Business Intelligence Infotag

Größe: px
Ab Seite anzeigen:

Download "Business Intelligence Infotag"

Transkript

1 Business Intelligence Infotag SAP Consulting und Leuphana Universität im Dialog Data Warehousing in column & memory - Trends im Business Warehouse Thorsten Winsemann

2 Inhalt TW Zur Person R/3-Informationssysteme Ein Rückblick Business Information Warehouse BW Accelerator In Column & Memory: OLTP + OLAP Ausblick SAP 2009 / Page 2

3 Inhalt TW Zur Person R/3-Informationssysteme Ein Rückblick Business Information Warehouse BW Accelerator In Column & Memory: OLTP + OLAP Ausblick SAP 2009 / Page 3

4 TW Zur Person Studien Hochschule Bremerhaven Transportwesen ( Logistik ) Diplom-Wirtschaftsingenieur (FH) Systemanalyse ( Wirtschaftsinformatik ) Diplom-Ingenieur (FH) Beruf SAP AG, SAP Hosting, SAP SI, SAP Deutschland Entwicklung (Walldorf) Logistikinformationssysteme + Business Information Warehouse 1999 heute Beratung (Walldorf + Hamburg) Business Information Warehouse + Logistikinformationssysteme seit 10/09 Internes Entwicklungsprojekt New BW & NewDB Promo Otto-von-Guericke-Universität Magdeburg seit 09/09 Architektonische Anforderungen an ein Data Warehouse unter besonderer Berücksichtigung neuester Techniken der Datenhaltung SAP 2009/ Page 4

5 Inhalt TW Zur Person R/3-Informationssysteme Ein Rückblick Business Information Warehouse BW Accelerator In Column & Memory: OLTP + OLAP Ausblick SAP 20089/ Page 5

6 R/3-Informationssysteme Executive Information System etc. CO-PA Ergebnisrechnung FI: General Ledger et al. Projektsystem- Informationssystem Logistik- Informationssysteme HR- Informationssystem R/3 SAP 2009/ Page 6

7 Data Warehouse Konzepte: Logistik-Informationssysteme (LIS) OLAP Online Analytical Processing DATA WARE- HOUSE Analyse-Werkzeuge Planung Copy Management OLTP Qualitätsmanagement Verdichtete Informationen Produktionsplanung Material- Management Online Transaction Processing Externe Daten Vertrieb Instandhaltung Integrierte Anwendungsmodule Finanzen, SAP 2009/ Page 7

8 Datenfluß im LIS Standard- Analyse Analyseprogramm Analyseprogramm S... S001 S5nn Info-Struktur S001/ Menge Wert S5nn/XYZ Anzahl ø-wert Fortschreibungs- regeln MCVBAK MCVBAP LIS-Schnittstelle Schnittstelle Auftrag Vertrieb VBAK VBAP VBAK VBAP Anwendung SAP 2009 / Page 8

9 Inhalt TW Zur Person R/3-Informationssysteme Ein Rückblick Business Information Warehouse BW Accelerator In Column & Memory: OLTP + OLAP Ausblick SAP 2009 / Page 9

10 Gründe der Trennung von OLTP und OLAP OLAP Steigender Informationsbedarf in Quantität und Qualität Sammlung von Daten verschiedener Art und Quellen Datenharmonisierung (Synonyme Kunde Auftraggeber, ) Unterschiedliche Art der Datennutzung erfordert(e) unterschiedliche Ablage- und Zugriffskonzepte detailliert verdichtet; geringe große Datenmengen; INS/UPD SEL, HW-/Systemressourcen durch gleichzeitige Nutzung erschöpft Unzureichende Berichts- und Analyseperformance OLTP Qualitätsmanagement Vertrieb Produktionsplanung Material- Management Instandhaltung DATA WARE- HOUSE BW ersetzt R/3-Info-Systeme, aber nicht alle Berichte! Finanzen, ERP SAP 2009/ Page 10

11 SAP Business Information Warehouse: Überblick SAP 2009 / Page 11

12 SAP Business Information Warehouse: Einschränkungen Reporting im BW ist fixiert auf InfoCubes, InfoObjects/Stammdaten, größtenteils auf verdichtete Daten bezogen ausgerichtet auf die heutigen, bekannten Bedürfnisse der Anwender Zeitnahe Reaktion auf Unbekanntes ist eingeschränkt: (zu) geringe Detaillierungsgrad der Daten in den InfoProvidern fehlende (historische) Vollständigkeit der Daten anwender-bezogene Datenbeschaffung Veränderung des Originalzustands der Daten fehlende Stammdatenhistorie SAP 2009 / Page 13

13 BW - Layered, Scalable Architecture: Referenzschichten betriebswirtschaftliche Logik BI -Applications- Layer aufbereitet, verwendbar für BI-Applikationen harmonisierte Sicht applikationsneutral EDW-Layer (wiederverwendbar; konzernweit, granular Single Point of Truth ) SAP 2009 / Page 14 A Harmonisierte Sicht Qualitätssicherung User berichts- & analysefertig Reporting Layer (Architected Data Marts) Business Transformation Layer Data Propagation Layer Quality & Harmonisation Layer Data Acquisition Layer Corporate Memory A near real-time reporting granular, operational Operational Data Store unverändert, granular extrahierte Daten unverändert Data Sources langfristig umfassend, komplett temporär das Unbekannte meistern LSA

14 BW - Layered, Scalable Architecture: Kundenbeispiel SAP 2009 / Page 15

15 Inhalt TW Zur Person R/3-Informationssysteme Ein Rückblick Business Information Warehouse BW Accelerator In Column & Memory: OLTP + OLAP Ausblick SAP 2009 / Page 16

16 BW Accelerator Vision Beschleunigung der Berichts-Performance für SAP BW um bis zu Faktor 100 über vorkonfiguriertes plug-in appliance Hohes Datenvolumen Berichte mit einem zugrundeliegende Datenbestand von (zig-) Millionen Sätzen Schnelle Antwortzeiten Beispiel: Service Level Agreements für Call Center u.ä. Ad hoc-berichte Gute Antwortzeiten für verschiedenste Abfagen, Aggregationsstufen, drill-down, slice & dice,

17 BW Accelerator: Architektur (Indexaufbau, -Laden, Berichtsausführung) BusinessObjects Other Explorer Other Daten-/Ergebnisaufbereitung für BI Queries Aggregation on the fly In-Memory Processing Analytic Engine InfoCubes Indexing Any Source SAP 2009 / Page 18 Data Acquisition SAP NetWeaver BW Parallele Indizierung der InfoCube-Daten über BW-Standard prozesse Spaltenbasiertes Speichern & Komprimierung für minimalen Speicherplatz Initiales Laden der Indexe SAP NetWeaver BW Accelerator

18 BW Accelerator Performance (1): Vertical Decomposition Classical DB stores tables by row BW Accelerator stores tables by column Tuple1 Tuple2 Att1 Att2 Att3 Att4 Att5 To find all instances of an attribute value: Go to the first row Check the attribute value Go to the next row Check the attribute value Repeat for each row in the table To find all instances of an attribute value: Go to the attribute column Read its row values SAP 2009 / Page 20

19 BW Accelerator Performance (2): Horizontal Partitioning Index Fact Table Part 01 Part 01 Automatic assignment to nodes TREX Services Metadata Part 02 Part N Part 02 Part N Large Tables Index Metadata Logical Index Server Index Metadata Physical Index Server Index Metadata Physical Index Server.... Index Metadata Physical Index Server Storage If you add a new HW node, the BW Accelerator monitor enables easy redistribution SAP 2009 / Page 21

20 BW Accelerator Performance (3): Smart Compression DocId 1 DocId 2 DocId 3 DocId 4 DocId 5 DocId 6 DocId 7 JAN FEB MAR APR MAY JUN JUL Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, INTEL oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, ABB oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, oder HPdas Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, INTEL oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, IBM oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, IBM oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu SIEMENS öffnen, oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat RED GREEN BLUE RED WHITE BLACK BROWN DocId ValueId DocId 8 AUG Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, INTEL oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Dat BLUE 3 Index Vector 1. Take a column 2. Map its values to integers in a dictionary 3. Write the index vector with integers 4. Invert the index vector for fast lookup Dictionary ValueId Value 0 ABB 1 HP 2 IBM 3 INTEL 4 SIEMENS Inverted Index ValueId DocIdList ,6 3 1,4,8 4 7 SAP 2009 / Page 22

21 BW Accelerator Availability & Scalability Master 1 is active, masters 2 and 3 are backups: each master pings all masters to check availability RFC RFC Server Server Run as many blades as required for current index and query load Name Server Master Name 1 Server Master Name 2 Server Master 3 Index Server Backup BWA Engine Index Index Server Server Master Master BWA Engine Index Index Server Server Cohort Master BWA Engine Index Server Cohort Index Index Server Server Cohort Master BWA Engine For higher availability install one or more extra blades and configure them to serve as backups for the other blades BWA Storage

22 Testergebnisse InfoCube Aggregate BWA SAP 2009 / Page 24

23 Aktuell: SAP BusinessObjects Accelerator & Explorer Integration Excel Universe SAP BusinessObjects Enterprise SAP BusinessObjects Explorer Nonaccelerated accelerated version index designer BW Accelerator SAP BusinessObjects Data Services SAP BusinessObjects Accelerator SAP 2009 / Page 26 External Data Business Warehouse SAP NetWeaver BW

24 Inhalt TW Zur Person R/3-Informationssysteme Ein Rückblick Business Information Warehouse BW Accelerator In Column & Memory: OLTP + OLAP Ausblick SAP 2009 / Page 27

25 Nachteile der Trennung von OLTP und OLAP OLAP hat keine aktuellsten Daten (kein wirkliches real-time reporting ) OLAP hat nur eine vordefinierte Teilmenge der Daten Aufwändiges Synchronisieren beider Systeme notwendig Komplexe ETL-Prozesse in OLTP und OLAP Hohe Datenredundanz Hoher Wartungsaufwand SAP 2009 / Page 28

26 Forschung am HPI Untersuchungen zu In-Memory-Column Database Aussage: Column storage paßt bestens zu modernen CPUs! Vorbemerkung: Multi-core processors: Blades mit 8 CPUs mit jeweils 16 Cores 128 Computing units mit bis zu 500 GB Hauptspeicher Rechnerleistung wird zunehmen! Vorraussetzung: Optimierte Nutzung unter Berücksichtigung von Speichernutzung/-verbrauch Parallelverarbeitung SAP 2009 / Page 29

27 HPI: Column storage paßt bestens zu zeitgemäßen CPUs (1) Grundlage: Betrachtung einer echten (Kunden-)Datenbank : Beispiel: SAP-Tabelle FI-Belegpositionen 160 Attribute, 34 Millionen Datensätze Row-based DBS: ~ 35 GB Column-based DBS: ~ 8 GB (wg. besserer, vertikaler Verdichtung) Typische SQL-Abfrage beinhaltet 10% der Attribute 800MB Daten erforderlich für Summenbildung DB-Zugriffe sind meistens set-basiert und somit spaltenorientiert Eine row-based DB kann (auch mit Indizierung) nicht mit einer column-based konkurrieren (größerer zu durchsuchender Datenbestand) SAP 2009 / Page 30

28 HPI: Column storage paßt bestens zu zeitgemäßen CPUs (2) SAP 2009 / Page 31

29 HPI: Column storage paßt bestens zu zeitgemäßen CPUs (3) Zusätzlich: Berechnungen meistens auf DB-Ebene mit komprimierten Integerformaten möglich Performance-Vorteil von Faktor ggü. nicht-komprimierten Daten auf Applikationsebene Parallelverarbeitung durch einfache Verteilung spaltenorientierter Zugriffe Scan-Geschwindigkeit: 1MB/ms > 10MB/ms bei CPU mit 16 Cores parallel bei einer auf 4 Bytes komprimierten Dimension 2.5 Mio. Tuples/ms Full column scan! SAP 2009 / Page 32

30 HPI: Column storage eignet sich für UPDintensive Applikationen (1) Behauptung: Column-store DB sind teuer bei Updates (durch aufwändiges Neu-Berechnen der komprimierten Spalten(werte)) Grundlage: Betrachtung einer echten (Kunden-)Datenbank : Beispiel: Tabellen der SAP FI-Applikation (~18 Tabellen; 2+16) Ergebnis der Analyse: 3 Hauptarten von Updates Aggregate Statusinformationen Werte SAP 2009 / Page 33

31 HPI: Column storage eignet sich für UPDintensive Applikationen (2) Update von Aggregaten Aggregate werden durch on-the-fly -Berechnungen überflüssig SAP 2009 / Page 34

32 HPI: Column storage eignet sich für UPDintensive Applikationen (3) Update von Statusinformationen UPD problemlos, da Kardinalität sich nicht ändert und sie nicht komprimiert werden (müssen) INS-only-Ansatz (mit Timestamp) Update von Werten Ølich nur 5% Veränderung des Datenbestands INS-only-Ansatz (mit Timestamp) Zusätzliche Last für Delta-Manager kein Problem Zusätzlich: Change History (mit Zeitstempel und Änderer) Weniger UPDs weniger Lock-Situationen SAP 2009 / Page 35 bessere Parallelisierung

33 HPI: Alle Daten eines Systems passen in den Hauptspeicher Daten im Hauptspeicher - Untersuchungen zeigen: Speicher-Komprimierung: Faktor 10 möglich ( Dictionary Compression et al.) Speichereinsparung durch Wegfall von Aggregaten (~ Faktor 2) Nur aktive Datenpartitionen im Hauptspeicher: ~ Faktor 5 (letzten 2 von ca. 10 Jahren Datenbestand) Reduzierung des Speicherbedarfs um Faktor 100 Hardware: 500 GB RAM in Bladeserver der nächsten Generation Bladesysteme mit 100 Blades 50 TB Hauptspeicher verfügbar! SAP 2009 / Page 36

34 Inhalt TW Zur Person R/3-Informationssysteme Ein Rückblick Business Information Warehouse BW Accelerator In Column & Memory: OLTP + OLAP Ausblick SAP 2009 / Page 37

35 OLTP + OLAP in einem System? Nutzung einer In-memory Column-store DB für OLTP + OLAP? OLAP Voraussetzung: Optimierung hinsichtlich Set processing (keine SELECT *) Schnellen inserts Maximalem, gleichzeitigem (Lese-)Zugriff Geringem Reorganisationsaufwand DATA WARE- HOUSE OLTP Konsequenz: Qualitätsmanagement Vertrieb Produktionsplanung Material- Management Instandhaltung OLTP + OLAP in einem column-based System möglich! Finanzen, ERP SAP 2009 / Page 38

36 OLTP + OLAP in einem System: Ausblick Was bedeutet das für Systeme? Auswirkungen auf Applikationsentwicklung: Code-Reduzierung um ~30% (Nutzung der DB-Logik + stored procedures) Geringer Speicherbedarf Anbindung externer Daten(quellen) durch SaaS Vertikale Partitionierung als (gute) Voraussetzung ETL/ELT-Prozesse notwendig? (Datenharmonisierung etc.) Was bedeutet das für Berater? SAP 2009 / Page 39 BW-Berater Prozeßberater?

37 Business Intelligence Infotag SAP Consulting und Leuphana Universität im Dialog Fragen? DANKE!

Data Warehousing in der Praxis. SAP Business Information Warehouse (SAP-BW) SAP in-memory ein Überblick DW-Projekte in der Praxis. Thorsten Winsemann

Data Warehousing in der Praxis. SAP Business Information Warehouse (SAP-BW) SAP in-memory ein Überblick DW-Projekte in der Praxis. Thorsten Winsemann Data Warehousing in der Praxis SAP Business Information Warehouse (SAP-BW) SAP in-memory ein Überblick DW-Projekte in der Praxis Thorsten Winsemann Data Warehousing in der Praxis Inhalt TW Zur Person SAP

Mehr

Data Warehousing in der Praxis. SAP Business Information Warehouse (SAP-BW) SAP in-memory ein Überblick DW-Projekte in der Praxis. Thorsten Winsemann

Data Warehousing in der Praxis. SAP Business Information Warehouse (SAP-BW) SAP in-memory ein Überblick DW-Projekte in der Praxis. Thorsten Winsemann Data Warehousing in der Praxis SAP Business Information Warehouse (SAP-BW) SAP in-memory ein Überblick DW-Projekte in der Praxis Thorsten Winsemann Data Warehousing in der Praxis Inhalt TW Zur Person SAP

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

Mehr

Einführung in Hauptspeicherdatenbanken

Einführung in Hauptspeicherdatenbanken Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation

Mehr

HANA. TOBA-Team Dresden 19.05.2012

HANA. TOBA-Team Dresden 19.05.2012 HANA TOBA-Team Dresden 19.05.2012 Kunde droht mit Auftrag! Ein großer Discounter schickt Anfrage: Bis wann und zu welchem Preis können Sie 30.000 Stück liefern? Die Hektik beginnt! Bis wann Welche und

Mehr

Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele

Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele Jürgen Karnstädt Senior Consultant HP SAP Competence Center Hewlett-Packard Development Company, L.P. The information contained

Mehr

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57 1... Einleitung... 15 1.1... Zielgruppen dieses Buches... 17 1.2... Aufbau des Buches... 18 1.3... Hinweise zur Benutzung des Buches... 21 1.4... Danksagung... 23 2... Grundlagen der Datenmodellierung...

Mehr

IBM & SAP Business Warehouse Accelerator Geschäftsberichte schnellstmöglich bereit zur Analyse

IBM & SAP Business Warehouse Accelerator Geschäftsberichte schnellstmöglich bereit zur Analyse IBM & SAP Business Warehouse Accelerator Geschäftsberichte schnellstmöglich bereit zur Analyse Harald Bolbach IBM SAP Principal Agenda Herausforderungen an das Data Warehousing / Reporting Welche Möglichkeiten

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

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

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

In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest

In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest Synopsis Darmstadt 13.-14.05.2014 Guido Jacobs, Microsoft Tobias Maier & Dr. Benjamin Kettner, ixto GmbH Microsoft SQL Server 2014 //

Mehr

CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage

CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage PBS Nearline Storage Lösung mit spaltenorientierter Datenbanktechnologie für SAP NetWeaver BW Dr. Klaus Zimmer, PBS Software GmbH Agenda

Mehr

InspireIT. SAP HANA Sesam öffne dich. Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH. Frankfurt am Main, 11.05.

InspireIT. SAP HANA Sesam öffne dich. Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH. Frankfurt am Main, 11.05. InspireIT SAP HANA Sesam öffne dich Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH Frankfurt am Main, 11.05.2015 OPITZ CONSULTING GmbH 2015 Seite 1 Checker Fragen Ist SAP HANA eine

Mehr

Oracle 10g revolutioniert Business Intelligence & Warehouse

Oracle 10g revolutioniert Business Intelligence & Warehouse 10g revolutioniert Business Intelligence & Warehouse Marcus Bender Strategisch Technische Unterstützung (STU) Hamburg 1-1 BI&W Market Trends DWH werden zu VLDW Weniger Systeme, mehr Daten DWH werden konsolidiert

Mehr

Evolution statt Revolution

Evolution statt Revolution Evolution statt Revolution Ihr Weg von SAP MaxDB zu SAP in-memory computing Jürgen Primsch, SAP AG 18. November 2010 Agenda 1. SAP MaxDB 2. SAP in-memory computing 3. Auf zu neuen Ufern 2010 SAP AG. All

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

S A P B W O N H A N A P R O O F O F C O N C E P T B E I S. O L I V E R

S A P B W O N H A N A P R O O F O F C O N C E P T B E I S. O L I V E R S A P B W O N H A N A P R O O F O F C O N C E P T B E I S. O L I V E R S T E F A N M A R K 07.07.2015 F O L I E 1 V O N 2 7 F I R M E N P O R T R A I T S. O L I V E R GESCHICHTE F O L I E 2 V O N 2 7 F

Mehr

Migration SAP BW 7.3 auf SAP HANA

Migration SAP BW 7.3 auf SAP HANA Migration SAP BW 7.3 auf SAP HANA IMCC 5.6.2013 Karl Schindler - IT 2011 SAP AG. All rights reserved. 1 Agenda Die Koehler Paper Group IT Landschaft InMemory - Technologie Anforderungen an modernes Reporting

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

IN-MEMORY COMPUTING SAP HANA BASICS Werkzeug für Big Data

IN-MEMORY COMPUTING SAP HANA BASICS Werkzeug für Big Data IN-MEMORY COMPUTING SAP HANA BASICS Werkzeug für Big Data PROFI Webcast Darmstadt, 12. Juni 2012 Christian Lenz SAP HANA IN MEMORY COMPUTING DATENWACHSTUM HEUTE UND IN DER ZUKUNFT Daten wachsen nicht linear,

Mehr

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 OSC Smart Integration GmbH SAP Business One GOLD-Partner in Norddeutschland GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 SAP Business One v.9.0 Heiko Szendeleit AGENDA OSC-SI 2013 / SAP Business One

Mehr

Inhalt. Geleitwort 13. Vorwort 17. Einleitende Hinweise 19. 1 Business-Intelligence-Konzepte - Neuerungen 25

Inhalt. Geleitwort 13. Vorwort 17. Einleitende Hinweise 19. 1 Business-Intelligence-Konzepte - Neuerungen 25 Inhalt Geleitwort 13 Vorwort 17 Einleitende Hinweise 19 Handhabung des Buches 19 Übergreifendes Beispielszenario 19 Nach der Lektüre 21 Danksagung 21 1 Business-Intelligence-Konzepte - Neuerungen 25 1.1

Mehr

Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08

Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08 Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08 Inhaltsverzeichnis SAP BUSINESS WAREHOUSE (BW) DATENKOLLEKTOR 3 GRUNDSÄTZLICHES:...3 DER BW DATENKOLLEKTOR ÜBERWACHT DIE FOLGENDEN KERNPROZESSE

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

Mehrwerte schaffen durch den Einsatz von Business Intelligence

Mehrwerte schaffen durch den Einsatz von Business Intelligence Mehrwerte schaffen durch den Einsatz von Business Intelligence 1 Menschen beraten Menschen beraten BTC zeigt Wege auf - Sie entscheiden BTC zeigt Wege auf - Sie entscheiden Martin Donauer BTC Business

Mehr

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch Markus Ruf, Geschäftsführer mip GmbH Jens Kretzschmar, Senior

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

SAP BO Explorer Performance on your Fingertips

SAP BO Explorer Performance on your Fingertips SAP BO Explorer Performance on your Fingertips Dr. Oliver Kelkar, Alexander Haditsch Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbh SAP BO Explorer Performance on your Fingertips

Mehr

SAP Integration von Business Objects am Beispiel von SAP Student Lifecycle Management. Anke Noßmann Syncwork AG

SAP Integration von Business Objects am Beispiel von SAP Student Lifecycle Management. Anke Noßmann Syncwork AG SAP Integration von Business Objects am Beispiel von SAP Student Lifecycle Management Anke Noßmann Syncwork AG SAP HERUG Partnertag, Berlin 06. November 2009 Inhalt 1. Ausgangssituation 2. Alternative

Mehr

Business Mehrwerte von SAP HANA

Business Mehrwerte von SAP HANA Business Mehrwerte von SAP HANA von der Technologie zum Geschäft Halle, 07.05.2013 2013 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda GISA im Überblick Was ist SAP HANA? Was

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

The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into

The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment to deliver any material,

Mehr

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP Seminar WS 2012/13 S. Chaudhuri et al, CACM, Aug. 2011 Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP 2 Vorkonfigurierte, komplette Data Warehouse-Installation Mehrere Server,

Mehr

Andrea Held. Motivation ILM: Definition und Strategien Lösungen für Oracle Datenbanken. Empfehlungen

Andrea Held. Motivation ILM: Definition und Strategien Lösungen für Oracle Datenbanken. Empfehlungen Andrea Held Motivation ILM: Definition und Strategien Lösungen für Oracle Datenbanken Partitionierung Komprimierung ILM Assistant Flashback Data Archive Empfehlungen 1 Datenwachstum Wachsende Kosten Schlechtere

Mehr

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution EXASOL @ Symposium on Scalable Analytics Skalierbare Analysen mit EXASolution EXASOL AG Wer sind wir R&D: + seit 2000 + laufend Forschungsprojekte Produkt: Analytische Datenbank EXASolution Focus auf Komplexität

Mehr

Einfach machen - Palo Bi Suite. Kristian Raue, Gründer und Vorstand Jedox AG

Einfach machen - Palo Bi Suite. Kristian Raue, Gründer und Vorstand Jedox AG Einfach machen - Palo Bi Suite Kristian Raue, Gründer und Vorstand Jedox AG Mit 500 Mio. Anwendern ist Excel die meist genutzte Unternehmenssoftware weltweit. Jedox ist der führende Anbieter für Enterprise

Mehr

SQL Server 2014 Roadshow

SQL Server 2014 Roadshow 1 SQL Server 2014 Roadshow Kursleitung: Dieter Rüetschi (ruetschi@ability-solutions.ch) 2 Inhalt Allgemeine Informationen Buffer Pool Extension Column Store Index In Memory OLTP Scripting Security SQL

Mehr

Standardsoftware. SAP Basisarchitektur. Prof. Dr. Bernhard Schiefer 2-1

Standardsoftware. SAP Basisarchitektur. Prof. Dr. Bernhard Schiefer 2-1 Standardsoftware SAP Basisarchitektur Prof. Dr. Bernhard Schiefer 2-1 SAP Client/Server Dreistufige Rechnerhierarchie Lesen in der DB und Aktualisierung der Puffer Datenbankänderung Zentrale DB (speichert

Mehr

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen DATA WAREHOUSE Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen Alfred Schlaucher, Detlef Schroeder DATA WAREHOUSE Themen Big Data Buzz Word oder eine neue Dimension

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

Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault

Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Herbert Rossgoderer Geschäftsführer Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH ISE

Mehr

Copyright 2014, Oracle and/or its affiliates. All rights reserved.

Copyright 2014, Oracle and/or its affiliates. All rights reserved. 1 Integrierte Systeme für ISVs Matthias Weiss Direktor Mittelstand Technologie ORACLE Deutschland B.V. & Co. KG 2 Agenda Engineered Systems Lösungsansatz aus der Praxis Engineered Systems Oracle s Strategie

Mehr

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft Michael Utecht, Industry Expert Utilities Business Area COO Germany, Industry Solutions SAP Deutschland AG & Co.KG 09.11.2011 Opportunities

Mehr

Copyright 2014, Oracle and/or its affiliates. All rights reserved.

Copyright 2014, Oracle and/or its affiliates. All rights reserved. 1 Integrierte Systeme für SIs und VARs Matthias Weiss Direktor Mittelstand Technologie ORACLE Deutschland B.V. & Co. KG 2 Agenda Engineered Systems Oracle s Strategie Engineered Systems Big Data einmal

Mehr

MySQL Replikation. Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de 19.11.2013. linsenraum.de

MySQL Replikation. Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de 19.11.2013. linsenraum.de MySQL Replikation Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de linsenraum.de 19.11.2013 Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de (linsenraum.de) MySQL Replikation 19.11.2013 1 / 37 Who

Mehr

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG DW2004 XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science Dr. Michael Hahne, cundus AG 3. November 2004 cundus AG 2004 Gliederung Motivation SAP Business Information Warehouse

Mehr

Teil XI Spalten-orientierte DBMSs

Teil XI Spalten-orientierte DBMSs Teil XI Spalten-orientierte DBMSs Spalten-orientierte Datenbankmanagementsysteme 1 Motivation 2 Funktionsweise 3 Erweiterungen 4 Literatur c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte

Mehr

1001 Möglichkeiten eine Staging Area zu füllen. Sven Bosinger its-people GmbH

1001 Möglichkeiten eine Staging Area zu füllen. Sven Bosinger its-people GmbH Ausgangslage Szenarien Populate the Stage - 1001 Möglichkeiten eine Staging Area zu füllen Sven Bosinger its-people GmbH 1 Sven Bosinger Solution Architect BI und Portfoliomanagement BI its-people GmbH

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

V13: SAP BW: Data Warehousing & Wiederholung

V13: SAP BW: Data Warehousing & Wiederholung Aufbaukurs SAP ERP: Module PP, FI und CO Wintersemester 2009/10 V13: SAP BW: Data Warehousing & Wiederholung 25. Januar 2010 Dipl.-Ök. Harald Schömburg Dipl.-Ök. Thorben Sandner schoemburg@iwi.uni-hannover.de

Mehr

BI ist tot, lang lebe BI!

BI ist tot, lang lebe BI! BI ist tot, lang lebe BI! SAP HANA Live vs. SAP BW powered by HANA Glaubt man der ein oder anderen aus Walldorf stammenden Marketingfolie, so sind die Tage von herkömmlichen Business Intelligence Systemen

Mehr

Dipl. Inf. Eric Winter. PostgreSQLals HugeData Storage Ein Erfahrungsbericht

Dipl. Inf. Eric Winter. PostgreSQLals HugeData Storage Ein Erfahrungsbericht Dipl. Inf. Eric Winter Entwicklungsleiter PTC GPS-Services GmbH PostgreSQLals HugeData Storage Ein Erfahrungsbericht Inhalt 1. Problembeschreibung 2. Partielle Indexierung 3. Partitionierung 1. Vererbung

Mehr

CISCO & SAP SAP HANA CISCO & BTC AG. o Strategie o Neue Möglichkeiten o Industrie 4.0 o Potenziale für die Energiewirtschaft.

CISCO & SAP SAP HANA CISCO & BTC AG. o Strategie o Neue Möglichkeiten o Industrie 4.0 o Potenziale für die Energiewirtschaft. BIG DATA Analytics Das Potenzial von SAP HANA Jörg Tröger Director Global & Strategic Partners EMEA Cisco SAP Competence Center 16. Okt. 2013 CISCO & SAP SAP HANA o Architektur o Strategie o Neue Möglichkeiten

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

25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU

25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU BLUEFORTE GmbH Dirk Lerner 25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU 1 Elemente des Data Vault (Basic) HUB

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

Wie profitiert SAP MaxDB von SSD Technologie?

Wie profitiert SAP MaxDB von SSD Technologie? Wie profitiert SAP MaxDB von SSD Technologie? Direktor Software und Services SAP MaxDB InfoTage 2014 15.-25. September 2014 Purpose Agenda MaxDB ENTERPRISE EDITION Including Mobile DB Monitor MaxDB & SSD

Mehr

BW powered by HANA. Martin Effinger Month 06, 2013

BW powered by HANA. Martin Effinger Month 06, 2013 BW powered by HANA Martin Effinger Month 06, 2013 winnovation Quick Facts Form Aktiengesellschaft Gründung 28.3.2006 Aktienkapital 200 000 CHF (100% im Besitz des Mgt) Ort Baar (Zug, Schweiz) Mitarbeiter

Mehr

Oracle Database In-Memory Option

Oracle Database In-Memory Option Oracle Data Warehouse In Memory Database Option 1/9 (Wichtige Vorbemerkung: An dieser Stelle sind Informationen zusammengetragen, wie sie im Rahmen der Oracle Open World im September 2013 bereits über

Mehr

Projektvorgehen. SAP HANA-Implementierung für SAP NetWeaver BW

Projektvorgehen. SAP HANA-Implementierung für SAP NetWeaver BW Projektvorgehen SAP HANA-Implementierung für SAP NetWeaver BW Szenario A: Upgrade der bestehenden Landschaft Arbeitspakete und Projektschritte Ramp-Up Coaching bzw. Projektmanagement BW on HANA- Assessment

Mehr

PERFORMANCESTEIGERUNG IM SAP-UMFELD. Ein Ziel Drei Möglichkeiten: SAP HANA, IBM DB2 BLU, IBM Flash Storage

PERFORMANCESTEIGERUNG IM SAP-UMFELD. Ein Ziel Drei Möglichkeiten: SAP HANA, IBM DB2 BLU, IBM Flash Storage PERFORMANCESTEIGERUNG IM SAP-UMFELD Ein Ziel Drei Möglichkeiten: SAP HANA, IBM DB2 BLU, IBM Flash Storage AUSGANGSSITUATION 2 AUSGANGSSITUATION PERFORMANCESTEIGERUNG IM SAP UMFELD Wieso Weshalb Warum Performancesteigerung

Mehr

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com WhitePaper BIA Business Intelligence Accelerator Mai 2012 Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com BIA Business Intelligence Accelerator GmbH Softwarepark 26 A-4232 Hagenberg Mail:

Mehr

Oracle Core für Einsteiger: InMemory Column Store

Oracle Core für Einsteiger: InMemory Column Store Oracle Core für Einsteiger: InMemory Column Store Martin Klier Performing Databases GmbH Mitterteich @MartinKlierDBA Oracle Core für Einsteiger: InMemory Column Store 2/37 Referent Martin Klier Lösungsarchitekt

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

WISSENSWERTES ZU SAP HANA

WISSENSWERTES ZU SAP HANA WISSENSWERTES ZU SAP HANA Architektur, Szenarien, Infrastruktur und PROFI Dienstleistungen PROFI Webcast 25. Februar 2014 Karl Schrupp SAP HANA, ÜBERBLICK AGENDA Was ist SAP HANA? SAP HANA Architektur

Mehr

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9 vii 1 Einführung 1 1.1 SAP Business Information Warehouse... 3 1.1.1 BW Version 3.0...5 Architekturplanung.................................... 9 2 BW-Basissystem 11 2.1 Client/Server-Architektur... 12

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

EXASOL AG Zahlen & Fakten

EXASOL AG Zahlen & Fakten Big Data Management mit In-Memory-Technologie EXASOL AG Zahlen & Fakten Name: EXASOL AG Gründung: 2000 Tochterges.: Management: Produkte: Firmensitz: Niederlassung: EXASOL Cloud Computing GmbH Steffen

Mehr

SAP HANA -Umgebungen. Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013

SAP HANA -Umgebungen. Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013 Information Lifecycle Management in SAP HANA -Umgebungen Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013 Agenda Einführung Business Case Information Lifecycle Management (ILM) ILM und Migration nach

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

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

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Jochen Heßler, 16.03.2015 2002 Gegründet in Freiburg, Deutschland 2002 Heute Büros in Freiburg, Frankfurt, Düsseldorf, Paris, Boston

Mehr

"Big Data welche Antwort hat SAP auf diesen aktuellen Trend in der IT?"

Big Data welche Antwort hat SAP auf diesen aktuellen Trend in der IT? "Big Data welche Antwort hat SAP auf diesen aktuellen Trend in der IT?" Matthias Heiler, Solution Architect, Database & Technology, SAP Deutschland 23. April 2013 Do Things Differently Do Different Things

Mehr

Infrastrukturanalyse Ihr Weg aus dem Datenstau

Infrastrukturanalyse Ihr Weg aus dem Datenstau Waltenhofen * Düsseldorf * Wiesbaden Infrastrukturanalyse Ihr Weg aus dem Datenstau SCALTEL Webinar am 20. Februar 2014 um 16:00 Uhr Unsere Referenten Kurze Vorstellung Stefan Jörg PreSales & Business

Mehr

AGM Project & Education GmbH

AGM Project & Education GmbH AGM Project & Education GmbH Leipzig Datenschutzkonferenz dtb Kassel November 2011 20.11.2011 Detlev.Sachse@agm-onside.com 1 Zur Person 20.11.2011 Detlev.Sachse@agm-onside.com 2 Thema Data-Mining am Beispiel

Mehr

O-BIEE Einführung mit Beispielen aus der Praxis

O-BIEE Einführung mit Beispielen aus der Praxis O-BIEE Einführung mit Beispielen aus der Praxis Stefan Hess Business Intelligence Trivadis GmbH, Stuttgart 2. Dezember 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg

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

Big Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen

Big Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen Big Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen Dr. med. Peter Langkafel MBA General Manager Public Sector / Healthcare MEE (Middle and

Mehr

Möglichkeiten für bestehende Systeme

Möglichkeiten für bestehende Systeme Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-

Mehr

Granite Gerhard Pirkl

Granite Gerhard Pirkl Granite Gerhard Pirkl 2013 Riverbed Technology. All rights reserved. Riverbed and any Riverbed product or service name or logo used herein are trademarks of Riverbed Technology. All other trademarks used

Mehr

CAViT - Kurzvorstellung

CAViT - Kurzvorstellung CAViT - Kurzvorstellung Auswertung von Versuchs- und Simulationsdaten Martin Liebscher, März 2015 Copyright SCALE GmbH; Disclosure to third parties only in consultation with SCALE Einordnung / Motivation

Mehr

Performance Tuning & Scale-Out mit MySQL

Performance Tuning & Scale-Out mit MySQL Performance Tuning & Scale-Out mit MySQL Erfa-Gruppe Internet Briefing 2. März 2010 Oli Sennhauser Senior MySQL Consultant, FromDual oli.sennhauser@fromdual.com www.fromdual.com 1 Inhalt Allgemeines zu

Mehr

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Ian Perry Marco Lehmann Stefan Sander Darmstadt, 6.11.2012 Einmal Pie-Chart und zurück Ian Perry Sales Engineer - IP&S Client Technical

Mehr

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Adam Stambulski Project Manager Viessmann R&D Center Wroclaw Dr. Moritz Gomm Business Development Manager Zühlke Engineering

Mehr

Daniel Rothmund, Senior IT System Engineer SAP. Monitoring - Powered by SAP Solution Manager

Daniel Rothmund, Senior IT System Engineer SAP. Monitoring - Powered by SAP Solution Manager Daniel Rothmund, Senior IT System Engineer SAP Monitoring - Powered by SAP Solution Manager Die Firma in Kürze Entwicklung, Herstellung und Verkauf von Sanitär Technologie Sanitärsysteme Rohrleitungssysteme

Mehr

Herausforderungen und Chancen von Nearline Storage

Herausforderungen und Chancen von Nearline Storage Herausforderungen und Chancen von Nearline Storage Dr. Michael Hahne Hahne Consulting GmbH 9. Juni 2010 Agenda Herausforderung: Wachsende Data Warehouses Lösung: Information Lifecycle Management mit SAP

Mehr

Visual KPI: Echtzeitdaten & -information zu jeder Zeit, an jedem Ort! Dietmar Ort Sales MEGLA GmbH

Visual KPI: Echtzeitdaten & -information zu jeder Zeit, an jedem Ort! Dietmar Ort Sales MEGLA GmbH Visual KPI: Echtzeitdaten & -information zu jeder Zeit, an jedem Ort! Dietmar Ort Sales MEGLA GmbH Visual KPI Die individuelle KPI Software Einfach bereitzustellende Daten aus PI, AF, Microsoft SQL Server,

Mehr

Cloud Computing mit mathematischen Anwendungen

Cloud Computing mit mathematischen Anwendungen Cloud Computing mit mathematischen Anwendungen Vorlesung SoSe 2009 Dr. Marcel Kunze Karlsruhe Institute of Technology (KIT) Steinbuch Centre for Computing (SCC) KIT the cooperation of Forschungszentrum

Mehr

Oracle Datenbank 12 c Die wichtigsten Funktionen im Schnelldurchgang

Oracle Datenbank 12 c Die wichtigsten Funktionen im Schnelldurchgang Oracle Datenbank 12 c Die wichtigsten Funktionen im Schnelldurchgang Matthias Weiss Direktor Mittelstand Technologie ORACLE Deutschland B.V. & Co.KG Oracle Confidential Internal/Restricted/Highly Restricted

Mehr

Technische Integration des Informationssystems über SAP (1/6)

Technische Integration des Informationssystems über SAP (1/6) Technische Integration des Informationssystems über SAP (1/6) Software Systemsoftware Anwendungssoftware Betriebssysteme Standardsoftware Individualsoftware Übersetzungsprogramme Dienstprogramme andere

Mehr

Fairpro Vorstellung. Case Studies SharePoint. Hamburg, Juli 2013

Fairpro Vorstellung. Case Studies SharePoint. Hamburg, Juli 2013 Fairpro Vorstellung Case Studies SharePoint Hamburg, Juli 2013 Agenda 1 2 3 4 5 6 Fairpro SharePoint-Portfolio Verknüpfung mit Systemen SAP, Sonstige ERP Business Intelligence Self Service BI, KPI- Dashboards

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

D i e n e u e E n e r g i e l ö s u n g f ü r k l e i n e U n t e r n e h m e n

D i e n e u e E n e r g i e l ö s u n g f ü r k l e i n e U n t e r n e h m e n D i e n e u e E n e r g i e l ö s u n g f ü r k l e i n e U n t e r n e h m e n SAP- F o r u m f ü r d i e V e r s o r g u n g s w i r t s c h a f t E s s e n, 5. N o v e m b e r 2 0 1 4 Agenda 1 Unternehmen

Mehr

Digitale Transformation - Ihre Innovationsroadmap

Digitale Transformation - Ihre Innovationsroadmap Digitale Transformation - Ihre Innovationsroadmap Anja Schneider Head of Big Data / HANA Enterprise Cloud Platform Solutions Group, Middle & Eastern Europe, SAP User Experience Design Thinking New Devices

Mehr

PBS CBW NLS IQ. Nearline-Lösung für SAP NetWeaver BW. Enterprise. Content

PBS CBW NLS IQ. Nearline-Lösung für SAP NetWeaver BW. Enterprise. Content Enterprise Lösung für NetWeaver BW Content und Store on HANA Information Lifecycle Management in BW Inhalt Information Lifecycle Management in BW...3 Strategische Partnerschaft...4 Information Lifecycle

Mehr