Unterstützung der Unternehmenssteuerung durch Data Warehouses mit ganzheitlicher Sicht auf Daten aus operativen Systemen
|
|
- Arnim Hartmann
- vor 6 Jahren
- Abrufe
Transkript
1 Rückblick Unterstützung der Unternehmenssteuerung durch Data arehouses mit ganzheitlicher Sicht auf Daten aus operativen Systemen Online Transaction Processing (OLTP) und Online Analytical Processing unterscheiden sich deutlich Datenintegration als eine wichtige Herausforderung Multidimensional Entity-Relationship-Model zur konzeptuellen Modellierung von Data arehouses Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 34
2 Implementierung von Data arehouses Verschiedene Ansätze zur Speicherung von Datenwürfeln Relationales OLAP (ROLAP) bildet Datenwürfel auf Relationen ab und verwendet RDBMS Multidimensionales OLAP (MOLAP) speichert Datenwürfel direkt in Form eines mehrdimensionalen Arrays Hybrides OLAP (HOLAP) verwendet eine Kombination von ROLAP und MOLAP (z.b. Detaildaten relational und vorberechnete Aggregate mehrdimensional) Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 35
3 Snowflake-Schema Snowflake-Schema setzt Fakten in eine Faktentabelle und jede Dimension in mehrere normalisierte Dimensionstabellen um Faktentabelle enthält Kennzahl sowie Fremdschlüssel der jeweils niedrigsten Klassifikationsstufe Dimensionstabelle enthält eine ID, beschreibende Attribute sowie Fremdschlüssel der jeweils nächsthöheren Klassifikationsstufe Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 36
4 Snowflake-Schema Dimension "Produkt" Produktkategorie PK_ID PK_Bezeichnung Produktgruppe PG_ID PG_Bezeichnung PG_PKategorie_ID Dimension "Kunde" Bundesland B_ID B_Name B_Land_ID Kundengruppe KG_ID KG_Bezeichnung Stadt S_ID S_Name S_BLand_ID Kunde K_ID K_Name K_ohnort K_Strasse K_Geschlecht K_KGruppe_ID Filiale F_ID F_Filiale F_Stadt_ID Verkauf V_Anzahl V_Kanal V_Produkt_ID V_Zeit_ID V_Kunden_ID V_Filial_ID Produkt P_ID P_Bezeichnung P_Verkaufspreis P_Einkaufspreis P_Rabatt P_Steuern P_PGruppe_ID Zeit Z_ID Z_Datum Dimension "Zeit" Land L_ID L_Name Dimension "Ort" Quelle: Köppen, Saake und Sattler [2, S.58] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 37
5 Star-Schema Star-Schema setzt Fakten in eine Faktentabelle und jede Dimension in eine denormalisierte Dimensionstabelle um Faktentabelle enthält Kennzahl sowie Fremdschlüssel der jeweils zugehörigen Einträge in den Dimensionstabellen Dimensionstabelle enthält ID sowie beschreibende Attribute für eine der niedrigsten Klassifikationsstufe und allen höheren Klassifikationsstufen Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 38
6 Star-Schema Kunde K_ID K_Name K_ohnort K_Strasse K_Geschlecht K_Kundengruppe Ort O_ID O_Filiale O_Stadt O_Bundesland O_Land Verkauf V_Anzahl V_Kanal V_Produkt_ID V_Zeit_ID V_Kunden_ID V_Ort_ID Produkt P_ID P_Bezeichnung P_Verkaufspreis P_Einkaufspreis P_Rabatt P_Steuern P_Produktgruppe P_Produktkategorie Zeit Z_ID Z_Datum Quelle: Köppen, Saake und Sattler [2, S.59] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 39
7 Snowflake-Schema vs. Star-Schema Snowflake-Schema hält Dimensionstabellen in 3NF und vermeidet somit redundante Datenspeicherung; beim Star-Schema sind sie nur in NF, wodurch Redundanzen und Anomalien entstehen Star-Schema kann, dank seiner Denormalisierung, Anfragen bzgl. höherer Klassifikationsstufen direkt, ohne zusätzliche Joins bearbeiten Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 40
8 Snowflake-Schema vs. Star-Schema Beispielanfrage im Snowflake-Schema (5 Joins) SELECT S_Name, YEAR(Z_Datum), SUM(V_Anzahl) 2 FROM Verkauf, Filiale, Stadt, Produkt, Produktgruppe, Zeit 3 HERE V_Produkt_ID = P_ID AND P_PGruppe_ID = PG_ID 4 AND V_Filial_ID = F_ID AND F_Stadt_ID = S_ID 5 AND V_Zeit_ID = Z_ID AND PG_Bezeichnung = ein 6 GROUP BY S_Name, YEAR(Z_Datum) Beispielanfrage im Star-Schema (3 Joins) SELECT O_Stadt, YEAR(Z_Datum), SUM(V_Anzahl) 2 FROM Verkauf, Ort, Produkt, Zeit 3 HERE V_Produkt_ID = P_ID AND V_Zeit_ID = Z_ID 4 AND V_Ort_ID = O_ID AND P_Produktgruppe = ein 5 GROUP BY O_Stadt, YEAR(Z_Datum) Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 4
9 Galaxie-Schema Snowflake-Schema und Star-Schema beinhalten eine Faktentabelle, die Kennzahlen in den gleichen Dimensionen speichert Galaxie-Schema als Erweiterung des Snowflake-Schemas beinhaltet mehrere Faktentabellen, die Kennzahlen in verschiedenen Dimensionen speichern Vorberechnete Aggregate (z.b. über alle Filialen hinweg) als eine Quelle zusätzlicher Faktentabellen Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 42
10 Galaxie-Schema Land L_ID L_Name Kundengruppe KG_ID KG_Bezeichnung Produktkategorie PK_ID Produktgruppe PG_ID PK_Bezeichnung PG_Bezeichnung PG_PKategorie_ID Bundesland B_ID B_Name B_Land_ID Kunde K_ID K_Name K_ohnort K_Strasse K_Geschlecht K_KGruppe_ID Verkauf V_Anzahl V_Kanal V_Produkt_ID V_Zeit_ID V_Kunden_ID V_Filial_ID Produkt P_ID P_Bezeichnung P_Verkaufspreis P_Einkaufspreis P_Rabatt P_Steuern P_PGruppe_ID Stadt S_ID S_Name S_BLand_ID Filiale F_ID F_Filiale F_Stadt_ID Summe_Verkauf SV_Anzahl SV_Kanal SV_Monat_ID SV_PGruppe_ID SV_BLand_ID Zeit Z_ID Z_Datum Z_Monat_ID Z_Monat Quelle: Köppen, Saake und Sattler [2, S.63] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 43
11 4.4 Anfragen an Data arehouses Analytische Anfragen an Data arehouses wählen einen mehrdimensionalen Teilbereich von Fakten aus und berechnen Aggregationen auf höheren Klassifikationsstufen Beispiel: Umsatz je Produktkategorie in allen europäischen Filialen in den Monaten seit Januar 200 Beispiel: Verkaufte Einheiten je Produkt über alle Filialen pro Jahr seit 2005 Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 44
12 Anfragen an Data arehouses Analytische Anfragen betreffen oft eine große Menge von Daten (z.b. alle Verkäufe seit 200) Antwortzeiten sollen interaktiv (d.h. kürzer 5 Sekunden) sein, um eine Interaktion mit dem Datenwürfel zu erlauben Betrachtung eines kleineren Teilwürfels Verdichtung der Kennzahlen zu höherer Klassifikationsstufe etc. Data arehouses setzen auf Vorberechnungen, um diese Anforderungen zu erfüllen Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 45
13 OLAP-Operatoren Datenwürfel dient nicht nur der Modellierung, sondern es lassen sich eine Reihe von Operatoren auf ihm definieren, die dann effizient umgesetzt werden müssen Pivotieren/Rotieren des gesamten Datenwürfels (PIVOT) Navigieren aufwärts/abwärts entlang der Dimensionen (ROLL UP / DRILL DON) Betrachten eines Teilwürfels oder einer Scheibe (DICE / SLICE) Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 46
14 PIVOT Pivotieren/Rotieren des gesamten Datenwürfels Produkt Zeit Softdrink ein Bier Bier 200 ein 20 Softdrink Zeit Sachsen- Anhalt Thüringen Bayern Ort Produkt Sachsen- Anhalt Thüringen Bayern Ort Quelle: Köppen, Saake und Sattler [2, S.26] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 47
15 DRILL DON und ROLL UP Navigieren aufwärts/abwärts entlang der Dimensionen Produkt Drill Down Produkt 2009 Softdrink ein Bier Roll Up Softdrink ein Bier Q Q2 Q3 Zeit Sachsen- Anhalt Thüringen Bayern Ort 200 Q Zeit Sachsen- Anhalt Thüringen Bayern Ort Quelle: Köppen, Saake und Sattler [2, S.27] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 48
16 SLICE Betrachten einer Scheibe des Datenwürfels Produkt Produkt Softdrink ein Bier Softdrink ein Bier Zeit Sachsen- Anhalt Thüringen Bayern Ort Zeit Sachsen- Anhalt Thüringen Bayern Ort Quelle: Köppen, Saake und Sattler [2, S.27] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 49
17 DICE Betrachten eines Teilwürfels des Datenwürfels Produkt Produkt 2009 Softdrink ein Bier 2009 Softdrink ein Bier Zeit Sachsen- Anhalt Thüringen Bayern Ort Zeit Sachsen- Anhalt Thüringen Bayern Ort Quelle: Köppen, Saake und Sattler [2, S.28] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 50
18 Umsetzung in SQL Data-arehouse-Systeme vertrauen meist auf RDBMS zur Speicherung und zum Anfragen der Daten Bei Verwendung eines Star-Schema ergibt sich folgendes Anfragemuster zum Berechnen eines Datenwürfels (n+)-ege-verbund zwischen n Dimensionstabellen und einer Faktentabelle Restriktionen über den Dimensionstabellen Aggregation und Gruppierung über Kennzahlen Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 5
19 Umsetzung in SQL Beispiel: SELECT O_Stadt, YEAR(Z_Datum), SUM(V_Anzahl) 2 FROM Verkauf, Ort, Produkt, Zeit 3 HERE V_Produkt_ID = P_ID AND V_Zeit_ID = Z_ID 4 AND V_Ort_ID = O_ID AND P_Produktgruppe = ein 5 GROUP BY O_Stadt, YEAR(Z_Datum) In den Standards SQL:999 und SQL:2003 wurden Erweiterungen speziell für OLAP eingeführt zusätzliche (statistische) Aggregatfunktionen CUBE und ROLLUP Operatoren Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 52
20 Aggregatfunktionen Zusätzliche statistische Aggregatfunktionen in SQL:2003 VAR_POP(A) und VAR_SAMP(A) zum Berechnen der Varianz auf Population oder Stichprobe STDDEV_POP(A) und STDDEV_SAMP(A) zum Berechnen der Standardabweichung auf Population oder Stichprobe COVAR_POP(A,B) und COVAR_SAMP(A,B) zum Berechnen der Kovarianz auf Population oder Stichprobe CORR(A,B) zum Berechnen des Korrelationskoeffizienten Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 53
21 CUBE Analysen benötigen oft Zwischen- und Gesamtsummen PGruppe Jahr Bundesland Umsatz Umsatz Umsatz PGruppe- PGruppe- PGruppe Jahr- Jahr Bundesland ein 200 Sachsen-Anhalt 45 Thüringen Sachsen-Anhalt 47 Bier 20 Thüringen 42 Quelle: Köppen, Saake und Sattler [2, S.32] Je Zwischen- oder Gesamtsumme ist eine separate Unteranfrage an das RDBMS notwendig Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 54
22 CUBE Beispiel: Zwischen- und Gesamtsummen mittels Vereinigung von Unteranfragen -- Zwischensumme () über alle Produktgruppen,Jahre und Bundesländer 2 SELECT P_Produktgruppe AS PGruppe, YEAR(Z_Datum), O_Bundesland, 3 SUM(V_Anzahl P_Verkaufspreis) AS Umsatz 4 FROM Verkauf, Zeit, Produkt, Ort 5 HERE V_Zeit_ID = Z_ID AND V_Produkt_ID = P_ID AND V_Ort_ID = O_ID 6 GROUP BY P_Produktgruppe, YEAR (Z_Datum), O_Bundesland 7 8 UNION ALL Zwischensumme (2) über alle Produktgruppen und Jahre SELECT P_Produktgruppe AS PGruppe, YEAR (Z_Datum), 2 CAST( NULL AS VARCHAR(50)), 3 SUM(V_Anzahl P_Verkaufspreis) AS Umsatz 4 FROM Verkauf, Zeit, Produkt, Ort 5 HERE V_Zeit_ID = Z_ID AND V_Produkt_ID = P_ID AND V_Ort_ID = O_ID 6 GROUP BY P_Produktgruppe, YEAR(Z_Datum) 7 8 UNION ALL Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 55
23 CUBE Vollständige Berechnung aller Zwischen- und Gesamtsummen führt bei n Gruppierattributen zu 2 n auszuwertenden Unteranfragen CUBE-Operator berechnet für gegebene Menge von Gruppierattributen {A,..., A n } Summen für alle Teilmengen der Gruppierattribute {} {A }, {A 2 }, {A 3 },... {A,A 2 }, {A,A 3 },.... {A,...A n } Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 56
24 CUBE Beispiel: Zwischen- und Gesamtsummen mittels Verwendung des CUBE-Operators SELECT P_Produktgruppe AS PGruppe, O_Bundesland, YEAR(Z_Datum), 2 SUM(V_Anzahl P_Verkaufspreis) AS Umsatz 3 FROM Verkauf, Zeit, Produkt, Ort 4 HERE V_Zeit_ID = Z_ID AND V_Produkt_ID = P_ID AND V_Ort_ID = O_ID 5 GROUP BY CUBE(P_Produktgruppe, O_Bundesland, YEAR(Z_Datum)) CUBE-Operator ist interdimensional, d.h. Gruppierattribute stammen von verschiedenen Klassifikationsstufen unterschiedlicher Dimensionen Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 57
25 ROLLUP ROLLUP-Operator als intradimensionales Pendant zum CUBE-Operator berechnet Zwischen- und Gesamtsummen entlang verschiedener Klassifikationsstufen einer Dimension Beispiel: Zwischen- und Gesamtsummen für Bundesländer, Städte und Filialen SELECT O_Bundesland, O_Stadt, O_Filiale, 2 SUM(V_Anzahl P_Verkaufspreis) AS Umsatz 3 FROM Verkauf, Zeit, Produkt, Ort 4 HERE V_Produkt_ID = P_ID AND V_Ort_ID = O_ID 5 AND V_Zeit_ID = Z_ID AND YEAR(Z_Datum) = 20 6 AND P_Produktgruppe = ein 7 GROUP BY ROLLUP(O_Bundesland, O_Stadt, O_Filiale) Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 58
26 MD Multidimensional Expressions (MD) als von Microsoft vorgeschlagene Anfragesprache für multidimensionale Daten, die auch von anderen Herstellern unterstützt wird MD-Anfrage nach folgendem Muster SELECT <Achsen> 2 FROM <Cube> 3 HERE <Slicer> zur Spezifikation eines Datenwürfels Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 59
27 MD Achsen-Klausel spezifiziert Achsen des Datenwürfels Aufzählung z.b. {ProduktA, ProduktC} Mengenausdruck z.b. Produkte.CHILDREN Kreuzprodukt z.b. CROSSJOIN(Produkte, Regionen) Cube-Klausel spezifiziert Faktentabelle als Datenquelle Slicer-Klausel erlaubt eine Selektion der Daten gemäß Dimensionen, die nicht als Achsen verwendet werden (z.b. Measures.[Umsatz] betrachtet nur Umsätze) Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 60
28 MD Beispiel ([2], S. 49) SELECT CROSSJOIN ( 2 {Produkt.Kategorie.Gruppe.[Rotwein], 3 Produkt.Kategorie.Gruppe.[eißwein]}, 4 {Ort.[Sachsen-Anhalt].CHILDREN, 5 Ort.[Thüringen]}) 6 ON COLUMNS, 7 {Zeit.[20].[Q].CHILDREN, Zeit.[20].[Q2], 8 Zeit.[20].[Q3], Zeit.[20].[Q4].CHILDREN} 9 ON ROS 0 FROM Verkauf HERE (Measures.[Umsatz]) Achse : Kreuzprodukt aus Produktkategorien Rotwein und eißwein mit Orten in Sachsen-Anhalt und Thüringen Achse 2: Monate im ersten Quartal von 20, zweites und drittes Quartal von 20, Monate im vierten Quartal von 20 Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 6
29 MD Beispiel ([2], S. 49) SELECT CROSSJOIN ( 2 {Produkt.Kategorie.Gruppe.[Rotwein], 3 Produkt.Kategorie.Gruppe.[eißwein]}, 4 {Ort.[Sachsen-Anhalt].CHILDREN, 5 Ort.[Thüringen]}) 6 ON COLUMNS, 7 {Zeit.[20].[Q].CHILDREN, Zeit.[20].[Q2], 8 Zeit.[20].[Q3], Zeit.[20].[Q4].CHILDREN} 9 ON ROS 0 FROM Verkauf HERE (Measures.[Umsatz]) Datenquelle: Faktentabelle Verkauf Slicer: Nur Umsätze werden berücksichtigt Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 62
30 MD Beispiel ([2], S. 49) Umsätze 20 Rotwein eißwein S.-A. Thür. S.-A. Thür. Magdeb. Halle Magdeb. Halle. Quart. Jan Feb Mär Quart Quart Quart. Okt Nov Dez Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 63
31 4.5 Implementierungsaspekte Implementierungsansätze für Data-arehouse-Systeme ROLAP verwendet RDBMS zum Speichern und Anfragen MOLAP speichert Daten als multidimensionales Array HOLAP verwendet Kombination der beiden Ansätze Bitmap-Indizes als zusätzliche Indexstruktur, die insbesondere für Attribute mit kleiner Anzahl möglicher Attributwerte und relativ statische Daten geeignet ist Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 64
32 ROLAP Relationales OLAP (ROLAP) verwendet ein RDBMS, um Datenwürfel in Fakten- und Dimensionstabellen zu speichern Vorteile: RDBMS sind ausgereifte Systeme und weit verfügbar geringer Implementierungsaufwand und Kosten Nachteile: Faktentabellen haben, aufgrund von Dimensionsattributen, einen vergleichsweise hohen Speicherbedarf Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 65
33 MOLAP Multidimensionales OLAP (MOLAP) verwendet ein multidimensionales Arrays zur Speicherung des Datenwürfels Klassifikationsstufen der verschiedenen Dimensionen müssen intern als ganze Zahlen (0...n) kodiert werden Dimensionsinformation eines Fakts muss dann nicht separat gespeichert werden, sondern ist aus seiner Position im multidimensionalen Array ablesbar Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 66
34 MOLAP Datenwürfel als multidimensionales Array, welches dann mittels Linearisierung (wie in Programmiersprachen) als Folge von Fakten (Kennzahlen) gespeichert wird D 3 Magdeburg D Halle D 2 Sachsen-Anhalt Erfurt Thüringen Februar März. Quartal Januar Quelle: Köppen, Saake und Sattler [2, S.57/59] Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 67
35 Bitmap-Indizes Bitmap-Indizes als zusätzliche Form von Indexstruktur (neben B + -Bäumen und hashbasierten Indizes), die insbesondere in Data arehouses Anwendung findet Bitmap-Indizes geeignet für Attribute mit kleiner Anzahl möglicher Attributwerte (z.b. Geschlecht, Kategorie) Für jeden möglichen Attributwert wird ein Bitvektor gespeichert, der Tupel anzeigt (Bit auf gesetzt), welche diesen Attributwert besitzen Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 68
36 69 Bitmap-Indizes Beispiel: eibliche Kunden in Vertriebsgebieten S und Datenbanken & Informationssysteme / Kapitel 4: Data arehouses G:w S U T V V:S S U T V V: S U T V Q c c c c c c c c a S U T V R d d d d d d d d b = S U T V
37 Bitmap-Indizes Bitvektoren lassen sich kompakt speichern und sehr effizient mittels Boole scher Operationen verknüpfen Bitmap-Indizes haben für Attribut mit wenigen möglichen erten einen geringeren Speicherbedarf als herkömmliche B + -Bäume Bitmap-Indizes sind insbesondere für statische Daten geeignet; ein Einfügen oder Löschen von Tupeln erfordert eine Neuberechnung aller Bitvektoren Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 70
38 Zusammenfassung Datenwürfel besteht aus Fakten und Dimensionen, die sich in Form eines Snowflake-Schemas oder eines Star-Schemas in Relationen abbilden lassen OLAP-Operatoren (ROLL UP, DRILL DON, SLICE, etc.) zur Interaktion mit einem Datenwürfel OLAP-Unterstützung in SQL und durch in Form der von Microsoft vorgeschlagenen Anfragesprache MD Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 7
39 Literatur [] A. Kemper und A. Eickler: Datenbanksysteme Eine Einführung, De Gruyter Oldenbourg, 205 (Kapitel 7) [2] V. Köppen, G. Saake und K.-U. Sattler: Data arehouse Technologien, mitp Professional, 204 Datenbanken & Informationssysteme / Kapitel 4: Data arehouses 72
Data-Warehouse-Technologien
Data-Warehouse-Technologien Prof. Dr.-Ing. Kai-Uwe Sattler 1 Prof. Dr. Gunter Saake 2 Dr. Veit Köppen 2 1 TU Ilmenau FG Datenbanken & Informationssysteme 2 Universität Magdeburg Institut für Technische
MehrDas Multidimensionale Datenmodell
Das Multidimensionale Datenmodell Konzeptuelle Modellierung Umsetzung des Modells Beispiel ER-Modell 2 / 36 Probleme ER-Modellierung Keine Unterscheidung Klassifikation, Attribute, Kenngrößen Dimension
MehrData Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube
Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch
MehrData Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen
Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP
MehrData Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse
MehrFrühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil
Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches
MehrData Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse
MehrData Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............
MehrData Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 16 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining operationale DB operationale DB operationale DB Data Warehouse operationale
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
MehrVertrautmachen mit Daten
Kapitel III Vertrautmachen mit Daten 2004 AIFB / FZI 1 III Vertrautmachen mit Daten (see also Data Preparation ) 2004 AIFB / FZI 2 III Vertrautmachen mit Daten III.1 OLAP III.1.1 Einführung in OLAP Wie
MehrFrühjahrsemester 2010. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil
Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches
MehrVeit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...
MehrOLTP: Online Transaction Processing
Moderne Betriebliche Anwendungen von Datenbanksystemen Online Transaction Processing (bisheriger Fokus) Data Warehouse-Anwendungen Data Mining OLTP: Online Transaction Processing Beispiele Flugbuchungssystem
MehrDatenbanksysteme 2 Frühjahr-/Sommersemester 2014 28. Mai 2014
Lehrstuhl für Praktische Informatik III Prof. Dr. Guido Moerkotte Email: moer@db.informatik.uni-mannheim.de Marius Eich Email: marius.eich@uni-mannheim.de Datenbanksysteme 2 8. Übungsblatt Frühjahr-/Sommersemester
MehrInhalt. 4.1 Motivation. 4.2 Datenintegration. 4.3 Konzeptuelle Modellierung. 4.4 Anfragen an Data Warehouses. 4.5 Implementierungsaspekte
4. Data Warehouses Inhalt 4.1 Motivation 4.2 Datenintegration 4.3 Konzeptuelle Modellierung 4.4 Anfragen an Data Warehouses 4.5 Implementierungsaspekte 2 Literatur V. Köppen, G. Saake und K.-U. Sattler:
MehrKomponenten und Architekturen von Analytischen Informationssystemen (AIS)
Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen
MehrKapitel 6 Einführung in Data Warehouses
Kapitel 6 Einführung in Data Warehouses Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2008, LMU München 2008 Dr. Peer Kröger Dieses Skript basiert zu einem Teil auf dem Skript zur Vorlesung
MehrData Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de
Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Data Warehouse Architektur Data-Warehouse-System Teilsichten
MehrKapitel 17: Date Warehouse
Kapitel 17: Date Warehouse 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen kleine, kurze Transaktionen jeweils auf jüngstem Zustand OLAP (Online Analytical
MehrAufgabe 1: [Logische Modellierung]
Aufgabe 1: [Logische Modellierung] a) Entwerfen Sie für das von Ihnen entworfene Modell aus Aufgabe 2 des 1. Übungsblattes ein Star-Schema. b) Entwerfen Sie für das vorangegangene Modell einen Teil eines
MehrRückblick: Datenbankentwurf
Rückblick: Datenbankentwurf Entity-Relationship-Modell für konzeptuellen Entwurf Entitytypen (entity types) (z.b. Studenten) Beziehungstypen (relationships) (z.b. hören) Attribute beschreiben Gegenstände
MehrAgenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL
Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining 2 Eigenschaften eines Data Warehouse Referenzarchitektur Integrierte Sicht auf beliebige Daten aus verschieden Datenbanken
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
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 -
MehrMIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001
MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)
MehrData Warehousing. Weitere Buzzwörter: OLAP, Decision Support, Data Mining
Data Warehousing Weitere Buzzwörter: OLAP, Decision Support, Data Mining Wichtige Hinweise Zu diesem Thema gibt es eine Spezialvorlesung im Sommersemester Hier nur grober Überblick über Idee und einige
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
MehrMultidimensionales Datenmodell
Multidimensionales Datenmodell Grundbegriffe fi Fakten, Dimensionen, Würfel Analyseoperationen fi Drill-Down, Roll-Up, Slice und Dice Notationen zur konzeptuellen Modellierung fi ME/R, ADAPT Relationale
MehrKomponenten und Architekturen von Analytischen Informationssystemen (AIS)
Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.
MehrThemenblock: Data Warehousing (I)
Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining Agenda Einführung Data Warehouses Online Transactional Processing (OLTP) Datenmanipulation mit SQL Anfragen mit SQL Online
MehrData Warehousing. Ausführung von OLAP Operationen. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Ausführung von OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Variante 1 - Snowflake Year id year Productgroup id pg_name Month Id Month year_id Day Id day month_id
Mehr5 Data Warehouses und Data Mining
5 Data Warehouses und Data Mining Mittels OLAP Techniken können große Datenmengen unterschiedlich stark verdichtet und gezielt aufbereitet werden. Mittels Data Mining können große Datenmengen nach bisher
MehrData Warehouse Technologien
mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de
MehrMengenvergleiche: Alle Konten außer das, mit dem größten Saldo.
Mengenvergleiche: Mehr Möglichkeiten als der in-operator bietet der θany und der θall-operator, also der Vergleich mit irgendeinem oder jedem Tupel der Unteranfrage. Alle Konten außer das, mit dem größten
MehrMultidimensionales Datenmodell, Cognos
Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur
MehrIndex- und Zugriffsstrukturen für. Holger Brämer, 05IND-P
Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören
Mehrbersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter
bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen
MehrEinleitung. ROLLUP, CUBE und GROUPING. Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002)
Betrifft Autör: GROUPING_ID Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem Oracle9i Data Warehousing Guide und den Kursen New Features Oracle9i
MehrVerwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert. Entität kann in einer oder mehreren Unterklassen sein
1 Definitionen 1.1 Datenbank Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert Integriert, selbstbeschreibend, verwandt 1.2 Intension/Extension Intension: Menge der Attribute Extension:
MehrSeminar Data Warehousing. Seminar. Data Warehousing. Thema: Speichermodelle für Data-Warehouse-Strukturen
Seminar Data Warehousing Thema: Speichermodelle für Data-Warehouse-Strukturen Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Institut für Informatik Lehrstuhl für Datenbanken
MehrKap. 6 Data Warehouse
1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5
MehrHinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung
Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 24. Juni 2014 Agenda Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen
MehrMala Bachmann September 2000
Mala Bachmann September 2000 Wein-Shop (1) Umsatz pro Zeit und Produkt Umsatz Jan Feb Mrz Q1 Apr 2000 Merlot 33 55 56 144 18 760 Cabernet-S. 72 136 117 325 74 1338 Shiraz 85 128 99 312 92 1662 Rotweine
MehrBetriebliche Anwendungen
Betriebliche nwendungen SP R/3: Enterprise Resource Modelling (ERP-System) OLTP Data Warehouse Data Mining WN (Internet) LN Kapitel 17 1 Relationales DBMS als Backend-Server (Oracle, Informix, DB2, MS
MehrVorlesung Datenbankmanagementsysteme
Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse & Einführung Online Analytical Processing (OLAP) (auf Basis von Oracle) Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse M. Lange, S.
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
MehrKapitel 8: Data Warehouse 1
Objektverwaltung höherer Ordnung (OHO) SS 23 Kapitel 8: Data Warehouse Kap. 8 Data Warehouse 8. Was ist ein Data Warehouse, Motivation? 8.2 Data Cube und SQL-Operationen 8.3 Cube-Operationen 8.4 Physischer
MehrDatenbanken Unit 4: Das Relationale Modell & Datenintegrität
Datenbanken Unit 4: Das Relationale Modell & Datenintegrität 15. III. 2016 Outline 1 Organisatorisches 2 SQL 3 Relationale Algebra Notation 4 Datenintegrität Organisatorisches Erster Zwischentest: nach
MehrSemantische Integrität (auch: Konsistenz) der in einer Datenbank gespeicherten Daten als wichtige Anforderung
6. Datenintegrität Motivation Semantische Integrität (auch: Konsistenz) der in einer Datenbank gespeicherten Daten als wichtige Anforderung nur sinnvolle Attributwerte (z.b. keine negativen Semester) Abhängigkeiten
MehrBetriebliche Anwendungen
Betriebliche Anwendungen SAP R/3: Enterprise Resource Modelling (ERP-System) OLTP Data Warehouse Data Mining WAN (Internet) LAN Kapitel 7 Relationales DBMS als Backend-Server (Oracle, Informix, DB2, MS
MehrAnfragen in Operativen Systemen und Data Warehouses
Data Warehouses Sommersemester 011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Anfragen in Operativen Systemen und Data Warehouses Anfragen Operative
MehrEinführung in Data Warehouses
Kapitel l6 Einführung in Data Warehouses Vorlesung: Dr. Matthias Schubert Skript 2009 Matthias Schubert Dieses Skript basiert auf dem Skript zur Vorlesung Datenbanksysteme II von Prof. Dr. Christian Böhm
Mehr3. Mehrdimensionale Datenmodellierung. Cb Cube-Operator, Rollup-Operator, Grouping Sets SS08, Prof. Dr. E. Rahm 3-1 y yy
3. Mehrdimensionale Datenmodellierung und Operationen Grundlagen Kennzahlen, e, Dimensionen, esoe,cube Cuboide / Aggregationsgitter hierarchische Dimensionen / Konzepthierarchien Cube-Operationen Multi-dimensionale
MehrKapitel 5: Vom relationalen zum multidimensionalen Datenmodell
Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Data Warehousing und Mining 1 Data Warehousing, Gliederung Dimensionen und Measures Schematypen für Data Warehousing GroupBy und Data Cubes
MehrFrühjahrsemester 2013. CS243 Datenbanken Kapitel 7: Data Warehousing-Anfragen. H. Schuldt. 7.1 Einführung. Filiale Allschwil
Frühjahrsemester 3 CS43 Datenbanken Kapitel 7: Data Warehousing-Anfragen H. Schuldt Wiederholung aus Kapitel 7. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen:
MehrData Warehousing Grundbegriffe und Problemstellung
Data Warehousing Grundbegriffe und Problemstellung Dr. Andrea Kennel, Trivadis AG, Glattbrugg, Schweiz Andrea.Kennel@trivadis.com Schlüsselworte Data Warehouse, Cube, Data Mart, Bitmap Index, Star Queries,
MehrRealisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier
Realisierung von OLAP Operatoren in einem visuellen Analysetool Vortrag von Alexander Spachmann und Thomas Lindemeier Gliederung Ausgangssituation/Motivation Was ist OLAP? Anwendungen Was sind Operatoren?
MehrDas SQL-Schlüsselwort ALL entspricht dem Allquantor der Prädikatenlogik
Beispielaufgaben Informationssysteme erstellt von Fabian Rump zur IS Vorlesung 2009/10 1 Multiple Choice Aussage richtig falsch Eine SQL-Abfrage beginnt immer mit dem Schlüsselwort SELECT Eine Datenbank
MehrStructured Query Language (SQL) als standardisierte Anfragesprache für relationale Datenbanken
Rückblick Structured Query Language (SQL) als standardisierte Anfragesprache für relationale Datenbanken Data Definition Language zur Schemadefinition (z.b. CREATE TABLE zum Anlegen von Tabellen) Data
MehrKapitel 5: Vom relationalen zum multidimensionalen Datenmodell
Data Warehousing, Gliederung Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Dimensionen und Measures Schematypen für Data Warehousing Groupy und Data Cubes Operatoren für den Data Cube
MehrVorwort zur 5. Auflage... 15 Über den Autor... 16
Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung
MehrRückblick: Entity-Relationship-Modell
Rückblick: Entity-Relationship-Modell Entity-Relationship-Modell für konzeptuellen Entwurf Entitytypen (entity types) (z.b. Studenten) Beziehungstypen (relationships) (z.b. hören) Attribute beschreiben
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining 2 Cognos Report Net (CRN) Ermöglicht Erstellen von Ad-hoc-Anfragen (Query Studio) Berichten (Report Studio) Backend Data Cube Relationale Daten Übung: Cognos Report Net
MehrStar - Schema. AnPr. Name Klasse Datum. ANPR_StarSchema_v03.docx Seite 1
Name Klasse Datum 1 OLAP vs. OLTP In den RDBMS Konfigurationen unterscheidet man zwei verschiedene Grundtypen: OLTP: OnLine Transactional Processing ist für die Transaktionsprozesse und somit zur funktionalen
MehrChristian Kurze BI-Praktikum IBM WS 2008/09
Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS
MehrNutzung der Oracle Database InMemory Option für SAP BW
Nutzung der Oracle Database InMemory Option für SAP BW Schlüsselworte Oracle, SAP-BW, InMemory, Star-Schema. Jörn Bartels Oracle München Einleitung In SAP BW wurde bisher ein erweitertes Snow Flake Schema
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
MehrPivotieren. Themenblock: Anfragen auf dem Cube. Roll-up und Drill-down. Slicing und Dicing. Praktikum: Data Warehousing und Data Mining. Produkt.
Zeit Pivotieren Themenblock: Anfragen auf dem Cube Praktikum: Data Warehousing und Data Mining Zeit Zeit 2 Roll-up und Drill-down Slicing und Dicing Drill-down Januar 2 3 33 1. Quartal 11 36 107 Februar
MehrDownload:.../~rieche. gehalten am 2. Februar 2004. Stephan Rieche. Vortrag. Thema: Index Selection. von. Seminar Advanced Data Warehouse
Seminar Advanced Data Warehouse Thema: Index Selection Vortrag von Stephan Rieche gehalten am 2. Februar 2004 Download:.../~rieche Inhalt des Vortrages 1. Einleitung - Was ist das Index Selection Problem?
MehrISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de
08 Datenbanken Übung SQL Einführung Eckbert Jankowski www.iit.tu-cottbus.de Datenmodell (Wiederholung, Zusammenfassung) Objekte und deren Eigenschaften definieren Beziehungen zwischen den Objekten erkennen/definieren
MehrOLAP und der MS SQL Server
OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP-Systeme werden wie umfangreiche Berichtssysteme heute nicht mehr von Grund auf neu entwickelt. Stattdessen konzentriert man sich auf die individuellen
MehrDatenbanken (WS 2015/2016)
Datenbanken (WS 2015/2016) Klaus Berberich (klaus.berberich@htwsaar.de) Wolfgang Braun (wolfgang.braun@htwsaar.de) 0. Organisatorisches Dozenten Klaus Berberich (klaus.berberich@htwsaar.de) Sprechstunde
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
MehrMultidimensionales Datenmodell, Anfrageverarbeitung und Anfrageoptimierung
Multidimensionales Datenmodell, Anfrageverarbeitung und Anfrageoptimierung Grundbegriffe Dimensionen, Fakten/Kennzahlen Eigenschaften von multidimensionalen Anfragen Relationale Umsetzung von Anfragen
MehrData Warehouse und Data Mining
Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine
MehrUniversität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5 Aufgabe 1: Projektion Datenbanksysteme I π A1,...,A n (π B1,...,B
MehrEine Einführung in OLAP
Eine Einführung in OLAP Einleitung... 1 Wofür wird OLAP benötigt?... 1 Was ist OLAP?... 3 OLAP Charakteristika... 3 Dimensionen... 3 Hierarchien... 3 Flexible Präsentation... 4 OLAP und Data Warehousing...
MehrMotivation. Motivation /2. Dimensionen. Einfache Hierarchien. Hierarchien in Dimensionen. 3. Multidimensionales Datenmodell
3. Multidimensionales Datenmodell Grundbegriffe Dimensionen, Fakten/Kennzahlen, Würfel Analyseoperationen Drill-Down, Roll-Up, Slice und Dice Notationen zur konzeptuellen Modellierung ME/R, ADAPT, graphbasierte
MehrModel Klausel - Der Excel-Killer von Oracle?
Model Klausel - Der Excel-Killer von Oracle? Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Model Klausel, SQL, Data Warehousing, OLAP Zusammenfassung Ein Data Mart kann als ein Würfel mit
MehrAufbau Datenbanksysteme
Aufbau Datenbanksysteme Lehrveranstaltung Datenbanktechnologien Prof. Dr. Ingo Claßen Prof. Dr. Martin Kempa Hochschule für Technik und Wirtschaft Berlin Speichersystem c Ingo Claßen, Martin Kempa Softwarearchitektur
MehrBusiness Intelligence
Hochschule Darmstadt Business Intelligence Fachbereich Informatik Praktikumsaufgabe 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2007 Business Intelligence Aufgabenstellung 1.
MehrMotivation. Dimensionen. Motivation /2. 3. Multidimensionales Datenmodell
3. Multidimensionales Datenmodell Grundbegriffe Dimensionen, Fakten/Kennzahlen, Würfel Analyseoperationen Drill-Down, Roll-Up, Slice und Dice Notationen zur konzeptuellen Modellierung ME/R, ADAPT, graphbasierte
MehrAnfragen gegen das DataWarehouse
Anfragen gegen das DataWarehouse Sebastian Kuhs Seminar Data Warehousing und analytische Datenbanken Gliederung 1. Benutzergruppen 2. interaktives OLAP 3. MDX 4. XML-Analysis 5.Produkte 1. Benutzergruppen
Mehr2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45
Vorwort 15 Teil I Grundlagen 19 i Einführung In das Thema Datenbanken 21 I.I Warum ist Datenbankdesign wichtig? 26 i.2 Dateisystem und Datenbanken 28 1.2.1 Historische Wurzeln 29 1.2.2 Probleme bei der
MehrObjektrelationale und erweiterbare Datenbanksysteme
Objektrelationale und erweiterbare Datenbanksysteme Erweiterbarkeit SQL:1999 (Objekt-relationale Modellierung) In der Vorlesung werden nur die Folien 1-12 behandelt. Kapitel 14 1 Konzepte objekt-relationaler
MehrRepetitorium. Data Warehousing und Data Mining 11/12. Sebastian Wandelt 13./16. Februar 2012
Repetitorium Data Warehousing und Data Mining 11/12 Sebastian Wandelt 13./16. Februar 2012 Inhalt Data Warehousing und Data Mining auf 40 Slides Weder in-, noch exklusiv! Subjektive Zusammenfassung pro
MehrOLAP Einführung und Überblick
Kapitel 3 OLAP Einführung und Überblick In diesem Kapitel: Der Begriff OLAP 38 Möglichkeiten und Grenzen von SQL 39 Grundlegende Merkmale des multidimensionalen Konzepts 41 OLAP und Data Warehouse 49 Speicherkonzepte
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
MehrKapitel 3: Datenbanksysteme
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2015 Kapitel 3: Datenbanksysteme Vorlesung:
MehrOLAP und Aggregierung
Stärkung der SelbstOrganisationsfähigkeit im Verkehr durch I+K-gestützte Dienste Seminar Data Warehousing im Verkehrsbereich Sommersemester 2003 OLAP und Aggregierung von Jan Sandberger Betreuer: Heiko
MehrFachPraktikum 1590 Erweiterbare Datenbanksysteme. Aufgaben Phase 1
FachPraktikum 1590 Erweiterbare Datenbanksysteme Aufgaben Phase 1 Wintersemester 2004/2005 Ralf Hartmut Güting, Dirk Ansorge, Thomas Behr, Markus Spiekermann Praktische Informatik IV, Fernuniversität Hagen
MehrKonzeptueller Entwurf
Konzeptueller Entwurf UML Klassendiagrame UML Assoziationen Entspricht Beziehungen Optional: Assoziationsnamen Leserichtung ( oder ), sonst bidirektional Rollennamen Kardinalitätsrestriktionen UML Kardinalitätsrestriktionen
MehrDBS ::: SERIE 5. Join Right Semi- Join Left Semi-Join Projektion Selektion Fremdschlüssel. Kreuzprodukt
DBS ::: SERIE 5 Die Relation produkt enthält Hersteller, Modellnummer und Produktgattung (pc, laptop oder drucker aller Produkte. Die Modellnummer ist (der Einfachheit halber eindeutig für alle Hersteller
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Sprachen für OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung OLAP Operationen MDX: Multidimensional Expressions SQL Erweiterungen
MehrOnline Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Speicherung multidimensionaler Daten Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Relationales OLAP (ROLAP) Snowflake-, Star- und Fullfactschema
Mehr