Zielgruppen dieses Fachbuches sind neben Studierenden insbesondere Unternehmen, welche die Einführung eines Data-Warehouse-Systems (DWH) planen oder in der Implementierungsphase Hilfestellungen und Erfahrungswerte auf Basis der letzten Dekade suchen. Diese können bei Priorisierungen und der Suche nach Lösungswegen bei auftretenden Problemen mögliche kritische Erfolgsfaktoren sowie deren Auswirkungen auf ein DWH-Projekt aufzeigen. Daher wurde der Stand der Forschung in Bezug auf kritische Erfolgsfaktoren praxisnah untersucht und ausgewertet. Darüber hinaus wurde eine Analyse von relevanten Data-Warehouse-Erfolgsmessgrößen durchgeführt, um die Auswirkungen bestimmter Erfolgsfaktoren auf Erfolge in Data-Warehouse-Projekten vergleichen zu können.

Textprobe: Kapitel 3.3, Erfolg in Data-Warehouse-Projekten: In den 1990er Jahren wurden Data-Warehouse-Projekte eine der wichtigsten Entwicklungen im Informationssystembereich. Einerseits ist anzuerkennen, dass diese Technologie in Sektoren wie Finanzdienstleistung, Versicherungswirtschaft oder Einzelhandel eine gewisse Reife erreicht hat. Anderseits bleibt die Data-Warehouse-Technologie eine große Herausforderung, da viele komplexe technische Probleme durch die neuen Entwicklungen in der IT entstehen. Die Einführung einer Data-Warehouse-Technologie erfordert enorme Investitionsvolumen und ist schon in der Entwicklungsphase sehr zeitintensiv. Zudem hat sie eine hohe Wahrscheinlichkeit des Misserfolgs. Obgleich es viele Data-Warehouse-Projekte erfolgreich sind, weisen WIXOM UND WATSON daraufhin, dass ein Data-Warehouse-Projekt eine teure und riskante Unternehmung ist: Ein typisches Projekt kostet allein mehr als eine Million Dollar im ersten Jahr und wird mit einer Wahrscheinlichkeit von mehr als 50 Prozent zum Misserfolg und vor Fertigstellung beendet. Die häufigsten Ursachen des Misslingens schließen die ungenügende Managementförderung und -unterstützung, unzureichende Finanzierung, inadäquate Nutzerbeteiligung sowie die Unternehmenspolitik ein. Weiterhin setzt das Data-Warehousing einen hohen Wartungsaufwand voraus, den viele Unternehmen nicht leisten können. Die Data-Warehousing-Steuerung erfordert, dass entsprechende Unternehmensstrukturen und Prozesse bestehen und zudem die Inputs aller Beteiligten koordiniert werden. Die Data-Warehouse-Steuerung sollte die Infrastruktur, Nutzung und das Projektmanagement umfassen sowie sich mit vielen verschiedenen Bereichen wie folgt befassen: - Identifizierung der Unternehmensanforderungen. Es gibt viele potentielle Gründe für die Entwicklung eines Data-Warehouse. Es kann sich beispielsweise um die Informationsqualitätsverbesserung oder Implementierung der spezifischen Datenanalyseapplikationen handeln. - Erreichung der Übereinstimmung mit Unternehmenszielen. Die Ziele von Unternehmen und Data-Warehousing sollen übereinstimmen, indem das Data-Warehouse die Unternehmensziele unterstützt. Die Aufrechterhaltung der Orientierung an Unternehmenszielen ist ein laufender Prozess. - Definierung der Informationsanforderungen. Anwenderbedürfnisse sind festzulegen und abzustimmen. Es sollen Quellenressourcen gewählt werden, die am besten den Bedürfnissen der Anwender entsprechen. Sofern es möglich ist, sind Reporte und Abfragen zu definieren. Die größte Herausforderung besteht darin, zu gewährleisten, dass auch nach abgeschlossener Designphase neue unternehmensübergreifende Informationsbedürfnisse unterstützt werden können. - Festlegung der Prioritäten. Die Prioritäten für die Entwicklung der verschiedenen Themenbereiche und Applikationen sollen festgelegt werden. Hochrangige unternehmensübergreifende Ausschüsse sollen einen bereichsübergreifenden Data-Warehouse-Implementierungsplan entwickeln. Die Ausschüsse wählen Kriterien zur Festlegung der Prioritäten aus (z. B. Maßstab der Förderung, Bereitstellung der Quellendaten oder Unternehmensbedürfnisse) und bewerten dann mit diesen Kriterien die Implementierungsalternativen. - Festlegung von Datendefinitionen und Datenmodell. Es ist festzulegen, welche Datendefinitionen verwendet werden sollten und welches Datenmodell den Anwendern erlaubt, Abfragen effektiv und effizient auszuführen. - Aufrechterhaltung der Datenqualität. Die Sicherung einer hohen Datenqualität im Data-Warehouse sollte sehr hoch priorisiert werden. Um den Erfolg eines Data-Warehouse-Projekts zu sichern, benötigen Fachleute und Forscher ein gutes Verständnis von Data-Warehousing. Die IT-Literatur beinhaltet eine Vielfalt von Forschungen, die Erfolgsfaktoren von Entscheidungsfindungsunterstützungsapplikationen untersuchen. Diese Studien sind hilfreich, dennoch ist ein Data-Warehouse umfassender zu betrachten, da es sich auch um ein IT-Infrastruktur-Projekt handelt. Unter Verwendung von vier Machbarkeitsstudien der traditionellen IS-Entwicklungsprojekte können Erfolgsfaktoren in vier Gruppen aufgeteilt werden: - Operationelle Faktoren. Diese Erfolgsfaktoren bestimmen, ob eine Systemlösung dem Problem entspricht. Es betrifft auch die Rolle, die Führungskräfte sowie Anwender während der Implementierung spielen, und ihre Wahrnehmung in Bezug auf das System. Diese sind z. B. klar definierte Unternehmensbedürfnisse und -leistungen, Managementunterstützung, Nutzerbeteiligung oder -teilnahme. - Technische Faktoren. Durch diese Erfolgsfaktoren kann die Verfügbarkeit von technischen Ressourcen und Expertise abgeschätzt werden. Das bezieht sich sowohl auf die Technologiereife als auch auf die technische Verfügbarkeit der internen technischen Expertise. Aufgrund der technischen Herausforderungen nehmen viele Unternehmen die Unterstützung von externen Beratern oder Lösungsanbietern in Anspruch. Beispielsweise gehören Quellendatenqualität, angemessene Entwicklungstechnologie, adäquates IS-Personal und Berater, Projektmanagement sowie Teamarbeit dazu. - Zeitplanfaktoren. Diese Faktorengruppe bestimmt, inwiefern die vorgegebene Zeit für die Entwicklung eines Informationssystems angemessen ist. Die Fristen können entweder obligatorisch, oder erwünscht sein. Obligatorische Fristen sind üblicherweise die Folgen von neuen Gesetzen oder Vorschriften, deshalb werden sie für Data-Warehouse-Projekte nicht angewendet. Zu dieser Gruppe gehören z. B. der praktische Implementierungszeitplan oder angemessene Planung und Rahmensetzung. - Wirtschaftliche Faktoren. Zu dieser Gruppe der Erfolgsfaktoren gehören beispielsweise adäquate Finanzierung oder messbare Vorteile für das Unternehmen. Eine Kosten-Nutzen-Analyse wird für die Messung des gewinnorientierten Ergebnisses verwendet. Diese Art der Analyse wird üblicherweise für Projekte mit operationellen Systemen durchgeführt. Obwohl ein Data-Warehouse für die Unterstützung der Entscheidungsfindung oder strategischer Ziele geschaffen wird, deren Nutzen nicht leicht messbar ist, führen immer mehr Unternehmen eine Art Kosten-Nutzen-Analyse durch. In diesem Buch werden die in den Forschungen untersuchten Erfolgsfaktoren für Data-Warehouse-Projekte in drei Gruppen unterteilt: 1. Organisatorische Faktoren inkl. operationelle und wirtschaftliche Faktoren sowie Faktoren, die sich auf das gesamte Unternehmen beziehen. 2. Projektbezogene Faktoren inkl. Projektteam und -management sowie Zeitplanfaktoren. 3. Technische Faktoren. Trotz der Anerkennung des Data-Warehouse durch eine beträchtliche Anzahl von Fachleuten und Beratern, die den Erfolg des Data-Warehouse herausstellen, gibt es eine begrenzte wissenschaftliche Forschung zu den Data-Warehouse-Erfolgsfaktoren. Im nächsten Kapitel wird die Vorgehensweise der Recherche der Data-Warehouse-Erfolgskriterien und kritischen Erfolgsfaktoren erläutert.

• Business Intelligence

• Data-Warehouse-System

• DHW

• Data-Warehousing

• Datenverwaltung

Alina Schneider arbeitet als Business Analyst bei einem internationalen Beratungsunternehmen im Bereich Business Intelligence. Ihr Masterstudium absolvierte sie mit den Schwerpunkten Finanzen und Informationsmanagement an der Johann Wolfgang Goethe-Universität in Frankfurt am Main.