Agile Business Intelligence (eBook)

Theorie und Praxis

Stephan Trahasch, Michael Zimmer (Autoren)

eBook Download: PDF

2016 | 1. Auflage
300 Seiten
dpunkt (Verlag)
978-3-86491-873-5 (ISBN)

Infos

Agile Methoden und Vorgehensweisen werden heute auch in BI-Projekten erfolgreich und gewinnbringend eingesetzt. Dabei steht eine ganze Reihe unterschiedlicher Ansätze zur Steigerung der BI-Agilität zur Verfügung. Entscheidend für den Erfolg ist die ganzheitliche Betrachtung von BI-Architekturen, -Organisationsformen, -Technologien und an BI angepasste agile Vorgehensmodelle. Die Autoren erörtern in diesem Buch Agile Business Intelligence, indem sie zunächst BI-Agilität mithilfe eines Ordnungsrahmens definieren und strukturieren. Auf diesen Grundlagen aufbauend zeigen sie anhand von konkreten Fallstudien, wie Agilität in BI-Projekten umgesetzt werden kann. Hierbei handelt es sich beispielsweise um die Durchführung agiler Projekte zum Aufbau eines Data Warehouse oder um die Umsetzung von Sandboxes auf Basis von In-Memory-Technologien. Behandelt werden im Einzelnen: • Der Einsatz von Scrum in der Business Intelligence • Anforderungsmanagement durch User Stories • Modellierung agiler BI-Systeme • Data Vault für agile Data-Warehouse-Architekturen • Agile BI-Architekturen • Automatisiertes Testen • BI-Agilität: Relevanz, Anforderungen und Maßnahmen • Agil und dezentral zum Enterprise Data Warehouse Das Buch richtet sich an Praktiker aus dem BI-Projektmanagement und der BI-Entwicklung sowie an BI-Entscheider, BI-Berater und Mitarbeiter aus den Fachabteilungen, die für BI-Lösungen verantwortlich sind. In der Edition TDWI erscheinen Titel, die vom dpunkt.verlag gemeinsam mit dem TDWI Germany e.V. ausgewählt und konzipiert werden. Inhaltliche Schwerpunkte dieser Reihe sind Business Intelligence und Data Warehousing.

Prof. Dr. Stephan Trahasch ist Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Business Intelligence, Data Mining, Big Data und ITSecurity. Er ist Mitglied im TDWI-Arbeitskreis 'Agile BI' und hat das 'Memorandum für Agile Business Intelligence' mitherausgegeben. Dr. Michael Zimmer ist Manager bei Accenture Digital im Bereich Digital Delivery und verantwortet dort das Thema SAS für den deutschsprachigen Raum. Michael Zimmer hat zum Thema agile BI-Architekturen promoviert und ist im TDWI Referent, Autor und Experte sowie Organisator des TDWI Roundtable Stuttgart. Er ist Mitglied im TDWI-Arbeitskreis 'Agile BI' und hat das 'Memorandum für Agile Business Intelligence' mitherausgegeben.

Inhalt

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

Textauszug

1 Agile Business Intelligence

Stephan Trahasch, Michael Zimmer, Robert Krawatzeck

Auch in der Business Intelligence (BI) werden zunehmend erfolgreich agile Methoden und Frameworks eingesetzt. Grundlegend für alle agilen Vorgehensweisen sind agile Werte und Prinzipien. Wurden die Werte und Prinzipien des agilen Manifests [Agiles Manifest 2001] und die daraus abgeleiteten Methoden zu Beginn meist eins zu eins auf die BI übertragen, so hat sich das Verständnis von BI-Agilität als ganzheitliche Eigenschaft der BI im deutschsprachigen Raum etabliert, und agile Methoden wurden auch auf die Besonderheiten der BI adaptiert. In diesem Kapitel werden BI-Agilität und Agile BI erläutert, ein Ordnungsrahmen für Maßnahmen zur Steigerung der BI-Agilität eingeführt sowie Werte und Prinzipien für eine Agile BI definiert. Einige Prinzipien und agile Methoden werden exemplarisch erläutert und auf die jeweiligen Kapitel in diesem Buch verwiesen.

1.1 Einleitung

Business Intelligence (BI) als unternehmensspezifischer Ansatz zur Entscheidungsunterstützung ist mit den zugehörigen Technologien und Anwendungen eine Voraussetzung für die faktenbasierte Entscheidungsfindung und letztlich für eine erfolgreiche Unternehmenssteuerung. BI stellt einen Kernbestandteil der IT-Infrastruktur von Unternehmen dar, und die Weiterentwicklung der analytischen Möglichkeiten von BI-Anwendungen zählt nach wie vor zu den wichtigsten Themen für Unternehmen [Gartner 2014]. Zeitnahe Analysen aufgrund einer hohen Marktdynamik und ein besseres Verständnis für Produktion, Lieferanten, Kunden und Märkte sind Basis für die Unternehmenssteuerung und notwendig, um die Wettbewerbsfähigkeit zu erhalten und auszubauen. Dies erfordert eine sehr hohe Flexibilität und Adaptionsfähigkeit der dispositiven Systeme zur Entscheidungsunterstützung. Demgegenüber steigt durch die Dynamik und zusätzliche Datenquellen die Komplexität der zu verarbeitenden Daten für die Analyse, was beispielsweise an Form (strukturiert vs. unstrukturiert), Abhängigkeit (Data Governance, Data Ownership, Historie) und Menge der Daten deutlich wird. Hohe Anpassungsfähigkeit und steigende Komplexität sind eine große Herausforderung für Business-Intelligence-Lösungen (vgl. [Kemper et al. 2010]) und für die Weiterentwicklung von Unternehmen.

Werden Softwareprodukte und insbesondere analytische Anwendungen klassisch, z. B. nach dem Wasserfall- oder V-Modell, entwickelt, besteht ein sehr hohes Risiko, dass nicht zeitnah auf Änderungen in einem dynamischen Umfeld reagiert werden kann und Geschäftsziele letztlich nicht erreicht werden. Die Lösung entspricht bei der Fertigstellung und der Auslieferung nicht mehr den veränderten Gegebenheiten und den Anforderungen der Stakeholder.

Agile Softwareentwicklung hingegen stellt einen leichtgewichtigen und flexiblen Ansatz dar, um mithilfe kontinuierlicher Rückkopplungen und kurzer Iterationszyklen einen schnellen Einsatz der entwickelten Systeme zu erreichen und so durch Transparenz Risiken im Entwicklungsprozess zu minimieren und auf Änderungen frühzeitig reagieren zu können. Agile Softwareentwicklung ist jedoch nicht nur die Anwendung von agilen Methoden und Frameworks, sondern stellt eine grundlegende Haltung und Denkweise der Mitarbeiter und der Organisation zur Realisierung von Softwareprojekten dar. Im Manifest für Agile Softwareentwicklung [Agiles Manifest 2001] wurden Werte und Prinzipien definiert, die den Bezugsrahmen für agile Softwareentwicklung festlegen. Die zu schätzenden Werte sind:

• »Individuen und Interaktionen mehr als Prozesse und Werkzeuge

• Funktionierende Software mehr als umfassende Dokumentation

• Zusammenarbeit mit dem Kunden mehr als Vertragsverhandlung [und]

• Reagieren auf Veränderung mehr als das Befolgen eines Plans«.

Aus diesen agilen Werten wurden zwölf Prinzipien für agile Softwareentwicklung, wie beispielsweise: »Unsere höchste Priorität ist es, den Kunden durch frühe und kontinuierliche Auslieferung wertvoller Software zufrieden zu stellen« und »Fachexperten und Entwickler müssen während des Projektes täglich zusammenarbeiten« [Zwölf Prinzipien 2001] abgeleitet.

Da sich BI-Projekte in einigen Aspekten von Softwareentwicklungsprojekten unterscheiden, sind diese Werte und Prinzipien sowie die agilen Methoden und Vorgehensmodelle nicht direkt auf die Entwicklung dispositiver Systeme übertragbar (vgl. auch Kap. 2 oder 6). Unterschiede sind dabei beispielsweise eine erschwerte Anforderungsanalyse, abteilungsabhängige fachliche Begriffsdefinitionen sowie eine hohe Vernetzung der abteilungsübergreifenden beteiligten Systeme [König 2009]. Zusätzlich werden BI-Lösungen mithilfe von heterogenen und nicht integrierten BI-Werkzeugen (Datenintegration, Datenhaltung, Analyse, Informationsbereitstellung) entwickelt, deren Funktionsumfang die BI-Anwendungen reglementieren [Krawatzeck et al. 2013]. Des Weiteren ist die genaue Spezifikation von Key Performance Indicators (KPIs) und zu realisierenden Reports häufig nur möglich, wenn die Daten aus den Quellsystemen durch den Fachbereich gemeinsam mit dem BI-Entwicklungsteam in dem zur Verfügung stehenden BI-Tool vor der eigentlichen Realisierung analysiert werden können. Die Anforderungsanalyse setzt somit eine sehr enge Zusammenarbeit mit den Fachabteilungen voraus, damit die Fachanwender sinnvoll die Anforderungen definieren können und diese für das Entwicklungsteam nachvollziehbar sind. Erschwerend kommt bei BI-Projekten hinzu, dass oftmals langjährig bestehende BI-Lösungen erweitert und angepasst werden müssen, um neue analytische Fragestellungen beantworten zu können. Wobei die ursprünglichen Systeme hierfür z. T. nicht konzipiert wurden. Herausforderungen sind dabei u. a. die Beibehaltung der Historie von Daten und das erschwerte Refactoring aufgrund fehlender Funktionskapselung mit standardisierten Programmierschnittstellen. Bei der Entwicklung von BI-Anwendungen handelt es sich um einen kontinuierlichen Prozess zur Erfüllung eines Informationsbedarfs mit permanenten Anpassungen auch während des Betriebs.

Agile Vorgehensmodelle und Methoden aus dem Software Engineering sind daher nicht eins zu eins auf Business Intelligence übertragbar. Die agilen Werte und Prinzipien, wie zum Beispiel die Wertschätzung von »Zusammenarbeit mit dem Kunden mehr als Vertragsverhandlung« und »Reagieren auf Veränderung mehr als das Befolgen eines Plans«, sind ein guter Ausgangspunkt, um eine anpassungsfähige BI-Entwicklung unter Berücksichtigung steigender Dynamik und Komplexität zu ermöglichen [Zimmer et al. 2012].

1.2 BI-Agilität und Agile Business Intelligence

Unter BI subsumierte Gesamtansätze zur Entscheidungsunterstützung stehen heute vor der Aufgabe, sowohl übergreifende Anforderungen nach Standardisierung als auch bereichsspezifische Agilitätsanforderungen abzubilden. Unter BI-Agilität wird in diesem Zusammenhang die Eigenschaft der BI einer Organisation verstanden, vorhersehbare und unvorhersehbare Anforderungen in Bezug auf Funktionalität oder den Inhalt einer BI-Lösung unternehmenseffizient in einem vorgegebenen Zeitrahmen in angemessener Qualität abzubilden. BI-Agilität beinhaltet einerseits eine Reaktion auf vorhersehbare Anforderungen und andererseits das proaktive Unterstützen von unvorhersehbaren Anforderungen vor dem Hintergrund einer für das Unternehmen effizienten Lösung. In diesem Zusammenhang werden unter Agile BI alle Maßnahmen zur Erhöhung [Zimmer 2015, S. 67] oder Verbesserung der BI-Agilität verstanden [Krawatzeck et al. 2013]. Dabei beschränkt sich Agile BI nicht allein auf die Auswahl und Anwendung eines agilen Vorgehensmodells zur Produktentwicklung, sondern schließt zudem Maßnahmen aus den Bereichen Prinzipien (z. B. Modularisierung, vgl. Kap. 6), Methoden (z. B. Testautomatisierung, vgl. Kap. 7) und Technologie (Data Lakes, vgl. Kap. 8 und 15) ein (vgl. Kap. 8 und 14). Grundlage für alle Methoden und Frameworks sind immer die agilen Werte und Prinzipien.

Abbildung 1–1 stellt die beiden Begriffe BI-Agilität als Eigenschaft der BI und Agile BI als konkrete Maßnahmen schematisch zueinander in Bezug.

Abb. 1–1 Definition der Begriffe BI-Agilität und Agile BI

Eine hohe BI-Agilität hat keinen Alleinvertretungsanspruch und ist immer unternehmensindividuell auszugestalten. Nicht jeder Unternehmensbereich unterliegt einer hohen Dynamik, sodass hierfür eine hohe BI-Agilität nicht zwingend notwendig ist und traditionelle Ansätze besser geeignet sein können. Die Notwendigkeit einer hohen BI-Agilität muss sich sowohl von der Unternehmensstrategie ableiten als auch durch die Anforderungen des Fachbereichs begründen lassen. Die Variationsmöglichkeiten von Agile-BI-Maßnahmen werden unmittelbar durch die BI-Architektur, die BI-Aufbauorganisation, die BI-Prozesse und letztlich die BI-Governance reglementiert [Zimmer 2015].

Innerhalb des durch die BI-Governance vorgegebenen...

Produkt-Details

• Erscheint lt. Verlag: 12.1.2016
• Reihe/Serie: Edition TDWI
• Reihe/Serie: Edition TDWI
• Verlagsort: Heidelberg
• Sprache: deutsch
• Themenwelt: Informatik ► Software Entwicklung ► Agile Software Entwicklung
• Schlagworte: Agile • Business Intelligence • Data Warehouse • Fallstudie • Informationssysteme • Wirtschaftsinformatik
• ISBN-10: 3-86491-873-1 / 3864918731
• ISBN-13: 978-3-86491-873-5 / 9783864918735