also in Deutschland, Österreich und in der Schweiz. Auch diese Daten werden einbezogen, was ersichtlich macht, wo welcher Tee wieviel Umsatz generiert – ortsbezogene Daten können dabei weiter hierarchisiert werden, indem man die einzelnen Regionen der Länder zu den bestehenden Daten aufnimmt. Hinzu kommen weitere Möglichkeiten, Datensätze detailliert zu extrahieren: Beispielsweise können einzelne Aufträge nach der Bestellart unterteilt werden; wurde per Telefon, Bestellformular oder direkt im Onlineshop bestellt.

Wichtig: Auch wenn die Datensätze auf den ersten Blick simpel erscheinen, ist eine multidimensionale Datenbankanalyse recht anspruchsvoll. So kann eine solche Auswertung im Zuge einer Musteranalyse, kurz Data Mining, oder Data Mart, einer Teildatenbankauswertung innerhalb eines Data Warehouse, abgewickelt werden. In der Regel bezieht ein solches Datenverarbeitungssystem die benötigten Daten aus einem Data Warehouse – auch weil die Informationen meist aus verschiedenen operativen Datenbanksystemen eines Unternehmens stammen.

OLAP in der Intralogistik

Wenn nun die Logistik optimiert werden soll, wertet man aus, wo es am wirtschaftlichsten wäre, die Teesorten zu lagern oder am welchem Lagerort welche Sorte in welcher Menge vorrätig sein muss. Die dafür nötigen Kennzahlen werden unter verschiedenen Gesichtspunkten analysiert, die auch Dimensionen genannt werden. Sie stellen mit den beschriebenen Hierarchien einen weiteren typischen Begriff dar. Will man etwa wissen, wieviel Kräutertee im Salzburger Land verkauft wird, setzt man einen interaktiven Abfrageprozess in Gang, woraufhin die Auswertung ad hoc erfolgt und diese die Grundlage für die Entscheidung bildet, ob zum Beispiel standortbedingt ein grenznahes Lager bezogen wird (siehe dazu auch Key Performance Indicators – KPI)

OLAP und die Nachteile in der Logistik

Die Abfrage via OLAP unter verschiedenen Analysegesichtspunkten ist zwar hilfreich, weil sich beispielsweise ein Produktmanager für andere Kennzahlen interessiert als ein Bereichsleiter. Doch betrachtet man die vorhandenen Kennzahlen innerhalb eines Lagerverwaltungssystems, greift OLAP grundsätzlich auf Datensätze zu, die bereits kombiniert oder zumindest aus mehreren Quellen konsolidiert wurden. Zudem stellt ein Data Warehouse Informationen in unterschiedlichen Formaten zur Verfügung. Ist in der Folge die Analyse selbst komplex und werden große Datenmengen benötigt, können Datenbanken längere Zeit blockiert sein (siehe oben Data Mart). Ein Grund, warum solche Analysen meist lokal laufen.

Der OLAP-Würfel / OLAP-Cube

Die Struktur, die OLAP anschaulich macht, wird in der Regel mit dem OLAP-Würfel, auch OLAP-Cube genannt, visualisiert. Bei diesem mehrdimensionalen Würfel werden die Daten als Elemente angeordnet, gespeichert und seine Dimensionen (Eigenschaften) stehen für die jeweilige Ausprägung einer Abfrage; welche wiederum als Achse den Absatz, Nettoumsatz, Preis, Produkt oder etwa die Region umfassen kann. Innerhalb dieses Würfels werden die benötigten Kennzahlen als Fakten bezeichnet, die quantitativ erfassbare Sachverhalte in konzentrierter Form verdichten und wiedergeben. Sie werden innerhalb von Ausprägungen an sogenannte Knotenpunkte (siehe Abbildung) festgelegt und ermöglichen so verschiedene Grundoperationen, bei denen Daten aus den verschiedenen Perspektiven analysiert werden können. Sprich, durch die Selektion einer bestimmten Perspektive oder eines Detaillierungsgrades sind Reports und Auswertungen mit unterschiedlicher Aussagekraft erstellbar. Kriterien lassen sich zudem fast beliebig miteinander kombinieren*.

 

Zusammenfassung

OLAP-Systeme dienen der Entscheidungsfindung in einem Unternehmen, indem sie vorhandene Daten von unterschiedlichen Gesichtspunkten aus analysieren und auswerten können. Die an das System gestellten Fragen leiten sich von einer Hypothese ab, die bestätigt oder widerlegt wird. In diesem Zusammenhang bildet der Datenverarbeitungsprozess oftmals die technologische Basis für Business-Intelligence-Anwendungen.

* Big Data Insider – was ist ein OLAP Cube

Teaserbild: Nick Youngson / CC BY-SA 3.0

ITWissen: Grundlage OLAP-Cube