Contents. Datenanalysemethoden im analytischen CRM. Data Warehouse - OLAP Version: July 17, Datenanalysemethoden im analytischen CRM

Größe: px
Ab Seite anzeigen:

Download "Contents. Datenanalysemethoden im analytischen CRM. Data Warehouse - OLAP Version: July 17, 2007. 1 Datenanalysemethoden im analytischen CRM"

Transkript

1 Contents Data Warehouse - OLAP Version: July 17, 7 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude Rechenzentrum, 1. Stock, Zi. 169 Universität Karlsruhe (TH) D Karlsruhe Tel: Fax: Sprechstunde nach Vereinbarung ( ) Contents 1 Datenanalysemethoden im analytischen CRM 3 2 OLAP System: Übersicht OLAP Definition OLTP OLAP Funktionalität I (Codd 1993) OLAP Funktionalität II OLAP Funktionalität III FASMI Anforderungen an OLAP System Eigenschaften von mehrdimensionalen DBs Verdichtung von Werten Skalenniveaus OLAP Visualisierung von Hypercubes 14 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 1 Contents Datenanalysemethoden im analytischen CRM 5.1 Visualisierung von mehr als drei Dimensionen Operationen auf mehrdimensionalen DBs Drill-Down und Roll-Up Rotation Slice and Dice Datenanalysemethoden im analytischen CRM OLAP (On-Line Analytical Processing) (siehe Data Mining (Prediction, Sequence, Association) Statistik (Cluster, PCA, Regression, Testing,...) Personalisierung und Collaboratives Filtern Clickstream Analyse - Wo und wieso verlassen Kunden eine Webseite? - Analyse verlassener Warenkörbe + Einkünfte aus verlassenen Warenkörben + enthaltene Produkte profitabel? + gleiche Produkte in anderen Körben + Anzahl und Produktkategorien in Körben + Wo wurden Warenkorb verlassen? + Verkauf von verlassenen Körben verglichen mit tatsächlichen Verkäufen + Analyse der Kundennavigation Persönlich zugeschnittene Discounts! Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 2 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 3

2 OLAP System: Übersicht OLAP Definition 2 OLAP System: Übersicht Ein OLAP System gibt Usern mehrdimensionale und logische Sicht der Daten im Data Warehouse ermöglicht interaktive Anfragen und komplexe Analysen für den User ermöglicht Usern Navigieren entlang der Hierarchien der Dimensionstabellen (drill-down für genauere Details und roll-up für Aggregation von Daten bei einzelnen oder mehreren Dimensionen) ermöglicht das Ausführen schwieriger Berechnungen und Vergleiche stellt Ergebnisse auf verschiedene Art und Weise dar, z.b. Tabellen, Schaubilder, etc. 2.1 OLAP Definition OLAP enables analysts, managers, and executives to gain insight into data through fast, consistent, interactive access to a wide variety of possible views of information. OLAP transforms raw data so that it reflects the real dimensionality of the enterprise as understood by the user. [Cou97] Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 4 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 5 OLTP OLAP Funktionalität I (Codd 1993) 2.2 OLTP Gegensatz zu OLAP: On-Line Transaction Processing (OLTP) nutzt operative Systeme kurze, wiederkehrende, isolierte Anfragen, Abarbeitung von Transaktionen schnelle Bearbeitungsgeschwindigkeit wichtig Häufige Updates von Daten Aktuelle und detaillierte Daten vonnöten, Historie meist unwichtig dient dem Tagesgeschäft mit operativen Systemen wichtig: Transaktionssicherheit, Parallelität und Performance 3 OLAP Funktionalität I (Codd 1993) Anforderungen an ein OLAP-Tool nach Codd: Mehrdimensionale konzeptuelle Sicht auf die Daten (User haben mehrdimensionale Sicht Modell auch) Intuitive Datenmanipulation (z.b. drill down via einfachem point-and-click) Benutzbarkeit (nur 1 logische Sicht pro Benutzer) batch (Stapelverarb.) und interactive Modus OLAP Analyse Modelle (4 Stück) 1. Parameterisierte statische Berichte 2. Slice, Dice, Drill-Down, Roll-Up 3. What-If Analyse (Was wäre wenn?) (Spreadsheet Evaluation) 4. Ziel suchende Modelle (Goal-Seeking Models) (Prolog-Evaluation) skalierbare Client/Server Architektur Transparenz (Benutzerschnittstelle unabhängig vom Architektur) Mehrbenutzer Support (concurrent read-write) Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 6 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 7

3 OLAP Funktionalität II OLAP Funktionalität III 3.1 OLAP Funktionalität II 3.2 OLAP Funktionalität III Spezial: Behandlung nicht-normalisierter Daten (externe Daten werden nicht verändert!) Speicherung von OLAP Ergebnissen Erkennen von fehlenden Werten Behandlung fehlender Werte Dynamische Handhabung dünn besetzter Matrizen (dynamische Speicherstrukturanpassung) Reporting: Flexible Reporterstellung (entlang der Hypercube-Dimensionen) Konsistente (gleichbleibende) Report-Performance Automatisches Anpassen von Werten auf physikalischem Niveau Dimensionskontrolle: Generische Dimensionalität (alle Dimensionen in Struktur einheitlich; Berichte ändern sich, wenn sich Basisdaten ändern) Unbegrenzte Dimensions- und Aggregationslevel Unbeschränkte cross-dimensionale Operationen (mit korrekter Reihenfolge auch bei Parallelisierung) Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 8 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 9 FASMI Anforderungen an OLAP System Eigenschaften von mehrdimensionalen DBs 3.3 FASMI Anforderungen an OLAP System Als Basis für Vergleiche verschiedener OLAP-Tools 1. Fast: durchschnittlich 5 Sek. pro Abfrage, einfache Abfragen 1 Sek., komplexe 20 Sek. 2. Analysis: Analysemöglichkeiten (logische Operationen) vorhanden, mit wenig Aufwand anzugeben 3. Shared: Mehrbenutzerbetrieb, Zugriffsschutzmechanismen 4. Multidimensional: mehrdimensionale Datenstruktur, Unterstützung der Dimensionshierarchien 5. Information: Menge der Daten und Information, die ein OLAP-Tool verarbeiten kann [PC97] 4 Eigenschaften von mehrdimensionalen DBs Dimensionen Hypercubes (sparsely filled) Hierarchien (z.b. Produktklassen) abgeleitete Werte: sichergehen, dass (z.b. beim Update) Berechnung konsistent erfolgt (korrekte Reihenfolge von Operationen) Links connect hyper cubes with data sources Automatisches Update der Daten (data propagation) kann sehr sophisticated sein (80% der Arbeit) Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 10 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 11

4 Verdichtung von Werten Skalenniveaus 4.1 Verdichtung von Werten 4.2 Skalenniveaus Grundlage der OLAP-Analyse sind Kennzahlen (Maße, Metriken) Bsp: Umsatz, Anzahl verkaufter Einheiten, Lagerbestand,... Werte lassen sich verdichten oder aggregieren: Summe Mittelwert oder Median Maximum oder Minimum prozentuale Anteile logische Operationen Zulässige Verdichtungen sind abhängig von Skala der Kennzahl Nominalskalierte Werte z.b. Namen etc.; keine Berechnungen möglich Ordinalskalierte Werte (partielle) Ordnung ist auf den Werten definiert, Sortierung möglich Median, Maximum, Minimum berechenbar Kardinalskalierte Werte numerische Werte, Interpretation der Abstände möglich mathematische Berechnungen möglich Boolesche Werte logische Operationen möglich Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 12 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 13 OLAP Visualisierung von Hypercubes OLAP Visualisierung von Hypercubes 5 OLAP Visualisierung von Hypercubes Beispiel Starschema: 3 Dimensionen: Zeit, Produkt, Kennzahlen Darstellung als Würfel, mit Dimensionen auf den Kanten die Tabellenseite ist eine Scheibe/slice des Würfels durch ein einzelnes Produkt mit den anderen beiden Dimensionen als Spalten und Reihen Coats P r o d u c t s Metrics Months Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 14 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 15

5 OLAP Visualisierung von Hypercubes Visualisierung von mehr als drei Dimensionen Darstellung von drei Dimensionen als Tabelle 5.1 Visualisierung von mehr als drei Dimensionen Darstellung als multidimensional domain structure (MDS): Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 16 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 17 Visualisierung von mehr als drei Dimensionen Visualisierung von mehr als drei Dimensionen Hinzunahme einer weiteren Dimension: Stores Darstellung von mehreren Dimensionen als Tabelle: Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 18 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 19

6 Visualisierung von mehr als drei Dimensionen Operationen auf mehrdimensionalen DBs Bei mehr als vier Dimensionen: Kombination von Dimensionen sowohl bei Zeilen, Spalten und Seiten Tabelle erweiterbar auf bis zu sechs Dimensionen mehr Dimensionen möglich, aber unübersichtlich... 6 Operationen auf mehrdimensionalen DBs OLAP-Operationen rollup (auf nächsthöherer Hierarchiestufe Aggregat bilden) drill-down (Geg. von rollup, Gruppierung auflösen) slice (vertikale Projektion in Fakt-Tabelle) dice (selektion auf Fakt-Tabelle, z.b. best. Zeit,...) pivot (Dimension ändern, z.b. andere Aggregation sehen) Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 20 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 21 Drill-Down und Roll-Up Drill-Down und Roll-Up 6.1 Drill-Down und Roll-Up Beispiel: Drei-dimensionale Anzeige mit roll-up OLAP Aggregation Level Sales in one month in one store Another instance of OLAP Drillacross to another OLAP instance Bsp: drei-dimensionale Ansicht für Einzelprodukte: Store: New York PAGES: STORE dimension Products COLUMNS: PRODUCT dimension Hats Coats Jackets Dresses Shirts Slacks Months Jan Feb Department 300,000 Mar Product Line Category Sub-category Product 60,000 15,000 5,000 1, Drilldown / Rollup Drillthrough to detail ROWS: TIME dimension Apr May Jun Jul Aug Sep Detailed Data Detailed Data Summary Data DATA WAREHOUSE Oct Nov Dec Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 22 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 23

7 Drill-Down und Roll-Up Drill-Down und Roll-Up Roll-up auf Produktkategorien: Store: New York Sub-categories Roll-up auf Produktkategorien und Quartale: PAGES: STORE dimension COLUMNS: PRODUCT dimension Outer Dress Casual Months Jan 1,100 1, Feb 1,080 1,040 Mar 1, Apr 970 1,000 ROWS: TIME dimension May Jun Jul 1, ,080 1,100 1, Aug 960 1, Sep 870 1,280 Oct 910 1,240 Nov 980 1, Dec 1,080 1, Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 24 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 25 Rotation Slice and Dice 6.2 Rotation 6.3 Slice and Dice Rotieren des Würfels: Attribute wechseln die Achsen: S t o r e s (Z) Products (X) Months (Y) Products (Z) Stores (Y) M o n t h s (X) P r o d u c t s (Y) Stores (X) Months (Z) Selektion einer bestimmten Teilmenge von Daten Selektionsbedingungen auf Untermenge der Dimensionen (page dimensions) page dimensions werden nicht mehr explizit angezeigt entspricht Herausschneiden einer Scheibe aus dem Hypercube Dimensionalität der Daten wird reduziert z.b. zeige nur Daten zum Store New York X-Axis: Columns Y-Axis: Rows Z-Axis: Pages Store: New York Product: Hats Month: January Hats Coats Jackets Jan Feb Mar NY Boston San J. Jan 350 NY 190 Hats 130 Feb 390 Boston 240 Coats Mar San J Jackets Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 26 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 27

8 References References [Cou97] OLAP Council. What is olap? Technical report, [PC97] Nigel Pendse and Richard Creeth. The olap report, Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 28

Vertrautmachen mit Daten

Vertrautmachen mit Daten Kapitel III Vertrautmachen mit Daten 2004 AIFB / FZI 1 III Vertrautmachen mit Daten (see also Data Preparation ) 2004 AIFB / FZI 2 III Vertrautmachen mit Daten III.1 OLAP III.1.1 Einführung in OLAP Wie

Mehr

Realisierung 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 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?

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian 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

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar 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?

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen

Mehr

SAP Business Intelligence

SAP Business Intelligence SAP Business Intelligence Helmut Roos Diplom-Ingenieur Unternehmensberater Grundlagen zu Netweaver 7.0 D-67067 Ludwigshafen +49 (621) 5 29 44 65 Data Acquisition Common Read / Write Interface Open Interface

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

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

Multidimensionales Datenmodell, Cognos

Multidimensionales 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

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

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

Mehr

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 24. Juni 2014 Agenda Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen

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

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen OLAP und Data Mining OLAP Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen Data Mining Begriff und Prozeß Verfahren Vorlesung Data-Warehouse-Technologien 9-1 On-Line Analytical Processing

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

Eine Einführung in OLAP

Eine Einführung in OLAP Eine Einführung in OLAP Einleitung... 1 Wofür wird OLAP benötigt?... 1 Was ist OLAP?... 3 OLAP Charakteristika... 3 Dimensionen... 3 Hierarchien... 3 Flexible Präsentation... 4 OLAP und Data Warehousing...

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business 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

Mehr

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude 20.20 Rechenzentrum,

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

VDoc Report auf Basis BIRT. Ihr Business Intelligence und Reporting Tool

VDoc Report auf Basis BIRT. Ihr Business Intelligence und Reporting Tool VDoc Report auf Basis BIRT Ihr Business Intelligence und Reporting Tool Was ist Business Intelligence? Business Intelligence ist der Sammelbegriff für Data Warehouse, OLAP und Data Mining. Im weiteren

Mehr

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube

Data 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

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

Inhaltsverzeichnis. Motivation. Analytisches CRM: Einführung. Version: 31. Juli 2009. 1 Motivation. Andreas Geyer-Schulz und Andreas Neumann

Inhaltsverzeichnis. Motivation. Analytisches CRM: Einführung. Version: 31. Juli 2009. 1 Motivation. Andreas Geyer-Schulz und Andreas Neumann Analytisches CRM: Einführung. Version: 31. Juli 2009 Andreas Geyer-Schulz und Andreas Neumann Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften

Mehr

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter

bersicht 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

Mehr

Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE. 1. Konferenz der SAS Benutzer in Forschung und Entwicklung

Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE. 1. Konferenz der SAS Benutzer in Forschung und Entwicklung Data Warehousing und anderetrends beim Einsatz der SAS Software in Unternehmen KSFE 1. Konferenz der SAS Benutzer in Forschung und Entwicklung Unterschiedliche Geschäftsprozesse Operativer Dispositve Geschäftsbetrieb

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

Data Warehousing und Data Mining

Data Warehousing und Data Mining Data Warehousing und Data Mining Das multidimensionale Datenmodell Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Vom Spreadsheet zum Würfel Multidimensionales Datenmodell (MDDM)

Mehr

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

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

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

Kapitel 6 Einführung in Data Warehouses

Kapitel 6 Einführung in Data Warehouses Kapitel 6 Einführung in Data Warehouses Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2008, LMU München 2008 Dr. Peer Kröger Dieses Skript basiert zu einem Teil auf dem Skript zur Vorlesung

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

Multidimensionales Datenmodell

Multidimensionales Datenmodell Multidimensionales Datenmodell Grundbegriffe fi Fakten, Dimensionen, Würfel Analyseoperationen fi Drill-Down, Roll-Up, Slice und Dice Notationen zur konzeptuellen Modellierung fi ME/R, ADAPT Relationale

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

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Seminar C02 - Praxisvergleich OLAP Tools

Seminar C02 - Praxisvergleich OLAP Tools C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien

Mehr

Veräußerung von Emissionsberechtigungen in Deutschland

Veräußerung von Emissionsberechtigungen in Deutschland Veräußerung von Emissionsberechtigungen in Deutschland Monatsbericht September 2008 Berichtsmonat September 2008 Die KfW hat im Zeitraum vom 1. September 2008 bis zum 30. September 2008 3,95 Mio. EU-Emissionsberechtigungen

Mehr

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining 2 Eigenschaften eines Data Warehouse Referenzarchitektur Integrierte Sicht auf beliebige Daten aus verschieden Datenbanken

Mehr

Data Warehousing Grundbegriffe und Problemstellung

Data Warehousing Grundbegriffe und Problemstellung Data Warehousing Grundbegriffe und Problemstellung Dr. Andrea Kennel, Trivadis AG, Glattbrugg, Schweiz Andrea.Kennel@trivadis.com Schlüsselworte Data Warehouse, Cube, Data Mart, Bitmap Index, Star Queries,

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

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

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

Kapitel 6 Managementunterstützungssysteme und Business Intelligence

Kapitel 6 Managementunterstützungssysteme und Business Intelligence ProKSy - EBSS Institut AIFB WS 2013/2014 Programmierung kommerzieller Systeme Einsatz betrieblicher Standardsoftware (ProKSy EBSS) Kapitel 6 Managementunterstützungssysteme und Business Intelligence Institut

Mehr

IT-Kompaktkurs. Data Warehouse Datenbank-Skript zur Folge 14. Prof. Dr. Michael Ponader Fachhochschule Deggendorf

IT-Kompaktkurs. Data Warehouse Datenbank-Skript zur Folge 14. Prof. Dr. Michael Ponader Fachhochschule Deggendorf IT-Kompaktkurs Data Warehouse Datenbank-Skript zur Folge 14 Prof. Dr. Michael Ponader Fachhochschule Deggendorf Datenbanken sind eine wesentliche Grundlage für die betriebliche Informationsversorgung.

Mehr

Einsatz von Anwendungssystemen

Einsatz von Anwendungssystemen Einsatz von Anwendungssystemen WS 2013/14 7 Führungssysteme 7.1 Data Warehouse 7.2 Planungssysteme 7.3 Balanced Scorecard (BSC) 7.4 Business Intelligence 7 Führungssysteme 7.1 Data Warehouse Ein Data Warehouse

Mehr

Data Mining - Motivation

Data Mining - Motivation Data Mining - Motivation "Computers have promised us a fountain of wisdom but delivered a flood of data." "It has been estimated that the amount of information in the world doubles every 20 months." (Frawley,

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung

Mehr

eevolution Business Intelligence

eevolution Business Intelligence eevolution Business Intelligence Haben Sie sich schon häufig gefragt, warum Ihr Berichtswesen so kompliziert sein muss? Warum Sie nicht einfach mit wenigen Handgriffen Ihr Berichtswesen einrichten und

Mehr

Management Support Systeme

Management 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

Mehr

Data Mining mit Microsoft SQL-Server 2005/2008

Data Mining mit Microsoft SQL-Server 2005/2008 Data Mining mit Microsoft SQL-Server 2005/2008 Marcel Winkel Hochschule für Technik, Wirtschaft und Kultur Leipzig Fachbereich Informatik, Mathematik und Naturwissenschaften 19. Mai 2010 1 2 Klassifikationsalgorithmen

Mehr

Data Warehouse und ETL. Einführung und Überblick

Data Warehouse und ETL. Einführung und Überblick Data Warehouse und ETL Einführung und Überblick Data Warehouse Definition I A subject-oriented, integrated, non-volatile, time-variant collection of data organized to support management needs Inmon, Database

Mehr

Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2

Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Cubix O.L.A.P... 2 Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Datenverbindung über ODBC... 4 Datenbereitstellung über SQL... 5 Festlegung der Dimensionen... 6 Festlegung der Summen...

Mehr

Michael Bauer Niederlassungsleiter Köln

Michael Bauer Niederlassungsleiter Köln Click to edit Master title style 1 Michael Bauer Niederlassungsleiter Köln Hamburg, 18. Juni 2009 2009 IBM Corporation Agenda Click to edit Master title style 2 zur Person Wo, Warum.., Was - CPM liefert

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

Mehr

Friedrich-Schiller-Universität Jena

Friedrich-Schiller-Universität Jena Friedrich-Schiller-Universität Jena Seminararbeit zum Thema Data Warehousing Abgrenzung, Einordnung und Anwendungen von Sebastian Hentschel Matrikelnummer 55281 Seminar Data Warehousing Sommersemester

Mehr

SOA Monitoring und BAM mit der ARIS Platform. Dr. Tobias Blickle IDS Scheer AG

SOA Monitoring und BAM mit der ARIS Platform. Dr. Tobias Blickle IDS Scheer AG SOA Monitoring und mit der ARIS Platform IDS Scheer AG Was macht IDS Scheer? Software und Beratung für Geschäftsprozessmanagement Analyse und Verbesserung von Geschäftsprozessen, Einführung betriebswirtschaftlicher

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen

Komponenten und Architekturen von Analytischen Informationssystemen Komponenten und Architekturen von Analytischen Informationssystemen Sommersemester 2013 Prof Dr. Peter Gluchowski Literatur zur Vorlesung AIS/BIS Gluchowski, Peter; Gabriel, Roland; Dittmar, Carsten: Management

Mehr

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data 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

Mehr

OLAP und Aggregierung

OLAP und Aggregierung Stärkung der SelbstOrganisationsfähigkeit im Verkehr durch I+K-gestützte Dienste Seminar Data Warehousing im Verkehrsbereich Sommersemester 2003 OLAP und Aggregierung von Jan Sandberger Betreuer: Heiko

Mehr

Hapimag. Schnelle und effiziente Umsetzung unserer CRM-Strategie mit SAP RDS. 57 Adressen. Unzählige Möglichkeiten

Hapimag. Schnelle und effiziente Umsetzung unserer CRM-Strategie mit SAP RDS. 57 Adressen. Unzählige Möglichkeiten Hapimag Schnelle und effiziente Umsetzung unserer CRM-Strategie mit SAP RDS Ein Bildplatzhalter Grossbild (JPG-Datei: (Grösse: 23.7 237 x mm 12.9 x cm) 129 mm / 80 ppi) 57 Adressen Unzählige Möglichkeiten

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

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

Informationssysteme für das Management

Informationssysteme für das Management FHBB l Departement Wirtschaft l Informationssysteme für das Management Michael Pülz, Hanspeter Knechtli Lernziele Den Unterschied zwischen operativen und analytischen Informationssystemen beschreiben können

Mehr

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de

Data Warehouses. Data Warehouse Architektur ... 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 Data Warehouse Architektur Data-Warehouse-System Teilsichten

Mehr

Anfragen in Operativen Systemen und Data Warehouses

Anfragen 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

Mehr

Relevante Fachgebiete für Data Mining

Relevante Fachgebiete für Data Mining Relevante Fachgebiete für Data Mining 1 Prozesse beim Data Mining 1. Data cleaning: Datensäuberung von Rauschen & Inkonsistenz 2. Data integration: Datenintegration aus multiplen Quellen 3. Data selection:

Mehr

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse.

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse. 1 Einführung mysap Business Intelligence stellt mit Hilfe von Knowledge Management die Verbindung zwischen denen, die etwas wissen und denen, die etwas wissen müssen her. mysap Business Intelligence integriert

Mehr

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011 Business Intelligence und Geovisualisierung Innovative Ansätze für den Gesundheitsmarkt Mainz, 10. Mai 2011 Prof. Dr. Anett Mehler-Bicher Prof. Dr. Klaus Böhm Inhalt Ausgangssituation und Motivation Motivation

Mehr

Hetero-Homogene Data Warehouses

Hetero-Homogene Data Warehouses Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung

Mehr

SAP BI Business Information

SAP BI Business Information Aus der Praxis für die Praxis. SAP BI Business Information Thomas Wieland Berlin, 24. November 2006 SAP BW Architektur Seite 2 Business Intelligence Aufgaben Bereitstellung harmonisierter Daten, Informationen

Mehr

Mobile Trends Was braucht der Markt welches Potential hat der Markt. Arne Erichsen Director Market Management

Mobile Trends Was braucht der Markt welches Potential hat der Markt. Arne Erichsen Director Market Management Mobile Trends Was braucht der Markt welches Potential hat der Markt Arne Erichsen Director Market Management Agenda 18 Milliarden Mobile Geräte weltweit Business Intelligence Expedia, Inc. Alle Rechte

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

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

5 Data Warehouses und Data Mining

5 Data Warehouses und Data Mining 5 Data Warehouses und Data Mining Mittels OLAP Techniken können große Datenmengen unterschiedlich stark verdichtet und gezielt aufbereitet werden. Mittels Data Mining können große Datenmengen nach bisher

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

good. better. outperform.

good. better. outperform. good. better. outperform. Analytic mit Oracle BI relational oder besser multidimensional? 8. Oracle BI & DWH Konferenz, 20.03.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence

Mehr

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe Sicherheit dank Durchblick Thomas Fleischmann Sales Engineer, Central Europe Threat Landscape Immer wieder neue Schlagzeilen Cybercrime ist profitabel Wachsende Branche 2013: 9 Zero Day Vulnerabilities

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

Modellierung und Implementierung einer End-to-End BI Lösung

Modellierung und Implementierung einer End-to-End BI Lösung IBM Software Group Modellierung und Implementierung einer End-to-End BI Lösung DB2 Information Management Software Martin Clement, mclement@de.ibm.com Otto Görlich, ogoerlich@de.ibm.com Stefan Sander,

Mehr

Visual KPI: Echtzeitdaten & -information zu jeder Zeit, an jedem Ort! Dietmar Ort Sales MEGLA GmbH

Visual KPI: Echtzeitdaten & -information zu jeder Zeit, an jedem Ort! Dietmar Ort Sales MEGLA GmbH Visual KPI: Echtzeitdaten & -information zu jeder Zeit, an jedem Ort! Dietmar Ort Sales MEGLA GmbH Visual KPI Die individuelle KPI Software Einfach bereitzustellende Daten aus PI, AF, Microsoft SQL Server,

Mehr

People_Ready BI mit Microsoft

People_Ready BI mit Microsoft People_Ready BI mit Microsoft Martin Pöckl Partner Technology Advisor Business Intelligence Microsoft Österreich GmbH Bessere, schnellere und relevantere Entscheidungen Mehr Einblick in die relevanten

Mehr

Data Warehousing. Weitere Buzzwörter: OLAP, Decision Support, Data Mining

Data Warehousing. Weitere Buzzwörter: OLAP, Decision Support, Data Mining Data Warehousing Weitere Buzzwörter: OLAP, Decision Support, Data Mining Wichtige Hinweise Zu diesem Thema gibt es eine Spezialvorlesung im Sommersemester Hier nur grober Überblick über Idee und einige

Mehr

Ausarbeitung Projekt. Sven Elvers. Business Intelligence: Analyse. Betreuender Prüfer: Prof. Dr. Olaf Zukunft

Ausarbeitung Projekt. Sven Elvers. Business Intelligence: Analyse. Betreuender Prüfer: Prof. Dr. Olaf Zukunft Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Ausarbeitung Projekt Sven Elvers Business Intelligence: Analyse Betreuender Prüfer: Prof. Dr. Olaf Zukunft Fakultät

Mehr

Contents. Data Warehouse Entwicklungsphasen. Data Warehouse - Entwicklung Version: June 28, 2007. 1 Data Warehouse Entwicklungsphasen

Contents. Data Warehouse Entwicklungsphasen. Data Warehouse - Entwicklung Version: June 28, 2007. 1 Data Warehouse Entwicklungsphasen Contents Data Warehouse - Entwicklung Version: June 28, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften

Mehr

Data Warehouse Technologien

Data Warehouse Technologien mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de

Mehr

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

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

Mehr

OLAP im IT-Management. Dr. Markus Eberspächer, yourdata GmbH, 05. November 2008

OLAP im IT-Management. Dr. Markus Eberspächer, yourdata GmbH, 05. November 2008 OLAP im IT-Management Dr. Markus Eberspächer, yourdata GmbH, 05. November 2008 Inhalt 1. OLAP 2. Einsatz im CRM 3. Einsatz im IT-Management 4. Produkt 2 In eigener Sache? Gegründet 01. Januar 2008 als

Mehr