1. Data Warehouses - Einführung

Größe: px
Ab Seite anzeigen:

Download "1. Data Warehouses - Einführung"

Transkript

1 1. Data Warehouses - Einführung Definitionen und Merkmale Grobdefinition Einsatzbeispiele DW-Merknmale nah Imnon OLTP vs. OLAP Grobarchitektur Virtuelle vs. phsische Datenintegration Mehrdimensionale Datensicht Stern-Schema und -Anfragen Data Mining Big Data SS14 Prof. Dr. E. Rahm 1-1 Ausgangsproblem Data Warehouses viele Unternehmen haben Unmengen an Daten ohne daraus ausreichend Informationen und Wissen für kritische Entscheidungsaufgaben ableiten zu können Data Warehouse (Def.): für Analsezwecke optimierte zentrale Datenbank die Daten aus mehreren i.a. heterogenen Quellen zusammenführt und verdichtet (Integration und Transformation) OLTP Online Transaction Processing operationale DB OLAP Online Analtical Processing Decision Support-Anfragen / Data Mining operationale DB operationale DB SS14 Prof. Dr. E. Rahm 1-2 Data Warehouse initiales Laden und periodisches Auffrischen des Warehouse

2 Szenario: Supermarktkette Umsatz Sortiment KAUFHIER Werbung Anfragen: Wie viele Pakete Windeln wurden letzten Monat verkauft? Wie hat sich der Verkauf von Bier und Wasser im letzten Jahr entwickelt? Wo sind unsere Top-Filialen? Von welchem Lieferanten beziehen wir das meiste Bier? Wie wirkten sich die Wernepreise für Produkt X aus? SS14 Prof. Dr. E. Rahm 1-3 Warenhauskette Einsatzbeispiele Verkaufszahlen und Lagerbestände aller Warenhäuser mehrdimensionale Analsen: Verkaufszahlen nach Produkten Regionen Warenhäusern Ermittlung von Kassenschlagern und Ladenhütern Analse des Kaufverhaltens von Kunden (Warenkorbanalse) Erfolgskontrolle von Marketing-Aktivitäten Minimierung von Beständen Optimierung der Produktpalette Optimierung der Preisgestaltung Versicherungsunternehmen Bewertung von Filialen Vertriebsbereichen Schadensverlauf... automatische Risikoanalse schnellere Entscheidung über Kreditkarten Lebensversicherung; Krankenversicherung... Banken Versandhäuser Restaurant-Ketten wissenschaftliche Einsatzfälle (z.b. Bioinformatik) SS14 Prof. Dr. E. Rahm 1-4

3 DW-Eigenschaften nach Inmon A Data Warehouse is a subject-oriented integrated non-volatile and time variant collection of data in support of managements decisions (W. H. Inmon Building the Data Warehouse 1996) Themenorientiert (subject-oriented): Zweck des Sstems ist nicht Erfüllung einer dedizierten Aufgabe (z.b. Personaldatenverwaltung) sondern Unterstützung übergreifender Auswertungsmöglichkeiten aus verschiedenen Perspektiven alle Daten - unternehmensweit - über ein Subjekt (Kunden Produkte Regionen...) und nicht versteckt in verschiedenen Anwendungen operationale DB Data Warehouse SS14 Prof. Dr. E. Rahm 1-5 DW-Eigenschaften nach Inmon (2) Integrierte Datenbasis (integrated): Daten aus mehreren verschiedenen Datenquellen Operational DB Data Warehouse DB A - mf DB B - male female DB C - x DB D - 10 m f inconsistent consistent SS14 Prof. Dr. E. Rahm 1-6

4 DW-Eigenschaften nach Inmon (3) Nicht-flüchtige Datenbasis (non-volatile): Daten im DW werden i.a. nicht mehr geändert stabile persistente Datenbasis Change Delete operationale DB Select Insert Load Data Warehouse Access regelmäßige Änderungen von Sätzen SS14 Prof. Dr. E. Rahm 1-7 DW-Eigenschaften nach Inmon (4) Historische Daten (time-variant): Vergleich der Daten über Zeit möglich (Zeitreihenanalse) Speicherung über längeren Zeitraum operationale DB Time Varianc Data Warehouse aktuelle Datenwerte: Zeitbezug optional Zeithorizont: Tage Daten änderbar Schnappschuß-Daten Zeitbezug aller Objekte Zeithorizont: 2-10 Jahre keine Änderung nach Schnappschuß-Erstellung SS14 Prof. Dr. E. Rahm 1-8

5 Operationale Datenbanken vs. Data Warehouses (OLTP vs. OLAP) Operationale Datenbanken /OLTP Data Warehouses/OLAP Entstehung Bedeutung Nutzer Datenzugriff Änderungen #Datenquellen für je eine Applikation / eine Perspektive Tagesgeschäft Sachbearbeiter Online-Nutzer sehr häufiger Zugriff; kleine Datenmengen pro Operation; Lesen Schreiben Modifizieren Löschen sehr häufig meist eine pro Anwednung Datenmerkmale Optimierungsziele nicht abgeleitet zeitaktuell autonom dnamisch hoher Durchsatz sehr kurze Antwortzeiten (ms.. s) hohe Verfügbarkeit SS14 Prof. Dr. E. Rahm 1-9 Warum separates Data Warehouse? Unterschiedliche Nutzung und Datenstrukturierung Performance OLTP optimiert für kurze Transaktionen und bekannte Lastprofile komplexe OLAP-Anfragen würden gleichzeitige OLTP-Transaktionen des operationalen Betriebs drastisch verschlechtern spezieller phsischer und logischer Datenbankentwurf für multidimensionale Sichten/Anfragen notwendig Transaktionseigenschaften (ACID) nicht wichtig Funktionalität historische Daten Konsolidierung (Integration Bereinigung und Aggregation) von Daten aus heterogenen Datenquellen Sicherheit Nachteile der separaten Lösung Datenredundanz Daten nicht vollständig aktuell hoher Administrationsaufwand hohe Kosten SS14 Prof. Dr. E. Rahm 1-10

6 Grobarchitektur einer DW-Umgebung Führungs - Informationsssteme Entscheidungsunterstützungsssteme Business- Intelligence Berichts- und Abfragessteme Designer Workbench Repositor Data Marts Cubes Data Administator Workbench Metadaten Zentrale Datenbasis Warehouse Daten-Extraktion / -Transformation / -Laden DB2 ORACLE Files Interne Daten Externe Daten operative Datenquellen Datenflüsse Metadatenf lüsse SS14 Prof. Dr. E. Rahm 1-11 DW-Prozesse Data Warehousing umfaßt mehrere Teilprozesse Entwurf ( design it ) Aufbau ( build it populate ) Nutzung ( use it analze ) sowie Betrieb und Administration ( maintain it / administer ) Entwurf Aufbau Nutzung Betrieb Metadaten DW ist meist kein monolithisches Sstem meist Nutzung von Tools / Komponenten unterschiedlicher Hersteller sowie eigenprogrammierten Anteilen zentrale Bedeutung der Metadaten jedoch oft unzureichend unterstützt SS14 Prof. Dr. E. Rahm 1-12

7 Datenintegration: phsisch vs. virtuell Phsische (Vor-) Integration (Data Warehousing) Virtuelle Integration (Mediator/Wrapper-Architekturen föderierte DBS) Front-End Tools Client 1 Client k Data Marts Metadaten Metadaten Data Warehouse Mediator / FDBS Import (ETL) Wrapper 1 Wrapper m Wrapper n Operationale Sseme Source 1 (DBS 1) Source m (DBS j) Source n SS14 Prof. Dr. E. Rahm 1-13 Datenintegration: phsisch vs. virtuell (2) Integrationszeitpunkt: Metadaten Integrationszeitpunkt: Daten Aktualität der Daten Autonomie der Datenquellen Erreichbare Datenqualität Analsezeitbedarf für große Datenmengen Hardwareaufwand Phsisch (Data Warehouse) Vorab (DW-Schema) vorab Virtuell Vorab (globale Sicht) Dnamisch (zur Anfragezeit) Skalierbarkeit auf viele Datenquellen SS14 Prof. Dr. E. Rahm 1-14

8 Mehrdimensionale Datensicht Ost Kennzahlen (Fakten Measures) Q 2Q 3Q 4Q Nord Süd West Elektronik Fahrzeuge Lebensmittel Software Region Branche Dimensionen Kennzahlen: numerische Werte als Grundlage für Aggregationen/Berechnungen (z.b. Absatzzahlen Umsatz etc.) Dimensionen: beschreibende Eigenschaften Operationen: Zeit Aggregierung der Kennzahlen über eine oder mehrere Dimension(en) Slicing and Dicing: Bereichseinschränkungen auf Dimensionen SS14 Prof. Dr. E. Rahm 1-15 Hierarchische Dimensionierung Region Branche Zeit Bundesland Produktgruppe Jahr Ort Produkt Quartal Monat Woche Operationen zum Wechsel der Dimensionsebenen Drill-Down Roll-Up SS14 Prof. Dr. E. Rahm 1-16 Tag

9 OLAP (Online Analtical Processing) interaktive multidimensionale Analse auf konsolidierten Unternehmensdaten Merkmale / Anforderungen multidimensionale konzeptionelle Sicht auf die Daten unbegrenzte Anzahl an Dimensionen und Aggregationsebenen unbeschränkte dimensionsübergreifende Operationen intuitive interaktive Datenmanipulation und Visualisierung transparenter (integrierter) Zugang zu heterogenen Datenbeständen mit logischer Gesamtsicht Skalierbarkeit auf große Datenmengen stabile volumenunabhängige Antwortzeiten Mehrbenutzerunterstützung Client/Server-Architektur SS14 Prof. Dr. E. Rahm 1-17 Multidimensional vs. relational Q 2Q 3Q 4Q Ost Nord Süd West Elektronik Fahrzeuge Lebensmittel Software Region Branche Bestellnr Region Branche Zeit Menge 1406 Ost Fahrzeuge 2Q West Elektronik 1Q Süd Fahrzeuge 2Q Ost Lebensmittel 4Q Nord Software 1Q Ost Elektronik 4Q 2 Zeit multidimensionale Darstellung (MOLAP): Kreuzprodukt aller Wertebereiche mit aggregiertem Wert pro Kombination Annahme: fast alle Kombinationen kommen vor relationale Darstellung (ROLAP): Relation: Untermenge des Kreuzproduktes aller Wertebereiche nur vorkommende Wertekombinationen werden gespeichert (Tupel) Hbrides OLAP (HOLAP): ROLAP + MOLAP SS14 Prof. Dr. E. Rahm 1-18

10 Star-Schema zentrale Faktentabelle sowie 1 Tabelle pro Dimension Kunde Zeit KundenNr KundenName Geschlecht Alter Produkt ProduktNr ProduktName Produktgruppe Branche Hersteller Farbe Preis Verkauf KundenNr ProduktNr Datum Fname Anzahl Umsatz Datum Tag Monat Quartal Jahr Filiale Fname Ort Land Region SS14 Prof. Dr. E. Rahm 1-19 Anfragen Beispielanfrage: Welche Auto-Hersteller wurden von weiblichen Kunden in Sachsen im 1. Quartal 2013 favorisiert? select p.hersteller sum (v.anzahl) from Verkauf v Filialen f Produkt p Zeit z Kunden k where z.jahr = 2013 and z.quartal = 1 and k.geschlecht = W and p.produkttp = Auto and f.land = Sachsen and v.datum = z.datum and v.produktnr = p.produktnr and v.filiale = f. FName and v.kundennr = k.kundennr group b p.hersteller; Star-Join sternförmiger Join der (relevanten) Dimensionstabellen mit der Faktentabelle Einschränkung der Dimensionen Verdichtung der Kennzahlen durch Gruppierung und Aggregation SS14 Prof. Dr. E. Rahm 1-20

11 (Ad Hoc-) Quer-Tools Analsewerkzeuge Reporting-Werkzeuge Berichte mit flexiblen Formatierungsmöglichkeiten OLAP-Tools interaktive mehrdimensionale Analse und Navigation (Drill Down Roll Up...) Gruppierungen statistische Berechnungen... Data Mining-Tools Darstellung Tabellen insbesondere Pivot-Tabellen (Kreuztabellen) Analse durch Vertauschen von Zeilen und Spalten Veränderung von Tabellendimensionen Graphiken sowie Text und Multimedia-Elemente Nutzung über Web-Browser Speadsheet-Integration SS14 Prof. Dr. E. Rahm 1-21 Beispiel: OLAP-Ausgabe (Excel) Oct Dec Jan Mar Apr Jun Jul Sep Oct Dec Jan Mar Apr Jun Jul Sep IPHONE Q1 Q2 Q3 Q4 IPAD Q1 Q2 Q3 Q Verkaufszahlen in TSD (Apple) SS14 Prof. Dr. E. Rahm 1-22

12 Jahresabsatz #Produkte (in TSD) Jahresumsatz nach Produkttp (in Mio $) IPAD Iphone MAC SS14 Prof. Dr. E. Rahm 1-23 Knowledge Discover Selektion Vorverarbeitung/ Transformation Rohdaten Daten Data Mining Daten Interpretation Muster Wissen SS14 Prof. Dr. E. Rahm 1-24

13 Data Mining: Techniken Data Mining: Einsatz statistischer und wissensbasierter Methoden auf Basis von Data Warehouses Auffinden von Korrelationen Mustern und Trends in Daten Knowledge Discover : setzt im Gegensatz zu OLAP ( knowledge verification ) kein formales Modell voraus Clusteranalse Objekte werden aufgrund von Ähnlichkeiten in Klassen eingeteilt (Segmentierung) Bsp.: ähnliche Kunden ähnliche Website-Nutzer... Assoziationsregeln Warenkorbanalse (z.b. Kunde kauft A und B => Kunde kauft C) Klassifikation Klassifikation von Objekten Erstellung von Klassifikationsregeln / Vorhersage von Attributwerten (z.b. guter Kunde wenn Alter > 25 und... ) mögliche Realisierung: Entscheidungsbaum SS14 Prof. Dr. E. Rahm 1-25 Beispiel Warenkorbanalse SS14 Prof. Dr. E. Rahm 1-26

14 Big Data SS14 Prof. Dr. E. Rahm 1-27 Massives Wachstum an Daten: Big Data Gartner-Schätzungen: pro Tag werden 2.5 Exabtes an Daten generiert 90% aller Daten weltweit wurden in den 2 letzten Jahren erzeugt. SS14 Prof. Dr. E. Rahm 1-28

15 Big Data Challenges Volume Variet Velocit: Veracit: Skalierbarkeit von Terabtes nach Petabtes (1K TBs) bis Zettabtes (1 Milliarde TBs) variierende Komplexität: strukturiert teilstrukturiert Text / Bild / Video Near-Realtime Streaming Vertrauenswürdigkeit Value Erzielen des (wirtschaftl.) Nutzens durch Analsen SS14 Prof. Dr. E. Rahm 1-29 Potentiale für Big Data-Technologien Daten sind Produktionsfaktor ähnlich Betriebsmitteln und "Humankapital " Essentiell für viele Branchen und Wissenschaftsbereiche Valide Grundlage für zahlreiche Entscheidungsprozesse Vorhersage/Bewertung/Kausalität von Ereignissen Kurzfristige Analsen von Realdaten im Geschäftsleben Beispiele Nutzungsanalse auf Web-Sites Empfehlungsdienste (Live Recommendations) Analse/Optimierung von Werbe-Massnahmen Smart Cities Smart House Industrie 4.0 Personalisierte Medizin Kriminalistik SS14 Prof. Dr. E. Rahm

16 Analse-Pipeline für Big Data SS14 Prof. Dr. E. Rahm 1-31 Zusammenfassung Data Warehousing: DB-Anfrageverarbeitung und Analsen auf integriertem Datenbestand für Decision Support (OLAP) riesige Datenvolumina Hauptschwierigkeit: Integration heterogener Datenbestände sowie Bereinigung von Primärdaten Phsische Datenintegration ermöglicht aufwändige Datenbereinigung effiziente Analse auf großen Datenmengen Mehrdimensionale Datenmodellierung und -organisation Breites Spektrum an Auswertungs- und Analsemöglichkeiten Data Mining: selbständiges Aufspüren relevanter Muster in Daten Big Data: Datenanalsen auf großen Mengen integrierter Daten SS14 Prof. Dr. E. Rahm 1-32

Data Warehousing Kapitel 1: Einführung

Data Warehousing Kapitel 1: Einführung Data Warehousing Kapitel 1: Einführung Michael Hartung Sommersemester 2011 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de SS11 Prof. Dr. E. Rahm 1-1 Grobarchitektur 1. Data Warehouses

Mehr

Data Warehousing. Kapitel 1: Einführung. 1. Data Warehouses - Einführung. Dr. Andreas Thor Wintersemester 2009/10

Data Warehousing. Kapitel 1: Einführung. 1. Data Warehouses - Einführung. Dr. Andreas Thor Wintersemester 2009/10 Data Warehousing Kapitel 1: Einführung Dr. Andreas Thor Wintersemester 2009/10 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de WS09/10 Prof. Dr. E. Rahm 1-1 Grobarchitektur 1. Data

Mehr

1. Data Warehouses - Einführung

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

Mehr

1. Data Warehouses - Einführung

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

Mehr

1. Data Warehouses - Einführung

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

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP

Mehr

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

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch

Mehr

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

OLTP: Online Transaction Processing

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

Mehr

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH)

Seminar 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

Mehr

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse

Mehr

Kapitel 17: Date Warehouse

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

Mehr

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse

Mehr

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

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

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

Mehr

Themenblock: Erstellung eines Cube

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

Mehr

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

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Mala Bachmann September 2000

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

Mehr

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

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

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine

Mehr

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing

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

Mehr

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

Vertrautmachen mit Daten

Vertrautmachen mit Daten Kapitel III Vertrautmachen mit Daten 2004 AIFB / FZI 1 III Vertrautmachen mit Daten (see also Data Preparation ) 2004 AIFB / FZI 2 III Vertrautmachen mit Daten III.1 OLAP III.1.1 Einführung in OLAP Wie

Mehr

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

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

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

Mehr

Data Warehousing 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

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

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

Mehr

Kapitel 6 Einführung in Data Warehouses

Kapitel 6 Einführung in Data Warehouses Kapitel 6 Einführung in Data Warehouses Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2008, LMU München 2008 Dr. Peer Kröger Dieses Skript basiert zu einem Teil auf dem Skript zur Vorlesung

Mehr

Data Warehouse Technologien

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

Mehr

Data Warehousing: Anwendungsbeispiel

Data Warehousing: Anwendungsbeispiel Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale

Mehr

5 Data Warehouses und Data Mining

5 Data Warehouses und Data Mining 5 Data Warehouses und Data Mining Mittels OLAP Techniken können große Datenmengen unterschiedlich stark verdichtet und gezielt aufbereitet werden. Mittels Data Mining können große Datenmengen nach bisher

Mehr

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

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

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

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

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

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

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

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

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45

2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45 Vorwort 15 Teil I Grundlagen 19 i Einführung In das Thema Datenbanken 21 I.I Warum ist Datenbankdesign wichtig? 26 i.2 Dateisystem und Datenbanken 28 1.2.1 Historische Wurzeln 29 1.2.2 Probleme bei der

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 Warehousing. Weitere Buzzwörter: OLAP, Decision Support, Data Mining

Data Warehousing. Weitere Buzzwörter: OLAP, Decision Support, Data Mining Data Warehousing Weitere Buzzwörter: OLAP, Decision Support, Data Mining Wichtige Hinweise Zu diesem Thema gibt es eine Spezialvorlesung im Sommersemester Hier nur grober Überblick über Idee und einige

Mehr

Open Source BI 2009 Flexibilität und volle Excel-Integration von Palo machen OLAP für Endanwender beherrschbar. 24. September 2009

Open Source BI 2009 Flexibilität und volle Excel-Integration von Palo machen OLAP für Endanwender beherrschbar. 24. September 2009 Open Source BI 2009 Flexibilität und volle Excel-Integration von Palo machen OLAP für Endanwender beherrschbar 24. September 2009 Unternehmensdarstellung Burda Digital Systems ist eine eigenständige und

Mehr

Kapitel 4: Data Warehouse Architektur

Kapitel 4: Data Warehouse Architektur Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Kap. 6 Data Warehouse

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

Mehr

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

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

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

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

Mehr

Vorlesung Datenbankmanagementsysteme

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

Mehr

Multidimensionales Datenmodell, Cognos

Multidimensionales Datenmodell, Cognos Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur

Mehr

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

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

Mehr

Logische Modelle für OLAP. Burkhard Schäfer

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

Mehr

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

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

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.

Mehr

Das Multidimensionale Datenmodell

Das Multidimensionale Datenmodell Das Multidimensionale Datenmodell Konzeptuelle Modellierung Umsetzung des Modells Beispiel ER-Modell 2 / 36 Probleme ER-Modellierung Keine Unterscheidung Klassifikation, Attribute, Kenngrößen Dimension

Mehr

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

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

Mehr

Data-Warehouse-Systeme

Data-Warehouse-Systeme Vorlesung im Wintersemester 2008/09 Data-Warehouse-Systeme Dr. Stefanie Rinderle-Ma Institut für Datenbanken und Informationssysteme Universität Ulm stefanie.rinderle@uni-ulm.de Übersicht 1) Einführung

Mehr

Kapitel 6 Managementunterstützungssysteme und Business Intelligence

Kapitel 6 Managementunterstützungssysteme und Business Intelligence ProKSy - EBSS Institut AIFB WS 2013/2014 Programmierung kommerzieller Systeme Einsatz betrieblicher Standardsoftware (ProKSy EBSS) Kapitel 6 Managementunterstützungssysteme und Business Intelligence Institut

Mehr

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

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

Mehr

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

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

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

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph 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

Mehr

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder Andreas Meier, Universität Fribourg Folie 1 DW Cartoon Quelle: Knoll M., Meier A. (Hrsg): Web & Data Mining. Praxis der Wirtschaftsinformatik,

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

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

Informationssysteme: Neuere Konzepte Teil II

Informationssysteme: Neuere Konzepte Teil II Informationssysteme: Neuere Konzepte Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser

Mehr

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich

Mehr

good. better. outperform.

good. better. outperform. good. better. outperform. Quo Vadis Oracle BI Relational oder besser multidimensional? DOAG 2013 Business Intelligence, 17.04.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

Mehr

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

Mehr

Einsatz von Anwendungssystemen

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

Mehr

Data Warehouse und Data Mining

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

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

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

Mehr

Modellierung und Implementierung einer End-to-End BI Lösung

Modellierung und Implementierung einer End-to-End BI Lösung IBM Software Group Modellierung und Implementierung einer End-to-End BI Lösung DB2 Information Management Software Martin Clement, mclement@de.ibm.com Otto Görlich, ogoerlich@de.ibm.com Stefan Sander,

Mehr

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

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825 Folien zum Textbuch Kapitel 6: Managementunterstützungssysteme Teil 2: Managementunterstützung auf strategischer Ebene Datenverwaltung und -auswertung Textbuch-Seiten 794-825 WI 1 MUS MUS auf strategischer

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Performanceaspekte in der SAP BI Modellierung

Performanceaspekte in der SAP BI Modellierung Performanceaspekte in der SAP BI Modellierung SAP BW 7.3 & SAP HANA Performance Indizes Aggregate DSO & InfoCube BWA SAP HANA Empfehlung 2 Performance Performance bedeutet, unter gegebenen Anforderungen

Mehr

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

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

Mehr

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

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

Mehr

Objektorientierte Datenbanken

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

Mehr

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,

Mehr

OLAP und der MS SQL Server

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

Mehr

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

Big Data Analytics: Herausforderungen und Systemansätze. Prof. Dr. Erhard Rahm. http://dbs.uni-leipzig.de

Big Data Analytics: Herausforderungen und Systemansätze. Prof. Dr. Erhard Rahm. http://dbs.uni-leipzig.de Big Data Analytics: Herausforderungen und Systemansätze Prof. Dr. Erhard Rahm http://dbs.uni-leipzig.de 2 Massives Wachstum an Daten Gartner: pro Tag werden 2.5 Exabytes an Daten generiert 90% aller Daten

Mehr

Pivotieren. Themenblock: Anfragen auf dem Cube. Roll-up und Drill-down. Slicing und Dicing. Praktikum: Data Warehousing und Data Mining. Produkt.

Pivotieren. Themenblock: Anfragen auf dem Cube. Roll-up und Drill-down. Slicing und Dicing. Praktikum: Data Warehousing und Data Mining. Produkt. Zeit Pivotieren Themenblock: Anfragen auf dem Cube Praktikum: Data Warehousing und Data Mining Zeit Zeit 2 Roll-up und Drill-down Slicing und Dicing Drill-down Januar 2 3 33 1. Quartal 11 36 107 Februar

Mehr

Die 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 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

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

Management Cockpits. Business Intelligence für Entscheider. Oliver Röniger EMEA Business Intelligence ORACLE Deutschland GmbH

Management Cockpits. Business Intelligence für Entscheider. Oliver Röniger EMEA Business Intelligence ORACLE Deutschland GmbH Management Cockpits Business Intelligence für Entscheider Oliver Röniger EMEA Business Intelligence ORACLE Deutschland GmbH email: oliver.roeniger@oracle.com Tel.: 0211 / 74839-588 DOAG, Mannheim, 15.

Mehr

Contents. Datenanalysemethoden im analytischen CRM. Data Warehouse - OLAP Version: July 17, 2007. 1 Datenanalysemethoden im analytischen CRM

Contents. Datenanalysemethoden im analytischen CRM. Data Warehouse - OLAP Version: July 17, 2007. 1 Datenanalysemethoden im analytischen CRM Contents Data Warehouse - OLAP Version: July 17, 7 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

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

Mehr

Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert. Entität kann in einer oder mehreren Unterklassen sein

Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert. Entität kann in einer oder mehreren Unterklassen sein 1 Definitionen 1.1 Datenbank Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert Integriert, selbstbeschreibend, verwandt 1.2 Intension/Extension Intension: Menge der Attribute Extension:

Mehr