OLAP (Online Analytical Processing)
OLAP (Online Analytical Processing) ist eine Technik der Datenanalyse, die Kennzahlen in einem mehrdimensionalen Datenmodell – dem OLAP-Würfel – so organisiert, dass sie sich sehr schnell entlang von Dimensionen wie Zeit, Region, Artikel oder Kunde auswerten, filtern und aggregieren lassen.
OLAP (Online Analytical Processing) ist ein Verfahren der Datenanalyse, das große Mengen von Kennzahlen in einem mehrdimensionalen Datenmodell speichert und so aufbereitet, dass sich Auswertungen sehr schnell und flexibel entlang mehrerer Blickwinkel gleichzeitig durchführen lassen. Statt Daten Zeile für Zeile abzufragen, ordnet OLAP messbare Größen wie Umsatz oder Absatz in einem sogenannten Würfel (Cube) an, dessen Achsen die Dimensionen bilden – etwa Zeit, Produkt, Region und Vertriebskanal. Ein Anwender kann diesen Würfel interaktiv drehen, aufschneiden und verdichten, um Fragen wie „Wie hat sich der Umsatz je Warengruppe und Monat je Region entwickelt?" ohne technisches Wissen und nahezu in Echtzeit zu beantworten.
Der Begriff wurde 1993 von Edgar F. Codd geprägt und grenzt die analytische Datenverarbeitung bewusst vom transaktionalen Tagesgeschäft (OLTP) ab. OLAP ist damit ein zentraler Baustein von Business Intelligence: Es sitzt zwischen dem für Analysen optimierten Datenbestand – häufig einem Data-Warehouse – und den Reporting- und Dashboard-Werkzeugen, die die Ergebnisse sichtbar machen. Für Unternehmen bedeutet das: statt starrer, vorgefertigter Listen entsteht ein flexibles Werkzeug, mit dem Fachabteilungen ihre Zahlen selbst zerlegen und immer neue Perspektiven einnehmen können.
Auf einen Blick
- OLAP = mehrdimensionale Analyse von Kennzahlen im „Würfel" (Cube)
- Achsen des Würfels sind Dimensionen (Zeit, Artikel, Region, Kunde); die Zellen enthalten Kennzahlen (Measures)
- Kernoperationen: Slice, Dice, Drill-down/Roll-up und Pivot
- Gegenstück zu OLTP – dem transaktionalen Tagesgeschäft im ERP
- Baustein von Business Intelligence, setzt meist auf einem Data-Warehouse auf
Wie funktioniert OLAP?
Das Herzstück von OLAP ist das mehrdimensionale Datenmodell. Anders als in einer klassischen Tabelle, in der jede Zeile ein einzelner Datensatz ist, denkt OLAP in Kennzahlen und Dimensionen. Kennzahlen (Measures) sind die messbaren Werte, die ausgewertet werden sollen – etwa Umsatz, Absatzmenge, Deckungsbeitrag oder Retourenquote. Dimensionen sind die Blickwinkel, aus denen man diese Kennzahlen betrachtet – Zeit, Produkt, Kunde, Region oder Vertriebskanal. Jede Zelle des Würfels enthält den Wert einer Kennzahl für eine konkrete Kombination aller Dimensionen, etwa den Umsatz für „Warengruppe Schuhe, Mai 2026, Region Süd, Kanal Onlineshop".
Damit Auswertungen so schnell reagieren, werden viele Zwischensummen bereits vorab berechnet und im Würfel gespeichert (Voraggregation). Wer dann von der Jahres- auf die Monatssicht wechselt oder eine Region herausfiltert, erhält die Antwort sofort, ohne dass Millionen Einzelzeilen neu summiert werden müssen. Genau diese Vorverdichtung unterscheidet OLAP von einer gewöhnlichen Datenbankabfrage und macht die interaktive Analyse großer Datenbestände praktikabel.
Die OLAP-Grundoperationen: Slice, Dice, Drill-down und Pivot
Vier Operationen prägen die tägliche Arbeit mit OLAP. Beim Slice („Aufschneiden") wird eine Dimension auf einen Wert festgelegt – man betrachtet zum Beispiel nur das Jahr 2026 und erhält eine Scheibe des Würfels. Beim Dice („Würfeln") werden mehrere Dimensionen gleichzeitig auf Teilbereiche eingegrenzt, etwa zwei Regionen und drei Warengruppen. Drill-down bedeutet, in eine Dimension hineinzuzoomen – vom Jahr über das Quartal bis zum einzelnen Tag oder von der Warengruppe bis zum einzelnen Artikel; Roll-up ist die Gegenrichtung, also das Verdichten auf eine höhere Ebene. Pivot schließlich dreht den Würfel, sodass Zeilen und Spalten die Achsen tauschen und dieselben Zahlen aus einem neuen Winkel erscheinen.
MOLAP, ROLAP und HOLAP
Technisch gibt es verschiedene Wege, einen OLAP-Würfel umzusetzen. Bei MOLAP (multidimensional) werden die Daten physisch in einer spezialisierten mehrdimensionalen Datenbank vorberechnet und gespeichert – sehr schnell, aber mit hohem Speicher- und Rechenaufwand beim Aufbau. Bei ROLAP (relational) bleiben die Daten in einer relationalen Datenbank, und die mehrdimensionale Sicht wird per Abfrage erzeugt – flexibler und für sehr große Datenmengen geeignet, dafür langsamer. HOLAP (hybrid) kombiniert beide Ansätze: Verdichtete Aggregate liegen mehrdimensional vor, während Detaildaten in der relationalen Datenbank bleiben.
Warum OLAP für Auswertungen wichtig ist
Der praktische Nutzen von OLAP liegt in Geschwindigkeit und Selbstständigkeit. Fachabteilungen können ihre Kennzahlen selbst zerlegen, ohne für jede neue Fragestellung ein individuelles Reporting bei der IT zu bestellen. Wer sieht, dass der Gesamtumsatz eingebrochen ist, klickt sich per Drill-down bis auf die verantwortliche Region, Warengruppe oder den einzelnen Kunden herunter und findet die Ursache in Sekunden statt in Tagen. Diese Ad-hoc-Fähigkeit macht OLAP zu einem der wichtigsten Werkzeuge im Controlling.
Ein zweiter Vorteil ist Konsistenz. Weil Kennzahlen und ihre Berechnungslogik zentral im Würfel definiert sind, sehen alle Anwender dieselben Zahlen – unabhängig davon, wer die Auswertung erstellt. Das beendet den verbreiteten Streit über widersprüchliche Excel-Listen und schafft eine gemeinsame Faktenbasis. Voraussetzung ist allerdings eine hohe Datenqualität in den Quellsystemen: Ein OLAP-Würfel ist immer nur so verlässlich wie die Stamm- und Bewegungsdaten, aus denen er gespeist wird.
OLAP im ERP-System
Das ERP-System ist die wichtigste Datenquelle für OLAP-Auswertungen, weil dort Aufträge, Rechnungen, Bestände und Stammdaten zusammenlaufen. In der Praxis werden diese operativen Daten jedoch selten direkt im OLAP-Würfel analysiert. Stattdessen werden sie über einen ETL-Prozess regelmäßig aus dem ERP in ein Data-Warehouse geladen, historisiert und dort in den mehrdimensionalen Würfel überführt. Dieser Umweg hat zwei Gründe: Er entlastet das produktive ERP von rechenintensiven Analysen und ermöglicht Auswertungen über mehrere Quellen hinweg, etwa ERP, Onlineshop und Marktplatz-Daten gemeinsam.
Viele moderne ERP- und BI-Lösungen bringen OLAP-ähnliche Funktionen bereits mit oder erzeugen im Hintergrund Würfelstrukturen für ihre Dashboards und Pivot-Auswertungen, ohne dass Anwender den Begriff je hören. Für Standardfragen aus dem laufenden Betrieb reichen die eingebauten Reporting-Funktionen oft aus. Sobald jedoch große Historien, komplexe Kennzahlenmodelle oder mehrere Datenquellen zusammenkommen, lohnt ein eigenständiger OLAP-Layer auf einem Data-Warehouse, der über eine API oder einen Konnektor an das ERP angebunden wird.
Abgrenzung: OLAP vs. OLTP
Die wichtigste Abgrenzung besteht zwischen OLAP und OLTP (Online Transaction Processing). OLTP beschreibt das transaktionale Tagesgeschäft: das Erfassen eines Auftrags, das Buchen einer Rechnung, das Ändern eines Lagerbestands. Solche Systeme – allen voran das ERP – sind darauf optimiert, viele kleine Schreib- und Lesevorgänge schnell und zuverlässig zu verarbeiten. OLAP hingegen ist für das Lesen und Aggregieren großer Datenmengen ausgelegt und beantwortet analytische Fragen über lange Zeiträume hinweg.
OLAP, Reporting und Data-Warehouse
OLAP wird häufig mit benachbarten Begriffen vermischt. Ein Data-Warehouse ist der historisierte Datenspeicher, auf dem OLAP typischerweise aufsetzt – OLAP ist die analytische Zugriffs- und Modellierungsschicht darüber, nicht der Speicher selbst. Reporting wiederum ist die Ausgabeschicht: standardisierte Berichte und Dashboards, die ihre Zahlen oft aus einem OLAP-Würfel beziehen. Vereinfacht gilt: Das Data-Warehouse hält die Daten vor, OLAP macht sie mehrdimensional auswertbar, und Reporting stellt die Ergebnisse dar. Alle drei zusammen bilden zentrale Bausteine einer Business-Intelligence-Architektur.
OLAP im DACH-Mittelstand
Im deutschsprachigen Mittelstand ist OLAP längst kein reines Konzernthema mehr. Cloudbasierte BI-Werkzeuge und in ERP-Systeme integrierte Analysefunktionen bringen mehrdimensionale Auswertungen auch in kleinere Handels- und Fertigungsbetriebe – häufig, ohne dass die Anwender überhaupt vom OLAP-Würfel im Hintergrund wissen. Typische Einsatzfelder sind Umsatz- und Margenanalysen je Kanal, Lagerkennzahlen sowie das Controlling nach Kostenstellen und Kostenträgern.
Wie bei jeder Auswertung ist der Datenschutz zu beachten: Sobald personenbezogene Daten wie Kunden- oder Mitarbeiterdaten in Würfel und Dimensionen einfließen, gelten die Vorgaben der DSGVO, insbesondere Zweckbindung und Datenminimierung. Werden OLAP-Auswertungen zur Leistungs- oder Verhaltenskontrolle von Beschäftigten genutzt, ist zudem die Mitbestimmung des Betriebsrats relevant. Und wie bei allen BI-Verfahren gilt: Ohne gepflegte, konsistente Stamm- und Bewegungsdaten bleibt selbst der beste OLAP-Würfel trügerisch.
Praxisbeispiel
OLAP-Würfel bei einem Multichannel-Händler
Ein mittelständischer Modehändler verkauft über einen eigenen Onlineshop, mehrere Marktplätze und den stationären Handel. Die Geschäftsführung möchte wissen, wie sich Umsatz und Rohertrag je Warengruppe, Kanal und Monat entwickeln – und zwar nicht als starre Monatsliste, sondern flexibel und auf Zuruf. Einzelabfragen in der Warenwirtschaft dauern zu lange und lassen sich nicht frei kombinieren.
Über einen nächtlichen ETL-Lauf werden die Umsatz- und Retourendaten aus ERP, Shop und Marktplätzen in ein Data-Warehouse geladen und dort zu einem OLAP-Würfel mit den Dimensionen Zeit, Warengruppe, Kanal und Region verdichtet. Das Controlling schneidet den Würfel nun frei auf: Ein Drill-down von der Warengruppe „Schuhe" bis zum einzelnen Modell zeigt, dass ein umsatzstarker Marktplatz-Kanal nach Retouren und Gebühren kaum Marge liefert. Auf Basis dieser Erkenntnis wird das Sortiment je Kanal gezielt nachgesteuert – innerhalb von Minuten statt nach Tagen manueller Excel-Arbeit.
Häufige Fragen
Passende ERP-Systeme
Passende Leistungen
Fragen zu OLAP (Online Analytical Processing) in deinem ERP-Projekt?
Wir beraten herstellerunabhängig – und setzen es auf Wunsch selbst um.