Erfolg in Data-Warehouse-Projekten: Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien E-Book

Alina Schneider

• Herausgeber: GRIN Verlag
• Kategorie: Wissenschaft und neue Technologien
• Sprache: Deutsch
• Veröffentlichungsjahr: 2012

Beschreibung

Masterarbeit aus dem Jahr 2011 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,0, Johann Wolfgang Goethe-Universität Frankfurt am Main, Sprache: Deutsch, Abstract: Zielgruppen dieser Arbeit sind neben Studierenden insbesondere Unternehmen, die planen, ein Data-Warehouse-System (DWH) einzuführen, 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.

Leseprobe

Impressum:

Copyright (c) 2015 GRIN Verlag / Open Publishing GmbH, alle Inhalte urheberrechtlich geschützt. Kopieren und verbreiten nur mit Genehmigung des Verlags.

Bei GRIN macht sich Ihr Wissen bezahlt! Wir veröffentlichen kostenlos Ihre Haus-, Bachelor- und Masterarbeiten.

Jetzt bei www.grin.com

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung

2 Theoretische Definitionen und grundlegende Konzepte

2.1 Definition von Data-Warehouse und Data-Warehousing

2.2 Operationelle Systeme vs. Data-Warehouse-Umgebung

2.3 Nutzen des Data-Warehouse

2.4 Data-Warehouse-Architektur

3 Grundlagen zum Konzept der kritischen Erfolgsfaktoren

3.1 Definition von kritischen Erfolgsfaktoren und -kriterien.

3.2 Erfolgsmessung eines Informationssystems

3.3 Erfolg in Data-Warehouse-Projekten

4 Systematische Literaturanalyse

4.1 Vorgehensweise der Literaturrecherche

4.2 Übersicht über die in der Arbeit ausgewerteten Studien

5 Wissenschaftliche Ergebnisse zu Data-WarehouseErfolgskriterien und kritischen Erfolgsfaktoren in DataWarehouse-Projekten

5.1 Data-Warehouse-Erfolgsdimensionen und -kriterien

5.2 Kritische Erfolgsfaktoren zur Entscheidungsfindung von Data-WarehouseImplementierungen

5.3 Kritische Erfolgsfaktoren für Data-Warehouse-Projekte

5.3.1 Organisatorische Faktoren

5.3.2 Projektbezogene Faktoren

5.3.3 Technische Faktoren

6 Diskussion

7 Zusammenfassung und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Abb. 2.1: Potenzielle betriebswirtschaftliche Nutzen von Data-Warehouse

Abb. 2.2: Umfassende Data-Warehouse-Architektur

Abb. 2.3: Data-Mart-Bus-Architektur

Abb. 2.4: Arten von Data-Warehouse-Architekturen

Abb. 3.1: Modell der Technologieakzeptanz

Abb. 3.2: IS-Erfolgsmodell von DeLone und McLean

Abb. 3.3: Modifiziertes IS-Erfolgsmodell von DeLone und McLean

Abb. 4.1: Forschungsmodell von Wixom, Watson (2001)

Abb. 4.2: Forschungsmodell von Hong et al. (2006)

Abb. 4.3: Forschungsmodell von Hwang, Xu (2008)

Abb. 4.4: Forschungsmodell von Kefi, Koppel (2011)

Abb. 5.1: Durchschnittliche Entwicklungszeit in Monaten bis zur Einführung des ersten Geschäftsprozesses oder Subjektbereichs

Abb. 5.2: Durchschnittliche Entwicklungskosten in Mio. Dollar bis zur Einführung des ersten Geschäftsprozesses oder Subjektbereichs

Abb. 5.3: Durchschnittliche Wartungskosten in Mio. Dollar pro Jahr

Tabellenverzeichnis

Tab. 2.1: Unterschiede zwischen operationellen Systemen und Data-Warehouse

Tab. 3.1: Häufige Vorteile und Probleme mit IT-Balanced Scorecard

Tab. 3.2: Häufige Vorteile und Probleme mit Benchmarking

Tab. 4.1: Empirische Studien zu Data-Warehouse-Erfolgskriterien und kritischen Er folgsfaktoren aus Business-Source-Premier

Tab. 4.2: Empirische Studien zu Data-Warehouse-Erfolgskriterien und kritischen Er folgsfaktoren aus der ACM-Digital-Library

Tab. 4.3: MIS-Zeitschriftenranking

Tab. 4.4: Empirische Studien zu Data-Warehouse-Erfolgskriterien und kritischen Erfolgsfaktoren in Data-Warehouse-Projekten. Teil 1

Tab. 4.5: Empirische Studien zu Data-Warehouse-Erfolgskriterien und kritischen Er folgsfaktoren in Data-Warehouse-Projekten. Teil 2

Tab. 5.1: Systemqualität. Signifikanz der Erfolgskriterien, die sich direkt auf die Nutzerzufriedenheit auswirken155

Tab. 5.2: Informationsqualität. Signifikanz der Erfolgskriterien, die sich direkt auf die Nutzerzufriedenheit auswirken

Tab. 5.3: Servicequalität. Signifikanz der Erfolgskriterien, die sich direkt auf die Nut-zerzufriedenheit auswirken

Tab. 5.4: Signifikanz der Erfolgskriterien, die sich auf die Systemnutzung direkt und indirekt auswirken

Tab. 5.5: Signifikanz der Erfolgsfaktoren, die für die Implementierung eines Data-Warehouse kritisch sind

Tab. 5.6: Signifikanz der organisatorischen Faktoren, die für Erfolge von Data-Warehouse-Projekte kritisch sind

Tab. 5.7: Signifikanz der projektbezogenen Faktoren, die für Erfolge von Data-Warehouse-Projekte kritisch sind

Tab. 5.8: Signifikanz der technischen Faktoren, die für Erfolge von Data-Warehouse-Projekte kritisch sind

Tab. 5.9: Erfolgsranking der fünf Data-Warehouse-Architekturen

Abkürzungsverzeichnis

1 Einleitung

Die Idee eines Data-Warehouse ist konzeptionell sehr einfach.[1] Ein Data-Warehouse ist grundsätzlich eine Datensammlung, die für die Unterstützung der Entscheidungsfindung geschaffen wird. Es löst ein langjähriges Problem der Entscheidungsunterstützung: der Bedarf an genauen, bereinigten, gut organisierten und zugänglichen Daten.[2] Das DataWarehouse-Konzept beruht auf zwei grundlegenden Bedürfnissen: die unternehmensübergreifende Sichtweise auf Information und die effektive Verwaltung von Unternehmensdaten.[3] Daher wurden Data-Warehouse-Technologien immer wieder eingesetzt, um Infrastrukturen für Datenverwaltung aufzubauen.

Seit den 90er Jahren ist Data-Warehouse eines der bedeutendsten Entscheidungsunterstützungswerkzeuge.[4] Laut dem Bericht von HALL aus dem Jahr 2002 entwickelten nahezu 70 Prozent der großen Unternehmen auf der ganzen Welt ein Data-Warehouse oder ein ähnliches System für das Datenmanagement. Allerdings berichteten 41 Prozent der Befragten, dass ihre Unternehmen mindestens einen Projektmisserfolg hatten, und nur 15 Prozent der Befragten gaben an, dass ihre Data-Warehouse-Implementierungen große Erfolge waren.[5]

Ein Data-Warehouse-Projekt ist nicht nur eine hoch riskante Unternehmung, sondern auch eine teure Unternehmung. Die Kosten einer Data-Warehouse-Implementierung können bei einer bis mehreren Millionen Dollar liegen.[6] Da ein Data-Warehouse keine spezifische Applikation sondern eine IT-Infrastruktur ist, die als Grundlage für die Entwicklung weiterer Datenanalysewerkzeuge und -applikationen dient, erfordert es entsprechende Investitionen, dennoch realisiert es für Unternehmen dauerhafte Nutzen und generiert Mehrwerte.[7] Aufgrund der hohen Investitionen und einer niedrigen Erfolgsquote sind die Verantwortlichen gezwungen, eine sorgfältige Bewertung ihres Programms durchzuführen, und Faktoren, die für das Data-Warehouse-Projekt kritisch sein könnten, festzustellen und zu beachten.[8]

Das Ziel dieser Arbeit ist eine Ermittlung der Erfolgsfaktoren, die für Data-WarehouseImplementierungen respektive Data-Warehouse-Projekte kritisch sind. Daher wird der wissenschaftliche Stand der Forschung in Bezug auf kritische Erfolgsfaktoren untersucht und ausgewertet. Darüber hinaus wird eine Analyse von relevanten Data-WarehouseErfolgsmessgrößen durchgeführt, um die Auswirkungen bestimmter Erfolgsfaktoren auf Erfolge in Data-Warehouse-Projekten vergleichen zu können.

Die vorliegende Arbeit beginnt mit dieser Einleitung. In Teil 2 werden Grundlagen des Data-Warehouse-Konzepts behandelt. In Kapitel 2.1 wird zunächst Data-Warehouse definiert und seine Eigenschaften erläutert. Kapitel 2.2 zeigt auf, wie sich ein DataWarehouse-System von operationellen Systemen unterscheidet. Die Nutzen, die durch Data-Warehouse gewährleisten werden können, werden in Kapitel 2.3 näher behandelt. Teil 2 schließt in Kapitel 2.4 mit der Erläuterung der Data-Warehouse-Komponenten und Arten von Data-Warehouse-Architekturen.

Die Grundlagen zum Konzept der kritischen Erfolgsfaktoren werden in Teil 3 vorgestellt. Zuerst befasst sich Kapitel 3.1 mit Definitionen der kritischen Erfolgsfaktoren und -kriterien. In Kapitel 3.2 wird erklärt, weshalb die Feststellung von Erfolgskriterien für Informationssysteme wichtig ist und wie der Erfolg gemessen werden kann. Kapitel 3.3 endet schließlich mit der Fragestellung, weshalb die Feststellung von kritischen Erfolgsfaktoren in Data-Warehouse-Projekten entscheidend ist und in welcher Weise diese Faktoren klassifiziert werden können.

Teil 4 beschäftigt sich mit der systematischen Literaturanalyse, die dieser Arbeit zugrunde liegt. Während in Kapitel 4.1 die Vorgehensweise der Literaturrecherche beschrieben wird, gibt Kapitel 4.2 eine Übersicht über die in der Arbeit ausgewerteten Studien.

Teil 5 erläutert und vergleicht die wissenschaftlichen Ergebnisse zu den Data-WarehouseErfolgskriterien und den kritischen Erfolgsfaktoren in Data-Warehouse-Projekten. Zuerst stellt Kapitel 5.1 Ergebnisse zu Data-Warehouse-Erfolgsdimensionen und -kriterien vor. Danach zeigt Kapitel 5.2 die Erfolgsfaktoren auf, die für die Entscheidung ein DataWarehouse zu implementieren kritisch sind. Schließlich erläutert Kapitel 5.3 die organisatorischen, projektbezogenen und technischen kritischen Erfolgsfaktoren in DataWarehouse-Projekten.

In Teil 6 werden die Ergebnisse der Untersuchungen diskutiert, und in Teil 7 schließt die Arbeit mit einer kurzen Zusammenfassung der zentralen Ergebnisse sowie einer Beleuchtung von Lücken, die in zukünftigen Forschungen berücksichtigt werden könnten.

2 Theoretische Definitionen und grundlegende Konzepte

2.1 Definition von Data-Warehouse und Data-Warehousing

Unter dem Begriff Data-Warehouse wird ein computergestütztes System verstanden, das wie ein speziell aufbereiteter Datenbehälter zur Unterstützung von Entscheidungsprozessen funktioniert.[9] Die Daten werden aus Datenquellen extrahiert, bereinigt, transformiert und in Datenspeicher geladen. Die benötigten Daten werden von Anwendern und Applikationen aus dem Speicher, der die Dateninfrastruktur bereitstellt, aufgerufen.[10]

Während ein Data-Warehouse als ein Datenbehälter betrachtet wird, wird unter dem Begriff Data-Warehousing der ganze Prozess verstanden.[11] GARDNER definiert das DataWarehousing wie ein Prozess, kein Produkt, für die Ansammlung und Verwaltung von Daten aus verschiedenen Quellen zum Zwecke der Schaffung einer einheitlichen Detailansicht auf einzelne Geschäftsbereiche oder das ganze Geschäft.[12]

Ursprünglich haben DEVLIN UND MURPHY das Konzept der Data-Warehouse-Technologie eingeführt.[13] Ein Nur-Lese-Datenbankaufbau wurde von ihnen vorgestellt, in dem historische Daten für Betrieb abgelegt werden und Anwender mit Integrationstools Abfragen und Recherchen für die Entscheidungsprozesse und Analysen durchführen können.

Von INMON wurden vier wichtigen Eigenschaften eines Data-Warehouse erläutert[14]:

Daten werden in einem Data-Warehouse themenorientiert organisiert, indem sie sich auf spezifische Datenobjekte beziehen. Zum Beispiel könnten die Datenobjekte für ein Einzelhandelsgeschäft „Produkt“, „Vertrieb“ und „Kunden“ heißen. Dies unterscheidet sich von Transaktionssystemen, in denen Daten nach Geschäftsprozessen wie Auftragserfassung, Bestandskontrolle oder Forderungen aus Lieferungen und Leistungen organisiert werden. Jedes Unternehmen hat die Möglichkeit eigene Themenbereiche festzulegen.

Die zweite wichtige Eigenschaft eines Data-Warehouse besteht darin, dass es integriert ist. Im Data-Warehouse werden Daten aus mehreren verschiedenen Quellen extrahiert und in einem konsistenten Format gespeichert, deshalb sollen sie bereinigt, konvertiert, in einheitliche Formate umgesetzt und korrekt aggregiert werden. Namenskonventionen, Schlüsselaufbau, Maßeinheiten sowie physischen Eigenschaften von Daten sollen den gleichen Konsistenzregeln folgen.

Ein Data-Warehouse ist nicht-flüchtig – Anwender können die Daten nicht ändern oder aktualisieren. Wenn neue Daten in das Data-Warehouse geladen werden, werden sie im allgemeinen Sinne nicht aktualisiert, sondern als Snapshot-Daten im statischen Format geladen. Zudem werden Aggregationen durchgeführt, um die Daten zusammenzufassen. Die Nicht-flüchtigkeit sorgt dafür, dass alle Anwender unternehmensweit auf derselben Datenbasis arbeiten können.

Die vierte wichtige Eigenschaft eines Data-Warehouse liegt daran, dass es zeitvariant ist. Ein Data-Warehouse hält historisierte Daten vor, d. h. sie sind dermaßen organisiert, dass ein Zeitraumbezug immer ein Bestandteil der Schlüssel ist. Das DataWarehouse beinhaltet typischerweise die Daten mit einem Horizont von fünf bis zehn Jahren. Die historischen Daten werden für die Feststellung von Abweichungen, Trends sowie langfristigen Beziehungen benutzt.

Die Besonderheit eines Data-Warehouse besteht darin, dass es in die Kategorie von IT[15]Infrastrukturtechnologien, insbesondere in Bezug auf Datenarchitektur, fällt.[16] Als ITInfrastruktur wird ein Data-Warehouse wie ein Set von gemeinsam nutzbaren, materiellen IT-Ressourcen definiert, das wie eine Basis für die Ermöglichung von vorhandenen und zukünftigen Applikationen dient.[17] Die Leistungsfähigkeit solcher Infrastrukturen sollte auf den geschäftlichen Nutzen einwirken, indem die wichtigen Geschäftsprozesse unterstützt werden.[18] Ein Data-Warehouse unterstützt die Integration eines Sets von internen und externen Datenquellen, ermöglicht einen unternehmensweiten sowie interorganisationalen Datenzugriff, setzt Datenqualitätsstandards durch, gibt Antworten auf betriebswirtschaftliche Fragestellungen und fördert ein strategisches Denken durch Customer Relation Management, Data-Mining[19] sowie andere Frontend-Anwendungen.[20]

In der vorliegenden Arbeit wird der Oberbegriff Informationssystem (IS) verwendet. Unter IS wird ein „System zur Speicherung, Wiedergewinnung […], Verknüpfung und Auswertung von Informationen [verstanden]. Ein Informationssystem besteht aus einem Datenbanksystem, Datenmodellen, Klassifizierungen der Daten und den Auswertungsprogrammen […]. Einen Spezialfall bilden Managementinformationssysteme (MIS), in denen alle Größen und Kenndaten gespeichert sind, die zur optimalen Führung eines Unternehmens notwendig und sinnvoll sind.“[21]

2.2 Operationelle Systeme vs. Data-Warehouse-Umgebung

Den im vorherigen Kapitel behandelten Definition und Eigenschaften eines DataWarehouse liegen zwei implizite Annahmen zugrunde[22]:

 Ein Data-Warehouse ist von operationellen Systemen physisch separat.

 Ein Data-Warehouse beinhaltet sowohl die aggregierten Daten (Informationsdaten), als auch die Transaktionsdaten (operative bzw. Betriebsdaten).

Als eins der ersten Hindernisse in Data-Warehouse-Projekten behandelt GARDNER die Problematik des Verständnisses, welche Unterschiede zwischen den operativen Daten und Informationsdaten bestehen.[23] Operative Daten sind rund um die funktionellen Organisationsstrukturen innerhalb eines Unternehmens organisiert. Die funktionell orientierten Daten erfüllen die sofortige funktionelle Verarbeitung von Anwenderanforderungen. Die funktionelle Orientierung ist für operative Daten, d. h. für bestimmte Unternehmensbereiche relevante Daten, ideal.

Die Analytiker eines Entscheidungsunterstützungssystems benötigen Informationen aus mehreren Funktionsbereichen oder Geschäftseinheiten, d. h. Daten, die themenorientiert sind und einen Gesamtüberblick verschaffen. Die themenorientierten, detaillierten Transaktionsdaten erlauben den Anwendern im Unternehmen den Detaillierungsgrad bis hin zu den einzelnen Geschäftsvorfällen zu erhöhen und nicht nur die Antworten auf spezifische Fragestellungen zu bekommen, sondern auch die Sicht darauf, wie die Ergebnisse zu Stande gekommen sind. Die funktionell orientierten „Ofenrohr“-Systeme können eine derartige Analysemethode nicht leisten.

In Tab. 2.1 werden auch die weiteren Unterschieden der beiden Systemarten vorgestellt.[24]