AD ALTA 

 

JOURNAL OF INTERDISCIPLINARY RESEARCH

 

 

 

UBFRP = (1*1.5+1*1)+ (2*1.5+2*1+1*0.5)+(8*1.5)=20 points. 

3.2 Adjusted Business Function Recovery Points (ABFRP) 

For the computation of the specific value the following recovery 
complexity paremeters are considered: 



 

Technical Recovery Factors (TRF) 



 

Environmental Recovery Factors (ERF) 



 

Unexpected Recovery Factors (URF), and  



 

Recovery Time Effort (RTE) 

*

**

ABFRP

TRFERFURFUBFRP

=

                (2) 

 

2

5000

3

RTE

ABFRP

=

−

 

                     (3) 

The Business Continuity Points method relies on the recovery 
complexity concept following the software/system complexity 
principle of Karner (1993) to estimate the effort required to 
develop an information system.  

According to lab computations, the criticality ranking can be, 
however, determined without the computation of the resumption 
timeframes for specific UBFRP values (Podaras et al., 2016). 
The current work presents the developed decision support data 
warehouse schema, which currently implements the criticality 
ranking of individual processes without the computation of the 
resumption timeframes. The specific classification is entitled 
"speedy" criticality ranking. The more detailed criticality 
ranking data warehouse solution is currently under development.  

Based on preliminary lab computations and after validating the 
general BCPTs business rules (Podaras, 2018) the following 
decision making algorithm has been generated and applied in the 
current BI solution.  

Rule 1: “speedy classification of a business function based on 
UBFRP”  

Empirical lab computations led to the construction of a data set 
including 46 business functions which has been used for 
machine learning classification of a business function based on 
UBFRP input (Podaras, 2018). The classification rule induced 
via this study is the following: 

IF UBFRP<9.7 Points THEN 
 

IF UBFRP<14.45 Points THEN 

 

 

IF UBFRP<20.89 Points THEN  

Criticality Level = L2     
(Critical Operation 
RTE

MAX

ELSE Criticality Level 
= L1  

Critical 

Operation        
RTE

=24Hours) 

MAX

 

 

END IF 

=2Hours) 

 

Criticality Level = L3    

(Non-Critical Operation 
RTE

MAX

 

ELSE Criticality Level = L2                                                  

 

(Critical Operation RTE

=72hours) 

MAX

 

ENDIF 

=24Hours) 

Criticality Level = 

L4 (Non-Critical 

Operation RTE

MAX

ELSE Criticality Level = L3 (Non-Critical 
Operation RTE

=168Hours) 

MAX

END IF 

=72Hours) 

 

Based on this rule, a speedy classification can be implemented 
with approximately high accuracy. However, only the maximum 
recovery time that is mapped to the corresponding IVL (Gibson, 
2010) can be assigned. Precise recovery timeframes cannot be 
determined via the speedy classifier. 
 
 

Rule 2: The Recovery Scenario (RS) Selection  

The rule-based Recovery Scenario (RS) selection of individual 
operations is illustrated as a decision tree which has been derived 
via the R software package (Yadav & Roychoudhury, 2018) 
after importing and processing the lab-based empirically derived 
data (Fig. 2) 

 

 
Fig. 2. The decision tree for selecting the appropriate recovery 
scenario. Source: (Podaras, 2018). 
 
The semantics used in the above illustrated decision tree has the 
following meaning: 
 


 

Simple RS: TRF=URF=ERF=0.85. The value is constant 
which means no international units are utilized (Podaras et 
al., 2016)  



 

Average RS: TRF=URF=ERF=1 and  



 

Complex RS: TRF=URF=ERF=1.15. 

 
As it was previously stated, the scenario selection and the 
computation of these parameters is important for the precise 
computation of the recovery time which is not included in the 
current version of the BI solution.  
 
3.2 Business Intelligence Data Warehouse Preliminaries 

Multiple academic researchers and business experts have 
provided precise delineation and definition with respect to the 
business intelligence data warehouse systems. A representative 
definition considers a data warehouse as “a collection of 
methods, techniques, and tools used to support knowledge 
workers — e.g., senior managers, directors, etc. — to conduct 
data analysis that helps with performing decision making 
processes and improving information resources” (Golfarelli & 
Rizzi, 2009).  When data warehouse systems are integrated, a 
standard procedure regarding the design process is the 
consideration of multiple dimensions, the facts which indicate 
the measurable variables of these dimensions and the key 
attributes for dimensions and facts (Romero & Abelló, 2010). 
The data warehouse schema consists of several dimensions and a 
single fact is known as multidimensional schema or star schema.  

In the multidimensional schema, "facts correspond to events 
which are usually associated with numeric values known as 
measures and are referenced using the dimension elements” 
(Caniupán et al., 2012). Moreover, “dimensions are modelled as 
hierarchies of elements, where each element belongs to a 
category. The categories are also organized into a hierarchy 
called hierarchy schema.” (Caniupán et al., 2012). 

Finally, based on the traditional design approaches regarding the 
relational as well as the object-oriented database models, three 
relevant design categories are distinguished, that is the 
conceptual, logical and physical design (Vaisman & Zimanyi, 
2014). In the results section both the conceptual and the physical 
design of the proposed data warehouse are illustrated due to their 
importance. 

 

 

 

 

- 359 -