In Memory DataBase (IMDB) ein Paradigmenwechsel im DataWarehousing?

Größe: px
Ab Seite anzeigen:

Download "In Memory DataBase (IMDB) ein Paradigmenwechsel im DataWarehousing?"

Transkript

1 In Memory DataBase (IMDB) ein Paradigmenwechsel im DataWarehousing? Von Dr. Thomas Heise In Memory DataBase (IMDB) werden Performance-Vorteile bei der Analyse von großen Datenmengen mit iterativen analytischen Verfahren und interaktiven DataMining Tools gegenüber I/O basierten DataBase zugeschrieben. Auch für transaktionsorientierte Anwendungen stehen IMDB Architekturen zur Verfügung. SAP HANA Appliances liefern die Datenbasis für OLAP und OLTP Applikationen. Warum sollen in Zukunft unterschiedliche, spezialisierte Datenbanken für transaktionsorientierte Applikationen, dispositive Applikationen und analytische Applikationen zum Einsatz kommen? Ist der Einsatz eines DataWarehouses für dispositve und analytische Applikationen noch zeitgemäß? In Memory Datenbanken (IMDB) IMDB Funktionalitäten werden zum weiteren Architekturprinzip neben spaltenorientieren Datenbanken, massive parallel Processing (MPP), shared nothing Architektur und für die Software optimierte Hardware (Datenbank Appliances), das genutzt wird, um große Datenmengen zu speichern und notwendige Daten-Performance für analytische Applikationen zu liefern. In IMDB befinden sich die Daten im physikalischen Arbeitsspeicher und besitzen unter Umständen eine Kopie auf Plattenspeichermedien. Die In Memory lokalisierte Datenhaltung der Datenbank benötigt ein geändertes Datenbankmanagementsystem (DBMS). Im Unterschied zu IMDB befinden sich auf I/O basierten Datenbanken die Daten auf Plattenspeichermedien mit Caching-Funktionen die Teile der Daten in den physikalischen Arbeitsspeicher auslagern. Es gibt unterschiedliche Ausführungen dieser I/O basierten Datenbanksysteme (RDBMS, HDBMS, MDBMS, ODBMS) 1, die SQL 2 und NonSQL Abfragesprachen aufweisen. Im Unterschied zum Caching bei I/O basierten Datenbanken erfolgt der Datenzugriff bei IMDB nicht über Block basierte Indices (z.b. B-Trees), die für einen Plattenzugriff ausgelegt sind; die Schnittstellen zu Anwendungen benötigen keine Buffermanager bei dem die Plattenadresse ermittelt wird, mit deren Hilfe der Zugriff auf den zugehörigen Datenblock im Arbeitsspeicher (Cache) erfolgt. 1 RDBMS := relationales Datenbank Management System; MDBMS := multidimensionales Datenbank Management System; HDBMS := Hierarchisches Datenbank Management System; ODBMS : = objektorientiertes Datenbank Management System. 2 Für MDBMS gibt es MDX (Multidimensional Expression) und wird als standardisierte Abfragesprache von OLE DB for OLAP (ODBO) verwendet. MDX wurde in Anlehnung an SQL für multidimensionale Anforderungen entwickelt. Heise Consulting Services GmbH 2010 Seite 1 von 6

2 IMDB bieten die Möglichkeit des direkten Zugriffs auf Speicheradressen zur Verkürzung von Zugriffszeiten und Transaktionszeiten. Zunehmend beginnen Anbieter von RDBMS ihre Datenbanken mit Cache-Funktionen um In Memory Techniken zu erweitern. Die Verfügbarkeit von Speicherchips mit mehr Kapazitäten und Datenkompressionsverfahren ermöglichen den Aufbau von IMDBs mit zunehmender Datenspeicherkapazität. Hohe Speicherkapazität kann durch Grid-Computing bei lokaler Speicherbegrenzung erreicht werden. In Memory Ansätze im OLAP 3 sind nicht neu, so wurden bereits in den 80er Jahren multidimensionale Datenbanken als arbeitsspeicherbetont konzipiert. Viele OLAP Datenbanken waren anfänglich so aufgebaut, dass multidimensionale Arrays beim Start oder Laden dieser Datenbanken von einem Plattenspeicher in den Arbeitsspeicher geladen wurden und beim Schließen der Datenbanken diese Arrays im Arbeitsspeicher auf Plattenspeicher zurück geschrieben wurden. Vermehrte Speicherund Persistenz-Anforderungen an OLAP Datenbanken führten in Folgejahren zu stärker I/O gestützten Speicherkonzepten und optimierten Datenkompressionsalgorithmen von MDBMS. Auch IMDB durchlaufen gegenwärtige eine ähnliche Entwicklung, indem im Rahmen von Commit Strategien die Persistenz der Daten auf Plattenspeicher verbessert wird, so dass im Fehlerfall nur Datenänderungen nach einem Commit verloren gehen. Ein kleine Übersicht und Aufteilung von IMDB Datenbanken und Erweiterungen etablierter DBMS: IMDB / Anbieter Exasol, SAP HANA, Solid DB/IBM, TimesTen/Oracle, HyperSQL Database, SQLlite, MySQL Memory + Cluster / Oracle Etablierte I/O Datenbanken mit IMDB Erweiterungen / Anbieter DB2 with BLU Acceleration/IBM, Informix Warehouse Accelerator/IBM, Oracle mit IMDB Option, Paraccel mit IMDB Option, Teradata mit Teradata Intelligent Memory, Northscale oder Kognitio Big Data Das Datenvolumen hat eine weiter ansteigende Kurve: Terabytes -> Petabytes -> Exabytes -> Zettabytes -> Yottabytes -> Brontobytes -> Geopbytes. Big Data Kapazitäten verändern eine Anforderungen an Business Intelligence die Möglichkeit, dass End-User oder auch Maschinen Ad-Hoc Analysen und Reports über eine umfangreiche und wachsende Menge strukturierter und unstrukturierter Daten (log files, Sensor Daten, Semantic Web, s, Streaming Daten, Forschungsdaten oder Bilder) ausführen können. Die steigende Anzahl von Auswertungen und Transaktionen erzeugt Engpässe auf traditionellen Datenspeichern, wenn diese auf dem Quelldatenspeicher ausgeführt werden. Caching Technologien oder In Memory Technologien von analytischen Plattformen als Bindeglied zwischen Datenschicht und analytischer Anwendung sollen Zugriffszeiten reduzieren und Quelldatenspeicher entlasten. Zahlreiche analytische Plattformen unterstützen den Zugriff auf strukturierte, semi-strukturierte und unstrukturierte Daten mit SQL und NonSQL Abfragen. Daten befinden sich bei IMDBs im Arbeitsspeicher; analytische Applikationen könnten diese Datenstrukturen direkt nutzen, wenn die IMDBs geeignete API s zur Verfügung stellen. Änderungen 3 OLAP:=Online Analytical Processing Heise Consulting Services GmbH 2010 Seite 2 von 6

3 in den Indexstrategien in IMDBs gegenüber RDBMS sollten Geschwindigkeitsvorteile auch bei Querys bringen, insbesondere, wenn SQL Algorithmen der jeweiligen IMDBs optimiert sind. Aufgrund des wachsenden Datenvolumens und zunehmender Anzahl analytischer Auswertungen werden reine IMDB nicht ausreichen, die daraus resultierenden Anforderungen zu lösen. Aus ökonomischen Gesichtspunkten sollte daher geprüft werden, welche Daten im schnellen Zugriff tatsächlich benötigt werden und im Rahmen eines Data-Live-Cycle Management Daten nach Aspekten von Cold-Warm-Hot 4 Daten auf Festplatte, Solide State Disk (SSD) oder im Arbeitsspeicher für Anwendungen verfügbar gemacht werden. Dieses Data-Live-Cycle Management muss die Bedeutung der Daten kontinuierlich überprüfen und Reorganisationen der Daten bezüglich der Zugriffshäufigkeit und Relevanz für near-realtime Auswertungen beinhalten. Für Big Data erscheinen Hybride Architekturen erfolgversprechend. Anbieter die mit Ihren Datenbanken die Fähigkeit der Speicherung von der wachsenden Menge an Daten unter Beweis gestellt haben und zudem über IMDB Optionen verfügen scheinen hierfür richtig aufgestellt zu sein, z.b. Teradata, IBM oder Oracle. DataWarehouse Architektur Prinzip DataWarehouse Umgebungen wurden ursprünglich geschaffen, um historische Daten aus unterschiedlichen Quellen zu speichern. Bei diesen Daten handelte es ich vornehmlich um strukturierte Daten, die nach einer gewissen Zeit aus den Vorsystemen ausgelagert werden mussten, aber weiterhin für multidimensionale Abfragen benötigt wurden. Die Übernahme und Homogenisierung von Daten aus unterschiedlichen Quellen in ein DataWarehouse mit integrierten oder nachgelagerten OLAP Engines mit Daten-Summierungen und Aggregationen ist ein Architekturmerkmal heutiger DataWarehouse Landschaften. Multidimensionale High speed Auswertungen werden so unterstützt. Für unterschiedliche (multidimensionle) Auswertungswerkzeuge werden spezialisierte (logische) Sichten auf konsolidierte Daten im DataWarehouse geschaffen diese logischen Sichten unterstützen Aspekte wie Performance, Datenkonsistenz, Sicherheit und Wartbarkeit. DataWarehouse Architekturprinzipien werden auch dann Bestand haben, wenn in IMDB transaktionale und dispositve Inhalte integriert werden. Semi- und unstrukturierte Daten sind nicht einfach in einem Datenmodell zu erfassen und sind daher eine Herausforderung traditioneller, datenbank-basierter DataWarehouse Umgebungen. Einige Workloads werden daher ausgelagert und mit verteilen Filesystemen oder Streaming Techniken und Map-Reduce Ansätzen analysiert. Auch zu DataMining Zwecken werden Daten aus dem DataWarehouse für Analysezwecke ausgelagert oder separiert. In der Regel sind Erkenntnisse, die im Rahmen einer Analyse aus den unstrukturierten Daten ermittelt wurden, Kandidaten, die sich in Datenmodellen abbilden lassen. Auch IMDB benötigen den Einsatz von Datenmodellen. Zur Lösung von BigData Anforderungen und einer flexiblen/anpassungsfähigen Infrastruktur für Business Intelligence werden folgende Eigenschaften an eine DataWarehouse Architektur gestellt: 1. Eignung Transaktionsdaten, strukturierte und unstrukturierte Daten in einer Plattform zu analysieren 4 Hot Daten, sind die Daten die für Abfragen und Analysen häufig benutzt werden und deren Bereitstellung mit minimaler Latenzzeit erfolgen muss. Cold Daten hingegen sind charakterisier durch Anwendungen, Analysen oder Abfragen, die eine hohe Latenzzeit tolerieren bis diese Daten verfügbar sind. Heise Consulting Services GmbH 2010 Seite 3 von 6

4 2. Geringe Latenzzeiten mit In Memory oder Solid State Devices (SSD) für alle Hot-Data die für umfangreiche Web- und near Realtime Anwendungen benötigt werden. Integration in ein Data-Live-Cycle Datenmanagement, welches Anforderungen nach Cold-Warm-Hot Daten berücksichtigt. 3. Skalierung mit commodity Hardware; massive paraller processing (MPP) mit Verteilung der Rechenleistung und Speicherkapazität (I/O und Arbeitsspeicher) sowie shared nothing Architekturen 4. Einsatz von Schichten, die spezifische Anforderungen von Applikationen, Sicherheit, Datenkonsistenz, Datenharmonisierung und Datenintegration, Betriebs- und Betreuungsaspekten kapseln 5. Integration in ein Analyseframework, das auch private und öffentliche Cloud Veröffentlichungen, Semantic-Web und Streaming Daten nutzt 6. Mit der zunehmenden Integration in die operative Steuerung (automatisierte analytische Funktionen) ist eine geeignete Verfügbarkeit der Komponenten sicherzustellen 7. Die Datenintegration und Homogenisierung sollte nachvollziehbar und geeignet für Impact Analysen 5 gestaltet sein Betrieb und Verfügbarkeit Zur Erhöhung der Verfügbarkeit sind bei IMDBs Methoden und Technologien Kandidaten, die bei RDBMS bereits im Einsatz sind: Backupbatterie der Speicherchips, nicht flüchtige Speicherchips, redundante Netzteile, UPS der Rechner, Fehler erkennende und korrigierende Speicherchips, Schnappschuss-Dateien über den Zustand der Datenbank, Redundanz der gespeicherten Daten in Clustern, Replikation, separaten Rechenzentren oder (Hot) Standby Rechner in Clustern in Verbindung mit Transaction Logs (nicht volatil). Diese Maßnahmen reduzieren die Wahrscheinlichkeit Daten im Fehlerfall zu verlieren, können einen Datenverlust jedoch nicht verhindern. Backup-Kopien der Daten auf nicht volatilen Medien sind für ein Desaster- und Recovery Management auch bei IMDBs notwendig. Wenn ein Memory-Board einer IMDB ausfällt, muss in der Regel der Rechner heruntergefahren werden, was zum Verlust des gesamten Speichers führt. Der Ausfall einer Platte bei einem RDBMS hat in der Regel keinen Impact auf weitere Platten. Ein Crash eines IMDB Rechners hat einen Verlust des Speichers zur Folge, der durch redundante Speicherhaltung (Cluster) oder von Backup-Medien während der Datenbank Recovery wieder hergestellt werden muss. Recovery Maßnahmen bei IMDBs müssen als zeitaufwendiger gegenüber I/O basierten Datenbanken eingestuft werden. Dies bedeutet, der technologische und organisatorische Aufwand ist höher, die gleiche Verfügbarkeit mit IMDBs zu erreichen. Es ist zu beachten, dass auch ein konsistentes Backup auf persistente Medien nicht die Performance der IMDB beeinträchtigen darf. Das Tuning von IMDBs ist vereinfacht, da Index-Scans für im Arbeitsspeicher befindliche Daten weniger negative Performance Einflüsse auf Abfragegeschwindigkeiten haben wie bei I/O basierten Datenbanken. Die Notwendigkeit, Daten-Summierungen und Aggregationen für Auswertungen zu erstellen, ist deutlich reduziert. Werden BigData Anforderungen berücksichtigt, so kann IMDB Bestandteil einer Hybriden Architektur sein, um Cold-Warm-Hot Data zu differenzieren. Das zugehörige Data Live-Cycle Management wird 5 Abhängigkeitsanalysen von Daten und Datenquellen Heise Consulting Services GmbH 2010 Seite 4 von 6

5 den Aufwand zum Betrieb erhöhen, auch wenn Tuningmaßnahmen traditioneller Databanksysteme durch den Einsatz von IMDB performanter Auswertungen reduziert werden kann. Datenqualität Der Trend, eine 360 Sicht der Informationen für Entscheidungen und Analysen zu erlangen, führt dazu, immer mehr Daten aus verteilten Systemen bereitzustellen. Die automatisierte Einbindung von Erkenntnissen und analytischen Funktionen in operative Abläufe bedingt, dass Daten in immer kürzeren Zeitfenstern integriert und harmonisiert werden müssen. Das Informations-Management nimmt dabei an Komplexität zu und fehlerhafte Daten können Grund für fatale Fehlentscheidungen sein. Die zunehmende Integration von datengetriebenen Entscheidungen erhöht das Risiko, dass Fehlentscheidungen erst erkannt werden, wenn ein wirtschaftlicher Schaden, z.b. mangelhafte Kampagne oder Kreditvergabe, bereits eingetreten sind. Programme zur kontinuierlichen Verbesserung der Datenqualität und Maßnahmen, fehlerhafte Daten an der Quelle zu korrigieren und nicht im Rahmen von Datenbewirtschaftungsprozessen, sind in einem DataWarehouse akzeptierte Maßnahmen. Auch ein zentrales Master-Data-Management liefert einen wichtigen Beitrag zu Erhöhung der Datenqualität. Der Ansatz, die Datenqualität durch Reduktion der verteilten Systeme zu erhöhen, ist von Vorteil, wenn hierdurch fehlerverursachende Schnittstellen zwischen einzelnen Daten produzierenden Systemen reduziert werden können. Der Einsatz einer IMDB für mehr als ein Quell-System reduziert nicht zwingend notwendige Schnittstellen zwischen operativen Komponenten, sondern vereinfacht die Datenintegration in ein DataWarehouse, da auf die gleiche IMDB Datenquelle mit unterschiedlichem Informationsbedarf zurückgegriffen werden kann, um relevante Daten für Analysen und Berichte zu integrieren. Eine Konsolidierung bestehender Datenbanken auf eine Datenhaltung mit IMDB Funktionalitäten bringt nicht zwingend eine Verbesserung der Datenqualität, obgleich einheitliche Datenformate in einer konsolidierten Datenbank Komplexität reduzieren. Fazit IMDB Funktionalitäten stellen einen weiteren Schritt in der Evolution von Datenbanken dar. Die Latenzzeit für den Zugriff auf Daten reduziert und die Bedeutung von traditionellen Datenbank Tuningmaßnahmen, die Bildung von Indices oder die Erstellung von vorgerechneten Aggregaten sinkt. Anbieter von (OLTP) Datenbanken haben IMDB Funktionalitäten in Ihre Datenbank zumindest als Option aufgenommen. Aufgrund von BigData Entwicklungen wird im Einzelfall zu entscheiden sein, welche Daten mit IMDB Funktionalitäten verfügbar gemacht werden nicht alle Daten sind Hot Data. Cold Data benötigen nicht zwingend IMDB Funktionalitäten und können daher mit I/O orientierten Techniken gespeichert werden Plattenspeicher ist weiterhin günstiger als Arbeitsspeicher. Die zunehmende Integration von IMDB Funktionalitäten in die Datenbanken verlagert Aktivitäten von Teilen des Daten-Live-Cycle Managements in die Datenbanksysteme, wo die Softwareanbieter die Verwaltung in Ihre Tools integrieren können, d.h. die Applikation oder Schnittstelle muss die IMDB Option nicht berücksichtigen, sondern die Datenbank stellt Heise Consulting Services GmbH 2010 Seite 5 von 6

6 transparent diese Funktionalität zu Verfügung. Datenbank Administratoren werden bezüglich I/O Tuning entlastet. Sie müssen jedoch IMDB Optionen verstehen und richtig einsetzen lernen - auch unter dem Aspekt der Verfügbarkeit. Die Integration von IMDB Funktionalitäten in Datenbank Systeme der großen Anbieter bieten Chancen, Datenbanken zu konsolidieren. DataWarehouse Architekturen werden weiterhin Layer Strukturen enthalten, um spezialisierte Sichten auf Daten Anwendungen und Usern zur Verfügung stellen zu können. Für die Analyse unstrukturierter Daten werden weiterhin File- oder Streaming basierte Ansätze Verwendung finden. DataWarehouse Architekturen sind durch IMDB nicht überholt, aber eine bestehende DataWarehouse Plattformstrategie könnte hinterfragt werden. Heise Consulting Services GmbH 2010 Seite 6 von 6

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

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

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

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

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

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

Mehr

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

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

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

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

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

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

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

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

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1.

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1. Inhalt der Vorlesung Literatur 1 Datenmodellierung (Entity-Relationship Modell) 2 Das relationale Modell 3 Relationenalgebra 4 Datenbanksprache (SQL) 5 Normalisierung 6 Vom ERM zum Datenbankschema 7 Routinen

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Aktuelle Trends aus Business Intelligence & Datawarehouse

Aktuelle Trends aus Business Intelligence & Datawarehouse Aktuelle Trends aus Business Intelligence & Datawarehouse Autor: Klaus Rohrmoser Es entstehen immer größere Datenmengen, die in immer unterschiedlicheren Formaten und aus immer mehr Datenquellen gespeist

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

Oracle 10g revolutioniert Business Intelligence & Warehouse

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

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting

DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting 1 Lange bewährt immer noch gelitten Das Data Warehouse ist vielen ein Dorn im Auge IT-Manager messen der zentralen

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

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

Lehrgebiet Informationssysteme

Lehrgebiet Informationssysteme Lehrgebiet AG Datenbanken und (Prof. Michel, Prof. Härder) AG Heterogene (Prof. Deßloch) http://wwwlgis.informatik.uni-kl.de/ Was sind? Computergestützte Programmsysteme, die Informationen erfassen, dauerhaft

Mehr

Datensicherheit und Hochverfügbarkeit

Datensicherheit und Hochverfügbarkeit Datensicherheit und Hochverfügbarkeit 1. Instanzfehler Aussage: Instanzfehler werden durch Crash Recovery vom DBS automatisch behandelt. Recovery Zeiten? Ausfall von Speichersubsystem, Rechner,...? Ausfall

Mehr

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr

Next Generation Database Computing: SAP HANA

Next Generation Database Computing: SAP HANA Seite 1 von 5 Next Generation Database Computing: SAP HANA SAP HANA ist als ein echtes Erfolgsprodukt gestartet. Mit der In-Memory-Datenbank konnte SAP für 2011 alle Prognosen deutlich übertreffen. Mit

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

Mehr

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration June 2015 Automic Hadoop Agent Data Automation - Hadoop Integration + Aufbau der Hadoop Anbindung + Was ist eigentlich ist MapReduce? + Welches sind die Stärken von Hadoop + Welches sind die Schwächen

Mehr

4. WORKSHOP - OSBI Big Data und Datenvirtualisierung. Dr. Sebastian Streit & Maxim Zehe

4. WORKSHOP - OSBI Big Data und Datenvirtualisierung. Dr. Sebastian Streit & Maxim Zehe 4. WORKSHOP - OSBI Big Data und Datenvirtualisierung Dr. Sebastian Streit & Maxim Zehe F. Hoffmann-La Roche AG Gegründet 1896 in Basel Über 80.000 Mitarbeitende Führende Position in Pharma Fokussierung

Mehr

Technische Seminarreihe Empowering Business Intelligence

Technische Seminarreihe Empowering Business Intelligence PRESSEMITTEILUNG / Veranstaltungshinweis Technische Seminarreihe Empowering Business Intelligence Trivadis bietet für Entwickler, Projektleiter, Datenbank-Administratoren sowie DWHund BI-Interessierte

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

56 Maßnahmen zur Sicherung der Verfügbarkeit in Oracle-Umgebungen. Client Client Client Client Client. Public Network. aktiv. Private Network.

56 Maßnahmen zur Sicherung der Verfügbarkeit in Oracle-Umgebungen. Client Client Client Client Client. Public Network. aktiv. Private Network. 56 Maßnahmen zur Sicherung der Verfügbarkeit in Oracle-Umgebungen aktiv inaktiv Node 1 ( Aktiv ) Node 2 ( Passiv ) Private Network aktiv inaktiv (exklusiver Zugriff) Abbildung 3.1: Schematische Darstellung

Mehr

Die aktuellen Top 10 IT Herausforderungen im Mittelstand

Die aktuellen Top 10 IT Herausforderungen im Mittelstand Die aktuellen Top 10 IT Herausforderungen im Mittelstand Ronald Boldt, SPI GmbH Über mich Ronald Boldt Leiter Business Solutions SPI GmbH Lehrbeauftragter für Geschäftsprozess orientiertes IT Management

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

Operational Big Data effektiv nutzen TIBCO LogLogic. Martin Ulmer, Tibco LogLogic Deutschland

Operational Big Data effektiv nutzen TIBCO LogLogic. Martin Ulmer, Tibco LogLogic Deutschland Operational Big Data effektiv nutzen TIBCO LogLogic Martin Ulmer, Tibco LogLogic Deutschland LOGS HINTERLASSEN SPUREN? Wer hat wann was gemacht Halten wir interne und externe IT Richtlinien ein Ist die

Mehr

Oracle Automatic Storage Management (ASM) Best Practices

Oracle Automatic Storage Management (ASM) Best Practices Oracle Automatic Storage Management (ASM) Best Practices Markus Michalewicz BU Database Technologies ORACLE Deutschland GmbH 2 Page 1 www.decus.de 1 Agenda ASM Funktionalität und Architektur Storage Management

Mehr

In-Memory Analytics. Marcel Poltermann. Fachhochschule Erfurt. Informationsmanagement

In-Memory Analytics. Marcel Poltermann. Fachhochschule Erfurt. Informationsmanagement Marcel Poltermann Fachhochschule Erfurt Informationsmanagement Inhaltsverzeichnis Glossar...III Abbildungsverzeichnis...III 1 Erläuterung:... 2 2 Technische Grundlagen... 2 2.1 Zugriff physische Datenträger:...

Mehr

Big Data in Marketing und IT

Big Data in Marketing und IT Big Data in Marketing und IT Chancen erkennen, Strategien entwickeln und Projekte erfolgreich umsetzen T-Systems Hacker Day 30. September 2015 Prof. Dr. Alexander Rossmann Reutlingen University Big Data

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

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

Business Mehrwerte von SAP HANA

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

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

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 -

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

Evolution statt Revolution

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

Mehr

Software Defined Storage

Software Defined Storage Software Defined Storage - Wenn Speicher zum Service wird - Copyright 2015 DataCore Software Corp. All Rights Reserved. Copyright 2015 DataCore Software Corp. All Rights Reserved. Über uns... Über 25.000

Mehr

PROFI UND NUTANIX. Portfolioerweiterung im Software Defined Data Center

PROFI UND NUTANIX. Portfolioerweiterung im Software Defined Data Center PROFI UND NUTANIX Portfolioerweiterung im Software Defined Data Center IDC geht davon aus, dass Software-basierter Speicher letztendlich eine wichtige Rolle in jedem Data Center spielen wird entweder als

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

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

vfabric-daten Big Data Schnell und flexibel

vfabric-daten Big Data Schnell und flexibel vfabric-daten Big Data Schnell und flexibel September 2012 2012 VMware Inc. All rights reserved Im Mittelpunkt: Daten Jeden Morgen wache ich auf und frage mich: Wie kann ich den Datenfluss optimieren,

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

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

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information SPoT Agenda Begrüßung und Vorstellung CAS AG Markttrends aus Analystensicht Big Data Trusted Information Lars Iffert, BARC GmbH Dr. Oliver Adamczak, IBM Deutschland GmbH Factory Ansatz für ETL-Prozesse

Mehr

RAID. Name: Artur Neumann

RAID. Name: Artur Neumann Name: Inhaltsverzeichnis 1 Was ist RAID 3 1.1 RAID-Level... 3 2 Wozu RAID 3 3 Wie werden RAID Gruppen verwaltet 3 3.1 Software RAID... 3 3.2 Hardware RAID... 4 4 Die Verschiedenen RAID-Level 4 4.1 RAID

Mehr

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

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

Mehr

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015 Symbiose hybrider Architekturen im Zeitalter digitaler Transformation Hannover, 18.03.2015 Business Application Research Center (BARC) B (Analystengruppe Europas führendes IT-Analysten- und -Beratungshaus

Mehr

SAP HANA eine Plattform für innovative Anwendungen

SAP HANA eine Plattform für innovative Anwendungen SAP HANA eine Plattform für innovative Anwendungen Top Intelligence: Big Data & SAP HANA Zürich, Frankfurt, Hamburg, München, Mülheim/R Februar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder

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

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

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

Mehr

Effizienter Einsatz von Flash-Technologien im Data Center

Effizienter Einsatz von Flash-Technologien im Data Center Effizienter Einsatz von Flash-Technologien im Data Center Herbert Bild Solution Marketing Manager Georg Mey Solutions Architect 1 Der Flash-Hype 2 Drei Gründe für den Hype um Flash: 1. Ungebremstes Datenwachstum

Mehr

Performance Tuning & Scale-Out mit MySQL

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

Mehr

Grid Computing in. komplexen Systemen. mit Blick auf RFID. Günther Stürner Vice President Business Unit Database & STCCs ORACLE Deutschland GmbH

Grid Computing in. komplexen Systemen. mit Blick auf RFID. Günther Stürner Vice President Business Unit Database & STCCs ORACLE Deutschland GmbH Grid Computing in komplexen Systemen mit Blick auf RFID Günther Stürner Vice President Business Unit Database & STCCs ORCLE Deutschland GmbH 2 Datenbanken sind die Basis für jede denkbare IT Lösung Infrastruktur

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

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP V04 02. Mai 2011, 16.15-17.45 Uhr, ITS-Pool nur zugelassene Teilnehmer Niedersächsisches Hochschulkompetenzzentrum für SAP (CCC) Aktuelles

Mehr

27. 03. 2007 IT-Frühstück IT Trend Virtualisierung Hype oder Nutzen? Praxisaspekte

27. 03. 2007 IT-Frühstück IT Trend Virtualisierung Hype oder Nutzen? Praxisaspekte Ole Raether raether@oraservices.de 27. 03. 2007 IT-Frühstück IT Trend Virtualisierung Hype oder Nutzen? Praxisaspekte Inhalt oraservices.de Probleme: Failover Cluster, RAC 24*7 Fazit Was tun? oraservices.de

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

EXASOL AG Zahlen & Fakten

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

Mehr

Infrastruktur-Lösungen für PDM/PLM und mehr. 2. IT-Expertenforum 24.06.2010 in Aalen

Infrastruktur-Lösungen für PDM/PLM und mehr. 2. IT-Expertenforum 24.06.2010 in Aalen 2. IT-Expertenforum 24.06.2010 in Aalen Backup heute: Hauptprobleme Operative Aspekte Gängigste technische Probleme beim Backup und Recovery: 66 % Backup-Fenster einhalten 49 % Zu langes Recovery 40 %

Mehr

Effiziente Anwendungen von In-Memory Datenbanken

Effiziente Anwendungen von In-Memory Datenbanken Effiziente Anwendungen von In-Memory Datenbanken Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaften der Wirtschaftswissenschaftlichen

Mehr

Big Data Informationen neu gelebt

Big Data Informationen neu gelebt Seminarunterlage Version: 1.01 Copyright Version 1.01 vom 21. Mai 2015 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen

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

GESCHÄFTSKRITISCHE ORACLE- UMGEBUNGEN MIT VMAX 3

GESCHÄFTSKRITISCHE ORACLE- UMGEBUNGEN MIT VMAX 3 GESCHÄFTSKRITISCHE ORACLE- UMGEBUNGEN MIT VMAX 3 GESCHÄFTSKRITISCHE GRUNDLAGEN Leistungsstark Hybridspeicher mit flashoptimierten Performance-Service-Levels nach Maßfür geschäftskritische Oracle Workloads;

Mehr

Der Java Server beinhaltet Container für EJB, Servlet und JSP, darüber hinaus unterstützt er diejee 1.3 Version.

Der Java Server beinhaltet Container für EJB, Servlet und JSP, darüber hinaus unterstützt er diejee 1.3 Version. hehuvlfkw Oracle 9iApplication Server (9iAS) fasst in einem einzigen integrierten Produkt alle Middleware-Funktionen zusammen, die bisher nur mit mehreren Produkten unterschiedlicher Anbieter erreicht

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

HANA. TOBA-Team Dresden 19.05.2012

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

Mehr

Backup & Recovery. Einfach & Effektiv. The heart of the network

Backup & Recovery. Einfach & Effektiv. The heart of the network Backup & Recovery Einfach & Effektiv Agenda Allgemeines zum Backup Backup Strategien Backup-to-Disk Tiered Storage - Hierarchisches Speicher Management D-Link und der Tiered Storage Ansatz wachstum Weltweites

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

Was ist Windows Azure? (Stand Juni 2012)

Was ist Windows Azure? (Stand Juni 2012) Was ist Windows Azure? (Stand Juni 2012) Windows Azure Microsofts Cloud Plattform zu Erstellung, Betrieb und Skalierung eigener Cloud-basierter Anwendungen Cloud Services Laufzeitumgebung, Speicher, Datenbank,

Mehr

EMC. Data Lake Foundation

EMC. Data Lake Foundation EMC Data Lake Foundation 180 Wachstum unstrukturierter Daten 75% 78% 80% 71 EB 106 EB 133 EB Weltweit gelieferte Gesamtkapazität Unstrukturierte Daten Quelle März 2014, IDC Structured vs. Unstructured

Mehr

11. Mehrrechner-DBMSe / Datenbankmaschinen

11. Mehrrechner-DBMSe / Datenbankmaschinen 11. Mehrrechner-e / Datenbankmaschinen In der Vergangenheit DB-Maschinen oft auf Basis von Spezial-HW-/SW Schnittstelle Anwendungsprogramm - DB-Maschine oft "nicht hoch" genug Interaktion und Integration

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

IN-MEMORY COMPUTING SAP HANA BASICS Werkzeug für Big Data

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

Mehr

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence: Markt, Trends und Technologien Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence & Corporate Performance Management Entwicklung des BI-Softwaremarktes Seit Jahren robustes

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

Szenarien zu Hochverfügbarkeit und Skalierung mit und ohne Oracle RAC. Alexander Scholz

Szenarien zu Hochverfügbarkeit und Skalierung mit und ohne Oracle RAC. Alexander Scholz Hochverfügbar und Skalierung mit und ohne RAC Szenarien zu Hochverfügbarkeit und Skalierung mit und ohne Oracle RAC Alexander Scholz Copyright its-people Alexander Scholz 1 Einleitung Hochverfügbarkeit

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

Mehr

Kapitel 4: Data Warehouse Architektur

Kapitel 4: Data Warehouse Architektur Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale

Mehr

Storage News wie viele IOPS sind zeitgemäß? Mathias Riediger & Sven Willholz Systems Engineering

Storage News wie viele IOPS sind zeitgemäß? Mathias Riediger & Sven Willholz Systems Engineering Storage News wie viele IOPS sind zeitgemäß? Mathias Riediger & Sven Willholz Systems Engineering 1 Agenda Was macht NetApp eigentlich? NetApp Portfolio Wie viel IOPs sind zeitgemäß? Q & A 2 Was macht NetApp

Mehr

Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch

Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch In dieser Session wird IDAREF, ein Framework, dass auf logischer Ebene eine analytische

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

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

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

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

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele

Mehr

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag SAP HANA ist schnell erklärt TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag Ihr Referent Steckbrief Name: Miroslav Antolovic Jahrgang: 1975 Stationen: SAP, Walldorf 1999-2004 Realtech, Walldorf

Mehr

Wie aus Steuerungsinformation öffentliche Statistik wird

Wie aus Steuerungsinformation öffentliche Statistik wird Wie aus Steuerungsinformation öffentliche Statistik wird Schweizer Statistiktage Vaduz, 19. - 21. September 2012 Lukas Calmbach, Statistisches Amt des Kantons Basel-Landschaft Statistisches Amt des Kantons

Mehr

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

Mehr