Die DeutschlandCard. Das Multipartnerprogramm für Deutschland

Größe: px
Ab Seite anzeigen:

Download "Die DeutschlandCard. Das Multipartnerprogramm für Deutschland"

Transkript

1 Die DeutschlandCard Das Multipartnerprogramm für Deutschland 8. Oracle DWH/BI Konferenz "Effizienz in unseren BI/W-Systemen Erreichen wir noch unsere Anwender?" Effiziente All-Nearest-Neighbor Berechnung und weitere Herausforderungen auf Exadata Dr. Jens Oehlschlägel - Senior BI Architect 1

2 Unser Partnerschaftsmodell: Mit einer Karte bei mehr als POS Punkte sammeln und einlösen Durchdringung >12 Mio. Teilnehmer in >8 Mio. Familien Aktivität >1 Mio. Familien nutzen die Karte täglich bei Partnern Wachstum >2 Mio. neue Teilnehmer in den letzten 12 Monaten Frequenz ø 6,5-7 Einsätze pro Monat = 3. Platz im Portemonnaie >300 Prämien Kasse Spenden 2

3 DeutschlandCard ist Teil von Bertelsmann Wir setzen Oracle Exadata X2-2 zusammen mit SAS ein auf Tabellen mit bis zu 10 Milliarden Zeilen Content Services Der europäische Marktführer der Unterhaltungsbranche Die größte Publikumsverlagsgruppe der Welt Europas größtes Magazinhaus Einer der größten Medienund Kommunikationsdienstleister der Welt E L James Mo Yan 3

4 Dr. Jens Oehlschlägel Programmierung seit 1978 Dipl.-Psych. (Forsch.-Meth.) & Dr. hum. biol. (Med.-Stat.) 4 Jahre studienbegleitend einführende Statistik unterrichtet 3 Jahre Projektleiter/Statistiker (Pharma) 5 Jahre Datenmanager/Statistiker (Public Health) 2 Jahre Database Marketing Data Scientist bei McKinsey&Company seit 2011 Senior BI Architect bei der DeutschlandCard Exadata Sizing 7-stellige Kosteneinsparungen DWH-Analyse und ETL-Tuning Optimierung SAS-Exadata Integration Contributor zu R seit 2000 package bit: in-ram Bit-Filter package bit64: integer64 Datentyp package ff: Datenobjekte größer als RAM Algorithmen-Entwicklung Energie-effizientes Sortieren Stream-Sortieren, In-RAM Indizierung, Median-Berechnung Exascale Explorative Data Analysis 4

5 Agenda 1 Effiziente All-Nearest-Neighbor Berechnung 2 Parallelisierung: leider nicht in PL/SQL, nur in OWF 3 Blockade paralleler Ressourcen durch inaktive Abfragen 4 Reverse Engineering von SQL-Statements in OWB 5 Effiziente Median- und Perzentil-Berechnung 6 Hürden für die Verwendung von Oracle Advanced Analytics 5

6 1 Effiziente All-Nearest-Neighbor Berechnung 6

7 Einigen Millionen Teilnehmern aus einigen Tausend POS die jeweils nächste POS zuzuordnen, ist potentiell teuer Quadratische Skalierung O(T x P) = O(N²) 12 Mio Teilnehmer x POS = 120 Milliarden Verbindungen je Teilnehmer ~ 4 SQL Statements ~ 50 Millionen SQLs im täglichen ETL 7

8 Entscheidung gegen Oracle Spatial weil jeden Tag Full-Load erforderlich und Nutzung eines Spatial-Index für full-table scan fragwürdig Oracle s Spatial-Indices sind nicht nativ implementiert, sondern on-top-of-b-trees dauerhaft gesteigerte Lizenzkosten unangemessen für diese eine Aufgabe 8

9 Kosten in CPU Sekunden Tuning der Next-POS Berechung (X2-2 Quarterrack, 2 Instanzen, 12 echte Kerne pro Instanz) Kosten s Neue Lösung: Faktor 77 (einfacher Algorithmus) Techn. Limit: Faktor (Integrierter Algorithmus) Verworfen: Faktor 4 (SQL-Tuning) DOP s s 204 s 25 s 12 s DOP s DOP 6 34 s (1 Core) (1 Core) ANN / 2 50 Mio. SQL Kacheln SQL Sorted PL/SQL Sorted C Optimiert C 9

10 Wenn Teilnehmer und POS sortiert sind, schränkt die nächste POS des vorherigen Teilnehmers den Suchraum des nachfolgenden ein vorheriger Teilnehmer nachfolgender Teilnehmer vorherige POS und nachfolgende Start-POS Teilnehmer sortiert POS sortiert 10

11 Es gibt drei gute Gründe, warum das schnell ist Ab und zu sind die beiden Teilnehmer auch horizontal nahe und schränken den maximalen Suchraum ein Jede gefundene nähere POS schränkt den tatsächlichen Suchraum dynamisch weiter ein Je mehr Teilnehmer und POS, desto kleiner die Suchräume, deshalb nicht O(T x P) ~ O(N²) 11

12 2 Parallelisierung: leider nicht in PL/SQL, nur in OWF 12

13 3 Blockade paralleler Ressourcen durch inaktive Abfragen 13

14 Inaktive Preview-Queries aus SAS blockieren unnötigerweise einen Großteil der Exadata-Ressourcen richtige und wichtige Queries landen in der Warteschlange 2 Queries stehen in der Warteschlange weil 5 User 77 Prozesse mit Ihrer SAS-Preview blockieren 14

15 Da Fehlverhalten einer Vielzahl von Clients schwer zu verhindern ist, wäre eine serverseitige Lösung von Oracle wünschenswert Zu viele Clients! Server-Lösung? inaktive Sessions identifizieren schlafende Sessions wieder aufwecken inaktive Sessions schlafen legen 15

16 4 Reverse Engineering von SQL-Statements in OWB 16

17 Oracle könnte seinen SQL-Parser für Reverse Engineering nutzen Erprobte SQL-Statements in OWB einzupflegen SQL Ausgearbeiteter Prototyp 222 Zeilen SQL-Code Laufzeit: 17 sek ist teuer, OWB 1 PT zum Einpflegen in OWB fehleranfällig und kostet Performance Code Review OWB exportiert 1100 Zeilen SQL-Code der mehrere Fehler beinhaltet und 150% Laufzeit kostet: 26 sek 17

18 5 Effiziente Median- und Perzentil-Berechnung 18

19 Rätsel: Was ist das kürzeste SELECT Statement mit dem man eine Exadata über längere Zeit beschäftigen kann obwohl keine Daten von Platte gebraucht werden obwohl sich das Ergebnis leicht im Kopf ausrechnen lässt ohne user defined functions zu benutzen SELECT MEDIAN(ROWNUM) FROM t; Ergebnis: halbe Zahl der Zeilen 19

20 Die Performance der X2-2 hängt extrem von der angefragten Statistik ab -- table hat 1 Spalte und 1 Milliarde Zeilen SELECT MEDIAN(ROWNUM) FROM table; min DOP 16 SELECT AVG(column) FROM table; sek DOP 16 SELECT MEDIAN(column) FROM table; min DOP 16 (100x) -- in SAS lesend von Oracle; min 1 Connections -- in SAS lesend von Oracle; -- 6 min 3 Connections 20

21 Zumindest Median und Percentilberechnung sollte auf einer DWH-Appliance deutlich schneller sein Zeiten single-threaded 1e9 Elemente in C (R) Aggregation AVG O(N) 1 sek ( 240x) MEDIAN O(N*log(N)) 3 min mittels Sortierung ( 128x) MEDIAN O(N) 1 min mittels Selection ( 384x) APPROXMEDIAN O(N) 3 sek Exascale EDA ( 7680x) Stream-processing CUMSUM O(N) 2 sek CUMMEDIAN O(N²) 500 Jahre extrapoliert mit Selection CUMMEDIAN O(N*log(N)) Google s Interviewfrage: 2 heaps CUMMEDIAN O(N*log(N)) 3 min mittels stream greensort 21

22 6 Hürden für die Verwendung von Oracle Advanced Analytics 22

23 Es bestehen signifikante Hürden für die Verwendung von R, hier könnte Oracle mit geringem Aufwand Verbesserungen erzielen Problem Fehlender zuverlässiger performanter Zugang von R nach Oracle die Ineffizienz von R macht die Verwendung in Oracle extrem teuer CPU Ineffizienz ( C : PL/SQL : R = 1 : 8 : 50 ) RAM Ineffizienz ( multiple Kopien der Daten in-ram ) Strategische-Risiken durch parasitäre Haltung gegenüber der R-Community mangelnde Unterstützung Lizenzprozesse Lizenzänderungen Abwandern von contributors Vorschlag ROracle Interface mit Binaries pflegen ROracle besser aktualisieren, z.b. 64bit integers unterstützen Keine Lizenzkosten für R, statt CPU- Sekunde nochmals 10% teurer zu machen Mehr RAM in der Exadata (X3-2) Kooperation mit der R-Community und giving-back nützliche Beiträge zum Package- Repository (wie z.b. Revolution Analytics) finanzielle und/oder personelle Unterstützung des kleinen Core- Teams finanzielle und/oder personelle Unterstützung freier IDEs (Eclipse, RStudio) 23

24 Die Big-Data Welle rollt aber wo lohnen sich große Datenmengen wirklich, in-database? Ensembleverfahren Prädiktiv: random forests Segmentierung: truecluster 24

25 Was kommt nach der Big-Data Welle? Kandidat 1: Privacy & Security getrieben von Cloud-Computing z.b. CryptDB: Processing Queries on an Encrypted Database Computer Science and AI Lab, MIT z.b. Privacy-Preserving Data Mining, Models and Algorithms. Charu C. Aggarwal, IBM T. J. Watson Research Center Kandidat 2: Energy Efficiency getrieben von Exascale-Computing z.b. An Effective Coreset Compression Algorithm for Large Scale Sensor Networks Computer Science and AI Lab, MIT z.b. MS Excel Power Pivot MS xvelocity (formerly Vertipaq) z.b. Exascale Explorative Data Analysis using in-ram Lossy Compression, greensort 25

26 Vielen Dank! 26

27 2 Parallelisierung: leider nicht in PL/SQL, nur in OWF 27

28 4-fach Parallelisierung würde idealerweise so erfolgen aber PL/SQL unterstützt keine Concurrency 1. POS sortieren 2. Teilnehmer parallel sortieren 3. Sortierte Teilnehmer in 4 Gruppen aufteilen 4. NN in 4 Gruppen parallel CPU 1 CPU 2 CPU 3 CPU 4 28

29 Seit Jahren werden Programmiersprachen für Concurrency erweitert Quelle: Herb Sutter 2005, The Free Lunch Is Over: A Fundamental Turn Toward Concurrency in Software 29

30 Alle populären Sprachen unterstützen 2012 Concurrency Quelle: 30

31 Auch R unterstützt inzwischen Concurrency Quelle: 31

32 PL/SQL unterstützt keine Concurrency und fällt zurück Quelle: 32

33 Ausweg: Parallelisierung mit OWF (Hash-Partitioning) Vorgehen Jeder Job sortiert POS Jeder Job filtert ¼ Teilnehmer und sortiert Jeder Job findet NN Nachteile 4-facher RAM und CPU-Bedarf 4 statt 1 Full-Table-Scan ¼ Dichte der Teilnehmer CPU 1 CPU 2 CPU 3 CPU 4 33

34 Alternativ: Parallelisierung mit OWF (Range-Partitioning) Vorgehen Jeder Job sortiert POS Bestimmung Quartile Nord-Süd Jeder Job filtert ¼ Teilnehmer und sortiert Jeder Job findet NN parallel Nachteil Zusätzlich Scan und Sortierung Vorteil Vermeidet ¼ Dichte der Teilnehmer CPU 1 CPU 2 CPU 3 CPU 4 34

35 Ungefähre Perzentile aus Exascale Explorative Data Analysis würden zum Beispiel genügen, für eine Parallelisierung mit Range-Partitioning Vorgehen Bestimmung ungefährer Quartile Nord-Süd Jeder Job sortiert POS Jeder Job filtert ¼ Teilnehmer und sortiert Jeder Job findet NN parallel Vorteil Vermeidet zusätzliche Sortierung zur Quartilbestimmmung CPU 1 CPU 2 CPU 3 CPU 4 35

36 6 Hürden für die Verwendung von Oracle Advanced Analytics 36

37 Qualität: Statistische Modelle auf großen Daten lohnen sich vor allem bei rechenintensiven Verfahren zur Modellierung von Wechselwirkungen z.b. Median ist schon bei kleinen Stichproben robust schätzbar z.b. additive lineare Modelle wie Lineare Regression wie Logistische Regression sind mit moderaten Stichprobengrößen schätzbar auch große Datenmengen lassen sich wenn auch langsamer mit freier opensource Software verarbeiten (z.b. R ff biglm) z.b. Bagging non-additiver Modelle mit komplexen Wechselwirkungen wie Random Forests zur Prädiktion wie Truecluster zur Segmentierung profitiert von möglichst hoher Parallelität profitiert von möglichst großen Stichproben... deren Export aus der DB teuer ist 37

38 Kosten: Der Zugriff auf die kompletten Big-Data lohnt sich nur in bestimmten Phasen eines analytischen Projekts Erste explorative Analysen und prototypische Modellierungen Weitergehende explorative Analysen, Ausreisseranalyse und -bereinigung sind mit Stichproben schätzbar können mittels Exascale Exascale Explorative Data Analysis schneller und weitgehend ohne wiederholte Zugriffe auf den vollen Datenbestand erledigt werden Für 90% Projektvolumen können Appliance- Kosten umgangen werden Finale Modellschätzung, Modellvalidierung, Modellkalibrierung erfordern Zugriff auf den vollen Datenbestand und profitieren von hochparallelen Systemen 38

39 Exascale Explorative Data Analysis beschleunigt bestimmte Abfragen um Größenordnungen bei gleichzeitig minimierten Energiekosten Server Seltene Zugriffe auf Daten auf teurer paralleler Hardware HD/SSD Client Häufige billige schnelle Zugriffe auf lossy compressed Daten in-ram RAM DB-Server 10% Datenhaltung und finaler Modellfit BI-Client 90% Analyseprojekt Exploration und Cleaning lokal in-ram Exadata-Cell-Server Datenhaltung raw & lossy compressed Exadata-DB-Server EEDA-Engine Beliebiger Client EEDA-Anfragen 39

40 Die Logik von Free Open-Source Communities wie R basiert auf Kooperation die GPL Lizenz versucht das zu ermutigen nehmen geben 40

41 Einige Firmen interpretieren FOSS eher kooperativ Packages geben Profite nehmen 41

42 Einige DB-Vendors interpretieren FOSS eher parasitär Patente & Anwälte Profite nehmen 42

43 Für Kunden von Oracle Advanced Analytics birgt es Risiken dass Oracle und andere DB-Player ob juristisch anfechtbar oder nicht die Intention der GPL verletzen. Was wenn die R Foundation sich doch zu einer Klage entschließt? wenn das Core-Team die Lizenz ändert? Autoren von key-packages die Lizenzen ändern? (bit64, ggplot, XML, nlme, lme4, ) die Free Software Foundation die wachsende Popularität von R nutzt um einen Musterprozess um die GPL zu führen? Sie ein Problem haben bei dessen Lösung Sie auf die Mithilfe der Community angewiesen sind, diese Ihnen als kommerziellem Nutzer aber nicht helfen möchte? frustrierte Key-Contributors von R zur neuen Statistiksprache Julia des MIT abwandern? 43

44 Es besteht ein Risiko, dass die Community zerbricht oder abwandert die zwei Gründer von R sind infolge Kommerzialisierung zerstritten Ross Ihaka Robert Gentleman frustrierter Rückzug im Board bei Revolution Analytics 44

45 Dr. Jens Oehlschlägel DeutschlandCard GmbH I Ein Unternehmen von arvato Bertelsmann Neumarkter Strasse 22 I D München Fon +49 (0) & +49 (0)

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

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

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

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

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

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

Mehr

Oracle GridControl Tuning Pack. best Open Systems Day April 2010. Unterföhring. Marco Kühn best Systeme GmbH marco.kuehn@best.de

Oracle GridControl Tuning Pack. best Open Systems Day April 2010. Unterföhring. Marco Kühn best Systeme GmbH marco.kuehn@best.de Oracle GridControl Tuning Pack best Open Systems Day April 2010 Unterföhring Marco Kühn best Systeme GmbH marco.kuehn@best.de Agenda GridControl Overview Tuning Pack 4/26/10 Seite 2 Overview Grid Control

Mehr

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen Nahezu 70% aller Data Warehouse Anwendungen leiden unter Leistungseinschränkungen der unterschiedlichsten Art. - Gartner

Mehr

R im Enterprise-Modus

R im Enterprise-Modus R im Enterprise-Modus Skalierbarkeit, Support und unternehmensweiter Einsatz Dr. Eike Nicklas HMS Konferenz 2014 Was ist R? R is a free software environment for statistical computing and graphics - www.r-project.org

Mehr

Große Datenmengen knacken mit SAS High-Performance Analytics

Große Datenmengen knacken mit SAS High-Performance Analytics make connections share ideas be inspired Große Datenmengen knacken mit SAS High-Performance Analytics Martin Schütz CC Analytics SAS Institute GmbH Agenda Terminologie: SAS High-Performance Analytics SAS

Mehr

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

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

Mehr

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

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

Mehr

NoSQL mit Postgres 15. Juni 2015

NoSQL mit Postgres 15. Juni 2015 Tag der Datenbanken 15. Juni 2015 Dipl.-Wirt.-Inform. Agenda l Vorstellung l Marktübersicht l Warum PostgreSQL? l Warum NoSQL? l Beispielanwendung Seite: 2 Vorstellung Dipl.-Wirt.-Inform. [1990] Erste

Mehr

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

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

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3

Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3 Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3 Copyright 2005, SAS Institute Inc. All rights reserved. Ulrich Reincke, SAS Deutschland Agenda Der Neue Enterprise Miner 5.2 Der Neue Text Miner 2.3

Mehr

SOLISYON GMBH CHRISTIAN WOLF, BENJAMIN WEISSMAN. Optimierung von Abfragen in MS SQL Server DWH-Umgebungen

SOLISYON GMBH CHRISTIAN WOLF, BENJAMIN WEISSMAN. Optimierung von Abfragen in MS SQL Server DWH-Umgebungen WEITER BLICKEN. MEHR ERKENNEN. BESSER ENTSCHEIDEN. Optimierung von Abfragen in MS SQL Server DWH-Umgebungen SOLISYON GMBH CHRISTIAN WOLF, BENJAMIN WEISSMAN VERSION 1.0 OPTIMIERUNG VON ABFRAGEN IN MS SQL

Mehr

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zettabyte CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zetabyte: analytische Datenbanken Die Datenflut. Analytische Datenbanken: Was ist neu? Analytische Datenbanken:

Mehr

DWH Lösung im Handel auf Basis einer Oracle DB mit open source BI Komponenten

DWH Lösung im Handel auf Basis einer Oracle DB mit open source BI Komponenten Version 1.1 INFORMATIONSSYSTEME DWH Lösung im Handel auf Basis einer Oracle DB mit open source BI Komponenten Thorsten Stiller Marcel Mrowetz Ressort Informationssysteme Business Intelligence Customer

Mehr

Exadata Ultimate Performance - Einführung bei Migros Bank. Dr.-Ing. Holger Friedrich

Exadata Ultimate Performance - Einführung bei Migros Bank. Dr.-Ing. Holger Friedrich Exadata Ultimate Performance - Einführung bei Migros Bank Dr.-Ing. Holger Friedrich Agenda Einführung Projekt Exadata Claims Erfahrungen Fazit 2 sumit AG sumit AG bietet Consulting- und Implementierungsdienstleistungen

Mehr

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

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

Mehr

Einführung in Hauptspeicherdatenbanken

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

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Die Oracle BI Trilogie von Trivadis

Die Oracle BI Trilogie von Trivadis Die Oracle BI Trilogie von Trivadis Teil 2 - Aufbau einer DWH- und BI-Landschaft Zürich, 25. November 2009 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg München Stuttgart

Mehr

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014 SQL PASS Treffen RG KA Überblick Microsoft Power BI Tools Stefan Kirner Karlsruhe, 27.05.2014 Agenda Die wichtigsten Neuerungen in SQL 2012 und Power BI http://office.microsoft.com/en-us/office365-sharepoint-online-enterprise-help/power-bi-for-office-365-overview-andlearning-ha104103581.aspx

Mehr

OpenSource Business Strategien. Thomas Uhl Topalis AG

OpenSource Business Strategien. Thomas Uhl Topalis AG OpenSource Business Strategien Thomas Uhl Topalis AG Firmenübersicht 14.07.09 Thomas Uhl 2 Open Source ist ein alternativer Weg, bessere Software zu produzieren (Forbes Magazine) 14.07.09 Thomas Uhl 3

Mehr

PostgreSQL in großen Installationen

PostgreSQL in großen Installationen PostgreSQL in großen Installationen Cybertec Schönig & Schönig GmbH Hans-Jürgen Schönig Wieso PostgreSQL? - Die fortschrittlichste Open Source Database - Lizenzpolitik: wirkliche Freiheit - Stabilität,

Mehr

Einsatz des Microsoft SQL-Servers bei der KKH

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

Mehr

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

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

Mehr

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics Vorstellung IBM Cognos 10.2 Oliver Linder Client Technical Professional Business Analytics Agenda IBM Cognos 10.2 Architektur User Interfaces IBM Cognos Workspace IBM Cognos Workspace Advanced IBM Cognos

Mehr

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

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

Mehr

Die bisher bereits bekannten Aggregatsfunktionen MIN, MAX, SUM, AVG, COUNT, VARIANCE und STDDEV wurden um FIRST und LAST erweitert.

Die bisher bereits bekannten Aggregatsfunktionen MIN, MAX, SUM, AVG, COUNT, VARIANCE und STDDEV wurden um FIRST und LAST erweitert. Betrifft Autor FIRST, LAST Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem NF9i-Kurs, NF9i-Techno-Circle der Trivadis und Oracle9i Data Warehousing

Mehr

Oracle R zum Anfassen

Oracle R zum Anfassen Oracle R zum Anfassen Alfred Schlaucher Oracle Deutschland (Data Warehouse) Oliver Bracht Andreas Prawitt Oracle Partner eoda Oracle R zum Anfassen: Die Themen 09:30 Begrüßung 09:45 R Zum Anfassen Einführung

Mehr

Antwortzeitverhalten von Online Storage Services im Vergleich

Antwortzeitverhalten von Online Storage Services im Vergleich EPOD Encrypted Private Online Disc Antwortzeitverhalten von Online Storage Services im Vergleich Fördergeber Förderprogramm Fördernehmer Projektleitung Projekt Metadaten Internet Foundation Austria netidee

Mehr

Halbautomatische Migration bestehender ETL-Prozesse von Informatica nach Talend

Halbautomatische Migration bestehender ETL-Prozesse von Informatica nach Talend Halbautomatische Migration bestehender ETL-Prozesse von Informatica nach Talend Proof of Concept, Möglichkeiten und Grenzen Markus Pepping Dipl. Wirtschaftsinformatiker, IT-Architekt Senior Consultant

Mehr

Das Beste aus zwei Welten

Das Beste aus zwei Welten : Das Beste aus zwei Welten Das Beste aus zwei Welten Aufruf von R Funktionen mit PROC IML KSFE 2012 08.03.2012 ist IT Dienstleister für Business Intelligence und Datenanalyse gibt es seit über 20 Jahren

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

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

Mehr

Möglichkeiten für bestehende Systeme

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

Mehr

ETL Monitoring & Tuning durch Auswertung der OWB Laufzeit-Metadaten. Referent: Lutz Bauer, Leiter CC Data Integration, MT AG

ETL Monitoring & Tuning durch Auswertung der OWB Laufzeit-Metadaten. Referent: Lutz Bauer, Leiter CC Data Integration, MT AG ETL Monitoring & Tuning durch Auswertung der OWB Laufzeit-Metadaten Referent: Lutz Bauer, Leiter CC Data Integration, MT AG MT AG managing technology Key-facts: 1994: Gründung als MT Software GmbH 2000:

Mehr

CITRA-Forum. Nutzen Sie das Potential all Ihrer Daten: Geodata Warehouse mit der Oracle Plattform. CITRA-Forum im Schloß 2009

CITRA-Forum. Nutzen Sie das Potential all Ihrer Daten: Geodata Warehouse mit der Oracle Plattform. CITRA-Forum im Schloß 2009 Nutzen Sie das Potential all Ihrer Daten: Geodata Warehouse mit der Oracle Plattform im Schloß 2009 Sinzig, 15.09.2009 Carsten Czarski, Oracle Deutschland GmbH Agenda Geodaten gestern, heute, morgen Geo-DWH

Mehr

Storage-Trends am LRZ. Dr. Christoph Biardzki

Storage-Trends am LRZ. Dr. Christoph Biardzki Storage-Trends am LRZ Dr. Christoph Biardzki 1 Über das Leibniz-Rechenzentrum (LRZ) Seit 50 Jahren Rechenzentrum der Bayerischen Akademie der Wissenschaften IT-Dienstleister für Münchner Universitäten

Mehr

Perzentile mit Hadoop ermitteln

Perzentile mit Hadoop ermitteln Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile

Mehr

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 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Eine kurze Einführung in die Technologiegrundlage. Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing

Eine kurze Einführung in die Technologiegrundlage. Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing Eine kurze Einführung in die Technologiegrundlage www.finish-project.eu Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing Was ist FIWARE? Future Internet Ware

Mehr

Exadata Ultimate Performance - Migration bei Migros Bank. Dr.-Ing. Holger Friedrich

Exadata Ultimate Performance - Migration bei Migros Bank. Dr.-Ing. Holger Friedrich Exadata Ultimate Performance - Migration bei Migros Bank Dr.-Ing. Holger Friedrich Exadata Ultimate Performance - Migration bei Migros Bank Dr.-Ing. Holger Friedrich Agenda Einführung Projekt Exadata Claims

Mehr

MATCHING VON PRODUKTDATEN IN DER CLOUD

MATCHING VON PRODUKTDATEN IN DER CLOUD MATCHING VON PRODUKTDATEN IN DER CLOUD Dr. Andreas Thor Universität Leipzig 15.12.2011 Web Data Integration Workshop 2011 Cloud Computing 2 Cloud computing is using the internet to access someone else's

Mehr

O-BIEE Einführung mit Beispielen aus der Praxis

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

Mehr

MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015

MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 DAS ERWARTET SIE IN MEINEM VORTRAG Neue Anforderungen, neue Herausforderungen, neue Möglichkeiten Software Demo:

Mehr

WHERE Klausel Generierung mit.net und Oracle. Aus unserer Projekterfahrung und Architektur-Kurs

WHERE Klausel Generierung mit.net und Oracle. Aus unserer Projekterfahrung und Architektur-Kurs Betrifft Art der Info Quelle WHERE Klausel Generierung mit.net und Oracle Technical Info Aus unserer Projekterfahrung und Architektur-Kurs Where ist the WHERE? Der Artikel untersucht die Möglichkeiten,

Mehr

Einstieg in das SQL- und Datenbanktuning 14.01.2009. Loblied auf den Tabellen-Index!

Einstieg in das SQL- und Datenbanktuning 14.01.2009. Loblied auf den Tabellen-Index! 1/40 PHP-User-Group Stuttgart 14.01.2009 Warum Datenbanken einen Hals bekommen und was sich dagegen tun lässt. Tuning und Performancesteigerung ohne zusätzliche Hardware. Ein. Loblied auf den Tabellen-Index!

Mehr

EXASOL Anwendertreffen 2012

EXASOL Anwendertreffen 2012 EXASOL Anwendertreffen 2012 EXAPowerlytics Feature-Architektur EXAPowerlytics In-Database Analytics Map / Reduce Algorithmen Skalare Fkt. Aggregats Fkt. Analytische Fkt. Hadoop Anbindung R LUA Python 2

Mehr

Migration von RMS nach ORACLE http://138.245.152.20/edv/decus2003_web.html

Migration von RMS nach ORACLE http://138.245.152.20/edv/decus2003_web.html http://138.245.152.20/edv/decus2003_web.html E.W.Raschner, Max von Pettenkofer-Institut, LMU München, raschner@m3401.mpk.med.uni-muenchen.de Voraussetzungen, Umgebung Grundlegende Überlegungen Aufbau der

Mehr

SharePoint 2010. Heinz Beutler. Principal Consultant. 1. Juni 2010

SharePoint 2010. Heinz Beutler. Principal Consultant. 1. Juni 2010 SharePoint 2010. Erste Projekt-Erfahrung. Namics. Heinz Beutler. Principal Consultant. 1. Juni 2010 Agenda. Ausgangslage. Ziele. Vorgehen. Rahmenbedingungen. Collaboration. Infrastruktur. Architektur.

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

Mehr

Cloud Computing für redaktionelle Prozesse und Publishing. CROSSMEDIAFORUM 2013, München

Cloud Computing für redaktionelle Prozesse und Publishing. CROSSMEDIAFORUM 2013, München Cloud Computing für redaktionelle Prozesse und Publishing CROSSMEDIAFORUM 2013, München Cloud für Verlage inhouse Freie Autoren Content Pflege Publishing Website PDF epub apps, elearning, POD Infrastruktur

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

Towards Automated Analysis of Business Processes for Financial Audits

Towards Automated Analysis of Business Processes for Financial Audits Towards Automated Analysis of Business Processes for Financial Audits Michael Werner Universität Hamburg michael.werner@wiso.uni hamburg.de Max Brauer Allee 60 22765 Hamburg StB Prof. Dr. Nick Gehrke Nordakademie

Mehr

Fachbereich Informatik Praktikum 1

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

Mehr

Step 0: Bestehende Analyse-Plattform

Step 0: Bestehende Analyse-Plattform Die Themen 09:30-09:45 Einführung in das Thema (Oracle) 09:45-10:15 Hadoop in a Nutshell (metafinanz) 10:15-10:45 Hadoop Ecosystem (metafinanz) 10:45-11:00 Pause 11:00-11:30 BigData Architektur-Szenarien

Mehr

Neuerungen Analysis Services

Neuerungen Analysis Services Neuerungen Analysis Services Neuerungen Analysis Services Analysis Services ermöglicht Ihnen das Entwerfen, Erstellen und Visualisieren von Data Mining-Modellen. Diese Mining-Modelle können aus anderen

Mehr

Oracle Datenbank Einführung Ulrike Schwinn Email: Ulrike.Schwinn@HS-Augsburg.DE

<Insert Picture Here> Oracle Datenbank Einführung Ulrike Schwinn Email: Ulrike.Schwinn@HS-Augsburg.DE Oracle Datenbank Einführung Ulrike Schwinn Email: Ulrike.Schwinn@HS-Augsburg.DE Oracle Corporation in Zahlen Gegründet 1977 Headquarter in Redwood Shores in Kalifornien 84 000 Angestellte

Mehr

Oracle Capacity Planning

Oracle Capacity Planning Seminarunterlage Version: 2.03 Version 2.03 vom 8. Juli 2014 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen oder

Mehr

Technische Beschreibung: EPOD Server

Technische Beschreibung: EPOD Server EPOD Encrypted Private Online Disc Technische Beschreibung: EPOD Server Fördergeber Förderprogramm Fördernehmer Projektleitung Projekt Metadaten Internet Foundation Austria netidee JKU Linz Institut für

Mehr

Check_MK. 11. Juni 2013

Check_MK. 11. Juni 2013 Check_MK 11. Juni 2013 Unsere Vision IT-Monitoring muss werden: 1. einfach 2. performant 2 / 25 Was macht IT-Monitoring? IT-Monitoring: Aktives Überwachen von Zuständen Verarbeiten von Fehlermeldungen

Mehr

Mehr erreichen mit der bestehenden Infrastuktur. Mathias Widler Regional Sales Manager DACH mwidler@a10networks.com

Mehr erreichen mit der bestehenden Infrastuktur. Mathias Widler Regional Sales Manager DACH mwidler@a10networks.com Mehr erreichen mit der bestehenden Infrastuktur Mathias Widler Regional Sales Manager DACH mwidler@a10networks.com 1 Das Unternehmen A10 Networks Gegründet 2004, 240 Mitarbeiter Mission: Marktführer im

Mehr

Folgendes PL/SQL Codefragment zeigt das grundlegende Statement für diesen Test: Java. http://www.trivadis.com/images/javaperf_tcm16-7133.

Folgendes PL/SQL Codefragment zeigt das grundlegende Statement für diesen Test: Java. http://www.trivadis.com/images/javaperf_tcm16-7133. Page 1 of 7 Betrifft: Java oder PL/SQL? Art der Info: Technische Background Info Autor: Guido Schmutz (guido.schmutz@trivadis.com) Quelle: Aus unserer Schulungs- und Beratungstätigkeit Mit Oracle8.1 besteht

Mehr

Test nichtfunktionaler Anforderungen in der Praxis am Beispiel einer netzzentrierten Anwendung. Test nichtfunktionaler Anforderungen Agenda

Test nichtfunktionaler Anforderungen in der Praxis am Beispiel einer netzzentrierten Anwendung. Test nichtfunktionaler Anforderungen Agenda Test nichtfunktionaler in der Praxis am Beispiel einer netzzentrierten Anwendung Februar 2011 Test nichtfunktionaler Agenda 1. 2. 3. 4. 5. 6. TAV Tagung Februar 2011 Julia Remmert Public Wincor Nixdorf

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr

Klopotek goes Cloud computing Peter Karwowski. Frankfurt, 14. Oktober 2015

Klopotek goes Cloud computing Peter Karwowski. Frankfurt, 14. Oktober 2015 Klopotek goes Cloud computing Peter Karwowski Frankfurt, 14. Oktober 2015 1 Warum Cloud computing? Die Cloud ist flexibel Einfache vertikale und horizontale Skalierung von Services Die Cloud spart Kosten

Mehr

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" HANS-JOACHIM EDERT

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN? HANS-JOACHIM EDERT WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" Copyr i g ht 2012, SAS Ins titut e Inc. All rights res er ve d. HANS-JOACHIM EDERT EBINAR@LUNCHTIME

Mehr

Big Data & High-Performance Analytics

Big Data & High-Performance Analytics Big Data & High-Performance Analytics Wolfgang Schwab, Senior Business Advisor Berlin 20.4.2012 PROJECTING THE GROWTH OF BIG DATA Source: IDC Digital Universe Study, sponsored by EMC, May 2010 THRIVING

Mehr

Powerful PL/SQL: Collections indizieren mit VARCHAR2- Indizes ein Praxisbeispiel

Powerful PL/SQL: Collections indizieren mit VARCHAR2- Indizes ein Praxisbeispiel Powerful PL/SQL: Collections indizieren mit VARCHAR2- Indizes ein Praxisbeispiel Schlagworte Autor: Klaus Friemelt, MT AG dynamisches BULK SQL, VARCHAR2-indizierte PL/SQL-Tabellen Einleitung Mit den letzten

Mehr

Caching. Hintergründe, Patterns &" Best Practices" für Business Anwendungen

Caching. Hintergründe, Patterns & Best Practices für Business Anwendungen Caching Hintergründe, Patterns &" Best Practices" für Business Anwendungen Michael Plöd" Senacor Technologies AG @bitboss Business-Anwendung!= Twitter / Facebook & co. " / kæʃ /" bezeichnet in der EDV

Mehr

Analyse und Auswertung großer heterogener Datenmengen

Analyse und Auswertung großer heterogener Datenmengen Analyse und Auswertung großer heterogener Datenmengen Herausforderungen für die IT-Infrastruktur Richard Göbel Inhalt Big Data Was ist das eigentlich? Was nützt mir das? Wie lassen sich solche großen Datenmengen

Mehr

Apache Hadoop. Distribute your data and your application. Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.

Apache Hadoop. Distribute your data and your application. Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache. Apache Hadoop Distribute your data and your application Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org Apache The Apache Software Foundation Community und

Mehr

SAS und R -Ein ungleiches Paar-

SAS und R -Ein ungleiches Paar- SAS und R -Ein ungleiches Paar- 15. KSFE in Heidelberg 25. Februar 2011 Über uns HMS Analytical Software ist seit 21 Jahren IT-Spezialist für Datenanalysesysteme und Business Intelligence Leistungen Beratung,

Mehr

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2 Seminar Cloud Data Management WS09/10 Tabelle1 Tabelle2 1 Einführung DBMS in der Cloud Vergleich verschiedener DBMS Beispiele Microsoft Azure Amazon RDS Amazon EC2 Relational Databases AMIs Was gibt es

Mehr

vinsight BIG DATA Solution

vinsight BIG DATA Solution vinsight BIG DATA Solution München, November 2014 BIG DATA LÖSUNG VINSIGHT Datensilos erschweren eine einheitliche Sicht auf die Daten...... und machen diese teilweise unmöglich einzelne individuelle Konnektoren,

Mehr

Virtualisierung am Beispiel des LRZ Stefan Berner berner@lrz.de

Virtualisierung am Beispiel des LRZ Stefan Berner berner@lrz.de Virtualisierung am Beispiel des LRZ Stefan Berner berner@lrz.de Leibniz-Rechenzentrum der Bayerischen Akademie der Wissenschaften Agenda Einleitung Vor- und Nachteile der Virtualisierung Virtualisierungssoftware

Mehr

Infografik Business Intelligence

Infografik Business Intelligence Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz

Mehr

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

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

Mehr

Session Storage im Zend Server Cluster Manager

Session Storage im Zend Server Cluster Manager Session Storage im Zend Server Cluster Manager Jan Burkl System Engineer, Zend Technologies Agenda Einführung in Zend Server und ZSCM Überblick über PHP Sessions Zend Session Clustering Session Hochverfügbarkeit

Mehr

The Unbreakable Database System

The Unbreakable Database System The Unbreakable Database System Real Application Cluster Unterföhring, 04.2005 M. Kühn 1 Comparisson HA - HA Ziele, DataGuard, HA Oracle, RAC RAC Features - Cache Fusion, TAF, Load Balancing RAC on Solaris

Mehr

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas

Mehr

MySQL in großen Umgebungen

MySQL in großen Umgebungen MySQL in großen Umgebungen 03.03.2011 CeBIT Referent: Bernd Erk Agenda DESTINATION TIME REMARK KURZVORSTELLUNG MYSQL STATUS QUO STORAGE ENGINES MONITORING UND MANAGEMENT ENTERPRISE FEATURES FRAGEN UND

Mehr

SQL on Hadoop für praktikables BI auf Big Data.! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh

SQL on Hadoop für praktikables BI auf Big Data.! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh SQL on Hadoop für praktikables BI auf Big Data! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh War nicht BigData das gleiche NoSQL? 2 Wie viele SQL Lösungen für Hadoop gibt es mittlerweile? 3 ! No SQL!?

Mehr

Tuning von PostGIS mit Read- Only-Daten von OpenStreetMap

Tuning von PostGIS mit Read- Only-Daten von OpenStreetMap Tuning von PostGIS mit Read- Only-Daten von OpenStreetMap Prof. Stefan Keller (Fach-)Hochschule für Technik Rapperswil (bei Zürich) 11.11.2011 PGConf.DE - Stefan Keller 1 Was ist OpenStreetMap? Wikipedia

Mehr

Werkzeuge für Datenbank Handwerker: IBM Data Studio und IBM Optim QWT

Werkzeuge für Datenbank Handwerker: IBM Data Studio und IBM Optim QWT Werkzeuge für Datenbank Handwerker: IBM Data Studio und IBM Optim QWT Neue Technologien effizient nutzen Ehningen, 3. Juli 2014 Rodney Krick rk@aformatik.de aformatik Training & Consulting GmbH & Co. KG

Mehr

Eine kurze Einführung in die Technologiegrundlage. Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing

Eine kurze Einführung in die Technologiegrundlage. Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing Eine kurze Einführung in die Technologiegrundlage www.finish-project.eu Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing Was ist FIWARE? Future Internet Ware

Mehr

Predictive Modeling Markup Language. Thomas Morandell

Predictive Modeling Markup Language. Thomas Morandell Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML

Mehr

Big Data für die Internet Sicherheit

Big Data für die Internet Sicherheit Big Data für die Internet Sicherheit Ralph Kemperdick Hans Wieser Microsoft 1 Mobile-first Data-driven Cloud-first 2 2 3 Messenger Wi nd ow s Liv e 4 5 Anwendung: Das Microsoft Cybercrime Center 6 Betrug

Mehr

IT-Services. Business und IT. Ein Team. Aus Sicht eines Retailers.

IT-Services. Business und IT. Ein Team. Aus Sicht eines Retailers. Business und IT. Ein Team. Aus Sicht eines Retailers. Hier steht ein Bild randabfallend. Wenn kein Bild vorhanden ist, bitte Folie 2 benutzen. IT-Services Club of Excellence. Das CIO Forum der IBM vom

Mehr

Open Source. Hendrik Ebbers 2015

Open Source. Hendrik Ebbers 2015 Open Source Hendrik Ebbers 2015 Open Source About me Hendrik Ebbers Lead of JUG Dortmund Java Architect @ Canoo Engineering AG JavaOne Rockstar, Java Expert Group Member Speaker, blogger & author Engineering

Mehr

Ausgabe in Excel leicht gemacht mit dem JDD Spreadsheet Publisher. Dietmar Aust JDD- So;ware UG www.jdd- so;ware.com

Ausgabe in Excel leicht gemacht mit dem JDD Spreadsheet Publisher. Dietmar Aust JDD- So;ware UG www.jdd- so;ware.com Ausgabe in Excel leicht gemacht mit dem Dietmar Aust JDD- So;ware UG www.jdd- so;ware.com JDD- So;ware UG Dietmar Aust 15 Jahre Entwicklung von WebapplikaFonen auf Basis von Oracle, seit 2006 nur APEX

Mehr

DWH-Metadaten Wie und wozu. Clemens Albrecht metafinanz Informationssysteme GmbH

DWH-Metadaten Wie und wozu. Clemens Albrecht metafinanz Informationssysteme GmbH DWH-Metadaten Wie und wozu Clemens Albrecht metafinanz Informationssysteme GmbH Wir fokussieren mit unseren Services die Herausforderungen des Marktes und verbinden Mensch und IT. Business Intelligence

Mehr

Data Science & Big Data, made in Switzerland Thilo Stadelmann, ZHAW School of Engineering Frank Ihringer, Serwise AG. 2013 IBM Corporation

Data Science & Big Data, made in Switzerland Thilo Stadelmann, ZHAW School of Engineering Frank Ihringer, Serwise AG. 2013 IBM Corporation Data Science & Big Data, made in Switzerland Thilo Stadelmann, ZHAW School of Engineering Frank Ihringer, Serwise AG 2013 IBM Corporation Agenda Data Science made in Switzerland Case Study 1: Social Media

Mehr

IBM Informix Tuning und Monitoring

IBM Informix Tuning und Monitoring Seminarunterlage Version: 11.01 Copyright Version 11.01 vom 25. Juli 2012 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen

Mehr

Berater-Profil 2616. DB-Administrator, Systementwickler (Oracle) EDV-Erfahrung seit 1993. Verfügbar ab auf Anfrage.

Berater-Profil 2616. DB-Administrator, Systementwickler (Oracle) EDV-Erfahrung seit 1993. Verfügbar ab auf Anfrage. Berater-Profil 2616 DB-Administrator, Systementwickler (Oracle) Ausbildung Dipl. Inf. EDV-Erfahrung seit 1993 Verfügbar ab auf Anfrage Geburtsjahr 1960 Unternehmensberatung R+K AG, Theaterstrasse 4, CH-4051

Mehr

Wie profitiert SAP MaxDB von SSD Technologie?

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

Mehr

SQL (Structured Query Language) Schemata Datentypen

SQL (Structured Query Language) Schemata Datentypen 2 SQL Sprachelemente Grundlegende Sprachelemente von SQL. 2.1 Übersicht Themen des Kapitels SQL Sprachelemente Themen des Kapitels SQL (Structured Query Language) Schemata Datentypen Im Kapitel SQL Sprachelemente

Mehr

Mining top-k frequent itemsets from data streams

Mining top-k frequent itemsets from data streams Seminar: Maschinelles Lernen Mining top-k frequent itemsets from data streams R.C.-W. Wong A.W.-C. Fu 1 Gliederung 1. Einleitung 2. Chernoff-basierter Algorithmus 3. top-k lossy counting Algorithmus 4.

Mehr

Delivering new, powerful reporting solutions with open source BI Michael Schlenzka, Jaspersoft

Delivering new, powerful reporting solutions with open source BI Michael Schlenzka, Jaspersoft Delivering new, powerful reporting solutions with open source BI Michael Schlenzka, Jaspersoft 2009 Jaspersoft Corp. All rights reserved. 0509JW Agenda Reporting und Rechenzentren Vorstellung Jaspersoft

Mehr