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
Generic filters
Exact matches only
Search in title
Search in excerpt
Search in content

Clustervergleich

„Analysieren heißt Vergleichen“ – so steht es seit jeher in den Business-Intelligence-Lehrbüchern. Die gebräuchlichsten Varianten in betriebswirtschaftlichen Anwendungen sind dabei Zeitvergleiche (Vorjahr, Vorperiode) und Szenariovergleiche (Plan vs. Ist). Doch was tun, wenn das vorliegende Datenmaterial keine ausreichende Grundlage für diese typischen Vergleiche liefert, die erforderlichen Zahlen mit unverhältnismäßig hohem Aufwand beschafft werden müssten oder schlicht „nicht belastbar“, d. h. von zweifelhafter Qualität sind? Welche anderen Möglichkeiten, z. B. Geschäftseinheiten sinnvoll miteinander zu vergleichen, gibt es? Ein möglicher Ansatz ist die Bildung von Gruppen und der Vergleich des jeweiligen Einzelobjekts mit seinem Cluster. Häufig sind derartige Klassifizierungen sogar bereits in den Vorsystemen enthalten und müssen lediglich genutzt werden. Dieser Blogbeitrag zeigt einen einfachen Weg, wie das passieren kann.

„Wir haben keinen Plan“, rutschte es einem Kunden heraus, als wir im jüngsten gemeinsamen Projekt gerade dabei waren, Standardlayouts für die je Vertriebstochter zu erstellenden Berichte zu definieren. Einen Vorjahresvergleich sollte es geben, periodisch und kumuliert, einen zeilenweisen Aufriss des Sortiments – wir waren also ganz nah am DeltaMaster-Startassistenten. Doch Freud’scher Fehler hin oder her, Plandaten waren nicht verfügbar, um den von Bissantz & Company empfohlenen Spaltenaufbau zu komplettieren.

Kurzerhand schlug der Vorgesetzte des Ansprechpartners einen Clustervergleich vor. Man teile die einzelnen Einheiten seit geraumer Zeit in ABC-Klassen ein, und es sei schon lange geplant, den Verantwortlichen „einen Benchmark zu ihrer Peer Group“ zu liefern. Warum also nicht jetzt und mit DeltaMaster?

Gesagt, getan. Wie nun kommt aber die Definition der Cluster oder der absoluten und relativen Abweichungen des aktuellen Elements zu seinem Cluster in die Dimension Wertart, um damit genauso elegant zu operieren wie mit Planwerten oder Forecasts? Das Clustermerkmal war in diesem Fall als Elementeigenschaft in der Organisationsdimension implementiert. Daraus ist eine Attributdimension gebildet worden.

Wie diese Basiskonstellation in unserem Referenzmodell Chair am Beispiel der Dimension „Kunde“ aussieht, kann sich der eingeweihte Leser sicherlich vorstellen. Der Schlüssel zur Lösung liegt einzig im passenden MDX-Statement für das berechnete Element in der Dimension „Wertart“:

Avg(
[Kunde].[Kunde].[Kunde]
*
StrToMember('[Kunde].[Kunde_ABCUmsatz].[ABCUmsatz].&[' + [Kunde].[Kunde].CurrentMember.Properties("ABCUmsatz") + ']')
,
[Wertart].[Wertart].[Wertart].&[I]
)

Was passiert da genau? Ausgehend von den vorliegenden Istdaten (Wertart „I“) wird für die jeweils betrachtete Organisationseinheit (der CurrentMember in der betroffenen Dimension, zu verwenden in der Sichteinstellung oder auf der Achse einer Pivottabelle) ein Kreuzprodukt aller Einheiten mit derselben Elementeigenschaft (Property „ABCUmsatz“) gebildet und daraus mit Hilfe der Funktion AVG der Durchschnitt berechnet – einfach, aber wirkungsvoll.
Da die Erstellung berechneter Dimensionselemente im DeltaMaster-Startassistenten während der initialen Erstellung eines neuen Datenmodells aktuell leider nicht möglich ist, ist es empfehlenswert, die Berechnung vorab im Cubeskript zu definieren. Wird dann im Startassistent die Wertart „Avg Cluster“ anstelle „Plan“ ausgewählt, berechnet DeltaMaster von Anfang an die gewünschten Abweichungen. Das gewünschte Bild ist binnen Sekunden und vollautomatisch komplett:

Abbildung 1: DeltaMaster 6 – Chair Cluster