<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1396596597151621&amp;ev=PageView&amp;noscript=1 https://www.facebook.com/tr?id=1396596597151621&amp;ev=PageView&amp;noscript=1 ">
blog_Hero.jpg
Veröffentlicht von       Marc Kaiser

Der Unterschied zwischen OLAP und assoziativ bei Analytics-Systemen

“Wer, wie, was? Wieso, weshalb, warum? Wer nicht fragt, bleibt dumm.” Erinnern Sie sich an das berühmte Lied aus der Sesamstrasse? Was hat das mit dem Thema Analytics zu tun? Auch dort geht es um wichtige Fragen, um Antworten, um Weiterentwicklung. Inwiefern die Analytics-Lösung dazu beitragen kann, hängt von deren Konzeption ab - OLAP oder assoziativ?

Worin unterscheiden sich OLAP-Business Intelligence Systeme von assoziativen Self Service BI Lösungen? Welche Fragestellungen lassen sich mit welchem Ansatz besser beantworten? Wie wählen Unternehmen den passenden Ansatz? Lesen Sie weiter, wenn Sie mehr über die zwei Ansätze lernen wollen.

 

Das Wesen der OLAP-Technologie
Die OLAP-Technologie wird oft von traditionellen Business Intelligence Systemen eingesetzt, um Anwendern Daten für mehrdimensionale Analyse zur Verfügung zu stellen. In diesen vordefinierten Datenwürfeln werden bereits bekannte Fragestellungen so abgebildet, dass der Endanwender die verschiedenen Aggregationspunkte analytisch untersuchen kann. Dieser enge Rahmen wird mit dem assoziativen Ansatz gesprengt. In der assoziativen Analyse bewegt sich der Endanwender frei in den Daten und erkennt so auch bisher verborgene Zusammenhänge. Die assoziative Analyse hebt die Datenanalyse somit auf ein neues Level, das Antworten auf Fragen liefert, die vorher nicht bekannt waren.


Was ist eine OLAP-Analyse?
Ein OLAP-Würfel (Online Analytical Processing) stellt eine hypothesengestützte Analysemethode zur Verfügung. Diese setzt voraus, dass vor der Analyse bekannt ist, welche Anfragen das OLAP-System zu beantworten hat. In einem Datenwürfel werden des Weiteren die verschiedenen Aggregationspunkte der vorgängig definierten Dimensionen und Kennzahlen vorberechnet. Dies ermöglicht oft eine schnelle Abfrage durch den Endanwender, innerhalb der vorgängig definierten Grenzen des Würfels.

Wie sieht eine Analyse in der Praxis mit OLAP aus?
Der Anwender eines OLAP-basierten Analysesystems in einem Handelsunternehmen benötigt eine Antwort auf die Frage, wie viel Umsatz ein Kunde mit einem bestimmten Produkt im aktuellen Jahr erzielt 

hat. In der Welt der Datenwürfel bedeutet dies, dass jemandem im Unternehmen – höchstwahrscheinlich der IT oder externen technischen Experten – diese Frage bei der Konzeption des Cubes bereits bekannt war. Und dass die Aggregationspunkte zwischen Produktegruppen, Kunden, Zeit (Dimensionen) und dem Umsatz (Kennzahl) vorberechnet wurden. Sind diese zwei Voraussetzungen gegeben, ist der Würfel nun in der Lage, dem Anwender die gewünschte Antwort in einer Abfrage zu liefern.

Wie wird die Fragestellung auf dem assoziativen Weg beantwortet?
Gehen wir wieder von der gleichen Frage aus, wie oben beschrieben. Zum einen ist es bei einer assoziativen Analytics-Lösung nicht notwendig, Dimensionen und Kennzahlen im Vorfeld zu definieren. Im assoziativen Modell bestimmt der Anwender dies selbst. Damit gelangt der Benutzer zum gleichen Resultat wie mit dem OLAP-Konzept. Jedoch steht es ihm nun frei, weitere Fragen zu stellen. Zum Beispiel, welche Produkte der Kunde noch nicht gekauft hat. Und 

ob dies schon immer so war, oder ob man den Umsatz ggf. an einen Mitbewerber verloren hat. Im assoziativen Modell bestimmt also der Anwender ad-hoc und selbständig seine Fragen. Er kann die Resultate direkt hinterfragen und den Blickwinkel auf die Daten interaktiv seinen Bedürfnissen laufend anpassen. Damit werden Zusammenhänge offensichtlich und Erkenntnisse gewonnen, die sonst im Verborgenen und unentdeckt blieben.

 

Ein Datenwürfel beinhaltet nur einen Teil der Story. Das assoziative Modell zeigt das ganze Bild.

 

 

Der Mehrwert der assoziativen Datenanalyse mit Self Service BI
Der assoziative Ansatz erlaubt es Anwendern, ihre eigenen Daten selbständig zu erkunden, ohne im Vorfeld Datenwürfel mit vordefinierten und limitierten Dimensionen und Kennzahlen zu erstellen. Dieser in der OLAP-Welt zwingende Schritt wird mit dem assoziativen Modell übersprungen – Daten können so direkt zu Informationen gewandelt werden. Während in einem Würfel die Anzahl der Dimensionen oft limitiert sind (aufgrund der vordefinierten Aggregationspunkte) setzt das assoziative Modell keine Grenzen. Dies befähigt den Anwender, bei Bedarf die benötigten Felder laufend zu erweitern. Zudem kann bei einer assoziativen Analytics-Lösung die Granularität beliebig und während der Laufzeit verändert werden: Aggregationen werden laufend neu erstellt, während in einem OLAP-Würfel sowohl die Granularität wie auch die Aggregationen im Vorfeld bestimmt werden.

 

olap vs. assoziativ
 

 

Das Schaubild zeigt den wesentlichen Unterschied der beiden Ansätze: In einem Würfel ist der Einstiegspunkt vordefiniert und der Analysepfad ist vorgegeben. Der Anwender sieht immer nur einen Teil des Ganzen. Beim assoziativen Ansatz legt der Anwender den Analysestart selbst fest und erkundet frei die Zusammenhänge in den Daten – und hat damit immer das ganze Bild vor Augen.

Oder, um es mit dem Lied aus der Sesamstrasse zu sagen: “Tausend tolle Sachen, die gibt es überall zu sehen. Manchmal muss man fragen, um sie zu verstehen.”

 

OLAP basierte Analytics Lösungen beantworten WAS passiert ist (Wirkung).

Assoziative Self Service Systeme erklären WARUM etwas passiert ist (Ursache UND Wirkung). 

 

Welches ist das richtige Konzept für mich?
Der passende Ansatz hängt unter anderem davon ab, ob die zu stellenden Fragen im Vorfeld abschliessend bekannt sind. Ist dies der Fall, kommen die Anwender auf Basis der OLAP-Technologie problemlos und meistens effizient zu ihrem gewünschten Ergebnis.

 

Die wichtigsten Kriterien für ein assoziatives Analytics-Modell:

  • Zusätzliche Fragen können sich im Laufe des Analyseprozesses stellen
  • Es werden viele interaktive Analysen im Self Service Modus benötigt
  • Die Analyse-Resultate werden tiefgreifend hinterfragt
  • Die Anwender wollen die Ursachen von Abweichungen herausfinden
  • Die Benutzer wollen die Zusammenhänge in den Daten verstehen

 

Sind diese Anforderungen im Unternehmen gegeben, eignet sich der assoziative Ansatz besser als die OLAP-Technologie. Er fördert die interne Datenkompetenz und ermöglicht das Generieren wertvoller und tiefgreifender Erkenntnisse, die die Basis für wichtige Geschäftsentscheidungen sind. Das assoziative Modell ist zudem eine ideale Basis für Self Service BI.

Eine Übersicht der zentralen Unterschiede zwischen OLAP und assoziativen Analytics-Systemen finden Sie auch in diesem Whitepaper am Beispiel von Qlik.

 Neuer Call-to-Action

Marc Kaiser

Marc Kaiser

Als Betriebsökonom und BI-Spezialist garantiert Marc Kaiser den Miteinbezug aller relevanten Zusammenhänge. Dank seiner langjährigen Erfahrung im Bereich Business-Applikationen besitzt er die wertvolle Fähigkeit, auch komplexeste Kundenanforderungen in griffige Lösungen umzusetzen. Kunden und Mitarbeitende schätzen seine ausserordentliche Fähigkeit zuzuhören und seine systematische und analytische Art, Probleme in Lösungen zu überführen.

VERWANDTE BEITRAGE