Friedrich-Schiller-Universität Jena
|
|
- Lukas Lichtenberg
- vor 8 Jahren
- Abrufe
Transkript
1 Friedrich-Schiller-Universität Jena Seminararbeit zum Thema Data Warehousing Abgrenzung, Einordnung und Anwendungen von Sebastian Hentschel Matrikelnummer Seminar Data Warehousing Sommersemester 2005 Prof. Dr. Klaus Küspert Lehrstuhl für Datenbanken und Informationssysteme Betreuer: David Wiese Jena, den 17. Juni 2005
2 Inhaltsverzeichnis Inhaltsverzeichnis...I Abbildungsverzeichnis... II Tabellenverzeichnis... II Abkürzungsverzeichnis... II 1. Einleitung Begriffe Data Warehouse Definition nach Inmon Definition nach Bauer/Günzel Definition nach Zeh Zusammenfassung Data-Warehouse-System Data Warehousing Data Mart Historie und Anwendungsgebiete Betriebswirtschaft Statistik Integration Aufbau eines Data-Warehouse-Systems Datenquellen Data Warehouse Metadaten OLAP-Server Analyse-Tools Data Mining OLTP vs. OLAP OLTP OLAP Codd sche Regeln FASMI Fazit Anhang... III Quellenverzeichnis...IV I
3 Abbildungsverzeichnis Abbildung 1 Aufbau eines Data-Warehouse-Systems... 4 Abbildung 2 Darstellung eines Hypercubes Tabellenverzeichnis Tabelle 1 Vergleich OLTP/OLAP... 9 Abkürzungsverzeichnis ACID DBMS ERP ETL FASMI MIS msql OLAP OLTP Atomicity/Consistency/Isolation/Durability Datenbankmanagementsystem Enterprise Resource Planning Extract/Transform/Load Fast Analysis of Shared Multidimensional Information Management-Information-Systems multidimensional Structured Query Language Online Analytical Processing Online Transactional Processing II
4 1. Einleitung Der Begriff des Data Warehousing hat in den vergangenen Jahren stetig an Bedeutung gewonnen. Nahezu jedes Unternehmen denkt heute über die Einführung eines Data Warehouses nach oder hat bereits eines eingeführt. Die Integration verschiedenster Datenquellen mit dem Ziel die richtigen Informationen zur richtigen Zeit am richtigen Ort zu haben, um die richtigen Entscheidungen treffen zu können, scheint also ein zentraler Erfolgsfaktor zu sein. Doch um über die Einführung eines Data Warehouses sprechen zu können, muss erst einmal geklärt werden, was eine Date Warehouse ist, wofür man es einsetzen kann und welche Anforderungen es zu erfüllen hat. Diese Fragen werden in dieser Arbeit versucht zu beantworten. Dazu werden in Kapitel 2 zunächst zentrale Begriffe im Zusammenhang mit Data Warehousing definiert. Kapitel 3 zeigt, wie und warum sich der Data-Warehouse-Gedanke in der Vergangenheit entwickelt hat und was typische Anwendungsgebiete sein können. In Kapitel 4 wird der Aufbau eines typischen Data-Warehouse-Systems kurz erläutert. Ein typisches Anwendungsgebiet des Data Warehouses, das OLAP, wird in Kapitel 5 vorgestellt. Dabei werden zunächst Unterschiede zum klassischen OLTP aufgezeigt, bevor auf Eigenschaften und Anforderungen von OLAP eingegangen wird. Die Arbeit endet mit einem Fazit, in dem darauf hingewiesen werden soll, das ein Data Warehouse kein Allheilmittel ist. Es ist lediglich ein unterstützendes Informationssystem. 2. Begriffe Wie in vielen Bereichen der Informatik gibt es auch im Data Warehousing eine Vielzahl von Begriffen, die je nach Autor anders definiert sind. Um sinnvoll über dieses Thema sprechen zu können, muss man sich aber auf eine einheitliche Terminologie einigen Data Warehouse Wörtlich übersetzt bedeutet Data Warehouse Datenlagerhaus. Man kann sich also einen Raum vorstellen, in dem sämtliche Daten eines Unternehmens zentral aufbewahrt werden. Diese wörtliche Bedeutung zeigt schon eine wesentliche Eigenschaft 1
5 des Data-Warehouse-Gedanken auf, die zentrale Speicherung aller Unternehmensdaten in nur einer physischen Datenbank. Dennoch liefert die Übersetzung keine exakte Definition des Begriffes. In dieser Arbeit soll auf drei Definitionsansätze eingegangen werden, die sich jeweils im Umfang und Umgang der Daten unterscheiden Definition nach Inmon William H. Inmon definierte den Begriff des Data Warehouse wie folgt: A data warehouse is a subject-oriented, integrated, time-variant, non-volatile collection of data in support of management s decision-making process 1. Inmon definiert vier Eigenschaften, die ein Data Warehouse zu erfüllen hat: Fachorientierung (subject-oriented): Der Zweck eines Data Warehouses soll nicht auf der Erfüllung nur einer Aufgabe liegen, sondern auf der Erfüllung eines spezifischen Anwendungsziels 2. Integrierte Datenbasis (integrated): Ein Data Warehouse soll Daten aus mehreren heterogenen Datenbasen in nur einer Datenbank integrieren. Nicht flüchtige Daten (non-volatile): Daten, die einmal im Data Warehouse stehen, werden nicht mehr entfernt oder geändert. Historische Daten (time-variant): Vergleiche über die Zeit sollen möglich sein (Zeitreihenanalysen). Das heißt, dass Daten über einen längeren Zeitraum gehalten werden müssen. Zusätzlich wird in dieser Definition die Zielgruppe eines Data-Warehouse-Systems genannt. Es soll das Management in seinen Entscheidungen unterstützen. Diese Definition ist die restriktivste. Sie legt genau fest, wie die Daten zu speichern sind: integriert, nicht flüchtig und historisiert Definition nach Bauer/Günzel Bauer/Günzel schränken den Umgang der Daten weniger stark ein. Sie legen in ihrer Definition lediglich fest, wofür die Daten verwandt werden sollen: 1 Inmon, W.; Hackethorn, R. D. (1994): Building the Data Warehouse 2 Vgl. Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme, S. 7 2
6 Ein Data-Warehouse ist eine physische Datenbank, die eine integrierte Sicht auf (beliebige) Daten darstellt, um Analysen zu ermöglichen Definition nach Zeh Zeh definiert den Begriff des Data Warehouse ohne restriktive Einschränkungen: Ein Data-Warehouse ist ein physischer Datenbestand, der eine integrierte Sicht auf zugrunde liegende Datenquellen ermöglicht Zusammenfassung Zusammenfassend hat ein Data Warehouse die folgenden Eigenschaften zu erfüllen: Physische Datenbank: Die Speicherung der Daten soll in einer physischen Datenbank erfolgen, d. h. sie müssen von den operativen Daten getrennt gespeichert werden. Eine logische Trennung ist nicht ausreichend, weil dabei die operativen Systeme zu stark belastet würden. Integrierte Sicht auf die Daten: Das Data Warehouse muss heterogene Datenquellen integrieren. Häufig historisierte Daten: Für viele Analysen werden historische Daten benötigt. Deshalb muss das Data Warehouse die Daten über die Zeit speichern können. Periodische Updates, aber keine Veränderungen: Daten, die einmal im Data Warehouse stehen bleiben in der Regel unverändert. Schreibender Zugriff ist nur für Updates und Inserts vorgesehen. Ausgangspunkt für weitere Analysen, wie OLAP und Data Mining 2.2. Data-Warehouse-System Unter einem Data-Warehouse-System versteht man das Informationssystem, das sämtliche Komponenten zur Integration und Analyse der Daten enthält. Es untergliedert sich in drei Bereiche: Datenquellen, Data Warehouse, Analyse-Tools (Abb. 1). 3 Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme, S. 7 4 Zeh, T.: Data Warehousing als Organisationskonzept des Datenmanagements 3
7 Abbildung 1 Aufbau eines Data-Warehouse-Systems5 Das Data Warehouse ist die zentrale Komponente des Data-Warehouse-Systems. Daten werden im Rahmen des ETL-Prozesses aus den verschiedenen Quellen extrahiert, bereinigt und vereinheitlicht und anschließend ins Data Warehouse geladen.6 Die einzelnen Komponenten werden in Kapitel 4 detailliert vorgestellt Data Warehousing Unter Data Warehousing oder auch Data-Warehouse-Prozess versteht man den dynamischen Vorgang von der Datenbeschaffung über die -speicherung bis hin zur Analyse der Daten. Diese Dreiteilung ist in Abbildung 1 ersichtlich Data Mart Neben einem zentralen Data Warehouse existieren in vielen Unternehmen zahlreiche kleinere Data-Warehouse-Lösungen. Diese umfassen lediglich einzelne Geschäftsprozesse oder Problemstellungen. Die so genannten Data Marts werden in den entsprechenden Unternehmensbereichen dezentral gehalten. Sie extrahieren benötigte Daten aus dem Data Warehouse und ermöglichen durch die spezifische Aufgabenstellung schnellere Analysen. 5 6 Seiler, M. (2003): OLAP & Data Warehouse. Eine Einführung Vgl. Data-Warehouse, 4
8 3. Historie und Anwendungsgebiete Die Idee des Data Warehousing ist nicht neu, sondern seit Einzug der elektronischen Datenverarbeitung integraler Bestandteil unternehmensweiter Informationsversorgung. Neu ist allerdings die Idee einer effizienten und flexiblen Bereitstellung dispositiver Datenbestände. Drei Anwendungsgebiete bildeten sich alsbald heraus und wurden zu Triebfedern der Data-Warehouse-Entwicklung Betriebswirtschaft In der Betriebswirtschaft gab es schon immer das Bedürfnis nach einer einheitlichen, umfassenden und historisierten Datenbasis 7. Dabei benötigt das Management aktuelle Bestandszahlen und deren Entwicklung. Detaildaten müssen dafür aggregriert werden. Im Gegensatz dazu benötigen die betrieblichen Fachabteilungen weiterhin die detaillierten Einzelwerte. Dieser Trade-Off stellt ein zentrales Problem im Data Warehousing dar. Zum einen müssen Daten für schnelle Analysen aggregiert sein, zum anderen werden die Ursprungsdaten weiterhin benötigt Statistik In der Statistik steht die Auswertung empirisch erhobener sozio-ökonomischer Daten (Bevölkerungs-, Wirtschafts-, Umweltstatistiken) im Mittelpunkt. Anfang der 80er Jahre wurde die Notwendigkeit einer speziellen Datenbankunterstützung erkannt, da aufgrund der Masse der Daten unterschiedliche Anforderungen an die Datenhaltung und -speicherung gestellt werden. Es entwickelte sich der Forschungsbereich der Statistical and Scientific Database Management Systems. Der Einfluss auf die Entwicklung des Data Warehousing war enorm, da statistische Anwendungen genau die Schritte benötigen, die heute auch im Data-Warehouse-Prozess stattfinden Datenerhebung, Datenaufbereitung/-speicherung und Datenanalyse. 7 Lehner, W.: Datenbanktechnologie für Data-Warehouse-Systeme, S.2 5
9 3.3. Integration Ziel der Integration ist es, Daten aus verschiedensten Quellen in einer homogenen Datenbasis abzulegen. Diese soll Plattform für systemübergreifende Analysen sein. Da in nahezu allen Unternehmen viele kleinere, heterogene Datenbanken in den einzelnen Abteilungen betrieben werden, besteht die Notwendigkeit diese für zentrale Auswertungen zu integrieren. Dazu müssen aber unterschiedlichste Schemata homogenisiert werden. Um das zu lösen, gab es in der Vergangenheit zahlreiche Forschungsansätze, die sich aber alle nicht bewährt hatten. Das Data Warehouse löst dieses Problem heute effizient im Rahmen des ETL-Prozesses. 4. Aufbau eines Data-Warehouse-Systems Wie bereits in Kapitel 1 kurz erwähnt wurde, besteht ein Data-Warehouse-System aus Komponenten der Datenbeschaffung, -speicherung und -analyse. Diese in Abbildung 1 aufgezeigten Bestandteile werden im Folgenden genauer beschrieben Datenquellen Die Komponenten der Datenquellen liefern die Rohdaten, die später ins Data Warehouse zu laden sind. Diese meist heterogenen Daten müssen im Rahmen des ETL- Prozesses extrahiert, bereinigt, angepasst und schließlich integriert werden. Daten können aus einer Vielzahl von Quellsystemen stammen - ERP-Systeme, operationale Datenbanken, externe Quellen (Markforschungsinstitute) sowie sonstige OLTP-Systeme Data Warehouse Das Data Warehouse ist die zentrale Komponente des Data-Warehouse-Systems. Was unter dem Data Warehouse als solches zu verstehen ist, wurde bereits in Kapitel 2 definiert. Weitere Komponenten dieses Bereichs werden im Folgenden kurz erläutert. 8 Vgl. Lehner, W.: Datenbanktechnologie für Data-Warehouse-Systeme, S. 26 6
10 Metadaten Metadaten umfassen alle Informationen, die den Aufbau, die Wartung und die Administration des Data-Warehouse-Systems vereinfachen und [ ] die Informationsgewinnung aus dem Data Warehouse ermöglichen 9. Sie werden gemeinhin als Daten über Daten bezeichnet. Aus den Informationen über Art der Daten, Codierung sowie Herkunft lassen sich im Analyseprozess wichtige Informationen über Signifikanz und Gültigkeit der Ergebnisse ableiten. Metadaten ermöglichen es erst, verschiedenste Datenquellen in einer Datenbank zu integrieren, da nur hier Informationen über konzeptuelle und logische Datenbankschemata abgespeichert sind OLAP-Server Der OLAP-Server liefert die Zugriffsschicht für spätere Analysen. Er transformiert multidimensionale Anfragen, sodass sie vom darunter liegenden DBMS verarbeitet werden können (bei relationalen DBMS beispielsweise mittels msql). Hierfür wird eine Client/Server-Architektur benötigt. Der Client liefert dem Anwender eine komfortable Benutzeroberfläche, welche häufig auf einen mehrdimensionalen Datenbankserver zugreift, der einen hochkomplexen vordefinierten Hypercube enthält. 10 Dabei wird dem Anwender mit genau definierten Analysebereichen und dem Bedarf nach spezifischen Funktionen eine leistungsfähige Lösung zur Verfügung gestellt. 11 Im Gegensatz zu Abbildung 1 setzen OLAP-Server nicht nur auf dem Data Warehouse auf, sondern können auch auf einzelnen Data Marts laufen Analyse-Tools Der Zweck des Einsatzes eines Data-Warehouse-Systems ist im Kern die Analyse der vorhandenen Daten. Dafür gibt es verschiedene Ansätze. In diesem Abschnitt soll nur Data Mining vorgestellt werden. Auf OLAP bezieht sich Kapitel 5. 9 Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme, S Hönig, T.: Desktop OLAP in Theorie und Praxis, S Vgl. Hönig, T.: Desktop OLAP in Theorie und Praxis, S
11 Data Mining Data Mining ist ein Analyseansatz, der darauf abzielt, Beziehungsmuster in den zugrunde liegenden Daten zu ermitteln. Im Gegensatz zu OLAP wird hierbei nach nicht bekannten Hypothesen gesucht. Typische Fragestellungen sind: In welche Gruppen lassen sich meine Kunden unterteilen? Klassifikation Welchen Einfluss hat der Verkauf eines Produktes auf den Absatz des anderen? Detektion von Verknüpfungen Wie wird sich der Umsatz in der Zukunft entwickeln? Prognose Hierfür kommen neben klassischen statistischen Verfahren, wie Regressionsanalysen, auch Methoden der Künstlichen Intelligenz, wie Neuronale Netze, zum Einsatz. Die weitaus bedeutendere Analyse auf der Datenbasis eines Data Warehouse ist aber das Online Analytical Processing, welches im folgenden Kapitel vorgestellt wird. 5. OLTP vs. OLAP In betrieblichen Anwendungen existieren neben den hier bereits beschriebenen Data Warehouses noch operationale Daten. Diese haben völlig unterschiedliche Anforderungen an das DBMS. Operationale Anwendungen werden als Online Transactional Processing (OLTP) bezeichnet, Informative als Online Analytical Processing (O- LAP). Nach einer kurzen Unterscheidung dieser zwei Bereiche soll detailliert auf OLAP eingegangen werden OLTP Im Online Transactional Processing steht der Transaktionsgedanke im Mittelpunkt. Ziel ist es also die ACID-Eigenschaften (siehe Anhang) einzuhalten. Auch bei parallelem Zugriff sollen die Transaktionen sicher ausgeführt werden, wobei die Zahl der Transaktionen pro Sekunde zu maximieren ist. Häufig greifen Tausende Benutzer parallel auf die Datenbank zu, schreibend und lesend. 8
12 operativ informativ Typ/Zahl der Anwender sehr viele Sachbearbeiter wenige Manager, Controller Transaktionen kurze Lese- /Schreibtransaktionen nur Lesen Struktur der Anfragen einfach komplex Anfragebereich wenige Datensätze viele Datensätze Zahl gleichzeitiger Zugriffe sehr viele wenige Datenquellen zentraler Datenbestand Vielzahl heterogener Quellen Eigenschaften der Daten originär, zeitaktuell, dynamisch integriert, stabil abgeleitet, historisiert, Datenvolumen MB - GB GB - TB Antwortzeiten ms - s s - min Tabelle 1 Vergleich OLTP/OLAP 5.2. OLAP Das Online Analytical Processing bezieht sich auf die Auswertung von Daten. Oft wird es synonym mit Data Warehousing bezeichnet, weil die Datengrundlage meist ein Data Warehouse ist. OLAP ist aber vielmehr eine Gattung von Anfragen, die nicht nur einen einzelnen Zugriff auf einen Wert darstellt, sondern einen dynamischen, flexiblen und interaktiven Zugriff auf eine Vielzahl von Einträgen. Ziel ist es, neue oder unerwartete Beziehungen zwischen den Variablen zu erkennen 12. Tabelle 1 zeigt die wesentlichen Unterschiede zu OLTP. Da OLAP weitaus weniger Anwender nutzen als OLTP, steht die parallele Nutzung der Daten nicht im Vordergrund. Auch die Transaktionssicherheit kann vernachlässigt werden, weil OLAP meist nur lesend auf die Daten zugreift. Für die Analysen reicht es meist auch völlig aus, das Data Warehouse tages- oder wochenaktuell zu halten. Aktuellere Daten und somit häufigere Updates des Data Warehouses würden die operativen Systeme zu stark belasten. Die zentrale Anforderung an OLAP-Systeme ist die konstant kleine Antwortzeit auf beliebige Abfragen. Sowohl Standard- als auch Ad-Hoc-Anfragen müssen im Sekundenbereich beantwortet sein. Dafür empfiehlt es sich das zugrunde liegende Da- 12 Vgl. Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme, S. 96 9
13 tenmodell an die Anfragen anzupassen. Hierfür besonders geeignet ist das multidimensionale Datenmodell zur Speicherung der Daten. Dies wird mit der Struktur der Anfragen begründet. Sie sind relativ komplex und umfassen Analysen über die Zeit, verschiedenste Dimensionen sowie Aggregationen der zugrunde liegenden Detaildaten. Das multidimensionale Datenmodell lässt sich im dreidimensionalen Raum gut als Würfel darstellen. Dabei bilden die Kanten die jeweiligen Dimensionen. In den Zellen des Würfels stehen die Daten, teils detailliert, teils aggregiert, je nach Aggregationsebene (Abbildung 2). Abbildung 2 Darstellung eines Hypercubes 13 Der Begriff des OLAP wurde erstmals 1993 von E. F. Codd 14 geprägt. Codd beschrieb zwölf Regeln, die OLAP-Systeme charakterisieren. Diese Regeln wurden in Zusammenarbeit mit der Firma Hyperion Solutions Corporation entwickelt. Codd definierte seine Regeln auf Basis des Systems Essbase, welches seiner Meinung nach, das einzig gute OLAP-System dieser Zeit war Codd sche Regeln In diesem Abschnitt wird versucht, die Codd schen Regeln kurz zu erläutern. Da die Regeln im Original in englischer Sprache verfasst sind, können bei der Übersetzung je nach Autor Unterschiede entstehen. Hier wird eine Terminologie in Anlehnung an Bauer/Günzel 15 verwandt. I. Multidimensionale konzeptionelle Sichtweise: Da die natürliche Sicht des Anwenders auf die Daten multidimensional ist, sollte sich auch das OLAP-Mo- 13 Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme, S Vgl. Codd, E. F. (1993): Providing OLAP to User-Analysts, S Vgl. Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme, S
14 dell in mehrdimensionalen Strukturen abbilden lassen. Zusätzlich sollen auch Hierarchien in den Dimensionen unterstützt werden. So sollen beispielsweise Kenngrößen wie Verkäufe, Einkäufe oder Preise aus verschiedenen Dimensionen wie Produkt, Zeit und Geographie betrachtet werden können. II. Transparenz: Bei der Benutzung von OLAP darf der Endbenutzer nicht mit Implementierungsdetails belastet werden. Die Funktionalität, Bedienbarkeit und Performanz des Analysewerkzeugs darf nicht negativ beeinflusst werden. Zudem muss eine konsistente Sicht der Analysedaten gewährleistet sein. III. Zugriffsmöglichkeit: OLAP-Werkzeuge sollen den Zugriff auf unternehmensinterne und externe Datenquellen ermöglichen. 16 Die Schemata des OLAP-Tools müssen dazu auf die Schemata der verschiedenen Datenquellen abbildbar sein. Es soll nur auf gerade benötigte Daten zugegriffen werden. IV. Gleich bleibende Antwortzeit bei der Berichterstellung: Die Antwortzeiten auf Anfragen müssen unabhängig von der Zahl der Dimensionen sowie von der Menge der Daten sein. V. Client/Server-Architektur: Zur Trennung von Speicherung, Verarbeitung und Darstellung der Daten ist eine Client/Server-Architektur zu verwenden. Ein OLAP-Server muss unterschiedliche Clients mit minimalem Aufwand integrieren können. VI. Generische Dimensionalität: Es sollte für alle Dimensionen nur eine logische Struktur geben. Wird eine Dimension um zusätzliche Funktionen erweitert, müssen diese Funktionen auch den anderen Dimensionen zur Verfügung stehen. VII. Dynamische Behandlung dünn besetzter Matrizen: Da es für jedes spezifische Modell genau ein optimales physisches Schema gibt, soll das Modell des OLAP-Werkzeugs automatisch an die gegebene Dimensionalität sowie an die Verteilung der Daten angepasst werden. 16 Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme, S
15 Ein typischer Datenwürfel enthält viele Leerfelder (fehlende Werte). Wäre das Schema des Modells fix, wäre es um ein Vielfaches größer als die tatsächliche Datenmenge. Das OLAP-System muss verschiedene physische Zugriffsmethoden unterstützen: direkter Zugriff, B-Bäume und Erweiterungen, Hashing sowie Kombinationen aus allen. VIII. Mehrbenutzerunterstützung: Mehrere Benutzer müssen gleichzeitig auf dasselbe Modell und dieselben Daten zugreifen können. Hierzu müssen die Integrität der Datenbasis und Datensicherheit gewährleistet werden. IX. Uneingeschränkte kreuzdimensionale Operationen: Berechnungen, die durch die Navigation durch die einzelnen Hierarchiestufen der Dimensionen nötig werden, sollen vom System automatisch durchgeführt werden. Betrachtet sich der Anwender zum Beispiel die Umsätze der einzelnen Rotweinsorten (Produkt) in den verschiedenen Filialen und will anschließend den Gesamtumsatz, der in jeder Filiale mit Rotwein (Produktgruppe) erwirtschaftet wird, angezeigt bekommen, so soll die Aggregation der Detailumsätze vom System selbständig generiert werden. X. Intuitive Datenbearbeitung: Die Navigation durch die Daten und die Neuausrichtung von Konsolidierungspfaden soll direkt über die Sicht der Dimensionen möglich sein. Die Benutzeroberfläche soll intuitiv und leicht verständlich sein. XI. Flexible Berichterstellung: Um die visuelle Analyse von Daten zu erleichtern, sollte die Darstellung so erfolgen, dass Anordnungen und Gruppierungen den realen Anforderungen des Anwenders entsprechen. Wichtig ist hierbei vor allem, dass die Freiheit bezüglich der Anordnung der Daten nicht vom System eingeschränkt werden darf. XII. Unbegrenzte Anzahl von Dimensionen und Klassifikationsebenen: Das System soll mindestens 15 Dimensionen erlauben, wobei jede einzelne eine unbegrenzte Zahl von Klassifikationsebenen haben kann. 12
16 Diese zwölf Regeln definieren die Anforderungen, die OLAP-Systeme zu erfüllen haben. Da sie aber herstellerspezifisch sind (in Bezug auf Hyperion Essbase), wurden sie sehr stark kritisiert. Codd erweiterte daraufhin seinen Regelkatalog um sechs weitere Regeln. Diese fanden aber kaum noch Beachtung. Das OLAP-Council, ein Zusammenschluss der größten MIS-Hersteller, versuchte seit 1994 diese Regeln als Standard zu etablieren. Heute existieren ca. 300 Regeln. Somit wurden die Anforderungen immer komplexer und spezifischer, wodurch die Klassifikation der Werkzeuge zunehmend schwieriger wurde. Infolgedessen entwickelten Nigel Pendse und Richard Creeth einen alternativen, produktunabhängigen Weg zur Klassifikation von OLAP-Tools. Sie kreierten das Schlagwort FASMI fast analysis of shared multidimensional information FASMI FASMI definiert fünf Schlüsselwörter, die ein OLAP-System zu erfüllen hat: Geschwindigkeit: Die meisten Anfragen sollen in maximal fünf Sekunden beantwortet sein. Dabei sollen komplexe nicht länger als 20 Sekunden benötigen und die simpelsten in weniger als einer Sekunde ablaufen. Analysemöglichkeit: Die Daten sollen anwenderfreundlich und intuitiv analysiert werden können. Dazu müssen Funktionen bereitgestellt werden, mit denen der Benutzer verschiedenste Berechnungen durchführen und beliebige Darstellungsformen wählen kann. Sicherheit: Die Benutzung des Systems durch mehrere parallele Nutzer muss gewährleistet sein. Dazu müssen Zugriffsrechte auf Zellebene vergeben werden können, sowie Sperrverfahren, Sicherungs- und Wiederherstellungsmechanismen vorhanden sein. Multidimensionalität: Das System muss eine multidimensionale konzeptionelle Sicht auf die Daten ermöglichen. Hierarchien und multiple Hierarchien sollen unterstützt werden. Die minimal erforderliche Zahl an möglichen Dimensionen wird nicht festgesetzt. Auch die zugrunde liegende Datenbank- 17 Pendse, N.: The OLAP Report 13
17 technologie wird freigestellt (relational, multidimensional, ), solange die multidimensionale Sicht auf die Daten gewährleistet ist. Kapazität: Skalierbarkeit wird gefordert, damit die Antwortzeiten bei beliebigen Datenmengen konstant bleiben. FASMI wird heute meist zur Klassifikation der Systeme verwendet, da es einfacher und produktunabhängig ist. Die Definition ist aber nicht so restriktiv. So liefert sie beispielsweise keinerlei Hinweise wie das System aufgebaut sein soll oder welches DBMS zugrunde liegen soll. Es wird lediglich beschrieben, welche Anforderungen zu erfüllen sind. 6. Fazit Data-Warehouse-Systeme bilden die Plattform für eine zentrale unternehmensweite Informationsversorgung. Durch Integration sämtlicher Unternehmensdaten in nur einer Datenbank wird es möglich, schnell und effizient Analysen durchzuführen. Gerade im Anwendungsgebiet der Betriebswirtschaft können dadurch Chancen und Risiken erkannt und somit Wettbewerbsvorteile erlangt werden. Data Warehousing kann aber nur als ein Schritt gesehen werden. Besonders wichtig dabei ist eine sorgfältige Planung, sowie Kosten- und Nutzenabschätzung des Data- Warehouse-Systems vor der Einführung. Nur so können die Vorteile genutzt werden und die Risiken, insbesondere die hohen Kosten, minimiert werden. Gerade in den letzten Jahren stiegen die Verkaufszahlen von Data-Warehouse-, sowie OLAP-Systemen enorm. Doch für viele Unternehmen wurde dies zu einer Kostenfalle, weil sie die oben genannten Vorarbeiten nicht ausreichend beachtet hatten. Data Warehousing kann also nur in Verbindung mit einer sorgfältigen Planung und Wartung zur erfolgreichen Informationsversorgung beitragen, dann aber sehr effizient und umfassend. 14
18 Anhang ACID ACID wurde von 1983 von Härder und Reuter definiert. Es beschreibt vier grundlegende Eigenschaften, die durch das Transaktionskonzept gewährleistet werden sollen: Atomarität: Eine Transaktion wird entweder komplett oder gar nicht ausgeführt (all or nothing-prinzip). Eine Transaktion besteht üblicherweise aus mehreren Operationen (Update, Insert, Delete). Es darf dabei nicht passieren, dass z. B. bei einer Kontoüberweisung die Abbuchung vom Quellkonto durchgeführt wird, die Einzahlung auf das Zielkonto aber abbricht. Die Datenbank wäre in einem inkonsistenten Zustand. Da solche Operationen aber in Transaktionen ablaufen, wird beim Abbruch der Einzahlung auch die Auszahlung zurückgesetzt. Konsistenz: Eine Transaktion führt eine Datenbank von einem logisch konsistenten Zustand (alle Integritätsregeln gelten) in einen logisch konsistenten Zustand (alle Integritätsregeln gelten). 18 Isolation: Änderungen, die durch eine Transaktion durchgeführt werden, werden erst nach erfolgreichem Abschluss der Transaktion (Commit) für andere Transaktionen/Nutzer sichtbar. Dauerhaftigkeit: Änderungen, die durch erfolgreich abgeschlossene Transaktionen durchgeführt wurden, müssen dauerhaft bestehen bleiben. Dazu müssen im Fehlerfall (Systemversagen, Externspeicherversagen) Wiederherstellungsverfahren zur Verfügung stehen. Transaktionale Anwendungen, wie z. B. OLTP, sind durch diese vier ACID- Eigenschaften gekennzeichnet. 18 Küspert, K.: Datenbanksysteme I III
19 Quellenverzeichnis Bücher und Zeitschriften Bauer, A.; Günzel, H. (2001): Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 1. Auflage, dpunkt-verlag Heidelberg Codd, E. F. (1993): Providing OLAP to User-Analysts: An IT Mandate, S Hönig, T.: Desktop OLAP in Theorie und Praxis, in: Martin, W. (Hrsg.): Data Warehousing, 1. Auflage, Internat. Thomson Publ., S Inmon, W. H.; Hackethorn, R. D. (1994): Using the Data Warehouse, John Wiley & Sons, New York Küspert, K. (2005), Vorlesungsskript: Datenbanksysteme 1 Lehner, W. (2003): Datenbanktechnologie für Data-Warehouse-Systeme: Konzepte und Methoden, 1. Auflage, dpunkt-verlag, Heidelberg Zeh, T.: Data Warehousing als Organisationskonzept des Datenmanagements, Eine kritische Betrachtung der Data-Warehouse-Definition von Inmon, in: Informatik, Forschung und Entwicklung, Band 18, Heft 1, Aug Internetquellen Data-Warehouse, , 16:57 Pendse, N.: The OLAP Report: What is OLAP?, , 16:51 Seiler, M. (2003): OLAP & Data Warehouse. Eine Einführung, Universität Kaiserslautern, , 11:35 IV
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
MehrData 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
MehrData 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
Mehrpro4controlling - Whitepaper [DEU] Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9
Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9 1 Allgemeine Beschreibung "Was war geplant, wo stehen Sie jetzt und wie könnte es noch werden?" Das sind die typischen Fragen, mit denen viele Unternehmer
MehrSeminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
Mehr1 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
MehrOnline Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrUmsetzung 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
MehrEinführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
MehrGesetzliche Aufbewahrungspflicht für E-Mails
Gesetzliche Aufbewahrungspflicht für E-Mails sind Sie vorbereitet? Vortragsveranstaltung TOP AKTUELL Meins und Vogel GmbH, Plochingen Dipl.-Inf. Klaus Meins Dipl.-Inf. Oliver Vogel Meins & Vogel GmbH,
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
MehrBI in der Cloud eine valide Alternative Überblick zum Leistungsspektrum und erste Erfahrungen 11.15 11.45
9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics
MehrSystemen im Wandel. Autor: Dr. Gerd Frenzen Coromell GmbH Seite 1 von 5
Das Management von Informations- Systemen im Wandel Die Informations-Technologie (IT) war lange Zeit ausschließlich ein Hilfsmittel, um Arbeitsabläufe zu vereinfachen und Personal einzusparen. Sie hat
Mehrinfach Geld FBV Ihr Weg zum finanzellen Erfolg Florian Mock
infach Ihr Weg zum finanzellen Erfolg Geld Florian Mock FBV Die Grundlagen für finanziellen Erfolg Denn Sie müssten anschließend wieder vom Gehaltskonto Rückzahlungen in Höhe der Entnahmen vornehmen, um
MehrAllgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
MehrOPERATIONEN AUF EINER DATENBANK
Einführung 1 OPERATIONEN AUF EINER DATENBANK Ein Benutzer stellt eine Anfrage: Die Benutzer einer Datenbank können meist sowohl interaktiv als auch über Anwendungen Anfragen an eine Datenbank stellen:
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrInsiderwissen 2013. Hintergrund
Insiderwissen 213 XING EVENTS mit der Eventmanagement-Software für Online Eventregistrierung &Ticketing amiando, hat es sich erneut zur Aufgabe gemacht zu analysieren, wie Eventveranstalter ihre Veranstaltungen
MehrSurvival 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
Mehrmysql - Clients MySQL - Abfragen eine serverbasierenden Datenbank
mysql - Clients MySQL - Abfragen eine serverbasierenden Datenbank In den ersten beiden Abschnitten (rbanken1.pdf und rbanken2.pdf) haben wir uns mit am Ende mysql beschäftigt und kennengelernt, wie man
MehrBachelor Prüfungsleistung
FakultätWirtschaftswissenschaftenLehrstuhlfürWirtschaftsinformatik,insb.Systementwicklung Bachelor Prüfungsleistung Sommersemester2008 EinführungindieWirtschaftsinformatik immodul GrundlagenderWirtschaftswissenschaften
MehrData 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
MehrAGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b
AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität
MehrDie Lernumgebung des Projekts Informationskompetenz
Beitrag für Bibliothek aktuell Die Lernumgebung des Projekts Informationskompetenz Von Sandra Merten Im Rahmen des Projekts Informationskompetenz wurde ein Musterkurs entwickelt, der den Lehrenden als
MehrJava Enterprise Architekturen Willkommen in der Realität
Java Enterprise Architekturen Willkommen in der Realität Ralf Degner (Ralf.Degner@tk-online.de), Dr. Frank Griffel (Dr.Frank.Griffel@tk-online.de) Techniker Krankenkasse Häufig werden Mehrschichtarchitekturen
MehrBest Practice Infor PM 10 auf Infor Blending
Best Practice Infor PM 10 auf Infor Blending, 11.11.2008 Infor Performance Management Best Practice Infor PM 10 auf Infor Blending Leistungsübersicht Infor PM 10 auf Infor Blending eine Data Warehouse
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrVirtual Roundtable: Business Intelligence - Trends
Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Prof. Dr. Rainer Bischoff Organisation: Fachbereich Wirtschaftsinformatik,
MehrTREND SEARCH VISUALISIERUNG. von Ricardo Gantschew btk Berlin Dozent / Till Nagel
von Ricardo Gantschew btk Berlin Dozent / Till Nagel 01 IDEE Einige kennen vielleicht GoogleTrends. Hierbei handelt es sich um eine Anwendung, bei der man verschiedenste Begriffe auf die Häufigkeit ihrer
MehrANYWHERE Zugriff von externen Arbeitsplätzen
ANYWHERE Zugriff von externen Arbeitsplätzen Inhaltsverzeichnis 1 Leistungsbeschreibung... 3 2 Integration Agenda ANYWHERE... 4 3 Highlights... 5 3.1 Sofort einsatzbereit ohne Installationsaufwand... 5
MehrGuide DynDNS und Portforwarding
Guide DynDNS und Portforwarding Allgemein Um Geräte im lokalen Netzwerk von überall aus über das Internet erreichen zu können, kommt man um die Themen Dynamik DNS (kurz DynDNS) und Portweiterleitung(auch
MehrSie erhalten einen kurzen Überblick über die verschiedenen Domänenkonzepte.
4 Domänenkonzepte Ziele des Kapitels: Sie verstehen den Begriff Domäne. Sie erhalten einen kurzen Überblick über die verschiedenen Domänenkonzepte. Sie verstehen die Besonderheiten der Vertrauensstellungen
MehrOLAP und Data Warehouses
OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting
MehrOutsourcing und Offshoring. Comelio und Offshoring/Outsourcing
Outsourcing und Offshoring Comelio und Offshoring/Outsourcing INHALT Outsourcing und Offshoring... 3 Comelio und Offshoring/Outsourcing... 4 Beauftragungsmodelle... 4 Projektleitung vor Ort und Software-Entwicklung
MehrSICHERN DER FAVORITEN
Seite 1 von 7 SICHERN DER FAVORITEN Eine Anleitung zum Sichern der eigenen Favoriten zur Verfügung gestellt durch: ZID Dezentrale Systeme März 2010 Seite 2 von 7 Für die Datensicherheit ist bekanntlich
MehrContent Management System mit INTREXX 2002.
Content Management System mit INTREXX 2002. Welche Vorteile hat ein CM-System mit INTREXX? Sie haben bereits INTREXX im Einsatz? Dann liegt es auf der Hand, dass Sie ein CM-System zur Pflege Ihrer Webseite,
MehrFragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96
Fragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96 Dieser Fragenkatalog wurde aufgrund das Basistextes und zum Teil aus den Prüfungsprotokollen erstellt, um sich auf mögliche
MehrWS 2002/03. Prof. Dr. Rainer Manthey. Institut für Informatik III Universität Bonn. Informationssysteme. Kapitel 1. Informationssysteme
Informationssysteme Informationssysteme WS 2002/03 Prof. Dr. Rainer Manthey Institut für Informatik III Universität Bonn 2002 Prof. Dr. Rainer Manthey Informationssysteme 1 DB und/oder IS: terminologischer
MehrÜbungen zur Softwaretechnik
Technische Universität München Fakultät für Informatik Lehrstuhl IV: Software & Systems Engineering Markus Pister, Dr. Bernhard Rumpe WS 2002/2003 Lösungsblatt 9 17. Dezember 2002 www4.in.tum.de/~rumpe/se
MehrDie Software für Visualisierung und Analyse von Strukturinformationen aus EDM- und PDM-Systemen.
Die Software für Visualisierung und Analyse von Strukturinformationen aus EDM- und PDM-Systemen. : Der Markt verändert sich bei der Produktentwicklung. Kürzere Entwicklungszeiten, umfangreichere Produktspektren
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
MehrAccess [basics] Rechnen in Berichten. Beispieldatenbank. Datensatzweise berechnen. Berechnung im Textfeld. Reporting in Berichten Rechnen in Berichten
Berichte bieten die gleichen Möglichkeit zur Berechnung von Werten wie Formulare und noch einige mehr. Im Gegensatz zu Formularen bieten Berichte die Möglichkeit, eine laufende Summe zu bilden oder Berechnungen
MehrSANDBOXIE konfigurieren
SANDBOXIE konfigurieren für Webbrowser und E-Mail-Programme Dies ist eine kurze Anleitung für die grundlegenden folgender Programme: Webbrowser: Internet Explorer, Mozilla Firefox und Opera E-Mail-Programme:
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrIst Fernsehen schädlich für die eigene Meinung oder fördert es unabhängig zu denken?
UErörterung zu dem Thema Ist Fernsehen schädlich für die eigene Meinung oder fördert es unabhängig zu denken? 2000 by christoph hoffmann Seite I Gliederung 1. In zu großen Mengen ist alles schädlich. 2.
MehrIntegration mit. Wie AristaFlow Sie in Ihrem Unternehmen unterstützen kann, zeigen wir Ihnen am nachfolgenden Beispiel einer Support-Anfrage.
Integration mit Die Integration der AristaFlow Business Process Management Suite (BPM) mit dem Enterprise Information Management System FILERO (EIMS) bildet die optimale Basis für flexible Optimierung
MehrModellbildungssysteme: Pädagogische und didaktische Ziele
Modellbildungssysteme: Pädagogische und didaktische Ziele Was hat Modellbildung mit der Schule zu tun? Der Bildungsplan 1994 formuliert: "Die schnelle Zunahme des Wissens, die hohe Differenzierung und
MehrIntegration verteilter Datenquellen in GIS-Datenbanken
Integration verteilter Datenquellen in GIS-Datenbanken Seminar Verteilung und Integration von Verkehrsdaten Am IPD Lehrstuhl für Systeme der Informationsverwaltung Sommersemester 2004 Christian Hennings
MehrThemen. M. Duffner: Datenbanksysteme
Datenbanksysteme Themen Theorie Einführung Datenbank, Datenbankmanagementsystem (DBMS), Aufgaben eines DBMS Relationale Datenbanken Daten als Tabellen Datenbankentwurf im Entity-Relationship-Modell Abfragesprache
MehrMarketing 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
MehrKampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht
Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Thomas Kreuzer ec4u expert consulting ag Karlsruhe Schlüsselworte: Kampagnenmanagement Praxisbericht Siebel Marketing Oracle BI - ec4u
MehrLizenzierung von SharePoint Server 2013
Lizenzierung von SharePoint Server 2013 Das Lizenzmodell von SharePoint Server 2013 besteht aus zwei Komponenten: Serverlizenzen zur Lizenzierung der Serversoftware und CALs zur Lizenzierung der Zugriffe
MehrDatenbanken. Prof. Dr. Bernhard Schiefer. bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer
Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Wesentliche Inhalte Begriff DBS Datenbankmodelle Datenbankentwurf konzeptionell, logisch und relational
Mehrproles-login. Inhalt [Dokument: L201401-1018 / v1.0 vom 16.01.2014]
proles-login. [Dokument: L201401-1018 / v1.0 vom 16.01.2014] Inhalt 1. Einleitung 2 2. email-adresse registrieren 2 3. Benutzerinformationen des Mitarbeiters 3 4. Passwort-Rücksetzung 4 5. Passwort ändern
MehrTabelle: Maßnahmen und Datenschutz-Kontrollziele zu Baustein 1.5 Datenschutz
Tabelle: Maßn und Datenschutz-Kontrollziele zu Baustein 1.5 Datenschutz (Verweis aus Maß M 7.5) Basierend auf den IT-Grundschutz-Katalogen Version 2006 Stand: November 2006, Stand der Tabelle: 22.08.07
MehrUnsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung
Management Briefing Unsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung Erhalten Sie die Einblicke, die Sie brauchen, um schnell auf Nachfrageschwankungen reagieren zu können Sales and
MehrOP-LOG www.op-log.de
Verwendung von Microsoft SQL Server, Seite 1/18 OP-LOG www.op-log.de Anleitung: Verwendung von Microsoft SQL Server 2005 Stand Mai 2010 1 Ich-lese-keine-Anleitungen 'Verwendung von Microsoft SQL Server
Mehr1. Management Summary. 2. Grundlagen ERP. 3. ERP für die Produktion. 4. ERP für den Handel. 5. EPR für Dienstleistung. 6.
Inhalt Erfolg für Ihr Projekt 1. Management Summary 2. Grundlagen ERP 3. ERP für die Produktion 4. ERP für den Handel 5. EPR für Dienstleistung 6. Einzelne Module 7. Blick auf Markt und Technologien 8.
MehrE-Sourcing einfach, effizient und erfolgreich
E-Sourcing einfach, effizient und erfolgreich In wenigen Schritten von der Lieferanteninformation zur Auktion Die Beschaffung von Waren und Dienstleistungen ist für Unternehmen immer mit einem enormen
MehrDer beste Plan für Office 365 Archivierung.
Der beste Plan für Office 365 Archivierung. Der Einsatz einer externen Archivierungslösung wie Retain bietet Office 365 Kunden unabhängig vom Lizenzierungsplan viele Vorteile. Einsatzszenarien von Retain:
MehrNovell Client. Anleitung. zur Verfügung gestellt durch: ZID Dezentrale Systeme. Februar 2015. ZID Dezentrale Systeme
Novell Client Anleitung zur Verfügung gestellt durch: ZID Dezentrale Systeme Februar 2015 Seite 2 von 8 Mit der Einführung von Windows 7 hat sich die Novell-Anmeldung sehr stark verändert. Der Novell Client
MehrNutzung von GiS BasePac 8 im Netzwerk
Allgemeines Grundsätzlich kann das GiS BasePac Programm in allen Netzwerken eingesetzt werden, die Verbindungen als Laufwerk zu lassen (alle WINDOWS Versionen). Die GiS Software unterstützt nur den Zugriff
MehrIn diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access. Die Grundlagen der Datenbanken.
In diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access Die Grundlagen der Datenbanken kurspc15 Inhaltsverzeichnis Access... Fehler! Textmarke nicht
MehrInhalt. 1 Übersicht. 2 Anwendungsbeispiele. 3 Einsatzgebiete. 4 Systemanforderungen. 5 Lizenzierung. 6 Installation. 7 Key Features.
Inhalt 1 Übersicht 2 Anwendungsbeispiele 3 Einsatzgebiete 4 Systemanforderungen 5 Lizenzierung 6 Installation 7 Key Features Seite 2 von 11 1. Übersicht MIK.mobile for ipad ist eine Business Intelligence
MehrDatensicherung. Beschreibung der Datensicherung
Datensicherung Mit dem Datensicherungsprogramm können Sie Ihre persönlichen Daten problemlos Sichern. Es ist möglich eine komplette Datensicherung durchzuführen, aber auch nur die neuen und geänderten
MehrHow to do? Projekte - Zeiterfassung
How to do? Projekte - Zeiterfassung Stand: Version 4.0.1, 18.03.2009 1. EINLEITUNG...3 2. PROJEKTE UND STAMMDATEN...4 2.1 Projekte... 4 2.2 Projektmitarbeiter... 5 2.3 Tätigkeiten... 6 2.4 Unterprojekte...
Mehr2. Einrichtung der ODBC-Schnittstelle aus orgamax (für 32-bit-Anwendungen)
1. Einführung: Über den ODBC-Zugriff können Sie bestimmte Daten aus Ihren orgamax-mandanten in anderen Anwendungen (beispielsweise Microsoft Excel oder Microsoft Access) einlesen. Dies bietet sich beispielsweise
MehrEigene Dokumente, Fotos, Bilder etc. sichern
Eigene Dokumente, Fotos, Bilder etc. sichern Solange alles am PC rund läuft, macht man sich keine Gedanken darüber, dass bei einem Computer auch mal ein technischer Defekt auftreten könnte. Aber Grundsätzliches
MehrTransparente Hausverwaltung Marketingschmäh oder doch: eine neue Dimension der Dienstleistung?
Transparente Hausverwaltung Marketingschmäh oder doch: eine neue Dimension der Dienstleistung? INTERNET Geschäftsführer Biletti Immobilien GmbH 24/7 WEB Server Frankgasse 2, 1090 Wien E-mail: udo.weinberger@weinberger-biletti.at
MehrLook Inside: desite. modellorientiertes Arbeiten im Bauwesen. B.I.M.
Building Information Modeling Look Inside: desite modellorientiertes Arbeiten im Bauwesen. B.I.M. desite MD unterstützt Sie bei der täg lichen Arbeit mit Gebäudemodellen und ermöglicht den Zugang zu den
MehrWas ist neu in Sage CRM 6.1
Was ist neu in Sage CRM 6.1 Was ist neu in Sage CRM 6.1 In dieser Präsentation werden wir Sie auf eine Entdeckungstour mitnehmen, auf der folgende neue und verbesserte Funktionen von Sage CRM 6.1 auf Basis
MehrTeaser-Bilder erstellen mit GIMP. Bildbearbeitung mit GIMP 1
Teaser-Bilder erstellen mit GIMP 08.08.2014 Bildbearbeitung mit GIMP 1 Auf den folgenden Seiten werden die wichtigsten Funktionen von GIMP gezeigt, welche zur Erstellung von Bildern für die Verwendung
MehrOhne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt
MehrSpeicher in der Cloud
Speicher in der Cloud Kostenbremse, Sicherheitsrisiko oder Basis für die unternehmensweite Kollaboration? von Cornelius Höchel-Winter 2013 ComConsult Research GmbH, Aachen 3 SYNCHRONISATION TEUFELSZEUG
MehrDER SELBST-CHECK FÜR IHR PROJEKT
DER SELBST-CHECK FÜR IHR PROJEKT In 30 Fragen und 5 Tipps zum erfolgreichen Projekt! Beantworten Sie die wichtigsten Fragen rund um Ihr Projekt für Ihren Erfolg und für Ihre Unterstützer. IHR LEITFADEN
MehrKostenstellen verwalten. Tipps & Tricks
Tipps & Tricks INHALT SEITE 1.1 Kostenstellen erstellen 3 13 1.3 Zugriffsberechtigungen überprüfen 30 2 1.1 Kostenstellen erstellen Mein Profil 3 1.1 Kostenstellen erstellen Kostenstelle(n) verwalten 4
MehrAnleitung über den Umgang mit Schildern
Anleitung über den Umgang mit Schildern -Vorwort -Wo bekommt man Schilder? -Wo und wie speichert man die Schilder? -Wie füge ich die Schilder in meinen Track ein? -Welche Bauteile kann man noch für Schilder
MehrHandbuch. timecard Connector 1.0.0. Version: 1.0.0. REINER SCT Kartengeräte GmbH & Co. KG Goethestr. 14 78120 Furtwangen
Handbuch timecard Connector 1.0.0 Version: 1.0.0 REINER SCT Kartengeräte GmbH & Co. KG Goethestr. 14 78120 Furtwangen Furtwangen, den 18.11.2011 Inhaltsverzeichnis Seite 1 Einführung... 3 2 Systemvoraussetzungen...
MehrMeet the Germans. Lerntipp zur Schulung der Fertigkeit des Sprechens. Lerntipp und Redemittel zur Präsentation oder einen Vortrag halten
Meet the Germans Lerntipp zur Schulung der Fertigkeit des Sprechens Lerntipp und Redemittel zur Präsentation oder einen Vortrag halten Handreichungen für die Kursleitung Seite 2, Meet the Germans 2. Lerntipp
MehrDas Handbuch zu Simond. Peter H. Grasch
Peter H. Grasch 2 Inhaltsverzeichnis 1 Einführung 6 2 Simond verwenden 7 2.1 Benutzereinrichtung.................................... 7 2.2 Netzwerkeinrichtung.................................... 9 2.3
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrDie itsystems Publishing-Lösung
Die itsystems Publishing-Lösung www.itsystems.ch 1/6 Inhaltsverzeichnis 1 Publishing-Portal Funktionsübersicht... 3 1.1 Umfang des itsystems Portal... 3 1.2 Portal-Lösungsübersicht... 4 www.itsystems.ch
MehrData 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
MehrIst Excel das richtige Tool für FMEA? Steve Murphy, Marc Schaeffers
Ist Excel das richtige Tool für FMEA? Steve Murphy, Marc Schaeffers Ist Excel das richtige Tool für FMEA? Einleitung Wenn in einem Unternehmen FMEA eingeführt wird, fangen die meisten sofort damit an,
MehrLizenzierung von SharePoint Server 2013
Lizenzierung von SharePoint Server 2013 Das Lizenzmodell von SharePoint Server 2013 besteht aus zwei Komponenten: Serverlizenzen zur Lizenzierung der Serversoftware und CALs zur Lizenzierung der Zugriffe
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
Mehr1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung
1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil
MehrFragen und Antworten
Fragen und Antworten im Umgang mit dem elektronischen Abfallnachweisverfahren eanv in Bezug auf die ZKS-Abfall -Allgemeine Fragen- www.zks-abfall.de Stand: 19.05.2010 Einleitung Auf den folgenden Seiten
MehrKapitel 4 Die Datenbank Kuchenbestellung Seite 1
Kapitel 4 Die Datenbank Kuchenbestellung Seite 1 4 Die Datenbank Kuchenbestellung In diesem Kapitel werde ich die Theorie aus Kapitel 2 Die Datenbank Buchausleihe an Hand einer weiteren Datenbank Kuchenbestellung
MehrObjektorientierte 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
MehrIT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit
IT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrFehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems
Fehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems Name: Bruno Handler Funktion: Marketing/Vertrieb Organisation: AXAVIA Software GmbH Liebe Leserinnen und liebe Leser,
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrEasyWk DAS Schwimmwettkampfprogramm
EasyWk DAS Schwimmwettkampfprogramm Arbeiten mit OMEGA ARES 21 EasyWk - DAS Schwimmwettkampfprogramm 1 Einleitung Diese Präsentation dient zur Darstellung der Zusammenarbeit zwischen EasyWk und der Zeitmessanlage
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr