Data Warehouse. Prof. Dr. W. Riggert
|
|
- Joseph Til Färber
- vor 8 Jahren
- Abrufe
Transkript
1 Data Warehouse Prof. Dr. W. Riggert
2 Gliederung Ausgangssituation : Motiv und Hintergrund Definition und Architektur Operative Systeme vs Data Warehouse OLAP und Beispiel Data Mining 2
3 Motiv Marktentwicklungen und Wettbewerb zwingen zu - kürzeren Entscheidungsprozessen - besserer Entscheidungsunterstützung durch Information - flacheren Strukturen - Business Process Reengineering Data Warehouse Technische Entwicklungen ermöglichen bessere Lösungen - starke Endbenutzerwerkzeuge - Client-Server Technologie - preisgünstige Hard- und Software Quelle : Software AG 3
4 Motiv Könnten Sie mir schnell das wichtigste auf einer Seite zusammenfassen? 4
5 Ursache Flut nicht relevanter Informationen erschwert das Herausfiltern entscheidungsbedeutender Informationen: Im WWW findet keine Selektion statt -Verkehr steigt exponentiell Moderne Informations- und Kommunikationstechnologien sind Wegbereiter der Datenflut, da Speicherkapazität keine limitierende Ressource darstellt 5
6 Hintergrund Hinter den Daten transaktionsorientierter Anwendungen verbergen sich wichtige Informationen, z.b. Aussagen über : Kaufverhalten Kundenwünsche Markttrends Qualitätssituation Geschäftsperformance Wettbewerber 6
7 Ist-Situation Die Daten sind in zu vielen Datenbanken verstreut und nicht vergleichbar. (Datumsformate, Währungen, etc.) Es gibt keinen zentralen Ort zur Speicherung externer Zahlen (z.b. Marktforschungen oder Daten über Konkurrenten.) Auf die vorhandenen Datenbanken ist Zugriff nur bedingt möglich. Es fällt schwer, aus den vorhandenen Systemen geeignete Daten zu extrahieren. Extraktion liegt in der Hand der SQL-Kenner. 7
8 Gliederung Ausgangssituation : Motiv und Hintergrund Definition und Architektur Operative Systeme vs Data Warehouse OLAP und Beispiel Data Mining 8
9 Ziele Zusammenführung (Integration) und Verdichtung (Aggregation) von Daten aus mehreren heterogenen Quellen in einer zentralen Datenbank 9
10 Definition : Annäherung Nicht jede Datensammlung ist ein Data Warehouse! Ein Data Warehouse (DW) ist ein Datenlager, das nach einem bestimmten Konzept strukturiert ist, um flexible und schnelle Auswertungen zu ermöglichen 10
11 Definition - exakt 1 "Ein Data Warehouse ist eine Themenorientiert Die Daten werden nach dem betriebswirtschaftlichen Umfeld des Unternehmens organisiert. "Alles über Kunden, Produkte oder..." Zeitorientiert Daten eines Data Warehouses werden langfristig gespeichert. Jedes Data Warehouse beinhaltet auch die Dimension Zeit. Periodische Ergänzung um aktuelle Daten, u.u. Verdichtung älterer Informationen 11
12 Definition - exakt 2 integriert Das Data Warehouse wird aus einer Vielzahl interner wie externer Datenquellen bewirtschaftet. Dabei spielt die Datenqualität eine wesentliche Rolle. Zusammenführung und Konsolidierung verteilter Daten Unveränderlich Die Daten werden persistent gespeichert. Daten sind nur lesbar. Datensammlung für Managemententscheidungen." (W.H. Inmon, "Building the Data Warehouse") 12
13 Data Warehouse Merkmale Themenorientierung: Data Warehouses befriedigen den Informationsbedarf bezüglich Sachverhalten, die das Handeln des Unternehmens bestimmen Integration: Data Warehouses vereinheitlichen die Daten der Vorsysteme: Anpassung an Datenformate Vereinheitlichung von Datumsfeldern Umrechnung von Werteinheiten Währungsumrechnungen Beständigkeit: Die im Data Warehouse abgelegten Daten werden nicht mehr verändert nur Lese-Zugriff Zeitraumbezug: Data Warehouses beinhalten zeitraumbezogene, historisierte Daten 13
14 Merkmale Bestimmende Merkmale: Vereinheitlichung: aus aus verschiedenen Datenbeständen in in eine eine homogene Datenwelt zusammengeführt Themenausrichtung: auf auf die die Informationsbedürfnisse des des Anwenders ausgerichtet Zeitorientierung: Einbeziehung von von historischen Werten (aber (aber auch auch von von Planzahlen) Dauerhaftigkeit: jederzeitige Wiederholbarkeit einer einer Abfrage 14
15 Data Warehouse Einordnung 15
16 Data Warehouse Architektur Data Marts (DM) ASCII Endbenutzeranalysen Staging Area Core DWH Clients Host Relat. DB [ ] Extraktion Transformation Aggregation Metadaten-Management Analyse Quelle : Diplomarbeit Herrera 16
17 Data Warehouse Anforderungen 1 Das Data Warehouse bietet einen Zugang zu allen relevanten Daten des Unternehmens. Die Daten eines Data Warehouses sind konsistent, d.h. frei von logischen Widersprüchen Daten im Data Warehouse können nach jeder beliebigen und möglichen betrieblichen Kennzahl getrennt und kombiniert werden 17
18 Data Warehouse Anforderungen 2 Das Data Warehouse besteht nicht nur aus Daten. Zum Gesamtsystem gehören auch verschiedene Tools um die Daten abzufragen, analysieren und darzustellen Das Veröffentlichen der Daten ist die Kernaufgabe des Data Warehouses. Die Daten werden an einem zentralen Ort gesammelt, sorgfältig transformiert und qualitätsgesichert Das Data Warehouse kann keine mangelhafte Datenqualität beheben. 18
19 Data Warehouse Ziele Ein Data Warehouse führt Daten aus unterschiedlichen internen und externen Quellen zusammen, um mit Abfrage- und Analysewerkzeugen neue Informationen zu gewinnen besitzt eine eigenen physische Datenhaltung, um operative Anwendungen nicht zu beeinträchtigen nutzt sämtliche Datenformate: relationale Daten, unstrukturierten Text, Fotos, Videos beinhaltet aggregierte Daten über einen längeren Zeitraum 19
20 Data Mart Ein Data Mart ist eine logische und physikalische Teilmenge eines Data Warehouse mit subjekt- oder abteilungsspezifischem Charakter Dabei ist es nicht erforderlich, die Daten unmittelbar aus dem Data Warehouse zu laden, sondern eine Übernahme direkt aus den operativen Daten ist möglich. 20
21 Data Mart Eigenschaften Data Marts sind abteilungs- oder themenbezogene Datenbanken, die eine Untermenge der im zentralen Data Warehouse gespeicherten operativen Daten enthalten Data Marts werden eingeführt, um die Systemleistung bei Datenabfragen zu verbessern und die Abhängigkeit von unternehmensweiten Warehouse-Daten zu verringern. 21
22 Data-Mart Architektur Data Marts (DM) ASCII Endbenutzer- Analysen Staging Area Clients Host Relat.DB [ ] Extraktion Transformation Aggregation Metadaten-Management Analyse Quelle : Diplomarbeit Herrera 22
23 Datenübernahme: ETL-Prozess Die Datenübernahme ist ein dreistufiger Prozess: Extraktion: Selektion der Daten aus den Quellen und Ablage in einen Zwischenspeicher. Arten: Periodische Extraktion Extraktion auf Anfrage Ereignisgesteuerte Extraktion Transformation: Beseitigung von Qualitätsmängeln der Daten aufgrund Inkorrekter Daten Inkonsistenter Daten Unvollständiger Daten Doppelter Daten Veralteter Daten Irrelevanter Daten 23
24 Transformation Die Qualität wird durch mehrere Maßnahmen gesichert: Bereinigung durch Ausgleich syntaktischer und semantischer Mängel Harmonisierung durch die Vereinheitlichung unterschiedlicher Codierungen; z.b. m/w oder 0/1 und Blank für Unternehmen Verdichtung durch Aggregation auf verschiedenen Stufen Anreicherung durch weitere Kennzahlen 24
25 Transformation: Konflikte bei der Datenintegration Semantische Konflikte: In zwei Datenquellen wird das gleiche Objekt mit unterschiedlichen Attributen beschrieben Beschreibungskonflikte: für Attribute der selben Objekte werden synonyme Bezeichnungen, verschiedenen Datentypen, Wertebereiche oder unterschiedliche Maßeinheiten verwendet Falsche Daten: Eingabefehler oder veraltete Daten Unterschiedliche Repräsentation: gleicher semantischer Sachverhalt wird unterschiedlich abgebildet: Schulnote als 1 bis 6 oder als sehr gut bis unzureichend 25
26 Transformation: Konfliktbereinigung Konvertierungs- und Normalisierungsfunktionen: Zurückführung unterschiedlicher Einheiten auf einen festgelegten Standard Domänenspezifische Bereinigung: Korrektur der Daten durch Hintergrundwissen aus dem Fachgebiet, z.b. Adressdaten Domänenunabhängige Bereinigung: Zusammenführung unterschiedlicher Datenmodelle durch Prüfung von Ähnlichkeiten bezüglich der Objekte, z.b. entspricht die Bestellnummer in Schema 1 derjenigen in Schema 2 mit einer gewissen Wahrscheinlichkeit Regelbasierte Bereinigung: automatische, programmgestützte Anpassung von Objekten 26
27 Laden Die Übernahme der Daten unterscheidet zwei Ausprägungen: Initiales Füllen Zyklische Aktualisierung: Komplette Datenübernahme bei jedem Zyklus Übernahme jeweiliger Änderungen inkrementell Auswahl protokollierter Daten 27
28 Laden: Aktualisierung Vollständige Aktualisierung - Full Refresh. Der gesamte Datenbestand der operativen Quellen wird geladen Inkrementelle Aktualisierung - Incremental Refresh Nur die Änderungen der operativen Daten werden geladen. Dabei entstehen zwei Probleme : Erkennen und Identifizieren der Änderungen Einarbeitung der Änderungen in den Datenbestand unter Berücksichtigung historischer Bestände. 28
29 Laden: Aktualisierung 2 Wie aktuell müssen die bereitgestellten Daten sein? Daten des Vormonates, der vergangenen Woche oder von gestern? In welcher Aggregationsform sollen die Daten vorliegen? Von Interesse sind keine einzelnen Aktivitäten, sondern zusammengefasste Vorgänge. 29
30 Analysen, Trends Berichte ETL: Interne/Externe Datenquellen? Einkauf Lager/Bestände Personal Vertrieb Finanzen Interne Informationsressourcen Data Warehouse Externe Informationsressourcen Kunden Lieferanten Markt Wettbewerb 30
31 ETL: Datenquellen und -arten Online Daten- Banken / Internet Operative Verfahren sammeln, filtern, bewerten bereinigen, strukturieren, ergänzen Datenquelle intern extern Marktvolumen, Marktanteile, Verbrauchs- Kennzahlen,... Auftragseingang, Umsatz, Kosten Deckungsbeitrag, Produktivität,... Presse- Meldungen, Patente, Gutachten,... Kundenbesuchs- Berichte, Projektberichte,... quantitativ qualitativ Datenart Nach: Meier, M., Fülleborn, A., Integration, externer Führungsinformationen..., WI 41(1999)5, S 449 ff. 31
32 DW-Architektur im Überblick Δ LH DB TUI Δ MOLAP Δ Δ ROLAP Datenquellen Extraktion Transformation Warehouse-DB Analyse-Schicht Präsentation Metadaten Prozessmanagement Quelle : sd&m 32
33 Meta-Datenverwaltung Meta-Daten sind Daten über Daten Welche Daten liegen im Data Warehouse? In welcher Form existieren sie? Wer ist für die Pflege verantwortlich? Wann fand die letzte Aktualisierung statt? Welche Berichte sind vorgesehen? 33
34 Eigenschaften Subjekt-orientierter Aufbau : Unternehmensdaten nach dem Informationsbedarf des Managements Zeitvariante Daten : Datenprotokollierung über längere Zeiträume Nicht-flüchtige Sammlung von Daten : Aktualisierung der Datenbestände in festgelegten Zeitabständen Integrativer Inhalt : Verbindung entscheidungsrelevanter Daten aus unterschiedlichen operativen Anwendungen 34
35 Gliederung Ausgangssituation : Motiv und Hintergrund Definition und Architektur Operative Systeme vs Data Warehouse OLAP und Beispiel Data Mining 35
36 Vergleich : operativ vs. Data Warehouse 1 Operative Systeme Data Warehouse Die Struktur operativer Systeme ist an der Abwicklung von Geschäftsprozessen orientiert. Sie enthält keine Redundanzen Datenstruktur Detaillierungsgrad Ein Data Warehouse enthält managementrelevante Objekte als Dimension ohne in dritter Normalform vorzuliegen. Operative Systeme enthalten Data Warehouses enthalten detaillierte Daten verdichtete Daten Zeitraumbezug Operative Systeme enthalten aktuelle Daten Data Warehouses bestehen aus historischen, aktuellen und prognostizierten Daten 36
37 Vergleich : operativ vs. Data Warehouse 2 Operative Systeme Data Warehouse Aktualisierungszeitraum Die Daten in einer operativen Die Daten eines Data Warehouses Datenbank sind einer permanenten werden zu vordefinierten Änderung unterlegen Zeitpunkten durch die Extraktionsprogramme aktualisiert Systemlast Die Auslastung operativer Systeme Die Systemlast bei Data Warehouseist bekannt, insbesondere wann Nutzung schwankt stark. Allerdings Spitzenzeiten mit einer Vielzahl von werden nur wenig Transaktionen Transaktionen existieren durchgeführt. Verfügbarkeit Operative Systeme haben einen hohen Anspruch an die Verfügbarkeit Geringe Anforderungen an die Verfügbarkeit. 37
38 Vergleich : operativ vs. Data Warehouse 3 Einfügen Laden Operative Datenbank Data Warehouse Änderung Löschung Ersetzung Zugreifen Daten werden auf Record-Basis bearbeitet Daten werden ins Warehouse geladen und dort zugegriffen. Wenn ein Snapshot gemacht wird, verändern sich die Daten anschließend nicht mehr. 38
39 Vergleich : operative vs. Managementunterstützung Merkmal Datenstruktur Identifikationskriterium Operative DV-Systeme flache, nicht hierarchische Tabellen eindimensional Managementunterstützende Systeme multidimensionale Strukturen mehrdimensional Datenmanipulation zeilenbezogen sichtspezifisch Datenmenge/ Transaktion Betrachtungsebene klein detailliert umfangreich aggregiert Zeithorizont gegenwärtig historisch, gegenwärtig, zukünftig 39
40 Gliederung Ausgangssituation : Motiv und Hintergrund Definition und Architektur Operative Systeme vs Data Warehouse OLAP und Beispiel Data Mining 40
41 12 OLAP-Regeln (nach Codd) Basisregeln 1 Mehrdimensionale Perspektive Intuitive Datenmanipulation Zugriffsmöglichkeiten Datenintegration Ein Bericht sollte durch Slice und Dice per Mausklick veränderbar sein Einfache Navigation durch Drill-up, Drill-down oder Drillthrough Ein Benutzer soll nicht wissen müssen, wo die gerade verwendeten Daten herkommen Ein OLAP-System soll Daten in einem eigenständigen Prozess übernehmen und ein Drill-through gestatten Client/Server Architektur OLAP-Anwendungen werden über ein Netzwerk nach diesem Verteilungsprinzip betrieben, um ressourcenintensive Prozesse auf einem Server auszuführen 41
42 Basisregeln 2 Unterstützung verschiedener Analysemodelle Categorical = historische Daten, Exegetical = interaktive Analyse, Contemplativ = Wenn/dann -Anaylse Formulatic = formelbasierte Analyse Mehrbenutzerfähigkeit Transparenz Es ist ein gleichzeitiger Zugriff mehrerer Benutzer gestattet Daten stammen aus integriertem Datenbestand oder aus heterogenen externen Quellen 42
43 Spezielle Regeln Trennung denormalisierter Daten Trennung Uneingeschränkte Anzahl von Dimensionen Null- und Fehlwerte Daten in OLAP-Datenbanken werden denormalisiert gespeichert OLAP-Daten sind von Produktivdaten getrennt abzulegen OLAP-Datenbanken geben keine Einschränkung bezüglich der Dimension vor Da in einem Datenwürfel nicht jede Zelle gefüllt ist, müssen leere Zellen einen Fehlwert tragen, der nicht den Wert Null besitzt 43
44 Kritik Unscharfe Trennung zwischen fachlich-konzeptionellen Anforderungen und technischer Realisierung Keine Klarheit, ob mehrdimensionale Datensichten ein eigenes Datenmodell benötigen 44
45 Begriffe OLAP = Online Analytical Processing = Analyse und Auswertung von multidimensional aufbereiteten Daten, um Informationen für Unternehmensentscheidungen zu gewinnen OLTP = Online Transaction Processing Die operativen Geschäftsprozesse und IT- Systeme eines Unternehmens MOLAP = Multidimensional OLAP auf Basis einer proprietären, multidimensionalen Datenbank ROLAP = Relational OLAP auf Basis einer relationalen Datenbank Data Mart = spezielle Teildatenmenge eines DW, z.b. für eine bestimmte Abteilung des Unternehmens, ist aufgebaut wie das DW selbst und wird auch mit den gleichen Methoden und Tools ausgewertet. 45
46 OLAP-Werkzeuge Würfel (Cube) als Synonym für OLAP-Datenbanken - 3 Dimensionen (bei 4 oder mehr Dimensionen spricht man von sog. Hybercubes) Individuelle Sicht auf die Daten des Würfels durch Pivotisierung: Daten aus verschiedenen Perspektiven nach verschiedenen Kriterien analysieren Rotation: Vertauschen der Dimensionen Slice and Dice: herausschneiden einzelner Scheiben bzw. Betrachtung kleinerer Teilwürfel 46
47 OLAP-Grundfunktionen Slice (Schneiden): Einschränkung der Anzahl der Dimensionen eines Würfels Dice (Drehen): Vertauschen der Dimensionen eines Würfels und dadurch Drehung Drill-Down (Herunterbrechen): Verfeinerung der Dimesionen des Würfels Drill Through: Durchgriff auf die Daten des Ursprungssystems 47
48 Dimensionen und Fakten 1/3 Fakten entsprechen Kennzahlen, die für eine bestimmte Kombination von Dimensionswerten Gültigkeit haben. Beispiel: Erlös der Produktgruppe Kühlschränke im Monat Dezember 2000 in München Eine typische Abfrage auf einem Data Warehouse-Datenbestand besteht darin, eine oder mehrere Kennzahlen bezüglich einer bestimmten Dimensionskombination darzustellen, wobei bzgl. einiger Dimensionen eingeschränkt wird anderer Dimensionen aufgerissen wird (Zeilen oder Spalten) der restlichen Dimensionen aggregiert wird Quelle : sd&m 48
49 Dimensionen und Fakten 2/3 Dimensionen sind endliche Wertebereiche typische Dimensionen sind Zeit, einzelne Monate oder auch Kalendertage eines definierten Zeitraums Ort, z.b. eine Postadresse aber auch Kategorien, z.b. Produktgruppe: Kühlgeräte, Fernseher,... Werttyp: Plan, Ist, Soll Dimensionen sind häufig hierarchisch organisiert (Tag -> Monat -> Quartal -> Jahr) und können auch noch weitere Merkmale haben (Kalenderwoche, Wochentag, Feiertag) Quelle : sd&m 49
50 Dimensionen und Fakten 3/3 Eine Kennzahl ist aggregierbar bezüglich einer Dimension, wenn es eine fachlich sinnvolle (kommutative und assoziative) Aggregationsfunktion gibt (zumeist Summe, gelegentlich auch Mittelwertbildung). Beispiel: Der Umsatz einer Firma ist bezüglich der Dimensionen Zeit, Verkaufsorganisation und Verkaufsort sinnvoll aggregierbar durch Summenbildung. Der Kundenbestand ist durch Summierung zwar bezüglich der Verkaufsorganisation aggregierbar, nicht jedoch bezüglich der Zeitdimension; hier ist eine Mittelwertbildung sinnvoll Entsprechend verdichtete Ergebnisse heißen Aggregate. Die Abbildung der Aggregationsfunktionen werden bei einem relationalen Data Warehouse in SQL- Statements formuliert, die Berechnung leistet die Datenbank. Quelle : sd&m 50
51 Beispiel Produkt Region Branche Dimensions-Relation Produkt-Nr Filial-Nr Kunden-Nr Datum Anzahl Umsatz Ost West Nord Region PKW PC Kaffee Fahrzeuge Elektronik Lebensmittel Produktgruppe Branche Quelle für folgende Beispiele : Prof. E. Rahm 51
52 Mehrdimensionale Datensicht Hierarchische Dimensionierung PKW Region Zeit PC Jahr Kaffee Bundesland 1Q 2Q 3Q Fahrzeuge Elektronik Lebensmittel Branche Ort Quartal Monat Woche Zeit Tag 52
53 Multidimensionale Daten Fakt/Kennzahl (z.b. Absatz) Region Produkt Produkt Region Quartal Absatz Radio Hessen Quartal Radio Radio Hessen Hessen Radio Hessen Radio Bayern Dimensionen Radio Radio Bayern Bayern Radio Bayern
54 Relational vs. Multidimensional Bestellnr Region Branche Zeit Menge 1406 Ost Fahrzeug 2Q West Elektronik 1Q 58 PKW 7829 Nord Fahrzeug 2Q 30 PC 5327 Ost Lebensmittel 3Q 300 Kaffee Nord Ost Lebensmittel Elektronik 1Q 3Q Q 2Q 3Q Fahrzeuge Elektronik Lebensmittel Branche Zeit Relation : Untermenge des Kreuzproduktes aller Wertebereiche Multidimensional : Kreuzprodukte aller Wertebereiche mit aggregiertem Wert pro Kombination 54
55 Multidimensionale Strukturen Unterschiedliche Ebenen der Datendarstellung nach Informationsbedürfnis und organisatorischer Stellung Zeit Produkt Ort 55
56 OLAP am Beispiel: Navigation in einem 3D-Würfel Gebietsleiter: Alle Produkte und Monate für ein Gebiet Produktmanager: Alle Gebiete und Monate für ein Produkt Umsatz Umsatz Produkt Produkt Gebiet Gebiet Umsatz Finanzmanager: Alle Produkte und Gebiete für einen Monat Monat Geschäftsleitung: Alle Produkte und Gebiete für alle Monate Umsatz Umsatz 56
57 Navigation in multidimensionalen Daten 3 Kosten/Erlöse Erlös Fracht Einkaufspreis 2 Plan / Ist Plan Ist Gebiete Nord West Süd 46 Jan Feb Mar Slicing 5 Perioden Kühlgeräte Fernseher Videorecorder Drill Down, Roll up Kühlschrank Gefrierschr. Minibar Dicing 1 Produktgruppen 14 Produkte Quelle : sd&m 57
58 Multidimensionale OLAP (MOLAP) Speicherung in multidimensionaler Datenbank (genauer Aufbau ist Geheimnis des Herstellers) auf einem speziellen Server Alle möglichen Aggregate sind vorberechnet! Aufbau der multidimensionalen Datenbank (also Einladen der Grunddaten und Berechnung der Aggregate) kann mehrere Stunden in Anspruch nehmen insgesamt derzeit geringere Datenmengen speicherbar als beim ROLAP- Ansatz Zugriff auf den Würfel ist extrem schnell, da keine Berechnungen mehr nötig. Dafür muss der Würfel regelmäßig berechnet werden. Werkzeuge (Server): Oracle-Express-Server, Hyperion-Essbase, Cognos PowerPlay, u.a. Quelle : sd&m 58
59 Relationales OLAP (ROLAP) Speicherung in relationaler Datenbank (Stern- oder Snow-Flake Schema) Die Ergebnismenge wird in der Datenbank berechnet und zum Client bzw. Server übertragen. Größe ist beschränkt, Würfel aber schnell modifiziert und neu erstellt Anwender stellt die Abfragen mit grafischer Oberfläche zusammen, Tools generieren die SQL-Zugriffe auf die Datenbank Berechnung der Ergebnisse bei jedem Zugriff auf die Datenbank, kann je nach Datenmenge mehrere Minuten in Anspruch nehmen Werkzeuge (Clients): Business Objects, insight, Crystal Info u.a Quelle : sd&m 59
60 MOLAP oder ROLAP? MOLAP / Multidimensionale DB + Optimiert für den OLAP-Analyse (Zugriff auf Schichten im multidimensionalen Würfel.) + Sehr schnell und Benutzerfreundlich Keine standardisierten Zugriffsmethoden (proprietäre Datenhaltung) und Programmierschnittstellen i.a. komplexere Architektur als bei ROLAP Würfel müssen vorberechnet werden ROLAP / Relationale DB (Abbildung des mehrdimensionalen Würfels durch "Stern-Schema ) + Große Datenmengen möglich ( > 100 GB) + Gut für Standardreporting + offenes System langsam bei uneingeschränkten OLAP-Analysen Quelle : sd&m 60
61 Relationale Modellierung Die relationale Modellierung favorisiert zwei Vorschlaäge Star-Schema Snowflake-Schema Beide berücksichtigen Fakten und Dimensionen Star-Schema: für jede Dimension wird eine Tabelle eingerichtet. Diese Tabellen sind nicht miteinander verknüpft, sondern stehen nur mit der Faktentabelle über die Primärschlüssel in Beziehung. Snowflake-Schema: normalisiertes Star-Schema, um keine redundanten Einträge in den Dimensionstabellen zu haben; allerdings steigt die Anzahl der Tabellenverknüpfungen über Joins 61
62 Star-Schema - Aufbau Hauptkomponenten des Star-Schemas sind so genannten Fakttabellen und Dimensionstabellen, wobei die Dimensionstabellen sternförmig um die Fakttabellen mittels Primary-Key / Foreign-Key Beziehungen angeordnet sind 62
63 Star-Schema - Beispiel 1 Denormalisierte Dimensionstabellen Kunde Zeit Kunden-Nr Kundenname Beruf Alter Produkt Produkt-Nr Produktname Produktgruppe Branche Hersteller Farbe Preis Verkauf Kunden-Nr Produkt-Nr Datum Filiale Anzahl Umsatz Zentrale Tabelle und eine Tabelle pro Dimension Datum Tag Monat Quartal Jahr Filialen Filialname Ort Land Region 63
64 Star-Schema - Beispiel 2 Zeit Zeit-Nr. Quartal-Nr. Quartalsname Datum Monat-Nr. Monatsname Tag-Nr. Wochentag Saison Kunde Kunden-Nr. Key Account-Nr. Key Account-Name Kundenname Kundentyp Branche Verkauf Orts-ID Zeit-Nr. Kunden-Nr. Produkt-Nr. Umsatz Menge Sitz Orts-ID Region-Nr. Regionalleiter Länder-Nr. PLZ Ort Produkt Produkt-Nr. Produktname Spartename Spartenleiter Produktlinien-Nr. Produktlinie Produktlinienleiter Farbe Modell-Nr. 64
65 Snowflake-Schema Beispiel 1 PGruppe Kunde Kunden-Nr Kundenname Beruf Alter Produktgruppe Branche Produkt Produkt-Nr Produktname Produktgruppe Hersteller Farbe Preis Normalisierte Dimensionstabellen Verkauf Kunden-Nr Produkt-Nr Datum Filiale Anzahl Umsatz Zeit Datum Tag Monat Jahr Filialen Filialname Ort Explizite Darstellung der Dimensionshierarchie MonatQ Monat Quartal OrtL Ort Land LandR Land Region 65
66 Snowflake-Schema Beispiel 2 Region Region-Nr. Regionalleiter Land Länder-Nr. Länder-Name Lager PLZ Lagerort Lagerleiter Kundenattribute Kunden-Nr. Kundenname Kundentyp Branche Sitz Orts-ID Region-Nr. Länder-Nr. PLZ Produkt Produkt-Nr. Farbe Modell-Nr. Kunde Kunden-Nr. Key Account-Nr. Verkauf Orts-ID Zeit-Nr. Kunden-Nr. Produkt-Nr. Umsatz Menge Produkt Produkt-Nr. Produktlinien-Nr. Sparten-Nr. Key Account Key Account-Nr. Key Account-Name Zeit Zeit-Nr. Jahr-Nr. Quartal-Nr. M onat-nr. Tag-Nr. Produktlinie Sparte Produktlinien-N r. Sparten-Nr. Produktlinienleiter Spartename Spartenleiter Quartal Quartal-Nr. Quartalsname Monat Monat-Nr. Monatsname Tag Tag-Nr. Wochentag Saison 66
67 Snowflake-Schema - Aufbau Das Snowflake-Schema besteht ebenfalls aus den beiden Komponenten Faktentabelle und Dimensionstabelle. Die Dimensionstabellen werden jedoch im Gegensatz zum Star-Schema normalisiert. Durch die Normalisierung entstehen zusätzliche Tabellen. Vorteil dieses Schemas ist die Vermeidung der redundanten Datenhaltung und somit die Einsparung von Speicherplatz. Nachteil dagegen ist die komplexere Modellstruktur und zusätzlich notwendige Tabellen-Joins, die wiederum die Abfrage-Performance verschlechtern 67
68 Gliederung Ausgangssituation : Motiv und Hintergrund Definition und Architektur Operative Systeme vs Data Warehouse OLAP und Beispiel Data Mining 68
69 Data Mining: Motiv 69
70 Data Mining 1 Data Data Mining Miningversucht auf auf der der Basis Basis der der vorhandenen Daten Daten eine eine Mustererkennung, Segmentierung und und Faktorenanalyse, um um die die Faktoren zu zu identifizieren, die die signifikanten Einfluss auf auf die die Kenngrößen des des Unternehmens besitzen. Für Für Erfolgsindikatoren wie wie Rentabilität, Marktanteil oder oder Kundenbindung wird wird analysiert, welche welche Kräfte Kräfte diese diese beeinflussen, so so dass dass ein ein vollständiges Bild Bild der der Ursache-Wirkung-Beziehungen entsteht. 70
71 Data Mining 2 Data Data Mining Miningbezeichnet einen einen mehrstufigen Prozess, in in dem dem bisher bisher unbekannte aber aber wichtige Zusammenhänge, Muster Muster und und Trends Trends durch durch gezieltes Aufbereiten und und Auswerten großer großer Datenmengen entdeckt werden. 71
72 Data-Mining-Verfahren Musterkennung Clusteranalyse Segmentierung Musterbeschreibung Statistische Verfahren Assoziation - Warenkorbanalyse 72
73 Data Mining : Nutzung Hypothesen- Testing Wie läuft die Produktion Wie entwickelt sich meine Abteilung? Wo steht aktuell VB Maier? Entdecken Berichten, veröffentlichen verteilen & durchsehen Leistungsbemessung Ad-hoc- Anfragen Soll ich den Vertrieb unterstützen? Welche Abhängigkeiten zwischen Produkten gibt es? Analyse Verifizieren Erkennen von Zusammenhängen 73
74 Zusammenfassung Problem : Integration heterogener Datenbestände und Bereinigung der Primärdaten Anforderungen Große Datenvolumina Multidimensionale Auswertung Temporäre Anfragen Notwendigkeit neuer Aggregate Spezielle Indexstrukturen Parallele Anfrageverarbeitung
75 Web-Links Data Warehousing on the WWW Ralph Kimballs Homepage OLAP Council Die Informationweek besitzt einen sehr interessanten Data Warehousing-Bereich The Data Warehousing Information Center Data Warehouse Institute: Hier gibt es eine gute Sammlung von technischen Whitepapers von verschiedenen Tool- Anbieter Marktanalysen. The OLAP Report: Interessante und hilfreiche Echte Fundgrube für Whitepapers, Produktbesprechungen und Auflistung von Anbietern für Spezialthemen. Whitepapers und ausführliche Produktbeschreibung vieler OLAP-Werkzeuge. 75
76 76
Analytische Informationssysteme
Analytische Informationssysteme Prof. Dr. W. Riggert ANS08 Studienmodul der AKAD Gliederung Ausgangssituation : Motiv und Hintergrund Definition und Architektur Operative Systeme vs Data Warehouse OLAP
MehrData Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
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
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
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
MehrENTERBRAIN Reporting & Business Intelligence
Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit
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
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
MehrKampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht
Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Thomas Kreuzer ec4u expert consulting ag Karlsruhe Schlüsselworte: Kampagnenmanagement Praxisbericht Siebel Marketing Oracle BI - ec4u
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
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
MehrLogische Modellierung von Data Warehouses
Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..
MehrANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.
ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.de insight und dynasight sind eingetragene Markenzeichen der
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
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
Mehr1 PIVOT TABELLEN. 1.1 Das Ziel: Basisdaten strukturiert darzustellen. 1.2 Wozu können Sie eine Pivot-Tabelle einsetzen?
Pivot Tabellen PIVOT TABELLEN. Das Ziel: Basisdaten strukturiert darzustellen Jeden Tag erhalten wir umfangreiche Informationen. Aber trotzdem haben wir oft das Gefühl, Entscheidungen noch nicht treffen
MehrSurvival Guide für Ihr Business Intelligence-Projekt
Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren
MehrData Mining-Projekte
Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein
MehrAuswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2
Cubix O.L.A.P... 2 Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Datenverbindung über ODBC... 4 Datenbereitstellung über SQL... 5 Festlegung der Dimensionen... 6 Festlegung der Summen...
MehrDatenbanken. Prof. Dr. Bernhard Schiefer. bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer
Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Wesentliche Inhalte Begriff DBS Datenbankmodelle Datenbankentwurf konzeptionell, logisch und relational
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrData Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
Mehrpro4controlling - Whitepaper [DEU] Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9
Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9 1 Allgemeine Beschreibung "Was war geplant, wo stehen Sie jetzt und wie könnte es noch werden?" Das sind die typischen Fragen, mit denen viele Unternehmer
MehrContent Management System mit INTREXX 2002.
Content Management System mit INTREXX 2002. Welche Vorteile hat ein CM-System mit INTREXX? Sie haben bereits INTREXX im Einsatz? Dann liegt es auf der Hand, dass Sie ein CM-System zur Pflege Ihrer Webseite,
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
MehrOnline Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
MehrInhalt. 1 Übersicht. 2 Anwendungsbeispiele. 3 Einsatzgebiete. 4 Systemanforderungen. 5 Lizenzierung. 6 Installation. 7 Key Features.
Inhalt 1 Übersicht 2 Anwendungsbeispiele 3 Einsatzgebiete 4 Systemanforderungen 5 Lizenzierung 6 Installation 7 Key Features Seite 2 von 11 1. Übersicht MIK.mobile for ipad ist eine Business Intelligence
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 -
MehrVon der spezialisierten Eigenentwicklung zum universellen Analysetool. Das Controlling-Informationssystem der WestLB Systems
Von der spezialisierten Eigenentwicklung zum universellen Analysetool Das Controlling-Informationssystem der WestLB Systems Begriffe und Definitionen Data Warehouse - Datensammlung oder Konzept?! Data
MehrBusiness Intelligence
Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence
MehrSharePoint Demonstration
SharePoint Demonstration Was zeigt die Demonstration? Diese Demonstration soll den modernen Zugriff auf Daten und Informationen veranschaulichen und zeigen welche Vorteile sich dadurch in der Zusammenarbeit
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
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...
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...............
MehrAbamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER
Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER Abamsoft Finos in Verbindung mit der Webshopanbindung wurde speziell auf die Shop-Software shop to date von DATA BECKER abgestimmt. Mit
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
MehrAllgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
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
MehrDatenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)
Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger
MehrIn diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access. Die Grundlagen der Datenbanken.
In diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access Die Grundlagen der Datenbanken kurspc15 Inhaltsverzeichnis Access... Fehler! Textmarke nicht
MehrFehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems
Fehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems Name: Bruno Handler Funktion: Marketing/Vertrieb Organisation: AXAVIA Software GmbH Liebe Leserinnen und liebe Leser,
MehrTypisierung des Replikationsplan Wirries, Denis Datenbankspezialist
Typisierung des Replikationsplan Wirries, Denis Datenbankspezialist Feintypisierung - Überblick Ergebnisse Ergebnisse aus aus anderen anderen Arbeitsergebnissen Arbeitsergebnissen Replikationsplan Replikationsplan
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
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
MehrBASIS Karten, WEA-Katalog, Projektierung, Objekte etc.
Das Basismodul enthält diese Elemente: 1. Projektsteuerung / -management 3. Kartenhandling-System 2. Windenergieanlagen-Katalog 4. Projektierung und objektorientierte Dateneingabe Die Projektsteuerung
MehrFachbereich Informatik Praktikumsversuch 4. Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 13.05.2013.
Hochschule Darmstadt Data Warehouse Fachbereich Informatik Praktikumsversuch 4 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 13.05.2013 Data Warehouse Aufgabenstellung Aufgabe1: OLAP-Modellerstellung
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrMarketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Schwierigkeiten bei der Umsetzung Josef Kolbitsch Manuela Reinisch Übersicht Schwierigkeiten bei der Umsetzung eines BI-Systems Schwierigkeiten der Umsetzung 1/13 Strategische Ziele
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)
MehrAlbert HAYR Linux, IT and Open Source Expert and Solution Architect. Open Source professionell einsetzen
Open Source professionell einsetzen 1 Mein Background Ich bin überzeugt von Open Source. Ich verwende fast nur Open Source privat und beruflich. Ich arbeite seit mehr als 10 Jahren mit Linux und Open Source.
MehrOUTSOURCING ADVISOR. Analyse von SW-Anwendungen und IT-Dienstleistungen auf ihre Global Sourcing Eignung. Bewertung von Dienstleistern und Standorten
Outsourcing Advisor Bewerten Sie Ihre Unternehmensanwendungen auf Global Sourcing Eignung, Wirtschaftlichkeit und wählen Sie den idealen Dienstleister aus. OUTSOURCING ADVISOR Der Outsourcing Advisor ist
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
MehrSchritt für Schritt zur Krankenstandsstatistik
Schritt für Schritt zur Krankenstandsstatistik Eine Anleitung zur Nutzung der Excel-Tabellen zur Erhebung des Krankenstands. Entwickelt durch: Kooperationsprojekt Arbeitsschutz in der ambulanten Pflege
MehrOP-LOG www.op-log.de
Verwendung von Microsoft SQL Server, Seite 1/18 OP-LOG www.op-log.de Anleitung: Verwendung von Microsoft SQL Server 2005 Stand Mai 2010 1 Ich-lese-keine-Anleitungen 'Verwendung von Microsoft SQL Server
MehrSAP Memory Tuning. Erfahrungsbericht Fritz Egger GmbH & Co OG. Datenbanken sind unsere Welt www.dbmasters.at
SAP Memory Tuning Erfahrungsbericht Fritz Egger GmbH & Co OG Wie alles begann Wir haben bei Egger schon öfter auch im SAP Bereich Analysen und Tuning durchgeführt. Im Jan 2014 hatten wir einen Workshop
MehrAnwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses
Anwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses Einführung Einer der Nachteile der Data Warehouse Technologie besteht daran, dass in einem Data Warehouse (DWH ) nur Momentaufnahmen
MehrHinweise zum Ausfüllen der Zeiterfassung
Hinweise zum Ausfüllen der Zeiterfassung Generelle Hinweise zu Excel Ab Version VSA 4.50 wird die dezimale Schreibweise für Zeiteingaben verwendet. Die Zeiterfassung, die Sie erhalten haben wurde für Excel
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
MehrFragen und Antworten
Fragen und Antworten im Umgang mit dem elektronischen Abfallnachweisverfahren eanv in Bezug auf die ZKS-Abfall -Allgemeine Fragen- www.zks-abfall.de Stand: 19.05.2010 Einleitung Auf den folgenden Seiten
MehrDie Excel Schnittstelle - Pro Pack
Die Excel Schnittstelle - Pro Pack Die Excel Pro Pack ist eine Erweiterung der normalen Excel Schnittstelle, die in der Vollversion von POSWare Bestandteil der normalen Lizenz und somit für alle Lizenznehmer
MehrVirtual Roundtable: Business Intelligence - Trends
Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Prof. Dr. Rainer Bischoff Organisation: Fachbereich Wirtschaftsinformatik,
MehrInhalt. 1 Übersicht. 2 Anwendungsbeispiele. 3 Einsatzgebiete. 4 Systemanforderungen. 5 Lizenzierung. 6 Installation.
Inhalt 1 Übersicht 2 Anwendungsbeispiele 3 Einsatzgebiete 4 Systemanforderungen 5 Lizenzierung 6 Installation 7 Key Features 1. Übersicht Der MIK.etl.connector ist ein ETL-Tool - die Abkürzung steht für
MehrHilfe Bearbeitung von Rahmenleistungsverzeichnissen
Hilfe Bearbeitung von Rahmenleistungsverzeichnissen Allgemeine Hinweise Inhaltsverzeichnis 1 Allgemeine Hinweise... 3 1.1 Grundlagen...3 1.2 Erstellen und Bearbeiten eines Rahmen-Leistungsverzeichnisses...
MehrGesetzliche Aufbewahrungspflicht für E-Mails
Gesetzliche Aufbewahrungspflicht für E-Mails sind Sie vorbereitet? Vortragsveranstaltung TOP AKTUELL Meins und Vogel GmbH, Plochingen Dipl.-Inf. Klaus Meins Dipl.-Inf. Oliver Vogel Meins & Vogel GmbH,
MehrWie oft soll ich essen?
Wie oft soll ich essen? Wie sollen Sie sich als Diabetiker am besten ernähren? Gesunde Ernährung für Menschen mit Diabetes unterscheidet sich nicht von gesunder Ernährung für andere Menschen. Es gibt nichts,
MehrIhr Weg in die Suchmaschinen
Ihr Weg in die Suchmaschinen Suchmaschinenoptimierung Durch Suchmaschinenoptimierung kann man eine höhere Platzierung von Homepages in den Ergebnislisten von Suchmaschinen erreichen und somit mehr Besucher
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrÜbungsblatt 4. Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin)
Übungsblatt 4 Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin) Die Saartal Linien beauftragen Sie mit dem Entwurf der Datenstrukturen für ein Informationssystem. Dieses soll zur Verwaltung
MehrAblaufbeschreibung für das neu Aufsetzen von Firebird und Interbase Datenbanken mit der IBOConsole
Lavid-F.I.S. Ablaufbeschreibung für das neu Aufsetzen von Firebird und Interbase Datenbanken mit der Lavid Software GmbH Dauner Straße 12, D-41236 Mönchengladbach http://www.lavid-software.net Support:
Mehr3. Das Relationale Datenmodell
3. Das Relationale Datenmodell Das Relationale Datenmodell geht zurück auf Codd (1970): E. F. Codd: A Relational Model of Data for Large Shared Data Banks. Comm. of the ACM 13(6): 377-387(1970) DBMS wie
MehrSicher auf Erfolgskurs. Mit Ihrem Treuhand-Betriebsvergleich
Sicher auf Erfolgskurs Mit Ihrem Treuhand-Betriebsvergleich Leistungsübersicht Der neue Treuhand-IBV eines der besten Instrumente für Ihre Unternehmensführung Weil Sie jetzt ganz leicht den Überblick behalten
MehrERPaaS TM. In nur drei Minuten zur individuellen Lösung und maximaler Flexibilität.
ERPaaS TM In nur drei Minuten zur individuellen Lösung und maximaler Flexibilität. Was ist ERPaaS TM? Kurz gesagt: ERPaaS TM ist die moderne Schweizer Business Software europa3000 TM, welche im Rechenzentrum
MehrGewerbebetrieb Freier Beruf Heimarbeitsplatz
Fragenkatalog an die Unternehmen im Südhessischen Ried zur Verbesserung der Breitbandversorgung I. Bestandsaufnahme der Internetzugangssituation Angaben zum Betrieb: Gewerbebetrieb Freier Beruf Heimarbeitsplatz
MehrTelefonmodem ISDN DSL VDSL. Telekom 1&1 Telefónica/O2. Vodafone Unitymedia HSE Medianet
Fragenkatalog zur Verbesserung der Breitbandversorgung im Südhessischen Ried I. Bestandsaufnahme der Internetzugangssituation Ist in Ihrem Haushalt ein Internetanschluss vorhanden? Falls nein, haben Sie
MehrSelf Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge
Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant
MehrTeamSphere. Die Geo-Wissensdatenbank. Entwickelt von
Entwickelt von Erhöhung der Beratungsqualität Die zentrale Verwaltung des Wissens aller Mitarbeiter und der schnelle Zugriff während des Kundengespräches ermöglicht eine neue Dimension in der Beratung.
MehrMit der Maus im Menü links auf den Menüpunkt 'Seiten' gehen und auf 'Erstellen klicken.
Seite erstellen Mit der Maus im Menü links auf den Menüpunkt 'Seiten' gehen und auf 'Erstellen klicken. Es öffnet sich die Eingabe Seite um eine neue Seite zu erstellen. Seiten Titel festlegen Den neuen
MehrLook Inside: desite. modellorientiertes Arbeiten im Bauwesen. B.I.M.
Building Information Modeling Look Inside: desite modellorientiertes Arbeiten im Bauwesen. B.I.M. desite MD unterstützt Sie bei der täg lichen Arbeit mit Gebäudemodellen und ermöglicht den Zugang zu den
MehrBusiness Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum
MehrCisco Security Monitoring, Analysis & Response System (MARS)
Cisco Security Monitoring, System Die Produkte des Herstellers Cisco Systems für Security Information Management haben heute die Produktbezeichnung MARS. Das signaturorientierte IDS wurde im Zuge der technischen
MehrKommunikationsübersicht XIMA FORMCYCLE Inhaltsverzeichnis
Kommunikationsübersicht Inhaltsverzeichnis Kommunikation bei Einsatz eines MasterServer... 2 Installation im... 2 Installation in der... 3 Kommunikation bei Einsatz eines MasterServer und FrontendServer...
Mehrsage Office Line und cobra: die ideale Kombination!
sage Office Line und cobra: die ideale Kombination! 1 Sage und cobra: Die Kombination und ihre Synergieeffekte! Unternehmen brauchen eine ERP-Lösung zur Verwaltung und Abwicklung ihrer Geschäftsprozesse.
Mehr1.1 Das Ziel: Basisdaten strukturiert darzustellen
MS Excel 203 Kompakt PivotTabellen. Das Ziel: Basisdaten strukturiert darzustellen Jeden Tag erhalten wir umfangreiche Informationen. Aber trotzdem haben wir oft das Gefühl, Entscheidungen noch nicht treffen
MehrBusiness Intelligence Data Warehouse. Jan Weinschenker
Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data
MehrBig, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen
Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen 01000111101001110111001100110110011001 Volumen 10 x Steigerung des Datenvolumens alle fünf Jahre Big Data Entstehung
MehrÜbung zur Einführung in die Wirtschaftsinformatik Cognos Powerplay als Beispiel für ein DSS
Übung zur Einführung in die Wirtschaftsinformatik 2006-05 - 10 Cognos Powerplay als Beispiel für ein DSS 1 Entscheidungsunterstützungssysteme (EUS) Decision Support Systems (DSS) EUS sollen das gemeinsame
MehrBI in der Cloud eine valide Alternative Überblick zum Leistungsspektrum und erste Erfahrungen 11.15 11.45
9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics
MehrÜbungen zur Softwaretechnik
Technische Universität München Fakultät für Informatik Lehrstuhl IV: Software & Systems Engineering Markus Pister, Dr. Bernhard Rumpe WS 2002/2003 Lösungsblatt 9 17. Dezember 2002 www4.in.tum.de/~rumpe/se
MehrOracle-Statistiken im Data Warehouse effizient nutzen
Oracle-Statistiken im Data Warehouse effizient nutzen Reinhard Mense ARETO Consulting Köln Schlüsselworte: DWH, Data Warehouse, Statistiken, Optimizer, Performance, Laufzeiten Einleitung Für die performante
MehrEasyWk DAS Schwimmwettkampfprogramm
EasyWk DAS Schwimmwettkampfprogramm Arbeiten mit OMEGA ARES 21 EasyWk - DAS Schwimmwettkampfprogramm 1 Einleitung Diese Präsentation dient zur Darstellung der Zusammenarbeit zwischen EasyWk und der Zeitmessanlage
MehrGuide DynDNS und Portforwarding
Guide DynDNS und Portforwarding Allgemein Um Geräte im lokalen Netzwerk von überall aus über das Internet erreichen zu können, kommt man um die Themen Dynamik DNS (kurz DynDNS) und Portweiterleitung(auch
MehrInformation-Design-Tool
Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn
Mehr3. GLIEDERUNG. Aufgabe:
3. GLIEDERUNG Aufgabe: In der Praxis ist es für einen Ausdruck, der nicht alle Detaildaten enthält, häufig notwendig, Zeilen oder Spalten einer Tabelle auszublenden. Auch eine übersichtlichere Darstellung
MehrSchlüssel bei temporalen Daten im relationalen Modell
Schlüssel bei temporalen Daten im relationalen Modell Gesine Mühle > Präsentation > Bilder zum Inhalt zurück weiter 322 Schlüssel im relationalen Modell Schlüssel bei temporalen Daten im relationalen Modell
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:
Mehrtoolwear Die Verbindung aller Systemwelten
toolwear Die Verbindung aller Systemwelten toolwear schlägt als erstes Programm seiner Art die Brücke zwischen den unterschiedlichsten Rechnersystemen. toolwear ist ein branchenneutrales Produkt. Systemarchitekturen
MehrMdtTax Programm. Programm Dokumentation. Datenbank Schnittstelle. Das Hauptmenü. Die Bedienung des Programms geht über das Hauptmenü.
Programm Die Bedienung des Programms geht über das Hauptmenü. Datenbank Schnittstelle Die Datenbank wir über die Datenbank- Schnittstelle von Office angesprochen. Von Office 2000-2003 gab es die Datenbank
MehrNach Data Warehousing kommt Business Intelligence
Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative
Mehr