Online Analytical Processing (OLAP)

Was ist OLAP?

Online Analytical Processing (OLAP) ist eine Anwendung, die im Rahmen von Business Intelligence eine wichtige Rolle spielt. Mit dessen Hilfe können große Datenmengen mehrdimensional analysiert und visualisiert werden, um somit Analysen, Prognosen oder Budgetierungen zu unterstützen.

Wie funktioniert OLAP?

Im Zuge des Online Analytical Processing werden Daten aus verschiedenen Datenquellen gesammelt und in Datenbanken beziehungsweise Data Warehouses gespeichert. Um diese zu veranschaulichen, werden sie anschließend bereinigt und in Datenwürfeln beziehungsweise Data Cubes geladen, die unterschiedliche Dimensionen enthalten. Dieser Prozess wird mithilfe von ETL-Tools durchgeführt. ETL steht dabei für den Vorgang Extract, Transform und Load.

Welche Arten des OLAP gibt es?

Im OLAP wird vor allem zwischen drei unterschiedlichen Arten unterschieden:

• ROLAP: Im relationalen OLAP werden mehrdimensionale Datenanalysen durchgeführt, wobei eine relationale Datenbank zu deren Speicherung zu herangezogen wird und SQL-Abfragen verwendet werden, um bestimmte Informationen abzurufen. Es eignet sich speziell, um große und komplexe Datenmengen zu analysieren, jedoch verläuft die Abfrage langsamer als die des MOLAP.
• MOLAP: Anders als im ROLAP werden im multidimensionalen OLAP auch multidimensionale Datenbanken verwendet. Dazu wird ein Data Cube erstellt. Mittels MOLAP lassen sich schnelle Analysen realisieren, jedoch führt eine Erhöhung der Dimensionen möglicherweise zu Performanceverlusten. Es ist die am häufigsten verwendete Art des OLAP.
• HOLAP: Das hybride OLAP versucht, die Vorteile aus den Arten MOLAP und ROLAP zu kombinieren. So werden die Daten entweder in einem MOLAP Cube oder einer relationalen OLAP-Datenbank abgelegt, je nachdem wie häufig diese abgerufen werden und welche Aggregationsstufe sie vorweisen.

Der OLAP-Cube

Ein OLAP-Cube oder -Würfel bildet Daten in einer mehrdimensionalen Struktur ab. Für gewöhnlich haben Würfel drei Ausbreitungsrichtungen, der OLAP-Cube ist jedoch nicht auf diese Zahl beschränkt, sondern kann abhängig von der Anzahl der Dimensionen beliebig viele Ausbreitungsrichtungen besitzen. Dadurch erschwert sich allerdings die Visualisierung der Daten. Typische Dimensionen in einem Würfel können zum Beispiel das Produkt, der Ort oder die Zeit sein. Innerhalb der einzelnen Dimensionen sind die Daten häufig hierarchisch angeordnet, bezüglich der Zeit beispielsweise in Tag, Monat und Jahr, sodass sich eine übersichtliche Struktur ergibt.

Analyseprozesse im OLAP-Cube

Im Online Analytical Processing lassen sich fünf verschiedene Operationen vornehmen, die die Daten innerhalb eines OLAP-Würfels präziser ausrichten und analysieren können:

• Slicing: Im Rahmen des Slicing-Prozesses kann eine Dimension des Würfels auf einen bestimmten Wert gesetzt werden, um somit entsprechende Schnittstellen der anderen Dimensionen zu sammeln.
• Dicing: Durch Dicing wird das Volumen des Würfels verringert, indem eine oder mehrere Dimensionen segmentiert werden.
• Roll-Up/Drill-Up: Im Roll- beziehungsweise Drill-up-Verfahren werden die Daten einer Dimension zusammenfassend betrachtet. Statt Wochen liegt die Betrachtung beispielsweise auf Monaten.
• Drill-Down: Im Gegensatz dazu erfolgt bei Drill-down ein detaillierterer Blick auf bereits segmentierte Dimensionen des Würfels.
• Pivot: In diesem Fall wird der Würfel gedreht, um eine neue Betrachtungsweise auf den Würfel zu gewinnen und eine andere Dimension zu fokussieren.

OLAP vs. OLTP

OLTP steht für Online Transaction Processing. Anders als OLAP-Systeme dient es nicht der Analyse von Daten, sondern verarbeitet diese in Echtzeit. OLTP-Systeme sind dahingehend optimiert, eine große Menge Transaktionen zu prozessieren. Sie helfen dabei vor allem Mitarbeitern, die direkten Kundenkontakt haben, z.B. Kassieren oder Rezeptionisten. Zudem werden sie in Self-Service Anwendungen genutzt, wie beispielsweise im Online-Banking oder bei Reservierungsvorgängen.

Im Gegensatz dazu ist das Ziel von Online Analytical Processing die Optimierung komplexer Datenanalysen, um somit bei der Entscheidungsfindung an den entsprechenden Stellen im Unternehmen zu helfen. OLAP dient als Unterstützung für weitere Anwendungen der Entscheidungsunterstützung wie Business Intelligence oder Data Mining.