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

Kap. 6 Data Warehouse

Kap. 6 Data Warehouse 1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5

Mehr

3.17 Zugriffskontrolle

3.17 Zugriffskontrolle 3. Der SQL-Standard 3.17. Zugriffskontrolle Seite 1 3.17 Zugriffskontrolle Datenbanken enthalten häufig vertrauliche Informationen, die nicht jedem Anwender zur Verfügung stehen dürfen. Außerdem wird man

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

Kapitel 17: Date Warehouse

Kapitel 17: Date Warehouse Kapitel 17: Date Warehouse 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen kleine, kurze Transaktionen jeweils auf jüngstem Zustand OLAP (Online Analytical

Mehr

OLTP: Online Transaction Processing

OLTP: Online Transaction Processing Moderne Betriebliche Anwendungen von Datenbanksystemen Online Transaction Processing (bisheriger Fokus) Data Warehouse-Anwendungen Data Mining OLTP: Online Transaction Processing Beispiele Flugbuchungssystem

Mehr

Frühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil

Frühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches

Mehr

Datenbanken zur Entscheidungsunterstützung - Data Warehousing

Datenbanken zur Entscheidungsunterstützung - Data Warehousing Datenbanken zur Entscheidungsunterstützung - Data Warehousing Prof. Dr. T. Kudraß 1 Einführung Zunehmender Bedarf nach Analyse aktueller und historischer Daten Identifizierung interessanter Patterns Entscheidungsfindung

Mehr

Frühjahrsemester 2010. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil

Frühjahrsemester 2010. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches

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

Fortgeschrittene OLAP Analysemodelle

Fortgeschrittene OLAP Analysemodelle Fortgeschrittene OLAP Analysemodelle Jens Kübler Imperfektion und erweiterte Konzepte im Data Warehousing 2 Grundlagen - Datenanalyse Systemmodell Datenmodell Eingaben System Schätzer Datentypen Datenoperationen

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

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

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

Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.

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

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 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

Data Warehouse Technologien

Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............

Mehr

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...

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

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

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

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

SQL/OLAP und Multidimensionalität in der Lehre

SQL/OLAP und Multidimensionalität in der Lehre SQL/OLAP und Multidimensionalität in der Lehre Vortrag auf der DOAG 2008 Prof. Dr. Reinhold von Schwerin Hochschule Ulm, Fakultät für Informatik 1. Dezember 2008 Prof. Dr. Reinhold von Schwerin SQL/OLAP

Mehr

Objektorientierte Datenbanken

Objektorientierte Datenbanken OODB 11 Slide 1 Objektorientierte Datenbanken Vorlesung 11 vom 01.07.2004 Dr. Sebastian Iwanowski FH Wedel OODB 11 Slide 2 Inhalt heute: Datenbanken in betriebswirtschaftlichen Anwendungen OTLP (SAP) Data

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

OLAP und der MS SQL Server

OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP-Systeme werden wie umfangreiche Berichtssysteme heute nicht mehr von Grund auf neu entwickelt. Stattdessen konzentriert man sich auf die individuellen

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

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

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

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

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

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 Warehousing. Ausführung von OLAP Operationen. Ulf Leser Wissensmanagement in der Bioinformatik

Data Warehousing. Ausführung von OLAP Operationen. Ulf Leser Wissensmanagement in der Bioinformatik Data Warehousing Ausführung von OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Variante 1 - Snowflake Year id year Productgroup id pg_name Month Id Month year_id Day Id day month_id

Mehr

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle

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

Oracle OLAP 11g: Performance für das Oracle Data Warehouse

Oracle OLAP 11g: Performance für das Oracle Data Warehouse Oracle OLAP 11g: Performance für das Oracle Data Warehouse Marc Bastien Oracle BI Presales Agenda Performanceprobleme in Oracle DWH: gibt s das überhaupt? Mögliche Gründe und Lösungen

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

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

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

Studierenden-Kennzahlen im Griff dank flexiblem Reporting und Ad-hoc-Analysen

Studierenden-Kennzahlen im Griff dank flexiblem Reporting und Ad-hoc-Analysen Praxistag für die öffentliche Verwaltung 2012 Titel Präsentation Studierenden-Kennzahlen im Griff dank flexiblem Reporting und Ad-hoc-Analysen Referenten-Info Gerhard Tschantré, Leiter Controllerdienste

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

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

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

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

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

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

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

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

XAMPP-Systeme. Teil 3: My SQL. PGP II/05 MySQL

XAMPP-Systeme. Teil 3: My SQL. PGP II/05 MySQL XAMPP-Systeme Teil 3: My SQL Daten Eine Wesenseigenschaft von Menschen ist es, Informationen, in welcher Form sie auch immer auftreten, zu ordnen, zu klassifizieren und in strukturierter Form abzulegen.

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

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

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

Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell

Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Data Warehousing, Gliederung Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Dimensionen und Measures Schematypen für Data Warehousing Groupy und Data Cubes Operatoren für den Data Cube

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

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

30. Juni 2006 - Technische Universität Kaiserslautern. Paul R. Schilling

30. Juni 2006 - Technische Universität Kaiserslautern. Paul R. Schilling 30. Juni 2006 - Technische Universität Kaiserslautern Paul R. Schilling ! " #$% & '( ( ) *+, - '. / 0 1 2("$ DATEN SIND ALLGEGENWÄRTIG Bill Inmon, father of data warehousing Unternehmen In einer vollkommenen

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

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

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

Mala Bachmann September 2000

Mala Bachmann September 2000 Mala Bachmann September 2000 Wein-Shop (1) Umsatz pro Zeit und Produkt Umsatz Jan Feb Mrz Q1 Apr 2000 Merlot 33 55 56 144 18 760 Cabernet-S. 72 136 117 325 74 1338 Shiraz 85 128 99 312 92 1662 Rotweine

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

Objektorientierte Datenbanken

Objektorientierte Datenbanken OODB 6 Slide 1 Objektorientierte Datenbanken Vorlesung 6 Sebastian Iwanowski FH Wedel OODB 6 Slide 2 JDO Persistenzkonzept Persistenzfähige Klassen, objektspezifische Persistenz, Persistenz durch Erreichbarkeit

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

Model Klausel - Der Excel-Killer von Oracle?

Model Klausel - Der Excel-Killer von Oracle? Model Klausel - Der Excel-Killer von Oracle? Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Model Klausel, SQL, Data Warehousing, OLAP Zusammenfassung Ein Data Mart kann als ein Würfel mit

Mehr

Datenbanksysteme 2 Frühjahr-/Sommersemester 2014 28. Mai 2014

Datenbanksysteme 2 Frühjahr-/Sommersemester 2014 28. Mai 2014 Lehrstuhl für Praktische Informatik III Prof. Dr. Guido Moerkotte Email: moer@db.informatik.uni-mannheim.de Marius Eich Email: marius.eich@uni-mannheim.de Datenbanksysteme 2 8. Übungsblatt Frühjahr-/Sommersemester

Mehr

BridgeWare. Migration Workshop (CH) Urdorf, 3-Dez-2002. Vereinfachte Migration durch Parallelbetrieb. vorgestellt bei dem. ORBiT Software GmbH

BridgeWare. Migration Workshop (CH) Urdorf, 3-Dez-2002. Vereinfachte Migration durch Parallelbetrieb. vorgestellt bei dem. ORBiT Software GmbH BridgeWare Vereinfachte Migration durch Parallelbetrieb vorgestellt bei dem Migration Workshop (CH) Urdorf, 3-Dez-2002 BridgeWare HPe3000 Databank Migration Zuverlässlich, Effizient, Automatisch! von ORBiT

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

Vorlesung Datenbankmanagementsysteme

Vorlesung Datenbankmanagementsysteme Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse & Einführung Online Analytical Processing (OLAP) (auf Basis von Oracle) Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse M. Lange, S.

Mehr

cs242: Data Warehousing cs243: Datenbanken für Fortgeschrittene FS 2012

cs242: Data Warehousing cs243: Datenbanken für Fortgeschrittene FS 2012 UNIVERSITÄT BASEL Prof. Dr. Heiko Schuldt Ihab Al Kabary, MSc Ilir Fetai, MSc Nenad Stojnić, MSc Ivan Giangreco, BSc cs242: Data Warehousing cs243: Datenbanken für Fortgeschrittene FS 2012 Übung DW-4 Abgabe:

Mehr

Prozesse beim Data Mining. Relevante Fachgebiete für Data Mining. Beispiel: Datenquelle (relationale DB) Architektur eines Data Mining Systems

Prozesse beim Data Mining. Relevante Fachgebiete für Data Mining. Beispiel: Datenquelle (relationale DB) Architektur eines Data Mining Systems Relevante Fachgebiete für Data Mining Prozesse beim Data Mining 1. Data cleaning: Datensäuberung von Rauschen & Inkonsistenz 2. Data integration: Datenintegration aus multiplen Quellen 3. Data selection:

Mehr

Einleitung. ROLLUP, CUBE und GROUPING. Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002)

Einleitung. ROLLUP, CUBE und GROUPING. Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Betrifft Autör: GROUPING_ID Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem Oracle9i Data Warehousing Guide und den Kursen New Features Oracle9i

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

Data-Warehouse-Technologien

Data-Warehouse-Technologien Data-Warehouse-Technologien Prof. Dr.-Ing. Kai-Uwe Sattler 1 Prof. Dr. Gunter Saake 2 1 TU Ilmenau FG Datenbanken & Informationssysteme 2 Universität Magdeburg Institut für Technische und Betriebliche

Mehr

Star - Schema. AnPr. Name Klasse Datum. ANPR_StarSchema_v03.docx Seite 1

Star - Schema. AnPr. Name Klasse Datum. ANPR_StarSchema_v03.docx Seite 1 Name Klasse Datum 1 OLAP vs. OLTP In den RDBMS Konfigurationen unterscheidet man zwei verschiedene Grundtypen: OLTP: OnLine Transactional Processing ist für die Transaktionsprozesse und somit zur funktionalen

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

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

Modellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015

Modellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015 Modellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015 BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENEVA HAMBURG COPENHAGEN LAUSANNE MUNICH STUTTGART

Mehr

Datenbanken und Informationssysteme

Datenbanken und Informationssysteme Datenbanken und Informationssysteme Lehrangebot Stefan Conrad Heinrich-Heine-Universität Düsseldorf Institut für Informatik April 2012 Stefan Conrad (HHU) Datenbanken und Informationssysteme April 2012

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

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

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

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

Logische Modelle für OLAP. Burkhard Schäfer

Logische Modelle für OLAP. Burkhard Schäfer Logische Modelle für OLAP Burkhard Schäfer Übersicht Einführung in OLAP Multidimensionale Daten: Hypercubes Operationen Formale Grundlagen Zusammenfassung Einführung in OLAP Verfahren zur Analyse großer

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

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

Aufgabe 1: [Logische Modellierung]

Aufgabe 1: [Logische Modellierung] Aufgabe 1: [Logische Modellierung] a) Entwerfen Sie für das von Ihnen entworfene Modell aus Aufgabe 2 des 1. Übungsblattes ein Star-Schema. b) Entwerfen Sie für das vorangegangene Modell einen Teil eines

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

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

Merkblatt DWH. Mittwoch, 6. Januar 2016 13:55. Info Seite 1

Merkblatt DWH. Mittwoch, 6. Januar 2016 13:55. Info Seite 1 Info Seite 1 Merkblatt DWH Mittwoch, 6. Januar 2016 13:55 Version: 1.0.0 Study: 3. Semester, Bachelor in Business and Computer Science School: Hochschule Luzern - Wirtschaft Author: Janik von Rotz (http://janikvonrotz.ch)

Mehr

Repetitorium. Data Warehousing und Data Mining 11/12. Sebastian Wandelt 13./16. Februar 2012

Repetitorium. Data Warehousing und Data Mining 11/12. Sebastian Wandelt 13./16. Februar 2012 Repetitorium Data Warehousing und Data Mining 11/12 Sebastian Wandelt 13./16. Februar 2012 Inhalt Data Warehousing und Data Mining auf 40 Slides Weder in-, noch exklusiv! Subjektive Zusammenfassung pro

Mehr

ISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de

ISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de 08 Datenbanken Übung SQL Einführung Eckbert Jankowski www.iit.tu-cottbus.de Datenmodell (Wiederholung, Zusammenfassung) Objekte und deren Eigenschaften definieren Beziehungen zwischen den Objekten erkennen/definieren

Mehr

XML in der Oracle Datenbank "relational and beyond"

XML in der Oracle Datenbank relational and beyond XML in der Oracle Datenbank "relational and beyond" Ulrike Schwinn (Ulrike.Schwinn@oracle.com) Oracle Deutschland GmbH Oracle XML DB Ein Überblick 1-1 Agenda Warum XML in der Datenbank? Unterschiedliche

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

Vorwort zur 5. Auflage... 15 Über den Autor... 16

Vorwort zur 5. Auflage... 15 Über den Autor... 16 Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung

Mehr

Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht

Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Thomas Kreuzer ec4u expert consulting ag Karlsruhe Schlüsselworte: Kampagnenmanagement Praxisbericht Siebel Marketing Oracle BI - ec4u

Mehr

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle ??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Mehr

Data Warehousing und Data Mining

Data Warehousing und Data Mining Data Warehousing und Data Mining 2 Cognos Report Net (CRN) Ermöglicht Erstellen von Ad-hoc-Anfragen (Query Studio) Berichten (Report Studio) Backend Data Cube Relationale Daten Übung: Cognos Report Net

Mehr

Contents. Ebenen. Data Warehouse - ETL Prozess Version: July 10, 2007. 1 Ebenen. Andreas Geyer-Schulz und Anke Thede. 2 Problemquelle Quellsysteme 4

Contents. Ebenen. Data Warehouse - ETL Prozess Version: July 10, 2007. 1 Ebenen. Andreas Geyer-Schulz und Anke Thede. 2 Problemquelle Quellsysteme 4 Contents Data Warehouse - ETL Prozess Version: July 10, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften

Mehr