Business intelligence - Cheatsheet

Definition und strategische Bedeutung von Business Intelligence

Definition:

BI ist der Prozess der Gewinnung und Analyse von Daten, um fundierte Geschäftsentscheidungen zu treffen. Strategische Bedeutung: BI hilft Unternehmen, Wettbewerbsfähigkeit zu sichern und Geschäftsergebnisse zu optimieren.

Details:

• Datenquellen: interne und externe Daten
• Datenaufbereitung: ETL-Prozesse (Extraktion, Transformation, Laden)
• Analysewerkzeuge: OLAP, Data Mining, Reporting
• Ergebnisse: Dashboards, Berichte, KPIs
• Nutzung in: Entscheidungsfindung, Marktanalyse, Performance-Überwachung
• Vorteile: schnellere Entscheidungen, vorausschauende Analysen, bessere Ressourcennutzung

ETL-Prozesse (Extract, Transform, Load)

Definition:

ETL-Prozesse: Extraktion, Transformation und Laden von Daten aus verschiedenen Quellen in ein Data Warehouse.

Details:

• Extract: Daten aus verschiedenen Quellen sammeln und extrahieren.
• Transform: Datenbereinigung, -anreicherung und -transformation zur Anpassung an Zielformate.
• Load: Transformierte Daten in das Ziel-Datenbanksystem laden.
• Ziel: Konsolidierte und integrierte Daten für Analysen und Reporting bereitstellen.

Konzepte und Architektur von Data Warehouses

Definition:

Konzepte und Architektur von Data Warehouses beinhalten die strukturierte Sammlung und Verwaltung großer Datenmengen aus verschiedenen Quellen, um datengetriebene Entscheidungen zu unterstützen.

Details:

• Einteilung in Schichten: Datenquelle, Staging, Datenlager, Data Marts
• ETL-Prozess (\textbf{E}xtract, \textbf{T}ransform, \textbf{L}oad): Datenextraktion, -transformation und -ladung
• Datenspeicherung: Normalisierung, Denormalisierung, Stern- und Schneeflockenschema
• Online Analytical Processing (OLAP): Multidimensionale Abfragen für Datenanalyse
• Wichtig für Decision Support Systems (DSS)
• Metadata und Data Governance für Datenmanagement

OLAP (Online Analytical Processing) und seine Vorteile

Definition:

Methode zur schnellen Auswertung und Analyse großer Datenmengen in multidimensionalen Datenbanken.

Details:

• Bietet multidimensionale Sichten auf die Daten (Würfelstruktur)
• Unterstützt komplexe Abfragen (Slices, Dices, Drills)
• Ermöglicht schnelle Aggregationen und Berechnungen
• Vorteile: Zeitersparnis, bessere Entscheidungsgrundlage, höhere Datenqualität
• Anwendung: Finanzanalyse, Vertriebsprognosen, Marktforschung

Data Mining-Methoden: Klassifikation, Clusterbildung, Assoziationsanalyse

Definition:

Datenanalyse-Techniken für Mustererkennung und Wissensextraktion aus großen Datenmengen

Details:

• Klassifikation: Zuweisung von Daten zu vordefinierten Kategorien
• Vorhersagemodelle: z.B. Entscheidungsbäume, Neuronale Netze
• Clusterbildung: Gruppierung ähnlicher Datenpunkte
• Techniken: k-Means, hierarchisches Clustering
• Assoziationsanalyse: Identifizierung von Beziehungen und Mustern zwischen Variablen
• Regelbasierte Methoden: z.B. Apriori-Algorithmus, FP-Growth

Techniken zur Datenvisualisierung und Erstellung interaktiver Dashboards

Definition:

Techniken zur Erstellung von visuellen Darstellungen von Daten und zur Entwicklung interaktiver Dashboards.

Details:

• Datenvisualisierungstools: Tableau, Power BI, QlikView.
• Typen von Visualisierungen: Balkendiagramme, Liniendiagramme, Kreisdiagramme, Streudiagramme.
• Dashboard-Design-Prinzipien: Klarheit, Konsistenz, Benutzerfreundlichkeit.
• Datenintegration: Verbindung zu verschiedenen Datenquellen (SQL, Excel, Cloud-Datenbanken).
• Interaktive Features: Drill-Down, Filter, Echtzeit-Datenaktualisierung.
• Wichtige Metriken und KPIs festlegen.

Vergleich von BI mit verwandten Disziplinen (z.B. Data Science, Analytics)

Definition:

Vergleich von Business Intelligence (BI) mit verwandten Disziplinen wie Data Science und Analytics - knapp und prägnant, wie auf einem Spickzettel;

Details:

• Business Intelligence (BI): Sammlung, Aufbereitung und Analyse von Daten, um Geschäftsentscheidungen zu unterstützen.
• Data Science: Interdisziplinäres Feld, das statistische Methoden, Algorithmen und Technologie einsetzt, um Wissen aus Daten zu extrahieren.
• Analytics: Anwendung mathematischer und statistischer Methoden auf Daten, um Muster und Trends zu erkennen.
• Gemeinsamkeiten: Alle konzentrieren sich auf Datenanalyse und Entscheidungsunterstützung.
• Unterschiede: BI - Fokus auf vergangene und gegenwärtige Daten; Data Science - Fokus auf Prognosen und maschinelles Lernen; Analytics - Breitere Anwendung, oft spezialisierte Analysen.

Best Practices für Betrieb und Wartung von Data Warehouses

Definition:

Best Practices für Betrieb und Wartung von Data Warehouses: Set von Methoden und Techniken zur effizienten Verwaltung und Optimierung der Leistung eines Data Warehouses.

Details:

• Automatisierung von ETL-Prozessen: Reduziert manuelle Fehler und erhöht Effizienz.
• Regelmäßige Datenbereinigung: Verbessert Datenqualität und Zuverlässigkeit.
• Monitoring und Performance-Tuning: Überwachen der Systemleistung; Anpassung von Indizes und Abfragen bei Bedarf.
• Sicherheitsmaßnahmen: Implementierung von Zugangskontrollen und Verschlüsselung.
• Backup und Wiederherstellung: Regelmäßige Backups zur Datensicherung und Notfallwiederherstellung.
• Skalierbarkeit: Nutzung einer skalierbaren Infrastruktur zur Bewältigung von wachsender Datenmenge.
• Dokumentation und Schulung: Sicherstellung, dass alle Anpassungen dokumentiert werden und das Personal geschult ist.