Glossar

Corporate Performance Management, auch als Enterprise Performance Management (EPM) bezeichnet, ist ein umfassender Ansatz zur Überwachung, Steuerung und Verbesserung der Leistung eines Unternehmens. CPM beinhaltet die Definition von Zielen, die Festlegung von Key Performance Indicators (KPIs), die Planung von Ressourcen, die Analyse von Geschäftsergebnissen und die Durchführung von Korrekturmaßnahmen. CPM-Tools und -Techniken werden häufig in Kombination mit Business Intelligence verwendet, um Führungskräften und Managern datengestützte Erkenntnisse zur Verfügung zu stellen.

Customer Relationship Management ist ein Ansatz zur Verwaltung der Interaktionen und Beziehungen eines Unternehmens mit seinen Kunden und potenziellen Kunden. CRM-Systeme erfassen und analysieren Kundendaten, um Vertriebs-, Marketing- und Kundenserviceprozesse zu unterstützen und zu optimieren. CRM-Systeme können in Business Intelligence-Plattformen integriert werden, um detaillierte Analysen und Erkenntnisse über Kundenverhalten, Präferenzen und Trends zu liefern.

Customer-Intelligence bezieht sich auf die Prozesse und Technologien, die zur Sammlung, Analyse und Interpretation von Kundeninformationen verwendet werden. Customer-Intelligence ermöglicht Unternehmen, ein tieferes Verständnis ihrer Kunden zu erlangen, indem sie Kundendaten aus verschiedenen Quellen wie CRM-Systemen, sozialen Medien und Umfragen integrieren. Durch die Anwendung von Business Intelligence- und Analysewerkzeugen auf Kundeninformationen können Unternehmen personalisierte Marketingkampagnen entwickeln, den Kundenservice verbessern und bessere Geschäftsentscheidungen treffen.

Ein Dashboard ist eine visuelle Darstellung von Leistungskennzahlen (KPIs), Metriken und Daten, die zur Überwachung und Analyse von Geschäftsprozessen verwendet werden. Dashboards bieten Entscheidungsträgern eine einfach zu verstehende und interaktive Oberfläche, um Trends, Muster und Abweichungen in den Daten zu identifizieren. In Business Intelligence-Systemen werden Dashboards häufig verwendet, um Echtzeitinformationen über verschiedene Aspekte des Unternehmens anzuzeigen, z. B. Finanzen, Vertrieb, Marketing und Kundenservice. Dashboards können interaktiv sein und Benutzern ermöglichen, Daten zu filtern, zu sortieren und zu analysieren, um datengesteuerte Entscheidungen zu treffen.

Data Cleansing, auch als Datenbereinigung oder Datenkorrektur bezeichnet, ist der Prozess der Identifizierung und Korrektur von Fehlern, Inkonsistenzen und Unvollständigkeiten in Datensätzen. Data Cleansing umfasst verschiedene Techniken, wie das Entfernen von Duplikaten, das Korrigieren von Tippfehlern, das Auffüllen fehlender Werte und das Überprüfen der Richtigkeit von Daten. Eine hohe Datenqualität ist für die Genauigkeit und Zuverlässigkeit von Business Intelligence-Analysen und Berichten von entscheidender Bedeutung.

Data Governance bezieht sich auf die Strategien, Richtlinien und Prozesse, die Unternehmen implementieren, um die Verfügbarkeit, Konsistenz, Integrität und Sicherheit ihrer Daten zu gewährleisten.

Data Governance umfasst die Definition von Standards für Datenqualität, Datenmanagement und Datenzugriff sowie die Einrichtung von Verantwortlichkeiten und Rollen für die Verwaltung von Datenressourcen. Es umfasst Praktiken wie Datenkatalogisierung, Datenklassifizierung, Datenbesitz, Datenzugriffskontrolle und Datenschutz.

Eine effektive Data Governance ist entscheidend für den Erfolg von Business Intelligence-Initiativen, da sie die Grundlage für genaue und verlässliche Analysen und Entscheidungsfindungen bildet.

Data Integration ist der Prozess der Konsolidierung von Daten aus verschiedenen internen und externen Quellen in einer zentralen Datenbank oder einem Data Warehouse, um einheitliche und konsistente Informationen für Business Intelligence-Analysen bereitzustellen. Data Integration-Techniken umfassen die Extraktion, Transformation und das Laden (ETL) von Daten, um unterschiedliche Datenformate, Strukturen und Systeme zu harmonisieren. Data Integration ermöglicht Unternehmen, eine umfassende Sicht auf ihre Geschäftsprozesse und Leistung zu erhalten, indem sie alle relevanten Daten in einem zentralen Repository zusammenführen.

Ein Data Lake ist eine zentrale, skalierbare und flexible Datenspeicherlösung, die große Mengen an strukturierten, halbstrukturierten und unstrukturierten Daten aus verschiedenen Quellen und Systemen speichert und verarbeitet. Im Gegensatz zu Data Warehouses, die vordefinierte Schemata und Strukturen verwenden, ermöglichen Data Lakes die Speicherung und Analyse von Rohdaten in ihrem ursprünglichen Format und ermöglichen damit eine größere Agilität und Anpassungsfähigkeit in der Datenverarbeitung und Analyse. Data Lakes werden häufig in Big Data, Advanced Analytics und Data Science eingesetzt und nutzen Technologien wie Hadoop, Spark und NoSQL-Datenbanken.

Ein Data Lake ist ein zentrales Repository, das große Mengen von strukturierten und unstrukturierten Daten speichert und für die Analyse bereithält. Im Gegensatz zu Data Warehouses, die Daten in einem strukturierten, vordefinierten Schema speichern, behalten Data Lakes die Rohdaten in ihrem ursprünglichen Format, wodurch sie flexibler und skalierbarer sind. Data Lakes werden häufig in Kombination mit Big Data- und Advanced Analytics-Anwendungen eingesetzt, um schnelle und explorative Datenanalysen durchzuführen.

Ein Data Mart ist eine spezialisierte, thematisch fokussierte Teilmenge eines Data Warehouses, die für die spezifischen Anforderungen einer bestimmten Benutzergruppe oder Abteilung innerhalb eines Unternehmens entwickelt wurde. Data Marts können unabhängig voneinander erstellt und verwaltet werden, bieten jedoch in der Regel eine konsistente und integrierte Sicht auf die Unternehmensdaten. Data Marts können die Leistung und Effizienz von Business Intelligence-Systemen verbessern, indem sie den Zugriff auf relevante Daten für bestimmte Anwendergruppen erleichtern.