Database Systems Überblick Part I (Uni Köln)

Die Vorlesung ist in zwei Themenbereiche untergliedert: Database Systems - Design and Management und Data, Models and Decisions, die jeweils in einer Semesterhälfte abgehalten werden. Beide Veranstaltungen sind thematisch unter dem Dach der Decision Support Systems unterzuordnen. Die Folien von Herrn Derigs sind meist auf Englisch, hier ist quasi die Deutsche Version zu finden (Englische Begriffe stehen oft noch dabei)

Nachfolgend eine Zusammenfassung zu den Inhalten von Database Systems

Einführung

Prozess der Entscheidungsfindung

• Alternativen wählen
• Alternativen generieren
• Vorgehen bestimmen (select course of action)
• Risikomanagement (handling risk)

Dabei hängen Entscheidungen ab von

• Organisationsumfeld (organizational setting)
• Situation
• Timing (timing of decisions)
• Organisationsstruktur (organizational design)
• Entscheidungstyp (decision type)
• und vor allem vom Entscheider (decision maker)!

Beispiele für Entscheidungen:

• Lehrplan erstellen
• Flugverkehrsplanung
• Routenplanung
• Preisfindung für Produkte
• Knappe Ressourcen effizient aufteilen
• Betreff für nächsten Newsletter festlegen

Definition und Hinweise

Arbeitsdefinition für Decision Support System: DSS is a computer based information system which support managers in solving problems (and can help managers understand problems)

Wichtiger Hinweis aus späterem Kapitel an dieser Stelle: DSS ist eine Philosophie / Theorie zur Entwicklung und Nutzung von Informationssystemen und keine Technologie

Specific DSS: Auf eine bestimmte Aufgabe spezialisiertes DSS

Ziele von DSS:

• Komplexe Berechnungen beschleunigen
• Fehler reduzieren
• Entscheidungskosten senken
• Überwinden von kognitive Einschränkungen bezüglich Informationsverarbeitung und Speicher
• Entscheidungszeiten reduzieren
• Entscheidungsqualität erhöhen
• Entscheidungsproduktivität erhöhen

Problem Solving and Decision Making

Was ist ein Problem?

Ein Problem ist

• eine Komplexität die aufgelöst werden muss (a state of difficulty that needs to be resolved)
• eine Zustands-Abweichung vom erwünschten Zustand (a discrepancy between existing and desired state)

Arbeitsdefinition Problem: A problem is a situation which is perceived to be undesireable that is significant to and may be solvable by some agent, although probably with some difficulty

Ein Problem ist keine Aufgabe! Auch zwischen Symptom und Problem muss unterschieden werden: Ein Symptom ist ein Zustand (condition) verursacht durch das Problem. Manager interpretieren Zustände als Symptome für Probleme.

;Weg-Problem
:Wie komme ich dahin (Türme von Hanoi)?
;Ziel-Problem
:Was ist mein Zielzustand (Sudoku)?

Problemanalyse:

Komplexität von Problemen / Problemtypen (nach Dörner)

Complexity of Problems can be divided into objective [Klarheit] (clear / fuzzy) and means [Bekanntheitsgrad] (known / unknown)
Komplexität von Problemen kann in Ziele (eindeutig / nicht eindeutig) und Mittel (bekannt bzw. verfügbar / nicht verfügbar) unterteilt werden

-	eindeutiges Ziel	nicht eindeutiges Ziel
Mittel verfügbar	Interpolationsproblem	-
Mittel nicht verfügbar	Syntheseproblem	dialektisches Problem

;Interpolationsproblem (Ziel: eindeutig / Mittel: verfügbar)
:Ziel: Prozesse optimal kombinieren
:Schwierigkeit: Menschen können dies meist nicht in annehmbarer Zeit lösen
:Lösung: Oft lassen sich gute Lösungen durch Approximation und Intuition finden

;Syntheseproblem (Ziel: eindeutig / Mittel: nicht verfügbar)
:Ziel: Erzeugung von korrekten Transformationsschritten / -prozessen
:Schwierigkeit: Unklar, mit welchen Mitteln
:Lösung: Brainstorming

;Dialektisches Problem (Ziel: nicht eindeutig / Mittel: verfügbar)
:Ziel: Kompromissfindung oder Entscheidung über ein unklares Ziel
:Schwierigkeit: Es besteht keine Klarheit über das Ziel
:Lösung: Mathemathische und statistische Modelle zur Bewertung der Alternativen

Mehr Infos hier

Problemtypen (nach Simon)

Simon unterscheided zwischen zwei Problemtypen:

;Programmierte / programmierbare (programmed) Probleme
:Routinelösung möglich, sich wiederholendes Problem, gut Strukturiert, nach einem Schema lösbar

;Nicht programierte / programmierbare (non-programmed) Probleme
:Neu und unbekannt, schwer zu lösen, nicht nach einem Schema lösbar

Heutzutage wird nicht mehr zwischen programmierbaren und nicht programmierbaren Problem, sondern zwischen
;Strukturiert
:Wegen einer klaren Struktur kann das Problem komplett durch ein System gelöst werden
;Nicht strukturiert
:Das auftretende Problem hat kein eindeutiges Muster, wiederholt sich selten, muss durch einen Menschen gelöst werden (kann durch ein System unterstützt werden)
;Semi-strukturiert
:Das Problem ist teilweise bekannt und kann interaktiv an einem DSS gelöst werden
unterschieden.

Phasen der Entscheidungsfindung (nach Simon)

Die nachfolgenden Phasen dienen der Entscheidungsfindung und können im Unternehmen systematisch angewandt werden. Zusätzlich zu den genannten Phasen sieht Simon Implementierung und Monitoring als relevante Nebenphasen an.

1. Informationsgewinnung (intelligence)

Beschreibung: Probleme und Entscheidungssituationen erkennen
Schwierigkeit: Transformation von Daten in Information
IS-Support: Data Warehouse und Data Mining

1. Signifikante Symptome aus der Umwelt erfassen
2. Unternehmensziele analysieren und Symptome gegenspiegeln
3. Daten sammeln
4. Probleme identifizieren, kategorisieren und evtl in Unterprobleme unterteilen

2. Design

Beschreibung: Alternativen generieren
Schwierigkeit: Alternativen durch Modellierung generieren indem vom realen Problem abstrahiert
IS-Support: Modellierungswerkzeuge / -systeme / -sprachen

1. Alternativen erfassen
2. Potenzielle Lösungen entwickeln
3. Modell erstellen und auf Machbarkeit und Validität testen
4. Auswahlprinzip festlegen
   1. Ziele bestimmen
   2. Kriterien und Nebenbedingungen erfassen
   3. Risiko kalkulieren und messen

3. Choice

Beschreibung: Alternativen analysieren und sich für eine Implementierung entscheiden
Schwierigkeit: Passende Simulationstechniken, Optimierungsalgorithmen, Suchtechniken zur Entscheidungsfindung heranziehen
IS-Support: Solver für Standardmodelle, Analyse-Tools

1. Suchen, Auswerten und Empfehlen von Lösungen, passend zu dem Modell
   1. Beste und mindestens ausreichende Alternativen identifizieren
   2. Was-wenn Analysen, Optimierung

Anwendung auf Problemtypen

;Strukturiert
:Alle drei Phasen haben standartisierte Prozesse, klare Ziele und wohldefinierten Input / Output. Es existiert genau ein Prozess für die optimale Lösung
;Nicht strukturiert
:Keine Struktur vorhanden, hier spielt die Menschliche Intuition eine große Rolle. Kann nur bedingt durch DSS unterstützt werden
;Semi-strukturiert
:Für einige Phasen liegen strukturierte Informationen vor und können durch standartisierte Prozesse abgebildet werden. Hier ist eine Interaktion mit dem Menschen nötig.

DSS hat semi-strukturierte Probleme im Hauptfokus!

RBIS- eine system- und managementorientierte Einführung

In der Black-Box-Sicht: Ein System wird als Einheit betrachtet, die Input aus einer Systemumgebung aufnimmt und in Output in die Systemumgebung transformiert (Input-Output-System)

Ein Unternehmen kann auch als Input-Output-System gesehen werden. Es transformiert z.B. Rohstoffe (Input) zu Produkten (Output). Dabei kann, wie in einem Regelkreissystem, auf den Output Einfluss genommen werden.

Ein Basissystem bildet Geschäftsprozesse ab. In den Managementebenen kommen folgende Systeme zum Einsatz:

• operatives System
• System für Steuerung und Kontrolle
• System für Strategische Planung

Daraus ergibt sich das Drei-Ebenen-Modell

Jedes System interagiert dabei auch im der Umwelt, nimmt Input auf und erzeugt Output.

Das klassische DSS - Konzept

DSS Paradigmen

DSS Technologielevel

• DSS Tools: Fundamentale Elemente von DSS: Programmiersprachen, Editoren, Abfragesysteme (query-systems)
• DSS Generatoren oder Engines: Integriertes Softwaresystem zum Bauen von DSS: Modellierung, Report-Erstellung, Visualisierung, Risikoanalyse, etc.
• Spezifisches DSS: Ein für das Problem speziell entwickeltes DSS (kann auch von einem Generator erzeugt worden sein)

Software Entwickler entwickeln Tools und die Generatoren. SDSS Entwickler sind auf spezifische DSS spezialisiert und implementieren diese im Unternehmen, verwenden und anpassen Generatoren. Manager nutzen spezifische DSS, um bessere Entscheidungen im Unternehmenskontext machen zu können.

DSS unterstützt nur den Entscheidungsprozess und soll ihn nicht komplett ersetzen.

DSS ist eine Philosophie / Theorie zur Entwicklung und Nutzung von Informationssystemen und keine Technologie

DSS ist Problemspezifisch, Standardlösungen sind hier kaum erstellbar.

Data Warehouse und Multidimensionales Datenmodell

Business Intelligence

Business Intelligence (BI) ist ein Prozess des Sammelns und Verarbeitens von Entscheidungsrelevanten Informationen für Unternehmensführer. BI ist die Transformation von Daten nach Information, damit Manager diese Analysieren und durch Einblick gute Entscheidungen treffen können.

BI-Software beinhaltet Tools zum Analysieren, Modellieren und Visualisieren von Daten um Entscheidungen und Reporting zu unterstützen.

BI-Zyklus besteht aus 4 Phasen:

1. Bewertung: Sammeln und Aufbereiten von relevanten Daten, Berechnung von KPIs
2. Analyse: Überführung der Daten zu Informationen bezogen auf das Unternehmen. Berechnung der Varianz der erwarteten Ergebnisse.
3. Insight: Interpretation der Daten mit Hilfe von Unternehmenswissen und Experten
4. Action: Entscheidung und Start der Ausführung

Es gibt verschiedene BI-Sichten:

• Hindsight (rückblickend): Analyse historischer Daten mittels Datenbank-Abfragen, Datenanalyse, Reporting
• Insight (aktuell): Derzeitigen Stand analysieren mittels Datenanalyse und Data-Mining
• Foresight (vorausschauend): Erstellung von Prognosen mittels Entscheidungsmodellen, Simulation, Optimierung

Die Grundlegenden Konzepte von Business Intelligence sind Data Warehouse und OLAP. Dabei werden alle für Entscheidungen relevanten Daten in einheitliche Datenstrukturen integriert und von den operationalen Daten zur Analyse getrennt. Mit diesem Datenbestand betreibt man dann Knowledge Discovery (Wissenssuche) und Data-Mining, wobei eine automatisierte Extraktion von impliziten und unbekannten Informationen / Wissen aus dieser Datenbank erfolgt.

Data Warehouse

Unterschied Data Warehouse und Data-Mining: Data Warehouse ist ein integrierter, vom operativen abgekoppelter Datenbestand auf dem Auswertungen nach gegebenen Mustern erfolgen. Data-Mining dient dagegen zur automatischen Erkennung von Mustern.

Definition (an Oracle angelehnt): Ein Data Warehouse ist eine relationale Datenbank welche speziell zum Zwecke der Auswertung und Analyse von Daten und nicht für das operative Geschäft erstellt worden ist. In der Regel enthält diese historische Daten abgeleitet von den angefallenen Transaktionsdaten und kann auch aus anderen Quellen angereichert werden. Somit wird die Rechenlast für die Analyse von der für die Transaktionsverarbeitung getrennt und ermöglicht Organisationen Daten aus verschiedenen Quellen zur Analyse heranzuziehen.

Datenanalyse - Prognose