OLAP – Online Analytical Processing: Analyse in vielen Dimensionen

Wenn Manager Entscheidungen treffen müssen, greifen sie gern zum Würfel. Der Würfel ist die Datendarstellungsform, die dem Online Analytical Processing (OLAP) zugrunde liegt. OLAP dient zur mehrdimensionalen Visualisierung großer Datenmengen. Es handelt sich um ein reines Analyseverfahren. Das unterscheidet OLAP vom Online Transactional Processing (OTAP).

Unter Online Analytical Processing (OLAP) versteht man Business-Intelligence-Systeme, die schnell wachsenden Datenbestände sichtbar machen, und zwar in mehreren Dimensionen. Die Daten können aus einer Datenbanken kommen, einem Data Warehouse (DWH). OLAP-Systeme können aber auch Daten aus operativen Systemen erfassen. OLAP zählt zum Funktionsumfang vieler aktueller BI-Systeme. Unternehmer, die einen Bogen um Markt-Schwergewichte wie SAP oder Oracle meiden, finden allerdings auch reine OLAP-Anwendungen auf dem Markt.

Der Arbeitsprozess von OLAP wird als ETL bezeichnet werden. Das Kürzel steht für die drei Bestandteile des Verarbeitungsprozesses:

• E = Extraktion: Das Herauslesen relevanter Daten aus den verschiedenen Datenquellen.
  
• T = Transformation: Daten bearbeiten und in das Format der Zieldatenbank übersetzen.
  
• L = Load: Das Abspeichern in der Zieldatenbank im Data Warehouse.
  

Technik: MOLAP vs. ROLAP

Je nach Speichertechnik unterscheidet man verschiedene OLAP-Verfahren. Schreibt das System die Daten in eine lokale Datenbank auf dem Desktop-PC, dann spricht man von Desktop Online Analytical Processing (DOLAP). Gebräuchlicher sind andere Verfahren:

1. MOLAP (Multidimensional Online Analytical Processing): Beim MOLAP werden Daten in multidimensionaler Form gespeichert. Der Würfel wird dabei in eine Matrix überführt. Der Vorteil dieser Technik liegt in kurzen Zugriffszeiten, die aus technischen Gründen allerdings mit den Datenmengen steigen. Außerdem erfordert MOLAP spezielle Datenbanktechnik.
   
   
2. ROLAP (Relational Online Analytical Processing) greift auf herkömmliche relationale Datenbanken zurück, wie sie wohl in jeder IT-Umgebung zur Verfügung stehen. Die Datenbanken werden dabei untereinander verknüpft. ROLAP empfiehlt sich vor allem für große Datenmengen, bei denen das Verfahren einen Geschwindigkeitsvorteil gegenüber MOLAP bietet.
   

OLAP in der Praxis

Beispiel: Ein Versicherungsunternehmen verkauft verschiedene Versicherungsprodukte über mehrere Vertriebskanäle (zum Beispiel Internet, Makler oder Filialen). Nun braucht das Management eine Auswertung, wie sich die Umsätze für die einzelnen Produkte nach Vertriebskanal über das vergangene Kalenderjahr entwickelt haben.

Das Unternehmen braucht also eine Darstellung, die drei Kennzahlen verknüpft:

1. Produkt
   
2. Vertriebskanal
   
3. Zeit
   

Beim OLAP entsteht in diesem einfachen Beispiel aus den drei abgefragten Daten ein Würfel mit drei Dimensionen (Achsen). Grundsätzlich ermöglicht OLAP aber Würfel mit einer beliebigen Anzahl von Dimensionen. Die Zahl der Dimensionen richtet sich einzig nach der Anzahl der Auswahlkriterien. Sie können durch Hierarchien weiter unterteilt werden.

Das OLAP-System ermöglicht nun weitere Bearbeitungsschritte. Die wichtigsten betrachten wir an unserem Beispiel:

• Slicing / Slicen: Ausschneiden von einzelnen Scheiben. Das Unternehmen könnte sich nur den Absatzverlauf von Hausratversicherungen nach Vertriebskanal und Zeit ansehen.
  
  
• Dicing / Dicen: Beim Dicen betrachtet das Unternehmen nur einen Ausschnitt aus dem Würfel, beipsielsweise die Entwicklung des Geschäfts mit KFZ-Versicherungen in den Herbstmonaten im Internet.
  
  
• Drill-Down: "Hineinzoomen" in den Würfel auf eine niedrigere Hierarchiestufe. Unser Versicherer könnte beispielsweise Umsatzverläufe nach Tagen analysieren wollen, statt nach Monaten.
  
  
• Roll-Up: Gegenteil des Drill-Down.
  

Anforderungen an OLAP-Systeme

Bei der Entscheidung für ein OLAP-System sollten Unternehmen auf einige grundlegende Anforderungen achten:

• Verwaltung großer Datenbestände
  
• Bewerkstelligung komplexer Abfragen
  
• Analysefunktionalität (z.B. statistische Rechnungen, what-if-Analysen)
  
• Konzeptionelle Multidimensionalität
  
•  Benutzerfreundlichkeit (auch ohne Programmierkenntnisse sollten die Anwendungen ausführbar sein → SQL-Kenntnisse sind erforderlich, denn sie dient als Abfragesprache)

Eine Übersicht für Business-Intelligence-Software-Lösungen finden Sie hier >>

letzte Änderung W.V.R. am 09.09.2019 Autor(en):  Wolff von Rechenberg Quelle:  tecchannel.de, Institute for Information Business (Wien) Bild:  panthermedia.net / dearza

Drucken

Autor:in

	Herr Wolff von Rechenberg Wolff von Rechenberg betreut als Redakteur die Fachportale der reimus.NET sowie das Controlling-Journal. Der gelernte Zeitungsredakteur arbeitete als Wirtschafts- und Verbraucherjournalist für verschiedene Onlinemedien und versorgt seit 2012 die Fachportale der reimus.NET mit News und Fachartikeln.
Homepage | Profil | weitere Fachbeiträge | Forenbeiträge | Blog | Fotogalerie | Google