Das Datenplanungs- und Informationsmüdigkeitssyndrom
Lesen Sie diesen Artikel, um mehr über Datenplanung und das Informationsmüdigkeitssyndrom zu erfahren:
Das Informationsvolumen nimmt bei geometrischen Fortschritten zu und es wird immer schwieriger, mit der stattfindenden Informationsexplosion fertig zu werden.
Bild mit freundlicher Genehmigung: engazegypt.com/uploads/services/136853078516158773-internet-a.jpg
Die Datenplanung sollte sich auch auf dieses Problem konzentrieren. In den folgenden Absätzen wird dieses Problem und die Reaktion der Datenbanktechnologie auf dieses Problem behandelt.
Information Fatigue Syndrome:
Eine kürzlich durchgeführte internationale Umfrage "Dying for Information" hat eine erstaunliche Erkenntnis hervorgebracht, dass die Hälfte aller Manager über eine Informationsüberflutung beklagt wird, die dazu führt, dass das bestehende hohe Stressniveau erhöht wird, was zu Erkrankungen führt. Die Umfrage zeigt außerdem, dass Manager erwischt werden in einem Führungsdilemma im Zeitalter von Faxen, Voicemail und Internet.
Sie glauben auch, dass sie ohne hohe Informationsniveaus nicht gut funktionieren können. Diese schwere Belastung durch häufig irrelevante Daten wirkt sich jedoch auf deren Effizienz aus und verstopft die Unternehmensmaschine. "Zeitverschwendung, Verzögerung von Entscheidungen und Spannungen können auf Informationsüberflutung zurückgeführt werden".
"Zu viele Informationen können genauso gefährlich sein wie zu wenig", resümiert das Dilemma, dem Manager heute gegenüberstehen. Dieses Phänomen wird als "Informationsmüdigkeitssyndrom" bezeichnet und ist "jetzt ein Teil des Lebens einer Führungskraft". Das berühmte Zitat "Wasser überall Wasser, kein Tropfen zu trinken" des Ancient Mariner kann auch für Informationen geeignet sein.
In letzter Zeit wurden Versuche unternommen, um der Herausforderung des Information Fatigue Syndrome zu begegnen. Eine Vielzahl von Softwaretechniken wie Datenbanktechnologie, Abfragesprachen, 4GLs, OOPs, ausführende Informationssysteme, Experteninformationssysteme usw. stehen zur Verfügung, um Managern qualitativ hochwertige Informationen zur Verfügung zu stellen.
Diese Techniken haben sich jedoch aufgrund der beträchtlichen Wachstumsrate des Informationspools als unzureichend für die Aufgabe erwiesen. Der Hauptgrund dafür war, dass die in Datenbanken verfügbaren Daten transaktionsorientiert und nicht subjektorientiert waren.
Die Daten zu den aktuellen Vorgängen sind für einen Datenbankadministrator am größten. Eine einfache Frage, welche Beziehung zwischen dem Verkauf von Zigaretten, Erfrischungsgetränken und Babynahrung besteht. oder was ist der erwartete Anstieg des Verkaufs, wenn das Warenhaus auch am späten Abend geöffnet bleibt, kann dies den Informationsmanagern von heute Schockwellen senden.
Die Abfragen zu solchen Problemen erfordern die Verwendung eines riesigen Pools aktueller und früherer Daten zum Verhalten von Kunden in verschiedenen Situationen. Es erfordert einen Datenspeicher, der speziell für solche Anfragen eingerichtet ist. Um den Zeit- und Kostenaufwand für die Analyse und Speicherung zu reduzieren, sollten die Daten in einem solchen Fall nach einer bestimmten Grundaggregation und Analyse gespeichert werden.
Die Ermittlung des Aggregationsgrades und die Beseitigung von Redundanz stellt die Informationsmanager vor große Herausforderungen. Da die Art der Anfragen in solchen Fällen nicht vorhersehbar ist, wird die Aufgabe noch schwieriger. Um diese Herausforderung zu meistern, wurde ein Information Warehouse-Ansatz entwickelt.
Data Warehousing-Ansatz:
Der Data Warehousing-Ansatz (manchmal auch als Information Warehousing-Ansatz bezeichnet) legt nahe, dass Informationen nach dem grundlegenden Ansatz, der für Warehouses für andere physische Eingaben verwendet wird, beschafft, aufbewahrt und bereitgestellt werden müssen.
Die allgemeinen Lagermöglichkeiten werden entwickelt, wobei erkannt wird, dass ein Lagerbestand den Produktionsprozess behindern würde und Auswirkungen auf das Endergebnis haben wird. So werden die benötigten Artikel regelmäßig und gezielt beschafft, verarbeitet und jederzeit einsatzbereit gehalten.
Die Besonderheit des Information Warehousing-Ansatzes besteht darin, dass ein Data Warehouse erstellt wird, das sich von den normalen Datenbanken unterscheidet, die von einem Unternehmen verwaltet werden.
Es wird hier davon ausgegangen, dass Daten, die aus verschiedenen Quellen wie Produktion, Marketing und Finanzen erhoben und konsolidiert und beschafft werden, zu wichtig sind, um mit komplexen analytischen Fragen der Benutzer interferiert zu werden. Daher werden Abfragen an eine extrahierte Datenbank gerichtet, die speziell für Besprechungsanalyse-Abfragen organisiert ist. Eine solche Datenbank wird auch als Metadaten bezeichnet.
Dieser Ansatz kombiniert die Analysewerkzeuge, Hochgeschwindigkeits-Parallel- und Multiprozessorsysteme mit speziellen Algorithmen und Softwaretools. Die Besonderheiten des Ansatzes können durch die Schritte des Prozesses, mit denen er die analytischen Fragen erfüllt, besser verstanden werden. Diese Schritte sind:
ein. Erfassung von Daten, auch als Sammeln oder Sammeln von Daten aus verschiedenen Quellen mit unterschiedlichen Anwendungen bezeichnet;
b. Bereinigen von Daten (Datenbereinigung), um Konsistenz und Vollständigkeit sicherzustellen. Es beinhaltet auch das Entfernen redundanter Datenelemente;
c. Organisieren der Daten in Datenbanken, die speziell für die Analyse von Daten entwickelt wurden. Diese Datenbankdesigns unterscheiden sich von denen, die für die Aufzeichnung und Berichterstellung in einem Unternehmen verwendet werden. Sie sind frei von Quellen, Authentizität, Prüfpfaden usw.
d. Verfügbarkeit von Online-Analyseprozessoren (OLAPs), Data Mining-Tools, Datenvisualisierungs-Tools, Internet-Enabling-Tools, Executive Information Systems (EIS) und anderen Datenanalyse- und Berichterstellungs-Tools zur Erfüllung der anspruchsvollen analytischen Fragen der Benutzer.
Eine kritische Entscheidung, die getroffen werden muss, bezieht sich auf die Auswahl von Daten, die in Informationsdatenbanken gespeichert werden sollen. Wenn es möglich ist, den Informationsbedarf für die Zukunft vorherzusagen, genügt ein Two-Box-Modell.
In diesem Modell werden die Betriebsdaten zusammengefasst und möglicherweise zukünftig benötigte Daten in die Informationsdatenbank kopiert. Falls der zukünftige Informationsbedarf nicht vorhergesagt werden kann, ist ein Drei-Box-Modell möglicherweise geeigneter. In diesem Modell werden zunächst die gesamten Betriebsdaten in einer sogenannten historischen Datenbank gespeichert. Anschließend wird ein ausgewählter Teil der Datenbank in einer Informationsdatenbank gespeichert. Die Abbildung 9.9 zeigt die beiden Modelle.
Der Data-Warehousing-Ansatz gewinnt an Boden, wie seine breitere Akzeptanz bei den führenden Softwareherstellern zeigt. Führende Unternehmen für Datenbanksoftware wie Oracle, Sybase, Informix und IBM haben sich offen für diesen Ansatz ausgesprochen. Informix hat Verbindungen zu Prism Solutions hergestellt, einem von Bill Inmon gegründeten Unternehmen, das als Vater des Data-Warehousing-Ansatzes gilt.
Vorteile des Data Warehousing-Ansatzes:
Data Warehousing wird aus folgenden Gründen immer beliebter:
ein. Es beschleunigt die Datenanalyse, da die Datenaggregate gespeichert werden und die täglichen Transaktionen den Analyseprozess nicht behindern.
b. Es bietet Flexibilität in Bezug auf die Art der Abfrage und konzentriert sich auf Themen und Aktivitäten statt auf Transaktionen.
c. Es hilft, verschiedene Geschäftsprozesse und Verhaltensmuster von Kunden, Lieferanten, Investoren usw. zu verstehen.
Zu den Erfolgsgeschichten bei der Verwendung von Data Warehousing gehört die Wal-Mart-Filialkette, die 7, 5 Terabyte an Datenspeicherung für verschiedene Aspekte von Einzelhandelsgeschäften verarbeitet. Die Umsatzentwicklung wird analysiert und die Auswirkungen verschiedener Änderungen wie Rabatte und andere Verkaufsentscheidungen werden regelmäßig beurteilt, um die zukünftige Vorgehensweise zu bestimmen.
Ein anderes Beispiel ist Reuters, ein Finanzinformationsdienstanbieter, der eine neue Reihe von Informationsdiensten wie Money 3000, Securities 3000 und Treasury 3000 entwickelt hat. Das Unternehmen bietet Finanzinformationen einen Mehrwert, indem es seinen Benutzern Zugang zu seinen historischen Informationen über Märkte bietet und Instrumente.
Es verwendet den Data-Warehousing-Ansatz, um Daten auf verschiedenen Computern weltweit zu speichern und zuzulassen. Die Daten stammen aus 4600 verschiedenen Quellen, darunter 236 Märkten, 241 Analysten und 50 neuen Feeds von Drittanbietern sowie einem eigenen Team von 1860 Journalisten. Für solch große Datenmengen wurde der Data Warehousing-Ansatz als am besten geeignet angesehen.
Kritische Erfolgsfaktoren bei Data Warehousing:
Um alle Vorteile eines Data Warehousing-Systems voll zu nutzen, müssen Faktoren berücksichtigt werden, die für die Wirksamkeit solcher Systeme entscheidend sind.
Einige dieser Faktoren sind:
a) Der Data Warehousing-Ansatz erfordert enorme Investitionen in Hard- und Software. Dieser Ansatz wäre daher nur in großen Unternehmen sinnvoll, wo das Potenzial des Systems voll ausgeschöpft werden kann.
b) Data Warehousing erfordert umfangreiche architektonische Änderungen in den bereits etablierten Datenbanken. Solche Änderungen können zu Funktionsstörungen der vorhandenen Systeme führen, oder die vorhandenen Systeme müssten einige Zeit mit den neuen Systemen parallel laufen.
In ähnlicher Weise gibt es andere technologische und geschäftliche Hindernisse, die die erfolgreiche Einführung dieser Systeme verhindern können. Der Umgang mit Hindernissen während des Umsetzungszeitraums, der zwischen 18 und 24 Monaten liegt, wird ein wichtiger Faktor für den Erfolg des Lagersystems sein.
c) Das volle Potenzial dieses Ansatzes kann nur dann realisiert werden, wenn ein Array von Datenanalyse-Tools zur Erzeugung von Informationen verwendet wird. Die Auswahl und Verwendung von Datenanalyse-Tools hängt von der Verfügbarkeit dieser Tools sowie von der Unternehmenskultur ab. Der Data Warehousing-Ansatz wäre erfolgreich, wenn in einem Unternehmen eine geeignete Arbeitskultur herrscht.
d) Dieser Ansatz setzt eine sehr ausgereifte IT-Umgebung voraus, in der die IT-Durchdringung bei alltäglichen Aktivitäten sehr hoch ist. Das Benutzerunternehmen sollte bereits eine große Menge historischer Daten auf den magnetischen Medien gespeichert haben. Es ist also ein evolutionärer und kein revolutionärer Prozess.
Die Kapitalrendite in diesem Ansatz ist eine Grauzone, und daher muss eine Kosten-Nutzen-Analyse durchgeführt werden, bevor Sie in den Bereich Data Warehousing einsteigen.
