SQL/OLAP und Multidimensionalität in der Lehre
|
|
- Dennis Simen
- vor 7 Jahren
- Abrufe
Transkript
1 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
2 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 2/52 Inhaltsverzeichnis 1 Einführung 2 Data Warehousing Theorie und Praxis 3 Analysen mit Data Warehouses 4 SQL/OLAP 5 Fazit
3 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 4/52 Lehrveranstaltung Themen und Ansatz Informationsintegration Business Intelligence (BI) Data Warehousing (DWH) Fallstudie zwei WebShops (auf Basis des DELL DVDStore) Durchführung von Analysen wegen Übernahme Transformation in integriertes Data Warehouse Verwendung von Oracle XE
4 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 5/52 Lehrveranstaltung Lernziele I OLTP- vs. analytische Datenbanken Data Warehouse Begriff ETL-Prozess Multidimensionale Daten Cube-Metapher (spezielle Datenstrukturen; MOLAP) Stern- und Schneeflockenschema (relationale Datenhaltung; ROLAP) Dimensionen und Fakten Dimensionshierarchien
5 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 6/52 Lehrveranstaltung Lernziele II OLAP-Operationen Roll-Up/Drill-Down Merge/Split Pivoting Präsentation von Analyseergebnissen in Pivottabellen SQL/OLAP GROUP BY Erweiterungen Analytische Funktionen (Windowing, Ranking) BI Tools last but not least: Einstieg in Oracle mit Oracle XE
6 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 8/52 Aufbau und Ziel des Vortrags Themen und Ziele Themen kurze Übersicht über die Lehrveranstaltung (bereits geschehen) Darstellung der Fallstudie Begriffe rund um analytische Datenbanken und OLAP SQL/OLAP in Aktion Ziele Eignung des Fallstudienansatzes aufzeigen Eignung von SQL/OLAP als didaktisches Mittel
7 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 10/52 Fallstudie Startpunkt: DVDStore WebShop Datenmodell
8 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 11/52 Fallstudie DVDStore erste Analysen Tabelle: Gewünschte Pivottabelle Basis View CREATE VIEW RgYr AS ( SELECT YEAR (o. OrderDate ) TYear, CASE c. Region WHEN 1 THEN USA WHEN 2 THEN World END DVDRegion, SUM (o. NetAmount ) TotSales FROM orders o JOIN customers c ON o. customerid = c. customerid GROUP BY YEAR (o. OrderDate ), c. Region ); UNION zur Befüllung SELECT * FROM RgYr UNION SELECT TYear, All Regions, SUM ( TotSales ) FROM RgYr GROUP BY TYear UNION SELECT All Years, DVDRegion, SUM ( TotSales ) FROM RgYr GROUP BY DVDRegion UNION SELECT All Years, All Regions, SUM ( TotSales ) FROM RgYr ;
9 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 12/52 Fallstudie DVDStore erste Reports Year Region TotSales 2007 USA World USA World All Regions All Regions All Years USA All Years World All Years All Regions Tabelle: Gefüllte Pivottabelle Tabelle: SQL Ausgabe
10 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 13/52 Fallstudie DVDStore Erste Erkenntnisse Probleme teils sehr lange Laufzeiten Web Shop während Analysen nicht verfügbar umständliche Formulierung Erste Lösungen Analysieren des Datenmodells separate Datenbank für Analysen spezielle Indexstrukturen
11 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 14/52 Fallstudie DVDStore analytisiertes Datenmodell
12 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 17/52 Data Warehousing Theorie DWH Definition (frei nach Inmon [L01]) A data warehouse is a subject-oriented, integrated, time-variant, non-volatile collection of data in support of management s decision-making process. Ein Data-Warehouse ist eine themenorientierte, integrierte, zeitabhängige und beständige Sammlung von Daten, um das Management bei seinen Entscheidungsprozessen zu unterstützen.
13 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 18/52 Data Warehousing Theorie DWH Charakteristika nach Inmon [L01] Themenorientierung im Mittelpunkt: Datenbankobjekte mit Kennzahlen, keine operativen Prozesse Integration: Zusammenführung interner und externer Quellsysteme Zeitabhängigkeit: Daten haben Zeitbezug und reichen (weit) in Vergangenheit Beständigkeit: dauerhafte Speicherung
14 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 19/52 Data Warehousing Theorie Übergang von OLTP zu DWH ETL als Bindeglied Von OLTP zur integrierten Themenorientierung mit Zeitbezug durch Extraktion, Transformation und Laden
15 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 20/52 Data Warehousing Theorie Datenstrukturen Multidimensionalität Umsetzbar durch spezielle Datenstrukturen (Cubes (dt. Datenwürfel)) oder in Relationalen Datenbanken Datenwürfel (Spezialstruktur) Sternschema (relationale DB)
16 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 21/52 Data Warehousing Theorie Dimensionshierarchien Lineare Hierarchie nur eine Hierarchieebene über einer anderen Verzweigte Hierarchie ggf. mehrere Hierarchieebenen über einer anderen a a a aus [L04] a aus [L04]
17 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 23/52 Data Warehousing Praxis in der Fallstudie Weiterführung der Fallstudie Neue Situation Weiterer Webshop wird gekauft Externe Website für Filminformationen vorhanden Große Übungsaufgabe Ableitung eines Schneeflocken- und Sternschemas Durchführung des ETL-Prozesses
18 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 24/52 Data Warehousing Praxis in der Fallstudie Integriertes DWH Dimensionen und Fakten Dimensionen Wer? Kunde Was? Produkt Wo? WebShop Wann? Zeit (tagesgenau) Fakten Anzahl Produkte (Netto-)Umsatz Anzahl Bestellungen
19 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 25/52 Data Warehousing Praxis in der Fallstudie Integriertes DWH Schneeflockenschema
20 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 26/52 Data Warehousing Praxis in der Fallstudie Integriertes DWH Sternschema
21 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 28/52 Analytische Operationen Aggregation entlang einer Hierarchie Drill-Down und Roll-Up Drill-Down: Daten werden genauer betrachtet (untere Ebene) Roll-Up (bzw. Drill-Up): Zusammenfassung auf höhere Ebene a aus [L04] a
22 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 29/52 Analytische Operationen Aggregation von Dimensionen Split und Merge Split fügt weitere Dimension hinzu Merge fasst Dimensionen zusammen
23 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 30/52 Analytische Operationen Betrachtung des Würfels von verschiedenen Seiten Pivoting Pivot = Drehpunkt Würfel wird gedreht a adaptiert aus [L04] a
24 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 32/52 Präsentation Roll-Up und Drill-Down Erweiterte Pivottabelle Hierarchieebene wird Zeilen bzw. Spalten hinzugefügt auch: erweiterte Kreuztabelle
25 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 33/52 Präsentation Split und Merge ebenfalls mit erweiterter Pivottabelle
26 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 34/52 Präsentation Pivoting Austausch von fixierter mit variabler Dimension
27 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 36/52 ROLLUP Ergebnisse der C-Staaten Ein Kundenausschnitt CREATE VIEW ccustomer AS ( SELECT * FROM CUSTOMER WHERE StateName >= C AND StateName < D ); Eine Dimension verschiedene Hierarchieebenen reines Roll-Up/Drill-Down
28 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 37/52 ROLLUP ROLLUP Erweiterung Dekodierung mit NVL SELECT NVL (c. RegionName, ALL Regions ) Region, NVL (c. StateName, ALL States ) State, SUM ( s. netamount ) TotSales FROM SALES s JOIN ccustomer c ON s. idcust = c. idcust GROUP BY ROLLUP ( c. RegionName, c. StateName ); Beobachtungen keine Umstände mit UNION Performancegewinn! Übereinstimmung von Theorie und Umsetzung
29 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 39/52 GROUPING Grouping Funktion Dekodierung mit GROUPING SELECT CASE GROUPING ( c. RegionName ) WHEN 1 THEN ALL Regions ELSE c. RegionName END Region, CASE GROUPING ( c. StateName ) WHEN 1 THEN ALL States ELSE c. StateName END State, SUM ( s. netamount ) TotSales FROM SALES s JOIN ccustomer c ON s. idcust = c. idcust GROUP BY ROLLUP ( c. RegionName, c. StateName ); Beobachtung Unterscheidung von NULLs aus Basisdaten aus Gruppierung
30 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 41/52 CUBE CUBE Erweiterung Zeit vs. Ort SELECT CASE GROUPING ( t. NumValYear ) WHEN 1 THEN ALL Years ELSE TO_CHAR ( t. NumValYear ) END TYear, CASE GROUPING ( c. RegionName ) WHEN 1 THEN ALL Regions ELSE c. RegionName END Region, SUM ( s. netamount ) TotSales FROM SALES s JOIN CUSTOMER c ON s. idcust = c. idcust JOIN TDAY t ON s. idday = t. idday GROUP BY CUBE ( t. NumValYear, c. RegionName ); Bekannte Pivottabelle Mehrere Dimensionen zweidimensionaler Würfel Korrespondenz Theorie Umsetzung
31 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 42/52 CUBE Erweiterung auf 3 Dimensionen Hinzunahme der Shop-Dimension Würfel 3 Scheiben zusammengefasst ein Würfel
32 Dreidimensionaler Würfel in SQL/OLAP Zeit vs. Ort nach Shop SELECT CASE GROUPING ( sh. ShopName ) WHEN 1 THEN BOTH WebShops ELSE sh. ShopName END WebShop, CASE GROUPING ( t. NumValYear ) WHEN 1 THEN ALL Years ELSE TO_CHAR ( t. NumValYear ) END TYear, CASE GROUPING ( c. RegionName ) WHEN 1 THEN ALL Regions ELSE c. RegionName END Region, SUM ( s. netamount ) TotSales FROM SALES s JOIN CUSTOMER c ON s. idcust = c. idcust JOIN TDAY t ON s. idday = t. idday JOIN SHOP sh ON s. idshop = sh. idshop GROUP BY CUBE ( sh. ShopName, t. NumValYear, c. RegionName );
33 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 45/52 Concatenated Grouping Roll-Up in mehreren Dimensionen Abbildung: Zweimaliges Roll-Up (Zeit und Ort)
34 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 46/52 Concatenated Grouping Umsetzung in SQL/OLAP Hintereinanderschaltung SELECT NVL ( TO_CHAR (t. NumValYear ), ALL Years ) TYear, NVL ( TO_CHAR (t. NumValQuarter ), ALL Quarters ) TQuarter, NVL (c. RegionName, ALL Regions ) Region, NVL (c. StateName, ALL States ) State, SUM ( s. netamount ) TotSales FROM SALES s JOIN ccustomer c ON s. idcust = c. idcust JOIN TDAY t ON s. idday = t. idday GROUP BY ROLLUP ( t. NumValYear, t. NumValQuarter ), ROLLUP (c. RegionName, c. StateName ); Zusammenhang Präsentation Umsetzung in SQL/OLAP
35 Zusammenfassung Beobachtungen DWH Fallstudie Hands-on -Ansatz erlaubt Umsetzung von Theorie in Praxis SQL/OLAP intuitive, performante Erweiterung des SQL Standards unmittelbar abbildbar auf Präsentation multidimensionaler Daten mittels (erweiterter) Pivottabellen geeignet für den Übergang von der Datenmanipulation zur Informationsgenerierung Oracle XE guter Einstieg in Oracle Welt Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 48/52
36 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 50/52 Ausblick Weitere Lehrschritte Analytische Funktionen (u.a. Windowing, Ranking) in SQL/OLAP Business Intelligence Tools für ETL für Reporting für OLAP Analysen (graphische Handhabung der multidimensionalen Operationen) MDX Data Mining
37 Prof. Dr. Reinhold von Schwerin SQL/OLAP und Multidimensionalität 52/52 Quellen Literatur [L01] William H. Inmon, Richard D. Hackathorn: Using the Data Warehouse, John Wiley & Sons, ISBN [L02] Andreas Bauer, Holger Günzel: Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, dpunkt, ISBN [L03] Ralph Kimball, Mary Ross: The Data Warehouse Toolkit. The Complete Guide to Dimensional Modeling., John Wiley & Sons, ISBN [L04] Olaf Herden: Eine Entwurfsmethodik für Data Warehouses. Dissertation, Uni Oldenburg [L05] Sanjay Mishra, Alan Beaulieu: Mastering Oracle SQL, O Reilly, ISBN Internetquellen [I 01] [I 02] Sonstige Quellen [Q01] R. von Schwerin: Vorlesungsskript; Hochschule Ulm; Winter 2008/2009
Teil II: Architektur eines Data-Warehouse-Systems... 57
O:/Wiley/Reihe_Dummies/9783527714476_Gerken/3d/ftoc.3d from 08.08.2018 14:02:02 Auf einen Blick Einleitung... 19 Teil I: Was ist ein Data Warehouse?... 25 Kapitel 1: Ein Beispiel zur Einführung..... 27
MehrVeit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...
MehrData Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............
MehrETL-Tool Survey Light
ETL-Tool Survey Light Ein Vergleich des OWB mit Open Source ETL-Tools Prof. Dr. Reinhold von Schwerin Hochschule Ulm, Fakultät für Informatik 17. November 2011 Prof. Dr. Reinhold von Schwerin ETL-Tool
MehrOLAP 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
MehrEinführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
MehrData 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
MehrMultidimensionale Modellierung
Multidimensionale Modellierung Vorlesung: Übung: Patrick Schäfer Berlin, 27. November 2017 patrick.schaefer@hu-berlin.de https://hu.berlin/vl_dwhdm17 https://hu.berlin/ue_dwhdm17 Grundlagen Fakten (Kennzahlen/Messgrößen):
MehrInhaltsverzeichnis. vii.
vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt 2 1.2 OLTP versus OLAP 4 1.2.1 OLAP-versus OLTP-Transaktionen 5 1.2.2 Vergleich von OLTP und OLAP 6 1.2.3 Abgrenzung: DBMS-Techniken
MehrData Warehousing. Sommersemester Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2004 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrPräsentation der Bachelorarbeit
Präsentation der Bachelorarbeit Einrichtung einer BI-Referenzumgebung mit Oracle 11gR1 Jörg Bellan Hochschule Ulm Fakultät Informatik Institut für Betriebliche Informationssysteme 15. Oktober 2009 Agenda
MehrAnfragesprachen für On-Line Analytical Processing (OLAP)
Anfragesprachen für On-Line Analytical Processing (OLAP) Seminar Business Intelligence Teil I: OLAP & Data Warehousing René Rondot rondot@informatik.uni-kl.de Universität Kaiserslautern Anfragesprachen
MehrData Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrSummarization-based Aggregation
Summarization-based Aggregation Daten Generalisierung: Prozess, der Anwendungsdaten schrittweise von niedrigen auf höhere konzeptuelle Level aggregiert Conceptual levels 2 3 4 5 example: all federal states
MehrAnfragen an multidimensionale Daten
Anfragen an multidimensionale Daten Alexander Heidrich - BID8 09.06.2005 Hintergrundbild: http://www.csc.calpoly.edu/~zwood/teaching/csc471/finalproj02/afternoon/mfouquet/cube.jpg Inhaltsübersicht Motivation
MehrZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE
ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE Indexierungsstrategie im Data Warehouse Dani Schnider, Trivadis AG DOAG Konferenz, Nürnberg BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR.
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrData Warehouse Grundlagen
Seminarunterlage Version: 2.13 Version 2.13 vom 27. August 2018 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen
MehrData 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
MehrEinleitung. ROLLUP, CUBE und GROUPING. Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002)
Betrifft Autör: GROUPING_ID Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem Oracle9i Data Warehousing Guide und den Kursen New Features Oracle9i
MehrSeminar 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
MehrBusiness Intelligence & Reporting. Michael Cordes Holger Oehring Matthias Rein
Business Intelligence & Reporting Michael Cordes Holger Oehring Matthias Rein Ziele Einführung Business Intelligence / Front Room Online Analytical Processing (OLAP) Arten des Reporting & Nutzergruppen
MehrVorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
MehrData Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
MehrDatenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
MehrOnline Kurse Modulbeschreibungen
Online Kurse Modulbeschreibungen K0100 SQL Basics M0101 DB Theorie Dieses Modul führt in die Thematik von Datenbanken und deren grundlegenden Begriffen und Konzepten ein. Es werden Fragen beantwortet,
MehrEinführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
MehrThemenblock: Erstellung eines Cube
Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen
MehrWAHLPFLICHTBEREICH 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
MehrData Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
MehrOracle9i Data Warehouse Komponenten im praktischen Einsatz
Oracle9i Data Warehouse Komponenten im praktischen Einsatz Thomas Gutacker TechSpring GmbH 10. März 2004 Inhalt Data Warehouse Grundlagen Architektur des Projektes Umsetzung mit Oracle9i-Komponenten Data
MehrData Warehouse Theorie und Praxis. Ali Khabbazian T-Systems
Data Warehouse Theorie und Praxis Ali Khabbazian T-Systems Agenda Was ist Data Warehouse? Warum Data Warehouse? Architektur und Komponenten Wie realisiere ich mein Data-Warehouse- System? (Tools und Technik)
MehrDatenbanken Grundlagen und Design
Frank Geisler Datenbanken Grundlagen und Design 3., aktualisierte und erweiterte Auflage mitp Vorwort 15 Teil I Grundlagen 19 i Einführung in das Thema Datenbanken 21 i.i Warum ist Datenbankdesign wichtig?
MehrMarketing 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
MehrErfolg mit Oracle BI?
Erfolg mit Oracle BI? Typische Fehlerszenarien und deren Lösung Gerd Aiglstorfer G.A. itbs GmbH Das Thema 2 Oracle BI (OBIEE)? Das war eine Fehlentscheidung! Viel zu umständlich! Wenig Flexibilität & teure
MehrInhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis...
Inhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis... XXV 1 Einführung... 1 1.1 Problemstellung... 1 1.2 Zielsetzung... 3 1.3
MehrData 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
Mehreevolution 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
MehrFortgeschrittene OLAP Analysemodelle
Fortgeschrittene OLAP Analysemodelle Jens Kübler Imperfektion und erweiterte Konzepte im Data Warehousing 2 Grundlagen - Datenanalyse Systemmodell Datenmodell Eingaben System Schätzer Datentypen Datenoperationen
MehrMultidimensionales Datenmodell, Cognos
Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur
Mehr1 Business-Intelligence-Architektur 1
D3kjd3Di38lk323nnm xi 1 Business-Intelligence-Architektur 1 1.1 Data Warehouse....................................... 1 1.2 OLAP und mehrdimensionale Datenbanken.................. 4 1.3 Architekturvarianten....................................
MehrModellierung 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
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrÜbersicht SAP-BI. DOAG Regionaltreffen
Übersicht SAP-BI DOAG Regionaltreffen 14.12.2010 Übersicht Überblick BI Datenablage Datenfluß im BI Analysen Sonstiges - Schlüsselbereiche des BI - Wo werden die Daten gespeichert? - Wie kommen die Daten
MehrÜbung zur Einführung in die Wirtschaftsinformatik Cognos Powerplay als Beispiel für ein DSS
Übung zur Einführung in die Wirtschaftsinformatik 2006-05 - 10 Cognos Powerplay als Beispiel für ein DSS 1 Entscheidungsunterstützungssysteme (EUS) Decision Support Systems (DSS) EUS sollen das gemeinsame
MehrData Warehousing. Beispiel: : Amazon. Aufbau eines DWH OLAP <-> OLTP Datacube. FU-Berlin, DBS I 2006, Hinze / Scholz
Data Warehousing Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon 2 1 Datenbank 3 Fragen des Marketingleiters Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt
MehrData Warehousing. Aufbau eines DWH OLAP <-> OLTP Datacube
Data Warehousing Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon 2 Datenbank 3 Fragen des Marketingleiters Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt
MehrInhaltsverzeichnis. 1 Einleitung 1. 2 Aufbau von Data-Warehouse-Systemen 15. Lehner, Wolfgang Datenbanktechnologie für Data-Warehouse-Systeme 2003
1 Einleitung 1 1.1 Betriebswirtschaftlicher Ursprung des Data Warehousing 2 1.2 Statistischer Ursprung des Data Warehousing 5 1.3 Fòderativer Ursprung des Data Warehousing 7 1.4 Definition eines Data-Warehouse-Systems
MehrAnalytic Views: Einsatzgebiete im Data Warehouse
Analytic Views: Einsatzgebiete im Data Warehouse Dani Schnider Trivadis AG Zürich/Glattbrugg, Schweiz Einleitung Analytic Views sind eine der wesentlichen Erweiterungen in Oracle 12c Release 2. Durch zusätzliche
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrFrühjahrsemester 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
MehrSeminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
MehrSQL-basierte SCD2-Versionierung hierarchischer Strukturen
SQL-basierte SCD2-Versionierung hierarchischer Strukturen Meik Truschkowski nobilia-werke J. Stickling GmbH & Co. KG Verl Projektleiter Business Intelligence und Data Warehousing 1 SQL-basierte SCD2-Versionierung
MehrRepetitorium. Data Warehousing und Data Mining 11/12. Sebastian Wandelt 13./16. Februar 2012
Repetitorium Data Warehousing und Data Mining 11/12 Sebastian Wandelt 13./16. Februar 2012 Inhalt Data Warehousing und Data Mining auf 40 Slides Weder in-, noch exklusiv! Subjektive Zusammenfassung pro
MehrData-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
MehrTobias Braunschober DAS GENERISCHE DWH WENIGER CODE WENIGER KOSTEN
Tobias Braunschober DAS GENERISCHE DWH WENIGER CODE WENIGER KOSTEN Seite 1 Tobias Braunschober POSITION Senior Consultant Competence Center DWH AUSBILDUNG Diplom Mathematiker EXPERTISE Spezialisierung
MehrData Warehousing. Ausführung von OLAP Operationen. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Ausführung von OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Variante 1 - Snowflake Year id year Productgroup id pg_name Month Id Month year_id Day Id day month_id
MehrBusiness 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
MehrOpen Source BI mit Pentaho BI Suite und MySQL - Eine Alternative?
Open Source BI mit Pentaho BI Suite und MySQL - Eine Alternative? Schlüsselworte: Volker Herbort, Reinhold von Schwerin Hochschule Ulm Pentaho, Business Intelligence, Open Source, Sun, Java, MySQL, Agiles
MehrData 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,
MehrThemenkomplexe. Weiterführende Konzepte relationaler Datenbanken. Objektrelationale Abbildungsschicht. XML und Datenbanken
Themenkomplexe Weiterführende Konzepte relationaler Datenbanken Objektrelationale Abbildungsschicht XML und Datenbanken Andreas Schmidt Übersicht Vorlesung DB & IS II - 1/9 Weitere Konzepte relationaler
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
MehrDatawarehouse 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
MehrINDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE
INDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE DOAG Konferenz 2011 Dani Schnider Trivadis AG Nürnberg, BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG
MehrInhaltsverzeichnis. 1 Einleitung Motivation und Umfeld Zielsetzung der Arbeit Methodisches Vorgehen und Aufbau der Arbeit 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Motivation und Umfeld 1 1.2 Zielsetzung der Arbeit 2 1.3 Methodisches Vorgehen und Aufbau der Arbeit 3 2 Grundlagen des Feuerwehrwesens 5 2.1 Kategorisierung der Feuerwehren
MehrKomponenten 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.
MehrSeminar C02 - Praxisvergleich OLAP Tools
C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien
MehrStudierenden-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
MehrDeveloping SQL Data Models MOC 20768
Developing SQL Data Models MOC 20768 In diesem Kurs lernen Sie das Implementieren von multidimensionale Datenbanken mithilfe der SQL Server Analysis Services (SSAS) und durch das Erstellen von tabellarische
Mehr23. Daten-Analyse. Datenwarenhäuser. Grundlagen des OLAP (On-Line Analytical Processing)
23. Daten-Analyse Datenwarenhäuser Grundlagen des OLAP (On-Line Analytical Processing) Data Mining: Klassifikation, Assoziationsregeln, Sequenzanalyse Datenmodelle, Datenbanksprachen und Datenbankmanagement-Systeme,
MehrWie modelliere ich mein Core Data Warehouse?
Wie modelliere ich mein Core Data Warehouse? Dani Schnider Trivadis AG Zürich/Glattbrugg, Schweiz Schlüsselworte: Data Warehouse, Datenmodellierung, Historisierung Einleitung Das Core dient im Data Warehouse
MehrDie Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com
Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen
MehrWie erziehe ich meinen Kunden
Wie erziehe ich meinen Kunden Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte: Data Warehousing, Dimensionen, Fakten, Zusammenarbeit, Kommunikation. Ausgangslage Die Informatikabteilung
MehrBusiness Intelligence
Hochschule Darmstadt Business Intelligence Fachbereich Informatik Praktikumsaufgabe 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2007 Business Intelligence Aufgabenstellung 1.
MehrSAP 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
MehrData-Warehouse-Praktikum
Data-Warehouse-Praktikum WS 18/19 Universität Leipzig, Institut für Informatik Abteilung Datenbanken Prof. Dr. E. Rahm V. Christen, M. Franke, Z. Sehili {christen, franke, sehili}@informatik.uni-leipzig.de
MehrFrühjahrsemester 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
MehrBIW - Überblick. Präsentation und Discoverer Demonstration - Teil 2 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 2 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
MehrPraktikum: Data Warehousing und Data Mining
Themenblock: Data Warehousing II Praktikum: Data Warehousing und Data Mining Praktikum Data Warehousing und Mining, Sommersemester 2009 DMC: Ergebnisse Platz Team Punkte 1 Uni Karlsruhe (TH)_II 17260,0
MehrIndex- 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
MehrKap. 6 Data Warehouse
1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5
MehrXML-Datenaustausch in der Praxis Projekt TOMIS bei der ThyssenKrupp Stahl AG
Mittwoch, 9. November 2005 13h00, Bruno-Schmitz-Saal 18. Deutsche ORACLE-Anwenderkonferenz XML-Datenaustausch in der Praxis Projekt TOMIS bei der ThyssenKrupp Stahl AG Volker Husemann Thyssen Krupp Stahl
MehrMerkblatt 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)
MehrDWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH. Referent: Ilona Tag
DWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH Referent: Ilona Tag Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrGROUP BY, HAVING und Sichten
GROUP BY, HAVING und Sichten Tutorübungen 09/33 zu Grundlagen: Datenbanken (WS 14/15) Michael Schwarz Technische Universität München 11.11 / 12.11.2014 1/12 GROUP BY HAVING Sichten Eine Tabelle studenten
MehrModulbeschreibung Wirtschaftsingenieurwesen Fakultät Betriebswirtschaft und Wirtschaftsingenieurwesen. Inhaltsverzeichnis. Badstr Offenburg
Badstr. 24 77652 Offenburg Fakultät Betriebswirtschaft und Wirtschaftsingenieurwesen Seite 1 von 5 Inhaltsverzeichnis WI-34 Information und Kommunikation 2 (IK2) 2 7210 Web-Technologien 5 7220 Data-Warehousing
MehrData Warehouse. Komponente der Business Intelligence und Qualitätsfaktor des Reportings
Wirtschaft Simon Schäfer Data Warehouse. Komponente der Business Intelligence und Qualitätsfaktor des Reportings Bachelorarbeit Bachelor Thesis Data Warehouse - Komponente der Business Intelligence und
MehrOLAP 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
MehrHaben Sie die Zeit im Griff? Designtipps zur Zeitdimension
Haben Sie die Zeit im Griff? Designtipps zur Zeitdimension Dani Schnider Principal Consultant 22. November 2012 Abfragen im Data Warehouse haben fast immer einen Zeitbezug. Ob es dabei um die Mitarbeiterauslastung
MehrOracle Database: SQL Certified Expert - Ein Erfahrungsbericht
Oracle Database: SQL Certified Expert - Ein Erfahrungsbericht Prof. Dr. Reinhold von Schwerin und Jörg Bellan Hochschule Ulm Institut für Informatik Fachgebiet: Betriebliche Informationssysteme 3. November
MehrBUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT
BUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT Meik Truschkowski Architekt für Business Intelligence und Data Warehousing nobilia-werke J. Stickling GmbH & Co. KG Verl, den 31. Oktober 2011 UNTERNEHMENSPROFIL
MehrEinsatz 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
MehrLaden von Data Marts auch mal komplex DOAG BI, 9. Juni 2016 Dani Schnider, Trivadis AG
Laden von Data Marts auch mal komplex DOAG BI, 9. Juni 2016 Dani Schnider, Trivadis AG BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENEVA HAMBURG COPENHAGEN LAUSANNE MUNICH STUTTGART VIENNA
MehrIT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
MehrInhaltsverzeichnis. Teil I OLAP und der Microsoft SQL-Server 1. 1 Theoretische Grundlagen 3
vii Teil I OLAP und der Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1 Was ist OLAP?......................................... 3 1.1.1 Business Intelligence............................... 4 1.1.2
MehrNach 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
MehrDas Multidimensionale Datenmodell
Das Multidimensionale Datenmodell Konzeptuelle Modellierung Umsetzung des Modells Beispiel ER-Modell 2 / 36 Probleme ER-Modellierung Keine Unterscheidung Klassifikation, Attribute, Kenngrößen Dimension
MehrIT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
MehrWelche BI-Architektur braucht Ihr Reporting?
Welche BI-Architektur braucht Ihr Reporting? Variante 1: Direkter Zugriff Keine redundanten Daten Schnelle Erkenntnisse Echte Daten für PoCs Echtzeit-Reporting ohne Zwischenstufen Belastung der operativen
Mehr