Jörg Menker

Im ersten Teil des Blogs zum Datenmodell habe ich mich mit Geschäftsvorfällen als fachlich abgrenzbare Teilbereiche befasst.

In der grundsätzlichen Reihenfolge

• Bestimmung von Geschäftsvorfällen
• Bestimmung von Kennzahlen
• Bestimmung von Dimensionen

rücken wir jetzt also weiter zum nächsten Schritt, der Bestimmung von Kennzahlen. Kennzahlen sind dabei der eigentliche Auswertungsgegenstand. Sie sind Bewegungsdaten. Das bedeutet nicht nur, dass sie sich ständig ändern, sondern sie sollen sich auch ändern, denn an den Kennzahlen messen die Unternehmen ihren Erfolg oder Misserfolg. Umsätze sollen etwa steigen und Kosten sinken.

Kennzahlen müssen daher systematisch erhoben und kategorisiert werden. Wie schon bei der Bestimmung der Geschäftsvorfälle bietet es sich an Workshops zum Thema Kennzahlen abzuhalten. Wenn man in solchen Workshops nach Kennzahlen fragt, bekommt man häufig „Kennzahlen“ genannt, die gar keine sind (meist sind es dann Dimensionsattribute). Deswegen ist es wichtig die Eigenschaften von Kennzahlen vorab sauber zu definieren:

kennzahlen

Kennzahlen sind Zahlen. Man soll und will mit ihnen rechnen, sie z.B. für bestimmte Zeiträume verdichten (summieren). Eigenschaften wie „blau“ sind daher keine Kennzahlen, Promille dagegen könnte durchaus eine Kennzahl sein. Nicht alles, was numerisch vorliegt, ist aber deswegen gleich eine Kennzahl, dagegen ist sicher alles, was nicht numerisch vorliegt, keine Kennzahl.

Die Sammlung von Kennzahlen erfolgt am besten in Form einer Liste, die im Dialog mit den Teilnehmern des Kennzahlenworkshops entsteht. Diese Liste ist zunächst völlig unstrukturiert und kann auch Nicht-Kennzahlen enthalten, die später eliminiert werden müssen. Eine solche Bestandsaufnahme von Kennzahlen (und in diesem Fall auch Dimensionen) kann etwa so aussehen (das Beispiel stammt aus einem Kundenworkshop):

Kennzahlen und Dimensionen

 Jetzt braucht man nur noch etwas Struktur. Dazu teilt man die Kennzahlen in Kategorien ein:

• Basiskennzahlen vs. Abgeleitete Kennzahlen
• Dimensionale Kennzahlen (z.B. Anzahl Kunden) vs. echte Kennzahlen
• Kennzahlenhierarchien
• Granularität der Kennzahlen (pro was?)

Damit kennt man die Beziehungen der Kennzahlen untereinander (so es denn welche gibt) und deren Granularität, die in einen ersten Eindruck von den Dimensionen des möglichen Analyseraums vermittelt. Dabei legen die Ankerpunkte der Dimensionalität das theoretische Volumen des Datenmodells fest, das maximal die Anzahl der Ausprägungen (Granularität) aller Dimensionen miteinander multipliziert beträgt, fest. In der Praxis wird dieses Volumen jedoch nie erreicht, weil nicht alle Kombinationen auch tatsächlich zusammen kommen.

modellgranularität

Daran sieht man aber schon einmal, dass man Kennzahlen schlecht von Dimensionen trennen kann und Dimensionen mit ihren Attributen und deren Beziehungen untereinander das folgerichtig nächste Thema sind.

Aber das ist eine andere Geschichte.