Kontakt
LucaNet bei YoutubeLucaNet bei FacebookLucaNet bei Google+LucaNet bei XingLucaNet bei TwitterLucaNet bei LinkedInFollow us on:
Software und Beratung für
Business Intelligence im Rechnungswesen

Online Analytical Processing


 

Theorie

In der Theorie versteht man unter Online Analytical Processing (OLAP) hypothesengestützte Analysemethoden. Der Analyst muss vor der eigentlichen Untersuchung wissen, welche Anfragen er an das OLAP-System stellen möchte. Seine Hypothese wird dann durch das Analyseergebnis bestätigt oder abgelehnt.


Bei OLAP-Systemen steht die Durchführung komplexer Analysevorhaben im Vordergrund, welche ein sehr hohes Datenaufkommen verursachen. Das Ziel ist, durch multidimensionale Betrachtung dieser Daten ein entscheidungsunterstützendes Analyseergebnis zu gewinnen.


OLAP-Systeme beziehen ihre Daten üblicherweise aus einem Data-Warehouse (Datenlager). Hierdurch wird verhindert, dass die Analysedaten mit den transaktionsorientierten Datenbeständen in Kontakt kommen und deren Leistungsfähigkeit beeinträchtigt wird.


Man unterscheidet zwischen ROLAP („relationales OLAP“), das auf eine relationale Datenbank zugreift, und MOLAP („multidimensionales OLAP“), das auf eine multidimensionale Datenbank zugreift.

 

Jeder Typ hat seine Vor- und Nachteile:

  • MOLAP speichert die aggregierten Kennzahlen persistent. Dadurch hat MOLAP einen Performance-Vorteil gegenüber OLAP-Systemen, die erst zur Laufzeit Kennzahlen aggregieren.
  • ROLAP skaliert besser, ist dafür aber je nach Performance der eingesetzten relationalen Quellen langsamer als MOLAP.

Praxis

In der Praxis wird OLAP zumeist gleichgesetzt mit multidimensionaler Datenhaltung und -analyse. Multidimensionale Datenbanken werden daher auch als OLAP-Datenbanken bezeichnet.

 

Beispiele für OLAP-Datenbanken sind:

  • Applix TM1 (jetzt Cognos TM1)
  • Infor PM OLAP / Alea
  • Hyperion Essbase
  • LucaNet.Financial OLAP Server
  • Microsoft SQL Server Analysis Services
  • Palo-OLAP-Server
  • PARIS Technologies PowerOLAP


Diese halten alle Daten anders als RDBMS nicht in Tabellen, sondern in Dimensionen, Datenwürfeln und Zellen.

  • Jede Dimension setzt sich aus Dimensionselementen, die in der Regel hierarchisch angeordnet sind, zusammen.
  • Aus zwei oder mehr Dimensionen werden nun mehrdimensionale Datenwürfel (Cubes) gebildet.
  • Die eigentlichen Daten werden dann in den Zellen des Datenwürfels gespeichert.

 

Durch diese Multidimensionalität sollen relevante betriebswirtschaftliche Kennzahlen (z. B. Umsatz- oder Kostengrößen) anhand unterschiedlicher Dimensionen (z. B. Kunden, Absatzkanälen, Regionen, Zeit) und auf unterschiedlichen Aggregationsebenen (z. B. Segment, Artikelgruppe, Artikel) mehrdimensional betrachtet und bewertet werden können.


Als Industriestandard für den Zugriff auf OLAP-Datenbanken hat sich XML for Analysis durchgesetzt, das einen Datenaustausch über Herstellergrenzen hinweg gewährleistet.


Klassisches Einsatzgebiet für OLAP-Datenbanken ist beispielsweise die multidimensionale Absatz- und Vertriebsplanung oder isolierte GuV-Planung mit vergleichsweise einfacher Rechenlogik. Für den Einsatz im Bereich Financial Intelligence (Business Intelligence im Rechnungswesen) sind klassische multidimensionale Datenbanken nur sehr eingeschränkt geeignet. Zwar können einfache betriebswirtschaftliche Zusammenhänge in OLAP-Datenbanken mit Hilfe von sogenannten Rules abgebildet werden (z. B. Umsatz = Menge x Preis). Dies hat aber Grenzen, so dass die komplexen betriebswirtschaftlichen Zusammenhänge im Rechnungswesen (inbesondere das Zusammenspiel von GuV, Bilanz, Cashflow-Rechnung, Spiegeln und sonstigen Anhangsangaben sowie im Rahmen der legalen Konsolidierung) technisch bedingt nicht abgebildet werden können.


Dies hat zur Folge, dass Realtime Financial OLAP und das damit einhergehende besonders interaktive und effiziente Arbeiten mit klassischen OLAP-Datenbanken nicht realisiert werden können. Ausnahme bildet der LucaNet.Financial OLAP Server, der speziell für den Einsatz im Bereich Financial Intelligence entwickelt wurde und über ein fertiges betriebswirtschaftliches Datenmodell inklusive Echtzeit-Rechenlogik verfügt.


Quelle: in Anlehnung an Wikipedia

Nach oben

 

 

Zurück zum Glossar

Aktuelles Fachwissen

     

Whitepaper Konsolidierung

LucaNet.Financial OLAP Server

  • Fertiges Financial Data-Warehouse
  • Planen und Konsolidieren in Echtzeit

 

Jetzt informieren