Geo-Analyse 2.0 kurz und knapp

Die für DeltaMaster 6 komplett neu entwickelte Geo-Analyse ist ein leistungsfähiges und ungemein präsentationswirksames Feature. Es kombiniert Flächenfärbung und koordinatenbasierte Darstellung von Objekten und -clustern und verwendet dabei optional sowohl lokale Karte als auch Online-Dienste. Dieser Artikel liefert eine Kurzübersicht weiterlesen…

Kontexteinstellungen in DeltaMaster – Eine Übersicht

Dieser Blogbeitrag beschäftigt sich mit den verschiedenen Einstellungen in DeltaMaster, welche zur Komplexitätsreduktion beim Berichtsbau und Analysieren beitragen können. Konkreter geht es darum, wie man definiert, welche Objekte in der Filterleiste zu sehen sind, an welcher Stelle festgelegt wird, anhand weiterlesen…

Netzwerk-Visualisierung in DeltaMaster – How To

In diesem Beitrag wird ein Feature der Pivotnavigation präsentiert, welches es erlaubt Zusammenhänge in Netzwerken graphisch darzustellen, hierzu zählen z.B. Prozessschritte, Lieferketten sowie die Verbreitung von Nachrichten in sozialen Netzwerken. Mit der Netzwerk-Visualisierung können nicht nur one-to-many-Beziehungen zwischen Elementen visualisiert weiterlesen…

Kontenschema als Parent-Child-Dimension

Dieser Beitrag erläutert, wie eine Kontenstruktur als Dimension in ein OLAP-Modell aufgenommen werden kann. Bei Kontenschemata handelt es sich häufig um eine Parent-Child-Struktur. Daher lässt sich diese per SQL-Skript so anpassen, dass sie als Quell-Tabelle bzw. -View für das Modell genutzt werden kann. Zudem wird gezeigt, wie die erstellte Parent-Child-Dimension sich in DeltaMaster ETL einpflegen lässt. weiterlesen…

DeltaMaster-Excel-Hybrid

Mitunter werden im Projektalltag von Kunden Anforderungen an uns herangetragen, die man eigentlich ablehnen müsste: unrealistische Erwartungen und überambitionierte Ziele, knappe Zeitpläne oder inhaltliche Anforderungen, die nur schwer mit unserer BI- und Produktphilosophie vereinbar sind. Dies sind nur einige Gründe, die bei gewissenhaften Consultants und Projektleitern die Alarmglocken läuten lassen, denn es drohen Druck, Stress und möglicherweise Ärger und Imageverlust.

Doch was tun, wenn der Kunde wichtig, die Geschäftsbeziehung langjährig und das Gesamtpotential hoch sind? Manchmal helfen pragmatische, unter Umständen auch unkonventionelle Lösungen. Es klingt auf den ersten Blick mindestens überraschend, dem Gesprächspartner, der uns als „The DeltaMaster Company“ sieht, zur Abbildung seiner Anforderung Excel zu empfehlen. Wenn jedoch dadurch eine Win-Win-Situation für alle Beteiligten entsteht, DeltaMaster als Reporting- und Visualisierungsstandard gefestigt und wir als leistungsfähiger Problemlöser bestätigt werden, gilt meines Erachtens: Der Zweck heiligt die Mittel.

Der folgende Artikel beschreibt, wie bei der regionalen Vertriebsniederlassung eines deutschen Automobilherstellers in Südostasien ein komplexes Bonus-/Prämiensystem für dessen externe Geschäftspartner auf der Basis dessen klassischer Data-Warehouse-Architektur (Microsoft SQL Server Analysis Services und DeltaMaster) unter Zuhilfenahme von Microsoft Excel implementiert wurde. weiterlesen…

Dimension Writeback in Analysis Services

Wenn in BI-Projekten Stammdaten nicht nur aus existierenden Vorsystemen versorgt werden sollen, sondern auch das Anlegen neuer Elemente oder das Verändern von Eigenschaften durch den Anwender direkt in DeltaMaster gefordert wird, bedeutet dies zusätzlichen Aufwand bei der Implementierung und eingeschränkten Bedienkomfort für den Anwender.

Microsoft Analysis Services bietet dazu unter dem Begriff „Dimension Writeback“ einen vermeintlich vielversprechenden Lösungsansatz an, der bei uns jedoch bislang keine Anwendung findet. Was steckt dahinter, wie funktioniert das Ganze und was spricht für oder gegen den Einsatz? weiterlesen…

Das kleine Einmaleins der Aggregation

Seit inzwischen mehr als zwanzig Jahren ist OLAP (Online Analytical Processing) die bevorzugte Datenbanktechnologie für die meisten Business-Intelligence-Systeme. Begründet wurde das Konzept der „dimensionalen“ Datenhaltung maßgeblich durch den US-Akademiker E.F. Codd, der auch als geistiger Vater der relationalen Datenbanken gilt. Nachdem letztere bereits etwa drei Jahrzehnte lang vor allem für transaktionsorientierte Systeme im Praxiseinsatz waren, reifte die Erkenntnis, dass für analytische Fragestellungen andere Ansätze erforderlich sind, die weniger auf die Verarbeitung atomarer Vorgänge ausgerichtet sind, sondern für die flexible und performante Aggregation großer Datenmengen optimiert sind. weiterlesen…

Clustervergleich

„Analysieren heißt Vergleichen“ – so steht es seit jeher in den Business-Intelligence-Lehrbüchern. Die gebräuchlichsten Varianten in betriebswirtschaftlichen Anwendungen sind dabei Zeitvergleiche (Vorjahr, Vorperiode) und Szenariovergleiche (Plan vs. Ist).

Doch was tun, wenn das vorliegende Datenmaterial keine ausreichende Grundlage für diese typischen Vergleiche liefert, die erforderlichen Zahlen mit unverhältnismäßig hohem Aufwand beschafft werden müssten oder schlicht „nicht belastbar“, d. h. von zweifelhafter Qualität sind? Welche anderen Möglichkeiten, z. B. Geschäftseinheiten sinnvoll miteinander zu vergleichen, gibt es? Ein möglicher Ansatz ist die Bildung von Gruppen und der Vergleich des jeweiligen Einzelobjekts mit seinem Cluster. Häufig sind derartige Klassifizierungen sogar bereits in den Vorsystemen enthalten und müssen lediglich genutzt werden. Dieser Artikel zeigt einen einfachen Weg, wie das passieren kann. weiterlesen…

Doppelte Bande mit m:n-Beziehungen

MeasureGroups in Analysis-Services-Datenmodellen sind grundsätzlich autarke Konstrukte, die nur über ihre gemeinsamen Dimensionen zueinander im Kontext stehen. Diese Verknüpfungen müssen dazu nicht einmal explizit definiert werden. Das ist aus Modellierungssicht sehr praktisch, denn existierende Systeme können so ohne negative Auswirkungen nahezu beliebig erweitert werden. Auch für den Anwender ist die Logik leicht zu handhaben: Eingestellte Filter, z.B. die Auswahl eines Monats oder eines Vertriebsgebiets, wirken global und damit auf alle betroffenen MeasureGroups.

Wenn jedoch einzelne MeasureGroups inhaltlich zusammenhängen, d.h. 1:n-Beziehungen zwischen Bewegungsdaten bzw. Faktentabellen existieren, ist dieser Ansatz nicht frei von Tücken. Hierfür gibt es viele Praxisbeispiele:

• Aufträge/Rechnungen und deren Positionen
• Supporttasks und -aktivitäten (Vorgänge mit unterschiedlichen Bearbeitern)
• Kunden und Verträge bei Energieversorgern (Gas, Wasser, Strom)
• Verkäufe und Kaufgründe (Microsofts Referenzbeispiel in der Adventure-Works-Demo)
• Umfragen mit Mehrfachnennungen bei Einzelfragen („Welche Hobbys haben Sie?“)

Derartige Szenarios sind für den versierten OLAP-Modellierer bzw. DeltaMaster-Modeler-Anwender prädestinierte Anwendungsfälle für Microsofts genialen Ansatz der m:n-Beziehungen zwischen MeasureGroups, um die Merkmale (Dimensionen) der detaillierteren (n-)MeasureGroup auch für die Measures der übergeordneten (1-)MeasureGroup auswerten zu können. Analysis Services verhindert dabei automatisch Doppelzählungen, indem eine Art Distinct-Count-Logik zur Anwendung kommt. Hierüber wurde bereits in einem früheren Beitrag geschrieben: „n-m Beziehung Dimensionsverknüpfung“ (25.09.2009).

Die Realität liefert jedoch auch kompliziertere Beispiele. Kürzlich war ich bei der spanischen Tochter meines Automobilkunden zu Gast, und im Bereich Aftersales sollten Werkstattdaten analysiert werden. Es lagen Daten zu Rechnungen, Arbeitspositionen und Teilepositionen vor: weiterlesen…