Dimensionen-Kennzahlen-Zusammenhangschema der BI (Business Intelligence)

Zu den vorgestellten Darstellungsformen sollte eine Datensicht entworfen werden, welche die Zusammenhänge zwischen Kennzahlen und Dimensionen darstellt, das sogenannte Dimensionen-Kennzahlen-Zusammenhang-Schema (DKZS). Verbindet man die Dimensionsschemen in einem DKZS, so entsteht ein multidimensionaler Datenwürfel. Diesen Datenwürfel grafisch darzustellen bringt einige Schwierigkeiten mit sich, vor allem der Übersichtlichkeit und der Transparenz der Zusammenhänge wegen. Dieses DKZS kann durch ein ERM dargestellt werden.

Abbildung 4-19 Dimensionen-Kennzahlen-Zusammenhang-Schema

Haben mehrere Kennzahlen die gleichen Dimensionen, so können diese auch in demselben mehrdimensionalen Datenwürfel dargestellt werden. Werden für Kennzahlen andere Dimen­sionen benötigt, so muß für diese Kennzahlen ein neuer Datenwürfel modelliert werden. Überschneiden sich die Dimensionen mehrerer Datenwürfel, so können diese Datenwürfel wieder über die gemeinsamen Dimensionen in Beziehung (OLAP-Join) gesetzt werden.113 Dadurch entsteht ein großes mehrdimensionales Geflecht.

Die Darstellung eines solchen EERM bis in alle Details - mit allen Dimensionsschemata, Kennzahlenschemata und Produkthierarchien - würde die Darstellungsform sehr schnell un­übersichtlich werden lassen. Deshalb setzen die meisten Unternehmen ab diesem Zeitpunkt mit der logischen Datenmodellierung fort. Damit aber die semantische Datenmodellierung vollständig ist, sollte eine Lösung der semantischen Datenmodellierung gefunden werden. Im folgenden wird ein vereinfachtes semantisches Datenmodell vorgeschlagen, welches der vollständigen semantischen Datenmodellierung näher kommt.

Für das folgende Datenmodell wird zur Vereinfachung ein RMS mit nur folgenden Kennzah­len angenommen: Gewinn, RORAC, Cash Flow und Shareholder Value. Im Mittelpunkt der Modellierung soll das Produkthierarchieschema und das Kennzahlenschema stehen, da diese zwei Dimensionen besonderer Bedeutung im Unternehmen bzw. RMS zukommt. Der Vorteil bei dieser Methode ist, daß die Kennzahlen bis in die atomaren Daten aufgespalten werden und auch die Produkte bis in das kleinste Einzelteile dargestellt werden. Diese atomaren Daten können dann in den operativen IS identifiziert werden. Die übrigen Dimensionen werden in diesem Modell gesondert modelliert und mit den Kennzahlen durch Auflistung in Beziehung gestellt. Diese Aufteilung ist auch deshalb sinnvoll, weil in den operativen IS kein Zeit­bezug, Regionenbezug und Kundenbezug modelliert ist, sondern erst durch die Verbindung der DBS entstehen. Die Konsolidierung und Aggregation der Daten erfolgt erst nach dem Filtern der atomaren Daten aus den operativen IS. Die Beziehungen zu diesen Dimensionen werden aber trotzdem in den Kennzahlen mit eingebracht. Dadurch gehen auch der Informationsgehalt und die Mehrdimensionalität nicht verloren.

Abbildung 4-20 Vorschlag für ein Semantisches Unternehmensdatenmodell

Dieses Datenmodell kann in ein logisches relationales oder ein multidimensionales Datenmodell überführt werden. Beispielsweise werden in einem Star-Schema die Dimensionsschemen in Dimensionstabellen und das DKZS in einer Faktentabelle abgebildet.


(Auszug aus der Diplomarbeit von Ralph Leipert: "Analytische Informationssysteme als Basis des Risikomanagement der Unternehmung")


113 Vgl.: Gabriel, R. / Gluchowski, P. (1997), S.26