Datenqualität häufig unterschätzt und doch immer wichtiger! Qualitätsgesichertes Datenmanagement mit Oracle
|
|
- Mathias Kohl
- vor 5 Jahren
- Abrufe
Transkript
1
2 <Insert Picture Here> Datenqualität häufig unterschätzt und doch immer wichtiger! Qualitätsgesichertes Datenmanagement mit Oracle Dr. Holger Dresing STCC Nord Server Technolgy Customer Center
3 Agenda Datenmanagement und Datenqualität Motivation Datenqualität im Unternehmen Der Prozess zum Verbessern der Datenqualität Data Profiling und Data Quality am Beispiel von Oracle Produkten Organisatorische Massnahmen
4 Datenmanagement ist die Menge aller organisatorischen, methodischen, konzeptionellen, technischen Maßnahmen und Verfahren zur Behandlung der Ressource Daten mit dem Ziel, die Daten mit ihrem maximalen Nutzenpotenzial in die Geschäftsprozesse einzubringen und im laufenden Betrieb die optimale Nutzung der Daten zu gewährleisten... Quelle:
5 Datenqualität Informationsqualität oder Datenqualität bezeichnet die Qualität, also Bedeutsamkeit, Relevanz und Korrektheit von Informationen. Sie beschreibt, wie gut eine Information (bzw. ein Datensatz) geeignet ist, die Realität zu beschreiben, das heißt, inwieweit sie ein Modell tatsächlicher Situationen bildet. Insbesondere besagt sie, wie verlässlich eine Information ist und inwieweit man sie als Grundlage für eine Planung des eigenen Handelns verwenden kann. Quelle:
6
7 Motivation Datenqualität (DQ) ist ein Problem, wenn Daten nicht die angenommene Bedeutung haben nicht der Spezifikation entsprechen unverständlich sind Wie lassen sich DQ-Probleme aufdecken? Wie lassen sich DQ-Probleme beheben? Wie lassen sich DQ-Probleme vermeiden?
8 Relevanz Datenqualität ist wichtig aber nur wenige Unternehmen tun etwas Datenqualität hat grosse Bedeutung: ca. 78% keine klaren Richtlinien: ca. 49% Datenqualität hat Einzug in deutsche Unternehmen genommen technische Beurteilung von Daten: ca. 50% semantische Beurteilung von Daten: ca. 40% Investitionsbedarf in Projekte und Produkte in Produkte investieren: ca. 91% setzen bislang keine Produkte ein: ca. 60% Datenqualitätsprojekte im Unternehmen von eigenen Mitarbeitern durchgeführt Zeitraum und Budget ca. 6 Monate/ Euro Quelle: Institut für Business Intelligence der Steinbeis Hochschule Berlin: Data Quality Check 2007, Trends im deutschen Markt
9 Eigene Erfahrungen zur DQ: Auswertungen im Data Warehouse Vorsysteme / Verfahren Staging Area Data Warehouse Oracle Data Integrator Enterprise Edition Data Marts (+Aggregate) - Wie werden die Kennzahlen überhaupt berechnet? Was versteht Ihr unter dieser Kennzahl? - Ist die Dokumentation der Daten korrekt? Ist es ein Fremdsystem? - Welches ist das Quellsystem? - Welche Schnittstellen werden benutzt? - Passen die Daten aus verschiedenen Applikationen/Verfahren überhaupt zusammen? - Welche Sonderfälle sind zu berücksichtigen? relational Extrahieren Transformieren Normalisiertes Schema - Sind alle Daten Laden vollständig übernommen worden? multidimensional Business Intelligence Der neue Bericht liefert ein falsches Ergebnis. Meine alte Excel- Applikation liefert ein anderes Ergebnis! Daten und Metadaten
10 Datenmengen anstatt Information
11 Was haben Datenqualität und Datenmanagement mit dem Data Warehouse zu tun? Datenqualität und Data Warehouse??? Das DWH ist nur ein besonders stark betroffenes System beim Datenmanagment Datenqualität ist ein eine Aufgabe im gesamten Unternehmen und bei nahezu allen Geschäftsprozessen
12 Ohne Datenmanagement kein Business Datenmanagement ist der Treibstoff der Prozesse Marketing Werbung Information Chain Adresse Kunde Angebot KD-Daten Kredit OK Bestand Order Lager Kundenbetreuer Logistiksystem Stammdaten Buchhaltung Bedarf Adresse Kreditdaten Bestelldaten Verkaufsdaten Lieferschein Rechnung Mahnung Bezahlung Reklamation Spedition Kunde Operative Prozesse
13 Datenqualität: Verschiedene Perspektiven (Interessen) im Unternehmen Finanzwesen Produktion IT-Abteilung Marketing Kundensicht Nachverfolgung von Rechnungen Stornos Abweichende Zahlungen Mehrarbeit Zeitverzug Schlechte Produktivität Mehraufwand für Datenlieferung Fehlende Daten Synchronisation manuelle Pflege Daten nicht schnell genug Richtige Daten für gezielte Werbung? Wie genau kennen wir den Kunden? Wie spricht mich das Unternehmen an? Arbeitet das Unternehmen korrekt? Kostet bis zu 5% des Umsatzes Kostet bis zu 10% des Umsatzes Kostet bis zu 30% des IT-Budgets Zielgerichtete Kunden-Daten: bessere Kampagnen Vertrauensverlust Imageschaden
14 Die Auswirkungen sind oft nur mittelbar zu erkennen Mitarbeiterressourcen Vertrauensschwund bis zu 10% weniger Umsatz Kunden verzögerte Projektzeiten Kosten DWH / IT bis zu 50% weniger Umsatz bei Service- Unternehmen Kosten Schlechte Datenqualität Mitarbeitermoral sinkt aufgrund unnützer Arbeit Partnerorganisationen Unternehmensreporting dramatisch schwindendes Vertrauen Einsatz von teueren hochqalifizierten Mitarbeitern für nicht Mehrwert schaffende Tätigkeiten fehlendes Vertrauen in die Berichtsdaten
15 Dimensionen der Datenqualität Datenmodelle Eindeutigkeit der Definition Sind die Modelle umfangreich Flexibilität Robustheit Sind Attribute überladen Granularität Attributwertigkeit (Precision) Homogenität von Beschreibungen Realitätsnähe der Beschreibung Eindeutigkeit Verfügbarkeit Ist die Information relevant Datenmodelle Datenwerte Information Domains Datenpräsentation Information Policy Funktional unabhängig Semantik Sind Strukturen Konsistent
16 Dimensionen der Datenqualität Datenwerte Sind die Daten akkurat inhaltliche Richtigkeit, z.b. Strassen- und Städtenamen NULL-Werte Kein Wert vorhanden oder kein Wert möglich? Vollständigkeit Kann immer ein Wert eingetragen werden (Mädchenname bei Männern) Konsistenz Attribut PLZ und Attribut Ort Datenmodelle Datenwerte Information Domains Datenpräsentation Information Policy
17 Dimensionen der Datenqualität Information Domains Werden gleiche Domains übergreifend genutzt? Datenpräsentation Werden Daten in unterschiedlichen Anwendungen gleich angezeigt? Kann der ganze Wertebereich bedient werden? Information Policy Haben alle Nutzer gleichen Zugriff? Werden immer alle Informationen eingetragen? Datenmodelle Datenwerte Information Domains Datenpräsentation Information Policy
18 Der Prozess zum Verbessern der Datenqualität 1. Data Profiling (DP für ODI EE) Erkennen von Anomalien generiert 2. Fehlererkennung und Korrektur (ETL mit ODI EE) Datenqualitätsprüfungen Verwalten von Domains Bilden von neuen Strukturen Domains Daten Feedback Datenstrukturen Fehlerbericht Korrigieren von Daten 4. Ursachenbeseitung mit der Fachabteilung Optimieren Korrektur Prozesse Trends 3. Dokumentation der Qualitätsquoten (Metadaten Repository) Dokumentation über Metadaten Datenqualität messen Daten-Owner / Nutzer Daten produzieren Fehlerquellen beseitigen
19 Datenqualitätsmanagement und Data Profiling Methoden / Analysen / Statistiken Regeln Anomalien Schwachstellen Daten-Korrekturen Empfehlungen geänderte Prozesse Marketing Werbung Information Chain Adresse Kunde Angebot KD-Daten Kredit OK Bestand Order Lager Kundenbetreuer Logistiksystem Stammdaten Buchhaltung Bedarf Adresse Kreditdaten Bestelldaten Verkaufsdaten Lieferschein Rechnung Mahnung Bezahlung Reklamation Spedition Kunde
20 Data Profiling Methodisches Vorgehen Domainanalyse / Dependancies / Pattern / Statistiken /... Alle (!) Daten werden betrachtet Zugriff auf die Originaldaten Ermöglicht intuitive Betrachtungen Durch Visualisierung der Ergebnisse Gleichzeitiges Anzeigen unterschiedlicher Sichten Iterativer Prozess Data Profiling liefert ein Spiegelbild zu den operativen Unternehmensprozessen Methode Zufall
21 Oracle-Komponenten im Rahmen des Data Quality-Managements Oracle Data Integrator EE ETL / Transformationen Datenkorrekturen Data Profiling Methodisches und automatisiertes Feststellen von Daten-Anomalien Data Rules Beschreibung von Geschäftsregeln auf einer logisch / fachlichen Ebene Data Audits Namens- und Adress-Abgleiche Monitoring von Datenqualitätsregeln Abgleich und Zusammenführen von Stammdaten
22 Data Profiling mit OWB Methoden Die operativen Daten Feintuning zu den Analysemethoden Protokollierung laufende Analysen Drill Down zu den operativen Daten
23 Einsatz und Wirkung des Data Profiling Bekannte Geschäftsregeln Custom Rule Metadaten Repository Data Quality Reporting neue Geschäftsregeln Mitarbeiter Know how - Stammdaten - Bewegungsdaten Referenzdaten Data Profiling Domains / Patterns / Dependencies Derived Rule Correction Verletzte Geschäftsregeln Data Quality Audit / Monitoring Korrigierte -Stammdaten - Bewegungsdaten
24 Analyseumgebung LDAP / DBMS_LDAP / Table Function non Oracle DB2, SQL Server Informix, Teradata SAP SAP Integrator Oracle Source Schema Gateway / ODBC / FTP Oracle 9i / 10g Source Schema Transportable Module External Table Profiling Stage Oracle Datenquellen Alle Gateway- oder JDBC - lesbaren Quellen (DB2, SQL Server, Informix, Access, Excel, Teradata etc.) SAP-Daten Flat Files Adress-/LDAP- Verzeichnisse RAC
25 Vorgehensweise Daten-Analyse 1. Identifizieren Geschäftsfeld / Teilprozess 2. Datengewinnung: Extrakt / Transformation (ETL-Aufgabe) Kundenstammdaten -> Testkunde 3. Erstes Profiling -> 1. Sichtprüfung Fragen / Thesen formulieren 4. Zweites Profiling -> verifizieren Custom Rules 5. Korrigieren statisch in den operativen Daten (Quellen) oder den Zieldaten dynamsich zur Laufzeit 6. Monitoring
26 Herleiten der entsprechenden Prüfdaten mit ETL-Mitteln MP_Testkunde
27 Intuitives Erkennen von Anomalien Domain Anz_Kinder? Domain 0,1,2,3, Null Warum 0 und Null? Gibt es keine Kunden mit mehr als 3 Kindern? Warum gibt es nur 0,3% Kunden mit 0 Kindern (entspricht nicht der Erwartung)? warum gibt es eine gleichmäßige Verteilung der Werte 1,2,3 im Bereich von %? Null kommt offenbar nur bei Firmenkunden vor Die Zahl 17 kann markant sein. Bei weiterer Prüfung stellt man fest, dass es genau 17 Firmenkunden gib Es fehlt eine einheitliche Art der Beschreibung für das Nicht-Vorhandensein (0,Null)
28 Intuitives Erkennen von Anomalien Domain Anrede? Herr / Frau sind offensichtlich richtige Werte Die rot-markierten Werte sind offensichtlich falsch Die beiden Werte 3 und Anrede haben im Vergleich zu den anderen falschen Werten ein signifikant hohes Vorkommen Warum? Welche Regel kann für das Feld gefunden werden? Wenn Status = F dann Anrede = Firma Wenn Status = P dann Anrede = Herr oder Frau
29 Gezieltes Überprüfen von Geschäftsregeln (Custom Rule) Wenn Status = F dann Anrede = Firma und Wenn Status = P dann Anrede = Herr oder Frau Domain Anrede? Nur ~19% folgen der Regel. Warum? Die Domain-Analyse von des Status-Feldes ergibt den Wertebereich F (Firmenkunde) P (Privatkunde) G (guter Kunde) K (kein Kunde) Die Überprüfung der Regel hat zu einer weiteren Schwachstelle geführt. Das Attribut Status ist überladen, ( es wird für unterschiedliche Sinnzusammenhänge benutzt) es müsste eine weitere Spalte geben, z,. B. Qualität der Kundenbez.
30 Domains, Varianten, Ausreißer Data Profiling: Verwendung einheitlicher Codes Erkennen von abhängigen Domains Functional Dependency Berufsgruppe Berufsgruppen_Nr
31 Domains, Varianten, Ausreißer Data Profiling: mit dem Ziel der Standardisierung Eine Domain mit fehlerhaften Inhalten Dr und Dr. Prof und Prof. Hinweis für Standardisierungs- Maßnahme
32 Domains, Varianten, Ausreißer Data Profiling: mit dem Ziel der Standardisierung Erkennen von Varianten Straßenbezeichnungen müssen standardisiert werden, um sie z. B, für eine Haushaltsbildung oder Adressdatenabgleich vergleichen zu können.
33 Unterstützung von Software-Projekten Durch den Feldnamen vermutet man rein numerische Inhalte Übereinstimmung von Feldname...nr und Feldtyp Firmenrabatt ist in der Regel ein Rechenfeld? Kundennr ist ein wichtiges Feld. Es sollte stimmig sein.! sieht gut aus
34 Unterstützung von Software-Projekten? Die Zahl 17 kommt häufig vor, hier muss es eine systematische Ursache geben Felder sind nicht gepflegt kritisch! da es sich um einen Schlüsselkandidaten handelt? kritisch! weil doppelte Kundennummern OK
35 Declarative Data Quality Oracle Data Quality for Data Integrator Sources Oracle Data Integrator Integration Process Oracle Data Quality for Data Integrator (*) Global Data Router (*) Joint Development with Trillium Parsing, Cleansing, Standardization, Matching Transformer Parser Postal Matcher Target Relationship Linker Best of breed Quality Joint development with Trillium Proven, scalable DQ engines Rich global content for cleansing, standardization, validation Extensible by customers with domainspecific Data Quality functions Out-of-box integration ODI integrates with Quality functions via pre-built Knowledge Modules ODI Model metadata passed to ODQ at design time ODQ source and target Metadata passed to ODI at Design Time Out-of-box ODI Tool for runtime invocation of ODQ processes Packaged Quality Rules Delivered Out-of-the-Box by Oracle For 35 Countries & Domains
36 Data Quality Context-Aware Cleansing Key Words and Data are Standardized Contextually Original Record Mr. Bob James St. John III St. John Chemicil Corp. 101 S. Main St. St. Louis, MO Code - Spcl. Deliv. - Hazd Matrls, Flam 1. Key word identification 2. Pattern recognition 3. Data Standardization 4. Postal Matching Title: Mr. First Name: Bob (Robert) Middle Name(s): James Last Name: St. John Generation: III Gender: M Business Name: St. John Chemical Corporation House Number: 101 Directional: S (South) Street Name: Main Street Type: St. City: St. Louis (Saint Louis) State: MO Zip Code: Delivery Code: Z99 - Special Handling Delivery Comments: Hazardous Materials, Flammable Name ORIGINAL DATA Bus. Name St. Add. City State ZIP Pr. FN PR MN PR LN PR BN APPENDED DATA PR HsNo PR St N PR St T PR City PR State PR Zip
37 Data Quality Domain Agnostic Cleansing Context Aware Cleansing Operates Regardless of Data Domain P/N DESCRIPTION TUBE, CENTRIFUGE POLY S 15ML (CS/500)CONICAL-BOTTOM TUBE, CENTRIFUGE PPL 15ML (CS/500)CONICAL-BOTTOM TUBE, CENTRIFUGE PPL 50ML (CS/500)CONICAL-BTTMPCK 25/RACK TUBE, CENTRIFUGE POLY S 50ML (CS/500)CONICAL-BTMPK 25/RACK PIPET, CLEAR SEROLOGICAL 2ML (CASE/500) NUT, LOCK RH, VIAL, WHEATON 33* CLEAR 4ML (CS/144) P/N ITEM NAME MATERIAL SIZE UOM DESCRIPTOR PACKAGE PACK METHOD CENTRIFUGE TUBE POLYSTERENE 15 ML CONICAL CASE/500 BOTTOM PACKED CENTRIFUGE TUBE POLYPROPILENE 15 ML CONICAL CASE/500 BOTTOM PACKED CENTRIFUGE TUBE POLYPROPILENE 50 ML CONICAL CASE/500 BOTTOM PACKED 25/RACK CENTRIFUGE TUBE POLYSTERENE 50 ML CONICAL CASE/500 BOTTOM PACKED 25/RACK SEROLOGICAL PIPET 2 ML CLEAR CASE/ LOCK NUT 11 IN RIGHT HAND WHEATON VIAL 4 ML CLEAR CASE/144 Increased accuracy = better business processes & better matching 40
38 Data Quality Matching & Merging De-duplicate records Original Record William Henry Jones 100 Oak St. Avon, MA Original Record Bil Jones 100 Oak Avon, MA Merged Record William Henry Jones 100 Oak St. Avon, MA Original Record William Jones Oak St. MA Phase Process 1. Window Key Generation (grouping similar records) 2. Linking (duplicates identification with level of similarity) 3. Commonize (create best record) 41
39 Basic Standard Robust Mature Data Quality Global Reach Process Global Data According to Local Standards & Practices Australia Canada United Kingdom United States Japan* S. Korea* China* Taiwan* Belgium Brazil France Germany Hong Kong Netherlands Portugal Singapore House Level Address Validation Austria Chile Denmark Greece India Ireland Italy Malaysia Mexico New Zealand Spain Sweden Switzerland UAE Argentina Brunei Colombia Jamaica Peru Phillippines Saudi Arabia S. Africa Venezuela Complete customer data standardization and matching rules (All Countries) Basic Country Data Project City-level Address Validation Formatting and Correction Fully Supports: *Double Byte Unicode Data ISO Latin 1 Standard
40 ODI Suite MDM in Aktion Closed-loop Master Data Management mit DRM Business User Data Steward Data Taxonomist Business User Operational Legacy Hyperion Data Relationship Management Hierarchy Governance Analytic Analytics SAP Key Performance Siebel CRM Oracle Data Integrator Oracle Data Integrator Query / Reporting People Soft E-Business Suite & Oracle Data Quality & Oracle Data Quality Enterprise Reporting Financial Apps Master Hierarchies and Versions JD Edwards Cost Centers Entities Accounts Org Struct Geography Budgeting HR Planning & Forecasting 43
41 Datenqualität / Data Profiling Gesprächsleitfaden Reduzierung der Kosten für die Informations- Beschaffung Abschaffung von unqualifizierter Routinetätigkeit Reaktionszeiten für notwendige Massnahmen reduzieren Verbesserung der Entscheidungsqualität Verbesserte Kundenansprache Image pflege durch korrekte Erscheinung Anforderung Kosten Zu viel teuere Personalressourcen gebunden Unqualifizierte Tätigkeit ist nötig Daten sind nicht schnell genug da Falsche Entscheidungen Mangelhafte Kundenansprache Sind Stammdaten generell fehlerhaft? Image- Problem? Immer wieder erneute Aufnahme der Anforderungen weil die Dateninhalte nicht klar sind Zu viel manueller Aufwand für Korrekturen Falsche Informationen Adressmaterial? Kommunikation zum Partner schwierig? Folgerungen Mißstände Projekte laufen zu lange Ablaufprozesse stocken, dauern zu lange, IT-Abteilung versinkt in zu vielen Aufgaben schlechte Datenqualität ist bekannt Kundenbeschwerden Partnerbeschwerden Situationen Ist - Zustände
42 Wo anfangen? - eignen sich die Daten für das Data Profiling? - Was ist über die Daten bekannt Environment - Datenmengen - Rechner - Planung notwendig Zurechtschneiden der Daten - Daten aufbrechen - Teilmengen bilden - Referenzdaten zusammenführen - Sampling - Mehrfach - Profiling - Einsatz von ETL Ablauf Data Profiling Analyse Analysieren der Daten - Augenfällige Erkenntnisse -> der erste Schuss - Dinge, die sofort auffallen -> Domains / Pattern / PK - Visuelles Analysieren - Graphikeinsatz - Beziehungen analysieren Ableiten von Regeln und Korrekturen - Automatisches Erkennen - Benutzerdefinierte Regeln - Generieren von Korrekturmappings Dokumentieren der Ergebnisse - Ergebnisblatt - Definition Metadaten - Orga - Handbuch Ständige Kommunikation mit der Fachabteilung Regeln, die nicht abgedeckt werden und deren Lösung - komplexe Lookup Beziehungen - Rekursive Strukturen - Tupel übergreifende Abhängigkeiten ETL - Prozess - Mappings - Routinen - Workflow - Metadatenrepository Korrekte Daten X
43 Datenqualität das A&O für richtige Entscheidungen 1. Data Profiling mit ODI EE Daten Feedback Fehlerbericht 2. Fehlererkennung und Korrektur (ETL-Prozess mit ODI EE) Prozesse 4. Ursachenbeseitung mit der Fachabteilung Korrektur Trends 3. Dokumentation der Qualitätsquoten (Metadaten Repository )
44 Data Quality Life Cycle Aussagen Die Wahrung der Qualität der Daten ist ein ständig wiederkehrender Prozess (Life Cycle). Die Ursache schlechter Datenqualität kann nur in den operativen Prozessen selbst beseitigt werden. Data Profiling ist ein Wechselspiel zwischen dem Finden von Datenfehlern und dem Korrigieren der der Fehlerursachen in den operativen Prozessen. Weil Unternehmen mit immer mehr Daten und immer komplexeren Konstrukten umgeben, wird sich der Vorgang in immer neuen Varianten wiederholen.
45
Der Datenqualität auf der Spur
Der Datenqualität auf der Spur Data Profiling mit Oracle Warehouse Builder Alfred Schlaucher Data Quality Life Cycle Aussagen Die Wahrung der Qualität der Daten ist ein ständig wiederkehrender
MehrGeizen Sie nicht mit Ihren Daten! Expertentipps für sicheres Handeln und mehr Erfolg. 18. Mai 2010 Business Breakfast
Geizen Sie nicht mit Ihren Daten! Expertentipps für sicheres Handeln und mehr Erfolg. 18. Mai 2010 Business Breakfast Sphinx Das Unternehmen» Seit über 15 Jahren am österreichischen Markt» Mehr als 50
MehrDatenqualitätsportal für das Data Warehouse mit APEX und Regelwerk
DATA WAREHOUSE Datenqualitätsportal für das Data Warehouse mit APEX und Regelwerk Alfred Schlaucher, Oracle Data Warehouse Themen Wo wird geprüft Was wird geprüft Dokumentation und Steuerung der Prüfungen
MehrSolution Partner Programm
Joachim Kessler Nur für internen Gebrauch / Ziele Leitbild für das Siemens Das weltweit beste Partner Programm in der Industrie Siemens Solution Partner sind weltweit erste Wahl Verschaffen Kunden Wettbewerbsvorsprung
Mehr19. DOAG-Konferenz Data Profiling: Erste Erfahrungen mit dem OWB 10g R2 Mannheim, Detlef Apel
19. DOAG-Konferenz Data Profiling: Erste Erfahrungen mit dem OWB 10g R2 Mannheim, 16.11.2006 Detlef Apel Agenda Agenda Platzierung Kundenlogo Unser Unser Unternehmen Datenqualität warum? Unser Projekt
MehrNeues zur Oracle Lizenzierung (Michael Paege, OPITZ CONSULTING Hamburg, DOAG Competence Center Lizenzen)
Neues zur Oracle Lizenzierung (Michael Paege, OPITZ CONSULTING Hamburg, DOAG Competence Center Lizenzen) Neues zur Oracle Lizenzierung, DOAG Nordlichtertreffen, 16. Juni 2009 Seite 1 Geänderte Faktoren
MehrAgenda. Einführung MS SQL Server Integration Services (SSIS) Oracle Data Warehouse Builder (OWB) Zusammenfassung Quellen. Einführung SSIS OWB
Agenda Einführung MS SQL Server Integration Services () Oracle Data Warehouse Builder () Quellen 10.12.2009 Martin Tobies - DQ Tools 2 Agenda Einführung MS SQL Server Integration Services () Oracle Data
MehrDOAG SIG Day E-Business Suite
DOAG SIG Day E-Business Suite Planung und Simulation in, um und um die Oracle E-Business Suite herum München 15. Juni 2005 Dr. Frank Schönthaler PROMATIS software GmbH 1 Gliederung Gliederung Traditionelle
MehrDWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb. Referent: Raphael Henneke
DWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb Referent: Raphael Henneke Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS
Mehr<Insert Picture Here> Datenqualitätsanalysen mit Oracle
Data Quality Option Datenqualitätsanalysen mit Oracle Alfred Schlaucher, Data Warehouse Architect, Oracle Information Management und Data Warehouse Themen Stichwort: Data Quality
MehrETL-Industrialisierung mit dem OWB Mapping Generator. Irina Gotlibovych Senior System Beraterin
ETL-Industrialisierung mit dem OWB Mapping Generator Irina Gotlibovych Senior System Beraterin MT AG managing technology Daten und Fakten Als innovativer Beratungs- und IT-Dienstleister zählt die MT AG
MehrDATENQUALITÄT UND DATENBEREINIGUNG. F e b r u a r 2017
ALTRAN, GLOBAL LEADER IN INNOVATION DATENQUALITÄT UND DATENBEREINIGUNG F e b r u a r 2017 1 Data Quality Services Ihre geschäftlichen Entscheidungen sind von vertrauenswürdigen Daten abhängig. Ungültige
MehrDIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT
DIE DATEN IM ZENTRUM: SAS DATA RAINER STERNECKER SOLUTIONS ARCHITECT SAS INSTITUTE SOFTWARE GMBH Copyr i g ht 2013, SAS Ins titut e Inc. All rights res er ve d. NEUE WEGE GEHEN SAS DATA GOVERNANCE & QUALITY
MehrOracle Data Integrator Ein Überblick
Oracle Data Integrator Ein Überblick Uwe Barz Christoph Jansen Hamburg, 15.04.2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg München Stuttgart Wien Agenda Überblick
MehrData Warehouse Automation und Life Cycle Management mit AnalyticsCreator
Data Warehouse Automation und Life Cycle Management mit AnalyticsCreator Unternehmensdaten Gründung: 1988 Mitarbeiter: 20 Standorte Lichtenfels (Firmensitz) Fulda, Chemnitz, München (Vertrieb und Service)
MehrBIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
Mehr<Insert Picture Here>
Oracle Data Integrator Holger Dresing, STCC Nord Technische Vorstellung 1: Einführung in Oracle Data Integrator, seine Architektur und Module Was haben wir vor?
MehrScrum für Business Intelligence Projekte erfolgreich nutzen. Es begrüßt Sie Thomas Löchte
Scrum für Business Intelligence Projekte erfolgreich nutzen Es begrüßt Sie Thomas Löchte Die Informationsfabrik Die Informationsfabrik macht erfolgreiche BI und DWH Projekte und hat zufriedene, referenzierbare
MehrMit Oracle EDQ schnell und einfach die Datenqualität sicherstellen. Dr. Holger Dresing Data Integration Solutions DIS EMEA
1 Mit Oracle EDQ schnell und einfach die Datenqualität sicherstellen Dr. Holger Dresing Data Integration Solutions DIS EMEA holger.dresing@oracle.com 2 Oracle Dataintegrations-Lösung Beste heterogene Plattform
Mehr<Insert Picture Here> Data Migration als Kernprozess bei der Implementierung der E-Business Suite
Data Migration als Kernprozess bei der Implementierung der E-Business Suite F.Espeter Oracle Consulting Deutschland Inhalt Überblick über den Datamigrationsprozess in der Oracle Implementierungsmethode
MehrWelche BI-Architektur braucht Ihr Reporting?
Welche BI-Architektur braucht Ihr Reporting? Variante 1: Direkter Zugriff Keine redundanten Daten Schnelle Erkenntnisse Echte Daten für PoCs Echtzeit-Reporting ohne Zwischenstufen Belastung der operativen
MehrLizenzierung von ODI. Oracle Lizenzierung. Michael Paege, Director License Management Consulting. Lizenzierung ODI, DOAG Data Integration Day 2015
Lizenzierung von ODI Oracle Lizenzierung Michael Paege, Director License Management Consulting OPITZ CONSULTING GmbH 2015 Seite 1 Agenda 1. ODI Historie: vom OWB u.a. zum ODI 2. ODI-Lizenzierung aktuell
MehrDie Oracle BI Trilogie von Trivadis
Die Oracle BI Trilogie von Trivadis Teil 2 - Aufbau einer DWH- und BI-Landschaft Zürich, 25. November 2009 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg München Stuttgart
MehrVerwaltung von OBI Metadaten: XML-Integration die Lösung aller Probleme? DOAG Konferenz und Ausstellung 2013
Verwaltung von OBI Metadaten: XML-Integration die Lösung aller Probleme? DOAG Konferenz und Ausstellung 2013 Michael Weiler, PROMATIS software GmbH Nürnberg, 1 Gliederung OBIEE Metadatenverwaltung Einführung
MehrInfografiken zur Elektromobilität (November 2018)
Infografiken zur Elektromobilität (November 2018) Herausgeber: BMW Group Presse- und Öffentlichkeitsarbeit Produktkommunikation Elektromobilität Letztes Update: 5.11.2018 Kontakt: presse@bmw.de ELEKTROMOBILITÄT
MehrErfolg mit Oracle BI?
Erfolg mit Oracle BI? Typische Fehlerszenarien und deren Lösung Gerd Aiglstorfer G.A. itbs GmbH Das Thema 2 Oracle BI (OBIEE)? Das war eine Fehlentscheidung! Viel zu umständlich! Wenig Flexibilität & teure
MehrPRODATIS CONSULTING AG. Folie 1
Folie 1 Führend im Gartner Magic Quadranten für verteilte, interagierende SOA Projekte Oracle ist weltweit auf Rang 1 auf dem Markt der Enterprise Service Bus Suiten (ESB) für SOA Software 2010 26,3 %
MehrZeitlich abhängig von OWB?
Zeitlich abhängig von OWB? 24. April 2007 Beat Flühmann Trivadis AG > IT Lösungsanbieter» Application Development, Application Performance Management, Business Communication, Business Intelligence, Managed
MehrModellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015 BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENEVA HAMBURG COPENHAGEN LAUSANNE MUNICH STUTTGART
MehrDr.Siegmund Priglinger Informatica Österreich. 27.02.2007 spriglinger@informatica.com
Governance als Teil der IT Governance Dr.Siegmund Priglinger Informatica Österreich 27.02.2007 spriglinger@informatica.com 1 Agenda Informatica im Überblick Die Trends der Datenintegration versus der Haarschopf
MehrOpen Source Planung für ein ORACLE DWH am Beispiel von PALO bei der Standard Life Versicherung
Open Source Planung für ein ORACLE DWH am Beispiel von PALO bei der Standard Life Versicherung DOAG Konferenz Nürnberg, 22.11.2012 Hans-Peter Weih, Joachim Reising The Standard Life Group since 1833 in
MehrConVista SPoT-U: Kennzahlensysteme für die Versorgungswirtschaft
ConVista SPoT-U: Kennzahlensysteme für die Versorgungswirtschaft SAP-Forum für die Versorgungswirtschaft, 4. November 2014 2014 Agenda Vorstellung ConVista Consulting AG Warum Kennzahlen mit System so
MehrZERO.ONE.DATA Die Bahn, ein agiler Tanker im Digitalisierungszeitalter. Gudio van Husen, Christopher Muth DB Systel GmbH Hanau
ZERO.ONE.DATA Die Bahn, ein agiler Tanker im Digitalisierungszeitalter Gudio van Husen, Christopher Muth DB Systel GmbH Hanau 28.02.2018 Foto: DB Systel DB Systel GmbH Die Digitalisierung der Bahn erfolgreich
MehrAnforderungen gezielter umsetzen, Optimieren, Transparenz schaffen
Application Lifecycle Management in Eclipse Anforderungen gezielter umsetzen, Optimieren, Transparenz schaffen Christoph Bräuchle, MKS GmbH Interessen (klassisch) Budget: werden Aufwände eingehalten, ergeben
MehrO-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
MehrOracle9i Designer. Rainer Willems. Page 1. Leitender Systemberater Server Technology Competence Center Frankfurt Oracle Deutschland GmbH
Oracle9i Designer Rainer Willems Leitender Systemberater Server Technology Competence Center Frankfurt Oracle Deutschland GmbH Page 1 1 Agenda 9i Designer & 9i SCM in 9i DS Design Server Generierung &
MehrÜbersicht SAP-BI. DOAG Regionaltreffen
Übersicht SAP-BI DOAG Regionaltreffen 14.12.2010 Übersicht Überblick BI Datenablage Datenfluß im BI Analysen Sonstiges - Schlüsselbereiche des BI - Wo werden die Daten gespeichert? - Wie kommen die Daten
MehrOracle Data Warehouse Integrator Builder Ein Selbstversuch
Oracle Data Warehouse Integrator Builder Ein Selbstversuch DOAG Konferenz 2013, Nürnberg Dani Schnider, Trivadis AG BASEL BERN BRUGG LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN
MehrDWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH. Referent: Ilona Tag
DWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH Referent: Ilona Tag Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrData Lineage mit ODI und OEMM Holger Dresing Oracle Deutschland BV & Co. KG
Data Lineage mit ODI und OEMM Holger Dresing Oracle Deutschland BV & Co. KG Schlüsselworte Datenintegration, DIS, Metadaten, Metadatenmanagement, Data Warehouse, DWH, Enterprise Metadata Management, OEMM,
MehrIn 30 Minuten von Excel zum professionellen Controllingsystem. Kalle Malchow, Manager of Presales
In 30 Minuten von Excel zum professionellen Controllingsystem Kalle Malchow, Manager of Presales 1 17.03.2015 Über prevero 2 17.03.2015 Seit 1994; Standorte in Deutschland, Schweiz, Österreich, UK > 100
Mehrworldskills members flag colouring
worldskills members flag colouring Das WorldSkills Logo Das Logo zeigt eine Hand mit fünf farbigen, starken, dynamischen Linien. Diese sollen die Jugend aller Länder präsentieren und deren Wille und Engagment
MehrValue your IT to get IT Value for your Business! Referenten: Harald J. Loydl, Consultant Lionel Pilorget, Basler Kantonalbank
Value your IT to get IT Value for your Business! Referenten: Harald J. Loydl, Consultant Lionel Pilorget, Basler Kantonalbank Seite 1 Zürich - 28./29. Oktober 2013 Vorwort Show your value, don t defend
MehrOptimierung von Finanzprozessen mit SAP Ariba. Frank Bade, SAP SE Linz, 26. April 2016
Optimierung von Finanzprozessen mit SAP Ariba Frank Bade, SAP SE Linz, 26. April 2016 Das gefragteste Feature von S/4HANA Finance ist Automatisierung. 86 % wollen Ihre Invoicing (Kreditoren + Debitoren)
MehrWir bauen uns ein Data Warehouse mit MySQL
Wir bauen uns ein Data Warehouse mit MySQL Oli Sennhauser FromDual GmbH Uster / Schweiz Schlüsselworte MySQL, DWH, Data Warehouse, ETL, BI, Business Intelligence, OLAP Einleitung MySQL Datenbanken verbreiten
MehrETL in den Zeiten von Big Data
ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse
MehrBI Applications und E-Business Suite: Die perfekte Ergänzung
BI Applications und E-Business Suite: Die perfekte Ergänzung Ulf Köster Oracle Deutschland GmbH Stuttgart Schlüsselworte: Business Intelligence Applications, E-Business Suite, Datawarehouse, OBI EE Einleitung
MehrCommon Warehouse Metamodel und Imperfektion
Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain
MehrInternationales Personalmanagement
Christian Scholz & Lisa Grotefend Internationales Personalmanagement Sommersemester 2018 09.05.2018 Hofstede: Forschungsbasis 1967-69: etwa 117.000 IBM-Mitarbeiter aus 40 Ländern 1971-73: Erweiterung auf
MehrProzessbasiertes Master Data Management für intralogistische Systeme. Thomas Karle PROMATIS software GmbH Berlin, 9. Mai 2012
Prozessbasiertes Master Data Management für intralogistische Systeme 1 Thomas Karle PROMATIS software GmbH Berlin, Agenda Problemstellung Generelle Anforderungen an ein Master Data Management (MDM) Einbettung
MehrEntwicklung und Deployment. Stefan Raabe DOAG Konferenz
Entwicklung und Deployment Stefan Raabe DOAG Konferenz 2017 22.11.2017 Agenda 1. Vorstellung 2. DWH Automatisierung 3. Möglichkeiten im ODI 4. Demo 5. Fazit 2 Vorstellung Stefan Raabe Selbstständiger Berater
MehrInformatica Day 2010 Deutschland Best Practice: Data-Consolidation im SAP Umfeld bei Siemens. Frank Hincke, DIMQ, Köln 03/2010
Informatica Day 2010 Deutschland Best Practice: Data-Consolidation im Umfeld bei Siemens Frank Hincke, DIMQ, Köln 03/2010 Agenda Vorstellung Sprecher Programm ATLAS im Bereich Siemens Bereich Energie,
MehrDr. Friedrich Schanda Projektmanagement PENTASYS AG
Dr. Friedrich Schanda Projektmanagement PENTASYS AG Agenda Erfahrungen mit MOSS 2007 in DMS Projekten Das PENTASYS Framework für Sharepoint Document Handling Search & Retrieval Migration Beispiel: Migration
MehrAufbau eines Kennzahlensystems in der Logistik mit Oracle BI
Beratung Software Lösungen Aufbau eines Kennzahlensystems in der Logistik mit Oracle BI Gisela Potthoff Vertriebsleiterin TEAM GmbH Zahlen und Fakten Unternehmensgruppe Materna: 1.500 Mitarbeiter 192 Mio.
MehrWeltweite Windkraft erreicht 539 GW
Weltweite Windkraft erreicht 539 GW 19. Februar 2018 Windkraft weltweit Windkraftausbau 2017: 52,6GW Gesamtleistung 2017: 539 GW Windstromerzeugung in 100 Ländern 5% des Stromverbrauchs AFRICA & MIDDLE
MehrZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE
ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE Indexierungsstrategie im Data Warehouse Dani Schnider, Trivadis AG DOAG Konferenz, Nürnberg BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR.
MehrOracle BI&W Referenz Architektur Big Data und High Performance Analytics
DATA WAREHOUSE Oracle BI&W Referenz Architektur Big Data und High Performance Analytics Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen
MehrDOAG 2009 Copyright 2009, Oracle Corporation
Neue Human Workflow Features in Oracle SOA Suite 11g DOAG 2009 Konferenz + Ausstellung Vahit Tas Senior Principal Consultant Agenda Konzepte / Einsatzszenarien Komponenten Neue Features
MehrBerechnung von Kennzahlen mit der SQL Model Clause
Berechnung von Kennzahlen mit der Thomas Mauch 12.07.2018 DOAG BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN STUTTGART WIEN 1 AGENDA 1. Einführung 2. Syntax 3. Performance
Mehr<Insert Picture Here> Überblick zum neuen Business Intelligence Enterprise Edition
Überblick zum neuen Business Intelligence Enterprise Edition Thorsten Urban Sales Consultant, Competence Center Business Intelligence Business Intelligence: Entwicklungstrends Business
Mehr<Insert Picture Here> Einhaltung von Service Level Agreements
Einhaltung von Service Level Agreements Jutta Adam-Fuss Server Technology Competence Center Einhaltung von SLAs Welche Service Level Anforderungen sind für ihre Geschäftsanwendungen
MehrBUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT
BUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT Meik Truschkowski Architekt für Business Intelligence und Data Warehousing nobilia-werke J. Stickling GmbH & Co. KG Verl, den 31. Oktober 2011 UNTERNEHMENSPROFIL
MehrDr. Jens Hündling Senior Sales Consultant. DOAG Apps 2011 Berlin, 05. Mai 2011
Business Management: Grundlagen, Business Process Life Cycle, Überblick Oracle BPM Suite 11g Dr. Jens Hündling Senior Sales Consultant DOAG Apps 2011 Berlin, 05. Mai 2011
MehrWelche Verantwortung trägt ein CDO?
Big-Data and Data Science Day 25. Juli Hochschule der Medien Stuttgart Welche Verantwortung trägt ein? Holger Stelz Director Marketing & Business Development 1 UNISERV GmbH, Pforzheim 3 Beispiele - Uniserv
MehrPREISLISTE QSC -Service international
Mindestvertragslaufzeit) möglich kosten Alle Entgelte in EUR * 1 Algeria rufnummer 21,90 14,20 6,60 a. A. a. A. 16,90 0,0199 0,0199 0,0199 2 Angola rufnummer 21,90 14,20 6,60 a. A. a. A. 99,00 0,1390 0,1390
MehrImmer in Bewegung bleiben Oracle Managed File Transfer
Immer in Bewegung bleiben Oracle Managed File Transfer Michael Stapf DOAG 2014 Oracle Deutschland B.V. & Co. KG 18. November 2014 Safe Harbor Statement The following is intended to outline our general
Mehr<Insert Picture Here> Generierung von ADF-Applikationen aus Metadaten des Oracle Designer
Generierung von ADF-Applikationen aus Metadaten des Oracle Designer Jürgen Menge Oracle Deutschland Oracle Designer - Metadaten Investment vieler Anwender liegt in den Metadaten des
MehrIBM Content Manager CM V Proof of Technology
IBM Content Manager CM V 8.4.3 Proof of Technology Annette Wolf - wolfanne@de.ibm.com 1 Agenda ECM Portfolio Content Manager Architektur und Update V8.4.3 Content Manager Clients CM Windows Client CM eclient
MehrOXO³ technische Aspekte der Oracle EMEA internen BI Implementierung
OXO³ technische Aspekte der Oracle EMEA internen BI Implementierung Bojan Milijaš (bojan.milijas@oracle.com) Senior Business Analyst (OCP) ORACLE Deutschland GmbH Kennen Sie das Sprichwort
MehrOracle Data Integrator
Oracle Data Integrator Technische Vorstellung 3-4: Definieren der logischen Architektur Aufsetzen eines neuen Projektes Entwerfen von Interfaces und Packages Was haben wir vor? ODI
MehrOptimale Online Diagnose von RAC Datenbanken Johannes Ahrends Technical Director Quest Software GmbH
Optimale Online Diagnose von RAC Datenbanken Johannes Ahrends Technical Director Quest Software GmbH Copyright 2006 Quest Software Quest Software Gegründet 1987, an der Nasdaq seit 1999 476 Mio. US-Dollar
MehrSpecmate Auf Knopfdruck von Anforderungen zu Tests
Specmate Auf Knopfdruck von Anforderungen zu Tests Dr. Maximilian Junker at a Glance We are experts for: High quality RE & tests High quality methodology (e.g. MBSE) We offer: Audits & Continuous Quality
MehrFür Querdenker Was ODI anders macht als OWB und umgekehrt
Für Querdenker Was ODI anders macht als OWB und umgekehrt Bianca Stolz, Negib Marhoul Systemberater ORACLE Deutschland B.V. & Co. KG DOAG Konferenz Nürnberg, 17.November 2011 Agenda
MehrKapitel 14. Objekt-relationales Mapping (ORM) mit Hibernate bzw. Java Persistance API (JPA) Prof. Dr. Wolfgang Weber Vorlesung Datenbanken
Kapitel 14 Objekt-relationales Mapping (ORM) mit Hibernate bzw. Java Persistance API (JPA) 1 Wozu Objekt-relationales Mapping? - Problematik - Business-Schicht OO-Klassen Unvereinbarkeit der Paradigmen
MehrAndreas Emhart Geschäftsführer Alegri International Group
Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service
MehrTUI InfoTec. We do IT with a Smile. TUI InfoTec We do IT with a smile Folie 1
TUI InfoTec. We do IT with a Smile. TUI InfoTec We do IT with a smile 30.05.2008 Folie 1 Von der IT-Abteilung des Touristikkonzerns zum international agierenden IT-Dienstleister. < 1997 1997 2006 IT-Abteilung
MehrMicrosoft Server Lösungen
Microsoft Server Lösungen Seite 2 Microsoft Server-Lösungen Windows Server 2016 System Center 2016 SQL Server 2016 Exchange 2016 SharePoint 2016 OneDrive for Business Skype for Business 2015 Microsoft
MehrTechnologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle
Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die
MehrData Warehousing. DWH Projekte. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing DWH Projekte Ulf Leser Wissensmanagement in der Bioinformatik Inhalt DWH Projekte Spezifika Die kritischen Punkte Warum scheitern DWH Projekte? Ulf Leser: Data Warehousing, Vorlesung,
MehrDatawarehouse 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
MehrSQL-basierte SCD2-Versionierung hierarchischer Strukturen
SQL-basierte SCD2-Versionierung hierarchischer Strukturen Meik Truschkowski nobilia-werke J. Stickling GmbH & Co. KG Verl Projektleiter Business Intelligence und Data Warehousing 1 SQL-basierte SCD2-Versionierung
Mehr<Insert Picture Here> Oracle Data Integrator. Dr. Holger Dresing Einführung: Architektur und Module
Oracle Data Integrator Dr. Holger Dresing holger.dresing@oracle.com Einführung: Architektur und Module Was haben wir vor? ODI Einführung & Architektur Herausforderungen der Integration
MehrKoexistenz mit dem Oracle Fusion Accounting Hub
DOAG, Düsseldorf 16. Oktober 2012 Koexistenz mit dem Oracle Fusion Accounting Hub Werner Böckelen Werner.Boeckelen@oracle.com +49 172 8697 892 Agenda Ansatz Vorstellung Oracle Fusion
MehrSODA. Die Datenbank als Document Store. Rainer Willems. Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG
SODA Die Datenbank als Document Store Rainer Willems Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG vs No Anforderungskonflikte Agile Entwicklung Häufige Schema-Änderungen Relationales
MehrAusrichtung der Personalstrategie auf die virtualisierte und digitalisierte Arbeitswelt von morgen.
Ausrichtung der Personalstrategie auf die virtualisierte und digitalisierte Arbeitswelt von morgen. baumgartner.de 1 Personalstrategien Die Gestaltung der virtualisierten und digitalisierten Arbeitswelt
Mehr25.06.2014 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
MehrBI Publisher Berichtswesen einfach und sicher. Alexander Klauss Centric IT Solutions GmbH
BI Publisher Berichtswesen einfach und sicher Alexander Klauss Centric IT Solutions GmbH Agenda Ziele der BI Publisher Module Anwendung und Vorgehensweise der BI Publisher Module Voraussetzungen BI Publisher
MehrIntegrierte Unternehmensplanung in Zeiten der Digitalen Transformation.
Integrierte Unternehmensplanung in Zeiten der Digitalen Transformation www.pikon.de Agenda. Warum reden wir über Digitale Transformation? Was macht Planung schwierig? Wie gehen wir vor? Zusammenfassung
MehrGESTERN OWB, HEUTE ODI
GESTERN OWB, HEUTE ODI Ein Erfahrungsbericht eines OWB - Entwicklers Christian Piasecki! ÜBER MICH Christian Piasecki Consultant Beratung, Training, Entwicklung Oracle Technologie Oracle BI Suite Oracle
MehrDas modulare DWH Modell
Das modulare DWH Modell Durchgängige Business Intelligence durch eine praktikable DWH Referenzarchitektur Arno Tigges, Seniorberater OPITZ CONSULTING München GmbH DOAG SIG DWH/BI, Köln, 29. Juni 2010 OPITZ
MehrPOWER BI DAS neue BI Tool von Microsoft!? Wolfgang Strasser twitter.com/wstrasser
POWER BI DAS neue BI Tool von Microsoft!? Wolfgang Strasser wolfgang.strasser@gmx.at twitter.com/wstrasser Danke. About me Wolfgang Strasser Consultant Software, Business Intelligence and DWH SQL Server,
MehrSQL Server 2008 R2 Überblick. Steffen Krause Technical Evangelist
SQL Server 2008 R2 Überblick Steffen Krause Technical Evangelist Haftungsausschluss Bitte beachten Sie, dass es bei diesem Vortrag um Pre-Release Software geht. Bis die finale Produktversion fertig gestellt
MehrAgile BI Was ist das eigentlich? Hochschule Ulm - V. Herbort & Prof. Dr. R. von Schwerin
Agile BI Was ist das eigentlich? Hochschule Ulm - V. Herbort & Prof. Dr. R. von Schwerin Inhalt Agilität in der Business Intelligence Agile Software-Projekte Agile Data Warehousing / Self-Service BI 29.10.10
MehrInternationale Einführung der Oracle E-Business Suite mittels Process Streamlining
Internationale Einführung der Oracle E-Business Suite mittels Process Streamlining Dirk Blaurock 1 Gliederung Genereller Veränderungsprozess und die Abhängigkeiten der neuen Märkte Ziele und Zwecke internationale
MehrENTERPRISE VOICE MIT SKYPE FOR BUSINESS ONLINE
ENTERPRISE VOICE MIT SKYPE FOR BUSINESS ONLINE ÜBER UNS Lars Zängerle Teamleader IT Services Cloud & Collaboration Andreas Reisinger Senior Solution Engineer IT Services Cloud & Collaboration lars.zaengerle@umb.ch
MehrData Warehouse in der Telekommunikation
Data Warehouse in der Telekommunikation Hans-Friedrich Pfeiffer Talkline GmbH & Co.KG Elmshorn, 11.06.2007 Übersicht Historie Struktureller Aufbau des Dara Warehouse Anforderungen an das Data Warehouse
MehrBEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES
BEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES Das Unternehmen Das Unternehmen Vorwerk: seit seiner Gründung 1883 ein Familienunternehmen Geschäftsvolumen 2013: 3,1 Milliarden
MehrDie 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