Kapitel 4: Data Warehouse Architektur
|
|
- Stephan Burgstaller
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel 4: Data Warehouse Architektur Data Warehousing und Mining 1
2 Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Source Source Source komplexe Datenanalyse über mehrere Quellen, multidimensionale Sichten auf die Daten, unterschiedliche Sichten, die die jeweilige Perspektive reflektieren, Beispiel: Stab Vertrieb: Umsatz, aufgeschlüsselt nach Verkäufer, Stab Produktentwicklung: Umsatz aufgeschlüsselt nach Produkten, Analyse der zeitlichen Entwicklung, auch wenn Datenquellen sich auf aktuellen Datenbank-Zustand beschränken. Data Warehousing und Mining 2
3 Data Warehousing, Motivation, Beispiele Beispiel, warum Integration lokaler Datenbanken für Datenanalyse vorteilhaft; ein Unternehmen habe die folgenden Datenbanken, die den Aktivitäten einzelner Unternehmensbereiche entsprechen: Detaillierte Produktinformation, Kundenprofile, Reklamationen, Information zu Vertriebsbüros, Vertriebsbeauftragten. Alle Kombinationen von zwei oder mehr Datenbank-Inhalten sind sinnvoll für Datenanalyse, z.b. Kundenprofile - Reklamationen, Reklamationen - Vertriebsbeauftragte. Beispiel, warum zeitliche Betrachtung vorteilhaft; man beachte die Aussagekraft der folgenden Aussagen:,1400 Berufsunfähigkeitsversicherungen seit Jahresbeginn verkauft.,1400 Berufsunfähigkeitsversicherungen seit Jahresbeginn verkauft, in den letzten drei Jahren waren es zwischen 2100 und 2300 zum Vergleichszeitpunkt. Data Warehousing und Mining 3
4 Data Warehousing - Materialisierung von Sichten (Erste) Verfeinerung der Architektur: Warehouse Source Source Source Virtual Data Warehouse/virtuelle Integrationsplattform := Menge von Sichten (ohne Materialisierung) Data Warehousing und Mining 4
5 Data Warehousing - Materialisierung von Sichten Besonderheit von Data Warehouses, unter Betrachtung der allgemeinen Problematik des integrierten Zugriffs auf heterogene Informationssysteme: Sichten sind materialisiert. Motivation für Materialisierung: Performance Man erspart sich das Holen der Daten aus den Quellen, man kann die materialisierten Sichten indexieren (kann man i.a. nicht, ohne die Daten zu holen, da keine Kontrolle über die Sourcen), man konkurriert u.u. mit weniger anderen Usern um Ressourcen (Argument auch aus Sicht der Betreiber der Sourcen), u.u. keine kontinuierlichen Updates, die Zugriff verlangsamen, Qualität des Datenbestands, Man ist besser gefeit gegen nachträgliche implizite Umdeutungen von Attributen, Data Cleansing ist i.a. aufwendig; es ist daher sinnvoll, das Ergebnis zu materialisieren, Erfassen historischer Entwicklungen des Datenbestands. Data Warehousing und Mining 5
6 Data Warehousing, um was geht es also? Mehrere Aspekte: Verwaltung materialisierter Sichten, hauptsächlich Aggregate, Primitive für Datenanalyse und ihre effiziente Implementierung. Data Warehousing und Mining 6
7 OLTP vs. OLAP OLTP ( online transaction processing ): Transaktionsorientierte Datenzugriffe, typischerweise Erfassen von Daten und Lesezugriffe auf diesen. Tagesgeschäft bedienen Beispiel aus dem Bankbereich: Wie hoch ist mein Kontostand? Beispiele für OLTP-Systeme: Buchungssysteme, Point-of-Sale, Lagerverwaltung, Tracking-Systeme, Aktien-/Wertpapierhandel, Regel- und Steuerungssysteme. OLAP ( online analytical processing ): Konsolidierung, Viewing und Analyse der Daten gemäß mehrerer Dimensionen. Entscheidungen unterstützen Gemeint sind strategische Unterscheidungen. Beispiel: Was ist der Zusammenhang zwischen Kontostand und Häufigkeit von Buchungen? Sysadmin sagt: They (the users) don t even know what they want! How can we provide it? keine eng beschränkten Sichten und Analysemöglichkeiten; keine Konsolidierung der Daten, bei der wichtige Information verlorengeht. Data Warehousing und Mining 7
8 Vier Stufen der Datenanalyse (1) Einfache Anfragen Beispiele: Wieviele Studenten hören Datenbanken I?, Was kosten mich meine Mitarbeiter?, Welches Produkt ist das beste? Anfragen beinhalten alle Aggregation. What-if Analyse Beispiel: Wenn die Arbeitskosten nächstes Jahr um 5% zunehmen, und der Absatz gleich bleibt, wie wird sich dann der Profit entwickeln?, Was hätte ich für ein Geschäft gemacht, wenn in Dollar? Data Warehousing und Mining 8
9 Vier Stufen der Datenanalyse (2) Analyse der Entwicklungen, die zum aktuellen Datenbank-Zustand geführt haben. Beispiel: Warum hat der Hustensaft-Absatz im Saarland im November (im Gegensatz zu anderen Bundesländern) stark zugenommen? Funktioniert, wenn nicht externe Faktoren ausschlaggebend sind. Planung Was muß in der Zukunft getan werden, damit sich ein bestimmter Effekt einstellt? Beispiel: Was muß geschehen, damit der Umsatz nächstes Jahr um 5% steigt? Unterschied zu What-if -Analyse: Zeitliche Dimension ist hier explizit, die Bedingungen sind viel vager, falls überhaupt vorhanden. Data Warehousing und Mining 9
10 Data Warehouse, Data Warehouse Technologie (Analogie zum Unterschied Datenbank - DBMS ) Data Warehouse Technologie - Menge von Methoden, Techniken und Werkzeugen, die kombiniert werden können, um eine Plattform zu schaffen, die dem Endbenutzer Daten in integrierter Form liefert. Data Warehouse - Repository, das die für Decision Support Anwendungen einer Organisation notwendigen Daten in konsolidierter Form enthält, können auch zugekaufte Daten sein. Data Warehousing und Mining 10
11 Anforderungen an die Daten im Data Warehouse Wohldefiniert, konsistent, dauerhaft, d.h. Bedeutung der Daten ändert sich nicht; Daten sind auch in der Zukunft sinnvoll, Daten sollen historische Entwicklungen reflektieren, Datenvolumen soll ausreichen für aussagekräftige Analysen. Data Warehousing und Mining 11
12 Operationale Datenbanken vs. Data Warehouses Tuning Entstehung Anforderungen Bedeutung Datenzugriff Datenvolumen Operationale Datenbanken jeweils für eine Applikation oder aus einer bestimmten Perspektive heraus Bekannt alltägliche Geschäftsabläufe Ein Aufruf liefert wenige Zeilen zurück. Getuned für häufige Zugriffe auf kleine Datenmengen Datenbestand wird für operationales Geschäft gebraucht. Data Warehouses mehrere Perspektiven gleichzeitig vage Entscheidungen des Managements, die sich auf Profitabilität auswirken Grosse Datenmengen werden zugegriffen, um das Ergebnis zu ermitteln. Getuned für eher seltene Zugriffe auf grosse Datenmengen Grosser Datenbestand wird für statist. Analysen, Vorhersagen, ad hoc Reports gebraucht. Data Warehousing und Mining 12
13 Operationale Datenbanken vs. Data Warehouses (2) Datenaufbewahrung Aktualität Verfügbarkeit Entwurfs ziel Operationale Datenbanken solange es das Tagesgeschäft erfordert auf die Minute Hohe Verfügbarkeit erforderlich. Hohe Performance Data Warehouses Langfristig, um Reporting über Zeiträume oder Vergleiche zu ermöglichen. Üblicherweise wird ein bestimmter Zeitpunkt in der Vergangenheit beschrieben Nicht ganz so hoch wie in Produktionsumgebungen, abhängig davon, ob weltweiter Zugriff. Flexibilität Data Warehousing und Mining 13
14 Data Mart Data Mart Data Warehouse für bestimmte Zielgruppe, Einschränkungen bezüglich Attribute, Daten, d.h. es handelt sich um eine Selektion der Warehouse-Daten, Update-Häufigkeit. Unterscheidung zwischen dependent und independent Data Marts: dependent := unternehmensweites Data Warehouse ist die Quelle. Achtung: Heterogenität unterschiedlicher Data Marts führt ursprüngliches Problem auf höherer Ebene wieder ein. Data Warehousing und Mining 14
15 Data Warehouse Architektur source data Komponente f. Datenakquisition Datenverwaltung warehouse data Data Delivery external data Middleware Directory Entwurf warehouse data Management Datenzugriff external metadata Metadaten, importiert von anderen Komponenten, z.b. Sourcen oder anderen externen Systemen, die Teil der Gesamtarch. sind. Data Warehousing und Mining 15
16 Data Warehouse Architektur Komponenten der Data Warehouse Architektur: Entwurfskomponente (zum Entwurf des Data Warehouse), Komponente für Datenakquisition: Data Pumps Abgreifen von Daten aus Files und Datenbanken, Data Cleaning, Übermitteln der Daten ans Data Warehouse und Einfügen, Datenverwaltung : Erzeugung, Verwaltung und Zugriff auf Data Warehouse Daten, Management : Data Warehouse Administration, Information Directory : Bereitstellung von Information über Inhalt und Bedeutung der Data Warehouse Daten für Administratoren und Anwender, Datenzugriff : Bereitstellung von Werkzeugen für Datenanalyse und -zugriff für Endbenutzer, Middleware - ermöglicht den Analysewerkzeugen den Zugriff auf die Data Warehouse Datenbanken, Data Delivery : Verteilen von Data Warehouse Daten an Data Marts oder externe Systeme. Data Warehousing und Mining 16
17 Datenakquisition Ist üblicherweise deklarativ, z.b. regelbasiert. Data Cleanup: Restrukturierung, Ausblenden von Daten, Einfügen fehlender Feldinhalte, Überprüfen von Integritätsbedingungen. Data Enhancement: Decodieren/Übersetzen von Feldinhalten, Hinzufügen von Timestamps, Zusammenfassungen, Berechnungen abgeleiteter Werte. Data Warehousing und Mining 17
18 Information Directory Information Directory enthält Metadaten. Technische Metadaten, d. h. Informationen der folgenden Art: Warehouse Entwurf und Management, z. B. Regeln für Datenakquisition, Vorschriften für Data Delivery an externe Systeme oder Benutzer, Information über Datenquellen, Datenmengen und Information, wann Daten abgelegt wurden, Zugriffsmuster (Benutzerzugriffe), Business Metadata: Abbildung Geschäftsbereiche technische Metadaten, Welche Abteilung liefert welche Daten, welche Abteilung benötigt welche Sicht? Information zu vordefinierten Queries, Business Terms und technische Bezeichnungen, personelle Zuständigkeiten. Data Warehousing und Mining 18
19 Literatur Data Warehouse Practical Advice from the Experts Joyce Bischoff, Ted Alexander Prentice Hall, 1997 Data Warehousing und Mining 19
Kapitel 4: Data Warehouse Architektur
Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale
MehrKap. 6 Data Warehouse
1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5
MehrFrühjahrsemester cs243 Datenbanken Kapitel 1: Einführung. H. Schuldt. Anwendungsbeispiel. Filiale Allschwil
Frühjahrsemester 2013 cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Anwendungsbeispiel Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches Produkt hat sich am 26.02.2013 in der Filiale
MehrData Warehouse und Data Mining
Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine
MehrDatenqualität-Der GQM- Ansatz und das DWQ- Projekt
Datenqualität-Der GQM- Ansatz und das DWQ- Projekt Guy Hermann Ngassa Imperfektion und erweiterte Konzepte im Data Warehousing 2 Überblick Einleitung Data-Warehouse-Qualität-Projekt (DWQ-Projekt) Bezug
MehrData Warehousing: Anwendungsbeispiel
Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale
MehrData Warehousing. DWH Projekte. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing DWH Projekte Ulf Leser Wissensmanagement in der Bioinformatik Inhalt DWH Projekte Spezifika Die kritischen Punkte Warum scheitern DWH Projekte? Ulf Leser: Data Warehousing, Vorlesung,
MehrAufbau eines Kennzahlensystems in der Logistik mit Oracle BI
Beratung Software Lösungen Aufbau eines Kennzahlensystems in der Logistik mit Oracle BI Gisela Potthoff Vertriebsleiterin TEAM GmbH Zahlen und Fakten Unternehmensgruppe Materna: 1.500 Mitarbeiter 192 Mio.
MehrKapitel 8: Data Warehouse 1
Objektverwaltung höherer Ordnung (OHO) SS 23 Kapitel 8: Data Warehouse Kap. 8 Data Warehouse 8. Was ist ein Data Warehouse, Motivation? 8.2 Data Cube und SQL-Operationen 8.3 Cube-Operationen 8.4 Physischer
MehrDatenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
Mehr6.6 Vorlesung: Von OLAP zu Mining
6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum
MehrEinführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
MehrThemenblock: Erstellung eines Cube
Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen
MehrKapitel 6. Vorlesung: PD Dr. Peer Kröger
Kapitel 6 Einführung in Data Warehouses Vorlesung: PD Dr. Peer Kröger Dieses Skript basiert auf den Skripten zur Vorlesung Datenbanksysteme II an der LMU München Dieses Skript basiert auf den Skripten
MehrDatenbanken Grundlagen und Design
Frank Geisler Datenbanken Grundlagen und Design 3., aktualisierte und erweiterte Auflage mitp Vorwort 15 Teil I Grundlagen 19 i Einführung in das Thema Datenbanken 21 i.i Warum ist Datenbankdesign wichtig?
MehrUnternehmensdokumente mit dem XML Publisher erzeugen
Unternehmensdokumente mit dem XML Publisher erzeugen Jürgen Menge TSBU Middleware ORACLE Deutschland GmbH XML-Publisher Moderne Lösung zur Entwicklung und Verteilung von Geschäftsdokumenten (Output Management)
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrXML Publisher die universelle Lösung für Geschäftsdokumente
XML Publisher die universelle Lösung für Geschäftsdokumente Jürgen Menge TSBU Middleware ORACLE Deutschland GmbH Moderne Lösung zur Entwicklung, Erzeugung und Verteilung von Geschäftsdokumenten (Output
MehrZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE
ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE Indexierungsstrategie im Data Warehouse Dani Schnider, Trivadis AG DOAG Konferenz, Nürnberg BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR.
MehrBIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
MehrÜbung zur Einführung in die Wirtschaftsinformatik Cognos Powerplay als Beispiel für ein DSS
Übung zur Einführung in die Wirtschaftsinformatik 2006-05 - 10 Cognos Powerplay als Beispiel für ein DSS 1 Entscheidungsunterstützungssysteme (EUS) Decision Support Systems (DSS) EUS sollen das gemeinsame
MehrOLAP und Data Warehouses
OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting
MehrBUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT
BUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT Meik Truschkowski Architekt für Business Intelligence und Data Warehousing nobilia-werke J. Stickling GmbH & Co. KG Verl, den 31. Oktober 2011 UNTERNEHMENSPROFIL
MehrData Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
MehrCharakteristika von Unternehmensanwendungen
Charakteristika von Unternehmensanwendungen Wozu werden Unternehmensanwendungen genutzt? Enterprise applications are about the display, manipulation, and storage of large amounts of often complex data
MehrAgile BI Was ist das eigentlich? Hochschule Ulm - V. Herbort & Prof. Dr. R. von Schwerin
Agile BI Was ist das eigentlich? Hochschule Ulm - V. Herbort & Prof. Dr. R. von Schwerin Inhalt Agilität in der Business Intelligence Agile Software-Projekte Agile Data Warehousing / Self-Service BI 29.10.10
MehrBusiness Intelligence proalpha das Ding mit den Kennzahlen
Systemadministration - Was Sie vielleicht noch nicht wussten! Business Intelligence proalpha das Ding mit den Kennzahlen PUGS Frühjahresevent, 23.05.2014, Worshop B 1 31_pA_Präsentation_Codex_DE Teilnehmer
MehrParadise Found Roadshow 2017
Paradise Found Roadshow 2017 Von Daten zu wertvollen Informationen Wie Sie datenschutzkonform und agil ihre Daten für maschinelles Lernen aufbereiten Wie wichtig ist heute Data Preparation für Data Discovery
MehrDatenbanken. Datenbanken. Grundlagen und Design. Grundlagen und Design. Frank. Geisler. 4. Auflage
Datenbanksysteme, Datenbankanwendungen und Middleware Das relationale Datenbankmodell ER-Datenbankmodellierung und Normalisierung SQL-Grundlagen Projektablauf bei der Erstellung einer Datenbank Transaktionen
MehrData Warehouse Theorie und Praxis. Ali Khabbazian T-Systems
Data Warehouse Theorie und Praxis Ali Khabbazian T-Systems Agenda Was ist Data Warehouse? Warum Data Warehouse? Architektur und Komponenten Wie realisiere ich mein Data-Warehouse- System? (Tools und Technik)
MehrData Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE. 1. Konferenz der SAS Benutzer in Forschung und Entwicklung
Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE 1. Konferenz der SAS Benutzer in Forschung und Entwicklung Unterschiedliche Geschäftsprozesse Operativer Dispositve Geschäftsbetrieb
MehrService Portal Die komplette IT auf einen Blick an jedem Ort, auf jedem Device, in Echtzeit. Network Visibility
Service Portal Die komplette IT auf einen Blick an jedem Ort, auf jedem Device, in Echtzeit. Network Visibility Situation Industrieunternehmen mit verteilten Standorten und gewachsenen IT-Strukturen Fehlender
MehrMIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001
MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)
MehrErfolg mit Oracle BI?
Erfolg mit Oracle BI? Typische Fehlerszenarien und deren Lösung Gerd Aiglstorfer G.A. itbs GmbH Das Thema 2 Oracle BI (OBIEE)? Das war eine Fehlentscheidung! Viel zu umständlich! Wenig Flexibilität & teure
MehrAgenda joinit für 7-IT
Agenda joinit für 7-IT 1. Einleitung / Allgemeine Einordnung von joinit (PowerPoint) 2. Lösungen für Incident-, Change und Problem- Management mit joinit bei der HVB-INFO (PowerPoint) 3. Fragen / Lösungsansätze
MehrÜbersicht SAP-BI. DOAG Regionaltreffen
Übersicht SAP-BI DOAG Regionaltreffen 14.12.2010 Übersicht Überblick BI Datenablage Datenfluß im BI Analysen Sonstiges - Schlüsselbereiche des BI - Wo werden die Daten gespeichert? - Wie kommen die Daten
MehrData Warehousing. Sommersemester Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2004 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrData Warehouse schnell gemacht Performanceaspekte im Oracle DWH
Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich
MehrProfitieren Sie von einer offenen und flexiblen Clouddienstplattform
Microsoft Azure Profitieren Sie von einer offenen und flexiblen Clouddienstplattform Microsoft Azure ist eine wachsende Sammlung integrierter Clouddienste für Analysen, Computing, Datenbanken, Mobilgeräte,
MehrVorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
MehrMarketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische
MehrQlik s Visual Analytics Platform meets SAP
Discover Data-Driven Possibilities 2016 World Tour Qlik s Visual Analytics Platform meets SAP Dennis Jaskowiak, Solution Architect, Qlik Mainz, 27. September 2016 IT Point of decision 2 64 % Manager bestätigen,
MehrScrum für Business Intelligence Projekte erfolgreich nutzen. Es begrüßt Sie Thomas Löchte
Scrum für Business Intelligence Projekte erfolgreich nutzen Es begrüßt Sie Thomas Löchte Die Informationsfabrik Die Informationsfabrik macht erfolgreiche BI und DWH Projekte und hat zufriedene, referenzierbare
Mehrtdwi E U R D P E OPEN SOURCE BUSINESS INTELLIGENCE HANSER MÖGLICHKEITEN, CHANCEN UND RISIKEN QUELLOFFENER BI-LÖSUNGEN
OPEN SOURCE BUSINESS INTELLIGENCE MÖGLICHKEITEN, CHANCEN UND RISIKEN QUELLOFFENER BI-LÖSUNGEN uwehaneke Stephan TRAHASCH tobias HAGEN tobias LAUER (Hrsg.)' tdwi E U R D P E HANSER Vorwort 9 Einführung
Mehrsimply sophisticated Integration von SAP und Non SAP Lösungen Marktüberblick, Techniken, Möglichkeiten & Probleme
simply sophisticated Integration von SAP und Non SAP Lösungen Marktüberblick, Techniken, Möglichkeiten & Probleme Patrick Theobald Zur Person Patrick Theobald Geschäftsführer Theobald Software GmbH seit
MehrAddOn Managed Services Die neue EinfachheIT
AddOn Managed Services Die neue EinfachheIT Planung Innovations-Management Monitoring Troubleshooting Wiederherstellung Netzwerk-Management Server-Management Client-Management Rechenzentrumsleitstand Service
MehrSeminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
MehrDWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH. Referent: Ilona Tag
DWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH Referent: Ilona Tag Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrZERO.ONE.DATA Die Bahn, ein agiler Tanker im Digitalisierungszeitalter. Gudio van Husen, Christopher Muth DB Systel GmbH Hanau
ZERO.ONE.DATA Die Bahn, ein agiler Tanker im Digitalisierungszeitalter Gudio van Husen, Christopher Muth DB Systel GmbH Hanau 28.02.2018 Foto: DB Systel DB Systel GmbH Die Digitalisierung der Bahn erfolgreich
MehrInfor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr
Infor PM 10 auf SAP 9.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche zu vermeiden. Sie können
MehrData Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
MehrManagement Information System SuperX status quo and perspectives
Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting
MehrData Warehouse Grundlagen
Seminarunterlage Version: 2.13 Version 2.13 vom 27. August 2018 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen
MehrInformationsgenerierung mit Business-Intelligence-Technologien... 99
Inhaltsverzeichnis Seite Abbildungsverzeichnis...XIII Tabellenverzeichnis... XVII Abkürzungsverzeichnis...XIX 1 Forschungsbedarf in der Unternehmenssteuerung... 1 1.1 Stand der Forschung und Motivation...
MehrMultidimensionale Konzepte zur Controlling- Unterstützung in kleinen und mittleren Unternehmen
Tatjana Tegel Multidimensionale Konzepte zur Controlling- Unterstützung in kleinen und mittleren Unternehmen Deutscher Universitäts-Verlag Inhaltsverzeichnis Abkürzungsverzeichnis 1 Einleitung 2 Merkmale
MehrJens Schmidt Senior Member Technical Staff
Jens Schmidt Senior Member Technical Staff Oracle 9i Data Mining Connector 1.1 für mysap BW Agenda Data Mining Grundlagen Der Data Mining Prozess Oracle Data Mining Integration mit mysap BW Agenda Data
MehrInhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis...
Inhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis... XXV 1 Einführung... 1 1.1 Problemstellung... 1 1.2 Zielsetzung... 3 1.3
MehrAPEX: verteiltes und mobiles Arbeiten
APEX: verteiltes und mobiles Arbeiten von Thomas Hernando ww w. syn t egris.de Unternehmen und Referent REFERENT Thomas Hernando IT-Berater und Anwendungsentwickler Seit 2012 im Unternehmen Schwerpunkte
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
MehrSeminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing
Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle
MehrTextmasterformat bearbeiten
Michael Korp Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/mkorp Unterstützung für die alltäglichen IT Prozesse und den Service Desk Personen Prozesse Technologie Automatisieren
MehrDie richtigen Informationen. Zur rechten Zeit. An der richtigen Stelle.
Die richtigen Informationen. Zur rechten Zeit. An der richtigen Stelle. Wir machen Ihre Ziele zu unseren Zielen. Für einen Kunden zu arbeiten heißt bei Infomotion, mit ihm zusammenzuarbeiten: Wir schauen
MehrEinführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
MehrMeine Datenbank läuft auf Vmware Was sagt der Enterprise Manager dazu?
Meine Datenbank läuft auf Vmware Was sagt der Enterprise Manager dazu? Martin Obst Oracle Deutschland B.V. & Co. KG Potsdam Schlüsselworte Enterprise Manager, 12c, Cloud Control, VMware, vsphere, Integration,
MehrOnline Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
MehrInhaltsverzeichnis. vii.
vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt 2 1.2 OLTP versus OLAP 4 1.2.1 OLAP-versus OLTP-Transaktionen 5 1.2.2 Vergleich von OLTP und OLAP 6 1.2.3 Abgrenzung: DBMS-Techniken
MehrAKTUELLE LÖSUNGSARCHITEKTUR DER SAP IM BEREICH BUSINESS INTELLIGENCE UND ANALYTICS
AKTUELLE LÖSUNGSARCHITEKTUR DER SAP IM BEREICH BUSINESS INTELLIGENCE UND ANALYTICS X-CASE Trainer-/Expertentreffen 2018 S/4HANA, BW/4HANA und SAP-Entwicklung Aktuelle Neuerungen Vorstellung Jörg Bauditz
MehrNEUIGKEITEN SAS 9.4 ARCHITEKTUR PHILLIP MANSCHEK
NEUIGKEITEN SAS 9.4 ARCHITEKTUR PHILLIP MANSCHEK HÄUFIGE FRAGEN Ist SAS 9.4 ein Update/Upgrade von/für SAS 9.3? Nein. Installation in ein separates SASHOME-Verzeichnis. Lassen sich SAS 9.3 und SAS 9.4
MehrRealtime Daten-Rückschreibung in Tableau mit der Extensions API //
Was wir vorhersagen, soll auch eintreffen! Realtime Daten-Rückschreibung in Tableau mit der Extensions API // Pascal Muth Zusammenfassung In diesem Whitepaper wird die Tableau Extensions API von Tableau
MehrTUI InfoTec. We do IT with a Smile. TUI InfoTec We do IT with a smile Folie 1
TUI InfoTec. We do IT with a Smile. TUI InfoTec We do IT with a smile 30.05.2008 Folie 1 Von der IT-Abteilung des Touristikkonzerns zum international agierenden IT-Dienstleister. < 1997 1997 2006 IT-Abteilung
MehrDatenbanksysteme 2009
Datenbanksysteme 2009 Kapitel 17: Data Warehouse Oliver Vornberger Institut für Informatik Universität Osnabrück 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen
MehrMala Bachmann September 2000
Mala Bachmann September 2000 Wein-Shop (1) Umsatz pro Zeit und Produkt Umsatz Jan Feb Mrz Q1 Apr 2000 Merlot 33 55 56 144 18 760 Cabernet-S. 72 136 117 325 74 1338 Shiraz 85 128 99 312 92 1662 Rotweine
MehrEinführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH
Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -
MehrKapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery
Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources
MehrInhaltsverzeichnis. 1 Einleitung 1. 2 Aufbau von Data-Warehouse-Systemen 15. Lehner, Wolfgang Datenbanktechnologie für Data-Warehouse-Systeme 2003
1 Einleitung 1 1.1 Betriebswirtschaftlicher Ursprung des Data Warehousing 2 1.2 Statistischer Ursprung des Data Warehousing 5 1.3 Fòderativer Ursprung des Data Warehousing 7 1.4 Definition eines Data-Warehouse-Systems
MehrInformationsmanagement im Gesundheitswesen
Informationsmanagement im Gesundheitswesen ehealth und Medizinische Dokumentation bbw-hochschule, Winter 2015 - Gesundheitsmanagement - Dr. Christof Geßner, Berlin Ziele des Informationsmanagements Langfristige
MehrPHP- Umgang mit Datenbanken (1)
PHP- Umgang mit Datenbanken (1) Weitere Funktionen zum Umgang mit Datenbanken (Erzeugen, Löschen) und Tabellen (Erzeugen, Löschen) Zum Beispiel für das Erzeugen einer neuen Datenbank $dbname= blumendb
MehrBallbesitz oder Konter? Potentiale durch IT-Trends erkennen
Ballbesitz oder Konter? Potentiale durch IT-Trends erkennen Marcel Mertin Senior Consultant 1 Ihr persönlicher Ansprechpartner bei ec4u Marcel Mertin Senior Consultant / Teamleiter B.Sc. / MBA ec4u expert
MehrOracle XML Publisher - Überblick - Jürgen Vester Manager Sales Consulting Stuttgart Oracle Deutschland GmbH. Page 1
1 Oracle XML Publisher - Überblick - Jürgen Vester Manager Sales Consulting Stuttgart Oracle Deutschland GmbH DOAG Regionalgruppe Stuttgart, den 18.05.2006 Page 1 2 XML-Publisher XML-Publisher Moderne
MehrBUSINESS INTELLIGENCE (BI) MIT PENTAHO. Schneller, höher, weiter!
BUSINESS INTELLIGENCE (BI) MIT PENTAHO Schneller, höher, weiter! HERZLICH WILLKOMMEN ZUM WEBINAR Business Intelligence (BI) mit Pentaho Die Moderatoren Fragen über Chat Arved Wendt Teammanager Janina Kasten
MehrCOMARCH LOYALTY MANAGEMENT. Loyalität stärken, Engagement erhöhen und Gewinne maximieren
COMARCH LOYALTY MANAGEMENT Loyalität stärken, Engagement erhöhen und Gewinne maximieren GESCHÄFTLICHE HERAUSFORDERUNGEN Kundenorientierte Unternehmen müssen heute aus einer Vielzahl an Möglichkeiten den
MehrDatenbanken - Grundlagen und Design
mitp Professional Datenbanken - Grundlagen und Design von Frank Geisler überarbeitet Datenbanken - Grundlagen und Design Geisler schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG mitp/bhv
MehrBI-Navigator. Business Intelligence
BI-Navigator Business Intelligence BI-Navigator BI-Navigator Corporate Performance Management Der BI-Navigator ist die Lösung von Innovabee für Corporate Performance Management. Mit diesem empfängerorientiertem
MehrStrategisches Informationsmanagement auf Basis von Data Warehouse-Systemen
Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights
MehrTeil II: Architektur eines Data-Warehouse-Systems... 57
O:/Wiley/Reihe_Dummies/9783527714476_Gerken/3d/ftoc.3d from 08.08.2018 14:02:02 Auf einen Blick Einleitung... 19 Teil I: Was ist ein Data Warehouse?... 25 Kapitel 1: Ein Beispiel zur Einführung..... 27
MehrWelche BI-Architektur braucht Ihr Reporting?
Welche BI-Architektur braucht Ihr Reporting? Variante 1: Direkter Zugriff Keine redundanten Daten Schnelle Erkenntnisse Echte Daten für PoCs Echtzeit-Reporting ohne Zwischenstufen Belastung der operativen
MehrDie verdeckten Kosten (Risiken) im Indexdatamanagement
Die verdeckten Kosten (Risiken) im Indexdatamanagement Copyright RIMES 2017 1 Taktisch Strategisch Anforderungen an das Datenmanagement Data Governance & Regulierung Transparenz & Kontrolle Geschäftsanforderungen
MehrINDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE
INDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE DOAG Konferenz 2011 Dani Schnider Trivadis AG Nürnberg, BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG
MehrWas ist Analyse? Hannover, CeBIT 2014 Patrick Keller
Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität
Mehr2. Architektur verteilter Datenbanksysteme
2. Architektur verteilter Datenbanksysteme Verteilte Datenbank, kurz DDB (engl. distributed database): eine Sammlung logisch zusammengehöriger Datenbanken, welche über Rechnerknoten ( Sites ) verteilt
MehrBI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit
BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon
MehrOracle E-Business Suite Überblick Report Manager
1 1 28.03.2013 Oracle E-Business Suite Überblick Report Manager Thomas.Fricke@oracle.com Oracle Germany The following is intended to outline our general product direction. It is intended
MehrZusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück
Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins
Mehr10. Vorlesung: Datenorganisation SS 2007
10. Vorlesung: Datenorganisation SS 2007 8 Parallele Transaktionen 9 9.1 Drei-Ebenen Ebenen-Architektur 9.2 Verteilte Datenbanken 9.3 Client-Server Server-Datenbanken 9.4 Föderierte Datenbanken 9.5 Das
Mehr