Was ist Active Data Warehousing?

Moderne Informationssysteme liefern heute nicht mehr die ausschließlichen klassischen Datenbanken zwecks Informationssammlung und Datenbereitstellung, sondern es werden weit mehr Funktionalitäten angeboten. In der Vergangenheit stellte eine Datenbank als einfaches Reporting System die Unternehmensdaten, teilweise auch nur Auszüge von Daten aus Unternehmensteilbereichen, für die Nutzer und Analysten zur Verfügung. Ein Active Data Warehouse aus heutiger Sicht ist eine Plattform, über die alle Daten- und Informationsflüsse eines Unternehmens fließen. Dargestellt werden alle operativen und auch dispositiven Abläufe und aufgrund von Technologieentwicklungsschritten und neuen Prozessmodellen (beispielsweise EAI) entwickelten sich diese ADWs mittlerweile zu komplexen Informationsinfrastrukturen. 

Auch heute werden die klassischen Datawarehouse-Systeme noch als Datenbanken angeboten. Die Innovationen gehen mittlerweile jedoch eine Evaluationsstufe höher und bieten damit Alternativen zu allen Herausforderungen der gewachsenen Strukturen in Unternehmen. Die Bereiche Dezentralisierung und Zentralisierung, Prozesse, Echtzeit-Prozesse und deren Prozess-kommunikationen, Datenqualitäten und andere Bereiche können mittlerweile integriert, analysiert und implementiert werden. Diesen Sprung in eine modifizierte Ära kennzeichnen die Experten mit dem Begriff Active Data Warehousing.

Der Evolutionsschritt wird im nachfolgenden Abschnitt verdeutlicht: Das Data Warehousing ist ein Begriff, der alle Informationssysteme (vom Reportingsystem auf lokaler Basis bis hin zu mehrdimensionierten Architekturen von Netzwerken auf diversen Plattformen mit unterschiedlichen Restriktionen auf Nutzerebene) vereint. Neben den Standardanforderungen werden in komplexeren Systemen beispielsweise das Datenmanagement oder das Metadatenmanagement, das Data Mining oder auch die Anwendungsintegration meist in Modulen angeboten. Diese Systeme sind darauf ausgerichtet, mit den Unternehmen im Anforderungsprofil und den weiteren Entwicklungsschritten zu wachsen. Eine Reduzierung dieser Systeme auf die Rolle des Datenlieferanten ist nicht richtig. Sofern das DW-System mit einem Zeitpunkt (korrektes Datum) ausgestattet ist, können jedwede Geschäftsprozesse in diesem System effizient und automatisch erfasst und abgebildet werden. Bei diesen Systemen wird die Anforderung vermisst, dass die operativen Prozesse in die Gesamtlogik aller Geschäftsprozesse eingebettet sind. 

Als übergeordnetes Ziel für ein ADW nennen wir es, die konsolidierten und höchst aktuellen Daten von Anwendungen (Echtzeitdaten) eines komplexen Geschäftsprozesses a) bei der Anforderung und b) aus dem System zusammengestellt, zur Verfügung zu stellen. Somit ist ein ADW eine Datenbank, erweitert um die Bereiche Anwendungsintegration und Integration operativer- und kampagnen-getriebener Prozesse. 

Die Herausforderungen, um die nächste Evaluationsstufe zu erreichen, sind beispielsweise die Datenaktualität in Echtzeit zu erreichen, alle operativen Prozesse einzubinden, kampagnengetriebene Aktionssteuerungen von nachgelagerten Geschäftsprozessen oder redundanzfreie Datenhaltung (zentralisiert) auf unterschiedlichen Ebenen (Aggregation, Veredelung, Aktualität) auszurichten, um hier nur einige zu nennen.

Per Definition ist Active Data Warehousing ein Prozess, der auf einem klassischen Datawarehousing basiert, um Geschäftsprozesse erweitert und durch aktive Prozessintegration ausgebaut. Hier gibt es keine vorgeschriebene oder starre Architekturvorgabe. Kreativität und situationsgerechte Lösungen sind hier gefordert, die meist im Baukastensystem angeboten werden.

Was sind die vier Säulen des Data Warehousings?

Die vier Säulen des Data Warehousings beginnen bei den Daten über die Prozesse, die Technik und die Organisation des Betriebes und umfassen alle Bereiche, die in einem Data Warehouse abgebildet werden müssen.

In den vier Spalten werden die Möglichkeiten innerhalb der einzelnen Säule aufgeführt. Diese Aufzählung erhebt keinesfalls einen Anspruch auf Vollständigkeit.

Welche Datenarchitektur wird im Data Warehousing genutzt?

Im Bereich Datenarchitektur geht es grundsätzlich um die Benennung der Datenschichten, die aufgebaut werden sollen.  Bei den Datenschichten geht es immer darum, a) umfassend (alle) Daten zu berücksichtigen und b) wie tief müssen die Daten aufbewahrt werden. Handelt es sich um Anwendungsdaten oder Steuerungsdaten, bewahren wir Metadaten oder Prozessdaten auf. Die nachstehende Abbildung gibt einen kompletten Überblick über die Architektur und die Datenschichten. 

Wie sehen die Prozesse und deren Architektur aus?

In der unten dargestellten Abbildung werden komplett alle Prozesse und der Prozessaufbau abgebildet. Der Aufbau der Spalten von links nach rechts beinhaltet alle Bereiche des Prozesszyklus. Je Unternehmen werden die Spalten genutzt oder deren Inhalte fallen für ein Unternehmen nicht an.

Welche technische Architektur nutzt Data Warehousing?

In der Abbildung 55 stellen wir eine mögliche technische Architektur des ADW vor. Ausgehend von der Auswahl der Hardware- und der Softwarekomponenten und des Netzwerktypen. Im Bereich Software wird die Entscheidung der Werkzeuge und der Protokolle getroffen. Alle Möglichkeiten und Angebote von ADW werden hier aufgezeigt.

Wie sieht die Betriebsorganisation mit ADW aus?

Ein ADW ermöglicht es, den kompletten Betrieb in seiner Organisation abzubilden und zu begleiten, siehe Abbildung 56. Beschreibung am Beispiel der Spalte eins:

In der Spalte Organisation und Verantwortlichkeiten beginnend mit der Aufbau- und der Ablauforganisation des Betriebes: Alle Rollen und Aufgaben werden definiert, beschrieben und hinterlegt. Alle Ressourcen können eingegeben und dargestellt oder durch Unterstützung der Tools der Kapazitätenplanung auch verarbeitet werden. Die Möglichkeit, Reportings zu bekommen, um beispielsweise die Auslastungsgrade der Mitarbeiter auszuwerten, ist immer gegeben. Alle weiteren Bereiche (hier als Spalten dargestellt) schließen sich an. 

Die nachfolgende Abbildung dient der Übersicht, wie ein komplexes ADW vereinfacht dargestellt werden kann. 

Wie ist die Systemarchitektur aufgebaut?

Der Aufbau der Systemarchitektur wird zum Beispiel nach Ackhoff in 3 Arten unterteilt; zum ersten in die mechanischen Systeme, als zweites benennt er soziale Systeme und zum dritten die organischen Systeme.

Zur Verdeutlichung: Was macht ein mechanisches System aus? Hier die wiederkehrende Regelmäßigkeit, die immer von der inneren Struktur des Systems ausgeht. Die Zweckgebundenheit wird immer von außen in dieses System „gefüllt“. Jegliche Art der Beförderung von Menschen mit Fahrzeugen von Haltestelle A zur Haltestelle B gelten als Beispiel für mechanische Systeme. Die mechanischen Systeme können als offen oder geschlossen gelten. Mechanische Systeme entstammen dem Bereich der Technik oder Automation.

Um den Begriff soziale Systeme zu beschreiben, nennen wir beispielsweise Institutionen, Gesellschaften oder Organisationen. Soziale Systeme erfüllen zum ersten einen Selbstzweck , zum zweiten können auch nur Teilelemente über einen Selbstzweck verfügen. Diese über einen Selbstzweck verfügenden Teilelemente sind als Gesamtes betrachtet ein Stück eines übergeordneten Großen, das dann über einen zu erfüllenden Selbstzweck verfügt. Hier am Beispiel einer Theatergruppe: Eine Theatergruppe verfügt über ein Staraufgebot in den Hauptrollen und eine Auswahlgruppe in allen Nebenrollen. Sollten sowohl für die Hauptrollen alle Erstbesetzungen spielen und alle Nebenrollen mit den Erstbesetzungen auftreten, bedeutet dies nicht zwangsläufig eine Optimierung der Leistung des Gesamtensembles. Erst das Zusammenspiel der Teilelemente erbringt die erhoffte Sensationsleistung. Soziale Systeme haben oftmals eine hohe Komplexität. Diese hohe Komplexität wird ausgelöst durch eine hohe Anzahl von Feedback-Loops und einen vorgegebenen Zeitablauf. Dieser Zeitablauf kann sich durch die hohe Anzahl von Rückkopplungen verschieben. Das bedeutet, dass soziale Systeme immer von Einflüssen und Eingriffen geprägt sind, und auf diese schnell, sensibel und fallweise reagiert werden muss. Soziale Systeme gelten als sogenannte nicht-lineare Systeme.

Als drittes die Organischen Systeme, die durch einen Selbsterhaltungszweck gekennzeichnet sind. Dieser Zweck ist wichtig für die Entwicklung des Systems. Die Teilelemente selber verfügen separat betrachtet über keinen eigenen Selbstzweck. Die Sammlung und das Zusammenfügen der Teilelemente dient dem Gesamten. Im Gesamten kommt dann der Selbstzweck zum Vorschein. Organische Funktions-Systeme sind hauptsächlich als offene Systeme bezeichnet.

Die System Dynamics Theorie benötigt formale Modelle, um zu visualisieren, dass Entscheidungen ein unterschiedliches Systemverhalten hervorbringen.

Welche System Dynamics Modelle gibt es?

Im folgenden stellen wir einige Modelle vor und gehen auf Klassifizierungen und Bedeutungen ein.

Nach Heribert Stachowiak ist „ein Modell ein Abbild der Wirklichkeit und gekennzeichnet durch drei Merkmale:

1. Kennzeichnung durch Abbildung: Ein Modell ist eine Abbildung oder eine Repräsentation eines natürlichen oder künstlichen Originals.
2. Kennzeichnung durch Verkürzung: Oft erfasst ein Modell nicht alle Attribute des Originals, sondern nur die relevanten Gegebenheiten oder Bedingungen.  
3. Kennzeichnung durch Pragmatismus: Sie sind ihren Originalen nicht immer eindeutig zugeordnet.

Sie dienen dem Zweck, komplexe Systeme vereinfacht darzustellen. 

Wir unterscheiden in mentale Modelle, verbale Modelle und formale Modelle.

Denkmodelle werden unter anderem als mentale Modelle bezeichnet. Diese prägen das Verständnis eines Sachverhaltes. Mit Hilfe von mentalen Modellen planen und entscheiden die Menschen. Hasebrook erläutert kurz, dass mit mentalen Modellen Gedanken erfasst werden.Das am häufigsten genannte Beispiel für ein mentales Modell ist die Evolutionstheorie nach Darwin. 

Zitat nach Hasebrook „Mentale Modelle erlauben uns beispielsweise auch die Interpretation von Diagrammen, Landkarten und perspektivischen Darstellungen. Sie können für bestimmte Aspekte eines Gegenstandsbereichs hinreichend sein, für andere jedoch nicht.“  

Mentale Modelle gelten als dynamisch, das bedeutet, dass sie mit zunehmendem Verständnis zum Sachverhalt, zum Objekt oder zum Prozess verbessert werden. Die Anpassung erfolgt „automatisch“. Die zunehmende Ausarbeitung wird auch Elaboration genannt. Hasebrook erwähnt in seinem Beispiel von mentalen Modellen bezogen auf Textverständnis, dass bei einem niedrigen Verständnisniveau und mehrdeutigen Beschreibungen das mentale Abbild erst einmal sehr nah am Text bleibt. Im Anschluss kann der Studierende den Text zwar durchaus wiedergeben, jedoch keine Interpretation durchführen, oder gar Schlussfolgerungen ziehen oder die höchste Form der Wiedergabe und des Verständnisses, eine Übertragung in weitere Beispiele, andere Zeichensysteme etc. durchführen. Je höher das Verständnisniveau beim Studierenden liegt, desto tiefer, strukturierter und gehaltvoller erfolgt die Ausarbeitung.

Jay Wright Forrester beschreibt die mentalen Modelle, die für ihn notwendig sind für seine wissenschaftlichen Grundlagen bezüglich der „Systems Dynamics“ folgendermaßen:

„A mental image or a verbal description in English can form a model of corporate organization and its processes. The manager deals continuously with these mental and verbal models of the corporation. They are not the real corporation. They are not necessarily correct. They are models to substitute in our thinking for the real system that is being represented.” 

Ferner ergänzt durch folgendes Zitat durch Forrester:” The mental model is fuzzy. It is incomplete. It is imprecisley stated. Furthermore, within one individual a mental model changes with the time and even during the flow of a single topic being discussed, each participant in a conversation employs a different mental model to interpret the subject.” 

In Gruppen wird uns bewusst, dass bei mentalen Modellen und dem gegenseitigen Aufbau von Verständnis für den jeweiligen Standpunkt Kompromissfindungen und -bereitschaft einen erheblichen Zeitfaktor bedeuten. Mentale Modelle haben die Gabe, Informationsfluten aufzunehmen, zu verarbeiten und sich immer wieder an die neuen Begebenheiten anzupassen. Jede neue Information wird sofort lückenlos eingefügt und das Gesamte ständig modifiziert. Nach Sterman benutzt der Mensch die mentalen Modelle als Filter, um Erfahrungen zu interpretieren, Evaluationen durchzuführen und Alternativen abzuwägen. Täten wir dies nicht, würden wir uns in veralteten Nebensächlichkeiten verlieren.

Menschliche mentale Modelle neigen zu Fehlern, beispielsweise sind sie nicht in der Lage, komplexe Simulationen fehlerfrei und allumfassend a) durchzuspielen und b) gleichzeitig zu bewerten und zusätzlich c) eine Analyse je möglichem Ansatz miteinander zu vergleichen. Weitere Schwachstellen sind, dass menschliche mentale Modelle schlecht definierbar sind und oft wenig klar erscheinen. Sofern durch die Modellbildung den relevanten Zielen und dem eindeutigen Zweck nicht genüge getragen wird, ist ein mentales Modell für einen Außenstehenden schwer bis gar nicht nachvollziehbar. Der Mensch kann komplexe Situationen nur begrenzt verarbeiten. Hier sind sich die Spezialisten der System Dynamics neben Forrester, auch Morecroft oder Sterman sowohl in der Benennung der Vorteile, als auch bezüglich der Nachteile nahezu einig.     

Wie bei Doyle und Ford (1998) beschrieben, wurden aufgrund dieser Erkenntnisse Software-Programme entwickelt, die die menschlichen Informationen verbalisieren und somit fehlerfrei simulieren können. Die Entscheidungsfindung wird vereinfacht und kann mit Unterstützung einer Software zukünftig nach jeglichen „Wenn – dann“-Variablen „durchgespielt“ werden.

Bei den verbalen Modellen muss das implizite Expertenwissen über die Entscheidungsregeln, Systemstrukturen und Variablenidentifikationen zunächst gebündelt werden. Einfachste Ausführungen (beispielsweise auf Tafeln) stellen bereits verbale Modelle dar.  Sofern eine weitere Strukturierung erfolgt, handelt es sich bereits um formale Modelle.

Da die mentalen Modelle durch oben beschriebene Mängel gekennzeichnet sind, legen die formalen Modelle in der System Dynamics die Grundlage zur Entscheidungsfindung. Nach Milling soll das Modell der obersten Hierarchiestufe zu einem besseren Verständnis führen und über Entscheidungsregeln das gesamte System hinsichtlich der Konsequenzen untersuchen.  

Formale Modelle haben Stärken und Schwächen. Sie sind explizit und präzise in der Darstellung. Alle Annahmen werden in Dokumentationen administriert und sind allen Interessierten immer frei zugänglich. Formale Modelle sind immer klar und verständlich beschrieben und dadurch  kommunizierbar, eindeutig und nachvollziehbar. Da sie sehr umfassend sind, berücksichtigen sie viele Faktoren simultan. Vorhandenes Wissen wird abstrakt dargestellt und dann zum zusammenhängenden Ganzen konsolidiert. Mit Unterstützung der System Dynamics können laut Milling formale Modelle auf ihre Konsistenz geprüft werden. Als gleichzeitige Schwäche wird festgehalten, dass die präzise Dokumentation in der Realität oft nicht wie gewünscht ausfällt, da sie sehr aufwendig erscheint. Die dort aufgeführten Annahmen sind aufgrund der Komplexität nur schwer nachzuvollziehen. Eine intuitive Plausibilitätskontrolle ist in diesen Modellen und in den kognitiven Prozessen nicht mehr möglich.