23. Daten-Analyse. Datenwarenhäuser. Grundlagen des OLAP (On-Line Analytical Processing)

Größe: px
Ab Seite anzeigen:

Download "23. Daten-Analyse. Datenwarenhäuser. Grundlagen des OLAP (On-Line Analytical Processing)"

Transkript

1 23. Daten-Analyse Datenwarenhäuser Grundlagen des OLAP (On-Line Analytical Processing) Data Mining: Klassifikation, Assoziationsregeln, Sequenzanalyse Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.1

2 Auswertungsorientierte Integration von Daten Client Client Data Warehouse Metadata Integrator Wrapper 1 Wrapper Wrapper n Info Source 1 Info Source Info Source n Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.2

3 Data Warehouse-Konzept Trennung von statistischen Auswertungen und operationalen Anwendungen Integration zum Bau von Entscheidungsunterstützungssystemen Warehouse ist themenbezogen, integriert, zeitveränderlich und nichtflüchtig zum Einrichten erforderlich: 1. Extrahieren von Daten aus operationalen Datenbanken, 2. Laden eines initialen Data-Set, 3. periodisches Aktualisieren dessen, 4. Transformation von Quelldaten in das Warehouse-Datenmodell. Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.3

4 Warenhaus-Anwendungen load query extract Data Visualization update refresh serves OLAP transform Operationale Datenbanken Data Warehouse Data Mining Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.4

5 Allgemeine Data Warehouse-Architektur O L T P Warehouse Configuration Regeln O L A P Info Source 1 Monitor: Wrapper: extract transform Info Source 2 Monitor: Wrapper: extract transform Info Source 3 Monitor: Wrapper: extract transform Integrator: load, refresh Operationale Datenbanken Data Warehouse Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.5

6 Derzeitige Praxis Die Datenquellen sind relationale Datenbanken; das Warehouse selbst ist ein relationales DBMS; Daten-Integration und -Extraktion erfolgen off-line, i.a. im Batch- Betrieb über Nacht; Quell-Datenbanken werden vollständig im Warehouse repliziert; das Warehouse wird in Data Marts unterteilt, welche erst themenspezifische Untersuchungen, Auswertungen und OLAP erlauben. Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.6

7 Data Marts load Data Warehouse load query query update extract refresh Data Marts transform load query Operationale Datenbanken query Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.7

8 Wartung materialisierter Sichten Bei einem Refresh-Copy werden in bestimmten Abständen alle Daten neu ins Warehouse kopiert, d.h. das gesamte Warehouse bzw. alle Sichten werden neu berechnet bzw. materialisiert. Bei einem Incremental Copy werden im Warehouse nur Änderungen an den operationalen Daten nachgeführt, d.h. der Integrator wird über Datenbank-Updates informiert und aktualisiert das Warehouse entsprechend. Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.8

9 Grundlagen des OLAP Daten können mehrdimensional sein Warehouse besteht aus einer Menge von Fakten in einem mehrdimensionalen Raum, wobei jedes Faktum gekennzeichnet ist durch ein Maß (Measure) sowie durch i.a. mehrere Dimensionen das Maß ist ein aggregierter Wert und darstellbar als Funktion der Dimensionen die Dimensionen bilden ein i.a. dünn besetztes Koordinatensystem Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.9

10 Bestandteile eines (3D-) Data Cube Dimension Product Cell City 21 cream Measure 1 Quarter Dimension Elements Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.10

11 Beispiel eines Data Cube Product milk juice soap cream Quarter City Chicago 24 Sacramento 21 Las Vegas Denver Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.11

12 Cube-Projektion auf diexy-ebene Product milk juice soap cream Quarter Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.12

13 Relevante Operationen Roll-Up Drill-Down Slice and Dice Ranking oder Sorting Computed Attributes Nesting Pivoting Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.13

14 Attributhierarchien für einzelne Dimensionen Industry Country Year Category State Quarter Product City Month Week Date Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.14

15 Allgemeine Form eines Sternschemas Dim. Tabelle 1 Dim. Tabelle 3 Dim. Schl. 1 Beschreibung 1 Faktentabelle Dim. Schl. 1 Dim. Schl. 2 Dim. Schl. 3 Dim. Schl. 4 Dim. Schl. 3 Beschreibung 3 Dim. Tabelle 2 Dim. Schl. 2 Beschreibung 2 Fakt 1 Fakt Fakt n Dim. Tabelle 4 Dim. Schl. 4 Beschreibung 4 Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.15

16 Sternschema für relationales OLAP Order OrderNo..... Fact Table Product ProdNo..... Customer CustomerNo..... Salesperson SalespersonID..... OrderNo CustomerNo SalespersonID ProdNo DateKey CityName Quantity TotalPrice Date DateKey..... City CityName..... Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.16

17 Schneeflockenschema für relationales OLAP Order OrderNo..... Fact Table Product ProdNo..... Category Category CategoryName CategoryDescription OrderNo..... Customer CustomerNo CustomerNo..... Salesperson SalespersonID SalespersonID ProdNo DateKey CityName Quantity Date DateKey..... Month..... Month Month Year Year..... TotalPrice City State CityName StateName..... State..... Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.17

18 Faktentabelle zur Anwendung des Cube-Operators Sales Model Year Color Sold Chevy 1990 red 5 Chevy 1990 white 87 Chevy 1990 blue 62 Chevy 1991 red 54 Chevy 1991 white 95 Chevy 1991 blue 49 Chevy 1992 red 31 Chevy 1992 white 54 Chevy 1992 blue 71 Ford 1990 red 64 Ford 1990 white 62 Ford 1990 blue 63 Ford 1991 red 52 Ford 1991 white 9 Ford 1991 blue 55 Ford 1992 red 27 Ford 1992 white 62 Ford 1992 blue 39 Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.18

19 Cube-Anfrage select Model, Year, Color, sum(sold) as Sales from Sales where Model inf Ford, Chevy g and Year between 1990 and 1992 group by Model, Year, Color with cube Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.19

20 Ergebnis einer Cube-Anwendung Cube Table Model Year Color Sales Chevy 1990 red 5 Chevy 1990 white 87 Chevy 1990 blue 62 Chevy 1990 All 154 Chevy 1991 red 54 Chevy 1991 white 95 Chevy 1991 blue 49 Chevy 1991 All 198 Chevy 1992 red 31 Chevy 1992 white 54 Chevy 1992 blue 71 Chevy 1992 All 156 Chevy All red 90 Chevy All white 236 Chevy All blue 182 Chevy All All 508 Ford 1990 red 64 Ford 1990 white 62 Ford 1990 blue 63 Ford 1990 All 189 Ford 1991 red 52 Ford 1991 white 9 Ford 1991 blue 55 Ford 1991 All 116 Cube Table (Cont d) Model Year Color Sales Ford 1992 red 27 Ford 1992 white 62 Ford 1992 blue 39 Ford 1992 All 128 Ford All red 143 Ford All white 133 Ford All blue 157 Ford All All 433 All 1990 red 69 All 1990 white 149 All 1990 blue 125 All 1990 All 343 All 1991 red 106 All 1991 white 104 All 1991 blue 104 All 1991 All 314 All 1992 red 58 All 1992 white 116 All 1992 blue 110 All 1992 All 284 All All red 233 All All white 369 All All blue 339 All All All 941 Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.20

21 DB2 UDB-Beispiel: Zensus-Tabelle Name Ort Land- Bundes- Geburts- Ge- Einkreis staat datum schlecht kommen Joe Miami Dade FL 8/20/55 M Chen Miami Dade FL 6/05/57 M Bob Hialeah Dade FL 3/21/57 M Karen Hialeah Dade FL 8/23/55 F Jim Dade FL 10/24/56 M Joan Dade FL 11/15/56 F Dave Orlando Orange FL 9/25/57 M Linda Orlando Orange FL 5/13/55 F Jeff Taft Orange FL 2/08/57 M Pat Taft Orange FL 10/30/57 F Sam Baytown Harris TX 3/02/55 M Bill Baytown Harris TX 12/21/56 M Mary Houston Harris TX F Susan Houston Harris TX 4/30/55 F Alex Houston Harris TX 7/11/57 M John Austin Travis TX 1/06/56 M Fred Austin Travis TX 10/25/56 M Anne Travis TX 8/17/55 F Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.21

22 DB2 UDB-Beispiel: Roll-Up (1) SELECT bundesstaat, avg(einkommen) AS durchschn.eink FROM census GROUP BY ROLLUP(bundesstaat) Ergebnis: Bundesstaat Durchschn.Eink FL TX Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.22

23 DB2 UDB-Beispiel: Roll-Up (2) SELECT bundesstaat, landkreis, ort, count(*) AS bevölkerung, avg(einkommen) AS durchschn.eink FROM census GROUP BY ROLLUP(bundesstaat, landkreis, ort) Ergebnis: Bundesstaat Landkreis Ort Bevölkerung Durchschn.Eink FL Dade Hialeah FL Dade Miami FL Dade FL Orange Orlando FL Orange Taft TX Harris Baytown TX Harris Houston TX Travis Austin TX Travis FL Dade FL Orange TX Harris TX Travis FL TX Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.23

24 DB2 UDB-Beispiel: Roll-Up (2, nochmal) SELECT CASE grouping(bundesstaat) WHEN 1 THEN Alle ELSE bundesstaat END AS bundesstaat, CASE grouping(landkreis) WHEN 1 THEN Alle ELSE landkreis END AS landkreis, CASE grouping(ort) WHEN 1 THEN Alle ELSE ort END AS ort, count(*) AS bevölkerung, avg(einkommen) AS durchschn.eink FROM census GROUP BY ROLLUP(bundesstaat, landkreis, ort) Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.24

25 DB2 UDB-Beispiel: Roll-Up (2, neues Ergebnis) Bundesstaat Landkreis Ort Bevölkerung Durchschn.Eink FL Dade Hialeah FL Dade Miami FL Dade FL Orange Orlando FL Orange Taft TX Harris Baytown TX Harris Houston TX Travis Austin TX Travis FL Dade Alle FL Orange Alle TX Harris Alle TX Travis Alle FL Alle Alle TX Alle Alle Alle Alle Alle Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.25

26 DB2 UDB-Beispiel: Cube (1) SELECT geschlecht, year(geburtsdatum) AS geburtsjahr, max(einkommen) AS max.einkommen FROM census GROUP BY CUBE(geschlecht, year(geburtsdatum)) Ergebnis: Geschlecht Geburtsjahr Max.Einkommen F F F F M M M F M Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.26

27 DB2 UDB-Beispiel: Cube (1, nochmal) SELECT CASE grouping(geschlecht) WHEN 1 THEN Alle ELSE geschlecht END AS geschlecht, CASE grouping(year(geburtsdatum)) WHEN 1 THEN Alle ELSE char(year(geburtsdatum)) END AS geburtsjahr, max(einkommen) AS max.einkommen FROM census GROUP BY CUBE(geschlecht, year(geburtsdatum)) Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.27

28 DB2 UDB-Beispiel: Cube (1, neues Ergebnis) Geschlecht Geburtsjahr Max.Einkommen F F F F M M M F Alle M Alle Alle Alle Alle Alle Alle Alle Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.28

29 DB2 UDB-Beispiel: Cube (2) SELECT CASE grouping(bundesstaat) WHEN 1 THEN Alle ELSE bundesstaat END AS bundesstaat, CASE grouping(geschlecht) WHEN 1 THEN Alle ELSE geschlecht END AS geschlecht, CASE grouping(year(geburtsdatum)) WHEN 1 THEN Alle ELSE char(year(geburtsdatum)) END AS geburtsjahr, count(*) AS anzahl, avg(einkommen) AS durchschn.eink FROM census GROUP BY CUBE(bundesstaat, geschlecht, year(geburtsdatum)) HAVING count(*) >= 4 Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.29

30 DB2 UDB-Beispiel: Cube (2, Ergebnis) Bundesstaat Geschlecht Geburtsjahr Anzahl Durchschn.Eink FL M FL F Alle FL M Alle TX M Alle FL Alle FL Alle Alle TX Alle Alle Alle F Alle M Alle M Alle F Alle Alle M Alle Alle Alle Alle Alle Alle Alle Alle Alle Alle Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.30

31 DB2 UDB-Beispiel: Grouping Sets SELECT CASE grouping(bundesstaat) WHEN 1 THEN Alle ELSE bundesstaat END AS bundesstaat, CASE grouping(geschlecht) WHEN 1 THEN Alle ELSE geschlecht END AS geschlecht, CASE grouping(year(geburtsdatum)) WHEN 1 THEN Alle ELSE char(year(geburtsdatum)) END AS geburtsjahr, count(*) AS count, avg(einkommen) AS durchschn.eink FROM census GROUP BY GROUPING SETS(((bundesstaat, geschlecht), year(geburtsdatum), ( )) Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.31

32 DB2 UDB-Beispiel: Grouping Sets (Ergebnis) Bundesstaat Geschlecht Geburtsjahr Anzahl Durchschn.Eink FL F Alle FL M Alle TX F Alle TX M Alle Alle Alle Alle Alle Alle Alle Alle Alle Alle Alle Alle Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.32

33 Bit-Map-Index Bit Map TID Model Year Color C F r w b Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.33

34 Data Mining Ziele: Auswertung separat von operationalen Datenbanken gehaltener Daten mit dem Ziel des Entdeckens von (neuen) Zusammenhängen, Trends, Statistiken, Verhaltensmustern, Patterns, Herausfinden nützlicher Information aus großen Datenbeständen möglichst automatisiert mit minimalem Input von außen, Klassifikation von Daten zum Zwecke der Risikoabschätzung oder der Entscheidungsfindung. Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.34

35 Zentrale Data Mining-Probleme Klassifikationen: Auffinden von Regeln zur Partitionierung von Daten in disjunkte Teilmengen Anwendungsbeispiel: Risikoabschätzung Assoziationen: Identifikation von Assoziationen zwischen (Mengen von) Dingen aufgrund von (hinreichend vielen) Beobachtungen Anwendungsbeispiel: Warenkorbanalysen Sequenzen: Analyse von Daten bzw. Ereignissen, die z.b. zeitlich geordnet sind Anwendungsbeispiel: Aktienmarkt Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.35

36 Beispiel einer Klassifikation Abschluss keiner Bachelor Master Ph.D. Einkommen Einkommen Einkommen Einkommen <25K 25K-50K 50K-80K >80K Durchschnitt gut gut sehr gut Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.36

37 Beispiel einer Warenkorbtabelle TID KundenID Datum Teil Preis Qty Füller Tinte Heft Seife Füller Tinte Heft Füller Heft Füller Tinte Seife 1 4 Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.37

38 Assoziationsregeln RegelnRder Form Bedeutung: LS)RS, Wird jedes Teil in LS gekauft, so wird (wahrscheinlich) auch jedes Teil in RS gekauft. Wichtige Maße: 1. Support: supp(r) := supp(ls[rs). 2. Confidence: conf(r) := supp(ls[rs) Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie supp(ls)

39 Apriori-Algorithmus (1) InitialisiereM:=;; (2) foreacha2ido teste, ob EinermengefAghäufig (d.h. in>transaktionen vorkommt, also supp(fag)>gilt); falls ja: nimmfagin die Menge häufiger Mengen auf: M:=M[fAg; Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.39

40 until keine neuen häufigen Mengen mehr gefunden werden ori= Apriori-Algorithmus (Forts.) (3)i:=1; (4) repeat (* schrittweises Vergrößern häufiger Mengen *) foreach MengeJ2MmitiElementen begin erzeuge alle ObermengenJ0miti+1Elementen durch Hinzufügen häufiger Einermengen ausm; teste die erzeugten MengenJ0auf die Eigenschaft häufig, falls einj0häufig ist: M:=M[J0; end; i:=i+1; jij+1; Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.40

41 Beispiel einer Episode A B E C D Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.41

42 Beispiel einer Signalfolge E D F A B C E F C D B A D C E F C B E A E C F A D Zeit Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.42

43 Windows in einer Signalfolge E D F A B C E F C D B A D C E F C B E A E C F A D Zeit Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.43

44 Drei Episoden A A E F C B B α β γ Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme, Folie 23.44

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

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

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

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 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

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

Data Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 16 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining operationale DB operationale DB operationale DB Data Warehouse operationale

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

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

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

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

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

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

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

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

Fachbereich Informatik Praktikum 1

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

Mehr

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

Index- und Zugriffsstrukturen für. Holger Brämer, 05IND-P

Index- 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

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

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

Business Intelligence Praktikum 1

Business 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

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

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

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

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

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

Mehr

SQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:

SQL. 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

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

27 Transact-SQL-Erweiterungen in Bezug auf Analysis Services

27 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.

Mehr

25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU

25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU BLUEFORTE GmbH Dirk Lerner 25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU 1 Elemente des Data Vault (Basic) HUB

Mehr

Michaela Weiss 01. April 2015. Lerneinheit 4: Relationale Datenbanken am Beispiel von MySQL

Michaela Weiss 01. April 2015. Lerneinheit 4: Relationale Datenbanken am Beispiel von MySQL Michaela Weiss 01. April 2015 Lerneinheit 4: Relationale Datenbanken am Beispiel von MySQL Seite 2 Datenbanken Allgemeines: Datenbank(management)systeme ermöglichen die Speicherung großer Datenmengen Kennzeichen

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

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

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

Seminar CRM SS 2006. Data Warehouses und Customer Relationship Management

Seminar CRM SS 2006. Data Warehouses und Customer Relationship Management Seminar CRM SS 2006 Data Warehouses und Customer Relationship Management Jan Guggisberg & Urs Dietrich 1. Der Einsatz von Data Warehouses im Customer-Relationship-Management 2 2. Die Einführung eines Data

Mehr

Management Support Systeme

Management Support Systeme Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte

Mehr

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

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

Mehr

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

Informationssysteme. Prof. Dr. Hans Czap. Lehrstuhl für Wirtschaftsinformatik I. Lehrstuhl für Wirtschaftsinformatik I - II - 1 -

Informationssysteme. Prof. Dr. Hans Czap. Lehrstuhl für Wirtschaftsinformatik I. Lehrstuhl für Wirtschaftsinformatik I - II - 1 - Vorlesung Grundlagen betrieblicher Informationssysteme Prof. Dr. Hans Czap Email: Hans.Czap@uni-trier.de - II - 1 - Inhalt Kap. 1 Ziele der Datenbanktheorie Kap. 2 Datenmodellierung und Datenbankentwurf

Mehr

Implementierung eines Data Marts. Gunther Popp dc soft GmbH

Implementierung eines Data Marts. Gunther Popp dc soft GmbH Implementierung eines Data Marts Gunther Popp dc soft GmbH Überblick Vorstellung der Beispielanwendung Prozeß zur Erstellung eines Data Marts - Design - Datenermittlung - Implementierung Erläutert am Beispiel-Mart

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

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

Integration Services Übersicht

Integration Services Übersicht Integration Services Übersicht Integration Services Übersicht Integration Services stellt umfangreiche integrierte Tasks, Container, Transformationen und Datenadapter für die En t- wicklung von Geschäftsanwendungen

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

Management Information System SuperX status quo and perspectives

Management Information System SuperX status quo and perspectives Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting

Mehr

Nachtrag: Farben. Farbblindheit. (Light und Bartlein 2004)

Nachtrag: Farben. Farbblindheit. (Light und Bartlein 2004) Nachtrag: Farben Farbblindheit (Light und Bartlein 2004) 1 Vorgeschlagene Farbskalen (Light and Bartlein 2004) Farbkodierung metrisch skalierter Daten Unterscheide: 1. Sequential Data (ohne Betonung der

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

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

1. Data Warehouses - Einführung

1. Data Warehouses - Einführung 1. s - Einführung Definition Einsatzbeispiele OLTP vs. OLAP Grobarchitektur Virtuelle vs. physische Datenintegration Mehrdimensionale Datensicht Star-Schema, -Anfragen Data Mining Prof. E. Rahm 1-1 y yy

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

Frühjahrsemester 2013. CS243 Datenbanken Kapitel 7: Data Warehousing-Anfragen. H. Schuldt. 7.1 Einführung. Filiale Allschwil

Frühjahrsemester 2013. CS243 Datenbanken Kapitel 7: Data Warehousing-Anfragen. H. Schuldt. 7.1 Einführung. Filiale Allschwil Frühjahrsemester 3 CS43 Datenbanken Kapitel 7: Data Warehousing-Anfragen H. Schuldt Wiederholung aus Kapitel 7. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen:

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

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com WhitePaper BIA Business Intelligence Accelerator Mai 2012 Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com BIA Business Intelligence Accelerator GmbH Softwarepark 26 A-4232 Hagenberg Mail:

Mehr

Business Intelligence Praktikum 1

Business 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

Mehr

FernUniversität in Hagen. Seminar 01912 Data Mining im Sommersemester 2008 Häufige Muster und Assoziationsregeln. Thema 1.1.1 Der Apriori-Algorithmus

FernUniversität in Hagen. Seminar 01912 Data Mining im Sommersemester 2008 Häufige Muster und Assoziationsregeln. Thema 1.1.1 Der Apriori-Algorithmus FernUniversität in Hagen Seminar 01912 Data Mining im Sommersemester 2008 Häufige Muster und Assoziationsregeln Thema 1.1.1 Der Apriori-Algorithmus Referentin: Olga Riener Olga Riener. Thema 1.1.1. Der

Mehr

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

Objektorientierte Datenbanken

Objektorientierte Datenbanken OODB 11 Slide 1 Objektorientierte Datenbanken Vorlesung 11 Sebastian Iwanowski FH Wedel OODB 11 Slide 2 Wesentliche Eigenschaften von Hibernate Transparente Persistenz Transitive Persistenz (Persistenz

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

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

Einführung in die Wirtschaftsinformatik VO WS 2009 / 2010

Einführung in die Wirtschaftsinformatik VO WS 2009 / 2010 Einführung in die Wirtschaftsinformatik VO WS 2009 / 2010 Daten Modelle Steuerung Wilfried Grossmann Inhalt Allgemeines Vorgehensmodell Empirische Grundlage Teil 1: Daten Daten Daten und Information Datenerhebung

Mehr

Betriebliche Anwendungen

Betriebliche Anwendungen Betriebliche Anwendungen OLTP Data Warehouse Data Mining Kapitel 17 1 OLTP: Online Transaction Processing Beispiele Flugbuchungssystem Bestellungen in einem Handelsunternehmen Charakterisierung Hoher Parallelitätsgrad

Mehr

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Einführung Gegenstand der Vorlesung fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Datenvolumen (effiziente Speicherung

Mehr

Stichwortverzeichnis. Iron Werther. Business Intelligence

Stichwortverzeichnis. Iron Werther. Business Intelligence Stichwortverzeichnis Iron Werther Business Intelligence Komplexe SQL-Abfragen am Beispiel eines Online-Shops. Inkl. Testdatenbank mit über zwei Millionen Datensätzen ISBN (Buch): 978-3-446-43580-3 ISBN

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

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

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

Mehr

Einführung in SQL Datenbanken bearbeiten

Einführung in SQL Datenbanken bearbeiten Einführung in SQL Datenbanken bearbeiten Jürgen Thomas Entstanden als Wiki-Buch Bibliografische Information Diese Publikation ist bei der Deutschen Nationalbibliothek registriert. Detaillierte Angaben

Mehr

NoSQL mit Postgres 15. Juni 2015

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

Mehr

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

Open Source Datawarehouse für das IT-Management

Open Source Datawarehouse für das IT-Management Open Source Datawarehouse für das IT-Management 09.06.2010 Linuxtag Berlin Referent: Bernd Erk Agenda DESTINATION TIME REMARK KURZVORSTELLUNG ÜBERBLICK DATAWAREHOUSE DATENINTEGRATION DATENHALTUNG DATENORGANISATION

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Datenbanksysteme 2015

Datenbanksysteme 2015 Datenbanksysteme 2015 Kapitel 09: Datenbankapplikationen Oliver Vornberger Institut für Informatik Universität Osnabrück Datenbankapplikationen ODBC MS Visio MS Access Embedded SQL JDBC Application SQLJ

Mehr

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG DW2004 XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science Dr. Michael Hahne, cundus AG 3. November 2004 cundus AG 2004 Gliederung Motivation SAP Business Information Warehouse

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

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. Automotive SupplierS Day. Enablement

2. Automotive SupplierS Day. Enablement 2. Automotive SupplierS Day Business Enablement Manufacturing Process Intelligence (MPI) Erfolg liefern und Erwartungen übertreffen! GDC SCM/SC MES Agenda 1 2 3 4 Warum Manufacturing Process Intelligence

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

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 Warehousing. Matthias Conrad 97I1. DB Oberseminar

Data Warehousing. Matthias Conrad 97I1. DB Oberseminar Data Warehousing Matthias Conrad 97I1 DB Oberseminar 1 Inhaltsverzeichnis Einführung DWH - Architektur Akquisition Multidimensionales Datenmodell Materialisierte Sichten Metadaten Ausblick Referenzen 2

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

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

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

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

Cassandra Query Language (CQL)

Cassandra Query Language (CQL) Cassandra Query Language (CQL) Seminar: NoSQL Wintersemester 2013/2014 Cassandra Zwischenpräsentation 1 Gliederung Basic facts Datentypen DDL/DML ähnlich zu SQL Besonderheiten Basic facts CQL kurz für

Mehr

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

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

Mehr

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

Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08

Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08 Datenkollektor für SAP Business Warehouse (BW) Status: 09.12.08 Inhaltsverzeichnis SAP BUSINESS WAREHOUSE (BW) DATENKOLLEKTOR 3 GRUNDSÄTZLICHES:...3 DER BW DATENKOLLEKTOR ÜBERWACHT DIE FOLGENDEN KERNPROZESSE

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

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

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

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

Teil XI Spalten-orientierte DBMSs

Teil XI Spalten-orientierte DBMSs Teil XI Spalten-orientierte DBMSs Spalten-orientierte Datenbankmanagementsysteme 1 Motivation 2 Funktionsweise 3 Erweiterungen 4 Literatur c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte

Mehr

SQL Tutorial. SQL - Tutorial SS 06. Hubert Baumgartner. INSO - Industrial Software

SQL Tutorial. SQL - Tutorial SS 06. Hubert Baumgartner. INSO - Industrial Software SQL Tutorial SQL - Tutorial SS 06 Hubert Baumgartner INSO - Industrial Software Institut für Rechnergestützte Automation Fakultät für Informatik Technische Universität Wien Inhalt des Tutorials 1 2 3 4

Mehr

Hadoop. High Performance Batches in der Cloud. Hadoop. Folie 1 25. Januar 2011

Hadoop. High Performance Batches in der Cloud. Hadoop. Folie 1 25. Januar 2011 High Performance Batches in der Cloud Folie 1 Alles geht in die Cloud Image: Chris Sharp / FreeDigitalPhotos.net Cloud und Batches passen zusammen Batches Cloud Pay-per-Use Nur zeitweise genutzt Hohe Rechenkapazitäten

Mehr

SQL Server 2012. Administration, Entwicklung und Business Intelligence. Roland Bauch. 1. Ausgabe, Mai 2012. Der kompakte Einstieg SQL2012A

SQL Server 2012. Administration, Entwicklung und Business Intelligence. Roland Bauch. 1. Ausgabe, Mai 2012. Der kompakte Einstieg SQL2012A SQL Server 2012 Roland Bauch 1. Ausgabe, Mai 2012 Administration, Entwicklung und Business Intelligence Der kompakte Einstieg SQL2012A 2 SQL Server 2012 - Administration, Entwicklung und Business Intelligence

Mehr

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store...

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher- Datenbanksysteme Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher-Datenbanksysteme Disk is Tape, Tape is dead Jim Gray Die Zeit ist reif für ein Re-engineering der Datenbanksysteme

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

Objektrelationale, erweiterbare Datenbanken WS 04/05

Objektrelationale, erweiterbare Datenbanken WS 04/05 Eidgenössische Technische Hochschule Zürich Swiss Federal Institute of Technology Zurich Institut für Informationssysteme Dr.C.Türker Objektrelationale, erweiterbare Datenbanken WS 0405 Übung 8 Aufgabe

Mehr

Transaktionen in der Praxis. Dr. Karsten Tolle

Transaktionen in der Praxis. Dr. Karsten Tolle Transaktionen in der Praxis Dr. Karsten Tolle Praxisbeispiel in Java Connection con = null; try { con = DriverManager.getConnection("jdbc:db2:sample"); } catch (Exception e) { e.printstacktrace(); } con.setautocommit(false);

Mehr

1. Data Warehouses - Einführung

1. Data Warehouses - Einführung 1. Data Warehouses - Einführung Definition Data Warehouse Einsatzbeispiele OLTP vs. OLAP Grobarchitektur Virtuelle vs. physische Datenintegration Mehrdimensionale Datensicht Star-Schema -Anfragen Data

Mehr