Während für die Forscher der Meta Group kompakte Data-Marts die richtige Ausgangsbasis zur Entscheidungsfindung bilden, favorisieren die Auguren der Gartner Group das Modell des unternehmesweiten Data-Warehouse.
Aaron Zornes, Vice-President des Marktforschungsunternehmens Meta Group, meint: Gemäß dem politischen Motto "Think global, act local" sollten Anwender künftig ihre Entscheidungsunterstützungs-Lösungen planen und bauen. "Die Anwender sind mit dem Tagesgeschäft ausgelastet. Sie benötigen kleine, schlanke Lösungen, die ihnen anwendungs- und abteilungsspezifische Hilfsmittel und Informationen zur Verfügung stellen", sagte er auf seiner Eröffnungsrede. Ein vollständiges Data-Warehouse mit seinen durchschnittlich mehr als 100 GB Daten sei dafür völlig überdimensioniert.
Er empfiehlt Data-Marts, kleinere bereichsspezifische Applikationen unter 100 GB Datenvolumen: "80 Prozent aller Decision Support Solutions (DSS), die zur Zeit realisiert werden, sind Data-Marts." Zornes sieht darin die Möglichkeit, daß Endanwender einen Großteil der Systemanpassung und Wartung selbst übernehmen, da sie mit dieser Technik besser zurecht kämen. Die DV-Abteilung werde entlastet. Weiterer Vorteil: Anwender, die auf Data-Marts setzen, könnten schneller auf neue Techniken wie Internet- Computing, Markttrends sowie Kundenwünsche reagieren.
"Die klassische Top-down-Vorgehensweise läßt sich bei der Planung von Data-Warehouses auch selten wirtschaftlich realisieren", berichtete Zornes. Die Projekte seien nach seiner Erfahrung viel zu lang und teuer - eine große Zahl scheitert. Die Bottom-up-Methode für die Entwicklung von unternehmensweiten DSS-Lösungen ist nach seinen Erfahrungen der richtige Weg. Die Anforderungen sollten in den Unternehmensbereichen separat erhoben und analysiert werden. Einzig und allein das einheitliche Kundenverständnis solle auf oberster Ebene allgemeingültig festgelegt werden.
Entgegen Zornes Auffassung halten jedoch eine Reihe von Anbietern und Anwendern an der Top-down-Methode fest. So auch Bill Inmon, der als Erfinder des Data-Warehousing gilt und mit Pine Cone Systems eine Firma für entsprechende Tools gegründet hat: "Jedes Data-Mart benötigt seine eigene Datenquelle." Dadurch entstünden Redundanzen und eine große Anzahl von Schnittstellen für operative Anwendungen, ob Lagersoftware, Fertigung, oder Vertrieb. "Wenn man diese zu einem Warehouse zusammenfügen möchte, müssen die Schnittstellen im schlimmsten Fall alle überarbeitet werden. Beginnt man aber mit einem Data-Warehouse, so ist nur eine Schnittstelle von den Applikationen zum Warehouse nötig." Data-Marts könnten ihre Informationen dann recht einfach aus dem Warehouse beziehen.
Unterstützung findet Inmon bei Kevin Strange, Research Director bei Gartner Group. Er favorisiert die große Lösung des Warehouse-Ansatzes und bekämpft den Mythos, wonach ein Data-Mart klein, schneller zu entwickeln und implementieren sei sowie einfach zu einem Data-Warehouse heranwachsen könne. Strange: "Eine Definition besagt, DSS-Anwendungen mit Datenvolumen unter 50 GB seien Data-Marts, während umfassendere Applikationen zur Kategorie Data-Warehouse gehörten." Da sich Marts jedoch auf die Bedürfnisse eines Unternehmensbereichs, einer Anwendung oder eines spezifischen Geschäfts konzentrierten, sei über die Größe überhaupt noch nichts ausgesagt. Data-Marts mit mehreren 100 GB seien keine Seltenheit, womit die definierte Obergrenze deutlich überschritten wird.
Was die technische Umsetzung angeht, so sei die Komplexität beider Anwendungen in etwa vergleichbar, konstatiert Strange weiter. "Die Datenmenge eines Data-Mart ist zwar kleiner als die eines Warehouse, aber die Probleme der Datenakquisition aus den operativen Systemen mit der dazugehörigen Extraktion, Konsolidierung und Integration ist identisch."
Schlechte Noten verteilt er auch in puncto Skalierbarkeit: Data-Marts könnten nicht einfach zum Data-Warehouse mutieren, da die Datenmodelle anwendungsspezifisch seien. Sie müßten erst überarbeitet werden, wenn daraus ein Data-Warehouse entstehen solle. "Und das kann teuer werden.