Glossar

Im Kontext von Business Intelligence und Datenmanagement bezieht sich Mapping auf den Prozess der Verknüpfung und Zuordnung von Datenattributen, -elementen oder -feldern zwischen verschiedenen Datenquellen, Datenmodellen, Datenbanken, Dateiformaten, Tabellen oder Systemen. Mapping ist ein wichtiger Schritt in Datenintegrations-, Datenmigrations-, ETL- (Extract, Transform, Load) und Datenkonsolidierungsprozessen, bei denen Daten aus unterschiedlichen Quellen extrahiert, transformiert, angepasst und in ein zentrales Data Warehouse oder ein anderes Datenspeichersystem geladen werden.

Mapping ermöglicht es, die Struktur, das Format, die Semantik, die Beziehungen und die Bedeutung von Daten zu harmonisieren, zu standardisieren und zu vereinheitlichen, um die Konsistenz, Genauigkeit, Qualität und Kompatibilität der Daten für die Analyse, Berichterstattung und Entscheidungsfindung zu gewährleisten. Mapping kann auch die Anwendung von Geschäftsregeln, Konvertierungsformeln, Validierungsbedingungen, Bereinigungslogik und Anreicherungsfunktionen umfassen, um die Daten aufzubereiten, zu bereinigen, zu korrigieren und zu verbessern.

Mapping-Verfahren und -Techniken können manuell, semi-automatisch oder automatisch durchgeführt und mithilfe spezialisierter Datenintegrations-, Datenqualitäts-, ETL- oder Datenmodellierungswerkzeuge und -software entwickelt, getestet, dokumentiert und verwaltet werden.

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz, das sich auf die Entwicklung von Algorithmen und Modellen konzentriert, die es Computern ermöglichen, aus Daten zu lernen und sich ohne explizite Programmierung zu verbessern. In Business Intelligence und Analytics wird maschinelles Lernen verwendet, um komplexe Datenanalysen durchzuführen, Vorhersagen zu treffen, Muster und Zusammenhänge in Daten zu erkennen und datengestützte Empfehlungen abzuleiten. Maschinelles Lernen kann auch zur Verbesserung von Datenqualität und Datenmanagement eingesetzt werden. In Business Intelligence und Advanced Analytics wird maschinelles Lernen eingesetzt, um komplexe, datenintensive Fragestellungen zu untersuchen, automatisierte Entscheidungsprozesse zu unterstützen und innovative Lösungen für Geschäftsprobleme zu entwickeln. Maschinelles Lernen umfasst verschiedene Techniken und Ansätze wie überwachtes Lernen, unüberwachtes Lernen, Deep Learning und Reinforcement Learning.

Master Data Management (MDM) ist ein systematischer Ansatz zur Definition, Sammlung, Organisation, Synchronisation und Pflege von konsistenten, genauen und vertrauenswürdigen Stamm- oder Referenzdaten über die verschiedenen Systeme, Anwendungen und Geschäftseinheiten einer Organisation hinweg. MDM ist ein zentraler Bestandteil von Datenmanagement, Business Intelligence und Performance Management, da es die Datenqualität, Einheitlichkeit, Integration und Zusammenarbeit verbessert und die Effizienz, Skalierbarkeit und Compliance von Datenverarbeitungs- und Analyseprozessen unterstützt. MDM-Technologien umfassen Datenmodellierung, Datenabgleich, Datenkonsolidierung und Stammdatengovernance.

Metadaten sind Daten, die Informationen über andere Daten enthalten, wie z. B. Definitionen, Beschreibungen, Attribute, Beziehungen und Nutzungshistorie. Metadaten spielen eine wichtige Rolle im Datenmanagement, Business Intelligence und Data Warehousing, da sie den Benutzern helfen, die Bedeutung, den Kontext und die Qualität von Daten zu verstehen und geeignete Daten für ihre Analyse- und Berichtsanforderungen auszuwählen. Metadaten können technische Metadaten (z. B. Datentypen, Tabellenstrukturen, Indexe), Geschäftsmetadaten (z. B. Geschäftsterminologie, KPI-Definitionen, Datenbesitzer) und Betriebsmetadaten (z. B. ETL-Prozesse, Datenzugriffsprotokolle, Datenqualitätsmetriken) umfassen.

Metadaten sind wichtig für die Datenintegration, Datenqualität, Data Governance und das Verständnis von Datenanalysen und -berichten.

Mobile BI bezieht sich auf Business Intelligence- und Analytics-Lösungen, die auf mobilen Geräten wie Smartphones und Tablets zugänglich und nutzbar sind. Mobile BI ermöglicht den Benutzern, auf Daten, Berichte, Dashboards und Analysefunktionen zuzugreifen, sie zu visualisieren und zu teilen, unabhängig von ihrem Standort oder ihrer Konnektivität. Mobile BI bietet Vorteile wie Flexibilität, Mobilität, Zusammenarbeit und Echtzeitentscheidungen, indem sie die Grenzen traditioneller Desktop- oder Web-basierter BI-Systeme überwindet. Mobile BI-Technologien umfassen native Apps, Responsive Webdesign, Offline-Datenzugriff und GPS-Integration.

Month-to-Date (MTD, auch: Monat bis heute (MBH)) ist ein Begriff, der in der Finanz- und Geschäftsanalyse verwendet wird, um den Zeitraum vom Beginn des aktuellen Monats bis zu einem bestimmten Datum innerhalb desselben Monats zu beschreiben. MTD-Messungen und -Vergleiche werden häufig in Business Intelligence, Performance Management und Reporting eingesetzt, um die Leistung, Fortschritte, Trends und Ziele von Unternehmen, Produkten, Projekten und Prozessen auf monatlicher Basis zu bewerten, zu überwachen und zu steuern. MTD-Analysen ermöglichen es, die kurzfristige Entwicklung von Finanz-, Vertriebs-, Marketing-, Produktions- und Personalkennzahlen zu verfolgen, wie zum Beispiel Umsatz, Gewinn, Kosten, Absatz, Kundenzufriedenheit und Mitarbeiterfluktuation. Diese Analysen helfen Managern, frühzeitig auf Veränderungen im Geschäftsumfeld zu reagieren und notwendige Anpassungen vorzunehmen.

Month-to-Go (MTG) ist ein Begriff, der in der Geschäftsanalyse verwendet wird, um den verbleibenden Zeitraum bis zum Ende des aktuellen Monats zu beschreiben. MTG-Messungen und -Vergleiche werden in Business Intelligence, Performance Management und Reporting eingesetzt, um die Leistung, Fortschritte und Ziele von Unternehmen, Produkten, Projekten und Prozessen innerhalb des aktuellen Monats zu bewerten und zu überwachen. Die MTG-Analyse hilft Managern, die kurzfristige Entwicklung von Finanz-, Vertriebs-, Marketing-, Produktions- und Personalkennzahlen zu verfolgen und notwendige Anpassungen vorzunehmen, um die gesetzten Ziele bis zum Monatsende zu erreichen. Es unterstützt auch die Planung und Priorisierung von Aufgaben, Ressourcen und Maßnahmen in der verbleibenden Zeit des Monats.

Natural Language Processing (NLP) ist ein Teilgebiet der künstlichen Intelligenz, das sich auf die Entwicklung von Algorithmen und Techniken konzentriert, die es Computern ermöglichen, menschliche Sprache zu verstehen, interpretieren und generieren. In Business Intelligence und Analytics wird NLP verwendet, um textbasierte Daten wie Kundenbewertungen, Social-Media-Posts oder E-Mail-Kommunikation zu analysieren und Erkenntnisse aus unstrukturierten Daten zu gewinnen. NLP kann auch dazu beitragen, die Benutzerfreundlichkeit von BI-Tools zu verbessern, indem es natürlichsprachliche Abfragen und Antworten ermöglicht.

NLP-Technologien umfassen Textanalyse, Sentimentanalyse, Spracherkennung, maschinelle Übersetzung und Chatbots.

OLAP (Online Analytical Processing) ist eine Technologie, die es Benutzern ermöglicht, multidimensionale Analysen und Abfragen auf große Mengen von Daten durchzuführen, um Trends, Muster und Zusammenhänge zu erkennen. OLAP-Systeme verwenden spezielle Datenstrukturen wie Cubes, die Daten entlang mehrerer Dimensionen organisieren und die schnelle und flexible Aggregation und Navigation von Daten ermöglichen. OLAP ist ein zentraler Bestandteil vieler Business Intelligence-Anwendungen und wird häufig in Verbindung mit Data Warehouses und Reporting-Tools eingesetzt.

Ein OLAP-Würfel (Online Analytical Processing Würfel) ist eine multidimensionale Datenstruktur, die die schnelle und effiziente Abfrage und Analyse von großen Mengen aggregierter Daten ermöglicht. OLAP-Würfel sind ein zentraler Bestandteil von Data Warehousing und Business Intelligence-Systemen, da sie die Leistung, Skalierbarkeit und Benutzerfreundlichkeit von Datenanalysen und Berichten verbessern. OLAP-Würfel bestehen aus Dimensionen (z. B. Zeit, Produkt, Region) und Kennzahlen (z. B. Umsatz, Kosten, Gewinn) und unterstützen komplexe Analysefunktionen wie Drill-Down, Roll-Up, Slice and Dice und Pivot.