Geleitwort | 5 |
Vorwort | 7 |
Inhaltsverzeichnis | 9 |
1 Agile Business Intelligence | 17 |
1.1 Einleitung | 17 |
1.2 BI-Agilität und Agile Business Intelligence | 19 |
1.3 Werte und Prinzipien für Agile Business Intelligence | 21 |
1.3.1 Werte | 22 |
1.3.2 Prinzipien | 23 |
1.4 Maßnahmen zur Steigerung der BI-Agilität | 27 |
1.4.1 Agile Methoden und klassische Vorgehensmodelle | 28 |
1.4.2 Organisatorische Maßnahmen | 29 |
1.4.3 Wechselwirkungen zwischen Maßnahmen und Unternehmen | 30 |
1.5 Struktur des Buches | 31 |
1.6 Ausblick | 34 |
2 Einsatz von Scrum in der Business Intelligence | 37 |
2.1 Einordnung von Scrum | 37 |
2.1.1 Das 3x3 in Scrum | 38 |
2.1.2 Ablauf eines Sprints | 42 |
2.1.3 Selbstorganisation des Teams | 43 |
2.1.4 Pro Scrum | 43 |
2.2 Besonderheiten von Business Intelligence und deren Auswirkungen auf Scrum | 44 |
2.3 Anpassung von Scrum | 46 |
2.3.1 Maßnahmen in der Gesamtorganisation | 47 |
2.3.2 Allgemeine organisatorische Maßnahmen | 48 |
2.3.3 Maßnahmen im BI-Team | 51 |
2.4 Folgen der Umsetzung von Scrum | 52 |
2.4.1 Projektleitung | 52 |
2.4.2 Planungsaspekte in der IT-Gesamtorganisation | 53 |
2.4.3 Planung und Priorisierung in Querschnittteams | 54 |
2.4.4 Architekturgremium | 55 |
2.4.5 Communitys | 56 |
2.4.6 Weiterbildung der Mitarbeiter | 56 |
2.4.7 Technologieaspekte | 57 |
2.5 Erfolgsfaktoren und Auswirkungen | 57 |
2.6 Herausforderungen | 59 |
3 Anforderungsmanagement durch User Stories | 61 |
3.1 Anforderungsmanagement in agilen BI-Projekten | 61 |
3.2 Business-Intelligence-Anforderungen als User Stories | 62 |
3.2.1 Was sind User Stories? | 63 |
3.2.2 Gute User Stories erstellen | 68 |
3.2.3 Planen und Schätzen | 71 |
3.2.4 Akzeptanzkriterien und Tests | 74 |
3.3 Fazit | 76 |
4 Modellierung agiler BI-Systeme | 77 |
4.1 Business-Intelligence-Architektur | 77 |
4.1.1 Schichtenmodell der BI-Architektur | 78 |
4.1.2 Modellierung des Core Data Warehouse | 81 |
4.2 Star-Schema-Modellierung im Core Data Warehouse | 82 |
4.2.1 Granulare Star-Schemata im Core Data Warehouse | 82 |
4.2.2 Bewertung dimensionaler Modelle im Core Data Warehouse | 83 |
4.3 3NF-Modelle im Core Data Warehouse | 84 |
4.3.1 Core-Data-Warehouse-Modellierung in 3NF | 84 |
4.3.2 Historisierungsaspekte von 3NF-Modellen | 85 |
4.3.3 Domänenkonzepte im 3NF-Modell | 87 |
4.3.4 Bewertung der 3NF-Modellierung im Core Data Warehouse | 89 |
4.4 Data-Vault-Ansatz | 90 |
4.4.1 Tabellentypen im Data-Vault-Modell | 90 |
4.4.2 Zeitstempel und Formen der Historisierung | 94 |
4.4.3 Harmonisierung von fachlichen Schlüsseln | 95 |
4.4.4 Bewertung der Data-Vault-Methode | 96 |
4.5 Fazit | 97 |
5 Data Vault für agile Data-Warehouse- Architekturen | 99 |
5.1 3. Normalform, Dimensional und Data Vault | 99 |
5.2 Automatisierung | 104 |
5.3 Geschäftsregeln | 104 |
5.4 Agile Business Intelligence | 106 |
5.5 Data Vault in der Praxis – eine exemplarische Darstellung | 107 |
5.6 Fazit | 114 |
6 Agile BI-Architekturen | 115 |
6.1 Einleitung | 115 |
6.2 Klassische BI-Architekturkomponenten und BI-Agilität | 116 |
6.3 Neue Architekturkomponenten und BI-Agilität | 117 |
6.3.1 Sandboxes | 117 |
6.3.2 Engines | 119 |
6.3.3 Bypässe | 119 |
6.4 Architekturansätze zum Umgang mit BI-Agilität | 120 |
6.4.1 Dezentralisierter Ansatz mit hohen Freiheitsgraden | 121 |
6.4.2 Autoritärer Ansatz | 121 |
6.4.3 Unüberwachter Sandbox-Ansatz | 122 |
6.4.4 Serviceorientierter Ansatz | 122 |
6.4.5 Serviceorientierter Ansatz mit werkzeuggestützten Sandboxes | 123 |
6.4.6 Einordnung der Architekturansätze | 123 |
6.5 Fazit | 125 |
7 Automatisiertes Testen | 127 |
7.1 Die Notwendigkeit von BI Testing | 127 |
7.2 Ziel von BI Testing | 130 |
7.2.1 Der fundamentale Testprozess | 130 |
7.2.2 Die Teststufen | 133 |
7.2.3 Die Testarten und die Softwarequalitätsmerkmale | 134 |
7.2.4 Die Testobjekte in BI-Systemen | 137 |
7.2.5 Der BI Testing Cube | 138 |
7.3 Das Problem der Testautomatisierung von BI Testing | 139 |
7.3.1 Was lässt sich beim Testen automatisieren? | 140 |
7.3.2 Übersicht über Werkzeuge zur automatisierten Testdurchführung | 140 |
7.4 Fazit | 145 |
8 Technologien, Architekturen und Prozesse | 147 |
8.1 Problemstellung | 147 |
8.2 Lösungsansatz | 149 |
8.2.1 Agile Methodik in Business-Intelligence-Projekten | 149 |
8.2.2 Grundsätze für Agile BI | 150 |
8.2.3 Anforderungen an eine Agile-BI-Architektur | 152 |
8.2.4 Architekturansatz | 154 |
8.2.5 Agile Datenbereitstellung | 156 |
8.3 Fazit | 157 |
8.3.1 Datenverständnis | 157 |
8.3.2 Architekturerweiterung | 158 |
9 BI-Agilität: Relevanz, Anforderungen und Maßnahmen | 159 |
9.1 BI-Agilität als vielschichtige Herausforderung | 159 |
9.2 BI-Agilität: Kontext und Relevanz | 160 |
9.3 Die Natur von BI-Agilitätsanforderungen | 161 |
9.4 Ansatz zur Identifikation und Selektion von BI-Agilitätsmaßnahmen | 164 |
9.4.1 Identifikation, Klassifikation und Priorisierung von BI-Agilitätsanforderungen | 164 |
9.4.2 Ableitung von Maßnahmen zur Steigerung der BI-Agilität | 165 |
9.4.3 Evaluation und Selektion von Maßnahmenbündeln | 167 |
9.5 Aktuelle Trends und ihre Agilitätsrelevanz | 169 |
9.5.1 In-Memory-BI | 169 |
9.5.2 Big Data | 170 |
9.5.3 Cloud-BI | 171 |
9.6 Fazit | 172 |
10 Agil und dezentral zum Enterprise Data Warehouse | 173 |
10.1 Die Landesbank Hessen-Thüringen – Helaba | 173 |
10.2 Auslöser und Ziele des BI-Projekts | 174 |
10.2.1 Ziele, Lösungsansatz und erwarteter Nutzen | 174 |
10.2.2 Projektpartner und zukünftige Nutzer | 175 |
10.2.3 Architektur des Enterprise Data Warehouse | 176 |
10.2.4 Projektmanagement und Change Management | 178 |
10.2.5 Beschreibung der BI-Organisation | 181 |
10.3 Maßnahmen zur Erhöhung der BI-Agilität | 182 |
10.3.1 Verzahnung von Kanban und Sprints | 183 |
10.3.2 Prinzipien | 185 |
10.4 Erfahrungen und Erfolgsfaktoren | 187 |
10.4.1 Realisierter Nutzen und bewirkte Veränderungen | 187 |
10.4.2 Reflexion der Barrieren und Erfolgsfaktoren | 187 |
10.5 Fazit | 189 |
11 Agile BI bei congstar | 191 |
11.1 congstar | 191 |
11.2 Ausgangssituation und Ziele des Projekts | 192 |
11.2.1 Ausgangssituation | 192 |
11.2.2 Gründe für das Scheitern einer klassischen Projektmethode | 193 |
11.2.3 Ziele des Data-Warehouse-Projekts bei congstar | 194 |
11.3 Projektablauf und Betrieb | 195 |
11.3.1 Das Data-Warehouse-Team | 195 |
11.3.2 Anwender des congstar Data Warehouse | 197 |
11.3.3 Architektur des congstar Data Warehouse | 197 |
11.4 Projektvorgehen | 198 |
11.4.1 Ablauf eines Sprints bei congstar | 198 |
11.4.2 Schnitt einer User Story | 201 |
11.4.3 Technologie | 202 |
11.4.4 Besonderheiten im congstar Data Warehouse | 203 |
11.5 Fazit | 207 |
11.5.1 Warum das DWH-Projekt bei congstar erfolgreich ist | 207 |
11.5.2 Lessons Learned | 208 |
12 Einführung von agilen Methoden im Coaching | 211 |
12.1 Unternehmen | 211 |
12.2 Ausgangssituation und Ziele des BI-Projekts | 212 |
12.3 Vom klassischen Projektvorgehen zur Kombination von agiler und klassischer Methodik | 213 |
12.3.1 Erste Projektphase: Klassische Projektmethodik und -architektur | 213 |
12.3.2 Zweite Projektphase: Kombination von agiler und klassischer Methodik | 215 |
12.4 Fazit | 227 |
13 In-Memory-Technologie als Enabler für Agile BI | 229 |
13.1 In-Memory-Technologien und Agile BI | 229 |
13.2 SAP Business Warehouse | 231 |
13.2.1 Allgemein | 231 |
13.2.2 SAP BW und In-Memory | 231 |
13.2.3 BW Workspaces | 232 |
13.3 Anwendungsfälle für BW Workspaces | 234 |
13.3.1 Lokale Erweiterung von Stamm- und Bewegungsdaten für das Flottenmanagement | 234 |
13.3.2 Rapid Prototyping als Interimslösung und zur Validierung | 236 |
13.3.3 Spezielle Projektberichte | 237 |
13.3.4 Nutzung als Self-Service-BI-Plattform | 237 |
13.4 Maßnahmen zur Erhöhung der BI-Agilität | 238 |
13.4.1 Technische Maßnahmen | 238 |
13.4.2 Delivery und Lebenszyklus | 239 |
13.4.3 Weitere Funktionen in SAP BW zur Erhöhung der BI-Agilität | 239 |
13.5 Erfahrungen und Erfolgsfaktoren | 240 |
13.5.1 Realisierter Nutzen und bewirkte Veränderungen | 240 |
13.5.2 Reflexion der Barrieren und Erfolgsfaktoren | 240 |
13.6 Fazit | 241 |
14 DevOps für Business Intelligence | 243 |
14.1 Warum ist das DWH für congstar so wichtig? | 243 |
14.2 Die DWH-Architektur bei congstar | 244 |
14.3 Einführung in DevOps für Business Intelligence | 246 |
14.4 Werte des Entwicklungsteams weitertragen | 248 |
14.5 Testmethodiken und Deployments | 251 |
14.6 Gemeinsame Deployments | 251 |
14.6.1 Automatisierte Datenbank-Deployments | 252 |
14.6.2 Automatisierte ETL-Deployments | 253 |
14.6.3 Testinfrastruktur | 254 |
14.7 Wenn es darauf ankommt: Troubleshooting | 255 |
14.7.1 Migration auf Tablespace mit Uniform Extent Size | 255 |
14.7.2 Konfigurative Eingriffe im Produktionssystem | 256 |
14.7.3 Datenbankanonymisierungen | 257 |
14.7.4 Monitoring-Berichte | 258 |
14.7.5 Restartmechanismen | 258 |
14.7.6 Backup und Recovery der Oracle-Datenbank | 259 |
14.7.7 Kapazitätsplanung | 259 |
14.8 Fazit | 260 |
15 Big Data und BI-Agilität im Marketing | 261 |
15.1 Auslöser und Ziele des Big-Data-Projekts | 261 |
15.2 Aufbau und Betrieb der Big-Data-Plattform | 263 |
15.2.1 Projektmanagement mit Scrum | 263 |
15.2.2 Architektur der Big-Data-Plattform | 266 |
15.2.3 Continuous Delivery | 271 |
15.3 Ein Beispiel für agile Datenanalyse | 272 |
15.3.1 Zusammenspiel der Big-Data-Plattform mit dem BI-Tool | 272 |
15.3.2 Exploratives Vorgehen | 273 |
15.4 Fazit | 274 |
Autoren | 277 |
Abkürzungsverzeichnis | 283 |
Literaturverzeichnis | 285 |
Index | 297 |
www.dpunkt.de | 0 |