management informationssysteme 2 seminar kennzahlen management n.
Skip this Video
Loading SlideShow in 5 Seconds..
Management- Informationssysteme 2. Seminar: Kennzahlen & Management PowerPoint Presentation
Download Presentation
Management- Informationssysteme 2. Seminar: Kennzahlen & Management

play fullscreen
1 / 42
Download Presentation

Management- Informationssysteme 2. Seminar: Kennzahlen & Management - PowerPoint PPT Presentation

heba
103 Views
Download Presentation

Management- Informationssysteme 2. Seminar: Kennzahlen & Management

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Management-Informationssysteme2. Seminar: Kennzahlen & Management Dani Fricker Bachelor of Science FH in Business Information Technology Master Principal Sales Consultant @ Oracle (Schweiz) GmbH dani.fricker@gmail.com HöhereFachschulefür Wirtschaftsinformatik HFWI

  2. Agenda • Begrüssung • Vorstellung Dozent • Rekap 1. Seminar • Kennzahlensysteme • Einführung • Balanced Scorecard • Sanitary Wholesales AG (Fallstudie 3)

  3. Management-InformationssystemeEinordnung • 1. Seminar: Grundlagen DB-Management • 2. Seminar: Kennzahlen & Management • 3. Seminar: DWH – Anforderungen • 4. Seminar: Entscheidungsunterstützungs-Systeme

  4. Ziele • Kennen der strategischen Bedeutung und der damit verbundenen Risiken von Management-Informationen (für ein Unternehmen) • Aufzeigen, welche Konsequenzen sich daraus für die Aufbereitung dieser Informationen ergeben • Erarbeiten und Präsentieren von Managment-Informationen

  5. Rekap Block 1 • Grundlagen Daten- & Informationsmanagement? • Grundlagen Datenmodellierung? • OLTP vs. OLAP? • ERM vs. Star/Snowflake?

  6. EntscheidungsunterstützungManagementprozess (PDCA) • Unterstützung • in wiefern? • für welches „Management“? Quelle: Wikipedia

  7. EntscheidungsunterstützungEntscheidungsfindung • Recherche • Alternativengenerierung • Auswahl • Umsetzung Daten? Art der Aufbereitung? Quelle: Laudon/Laudon/Schoder

  8. Du-Pont-SchemaDu Pont de Nemours and Co. Typ der Indikatoren? Zeitliche Dimension?

  9. KennzahlenÜbung 1 • Welche Indikatoren sind für die Erfolgsmessung Deines Jobs / Abteilung / Firma wichtig? • Zeit: 2‘

  10. Balanced ScorecardRobert S. Kaplan/David P. Norton „Balanced Scorecard ist ein Konzept zur Messung, Dokumentation und Steuerung der Aktivitäten eines Unternehmens bzw. einer Organisation im Hinblick auf seine Vision und Strategie“. Quelle: Robert S. Kaplan, David P. Norton, Brigitte Hilgner: Der effektive Strategieprozess: Erfolgreich mit dem 6-Phasen-System. ISBN 978-3-593-38795-6.

  11. Balanced ScorecardBestandteile

  12. Balanced ScorecardÜbung 2 (Gruppenarbeit) • Fülle die Matrix aus • Interpretiere Dein Resultat (-> KPI‘s) • Überlege eine sinnvolle Gestaltung des Resultates • Präsentiere Deine Lösung • Zeit: 15‘ + Präsentation 3‘

  13. Balanced ScorecardLösungsvorschlag

  14. Balanced ScorecardPraxisbeispiel (1/2)

  15. Balanced ScorecardPraxisbeispiel (2/2)

  16. Balanced ScorecardKritischeWürdigung • + ? • - ?

  17. Sanitary Wholesales AG Fallstudie 3a (Gruppenarbeit)

  18. Management-Informationssysteme3. Seminar: Anforderungen Data Warehouse Dani Fricker Bachelor of Science FH in Business Information Technology Master Principal Sales Consultant @ Oracle (Schweiz) GmbH dani.fricker@gmail.com HöhereFachschulefür Wirtschaftsinformatik HFWI

  19. Agenda • Rekap 2. Seminar • Data Warehouse • Anforderung und Einsatzgebiet • Aufbau • Datenmodellierung • Datenbereiche • Prinzipien der Modellierung • Integration • Sanitary Wholesales AG (Fallstudie 3c)

  20. Ziele • Anforderungen und Einsatzgebiet eines Data-Warehouses kennen • Prinzipien der Daten-Modellierung verstehen • ETL-Prinzip kennen

  21. Rekap 2. Seminar • Erkläre die Perspektiven der Entscheidungsfindung • Art der Entscheidung • Organisationsebene • Was ist der Zweck einer Balanced Scorecard? • Zeichne eine Balanced Scorecard nach Norton/Kaplan an das Whiteboard • Besprechung Fallstudie

  22. Data Warehouse

  23. Data WarehouseDefinition ”A Data Warehouse is a subject-oriented, integrated, time-variant, nonvolatile collection of data in support of management’s decision-making process“ „Ein Data-Warehouse ist eine themenorientierte, integrierte, chronologisierte und persistente Sammlung von Daten, um das Management bei seinen Entscheidungsprozessen zu unterstützen“ Inmon, William.H., Building the Data Warehouse, Wiley & Sons; 2005, ISBN 978-0-471-08130-2

  24. Data WarehouseAnforderung (1/2) • Themenorientiert • Die Auswahl der in das Data-Warehouse zu übernehmenden Daten geschieht nach bestimmten Datenobjekten (Produkt, Kunde, Firma, …), die für die Analysen von Kennzahlen für Entscheidungsprozesse relevant sind, nicht hingegen nach operativen Prozessen. • Integriert • Im Data-Warehouse werden die in verschiedenen (operativen) Quellsystemen in meist heterogenen Strukturen vorliegenden ausgewählten Daten in vereinheitlichter Form gehalten.

  25. Data WarehouseAnforderung (2/2) • Chronologisiert • Analysen über zeitliche Veränderungen und Entwicklungen sollen im Data-Warehouse ermöglicht werden; daher ist die langfristige Speicherung der Daten im Data-Warehouse nötig (Einführung der Dimension "Zeit"). • Persistent • Daten werden dauerhaft (nicht-flüchtig) gespeichert.

  26. Data WarehouseAufbau Venustas (Vitruvius Pollio, ~ 70 – 10 v. Chr.) Die Architektur genügt den Ansprüchen, wenn sie nützlich, robust, anmutig oder schön ist. Fensterbusch, C.: Vitruvii de architectura libri decem. / Vitruv. Zehn Bücher über Architektur. Primus, 1996, ISBN 3-89678-005-0. ”Bei einer Referenzarchitektur handelt es sich um eine IT-Architektur, die vereinheitlichend für die IT-Architektur einer Gruppe von Informationssystemen steht. Eine Referenzarchitektur unterscheidet sich dabei insbesondere anhand ihres Abstraktionsniveaus und ihres Verwendungszwecks von einer herkömmlichen IT-Architektur” Dern, G.: Management von IT-Architekturen. Leitlinien für die Ausrichtung, Planung und Gestaltung von Informationssystemen, Vieweg+Teubner, 2009, ISBN: 978-3-834-80718-2

  27. Data WarehouseReferenz-Architektur (Beispiel)

  28. Datenmodellierung

  29. Datenbereiche (1/2)

  30. Datenbereiche (2/2)

  31. DatenmodellOLTP vs. OLAP „Entity relationship modeling is used for OLTP, or transactional databases, requiring a large number of small operations. Data warehouses, on the other hand, require small numbers of large transactions for data loading and reporting.“ „Das relationale Datenmodell wird für OLTP oder transaktionale Datenbanken verwendet, die eine grosse Anzahl von Transaktionen mit geringem Datenvolumen zu verarbeiten haben. Data-Warehouses hingegen verarbeiten eine kleine Anzahl Transaktionen mit grossem Datenvolumen zu Analyse- und Berichtszwecken“ Quelle: Powell, G.: Oracle Data Warehouse Tuning for 10g, The Basics of Data Warehouse Modelling, Digital Press, 2005, 978-1-555-58335-4, S. 3 ff

  32. DatenmodellMultidimensionalität „Die Art der logischen Anordnung qualitativer Grössen bzw. betriebswirtschaftlicher Variablen (wie z.B. Umsatz- oder Kostengrössen), die durch mehrere sachliche Kriterien (wie z.B. Perioden, Kunden, Artikel, Niederlassungen oder Regionen) beschrieben sind.“ Quelle: Gabriel, R., Röhrs, H-P.: Gestaltung und Einsatz von Datenbanksystemen, Springer, 2003, ISBN: 978-3-540-44231-8, S. 337

  33. DatenmodellVon Sternen und Schneeflocken (1/2) • Fakten-Tabellen • Beinhaltet Messwerte oder Kennzahlen, z.B. Profitabilität, Umsatz, Kosten, ... Wenig aussagekräftig. • Dimensionen-Tabellen • Für die einzelnen Dimensionen, innerhalb derer die Fakten analysiert werden sollen, wird dem Schema eine Dimensionentabelle angefügt (Sternen-Schema). • Normalisierung • Durch die Normalisierung entsteht für jede Hierarchiestufe einer Dimension eine eigene Tabelle und führt zu kleineren und besser strukturierten Datenmengen (Schneeflocken-Schema)

  34. DatenmodellVon Sternen und Schneeflocken (2/2)

  35. DatenmodellVon Sternen und Schneeflocken - Zusammenfassung

  36. DatenmodellPraxisbeispiel: Oracle Financial Services Data Model

  37. Integration

  38. ETL-ProzessDefinition • Extract – Transfer – Load „drei Datenbank-Funktionen, die zu einem Werkzeug kombiniert werden, welches Daten aus einer Datenbank herauszieht, um sie anschliessend in eine andere Datenbank einzufügen“

  39. ETL-ProzessDefinition • Extract • Die Daten werden aus einer Datenbank ausgelesen. • Transfer • Die vorab ausgelesenen Daten werden konvertiert, um sie zur Speicherung in der Zieldatenbank vorzubereiten. Die Daten der ursprünglichen Datenbank können dabei regelbasiert, durch Verwendung von Konfigurationstabellen oder durch Anreicherung mit zusätzlichen Daten aus weiteren Systemen erweitert werden. • Load • Die transformierten Daten werden in die Zieldatenbank geladen

  40. ETL-ProzessQuellsysteme Performance Management (unvollständig)

  41. ETL-ProzessTransformation Performance Management (unvollständig)

  42. Sanitary Wholesales AG Fallstudie 3c (Gruppenarbeit)