英语原文共 6 页
一、英文翻译原文
{ AKTUELLES SCHLAGWORT* / BUSINESS INTELLIGENCE
Business Intelligence
Einleitung
Business Intelligence (BI) ist kein neuer Begriff und trotzdem wird er oft wolkig verwendet, und zugleich kennzeichnet er einen Bereich houml;chster Aktualitauml;t im derzeitigen IT-Markt.
Der Nutzen von BI, etwa bei der Missbrauchser-kennung von Kreditkarten, der gezielten Selektion aus Massendaten zwecks wirkungsvoller, indivi-dueller Kundenansprache oder die Steuerung von Unternehmen uuml;ber Kennzahlen ist von hervorra-gender Bedeutung.
So sind BI-Spezialisten heiszlig; begehrt am Ar-beitsmarkt und milliardenschwere Uuml;bernahmen von BI-Produkt-Herstellern, etwa von Business Ob-jects durch SAP, Hyperion durch Oracle und Cognos durch IBM, zeigen die Bedeutung des Feldes.
Begriffe und Architektur
Wir folgen weitgehend der Definition von [1] und definieren Business Intelligence (BI) als betriebliche Entscheidungsunterstuuml;tzung durch einen integrier-ten, aufs Unternehmen bezogenen IT-basierten Gesamtansatz.
Business Intelligence ist also Entscheidungs-unterstuuml;tzung fuuml;rs Geschauml;ft. Das englische bdquo;intelligence“ bedeutet in diesem Zusammenhang nicht Intelligenz, sondern die durch Sammeln und Auswerten von Daten gewonnenen Informationen und Erkenntnisse (Abb. 1). Die Bedeutung auml;hnelt damit der Verwendung im Namen des US-Ge-heimdienstes CIA – Central Intelligence Agency.
Eine BI-Louml;sung besteht prinzipiell aus fuuml;nf grundlegenden Bausteinen (Abb. 2).
Die Datenversorgung transferiert Daten aus verschiedenen Datenquellen und erledigt
dabei Plausibilitauml;tspruuml;fungen, Bereinigungen, Vereinheitlichungen und Aggregationen. Das Da-tenmanagement ist der zentrale Baustein, hier erfolgt die Speicherung und Strukturierung der
DOI 10.1007/s00287-009-0374-1
copy; Springer-Verlag 2009
Markus Gruuml;nwald · Dr. Dirk Taubner
msg systems ag,
Robert-Buuml;rkle-Str. 1, 85737 Ismaning
E-Mail: {markus.gruenwald,
dirk.taubner}@msg-systems.com
*Vorschlauml;ge an Prof. Dr. Frank Puppe lt;puppe@informatik.uni-wuerzburg.degt; oder
Prof. Dr. Dieter Steinbauer lt;dieter.steinbauer@schufa.degt;
Alle bdquo;Aktuellen Schlagwouml;rter“ seit 1988 finden Sie unter:
www.ai-wuerzburg.de/as
Daten. Die BI-Anwendungen sind die eigentlichen Nutzanwendungen fuuml;r die Prauml;sentation und die Auf-bereitung von Informationen fuuml;r den Endnutzer und fuuml;r nachgelagerte Anwendungen. Das Meta-datenmanagement verwaltet Informationen uuml;ber die vorhandenen Daten, deren Verfuuml;gbarkeit, die durchgefuuml;hrten Transformationen und die Bereit-stellung dieser Daten. Das Warehouse Management schlieszlig;lich verwaltet die BI-Infrastruktur.
Die BI-Architektur eines Unternehmens wird oft in Schichten mit klaren Funktionen und defi-nierten Schnittstellen aufgebaut (Abb. 3). Wir folgen hier dem Muster der sogenannten Hub-and-Spoke-Architektur mit zentralem Data Warehouse als Hub und darauf aufbauenden Data Marts als Spokes.
Die einzelnen Schichten sind nachfolgend beschrieben.
– Quellen. Relevante Daten kouml;nnen sowohl aus un-ternehmensinternen als auch externen Systemen stammen. Externe Daten liefern beispielsweise Marktforschungsunternehmen, Verbauml;nde oder Partnerunternehmen. Uuml;ber eine Extraktions-schicht werden die Quelldaten in Schnittstellen dem Data Warehouse zur Verfuuml;gung gestellt.
– Datenversorgung Datenpool (Datenintegration). Hier erfolgt die syntaktische und semantische Har-monisierung der Daten aus den unterschiedlichen
Quellen. Dabei werden syntaktische Mauml;ngel, wie Formatanpassungen und Formatinkompatibili-tauml;ten, soweit wie mouml;glich automatisch erkannt und bereinigt. Syntaktische Unterschiede, wie unterschiedliche Kodierung gleicher Attribute, unterschiedliche Attributnamen mit gleicher Bedeutung oder gleiche Attributnamen mit un-terschiedlichen Bedeutungen werden mit fachlich definierten Bereinigungsregeln vereinheitlicht bzw. differenziert.
Semantische Mauml;ngel, wie fehlende Datenwerte, unbekannte Wertausprauml;gungen oder semantische Fehler in operativen Quelldaten werden mit fach-lich definierten Validierungsregeln erkannt und protokolliert, erfordern jedoch hauml;ufig eine manu-elle Bereinigung in den operativen Quellsystemen. Weiterhin erfolgt in dieser Schicht die semanti-sche Vereinheitlichung der zusammenzufuuml;hrenden Daten bezuuml;glich betriebswirtschaftlichen, fachspe-zifischen und zeitlichen Bedeutungen [1, S. 24ff.].
– Data Warehouse (DWH-Kern). Dieser zentrale Da-tenkern speichert die Daten in einer integrierten, einheitlichen Struktur uuml;ber lauml;ngere, historische Zeitrauml;ume und stellt sie fuuml;r Auswertungen und weitere Verarbeitungsschritte zur Verfuuml;gung. Wesentlich nach [2] ist, dass die Daten dauerhaft
gespeichert (non-volatile), themenorientiert struk-turiert (subject-oriented), integriert und historisch korrekt (time-variant) sind. Die Datenstruktur ist anwendungsneutral modelliert, also unabhauml;ngig von einzelnen Berichtsanforderungen. Sie orien-tiert sich an den relevanten Geschauml;ftsobjekten und deren Beziehungen. Zusauml;tzlich gestattet sie Histo-risierung und Versionierung der Geschauml;ftsobjekte und Beziehungen. Fuuml;r Flexibilitauml;t und Erweiter-barkeit sollte die Datenstruktur nahe einer dritten Normalform mit kontrollierten Redundanzen
资料编号：[4713]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
