Betriebs- und Wirtschaftsinformatik

Die Wirtschaftsinformatik befasst sich mit Planung, Entwicklung, Implementierung, dem Betrieb, Weiterentwicklung und ökonomischen Einsatz von Informations- und Kommunikationssystemen, die zur formalisierten Unterstützung der ablaufenden Geschäftsprozesse und zur strukturierten strategischen Entscheidungsfindung in Unternehmen und in der öffentlichen Verwaltung eingesetzt werden. (Definition aus de.wikipedia.org)

Betriebliches Informationsmanagement

Betriebliche Informationssysteme werden immer wichtiger. Man unterscheidet:

ERP-Systeme (Enterprise Ressource Planning)

Komplettpakete für die integrierte Unternehmens-Verwaltung, die alle wesentlichen betrieblichen Funktionsbereiche abdeckt (Beschaffung, Produktion, Vertrieb, Finanzwesen, Personalwirtschaft). Die Daten werden in einer zentralen Datenbank verwaltet, wodurch integrierte Geschäftsprozesse unterstützt werden.

Unter einem ERP-System (engl. Enterprise Resource Planning) versteht man ein aus mehreren Komponenten bestehendes integriertes Anwendungspaket, das die operativen Prozesse in allen wesentlichen betrieblichen Unternehmensbereichen unter­stützt:

• Finanz- und Rechnungswesen
• Personalwirtschaft
• Materialwirtschaft
• Produktion
• Vertrieb
• CRM

E-Business-Systeme sind ERP-Systeme, die um marktorientierte Funktionen bzw. Anwendungskomponenten erweitert sind.

Weltweiter Umsatz der Top ERP-Anbieter im Mittelstand 2007 und 2008 (Quelle: de.wikipedia.org)

Beispiele für ERP-Software

• Oracle E-Business Suite
• Peoplesoft (www.peoplesoft.com; von Oracle übernommen)
• J. D. Edwards
• mySAP ERP 2004; SAP R/3 (SAP)
• Microsoft Dynamics NAV (ehem. „Navision“)
• Microsoft Dynamics AX (ehem. „Axapta“)
• Microsoft Dynamics SL (ehem. „Solomon“)
• Microsoft Dynamics GP (ehem. „Great Plains“)
• Semiramis (Cross Industries Software, CIS)
• Onyx (www.onyx.com)
• Audius (www.audius.de)
• RegWare (www.regware.de)
• Update.com (www.update.com)
• iScala (Arca Systems)
• Oxaion (Command)
• WinLine (Mesonic)
• BMD (BMD Steyr)
• RZA-Fibu (www.rza.at)
• SQL Ledger (Open Source)
• GNU Enterprise (Open Source)
• ERP5 (Open Source)
• AvERP (Open Source)
• Compiere (Open Source)

	Anbieter	Umsatz 2006 (Mio $)	Umsatz 2007 (Mio $)	Marktanteil 2008
1	SAP	5.730,1	5.732,3	26,8 %
2	Oracle	2.608,3	2.718,9	12,7 %
3	Sage	1.459,5	1.695,7	7,9 %
4	Infor	1.239,6	1.312,6	6,1 %
5	Microsoft	778,9	795,9	3,7 %
6	IFS	260	270	3,1 %
7	Agresso	160	199	2,2 %

Zwei Screenshots aus dem ERP-Paket “SAP Business One” sollen den prinzipiellen Aufbau und eine typische Bildschirmmaske illustrieren:

CRM-Systeme (Customer Relationship Management)

Customer Relationship Management, kurz CRM (dt. Kundenbeziehungsmanagement) oder Kundenpflege, bezeichnet die konsequente Ausrichtung einer Unternehmung auf seine Kunden und die systematische Gestaltung der Kundenbeziehungs-Pro­zesse. Die dazu gehörende Dokumentation und Verwaltung von Kundenbeziehungen ist ein wichtiger Baustein und ermöglicht ein vertieftes Beziehungsmarketing. In vielen Branchen (z. B. Telekommunikation, Versandhandel) sind Beziehungen zwischen Unternehmen und Kunden langfristig ausgerichtet. Mittels CRM werden diese Kundenbeziehungen gepflegt, was sich maßgeblich auf den Unternehmenserfolg auswirken kann.

Kundenansprachen und Kundenbindungen nehmen einen immer höheren Stellenwert ein, da die Gewinnung von Neukunden bis zu fünf Mal teurer sein kann als die Kundenbindung. Daher werden bei vielen Unternehmen sämtliche Daten von Kunden und alle mit ihnen abgewickelten Transaktionen in Datenbanken gespeichert. Diese Daten können integriert und aufbereitet werden, um im Unternehmen an jeder Stelle in der passenden Zusammenstellung zur Verfügung zu stehen. Die Daten und Transaktionen werden immer im Kontext zu Prozessen eines Unternehmens gesehen.

CRM unterstützt die Kommunikation im Kundenprozess mit verlässlichen Zahlen, Daten, Fakten, um die Aufmerksamkeit in Beziehungen mit einem hohen Kundenwert zu konzentrieren (siehe hierzu: Key-Account-Management) und Schwachstellen im Dialog mit dem Kunden zu identifizieren. So gibt CRM-Software z. B. eine Struktur vor, um einen standardisierten Arbeitsvorgang zu gewährleisten. Trotzdem orientiert sich nicht der Prozess an der Software, sondern die Software sollte sich an den Prozessen orientieren.

Electronic Customer Relationship Management befasst sich mit der Umsetzung des CRM in elektronischen Medien.

Welche Daten gespeichert werden, ist u. a. abhängig von den konkreten Zielsetzungen des CRM und der Branche des Unternehmens.

• Adresse und weitere Kontaktmöglichkeiten
• komplette Kundenhistorie (Telefonate, Meetings, Briefkontakte, E-Mails)
• Angebote mit Bewertung der Realisierungschancen
• Lost orders (verlorene Aufträge an den Wettbewerb mit Angabe der Verlustgründe)
• laufende und abgeschlossene Aufträge
• Kunde privat (Hobbys, Familie, Politik, Militär, Stammtisch, Studentenverbindung, ggf. Empfänglichkeiten, Vereine, Ess- und Trinkgewohnheiten, „schwache Punkte“)
• Kunde finanziell (Einkommen, Vermögen, Schulden, Zahlungsmoral, Bonität, Versicherungen, Erbschaften)
• Kunde steuerlich
• Kunde gesundheitlich (Arzt-, Krankenhausbesuche, Apotheken, Medikamente, Behandlungen)
• Kunde Bildung (Schulen, Ausbildung, Zeugnisse, Abschlüsse)
• Hinweise zu weiteren Datenbanken (Kreditinformation, Personalinformation, Vorstrafen, Beitreibungen).

Hierbei handelt es sich teilweise um sehr persönliche Daten. Die Wahrung des Datenschutzes ist deswegen bei der Speicherung und Verarbeitung der Daten sowie bei der Gewährung von Zugriffsrechten unbedingt zu beachten. Das gilt uneingeschränkt auch dann, wenn im Geltungsbereich eines Datenschutzgesetzes erhobene Daten außerhalb des Geltungsbereichs dieses Datenschutzgesetzes verarbeitet werden. Wenn in der Beziehung zwischen Kunden und Mitarbeitern eine Leistungs- und Verhaltenskontrolle der Mitarbeiter möglich ist, sind auch arbeitsrechtliche Bestimmungen zu berücksichtigen. Angesichts der Rechtslage ist häufig ein Verzicht auf die Speicherung und Verarbeitung sensibler Daten (z. B. personenbezogene Daten) der praktikabelste Weg, die Rechte der Menschen, denen diese Daten zugeordnet sind, zu respektieren.

SCM-Systeme (Supply Chain Management)

Der Begriff Supply Chain Management (SCM) bzw. Lieferkettenmanagement bezeichnet die Planung und das Management aller Aufgaben bei Lieferantenwahl und Beschaffung, Umwandlung und aller Aufgaben der Logistik. Insbesondere enthält es die Koordinierung und Zusammenarbeit der beteiligten Partner (Lieferanten, Händler, Logistikdienstleister, Kunden). SCM integriert Management innerhalb der Grenzen eines Unternehmens und über Unternehmensgrenzen hinweg.

Dokumentenmanagementsysteme (DMS)

Solche Systeme verbessern die Informationsbasis eines Unternehmens und sollen die Produktivität der Mitarbeiter/innen steigern. Sie stellen anderen Anwendungen Inhalte zur Verfügung und unterstützen – integriert in Groupware oder Workflow-Management-Systeme – kooperative Arbeitsformen. Auch die Kopplung mit Modulen zum Web-Content-Management sowie mit Portalsoftware gewinnt an Bedeutung.

Elektronisches Einscannen von Papierdokumenten, Versions­verwaltung, Archivierungsfunktionen und gemein­sames Bearbeiten sind typische Funktionen.

Beispiele

• Content Manager (Ceyoniq)
• Hummingbird (Hummingbird Ltd.)
• Content Manager (IBM)
• Hyperwave (Hyperwave AG)
• Documentum (Documentum GmbH)
• Docuware (Docuware AG)
• Filenet (Filenet GmbH)

Als erweiterte Umsetzung eines Dokumentenmanagements kann man den 2005 in vielen österreichischen Ministerien eingeführten elektronischen Akt (ELAK) verstehen. Die Einführung dieses Systems wurde im eGovernment-Gesetz festgelegt, das mit 01.03.2004 in Kraft gesetzt wurde.

Integrierte E-Business-Systeme

Solche Systeme unterstützenneben den innerbetrieblichen Aufgaben die betriebs­übergreifende Zusammenarbeit (etwa durch SCM = Supply Chain Management-Systeme oder durch elektronische Marktsysteme) und auch den Zugang von Kunden zu innerbetrieblichen Informationssystemen (CRM = Customer Relationship Management).

Der europäische Marktführer SAP hat mit mySAP.com eine E-Business-Plattform in sein Programm aufgenommen.

Spezielle Anwendungspakete

Haben einen gezielten, abgegrenzten Aufgabenbereich. Beispiele:

• Terminplanung, Kalkulation, Auftrags- und Leistungsabrechnung, …
• Finanzbuchhaltung (FIBU)
• Lohn- und Gehaltsabrechnung
• Budgetrechnung

Groupware

Interessant sind Software-Pakete, die für Netzwerke gedacht sind und die Aufgabe haben, den „Papierkram“ in Großfirmen elektronisch zu kontrollieren und organisieren. Ein typisches Produkt ist Domino (Lotus), ein System, das sämtliche Schriftstücke, die im Büro anfallen (Rechnungen, Auftragserteilungen, Schecks, Lieferscheine, Aktennotizen, …) elektronisch über das Netzwerk transportiert.

Es ist nicht möglich, einen auch nur ansatzweisen Überblick über die gesamte derzeit vorhandene Software zu geben. Über die jährlichen Neuentwicklungen informieren Messen, die jährlich abgehalten werden.

• Die größte IT-Messe in Asien ist die Computex, die seit 1981 jährlich in Taipeh (Hauptstadt der Republik China auf Taiwan) abgehalten wird.
• Die CES (Consumer Electronics Show) ist das US-amerikanische Pendant dazu; die Messe findet jährlich im Jänner in Las Vegas statt.

In Österreich finden derzeit die beiden Messen „exponet“ und „ITnT“ statt.

Zu erwähnen sind auch die zahlreichen Entwicklungen der Softwarehäuser, der Universitäten und natürlich auch der Schulen.

Business Intelligence

Ständig verwendet, jedoch selten wirklich verstanden: der Begriff „Business Intelligence“ (abgekürzt: „BI“). Wer sich darüber informieren möchte, erhält die verschiedensten – meist floskelhaften – Erklärungen, was BI bedeutet und was eine BI-Plattform leisten kann, und wird mit einer Vielzahl von vorgeblich optimalen Anwendungen konfrontiert. Aber was genau ist Business Intelligence eigentlich?

Kurz gesagt: Business Intelligence ist die Sammlung, Auswertung und Darstellung aller in einem Unternehmen vorhandenen Geschäftsdaten. Das Ziel dabei: Dem Management sollen Informationen bereitgestellt werden, die unternehmenswichtige Entscheidungen erleichtern. Informationen etwa, die Entscheidungsträgern darüber Auskunft geben, ob sich das schon lange auf dem Markt befindliche Auto in Osteuropa noch gut verkauft oder ob die Niederlassung in Österreich effizient arbeitet.

Betriebswirtschaftlich gesehen ist BI nichts Neues: seit jeher ziehen Unternehmen aus ihren Geschäftsprozessen Rückschlüsse auf ihr Geschäft. BI hat also zunächst gar nichts mit IT zu tun. So ist auch ein handgeschriebener Zettel aus dem Werk mit den Zahlen der Tagesproduktion im Grunde genommen nichts anderes als Business Intelligence: die Informationen zur Produktivität des Unternehmens gelangen auch auf diese Weise zu den Entscheidern.

IT-gestützte BI

Zunächst werden die Geschäftsdaten und -zahlen eines Unternehmens aus den vielen verschiedenen Datenbeständen der einzelnen IT-Systeme und Unternehmensbereiche gesammelt. Diese Daten werden nun nach oben, an BI-spezifische Datenlager, Auswertungs- und Analysesysteme weitergereicht.

Die Daten werden direkt in einem typischerweise als „Data Warehouse“ bezeichneten Datenlager zusammengezogen und gespeichert. Data Warehouses sind große Datenlager, die bis zu mehreren Terabyte umfassen können. Bevor die Daten aus den Unternehmensanwendungen dort abgelegt werden, werden sie bereinigt und thematisch sortiert.

Auf Data Warehouses haben alle Unternehmensteile selektiv Zugriff – von der Produktion über die Beschaffung und den Vertrieb bis hin zur Geschäftsleitung. Die im Warehouse enthaltenen Daten können individuell nach dem jeweiligen Informationsbedarf in der für sie gewünschten Präsentationsform abgerufen werden – seien es die Vertriebs- und Absatzzahlen, Produktionsdaten oder die Marketingausgaben – oder alle zusammen. Die Daten stehen auch sofort für eine Auswertung zur Verfügung, indem sie automatisch strukturiert, graphisch aufbereitet und somit vergleichbar gemacht werden.

Operative Daten sind meist transaktionsorientiert und werden oft von Administrations- und Abrechnungssystemen generiert. Dazu gehören beispielsweise Daten, wie sie Warenwirtschaftssysteme, Buchhaltungsprogramme oder ERP-Systeme wie SAP erzeugen. Auch Auskunfts- und Bestellsysteme liefern operative Daten.

Solche tagesaktuellen Daten können eine strategische und operative Entscheidungsfindung kaum unterstützen. Hierfür müssten die Daten beispielsweise langfristig gespeichert werden, um Trends zu erkennen und Prognosen zu erstellen. Auch müssen unterschiedliche Komplexitätsstufen abgedeckt werden. All dies können die IT-Systeme in den Unternehmen nicht leisten.

Operative Daten müssen deshalb in einem ersten Schritt aufbereitet und in längerfristig gespeicherte Daten, so genannten dispositive Daten, überführt werden. Diese Daten stellen dann mehr oder weniger direkt Informationen für das Management bereit.

Ein wesentliches Problem bei der Bereitstellung der Unternehmensdaten ist deren Qualität. Operative Systeme wie Buchungs- oder Warenwirtschaftssysteme liefern nicht immer perfekte Daten. Oft bestehen gravierende Qualitätsmängel, etwa mehrfach vorkommende, fehlende oder falsch verknüpfte Daten.

Manchmal sind diese auch einfach inhaltlich falsch. Solche Datenmängel machen sich oft erst in BI-Systemen bemerkbar.

Ein zweites Problem ist die Heterogenität der Datenquellen selbst. Im Normalfall liegen den Daten unterschiedliche Formate zu Grunde, die vor der Weiterverarbeitung vereinheitlicht werden müssen. Ziel dieser Datenintegration ist es, die Daten aus verschiedenen Vorsystemen für die BI-Systeme in einen einheitlichen, konsistenten Zustand zu überführen. Dabei müssen etwa Fehler wie unterschiedliche Attribut-Codierungen eliminiert werden oder Absatzdefinitionen festgelegt und vereinheitlicht werden.

ETL (Extraction, Transformation, Loading)

Die Datenbereinigung und -standar­di­sierung, gelegentlich auch als Filterung bezeichnet, ist Teil eines umfassenderen Prozesses, der „Transformation” genannt wird. Der Transformationsprozess hat die grundsätzliche Aufgabe, die internen und externen Daten in themenorientierte, „saubere“ und analysefähige Datenbanken zu überführen.

Die Transformation besteht – neben dem ersten Schritt, der eben erwähnten Bereinigung syntaktischer und inhaltlicher Defekte – aus drei weiteren, aufeinander folgenden Schritten:

1.  Filterung
2. Harmonisierung
3. Aggregation
4. Anreicherung

Die auf die Filterung folgende Harmonisierung ist die betriebswirtschaftliche Abstimmung der Daten – etwa die themenbezogene Gruppierung nach Kunde, Produkt oder Organisationseinheit. Als Aggregation bezeichnet man die Zusammenfassung (Verdichtung) der gefilterten und harmonisierten Daten – etwa der Umsatz von Kunde A in der Produktgruppe B im Jahr C. Beim vierten Schritt, der Anreicherung, werden betriebswirtschaftliche Kenngrößen berechnet und in die Datenbasis integriert.

Diese Überführung übernehmen Transformationsprogramme. Sie extrahieren bzw. fassen die operativen Daten in themenorientierte Datenbestände zusammen, wodurch auch eine Reduzierung der Datenmenge erreicht wird. Die Konvertierung übernehmen Datenmanipulations- und Formatierungstools, wie zum Beispiel 4GL-Entwicklungssprachen.

Die Transformation findet oft bereits in einem Teilbereich eines Data Warehouses statt. Vor der eigentlichen Transformation werden die Daten aus den operativen Systemen in diesen Bereich extrahiert. Nach der Transformation werden die Daten weiter transportiert und in die zentrale Datenbank des Data Warehouse geladen (siehe Grafik). Aus den Bezeichnungen der Schritte „Extraction“, „Transformation“ und „Loading“ leitet sich der für diesen Vorgang häufig gebrauchte Terminus „ETL-Prozess“ ab.

Die Speicherung der so bereinigten und sortierten Daten geschieht grundsätzlich im Data Warehouse. Das Konzept des Date Warehouse hat sich in den letzten Jahren als zentral für die gesamte BI erwiesen.

Data Warehouse (DWH)

Data Warehouses (DWH) sind grundsätzlich der Ort mit der höchsten Datenqualität im Unternehmen. Ein DWH ist die zentrale Datensammlung, deren Inhalt sich aus Daten der eben angegebenen Quellen zusammensetzt. Die Speicherung erfolgt dabei meist in relationalen Datenbanken.

Der Schwerpunkt von DHWs liegt auf der Bereitstellung und Verarbeitung großer Datenmengen zur

Durchführung von Auswertungen und Analysen. Sie dienen als einheitliche und möglichst konsistente Datenbasis für alle Arten von entscheidungsunterstützenden Systemen.

DHWs ermöglichen es, völlig unabhängig von den operativen Geschäftsprozessen, die aufbereiteten Daten in neue Zusammenhänge zu bringen. So können beispielsweise Informationen zur Steuerung und Kontrolle operativer Prozesse erlangt werden. Spezielle Analysetools erzeugen verschiedenen Sichten auf den nun dispositiven Datenbestand. Aus ihm lassen sich prinzipiell beliebige Auswertungen erstellen, die je nach Bedarf erwünscht sind.

Data Warehouses haben einige typische Merkmale. So ist ein DWH immer themenspezifisch an den Informationsbedürfnissen des Managements ausgerichtet. Dies können bestimmte Produkte, Produktgruppen, Kunden oder Märkte sein. Die Entscheidungsträger können so direkt Daten zu den sie interessierenden Kerngebieten recherchieren.

Ein zweites, wesentliches Merkmal ist der Zeitraumbezug. Während operative Daten etwa aus ERP-Systemen transaktionsorientiert und auf eine konkrete Ist-Situation zu einem bestimmten Zeitpunkt bezogen sind, repräsentieren Daten im DWH meist Zeiträume wie Tage, Wochen oder Monate. Im Extremfall kann der Zeithorizont bis zu 10 Jahren betragen, etwa um Trendanalysen über historische Verläufe durchzuführen.

Im Gegensatz zu operativen Systemen werden Daten im Data Warehouse drittens dauerhaft abgelegt.  Die Informationssammlung in DWHs besteht also langfristig und steht für künftige Analysen zur Verfügung. Dabei muss überlegt werden, wie das Datenwachstum begrenzt werden kann. Dies erfolgt beispielsweise durch Aggregierung von Daten oder Auslagern in Archivsysteme.

Eine große Rolle bei DWHs spielt auch die Granularität der Daten. Die Granularität beschreibt den Detaillierungsgrad von Daten. Sehr detaillierte Daten haben eine niedrige Granularität, hoch verdichtete Daten eine entsprechend hohe Granularität. Verdichtung erfolgt beispielsweise durch Summeriung einzelner Datenobjekte, Bildung eines statistischen Mittelwertes oder durch Aggregation mehrere Objekte zu einem neuen.

Aus Sicht von IT-Technik und Management bestehen hier unterschiedliche Anforderungen. Während

IT-technisch eine möglichst hohe Granularität erwünscht ist, weil sie Datenvolumen und Speicherplatz

minimiert, ist aus Management-Sicht eine möglichst niedrige Granularität zu bevorzugen, weil damit

flexiblere Auswertungen möglich sind.

Core Data Warehouse und Data Marts

Das Core Data Warehouse stellt die zentrale Datenbank innerhalb des DWH dar. Die Datenbank wird direkt aus den operativen internen und externen Quellen befüllt. Das Core DWH basiert in der Regel auf einer relationalen Datenbank und kann Datengrößen von mehreren Terabyte umfassen. Dies ist etwa bei kundenzentrierten Data Warehouses der Fall, die Daten aller Kunden über den gesamten Lebenszyklus möglichst detailliert vorhalten.

Das Core DWH stellt Daten nach einem ersten Transformationsprozess für unterschiedliche Auswertungszwecke bereit und sorgt dafür, dass sie an entsprechende Nutzergruppen weitergegeben werden.

Um das Handling mit dem oft riesigen Core-DWH zu vereinfachen, werden oft Data Marts eingeführt. Data Marts sind Ausschnitte von Data Warehouses, kleinere Datenpools für Anwendungen, die spezifische Nutzergruppen wie bestimmte Abteilungen oder Aufgabenbereiche bedienen.

Der Vorteil liegt darin, dass nicht die komplette Datenbasis eines Unternehmens sofort abgebildet werden muss, sondern nur die Daten, die für Fragestellungen des jeweiligen Bereichs oder der jeweiligen Abteilung benötigt werden. Die Daten für Data Marts werden meist mit speziellen Transformationsprozessen aus dem Core Data Warehouse in kleine, überschaubare Einheiten extrahiert. Dies können beispielsweise alle relevanten Daten einer Region oder einer bestimmten Produktgruppe sein. Die manchmal als dezentrale Data Warehouse bezeichneten Marts erhöhen so die Effizienz, da die Auswertung Gigabyte großer Datenbestände sehr zeitaufwändig ist.

OLAP-Cubes

Im Gegensatz zu relationalen Speicherung von Daten in einer klassischen Datenbank werden für analytische Aufgaben sogenannt OLAP-Cubes erzeugt. Die Daten werden redundant gespeichert, und zwar in einer mehrdimensionalen Form, die rasche Abfragen nach verschiedenen Kriterien ermöglicht.

Zum Erstellen eines Cubes sind mehrere Angaben nötig:

• Faktentabelle: In dieser Tabelle sind die „Messwerte“ (Measures) enthalten, die ausgewertet werden sollen. Beispiele: Umsätze in €, Stückzahlen usw.
• Dimensionen: Darunter versteht man, nach welchen Kriterien die Auswertung erfolgen soll. Beispiele: Land, Mitarbeiter, Kunden usw. Dimensionsdaten werden in Dimensionstabellen gespeichert, deren Primärschlüssel als Fremdschlüssel in der Faktentabelle vorhanden sein muss.

Dimensionen existieren grundsätzlich unabhängig von Cubes. Sie können – einmal erstellt – in verschiedenen Cubes verwendet werden. Dimensionen, die mit keinem Cube verknüpft sind, werden als Datenbankdimensionen bezeichnet; Dimensionen, die mit Cubes verknüpft sind, heißen Cubedimensionen.

Mit Hilfe von OLAP-Funktionen kann der Würfel analysiert werden. Die erforderlichen Datensätze  können durch verschiedene Operationen erzeugt werden, etwa indem man einen Teilwürfel herausschneidet („Slicing“) oder den Datenwürfel rotiert („Dicing“).

Bestimmte Sichten, etwa das Betrachten eines bestimmten Produktes oder eines bestimmten Jahres, erhält man durch das Herausschneiden von Ebenen (siehe Grafik).

Die Analyseergebnisse lassen sich auch schrittweise verfeinern bzw. verdichten, was als „Drill-Down“ bzw. „Roll-Up“ bezeichnet wird. Beim Roll-Up werden alle Einzelwerte zu einem weiter oben liegenden Hierarchieattribut verdichtet. Die Funktion Drill-Down bewirkt eine detailliertere Darstellung der Daten.

Für die Auswertung und Darstellung benötigt man eine Clientsoftware. Viele Anwender nützen Excel, welches über eine integrierte OLAP-Schnittstelle verfügt. Die Auswertung erfolgt über das Pivot-Tabellen-Feature: