Die Globalisierung führt zu einem verschärften Wettbewerb und zwingt gerade kleinere und mittlere Unternehmen, sich vermehrt auf ihre Kernkompetenzen zu konzentrieren und die Fertigungstiefe zu verringern. Die so entstehenden Lücken in den eigenen Fähigkeiten müssen nun außerhalb des eigenen Unternehmens ausgeglichen werden und führen auch zu verstärkten Kooperationen in Form von Wertschöpfungsnetzwerken. In aller Regel ist die Leistungserstellung räumlich und zeitlich verteilt, woraus die Notwendigkeit erwächst, die bestehenden Aktivitäten und Geschäftsprozesse zwischen den Partnerunternehmen zu koordinieren beziehungsweise partiell zu harmonisieren, sowie gemeinsam zu entscheiden. Von zentraler Bedeutung zur Erfüllung dieser Aufgaben und somit zum Betrieb des Wertschöpfungsnetzwerks ist, dass alle beteiligten Partner ausreichend und zum richtigen Zeitpunkt mit allen entscheidungsrelevanten Informationen versorgt werden. Hierzu gibt es Softwareanwendungen, die unter dem Begriff Business Intelligence subsumiert werden. Während sich die aktuelle Forschung meist entweder nur mit der Versorgung von entscheidungsrelevanten Informationen in Wertschöpfungsnetzwerken oder mit der Eignung von Business Intelligence-Werkzeugen in nicht verbundenen Unternehmen beschäftigt, sollen im Rahmen des vorliegenden Buches beide Bereiche miteinander verbunden werden. So werden zunächst die Besonderheiten der strategischen Entscheidungsprozesse in Wertschöpfungsnetzwerken dargestellt. Im Anschluss wird analysiert, in wie weit der Einsatz von Business Intelligence-Werkzeugen Möglichkeiten bietet, die strategischen Entscheidungsprozesse im Wertschöpfungsnetzwerk zu unterstützen.

Textprobe: Kapitel 4.3, OLAP: Der Aufbau eines Data Warehouse dient dem Zweck, entscheidungsrelevante Daten aus den Datenquellen zu extrahieren und zu verwalten. Um aus diesen Daten entscheidungsrelevante Informationen zu erhalten, sind weitere Softwareanwendungen nötig, die auf dem Data Warehouse aufsetzen. Eine dieser Anwendungen hat unter dem Begriff On-Line Analytical Processing (OLAP) Einzug in die Fachwelt gehalten. Hierbei handelt es sich um eine Software-technologie, die durch dynamische und multidimensionale Analysen von entscheidungsrelevanten Daten (aus dem Data Warehouse) dem Management schnelle, interaktive und vielfältige Zugriffe auf entscheidungsrelevante Informationen ermöglichen soll. Was genau sich hinter dem Begriff OLAP verbirgt, wird in der Literatur und Fachwelt noch immer sehr kontrovers diskutiert. So schreibt aktuell einer der Pioniere auf dem Gebiet des OLAP, Nigel Pendse: ‘Deciding what is an OLAP has not got any easier since then, as more and more vendors claim to have ‘OLAP compliant’ products, whatever that may mean (often they don’t even know)’- Codd (1994) definiert zwölf Anforderungen, die ein System erfüllen muss, um als OLAP-System zu gelten. Aufgrund sprachlicher Verwirrungen und zu breiter Interpretationsspielräume hat sich inzwischen der Ansatz von Pendse/Creeth (1995) in der Literatur weitgehend durchgesetzt, die mit FASMI eine einfache und technologiefreie Beschreibung der Kriterien des OLAP-Konzepts geliefert haben. FASMI steht für Fast Analysis of Shared Multidimensional Information und definiert sich wie folgt: Fast: Die Antwortzeiten des Systems auf eine Abfrage in der Regel unter fünf Sekunden. Analysis: Die Analysetechniken (z. B. Zeitreihenvergleiche) sind einfach und intuitiv mit der Möglichkeit von beliebigen Berechnungen. Shared: Der Zugriff auf die Datenbestände ist für mehrere Nutzer gleichzeitig möglich, wobei der Zugang individuell eingegrenzt werden kann. Multidimensional: Die Multidimensionalität ist die Schlüsselanforderung und kann als grundsätzliche Definition von OLAP angesehen werden. Es geht darum, dass das System die Datenbestände aus verschiedenen Sichten und nach verschiedenen Kriterien flexibel geordnet analysierbar und sichtbar macht. Dabei wird die Mehrdimensionalität durch die Anordnung von Kennzahlen (z.B. Absatz, Kosten) entlang unterschiedlicher Dimensionen (z.B. Zeit, Region, Produktart) erzeugt. Information: Die Information ist vollständig unabhängig von der Datenmenge oder Datenherkunft. Technologisch arbeitet ein OLAP-System so, dass die z. B. durch ein Data Warehouse-System vorbereiteten Daten aus den operativen Systemen in Form von Würfeln (alternativ auch Hyperwürfel genannt bei mehr als drei Dimensionen) modelliert werden und so die mehrdimensionale Sicht auf die Daten realisiert wird. Im Gegensatz zu klassischen relationalen Datenbanken mit zweidimensionaler Datenanordnung können drei und mehr Dimensionen dargestellt werden. Zur Erstellung eines Würfels werden die Erfolgsgrößen des Unternehmens so strukturiert, dass unabhängige Dimensionen entstehen, in denen der Anwender navigieren kann. Beispiele für Dimensionen sind Kunden, Zeit, Geographie (oder Unternehmensbereich, Regionen), Produkte Beispiele für Erfolgsgrößen sind z. B. Umsatz oder Rendite. Die definierten Dimensionen sind nun in beliebiger Zahl kombinierbar. Werden zwei Dimensionen kombiniert entsteht eine einfache Tabelle. Werden hingegen mehrere Dimensionen kombiniert, entstehen mehrdimensionale Würfel. Jede Dimension wird durch eine Würfelachse dargestellt und besteht aus einzelnen Elementen. So besteht die Dimension Zeit z. B. aus den Elementen Januar, Februar, etc. Die folgende Abbildung zeigt den Aufbau eines Würfels mit den Dimensionen Zeit, Region und Produkt und soll das Beschriebene verdeutlichen. Die Anwendung des OLAP dient nicht der Abdeckung eines Informationsbedarfs, sondern der Aufdeckung von Entscheidungsalternativen. Somit ist es unerlässlich, innerhalb der erzeugten multidimensionalen Würfel zu navigieren und komplexe Operationen über mehrere Dimensionen hinweg auszuführen. Dies wird durch Funktionalitäten ermöglicht, die im OLAP-System vorgehalten werden, wovon einige näher beschrieben werden sollen. Drill-Down/Drill-Up: Durch die Drill-Down bzw. Drill-Up-Funktionalität wird das Aggregationsniveau innerhalb einer Dimension verändert. Die Drill-Up-Funktion verdichtet Werte auf die nächst höhere Verdichtungsebene. Die Drill-Down-Funktion bewirkt das Gegenteil. Sie zerlegt einen aggregierten Wert wieder in die Bestandteile der darunterliegenden Ebene. Die folgende Abbildung verdeutlicht diese Funktionalität.

• Business Intelligence

• Wertschöpfungsnetzwerk

• OLAP

• Tool

• Data Mining

Matthias Becker, Jahrgang 1968, studierte zunächst Chemie an der Technischen Universität in Darmstadt und promovierte anschließend am chemotherapeutischen Forschungsinstitut Georg-Speyer-Haus in Frankfurt. Nach seinem Eintritt ins Berufsleben nahm der Autor ein berufsbegleitendes Aufbaustudium für Betriebswirtschaftslehre auf, welches er im August 2010 abschloss. Derzeit ist der Autor in leitender Funktion in der Medizinprodukte-Zulassung in einem Medizintechnik-Konzern tätig.