Größe: px
Ab Seite anzeigen:

Download ""

Transkript

1

2

3

4

5

6 Modellgestütztes Management

7 Analysemuster in der dimensionalen Datenmodellierung Stephan Schneider Institut für Wirtschaftsinformatik / Fachbereich Wirtschaft Fachhochschule Kiel Sokratesplatz Kiel Abstract: Im Entwicklungszyklus von Data Warehouse-Systemen ist die Konstruktion fachlicher dimensionaler Datenmodelle während der Analysephase eine der wichtigsten, richtungsweisenden und herausforderndsten Tätigkeiten zugleich. Fachliche dimensionale Datenmodelle repräsentieren den operativen sowie strategischen Informationsbedarf eines Unternehmens. Sie werden über automatisch realisierbare Transformationsprozesse in logische und anschließend physische Datenmodelle umgewandelt. Physische Datenmodelle werden zur Instanziierung dimensionaler Datenbanken verwendet, die der Generierung von für Entscheidungsprozesse relevanten Informationen dienen. Trotz der unbestritten enormen Bedeutung der Analysephase wird bei der Konstruktion fachlicher dimensionaler Datenmodelle nicht auf bewährte Konstruktionsmuster in Form von Analysemustern, die Lösungsansätze für bekannte und wiederkehrende Probleme in bestimmten Kontexten adressieren, zurückgegriffen. Die Nichtberücksichtigung von bewährten Analysemustern kann in Anbetracht der Informationsbedarfsdiffizilität zu mangelhaften und qualitativ ungesicherten fachlichen dimensionalen Datenmodellen und somit Datenbanken führen, aus denen wiederum qualitativ unzureichend gesicherte Informationen generiert werden. Der Einsatz von Analysemustern in der dimensionalen Datenmodellierung ist bis heute weder in der Literatur noch in der Praxis thematisiert. Diese Arbeit versteht sich als ein erster Schritt, diese Forschungslücke in der dimensionalen Datenmodellierung zu schließen. Daher widmet sich dieser Artikel dem Einsatz von Analysemustern in der dimensionalen Datenmodellierung. 7

8 1 Einführung Die methodische Entwicklung von Informationssystemen ist in die aufeinander folgenden Kernphasen Analyse, Entwurf und Implementierung untergliedert. Diese aus dem Systems Engineering bekannte methodische Vorgehensweise zur Entwicklung von (IT-)Systemen ist nahtlos auf das Data Warehousing zur Entwicklung von Data Warehouse-Systemen übertragbar [BMR07, S. 449 ff.], [Ho01, S. 211 ff.]. Das Ergebnis einer Vorgängerphase (z. B. Analyse) in Form eines Informationsmodells (z. B. konzeptionelles bzw. fachliches Datenmodell) dient als Input für eine nachfolgende Phase (z. B. Entwurf). Die Analysephase ist der erste Schritt im gesamten Systementwicklungszyklus und demzufolge die fundamentale und bedeutsamste Phase überhaupt. Während der Analysephase werden die Systemanforderungen definiert und in konzeptionellen Informationsmodellen dokumentiert. Im weiteren Verlauf dieser Arbeit stehen konzeptionelle Datenmodelle als spezielle Informationsmodelle der Analysephase im Fokus der Betrachtung. Ein sehr probates und auch bedeutsames Mittel zur Konstruktion von normalisiert strukturierten konzeptionellen Datenmodellen, die letztlich zur Instanziierung operativer Datenbanken verwendet werden, sind sogenannte Analysemuster. Der Einsatz von Analysemustern, wie er bei David C. Hay [Ha98], Len Silverston [Si01a, Si01b] und auch Martin Fowler [Fo99] thematisiert ist, kann einen wertvollen Beitrag hinsichtlich der Zeit- und Kostenersparnis und Qualitätssicherung in der Konstruktion konzeptioneller Datenmodelle leisten. Obgleich der Einsatz von Analysemustern zur Konstruktion normalisierter konzeptioneller Datenmodelle in den zuvor genannten Arbeiten behandelt wird, so ist bis heute die Verwendung von Analysemustern in der konzeptionellen dimensionalen Datenmodellierung weder in der Literatur noch in der Praxis ein Thema. Einzig in den Büchern von [Ki98], [Ki08] und [KR02] sind ein paar spezielle, exemplarische Problemsituationen sowie deren Lösungsansätze skizziert und entsprechend modelliert, jedoch nicht in Form von Mustern. Trotz der enormen Bedeutung der Analysephase per se wird während der Konstruktion von konzeptionellen dimensionalen Datenmodellen, die für die Entwicklung von IT-Systemen für Business Intelligence-Lösungen fundamental sind, nicht auf bewährte Problemlösungsansätze in Form von Mustern zurückgegriffen. Angesichts der enormen Bedeutung der Analysephase erscheint diese Tatsache mehr als verwunderlich, zumal die Nichtberücksichtigung von bewährten Analysemustern zu qualitativ ungesicherten und somit mangelhaften fachlichen dimensionalen Datenmodellen bzw. Datenbanken führen kann, aus denen wiederum qualitativ ungesicherte Informationen generiert werden. In wissenschaftlicher Hinsicht erweist sich die Nichtberücksichtigung von Analysemustern zur Konstruktion fachlicher dimensionaler Datenmodelle und demnach im Entwicklungszyklus von Data Warehouse-Systemen als eine Forschungslücke. Diese Arbeit versteht sich als ein erster Ansatz, diese Lücke zu schließen. 8

9 2 Forschungsdesign: Wissenschaftstheoretische Positionierung Diese Arbeit befindet sich am Beginn eines Forschungszyklus. Am Anfang einer Forschungsarbeit steht ein Forschungsproblem, das zumeist auf einer in der Umwelt des Forschers beobachtbaren Frage- oder Problemstellung basiert oder sich an traditionellen Problemstellungen der Wissenschaft orientiert [Sc07, S. 469]. Da es sich, wie eine umfangreiche Untersuchung der Data Warehouse-Literatur gezeigt hat, bei Analysemustern in der dimensionalen Datenmodellierung um eine Forschungslücke handelt, existieren demzufolge noch keine fundierten Erkenntnisse zu dieser Thematik. Das Forschungsproblem ist demnach im Mangel an Erkenntnissen sowie an nutzbringenden Artefakten (Analysemustern) zu sehen. Zur Lösung dieses Problems wird sich an der Dualität wissenschaftlicher Forschung orientiert, wie sie in [Sc07, S. 71] veranschaulicht ist (Abbildung 1). Wissenschaftliche Forschung Wissensmotiv (Erkenntniserzielung und -fundierung) Maxime des Handelns: Wahrheit Grundlegende Verfahren: Erk.-Erzielung: Induktion, Deduktion, Abduktion, Hermeneutik Erkenntnis Erk.-Fundierung: Evaluierung Gestaltungsmotiv (Erkenntnisnutzung) Maxime des Handelns: Nützlichkeit Grundlegende Verfahren: Konstruktion Expliziertes Ergebnis der Erkenntnis Hypothese Übergang Theorie (Re-) Konstruktion Artefakt Evaluierung Abbildung 1: Dualität wissenschaftlicher Forschung Jede Wissenschaft verfolgt grundsätzlich zwei Forschungsziele: Erkenntnisziel und Gestaltungsziel [Fr90, S. 14]. Dem Erkenntnisziel nach versucht eine Wissenschaft fundierte Erkenntnisse über einen Erkenntnisgegenstand zu erlangen, um auf dieser Grundlage dem Gestaltungsziel folgend nutzbringende Artefakte zu konstruieren. Die Maxime des erkenntnisgetriebenen Handelns ist die Wahrheit, die des gestaltungsorientierten Handels die Nützlichkeit [Fr90, S. 14]. 9

10 Speziell in der Wirtschaftsinformatik zeigt sich die Dualität wissenschaftlicher Forschung in dem von Hevner et al. viel beachteten Artikel "Design Science in Information Systems Research" [He04]. Für sie zeichnet sich wissenschaftliche Forschung der Wirtschaftsinformatik durch die zwei verschiedenen, komplementären Paradigmen "Behavorial Science" und "Design Science" aus. Das verhaltenswissenschaftliche Paradigma (Behavioral Science), dessen Wurzeln in den Naturwissenschaften liegen, strebt im Zuge des Erkenntnisgewinns nach der Bildung und Überprüfung von empirisch abgesicherten Theorien über IT-Artefakte. Das konstruktionswissenschaftliche Paradigma (Design Science), dessen Wurzeln in den Ingenieurwissenschaften liegen und mit einem problemlösenden Ansatz zu vergleichen sind, haben die erkenntnisgetriebene Konstruktion und Bewertung von für die Wissenschaft und Praxis nützlichen IT-Artefakten zum Gegenstand. Um Forschungsziele zu erreichen, werden gegebenenfalls mehrere, unterschiedliche Forschungsmethoden eingesetzt werden. Eine Forschungsmethode ist als zielgerichtetes Verfahren ein intersubjektiv nachvollziehbares System aus zielgerichteten Regeln [WiHe07, S. 281]. Ein Forschungsdesign bietet als ein Untersuchungsplan einen geeigneten Rahmen, um Forschungsziele und eingesetzte Forschungsmethoden aufzuzeigen und demnach die wissenschaftstheoretische Position sowie damit implizit den aktuellen Stand einer wissenschaftlichen Arbeit zu explizieren [BrEs06, S. 146]. Den Ausgangspunkt und das erkenntnistheoretische bzw. hypothetische Fundament der der hier vorgestellten Artefakte (Analysemuster) bilden eigene theoretische Erkenntnisse, in zahlreichen Data Warehousing-Projektierungen gesammelte praktische Erfahrungen und aus Literaturrecherchen gewonnene Informationen. Die Gesamtheit dieser Erkenntnisse wird in induktiver und sachlogischer Weise weiterentwickelt und einer kognitiven Synthese gleichsam in abstrakte Wissenskonstrukte überführt. Diese Wissenskonstrukte sind die Quellen der Explikation bzw. Konstruktion der Artefakte. Da diese Arbeit noch auf keine empirisch gestützten und somit fundierten Erkenntnisse zurückgreifen kann, müssen die den Artefakten zugrunde liegenden Erkenntnisse gemäß dem forschungsstrategischen Zusammenhang zwischen Hypothese, gehaltvolle Hypothese und Theorie nach [Sc07, S. 470] als reine Hypothese angesehen werden. Das Forschungsdesign dieser Arbeit ist in der nachfolgenden Tabelle zusammengefasst. Forschungsziele Status der E rkenntnis Forschungsmethoden (1) Erkenntnismotiv (2) Gestaltungsmotiv Hypothese (1) Induktion, sachlogische Überlegungen (Denkmethoden) (2) Konstruktion von Artefakten (Analysemuster) Tabelle 1: Forschungsdesign dieser Arbeit 10

11 3 Dimensionale Datenmodelle Seit ihrer Entstehung in den 1990er Jahren haben sich Data Warehouse-Systeme als Ergebnis von Aktivitäten des Data Warehousing als fester Bestandteil in der Applikationslandschaft von Unternehmen etabliert [In05], [Ki98], [Ki08], [KR02], [IGG03], [BG09], [Wi00], [CG99]. Mithilfe eines Data Warehouse-Systems wird die Verbesserung bzw. Optimierung der betrieblichen Datenlogistik angestrebt. Ein Data Warehouse-System ist ein unternehmensweites Informationssystem, das aus Applikationen und Datenbanken besteht, die das Data Warehouse nutzbar machen [Wi00, S. 128]. Eine klassische Definition von Data Warehouse wurde von William Inmon geprägt, der auch als der "Vater des Data Warehousing" gilt. Inmon definiert ein collection of data in support 29]. Auf der Grundlage dieser Definition lässt sich ein Data Warehouse als eine integrierte Datenbasis, die sowohl Ziel datenintegrativer Maßnahmen auf operativen Datenbeständen als auch Quelle für informationserzeugende Maßnahmen innerhalb analytischer Anwendungssysteme, die zur Entscheidungsunterstützung eingesetzt werden, verstehen [Sc06, S. 173], [Sc07, S. 382]. Im Zentrum eines Data Warehouse-Systems steht das Data Warehouse, das die Basis für die unternehmensweite Datenlogistik stellt. Je nach Architekturform des Data Warehouse-Systems besteht ein Data Warehouse aus unterschiedlichen Datenbanktypen [Sc07, S. 385]. Zu diesen Datenbanktypen gehören immer dimensional strukturierte Datenbanken, die als Ausgangspunkt für informationserzeugende Maßnahmen innerhalb analytischer Anwendungssysteme zur Entscheidungsunterstützung verwendet werden. Dimensional strukturierte Datenbanken sind Instanzen von dimensionalen Datenmodellen. Ein dimensionales Datenmodell ist ein spezielles Datenmodell, das die typmäßige Strukturorganisation von multidimensionalen Daten beschreibt und dabei überwiegend auf die Konzepte Dimension und Kennzahl zurückgreift [KR02], [IGG03]. Multidimensionale Daten sind speziell für Analysezwecke zusammengestellte Daten, die nach vielfältigen Kriterien (Dimensionen), die jeweils in der Regel eine interne hierarchische Gliederung aufweisen, die Auswertung von Fakten (Kennzahlen) erlauben [Sc07, S. 385]. Kimball et al. bringen die grundlegende Idee, die sich hinter der dimensionalen Datenmodellierung verbirgt, treffend zum Ausdruck: dimensional modeling is that nearly every type of business data can be represented as a kind of cube of data, where the cells of the cube contain measured values and the edges Ki98, S. usually numeric values; we refer to them as facts. Facts are surrounded by largely textual context that is true at the moment the fact is recorded. This context is intuitively divided into independent logical clumps called dimensions 08, S. 235]. 11

12 Die grundlegende Idee hinter der dimensionalen Datenmodellierung ist also, dass die Datenstruktur entscheidungsunterstützender Anwendungssysteme multidimensional organisiert ist und demnach nahezu jeder Typ von entscheidungsunterstützenden Geschäftsdaten als eine Art mehrdimensionales Gebilde interpretiert und repräsentiert werden kann. Zur Veranschaulichung des mehrdimensionalen Gebildes wird gerne die Würfelmetapher bemüht, die einen intuitiven und leicht verständlichen Zugang zur dimensionalen Datenmodellierung bietet. Das mehrdimensionale Gebilde wird demzufolge als Datenwürfel betrachtet. Während ein "echter" Würfel jedoch lediglich auf drei Dimensionen beschränkt ist, kann ein Datenwürfel allgemein N Dimensionen besitzen [BG09, S. 112 ff.], [Sc07, S. 385]. Die Zellen des Datenwürfels beinhalten die Kennzahlen. Eine Kennzahl ist eine quantitativ erfassbare Größe, die eine in konzentrierter Form auswertbare und betriebswirtschaftlich relevante Information über einen betrieblichen Sachverhalt darstellt (z. B. Umsatz, Kosten) [Sc07, S, 385]. Die Kanten des Datenwürfels repräsentieren die Dimensionen. Eine Dimension ist eine Einflussgröße auf eine Kennzahl und beschreibt somit eine mögliche Sicht auf die Kennzahl [Ho01, S. 211], [Sc07, S. 385]. In Anlehnung an den Kontextgedanken bei Kimball et al. lässt sich eine Dimension auch als ein eindeutiges, orthogonales Strukturierungselement multidimensionaler Daten betrachten [BG09, S. 109 u. 189]. Datenmodelltechnisch handelt es sich bei Dimensionen um Klassen (Entitätstypen), die im Zuge einer N-ären Assoziation einen mehrdimensionalen Datenwürfel aufspannen und eine Assoziationsklasse namens Faktentabelle bilden, die die Kennzahlen beinhaltet. Klassische Beispiele für Dimensionen sind die Zeit, der Ort und das Produkt, die allesamt einen Einfluss auf die Kennzahlen Umsatz oder Kosten haben. Die nachfolgende Abbildung 2 illustriert das Grundschema eines dimensionalen Datenmodells. Es wird aufgrund seiner Darstellungsform auch als Sternschema bezeichnet. Sämtliche folgenden fachlichen dimensionalen Datenmodelle sind mithilfe der Barker-Notation [Ba90] formuliert. # * Dimension 1 Dimension 1 KEY Further Attributes # * Dimension 3 Dimension 3 KEY Further Attributes 1,1 1,1 0,n 0,n # # # # * o Fact Table Dimension 1 KEY Dimension 2 KEY Dimension 3 KEY Dimension N KEY Facts Fact Attributes 0,n 0,n 1,1 1,1 # * Dimension 2 Dimension 2 KEY Further Attributes # * Dimension N Dimension N KEY Further Attributes Abbildung 2: Schema eines dimensionalen Datenmodells 12

13 4 Analysemuster 4.1 Problemlösungsverhalten von Experten Experten sind Personen, die über ein umfangreiches Domänenwissen, d. h. Wissen auf einem oder mehreren Sach- bzw. Fachgebieten, verfügen. Nach [CGF88] sind unter anderem das Erkennen von Zusammenhängen und das Achten auf wiederholbare Strukturen als auf Oberflächlichkeiten Schlüsseleigenschaften eines Experten. Darüber hinaus zeichnen sich Experten im Gegensatz zu Laien in der Regel dadurch aus, dass sie eine Vielzahl von Problemen erfolgreich gelöst haben und anstehende Probleme nicht immer von Grund auf erneut lösen, sondern sich bereits bewährter Lösungsmuster vergangener Probleme bedienen [Ga94], [Ba05, S. 84]. Ein Experte zieht vielmehr zur Lösung eines neuen Problems bekannte Lösungsansätze oder im Idealfall Lösungsmuster alter Probleme heran. Er erfindet somit das sprichwörtliche Rad nicht immer wieder erneut, sondern greift auf bewährtes Problemlösungswissen zurück und adaptiert dieses auf die neue Problemsituation. Voraussetzung für die Anwendung einer bereits praktizierten Lösung für ein neues Problem ist, dass der Lösungsansatz für das alte Problem erstens grundsätzlich anwendbar ist und zweitens in einem geeigneten Abstraktionsniveau vorliegt. Das explizierte Domänenwissen, das die Lösung für ein sich wiederholendes Problem in einem Kontext beschreibt, und auf einem entsprechenden Abstraktionsniveau vorliegt bezeichnet man als Muster (Pattern) [Bu98], [Sc07, S. 350]. Diese einfach gehaltene Definition erklärt zudem, weshalb im Zusammenhang mit einem Muster von einem Problem-Kontext-Lösungs-Tripel gesprochen wird. Die Idee, Wissen in kanonischer Form aufzuzeichnen und wiederzuverwenden, geht auf den Architekten Christopher Alexander zurück. In seinem Buch "The Timeless Way of Building" beschreibt er verschiedene Muster und ihre Eigenschaften speziell für den Einsatz beim Hausbau und der Städteplanung [Al79]. Für die Softwareentwicklung hat das 1994 erschienene Werk "Design Patterns: Elements of Reusable Object-Oriented Software" von [Ga94] den größten Einfluss sowie eine initiierende Wirkung auf die Musterbewegung ausgeübt. Obwohl die Musterbewegung mehrere Wurzeln verzeichnet [Fo99, S. 5], gehören Muster spätestens seit dem Erscheinen dieses Werks zum gängigen Usus der Softwareentwicklung. Wie bereits der Titel andeutet, handelt es sich bei den in diesem Buch vorgestellten Mustern um Muster speziell für die Entwurfsphase der Softwareentwicklung. 13

14 Das Konzept der Muster als erfolgreiches Artefakt der Wiederverwendung in der Entwurfsphase hat dazu beigetragen, das Musterkonzept auch während der Analysephase zu nutzen. In Analogie zu Entwurfsmustern während des Entwurfs werden Muster während der Analyse als Analysemuster bezeichnet. Der Begriff Analysemuster wurde von Martin Fowler geprägt. In seinem Buch "Analysis Patterns: Reusable Object Vorwort u. S. 9]. Er lässt die Definition bewusst offen, um anzudeuten, dass ein Muster im Endeffekt alles sein kann. Die Wendung "praktischer Kontext" zeigt, dass ein Muster das Ergebnis tatsächlicher, praktischer Anwendungen ist und aus Erfahrungswissen über eine Domäne resultiert. Jede im Rahmen der Softwareentwicklung durchzuführende Modellkonstruktion lässt sich als Problem ansehen, das es aus Expertensicht unter Einsatz von Mustern zu lösen gilt. Da die Phase der Analyse im gesamten Systems- bzw. Software Engineering Prozess die wichtigste Phase darstellt, muss Analysemustern dementsprechend ein hoher Stellenwert eingeräumt werden. 4.2 Schema der Beschreibungsform Zur Spezifikation von Analysemustern wird in dieser Arbeit eine einfache Beschreibungsform gewählt, die aus einer Beschreibung des Problems, des Kontexts, der Lösung sowie einer Methode besteht. Für eine umfassende Musterbeschreibungsstruktur, die sich üblicherweise an der in Musterkatalogen anzutreffenden Form orientiert und diese um diverse Aspekte (z. B. organisatorische und ökonomische Aspekte) erweitert, ist auf [Ha01, S. 46 f.] und [JS06, S. 193 ff.] verwiesen. Eindeutiger Name. Jedes Muster erhält einen eindeutigen Namen, der es möglichst präzise und prägnant bezeichnet. Problem. Für jedes Muster wird eine Beschreibung des Problems angefertigt. Unter einem Problem ist eine aus subjektiver Sicht unbefriedigende Situation mit negativen Auswirkungen zu verstehen. Die Problembeschreibung skizziert das in einem Kontext wiederholt auftretende und zu lösende Problem sowie gegebenenfalls Aspekte, die bei der Lösung des Problems zu berücksichtigen sind. Im Zusammenhang mit der Informationsmodellierung ist ein Problem in deskriptiver Hinsicht eine bestimmte, unbefriedigende Gegebenheit der in der Problemdomäne (Kontext) befindlichen Phänomene, zu deren Unterstützung ein IT-System konzipiert und realisiert wird, bzw. in präskriptiver Hinsicht eine bestimmte, unbefriedigende Gegebenheit von Teilen eines Informationsmodells (z. B. eines dimensionalen Datenmodells). Kontext. Für jedes Muster wird eine Beschreibung des Kontexts angefertigt. Der Kontext benennt die reale oder ideelle Situation bzw. den Sinnzusammenhang, in dem die wahrgenommenen Phänomene verortet sind und in dem das Problem wiederholt auftritt. Darüber hinaus beschreibt der Kontext die Voraussetzungen für den Einsatz des Musters. 14

15 Lösung. Für jedes Muster wird eine Lösung des Problems beschrieben. Unter einer Lösung ist eine aus subjektiver Sicht befriedigende Situation ohne negative Auswirkungen zu verstehen. Die Lösung, die das Muster für ein Problem anbietet, wird in Form einer grafischen Darstellung repräsentiert. Die grafische Darstellung umfasst den Aufbau des Musters und dessen Beitrag zur Lösung des Problems. Methode. Die Methode eines Musters beschreibt als zielgerichtetes Vorgehen die Ableitung konkreter, auf den Mustern basierender dimensionaler Datenmodelle. 5 Ausgewählte Analysemuster für dimensionale Datenmodelle Wie bereits in Kapitel 1 Einführung erwähnt sind Analysemuster in der dimensionalen Datenmodellierung bis heute weder in der Literatur noch in der Praxis auch nur ansatzweise thematisiert. Einzig Kimball et al. behandeln in ihren Büchern [Ki98], [Ki08] und [KR02] im Rahmen eines "Graduate Course on Dimensional Modeling" einige wenige beispielhafte Problemsituationen und deren Lösungen in Form von dimensionalen Datenmodellen. Der Mustergedanke spielt dabei keine Rolle. Dieses Kapitel bereitet Problemlösungssituationen in allgemeiner Form auf und stellt die speziellen Problem-Kontext-Lösung-Tripel inklusive Methode in Form von Analysemustern vor. 5.1 Unterschiedliche Veränderungszyklen von Dimensionsattributwerten Eindeutiger Name. Dimensionsattributwerteänderung. Problem. Eine Dimension verfügt in der Regel über eine Vielzahl von Attributen, die über Denormalisierungsprozesse den Weg aus normalisiert strukturierten Klassengeflechten in die Dimension finden. Die Konzeption einer Dimension folgt dabei bewusst dem Prinzip der Denormalisierung. Ursprünglich auf dem Grundsatz der Normalisierung aufgebaute und demnach auf verschiedene Klassen aufgeteilte Attribute werden in einer Dimension zusammengeführt. Im Zuge dieser Zusammenführung erfolgt keine Unterscheidung dahingehend, welchen Änderungszyklen die einzelnen Attributwerte unterworfen sind. Die entstehenden Dimensionen konstituieren sich aus Attributen, deren Attributwerte unterschiedlichen Änderungszyklen unterliegen. Eine Folge dieser unbedachten Attribute-Zusammenführungen ist eine stetig wachsende Anzahl an auf dieser Dimension beruhenden Objekten, die sich inhaltlich durch ein hohes Maß an unnötiger Redundanz auszeichnen. Die einzelnen Objekte unterscheiden sich nur in den Attributwerten derjenigen Attribute, die häufigen Änderungen unterliegen, während der Rest an Attributwerten unverändert bleibt. 15

16 Beispielsweise sind in einem normalisierten Datenmodell Produktdaten dem Ansatz einer einfachen Klassifikationshierarchie folgend in mehreren, miteinander in jeweiliger 1:n-Beziehung stehenden Klassen untergebracht. In klassischer Weise handelt es sich bei diesen Klassen um Produkt (n) (1) Produktgruppe (n) (1) Produktfamilie (n) (1) Produktkategorie. Ein Produkt ist exakt einer Produktgruppe zugeordnet, während eine Produktgruppe mehrere Produkte umfasst. Eine Produktgruppe wiederum ist genau einer Produktfamilie zugeordnet, während eine Produktfamilie aus mehreren Produktgruppen besteht u. s. w. Im Zuge der Denormalisierung werden die Attribute aus den Klassen Produkt, Produktgruppe, -familie und -kategorie in der Dimension Produkt zusammengeführt. In der betrieblichen Praxis ändern sich in der Regel produktspezifische Daten der Klasse Produkt, z. B. der Preis, häufiger und schneller als produktbezogene Gruppen-, Familien- oder Kategoriedaten (z. B. das Produkt VR ABC gehört der Produktgruppe Videorecorder, diese wiederum der Produktfamilie Video und diese wiederum der Produktkategorie Unterhaltungselektronik an). Kontext. Der Kontext dieses Problems ist im Hinblick auf die dimensionale Datenmodellierung allumfassend. Jede Umgebung (Problemdomäne), die wahrgenommen und zur Konstruktion von Dimensionen führt, die sich durch unterschiedliche Zyklen der Wertänderungen ihrer Attribute auszeichnen, ist Kontext dieses Problems. Lösung. Die Lösung dieses Problems ist nachfolgender Abbildung 3 zu entnehmen. # * * Dimension Dimension KEY Static Attributes Dynamic Attributes Split Dimension class # * * Dimension A Dimension A KEY Static Attributes Static Attributes Hierarchy Level 1,1 1,1 0,n 0,n # # * o Fact Table Dimension A KEY Dimension B KEY Facts Fact Attributes # * * Dimension B Dimension B KEY Dynamic Attributes Dynamic Atributes Hierarchy Level Abbildung 3: Pattern Dimensionsattributwerteänderung Wie aus der Abbildung ersichtlich ist, wird die ursprüngliche Dimension in zwei Dimensionen aufgeteilt. Eine Dimension (DIMENSION A) enthält die Attribute, deren Werte sich kaum ändern, während die andere Dimension (DIMENSION B) diejenigen Attribute aufnimmt, deren Werte sich häufiger zu ändern scheinen. 16

17 Um eventuellen durch die Aufspaltung bedingten Informationsverlusten bei Drill-Down und Roll-Up Operationen vorzubeugen, können sowohl für die statischen als auch für die dynamischen Attribute deren Hierarchielevels (STATIC ATTRIBUTES HIERARCHY LEVEL und DYNAMIC ATTRIBUTES HIERARCHY LEVEL) explizit in Form eines numerischen Wertes angegeben werden. Ein Hierarchielevel repräsentiert die Hierarchiestufe, auch Abstraktionsstufe (engl. level of granularity, LoG) genannt, inmitten einer Dimension, auf der sich eine bestimmte Attributgruppe befindet. Bezogen auf das vorherige Beispiel einer einfachen Produktkategorisierung beträgt die Hierarchiestufe der produktspezifischen Daten (Klasse Produkt) 0. Diese Hierarchiestufe stellt die höchste Stufe der Granularität (Detailliertheit) dar. Die Hierarchiestufe der Daten aus der Produktgruppe beträgt 1, aus der Produktfamilie 2 und aus der Produktkategorie 3. Informationen über die Hierarchiestufen werden bei Drill-Down- und Roll-Up- Operationen benötigt. Methode. Konkrete dimensionale Datenmodelle lassen sich auf Basis dieses Musters nach folgender Methode ableiten: Schritt E rklärung 1 Zusammentragen der Attribute einer Dimension. 2 Bestimmung von Faktoren anhand derer eine Diversifikation in statische und dynamische Attribute vorgenommen werden kann. 3 Aufteilung der ursprünglichen Dimension in zwei Dimensionen, wobei die eine Dimension die statischen und die andere Dimension die dynamischen Attribute beinhaltet. 4 Inbeziehungsetzen der beiden Dimensionen mit der Faktentabelle. Tabelle 2: Pattern Dimensionsattributwerteänderung: Methode 5.2 Mehrfachvorkommen von Dimensionsobjekten pro K ennzahl(en) bei vorgegebener G ranularität der Faktentabelle Eindeutiger Name. Viele-zu-viele Dimensionsobjekte bei gegebener Granularität der Faktentabelle. 17

18 Problem. Die Festlegung der Granularität (Detailliertheitsgrad) der Faktentabelle ist ein wesentlicher Schritt bei der Erstellung eines dimensionalen Datenmodells. Die Granularität der Faktentabelle bestimmt, was ein Datensatz in der Faktentabelle repräsentiert. Steht die Granularität der Faktentabelle aufgrund bevorstehender Analysen oder Berichte fest, so kann es Dimensionen geben, bei denen ein Objekt (Dimensionsdatensatz) pro Fakteneintrag mehrfach vorkommen kann. Das Nichterkennen und Nichtberücksichtigen dieser Situation, das heißt das Dimensionsobjekte mehrfach pro Kennzahl vorkommen, führt zu einer Verletzung der Granularität der Faktentabelle. Dies kann wiederum zu mutierten Kennzahlenwerten und somit zu falschen Ergebnissen in der Auswertung der multidimensionalen Daten. Die Mutation der Kennzahlenwerte äußert sich darin, dass a priori additive Fakten zu semiadditiven oder gar nicht-additiven Fakten verkommen, was erhebliche Konzeptionseinbußen nach sich zieht. Als Beispiel soll eine Rechnung im Gesundheitswesen dienen. Eine Rechnung besteht grundsätzlich aus mehreren Rechnungspositionen. Speziell im Gesundheitswesen verbergen sich hinter einer Rechnungsposition in der Regel die von mehreren Ärzten in einem bestimmten Zeitraum gestellten Diagnosen und damit einhergehenden Therapien. Arzt, Diagnose und Therapie sind wie Patient und Zeit Dimensionen im dimensionalen Datenmodell. Für Berichtszwecke im Rechnungswesen soll die Granularität der Faktentabelle auf eine Rechnungsposition fixiert sein. Das heißt, ein Datensatz der Faktentabelle repräsentiert eine Rechnungsposition. Eine unmittelbare Folge dieser Granularität ist das theoretische Mehrfachvorkommen von Ärzten, Diagnosen und Therapien pro Fakteneintrag. Eine Möglichkeit, dieses Problem des Mehrfachvorkommens von Dimensionsobjekten an einem Fakteneintrag zu umgehen, besteht darin, die Granularität der Faktentabelle auf Zeit Patient Arzt Diagnose "herunterzubrechen". Diese Lösung, die ein mehrfaches Einfügen des jeweiligen Primärschlüssels der entsprechenden Dimension (Arzt, Diagnose und Therapie) als Fremdschlüssel in die Faktentabelle bedeutet, stellt jedoch de facto eine Verletzung der ursprünglich festgelegten Granularität dar und soll demnach auch nicht weiter verfolgt werden. Kontext. Jede Umgebung (Problemdomäne), die wahrgenommen und zur Konstruktion von Dimensionen und Faktentabellen führt und bei der die Granularität der Faktentabelle a priori fixiert ist, ist Kontext dieses Problems. Die Festlegung der Granularität einer Faktentabelle ist einer der ersten Schritte und damit wesentlich in der Konzeption eines dimensionalen Datenmodells [Ki08, S. 246 f.], [KR02, S. 31], [IGG03, S. 121]. In jedem dimensionalen Datenmodell kann die Folge der festgelegten Granularität sein, dass bestimmte Dimensionseinträge mehrfach pro Faktum vorkommen. Lösung. Die Lösung dieses Problems ist in Abbildung 4 dargestellt. # * Dimension Dimension KEY Further Attributes Dimension Bridge 1,1 0,n # Dimension Group KEY # Dimension KEY 1,1 0,n # From Date o Thru Date * Further Attributes # * o Fact Table Dimension Group KEY Facts Fact Attributes 18

19 Abbildung 4: Pattern Viele-zu-viele Dimensionsobjekte Zwischen der ursprünglichen Dimension (DIMENSION) und der Faktentabelle (FACT TABLE) wird eine Brückendimension (DIMENSION BRIDGE) integriert. Der Primärschlüssel der Brückendimension besteht aus einem Surrogatschlüssel je Gruppe (DIMENSION GROUP KEY) und dem Fremdschlüssel (DIMENSION KEY) aus der ursprünglichen Dimension. Unter dem DIMENSION GROUP KEY werden die n-fach- Vorkommen der Dimensionseinträge subsumiert. Anstelle der einzelnen DIMENSION KEY-Primärschlüssel wird der Teil-Primärschlüssel DIMENSION GROUP KEY der Brückendimension an die Faktentabelle weitergereicht. Methode. Konkrete dimensionale Datenmodelle lassen sich auf Basis dieses Musters nach folgender Methode ableiten: Schritt E rklärung 0 Voraussetzung: Fixierte Granularität der Faktentabelle 1 Untersuchung der Dimensionen, ob Dimensionsobjekte mehrfach pro Faktum vorkommen können. 2 Falls ja, Integration einer Brückendimension zwischen der betrachteten Dimension und der Faktentabelle. 3 Bildung eines zusammengesetzten Primärschlüssels in der Brückendimension aus einem Gruppenschlüssel (Surrogatschlüssel) und dem Primärschlüssel der Dimension. 4 Weiterleiten des Gruppenschlüssels an die Faktentabelle. Tabelle 3: Pattern Viele-zu-viele Dimensionsobjekte: Methode 5.3 Rollenspielende Dimensionen Eindeutiger Name. Rollenspielende Dimension. Problem. Einem ontologischen Grundverständnis nach zeichnen sich real- und vorstellungsweltliche Phänomene neben ihrer unveränderlichen Wesensart durch ein veränderliches Verhaltensmuster (Rolle) aus [Gu92]. Ein typisches Beispiel hierfür ist eine Person, die im Laufe ihres Lebens eine Vielzahl unterschiedlicher Rollen bekleiden kann (Student, Mitarbeiter, Kunde etc.). Das Nichterkennen und Nichtberücksichtigen dieser Rollen bei der Konstruktion eines Datenmodells, das diese Phänomene abstrahiert repräsentiert, führt in der Regel zu unkontrollierter Redundanz der Daten. In diesem Zusammenhang sprechen [CZ97, S. 258] von einer "object reclassification anomaly". 19

20 Das Prinzip des veränderlichen Verhaltensmusters bzw. der Rolle lässt sich ebenfalls auf dimensionale Datenmodelle übertragen. Eine Dimension repräsentiert aufgrund ihres denormalisierten Charakters häufig nicht nur ein, sondern mehrere real- und/oder vorstellungsweltliche Phänomene. Übt ein Phänomen bzw. die gesamte Dimension unterschiedliche Rollen aus, so müssen diese Rollen berücksichtigt werden, um unkontrollierte Redundanzen in den dimensionalen Datenbeständen zu vermeiden und darüber hinaus für eine klarere Semantik der Dimensionen zu sorgen. Beispielsweise kann die Dimension Zeit die Rollen des Bestelldatums, des Lieferdatums oder des Rechnungsdatums spielen. Eine Dimension Flughafen kann zum Beispiel die Rollen Abflug- und Ankunft-Flughafen ausüben. Diese Beispiele zeigen, dass sich veränderliche Verhaltensmuster nicht nur auf Personen beschränken. Kontext. Der Kontext dieses Problems ist im Hinblick auf die dimensionale Datenmodellierung wiederum allumfassend. Jede Umgebung (Problemdomäne), die wahrgenommen und zur Konstruktion von Dimensionen führt, die unterschiedliche Rollen einnehmen können, ist Kontext dieses Problems. Lösung. Die Lösung dieses Problems ist in Abbildung 5 dargestellt. Role Playing Dimension # Dimension KEY * Further Attributes Create materialized Views Dimension Role A View # Dimension A KEY * Further Attributes Dimension Role B View # Dimension B KEY * Further Attributes Dimension Role C View # Dimension C KEY * Further Attributes 1,1 0,n 1,1 0,n # # # * o 1,1 0,n Fact Table Dimension A KEY Dimension B KEY Dimension C KEY Facts Fact Attributes Abbildung 5: Pattern Rollenspielende Dimension Aus der Abbildung geht hervor, dass die von einer Dimension ausgeübten Rollen im dimensionalen Datenmodell mittels materialisierter Sichten (Views) realisiert werden. Jeder einzelne Primärschlüssel (DIMENSION A KEY, DIMENSION B KEY, DIMENSION C KEY) der jeweiligen View-Dimension (DIMENSION ROLE A VIEW, DIMENSION ROLE B VIEW, DIMENSION ROLE C VIEW) geht in die Faktentabelle als Fremdschlüssel ein. Werden pro Fakteneintrag jedoch nicht alle Rollen von einer rollenspielenden Dimension ausgeübt, so müssen die diversen View-Dimensionen den Dummy-Datensatz "None" aufweisen, um die semantische Interpretation der Faktentabelle nicht zu gefährden. Methode. Konkrete dimensionale Datenmodelle lassen sich auf Basis dieses Musters nach folgender Methode ableiten: Schritt E rklärung 1 Untersuchung derjenigen Aspekte, die Einzug in eine Faktentabelle finden 20

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen Christoph Arnold (B. Sc.) Prof. Dr. Harald Ritz Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen AKWI-Tagung, 17.09.2012, Hochschule Pforzheim Christoph Arnold, Prof. Dr. Harald

Mehr

Hetero-Homogene Data Warehouses

Hetero-Homogene Data Warehouses Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung

Mehr

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

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

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

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

Mehr

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

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

Fundamentals of Software Engineering 1

Fundamentals of Software Engineering 1 Folie a: Name Fundamentals of Software Engineering 1 Grundlagen der Programmentwurfstechnik 1 Sommersemester 2012 Dr.-Ing. Stefan Werner Fakultät für Ingenieurwissenschaften Folie 1 Inhaltsverzeichnis

Mehr

Chair of Information Management Wissenschaftsdisskussion

Chair of Information Management Wissenschaftsdisskussion Chair of Information Management Wissenschaftsdisskussion 3. Wirtschaftsinformatik Doktorandenkolloquium Südost-Niedersachsen 2008 10. - 11. März 2008, St.Andreasberg Institute of Information Systems Chair

Mehr

Modellgestütztes Qualitätsmanagement

Modellgestütztes Qualitätsmanagement Modellgestütztes Qualitätsmanagement - Anwendung einer - Folie: 1 Agenda 1. Zielfindung 2. Vom Ziel zur 3. Vorstellung einer 4. Zusammenfassung / Fazit Folie: 2 Zielfindung 1. Kontext finden = Interesse

Mehr

Softwarewiederverwendung und Patterns

Softwarewiederverwendung und Patterns Begrifflichkeiten und Beschreibungssystematik Begriffe Literatur zu Patterns Übersicht über die behandelten Konzepte Beschreibungsschema 97 Begriffe Glossar Patterns (Muster) sind ein Mittel der Wiederverwendung

Mehr

Abbildung 1: Titelbild (Quelle: http://www.oobject.com/algorithmic-architecture/follymorph-continuum-group-finalpresentation/3267/)

Abbildung 1: Titelbild (Quelle: http://www.oobject.com/algorithmic-architecture/follymorph-continuum-group-finalpresentation/3267/) Abbildung 1: Titelbild (Quelle: http://www.oobject.com/algorithmic-architecture/follymorph-continuum-group-finalpresentation/3267/) Enterprise Continuum Wiederverwendung von Unternehmensarchitekturen Modul

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

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

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

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

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

Mehr

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

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

Business Intelligence Praktikum 1

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

Mehr

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

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

Mehr

Logische Modellierung von Data Warehouses

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

Mehr

Software Engineering Übung 4 Architektur, Modulentwurf

Software Engineering Übung 4 Architektur, Modulentwurf software evolution & architecture lab Software Engineering Übung 4 Architektur, Modulentwurf 1 Informationen 1.1 Daten Ausgabe Di 27.10.2009 Abgabe So 08.11.2009 bis 23:59 Uhr Besprechung am Di 17.11.2009

Mehr

Management Support Systeme

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

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum

Mehr

Nach Data Warehousing kommt Business Intelligence

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

Mehr

1 Objektorientierte Software-Entwicklung

1 Objektorientierte Software-Entwicklung 1 Objektmodellierung 1 Objektorientierte Software-Entwicklung Prof. Dr. Heide Balzert Fachbereich Informatik Fachhochschule Dortmund Heide Balzert 2000 2 Lernziele Wissen, was unter objektorientierter

Mehr

Profil der Wirtschaftsinformatik

Profil der Wirtschaftsinformatik Profil der Wirtschaftsinformatik WKWI und GI FB WI * Die folgenden Ausführungen formulieren das Profil der Wirtschaftsinformatik im deutschsprachigen Raum, wie es von der wissenschaftlichen Gemeinschaft,

Mehr

Objektorientierte Datenmodelle und - verwaltung

Objektorientierte Datenmodelle und - verwaltung Schlagworte der 90er: Objektorientiertes GIS OpenGIS Case-Tool Geoökologe Legt Problemstellung fest (Art, Anzahl, Dimension, Skalierung) Wählt Koordinatensystem Wählt Fachattribute OOUI (object-oriented

Mehr

1 Einleitung. Software Engineering. Vorgehensweisen

1 Einleitung. Software Engineering. Vorgehensweisen 1 Noch ein Buch über Software Engineering? Warum nicht! Wir folgen einem Prinzip, das zur Lösungsfindung in den verschiedensten Domänen Einzug gehalten hat: die Betrachtung aus verschiedenen Blickwinkeln.

Mehr

MASTERTHESIS ABSCHLUSSVORTRAG. Kristina Hamann

MASTERTHESIS ABSCHLUSSVORTRAG. Kristina Hamann MASTERTHESIS ABSCHLUSSVORTRAG Kristina Hamann Eckdaten Thema Bearbeiter Betreuer Kooperationspartner Beginn Abgabe Ein Vorgehensmodell zur kooperativen Analyse einer Unternehmensarchitektur im Kontext

Mehr

Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen

Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor auf Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Kapitel 2 Terminologie und Definition

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

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

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

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

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

Mehr

Wiki-basierte Dokumentation von Software-Entwicklungsprozessen

Wiki-basierte Dokumentation von Software-Entwicklungsprozessen Wiki-basierte Dokumentation von Software-Entwicklungsprozessen Erfahrungen aus der industriellen Praxis Fraunhofer IESE Kaiserslautern Inhalt Wiki-basierte Dokumentation von Software-Entwicklungsprozessen

Mehr

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

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

Mehr

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

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck

Mehr

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

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

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

Entwurfsmuster (Design Pattern) ETIS SS05

Entwurfsmuster (Design Pattern) ETIS SS05 Entwurfsmuster (Design Pattern) ETIS SS05 Gliederung Motivation Pattern allgemein Proxy-Pattern Zusammenfassung 2 Motivation I Wie gut sind eure Programme strukturiert? Wartbarkeit? - Verständlichkeit

Mehr

The integration of business intelligence and knowledge management

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

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Realisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier

Realisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier Realisierung von OLAP Operatoren in einem visuellen Analysetool Vortrag von Alexander Spachmann und Thomas Lindemeier Gliederung Ausgangssituation/Motivation Was ist OLAP? Anwendungen Was sind Operatoren?

Mehr

Data Warehousing mit Oracle

Data Warehousing mit Oracle Data Warehousing mit Oracle Business Intelligence in der Praxis von Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker 1. Auflage Hanser München 2011 Verlag C.H. Beck im Internet: www.beck.de ISBN

Mehr

Geschäftsprozessmanagement

Geschäftsprozessmanagement Geschäftsprozessmanagement Der INTARGIA-Ansatz Whitepaper Dr. Thomas Jurisch, Steffen Weber INTARGIA Managementberatung GmbH Max-Planck-Straße 20 63303 Dreieich Telefon: +49 (0)6103 / 5086-0 Telefax: +49

Mehr

Prozessorientierte Organisation des Metadatenmanagements für Data-Warehouse-Systeme

Prozessorientierte Organisation des Metadatenmanagements für Data-Warehouse-Systeme Prozessorientierte Organisation des Metadatenmanagements für Data-Warehouse-Systeme DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung

Mehr

Schriftenreihe des Fachbereiches Wirtschaft Sankt Augustin

Schriftenreihe des Fachbereiches Wirtschaft Sankt Augustin Schriftenreihe des Fachbereiches Wirtschaft Sankt Augustin Nils-Peter Koch, Dirk Schreiber IT-Management in KMU Eine praxisnahe Darstellung am Beispiel des Eskalationsmanagements eines IT-Systemhauses

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Data Warehouse Grundlagen

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

Mehr

Datenmodellierung und Datenbanksysteme. Vorlesung. Informationswissenschaft und Informationssysteme. Hans Uszkoreit & Brigi1e Jörg

Datenmodellierung und Datenbanksysteme. Vorlesung. Informationswissenschaft und Informationssysteme. Hans Uszkoreit & Brigi1e Jörg Vorlesung Informationswissenschaft und Informationssysteme Hans Uszkoreit & Brigi1e Jörg Definitionen Data modeling in software engineering is the process of creating a data model by applying formal data

Mehr

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Data Warehouse Architektur Data-Warehouse-System Teilsichten

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006) Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger

Mehr

6. Sitzung. Methoden der Politikwissenschaft: Metatheorien, Werturteilsproblematik und politikwissenschaftliche Methoden

6. Sitzung. Methoden der Politikwissenschaft: Metatheorien, Werturteilsproblematik und politikwissenschaftliche Methoden 6. Sitzung Methoden der Politikwissenschaft: Metatheorien, Werturteilsproblematik und politikwissenschaftliche Methoden Inhalt der heutigen Veranstaltung 1. Metatheorien/Paradigmen 2. Die so genannte Drei-Schulen

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

Code-Quality-Management

Code-Quality-Management Code-Quality-Management Technische Qualität industrieller Softwaresysteme transparent und vergleichbar gemacht von Frank Simon, Olaf Seng, Thomas Mohaupt 1. Auflage Code-Quality-Management Simon / Seng

Mehr

Was ist Software-Architektur?

Was ist Software-Architektur? Was ist Software-Architektur? Stephan Schulze Martin Knobloch 28.04.2004 Seminar: Software-Architektur Humboldt Universität zu Berlin sschulze knobloch@informatik.hu-berlin.de Gliederung Begriffsbestimmung

Mehr

Analyse und Modellierung von Informationssystemen

Analyse und Modellierung von Informationssystemen Analyse und Modellierung von Informationssystemen Dr. Klaus Höppner Hochschule Darmstadt Sommersemester 2013 1 / 19 Einführung: Entwurfsmuster Erzeugungsmuster Fabrik-Muster Singleton-Muster Beispiel 2

Mehr

Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder

Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder 1 2 3 Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder die Forschungsziele. Ein erstes Unterscheidungsmerkmal

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

Mehr

Analyse und Modellierung von Informationssystemen

Analyse und Modellierung von Informationssystemen Analyse und Modellierung von Informationssystemen Dr. Klaus Höppner Hochschule Darmstadt Sommersemester 2013 1 / 19 Einführung: Entwurfsmuster Erzeugungsmuster Fabrik-Muster Singleton-Muster Beispiel 2

Mehr

3.9 Grundelemente einer Benutzeroberfläche

3.9 Grundelemente einer Benutzeroberfläche 92 3 Grundlagen einer ios-anwendung 3.8.4 Target-Actions Einer der häufigsten Anwendungsfälle bei einer Oberfläche ist das Betätigen einer Schaltfläche durch einen Anwender, woraufhin eine bestimmte Aktion

Mehr

Entwicklung von Data-Warehouse-Systemen

Entwicklung von Data-Warehouse-Systemen Matthias Goeken Entwicklung von Data-Warehouse-Systemen Anforderungsmanagement, Modellierung, Implementierung Mit einem Geleitwort von Prof. Dr. Ulrich Hasenkamp Deutscher Universitäts-Verlag Inhaltsverzeichnis

Mehr

3. Spezielle ER-Modelle und Tabellenableitung. Transformation von ER-Diagrammen in Relationen

3. Spezielle ER-Modelle und Tabellenableitung. Transformation von ER-Diagrammen in Relationen 3. Spezielle ER-Modelle und Tabellenableitung Spezialfälle von ER-Modellen Grundlage, was sind Relationen Transformation von ER-Diagrammen in Relationen 56 Lesebeispiel Access (Realisierungmodell!) 57

Mehr

Solution for Business Intelligence. MID Insight 2013

Solution for Business Intelligence. MID Insight 2013 Solution for Business Intelligence MID Insight 2013 A G E N D A 1. Solution für Business Intelligence (BI) 2. Die Gründe und Hintergründe 3. Die Methode 4. Vorteile MID GmbH 2013 2 Solution für Business

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

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

Mehr

Model Driven SOA. < J Springer. Anwendungsorientierte Methodik und Vorgehen in der Praxis. Gerhard Rempp Mark Akermann Martin Löffler Jens Lehmann

Model Driven SOA. < J Springer. Anwendungsorientierte Methodik und Vorgehen in der Praxis. Gerhard Rempp Mark Akermann Martin Löffler Jens Lehmann Gerhard Rempp Mark Akermann Martin Löffler Jens Lehmann Model Driven SOA Anwendungsorientierte Methodik und Vorgehen in der Praxis Mit Illustrationen von Martin Starzmann < J Springer Inhaltsverzeichnis

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

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

Mehr

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

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Skills Resource Planning

Skills Resource Planning Skills Resource Planning Data Assessment Solutions GmbH Jena, 1.6.2015 Was wir machen Software Consulting Operations Management Skills- und Ressourcen-Management Data Analytics Daten- und Prozessintegration

Mehr

Agile Analytics Neue Anforderungen an die Systemarchitektur

Agile Analytics Neue Anforderungen an die Systemarchitektur www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende

Mehr

Data Warehousing Grundbegriffe und Problemstellung

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

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

1. Einleitung. 1.1. Ausgangssituation

1. Einleitung. 1.1. Ausgangssituation 1. Einleitung In der vorliegenden Arbeit wird untersucht, welche Faktoren den erfolgreichen Ausgang eines Supply-Chain-Projektes zwischen zwei Projektpartnern beeinflussen. Dazu werden zum einen mögliche

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Projekt AGB-10 Fremdprojektanalyse

Projekt AGB-10 Fremdprojektanalyse Projekt AGB-10 Fremdprojektanalyse 17. Mai 2010 1 Inhaltsverzeichnis 1 Allgemeines 3 2 Produktübersicht 3 3 Grundsätzliche Struktur und Entwurfsprinzipien für das Gesamtsystem 3 3.1 Die Prefuse Library...............................

Mehr

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder

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

Mehr

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

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

Mehr

Relationale Datenbanken Kursziele

Relationale Datenbanken Kursziele Relationale Datenbanken Kursziele DB Grundlagen Daten-Modellierung Relationales Modell und DB => Praxis: Mit SQL als Anfragesprache Mit MySQL als DB RDB 1-1 Kursinhalt (Tage) 1. DB Einleitung / Entity-Relationship

Mehr

Managementprozesse und Performance

Managementprozesse und Performance Klaus Daniel Managementprozesse und Performance Ein Konzept zur reifegradbezogenen Verbesserung des Managementhandelns Mit einem Geleitwort von Univ.-Professor Dr. Dr. habil. Wolfgang Becker GABLER EDITION

Mehr

Über dieses Buch. Kapitel 1. 1.1 Einleitung

Über dieses Buch. Kapitel 1. 1.1 Einleitung Kapitel 1 Über dieses Buch 1.1 Einleitung Dieses Buch behandelt das Vorgehensmodell Kanban und seinen Einsatz in Softwareentwicklungsprojekten. Kanban ist ein Vorgehensmodell der schlanken Softwareentwicklung

Mehr

Individuelles Bachelorstudium. Software Engineering for Physics

Individuelles Bachelorstudium. Software Engineering for Physics Individuelles Bachelorstudium Software Engineering for Physics 1 Qualifikationsprofil Das individuelle Bachelorstudium Software Engineering for Physics vermittelt eine breite, praktische und theoretische

Mehr

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

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

Mehr

Weiterentwicklung der EN 50128 (VDE 0831-128) 128) Umsetzung im Bahnbereich

Weiterentwicklung der EN 50128 (VDE 0831-128) 128) Umsetzung im Bahnbereich Weiterentwicklung der EN 50128 (VDE 0831-128) 128) Umsetzung im Bahnbereich Andreas Armbrecht Siemens AG Darmstadt, 01. 02. Dezember 2009 Business Unit Rail Automation Systeme der Eisenbahnautomatisierung

Mehr

Andreas Lux 16.03.2010. Verknüpfung unterschiedlicher Modellsprachen (BPMN, UML, DSL) zur Anforderungsanalyse

Andreas Lux 16.03.2010. Verknüpfung unterschiedlicher Modellsprachen (BPMN, UML, DSL) zur Anforderungsanalyse Andreas Lux 16.03.2010 Verknüpfung unterschiedlicher Modellsprachen (BPMN, UML, DSL) zur Anforderungsanalyse Warum unterschiedliche Sprachen? Nicht alle Probleme eignen sich, um mit Standardsprachen beschrieben

Mehr

BPM und egpm. Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen. Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS)

BPM und egpm. Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen. Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS) BPM und egpm Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS) C1 WPS GMBH //// Vogt-Kölln-Str. 30 //// 22527 HAMBURG

Mehr

SoaML-basierter Entwurf eines dienstorientierten Überwachungssystems

SoaML-basierter Entwurf eines dienstorientierten Überwachungssystems SoaML-basierter Entwurf eines dienstorientierten Überwachungssystems Michael Gebhart (1), Jürgen Moßgraber (2), Thomas Usländer (2), Sebastian Abeck (1) (2) (1) Cooperation & Management, Karlsruher Institut

Mehr

Multidimensionales Datenmodell, Cognos

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

Mehr

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement 1 Übersicht - Datenmanagement 1 Übersicht - Datenmanagement...1 2 Übersicht: Datenbanken - Datawarehouse...2 3 Übersicht: Data Mining...11

Mehr

Security Patterns. Benny Clauss. Sicherheit in der Softwareentwicklung WS 07/08

Security Patterns. Benny Clauss. Sicherheit in der Softwareentwicklung WS 07/08 Security Patterns Benny Clauss Sicherheit in der Softwareentwicklung WS 07/08 Gliederung Pattern Was ist das? Warum Security Pattern? Security Pattern Aufbau Security Pattern Alternative Beispiel Patternsysteme

Mehr

BICE. Business Intelligence in the Cloud for Energy. Zwischenpräsentation Oldenburg, 25.02.2015

BICE. Business Intelligence in the Cloud for Energy. Zwischenpräsentation Oldenburg, 25.02.2015 BICE Business Intelligence in the Cloud for Energy Zwischenpräsentation Oldenburg, 25.02.205 Verfasser: Projektgruppe Business Intelligence as a Service Gliederung Projektgruppe Meilensteinplan Problemstellung

Mehr

Block R (Rahmen): SE Aktivitäten 21.10.04 2. Vorlesung Methoden des Software Engineering. Block R Rahmen Aktivitäten der Software-Entwicklung

Block R (Rahmen): SE Aktivitäten 21.10.04 2. Vorlesung Methoden des Software Engineering. Block R Rahmen Aktivitäten der Software-Entwicklung Block R (Rahmen): SE Aktivitäten 21.10.04 1 Vorlesung Methoden des Software Engineering Block R Rahmen Aktivitäten der Software-Entwicklung Martin Wirsing Einheit R.2, 21.10.2004 Block R (Rahmen): SE Aktivitäten

Mehr

Kapitel 2: Der Software-Entwicklungsprozess

Kapitel 2: Der Software-Entwicklungsprozess Wie konstruiert man Software? Kapitel 2: Der Software-Entwicklungsprozess SoPra 2008 Kap. 2: Der Software-Entwicklungsprozess (1/10) Der Software-Entwicklungs-Prozess Historisches 1960JJ adhoc Techniken

Mehr

Entwurfsmethode für service-orientierte Architekturen im dezentralen Energiemanagement

Entwurfsmethode für service-orientierte Architekturen im dezentralen Energiemanagement Entwurfsmethode für service-orientierte Architekturen im dezentralen Energiemanagement Tanja Schmedes Betriebliches Informationsmanagement OFFIS Institut für Informatik tanja.schmedes@offis.de MKWI 2008

Mehr

Leitfaden. für die Anfertigung. von. Abschlussarbeiten

Leitfaden. für die Anfertigung. von. Abschlussarbeiten FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Unternehmensrechnung und Controlling Lehrstuhlleiterin: Prof. Dr. Barbara Schöndube-Pirchegger Leitfaden für die Anfertigung

Mehr

PFlow-Editor Entwicklung und Implementierung eines Modellierungswerkzeugs für ein Peer-to-Peer Production Workflow Management System

PFlow-Editor Entwicklung und Implementierung eines Modellierungswerkzeugs für ein Peer-to-Peer Production Workflow Management System PFlow-Editor Entwicklung und Implementierung eines Modellierungswerkzeugs für ein Peer-to-Peer Production Workflow Management System Fortgeschrittenenpraktikum bei Prof. Dr. Martin Wirsing vorgelegt von:

Mehr

Taxonomy of Evolution and Dependability. Integration Engineering SS 2009 Andreas Landerer

Taxonomy of Evolution and Dependability. Integration Engineering SS 2009 Andreas Landerer Taxonomy of Evolution and Dependability Integration Engineering SS 2009 Andreas Landerer Agenda Informationen über Massimo Felici Definition zentraler Begriffe Inhalt des Artikels Kernaussagen des Artikels

Mehr