On-Line Analytical Processing

Peter Gluchowski

Moderne Analysetechnologien, die dem Endanwender quantitatives Datenmaterial zur intuitiven Navigation anbieten, basieren heute oftmals auf dem multidimensionalen Gestaltungsparadigma des On-Line Analytical Processing (OLAP), das dem Endanwender flexible Perspektiven auf den vorgehaltenen Datenbestand eröffnet.

Evaluationsregeln

On-Line Analytical Processing repräsentiert eine Software-Technologie, die Managern wie auch qualifizierten Mitarbeitern aus den Fachabteilungen schnelle, interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen ermöglichen soll [Gluchowski, Gabriel, Dittmar 2008, S. 144]. Im Vordergrund stehen dabei dynamische und multidimensionale Analysen auf historischen, konsolidierten Datenbeständen. Durch die gewählte Begrifflichkeit werden OLAP-Systeme bewusst von OLTP-Systemen abgegrenzt, die transaktionsorientiert die Abwicklung der operativen Geschäftstätigkeit unterstützen [Gluchowski, Hofmann 2020, S. 66].

Als Leitbild wurden zwölf Evaluationsregeln [Codd, Codd, Salley 1993] definiert, die bei Erfüllung die OLAP-Fähigkeit von Informationssystemen garantieren sollen:

1. Mehrdimensionale konzeptionelle Perspektiven

2. Transparenz

3. Zugriffsmöglichkeit

4. Stabile Antwortzeiten bei der Berichterstattung

5. Client- / Server-Architektur

6. Grundprinzipien der gleichgestellten Dimensionen

7. Dynamische Verwaltung „dünnbesetzter“ Matrizen

8. Mehrbenutzerfähigkeit

9. Unbeschränkte kreuzdimensionale Operationen über Dimensionen hinweg

10. Intuitive Datenmanipulation

11. Flexibles Berichtswesen

12. Unbegrenzte Dimensions- und Aggregationsstufen

Multidimensionalität

Als zentrales Gestaltungsparadigma entscheidungsunterstützender Informationssysteme postuliert das Konzept des On-Line Analytical Processing (OLAP) die Multidimensionalität [Chamoni, Gluchowski, Hahne 2005, S. 21] und verspricht damit, das Geschäftsverständnis von Fach- und Führungskräften bzw. deren mentales Abbild des eigenen Unternehmens besonders gut zu repräsentieren.

Unter Multidimensionalität ist hierbei eine bestimmte Form der logischen Anordnung quantitativer, betriebswirtschaftlicher Größen zu verstehen, die betriebswirtschaftlich relevantes Zahlenmaterial simultan entlang unterschiedlicher Klassen logisch zusammengehöriger Informationsobjekte aufgliedert und dadurch mit der naturgemäß mehrdimensionalen Problemsicht der Unternehmensanalytiker weitgehend korrespondiert. Bedeutsame Dimensionen sind z. B. Kunden, Artikel und Regionen, entlang derer sich betriebswirtschaftliche Kenngrößen (wie etwa Umsatz oder Deckungsbeitrag) im Zeitablauf untersuchen lassen. Als charakteristisch erweist sich, dass die Elemente einer Dimension hierarchische Beziehungen aufweisen und dadurch Navigationspfade für den Endanwender wie auch Verdichtungspfade für die zugehörigen Zahlenwerte bestimmt werden (Umsatz einer Artikelgruppe als Summe der Umsätze zugehöriger Einzelartikel) [Oehler 2006, S. 136-142].

Versinnbildlicht erscheinen dem Anwender die zu untersuchenden betriebswirtschaftlichen Größen dann als Sammlung multidimensionaler Würfel (Cube oder auch Hypercube) [Baars, Kemper 2021, S. 113].

Navigation

Innerhalb der angelegten und befüllten Würfelstrukturen kann der Anwender frei navigieren und sich beispielsweise beliebige Ausschnitte des Datenbestandes in flexibler Anordnung am Bildschirm durch einfache Mausaktionen anzeigen lassen.

Dazu wird zunächst die Möglichkeit eröffnet, beliebige Elemente der angezeigten Dimensionen ein- oder auszublenden („Ranging“), um sich dadurch auf die besonders interessanten Elemente zu konzentrieren. Überdies ist die Option zur Änderung der Schnittebene durch den Würfel gegeben („Slicing“). Als weitere interaktive Technik steht das Rotieren bzw. Pivotisieren des Datenwürfels („Rotation“) zur Verfügung, bei dem der Datenkubus in alle Richtungen drehbar ist, um aus verschiedensten Perspektiven auf den Informationsfundus blicken zu können [Oehler 2006, S. 27f.].

Zudem wird fast durchgängig die Tiefensuche mittels “Drill-Down” bzw. “Drill-In” unterstützt, indem durch Mausklick weitere Hierarchieebenen bis hinunter auf die Basiselemente und damit auf die atomaren Werte des Zahlenwürfels dargestellt werden können (vgl. Abbildung 1). Ein “Drill-Out” bzw. “Roll-Up” durch das Ausblenden niedrigerer Verdichtungsstufen lässt sich ebenso leicht erzielen.

Abb. 1: Drill-Down-Operation

Speichertechnologien

Bei der Ausgestaltung von OLAP-Systemen nehmen die verwendeten Speicherkomponenten eine zentrale Position ein. Schließlich wird durch die Leistungsfähigkeit der eingesetzten Datenbanksysteme das Antwortzeitverhalten des Gesamtsystems in erheblichem Maße bestimmt. Zudem determinieren die angelegten Datenstrukturen nicht zuletzt die Existenz und Verknüpfbarkeit relevanter Datenobjekte. In Abhängigkeit von der gewählten Architekturform und der Aufgabenstellung können in multidimensionalen Systemumgebungen unterschiedliche Typen von Speicherkomponenten zum Einsatz gelangen.

Einerseits werden spezielle Datenbanksysteme genutzt, die vollständig – auch hinsichtlich der physikalischen Datenorganisation – auf die multidimensionale Denkweise ausgerichtet sind, um zusätzliche Geschwindigkeitsvorteile zu aktivieren (MOLAP). Auf der anderen Seite erfolgt ein Einsatz der aus dem operativen Umfeld bekannten und ausgereiften relationalen Speichertechnologie auch für multidimensionale Anwendungen (ROLAP). Ein simultaner Einsatz von relationalen und multidimensionalen Speichertechnologien in einer Lösung mündet in der Begrifflichkeit hybrides On-Line Analytical Processing (HOLAP).

Literatur

Chamoni, Peter; Gluchowski, Peter; Hahne, Michael: Business Information Warehouse, Berlin u. a.: Springer, 2005.

Codd, Edgar F.; Codd, Sally B.; Salley, Clynch T.: Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT-Mandate. White Paper. o. O. 1993, URL z. B. http://www.uniriotec.br/~tanaka/SAIN/providing_olap_to_user_analysts.pdf, Abruf am 15.01.2019.

Gluchowski, Peter; Hofmann, Marcus: Moderne Technologie- und Architekturkonzepte für Analytische Ecosysteme, in: Steven, Marion; Klünder, Timo (Hrsg.): Big Data – Anwendung und Nutzungspotenziale in der Produktion, Kohlhammer, Stuttgart 2020, S. 58 – 83.

Gluchowski, Peter; Gabriel, Roland; Dittmar, Carsten: Management Support Systeme und Business Intelligence, Computergestützte Informationssysteme für Führungskräfte und Entscheidungsträger. 2. Aufl., Berlin u. a.: Springer, 2008.

Baars, Henning; Kemper, Hans-Georg: Business Intelligence & Analytics – Grundlagen und praktische Anwendungen, Ansätze der IT-basierten Entscheidungsunterstützung, 4. Auflage, Wiesbaden: Springer Vieweg, 2021.

Oehler, Carsten: Corporate Performance Management mit Business Intelligence Werkzeugen. München, Wien: Hanser, 2006.