Eigenschaften von Unternehmensanwendungen. Dr. Matthias Uflacker, Stefan Halfpap, Dr. Werner Sinzig 17. April 2019
|
|
- Björn Langenberg
- vor 5 Jahren
- Abrufe
Transkript
1 Eigenschaften von Dr. Matthias Uflacker, Stefan Halfpap, Dr. Werner Sinzig 17. April 2019
2 Vorlesungsinhalte/-aufbau Einführung zu (2 Vorlesungen) Einführung zu relationalen Datenbanken und Anfrageverarbeitung (2 Vorlesungen) Grundlagen des IT-gestützten Rechnungswesens und der Planung (3 Vorlesungen) Grundlagen von (spaltenorientierten) Hauptspeicherdatenbanken (5 Vorlesungen) Trends in Hauptspeicherdatenbanken (4 Vorlesungen) Klausur 2
3 Überblick Beispiele für Datenbankanfrageeigenschaften von OLTP vs. OLAP Trennung in eigenständige Systeme Optimierung eines Systems für beide Anfragearten Eigenschaften von Unternehmensdaten Zusammenfassung Übungsblatt 1 3
4 Enterprise applications are about the display, manipulation, and storage of large amounts of often complex data and the support or automation of business processes with that data. Martin Fowler Patterns of Enterprise Application Architecture Patterns (2002) Große komplexe Datenmengen, die in der realen Welt existierende Entitäten abbilden Unterstützung/Automatisierung von Geschäftsprozessen auf Basis dieser Daten Nutzen üblicherweise (relationale) Datenbanken 4
5 Beispiele für Klassische Domäne ERP, SCM, CRM (siehe 01_) Erweiterte Domäne Neue Technologien haben Einfluss auf. Informationsintegration aus unterschiedlichen Quellen bietet neue Möglichkeiten zur Anreicherung und dadurch Optimierung der klassischen Unternehmensprozesse. Sensordaten in Produktionsüberwachung Unstrukturierte Daten wie medizinische Behandlungsberichte und Röntgenbilder Posts im Web und auf sozialen Netzwerken zum Einfluss von Produkten 5
6 Beispiele für Klassische Domäne: Abwicklung eines Kaufauftrags Basierend auf Frank Körsgen SAP R/3 Arbeitsbuch (2005) Prozesse im Vertrieb werden durch Vertriebs-/Verkaufsbelege abgebildet Kundenanfrage Angebot Auftrag Lieferung Warenausgang + Buchhaltungsbeleg Ausgangsrechnung + Buchhaltungsbeleg Bezahlung + Buchhaltungsbeleg (Details in der Vorlesung zum Rechnungswesen) 6
7 Beispiele für Klassische Domäne: Abwicklung eines Kaufauftrags Vorkommende teils aufwändige Prozesse Preisfindung Verfügbarkeitsprüfung Bedarfsübergabe (an Einkauf und/oder Fertigung) Versandterminierung Versandstellen- und Routenermittlung Kreditlimitprüfung 7
8 Beispiele für Klassische Domäne: Abwicklung eines Kaufauftrags Verfügbarkeitsprüfung Zugänge zum Wunschliefertermin Abgänge zum Wunschliefertermin Fertigungsaufträge Lieferungen Bestellungen Aufträge Bestand verfügbare Menge Basiered auf Frank Körsgen SAP R/3 Arbeitsbuch (2005) 8
9 Datenbankanfrageeigenschaften Clark D. French One Size Fits All Database Architectures Do Not Work for DDS (1995) Online Transaction Processing (OLTP) Beispiele: Auftrag anlegen/suchen, Rechnung erstellen, Kontenbuchung, Anlegen und Anzeigen von Stammdaten Einfache Anfragen Oft festgelegte Anfragen à Index-Unterstützung Geringe Datengrundlage (stark-selektive Anfragen) Daten(tupel)eingabe und abruf Online Analytical Processing (OLAP) Beispiele: Mahnlauf, Verfügbarkeitsprüfung, Cross-Selling, Operationales Reporting (Auflistung offenen Rechnungen) Komplexe Anfragen Ad-hoc-Anfragen Decision Support Große Datengrundlage (schwach-selektive Anfragen) Analyseanfragen (Aggregation und Gruppierung weniger Attribute) 9
10 Historischer Hintergrund Relationale DBMSs entstanden in den 1970er Jahren als Forschungs-Prototypen System R INGRES Michael Stonebraker One Size Fits All: An Idea Whose Time Has Come and Gone (2005) Genealogy der relationalen Datenbanken Beide Systeme wurden für die Verarbeitung von Unternehmensdaten (OLTP) geschaffen Seit Anfang der 1980er: one size fits all Strategie Gründe: Kosten, Kompatibilität, Verkauf, Marketing In der 1990er Jahren: Unternehmen wollen Daten aus verschiedenen operationalen DBs in ein Data-Warehouse für Business Intelligence vereinen Although most warehouse projects were dramatically over budget and ended up delivering only a subset of promised functionality, they still delivered a reasonable return on investment. In fact, it is widely acknowledged that historical warehouses of retail transactions pay for themselves within a year [ ]. 10
11 Typische Systemlandschaft 11
12 Data-Warehouse und OLAP Technologien S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) Gründe für Entstehung: Performanz und Datenintegration Relationale Datenbanken waren historisch für OLTP optimiert: Angst vor Performanzeinbruch für Transaktionen durch komplexe Ad-hoc-Anfragen Ältere Daten für historische Tendenzen + zusätzliche Informationen z.b. Aktienpreise Aufbau eines Data-Warehouses für Unternehmen ist langwieriger und komplexer Prozess Erfordert umfangreiche Geschäftsprozessmodellierung (Abdeckung des gesamten Unternehmens) Data-Marts: integrieren Datenuntermenge, die sich auf einen einzelnen Organisationsbereich fokussieren z.b. Marketing Data-Mart 12
13 Data-Warehouse Architektur S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) Datenintegration Monitoring & Admnistration Datenmodellierung Operationen Datenspeicherung External sources Operational dbs Extract Transform Load Refresh Metadata Repository Data Warehouse OLAP Servers Serve Analysis Query/Reporting Data Mining Hilfsstrukturen Data sources Data Marts Tools 13
14 Data-Warehouse: Datenintegration S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) Aufwendiger ETL-Prozess Extraktion der relevanten Daten aus operationalen DBs und externen Quellen Transformation der Daten in das Warehouse-Schema Laden der Daten in das Warehouse Metadatenmanagement Beschreibung der Datenquellen Beschreibung des Warehouse-Schemas (siehe Folgefolien) External sources Operational dbs Data sources Monitoring & Admnistration Extract Transform Load Refresh Metadata Repository Data Warehouse Data Marts Beschreibung der Datenextraktions- und Datentransformationsregeln OLAP Servers Serve Analysis Query/Reporting Data Mining Tools 14
15 Data-Warehouse: Datenmodellierung S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) OLTP Schema-Design basiert auf Normalisierung (redundanzfreie Speicherung) Für OLAP sind effiziente Anfragen und effizientes Laden wichtig Monitoring & Admnistration Mehrdimensionale Datensicht Datenwürfel (OLAP-Würfel) Numerische Kennzahlen werden analysiert z.b. Umsätze oder Bestände Jede Kennzahl hängt von einer Menge an Dimensionen ab Stadt Produkt External sources Operational dbs Data sources Extract Transform Load Refresh Metadata Repository Data Warehouse Data Marts OLAP Servers Serve Analysis Query/Reporting Data Mining Tools Dimensionen sind oft hierarchisch Tag - Monat - Quartal Jahr Produkt - Kategorie Industrie Stadt - Bezirk - Land 15
16 Data-Warehouse: Operationen S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) Slicing und Dicing: Selektion und Projektion Drill-Down: zunehmende Datendetail (Gruppierung entfernen) Drill-Up/Roll-Up: zunehmende Aggregation/Verdichtung der Daten (Gruppierung hinzufügen) Stadt Produkt Pivoting/Rotation: Umorganisation der Datenansicht (Gruppierungsattribute ändern) 16
17 Data-Warehouse: Datenspeicherung - ROLAP R(elational)OLAP S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) Daten sind in Tabellen (relational) gespeichert Umsetzung im Sternschema mit Denormalisierungen aus Performanzgründen: eine Faktentabellen + eine Tabelle pro Dimension Order OrderNo OrderDate Customer CustomerNo CustomerName CustomerAddress City Salesperson SalespersonID SalespesonName City Quota Fact table OrderNo SalespersonID CustomerNo ProdNo DateKey CityName Quantity TotalPrice ProdNo ProdName ProdDescr Category CategoryDescr UnitPrice QOH Date DateKey Date Month Year City CityName State Country 17
18 Data-Warehouse: Datenspeicherung - ROLAP S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) R(elational)OLAP Schneeflockenschema als Alternative: Dimensionshierarchie wird explizit durch Normalisierung dargestellt Sternschema vs. Schneeflockenschema Einfacheres Schema (Anfragen) vs. Weniger Redundanz Order OrderNo OrderDate Customer CustomerNo CustomerName CustomerAddress City Salesperson SalespersonID SalespesonName City Quota Fact table OrderNo SalespersonID CustomerNo ProdNo DateKey CityName Quantity TotalPrice ProdNo ProdName ProdDescr Category CategoryDescr UnitPrice QOH Date DateKey Date Month Year City CityName State Country vs. Order OrderNo OrderDate Customer CustomerNo CustomerName CustomerAddress City Salesperson SalespersonID SalespesonName City Quota Fact table OrderNo SalespersonID CustomerNo DateKey CityName ProdNo Quantity TotalPrice ProdNo ProdName ProdDescr Category UnitPrice QOH Date DateKey Date Month City CityName State Category CategoryName CategoryDescr Month Month Year State Year 18
19 Data-Warehouse: Datenspeicherung - MOLAP S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) M(ultidimensional)OLAP Mehrdimensionale Daten sind in speziellen Datenstrukturen gespeichert z.b. mehrdimensionale Arrays Nutzen meist zwei Dimensionen (+ Kompressionsverfahren) um dünn besetze Datenwürfel ( sparse data ) effizient zu unterstützen 19
20 Data-Warehouse: Datenspeicherung - Hilfsstrukturen S. Chaudhuri et U. Dayal An Overview of Data Warehousing and OLAP Technology (1997) ROLAP- und MOLAP-Systeme nutzen Hilfsstrukturen für effiziente Anfragebearbeitung Voraggregierte Daten (nach verschiedenen Dimensionen) Materialisierte Sichten Indexstrukturen Bit-Map-Index als Alternative zu Pointer/ID-Listen à Effiziente Operationen: Index-Intersection, Index-Union Join-Indizes: Dimensionstabelle à Faktentabelle Indizes für Textsuche Weitere Effizienzsteigerung durch Partitionierung/Sortierung möglich 20
21 Systemtrennung beinhalten sowohl transaktionale als auch analytische Anfragen Aber: Anforderungen an OLAP- und OLTP-Datenbanksysteme sind widersprüchlich (historischer) Ansatz 1: Trennung in eigenständige Systeme (Tuning der Datenspeicherung und des Schemas) Data Warehouse: separate optimierte OLAP-Datenbank Effizientere Bearbeitung komplexer analytischer Anfragen Daten vieler Datenbanken können integriert werden (moderner) Ansatz 2: Optimierung eines Systems für beide Anfragearten (mit Kompromissen) 21
22 Nachteile der Systemtrennung Datenredundanz Synchronisierung der Systeme durch Extract, Transform, Load (ETL) Kostenintensiver Prozess ETL verursacht eine Zeitverzögerung Unterschiedliche Datenschemas erzeugen eine höhere Komplexität für Anwendungen, die beide Systeme nutzen 22
23 Kombination von OLTP und OLAP in einem System Eine Datenbasis als Wahrheitsquelle ( Single source of truth ) Ziel sind ad-hoc-analysen auf dem transaktionalen Schema ohne materialisierte Sichten (z.b. vorberechnete Aggregate) Mixed Workloads auf einem System à Vereinfachte Anwendungen (nur eine DB mit allen Datenpunkten anfragen) und Datenbankstrukturen (weniger Indizes, keine materialisierte Sichten) Ermöglicht durch modernere/schnellere Hardware Dennoch: für spezielle Charakteristiken optimierte Datenbanksysteme sind One size fits all Systemen überlegen Michael Stonebraker One Size Fits All: An Idea Whose Time Has Come and Gone (2005) 23
24 Vielseitige Anfrageeigenschaften ( Mixed Workloads ) Vereinen Eigenschaften von OLTP und OLAP Komplette Zeilenoperationen und Materialisierung weniger Spalten Einfache und komplexe Abfragen Tuple-Wiederherstellung und Aggregationen, Gruppierungen, Joins INSERTS, UPDATES und viele SELECTS Kurze und lange Transaktionen Vordefinierte und ad-hoc-abfragen 24
25 Anfrageeigenschaften: OLTP Datenzugriffsmythos Hasso Plattner The Impact of Columnar In-Memory Databases on Enterprise Systems (2014) Workload Analysen von zeigen: OLTP und OLAP Workloads unterscheiden sich NICHT wesentlich bezüglich ihres Schreibanteil Workload 100% 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % TPC-C Delete Modification Insert Read Workload 100% 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % OLTP OLAP Delete Modification Insert Read Workload 100% 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % Classic Simplified* SAP Financials Delete Modification Insert Read (a) TPC-C Benchmark (b) Workload Analysis Krueger et al. VLDB 11 (c) SAP Financials Workload Analysis 25
26 Eigenschaften von Unternehmensdaten Viele Tabellen haben hunderte von Attributen Viele Attribute werden in der Regel NICHT benutzt Für viele Attribute dominieren NULL oder DEFAULT-Werte Viele Attribute haben eine geringe Kardinalität (Anzahl verschiedener Attributwerte) Tabellen sind breit und spärlich gefüllt à erlaubt effiziente Komprimierung Detaillierte Informationen in Jens Krüger Fast Updates on Read-Optimized Databases Using Multi-Core CPUs (2011) 26
27 Zusammenfassung beinhalten sowohl transaktionale als auch analytische Anfragen; Insbesondere analytische Anforderungen sind mit der Zeit gewachsen Tabellen von sind breit und spärlich gefüllt Zwei Ansätze: Separat optimierte Systeme vs. Vereinigung in einem System Vereinigung überwindet viele Nachteile der Systemtrennung Entsprechende Datenbankarchitekturen beinhalten viele Optimierungen, die den Anfrageund Datencharakteristiken gerecht werden (kommende Vorlesungen) 27
28 Übungsblatt 1 Sommersemester 2019: Übung 1 Aufgabe 1 Lesen Sie Ausschnitte aus Hasso Plattners Veröffentlichungen A Common Database Approach for OLTP and OLAP Using an In-Memory Column Database Abschnitt The Impact of Columnar In-Memory Databases on Enterprise Systems Abschnitt und fassen Sie die Inhalte unter Beantwortung folgender Fragen zusammen. a) Nennen Sie Gründe für die historische Trennung von OLTP und OLAP in verschiedene Systeme. b) Warum und wie ist es heutzutage möglich OLTP- und OLAP-Anfragen in einem System effizient zu bearbeiten? c) Warum werden Inserts in durch den Umstieg auf spaltenbasierte Hauptspeicherdatenbanken nicht unbedingt langsamer als in einer Zeilendatenbank? d) Erklären Sie warum die Vereinigung von OLTP und OLAP die Entwicklung neuer vereinfacht. e) Welche Vorteile haben spaltenorientierte gegenüber zeilenorientierte Datenbanken? f) Was ist der TPC-C Benchmark? g) Welche Fragen haben Sie zu den gelesenen Abschnitten? (optional) Aufgabe 2 Für die Bearbeitung der zweiten Übung benötigen Sie Zugang zu folgendem SAP HANA- Datenbanksystem: Host Name: syene.eaalab.hpi.uni-potsdam.de ( ) Instance Nummer: 02 User Name: STUDENTS Password: Students17 28
Beispiele und Eigenschaften von Unternehmensanwendungen. Dr. Matthias Uflacker, Stefan Klauck 18. April 2018
Beispiele und Eigenschaften von Unternehmensanwendungen Dr. Matthias Uflacker, Stefan Klauck 18. April 2018 Vorlesungsinhalte/-aufbau Phase 1 Einführung zu Unternehmensanwendungen (2 Vorlesungen) Grundlagen
Charakteristika von Unternehmensanwendungen
Charakteristika von Unternehmensanwendungen Wozu werden Unternehmensanwendungen genutzt? Enterprise applications are about the display, manipulation, and storage of large amounts of often complex data
Einführung in Hauptspeicherdatenbanken
Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation
Datenbanken Grundlagen und Design
Frank Geisler Datenbanken Grundlagen und Design 3., aktualisierte und erweiterte Auflage mitp Vorwort 15 Teil I Grundlagen 19 i Einführung in das Thema Datenbanken 21 i.i Warum ist Datenbankdesign wichtig?
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
Multidimensionale Modellierung
Multidimensionale Modellierung Vorlesung: Übung: Patrick Schäfer Berlin, 27. November 2017 patrick.schaefer@hu-berlin.de https://hu.berlin/vl_dwhdm17 https://hu.berlin/ue_dwhdm17 Grundlagen Fakten (Kennzahlen/Messgrößen):
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
Data Warehousing. Sommersemester Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2004 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
ZWISCHEN 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.
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
23. Daten-Analyse. Datenwarenhäuser. Grundlagen des OLAP (On-Line Analytical Processing)
23. Daten-Analyse Datenwarenhäuser Grundlagen des OLAP (On-Line Analytical Processing) Data Mining: Klassifikation, Assoziationsregeln, Sequenzanalyse Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme,
Unternehmensanwendungen. Dr. Matthias Uflacker, Stefan Klauck 16. April 2018
Unternehmensanwendungen Dr. Matthias Uflacker, Stefan Klauck 16. April 2018 Vorlesungsinhalte/-aufbau Phase 1 Einführung zu Unternehmensanwendungen (2 Vorlesungen) Grundlagen von spaltenorientierten Hauptspeicherdatenbanken
Charakteris*ka von Unternehmensanwendungen
Charakteris*ka von Unternehmensanwendungen Wozu werden Unternehmensanwendungen genutzt? Enterprise applica*ons are about the display, manipula+on, and storage of large amounts of o@en complex data and
Teil II: Architektur eines Data-Warehouse-Systems... 57
O:/Wiley/Reihe_Dummies/9783527714476_Gerken/3d/ftoc.3d from 08.08.2018 14:02:02 Auf einen Blick Einleitung... 19 Teil I: Was ist ein Data Warehouse?... 25 Kapitel 1: Ein Beispiel zur Einführung..... 27
1 Einführung Ziele der Vorlesung Die Idee Lernkarte Selbsttest-Frage 3 Literaturhinweise 3
1 Einführung 1 1.1 Ziele der Vorlesung 1 1.2 Die Idee 1 1.3 Lernkarte 2 1.4 Selbsttest-Frage 3 Literaturhinweise 3 Teilt Die Zukunft von Enterprise-Computing 5 2 Neue Anforderungen an Enterprise Computing
Datenbanken: Weitere Konzepte. Dr. Matthias Uflacker, Stefan Klauck 7. Mai 2018
Datenbanken: Weitere Konzepte Dr. Matthias Uflacker, Stefan Klauck 7. Mai 2018 Vorlesungsinhalte/-aufbau Phase 1 Einführung zu Unternehmensanwendungen (2 Vorlesungen) Grundlagen von spaltenorientierten
SODA. 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
Data Warehouse Grundlagen
Seminarunterlage Version: 2.13 Version 2.13 vom 27. August 2018 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen
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
Data Warehouse und Data Mining
Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine
Einführung in Hauptspeicherdatenbanken
Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation
Kapitel 6. Vorlesung: PD Dr. Peer Kröger
Kapitel 6 Einführung in Data Warehouses Vorlesung: PD Dr. Peer Kröger Dieses Skript basiert auf den Skripten zur Vorlesung Datenbanksysteme II an der LMU München Dieses Skript basiert auf den Skripten
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
Aufbau 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.
Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
Datenbanken: Datenkompression. Dr. Matthias Uflacker, Stefan Klauck 2. Mai 2018
Datenbanken: Datenkompression Dr. Matthias Uflacker, Stefan Klauck 2. Mai 2018 Vorlesungsinhalte/-aufbau Phase 1 Einführung zu Unternehmensanwendungen (2 Vorlesungen) Grundlagen von spaltenorientierten
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
Data Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............
Auf einen Blick. Abfrage und Bearbeitung. Erstellen einer Datenbank. Komplexe Abfragen. Vorwort... 13
Auf einen Blick Vorwort... 13 Teil 1 Vorbereitung Kapitel 1 Einleitung... 17 Kapitel 2 SQL der Standard relationaler Datenbanken... 21 Kapitel 3 Die Beispieldatenbanken... 39 Teil 2 Abfrage und Bearbeitung
Die Reihe Xpert.press vermittelt Professionals in den Bereichen Softwareentwicklung, Internettechnologie und IT-Management aktuell und kompetent
Die Reihe Xpert.press vermittelt Professionals in den Bereichen Softwareentwicklung, Internettechnologie und IT-Management aktuell und kompetent relevantes Fachwissen über Technologien und Produkte zur
eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator
eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile
Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...
Summarization-based Aggregation
Summarization-based Aggregation Daten Generalisierung: Prozess, der Anwendungsdaten schrittweise von niedrigen auf höhere konzeptuelle Level aggregiert Conceptual levels 2 3 4 5 example: all federal states
Inhaltsverzeichnis. vii.
vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt 2 1.2 OLTP versus OLAP 4 1.2.1 OLAP-versus OLTP-Transaktionen 5 1.2.2 Vergleich von OLTP und OLAP 6 1.2.3 Abgrenzung: DBMS-Techniken
Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
Wir 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
Auf einen Blick. Abfrage und Bearbeitung. Erstellen einer Datenbank. Komplexe Abfragen. Vorwort 13
Auf einen Blick Vorwort 13 Teil 1 Vorbereitung Kapitel 1 Einleitung 17 Kapitel 2 SQL - der Standard relationaler Datenbanken 21 Kapitel 3 Die Beispieldatenbanken 39 Teil 2 Abfrage und Bearbeitung Kapitel
Datenbanken. Datenbanken. Grundlagen und Design. Grundlagen und Design. Frank. Geisler. 4. Auflage
Datenbanksysteme, Datenbankanwendungen und Middleware Das relationale Datenbankmodell ER-Datenbankmodellierung und Normalisierung SQL-Grundlagen Projektablauf bei der Erstellung einer Datenbank Transaktionen
Modellierung 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
Neues aus der nicht-, semi- und relationalen Welt
Neues aus der nicht-, semi- und relationalen Welt Information Management Thomas Klughardt Senior System Consultant Das Big Data Problem Was bedeutet Big Data? Performancekritisch Echtzeit Cold Storage
Business Intelligence
Hochschule Darmstadt Business Intelligence Fachbereich Informatik Praktikumsaufgabe 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2007 Business Intelligence Aufgabenstellung 1.
INDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE
INDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE DOAG Konferenz 2011 Dani Schnider Trivadis AG Nürnberg, BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG
Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing
Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle
Inhaltsverzeichnis. Vorwort Kapitel 1 Einleitung... 15
Vorwort..................................................... 13 Kapitel 1 Einleitung.......................................... 15 Kapitel 2 SQL der Standard relationaler Datenbanken... 19 2.1 Die Geschichte................................
Oracle Database 12c In-Memory Option 7/18/2014. Eckart Mader Oracle Deutschland B.V. & Co. KG. Karlsruhe, den
Oracle Database 12c In-Memory Option Eckart Mader Oracle Deutschland B.V. & Co. KG Karlsruhe, den 17.07.2014 2 1 Safe Harbor Statement The following is intended to outline our general product direction.
Oracle 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
Einsatz von BI-Methoden in der simulativen Geschäftsprozessmodellierung
Einsatz von BI-Methoden in der simulativen Geschäftsprozessmodellierung Matthias Meling, PROMATIS software GmbH München, 17. April 2013 1 Simulative Geschäftsprozessmodellierung Gliederung Einleitung Simulation
Vorwort zur 5. Auflage... 15 Über den Autor... 16
Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung
BIW - 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
Übersicht 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
Datenbanken & Informationssysteme (WS 2016/2017)
Datenbanken & Informationssysteme (WS 2016/2017) Klaus Berberich (klaus.berberich@htwsaar.de) Wolfgang Braun (wolfgang.braun@htwsaar.de) 0. Organisatorisches Dozenten Klaus Berberich (klaus.berberich@htwsaar.de)
AKTUELLE LÖSUNGSARCHITEKTUR DER SAP IM BEREICH BUSINESS INTELLIGENCE UND ANALYTICS
AKTUELLE LÖSUNGSARCHITEKTUR DER SAP IM BEREICH BUSINESS INTELLIGENCE UND ANALYTICS X-CASE Trainer-/Expertentreffen 2018 S/4HANA, BW/4HANA und SAP-Entwicklung Aktuelle Neuerungen Vorstellung Jörg Bauditz
Data 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,
Exadata und In-Memory Datenbewirtschaftung und Analyse Extrem mit Exadata und InMemory (Erfahrungsbericht)
Exadata und In-Memory Datenbewirtschaftung und Analyse Extrem mit Exadata und InMemory (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team Inhalt Thematik (Einordnung
Vorlesung Methodische Grundlagen des Software-Engineering im Sommersemester 2014
Vorlesung des Software-Engineering im Sommersemester 2014 Prof. Dr. Jan Jürjens TU Dortmund, Fakultät Informatik, Lehrstuhl XIV Teil 2.8: Werkzeugunterstützung für Process-Mining v. 09.06.2014 1 für Process-Mining
Datenbanken zur Entscheidungsunterstützung - Data Warehousing. Prof. Dr. T. Kudraß 1
Datenbanken zur Entscheidungsunterstützung - Data Warehousing Prof. Dr. T. Kudraß 1 Einführung Zunehmender Bedarf nach Analyse aktueller und historischer Daten Identifizierung interessanter Patterns Entscheidungsfindung
1. Übungsblatt. Besprechung: (Gruppe A), (Gruppe B), (Gruppe C)
Datenbanken in der Praxis: Data Warehousing Sommersemester 2017 Prof. Dr. Jens Teubner DBIS Group 1. Übungsblatt Besprechung: 3.05. (Gruppe A), 10.05. (Gruppe B), 5.05. (Gruppe C) Allgemeine Hinweise Zu
Skalierbare Webanwendungen
Skalierbare Webanwendungen Thomas Bachmann Lead Software Architect & CIO Mambu GmbH Twitter: @thobach Anwendungsbeispiel Hohe Nichtfunktionale Anforderungen Sicherheit Vertraulichkeit Integrität Verfügbarkeit
Inhaltsverzeichnis. Vorwort 13. Kapitel 1 Einleitung 15
Vorwort 13 Kapitel 1 Einleitung 15 Kapitel 2 SQL-der Standard relationaler Datenbanken... 19 2.1 Die Geschichte 19 2.2 Die Bestandteile 20 2.3 Die Verarbeitung einer SQL-Anweisung 22 2.4 Die Struktur von
Datenbanken - Grundlagen und Design
mitp Professional Datenbanken - Grundlagen und Design von Frank Geisler überarbeitet Datenbanken - Grundlagen und Design Geisler schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG mitp/bhv
Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH
Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -
Data Warehouse (DWH) / (Business Intelligence, BI )
Data Warehouse (DWH) / (Business Intelligence, BI ) Begriffsbildung: Ein Data Warehouse ist eine themenorientierte, integrierte, zeitabhängige, nichtflüchtigedatenbank fürdie Unterstützung von Managemententscheidungen
2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45
Vorwort 15 Teil I Grundlagen 19 i Einführung In das Thema Datenbanken 21 I.I Warum ist Datenbankdesign wichtig? 26 i.2 Dateisystem und Datenbanken 28 1.2.1 Historische Wurzeln 29 1.2.2 Probleme bei der
IT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
Kapitel 7 Grundlagen von Data
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2014 Kapitel 7 Grundlagen von Data Warehouses Vorlesung: PD
Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische
Datenbank-Tuning. Folien zum Datenbankpraktikum Wintersemester 2009/10 LMU München
Kapitel 7 Datenbank-Tuning Folien zum Datenbankpraktikum Wintersemester 2009/10 LMU München 2008 Thomas Bernecker, Tobias Emrich unter Verwendung der Folien des Datenbankpraktikums aus dem Wintersemester
Oracle In-Memory & Data Warehouse: Die perfekte Kombination?
Oracle In-Memory & Data Warehouse: Die perfekte Kombination? Dani Schnider Trivadis AG Zürich/Glattbrugg, Schweiz Einleitung Als Larry Ellison in einer Keynote im Juni 2014 die Oracle In-Memory Option
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,
Business Intelligence & Reporting. Michael Cordes Holger Oehring Matthias Rein
Business Intelligence & Reporting Michael Cordes Holger Oehring Matthias Rein Ziele Einführung Business Intelligence / Front Room Online Analytical Processing (OLAP) Arten des Reporting & Nutzergruppen
Inhaltsverzeichnis. Teil I Die Zukunft von Enterprise-Computing... 1 I I 2 3 3
Inhaltsverzeichnis 1 Einführung... 1.1 Ziele der Vorlesung. 1.2 Die Idee 1.3 Lemkarte... 1.4 Selbsttest-Frage. Literaturhinweise.. 1 I I 2 3 3 Teil I Die Zukunft von Enterprise-Computing... 2 Neue Anforderungen
Dimensionen, Measures
... Operationen und peicherung Multi-dimensionaler Daten Aggregate um RED WHITE BLUE Group By (with total) By Color um Cross Tab Chevy Ford By Color RED WHITE BLUE By Make um By Make & Year By Year FORD
DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle
DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell
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
1 Business-Intelligence-Architektur 1
D3kjd3Di38lk323nnm xi 1 Business-Intelligence-Architektur 1 1.1 Data Warehouse....................................... 1 1.2 OLAP und mehrdimensionale Datenbanken.................. 4 1.3 Architekturvarianten....................................
IN RAM we trust! In- Memory- Datenbanken SAP HANA. BI & Big Data Juli 2015 Seite 56
IN RAM we trust! In- Memory- Datenbanken In-Memory-Datenbanken fristeten über lange Zeit ein Nischendasein als Cache traditioneller relationaler Datenbanken oder als spezielle Data-Warehouse-Lösungen.
Vorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
Vorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
SAP BW auf HANA Frank Riesner, Solution Architect, SAP (Schweiz) AG
SAP BW auf HANA 2015+ Frank Riesner, Solution Architect, SAP (Schweiz) AG SAP BW auf HANA Architektur SAP BW auf klassischer Datenbank SAP BW 7.4 auf HANA Virtuelle Schichten Persistente Schichten 2015
Übung zur Einführung in die Wirtschaftsinformatik Cognos Powerplay als Beispiel für ein DSS
Übung zur Einführung in die Wirtschaftsinformatik 2006-05 - 10 Cognos Powerplay als Beispiel für ein DSS 1 Entscheidungsunterstützungssysteme (EUS) Decision Support Systems (DSS) EUS sollen das gemeinsame
<Insert Picture Here> 8. Business Intelligence & Data Warehouse Konferenz
1 The Safe Harbor The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment
SQL - Datenbankdesign - Aufbau
SQL - Datenbankdesign - Aufbau Kompakt-Intensiv-Training Unsere fünftägige ANSI SQL Schulung vermittelt Ihnen alle nötigen Kenntnisse zur Erstellung von Datenauswertungen und Programmierung wiederkehrender
SAFE HARBOR STATEMENT
SAFE HARBOR STATEMENT The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment
Kapitel 4: Data Warehouse Architektur
Kapitel 4: Data Warehouse Architektur Data Warehousing und Mining 1 Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Source Source Source komplexe
Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH
Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich
Common 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
Datenqualität-Der GQM- Ansatz und das DWQ- Projekt
Datenqualität-Der GQM- Ansatz und das DWQ- Projekt Guy Hermann Ngassa Imperfektion und erweiterte Konzepte im Data Warehousing 2 Überblick Einleitung Data-Warehouse-Qualität-Projekt (DWQ-Projekt) Bezug
Big Data Neue Erkenntnisse aus Daten gewinnen
Big Data Neue Erkenntnisse aus Daten gewinnen Thomas Klughardt Senior Systems Consultant 0 Software Dell Software Lösungsbereiche Transform Inform Connect Data center and cloud management Foglight APM,
OLAP Architekturen Merkmale und Charakteristiken unterschiedlicher OLAP Ansätze und Lösungen. Rolf Niedermann, Principal Solution Architect
OLAP Architekturen Merkmale und Charakteristiken unterschiedlicher OLAP Ansätze und Lösungen Rolf Niedermann, Principal Solution Architect Orientierungsübersicht Sales Dashboard Major KPIs Gross Profit
Produktionscontrolling auf dem Weg zur Industrie 4.0
Produktionscontrolling auf dem Weg zur Industrie 4.0 Intelligente Produktion durch Real-Time-Big-Data-Analyse von Sensordaten & Bern, 27.05.2016 Jörg Rieth Jedox vereinfacht Planung, Reporting & Analyse
Arbeiten im Arbeitsspeicher
IT-STRATegIen In-Memory-Technologie Arbeiten im Arbeitsspeicher In-Memory-Datenbanken fristeten über lange Zeit ein Nischendasein als Cache für traditionelle relationale Datenbanken oder als spezielle
6.2 Datenmodellierung
Umsetzung des multidimensionalen Modells Interne Verwaltung der Daten durch - Relationale Strukturen (Tabellen) Relationales OLAP (ROLAP) Vorteile: Verfügbarkeit, Reife der Systeme - Multidimensionale
START DER INSTITUTS- PARTNERSCHAFT ZUM THEMA DIGITALISIERUNG
START DER INSTITUTS- PARTNERSCHAFT ZUM THEMA DIGITALISIERUNG HAMBURG 23. MAI 2017 PROF. DR. DIMKA KARASTOYANOVA KOLLABORATIVE, DYNAMISCHE UND KOMPLEXE SYSTEME FÜR DIE LOGISTIK HAMBURG 23. MAI 2017 SCM
OXO³ 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
Datenbanksysteme 2009
Datenbanksysteme 2009 Kapitel 17: Data Warehouse Oliver Vornberger Institut für Informatik Universität Osnabrück 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen