Data Vault Zentralisierung von Businesslogik und Data Mart-Anbindung. Dr. Bodo Hüsemann Informationsfabrik GmbH
|
|
- Lucas Kaufer
- vor 6 Jahren
- Abrufe
Transkript
1 Data Vault Zentralisierung von Businesslogik und Data Mart-Anbindung Dr. Bodo Hüsemann Informationsfabrik GmbH
2 Konzeption und Architektur Implementierung [ETL, Reporting, OLAP, Planung] Schulungen für BI und DWH [Tools, Vorgehensmodelle, Projektmanagement] A C B D Projektmanagement [klassisch und agil] Coaching, Beratung, Expertisen 2
3 Agenda Single Version of Facts <-> Single Point of Truth Business Vault Design Patterns Von der Data Vault zum Data Mart Kopplung und Kohäsion im Data Vault Kontext 3
4 Data Warehouse Designziele Klassisch: Data Warehouse als Single Point Of Truth (SPOT) Unternehmensweit eindeutige Fachsicht auf Kennzahlen Zentralisierung von Berechnungen und Fachlogik allgemein BI Data Governance (Durchsetzung einer Datenqualitätsstrategie) Kapselung und Wiederverwendung der Implementierung von Fachlogik Data Integration Business Alignment Kritik aus der Praxis: Geringe Agilität bei der Umsetzung von fachlichen Neuanforderungen und Änderungen Keine klare Trennung zwischen integrierter Quellsystemsicht und SPOT 4
5 Data Warehouse Designziele Single Version of Facts (aka ODS mit Historisierung) Integrierte Sicht auf alle operationalen Quellsysteme (Fakten) Physikalische und logische Integration von Anfrage- und Abnahmeprozessen Hub and Spoke Zentralisierung von Eingangs- und Ausgangsschnittstellen Lose Kopplung zwischen Quellsystemen und Anfrage- bzw. Abnehmersystemen Point to Point (hohe Kopplung) Hub & Spoke (lose Kopplung) Standardisierte Historisierung von Quellsystemänderungen Normierung der technischen Historisierungsmethode und -technik Normierung der fachlichen Quellsystemhistorisierung. Fälle: Keine Historisierung (z.b. Referenzdaten wie ISO-Codes) Zeitstempelhistorisierung (z.b. Gültig-ab Attribute, z.b. EFFDT) Zeitintervallhistorisierung (Gültig-ab + Gültig-bis, z.b. VALID_FROM, VALID_TO) 5
6 Data Vault Architektur: Raw- und Business-Vault Sources Staging Data Vault BI-Layer Single Version of Facts Integrationslogik Raw Vault Analytical BI 1:1 Soft Rules OLAP external Hard Rules Business Vault Standard Reporting Single Point of Truth Zentralisierung der Integrations- und Historisierungslogik in einer Raw Vault Zentralisierung von Businesslogik in einer Business Vault (oft schon virtuell) BI Layer greift standardmäßig auf SPOT der Business Vault (virtuell falls möglich) Spezifische Fachlogik für Data Marts greift auf Raw Vault zu Integration von Fachinformation aus dem BI-Layer (Managed Self-Service BI) Data Vault ermöglicht die logische Integration in einem Datenmodell (Hubs) bei gleichzeitiger Entkopplung der einzelnen Inhalte (Satelliten und Links) 6
7 Business Vault genauere Charakterisierung Quellsysteme Data Vault Data Marts Raw Vault Business Vault Conformed Marts Conformed Custom Custom Mart Conformed Business Vault und Marts: Unternehmenssicht (SPOT) Custom Business Vault und Marts: Umsetzung spezifischer/alternativer Businesslogik 7
8 Umsetzung von Änderungsanforderungen Quellsysteme Data Vault Data Marts Raw Vault Business Vault Conformed Custom Conformed Marts Custom Mart 1. Fall: Quellsystemänderung (bestehendes Attribut ändern -> eher selten) a. Raw Vault ändern, abhängige Conformed BV und Data Mart zu ändern b. Raw Vault ändern Conformed BV unverändert aber evtl. Custom BV und Mart anpassen c. Raw Vault erweitern, evtl. Custom BV zu erweitern und Custom Mart (vgl. SCD3) 2. Fall: Quellsystemerweiterung (neue(s) Quellsystem, Tabelle, Attribut -> regelmäßig) a. Raw Vault erweitern b. Raw Vault erweitern, Conformed BV und Data Mart erweitern c. Raw Vault erweitern, Custom BV und Custom Mart erweitern bzw. erstellen 3. Fall: Änderung der Businesslogik (eher häufig und zeitnahe Umsetzung benötigt) a. Conformed BV und Data Mart ändern b. Custom BV und Custom Mart erweitern bzw. erstellen -> evtl. technische Schuld 8
9 Agenda Single Version of Facts <-> Single Point of Truth Business Vault Design Patterns Von der Data Vault zum Data Mart Kopplung und Kohäsion im Data Vault Kontext 9
10 Business Vault Designpatterns für Fachlogik Ableitung neuer Attribute (Satelliten) Ableitung neuer Relationen (Links) Ableitung neuer Entitäten (Hubs) Validierung Harmonisierung Aggregation Transformation Mit den Eigenschaften und Nebenbedingungen Änderung/ Erweiterung der Businesslogik ist entkoppelt zur Raw Vault Quellsystemerweiterungen sind entkoppelt zur bestehenden Businesslogik Fachlogik kann oft durch Virtualisierung umgesetzt werden (NoETL) 10
11 Data Vault Designpatterns für Fachlogik Berechnung abgeleiteter Attribute: Beispiel Scoring Ziel: Bestimmung der Popularität eines Künstlers Raw Vault Business Vault 11
12 Data Vault Designpatterns für Fachlogik Berechnung abgeleiteter Relationen: Beispiel Same as Link Ausgangssituation: Hub H_ARTIST in der RAW Vault enthält Duplikate Ziel: Modellierung einer Ähnlichkeitsrelation mit einem Ähnlichkeitsscore Raw Vault Business Vault 12
13 Data Vault Designpatterns für Fachlogik Ableitung neuer fachlicher Entitäten z.b. Fusion von Hubs Ziel: Identityresolution über Zusatzservice Musicbrainz (MBID) LastFM Artist und Spotify Artist auf einen systemübergreifenden Fachschlüssel (MBID) abbilden und Attribute fusionieren. Raw Vault Business Vault 13
14 Data Vault Designpatterns für Fachlogik Validierung Datenqualitätsprüfung und Ergebnis Ziel: Prüfung von Validierungsregeln (z.b. Formate, Wertebereiche) 1. Fall: Erkennung von Datenqualitätsmängeln (keine Raw Vault Veränderung -> area ) 2. Fall: Erkennung und Behandlung von technischen Integrationsfehlern (Default in Raw Vault -> founded ) Raw Vault Business Vault (Error Vault) h_artist_id valid_from artist_name founded area NULL Im Jahr 1995 Westfalen h_artist_id valid_from artist_name founded area Prodigy NULL Westfalen Prodigy 1995 Nordrhein-Westfalen 14
15 Data Vault Designpatterns für Fachlogik Harmonisierung Ziel: Normierung von Wertebereichen, Formaten, Defaults Raw Vault Business Vault Germany The Prodigy Deutschland Prodigy, The 15
16 Data Vault Designpatterns für Fachlogik Veränderung der Granularität Aggregationskennzahlen Beispiele: Portfolio-Kennzahlen (Riskomanagement) Deckungsbeiträge (Produktkalkulation) FTEs für Mitarbeiter bzw. Stellen (Ressourcenplanung) Media: Musikcharts Pirate Link Raw Vault Business Vault 16
17 Agenda Single Version of Facts <-> Single Point of Truth Business Vault Design Patterns Von der Data Vault zum Data Mart Kopplung und Kohäsion im Data Vault Kontext 17
18 Data Vault zu Data Mart Transformation Ausgangssituation und Anforderungen Fakten der Quellsysteme: Raw Vault Fachlogik : Business Vault Conformed Business Vault (SPOT) Custom Business Vault Spezifische Fachlogik eines Data Mart? Alternative 1: Implementierung ebenfalls in der Business Vault Alternative 2: Implementierung innerhalb der Data Mart Schicht Vorteile der Alternative 1: Hoher Automatisierungsgrad bei der Data Mart Erstellung Keine zusätzliche Historisierungsschicht im Data Mart Nutzung von Virtualisierungstechnologie falls möglich Data Mart als anfrageoptimierte Sicht auf die Daten der Data Vault 18
19 Virtualisierung von Business Logik Ziele Schnellere Anpassung an fachliche Anforderungen Fachbereich pflegt Business Rules (Managed Selfservice BI) Vermeidung von Datenbank Migrationsaufwänden Aktuell: technische (Not)-Lösung mit NoETL (Not Only ETL) Datenintegration zur Zeit der Anfrage (on demand ETL) Virtualisierte ETL Technologie (z.b. Informatica Data Services) Als Webservice ausführbare ETL-Prozesse Alternativ realisiert durch Datenbanktechnologie DB SQL-Views View gekapselte Stored Procedures (z.b. SAP Hana Analytic Views) Zukünftig: realtime processing engines Apache Spark (nextgen Hadoop batch processing) Apache Storm (stream/ CEP processing) 19
20 Batch vs. Realtime vs. Virtual DI Sources Staging Data Vault BI-Layer Batch Integrationslogik Single Version of Facts Raw Vault Analytical BI 1:1 OLAP Soft Rules Virtual DI Layer ESB/CDC Realtime Hard Rules Business Vault Single Point of Truth Standard Reporting Batch: Pull ETL Prozesse (datenmengenorientiert) Realtime: Push ETL Prozesse (einzelsatzorientiert) Virtual DI: NoETL Prozesse (z.b. DBViews oder on demand ETL) 20
21 Business Vault Designpatterns für Data Marts Ansätze und Hilfskonstrukte zur Optimierung der Data Mart Erstellung Dimensionsebenen Einsatz von Point-in-Time (PIT) Satelliten Vielzahl von Satelliten verknüpft mit Hub oder Link Optimierung von AS-OF Abfragen (Vorberechnung von Filtern) Abgefragte Datenmenge wird reduziert (Snapshot) Dimensionshierarchien Einsatz von Bridge Tabellen Hierarchie schließt eine Vielzahl von Hubs & Links ein (Bridge) Datenlieferung in Real-Time (Pufferung von konsistenten Snapshots) Pattern: Denormalisierung rekursiver Hierarchien Faktentabellen Verwendung von PIT und Bridge Tabellen gleichzeitig 21
22 Point-in-Time Satellit - PIT PIT ist temporaler Index für schnellen AS-OF Zugriff auf Satelliten Primary Key Raw Vault Business Vault 22
23 PIT Table - Beispiel s_artist bs_artist_norm bs_artist_scoring ID valid_from artist_name ID valid_from ort_name ID valid_from popularity Prodigy Prodigy The Prodigy Prodigy, The ID valid_from s_artist bs_artist_norm bs_artist_scoring NULL NULL Union all LOAD_START dates oder Snapshot Date (z.b. EOM) 23
24 Point in Time Table - Änderungszeitlinien s_artist Prodigy The Prodigy s_artist_norm Prodigy Prodigy, The s_artist_scoring 1 2 t1 t2 t3 t4 t5 VALID_FROM s_artist T1 T1 T3 T3 T3 s_artist_nom T0 T2 T3 T3 T3 s_artist_scoring T0 T0 T0 T4 T5 Zeit T0: Zero-Key Records statt NULL ->Natural Join 24
25 Bridge Table AS-OF Abfragen auf mehrere Hub/Link-Tabellen beschleunigen -> Hilfskonstrukt und keine Data Vault Entität B_Bridge Tabelle H_HUB3 S_1 PK PK B_ID Timestamp Primary Key S_2 S_3 Hub 1 ID Hub 2 ID Hub 3 ID Link 1 ID Link 2 ID... Link N ID Hub 1 Business Key Hub 2 Business Key... Hub N Business Key Optional L_H2_H3 H_HUB2 L_H1_H2 H_HUB1 S_1 S_1 25
26 Business Vault Designpattern Denormalisierung - Flachklopfen rekursiv definierter Hierarchien Anfrageoptimierung (Strukturänderung) Keine Fachlogik im engeren Sinn -> Performanceoptimierung Raw Vault Business Vault 26
27 Data Vault Designpatterns Data Mart Erstellung Denormalisierung - Flachklopfen rekursiv definierter Hierarchien Unbalancierte Hierarchien Pfadlänge von Blatt bis Wurzel ist unterschiedlich Elementzuordnung auf jeder Ebene möglich Hier: Normalisierung zu einer balancierten Hierarchie Alternative: Zuordnung von NA -Dummies ID leaf level genre_1 genre_2 genre_3 1 n 1 Rock Rock Rock 2 n 2 Rock Heavy Metal Heavy Metal 3 y 3 Rock Heavy Metal Progressive Metal 4 n 1 Electronic Electronic Electronic 5 n 2 Electronic Pop Pop 6 y 3 Electronic Pop Hip Hop 27
28 Data Vault Data Mart Erstellung Ausgangsmodell Data Vault 28
29 Data Vault Data Mart Erstellung Ausgangsmodell Data Vault Dimension User Fakt MusicRating Dimension Music 29
30 Beispiel Bridge Bridge Dimension: b_d_music b_d_music_id valid_from valid_to h_song_id h_album_id h_artist_id song_id album_id artist_id S1 A1 K1 SName1 AName1 Artist S2 A1 K1 SName2 AName1 Artist S3 A2 K1 SName3 AName2 Artist1 Hier sind keine LinkIDs in der Bridge, da sie keine Satelliteninfo für die Dimension besitzen Dimension Music 30
31 Beispieldimension Dimension Music: Erstellung über Bridge b_d_music Bridge b_d_music_id valid_from valid_to h_song_id h_album_id h_artist_id song_id album_id artist_id S1 A1 K1 SongID1 AlbumID1 ArtistID S2 A1 K1 SongID2 AlbumID1 ArtistID S3 A2 K1 SongID3 AlbumID2 ArtistID1 Join der Bridge mit den Satelliten ergibt STAR-Dimension (Nutzung PIT falls vorhanden) Künstlicher Schlüssel der Bridge ist Teilschlüssel der Faktentabelle (für historisierte Dim.) Künstliche Schlüssel der Data Vault sind nicht Teil des Data Marts Dimension d_music_id valid_from valid_to song_id song_name album_id album_ name artist_id artist_ name artist_ sortname M SongID1 This That AlbumID1 Future ArtistID1 The Boys Boys, The M SongID2 MyDream AlbumID1 Future ArtistID1 The Boys Boys, The M SongID3 The Place AlbumID2 Past ArtistID1 The Boys Boys, The 31
32 Beispielfakt Erstellung der Fakt MusicRating Join zwischen Hub/Link mit Kennzahl und den zugehörigen Bridges Berechnung abgeleiteter Kennzahlen bereits in der Business Vault Fakt MusicRating d_time d_music_id d_user_id stars stars_delta Bridge b_d_user M1 U M2 U M3 U2 3-1 Bridge b_d_music 32
33 Agenda Single Version of Facts <-> Single Point of Truth Business Vault Design Patterns Von der Data Vault zum Data Mart Kopplung und Kohäsion im Data Vault Kontext 33
34 Designmetrik: Kopplung Was bedeutet Kopplung im BI Kontext? Kopplung ist eine Strukturmetrik: Änderungsabhängigkeit zwischen Entitäten Änderungsabhängigkeiten im BI Kontext: 1. Datenmodell 2. Datenflussabhängigkeit (ETL Prozesse) Data Vault entkoppelt Änderungen auf Datenmodellebene durch Separierung von Schlüssel-, Relations-, Kontextinformation Hoher Kopplungsgrad Niedriger Kopplungsgrad 34
35 Designmetrik: Kohäsion Was bedeutet Kohäsion im BI Kontext? Kohäsion ist ein Inhaltsmetrik: Maß inhaltlicher/fachlicher Nähe der Daten (Attribute) und Funktionen (Logik) einer Entität. Kennzeichen hoher Kohäsion: 1. Datenmodell: Attribute einer Tabelle werden oft gemeinsam angefragt (strukturell) Attributwerte einer Tabelle ändern sich häufig gemeinsam (Unit of Work) 2. Datenfluss/ Fachlogik: Datenfluss erfüllt *einen* klar definierten fachlichen und technischen Zweck Data Vault bündelt fachlich zusammengehörige Attribute in separierte Satelliten. Data Vault entkoppelt auf Architekturebene die Integrations-, Historisierungs- und Fachlogik und erhöht damit die Kohäsion der jeweiligen Datenflussprozesse innerhalb einer Schicht. Niedrige Kohäsion Hohe Kohäsion 35
36 Single Responsibility Principle (SRP) Low COUPLING - High COHESION Jede Verantwortung einer Entität ist eine potentielle Änderungsquelle. Gibt es mehrere unabhängige Änderungsquellen pro Entität, dann existieren möglicherweise auch mehrere Verantwortlichkeiten. Das SRP wird durch niedrige Kopplung und hohe Kohäsion umgesetzt und so sind die Gesamtkosten einer Änderung am niedrigsten. Dieses Prinzip ist durch Data Vault im BI Kontext umsetzbar. Gather together the things that change for the same reasons. Separate those things that change for different reasons. Robert C. Martin (Uncle Bob) 36
37 Bleiben wir in Kontakt Dr. Bodo Hüsemann Informationsfabrik GmbH / bhuesemann@informationsfabrik.de 37
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider, Trivadis AG DOAG Konferenz 2015 BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENEVA HAMBURG COPENHAGEN LAUSANNE MUNICH STUTTGART
MehrData Vault. Modellierungsmethode für agile Data Warehouse Systeme. Dr. Bodo Hüsemann Informationsfabrik GmbH. DOAG BI, München, 17.04.
Data Vault Modellierungsmethode für agile Data Warehouse Systeme Dr. Bodo Hüsemann Informationsfabrik GmbH DOAG BI, München, 17.04.2013 Die Informationsfabrik Die Informationsfabrik macht erfolgreiche
Mehr25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling. Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU
BLUEFORTE GmbH Dirk Lerner 25.06.2014 TDWI Konferenz DWH Architektur Agilität durch Data Vault Modeling Twitter: #TDWI #DataVault @DV_Modeling @BLUEFORTE @TDWI_EU 1 Elemente des Data Vault (Basic) HUB
MehrDatawarehouse Architekturen. Einheitliche Unternehmenssicht
Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA
MehrData Vault. Data Warehouse Agilität nicht nur durch Vorgehensweisen, sondern mit Methode. Dr. Bodo Hüsemann Informationsfabrik GmbH
Data Vault Data Warehouse Agilität nicht nur durch Vorgehensweisen, sondern mit Methode Dr. Bodo Hüsemann Informationsfabrik GmbH Konzeption und Architektur Implementierung [ETL, Reporting, OLAP, Planung]
MehrDWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH. Referent: Ilona Tag
DWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH Referent: Ilona Tag Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrAgile Analytics Neue Anforderungen an die Systemarchitektur
www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende
MehrData 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
MehrETL in den Zeiten von Big Data
ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse
MehrDatenmodellierung im Zeitalter agiler Softwareentwicklung
Datenmodellierung im Zeitalter agiler Softwareentwicklung Sebastian Graf, PROMATIS software GmbH DOAG 2013, Nürnberg, 1 Agenda u Über den Referenten u Datenmodellierung Begriffsdefinition und Abgrenzung
MehrDie perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault
Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Herbert Rossgoderer Geschäftsführer Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH ISE
MehrTechnologischen 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
MehrInhaltsverzeichnis. 1 Einleitung Motivation und Umfeld Zielsetzung der Arbeit Methodisches Vorgehen und Aufbau der Arbeit 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Motivation und Umfeld 1 1.2 Zielsetzung der Arbeit 2 1.3 Methodisches Vorgehen und Aufbau der Arbeit 3 2 Grundlagen des Feuerwehrwesens 5 2.1 Kategorisierung der Feuerwehren
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrVom Single Point of Truth zur Single Version of the Facts. Data Warehousing zu Beginn des BigData-Zeitalters. inspire IT - Frankfurt 11. 12.05.
Vom Single Point of Truth zur Single Version of the Facts Data Warehousing zu Beginn des BigData-Zeitalters inspire IT - Frankfurt 11. 12.05.2015 Fahmi Ouled-Ali Kabel Deutschland Marian Strüby OPITZ CONSULTING
MehrA Big Data Change Detection System. Carsten Lanquillon und Sigurd Schacht
A Big Data Change Detection System Carsten Lanquillon und Sigurd Schacht Digitale Transformation in Unternehmen u Umfassende Erfassung, Speicherung und Verfügbarkeit von Daten à Big Data Quelle: Rolland
MehrOracle OLAP 11g: Performance für das Oracle Data Warehouse
Oracle OLAP 11g: Performance für das Oracle Data Warehouse Marc Bastien Oracle BI Presales Agenda Performanceprobleme in Oracle DWH: gibt s das überhaupt? Mögliche Gründe und Lösungen
MehrModellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009
Modellbasierte Business Intelligence in der Praxis Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen für BI 3. Inhalte von Prozessmodellen 4.
MehrStrategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren
Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist
MehrData 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
MehrSAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag
SAP HANA ist schnell erklärt TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag Ihr Referent Steckbrief Name: Miroslav Antolovic Jahrgang: 1975 Stationen: SAP, Walldorf 1999-2004 Realtech, Walldorf
MehrSymbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015
Symbiose hybrider Architekturen im Zeitalter digitaler Transformation Hannover, 18.03.2015 Business Application Research Center (BARC) B (Analystengruppe Europas führendes IT-Analysten- und -Beratungshaus
MehrWann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch
Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch Obwohl mit der Verwendung von SAP HANA ein neuer semantischer Layer zum Einsatz kommt,
MehrBIW - 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
MehrData Warehouse Architekturtrends
Data Warehouse Architekturtrends Dr. Bodo Hüsemann Informationsfabrik GmbH Münster Schlüsselworte Architektur, Business Intelligence, Data Warehouse, Realtime Data Warehouse, Operational BI, Selfservice
MehrMarketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in
MehrData-Vault-Automation aus dem Datenmodellierungstool. 1. Tagung der DDVUG am 24.Juni2014
Data-Vault-Automation aus dem Datenmodellierungstool 1. Tagung der DDVUG am 24.Juni2014 A G E N D A 1. MID & Innovator 2. Modell & Methode 3. Architektur & Automatisierung 4. Nutzen & Veränderung MID GmbH
MehrKlein anfangen und groß rauskommen mit Data Vault 2.0 Leif Hitzschke & Dajana Schleuß
Klein anfangen und groß rauskommen mit Data Vault 2.0 Leif Hitzschke & Dajana Schleuß Hamburg, den 16.09.2016 Der führende B2B-Marktplatz wlw.de wlw.at wlw.ch Agenda 1. wlw das Unternehmen 2. BI im Überblick
MehrBUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT
BUSINESS INTELLIGENCE IM MITTELSTAND EIN PRAXISBERICHT Meik Truschkowski Architekt für Business Intelligence und Data Warehousing nobilia-werke J. Stickling GmbH & Co. KG Verl, den 31. Oktober 2011 UNTERNEHMENSPROFIL
MehrSQL-basierte SCD2-Versionierung hierarchischer Strukturen
SQL-basierte SCD2-Versionierung hierarchischer Strukturen Meik Truschkowski nobilia-werke J. Stickling GmbH & Co. KG Verl Projektleiter Business Intelligence und Data Warehousing 1 SQL-basierte SCD2-Versionierung
MehrRE.one. Self Service Information Management für die Fachabteilung
RE.one Self Service Information Management für die Fachabteilung Das Ziel Verwertbare Informationen aus Daten gewinnen Unsere Vision Daten Info Data Warehousing radikal vereinfachen in einem Tool Die Aufgabe
Mehreevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator
eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile
MehrBusiness Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch
Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch In dieser Session wird IDAREF, ein Framework, dass auf logischer Ebene eine analytische
MehrSeminar C16 - Datenmodellierung für SAP BW
C16: Datenmodellierung für SAP BW Ein Seminar der DWH academy Seminar C16 - Datenmodellierung für SAP BW Dieses Seminar soll einen umfassenden Einblick in die Datenmodellierung beim Einsatz von SAP BW
MehrAgile DWH Modellierung mit Data Vault. Alexander Blech Matthias Wendt 2015-04-15
Agile DWH Modellierung mit Data Vault Alexander Blech Matthias Wendt 2015-04-15 Agile DWH Modellierung mit Data Vault Agenda OSP Dresden und die Ottogroup Data Vault Theorie DV im Einsatz für die Hermes
MehrAufbau einer strategischen BI- Lösung mit ERP und BW on HANA. Wittenstein AG Pascal Kranich
Aufbau einer strategischen BI- Lösung mit ERP und BW on HANA Wittenstein AG Pascal Kranich Agenda 1 Kurzvorstellung Was machen wir? 2 3 Zielsetzungen Das Projekt Was ist Digitalisierung für uns als mittelständischer
MehrOracle BI&W Referenz Architektur Big Data und High Performance Analytics
DATA WAREHOUSE Oracle BI&W Referenz Architektur Big Data und High Performance Analytics Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen
MehrErfolgsfaktor 1 beim Aufbau von DWH. Erik Purwins Unit Manager Business Intelligence 22.03.2012
Erfolgsfaktor beim Aufbau von DWH Erik Purwins Unit Manager Business Intelligence 22.3.22 Inhalt Das Unternehmen PPI Erfolgsfaktoren & Risiken Nutzeffekte durch DWH-/BI-Anwendungen Intuitive Bereitstellung
MehrData Warehouse in der Telekommunikation
Data Warehouse in der Telekommunikation Hans-Friedrich Pfeiffer Talkline GmbH & Co.KG Elmshorn, 11.06.2007 Übersicht Historie Struktureller Aufbau des Dara Warehouse Anforderungen an das Data Warehouse
MehrData Warehouse Grundlagen
Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen
MehrNear Realtime ETL mit Oracle Golden Gate und ODI. Lutz Bauer 09.12.2015
Near Realtime ETL mit Oracle Golden Gate und ODI Lutz Bauer 09.12.2015 Facts & Figures Technologie-orientiert Branchen-unabhängig Hauptsitz Ratingen 240 Beschäftigte Inhabergeführt 24 Mio. Euro Umsatz
MehrDATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle
DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell
MehrIntelligence (BI): Von der. Nürnberg, 29. November 2011
Modelle für Business Intelligence (BI): Von der Anforderung zum Würfel Nürnberg, 29. November 2011 Warum Modelle für Business Intelligence (BI)? Warum Modelle für Business Intelligence (BI)? Bis zur Auswertung
MehrPräsentation der Bachelorarbeit
Präsentation der Bachelorarbeit Einrichtung einer BI-Referenzumgebung mit Oracle 11gR1 Jörg Bellan Hochschule Ulm Fakultät Informatik Institut für Betriebliche Informationssysteme 15. Oktober 2009 Agenda
MehrModellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld. München, 26. Januar 2010
Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld München, 26. Januar 2010 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen
MehrSolution for Business Intelligence. MID Insight 2013
Solution for Business Intelligence MID Insight 2013 A G E N D A 1. Solution für Business Intelligence (BI) 2. Die Gründe und Hintergründe 3. Die Methode 4. Vorteile MID GmbH 2013 2 Solution für Business
MehrDigitalisierung wie aus einer Strategie Realität wird.
Digitalisierung wie aus einer Strategie Realität wird. Information Builders International Summit Frankfurt, 10.06.2015 Dr. Carsten Bange, Business Application Research Center (BARC) Knüpfen wir dort an,
MehrC09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl
C09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl Ein Seminar der DWH academy Seminar C09 Einsatz SAP BW im Vergleich zur Best-of-Breed- Produktauswahl Befasst man sich im DWH mit der Auswahl
MehrEinmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt
Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Ian Perry Marco Lehmann Stefan Sander Darmstadt, 6.11.2012 Einmal Pie-Chart und zurück Ian Perry Sales Engineer - IP&S Client Technical
MehrTRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI
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
MehrData Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrAKWI-Fachtagung 2014. SAP HANA Live als Basis für operatives Reporting in Echtzeit. Customizing und Anwendung
AKWI-Fachtagung 2014 Darius Nowak Prof. Dr. Harald Ritz Jörg Wolf SAP HANA Live als Basis für operatives Reporting in Echtzeit Customizing und Anwendung 1 Agenda 1. Einleitung 2. Motivation 3. SAP HANA
Mehrgood. 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
MehrDWH Szenarien. www.syntegris.de
DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen
MehrVollständig generisches DWH für kleine und mittelständische Unternehmen
Vollständig generisches DWH für kleine und mittelständische Unternehmen Marc Werner Freiberufler Berlin Schlüsselworte: Wirtschaftlichkeit, Kostenreduzierung, Metadaten, Core Data Warehouse, Slowly Changing
MehrBI 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
MehrMarketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische
MehrVon Bäumen, Früchten und Gärtnern - warum agile Prinzipien auch im BI Umfeld funktionieren. Es begrüßt Sie Thomas Löchte
Von Bäumen, Früchten und Gärtnern - warum agile Prinzipien auch im BI Umfeld funktionieren Es begrüßt Sie Thomas Löchte Die Informationsfabrik Die Informationsfabrik macht erfolgreiche BI und DWH Projekte
MehrITGAIN Fach- und Technikspezialist
ITGAIN Fach- und Technikspezialist KOMPETENZ GEWINNBRINGEND EINSETZEN. Copyright 2012 ITGAIN GmbH 1 SPoT Wir bringen Ihre Informationen auf den Punkt. Hamburg, 07.05.2012 FACTORY-ANSATZ FÜR ETL-PROZESSE
MehrOpen 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
MehrProblemstellung. Keine Chance! Ich brauche eine genaue Spezifikation und dann vielleicht in 3-4 Wochen können Sie einen erstes Beispiel haben!
Take aways Mit Power BI wird Excel zum zentralen Tool für Self- Service BI End-End Self-Service Lösungsszenarien werden erstmals möglich Der Information Worker erhält ein flexibles Toolset aus bekannten
MehrSPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information
SPoT Agenda Begrüßung und Vorstellung CAS AG Markttrends aus Analystensicht Big Data Trusted Information Lars Iffert, BARC GmbH Dr. Oliver Adamczak, IBM Deutschland GmbH Factory Ansatz für ETL-Prozesse
MehrDie Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link
Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas
MehrSo erstellen Sie wichtige Berichte mit Microsoft Technologie Tipps für PMO und IT
TPG Webinar-Serie 2016 zum PPM Paradise Thema 2.2 So erstellen Sie wichtige Berichte mit Microsoft Technologie Tipps für PMO und IT Mit Peter Huemayer Agenda Welche Berichte machen Sinn? Welche Daten haben
MehrWertvolle Einblicke in die Gamer-Welt bei ProSiebenSat.1 Games
10. April, 11:45 12:05 Uhr Wertvolle Einblicke in die Gamer-Welt bei ProSiebenSat.1 Games HMS Analytical-Software GmbH, Rohrbacher Straße 26, 69115 Heidelberg Wertvolle Einblicke in die Gamer-Welt bei
MehrInhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis...
Inhaltsübersicht...IX Inhaltsverzeichnis...XI Abbildungsverzeichnis...XVII Tabellenverzeichnis... XXIII Abkürzungsverzeichnis... XXV 1 Einführung... 1 1.1 Problemstellung... 1 1.2 Zielsetzung... 3 1.3
MehrEinführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
MehrThemenblock: Erstellung eines Cube
Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen
MehrBig-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht
Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik
MehrInhaltsverzeichnis. vii.
vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt 2 1.2 OLTP versus OLAP 4 1.2.1 OLAP-versus OLTP-Transaktionen 5 1.2.2 Vergleich von OLTP und OLAP 6 1.2.3 Abgrenzung: DBMS-Techniken
MehrXML-Datenaustausch in der Praxis Projekt TOMIS bei der ThyssenKrupp Stahl AG
Mittwoch, 9. November 2005 13h00, Bruno-Schmitz-Saal 18. Deutsche ORACLE-Anwenderkonferenz XML-Datenaustausch in der Praxis Projekt TOMIS bei der ThyssenKrupp Stahl AG Volker Husemann Thyssen Krupp Stahl
MehrAgile BI mit Agile BI Modeler & Agile Scorecard
Agile BI mit Agile BI Modeler & Agile Scorecard Business Intelligence - so einfach wie möglich - so komplex wie nö7g Jon Nedelmann Darmstadt, 26.10.2012 Agile BI Tools Agile BI Modeler Ist eine Web- Anwendung
MehrUm asynchrone Aufrufe zwischen Browser und Web Anwendung zu ermöglichen, die Ajax Hilfsmittel DWR ist gebraucht.
Technisches Design Inhalt Design Übersicht Menü und DispatcherServlet DWR Servlet Viewer Servlets Controllers Managers Sicherheit Anwendung Architektur Component Diagram Deployment Diagram Komponente Sequence
MehrKonzeptueller Entwurf
Konzeptueller Entwurf UML Klassendiagrame UML Assoziationen Entspricht Beziehungen Optional: Assoziationsnamen Leserichtung ( oder ), sonst bidirektional Rollennamen Kardinalitätsrestriktionen UML Kardinalitätsrestriktionen
MehrBusiness Breakfast im Café Landtmann. 22. November 2016
Business Breakfast im Café Landtmann 22. November 2016 9:00 Uhr: EINLASS 9:30 Uhr: BEGRÜßUNG Wolfgang Kern / Qlik Elfriede Harrer / Harrer & Partner 10:00 Uhr QLIK SENSE // NEUE FEATURES UND MEHR Christof
MehrBI Organisation und Governance. Patrick Keller, Senior Analyst und Prokurist CeBIT 2016
BI Organisation und Governance Patrick Keller, Senior Analyst und Prokurist CeBIT 2016 15.03.2016 BARC 2016 2 Warum eine Organisation für BI? Menschen verursachen mehr Probleme als Technik! 15.03.2016
Mehr1 SAP HANA im Überblick Einführung in die Entwicklungsumgebung Datenbankprogrammierung mit dem SAP NetWeaver AS ABAP 115
Auf einen Blick TEIL I Grundlagen 1 SAP HANA im Überblick 31 2 Einführung in die Entwicklungsumgebung 75 3 Datenbankprogrammierung mit dem SAP NetWeaver AS ABAP 115 TEIL II Einführung in die ABAP-Programmierung
Mehrgood. better. outperform.
good. better. outperform. Analytic mit Oracle BI relational oder besser multidimensional? 8. Oracle BI & DWH Konferenz, 20.03.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence
MehrZukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO
innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche
MehrStudierenden-Kennzahlen im Griff dank flexiblem Reporting und Ad-hoc-Analysen
Praxistag für die öffentliche Verwaltung 2012 Titel Präsentation Studierenden-Kennzahlen im Griff dank flexiblem Reporting und Ad-hoc-Analysen Referenten-Info Gerhard Tschantré, Leiter Controllerdienste
MehrVorwort zur 5. Auflage... 15 Über den Autor... 16
Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung
MehrGESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013
OPEN SYSTEMS CONSULTING IT-KOMPLETTDIENSTLEISTER IM MITTELSTAND GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 Business Analytics Sascha Thielke AGENDA Die Geschichte des Reporting Begriffe im BA Umfeld
MehrBITMARCK VERNETZT DER KUNDENTAG
BITMARCK VERNETZT DER KUNDENTAG BI@BITMARCK neue Wege, neue Möglichkeiten Michael Heutmann und René Wilms, BITMARCK Thomas Linke, Terranet Essen, 03. November 2015 Rückblick Was bisher geschah KT 2013:
MehrAnalyse 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
MehrEinführung 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 -
MehrData Vault Ein Leben zwischen 3NF und Star. Michael Klose, CGI Deutschland Oracle DWH Community, 18.03.2014
Data Vault Ein Leben zwischen 3NF und Star Michael Klose, CGI Deutschland Oracle DWH Community, 18.03.2014 CGI Group Inc. 2013 Referent: Michael Klose Manager BI Architektur & Strategie, CGI Deutschland
MehrSeminar C02 - Praxisvergleich OLAP Tools
C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien
MehrStefan Kirner inovex GmbH. Stimmen meine Zahlen? Automatisiertes Testen von BI-Applikationen
Stefan Kirner inovex GmbH Stimmen meine Zahlen? Automatisiertes Testen von BI-Applikationen Kurzvorstellung Referent Business Intelligence-Entwicklung, -Beratung, -Projektleitung Seit ca. 10 Jahren im
MehrEinführung in Hauptspeicherdatenbanken
Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation
MehrSODA. Die Datenbank als Document Store. Rainer Willems. Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG
SODA Die Datenbank als Document Store Rainer Willems Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG vs No Anforderungskonflikte Agile Entwicklung Häufige Schema-Änderungen Relationales
MehrZusammenspiel 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
MehrPerformance by Design Wie werden performante ETL-Prozesse erstellt?
Performance by Design Wie werden performante ETL-Prozesse erstellt? Reinhard Mense ARETO Consulting Bergisch Gladbach Schlüsselworte: DWH, Data Warehouse, ETL-Prozesse, Performance, Laufzeiten, Partitionierung,
MehrDevelopment auf der Plattform SAP HANA
Development auf der Plattform SAP HANA SAP HANA Architektur SAP HANA Studio Modellierung auf SAP HANA Web basierte Data Access Role und Berechtigung SAP HANA Plattform SAP HANA als Appliance SAP HANA in
MehrRaus aus der Bl-Falle
Ronald Bachmann, Dr. Guido Kemper Raus aus der Bl-Falle Wie Business Intelligencezum Erfolg wird mitp Die Autoren 13 Vorwort 15 1 Einleitung 21 1.1 Was ist Business Intelligence (BI)? 21 1.2 Motive zur
MehrDatenintegration mit Informatica PowerCenter
Datenintegration mit Informatica PowerCenter Mein Weg vom Studenten zum Consultant Christoph Arnold 03.07.2013 1 Agenda Von der THM zu Infomotion Datenschieberei oder doch mehr? Die weite Welt von Informatica
MehrHetero-Homogene Data Warehouses
Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung
MehrDie Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com
Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen
MehrBusiness 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
MehrOracle In-Memory & Data Warehouse: Die perfekte Kombination?
: Die perfekte Kombination? DOAG Konferenz, 16. November 2016 Dani Schnider, Trivadis AG @dani_schnider BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENF HAMBURG KOPENHAGEN LAUSANNE MÜNCHEN
MehrBARC-Studie Data Warehousing und Datenintegration
Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich
Mehr