Ähnlich einem System für Business Intelligence (BI) gehört auch die OLAP-Methode (Online Analytical Processing) zum wirtschaftsinformatischen Bereich DSS (Decision Support System). Ein sogenannter OLAP-Würfel dient dabei nicht selten der BI als Grundlage. OLAP kann daher als Bestandteil dieser digitalen Geschäftsanalytik betrachtet werden. Verglichen mit dem gesamten Prozess der Business Intelligence, welcher auch externe Daten auswertet, bezieht OLAP grundsätzlich nur Analysen über interne Datenbanken und Daten der operativen Systeme (zum Beispiel ERP- & CRM-Software).
Um Geschäftsdaten über Business Intelligence auswerten zu können, müssen diese standardisiert in einem Speichersystem abgelegt werden. Nutzbare Datenströme entspringen dabei sowohl den operativen Systemen als auch manuell hinterlegten Sammlungen.
Eingespeist werden Datenstrukturen entweder in einer Datenbank oder sie werden direkt von der Software an das OLAP-System zur Verarbeitung weitergegeben. Für eine ausbalancierte Lastenverteilung bei Analyseprozessen wird eine Client-Server-Architektur eingesetzt; die Datenhaltung erfolgt auf einem Server, die Abfrage über eine Benutzerschnittstelle, dem Client.
Für OLAP spielen historische bzw. transaktionale Daten eine nebensächliche Rolle. Deswegen greift ein solches System am besten auf aktuelle Daten der operativen Systeme zu oder es werden sogenannte Data Marts und Data Cubes aus dem bestehenden Data Warehouse erschaffen. Dieser Prozess lässt sich grob als Raffinerie erklären, bei dem aus einem vollumfassenden Datensilo kleinere Teileinheiten entnommen werden, die Data Marts oder Data Cubes.
Diese sind auf einen bestimmten Themenbereich oder einen funktionalen Zusammenhang zugeschnitten und enthalten nur die jeweils relevantesten Unternehmensdaten für das Analysevorhaben. Ein Unterschied zwischen den Data Marts und Data Cubes für OLAP zeichnet sich durch deren relationale Struktur ab.
Verglichen mit Data Marts ist der Data Cube eine mehrdimensionale Datenkonfiguration. Der Data Mart wird typischerweise aus klassischen relationalen Datenbanken in Tabellenstruktur angelegt. Diese Ansicht ermöglicht jedoch nicht mehr als zwei Dimensionen (zum Beispiel „Umsatz“ und „Produkte“). Bei einem mehrdimensionalen Daten-Würfel wird die Matrix des Data Marts mit einer gewissen Tiefe verfeinert und die hierarchische Verknüpfung zwischen den Dateneinheiten verschmilzt: Sie werden einander auf mehreren Dimensionen zugeordnet.
Werden Datenbanken für Online Analytical Processing eingesetzt unterscheidet sich deren Struktur und Verwendung. Zum einen sorgen relationale Systeme (ROLAP) für eine hohe Kompatibilität zu den meisten Datenbankstrukturen. Für die multidimensionale Ansicht werden einfache Relationen verknüpft oder mehrdimensionale Data Cubes extrahiert. ROLAP-Systeme bleiben bei hohen Nutzerzugriffen und ausgelasteten Anwendungsbereichen relativ stabil und weisen eine hohe Datenkapazität auf.
Beim multidimensionalen OLAP (MOLAP) bestehen Datenbanken, deren Datenstruktur von Haus aus mehrdimensional verstanden wird. Das sorgt im analytischen Verarbeitungsprozess für eine höhere Performanz als mit ROLAP-Systemen. Die Datenkapazität bei reinem MOLAP liegt jedoch unter dem des rationalen OLAP.
Um einen Ausgleich zu finden, lassen sich HOLAP-Prozesse einsetzen. Es handelt sich um einen Hybrid aus den kapazitiven Vorteilen des ROLAP-Systems und der Effizienz von MOLAP. Dieses System eignet sich, wenn komplexe und weitgefasste Datenstrukturen innerhalb kurzer Zeit ausgewertet werden müssen.
Je nachdem welche Schnittstellen genutzt werden soll, bieten sich verschiedene Möglichkeiten zur Anbindung an die bestehenden Systeme an. Sinnvoll sind jedoch OLAP-Funktionen in Komplettlösungen der Unternehmenssoftware. Dadurch können Daten schnittstellenlos von der Software bezogen werden. Die aufwändige Pflege eines Data Warehouses fällt dann beispielsweise für ERP-Komplettlösungen weg und Datenbestände werden nicht redundant erzeugt.
Präzision, Flexibilität und Skalierbarkeit stellen die Kerndisziplinen des OLAP-Prozesses. Darum lassen sich BI Cubes, nachdem Sie für einen Schwerpunkt erstellt wurden, schärfer ausrichten. Die Modellierung dieser Datenstrukturen geschieht unter anderem über die folgenden Prozesse:
Beim Slicing wird dem Würfel eine „Scheibe abgeschnitten“. Das bedeutet im Fachterminus, dass der OLAP Cube entlang einer seiner Dimensionen auf eine akute Einheit reduziert wird (zum Beispiel: Dimension = Zeit; Einheit = 01.10.2020). Die übrigen Dimensionen aggregieren nun Daten, welche jeweils einen Schnittpunkt mit dieser Einheit bilden. Beispielsweise werden alle verkauften Produkte und alle Umsätze für die herausgenommene Zeiteinheit 01.10.2020 gesammelt.
Ähnlich dem Slicing werden beim Dicing eine oder mehrere Dimensionen um bestimmte Einheiten verkürzt, sodass beispielsweise auf der Dimension Produkte die Einheiten „Schuhe“, „Taschen“ und „T-Shirts“ wegfallen. Es bildet sich also ein neuer Würfel, mit einem verminderten Volumen.
Bildlich gesprochen wird der OLAP-Würfel gedreht, sodass mindestens eine der anderen Dimensionen sichtbar wird. Es geht also um die Fokussierung auf bestimmte Datenansichten.
Der Würfel wird beim Drill-Down erst dem Slicing oder Dicing unterzogen. Das reduzierte Volumen wird durch Detaileinheiten verdichtet, sodass der Analyst praktisch in den separierten oder segmentierten Ausschnitt „einzoomt“. Beispielsweise würde die herausgenommene Einheit 01.10.2020 zu einer eigenständigen Dimension werden, in der nun die Uhrzeiten des Tages als Einheit fungieren.
Drill-Up bildet den gegenteiligen Prozess von Drill-Down. Durch „Auszoomen“ fallen Detaileinheiten weg und die Dimensionen verlaufen mit gröberen Stufen. Einheiten wie Tage fassen sich beispielsweise nun als Woche zusammen.