Data Warehousing und Data Mining
|
|
- Karin Baum
- vor 8 Jahren
- Abrufe
Transkript
1 Data Warehousing und Data Mining Wintersemester 2011 / 2012 Ulf Leser Wissensmanagement in der Bioinformatik
2 Datenbanken und Datenanalyse... Der typische Wal-Mart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte Datenbank zu erforschen [Jim Gray, Computer Zeitung 17/2003] Today, Wal-Mart is logging one million customer transactions per hour and feeding information into databases estimated at 2.5 petabytes in size. [Rogers, Big Data is Scaling BI and Analytics] Fragen Was verkaufen wir wo am häufigsten? Gibt es einen Zusammenhang zwischen der Regalposition und den Umsatzzahlen von Produkten? Wie lange müssen wir Produkt X durchschnittlich lagern und wo? Ulf Leser: Data Warehousing und Data Mining 2
3 Data Warehousing und Data Mining Halbkurs Di, Uhr, RUD 26, Do, Uhr, RUD 26, Übung (Sebastian Wandelt) Do, Uhr, RUD 25, Do, Uhr, RUD 26, Erster Termin: Donnerstag, , Uhr Teilnahme und Bestehen ist Voraussetzung für Prüfung Anmeldung über GOYA Sprechstunde Nach Vereinbarung IV.105, (030) , leser(...)informatik.hu-berlin.de Ulf Leser: Data Warehousing und Data Mining 3
4 Einbettung Voraussetzung: DBS-I Relationales Modell und Algebra ER-Modell Joins, Grundzüge der Anfrageoptimierung SQL Keine Voraussetzung: DBS-II Anrechenbar Diplomhauptstudium, Praktische Informatik Monobachelor Informatik, Wahlpflichtbereich (8SP) Ulf Leser: Data Warehousing und Data Mining 4
5 Inhaltsübersicht 1- Einleitung & Motivation Was ist ein DWH? Architektur & Prozesse Qrtl. Qrtl Qrtl. Qrtl. Konzepte & Komponenten Modellierung von DWH Multimensionale Modellierung OLAP Operationen Umsetzung des multimensionalen Datenmodells Relationale Abbildungen SQL-basierte OLAP-Operatoren MDX Ulf Leser: Data Warehousing und Data Mining 5
6 Inhaltsübersicht Extraction, Transformation Load (ETL) Integrationsprobleme Datenqualität und -bereinigung Indexstrukturen für DWH Bitmap-Index, Join-Index, Multimensionale Indexstrukturen: Gr-File, KD Trees Logische Optimierung Star-Join, Partitionierung Materialisierte Sichten Auswahl, Aktualisierung, Verwendung Qrtl. Qrtl Qrtl. Qrtl. Ulf Leser: Data Warehousing und Data Mining 6
7 Inhaltsübersicht 3- Datenaufbereitung Clustering K-Means, nearest neighbor DBSCAN und BIRCH Klassifikation Decision Trees, Naive Bayes SPRINT, RainForest Assoziationsregeln Warenkorbanalyse, A-Priori Algorithmus Ableitung von Kaufempfehlungen Collaborative Filtering Qrtl. Qrtl Qrtl. Qrtl. Ulf Leser: Data Warehousing und Data Mining 7
8 Literatur Primär Lehner: Datenbanktechnologie für Data Warehouse Systeme, dpunkt.verlag, 2003 Han/Kamber: Data Mining, Morgan Kaufmann, 2006 Weitere Bauer/Günzel: Data Warehouse Systeme, dpunkt.verlag, 2004 Ester/Sander: Knowledge Discovery in Databases, Springer Oehler: OLAP: Grundlagen, Modellierung und betriebswirtschaftliche Grundlagen, Hanser Verlag, 2000 Übersichtsartikel Chaudhuri, Dayal: An Overview of Data Warehousing and OLAP Technology, SIGMOD Record, 1997 Jensen et al. (2010). "Multimensional Databases and Data Warehousing", Morgan & Claypool Publishers. Fayyad: From Data Mining to Knowledge Discovery in Databases, Ai Magazine, 1996 Ulf Leser: Data Warehousing und Data Mining 8
9 Gäste : Prof. Edlich, FHTW, NoSQL Datenbanken : Dr. Dresing, Oracle, Oracle Data Integrator Ulf Leser: Data Warehousing und Data Mining 9
10 Webseite Ulf Leser: Data Warehousing und Data Mining 10
11 Feedback SoSe 2007 Semester Regelmäßiger Besuch Angemessene Stoffmenge Stoff zu Leicht? Nachvollziehbar Fehlende Kenntnisse? Dozent kennt sich aus Gut vorbereitet Engagierter Dozent Zwischenfragen Schnelligkeit Anregender Stil Angemessene Folien Klare Folien Neues gelernt Nutzbringend? Gesamteindruck Übung: Regelmüssig Übung: Schwierigkeit Übung: Motivation DWH & DM 8 2,0 2,0 3,0 2,0 4,0 1,0 2,0 1,0 1,0 2,0 2,0 1,0 2,0 1,0 2,0 2,0 3,0 1,0 DWH & DM 8 2,0 2,0 3,0 1,0 4,0 1,0 1,0 1,0 1,0 2,0 1,0 3,0 2,0 1,0 1,0 1,0 3,0 2,0 DWH & DM 21 1,0 3,0 2,0 2,0 5,0 2,0 2,0 2,0 1,0 4,0 2,0 3,0 3,0 4,0 3,0 2,0 1,0 3,0 2,0 DWH & DM 6 1,0 3,0 3,0 1,0 3,0 1,0 1,0 1,0 1,0 2,0 1,0 3,0 1,0 1,0 1,0 1,0 1,0 3,0 3,0 DWH & DM 6 1,0 2,0 3,0 2,0 3,0 1,0 1,0 1,0 1,0 2,0 2,0 3,0 2,0 1,0 2,0 2,0 1,0 3,0 1,0 DWH & DM 10 2,0 3,0 3,0 2,0 3,0 1,0 3,0 1,0 1,0 2,0 2,0 3,0 2,0 2,0 2,0 1,0 1,0 3,0 2,0 DWH & DM 7 2,0 3,0 3,0 1,0 4,0 1,0 2,0 1,0 1,0 3,0 2,0 3,0 2,0 4,0 2,0 1,0 1,0 3,0 2,0 DWH & DM 10 1,0 3,0 3,0 1,0 3,0 1,0 1,0 1,0 1,0 3,0 1,0 3,0 2,0 2,0 1,0 1,0 1,0 3,0 1,0 DWH & DM 10 2,0 3,0 3,0 1,0 3,0 1,0 2,0 1,0 2,0 1,0 3,0 3,0 4,0 1,0 1,0 1,0 3,0 3,0 3,0 DWH & DM 8 3,0 3,0 3,0 1,0 3,0 1,0 2,0 1,0 1,0 2,0 2,0 2,0 3,0 1,0 2,0 2,0 4,0 3,0 1,0 DWH & DM 6 2,0 2,0 3,0 2,0 4,0 1,0 1,0 1,0 1,0 2,0 2,0 2,0 3,0 1,0 1,0 1,0 3,0 1,0 DWH & DM 6 1,0 2,0 4,0 1,0 2,0 1,0 2,0 2,0 1,0 2,0 2,0 2,0 3,0 1,0 1,0 2,0 1,0 3,0 2,0 DWH & DM 10 1,0 3,0 3,0 1,0 5,0 2,0 1,0 1,0 1,0 2,0 1,0 2,0 1,0 1,0 1,0 1,0 1,0 3,0 1,0 DWH & DM 8 1,0 3,0 3,0 1,0 5,0 1,0 2,0 1,0 1,0 2,0 1,0 3,0 1,0 2,0 1,0 1,0 1,0 2,0 1,0 DWH & DM 8 1,0 3,0 3,0 1,0 4,0 1,0 1,0 2,0 3,0 1,0 3,0 1,0 2,0 2,0 1,0 3,0 2,0 DWH & DM 8 1,0 2,0 3,0 2,0 4,0 2,0 2,0 2,0 1,0 3,0 2,0 3,0 2,0 3,0 2,0 2,0 1,0 2,0 3,0 DWH & DM 2,0 3,0 3,0 2,0 4,0 1,0 2,0 1,0 1,0 3,0 2,0 3,0 2,0 3,0 3,0 2,0 1,0 3,0 3,0 DWH & DM 12 1,0 3,0 3,0 1,0 5,0 1,0 1,0 1,0 1,0 2,0 1,0 3,0 1,0 1,0 2,0 1,0 2,0 1,0 DWH & DM 10 1,0 2,0 3,0 1,0 4,0 1,0 1,0 1,0 1,0 3,0 2,0 3,0 2,0 1,0 1,0 1,0 1,0 3,0 1,0 DWH & DM 8 1,0 2,0 3,0 1,0 5,0 1,0 1,0 1,0 1,0 2,0 2,0 3,0 2,0 1,0 1,0 2,0 1,0 3,0 1,0 DWH & DM 8 1,0 3,0 3,0 1,0 5,0 1,0 1,0 1,0 1,0 3,0 1,0 3,0 1,0 1,0 1,0 1,0 1,0 3,0 1,0 DWH & DM 2,0 3,0 3,0 3,0 5,0 1,0 2,0 1,0 1,0 3,0 2,0 3,0 2,0 2,0 2,0 1,0 2,0 3,0 2,0 Durchschnitt 8,9 1,5 2,6 3,0 1,4 4,0 1,1 1,5 1,1 1,1 2,4 1,7 2,7 2,0 1,7 1,6 1,4 1,4 2,9 1,7 Wunschzahl 1,0 3,0 3,0 1,0 5,0 1,0 1,0 1,0 1,0 3,0 1,0 3,0 1,0 1,0 1,0 1,0 1,0 3,0 1,0 Abweichung -0,5 0,4 0,0-0,4 1,0-0,1-0,5-0,1-0,1 0,6-0,7 0,3-1,0-0,7-0,6-0,4-0,4 0,1-0,7 Ulf Leser: Data Warehousing und Data Mining 11
12 7*Wiederholung gut 3*Stil sehr gut Intuitive Vorkenntnisse formal untermauert 2*Lieber langsamer und tiefer 3*Zu schnell Folien vorher ins Netz Folien gut Zu wenig Interaktion Probeklausur wäre gut Stoff für die Prüfung eingrenzen Zu Oracle-lastig. Mindestens DB2 sollte dazu kommen Zu viel Redundanz mit InfoInt 2*Beispiele gut Teilweise theoretischer Stoff Was wird denn wirklich angewandt? Zu viele Fehler auf den Folien Sehr engagiert Wichtige Aussagen stärker betonen DWH hätte gereicht Korrektur der Folien sehr gut 2*Folien zu voll 2*Zu wenig Praxis, Gastdozent nicht gut Fehlende Praxisnähe wirkt negativ Zu viele Folien, wirkt erschlagend Fazit: "Das machen doch eh alles die Tools, ich werde mein Wissen nie mehr brauchen" Mehr DM, auch in der Übung Feedback Vorlesung Ulf Leser: Data Warehousing und Data Mining 12
13 Feedback Übung 7*Wettbewerb sehr gut 3*Aufgabenstellungen nicht immer klar 2*Guter Umfang, Bezug zur VL immer klar Lösungen vortragen war gut 2*Gruppen zu gross, jeder macht nur eine Aufgabe Blog für Änderungen in den Aufgaben Richtzeiten oder Zwischenergebnisse im Wettbewerb veröffentlichen Lieber Semesterprojekt als Einzelaufgaben Ulf Leser: Data Warehousing und Data Mining 13
14 Fragen Diplominformatiker? Semester? Prüfung? Spezielle Erwartungen? Sonstige Fragen? Ulf Leser: Data Warehousing und Data Mining 14
15 Bücher im Internet bestellen Backup Durchsatz Loadbalancing Portfolio Umsatz Marketing Daten bank Ulf Leser: Data Warehousing und Data Mining 15
16 Die (Spielzeug-)Datenbank dazu year year customer name cust_class discount customer_ productg_ discount line_item order_ product_ amount single_price productgroup name product productgroup_ month Month year_ day day month_ session cust_ day_ time order session_ supply_ total_amount order_status order_ supply_ status supply_station region_ region name Ulf Leser: Data Warehousing und Data Mining 16
17 Fragen eines Marketingleiters Wie viele abgeschlossene Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach Produktgruppen und Promotion? year year customer name cust_class discount customer_ productg_ discount line_item order_ product_ amount single_price name productgroup product productgroup_ month Month year_ day day month_ session cust_ day_ time order session_ supply_ total_amount order_status order_ supply_ status supply_station region_ name region Ulf Leser: Data Warehousing und Data Mining 17
18 SELECT Y.year, PG.name, DI.disc, count(*) FROM year Y, month M, day D, session S, line_item I, order O, product P, productgroup PG, discount DI, order_status OS WHERE M.year_ = Y. and D.month_ = M. and S.day_ = D. and O.session_ = S. and I.order_ = O. and I.product_ = P. and P.productgroup_ customer = PG. and DI.productgroup_ = PG. and name O. = OS.order_ cust_class D.day < 24 and M.month = 12 and OS.status= FINISHED GROUP BY Y.year, PG.name, DI.discount year year ORDER BY Y.year, DI.discount discount customer_ productg_ discount line_item order_ product_ amount single_price Technisch name productgroup product productgroup_ month Month year_ day day month_ session cust_ day_ time order session_ supply_ total_amount supply_station region_ name region order_status order_ supply_ Ulf Leser: Data Warehousing und Data Mining status 18
19 Ergebnis 9 Joins year: month: day: 3650 Records session: order: line_item: order_status: product: productgroup: 100 discount: 50 SELECT Y.year, PG.name, DI.disc, count(*) FROM year Y, month M, day D, session S, line_item I, order O, product P, productgroup PG, discount DI, order_status OS WHERE M.year_ = Y. and D.month_ = M. and S.day_ = D. and O.session_ = S. and I.order_ = O. and I.product_ = P. and P.productgroup_ = PG. and DI.productgroup_ = PG. and O. = OS.order_ D.day < 24 and M.month = 12 and OS.status= FINISHED GROUP BY Y.year, PG.name, DI.discount 10 Records ORDER BY Y.year, DI.discount 120 Records Problem! Schwierig zu optimieren (Join-Order) Ja nach Ausführungsplan riesige Zwischenergebnisse Ähnliche Anfragen ähnlich riesige Zwischenergebnisse Ulf Leser: Data Warehousing und Data Mining 19
20 In Wahrheit... DE FR UK IT AT Ulf Leser: Data Warehousing und Data Mining 20
21 Eine Möglichkeit CREATE VIEW christmas AS SELECT FROM WHERE... ORDER BY UNION ALL... SELECT FROM WHERE... ORDER BY SELECT FROM GROUP BY ORDER BY Y.year, PG.name, DI.disc, count(*) AS o_count FR.year Y, FR.month M, FR.day D, FR.session S, M.year = Y. and Y.year, DI.discount Y.year, PG.name, DI.disc, count(*) AS o_count EN.year Y, EN.month M, EN.day D, EN.session S, M.year = Y. and Y.year, DI.discount year, name, disc, sum(o_count) christmas year, name, disc year, disc Ulf Leser: Data Warehousing und Data Mining 21
22 Probleme Count über Union über verteilte Datenbanken? Heterogenitätsproblem Quellen werden Schemata verändern Länderspezifischer Eigenheiten (MWST, Versandkosten, Sonderaktionen,...) Oftmals verborgene Änderungen in der Semantik der Daten Datenmengenproblem Transport großer Datenmengen durchs Netz Anforderungsmismatch Operative Systeme brauchen die historischen Daten nicht Ziel: Frühes löschen (abgeschlossene Bestellungen) Planung braucht historische Perspektive Ziel: Alles aufheben Ulf Leser: Data Warehousing und Data Mining 22
23 Lösung Heterogenitätsproblem? Zentrale Datenbank Probleme Zweigstellen schreiben übers Netz Lange Antwortzeiten im operativen Betrieb Ulf Leser: Data Warehousing und Data Mining 23
24 Lösung Anfragezeiten? Probleme EN FR DE Schnelle lokale Anfragen Lange Antwortzeiten für strategische Anfragen Heterogenitätsproblem bleibt Ulf Leser: Data Warehousing und Data Mining 24
25 Lösung? A A A Probleme Replikation Replikation Lokale Anfrage arbeiten auf riesigen Tabellen Verzögerung im operativen Betrieb Ulf Leser: Data Warehousing und Data Mining 25
26 Data Warehouse Redundante Datenhaltung Spezielle Modellierung Transformierte und selektierte Daten Asynchrone Aktualisierung Ulf Leser: Data Warehousing und Data Mining 26
27 Inhalt dieser Vorlesung Szenario Definition & Geschichte & Abgrenzung Sichtweisen Typische Anwendungsgebiete Grosse Datenmengen und TPC-H Ulf Leser: Data Warehousing und Data Mining 27
28 Beispielszenario Ein beliebiges Handelsunternehmen Physikalische Datenverteilung Viele Niederlassungen (bis zu mehrere tausend) Noch mehr Registerkassen Aber: Zentrale Planung, Beschaffung, Verteilung Strategische Unternehmensentscheungen Erfordert Zentrale Übersicht über Umsätze, Kunden, Produkte, Integration von Lieferanten-, Kunden-, Produkt-, daten Ulf Leser: Data Warehousing und Data Mining 28
29 Handels - DWH FILIALE 3 FILIALE 1... FILIALE 2 DWH Artikeldaten Analyse Kundendaten Lieferantendaten Ulf Leser: Data Warehousing und Data Mining 29
30 Definition DWH A DWH is a subject-oriented, integrated, non-volatile, and time-variant collection of data in support of management s decisions [Inm96] Subj-oriented: Verkäufe, Personen, Produkte, etc. Integrated: Erstellt aus vielen Quellen Non-Volatile: Hält Daten unverändert über die Zeit Time-Variant: Vergleich von Daten über die Zeit Decisions: Wichtige Daten rein, unwichtige raus Ulf Leser: Data Warehousing und Data Mining 30
31 Geschichte von DWH Managementinformationssysteme (MIS), Decision Support Systeme (DSS), Executive Information Systeme (EIS) Seit den 60er Jahren Feste, programmierte Reports Redundante Datenhaltung sehr teuer dadurch langsam, oft Downtimes für operative Systeme Analysemethoden ungenügend (Data Mining) Schwierig zu bedienen Teuer und unflexibel Schattendasein Ulf Leser: Data Warehousing und Data Mining 31
32 Erfolg von DWH Top-Thema seit Mitte der 90er Jahre Voraussetzungen Extreme Verbilligung von Plattenspeicherplatz Relationale Modellierung: Anwendungsneutral IT in allen Unternehmensbereichen (SAP R/3) Vernetzung und Standardisierung (SQL) Trend zur rationalen Entscheungsfindung im Unternehmen Trend zu interaktiven Anwendungen Aber Vision der vollständigen Integration scheitert bisher (immer wieder aufs neue) Soziale versus technische Aspekte Ulf Leser: Data Warehousing und Data Mining 32
33 Abgrenzung Parallele Datenbanken Blendet Heterogenität aus Laufen auf einem Rechner, keine physikalische Verteilung Ziel: Ausfallsicherheit und Performanceverbesserung Technik zur Realisierung eines DWH Verteilte Datenbanken Gewollte Verteilung zur besseren Lastverteilung Keine physische Integration der Daten (Materialisierung) Ggf. Vorstufe zum DWH Föderierte Datenbanken Höhere Autonomie und Heterogenität Verteilung bleibt erhalten Ulf Leser: Data Warehousing und Data Mining 33
34 Inhalt dieser Vorlesung Szenario Definition & Geschichte & Abgrenzung Sichtweisen Betriebswirtschaftliche Sichtweise Informatiker Sichtweise: OLAP versus OLTP Typische Anwendungsgebiete Grosse Datenmengen und TPC-H Ulf Leser: Data Warehousing und Data Mining 34
35 Betriebswirtschaftliche Sicht Ein DWH Ermöglicht viele neue Fragen Verbessert viele Antworten erheblich... durch... Zugriff auf integrierte Daten Quellen- / Niederlassungsübergreifende Analysen Bessere Datenqualität Fehlerminimierung, Ergänzung, Plausibilitätschecks Korrektur von Fehlern ist im DWH vertretbar, aber nicht in den operativen Systemen (Originaldaten) Anreicherung mit externen Daten Externe Kundenprofile, geographische Daten, Ulf Leser: Data Warehousing und Data Mining 35
36 Informatische Sicht Operative Systeme Kassensysteme, Bestellabwicklung, Lagerverwaltung Viele Benutzer, kurze Transaktionen, einfache Queries Echtzeitanforderungen Kurzes Gedächtnis OLTP (Online Transaction Processing) DWH Sortimentplanung, Kapazitätsplanung, Marketing Wenige(r) Benutzer, komplexe Queries, nur lesend Zeitlich weniger kritisch Historische Daten OLAP (Online Analytical Processing) Ulf Leser: Data Warehousing und Data Mining 36
37 OLTP Beispiel Login Willkommen Bestellung Best. löschen SELECT pw FROM kunde WHERE login=... UPDATE kunde SET last_acc=date, tries=0 WHERE... COMMIT SELECT k_, name FROM kunde WHERE login=... SELECT last_pur FROM purchase WHERE k_= COMMIT SELECT av_qty FROM stock WHERE p_=... UPDATE stock SET av_qty=av_qty-1 where... INSERT INTO shop_cart VALUES( o_, k_, COMMIT DELETE FROM shop_cart WHERE o_=... UPDATE stock SET av_qty=av_qty+1 where COMMIT Ulf Leser: Data Warehousing und Data Mining 37
38 OLAP Beispiel Welche Produkte hatten im letzten Jahr im Bereich Bamberg einen Umsatzrückgang um mehr als 10%? Welche Produktgruppen sind davon betroffen? Welche Lieferanten haben diese Produkte? Welche Kunden haben über die letzten 5 Jahre eine Bestellung über 50 Euro innerhalb von 4 Wochen nach einem persönlichen Anschreiben aufgegeben? Wie hoch waren die Bestellungen im Schnitt? Wie hoch waren die Bestellungen im Vergleich zu den durchschnittlich. Bestellungen des jew. Kunden in einem vergleichbaren Zeitraum? Lohnen sich Mailing-Aktionen? Haben Zweigstellen einen höheren Umsatz, die gemeinsam gekaufte Produkte zusammen stellen? Welche Produkte werden überhaupt zusammen gekauft und wo? Ulf Leser: Data Warehousing und Data Mining 38
39 Modellierung im DWH Modellierung in operativen Systemen: Normalisierung year year month Month year_ day day month_ customer name cust_class session cust_ day_ time discount customer_ productg_ discount line_item order_ product_ amount single_price discount_ order session_ supply_ total_amount order_status order_ supply_ status name productgroup product productgroup_ supply_station region_ name region Modellierung in DWH: Dimensionen und Fakten year region Sachen Hessen Bücher CD Geschenke DVD produktgroup Ulf Leser: Data Warehousing und Data Mining 39
40 OLAP versus OLTP OLTP OLAP Typische Operationen Insert, Update, Delete, Select Select Bulk-Inserts Transaktionen Viele und kurz Lesetransaktionen Typische Anfragen Einfache Queries, Primärschlüsselzugriff, Schnelle Abfolgen von Selects/inserts/updates/deletes Komplexe Queries: Aggregate, Gruppierung, Subselects, etc. Bereichsanfragen über mehrere Attribute Daten pro Operation Wenige Tupel Mega-/ Gigabyte Datenmenge in DB Gigabyte Terabyte Datenart Rohdaten, häufige Änderungen Abgeleitete Daten, historisch & stabil Erwartete Antwortzeiten Echtzeit bis wenige Sekunden Minuten Modellierung Anwendungsorientiert Themenorientiert Typische Benutzer Sachbearbeiter Management Ulf Leser: Data Warehousing und Data Mining 40
41 Inhalt dieser Vorlesung Szenario Definition & Geschichte & Abgrenzung Sichtweisen Typische Anwendungsgebiete Grosse Datenmengen und TPC-H Ulf Leser: Data Warehousing und Data Mining 41
42 Wal Mart Größe Kunden pro Woche, Geschäfte Wal-Mart... will expand its data-warehouse system, which handles 50,000 queries a week, from 7.5 to 24 terabytes. [Info. Week, 1997] At 70 terabytes and growing... [2000, Wes] Terabyte Datenbank [2003, Computerzeitung] Ca. 480 Terabyte (11/04, New York Times) Ca. 2.5 Petabyte (9/11, Information Management Magazine] Datenbank: Teradata, NCR Täglich bis zu DW-Anfragen Die meisten Analysen laufen auf Shop-, nicht auf Kundenebene Überprüfung des Warensortiments zur Erkennung von Ladenhütern oder Verkaufsschlagern Standortanalyse, Rentabilität von Niederlassungen Untersuchung der Wirksamkeit von Marketing-Aktionen Ulf Leser: Data Warehousing und Data Mining 42
43 CRM: Customer Relationship Management Vertriebswege, Vertriebsorganisationen Kundenkäufe, Präferenzen, Kontaktdaten, Reklamationen, Bonität Wer sind Premiumkunden -> Sonderbehandlung Beratungssysteme, Personalisierung, Mailings Amazon Customers who bought X also bought Y Personalisierte Empfehlungen Neuerscheinungen Ulf Leser: Data Warehousing und Data Mining 43
44 Weitere Anwendungsgebiete Controlling & Accounting Kostenstellen, Kostenträger, Kostenarten Bilanzierung Plan Ist Zahlen, Szenarios Kennzahlensysteme Logistik Flottenmanagement Disposition Tracking Finanzen Kreditkartenanalyse Risikoanalysen Fraud Detection Ulf Leser: Data Warehousing und Data Mining 44
45 TPC.ORG: Benchmarks Vergleich der Leistungsfähigkeit von Datenbanken TPC-C OLTP Benchmark TPC-H Ad-Hoc Decision Support (variable Anfragen) TPC-R Reporting Decision Support (feste Anfragen) TPC-W ecommerce Transaktionsverarbeitung [TPC-D Abgelöst durch H und R] TPC-E Neuer OLTP Benchmark TPC-H Vorgegebene Schemata (Lieferwesen) Schema-, Anfrage- und Datengeneratoren Unterschiedliche DB-Größen 100 GB GB - 1 TB - 3 TB Ulf Leser: Data Warehousing und Data Mining 45
46 TPC-H Ergebnisse 3000 GB, 2003 Ulf Leser: Data Warehousing und Data Mining 46
47 TPC-H Ergebnisse 3000 GB, 2007 Ulf Leser: Data Warehousing und Data Mining 47
48 TPC-H Ergebnisse 3000 GB, 2011 Ulf Leser: Data Warehousing und Data Mining 48
Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Wintersemester 2014 / 2015 Ulf Leser Wissensmanagement in der Bioinformatik Datenbanken und Datenanalyse... Der typische Wal-Mart Kaufagent verwendet täglich mächtige Data
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Wintersemester 2017 / 2018 Ulf Leser Wissensmanagement in der Bioinformatik ecommerce Daten bank Ulf Leser: Data Warehousing und Data Mining 2 Datenbanken und Datenanalyse...
MehrData Warehousing. Einleitung und Motivation. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Einleitung und Motivation Ulf Leser Wissensmanagement in der Bioinformatik Bücher im Internet bestellen Backup Durchsatz Loadbalancing Portfolio Umsatz Werbung Daten bank Ulf Leser: Data
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Sommersemester 2007 Ulf Leser Wissensmanagement in der Bioinformatik Große Datenbanken... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge,
MehrData Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube
Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch
MehrData Warehousing. Sommersemester Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2004 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrData Warehousing. Einleitung und Motivation. Wissensmanagement in der. Bioinformatik. Ulf Leser
Data Warehousing Einleitung und Motivation Ulf Leser Wissensmanagement in der Bioinformatik Backup Durchsatz Loadbalancing Bücher im Internet bestellen Portfolio Umsatz Werbung Daten bank Ulf Leser: Data
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Architektur und Komponenten von Data Warehouses Ulf Leser Wissensmanagement in der Bioinformatik Data Warehouse Redundante Datenhaltung DWH kann unabhängig von Quellen
MehrInformationsintegration
Informationsintegration Data Warehouse (= Materialisierte Integration) Ulf Leser Sebastian Wandelt Inhalt dieser Vorlesung Data Warehouses OLAP versus OLTP Multidimensionale Modellierung ETL Prozess Vergleich:
MehrData Warehousing. Beispiel: : Amazon. Aufbau eines DWH OLAP <-> OLTP Datacube. FU-Berlin, DBS I 2006, Hinze / Scholz
Data Warehousing Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon 2 1 Datenbank 3 Fragen des Marketingleiters Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt
MehrData Warehousing. Aufbau eines DWH OLAP <-> OLTP Datacube
Data Warehousing Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon 2 Datenbank 3 Fragen des Marketingleiters Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Architektur und Komponenten von Data Warehouses Ulf Leser Wissensmanagement in der Bioinformatik Bücher im Internet bestellen Backup Durchsatz Loadbalancing Portfolio Umsatz
MehrOLAP 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
MehrMarketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische
Mehreevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator
eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile
MehrIndex- und Zugriffsstrukturen für. Holger Brämer, 05IND-P
Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören
MehrSeminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
MehrObjektorientierte Datenbanken
OODB 11 Slide 1 Objektorientierte Datenbanken Vorlesung 11 vom 01.07.2004 Dr. Sebastian Iwanowski FH Wedel OODB 11 Slide 2 Inhalt heute: Datenbanken in betriebswirtschaftlichen Anwendungen OTLP (SAP) Data
MehrUnterabfragen (Subqueries)
Unterabfragen (Subqueries) Die kürzeste Formulierung ist folgende: SELECT Felderliste FROM Tabelle1 WHERE Tabelle1.Feldname Operator (SELECT Feldname FROM Tabelle2 WHERE Bedingung); wobei Tabelle1 und
MehrWas ist Analyse? Hannover, CeBIT 2014 Patrick Keller
Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität
MehrBusiness Intelligence Data Warehouse. Jan Weinschenker
Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data
MehrApache HBase. A BigTable Column Store on top of Hadoop
Apache HBase A BigTable Column Store on top of Hadoop Ich bin... Mitch Köhler Selbstständig seit 2010 Tätig als Softwareentwickler Softwarearchitekt Student an der OVGU seit Oktober 2011 Schwerpunkte Client/Server,
MehrData 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
MehrDatenbanksysteme 2 Frühjahr-/Sommersemester 2014 28. Mai 2014
Lehrstuhl für Praktische Informatik III Prof. Dr. Guido Moerkotte Email: moer@db.informatik.uni-mannheim.de Marius Eich Email: marius.eich@uni-mannheim.de Datenbanksysteme 2 8. Übungsblatt Frühjahr-/Sommersemester
MehrData-Warehouse-Technologien
Data-Warehouse-Technologien Prof. Dr.-Ing. Kai-Uwe Sattler 1 Prof. Dr. Gunter Saake 2 1 TU Ilmenau FG Datenbanken & Informationssysteme 2 Universität Magdeburg Institut für Technische und Betriebliche
MehrVeit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...
MehrData Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............
Mehr6. Oracle DWH Community Mainz 2011. Koexistenz SAP BW und mit unternehmensweitem zentralen DWH
6. Oracle DWH Community Mainz 2011 Koexistenz SAP BW und mit unternehmensweitem zentralen DWH 2 6. Oracle DWH Community Mainz 2011 Agenda Vorstellung Globus Historische Entwicklung des DWH-Systems Globus
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
MehrData Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Architektur und Komponenten von Data Warehouses Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Architektur Komponenten ETL Ulf Leser: Data Warehousing
MehrKampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht
Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Thomas Kreuzer ec4u expert consulting ag Karlsruhe Schlüsselworte: Kampagnenmanagement Praxisbericht Siebel Marketing Oracle BI - ec4u
MehrPK-Website: Besuche & Seitenaufrufe 2010 und 2011
Abb. 2011-4/278 (Ausschnitt) PK-Website: Besuche & Seitenaufrufe bis 31. Dezember 2011, 248.993 Besuche, 425.183 Seitenaufrufe SG Dezember 2011 / Januar 2012 PK-Website: Besuche & Seitenaufrufe 2010 und
MehrEinführung in die Informatik II
Einführung in die Informatik II Vorlesung Sommersemester 2013 Prof. Dr. Nikolaus Wulff Ziele der Vorlesung Sie vertiefen die Kenntnisse aus Informatik I und runden diese in weiteren Anwendungsgebieten
MehrBig 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
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrMarketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Schwierigkeiten bei der Umsetzung Josef Kolbitsch Manuela Reinisch Übersicht Schwierigkeiten bei der Umsetzung eines BI-Systems Schwierigkeiten der Umsetzung 1/13 Strategische Ziele
MehrÜbersicht über Datenbanken
Übersicht über Datenbanken Vergleich zwischen normaler Datenorganisation und Datenbanken Definition einer Datenbank Beispiel (inkl. Zugriff) Der Datenbankadministrator Relationale Datenbanken Transaktionen
MehrUrs Meier (urs.meier@trivadis.com) Art der Info Technical Info (Februar 2002) Aus unserer Projekterfahrung und Forschung
Betrifft Optimizer Autor Urs Meier (urs.meier@trivadis.com) Art der Info Technical Info (Februar 2002) Quelle Aus unserer Projekterfahrung und Forschung Einführung Mit jedem Oracle Release nimmt die Anzahl
MehrBusiness Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum
MehrReporting Services und SharePoint 2010 Teil 1
Reporting Services und SharePoint 2010 Teil 1 Abstract Bei der Verwendung der Reporting Services in Zusammenhang mit SharePoint 2010 stellt sich immer wieder die Frage bei der Installation: Wo und Wie?
MehrData Warehouses. Kapitel 1 Einführung. Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de
Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Kapitel 1 Einführung Vorstellung Organisatorisches Data Warehouses
MehrHallo! Social Media in der praktischen Anwendung 11.07.2014. Warum macht man was und vor allem: wie? Osnabrück, den 07. Juli 2014.
Social Media in der praktischen Anwendung Warum macht man was und vor allem: wie? Osnabrück, den 07. Juli 2014 Julius Hoyer Hallo! 09. Juli 2014 ebusiness-lotse Osnabrück 2 1 ebusiness Lotse Osnabrück
MehrSurvival Guide für Ihr Business Intelligence-Projekt
Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren
MehrDatenbanksysteme I Data Warehouses Felix Naumann
Datenbanksysteme I Data Warehouses 13.7.2009 Felix Naumann Überblick 2 Einsatzgebiete OLAP versus OLTP Multimensionale i l Modellierung OLAP Operationen Relationale Implementierung Folien zu DWH: Ulf Leser
MehrXML und Datenbanken. Wintersemester 2003/2004. Vorlesung: Dienstag, 13:15-15:00 Uhr IFW A36. Übung: Dienstag, 15:15-16:00 Uhr IFW A36
XML und Datenbanken Wintersemester 2003/2004 Vorlesung: Dienstag, 13:15-15:00 Uhr IFW A36 Übung: Dienstag, 15:15-16:00 Uhr IFW A36 Dozenten: Dr. Can Türker IFW C47.2 Email: WWW: tuerker@inf.ethz.ch http://www.dbs.ethz.ch/~xml
MehrDatenbanken und Informationssysteme
Datenbanken und Informationssysteme Lehrangebot Stefan Conrad Heinrich-Heine-Universität Düsseldorf Institut für Informatik April 2012 Stefan Conrad (HHU) Datenbanken und Informationssysteme April 2012
MehrUpdatehinweise für die Version forma 5.5.5
Updatehinweise für die Version forma 5.5.5 Seit der Version forma 5.5.0 aus 2012 gibt es nur noch eine Office-Version und keine StandAlone-Version mehr. Wenn Sie noch mit der alten Version forma 5.0.x
MehrKundenbefragung als Vehikel zur Optimierung des Customer Service Feedback des Kunden nutzen zur Verbesserung der eigenen Prozesse
Kundenbefragung als Vehikel zur Optimierung des Customer Service Feedback des Kunden nutzen zur Verbesserung der eigenen Prozesse Vieles wurde bereits geschrieben, über die Definition und/oder Neugestaltung
MehrEigene Dokumente, Fotos, Bilder etc. sichern
Eigene Dokumente, Fotos, Bilder etc. sichern Solange alles am PC rund läuft, macht man sich keine Gedanken darüber, dass bei einem Computer auch mal ein technischer Defekt auftreten könnte. Aber Grundsätzliches
MehrSpezialisierung Business Intelligence
Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business
MehrData Warehousing und Data Mining
2 Data Warehousing und Data Mining Kapitel 1: Data-Warehousing-Architektur von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich zum letzten Jahr? In welchen Regionen
MehrUniversität Duisburg-Essen Informationssysteme Prof. Dr.-Ing. N. Fuhr. Praktikum Datenbanken / DB2 Woche 8: Trigger, SQL-PL
Betreuer: Sascha Kriewel, Tobias Tuttas Raum: LF 230 Bearbeitung: 26., 27. und 29. Juni 2006 Datum Team (Account) Vorbereitung Präsenz Aktuelle Informationen, Ansprechpartner und Material unter: http://www.is.inf.uni-due.de/courses/dbp_ss07/index.html
MehrBig & Smart Data. bernard.bekavac@htwchur.ch
Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem
MehrFragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96
Fragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96 Dieser Fragenkatalog wurde aufgrund das Basistextes und zum Teil aus den Prüfungsprotokollen erstellt, um sich auf mögliche
MehrLars 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
MehrDatenbanksysteme I Data Warehouses Felix Naumann
Datenbanksysteme I Data Warehouses 5.7.2010 Felix Naumann Überblick 2 Einsatzgebiete OLAP versus OLTP Multimensionale i l Modellierung OLAP Operationen Relationale Implementierung Neue Architekturen Folien
Mehrpro4controlling - Whitepaper [DEU] Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9
Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9 1 Allgemeine Beschreibung "Was war geplant, wo stehen Sie jetzt und wie könnte es noch werden?" Das sind die typischen Fragen, mit denen viele Unternehmer
MehrEinrichten einer Festplatte mit FDISK unter Windows 95/98/98SE/Me
Einrichten einer Festplatte mit FDISK unter Windows 95/98/98SE/Me Bevor Sie die Platte zum ersten Mal benutzen können, muss sie noch partitioniert und formatiert werden! Vorher zeigt sich die Festplatte
MehrGroßunternehmen vs. Kleinunternehmen
Detailauswertung Mitgliederbefragung Komplexität Großunternehmen vs. Kleinunternehmen Klein: bis 500 Mitarbeiter Groß: 500 bis über 10.000 Frage 1: Woraus ergibt sich in Ihrem Arbeitsbereich Komplexität?
MehrDipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.09.2009
Hochschule Darmstadt DATENBANKEN Fachbereich Informatik Praktikum 3 Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.09.2009 PL/SQL Programmierung Anwendung des Cursor Konzepts und Stored Procedures Und Trigger
MehrMengenvergleiche: Alle Konten außer das, mit dem größten Saldo.
Mengenvergleiche: Mehr Möglichkeiten als der in-operator bietet der θany und der θall-operator, also der Vergleich mit irgendeinem oder jedem Tupel der Unteranfrage. Alle Konten außer das, mit dem größten
Mehr6. Sichten, Integrität und Zugriffskontrolle. Vorlesung "Informa=onssysteme" Sommersemester 2015
6. Sichten, Integrität und Zugriffskontrolle Vorlesung "Informa=onssysteme" Sommersemester 2015 Überblick Sichten Integritätsbedingungen Zugriffsrechte SQL- Schema und SQL- Katalog Das Informa=onsschema
MehrVorlesungen: Abschaffen oder besser verpacken?
Vorlesungen: Abschaffen oder besser verpacken? Gabi Reinmann Vortrag auf dem Symposium zur Lehre: Zukunft von Großveranstaltungen am 1. November 2011 von 9-13h Überblick 1. Teil: Hintergrundüberlegungen
MehrTitel. System Center Service Manager 2012 R2 Anleitung zur Installation
Autor: Thomas Hanrath Microsoft Certified Trainer Titel System Center Service Manager 2012 R2 Anleitung zur Installation Eine beispielhafte Installationsanleitung zur Verwendung im Testlab Quelle: System
MehrNäher am Kunden mit Microsoft Business Intelligence
Nürnberg, April 2014 Näher am Kunden mit Microsoft Business Intelligence Schnellere AHA-Effekte aus Small Data. Big Data. All Data - Online wie Offline. Sehr geehrte Damen und Herren, die rasant voranschreitende
MehrBusiness Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum
Mehrecommerce als Projekt im Mittelstand: Tut Beratung Not? Bereiche, Formen, Auswahl!
: Tut Beratung Not? Bereiche, Formen, Auswahl! Atrada AG was machen die eigentlich? Erfahrung - Die Atrada AG steht für über ein Jahrzehnt Erfahrung im ecommerce und besteht seit 1995. Seit der Gründung
Mehr1 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
MehrBI in der Cloud eine valide Alternative Überblick zum Leistungsspektrum und erste Erfahrungen 11.15 11.45
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
Mehragitat Werkzeuge kann man brauchen und missbrauchen - vom Einsatz von NLP in der Führung
agitat Werkzeuge kann man brauchen und missbrauchen - vom Einsatz von NLP in der Führung Der Inhalt dieses Vortrages Moderne Führungskräfte stehen vor der Herausforderung, ihr Unternehmen, ihre Mitarbeiter
MehrWas passiert mit den Daten nach der Scheidung mit der Cloud Lösung?
Was passiert mit den Daten nach der Scheidung mit der Cloud Lösung? Christoph Groß Inhaber Supply Chain Competence Center Groß & Partner 1 2012 Supply Chain Competence Center Groß & Partner www.scc-center.de
MehrInformatik 12 Datenbanken SQL-Einführung
Informatik 12 Datenbanken SQL-Einführung Gierhardt Vorbemerkungen Bisher haben wir Datenbanken nur über einzelne Tabellen kennen gelernt. Stehen mehrere Tabellen in gewissen Beziehungen zur Beschreibung
MehrWie wirksam wird Ihr Controlling kommuniziert?
Unternehmenssteuerung auf dem Prüfstand Wie wirksam wird Ihr Controlling kommuniziert? Performance durch strategiekonforme und wirksame Controllingkommunikation steigern INHALT Editorial Seite 3 Wurden
MehrUniversität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5 Aufgabe 1: Projektion Datenbanksysteme I π A1,...,A n (π B1,...,B
Mehrmit Musterlösungen Prof. Dr. Gerd Stumme, Dipl.-Inform. Christoph Schmitz 11. Juni 2007
6. Übung zur Vorlesung Datenbanken im Sommersemester 2007 mit Musterlösungen Prof. Dr. Gerd Stumme, Dipl.-Inform. Christoph Schmitz 11. Juni 2007 Aufgabe 1: Rekursion Betrachten Sie die folgende Tabelle
MehrUmfrage Aktuell Neukundengewinnung und Lead Management in mittelständischen Unternehmen: Status quo, Chancen und Potentiale.
Neukundengewinnung und Lead Management in mittelständischen Unternehmen: Status quo, Chancen und Potentiale. Seite 1 Ergebnisse Lead Management - aber bitte mit Strategie! Lead Management B2B Thema Nr.1
MehrWS 2002/03. Prof. Dr. Rainer Manthey. Institut für Informatik III Universität Bonn. Informationssysteme. Kapitel 1. Informationssysteme
Informationssysteme Informationssysteme WS 2002/03 Prof. Dr. Rainer Manthey Institut für Informatik III Universität Bonn 2002 Prof. Dr. Rainer Manthey Informationssysteme 1 DB und/oder IS: terminologischer
MehrWindows 10 > Fragen über Fragen
www.computeria-olten.ch Monatstreff für Menschen ab 50 Merkblatt 103 Windows 10 > Fragen über Fragen Was ist das? Muss ich dieses Upgrade machen? Was bringt mir das neue Programm? Wie / wann muss ich es
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
MehrSAP Memory Tuning. Erfahrungsbericht Fritz Egger GmbH & Co OG. Datenbanken sind unsere Welt www.dbmasters.at
SAP Memory Tuning Erfahrungsbericht Fritz Egger GmbH & Co OG Wie alles begann Wir haben bei Egger schon öfter auch im SAP Bereich Analysen und Tuning durchgeführt. Im Jan 2014 hatten wir einen Workshop
MehrTU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.
TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D. Blatt Nr. 7 Übung zur Vorlesung Grundlagen: Datenbanken im WS13/14 Henrik Mühe (muehe@in.tum.de) http://www-db.in.tum.de/teaching/ws1314/dbsys/exercises/
MehrDas SQL-Schlüsselwort ALL entspricht dem Allquantor der Prädikatenlogik
Beispielaufgaben Informationssysteme erstellt von Fabian Rump zur IS Vorlesung 2009/10 1 Multiple Choice Aussage richtig falsch Eine SQL-Abfrage beginnt immer mit dem Schlüsselwort SELECT Eine Datenbank
MehrIT-Unternehmensarchitektur Übung 01: IT-Strategie
IT-Unternehmensarchitektur Übung 01: IT-Strategie 29. April 2010 (Donnerstag) Fachgebiet Software-Architekturen, Prof. Dr. Robert Hirschfeld Dipl.-Math. Gernot Dern, Dipl.-Inform. (univ.) Wolfgang Keller,
MehrSenioren ans Netz. schreiben kurze Texte. Lektion 9 in Themen aktuell 2, nach Übung 7
Senioren ans Netz Lektion 9 in Themen aktuell 2, nach Übung 7 Was lernen Sie hier? Sie üben Leseverstehen, suchen synonyme Ausdrücke, sagen Ihre Meinung. Was machen Sie? Sie erkennen und erklären Stichwörter,
MehrETL in den Zeiten von Big Data
ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse
MehrBusiness Intelligence und Geovisualisierung in der Gesundheitswirtschaft
Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media
MehrOrientierungshilfen für SAP PI (Visualisierungen)
EINSATZFELDER FÜR DIE KONFIGURATIONS-SZENARIEN INTERNE KOMMUNIKATION UND PARTNER-KOMMUNIKATION UND DIE SERVICE-TYPEN BUSINESS-SYSTEM, BUSINESS-SERVICE UND INTEGRATIONSPROZESS Betriebswirtschaftliche Anwendungen
Mehr40-Tage-Wunder- Kurs. Umarme, was Du nicht ändern kannst.
40-Tage-Wunder- Kurs Umarme, was Du nicht ändern kannst. Das sagt Wikipedia: Als Wunder (griechisch thauma) gilt umgangssprachlich ein Ereignis, dessen Zustandekommen man sich nicht erklären kann, so dass
MehrProf. Dr.-Ing. Rainer Schmidt 1
Prof. Dr.-Ing. Rainer Schmidt 1 Business Analytics und Big Data sind Thema vieler Veröffentlichungen. Big Data wird immer häufiger bei Google als Suchbegriff verwendet. Prof. Dr.-Ing. Rainer Schmidt 2
MehrProjektmanagement in der Spieleentwicklung
Projektmanagement in der Spieleentwicklung Inhalt 1. Warum brauche ich ein Projekt-Management? 2. Die Charaktere des Projektmanagement - Mastermind - Producer - Projektleiter 3. Schnittstellen definieren
MehrWhitepaper. Produkt: combit Relationship Manager. Einbindung externer FiBu-/Warenwirtschaftsdaten. combit GmbH Untere Laube 30 78462 Konstanz
combit GmbH Untere Laube 30 78462 Konstanz Whitepaper Produkt: combit Relationship Manager Einbindung externer FiBu-/Warenwirtschaftsdaten Einbindung externer FiBu-/Warenwirtschaftsdaten - 2 - Inhalt Ausgangssituation
MehrDatenbanksysteme I. Klausur zum Praktikum. Mehrere Professoren prüfen mit genau einem Beisitzer genau einen Studenten.
Lehrstuhl für Datenbanken und Informationssysteme Wintersemester 1999/2000 Universität Augsburg, Institut für Informatik 25. Februar 2000 Prof. Dr. Werner Kießling A. Leubner, M. Wagner Datenbanksysteme
Mehr2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45
Vorwort 15 Teil I Grundlagen 19 i Einführung In das Thema Datenbanken 21 I.I Warum ist Datenbankdesign wichtig? 26 i.2 Dateisystem und Datenbanken 28 1.2.1 Historische Wurzeln 29 1.2.2 Probleme bei der
MehrExecutive Information. SAP HANA Ihr Weg zum In-Memory-Computing
Executive Information SAP HANA SAP HANA Hintergrund Die Datenmengen in Unternehmen wachsen exponentiell. Gleichzeitig wird die Zeit, die für fundierte und datengestützte Entscheidungen zur Verfügung steht,
MehrKapitel 4 Die Datenbank Kuchenbestellung Seite 1
Kapitel 4 Die Datenbank Kuchenbestellung Seite 1 4 Die Datenbank Kuchenbestellung In diesem Kapitel werde ich die Theorie aus Kapitel 2 Die Datenbank Buchausleihe an Hand einer weiteren Datenbank Kuchenbestellung
MehrWie viel Cross-Channel braucht unser Markt? ECC Forum Köln
Wer ist Elektro-Material AG (EM) Gehört zu Rexel Group 9 Niederlassungen 650 Mitarbeiter 250 000 gelistete Artikel 50 000 Lagerartikel Partner von 900 Lieferanten 95 % garantierte Lieferbereitschaft E-Shop
Mehr