TDWI 05 Deutschland. Data Modelling. Corporate Performance Management auf Basis von DataWarehouses. 15. Juni 2005

Größe: px
Ab Seite anzeigen:

Download "TDWI 05 Deutschland. Data Modelling. Corporate Performance Management auf Basis von DataWarehouses. 15. Juni 2005"

Transkript

1 TDWI 05 Deutschland Data Modelling Corporate Performance Management auf Basis von DataWarehouses PD Dr. Peter Gluchowski Dr. Michael Hahne 15. Juni 2005 PD Dr. Peter Gluchowski, Dr. Michael Hahne, 2005 SA2 / 0 / 1 Agenda 1) Abgrenzung und Einordnung von CPM und BI 2) Architekturen und Komponenten analyseorientierter Informationssysteme 3) Bestandteile multidimensionaler Datenstrukturen 4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen 5) Umsetzung mit multidimensionalen Datenbanksystemen 6) Varianten und Bestandteile des Star Schemas 7) Erweitertes Star Schema des SAP Business Information Warehouse 8) Mehrdimensionales Datenmodell des Microsoft SQL Server 9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung 1

2 Kontakt: PD Dr. Peter Gluchowski Brauckmanns Knapp 8c Herdecke Germany Dr. Michael Hahne Freiherr-vom-Stein-Str. 13a Bretzenheim Germany URL: HHU/fakultaeten/wiwi/lehrstuehle/ fachgebstatoekon/personalia/ Gluchowski URL: 2

3 Agenda 1) Abgrenzung und Einordnung von CPM und BI 2) Architekturen und Komponenten analyseorientierter Informationssysteme 3) Bestandteile multidimensionaler Datenstrukturen 4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen 5) Umsetzung mit multidimensionalen Datenbanksystemen 6) Varianten und Bestandteile des Star Schemas 7) Erweitertes Star Schema des SAP Business Information Warehouse 8) Mehrdimensionales Datenmodell des Microsoft SQL Server 9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung PD Dr. Peter Gluchowski Corporate Performance Management Corporate Performance Management umfasst Kennzahlen, z. B. ROI) und Systemlösungen (z. B. Business Intelligence) zur zielgerichteten Umsetzung von Unternehmensstrategien. Strategie- Formulierung Operative Leistungsmessung Kommunikation Stakeholder Methodologien (z. B. Balanced Scorcards) Prozesse (z. B. Planungs- und Budgetierungsprozesse) Metriken (Performance- SWOT- Analyse Strategischer Management-Zyklus Operationalisierung der Strategie Operativer Management-Zyklus Management Ebene Strategische Rückkopplung Entscheidung über Maßnahmen Durchführung Quelle: Gartner Research 2002 PD Dr. Peter Gluchowski Operative Ebene 1

4 Corporate Performance Management Geschäftsstrategie Ziele Geschäftsanalyse Metriken Geschäftsbetrieb Geschäftsprozesse Analyse-Systeme Closed Operative Systeme Quelle: W. Martin, EAI 2003, März 2003 Entscheidungen Loop Zyklustakt Aktionen PD Dr. Peter Gluchowski Business Intelligence Gesamtheit aller Werkzeuge und Anwendungen mit entscheidungsunterstützendem Charakter, die zur besseren Einsicht in das eigene Geschäft und damit zum besseren Verständnis in die Mechanismen relevanter Wirkungsketten Begriffliche Klammer, die eine Vielzahl unterschiedlicher Ansätze zur Analyse geschäftsrelevanter Daten zu bündeln versucht (kein neues Konzept / Produkt) PD Dr. Peter Gluchowski 2

5 Agenda 1) Abgrenzung und Einordnung von CPM und BI 2) Architekturen und Komponenten analyseorientierter Informationssysteme 3) Bestandteile multidimensionaler Datenstrukturen 4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen 5) Umsetzung mit multidimensionalen Datenbanksystemen 6) Varianten und Bestandteile des Star Schemas 7) Erweitertes Star Schema des SAP Business Information Warehouse 8) Mehrdimensionales Datenmodell des Microsoft SQL Server 9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung PD Dr. Peter Gluchowski Historie der BI-Systeme Unterstützungsgrad bei Managementaufgaben MIS EIS DSS MSS On-Line Analytical Processing Data Warehouse Executive Information Systems Decision Support Systems Management Information Systems PD Dr. Peter Gluchowski Zeit 3

6 Data Warehouse-Konzept Data Warehouse (DW) = A subject oriented, integrated, nonvolatile, time variant collection of data organized to support management needs W. H. Inmon, Building the Data Warehouse, New York u. a. 1993, S. 29. subject oriented Themenorientierung integrated Vereinheitlichung nonvolatile Dauerhaftigkeit, Stabilität time variant Zeitorientierung der Informationen management needs Analyse und Entscheidungsunterstützung PD Dr. Peter Gluchowski Data Warehouse MSS Data Warehouse umfasst die Serverkomponenten einer Systemlösung, die für die Operative Unternehmensdaten Operative Informationssysteme unternehmensweite Datenversorgung der Front-End-Systeme zur Informationsbereitstellung und Entscheidungsunterstützung betrieblicher Fach- und Führungskräfte zuständig sind, ist physikalisch von den operativen Vorsystemen getrennt und baut lediglich zum Zweck der periodischen Datenaktualisierung bzw. -ergänzung Verbindungen zu den operativen DV-Systemen auf. PD Dr. Peter Gluchowski 4

7 Entwicklungsstufen analytischer Informationssysteme (Durchgriff auf operative Systeme) Endbenutzer ABAP, Berichtsgeneratoren, Excel,... Probleme: zahlreiche Schnittstellen Belastung der operativen Systeme inkonsistente und starre Berichte keine Historie kaum Interaktion lange Laufzeiten SAP, Baan,.. PAISY,... Operative Vorsysteme PD Dr. Peter Gluchowski Entwicklungsstufen analytischer Informationssysteme (Unternehmensweites Data Warehouse) Endbenutzer... Data Warehouse Import-Schnittstelle SAP, Baan,.. PAISY,... Operative Vorsysteme PD Dr. Peter Gluchowski Probleme: komplexe Import- Schnittstelle Administrationsaufwand für DB umfangreiche Berichtsdatenbank (Laufzeiten) kaum Interaktion interaktive Nutzung durch den Endanwender z.b. für neue Berichte kaum möglich 5

8 Entwicklungsstufen analytischer Informationssysteme (Data Marts ohne Data Warehouse) Endbenutzer... Probleme: Anzahl der Schnittstellen viele DBs Konsistenz der Daten Abteilungsdatenbank Import Abteilungsdatenbank Import SAP, Baan,.. PAISY,... Operative Vorsysteme PD Dr. Peter Gluchowski Entwicklungsstufen analytischer Informationssysteme (Data Marts mit Data Warehouse) Endbenutzer Data Mart Data Mart Data Warehouse Probleme: komplexe Lösung lange Projektlaufzeit bis zu ersten Ergebnissen viele Einzelkomponenten Import-Schnittstelle SAP, Baan,.. PAISY,... Operative Vorsysteme PD Dr. Peter Gluchowski 6

9 Entwicklungsstufen analytischer Informationssysteme (Enterprise) Data Warehouse und Data Marts Endbenutzer Data Mart Data Mart Externe Daten Data Warehouse Import-Schnittstelle SAP, Baan,.. PAISY,... Operative Vorsysteme PD Dr. Peter Gluchowski Entwicklungsstufen analytischer Informationssysteme Operational Data Store Endbenutzer Data Mart Data Mart Externe Daten Data Warehouse Operational Data Store Import-Schnittstelle SAP, Baan,.. PAISY,... Operative Vorsysteme PD Dr. Peter Gluchowski 7

10 Analytische Informationssysteme Oberflächentechnologien Endbenutzer- werkzeuge Data Mining Berichtssysteme OLAP- Frontends - Portale Data Mart Data Mart Externe Daten Data Warehouse PD Dr. Peter Gluchowski Operational Data Store Import-Schnittstelle Aktuelles DW-Architektur-Konzept Endbenutzer- werkzeuge Data Abfrage- und Mining Berichtssysteme Executive - OLAP- Information Systeme Frontend Data Warehouse Metadaten- banksystem Data Mart Data Mart OLAP Server Enterprise Data Zentrale Warehouse/ Operational Datenbasis Data Store ETL-System Archivierungs- system Externe Daten Operative Vorsysteme PD Dr. Peter Gluchowski 8

11 On-Line Analytical Processing (OLAP) Software-Technologie, die Managern schnelle, interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen ermöglicht dynamische, multidimensionale Analysen auf auf konsolidierten Unternehmensdatenbeständen zwölf Evaluationsregeln nach Codd/Codd/Salley PD Dr. Peter Gluchowski On-Line Analytical Processing (OLAP) Mehr- / Multidimensionalität: Anordnung betriebswirtschaftlicher Variablen (z.b. Kennzahlen) entlang mehrerer, unterschiedlicher Dimensionen (z. B. Region, Artikel, Produkte, Zeit, Kunden) PD Dr. Peter Gluchowski PRODUKT ZEIT REGION 9

12 OLAP-Gestaltungsvarianten Repräsentationsschicht ROLAP MOLAP Applikations- Schicht Datenbank- Schicht Relationale Datenbank Relationale Datenbank Multidim. Datenbank 2-Tier-Architektur mit Fat-Clients 3-Tier-Architektur mit OLAP-Engine 2-Tier-Architektur mit MDB PD Dr. Peter Gluchowski BI-Begriffsverständnisse ETL Intelligente Agenten Data Warehouse Orientierung Standard- Reporting Ad-Hoc- Reporting OLAP Data / Text Mining MIS / EIS / DSS Portale Analytisches CRM Planung / Konsolidierung Kennzahlen / Balances Scorecards Weites BI- Verständnis Analyseorientiertes BI-Verständnis Enges BI- Verständnis Technik PD Dr. Peter Gluchowski Anwendung Datenbereitstellung Datenauswertung Prozessschwerpunkt 10

13 Aktuelle Entwicklungen Real Time Enterprise Anforderungen an Echtzeit-Unternehmen Integrierte Echtzeit-Information über Abteilungs-/Bereichsgrenzen hinweg Integration über Unternehmensgrenzen im Rahmen kollaborativer Geschäftsmodelle Ausrichtung auf Geschäftsereignisse Enterprise Application Integration-Bus SAP, Baan,.. PAISY,... Operative Vorsysteme PD Dr. Peter Gluchowski Aktuelle Entwicklungen Process Performance Management bzw. Business Activity Monitoring Kontinuierliche Messung Relevanter Prozesskennzahlen und unmittelbare Anzeige bzw. Berichtserzeugung PD Dr. Peter Gluchowski 11

14 Agenda 1) Abgrenzung und Einordnung von CPM und BI 2) Architekturen und Komponenten analyseorientierter Informationssysteme 3) Bestandteile multidimensionaler Datenstrukturen 4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen 5) Umsetzung mit multidimensionalen Datenbanksystemen 6) Varianten und Bestandteile des Star Schemas 7) Erweitertes Star Schema des SAP Business Information Warehouse 8) Mehrdimensionales Datenmodell des Microsoft SQL Server 9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 1 Agenda Phasen der Datenmodellierung Grundbestandteile mehrdimensionaler Datenstrukturen Hierarchische Dimensionsstrukturen Gestaltungsempfehlungen für die Modellierung Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 2 1

15 Agenda Phasen der Datenmodellierung Grundbestandteile mehrdimensionaler Datenstrukturen Hierarchische Dimensionsstrukturen Gestaltungsempfehlungen für die Modellierung Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 3 Beschreibungsebenen betrieblicher Informationssysteme Betriebswirtschaftliche Problemstellung Fachkonzept Analyse DV-Konzept Design/Entwurf Technische Implementierung Implementierung/Realisierung Informationstechnik Quelle: Scheer, A.-W.: Wirtschaftsinformatik - Referenzmodelle für industrielle Geschäftsprozesse, 3. Aufl., Berlin u.a Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 4 2

16 Ebenen der Datenmodellierung Semantisches Datenmodell Logisches Datenmodell Physisches Datenmodell Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 5 Agenda Phasen der Datenmodellierung Grundbestandteile mehrdimensionaler Datenstrukturen Hierarchische Dimensionsstrukturen Gestaltungsempfehlungen für die Modellierung Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 6 3

17 Zahlenwürfel Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 7 Zahlenwürfel mit betriebswirtschaftlichem Bezug Absatzmenge Periode 02/98 01/ Artikel Nord Ost Süd West Region Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 8 4

18 Strukturkomponenten 1. Betriebswirtschaftliche Variablen (Meßgrößen, Kennzahlen, Fakten) 2. Dimensionen 3. Dimensionshierarchien 4. Regeln Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 9 Betriebswirtschaftliche Variablen (Kennzahlen) Kennzahlendefinition Zahl, die betriebliche und außerbetriebliche Informationen in aussagekräftiger, komprimierter Form wiedergibt Kennzahlentypen Statistische Form Absolute Kennzahlen (z.b. Beschäftigte, Umsatz, Bilanzsumme) Relative Kennzahlen Gliederungszahlen (z.b. Anlagevermögen/Gesamtvermögen) Beziehungszahlen (z.b. Gewinn/Eigenkapital) Indexzahlen (z.b. Lohnkosten heute * / Lohnkosten Vorjahr) Gegenstand (Mengen / Werte, Zeitpunkt / Zeitraum) Objektbereich (Gesamtwirtschaftlich, Konzern, Teilbetrieb) Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 10 5

19 Kennzahlensysteme Zusammenstellung unterschiedlicher Kennzahlen zur rechentechnischen Systematisierung Einzelkennzahlen stehen in sachlich sinnvoller Beziehung zueinander - + * : Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 11 Bekannte Kennzahlensysteme RL-Kennzahlenschema von Reichmann/Lachnit ZVEI-Kennzahlenschema Du-Pont-Kennzahlenschema Gewinn in % des invest. Kapitals Gewinn in % des Umsatzes Kapitalumschlag Gewinn Umsatz Umsatz Investiertes Kapital Quelle: Küting, Karlheinz, Kennzahlensysteme in der betrieblichen Praxis, in: WiSt, Heft 6, Juni 1983, S. 292 Deckungsbetrag Fixe Kosten Nettoumsatz Variable Umsatzkosten Forderungen Bestände Bruttoumsatz Fertigungsgem.kosten Verwaltungsgem.kosten Vertriebsgem.kosten Umlaufvermögen Anlagevermögen Zahlungsmittel Erlösschmälerungen Produktionsprogramm Fertigungsmaterial Fertigungslöhne Sonst. var. Fert.- gemeinkosten Absatzwege Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 12 6

20 Kennzahlen als Bestandteile multidimensionaler Datenstrukturen Betrachtung von Einzelkennzahlen Betrachtung mehrerer Kennzahlen Kennzahlendimension Zeit Region Zeit Stück Erlös DB Artikel Artikel Absatzmenge Vertrieb Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 13 Dimensionen Aufgabe: Aufgliederung / Konkretisierung von Kennzahlen bzw. Zahlenwerten Inhalt: Sachlogisch zusammengehörige Umweltobjekte, gleichen Geschäftsaspekt betreffend Ausprägungen: Einzelobjektdimensionen (Element bestimmt) wenige, aufzählbare Dimensionselemente (z.b. Szenario- oder Kennzahlendimension) Mengendimensionen (Ebenen bestimmt) viele bis sehr viele Dimensionselemente (z.b. Kunden- oder Artikeldimension) Beschreibung nur über Objektmengen Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 14 7

21 Dimensionskomponenten Abgeleitet bzw. verdichtete Elemente Dimensionselemente Hierarchiestufe bzw. Konsolidierungsebene (Level) Basiselemente bzw. unabhängige Elemente Granularität Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 15 Typisierung 2003 Q1/03 Q2/03 Q3/03 Q4/03 Jan 03 Feb 03 Mar 03 Apr 03 May 03 Jun 03 Jul 03 Aug 03 Sep 03 Oct 03 Nov 03 Dec 03 Jahr Quartal Konsolidierungsstufen Monat Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 16 8

22 Attribute Attribute der Dimension Dimension Zeit Attribute aller Dimensionselemente Attribute der Ebene Jahr Jahr Attribute der Elemente der Ebene Jahr Attribute der Ebene Monat Monat Attribute der Elemente der Ebene Monat Attribute der Ebene Tag Tag Attribute der Elemente der Ebene Tag Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 17 Dimensionstypen Standarddimensionen (z.b. Artikel, Kunden, Regionen) Kennzahlendimension (Measure Dimension) Szenario- bzw. Wertartdimension (Plan, Ist, Soll,...) Zeitdimension (vorbestimmte Struktur) Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 18 9

23 Weitere Regeln -Würfelübergreifende Verknüpfungsregeln OLAP-Join: Verbindung zwischen Würfeln (Multicube-Ansatz) -Integritätsregeln Hierarchische Integrität bei nicht dynamischer Berechnung -Regeln für die Behandlung von Ausnahmen z.b. Konsolidierungs-Sonderfälle Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 19 Agenda Phasen der Datenmodellierung Grundbestandteile mehrdimensionaler Datenstrukturen Hierarchische Dimensionsstrukturen Gestaltungsempfehlungen für die Modellierung Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 20 10

24 Flache Struktur A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 21 Typisierte flache Struktur A Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 22 11

25 Flache Struktur mit totaler Verdichtung Alle A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 23 Typisierte flache Struktur mit totaler Verdichtung Alle A Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 24 12

26 Baumstruktur Alle AG1 AG2 AG3 A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 25 Typisierte Baumstruktur Alle AG A Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 26 13

27 Baumstruktur mit unterschiedlichen Tiefen Variante I Alle AOG1 AG1 AG2 AG3 A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 27 Typisierte Baumstruktur mit unterschiedlichen Tiefen Variante I Alle AOG AG A Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 28 14

28 Baumstruktur mit unterschiedlichen Tiefen Variante II Alle AG1 AUG1 AUG2 AG2 A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 29 Typisierte Baumstruktur mit unterschiedl. Tiefen Variante II Alle AG AUG A Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 30 15

29 Parallele Hierarchie Alle AG1 PG1 AG2 PG2 AG3 A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 31 Typisierte parallele Hierarchie Alle PG AG A Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 32 16

30 Heterarchie (m:n-beziehungen) Alle AG1 AG2 AG3 A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 33 Typisierte Heterarchie Mit Unterscheidung der Kardinalität der Kanten Ohne Unterscheidung der Kardinalität der Kanten Alle Alle AG deg in = 2 deg in = 1 AG A A Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 34 17

31 Anteilige Verrechnung Sonderfall: Anteilige Verrechnung Alle AG1 AG2 AG3 60% 40% A1 A2 A3 A4 A5 A6 A7 A8 A9 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 35 Regeln (Additivitätseigenschaften) Ausnahmeregeln für nicht-additive Kennzahlen z.b. Preis, Lagerendbestand Einzelartikel Artikelgruppen A1 800?? AG1 A2 A3 A Artikelpreise Gegebenenfalls sinnvoll: Durchschnittsberechnung oder letzter Wert Zu beachten: Semi-additiveGrößen (Lagerendbestände lassen sich zwar sinnvoll über alle Lagerorte addieren, nicht jedoch über die Zeit) 200 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 36 18

32 Zeitabhängigkeit: Strukturelle Veränderungen in Dimensionen PG 1 PG 2 Strukturveränderungen PG 1 PG 2 P 1 P 2 P 3 P 4 P 5 P 4 gelöscht P 6 hinzugefügt P 3 verändert P 1 P 2 P 3 P 5 P 6 Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 37 Lösungsalternativen bei Strukturbrüchen Anpassung des historischen Datenmaterials an neue Strukturen Vorteile: Keine Aufblähung des Datenbestandes; Datenstrukturen bleiben überschaubar Nachteile: Alte Strukturen sind verloren; Anwender wollen u. U. Berichte mit alten Strukturen Separate Speicherung des historischen Datenbestandes zusätzlich zum Komplettbestand mit neuen Strukturen Vorteile: Alte Auswertungen können abgerufen werden Nachteile: Datenvolumen; aufwendige Aktualisierung, wenn Anwender auch neue Zahlen in den alten Strukturen sehen wollen; verwirrend für Endbenutzer Aufbau paralleler Hierarchien mit alten/neuen Strukturen Vorteile: Alle Zahlen können mit beliebigen Strukturen angezeigt werden Nachteile: Dimensionsstruktur kaum überschaubar Temporale Datenbanken - Gültigkeitsstempel Vorteile: Alle Zahlen können mit beliebigen Strukturen angezeigt werden Nachteile: Performance; Konzepte noch nicht ausgereift Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 38 19

33 Agenda Phasen der Datenmodellierung Grundbestandteile mehrdimensionaler Datenstrukturen Hierarchische Dimensionsstrukturen Gestaltungsempfehlungen für die Modellierung Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 39 Gestaltungsüberlegungen der Dimensionsmodellierung auf semantischer Ebene Anzahl der Dimensionen zwischen vier und zehn (ideal zwischen sechs und acht) Anzahl der Hierarchiestufen (maximal sieben Hierarchiestufen) Anzahl der Elemente je Konsolidierungselement (maximal fünfzehn bis zwanzig Elemente) Bestimmung von Dimensionen (1:1-Beziehungen ungeeignet; 1:N-Beziehungen bilden Dimensionshierarchie; M:N-Beziehungen stellen zwei Dimensionen dar) Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 40 20

34 Agenda 1) Abgrenzung und Einordnung von CPM und BI 2) Architekturen und Komponenten analyseorientierter Informationssysteme 3) Bestandteile multidimensionaler Datenstrukturen 4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen 5) Umsetzung mit multidimensionalen Datenbanksystemen 6) Varianten und Bestandteile des Star Schemas 7) Erweitertes Star Schema des SAP Business Information Warehouse 8) Mehrdimensionales Datenmodell des Microsoft SQL Server 9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung SA2 / 3 / 1 ER-Modellierung multidimensionaler Datenstrukturen Lieferant Artikel Mitarbeiter Einkaufspreis Absatzmenge Vertrieb 1 n Preis 1 n n 1 1 n 1 n n Erlös n 1 1 Periode Kunde SA2 / 3 / 2 1

35 Erweiterung eer zur Darstellung von Dimensionshierarchien Periode 1 Jahr Woche n 1 n 1 n 1 n Monat Tag SA2 / 3 / 3 Beispiel ER-Modellierung multidimensionaler Datenstrukturen Artikel v für verdichtet zu Gesamt Vertriebsweg isa Sondermodellgruppe Gesamt Vertriebsweg Zeit Jahr Ord v Region v Kennzahlen Szenario v v Marke isa isa Quartal Ord Land v Bruttoerlös Erlösschm. Var. Kost. Plan Ist v v Gruppe Nettoerlös DB1 Abw. Monat Ord Gebiet v v v Einzel Quelle: Totok, A., Semantische Modellierung von multidimensionalen Datenstrukturen -Vortragsunterlagen, Workshop des GI-Arbeitskreises MDDB, , Darmstadt Tag Ord Filiale SA2 / 3 / 4 2

36 Darstellungsobjekte im ME/R-Modell Fakt- Name Ebenen-Name Dimensionsebenen Entitytyp Roll-Up Beziehungstyp Quelle: Sapia, Carsten; Blaschka, Markus; Höfling, Gabriele;, Dinter, Barbara: Extending thee/r Model for the Multidimensional Paradigm. In: Proceedings of theadvances in Databases Technologies Conference, November 19-20, 1998, Singapore SA2 / 3 / 5 Beispiel eines ME/R-Modells Jahr Quartal Szenario Monat Gesamt Artikel Vertrieb Tag Region Filiale Gebiet Land Faktbeziehungstyp Absatzmenge Erlös SA2 / 3 / 6 3

37 Grenzen der ER-Notation Unzulängliche Möglichkeiten zur Abbildung von Einzelobjekten (Kennzahlen, Szenario) Konzentration auf Objektklassen Verknüpfungen zwischen Einzelobjekten (z.b. relative Kennzahlen) wird nicht unterstützt SA2 / 3 / 7 Dimensional Fact Modeling Hierarchie Dimension Monat Woche Kategorie Hersteller Typ Produkt Vertrieb Verkaufsmenge Erlös Größe Filiale Nicht-dimensionales Attribut Stadt Vertriebsmanager Land Fakt- Attribut Fakt Adresse Quelle: Golfarelli, Matteo; Maio, Dario; Rizzi, Stefano: Conceptual Design of Data Warehouses from E/R Schemas. In: Proceedings of the Hawaii International Conference On System Sciences, January 6-9, 1998, Kona, Hawaii. SA2 / 3 / 8 4

38 Aggregation im Dimensional Fact Modeling Eingeschränkte Addierbarkeit für Kennzahl Käuferzahl in allen Dimensionen Hersteller Produkt Typ Größe Kategorie Vertrieb Vertriebsmanager Monat Woche Durchschnitt Verkaufsmenge Erlös Käuferzahl Bestand Filiale Stadt Adresse Land Alternative Aggregation für Kennzahl Bestand in Dimension Woche SA2 / 3 / 9 Objekte der Dimensionsmodellierung in ADAPT Dimension Model Hierarchy { } Member { } Level { } Scope Attribute SA2 / 3 / 10 5

39 Elementbestimmte Dimension Szenario { } Ist { } Plan { } Abweichung Ist - Plan SA2 / 3 / 11 Ebenenbestimmte Dimension Produkt Produkthierarchie Warenhauptgruppe { } { } Warengruppe Warenuntergruppe { } { } Hersteller { } Produkt Bezeichnung { } Eigene Produkte { } Fremdprodukte Verpackungsart Herstellerhierarchie Verpackungsgröße Gewicht Anzahl auf einer Palette SA2 / 3 / 12 6

40 Beziehungstypen in ADAPT Fully exclusive Fully overlapping Partially exclusive Partially overlapping SA2 / 3 / 13 Cube-Modellierung Kennzahl Zeit { } Kosten { } { } Jahr Quartal Controlling Zeit Kostenstelle Kostenart Szenario Kennzahl { } Kostenstelle Kostenstellen- Hierarchie Kostenstelle Kalenderhierarchie Kostenstellenverantwortlicher { } Monat Szenario Kostenart { } Ist { } Plan Kostenarten- Hierarchie { } Abweichung { } Kostenart Ist - Plan SA2 / 3 / 14 7

41 Modellierung einer abgeleiteten Teilsicht eines Cubes Kosten Zeit Kostenstelle Kostenart Szenario Kennzahl Prognoserechnung Prognostizierte Kosten SA2 / 3 / 15 8

42 Agenda 1) Abgrenzung und Einordnung von CPM und BI 2) Architekturen und Komponenten analyseorientierter Informationssysteme 3) Bestandteile multidimensionaler Datenstrukturen 4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen 5) Umsetzung mit multidimensionalen Datenbanksystemen 6) Varianten und Bestandteile des Star Schemas 7) Erweitertes Star Schema des SAP Business Information Warehouse 8) Mehrdimensionales Datenmodell des Microsoft SQL Server 9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung SA2 / 3 / 1 DV-Speicherungskonzept mit multidimensionalen Datenbanken Spezifische Ausrichtung auf multidimensionale Datenstrukturen ermöglicht i.d.r. 1:1-Umsetzung des semantischen Konzeptes Hypercube- vs. Multicube-Ansätze Komplexe Rule-Programmierung Keine Standards (ggf. durch die Microsoft-API OLE DB for OLAP) Keine einheitlichen Schema-Vorgaben SA2 / 3 / 2 1

43 Normierung und Standardisierung bei MDB Microsoft OLE-DB for OLAP Catalog Schema 1 n 1 n Member Level Cube Dimension Hierarchy 1 n 1 n n 1 n 1 1 n Property n 1 SA2 / 3 / 3 Würfel- und Dimensionsübersicht in Delta Alea SA2 / 3 / 4 2

44 Dimensionsstrukturen in Delta Alea SA2 / 3 / 5 Dimensionsstrukturen in Delta Alea SA2 / 3 / 6 3

45 Dimensionsstrukturen in Hyperion Essbase SA2 / 3 / 7 Regeln Verknüpfungs- und Ableitungsregeln für Dimensionselemente Hyperion Essbase MIS Alea SA2 / 3 / 8 4

46 Freiheitsgrade beim Design Beispiel Farbe 1.) Farbe als Attribut Artikel Artikel-ID Bezeichnung Farbe Region Region-ID Bezeichnung Fläche in qkm Bevölkerung 1 1 n n Werbedetail Artikel-ID Perioden-ID Region-ID Absatzmenge n Periode Perioden-ID Bezeichnung SA2 / 3 / 9 Freiheitsgrade beim Design Beispiel Farbe 2.) Farbe als Hierarchie Artikel Artikel-ID Bezeichnung Farbe Region Region-ID Bezeichnung Fläche in qkm Bevölkerung 1 1 n n Werbedetail Artikel-ID Perioden-ID Region-ID Absatzmenge n Periode Perioden-ID Bezeichnung SA2 / 3 / 10 5

47 Freiheitsgrade beim Design Beispiel Farbe 3.) Farbe als Teil der Artikel-ID Artikel Artikel-ID Bezeichnung Farbe Region Region-ID Bezeichnung Fläche in qkm Bevölkerung 1 1 n n Werbedetail Artikel-ID Perioden-ID Region-ID Absatzmenge n Periode Perioden-ID Bezeichnung SA2 / 3 / 11 Freiheitsgrade beim Design Beispiel Farbe 4.) Farbe als Dimension Artikel Artikel-ID Bezeichnung Farbe 1 1 n n Region Region-ID Bezeichnung Fläche in qkm Bevölkerung Werbedetail Artikel-ID Perioden-ID Region-ID Absatzmenge n Periode Perioden-ID Bezeichnung SA2 / 3 / 12 6

48 Agenda 1) Abgrenzung und Einordnung von CPM und BI 2) Architekturen und Komponenten analyseorientierter Informationssysteme 3) Bestandteile multidimensionaler Datenstrukturen 4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen 5) Umsetzung mit multidimensionalen Datenbanksystemen 6) Varianten und Bestandteile des Star Schemas 7) Erweitertes Star Schema des SAP Business Information Warehouse 8)Mehrdimensionales Datenmodell des Microsoft SQL Server 9)Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 1 Agenda Grundform des Star Schemas Modellierung von Dimensionshierarchien und Attributen Normalisierung von Dimensionen Kennzahlen und Kennzahlensysteme Aggregate Modellierungsvarianten Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 2 1

49 Agenda Grundform des Star Schemas Modellierung von Dimensionshierarchien und Attributen Normalisierung von Dimensionen Kennzahlen und Kennzahlensysteme Aggregate Modellierungsvarianten Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 3 Übergang vom Würfel zur Relation Artikel Periode Absatzmenge Relation Absatz 02/05 01/05 Artikel Region Periode Absatzmenge Ost Ost Ost Süd... 01/05 01/05 01/05 01/ Nord Ost Süd West Region Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 4 2

50 Übergang vom Würfel zur Relation Artikel Periode Absatzmenge Relation Absatz 02/05 01/05 Artikel Region Periode Absatzmenge Ost Ost Ost Süd... 01/05 01/05 01/05 01/ Nord Ost Süd West Region Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 5 Übergang vom Würfel zur Relation Artikel Periode Absatzmenge Relation Absatz 02/05 01/05 Artikel Region Periode Absatzmenge Ost Ost Ost Süd... 01/05 01/05 01/05 01/ Nord Ost Süd West Region Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 6 3

51 Relationale Mehrdimensionalität Star-Schema Artikel Artikel-ID Bezeichnung Maßeinheit Packung Farbe Region Region-ID Bezeichnung Fläche in qkm Bevölkerung 1 1 n n Vertrieb Artikel-ID Perioden-ID Regionen-ID Absatzmenge Faktentabelle n 1 Dimensionstabellen Periode Perioden-ID Bezeichnung Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 7 Einfaches Star Schema Zeit Marketing Produkt Vertriebsweg Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 8 4

52 Agenda Grundform des Star Schemas Modellierung von Dimensionshierarchien und Attributen Normalisierung von Dimensionen Kennzahlen und Kennzahlensysteme Aggregate Modellierungsvarianten Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 9 Flache Struktur: Dimensionstabelle Vertriebsweg Vertriebsweg_Id Vertriebsweg 1 Partner 2 Katalog 3 E-Shop Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 10 5

53 Balancierte Baum/Waldstruktur: Dimensionstabelle Zeit Zeit_Id Monat Quartal Jahr 1 Januar Q Februar Q März Q April Q Mai Q Dezember Q Januar Q Februar Q Dezember Q Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 11 Unbalanciert: Dimensionstabelle Produkt (Ausschnitt) Produkt_Id Produkt Untergruppe Gruppe Hauptgruppe 1? Widerstände Bauteile Elektronik 2 1 k? Widerstände Bauteile Elektronik ?F Kondensatoren Bauteile Elektronik ?F Kondensatoren Bauteile Elektronik 101 PA600 NULL Verstärker High Fidelity 102 PAX300 NULL Verstärker High Fidelity 103 PAX450 NULL Verstärker High Fidelity Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 12 6

54 Parallele Hierarchie: Kalender und Geschäftsjahressicht Zeit_Id Monat Quartal Jahr Geschäftsjahr 1 Januar Q / Februar Q / März Q / April Q / Mai Q / Dezember Q / Januar Q / Februar Q / Dezember Q /2006 Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 13 Anteilige Verrechnung und Heterarchien Aufhebung der 1:n-Beziehung zwischen Ebenen der Konsolidierungshierarchie impliziert entweder Summation als Verdichtung (Heterarchie) oder allgemeine Verdichtung (anteilige Verrechnung) Realisierung über zwei unterschiedliche Dimensionen Für anteilige Verrechnung sind Aggregate notwendig Dr. Michael Hahne 2005 TDWI-G 05 / 6 / 14 7

Modellierung für BI-Systeme 16.06.2004. Dr. Michael Hahne. Konzeptionelle Modellierung mehrdimensionaler Datenstrukturen

Modellierung für BI-Systeme 16.06.2004. Dr. Michael Hahne. Konzeptionelle Modellierung mehrdimensionaler Datenstrukturen TDWI 04 Deutschland Modellierung für BI-Systeme 16.06.2004 Dr. Michael Hahne cundus AG 2004 Einteilung Teil 1 Konzeptionelle Modellierung mehrdimensionaler Datenstrukturen Mehrdimensionales Datenmodell

Mehr

Business Intelligenceein Überblick

Business Intelligenceein Überblick Exkurs Business Intelligenceein Überblick Folie 1 Januar 06 Literatur Kemper, Hans-Georg; Mehanna, Walid; Unger, Carsten (2004): Business Intelligence: Grundlagen und praktische Anwendungen Eine Einführung

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

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

Mehr

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

Historie der analyseorientierten Informationssysteme

Historie der analyseorientierten Informationssysteme Gliederung MSS 1. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 1. Grundlagen zum

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen

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

Mehr

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

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

TDWI Europe 2010 Munich

TDWI Europe 2010 Munich TDWI Europe 2010 Munich Architektur und Modellierung für das Enterprise Data Warehouse W2A Mittwoch, 16. Juni 2010 10:00 bis 11:30 & 12:00 bis 13:15 Dr. Michael Hahne Dr. Michael Hahne 2010 W2A / 1 Agenda

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

Logische Datenmodellierung zur Abbildung mehrdimensionaler Datenstrukturen im SAP Business Information Warehouse

Logische Datenmodellierung zur Abbildung mehrdimensionaler Datenstrukturen im SAP Business Information Warehouse Logische Datenmodellierung zur Abbildung mehrdimensionaler Datenstrukturen im SAP Business Information Warehouse Michael Hahne cundus AG Freiherr-vom-Stein-Straße 13a D-55559 Bretzenheim Michael.Hahne@cundus.de

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 im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

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

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

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

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Michael Hahne T&I GmbH Workshop MSS-2000 Bochum, 24. März 2000 Folie 1 Worum es geht...

Mehr

Lehrstuhl für Wirtschaftsinformatik II. Gliederung

Lehrstuhl für Wirtschaftsinformatik II. Gliederung Gliederung 1. Einführung 2. Arbeitsaufgaben und -prozesse der Fach- und Führungskräfte 3. Klassische Ausprägungen der Management Support Systeme 4. Business Intelligence 5. Datenbereitstellung: Data Warehousing

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

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

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

Mehr

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

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

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

Mehr

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

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

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

Mehr

Hetero-Homogene Data Warehouses

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

Mehr

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

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

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

Business Intelligence Data Warehouse. Jan Weinschenker

Business Intelligence Data Warehouse. Jan Weinschenker Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data

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

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

Seminar C16 - Datenmodellierung für SAP BW

Seminar C16 - Datenmodellierung für SAP BW C16: Datenmodellierung für SAP BW Ein Seminar der DWH academy Seminar C16 - Datenmodellierung für SAP BW Dieses Seminar soll einen umfassenden Einblick in die Datenmodellierung beim Einsatz von SAP BW

Mehr

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

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Data Warehouse Architektur Data-Warehouse-System Teilsichten

Mehr

1. Welche Fremdschlüsselbeziehungen gehen Dimensionstabellen ein? Fortschreibungsregel im Quellsystem anlegen

1. Welche Fremdschlüsselbeziehungen gehen Dimensionstabellen ein? Fortschreibungsregel im Quellsystem anlegen Fragen 1. Welche Fremdschlüsselbeziehungen gehen Dimensionstabellen ein? Falsch a) Faktentabellen b) SID- Tabllen c) Dimensionstabellen d) Attribute e) Tete 2. Was muss beim Laden von Bewegungsdaten aus

Mehr

MultiProvider. Logische Reporting- Schicht. Abb. 9 21 Einsatz von MultiProvidern als logische Reporting- Schicht

MultiProvider. Logische Reporting- Schicht. Abb. 9 21 Einsatz von MultiProvidern als logische Reporting- Schicht MultiProvider 243 MultiProvider MultiProvider sind virtuelle InfoProvider ohne eigene Datenhaltung, deren Hauptaufgabe die Grundlage für die Datenanalyse und -planung ist. Dabei nimmt der MultiProvider

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

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

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9 vii 1 Einführung 1 1.1 SAP Business Information Warehouse... 3 1.1.1 BW Version 3.0...5 Architekturplanung.................................... 9 2 BW-Basissystem 11 2.1 Client/Server-Architektur... 12

Mehr

Lehrstuhl für Wirtschaftsinformatik II. Gliederung

Lehrstuhl für Wirtschaftsinformatik II. Gliederung Gliederung 1. Einführung 2. Arbeitsaufgaben und -prozesse der Fach- und Führungskräfte 3. Klassische Ausprägungen der Management Support Systeme 4. Business Intelligence 5. Datenbereitstellung: Data Warehousing

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

O-BIEE Einführung mit Beispielen aus der Praxis

O-BIEE Einführung mit Beispielen aus der Praxis O-BIEE Einführung mit Beispielen aus der Praxis Stefan Hess Business Intelligence Trivadis GmbH, Stuttgart 2. Dezember 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg

Mehr

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57 1... Einleitung... 15 1.1... Zielgruppen dieses Buches... 17 1.2... Aufbau des Buches... 18 1.3... Hinweise zur Benutzung des Buches... 21 1.4... Danksagung... 23 2... Grundlagen der Datenmodellierung...

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Cubeware Connectivity for SAP Solutions

Cubeware Connectivity for SAP Solutions Cubeware Connectivity for SAP Solutions Beispiele und Anwendungsfälle 1. Modellierung, Extraction, Transformation und Loading mit Datenquelle SAP R/3 und mysap ERP Mit Hilfe des Cubeware Importers und

Mehr

ENTERBRAIN Reporting & Business Intelligence

ENTERBRAIN Reporting & Business Intelligence Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit

Mehr

Das Common Warehouse Metamodel als Referenzmodell für Metadaten im Data Warehouse und dessen Erweiterung im SAP Business Information Warehouse

Das Common Warehouse Metamodel als Referenzmodell für Metadaten im Data Warehouse und dessen Erweiterung im SAP Business Information Warehouse BTW 2005 Das Common Warehouse Metamodel als Referenzmodell für Metadaten im Data Warehouse und dessen Erweiterung im SAP Business Information Warehouse Dr. Michael Hahne 3. März 2005 Dr.Michael Hahne 2005

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

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

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

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck

Mehr

Intelligente Kanzlei

Intelligente Kanzlei Seite 1 von 5 Intelligente Kanzlei Datawarehouse und OLAP in der Steuerkanzlei Notwendigkeit eines Kanzleiinformationssystems Seit einigen Jahren sind enorme Veränderungen am Beratungsmarkt durch einen

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

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II.

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II. II. bereitstellung Kapitel II bereitstellung 1 2 II. bereitstellung II.1 Grundlagen Collect Initial Data identify relevant attributes identify inconsistencies between sources Describe Data characterize

Mehr

Management Support Systeme

Management Support Systeme Management Support Systeme WS 2004-2005 14.00-16.00 Uhr PD Dr. Peter Gluchowski Folie 1 Gliederung MSS WS 04/05 1. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher

Mehr

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

Xtract EXA. Plug n Play mit SAP und EXASolution

Xtract EXA. Plug n Play mit SAP und EXASolution Xtract EXA Plug n Play mit SAP und EXASolution Xtract EXA garantiert eine nahtlose Integration zwischen Ihrem SAP ERP- bzw. SAP BW-System und EXASolution. Mit nur wenigen Mausklicks extrahieren Sie Massendaten

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

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

6 InfoCubes erstellen und konfigurieren

6 InfoCubes erstellen und konfigurieren InfoCubes bilden die Reportingschicht in der LSA; sie sind für die Performance des Reportings entscheidend. In diesem Kapitel stellen wir Ihnen vor, welche InfoCubes es gibt und wie Sie damit arbeiten.

Mehr

SAP BW Grundlagen. Bremerhaven 06.05.2006. T4T Bremerhaven 1

SAP BW Grundlagen. Bremerhaven 06.05.2006. T4T Bremerhaven 1 SAP BW Grundlagen Bremerhaven 06.05.2006 T4T Bremerhaven 1 Inhaltsverzeichnis 1. Motivation für bzw. Anforderungen an eine Data Warehousing-Lösung 2. Architektur des SAP Business Information Warehouse

Mehr

Nach Data Warehousing kommt Business Intelligence

Nach Data Warehousing kommt Business Intelligence Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative

Mehr

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen Christoph Arnold (B. Sc.) Prof. Dr. Harald Ritz Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen AKWI-Tagung, 17.09.2012, Hochschule Pforzheim Christoph Arnold, Prof. Dr. Harald

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

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Business Performance Management Next Generation Business Intelligence?

Business Performance Management Next Generation Business Intelligence? Business Performance Management Next Generation Business Intelligence? München, 23. Juni 2004 Jörg Narr Business Application Research Center Untersuchung von Business-Intelligence-Software am Lehrstuhl

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

Multidimensionales Datenmodell

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

Mehr

Umsetzung der Anforderungen - analytisch

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

Mehr

good. better. outperform.

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

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

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

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

Mehr

Business Intelligence Anwendungssysteme

Business Intelligence Anwendungssysteme Business Intelligence Anwendungssysteme Fakultät für Wirtschaftswissenschaften Professur Wirtschaftsinformatik II Prof. Dr. Peter Gluchowski Folie 1 Literatur zur Vorlesung BI- Anwendungssysteme Gluchowski,

Mehr

products Cubeware Connectivity for SAP Solutions Smarte Schnittstelle für Business Intelligence auf SAP SAP zertifiziert

products Cubeware Connectivity for SAP Solutions Smarte Schnittstelle für Business Intelligence auf SAP SAP zertifiziert Cubeware Connectivity for SAP Solutions Smarte Schnittstelle für Business Intelligence products auf SAP SAP zertifiziert Keine Programmierkenntnisse erforderlich Mächtig durch vorgegebenen Business Content

Mehr

Corporate Performance Management als Weiterentwicklung von Business Intelligence

Corporate Performance Management als Weiterentwicklung von Business Intelligence Martin Kobrin Corporate Performance Management als Weiterentwicklung von Business Intelligence Grundlagen, Implementierungskonzept und Einsatzbeispiele Diplomica Verlag Martin Kobrin Corporate Performance

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

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

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

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

OLAP mit dem SQL-Server

OLAP mit dem SQL-Server Hartmut Messerschmidt Kai Schweinsberg OLAP mit dem SQL-Server Eine Einführung in Theorie und Praxis IIIBibliothek V dpunkt.verlag Teil OLAP undder Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

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 Business Information Warehouse. Mehrdimensionale Datenmodellierung

SAP Business Information Warehouse. Mehrdimensionale Datenmodellierung SAP Business Information Warehouse Mehrdimensionale Datenmodellierung Michael Hahne SAP Business Information Warehouse Mehrdimensionale Datenmodellierung Mit 120 Abbildungen und 19 Tabellen 12 Dr. Michael

Mehr

Einsatz von Anwendungssystemen

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

Mehr

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

Agile BI mit Agile BI Modeler & Agile Scorecard

Agile BI mit Agile BI Modeler & Agile Scorecard Agile BI mit Agile BI Modeler & Agile Scorecard Business Intelligence - so einfach wie möglich - so komplex wie nö7g Jon Nedelmann Darmstadt, 26.10.2012 Agile BI Tools Agile BI Modeler Ist eine Web- Anwendung

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

Business Intelligence Aufgabenstellung

Business Intelligence Aufgabenstellung Hochschule Darmstadt Business Intelligence (BI) Fachbereich Informatik Praktikum 2 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Sebastian Gobst Änderung: 15.06.2012 Datum: 30.05.2012 1. Einführung

Mehr

2.8. Business Intelligence

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

Mehr

F achartikel. OLAP-Modellierung mit Hilfe der ADAPT-Notation

F achartikel. OLAP-Modellierung mit Hilfe der ADAPT-Notation Dr. Michael Hahne ist Geschäftsführender Gesellschafter der Hahne Consulting GmbH, eines auf BI-Architektur und -Strategie spezialisierten Beratungsunternehmens. Zuvor war er Vice President und Business

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

FRT Consulting GmbH. Projekt KATEGO Komfortable SAP-Datenanalyse. Gustav Sperat FRT Consulting GmbH. www.frt.at. Wir machen aus Daten Wissen.

FRT Consulting GmbH. Projekt KATEGO Komfortable SAP-Datenanalyse. Gustav Sperat FRT Consulting GmbH. www.frt.at. Wir machen aus Daten Wissen. FRT Consulting GmbH Projekt KATEGO Komfortable SAP-Datenanalyse Gustav Sperat FRT Consulting GmbH 1 FRT Consulting das Unternehmen Spin off der TU Graz von langjährigen IT Experten Hauptsitz Graz, Büro

Mehr

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel Data Warehousing Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 Analyse von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich

Mehr

Workshop Fit for SAP BW 7.40!

Workshop Fit for SAP BW 7.40! Workshop Fit for SAP BW 7.40! Fit for SAP BW 7.40 Seite 1 von 5 Agendavorschlag - Tag 1 Delta Workshop BW 7.4 09:00 09:15 Vorstellung Ablauf 09:15 09:30 Übersicht Neuerungen BW 7.4 09:30 10:00 Data Staging

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

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