Einführung in Data-Warehouse- Systeme

Transkript

1 Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Lehrstuhl für Datenbanken und Informationssysteme Prof. Küspert Einführung in Data-Warehouse- Systeme Eingereicht von: Martin Thrum Matrikelnummer: Abgabedatum:

2 I Abbildungsverzeichnis... II Abkürzungsverzeichnis... III 1. Wachsende Datenbestände und Chancen daraus Zeitliche Entwicklung der Datawarehouse-Technologien Begriffe und grundlegende Funktionsanforderungen Was ist ein Datawarehouse? Bezeichnungen für Data-Warehouse-Systeme Abgrenzung von OLTP-Datenbanken und Data-Warehouses Anwendungsgebiete Informationsorientierte Systeme Analyseorientierte Systeme Planungsorientierte Systeme Kampagnenorientierte Systeme Anwendungsbeispiel der Firma Conspicaris GmbH aus Jena Resümee Literaturverzeichnis Anlagen... 14

3 II Abbildungsverzeichnis Abbildung 1: Historische Entwicklung von Data-Warehousing... 3

4 III Abkürzungsverzeichnis CIS EIS ETL FIS MIS OLAP OLTP PPS Chefinformationssystem Executive Information System Extract Transform Load Führungsinformationssystem Management Information System Online Analytical Processing Online Transaction Processing Produktionsplanungs- und Steuerungssystem

5 1 1. Wachsende Datenbestände und Chancen daraus Wissen ist Macht. Die auf den englischen Philosophen Francis Bacon zurückgehende Aussage hat auch in der heutigen Informationsgesellschaft bestand. Durch die fortschreitende Globalisierung und die sich weiterentwickelnde Informationstechnik, sind Unternehmen einem dauernden Informationsstrom ausgesetzt. Diese Informationen zu kanalisieren und den Entscheidungsträgern gezielt zur Verfügung zu stellen, hat sich zu einer der Kernkompetenzen der rechnergestützten Datenverarbeitung entwickelt. Je nach der Ebene im Unternehmen werden dabei verschiedene Fakten benötigt. Während der Produktionsleiter genaue Zahlen über die aktuellen Prozesse fordert, erwartet das mittlere Management verdichtete Zahlen zu Verkäufen oder Kosten. Für das Top-Management wiederum sind die Struktur der Kunden und deren Verhaltensmuster interessant, um qualifizierte Strategien zur Positionierung am Markt zu entwickeln. Zur Erfassung der Daten werden dabei in den Unternehmen Softwaresysteme eingesetzt, die auf hohe Benutzerzahlen und viele kurze Transaktionen optimiert sind. Eine Abfrage zur ausführlichen Analyse der Daten aus einem solchen System würde designbedingt im Vergleich zu den üblichen Transaktionen eine höhere Rechenleistung fordern und somit die Antwortzeiten des gesamten Systems verzögern. Um derartige Blockaden zu vermeiden, besteht die Möglichkeit für Unternehmen, sogenannte Data-Warehouse-Systeme einzusetzen. Diese halten die Daten des Verwaltungssystems redundant vor und sind auf die eben genannten aufwendigen Abfragen optimiert. Das Ziel dieser Arbeit ist es, einen Einblick in die Welt des Data-Warehousing zu geben. Nach einem kurzen historischen Abriss über die Entwicklung derartiger Systeme werden einige Eigenschaften und Begriffe der Domäne erklärt und es erfolgt eine Abgrenzung gegenüber den Anforderungen an transaktionale Systeme. Im weiteren Verlauf werden verschiedene Anwendungsgebiete von Data-Warehouses vorgestellt und mit einem praktischen Beispiel der Firma Conspicaris GmbH abgerundet. Grundlegende Theorien und Modelle der relationalen Datenbanken werden im Folgenden nicht beschrieben. Kenntnisse über den Betrieb von Produktionsdatenbanken zur Datenerfassung, sogenannten Online-Transaction-Processing-Datenbanken (OLTP) können zum Beispiel in [HR01] erworben werden.

6 2 2. Zeitliche Entwicklung der Datawarehouse-Technologien Schon gegen Ende der sechziger Jahre wurden die ersten Konzepte für sogenannte Management Information Systems (MIS) entwickelt. Die Förderung derartiger Konzepte geht nach [Leh03] auf drei thematische Sichtweisen mit ähnlichen Zielen zurück: 1. betriebswirtschaftliche Sichtweise 2. statistische Sichtweise 3. integrative Sichtweise Dabei unterscheiden sich die ersten beiden Punkte im Wesentlichen in der Verwendung der Ergebnisse. Während die betriebswirtschaftliche Sichtweise versucht, das gewonnene Wissen zur Optimierung von Prozessen und zur Planung zukünftiger Aktionen zu verwenden, dienen die Erkenntnisse der statistischen Sichtweise vor allem der deskriptiven Analyse der Daten und dem Aufbau statistischer Modelle. Die integrative Sichtweise versucht ein allgemein gültiges Datenmodell innerhalb von Organisationen zu schaffen. Dazu werden verschiedene, meist heterogene Systeme derart vereint, dass Anfragen an den gesamten Datenbestand an nur eine Datenbank gerichtet werden müssen. Wie oben bereits genannt, wurden zum Ende der sechziger Jahre die ersten Überlegungen über das Anlegen und die Analyse großer Datenbestände durchgeführt. Zu dieser Zeit galten derartige Vorhaben allerdings noch als utopisch und nicht beziehungsweise nur sehr schwer realisierbar ([BG04]). Aus Abbildung 1 auf Seite 3 ist zu entnehmen, dass es in den achtziger Jahren, vor allem in der zweiten Hälfte des Jahrzehnts, zur Realisierung erster Data-Warehousing-Projekte kam. Die technische Entwicklung zur Erfassung, Verarbeitung und Speicherung von Daten hatte zu dieser Zeit einen Punkt erreicht, an dem es hartnäckigen Projektleitern und größeren Firmen möglich war, Data-Warehouse-Vorhaben anzugehen. Mit steigender Globalisierung, dem Durchbruch des Internets und weiteren technischen Verbesserungen (Speicher, Prozessor, Netzwerk) begann sich zu Beginn der neunziger Jahre ein wachsender Markt für Data-Warehouse-Lösungen zu entwickeln. Das gesammelte Know-How der Branche begünstigt die Entwicklung dabei, sodass Projekte effizienter durchgeführt werden konnten.

7 3 Abbildung 1: Historische Entwicklung von Data-Warehousing Aktuell kann behauptet werden, dass nahezu jedes Unternehmen, das eine größere Menge digitaler Daten produziert, ein Data-Warehouse zur Auswertung dieser betreibt. Hauptsächliches Ziel ist dabei nach wie vor die Strukturierung von Informationen, mit deren Hilfe anschließend erfolgreichere Entscheidungen getroffen werden sollen.

8 4 3. Begriffe und grundlegende Funktionsanforderungen 3.1. Was ist ein Datawarehouse? Wie in vielen Bereichen der Wissenschaft, fällt es Experten nicht leicht sich auf eine einheitliche Definition für Data-Warehouse zu einigen. Aktuell wird eine Definition aus dem Jahr 1996 von William H. Inmon häufig zurate gezogen: A data warehouse is a subject oriented, integrated, non-volatile, and time variant collection of data in support of management s decisions. [Inm96] Inmon betrachtet dabei die folgenden Eigenschaften als wesentlich für ein Data-Warehouse: subject-oriented Frei übersetzt zielt subject-oriented auf den Anwendungsbezug ab, den jedes Data- Warehouse aufweisen sollte. Nur wenn das erwünschte Ziel und die damit verbundenen Anforderungen genau definiert sind, ist es möglich auf die Bedürfnisse der Anwender einzugehen. integrated Die Integration geht auf die Vereinigung der zahlreichen Datenquellen ein. Nahezu jedes Data-Warehouse verfolgt das Ziel einen Überblick über verteilte Daten zu ermöglichen. non-volatile Die nicht-flüchtigkeit der Daten statuiert den Verzicht auf das Löschen und Ändern von Daten. Informationen, die einmal in ein Data-Warehouse importiert wurden, sollen möglichst nicht mehr verändert werden. time variant Der Begriff der Zeitvarianz berücksichtigt bei Data-Warehouse-Anwendungen die Bindung der Daten an ihren Entstehungszeitpunkt. Damit werden zeitabhängige Analysen möglich, die entlang einer Zeitachse die ursprünglichen Ereignisse widerspiegeln. Der verbleibende Teil der Definition umreißt die Sammlung der Informationen zur Unterstützung von Entscheidungen. Dabei fällt auf, dass lediglich von einer Sammlung an Daten gesprochen wird und Inmon die Bezeichnung Datenbank an sich vermeidet.

9 5 Wie bereits genannt, existiert jedoch keine allgemein gültige Definition für den Gegenstand des Data-Warehouses. Oft werden die von Inmon geforderten Eigenschaften als zu restriktiv gesehen, weil verschiedene Ausprägungen von Data-Warehouses existieren, die eben diese Eigenschaften aufweichen. Deshalb soll die folgende Definition aus dem Buch von Bauer und Günzel der von Inmon gegenübergestellt werden: Ein Data Warehouse ist eine physische Datenbank, die eine integrierte Sicht auf beliebige Daten zu Analysezwecken ermöglicht. [BG04] Im Wesentlichen überschneiden sich die Begriffe Datenbank (vgl. collection of data), integrierte Sicht (vgl. integrated) auf inhaltlicher Ebene mit denen von Inmon. Auf die Änderbarkeit und den festen Zeitbezug hingegen wird hierbei nicht verwiesen. Ebenso beschreiben die genannten Analysezwecke ein breiteres Aufgabengebiet als die Entscheidungsunterstützung für das Management. Weiterhin fällt die Betonung der physischen Datenbank auf. Damit tritt die digitale Integration der Daten aus verschiedenen Quellen in den Vordergrund. Abschließend soll der folgende Versuch einer Definition des Begriffs Data-Warehouse für weitere Ausführungen als bezeichnend gelten. Bei der Formulierung liegt der Fokus auf einer möglichst allgemeinen Liste an Eigenschaften, die jedoch die Intention eines Data- Warehouses eindeutig hervorhebt. Ein Data-Warehouse ist eine umfassende, anwendungsbezogene Sammlung aufbereiteter Informationen in einer Datenbank, die zu Analyse- und Informationszwecken angelegt wird Bezeichnungen für Data-Warehouse-Systeme Dass die historische Entwicklung von Data-Warehouses relativ spärlich dokumentiert ist, kann zu einem Teil auch den ständig wechselnden Bezeichnungen zugerechnet werden. Geläufige Bezeichnungen sind unter anderem: - Management Informations System (MIS) - Executive Information System (EIS) - Führungsinformationssystem (FIS) - Chef Informations System (CIS) Auffällig an den Namen ist ihr ähnlicher Aufbau. Der erste Teil beschreibt auf verschiedene Weise den Anwenderkreis der Data-Warehouse-Systeme. In der Mitte befindet sich das Wort

10 6 Information die Hauptaufgabe von Data-Warehouses. Am Ende deutet der Begriff System darauf hin, dass das DWH nicht nur aus der Datenbank an sich besteht, sondern weitere Bausteine notwendig sind. Weiterhin sind die Bezeichnungen - Entscheidungsunterstützungssystem (EUS) - Decision Support System (DSS) anzutreffen. Hier suggeriert der Name einen erweiterten Nutzen zur Entscheidungsfindung, statt nur zu informieren. Dieser Nutzen wird allerdings zumeist durch die entsprechenden Anwendungsprogramme erzeugt, die mit speziellen Algorithmen auf die Daten zugreifen. Zum besseren Verständnis werden im Folgenden die Begriffe Data-Warehouse, Data- Warehouse-System und Data-Warehousing abgegrenzt. Die Ausführungen orientieren sich dabei an den Erklärungen aus [BG04]. Während das Data-Warehouse an sich, auch nach der unter Abschnitt 3.1. festgelegten Definition, lediglich die Datenbank an sich umfasst, beschreibt der Begriff Data-Warehouse-System ein größeres Umfeld. Zu einem Data- Warehouse-System zählen unter anderem zusätzliche Komponenten wie zum Beispiel: - das Anwendungsprogramm, welches auf die Daten zugreift und Analysen ermöglicht - das Extract-Transform-Load-Modul (ETL-Modul) zur Datenaufbereitung, mit dem Daten aus den Quellen extrahiert, transformiert und in die Datenbasis importiert werden sowie - einer Backupkomponente und einem Metadatenmangager. Diese Liste stellt keine vollständige Nennung dar, soll aber ein Gefühl für die Gesamtheit des Systems geben. Unter Data-Warehousing wird schließlich der Prozess verstanden, der den Aufbau, die Unterhaltung und das Nutzen eines Data-Warehouse-Systems umfasst Abgrenzung von OLTP-Datenbanken und Data-Warehouses Vor allem in Unternehmen, die gewinnorientiert arbeiten, ist es notwendig die Einführung eines Data-Warehouses zu begründen. Entsprechend spielt die Meinung der Entscheider bezüglich eines Data-Warehousing-Projekts eine wichtige Rolle. Diese müssen den Mehrwert erkennen und informiert werden, warum zum Beispiel nicht auch die herkömmliche Datenbank des Produktionsplanungs- und Steuerungssystems (PPS- System) für derartige Aufgaben verwendet werden kann. Die Grundlage für eine derartige Argumentation ist die klare Unterscheidung der Eigenschaften und Funktionen von OLTP- Datenbanken und einem Data-Warehouse. Eine Auswahl an Unterschieden in den Anforderungen an die Datenbanken stellt Wiese in seiner Dissertation Gewinnung, Verwaltung und Anwendung von Performance-Daten zur Unterstützung des autonomen

11 7 Datenbank-Tuning ([Wie11]) vor. Die vollständige Auflistung ist als Tabelle in Anlage 1 hinterlegt. Zur Vermeidung von einfachem Abarbeiten der Einträge werden im Folgenden die Kernpunkte beider Technologien näher erläutert. Bei Betrachtung der Benutzer und deren Anfrageverhalten gegen die Datenbank können bereits erste Anforderungen an das Design abgeleitet werden. Zur Datenerfassung und Informationsbeschaffung für den operativen Betrieb führen Sachbearbeiter über die Verwaltungssoftware (zum Beispiel PPS-System) auf den OLTP-Datenbanken kurze Transaktionen durch, die meist nur ein Tupel lesen, ändern oder einfügen. Um die Geschwindigkeit derartiger Transaktionen sicherzustellen, werden OLTP-Datenbanken stark normalisiert angelegt. Mit Hilfe des hohen Normalisierungsgrads lassen sich Redundanzen in den Daten vermeiden und die Gesamtgröße der Datenbank sinkt (vgl. [Lus03]). Durch das anfrageneutrale Design und die begrenzten Bereiche von Anfragen bewegt sich die Dauer einer einzelnen Transaktion in der Größenordnung von wenigen Millisekunden. Diese kurze Bearbeitungs-dauer ermöglicht den gleichzeitigen Zugriff sehr vieler Nutzer. Im Gegensatz dazu fordern die hauptsächlich lesenden Abfragen von Managern gegen ein Data-Warehouse andere Eigenschaften von einer Datenbank. Für die Entscheider ist es interessant die gewünschten Kennzahlen zu einem Unternehmen oder einer Abteilung zu generieren und mit vergangenen Perioden zu vergleichen. Zur Berechnung der Kennzahlen ist eine Vielzahl an Daten notwendig. Zur Beschleunigung der Abfragen liegen die Daten auf einem niedrigen Normalisierungsniveau vor. Die Beschleunigung wird hierbei durch die Reduktion an Join-Operationen erreicht. Ein geringerer Grad der Normalisierung ist realisierbar, weil durch die Anwender kaum Schreiboperationen durchgeführt werden und Schreib-Anomalien somit nur schwer auftreten können. Allerdings ergibt sich durch die hohe Redundanz der Daten ein höherer Speicherbedarf für die Datenbank. Die Abfragen an sich richten sich zumeist auf große Tupel-Bereiche und arbeiten darauf mit aggregierenden Funktionen. Damit steigt die benötigte Rechenlast an und die Antwortzeiten der Datenbank steigen unter Umständen bis in den Minutenbereich. Aufgrund der erforderlichen Leistung und weil die Struktur von Organisationen nach oben hin schmaler wird, beschränkt sich der Anwenderkreis von Data-Warehouse-Systemen meist auf wenige Benutzer. Die Kardinalität von wenige Benutzer orientiert sich hier an der Größe des Unternehmens und dient als relativer Vergleich zu den Anwenderzahlen eines OLTP-Systems.

12 8 4. Anwendungsgebiete Für die folgenden Anwendungsgebiete zu bemerken, dass das Hauptziel die Informationsversorgung vorher bestimmter Zielgruppen ist. Die Ausführungen orientieren sich dabei an [BG04] Informationsorientierte Systeme Wie alle Datenbank-Systeme dienen auch Data-Warehouse-Systeme der Informationsverwaltung und -bereitstellung. Wenn ein Data-Warehouse speziell auf die Verteilung von Informationen ausgerichtet ist, werden Anwender wie zum Beispiel ein Mitarbeiter der Einkaufsabteilung mit statischen Berichten versorgt. Die Intention der Informationsverteilung liegt dabei vor allem in der stetigen Bereitstellung von wiederkehrenden Kennzahlen und Übersichten, die den operativen Betrieb unterstützen. Als Erweiterung des Konzepts ist es denkbar, Lieferanten und Kunden über ein Extranet Auswertungen zugänglich zu machen. Auf diesem Weg können Bindungen zu den Geschäftspartnern verstärkt werden Analyseorientierte Systeme Während sich ein informationsorientiertes Data-Warehouse-System an die Informationsempfänger einer Organisation richtet, setzt sich die Anwenderschicht eines analyseorientierten Systems aus Mitgliedern des mittleren Managements zusammen. Zentrales Ziel ist auch hier die Informationsverteilung. Allerdings gehen die Analysen tiefer in die Datenbasis und ermöglichen eine wesentlich dynamischere Berichtserstellung. OLAP-Techniken wie zum Beispiel drill down, slicing, dicing dienen hierbei als zentrales Werkzeug. 1 Mit Hilfe dieser Techniken ist es Entscheidern möglich, die Daten aus verschiedenen Blickwinkeln / Dimensionen zu betrachten. Weiterhin können sowohl das Gesamtbild des verfügbaren Datenbestands, als auch einzelne Details daraus analysiert werden. Die hohe Komplexität geht dabei zu Lasten der Performance des Data-Warehouses, weil Daten in vielen Detailstufen entweder voraggregiert vorliegen müssen oder in wenigen Detailstufen zur Laufzeit zu aggregieren sind. 1 Auf diese Techniken soll an dieser Stelle nicht näher eingegangen werden, da sich eine spätere Arbeit des Seminars damit beschäftigt.

13 Planungsorientierte Systeme Da Data-Warehouses eine integrierte Gesamtsicht auf Unternehmen ermöglichen, bieten sie sich als Werkzeuge zur strategischen und mittelfristigen Planung an. Begünstigend wirkt sich dabei die Historisierung der Daten aus. Den Planern und Controllern stehen damit günstige Vergleiche zu vergangenen Perioden zur Verfügung. Für die Erfassung von Planzahlen ist es denkbar den exklusiven Lesezugriff zu lockern und entsprechend berechtigten Nutzern schreibenden Zugriff auf Felder zu gewähren. Im Hinblick auf das in der Planung bekannte Gegenstromverfahren, eröffnen sich damit neue Wege der ganzheitlichen Unternehmensplanung (vgl. [Ehr04]). So ist es zum Beispiel denkbar, dass die Linienmanager ihre Planzahlen für den Umsatz abhängig von der aktuellen Auftragslage in die für ihren Fachbereich vorgesehenen Felder übertragen. Diese Daten liegen dann in der höchsten Detailebene vor. Das mittlere Management und das Topmanagement können strategisch anvisierte Umsätze auf ihre gröbere Sicht entsprechend den einzelnen Sparten verteilen. Zum Schluss bereitet ein Mitarbeiter des Controllings die Pläne auf und gleicht die Werte auf einen gemeinsamen Konsens an. Somit werden die Abläufe des Gegenstromverfahrens ausreichend abgebildet und übersichtlich zusammengefasst. Ist- Daten können dann am Ende einer jeden Planungsperiode durch einen Datenimport (ETL- Prozess) einem direkten Soll-Ist-Vergleich zur Auswertung zugeführt werden. Unter Verwendung einer derartigen Nutzung von Data-Warehouses ist es zusätzlich möglich, mehrere Pläne untereinander abzustimmen. Dabei können gleiche Werte für verschiedene Themengebiete weiterverwendet werden und es entsteht ein konsistentes Netz an Plänen Kampagnenorientierte Systeme Für die Gewinnung von Neukunden, das Halten von Bestandskunden und zur Durchführung von Marktforschung führen Unternehmen häufig Kampagnen durch. Diese sprechen Kunden, Lieferanten, Bewerber und andere Zielgruppen an. Während des Prozesses der Kampagnendurchführung entsteht eine Vielzahl an Daten. Bedeutende Kennzahlen sind zum Beispiel Antwort- beziehungsweise Reaktionsraten, generierte Umsätze oder das Verhalten von Konkurrenten. Damit die eben genannten Werte für weiterführende Analysen verwendbar sind, werden häufig Data-Warehouse-Systeme eingesetzt. Als problematisch erweist sich dabei die teilweise stark unterschiedliche Struktur der verschiedenen Kampagnenarten. Je nach Zielgruppe kommen spezielle Mittel und Werkzeuge zum Einsatz. Zusätzlich können die Ergebnisse der Antworten in ihren Eigenschaften stark differieren. Zur Lösung des Problems gibt es hauptsächlich zwei Wege. Als erstes kann das Data- Warehouse derart entwickelt werden, dass es für alle Kampagnen anwendbar ist. Die zweite

14 10 Option ist, für jede Kampagnenart einzeln oder nur für die häufigste Kampagnenart ein Data- Warehouse zu entwerfen und für die verbleibenden Kampagnen eine alternative Möglichkeit zur Datenanalyse zu schaffen.

15 11 5. Anwendungsbeispiel der Firma Conspicaris GmbH aus Jena Um zu verdeutlichen, dass die eben beschriebenen Techniken und Anwendungsgebiete praktische Relevanz besitzen, wird im aktuellen Abschnitt das Vorgehen der Conspicaris GmbH näher beschrieben. Das Unternehmen, im Folgenden Conspicaris genannt, mit Sitz in Jena ist eine relativ junge Firma mit fünf Mitarbeitern. Die Gründer sind Markus Kämmerer und Dr. Matthias Leonhardt, die beide Erfahrung in dem Bereich E-Commerce für Versandhändler vorweisen können. Daraus ergibt sich auch das Hauptgeschäftsfeld von Conspicaris. Conspicaris bietet Beratungsleistungen für Reporting, Controlling und Business Intelligence-Lösungen an, die sich speziell an Versandhandelsunternehmen richten. Typischerweise wird kein festes Software-Produkt verkauft, sondern die erbrachte Dienstleistung des ETL-Prozesses mit darauf aufbauendem Berichtswesen. Dabei wird versucht die gegebene IT-Landschaft des Kunden so weit wie möglich einzubeziehen. Diese Vorgabe umfasst die Nutzung von Schnittstellen des PPS-Systems und / oder der E- Commerce-Lösung zur Extraktion der Daten. Das Data-Warehouse an sich wird anschließend in einem bestehenden DBMS mit aufgebaut. Wenn sich diese Lösung als nicht praktikabel erweist (Kosten, Verfügbarkeit), erfolgt der Aufbau auf einem eigenen Server. Aufgrund der Spezialisierung auf die Branche der Versandhändler unterscheiden sich die Lösungen hauptsächlich in der Art und Weise des Aufbaus und weniger im Ergebnis. Hintergrund dieser Beobachtung ist die ähnliche Interessenlage der Entscheider in den Unternehmen in Bezug auf die verfügbaren Kennzahlen. Sobald das Data-Warehouse aufgebaut ist können standardisierte oder für den Kunden angepasste Berichte daraus generiert werden. Zusätzlich besteht die Möglichkeit mit Hilfe von Data-Mining-Lösungen die Daten weiter zu analysieren und Vorhersagemodelle aufzubauen.

16 12 6. Resümee Nachdem zu Beginn der Bedarf nach Data-Warehouse-Systemen motiviert wurde, gibt ein kurzer zeitlicher Abriss die Entwicklung der Konzepte für derartige Systeme wider. Anschließend ist zu erkennen, dass es bei der Definition des Begriffs Data-Warehouse einen gewissen Grundkonsens bei den Experten gibt, sich die Meinungen bei einer allgemein gültigen Definition aber spalten. Zahlreiche Bezeichnungen zur Bewerbung der Technik führen dabei zu weiteren Unklarheiten vor allem bei den Anwendern. Um Licht ins Dunkel der Thematik zu bringen und die Unterschiede zu OLTP-Datenbanken hervorzuheben erfolgt eine Gegenüberstellung der Eigenschaften und Anforderungen an den OLTP-Betrieb und OLAP-Analysen. Weiterhin wird das zentrale Ziel die strukturierte Verteilung von Informationen anhand von vier wesentlichen Anwendungs-gebieten näher dargestellt. Zur Demonstration der praktischen Relevanz erfolgt eine kurze Beschreibung des Ablaufs für Data-Warehouse-Projekte der Conspicaris GmbH aus Jena, um den Bezug zur Praxis herzustellen. Abschließend kann bemerkt werden, dass die Entwicklung von Data-Warehouses bereits lange andauert und sich trotz einiger Schwierigkeiten in der frühen Zeit um 1970 eine breite Anwenderschicht gebildet hat. Diese Anwender werden von einer nach wie vor wachsenden Anzahl an Experten betreut. Aktuelle Trends versuchen Speicherplatz zu minimieren, Strom zu sparen und Antwortzeiten zu optimieren. Dabei wird regelmäßig versucht die Grenze zwischen OLTP-Datenbank und Data-Warehouse weiter zu verwischen und beide Systeme in einem abzubilden. Diese Thematik wird jedoch in einer weiteren Arbeit des Seminars intensiv behandelt.

17 13 Literaturverzeichnis [BG04] Bauer, A., Günzel H. (Hrsg.): Data Warehouse Systeme: Architektur, Entwicklung, Anwendung, dpunkt.verlag, 2. Auflage, Heidelberg, 2004 [Ehr04] Ehrmann, H.: Marketing-Controlling, Kiehl, 2004 [Inm96] Inmon, W.H.: Building the Data Warehouse, Wiley & Sons, 2. Auflage, New York, 1996 [HR01] Härder, T., Rahm, R.: Datenbanksysteme: Konzepte und Techniken der Implementierung, Springer Verlag Berlin Heidelberg, 2. Auflage, 2001 [Leh03] Lehner, W..: Datenbanktechnologien für Datawarehouse-Systeme, dpunkt.verlag, 1. Auflage, Heidelberg, 2003 [Lus03] Lusti, M.: Dateien und Datenbanken: Eine anwendungsorientierte Einführung, Springer Verlag Berlin Heidelberg, 4. Auflage, 2003 [Wie11] Wiese, D.: Gewinnung, Verwaltung und Anwendung von Performance-Daten zur Unterstützung des autonomen Datenbank-Tuning, Dissertation, Jena, 2011

18 14 Anlagen Anlage 1 Abgrenzung von OLTP und OLAP Kategorie OLTP OLAP typische Nutzer / Anwendertyp Ein-/Ausgabe durch Sachbearbeiter, Administrator Auswertungen durch Manager, Controller, Analysten primärer Zweck Tagesgeschäft, täglicher Geschäftsbetrieb (Erfassung von Daten) Analyse, Planung, Entscheidungsunterstützung (Information Retrieval) Design-Ziel Performance (hoher Durchsatz), Verfügbarkeit Intuitive, einfache und flexible Nutzung (hohe Flexibilität) Interaktionstyp und dauer kurze, einfache Lese-/ Schreibtransaktionen lange, komplexe Lese-/ Aggregationsanfragen (periodische Inserts) Datenvolumen MB GB GB TB Antwortzeiten Millisekundenbereich mehrere Sekunden bis Minuten Zugriff wiederholend/repetetiv, vorhersagbar; weniger ad hoc, jedoch überwiegend bestimmten Mustern folgend benutzerorientiert Änderungen / Aktualität, Stabilität sehr häufig / stets aktuell, dynamisch periodisch, statisch mit periodischer Ergänzung Anzahl an (Online-)Nutzern viele (1000+) wenige (<100) Tabellengrößen klein groß Bereich einer Anfrage wenige Datensätze (überwiegend Einzeltupelzugriff) viele Datensätze (überwiegend Bereichsanfragen) Datenquellen meist nur eine (zentraler Datenbestand) viele unabhängige

19 15 Typ der Daten / Inhalte nicht abgeleitet / sehr detailliert, aktuell, isoliert abgeleitet / verdichtet / aggregiert, historisch bis aktuell, integriert, konsolidiert Normalisierung hoch (3NF), redundanzarm gering (1NF), z.t. denormalisiert Datenmodell anfrageflexibel / neutral, applikationsorientiert themenorientiert, analyseorientiert Quelle: [Wie11]