AKAD Hochschule Stuttgart Wirtschaftsinformatik. Assignment. Arten und Rolle von Metadaten in Business Intelligence-Lösungen

Größe: px
Ab Seite anzeigen:

Download "AKAD Hochschule Stuttgart Wirtschaftsinformatik. Assignment. Arten und Rolle von Metadaten in Business Intelligence-Lösungen"

Transkript

1 AKAD Hochschule Stuttgart Wirtschaftsinformatik Assignment Arten und Rolle von Metadaten in Business Intelligence-Lösungen zum Seminar BIN01 am in Stuttgart von Manfred Schiefers Pflasteräckerstr Stuttgart Immatrikulationsnummer

2 INHALTSVERZEICHNIS 1 Einleitung Business Intelligence, Data Warehouse, Metadaten Ziel dieser Arbeit 1 2 Metadaten allgemein 1 3 Arten von Metadaten Technische und betriebswirtschaftliche Metadaten Operationale und DSS-Metadaten Passive und aktive Metadaten Wie beschreiben Metadaten? Inhaltliche Beschreibung Strukturelle Beschreibung Semantische Beschreibung Formale Beschreibung Pragmatische Beschreibung 4 4 Rolle der Metadaten im Business Intelligence Metadaten für Hardware, Netze oder Datenstrukturen Metadaten zur Filterung Metadaten zur Harmonisierung Metadaten zur Aggregation Metadaten zur Anreicherung Metadaten zum Datenzugriff 7 5 Schlussbetrachtungen 8 Literaturverzeichnis eidesstattliche Erklärung II IV I

3 1 Einleitung 1.1 Business Intelligence, Data Warehouse, Metadaten Wissen im Unternehmen gilt als wichtiger Produktionsfaktor. Hieraus resultiert Wissensmanagement als Herausforderung für die IT. Business Intelligence (BI) im engeren Sinne umfasst analyseorientierte Anwendungen zur Aufbereitung und Präsentation multidimensional organisierter Daten unter Verwendung von Verfahren wie Slice, Dice sowie Color Coding [vgl. Gluchowski 2007, Seite 90]. Aus inhomogenen, internen und externen Daten soll erfolgskritisches Wissen generiert werden. Stimmige Datenbereitstellung spielt dabei eine wesentliche Rolle und spiegelt sich im Begriff Data Warehousing wider [vgl. Gluchowski 2007, Seite 117]. Dabei sollen Daten aus operativen IT-Systemen (z.b. ERP) gesammelt und analytischen Informationssystemen zugeführt werden. Derartige Nutzdaten (Problemdaten) stehen im Gegensatz zu sog. Metadaten. Letztere dienen zur Beschreibung der erstgenannten bezüglich Typ, Wertebereich, Kontext usw. usw. [vgl. Gluchowski 2007, Seite 123]. 1.2 Ziel dieser Arbeit Es soll vorliegend n i c h t in das Gebiet Business Intelligence eingeführt werden. Entsprechende Basiskenntnisse werden beim Leser vorausgesetzt. Vielmehr ist Gegenstand dieser Ausarbeitung die Klärung der Fragestellungen: Welche Arten von Metadaten sind für BI-Lösungen wichtig und welche Rolle spielen diese im BI? 2 Metadaten allgemein Die griechische Vorsilbe Meta sagt aus auf einer höheren Ebene befindlich [vgl. Kemper 2009, Seite 47]. Metadaten sind Daten über Daten. Sie enthalten klassifizierende und beschreibende Angaben zu den eigentlichen Nutzdaten. Frühe Bemühungen, sinnvolle Datenattribute zusammenzustellen, finden sich bereits in DIN von 1985 [vgl. Gabriel 1996, Seite 111]. Typisches Beispiel sind Karteikarten in einer Bücherei: Die Metadaten zu einem Buch sind Name des Autors, die Auflage, das Erscheinungsjahr, der Verlag und die ISBN. Ebenso bekannt sind Metatags in HTML-Dokumenten, die für Suchmaschinen Informationen bereitstellen sollen: <META NAME="GENERATOR" CONTENT="OpenOffice.org 2.3 (Win32)"> 1

4 [vgl. Schweibenz 2002, Seite 204]. Die Ablage solcher Metadaten erfolgt in einem sog. Repositorium, einer separaten Datenbank [vgl. Navrade 2008, Seite 25]. 3 Arten von Metadaten Zur Klassifizierung von Metadaten bietet die einschlägige Literatur vielfältige Varianten an. Nachfolgend sollen nur einige davon vorgestellt werden. 3.1 Technische und betriebswirtschaftliche Metadaten Technische Metadaten berücksichtigen die administrativen Eigenschaften von Daten. Hier geht es um Datenbankschemata in logischer/physischer Hinsicht [vgl. Schmidt 2008, Seite 65]. Bei relationalen Datenbanken beschäftigt sich die logische Datenmodellierung mit der Überführung des ER-Modells in Tabellenstrukturen. Die physische Modellierung betrifft Dinge wie Performanzüberwachung, Bildung von Indizes und die physische Datenablage in einem DBMS. Weitere Beispiele für technische Metadaten stellen Datenherkunft (Quellsysteme) sowie den jeweiligen Ladezeitpunkt der Daten dar [vgl. Navrade 2008, Seite 25]. Betriebswirtschaftliche oder auch fachliche Metadaten tragen dazu bei, dass von Anwenderseite her die Problemdaten der Basissysteme richtig interpretiert und Missverständnisse vermieden werden. Hierzu gehören Berechnungsvorschriften für Kennzahlen, Fachbegriffe, Datumsformate und Maßeinheiten [vgl. Navrade 2008, Seite 25]. Wesentlicher Punkt ist dabei die Eindeutigkeit der Definition von Unternehmensfachbegriffen [vgl. Winter 2000, Seite 372]. 3.2 Operationale und DSS-Metadaten Operationale Metadaten betreffen Informationen zu den operationalen Quelldatensystemen, deren Datenstrukturen (Feldbezeichnungen) sowie zum Transformationsprozess [vgl. Holthuis 1999, Seite 98]. Ebenso wird sich mit der Dateiorganisation des Ursprungssystems befasst. Weiterhin spielt die Zieldatenquelle eine Rolle, d.h. wo stehen die Daten nach erfolgter Transformation [vgl. Schuster 2005, Seite 88]. DSS-Metadaten zielen auf das eigentliche Decision Support System (analytisches Informationssystem) ab. Sie können als Schnittstelle zwischen dem Data Warehouse und den Frontend-Tools verstanden werden [vgl. Schuster 2005, Seite 88]. 2

5 3.3 Passive und aktive Metadaten Diese Unterscheidung bezieht sich auf die Nutzung. Passive Metadaten dokumentieren in erster Linie die ihnen zugrunde liegende Daten sowie deren Verhältnis zur Umwelt. Sie dienen zur Speicherung der Definitionen. Definiert werden Struktur, Entwicklungsprozess und Datenverwendung. Nutzer passiver Metadaten sind alle im BI-Umfeld Tätigen: Anwender, Administratoren, Entwickler [vgl. Kemper 2009, Seite 48]. Aktive Metadaten hingegen stellen Methoden dar, die auf Daten ausgeführt werden [vgl. Huthmann 2007, Seite 8]. Transformationsregeln für den ETL- Vorgang können als gleichfalls aktive Metadaten verstanden werden. Aktive Metadaten können zur Laufzeit interpretiert werden und werden so genutzt, um auf Transformations- und Analyseprozesse Einfluss zu nehmen [vgl. Kemper 2009, Seite 49]. 3.4 Wie beschreiben Metadaten? Inhaltliche Beschreibung Hierbei werden Objekte interpretiert beschrieben. Nichttextuelle Objekte wie z.b. Fotografien erhalten zusätzliche textuelle Angaben. Diese müssen manuell erfasst werden. Eine automatisierte Extraktionsmöglichkeit entfällt somit [vgl. Schmitt 2005, Seite 88]. Als Beispiel kann das Passfoto einer Person mit den Attributen Name und Kontaktdaten ( , Adresse usw.) versehen werden. Diese können dann in Form eines Datensatzes in einer relationalen Datenbank gespeichert werden [vgl. Schmitt 2005, Seite 89] Strukturelle Beschreibung Strukturelle Beschreibung von Nutzdaten ist wesentlich für die Funktionalität und Handhabbarkeit einer Datenbank. Dabei liegen folgende Aspekte im Fokus: Welche Datentypen werden unterstützt, mit welchen Feldlängen. Handelt es sich um Kann- oder Mussfelder? Ist der Wertebereich eingegrenzt? Ebenso können Regeln für Plausibilitätsprüfungen vorgesehen werden. Ein weiterer Gesichtspunkt stellt die Mehrsprachigkeit bezüglich der Begrifflichkeiten dar [vgl. Kretzschmar 2004, Seite 85]. Mit zu Datenstrukturen gehört auch die Beschreibung des Aufbaus von Datenbanktabellen hinsichtlich zugehöriger Attribute und deren Primärschlüssel. 3

6 3.4.3 Semantische Beschreibung Semantik bei den Metadaten betrifft sog. Ontologien, Modelle von Begriffsstrukturen und -zusammenhängen. Das Hintergrundwissen eines Fachgebiets kann damit zur Wissensorganisation verwendet werden [vgl. KIT 2009, Seite 139]. Hierbei werden u.a. auch sog. Synonyme und Homonyme verwendet [vgl. Pellegrini, 2006, Seite 342]. Bei Homonymen hat ein Wort mehrere Bedeutungen ( Bank als Sitzgelegenheit vs. Bank als Geldinstitut). Bei Synonymen haben mehrere Worte die gleiche Bedeutung (Kredit = Anleihe = Darlehen). Ontologien berücksichtigen wenn-dann- Beziehungen: Das Wort AUDI weist auf eine Automarke hin, gleichfalls besteht aber auch ein Zusammenhang zur Stadt Ingolstadt [vgl. Werres 2009, Seite 17] Formale Beschreibung Mit formalen Metadaten werden die äußeren Merkmale eines Informationsobjekts bzw. dessen Darstellungsform beschrieben. Sie stehen im Gegensatz zu den inhaltsbeschreibenden Metadaten [vgl. Wolf 2007, Seite 235]. Dies kann am Beispiel des Informationsobjekts Pressemeldung verdeutlicht werden: Die Schlagzeile (Überschrift) als ein Element einer Pressemeldung stellt in textueller Form eine rein inhaltliche Beschreibung dar. Diese kann man zu Katalogisierungszwecken heranziehen. Besagte Pressemeldung kann in gedruckter Form, als Fax, als txt-datei oder auch als PDF-Dokument vorliegen. Derartige Einteilungen möglicher Darstellungsformen werden als formale Metadaten bezeichnet [vgl. Spörrer 2009, Seite 35] Pragmatische Beschreibung Bei Pragmatischen Metadaten geht es um die Nutzbarkeit, (rechtliche) Voraussetzungen der Verfügbarkeit und um die Kosten der Beschaffung von Daten. Weiterhin gehören Metadaten navigatorischer Art dazu (Zugriffspfade, Verlinkungen) [vgl. Lange 2005, Seite 208]. Über die gemeinsame Nutzbarkeit von Daten gibt u.a. die Spezifikation ISO Auskunft [vgl. Voß 2003, Seite 379]. Enthalten Datenbanken urheberechtlich geschütztes Material bzw. personenbezogene Daten, so ist der Betreiber dafür verantwortlich, dass Missbrauch unterbunden wird [Knudsen 2005, Seite 59]. In Metadaten können Flags zur Kennzeichnung von Daten hinsichtlich derartiger Sensibilität dienen. 4

7 4 Rolle der Metadaten im Business Intelligence Metadaten werden im BI unterschiedliche Rollen zugewiesen. Je nach Funktion dienen sie der Beschreibung der Hardware, der Steuerung des Transformationsprozesses innerhalb des ETL oder der Organisation von Zugriffsrechten. Der Transformationsprozess zwischen operativen und dispositiven Systemen ist dabei wesentlicher Bestandteil von ETL (Extraktion Transformation Laden) [vgl. Kemper 2009, Seite 25]. Teilprozesse des Transformationsprozesses sind Filterung, Harmonisierung, Aggregation und Anreicherung. Jede der nachfolgend beschriebenen Metadaten-Rollen enthält durchgängig die Komponente Verantwortlichkeit [vgl. Kemper 2009, Seite 48]. 4.1 Metadaten für Hardware, Netze oder Datenstrukturen Diese Metadaten beziehen sich auf die operativen Datenbestände. Geregelt wird die Fragestellung nach Quellen bzw. Alternativquellen. D.h. wo sind gesuchte Daten physisch abgelegt. Weiterhin interessiert auch noch, wie oft diese Daten geändert werden (Änderungsfrequenz). Nicht zuletzt werden Informationen zu den Datenstrukturen benötigt [vgl. Kemper 2009, Seite 48]. Besondere Herausforderung stellen in diesem Zusammenhang Verteilte heterogene Systeme dar. Datenbestände liegen auf unterschiedlichen Servern, auf unterschiedlichen Partitionen und in verschiedenen Verzeichnispfaden. Für den Zugriff werden entsprechende IP-Adressen, Port- Nummern, Zugangsberechtigungen, sowie Accounts mit Kennwörtern benötigt. Datenstrukturen sind bestimmt durch Dateisysteme mit spezifischen Zeichencodes und durch Datenformate (angefangen von flachen Textdateien auf File-Servern bis hin zu Dateien in Datenbanksystemen. 4.2 Metadaten zur Filterung Extrakte aus operativen Datenbeständen werden bei der Filterung bereinigt, inhaltliche und syntaktische Mängel werden beseitigt. Hierzu werden Metadaten über Extraktionswerkzeuge, Mappingtabellen und Bereinigungsregeln benötigt [vgl. Kemper 2009, Seite 48]. Mappings stellen Zuordnungsmöglichkeiten dar, die heterogene Datenschemata in Übereinstimmung bringen sollen. 5

8 ETL-Werkzeuge halten in einem Repositorium Bereinigungsregeln. Syntaktische Mängel sollen dabei über Formatanpassungen eliminiert werden (z.b. einheitlich Str. statt Strasse bei Adressangaben). Mängel, wie fehlende oder nichtplausible Werte (Ausreißer) sowie unnötige Redundanzen sollen bereits vor der Übernahme rechtzeitig über Bereinigungsregeln erkannt und entfernt werden. Ebenso kann festgelegt werden, bis zu welchem Erfassungstag Daten als veraltet gelten sollen. Bis zu einem bestimmten Grenzdatum werden diese dann nicht mehr übernommen. Fehler können allgemein klassifiziert werden in solche, die automatisch erkannt, und solche, die einer manuellen Bearbeitung bedürfen. 4.3 Metadaten zur Harmonisierung Derartige Metadaten dienen zur Bildung der gewünschten Granularität (d.h. dem geforderten Detaillierungsgrad). Dies geschieht zum einen zunächst durch Anwendung syntaktischer Harmonisierungsregeln. Ziel ist die Einheitlichkeit der Formate. Betroffen sind hier z.b. Datumsformate (generell statt ) oder Maßeinheiten (m 2 statt qm). Im Anschluss erfolgt noch eine weitere Harmonisierung im semantischen (betriebswirtschaftlichen) Sinne [vgl. Kemper 2009, Seite 48]. Gewünscht ist dabei u.a. ein übereinstimmender Zeitbezug der Daten (z.b. Umsätze pro Jahr, pro Monate usw.). Ebenso müssen Geldbeträge zum Zwecke der Vergleichbarkeit in einer gemeinsamen Basiswährung wie etwa dem zur Verfügung stehen. 4.4 Metadaten zur Aggregation Die gefilterten und harmonisierten Daten werden nun einem weiteren Schritt zugeführt. Ziel ist jetzt die Schaffung und Gruppierung verschiedener Verdichtungsebenen. Metadaten über Dimensionshierarchisierungen bilden dabei die Grundlage [vgl. Kemper 2009, Seite 48]. Es werden hier unterschiedliche Verdichtungsstrukturen abgebildet. Dies kann gleichzeitig nach verschiedenen Kriterien geschehen. Beispiel: Gliederung nach Kunde Kundengruppe Gesamt aber auch gleichfalls nach Produkt Produktgruppe Gesamt. Man spricht auch dann von sog. Parallelen Hierarchien [vgl. Kemper 2009, Seite 36]. Aus Performanzgründen werden derartig aggregierte Daten oft redundant erzeugt und zur Verfügung gestellt, um im Bedarfsfall einen schnellen Zugriff zu gewährleisten. 6

9 4.5 Metadaten zur Anreicherung Die bisher aufbereiteten Daten sollen nachträglich ergänzt ( angereichert ) werden. Hierbei geht es um betriebswirtschaftliche Kenngrößen, die aus den vorhandenen Daten resultieren [vgl. Kemper 2009, Seite 48]. Bei gegebenen Umsatzerlösen und bekannten variablen Kosten kann z.b. zusätzlich der Deckungsbeitrag berechnet werden. Die gewonnenen Ergebnisse werden in die bisherige Datenbasis integriert. Ein Vermischung verschiedener Schichten aus harmonisierten mit aggregierten Daten (s.o.) ist dabei möglich [vgl. Kemper 2009, Seite 37]. Die dahinter stehenden Berechnungsformeln zur Gewinnung dieser zusätzlichen Kenngrößen stellen in diesem Fall die Metadaten dar. Weitere einfache Beispiele könnte auch die Berechnung von Bruttobeträgen aufgrund verschiedener Umsatzsteuersätze oder auch die Berechnung des Alters von Mitarbeitern anhand des Geburtsdatums darstellen. Derart bereits vorausberechnetes Datenmaterial erlaubt kurze Antwortzeiten bei entsprechenden Abfragen. Auch kann durch diese gezielt anwendungsübergreifende Berechnung von konsistenten Ergebniswerten ausgegangen werden, die somit dem etablierten betriebswirtschaftlichem Instrumentarium im Unternehmen genügen [vgl. Kemper 2009, Seite 38]. 4.6 Metadaten zum Datenzugriff Beim Zugriff auf Daten sollen benutzerspezifische Anforderungen, aber auch Berechtigungen berücksichtigt werden. Metadaten in Form von Rollenprofilen regeln diesen Sachverhalt [vgl. Kemper 2009, Seite 48]. Informationen, die nicht für jeden Benutzer bestimmt sind, werden im Zugriff so entsprechend eingeschränkt. Die Zuteilung, der in den Metadaten dokumentierten Rechte, ist dann letztendlich an ein Benutzerkonto gebunden [vgl. Steiner 2009, Seite 165]. Es ist aber auch eine Trennung der direkten Verbindung von Benutzer und Rechten möglich. Erreicht wird dies durch Verwendung von sog. Rollen, die sich an den geschäftlichen Benutzerrollen orientieren bzw. an der betrieblichen Funktion des Mitarbeiters. Einer so definierten Gruppe steht eine ausgewählte Rechtemenge gegenüber, die in einer Zugriffkontrollmatrix festgelegt wird [vgl. Maur 2003, Seite 139]. Datenzugriffe als solche werden überdies protokolliert. Außer der Kontrolle des Zugriffs hat die Protokollierung bzw. Aufzeichnung in Logs von Vorgängen noch einen weiteren Aspekt. Gleichermaßen 7

10 liefern solche Metadaten dem Anwender Informationen, die die Datenqualität dokumentieren sollen. Diese bieten Hinweise zum Hergang des Transformationsprozesses beginnend ab der Datenquelle. Durch entsprechende Aufzeichnungen in Bezug auf die Harmonisierungs- bzw. Anreicherungsvorgänge wird eine Transparenz hinsichtlich geforderter Aktualität und Vollständigkeit gewährleistet [vgl. Kemper 2009, Seite 50]. 5 Schlussbetrachtungen Die Literaturrecherche zeigt, die Kategorisierungs- und klassifizierungsbemühungen zum Metadatenbegriff sind mannigfaltig. Diese werden meist auf sehr hohem und abstrakten Niveau betrieben, wobei selten praktische Anwendungsbeispiele zu finden sind. Dennoch ergibt sich abschließend nachfolgendes Fazit: Unerlässlich ist eine einheitliche Fachterminologie, die Missverständnisse oder Fehldeutungen unterbinden soll. Zum abgestimmten Begriffsverständnis tragen hierbei Metadaten über Bezeichnungen und Abgrenzungen wesentlich bei. Es soll sich dabei an der gängigen Terminologie des Unternehmens organisationsweit orientiert werden [vgl. Kemper 2009, Seite 50]. Diese Funktion der Bedeutungsspezifikation kann als die eine Hauptaufgabe der Metadaten innerhalb des Business Intelligence angesehen werden. Der zweite große Bereich gilt der Administration des Systems. Administratoren sowie Entwickler brauchen insbesondere technisch orientierte Metadaten. Diese stellen Informationen über die eigentliche Datenquelle, Regel für den Transformationsprozess und letztendlich zum Datenmodell des Data Warehouse zur Verfügung. Mit der Verwendung von Metadaten wird nicht zuletzt dem Paradigma der Trennung von Schema und Instanz, welches allgemein beim Einsatz von Datenbanken gefordert wird, Rechnung getragen. Je höher sich dabei der Grad der Übereinstimmung des abstrahierten Weltausschnitts gegenüber der Realität darstellt, desto besser ist die gelieferte Datenqualität. Man könnte auch sagen, durch Metadaten werden statische Nutzdaten erst zur Information. 8

11 LITERATURVERZEICHNIS [Gabriel, 1996] GABRIEL, Roland, RÖHRS, Heinz-Peter: Datenbanksysteme: Konzeptionelle Datenmodellierung u. Datenbankarchitekturen, Springer, 1996 [Gluchowski, 2007] GLUCHOWSKI, Peter, GABRIEL, Roland, CHAMONI, Peter, DITTMAR Carsten: Management Support Systeme und Business Intelligence: Computergestützte Informationssysteme für Fach- und Führungskräfte, Springer, 2007 [Holthuis, 1999] HOLTHUIS, Jan: Der Aufbau von Data Warehouse-Systemen: Konzeption - Datenmodellierung - Vorgehen, DUV, 1999 [Huthmann, 2007] HUTHMANN, Andreas: Metadaten und Datenqualität in Data Warehouses, GRIN Verlag, 2007 [Kemper, 2009] KEMPER, Hans-Georg, BAARS, Henning, MEHANNA, Walid: Business Intelligence: Grundlagen und praktische Anwendungen: Eine Einführung in die IT-basierte Managementunterstützung, Vieweg+Teubner, 2009 [KIT, 2009] Karlsruher Institut für Technologie: KIT scientific reports, KIT Scientific Publishing, 2009 [Knudsen, 2005] KNUDSEN, Björn, LAUBER, Anne: Schutz wissenschaftlicher Leistungen an Hochschulen und Forschungseinrichtungen: Urheber-, Marken-, Patent- und Internetrecht, Springer, 2005 [Kretzschmar, 2004] KRETZSCHMAR, Oliver, DREYER, Roland: Medien- Datenbank- und Medien-Logistik-Systeme: Anforderungen und praktischer Einsatz, Oldenbourg Wissenschaftsverlag, 2004 [Lange, 2005] LANGE, Norbert de: Geoinformatik in Theorie und Praxis, Springer, 2005 [Maur, 2003] MAUR, Eitel von: Data Warehouse Management: das St. Galler Konzept zur ganzheitlichen Gestaltung der Informationslogistik, Springer, 2003 II

12 [Navrade, 2008] NAVRADE, Frank: Strategische Planung mit Data- Warehouse-Systemen, Gabler Verlag, 2008 [Pellegrini, 2006] PELLEGRINI, Tassilo: Semantic Web: Wege zur vernetzten Wissensgesellschaft, Springer, 2006 [Schmidt, 2008] SCHMIDT-VOLKMAR, Pascal: Betriebswirtschaftliche Analyse auf operationalen Daten, Gabler Verlag, 2008 [Schmitt, 2005] SCHMITT, Ingo: Ähnlichkeitssuche in Multimedia- Datenbanken, Oldenbourg Wissenschaftsverlag, 2005 [Schuster, 2005] SCHUSTER, Katrin: E-Consulting, Oldenbourg Wissenschaftsverlag, 2005 [Schweibenz, 2002] SCHWEIBENZ, Werner, THISSEN, Frank: Qualität Im Web: Benutzerfreundliche Webseiten durch Usability Evaluation, Springer, 2002 [Spörrer, 2009] SPÖRRER, Stefan: Content-Management-Systeme: Begriffsstruktur und Praxisbeispiel, Kölner Wissenschaftsverlag, 2009 [Steiner, 2009] STEINER, René: Grundkurs Relationale Datenbanken: Einführung in die Praxis der Datenbankentwicklung für Ausbildung, Studium und IT-Beruf, Vieweg+Teubner, 2009 [Voß, 2003] VOß, Britta: Digitaler Campus.: Vom Medienprojekt zum nachhaltigen Medieneinsatz in der Hochschule, Waxmann Verlag, 2003 [Werres, 2009] WERRES, Thomas: Semantic Web-Architektur und Status Quo, GRIN Verlag, 2009 [Winter, 2000] WINTER, Robert: Data Warehousing 2000: Methoden, Anwendungen, Strategien, Birkhäuser, 2000 [Wolf, 2007] WOLF, Petra: Führungsinformationen für das Kommunalmanagement, DUV, 2007 III

13 EIDESSTATTLICHE ERKLÄRUNG Ich versichere, dass ich das beiliegende Assignment selbstständig verfasst, keine anderen als die angegebenen Quellen und Hilfsmittel benutzt sowie alle wörtlich oder sinngemäß übernommenen Stellen in der Arbeit gekennzeichnet habe. (Ort, Datum) (Unterschrift) IV

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

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

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

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

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

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

Quality Point München Datenqualität

Quality Point München Datenqualität Quality Point München Datenqualität Paul, wie ist denn Eure Datenqualität? Nachdem ich bei der letzten Gehaltszahlung mit Frau... angeredet wurde, bin ich mir nicht mehr so sicher. Autor: W. Ulbrich IT&More

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

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

10. Vorlesung: Datenorganisation SS 2007

10. Vorlesung: Datenorganisation SS 2007 10. Vorlesung: Datenorganisation SS 2007 8 Parallele Transaktionen 9 9.1 Drei-Ebenen Ebenen-Architektur 9.2 Verteilte Datenbanken 9.3 Client-Server Server-Datenbanken 9.4 Föderierte Datenbanken 9.5 Das

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

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

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

Mehr

Klassifikation von Integrationskonflikten

Klassifikation von Integrationskonflikten Klassifikation von Integrationskonflikten Christiane Telöken 1 Inhaltsverzeichnis 1. Was bedeutet Integration? 2. Strukturelle Heterogenitätskonflikte 2.1 Konflikte bei bilateralen Korrespondenzen 2.2

Mehr

Seminar C02 - Praxisvergleich OLAP Tools

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

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

Begleitende Online-Lernkontrolle als Prüfungszulassungsvoraussetzung

Begleitende Online-Lernkontrolle als Prüfungszulassungsvoraussetzung Modulbezeichnung: Modulnummer: IWBI Business Intelligence Semester: -- Dauer: Minimaldauer 1 Semester Modultyp: Wahlpflicht Regulär angeboten im: WS, SS Workload: 300 h ECTS Punkte: 10 Zugangsvoraussetzungen:

Mehr

Survival Guide für Ihr Business Intelligence-Projekt

Survival Guide für Ihr Business Intelligence-Projekt Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren

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

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

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

Präsentation zum Thema XML Datenaustausch und Integration

Präsentation zum Thema XML Datenaustausch und Integration Sebastian Land Präsentation zum Thema XML Datenaustausch und Integration oder Warum eigentlich XML? Gliederung der Präsentation 1. Erläuterung des Themas 2. Anwendungsbeispiel 3. Situation 1: Homogene

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

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert Maika Büschenfeldt Datenbanken: Skript 1 1. Was ist eine relationale Datenbank? In Datenbanken können umfangreiche Datenbestände strukturiert abgelegt werden. Das Konzept relationaler Datenbanken soll

Mehr

Intelligence (BI): Von der. Nürnberg, 29. November 2011

Intelligence (BI): Von der. Nürnberg, 29. November 2011 Modelle für Business Intelligence (BI): Von der Anforderung zum Würfel Nürnberg, 29. November 2011 Warum Modelle für Business Intelligence (BI)? Warum Modelle für Business Intelligence (BI)? Bis zur Auswertung

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 348 Konzeption eines Projektvorgehensmodells für die Business-Intelligence-Strategieberatung

Mehr

Erzielen von Wettbewerbsvorteilen durch Data Mining in Produktion und Logistik

Erzielen von Wettbewerbsvorteilen durch Data Mining in Produktion und Logistik Erzielen von Wettbewerbsvorteilen durch Data Mining in Produktion und Logistik von Yasin Yakut Erstauflage disserta Verlag 2015 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 95425 896 3 schnell

Mehr

Projekt zur Lehrveranstaltung Informationssysteme

Projekt zur Lehrveranstaltung Informationssysteme Prof. Dr.-Ing. Thomas Kudraß Dipl.-Math. Dörte König HTWK Leipzig, F IMN Projekt zur Lehrveranstaltung Informationssysteme Das Projekt ist in drei Teile aufgeteilt, die den Phasen eines Data-Warehouse-Projekts

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

Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management

Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management Sprecher: Uwe Nadler, Senior Managing Consultant 1 Marketing braucht unterschiedliche Informationen, um entsprechende

Mehr

Softwaretool Data Delivery Designer

Softwaretool Data Delivery Designer Softwaretool Data Delivery Designer 1. Einführung 1.1 Ausgangslage In Unternehmen existieren verschiedene und häufig sehr heterogene Informationssysteme die durch unterschiedliche Softwarelösungen verwaltet

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

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken Profilbezogene informatische Bildung in den Klassenstufen 9 und 10 Schwerpunktthema Robby Buttke Fachberater für Informatik RSA Chemnitz Fachliche Einordnung Phasen relationaler Modellierung Fachlichkeit

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

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

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

Gliederung Datenbanksysteme

Gliederung Datenbanksysteme Gliederung Datenbanksysteme 5. Datenbanksprachen 1. Datendefinitionsbefehle 2. Datenmanipulationsbefehle 3. Grundlagen zu SQL 6. Metadatenverwaltung 7. DB-Architekturen 1. 3-Schema-Modell 2. Verteilte

Mehr

Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph!

Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph! Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph! www.semantic-web-grundlagen.de Ontology Engineering! Dr. Sebastian Rudolph! Semantic Web Architecture

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

Dr. Andreas Eckert Rebenweg 26 69168 Wiesloch www.structuremine.com. Bildungscontrolling. Effekte Erfahrungen Dienstleistungen

Dr. Andreas Eckert Rebenweg 26 69168 Wiesloch www.structuremine.com. Bildungscontrolling. Effekte Erfahrungen Dienstleistungen Dr. Andreas Eckert Rebenweg 26 69168 Wiesloch www.structuremine.com Bildungscontrolling Effekte Erfahrungen Dienstleistungen Inhalt Ausgangssituation Was ist Bildungscontrolling? Strategische Bildungsarbeit

Mehr

Software-Engineering und Datenbanken

Software-Engineering und Datenbanken Software-Engineering und Datenbanken Datenbankentwurf Prof. Dr. Bernhard Schiefer 5-1 Datenbankentwurf: Phasenmodell Anforderungsanalyse Konzeptioneller Entwurf Verteilungsentwurf Logischer Entwurf Datendefinition

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

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

Informationsintegration

Informationsintegration Informationsintegration Grundlegende Architekturen Ulf Leser Inhalt diese Vorlesung Klassifikation verteilter, autonomer, heterogener Systeme Weitere Klassifikationskriterien Schichtenaufbau integrierter

Mehr

Gliederung Datenbanksysteme

Gliederung Datenbanksysteme Gliederung Datenbanksysteme 5. Datenbanksprachen 1. Datendefinitionsbefehle 2. Datenmanipulationsbefehle 3. Grundlagen zu SQL 6. Metadatenverwaltung 7. DB-Architekturen 1. 3-Schema-Modell 2. Verteilte

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

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009 Modellbasierte Business Intelligence in der Praxis Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen für BI 3. Inhalte von Prozessmodellen 4.

Mehr

Raus aus der Bl-Falle

Raus aus der Bl-Falle Ronald Bachmann, Dr. Guido Kemper Raus aus der Bl-Falle Wie Business Intelligencezum Erfolg wird mitp Die Autoren 13 Vorwort 15 1 Einleitung 21 1.1 Was ist Business Intelligence (BI)? 21 1.2 Motive zur

Mehr

Bildungscontrolling. Konzepte Erfahrungen Dienstleistungen

Bildungscontrolling. Konzepte Erfahrungen Dienstleistungen Bildungscontrolling Konzepte Erfahrungen Dienstleistungen Inhalt Ausgangssituation Was ist Bildungscontrolling? Strategische Bildungsarbeit durch Bildungscontrolling Herausforderungen in der Praxis Phasen

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

Datenbanken 16.1.2008. Die Entwicklung der Datenbanksysteme ist eng an die der Hardware gekoppelt und wird wie jene in Generationen eingeteilt:

Datenbanken 16.1.2008. Die Entwicklung der Datenbanksysteme ist eng an die der Hardware gekoppelt und wird wie jene in Generationen eingeteilt: Datenbanksysteme Entwicklung der Datenbanksysteme Die Entwicklung der Datenbanksysteme ist eng an die der Hardware gekoppelt und wird wie jene in Generationen eingeteilt: 1. Generation: In den fünfziger

Mehr

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Schwierigkeiten bei der Umsetzung Josef Kolbitsch Manuela Reinisch Übersicht Schwierigkeiten bei der Umsetzung eines BI-Systems Schwierigkeiten der Umsetzung 1/13 Strategische Ziele

Mehr

4 Grundlagen der Datenbankentwicklung

4 Grundlagen der Datenbankentwicklung 4 Grundlagen der Datenbankentwicklung In diesem Kapitel werden wir die Grundlagen der Konzeption von relationalen Datenbanken beschreiben. Dazu werden Sie die einzelnen Entwicklungsschritte von der Problemanalyse

Mehr

Einführung in Datenbanken

Einführung in Datenbanken Grundlagen der Programmierung 2 Einführung in Datenbanken Grundlagen der Programmierung 2 I-1 Inhalt Einführung Entity-Relationship-Diagramm Relationales Modell Entity-Relationship-Diagramm ins Relationales

Mehr

Zeitgemäße Verfahren für ganzheitliche Auswertungen

Zeitgemäße Verfahren für ganzheitliche Auswertungen Intelligente Vernetzung von Unternehmensbereichen Zeitgemäße Verfahren für ganzheitliche Auswertungen Sächsische Industrie- und Technologiemesse Chemnitz, 27. Juni 2012, Markus Blum 2012 TIQ Solutions

Mehr

Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand

Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand Name: Michael Welle Funktion/Bereich: Manager Business Intelligence Organisation: Windhoff Software Services Liebe Leserinnen

Mehr

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format.

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format. Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH Gerd Schandert, Neuss den 18.03.2014 Agenda 1. Vorstellung Auftraggeber 2. Förderung allgemein 3. Schichten im Data Warehouse 4.

Mehr

Extraktion, Transformation, Laden (ETL)

Extraktion, Transformation, Laden (ETL) Extraktion, Transformation, Laden (ETL) ETL-Prozeß Integrationsschritte Integrationsprobleme fi Konflikte und deren Klassifikation fi Behebung von Konflikten Data Cleaning VL Data Warehouses, WS 2000/2001

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 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

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

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 350

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 350 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 350 Ein konzeptioneller Business-Intelligence-Ansatz zur Gestaltung von Geschäftsprozessen

Mehr

Dr. Michael Hahne www.dpunkt.de/plus

Dr. Michael Hahne www.dpunkt.de/plus Dr. Michael Hahne ist Geschäftsführender Gesellschafter der Hahne Consulting GmbH, einem auf Business-Intelligence-Architektur und -Strategie spezialisierten Beratungsunternehmen. Zuvor war er Vice President

Mehr

RE.one. Self Service Information Management für die Fachabteilung

RE.one. Self Service Information Management für die Fachabteilung RE.one Self Service Information Management für die Fachabteilung Das Ziel Verwertbare Informationen aus Daten gewinnen Unsere Vision Daten Info Data Warehousing radikal vereinfachen in einem Tool Die Aufgabe

Mehr

Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld. München, 26. Januar 2010

Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld. München, 26. Januar 2010 Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld München, 26. Januar 2010 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen

Mehr

Semantic Web Technologies I

Semantic Web Technologies I Semantic Web Technologies I Lehrveranstaltung im WS11/12 Dr. Elena Simperl PD Dr. Sebastian Rudolph M. Sc. Anees ul Mehdi Ontology Engineering Dr. Elena Simperl XML und URIs Einführung in RDF RDF Schema

Mehr

1 Ihre BI-Galaxie von BITMARCK!

1 Ihre BI-Galaxie von BITMARCK! 1 Ihre BI-Galaxie von BITMARCK! Die Summe aller Sterne ist die Galaxie Ihre BI-Galaxie von BITMARCK! Michael Heutmann, Peter Hernold, Markus Jankowski Neuss, 4. November 2013 Sie haben uns mit auf den

Mehr

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

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

Mehr

Data Mining-Projekte

Data Mining-Projekte Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein

Mehr

Berichte aus der Medizinischen Informatik und Bioinformatik. Günther Schadow. Krankenhauskommunikation mit HL7

Berichte aus der Medizinischen Informatik und Bioinformatik. Günther Schadow. Krankenhauskommunikation mit HL7 Berichte aus der Medizinischen Informatik und Bioinformatik Günther Schadow Krankenhauskommunikation mit HL7 Analyse, Implementation und Anwendungeines Protokollstandards für medizinische Datenkommunikation

Mehr

Summary Report - Apr 2, 2012 Survey: Wie weiter mit Open Government Data - Umfrage 2012

Summary Report - Apr 2, 2012 Survey: Wie weiter mit Open Government Data - Umfrage 2012 Summary Report - Apr 2, 2012 Survey: Wie weiter mit Open Government Data - Umfrage 2012 1. Auf welche Zielgruppen sollte mit dem OGD Angebot im ersten Schritt fokussiert werden? Geben Sie die drei wesentlichen

Mehr

IT-basierte Kennzahlenanalyse im Versicherungswesen

IT-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:

Mehr

Konzepte zur Datenhaltung für Webseiten in einem Web-Content- Management-System

Konzepte zur Datenhaltung für Webseiten in einem Web-Content- Management-System Konzepte zur Datenhaltung für Webseiten in einem Web-Content- Management-System Web-Content-Management-Systeme () dienen dazu, komplexe Websites zu verwalten und den Autoren einzelner Webseiten möglichst

Mehr

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

Mehr

Projekt Automatische Erfassung Verarbeitung von Lieferantenrechnungen Geschäftsprozess Purchase-To-Pay

Projekt Automatische Erfassung Verarbeitung von Lieferantenrechnungen Geschäftsprozess Purchase-To-Pay Projekt Automatische Erfassung Verarbeitung von Lieferantenrechnungen Geschäftsprozess Purchase-To-Pay Geschäftsziele Z1: Steigerung der Effektivität bei der Überprüfung eingegangener Lieferscheinen und

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

Oracle BI EE mit großen Datenmengen

Oracle BI EE mit großen Datenmengen Oracle BI EE mit großen Datenmengen Christian Casek Riverland Solutions GmbH München Schlüsselworte: Oracle BI EE, Oracle BI Applications, Informatica, RPD, große Datenmengen, Performance, Performanceoptimierung,

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

Praxishandbuch SAP BW 3-1

Praxishandbuch SAP BW 3-1 Norbert Egger Praxishandbuch SAP BW 3-1 Technische Universität DarmsUdt FACHBEREICH INFORMATIK BIBLIOTHEK Inventar-Nr.: Ä/A< Sachgebiete: Standort- Co Galileo Press Inhalt Vorwort 13 Zu diesem Buch 17

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

Modellierung von OLAP- und Data- Warehouse-Systemen

Modellierung von OLAP- und Data- Warehouse-Systemen Andreas Totok Modellierung von OLAP- und Data- Warehouse-Systemen Mit einem Geleitwort von Prof. Dr. Burkhard Huch Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

Mehr

Datenbanken. Dateien und Datenbanken:

Datenbanken. Dateien und Datenbanken: Dateien und Datenbanken: Professionelle Anwendungen benötigen dauerhaft verfügbare, persistent gespeicherte Daten. Datenbank-Systeme bieten die Möglichkeit, Daten persistent zu speichern. Wesentliche Aspekte

Mehr

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank

Mehr

HANA. TOBA-Team Dresden 19.05.2012

HANA. TOBA-Team Dresden 19.05.2012 HANA TOBA-Team Dresden 19.05.2012 Kunde droht mit Auftrag! Ein großer Discounter schickt Anfrage: Bis wann und zu welchem Preis können Sie 30.000 Stück liefern? Die Hektik beginnt! Bis wann Welche und

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse?

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Ein Beispiel Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Dipl.-Kfm. Claus Häberle WS 2015 /16 # 42 XML (vereinfacht) visa

Mehr

Enterprise Content Management

Enterprise Content Management Enterprise Content Management Dr.-Ing. Raymond Bimazubute Lehrstuhl für Künstliche Intelligenz Friedrich Alexander Universität Erlangen-Nürnberg Email: raymond.bimazubute@informatik.uni-erlangen.de Vorbemerkungen

Mehr

Wie aus Steuerungsinformation öffentliche Statistik wird

Wie aus Steuerungsinformation öffentliche Statistik wird Wie aus Steuerungsinformation öffentliche Statistik wird Schweizer Statistiktage Vaduz, 19. - 21. September 2012 Lukas Calmbach, Statistisches Amt des Kantons Basel-Landschaft Statistisches Amt des Kantons

Mehr

Integration mit Service Repositories zur SOA Governance

Integration mit Service Repositories zur SOA Governance Integration mit Service Repositories zur SOA Governance Nürnberg, 10.11.2009 I N H A L T 1. SOA Governance 2. Service Repository 3. Modelle und Service Repository 4. Modell-Driven SOA I N H A L T 1. SOA

Mehr

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

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

3. Das Relationale Datenmodell

3. Das Relationale Datenmodell 3. Das Relationale Datenmodell Das Relationale Datenmodell geht zurück auf Codd (1970): E. F. Codd: A Relational Model of Data for Large Shared Data Banks. Comm. of the ACM 13(6): 377-387(1970) DBMS wie

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

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

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

Kapitel DB:III. III. Konzeptueller Datenbankentwurf

Kapitel DB:III. III. Konzeptueller Datenbankentwurf Kapitel DB:III III. Konzeptueller Datenbankentwurf Einführung in das Entity-Relationship-Modell ER-Konzepte und ihre Semantik Charakterisierung von Beziehungstypen Existenzabhängige Entity-Typen Abstraktionskonzepte

Mehr

Data Warehousing und Data Mining

Data Warehousing und Data Mining 2 Data Warehousing und Data Mining Kapitel 1: Data-Warehousing-Architektur von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich zum letzten Jahr? In welchen Regionen

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

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

Inhaltliche Ausrichtung und organisatorische Sicherstellung Business Intelligence Governance

Inhaltliche Ausrichtung und organisatorische Sicherstellung Business Intelligence Governance Inhaltliche Ausrichtung und organisatorische Sicherstellung Business Intelligence Governance Ralf Heim Consultant Strategy and Technology Management Ralf.Heim@heimr.de Markus Linden Wissenschaftlicher

Mehr