Anfragen an multidimensionale Daten
|
|
- Lilli Lenz
- vor 7 Jahren
- Abrufe
Transkript
1 Anfragen an multidimensionale Daten Seminar: Data Warehousing im Sommersemester 2005 Lehrstuhl für Datenbanken und Informationssysteme Betreuer: David Wiese 20. Juni 2005
2 Inhaltsverzeichnis 1. Einleitung OLAP-Operationen Roll-Up Drill-Down Drill-Across Slice Dice Pivotierung Umsetzung in Standards SQL Erweiterte Gruppierungsfunktionalität SQL-OLAP-Erweiterungen MDX MDX Sprachelemente Aufbau einer MDX-Abfrage Navigationsfunktionen Drei Beispiele Abfragetypen und verarbeitung Abfragetypen Abfrageverarbeitung Star-Join Schlussbemerkungen Quellenverzeichnis Abbildungen Text... 16
3 1. Einleitung Neben den Prozessen zur Erstellung und Optimierung gehört der Aspekt der Anfragen an ein Data Warehouse sicher zu den Kernpunkten des Interesses, da diese letzten Endes die Grundlage für die Analyse der erfassten Daten darstellen. In der vorliegenden Arbeit werden die wichtigsten Operatoren für Anfragen an multidimensionale Daten sowie deren Umsetzung in SQL und MDX erläutert, ein weitere Teilabschnitt beschäftigt sich mit den häufigsten Anfragetypen und der Anfrageverarbeitung 2. OLAP-Operationen OLAP (kurz für Online Analytical Processing) bezeichnet Werkzeuge und Technologien, um auf multidimensionale Daten zuzugreifen, die z.b. in einem Data Warehouse gespeichert sind. Dazu stehen mehrere Operationen zur Verfügung, die eine größtmöglich benutzerfreundliche Analyse der Datenbestände ermöglichen sollen. Die jeder OLAP-Operation zugrundeliegende Struktur ist ein sogenannter Data Cube (Datenwürfel) (Abbildung 1) auf dem die im folgenden gezeigten Operationen ausgeführt werden. Abbildung 1 - Datenwürfel 1 Der Datenwürfel ist im einfachsten (multidimensionalen) Fall ein dreidimensionaler Würfel. Im vorliegenden Beispiel sind Geographie, Produkt und Zeit die Dimensionen. Die Dimensionen können unterschiedlich detaillierte Granularitäten und damit verschiedene Betrachtungsebenen aufweisen, z.b. Land, Region, Bezirk für die Dimension Geographie oder Jahr, Quartal, Monat für die Dimension Zeit. Die einzelnen Elemente des Würfels beinhalten die eigentlichen Daten - meist betriebswirtschaftliche Kennzahlen, wie z.b. Umsätze oder Verkäufe. 1 Quelle: [BaGu04] 1
4 2.1 Roll-Up Ein Roll-Up bezeichnet den Wechsel von einer Betrachtungsebene auf die darüberliegende. Ausgehend von einer Abfrage von Verkäufen aufgeteilt nach Monaten würde ein Roll-Up auf die Dimension Zeit zu einem Ergebnis führen, in dem die Verkäufe nun nach Quartal aufsummiert werden. 2.2 Drill-Down Die Drill-Down-Operation ist die direkte Umkehroperation zum Roll-Up. Analog zum obigen Beispiel führt ein Drill-Down auf die Dimension Zeit in der Quartalsebene wieder zu einem Ergebnis, in dem die Verkäufe wieder nach Monaten aufgeteilt sind. Roll-Up und Drill-Down lassen sich am besten in einer gemeinsamen Abbildung erklären. Insbesondere lässt sich so erkennen, dass die eine Operation jeweils die Umkehroperation der anderen ist (Abbildung 2). 2.3 Drill-Across Abbildung 2 - Roll-Up und Drill-Down 2 Mit der Drill-Across-Operation kann man unter Beibehaltung der Betrachtungsebene den betrachteten Fakt wechseln (Abbildung 3). 2 Quelle: [BaGu04] 3 Quelle: [BaGu04] Abbildung 3 - Drill-Across 3 2
5 2.4 Slice Eine Slice-Operationen bietet die Möglichkeit auf Schichten des Datenwürfels zuzugreifen, dabei beschränkt man (im dreidimensionalen Fall) eine Dimension auf ein Intervall des Wertebereichs und belässt die anderen Dimensionen unverändert. In der Abbildung ist nur eine Möglichkeit eines Slice abgebildet. 2.5 Dice Abbildung 4 - Slice 4 Mit Hilfe der Dice-Operation kann der Benutzer in jeder Dimension beschränkte Teilwürfel aus dem Datenwürfel herausschneiden, um sie zur näheren Betrachtung heranzuziehen. 2.6 Pivotierung Abbildung 5 - Dice 5 Durch drehen (= pivotieren) des Datenwürfels kann der Benutzer die Daten aus jeder beliebigen Perspektive betrachten. Unter der Annahme, daß der Betrachter des Wüfels diesen immer von vorn sieht, bedeutet das, ausgehend vom Beispiel die Sicht auf die Daten Verkäufe nach Zeit und Geographie Verkäufe nach Zeit und Produkt, usw. (Abbildung 6). Abbildung 6 Pivotierung 6 4 Quelle: (vom Verfasser modifiziert) 5 Quelle: (vom Verfasser modifiziert) 6 Quelle: [BaGu04] 3
6 3. Umsetzung in Standards In diesem Kapitel werden zwei Ansätze zur Umsetzung der OLAP-Operationen für den Gebrauch in DBMS vorgestellt. Im ersten Abschnitt werden dazu Erweiterungen für SQL gezeigt, der zweite Teil beschäftigt sich mit MDX, einer neuen Sprache, die direkt auf dem multidimensionalen Datenmodell aufbaut. Die Vorstellung beschränkt sich in dieser Arbeit hauptsächlich auf Beispiele, für syntaktische Feinheiten und weitere spezielle Funktionen sei der Leser an die jeweilige Sprachreferenz bzw. Norm verwiesen. 3.1 SQL Um multidimensionale Operatoren auf dem relationalen Datenmodell zu ermöglichen, wurden mit SQL:99 beginnend verschiedene neue Sprachelemente implementiert, die sich in zwei Klassen gliedern: Erweiterte Gruppierungsfunktionalität: - erweiterte GROUP BY-Syntax - GROUPING SETS - GROUPING-Funktion - ROLLUP-Operator - CUBE-Operator SQL-OLAP-Funktionen: - Aggregate - Partionierung - Bildung dynamischer Fenster - Ranking Die genannten Erweiterungen sind auf Vorschläge von IBM und Oracle zurückzuführen und waren dementsprechend auch zuerst in DB2 und Oracle 9 implementiert. Bezüglich der SQL:99-Norm sind beide Produkte in den genannten Punkten gleich. Die Ausgangsdaten für die folgenden Ausführungen sind in Tabelle 1 zu sehen. Sie zeigen die fiktiven Verkaufzahlen einer Firma, aufgeschlüsselt nach Jahr, Land und Kategorie. Tabelle 1 - Ausgangsdaten Jahr Land Kategorie Verkäufe 2003 Deutschland Autos Deutschland Computer Frankreich Autos Frankreich Computer Deutschland Autos Deutschland Computer Frankreich Autos Frankreich Computer 150 4
7 3.1.1 Erweiterte Gruppierungsfunktionalität GROUP BY Die einfachen Aggregatfunktionen wie SUM(), COUNT(), MIN(), MAX(), AVG() liefern nur eine einzelne Zahl als Ergebnis. Für die Auswertung betriebswirtschaftlicher Daten ist es aber viel interessanter, diese zu gruppieren und nach gewünschtem Attribut und gewünschter Funktion zu aggregieren. Dazu ist die Verwendung der GROUP BY-Klausel innerhalb der SELECT-Klausel nötig, wie im folgenden Beispiel zu sehen: Abbildung 7 - Gruppierung mittels GROUP BY Prinzipiell wäre dieses Konstrukt ausreichend, um alle möglichen Gruppierungen und damit alle möglichen Zahlen (Verkäufe nach Jahr, Verkäufe nach Zeit, Verkäufe nach Jahr und Land, usw.) zu erzeugen, allerdings verursacht dies erheblichen Schreibaufwand und Performance-Einschränkungen bei der Abarbeitung der Abfrage. 5
8 GROUPING SETS Um die genannten Probleme aus zu beheben, empfiehlt sich der Einsatz der sog. GROUPING SETS. Diese Erweiterung der GROUP BY-Syntax erzeugt alle angegebenen Gruppierungsmengen (Abbildung 8). Abbildung 8 Gruppierung mittels GROUPING SETS Der ROLLUP-Operator Da bei großen Tabellen auch die Angabe der Gruppierungsmengen ein sehr zeitaufwändiger Vorgang sein kann, empfiehlt sich der ROLLUP-Operator oder der CUBE-Operator (siehe ). Die ROLLUP-Funktion erweitert die GROUP BY- Syntax um die einfache Möglichkeit eine hierarchische multidimensionale Gruppierung zu erzeugen. Wie auch schon im GROUPING SETS-Beispiel erzeugt die Anwendung der ROLLUP-Funktion NULL-Werte, die so sich nicht von benutzerdefinierten NULL-Werten unterscheiden lassen. Um dies zu umgehen, wurde die GROUPING-Funktion eingeführt, deren Anwendung auf ein Attribut eine 1 oder eine 0 ausgibt, falls das Attribut an der Gruppierung beteiligt oder nicht. Abbildung 9 - Die Anwendung des ROLLUP-Operators 6
9 Der CUBE-Operator Trotz der bereits genannten Erleichterungen fehlen nach Benutzung des ROLLUP- Operators noch einige möglicherweise interessante Zahlen, zum Beispiel die Verkäufe gruppiert nur nach Jahr oder nur nach Land. Die liegt allerdings nicht an einem Mangel an Funktionalität sondern an der bereits erwähnten Tatsache, dass der ROLLUP-Operator nur hierarchische Gruppierungen erzeugt. Um sich wirklich jede mögliche Gruppierung ausgeben zu lassen, empfiehlt sich der Einsatz des CUBE- Operators. Der Vorschlag zur Erweiterung der GROUP BY-Syntax stammt aus einem Papier von Microsoft und IBM. Der CUBE-Operator ist die n-dimensionale Generalisierung der einfachen Aggregatfunktionen (Abbildung 10). Abbildung 10 - Die n-dimensionale Generalisierung: 0D - Punkt, 1D - Linie+Punkt, 2D - Kreuztabelle, 3D - drei sich überschneidende Kreuztabellen 7 Die Anwendung auf die Beispieldaten erzeugt folgendes Ergebnis: Abbildung 11 - Die Anwendung des CUBE-Operators 7 Quelle: [GBLP95] 7
10 3.1.2 SQL-OLAP-Erweiterungen Das Kernkonstrukt der SQL-OLAP-Erweiterungen ist die OVER-Klausel. Mit ihrer Hilfe lassen sich die nachfolgend beschriebenen Funktionalitäten realisieren. Abbildung 12 - Die OVER-Klausel Funktion(arg) bezeichnet in diesem Fall eine der SQL-Funktionen Aggregate Eine einfache Aggregatbildung ohne Verdichtung lässt sich mittels Verwendung von OVER() ohne Angabe jeglicher Parameter realisieren (Abbildung 13). Abbildung 13 - einfache Aggregatbildung mit OVER 8
11 Partionierung Eine Aufteilung der Ergebnistabelle ähnlich der wie sie bei Verwendung von GROUP BY entsteht, lässt sich mittels Partitionierung erreichen. Dazu ist die Angabe eines Partitionierungsschemas von Nöten (Abbildung 14). Abbildung 14 - Partitionierung Bildung dynamischer Fenster Mit der Fenster-Klausel besteht die Möglichkeit eine Angabe darüber zu machen, über welche Zeilen einer Eingabe eine Funktion ausgeführt werden soll. Dies ermöglicht beispielsweise die Berechnung eines gleitenden Mittelwerts. Das Syntaxdiagramm der Fensterklausel sieht folgendermaßen aus: Abbildung 15 - Syntaxdiagramm der Fenster-Klausel 9
12 Das erwähnte Beispiel eines fließenden Mittelwerts ließe sich so realisieren: Abbildung 16 - fließender Mittelwert In diesem Falle wird der Mittelwert immer aus dem Wert der Verkäufe der aktuellen und der vorherigen Zeile gebildet Ranking Um die Position eines Tupels bezüglich einer Sortierungsreihenfolge im Ergebnis einer Abfrage zu bestimmen, gibt es die Funktionen RANK() und DENSE_RANK(), wobei RANK() im Gegensatz zu DENSE_RANK() beim Auftreten von Duplikaten Lücken in der Nummerierung lässt (Abbildung 17). Abbildung 17 - Ranking 10
13 3.2 MDX MDX steht für MultiDimensional EXpressions und bezeichnet eine neuartige Abfragesprache, die sich stark an der SQL-Syntax orientiert und direkt auf dem multidimensionalen Datenmodell aufsetzt. Entwickelt wurde die Sprache von Microsoft und ist z.b. im MS SQLServer und als Addin für Excel verfügbar. MDX ist trotz des Vorsatzes den Zugriff auf multidimensionale Strukturen zu vereinfachen, eine sehr komplexe und mächtige Sprache geworden. Sie verfügt über sehr viele Funktionen von denen hier nur auf einige anhand von Beispielen verwiesen werden soll MDX Sprachelemente Fakten werden in MDX als Measures bezeichnet und als eigene Dimension modelliert. Dimensionen unterteilen sich in Level und Members. Level sind Klassifikationsstufen und Members sind Klassifikationsknoten eines Levels (siehe dazu auch 3.2.3). Um die später genannten Beispiele zu verstehen, seien an dieser Stelle noch die Syntaxelemente { } und [ ] erwähnt, wobei { } Mengen darstellen und [ ] Strings einschließen Aufbau einer MDX-Abfrage Im Select-Teil werden die Dimensionen angegeben, auf die sich die Abfrage bezieht. Es können bis zu 64 Dimensionen ausgewählt werden, zusätzlich muss angegeben werden, ob die Dimensionen im Ergebnis auf den Zeilen (= on ROWS) oder Spalten (= on COLUMNS) liegen sollen. Im From-Teil werden die Cubes angegeben, auf die die Abfrage ausgeführt werden soll. Die Where-Klausel ermöglicht die Auswahl der darzustellenden Werte Navigationsfunktionen Wie schon in angesprochen, unterteilen sich Dimensionen in verschiedene Hierarchieebenen. MDX stellt zur Navigation zwischen diesen Ebenen verschiedene Funktionen zur Verfügung: - Members: ansprechen aller Knoten einer Klassifikationsebene - Children: ansprechen aller Kinderknoten eines Klassifikationsknotens - Parent: ansprechen des Elternknotens eines Klassifikationsknotens SELECT {[Kategorie].MEMBERS} Autos, Computer SELECT {[Notebook1].PARENT} Computer SELECT {[Computer].CHILDREN} Notebook1, Notebook2, Desktop1, Desktop2 11
14 3.2.4 Drei Beispiele Drill-Down SELECT Measures.MEMBERS ON COLUMNS [Jahr].MEMBERS,[Land].Members,[Kategorie].Members ON ROWS FROM [Verkäufe] WHERE ([Jahr].[2003]) Roll-Up SELECT Measures.MEMBERS ON COLUMNS [Jahr].MEMBERS,[Land].Members,[Kategorie].Members ON ROWS FROM [Verkäufe] WHERE ([Jahr].MEMBERS) Crossjoin (Projektion zweier Dimensionen in die Ebene) SELECT CROSSJOIN({[Deutschland],[Frankreich]}, {[Autos], [Computer]}) ON COLUMNS [Jahr].MEMBERS ON ROWS FROM [Verkäufe] WHERE (Measures.[Verkäufe]) Abbildung 18 - Ergebnisse der drei Beispielanfragen 8 8 Quelle Würfelabbildung: (vom Verfasser modifiziert) 12
15 4. Abfragetypen und verarbeitung 4.1 Abfragetypen Abbildung 19 - Abfragetypen 9 1 range query in allen Dimensionen durch ein Suchintervall beschränkt ( Wie viele Computer wurden im Januar verkauft ) 2 partial range query in mindestens einer aber nicht in allen Dimensionen durch ein Suchintervall beschränkt ( Wie viele Produkte wurden im Januar verkauft ) 3 partial match query in mindestens einer aber nicht in allen Dimension streng durch einen genau angegebenen Wert beschränkt ( Wie viele Produkte wurden am 31. Januar verkauft ) 4 point query in allen Dimensionen durch einen genau angegebenen Wert beschränkt ( Wie viele Computer Typ2 wurden am 31. Januar verkauft ) 5 und 6 zeigen Anfragen aus dem Bereich der Geoinformations-Systeme, z.b. Ausdehnung von Gewässern oder Überschneidung von Arealen. 9 Quelle: 13
16 4.2 Abfrageverarbeitung Star-Join Die in Data Warehouses am häufigsten vorkommende Form der Abfragen sind Bereichs- und Teilbereichsanfragen. Ausgehend von der typischen (relationalen) Speicherform, des so genannten Star-Schemas (Abbildung 20) beziehen sich solche Anfragen immer auf eine große Faktentabelle und mehrere kleine voneinander unabhängige Dimensionstabellen. Abbildung 20 - Star-Schema 10 Um nun eine Anfrage wie zum Beispiel Wie viele Waschgeräte wurden im Jahr 2000 in Deutschland verkauft zu beantworten ist ein sog. Star-Join über die Faktentabelle Verkäufe und über die Dimensionstabellen Produkt, Zeit und Ort notwendig. 10 Quelle: str783.htm 14
17 Die Syntax eines Star-Joins orientiert sich am klassischen SFW-Schema (Select- From-Where). Dabei werden in der Select-Klausel die gewünschten Kenngrößen zusammen mit den Dimensionen und der nötigen Granularität angegeben. In der From-Klausel stehen die Fakten- und Dimensionstabelle(n) und schließlich müssen in der Where-Klausel noch die Verbundbedinungen und Restriktionen angegeben werden. Außerdem notwendig ist die Angabe, wie die Ausgabe gruppiert werden soll. SELECT Geographie.Region, Zeit.Monat, SUM(Verkaeufe) FROM Verkauf, Zeit, Produkte, Geographie WHERE Verkauf.Produkt_ID = Produkt.ProduktID AND Verkauf.Zeit_ID = Zeit.ZeitID AND Verkauf.Geographie_ID = Geographie.GeographieID AND Produkt.Produktkategorie = 'Waschgeräte' AND Geographie.Land = 'Deutschland' AND Zeit.Jahr = 2000 GROUP BY Geographie.Region, Zeit.Monat Eine mögliche Abarbeitungsstrategie zu der obigen Anfrage: Abbildung 21 - Abarbeitungsstrategie Schlussbemerkungen Mit der immer größer werdenden Bedeutung von Data Warehouses und der Fülle an multidimensionalen Daten wuchs auch das Bedürfnis nach adäquaten Abfragemöglichkeiten. Die aktuellen Standards SQL:99 und die neue Sprache MDX bieten mit ihren Konstrukten und Erweiterungen eine große Funktionalität und Flexibilität, um schnelle und umfangreiche Abfragen an große Datenbestände durchzuführen. 11 Quelle: [BaGu04] 15
18 6. Quellenverzeichnis 6.1 Abbildungen - [BaGu04]: Bauer, A; Günzel, H.: Data Warehouse Systeme. Architektur, Entwicklung, Anwendung. Heidelberg: dpunkt.verlag [GBLP95]: Gray, J.; Bosworth, A.; Layman, A.; Pirahesh, H.: Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross- Tab, and Sub-Totals. J. Data Mining and Knowledge Discovery Zusätzliche Quellen siehe Fußnoten Nicht mit Quellenverweisen gekennzeichnete Abbildung wurden selbst erstellt. 6.2 Text - [BaGu04]: Bauer, A; Günzel, H.: Data Warehouse Systeme. Architektur, Entwicklung, Anwendung. Heidelberg: dpunkt.verlag ( ) - ( ) - ( ) als allgemeines Nachschlagewerk - ( ) - ( ) - ( ) Die Daten in den Klammern geben bei Webadressen den Zeitpunkt des letzen Zugriffs an. Weitere Quellen für Data-Warehouse-Technologien sind auf der Seite des zu dieser Arbeit gehörenden Seminars unter zu finden. 16
Anfragen an multidimensionale Daten
Anfragen an multidimensionale Daten Alexander Heidrich - BID8 09.06.2005 Hintergrundbild: http://www.csc.calpoly.edu/~zwood/teaching/csc471/finalproj02/afternoon/mfouquet/cube.jpg Inhaltsübersicht Motivation
MehrData Warehousing. Ausführung von OLAP Operationen. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Ausführung von OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Variante 1 - Snowflake Year id year Productgroup id pg_name Month Id Month year_id Day Id day month_id
MehrMultidimensionales Datenmodell, Anfrageverarbeitung und Anfrageoptimierung
Multidimensionales Datenmodell, Anfrageverarbeitung und Anfrageoptimierung Grundbegriffe Dimensionen, Fakten/Kennzahlen Eigenschaften von multidimensionalen Anfragen Relationale Umsetzung von Anfragen
MehrAnfragesprachen für On-Line Analytical Processing (OLAP)
Anfragesprachen für On-Line Analytical Processing (OLAP) Seminar Business Intelligence Teil I: OLAP & Data Warehousing René Rondot rondot@informatik.uni-kl.de Universität Kaiserslautern Anfragesprachen
MehrEinleitung. ROLLUP, CUBE und GROUPING. Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002)
Betrifft Autör: GROUPING_ID Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem Oracle9i Data Warehousing Guide und den Kursen New Features Oracle9i
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrVorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
MehrData Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
Mehr6.2 Datenmodellierung
Umsetzung des multidimensionalen Modells Interne Verwaltung der Daten durch - Relationale Strukturen (Tabellen) Relationales OLAP (ROLAP) Vorteile: Verfügbarkeit, Reife der Systeme - Multidimensionale
MehrBusiness Intelligence & Reporting. Michael Cordes Holger Oehring Matthias Rein
Business Intelligence & Reporting Michael Cordes Holger Oehring Matthias Rein Ziele Einführung Business Intelligence / Front Room Online Analytical Processing (OLAP) Arten des Reporting & Nutzergruppen
Mehr6.5 Workshop: Operationen auf dem Cube Multidimensional Expressions (MDX)
6.5 Workshop: Operationen auf dem Cube Multidimensional Expressions (MDX) Was ist MDX? Microsoft Terminologie im OLAP Bereich MDX Basiskonstrukte MDX weiterführende Konstrukte Fazit MDX.- 1 Was ist MDX?
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
MehrSummarization-based Aggregation
Summarization-based Aggregation Daten Generalisierung: Prozess, der Anwendungsdaten schrittweise von niedrigen auf höhere konzeptuelle Level aggregiert Conceptual levels 2 3 4 5 example: all federal states
MehrData-Warehouse-Technologien
Data-Warehouse-Technologien Prof. Dr.-Ing. Kai-Uwe Sattler 1 Prof. Dr. Gunter Saake 2 Dr. Veit Köppen 2 1 TU Ilmenau FG Datenbanken & Informationssysteme 2 Universität Magdeburg Institut für Technische
MehrVorlesung Datenbankmanagementsysteme
Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse & Einführung Online Analytical Processing (OLAP) (auf Basis von Oracle) Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse M. Lange, S.
MehrAggregatfunktionen in SQL
Aggregatfunktionen in SQL Michael Dienert 14. April 2008 1 Definition von Aggregatfunktionen Ihren Namen haben die Aggregatfunktionen vom englischen Verb to aggregate, was auf deutsch anhäufen, vereinigen,
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Sprachen für OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung OLAP Operationen MDX: Multidimensional Expressions SQL Erweiterungen
MehrTeil II: Architektur eines Data-Warehouse-Systems... 57
O:/Wiley/Reihe_Dummies/9783527714476_Gerken/3d/ftoc.3d from 08.08.2018 14:02:02 Auf einen Blick Einleitung... 19 Teil I: Was ist ein Data Warehouse?... 25 Kapitel 1: Ein Beispiel zur Einführung..... 27
Mehrmit konventionellen Datenbanksystemen konventionellen Datenbanksystemen
Stream-Verwaltung mit konventionellen Datenbanksystemen Christian Rensch.06.005 Seminar Data Streams Thema Verwaltung von Datenströmen in konventionellen Datenbanksystemen optimiert auf Daten geringer
MehrMultidimensionale Modellierung
Multidimensionale Modellierung Vorlesung: Übung: Patrick Schäfer Berlin, 27. November 2017 patrick.schaefer@hu-berlin.de https://hu.berlin/vl_dwhdm17 https://hu.berlin/ue_dwhdm17 Grundlagen Fakten (Kennzahlen/Messgrößen):
MehrData Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
MehrNutzung der Oracle Database InMemory Option für SAP BW
Nutzung der Oracle Database InMemory Option für SAP BW Schlüsselworte Oracle, SAP-BW, InMemory, Star-Schema. Jörn Bartels Oracle München Einleitung In SAP BW wurde bisher ein erweitertes Snow Flake Schema
MehrThemenblock: Erstellung eines Cube
Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen
MehrRealisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier
Realisierung von OLAP Operatoren in einem visuellen Analysetool Vortrag von Alexander Spachmann und Thomas Lindemeier Gliederung Ausgangssituation/Motivation Was ist OLAP? Anwendungen Was sind Operatoren?
MehrAnfragen in Operativen Systemen und Data Warehouses
Data Warehouses Sommersemester 011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Anfragen in Operativen Systemen und Data Warehouses Anfragen Operative
MehrEinführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
Mehrbersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter
bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen
Mehr27 Transact-SQL-Erweiterungen in Bezug auf Analysis Services
531 27 Transact-SQL-Erweiterungen in Bezug auf Analysis Services Im zweiten Teil dieses Buches haben wir die Eigenschaften der Transact-SQL- Sprache in Bezug auf die Bearbeitung von operativen Daten gezeigt.
MehrDaten-Definitionssprache (DDL) Bisher: Realwelt -> ERM -> Relationen-Modell -> normalisiertes Relationen-Modell. Jetzt: -> Formulierung in DDL
Daten-Definitionssprache (DDL) Bisher: Realwelt -> ERM -> Relationen-Modell -> normalisiertes Relationen-Modell Jetzt: -> Formulierung in DDL Daten-Definitionssprache (DDL) DDL ist Teil von SQL (Structured
MehrACCESS SQL ACCESS SQL
ACCESS SQL Datenbankabfragen mit der Query-Language ACCESS SQL Datenbankpraxis mit Access 34 Was ist SQL Structured Query Language Bestehend aus Datendefinitionssprache (DDL) Datenmanipulationssprache
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Sprachen für OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung OLAP Operationen MDX: Multidimensional Expressions SQL Erweiterungen
MehrKap. 6 Data Warehouse
1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5
MehrDatenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
MehrSeminar 2. SQL - DML(Data Manipulation Language) und. DDL(Data Definition Language) Befehle.
Seminar 2 SQL - DML(Data Manipulation Language) und DDL(Data Definition Language) Befehle. DML Befehle Aggregatfunktionen - werden auf eine Menge von Tupeln angewendet - Verdichtung einzelner Tupeln yu
MehrAufgabe 1: [Logische Modellierung]
Aufgabe 1: [Logische Modellierung] a) Entwerfen Sie für das von Ihnen entworfene Modell aus Aufgabe 2 des 1. Übungsblattes ein Star-Schema. b) Entwerfen Sie für das vorangegangene Modell einen Teil eines
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 21.04.2015 1 von 40 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator
MehrInhaltsverzeichnis. 1 Einleitung 1. 2 Aufbau von Data-Warehouse-Systemen 15. Lehner, Wolfgang Datenbanktechnologie für Data-Warehouse-Systeme 2003
1 Einleitung 1 1.1 Betriebswirtschaftlicher Ursprung des Data Warehousing 2 1.2 Statistischer Ursprung des Data Warehousing 5 1.3 Fòderativer Ursprung des Data Warehousing 7 1.4 Definition eines Data-Warehouse-Systems
Mehr12 BG EDV Access / Inf-SQL1 Theodor-Heuss-Schule Wetzlar
Abfragen aus einer Tabelle mit Hilfe der Datenbank-Sprache SQL SQL (Structured Query Language) ist eine Computersprache zum Speichern, Bearbeiten und Abfragen von Daten in relationalen Datenbanken. Eine
MehrDatenbankprogrammierung
Datenbankprogrammierung Arbeiten mit DB2 Server DB2- Befehlszeilenprozessor ausführen SQL-Skript-Datei bearbeiten Editor SSH Client Linux SSH-Konsole für Befehlszeilenproz. (ssh) X-Weiterleitung für Editor
MehrEinführung in Data Warehouses
Vorlesung Datebanksysteme II im SoSe 2015 Einführung in Data Warehouses Vorlesung: PD Dr. Peer Kröger Einführung in Data Warehouses Übersicht 1 Einleitung 2 Datenmodellierung 3 Anfragebearbeitung 2 Einführung
MehrSQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:
SQL Structured Query Language: strukturierte Datenbankabfragesprache eine Datenbanksprache zur Definition, Abfrage und Manipulation von Daten in relationalen Datenbanken In der SQL-Ansicht arbeiten In
MehrFachbereich Informatik Praktikumsaufgabe 3. Data Warehouse
Hochschule Darmstadt Data Warehouse Fachbereich Informatik Praktikumsaufgabe 3 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 08.12.2008 Data Warehouse Aufgabenstellung 1. Kurzbeschreibung
MehrLogische Modelle für OLAP. Burkhard Schäfer
Logische Modelle für OLAP Burkhard Schäfer Übersicht Einführung in OLAP Multidimensionale Daten: Hypercubes Operationen Formale Grundlagen Zusammenfassung Einführung in OLAP Verfahren zur Analyse großer
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrEinführung in die Wirtschaftsinformatik Kapitel 4: Relationale Datenbanksprachen: SQL
Einführung in die Wirtschaftsinformatik Kapitel 4: Relationale Datenbanksprachen: SQL Prof. Dr. Peter Chamoni Mercator School of Management Lehrstuhl für Wirtschaftsinformatik, insb. Business Intelligence
MehrPivotieren. Themenblock: Anfragen auf dem Cube. Roll-up und Drill-down. Slicing und Dicing. Praktikum: Data Warehousing und Data Mining. Produkt.
Zeit Pivotieren Themenblock: Anfragen auf dem Cube Praktikum: Data Warehousing und Data Mining Zeit Zeit 2 Roll-up und Drill-down Slicing und Dicing Drill-down Januar 2 3 33 1. Quartal 11 36 107 Februar
MehrKapitel 17: Date Warehouse
Kapitel 17: Date Warehouse 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen kleine, kurze Transaktionen jeweils auf jüngstem Zustand OLAP (Online Analytical
MehrDas Multidimensionale Datenmodell
Das Multidimensionale Datenmodell Konzeptuelle Modellierung Umsetzung des Modells Beispiel ER-Modell 2 / 36 Probleme ER-Modellierung Keine Unterscheidung Klassifikation, Attribute, Kenngrößen Dimension
MehrRepetitorium. Data Warehousing und Data Mining 11/12. Sebastian Wandelt 13./16. Februar 2012
Repetitorium Data Warehousing und Data Mining 11/12 Sebastian Wandelt 13./16. Februar 2012 Inhalt Data Warehousing und Data Mining auf 40 Slides Weder in-, noch exklusiv! Subjektive Zusammenfassung pro
MehrEinführung in Data Warehouses
Kapitel l6 Einführung in Data Warehouses Vorlesung: Dr. Matthias Schubert Skript 2009 Matthias Schubert Dieses Skript basiert auf dem Skript zur Vorlesung Datenbanksysteme II von Prof. Dr. Christian Böhm
MehrSQL,Teil 3: Unterabfragen, Views & Berechnungen
SQL,Teil 3: Unterabfragen, Views & Berechnungen W. Spiegel Übersicht Hinweis... Unterabfragen (subqueries) Virtuelle Spalten: AS Logik Berechnungen: Aggregatfunktionen in SQL GROUP BY & HAVING Views (Sichten)
MehrISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de
08 Datenbanken Übung SQL Einführung Eckbert Jankowski www.iit.tu-cottbus.de Datenmodell (Wiederholung, Zusammenfassung) Objekte und deren Eigenschaften definieren Beziehungen zwischen den Objekten erkennen/definieren
MehrInhaltsverzeichnis. vii.
vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt 2 1.2 OLTP versus OLAP 4 1.2.1 OLAP-versus OLTP-Transaktionen 5 1.2.2 Vergleich von OLTP und OLAP 6 1.2.3 Abgrenzung: DBMS-Techniken
MehrEntwicklung eines Tutorials für XQuery
Informatik Dimitar Menkov Entwicklung eines Tutorials für XQuery Development of a Tutorial for XQuery Masterarbeit Bibliografische Information der Deutschen Nationalbibliothek: Die Deutsche Bibliothek
MehrDIMEX Data Import/Export
DIMEX Data Import/Export PROCOS Professional Controlling Systems AG Gewerbeweg 15 FL- 9490 Vaduz PROCOS Professional Controlling Systems AG Inhaltsverzeichnis 1 ALLGEMEIN...3 2 GRUNDLEGENDE FUNKTIONEN...4
MehrMultidimensionales Datenmodell, Cognos
Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur
MehrObjektorientierter Software-Entwurf Ergebnisse der funktionalen Zerlegung 3 1. Die Zerlegungsmethoden sollen in zwei Dimensionen betrachtet werden:
Objektorientierter Software-Entwurf Ergebnisse der funktionalen Zerlegung 3 1 Vergleich der Zerlegungsmethoden Die Zerlegungsmethoden sollen in zwei Dimensionen betrachtet werden: Vergleich nach Ergebnissen
MehrSQL. DDL (Data Definition Language) Befehle und DML(Data Manipulation Language)
SQL DDL (Data Definition Language) Befehle und DML(Data Manipulation Language) DML(Data Manipulation Language) SQL Abfragen Studenten MatrNr Name Vorname Email Age Gruppe 1234 Schmidt Hans schmidt@cs.ro
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
MehrOnline Kurse Modulbeschreibungen
Online Kurse Modulbeschreibungen K0100 SQL Basics M0101 DB Theorie Dieses Modul führt in die Thematik von Datenbanken und deren grundlegenden Begriffen und Konzepten ein. Es werden Fragen beantwortet,
Mehr1 Vorstellung Kursbeispiel
1 Vorstellung Kursbeispiel Dieses Kapitel basiert auf den datenbanktheoretischen Grundlagen des Kapitel 1 und stellt die im Kurs verwendete Testdatenbank vor. Weiterhin soll grob skizziert werden, wie
MehrFortgeschrittene OLAP Analysemodelle
Fortgeschrittene OLAP Analysemodelle Jens Kübler Imperfektion und erweiterte Konzepte im Data Warehousing 2 Grundlagen - Datenanalyse Systemmodell Datenmodell Eingaben System Schätzer Datentypen Datenoperationen
MehrKapitel 6. Einführung in Data Warehouses
Kapitel 6 Einführung in Data Warehouses Vorlesung: PD Dr. Peer Kröger Skript 2009 Matthias Schubert Dieses Skript basiert auf dem Skript zur Vorlesung Datenbanksysteme II von Prof. Dr. Christian Böhm gehalten
MehrKapitel 5: Vom relationalen zum multidimensionalen Datenmodell
Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Data Warehousing und Mining 1 Data Warehousing, Gliederung Dimensionen und Measures Schematypen für Data Warehousing GroupBy und Data Cubes
MehrKapitel 5: Vom relationalen zum multidimensionalen Datenmodell
Data Warehousing, Gliederung Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Dimensionen und Measures Schematypen für Data Warehousing GroupBy und Data Cubes Operatoren für den Data Cube
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...............
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
MehrManagement Support Systeme
Management Support Systeme WS 2004-2005 14.00-16.00 Uhr PD Dr. Peter Gluchowski Folie 1 Gliederung MSS WS 04/05 1. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Sprachen für OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Übersicht Konzeptionell: Modellierung und Sprachen Architektur & Prozesse Multidimensionale
MehrGROUP BY, HAVING und Sichten
GROUP BY, HAVING und Sichten Tutorübungen 09/33 zu Grundlagen: Datenbanken (WS 14/15) Michael Schwarz Technische Universität München 11.11 / 12.11.2014 1/12 GROUP BY HAVING Sichten Eine Tabelle studenten
MehrDeveloping SQL Data Models MOC 20768
Developing SQL Data Models MOC 20768 In diesem Kurs lernen Sie das Implementieren von multidimensionale Datenbanken mithilfe der SQL Server Analysis Services (SSAS) und durch das Erstellen von tabellarische
MehrChristian Kurze BI-Praktikum IBM WS 2008/09
Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS
MehrSQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar
Qt-Seminar Dienstag, 10.2.2009 SQL ist......die Abkürzung für Structured Query Language (früher sequel für Structured English Query Language )...ein ISO und ANSI Standard (aktuell SQL:2008)...eine Befehls-
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...
MehrSQL. Ziele. Grundlagen von SQL. Beziehung zur relationalen Algebra SELECT, FROM, WHERE. Joins ORDER BY. Aggregatfunktionen. dbis.
SQL Lehr- und Forschungseinheit Datenbanken und Informationssysteme Ziele Grundlagen von SQL Beziehung zur relationalen Algebra SELECT, FROM, WHERE Joins ORDER BY Aggregatfunktionen Lehr- und Forschungseinheit
MehrKapitel 5: Der SQL-Standard
Kapitel 5: Der SQL-Standard 5. Der SQL-Standard 5. Ein Anfrageausdruck in SQL besteht aus einer SELECT-Klausel, gefolgt von einer FROM-Klausel, gefolgt von einer WHERE-Klausel. Grundform eines SFW-Ausdruck
MehrDatenbanksysteme Kapitel 5: SQL - Grundlagen
Datenbanksysteme Kapitel 5: SQL - Grundlagen Prof. Dr. Peter Chamoni Mercator School of Management Lehrstuhl für Wirtschaftsinformatik, insb. Business Intelligence Prof. Dr. Prof. Peter Dr. Chamoni Peter
MehrAnalytic Views: Einsatzgebiete im Data Warehouse
Analytic Views: Einsatzgebiete im Data Warehouse Dani Schnider Trivadis AG Zürich/Glattbrugg, Schweiz Einleitung Analytic Views sind eine der wesentlichen Erweiterungen in Oracle 12c Release 2. Durch zusätzliche
MehrDatenbanksysteme Kapitel 5: SQL Grundlagen Teil 1
Datenbanksysteme Kapitel 5: SQL Grundlagen Teil 1 Prof. Dr. Peter Chamoni Mercator School of Management Lehrstuhl für Wirtschaftsinformatik, insb. Business Intelligence Prof. Prof. Dr. Dr. Peter Peter
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. Übung zur Vorlesung Einsatz und Realisierung von Datenbanksystemen im SoSe18 Alexander van Renen, Maximilian
MehrSQL Intensivpraktikum SS 2008
SQL Intensivpraktikum SS 2008 Aggregation von Daten Arbeit mit Gruppen SQL1 basierend auf OAI-Kurs Copyright Oracle Corporation, 1998. All rights reserved. Gruppenfunktionen Gruppenfunktionen verarbeiten
MehrPraktikum: Data Warehousing und Data Mining
Themenblock: Data Warehousing II Praktikum: Data Warehousing und Data Mining Praktikum Data Warehousing und Mining, Sommersemester 2009 DMC: Ergebnisse Platz Team Punkte 1 Uni Karlsruhe (TH)_II 17260,0
MehrWiederholung VU Datenmodellierung
Wiederholung VU Datenmodellierung VU Datenbanksysteme Reinhard Pichler Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Wintersemester
MehrEinführung in Data Warehouses
Kapitel 6 Einführung in Data Warehouses Vorlesung: PD Dr. Peer Kröger Dieses Skript basiert auf den Skripten zur Vorlesung Datenbanksysteme II an der LMU München von Prof. Dr. Christian Böhm (Sommersemester
MehrWS 2010/11 Datenbanksysteme Fr 15:15 16:45 R Vorlesung #3. SQL (Teil 1)
Vorlesung #3 SQL (Teil 1) Fahrplan Wiederholung/Zusammenfassung Relationales Modell Relationale Algebra Relationenkalkül Geschichte der Sprache SQL SQL DDL (CREATE TABLE...) SQL DML (INSERT, UPDATE, DELETE)
MehrSELECT dient dazu, aus einer vorhandenen Datenbank bestimmte Spalten und Zeilen auszugeben es handelt sich also um eine Auswahlabfrage.
SELECT-FROM SELECT dient dazu, aus einer vorhandenen Datenbank bestimmte Spalten und Zeilen auszugeben es handelt sich also um eine Auswahlabfrage. Inhaltsverzeichnis 1 Der grundlegende Aufbau 2 Doppelte
MehrEs geht also im die SQL Data Manipulation Language.
1 In diesem Abschnitt wollen wir uns mit den SQL Befehlen beschäftigen, mit denen wir Inhalte in Tabellen ( Zeilen) einfügen nach Tabelleninhalten suchen die Inhalte ändern und ggf. auch löschen können.
MehrAntwort auf QB ist Menge von Tupeln, i-e. selbst wieder Relation (wie bei rel. Algebra) in QB "Zugriff" auf Tupel mit Tupel-Variablen
Kapitel 6.3 SQL als Anfragesprache Kap. 6.3.1 Allgemeine Begriffe Identifiers: Var-Name ~ Tupel-Variable Table-Name ~ Rel., View Field-Name ~ Attribut-Bez. Key-Words: select where key is integer string
MehrKapitel 5: Vom relationalen zum multidimensionalen Datenmodell
Data Warehousing, Gliederung Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Dimensionen und Measures Schematypen für Data Warehousing Groupy und Data Cubes Operatoren für den Data Cube
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Sprachen für OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Beispielquery Year Month Day Shop_name Pg_name Amount Price Sales Shop Region Productgroup
MehrTabellenkalkulationssysteme Inf 9 / 1
Tabellenkalkulationssysteme Inf 9 / 1 1.1 Inhalte von Zellen Die Zellen von Rechenblättern können Werte (Daten) oder Formeln enthalten. Werte können mithilfe von Zellbezügen als Eingabe für Formeln verwendet
MehrSchlüssel. Definition: Ein Schlüssel (key) einer Relation r(r) ist eine Til Teilmenge K von R, so dass für je zwei verschiedene Tupeln t 1
Schlüssel Definition: Ein Schlüssel (key) einer Relation r(r) ist eine Til Teilmenge K von R, so dass für je zwei verschiedene Tupeln t 1 und t 2 r gilt: - t 1 (K) t 2 (K) und - keine echte Teilmenge K'
MehrErfolg mit Oracle BI?
Erfolg mit Oracle BI? Typische Fehlerszenarien und deren Lösung Gerd Aiglstorfer G.A. itbs GmbH Das Thema 2 Oracle BI (OBIEE)? Das war eine Fehlentscheidung! Viel zu umständlich! Wenig Flexibilität & teure
MehrUnterstützung der Unternehmenssteuerung durch Data Warehouses mit ganzheitlicher Sicht auf Daten aus operativen Systemen
Rückblick Unterstützung der Unternehmenssteuerung durch Data arehouses mit ganzheitlicher Sicht auf Daten aus operativen Systemen Online Transaction Processing (OLTP) und Online Analytical Processing unterscheiden
MehrUnterstützung der Unternehmenssteuerung durch Data Warehouses mit ganzheitlicher Sicht auf Daten aus operativen Systemen
Rückblick Unterstützung der Unternehmenssteuerung durch Data arehouses mit ganzheitlicher Sicht auf Daten aus operativen Systemen Online Transaction Processing (OLTP) und Online Analytical Processing unterscheiden
MehrData Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen
Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP
MehrSQL 2. Ziele. Fortgeschrittene SQL-Konstrukte. Aggregatfunktionen revisited. Subqueries. Korrelierte Subqueries
SQL 2 Lehr- und Forschungseinheit Datenbanken und Informationssysteme 1 Ziele Fortgeschrittene SQL-Konstrukte groupby having union / intersect / except Aggregatfunktionen revisited Subqueries Korrelierte
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
MehrData Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse
Mehr