Zum Hauptinhalt der Seite springen

OLAP - Definition und Entwicklung

Der britische Mathematiker und Datenbanktheoretiker Edgar Frank Codd schuf 1993 den Begriff OLAP als Abkürzung für Online Analytical Processing. Codd hatte schon in den 60er und 70er-Jahren als IBM-Mitarbeiter das relationale Modell entwickelt, welches die Grundlage der relationalen Datenbanken bildet. Ziel war es Anfang der 90er Jahre, eine spezielle Datenbank zu entwickeln, die multidimensionale Daten für Analysen und Reporting effizienter speichert als relationale Datenbanken, um damit schnellere Analysen zu ermöglichen.

Inzwischen gibt es mehrere OLAP-Datenbanken am Markt, den größten Marktanteil hat Microsoft mit den SQL Server Analysis Services. In Verbindung mit den OLAP-Datenbanken gibt es eine große Anzahl an Business Intelligence-Anwendungen für Analyse und Reporting aber auch für Planung und Budgetierung. Schwerpunktmäßig werden diese Anwendungen in Controlling und Finance genutzt, es lassen sich aber Einsatzszenarien für alle Unternehmensbereiche finden.

Mehrdimensionale Datenbank als Merkmal von OLAP-Systemen

Grundsätzlich führen OLAP-Systeme einen eigenen redundanten Datenbestand, der per Import direkt aus den operativen Daten oder einem zwischengelagerten Data-Warehouse übergeleitet wird. Planwerte können in aller Regel auch direkt im OLAP-System erfasst werden. Die Kernfunktionalität eines OLAP-Systems ist durch die Mehrdimensionalität gekennzeichnet, d.h. ein Wert wie z.B. der Umsatz oder der Deckungsbeitrag wird genau einer Ausprägung verschiedener Dimensionen, wie z.B. Kunde, Artikel und Zeit zugeordnet. Bildlich wird dieser Zusammenhang üblicherweise in Form eines Würfels (engl. Cube) dargestellt (Vgl. Abb. 1), auch wenn der Vergleich ein wenig hinkt, da OLAP grundsätzlich beliebig viele Dimensionen abbilden kann.

Abb. 1 Bildliche Darstellung eines OLAP-Cubes
Abb. 1 Bildliche Darstellung eines OLAP-Cubes

Der OLAP-Cube

Damit ist auch nachvollziehbar, dass die Designphase eines OLAP-Cubes ganz entscheidend für die späteren Analysemöglichkeiten ist. Im OLAP-Cube werden die Daten immer aggregiert geführt, d.h. auf der Ebene Kunde, Artikel, Zeit, Plan bzw. Ist usw. Der Zugriff aus dem OLAP-System auf die zugrundeliegenden Belege wie z.B. Rechnungspositionssätze o.ä. ist ohne Weiteres damit nicht gegeben.

Als OLAP-Cube wird auch das einzelne Datenmodell bezeichnet, in dem die Werte und Dimensionen festgelegt sind. Meistens werden verschiedene Cubes für unterschiedliche Analysen benötigt.

Häufig benutzt werden Vertriebscubes, bei denen Absatzmengen, Umsätze, Rabatte, Anschaffungs- und Herstellkosten, Deckungsbeiträge, Gemeinkosten usw. in beliebig tiefer Ausprägung nach beliebigen Dimensionen wie z.B. Kunde, Vertreter, Region, Artikel, Produktgruppe, Zeit, Plan bzw. Ist usw. ausgewertet werden können.

Aber auch für die Analyse des Auftragseingangs, von Beständen, der Produktion usw. sind OLAP-Cubes denkbar.

Die Dimensionen sind üblicherweise hierarchisch aufgebaut. Ein Kunde gehört z.B. zu einem Vertreter, einem Vertriebsgebiet oder einer Region. Diese Abhängigkeiten sind quasi die Stammdaten des OLAP-Cubes. Ein Wert wird beim Import einem Kunden (und einem Artikel und der Zeit…) zugeordnet. Durch die Zuordnung zum Kunden ist damit auch klar, zu welchem Vertreter, Vertriebsgebiet usw. der Datensatz gehört.

Slice and dice als wesentliche Funktionalität

Durch die Aggregation der Daten ist ein Drill Down, d.h. der Sprung von einer höheren zu einer tieferen Detaillierungsebene möglich. Beispielsweise kann durch Aufblättern der Produktgruppe in die zugeordneten Artikel verzweigt werden. Das Gegenstück zum Drill Down ist der Roll Up, also das Springen von einer tieferen zu einer höheren Detaillierungsebene.

Eine zentrale Funktionalität aller OLAP-Systeme ist das sogenannte „slice and dice“. Slice bedeutet „in Scheiben schneiden“ und bezeichnet einen zweidimensionalen Ausschnitt des Würfels, vergleichbar mit einer Pivottabelle. Für eine vorgegebene Produktgruppe werden z.B. untereinander alle Vertriebsregionen gezeigt, in den Spalten Plan, Ist und Abweichung. Dice meint das „perspektivische Drehen“ des Würfels. Vorgegeben ist jetzt z.B. der Plan, in den Zeilen sind die Produktgruppen, in den Spalten die Vertriebsregionen usw.

Relationale Business Intelligence Systeme ebenfalls verfügbar

Abb. 2 Pivotplanung in der relationalen Business Intelligence-Software macs complete
Abb. 2 Pivotplanung in der relationalen Business Intelligence-Software macs complete

OLAP-Systeme waren die Vorreiter für die o.a. Funktionalitäten. Heute gibt es aber auch relationale Business Intelligence-Systeme wie z. B. macs complete, die grundsätzlich die gleichen oben beschriebenen Funktionalitäten bieten.

Die Abb. 2 zeigt ein Beispiel aus macs complete mit Drill Down bei Zeilen und Spalten sowie zugehörigen Belegdaten.

Da die Datenhaltung nicht aggregiert erfolgen muss, ist aber bei diesen Systemen ein Drill Down bis auf Belegebene möglich. Außerdem bietet die relationale Datenhaltung den Vorteil, dass klassisch erstellte Programme den Funktionsumfang, z.B. bei der Planung, erweitern.

In aller Regel sind relationale Datenbanken wie z.B. der Microsoft SQL Server, der bei macs complete zum Einsatz kommt, auch noch preiswerter als entsprechende OLAP-Datenbanken. Und bei den Antwortzeiten stehen die relationalen Business Intelligence-Systeme den OLAP-Systemen dank der heutigen Technologie in nichts mehr nach.

Haben Sie noch Fragen?

Wir stehen Ihnen gerne zur Verfügung!

→ Datenschutzerklärung ansehen