Operative vs. Informationelle Systeme. Informationelle Systeme. Informationelle Systeme. Moderne Betriebliche Anwendungen von Datenbanksystemen

Größe: px
Ab Seite anzeigen:

Download "Operative vs. Informationelle Systeme. Informationelle Systeme. Informationelle Systeme. Moderne Betriebliche Anwendungen von Datenbanksystemen"

Transkript

1 Moderne Betriebliche Anwendungen von Datenbanksystemen Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP R/) Data Warehouse-Anwendungen Data Mining Operative vs. Informationelle Systeme Anspruch an Datenbanken in Unternehmen ist vielschichtig. Man kann sie - je nach Einsatzzweck - in operative und informationelle Systeme einteilen. Operative Systeme eingesetzt von Sachbearbeitern, am Bankschalter, etc. dienen der täglichen Arbeit Informationelle Systeme helfen dem Management, (strategische) Entscheidungen zu finden. (durch DSS = Decision Support Systems) (Systeme für Business Intelligence Anwendungen) bieten Grundlage für weitere Analysen mit OLAP / Data Mining Informationelle Systeme Informationelle Systeme zugeschnitten auf Gegenstandsbereiche (sog. Subjects), z.b. Kunde, Produkt, Vertriebsregion enthalten sehr große Datenmengen enthalten zum großen Teil historische, zusammengefasste Daten Historie aus Daten der operativen Systeme ist nachvollziehbar unterstützen Informations- und Analyseaufgaben, d.h. das Management in der Entscheidungsfindung wenige Zugriffe, aber mit relativ hohem Datenvolumen Datenbankeinträge werden nicht geändert (keine Updates) relativ hohe Redundanz Überblick über alle relevanten Unternehmensdaten komplexe, oft heuristische Ad-hoc-Anfragen z.b. auf der Basis von OLAP-Funktionalitäten Antwortzeitverhalten spielt untergeordnete Rolle Daten sind wohl strukturiert, integriert und konsolidiert Anzahl Benutzer ist eher klein ( Power-User )

2 Gegensätze Grundlagen Operative Systeme Schnelle Antwortzeit Anwendungsorientiert Aktuelle Daten Detaillierte, primäre Daten Häufige Änderungen Dient täglicher Arbeit Informationelle Systeme Hohe Speicherkapazität Gegenstandsorientiert Historische Daten Auch zusammengefasste, abgeleitete Daten Keine Updates Dienst als Datenspeicher für Analyse und Entscheidungsfindung Man muss beide Systeme trennen. Data Warehouse für den informationellen Systemteil Legacy Systeme DWh DBMS & Data Marts Ext. Daten OLAP Tools Data Mining und Statistik Tools Kausale Modelle Intelligente Informationssysteme und Reports operative Daten informationelle Daten Analytiker Management OLTP: Online Transaction Processing Beispiele Flugbuchungssystem Bestellungen in einem Handelsunternehmen Charakterisierung Hoher Parallelitätsgrad Viele (Tausende pro Sekunde) kurze Transaktionen TAs bearbeiten nur ein kleines Datenvolumen mission-critical für das Unternehmen Hohe Verfügbarkeit muss gewährleistet sein Normalisierte Relationen (möglichst wenig Update-Kosten) Nur wenige Indexe (wegen Fortschreibungskosten) SAP R/: Enterprise Resource Modelling (ERP-System) WAN (Internet) LAN Relationales DBMS als Backend-Server (Oracle, Informix, DB, MS SQL-Server, Adabas)

3 Dreistufige Client/Server-Architektur ( Tier, SAP R/) Interne Architektur von SAP R/ sehr viele (Tausen de) Clients Sehr schnelles LAN (z.b. FDDI) ein Datenbank- Server mehrere Applikatio ns- Server zur Skalierun g langsame Netzverbindung (WAN, Internet, Telefon, ) Transaktionsverarbeitung in SAP R/ Data Warehouse-Anwendungen: OLAP~Online Analytical Processing Sperren anfordern Posting-Schritte Sperren freigeben Wie hat sich die Auslastung der Transatlantikflüge über die letzten zwei Jahre entwickelt? oder Dialog-Schritte D D D P P P P Wie haben sich besondere offensive Marketingstrategien für bestimmte Produktlinien auf die Verkaufszahlen ausgewirkt? Online-Phase Posting-Phase

4 Was ist ein Data Warehouse? Gegenstandsorientierung (subject-oriented) Mit dem Begriff Data Warehouse wird eine von den operationalen DV-Systemen isolierte Datenbank umschrieben, die als unternehmensweite Datenbasis für Management-Unterstützungssysteme dient. [Muksch et al. 996] A Data Warehouse is a subject-oriented, integrated, time-variant, nonvolatile collection of data in support of management s decision-making process. [Inmon, Hackathron 994] DWh ist an Gegenstandsbereichen des Unternehmens orientiert, z.b. Produkten, Kunden, Lieferanten Gegensatz zu Funktions- oder Anwendungsorientierung bei operativen (legacy) Systemen: Funktionen sind z.b. Einkauf, Lagerhaltung, Verkauf Bei der Entwicklung eines DWh stehen die Daten im Mittelpunkt. Bei operationalen Systemen muss auch der Prozess berücksichtigt werden. DWh enthält nur solche Daten, die für DSS-Analysten/Manager relevant und interessant sind, werden oder sein könnten. A Data Warehouse is a subject-oriented, integrated, time-variant, nonvolatile collection of data in support of management s decision-making process. [Inmon, Hackathron 994] Integration Integration Daten aus verschiedenen Quellen werden im DWh vereinheitlicht, u.a. durch Operative Systeme konsistente Vergabe und Definition von Bezeichnern einheitliche Kodierung Externe Datenquellen Integration, Konsolidierung Data Warehouse z.b. wird jedes Datum in der Form <YYYY-MM-DD> gespeichert einheitliches Festlegen der Maßeinheiten von Attributen z.b. werden Preise in Dollar angegeben Auflösung von strukturellen Konflikten z.b. Schema-Wert-Konflikt In zwei verschiedenen operativen Systemen können die gleichen Daten unter verschiedenen Bezeichnern abgelegt sein die gleichen Bezeichner für verschiedene Zwecke benutzt werden der gleiche Sachverhalt auf verschiedene Weise kodiert sein A Data Warehouse is a subject-oriented, integrated, time-variant, nonvolatile collection of data in support of management s decision-making process. [Inmon, Hackathron 994] Integration führt dazu, dass alle Daten im DWh in einer einzigen, allgemein akzeptierten Art und Weise gespeichert sind. Erst die Integration erlaubt die einfache und effektive Nutzung der DWh-Daten für Anwendungen z.b. im Management Integration ist ein schwieriger und zeitaufwendiger Prozess

5 Lebenszyklus eines Data Warehouse Behandlung von Strukturkonflikten in relationalen Schemata: [Saltor et. al. 99] Beispiel: Datenbank für Aktienkurse Datenbank New York (ein Tupel pro Tag und Aktie) date stock clsprice IBM HP GM IBM HP GM 5 Datenbank Barcelona (ein Tupel pro Tag, ein Attribut pro Aktie) date HP IBM GM Datenbank Melbourne (eine Relation pro Aktie, ein Tupel pro Tag) Zeitraumbezug (time variancy) In operativen Systemen ist der aktuelle Datenbestand gespeichert. Er kann jederzeit geändert werden (Update). DWh enthält eine ganze Historie von Daten DWh besteht aus Snapshots der operativen Systeme DWh-Daten sind zu einem bestimmten Zeitpunkt gültig (gewesen). Der Gültigkeitszeitraum ist an allen Daten im DWh vermerkt (als Teil des Schlüssels) Zeithorizont des DWh: ca. 5-0 Jahre operative Systeme: max Tage HP date clsprice IBM date clsprice GM date clsprice A Data Warehouse is a subject-oriented, integrated, time-variant, nonvolatile collection of data in support of management s decision-making process. [Inmon, Hackathron 994] Beständigkeit (nonvolatility) Architektur einer Data Warehouse Umgebung Operative Systeme: Daten werden oft geändert, gelöscht, eingefügt. Aufwendige Mechanismen, um Deadlocks zu vermeiden Locking-Mechanismen, etc. OLAP Tools DWh: primär nur Leseoperationen Daten werden aus den operativen Systemen (initial) geladen Analysesysteme greifen lesend auf DWh-Daten zu. Es gibt keine Updates Legacy Systeme DWh DBMS & Data Marts Ext. Daten Data Mining und Statistik Tools Kausale Modelle Intelligente Informationssysteme und Reports A Data Warehouse is a subject-oriented, integrated, time-variant, nonvolatile collection of data in support of management s decision-making process. operative Daten informationelle Daten Analytiker Management [Inmon, Hackathron 994]

6 Architektur einer DWh-Umgebung Die innere Struktur eines Data Warehouse Architektur einer DWh-Umgebung Beispiel: Telekommunikationsunternehmen Metadaten Stark zusammengefasste Daten Leicht zusammengefasste Daten Aktuelle detaillierte Daten detailliert Für jeden Kunden, jedes Gespräch inkl. Zone Teilnehmer Zeitpunkt Dauer Gebühren Art des Dienstes Byte pro Kunde leicht zusammengefasst Für jeden Kunden Anzahl der Gespräche insgesamt Anzahl der Ferngespräche Gesprächsdauer Umsatz je Zone Umsatz insgesamt Zusammenfassung monatlich ca. 00 Byte pro Kunde Alte (detaillierte) Daten Architektur einer DWh-Umgebung Datenflüsse im Data Warehouse Zusammenfassen Architektur einer DWh-Umgebung Metadaten Metadaten sind Daten über Daten Metadaten lassen sich in Kategorien einteilen: Laden von Daten aus operativen Systemen Zusammenfassen semantische Metadaten Festlegung der DWh-Terminologie Transformations- und Integrationsregeln für die Abbildung der operativen Daten in die DWh-Daten Aggregationsregeln für das Zusammenfassen der Daten auf verschiedenen Aggregationsstufen Alterungsprozess

7 Architektur einer DWh-Umgebung DWh-Entwicklungszyklus Metadaten (forts.): DWh-Entwicklungszyklus unterscheidet sich vom klassischen: verwaltungstechnische Metadaten Festlegung von Benutzer (-gruppen) und zugehörige Zugriffsrechte statische Daten über das DWh Größe von Tabellen Zugriffsrechte auf Tabellen schematische Metadaten logisches Schema des DWh Abbildung zwischen logischem und physischem Schema Quellen der DWh-Daten Am Anfang des Data-Warehouse-Entwicklungszyklus stehen die Daten (der Prozess ist datengeleitet (data-driven)) Das Data Warehouse wird schrittweise entwickelt. Gründe: genaue Ziele/ Anforderungen an das DWh sind meistens noch nicht bekannt, Größe auch schlecht abschätzbar Kosten und Entwicklungszeit schlecht abschätzbar benötigte Ressourcen (Mitarbeiter, Rechner, ) sind hoch Data Warehouse Entwicklungszyklus Iterative Vorgehensweise iteratives Vorgehen und kurze feedback loops haben viele Vorteile: Anwender können ihre Anforderungen erst dann detailliert artikulieren, wenn der erste DWh-Prototyp vorliegt (. Stufe der DWh-Entwicklung) Management wird erst dann größeres Projektbudget genehmigen, wenn positive Resultate sicher greifbar sind. Qualität des DWh wird durch feedback loops mit Anwendern deutlich verbessert. Data Warehouse Entwicklungszyklus Monitoring der DWh-Benutzung Monitoring ist Voraussetzung für Anpassung des DWh an aktuelle Nutzung Welche Daten des DWh werden regelmäßig genutzt? In welchem Umfang wächst der Datenbestand? Wer benutzt das DWh? Welche Antwortzeiten treten bei welchen Anfragen auf? Wie ist die Belastung des DWh? Leitmotiv: Think big! Start small! Grow step by step!

8 Sammlung und periodische Auffrischung der Data Warehouse-Daten OLTP-Datenbanken und andere Datenquellen OLAP-Anfragen Decision Support Data Mining Das Stern-Schema Data Warehouse Stern-Schema bei Data Warehouse- Anwendungen Das Stern-Schema: Handelsunternehmen Eine sehr große Faktentabelle Alle Verkäufe der letzten drei Jahre Alle Telefonate des letzten Jahres Alle Flugreservierungen der letzten fünf Jahre normalisiert Mehrere Dimensionstabellen Zeit Filialen Kunden Produkt Oft nicht normalisiert Kunden Zeit Verkäufe Produkte Verkäufe r Filialen

9 Das Stern-Schema: Krankenversicherung Behandlunge n Zeit Krankhei ten Ärzte Patienten Kranken häuser Stern-Schema Passau 5-Jul-00 Verkäufer Kunde Anzahl Produkt Filiale VerkDatum Verkäufe Bayern D Passau Bezirk Land FilialenKennung Filialen 4 Kemper 47 wiealt Name KundenNr Kunden 9 Elektronik man 85 wiealt Manager Fachgebiet Name VerkäuferNr Verkäufer Faktentabelle (SEHR groß) Dimensionstabellen (relativ klein) Stern-Schema (cont d) Weihnachten Dienstag Dec-0 Hochsommer Saison Dienstag Wochentag Jul-00 KW Quartal Jahr Monat Tag Datum Zeit.... Siemens Telekom Mobiltelekom 47.. Hersteller Produkthauptgruppe Produktgruppe Produkttyp ProduktNr Produkte Nicht-normalisierte Dimensionstabellen: effizientere Anfrageauswertung Weihnachten Dienstag Dec-0 Hochsommer Saison Dienstag Wochentag Jul-00 KW Quartal Jahr Monat Tag Datum Zeit.... Siemens Telekom Mobiltelekom 47.. Hersteller Produkthauptgruppe Produktgruppe Produkttyp ProduktNr Produkte Datum Monat Quartal ProduktNr Produkttyp Produktgruppe Produkthauptgruppe

10 Normalisierung führt zum Schneeflocken-Schema KWs Kunden Zeit Quartale Verkäufe Filialen Verkäufe r Produkthau ptgruppen Produktgr uppen Produktty pen Produkte Vorteile des Stern-Schemas gegenüber herkömmlichen relationalen Schemata Schema-Entwurf entspricht der natürlichen Sichtweise der Benutzer Daten können in einer für Analysen adäquaten Weise zugegriffen werden. Erweiterungen und Änderungen am Schema sind leicht zu realisieren. Beziehungen zwischen den Tabellen sind vordefiniert Join-Operationen können durch entsprechende Zugriffspfade unterstützt werden Schnelle Antwortzeiten sind möglich Stern-Schema kann leicht in relationales DB-Schema umgesetzt werden. Vorteile des Stern-Schemas gegenüber herkömmlichen relationalen Schemata Umsetzung des Stern-Schemas in relationale Tabellen: Kennzahlentabelle (major table): Die Gegenstände der Analyse (Kennzahlen) werden in dieser Tabelle gesichert Nebentabelle (minor tables): Jede Dimension wird zu einer eigenen Relation / Tabelle. Kennzahlentabelle: Jedes Tupel der Kennzahlentabelle besteht aus einem Zeiger für jede Dimensionstabelle (Fremdschlüssel), die den Kontext eindeutig definieren und den numerischen Werten (Daten) für den jeweiligen Kontext. Sie enthält die eigentlichen Geschäftsdaten, die analysiert werden sollen. Die Kennzahlentabelle kann sehr viele Zeilen enthalten (Millionen). Der Schlüssel der Kennzahlentabelle wird durch die Gesamtheit der Dimensionszeiger gebildet Anfragen im Sternschema select sum(v.anzahl), p.hersteller from Verkäufe v, Filialen f, Produkte p, Zeit z, Kunden k Einschränkung where z.saison = 'Weihnachten' and der Dimensionen z.jahr = 00 and k.wiealt < 0 and Join-Prädikate p.produkttyp = '' and f.bezirk = 'Bayern' and v.verkdatum = z.datum and v.produkt = p.produktnr and v.filiale = f.filialenkennung and v.kunde = k.kundennr group by p.hersteller;

11 Algebra-Ausdruck Roll-up/Drill-down-Anfragen σ(produkte) σ(filialen) select Jahr, Hersteller, sum(anzahl) from Verkäufe v, Produkte p, Zeit z A A where v.produkt = p.produktnr and v.verkdatum = z.datum and p.produkttyp = '' Verkäufe group by p.hersteller, z.jahr; σ(kunden) A A σ(zeit) select Jahr, sum(anzahl) from Verkäufe v, Produkte p, Zeit z where v.produkt = p.produktnr and v.verkdatum = z.datum and p.produkttyp = '' group by z.jahr; Roll-up Drill-down Ultimative Verdichtung select sum(anzahl) from Verkäufe v, Produkte p where v.produkt = p.produktnr and p.produkttyp = '';

12 Drill- Down Roll-up Flexible Auswertungsmethoden: slice and dice R eg io n en Produktgruppen K u n d en R eg io n en Produktgruppen R eg io n en Produktgruppen K u n d en K u n d en Materialisierung von Aggregaten insert into DCube ( select p.hersteller, z.jahr, sum(v.anzahl) from Verkäufe v, Produkte p, Zeit z where v.produkt = p.produktnr and p.produkttyp = '' and v.verkdatum = z.datum group by z.jahr, p.hersteller ) union ( select p.hersteller, to_number(null), sum(v.anzahl) from Verkäufe v, Produkte p where v.produkt = p.produktnr and p.produkttyp = '' group by p.hersteller ) union ( select null, z.jahr, sum(v.anzahl) from Verkäufe v, Produkte p, Zeit z where v.produkt = p.produktnr and p.produkttyp = '' and v.verkdatum = z.datum group by z.jahr ) union ( select null, to_number(null), sum(v.anzahl) from Verkäufe v, Produkte p where v Produkt = p ProduktNr and p Produkttyp ='' ); Relationale Struktur der Datenwürfel

13 Würfeldarstellung Der cube-operator select p.hersteller, z.jahr, f.land, sum(v.anzahl) from Verkäufe v, Produkte p, Zeit z, Filialen f where v.produkt = p.produktnr and p.produkttyp = '' and v.verkdatum = z.datum and v.filiale = f.filialenkennung group by cube (z.jahr, p.hersteller, f.land); Wiederverwendung von Teil-Aggregaten insert into VerkäufeProduktFilialeJahr ( select v.produkt, v.filiale, z.jahr, sum(v.anzahl) from Verkäufe v, Zeit z where v.verkdatum = z.datum group by v.produkt, v.filiale, z.jahr ); select v.produkt, v.filiale, sum(v.anzahl) from Verkäufe v group by v.produkt, v.filiale Wiederverwendung von Teil-Aggregaten select v.produkt, v.filiale, sum(v.anzahl) from VerkäufeProduktFilialeJahr v group by v.produkt, v.filiale select v.produkt, z.jahr, sum(v.anzahl) from Verkäufe v, Zeit z where v.verkdatum = z.datum group by v.produkt, z.jahr

14 Die Materialisierungs-Hierarchie { } Die Zeit-Hierarchie Jahr {Produkt} {Jahr} {Filiale} {Produkt, Jahr} {Produkt, Filiale} {Filiale, Jahr} Quartal Woche (KW) {Produkt, Filiale, Jahr} Teilaggregate T sind für eine Aggregation A wiederverwendbar wenn es einen gerichteten Pfad von T nach A gibt Also T A Man nennt diese Materialisierungshierarchie auch einen Verband (Engl. Lattice) Tag Monat Bitmap-Indexe Beispiel-Anfrage und Auswertung Optimierung durch Komprimierung der Bitmaps Ausnutzung der dünnen Besetzung Runlength-compression Grundidee: speichere jeweils die Länge der Nullfolgen zwischen zwei Einsen Mehrmodus-Komprimierung: bei langen Null/Einsfolgen speichere deren Länge Sonst speichere das Bitmuster

15 Bitmap-Operationen Bitmap-Join-Index B-Baum B-Baum B-Baum B-Baum TID-V TID-K TID-V TID-K (i,ii)(ii,i)(iii,ii)(iv,ii)(v, (I,i)(I,v)(II,i )(II iii)(ii iv (i,ii)(ii,i)(iii,ii)(iv,ii)(v, (I,i)(I,v)(II,i )(II iii)(ii iv

16 5 5 Select k.* Select v.* B-Baum From Verkäufe v, Kunden k B-Baum From Verkäufe v, Kunden k TID-V Where v.produktid = 5 And v.kundennr = k.kundennr TID-K Where k.kundennr = 47 and v.kundennr = k.kundennr (i,ii)(ii,i)(iii,ii)(iv,ii)(v, (I,i)(I,v)(II,i )(II,iii)(II,iv Beispielanfrage auf dem Sternschema: Stern-Verbund -- Star Join select sum(v.anzahl), p.hersteller from Verkäufe v, Filialen f, Produkte p, Zeit z, Kunden k where z.saison = 'Weihnachten' and z.jahr = 00 and k.wiealt < 0 and Einschränkung der Dimensionen p.produkttyp = '' and f.bezirk = 'Bayern' and v.verkdatum = z.datum and v.produkt = p.produktnr and v.filiale = f.filialenkennung and v.kunde = k.kundennr group by p.hersteller; Join-Prädikate

17 Illustration des Star Join Zeit Verkäufe Kunden Bitmap-Indexe für die Dimensions- Selektion Zeit Verkäufe Kunden Filialen Produkte Filialen Produkte Ausnutzung der Bitmap-Join-Indexe Zeit Verkäufe Kunden Filialen Eine Produkte weitere Join-Methode: DiagJoin Für :N-Beziehungen Daten sind zeitlich geballt (clustered) Beispiel Order Lineitem Order A Lineitem Die Lineitems (Bestellpositionen) einer Order (Bestellung) kommen zeitlich kurz hintereinander Grundidee des DiagJoins besteht darin, synchron über die beiden Relationen zu laufen Die Orders werden in einem Fenster gehalten

18 DiagJoin Junker 45 Lola 9965 Kaller Hummer Müller Maier 47 Kemper Customer Order Mixer Papier 4 47 Fax Hub Toner 47 Drucker 47 Laptop PC 47 Preis Produkt Position LineItem DiagJoin Junker 45 Lola 9965 Kaller Hummer Müller Maier 47 Kemper Customer Order Mixer Papier 4 47 Fax Hub Toner 47 Drucker 47 Laptop PC 47 Preis Produkt Position LineItem DiagJoin Junker 45 Lola 9965 Kaller Hummer Müller Maier 47 Kemper Customer Order Mixer Papier 4 47 Fax Hub Toner 47 Drucker 47 Laptop PC 47 Preis Produkt Position LineItem DiagJoin Junker 45 Lola 9965 Kaller Hummer Müller Maier 47 Kemper Customer Order Mixer Papier 4 47 Fax Hub Toner 47 Drucker 47 Laptop PC 47 Preis Produkt Position LineItem

19 DiagJoin Order Customer Kemper 47 Maier Müller Hummer Kaller LineItem Position Produkt PC Laptop Drucker Toner Hub Fax Preis DiagJoin Customer Kemper Maier Müller Hummer Kaller Order LineItem Position Produkt PC Laptop Drucker Toner Hub Fax Preis Lola Junker Papier Mixer Lola Junker Papier Mixer 47 5 Quirl Muss zwischengespeichert werden und nachbearbeitet werden Quirl Anforderungen an den DiagJoin :N Beziehung Die -er Tupel sind in etwa derselben Reihenfolge gespeichert worden wie die N -er Tupel Die Tupel werden in der time-of-creation -Reihenfolge wieder von der Platte gelesen (full table scan) Die referentielle Integrität muss gewährleistet sein Das Fenster muss so groß sein, dass kaum Tupel nachbearbeitet werden müssen Nachbearbeitung bedeutet Tupel auf dem Hintergrundspeicher speichern Den zugehörigen Joinpartner via Index auffinden Also ist ein Index auf Order. hierfür notwendig Nicht für die erste Phase des DiagJoins Weitere Decision-Support Anfrage-Typen Top N-Anfragen Ich will nur die N besten Treffer erhalten und nicht alle 5 Millionen Muss bei der Anfrageoptimierung berücksichtigt werden Online Aggregation Man berechnet das Ergebnis approximativ Je länger die Anfrage läuft, desto genauer wird das Ergebnis

20 Top N-Anfragen Select A.* From Angestellte A, Abteilungen abt Where A.Abteilung = abt.abteilungsnr and abt.ort = Passau Order by A.Gehalt Stop after 0 Online-Aggregation Select abt.ort, avg(a.gehalt) From Angestellte A, Abteilungen abt Where A.Abteilung = abt.abteilungsnr Group by abt.ort

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP

Mehr

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II.

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II. II. bereitstellung Kapitel II bereitstellung 1 2 II. bereitstellung II.1 Grundlagen Collect Initial Data identify relevant attributes identify inconsistencies between sources Describe Data characterize

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel 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

Mehr

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch

Mehr

Betriebliche Anwendungen

Betriebliche Anwendungen Betriebliche Anwendungen OLTP Data Warehouse Data Mining Kapitel 17 1 OLTP: Online Transaction Processing Beispiele Flugbuchungssystem Bestellungen in einem Handelsunternehmen Charakterisierung Hoher Parallelitätsgrad

Mehr

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse

Mehr

Data Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 16 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining operationale DB operationale DB operationale DB Data Warehouse operationale

Mehr

Vertrautmachen mit Daten

Vertrautmachen mit Daten Kapitel III Vertrautmachen mit Daten 2004 AIFB / FZI 1 III Vertrautmachen mit Daten (see also Data Preparation ) 2004 AIFB / FZI 2 III Vertrautmachen mit Daten III.1 OLAP III.1.1 Einführung in OLAP Wie

Mehr

OLAP und Data Warehouses

OLAP 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

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

Themenblock: Erstellung eines Cube

Themenblock: 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

Mehr

5 Data Warehouses und Data Mining

5 Data Warehouses und Data Mining 5 Data Warehouses und Data Mining Mittels OLAP Techniken können große Datenmengen unterschiedlich stark verdichtet und gezielt aufbereitet werden. Mittels Data Mining können große Datenmengen nach bisher

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung 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 -

Mehr

Data Warehouse Grundlagen

Data Warehouse Grundlagen Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen

Mehr

Kapitel 6 Einführung in Data Warehouses

Kapitel 6 Einführung in Data Warehouses Kapitel 6 Einführung in Data Warehouses Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2008, LMU München 2008 Dr. Peer Kröger Dieses Skript basiert zu einem Teil auf dem Skript zur Vorlesung

Mehr

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS 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)

Mehr

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel Data Warehousing Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 Analyse von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich

Mehr

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

Kapitel 4: Data Warehouse Architektur

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

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

1. Data Warehouses - Einführung

1. Data Warehouses - Einführung 1. s - Einführung Definition Einsatzbeispiele OLTP vs. OLAP Grobarchitektur Virtuelle vs. physische Datenintegration Mehrdimensionale Datensicht Star-Schema, -Anfragen Data Mining Prof. E. Rahm 1-1 y yy

Mehr

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Data Warehousing: Anwendungsbeispiel

Data 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

Mehr

1. Data Warehouses - Einführung

1. Data Warehouses - Einführung 1. Data Warehouses - Einführung Definitionen und Merkmale Grobdefinition Einsatzbeispiele DW-Merknmale nah Imnon OLTP vs. OLAP Grobarchitektur Virtuelle vs. phsische Datenintegration Mehrdimensionale Datensicht

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI 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

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Download:.../~rieche. gehalten am 2. Februar 2004. Stephan Rieche. Vortrag. Thema: Index Selection. von. Seminar Advanced Data Warehouse

Download:.../~rieche. gehalten am 2. Februar 2004. Stephan Rieche. Vortrag. Thema: Index Selection. von. Seminar Advanced Data Warehouse Seminar Advanced Data Warehouse Thema: Index Selection Vortrag von Stephan Rieche gehalten am 2. Februar 2004 Download:.../~rieche Inhalt des Vortrages 1. Einleitung - Was ist das Index Selection Problem?

Mehr

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining 2 Eigenschaften eines Data Warehouse Referenzarchitektur Integrierte Sicht auf beliebige Daten aus verschieden Datenbanken

Mehr

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse.

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse. 1 Einführung mysap Business Intelligence stellt mit Hilfe von Knowledge Management die Verbindung zwischen denen, die etwas wissen und denen, die etwas wissen müssen her. mysap Business Intelligence integriert

Mehr

Unterabfragen (Subqueries)

Unterabfragen (Subqueries) Unterabfragen (Subqueries) Die kürzeste Formulierung ist folgende: SELECT Felderliste FROM Tabelle1 WHERE Tabelle1.Feldname Operator (SELECT Feldname FROM Tabelle2 WHERE Bedingung); wobei Tabelle1 und

Mehr

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.

Mehr

Fachbereich Informatik Praktikum 1

Fachbereich Informatik Praktikum 1 Hochschule Darmstadt DATA WAREHOUSE SS2015 Fachbereich Informatik Praktikum 1 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.April.2015 1. Kurzbeschreibung In diesem Praktikum geht

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing 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

Mehr

Index- und Zugriffsstrukturen für. Holger Brämer, 05IND-P

Index- und Zugriffsstrukturen für. Holger Brämer, 05IND-P Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph 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

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann Blatt Nr. 11 Übung zur Vorlesung Einsatz und Realisierung von Datenbanksystemen im SoSe15 Moritz Kaufmann (moritz.kaufmann@tum.de)

Mehr

Einführung in SQL Datenbanken bearbeiten

Einführung in SQL Datenbanken bearbeiten Einführung in SQL Datenbanken bearbeiten Jürgen Thomas Entstanden als Wiki-Buch Bibliografische Information Diese Publikation ist bei der Deutschen Nationalbibliothek registriert. Detaillierte Angaben

Mehr

Data Warehousing. Weitere Buzzwörter: OLAP, Decision Support, Data Mining

Data Warehousing. Weitere Buzzwörter: OLAP, Decision Support, Data Mining Data Warehousing Weitere Buzzwörter: OLAP, Decision Support, Data Mining Wichtige Hinweise Zu diesem Thema gibt es eine Spezialvorlesung im Sommersemester Hier nur grober Überblick über Idee und einige

Mehr

Data Warehousing Kapitel 1: Einführung

Data Warehousing Kapitel 1: Einführung Data Warehousing Kapitel 1: Einführung Michael Hartung Sommersemester 2011 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de SS11 Prof. Dr. E. Rahm 1-1 Grobarchitektur 1. Data Warehouses

Mehr

Data Warehousing. Kapitel 1: Einführung. 1. Data Warehouses - Einführung. Dr. Andreas Thor Wintersemester 2009/10

Data Warehousing. Kapitel 1: Einführung. 1. Data Warehouses - Einführung. Dr. Andreas Thor Wintersemester 2009/10 Data Warehousing Kapitel 1: Einführung Dr. Andreas Thor Wintersemester 2009/10 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de WS09/10 Prof. Dr. E. Rahm 1-1 Grobarchitektur 1. Data

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Einführung in Data Warehouses

Einführung in Data Warehouses Kapitel l6 Einführung in Data Warehouses Vorlesung: Dr. Matthias Schubert Skript 2009 Matthias Schubert Dieses Skript basiert auf dem Skript zur Vorlesung Datenbanksysteme II von Prof. Dr. Christian Böhm

Mehr

1. Data Warehouses - Einführung

1. Data Warehouses - Einführung 1. Data Warehouses - Einführung Definition Data Warehouse Einsatzbeispiele OLTP vs. OLAP Grobarchitektur Virtuelle vs. physische Datenintegration Mehrdimensionale Datensicht Star-Schema -Anfragen Data

Mehr

1. Data Warehouses - Einführung

1. Data Warehouses - Einführung Grobarchitektur 1. Data Warehouses - Einführung Definition Data Warehouse Einsatzbeispiele OLTP vs. OLAP Virtuelle vs. physische Datenintegration Mehrdimensionale Datensicht Star-Schema -Anfragen Data

Mehr

Intelligente Kanzlei

Intelligente Kanzlei Seite 1 von 5 Intelligente Kanzlei Datawarehouse und OLAP in der Steuerkanzlei Notwendigkeit eines Kanzleiinformationssystems Seit einigen Jahren sind enorme Veränderungen am Beratungsmarkt durch einen

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Data Warehouse Technologien

Data Warehouse Technologien mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de

Mehr

Data Warehousing Grundbegriffe und Problemstellung

Data Warehousing Grundbegriffe und Problemstellung Data Warehousing Grundbegriffe und Problemstellung Dr. Andrea Kennel, Trivadis AG, Glattbrugg, Schweiz Andrea.Kennel@trivadis.com Schlüsselworte Data Warehouse, Cube, Data Mart, Bitmap Index, Star Queries,

Mehr

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

Mehr

Architekturen. Von der DB basierten zur Multi-Tier Anwendung. DB/CRM (C) J.M.Joller 2002 131

Architekturen. Von der DB basierten zur Multi-Tier Anwendung. DB/CRM (C) J.M.Joller 2002 131 Architekturen Von der DB basierten zur Multi-Tier Anwendung DB/CRM (C) J.M.Joller 2002 131 Lernziele Sie kennen Design und Architektur Patterns, welche beim Datenbankzugriff in verteilten Systemen verwendet

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

Mehr

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude 20.20 Rechenzentrum,

Mehr

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store...

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher- Datenbanksysteme Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher-Datenbanksysteme Disk is Tape, Tape is dead Jim Gray Die Zeit ist reif für ein Re-engineering der Datenbanksysteme

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen

Mehr

Informationssysteme für das Management

Informationssysteme für das Management FHBB l Departement Wirtschaft l Informationssysteme für das Management Michael Pülz, Hanspeter Knechtli Lernziele Den Unterschied zwischen operativen und analytischen Informationssystemen beschreiben können

Mehr

Multidimensionales Datenmodell, Cognos

Multidimensionales Datenmodell, Cognos Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

Integritätsbedingungen / Normalformen- Beispiel: Kontoführung

Integritätsbedingungen / Normalformen- Beispiel: Kontoführung Technische Universität München WS 2003/04, Fakultät für Informatik Datenbanksysteme I Prof. R. Bayer, Ph.D. Lösungsblatt 8 Dipl.-Inform. Michael Bauer Dr. Gabi Höfling 12.01. 2004 Integritätsbedingungen

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum

Mehr

REAL-TIME DATA WAREHOUSING

REAL-TIME DATA WAREHOUSING REAL-TIME DATA WAREHOUSING Lisa Wenige Seminarvortrag Data Warehousing und Analytische Datenbanken Friedrich-Schiller-Universität Jena - 19.01.12 Lisa Wenige 19.01.2012 2 Agenda 1. Motivation 2. Begriffsbestimmung

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian Kurze BI-Praktikum IBM WS 2008/09 Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS

Mehr

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag SAP HANA ist schnell erklärt TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag Ihr Referent Steckbrief Name: Miroslav Antolovic Jahrgang: 1975 Stationen: SAP, Walldorf 1999-2004 Realtech, Walldorf

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel 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

Mehr

Einführung in SQL. Sprachumfang: Indizes. Datensätzen. Zugriffsrechten

Einführung in SQL. Sprachumfang: Indizes. Datensätzen. Zugriffsrechten Einführung in SQL Die Sprache SQL (Structured Query Language) ist eine Programmiersprache für relationale Datenbanksysteme, die auf dem ANSI-SQL-Standard beruht. SQL wird heute von fast jedem Datenbanksystem

Mehr

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format.

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format. Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH Gerd Schandert, Neuss den 18.03.2014 Agenda 1. Vorstellung Auftraggeber 2. Förderung allgemein 3. Schichten im Data Warehouse 4.

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

SQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar

SQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar Qt-Seminar Dienstag, 10.2.2009 SQL ist......die Abkürzung für Structured Query Language (früher sequel für Structured English Query Language )...ein ISO und ANSI Standard (aktuell SQL:2008)...eine Befehls-

Mehr

Weitere Decision-Support Anfrage- Typen

Weitere Decision-Support Anfrage- Typen Big Data Top-k / Ranking / Skyline Semantic Web: RDF Information Retrieval PageRank / HITS Map Reduce: Massiv parallele Verarbeitung Datenströme Peer to Peer Informationssysteme No SQL Systeme Multi-Tenancy/Cloud-Datenbanken

Mehr

Einsatz von Anwendungssystemen

Einsatz von Anwendungssystemen Einsatz von Anwendungssystemen WS 2013/14 7 Führungssysteme 7.1 Data Warehouse 7.2 Planungssysteme 7.3 Balanced Scorecard (BSC) 7.4 Business Intelligence 7 Führungssysteme 7.1 Data Warehouse Ein Data Warehouse

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

Mehr

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Einführung Gegenstand der Vorlesung fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Datenvolumen (effiziente Speicherung

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

Mehr

SAP Business Intelligence

SAP Business Intelligence SAP Business Intelligence Helmut Roos Diplom-Ingenieur Unternehmensberater Grundlagen zu Netweaver 7.0 D-67067 Ludwigshafen +49 (621) 5 29 44 65 Data Acquisition Common Read / Write Interface Open Interface

Mehr

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

Mehr

Ausarbeitung im Fach Datenbanken II

Ausarbeitung im Fach Datenbanken II Ausarbeitung im Fach Datenbanken II Datenbanken Benchmarks Michael Heinrich 02.07.2008 IN05 Inhalt OLTP... 3 OLAP / Decision Support... 4 Decision Support System... 4 Online Analytical Processing... 4

Mehr

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder Andreas Meier, Universität Fribourg Folie 1 DW Cartoon Quelle: Knoll M., Meier A. (Hrsg): Web & Data Mining. Praxis der Wirtschaftsinformatik,

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

Mehr

SAP BI Business Information

SAP BI Business Information Aus der Praxis für die Praxis. SAP BI Business Information Thomas Wieland Berlin, 24. November 2006 SAP BW Architektur Seite 2 Business Intelligence Aufgaben Bereitstellung harmonisierter Daten, Informationen

Mehr

IT-Kompaktkurs. Data Warehouse Datenbank-Skript zur Folge 14. Prof. Dr. Michael Ponader Fachhochschule Deggendorf

IT-Kompaktkurs. Data Warehouse Datenbank-Skript zur Folge 14. Prof. Dr. Michael Ponader Fachhochschule Deggendorf IT-Kompaktkurs Data Warehouse Datenbank-Skript zur Folge 14 Prof. Dr. Michael Ponader Fachhochschule Deggendorf Datenbanken sind eine wesentliche Grundlage für die betriebliche Informationsversorgung.

Mehr

Business Intelligence Data Warehouse. Jan Weinschenker

Business Intelligence Data Warehouse. Jan Weinschenker Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data

Mehr

Nach Data Warehousing kommt Business Intelligence

Nach Data Warehousing kommt Business Intelligence Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative

Mehr

Kapitel 3: Datenbanksysteme

Kapitel 3: Datenbanksysteme LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2015 Kapitel 3: Datenbanksysteme Vorlesung:

Mehr

SQL structured query language

SQL structured query language Umfangreiche Datenmengen werden üblicherweise in relationalen Datenbank-Systemen (RDBMS) gespeichert Logische Struktur der Datenbank wird mittels Entity/Realtionship-Diagrammen dargestellt structured query

Mehr

Kapitel 7 Datenbank-Tuning

Kapitel 7 Datenbank-Tuning Kapitel 7 Datenbank-Tuning Flien zum Datenbankpraktikum Wintersemester 2012/13 LMU München 2008 Thmas Bernecker, Tbias Emrich 2010 Tbias Emrich, Erich Schubert unter Verwendung der Flien des Datenbankpraktikums

Mehr

Einsatz des Microsoft SQL-Servers bei der KKH

Einsatz des Microsoft SQL-Servers bei der KKH Einsatz des Microsoft SQL-Servers bei der KKH Reporting Services und Analysis Services Kontaktdaten Detlef André Abteilungsleiter Data Warehouse E-Mail detlef.andre@kkh.de Telefon 0511 2802-5700 Dr. Reinhard

Mehr

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Michael Hahne T&I GmbH Workshop MSS-2000 Bochum, 24. März 2000 Folie 1 Worum es geht...

Mehr

Integration Services Übersicht

Integration Services Übersicht Integration Services Übersicht Integration Services Übersicht Integration Services stellt umfangreiche integrierte Tasks, Container, Transformationen und Datenadapter für die En t- wicklung von Geschäftsanwendungen

Mehr

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr