1 Data Warehousing und Systeme Inhalt

Größe: px
Ab Seite anzeigen:

Download "1 Data Warehousing und Systeme Inhalt"

Transkript

1 1 Data Warehousing und Systeme Inhalt 1 Data Warehousing und Systeme Einführung Informationssysteme Informationskette Daten Information Wissen Weisheit Data Warehouse Systeme Einführung Datenquellen ETL-Komponente Das Datenbanksystem Aggregation & Selektion Data Mart Metadaten Repository OLAP Anwendungen Data Mining OLTP und OLAP Stukturteil Multidimensionales OLAP (MOLAP) Relationales OLAP (ROLAP) Hybrides OLAP (HOLAP) Client-/Server-Architektur Fat-Client Fat-Server Ebenen-Architektur Modellierungstechniken für multidimensionale Datenstrukturen STAR Schema Snowflake Schema Developed Star Schema (SAP) Evolution von Data Warehouse Systemen Architektur von Data Warehouse Systemen Datenerfassungsebene Extraktion Datenbereinigung Datenübernahme Datenhaltung Techniken zur Anfrageoptimierung Organisationsformen der Datenhaltungsebene Implementierung von Data Warehouse Systemen Einleitung Insellösungen beseitigen Aufbau in Teilprojekte zerlegen Vorüberlegungen zur Projektdurchführung Umfang des Projektes Business Process Reengineering Anforderungen an den Projektablauf Sponsoren Projektgruppe...46

2 7.2.6 Projektleiter Auswahl des Vorgehensmodells Analyse des Informationsbedarfs Definition der Anforderungen Ist-Analyse Soll-Konzept Beschreibung der Anforderungen Analyse der Anforderungen Design Logische Datenmodellierung Physische Datenmodellierung Implementierung Einsatz Problemfelder des Data Warehouse-Einsatzes Sicherheit eines Data Warehouse Datenqualität im Data Warehouse Quellennachweis Information über Dokument...62 Abbildungen Abbildung 1-1: Management Support Systeme [30]...4 Abbildung 1-2: Vorteile von MIS/MSS...6 Abbildung 1-3: Beispiel eines Informationssystems...7 Abbildung 1-4: Informationskette [29]...8 Abbildung 2-1: Data Warehouse System - Architektur [29]...11 Abbildung 2-2: ETL Prozess...12 Abbildung 2-3: Data Mart...13 Abbildung 2-4: Data Mining Architektur - Beispiel...15 Abbildung 3-1: OLAP Architektur - Beispiel...17 Abbildung 3-2: Strukturteil Multidimensionaler Datenstrukturen [28]...18 Abbildung 3-3: OLAP Kategorien...20 Abbildung 3-4: Physische Client-Server Architektur für OLAP Systeme [28]...21 Abbildung 4-1: Übersicht der Modellierungsmethoden [28]...23 Abbildung 4-2: STAR Schema...25 Abbildung 4-3: STAR Schema Konzept...25 Abbildung 4-4: Beispiel Profitabilitätsanalyse von Organisationseinheiten...26 Abbildung 4-5: Snowflake Schema [28]...27 Abbildung 4-6: Beispiel Profitabilitätsanalyse von Organisationseinheiten Snowflake Schema...28 Abbildung 4-7: SAP InfoCube Star Schema...30 Abbildung 5-1: Überblick über die Data Warehouse System Architektur [28]...33 Abbildung 6-1: Data Warehouse Architektur...34 Abbildung 6-2: Beispiel eines Betriebes Quellen für ein DWH...35 Abbildung 6-3: Basis & Aggregationsschicht im DWH [21]...39 Abbildung 6-4: Organisationsformen von DWH Systemen [28]...41 Abbildung 7-1: Phaseninhalte des Phasenmodells [30]...48 Abbildung 7-2: Grafische Darstellung des Vorgehensmodells [30]...49 Abbildung 7-3: Ablauf Anforderungsanalyse [30]...51

3 Tabellen Tabelle 1-1: Management Informations Systeme...5 Tabelle 1-2: Decision Support Systeme...5 Tabelle 1-3: Executive Informations Systeme...5 Tabelle 2-1: Definition Data Mining...14 Tabelle 3-1: OLAP & OLTP Vergleich...16

4 1.1 Einführung In den letzten Jahren sind Data Warehouse-Systeme zu einem essentiellen Bestandteil moderner Entscheidungsunterstützungssysteme geworden. Laut einer Analyse der Meta Group wurden Milliarden US-Dollar für Data Warehouse-Projekte ausgegeben und für das Jahr 2000 wird ein Umsatz von 15 Milliarden US-Dollar prognostiziert. Dieses Wachstum ist auf die grundlegende Funktionalität dieser Systeme zurückzuführen. [7] Data Warehouse-Systeme ermöglichen einen effizienten Zugriff auf integrierte und historische Informationen aus unterschiedlichen, teilweise heterogenen und autonomen Informationsquellen. Der Beitrag soll einen Überblick über die Grundkonzepte bei der Modellierung und Architektur von Data Warehouse-Systemen vermitteln. Der Bereich der statistischen Auswertung empirisch erhobener sozio-ökonomischer Daten, wie beispielsweise Bevölkerungs-, Wirtschafts- und Umweltstatistiken, reflektiert historisch gesehen wohl das älteste Anwendungsgebiet in der elektronischen Datenverarbeitung. Aufgrund der unterschiedlichen Anforderungen an die Datenhaltung und -verarbeitung im Bereich der statistischen Analyse von Massendaten wurde Anfang der 80er Jahre die Notwendigkeit erkannt, dass eine spezielle Datenbankunterstützung benötigt wird [8]. Aus diesen Forschungsaktivitäten entwickelte sich der Forschungsbereich der statistischen und wissenschaftlichen Datenbanksysteme ('Statistical and Scientific Database Management Systems'; SSDBMS). Anfang der 90er Jahre kam die Nachfrage nach Werkzeugen für Entscheidungsträger in Unternehmen auf, um gezielt auf relevante Informationen aus dem stetig anwachsenden Volumen maschinell verarbeiteter Daten in Unternehmen zuzugreifen. Diese Systeme sollen Führungspersonen und Entscheidungsträgern bei Planungs- und Entscheidungsprozessen unterstützen. Eine Vielzahl von Akronymen, wie z.b DSS (Decision Support System) und EIS (Executive Information System) haben sich für diese Systeme im Laufe der Zeit herausgebildet. Seit einiger Zeit treten in diesem Bereich verstärkt die Begriffe Data Warehouse im Sinne eines Datenpool zur Bereitstellung von konsolidierten, historischen und konsistenten Informationen und Online Analytical Processing (OLAP) als Bezeichnung für das multidimensionale Analysekonzept in den Vordergrund. Bei genauerer Betrachtung dieser Konzepte fällt eine starke Übereinstimmung der Eigenschaften zwischen den Data Warehouse-Konzepten und den statistischen und wissenschaftlichen Datenbanksystemen auf [8]. Abbildung 1-1: Management Support Systeme [30]

5 Tabelle 1-1: Management Informations Systeme Tabelle 1-2: Decision Support Systeme Tabelle 1-3: Executive Informations Systeme

6 Abbildung 1-2: Vorteile von MIS/MSS

7 1.2 Informationssysteme Die Komponenten eines Informationssystems werden anhand eines so genannten Feedback-Control-System (FCS-model) [1] in der folgenden Abbildung veranschaulicht. Dieses Modell zeigt die grundlegenden Funktionen eines solchen Systems auf. Abbildung 1-3: Beispiel eines Informationssystems Aus oben stehender Abbildung geht hervor, dass am Anfang und am Ende des Systems ein geschulter Mitarbeiter steht. Er erfasst die Informationen und am Ende wertet er diese wieder aus. Es wird ersichtlich, dass es sich zu Beginn und am Ende des Informationssystems nicht um den gleichen Mitarbeiter handeln muss. Im Vordergrund steht die Aufgabe, Daten mit den Begebenheiten der Realwelt zu vergleichen und Abweichungen zu korrigieren. Daraus resultiert die Speicherung korrekter Werte. Gemäss den Definitionen [2] und der Darstellung in oben ersichtlicher Abbildung können von der Eingabe bis zur Ausgabe nur Daten aber keine Informationen gespeichert werden. Bei der Eingabe wird Information, mit Hilfe der Anwendung, zu Daten. Der umgekehrte Schritt erfolgt bei der Ausgabe Daten. Sie werden mit Hilfe der selben oder einer anderen Anwendung im Kontext dargestellt und werden dadurch erneut zu Information. Die Ausgabe kann einem geschulten Mitarbeiter zur Auswertung, zur erneuten Datenerfassung oder zur Durchführung von Mutationen dienen. Sobald die jeweiligen Daten erfasst wurden, können diese für die Ausgabe verarbeitet werden. Diesem Vorgang wird in Abbildung 1-3 durch das Kästchen Prozess Rechnung getragen. Ein Prozess kann nicht nur aus dem Speichern der Daten bestehen, sondern es kann sich dabei durchwegs um Änderungen an Daten oder andere Vorgänge handeln. Die persistente Speicherung erfolgt in einem Datenbanksystem (DBS), welches als Bindeglied

8 zwischen der Eingabe und der Ausgabe steht. Diese Rolle ist wichtig, da die Eingabe und die Ausgabe der Daten zeitlich getrennt, oder in einem anderen Zusammenhang erfolgen kann. Ein Datenbanksystem (DBS) besteht aus der eigentlichen Datenbank (DB) und dem Datenbankverwaltungssystem (DBMS). Eine Datenbank besteht wiederum aus einer Datenbasis und den Daten, welche zu deren Beschreibung erforderlich sind. DBMS sind Softwareprodukte für die dauerhafte, integere und anwendungsunabhängige Speicherung und Verwaltung, sowie die flexible und bequeme Verwendung von grossen, mehrfach benutzbaren, integrierten Datenbasen. In der Abbildung 1-3 ist ersichtlich, dass es sich bei einem Informationssystem um einen Kreislauf handelt bei dem die Daten im Mittelpunkt stehen. Es kann einen geschulten Mitarbeiter bei seiner Arbeit nur optimal unterstützen, wenn die Daten im DBS den tatsächlichen Begebenheiten in der Realwelt entsprechen. In der Abbildung wird auch verdeutlicht, dass die Daten als Rohstoff für alle Vorgänge innerhalb des ganze Informationssystems und ebenfalls als Basis für die Ausgabe dienen. [29] 1.3 Informationskette Neben den Begriffen Daten und Information werden die beiden Ausdrücke Wissen und Weisheit definiert, welche zusammen die Informationskette bilden. Abbildung 1-4: Informationskette [29] Daten Daten sind die Darstellung von Fakten und somit die Grundlage für alle weiteren Komponenten in der Kette. Bei der physikalische Formel U=R*I steht jede Variable für einen Wert der Realwelt; dies sind die eigentlichen Daten. Daneben repräsentiert der Ausdruck gleichzeitig eine Tatsache, ein Naturgesetz. [29] Information Information sind Daten, die in einem bestimmten Kontext eine Bedeutung haben und somit verstanden werden können. Im oben erwähnten Beispiel steht U für die Spannung, R für den Widerstand und I für den Strom. Mit Hilfe dieser Formel kann die Spannung als Produkt aus dem Widerstand und dem Strom berechnet werden. [29]

9 1.3.3 Wissen Wissen ist Information in einem Kontext und das Verstehen derer Bedeutung. Das Transformieren von Information zu Wissen geschieht aus Überlegungen heraus welche auf gemachten Erfahrung beruhen. Das Verstehen der Bedeutung der Information ermöglicht erst kontextgerechtes Handeln. In unserem Beispiel kann mit Hilfe einer Umformung der obigen Formel berechnet werden, welche Stromstärke notwendig ist um eine Glühbirne bei einer bestimmten Spannung zum leuchten zu bringen. [29] Weisheit Weisheit ist das letzte Glied in der Informationskette. Weisheit ist Wissen in einem Kontext. Das Handeln entspricht den Vorstellungen aufgrund des eingesetzten Wissens. Weisheit setzt die Berechtigung und den Mut zum Handeln voraus. Ein Beispiel verdeutlicht die Unterschiede zwischen den einzelnen Begriffen. Wir stellen uns einen Angestellten vor, an den eine Beschwerde (Daten und Information) herangetragen wird. Er erkennt, dass wenn der Beschwerde nicht die notwendige Beachtung geschenkt wird, das Unternehmen Kunden verlieren könnte (Wissen des Mitarbeiters). Wird das Problem durch den Mitarbeiter nicht gelöst, dann kann es dafür verschiedene Ursachen geben. Der Angestellte handelt falsch in dem er sich nicht um das Wohlergehen der Kunden bemüht, oder er hat ganz einfach nicht die Macht und die Möglichkeit auf die Beschwerde einzugehen. Im zweiten Fall handelt es sich nicht um das Verschulden des Angestellten, sondern um ein Mangel innerhalb der Organisation. [29]

10 2 Data Warehouse Systeme 2.1 Einführung Bei einem Data Warehouse System handelt es sich um eine Sammlung von unterschiedlichen Technologien, welche dem geschulten Mitarbeiter (Beispielsweise einem Datenerfasser, Manager, Analytiker, Sachbearbeiter) ermöglicht, dass er seine Entscheidungen schneller und qualitativ besser treffen kann. Von einem solchen System wird erwartet, dass die richtigen Informationen zum richtigen Zeitpunkt am richtigen Ort sind, damit die richtigen Entscheidungen getroffen werden können. Ein Data Warehouse ist ein wichtiges System zur Integration von unterschiedlichen Informationsquellen innerhalb einer Unternehmung [3]. Ein solches System vereint typischerweise Daten, welche aus den unterschiedlichsten Quellen zusammengetragen werden. Es kann sich dabei um Daten aus Altsystemen, operativen Systemen, Web-Seiten, Text- oder anderen Dateien, sowie auch um externe Daten handeln. Die gewünschten Daten müssen extrahiert, bereinigt, transformiert und in einer standardisierten Form innerhalb des Data Warehouse Systems gespeichert werden. Verglichen mit den Informationssystemen, welche sich auf die Verarbeitung von statischen Anfragen konzentrieren, werden Data Warehouse Systeme für komplexe, ad-hoc Anfragen mit optimierter Antwortzeit gebaut [4,5]. Diese werden häufig auf Data Marts, unter Zuhilfenahme von Werkzeugen für die Datenanalyse oder des Data Minings, vorgenommen. Bei den Data Marts handelt es sich um Systeme, die spezielle Auswertungen auf zusammengefassten (aggregierten) Daten vornehmen. Für diese Art von Auswertungen reichen in der Regel Informationssysteme mit Datenbankschemen in einer normalisierten Form (nur bei relationalen DBS) nicht aus, da mit den komplexen Abfragen meistens unzählige Verbundoperationen (join) einher gehen, welche die Leistungsfähigkeit eines herkömmlichen Informationssystems sprengen. Normalerweise stellt ein Informationssystem, wie in Abb. 1-4 dargestellt, die Datenwerte für das tägliche Geschäft zur Verfügung. Ein Data Warehouse System hingegen gewährt eine Sicht auf die Geschäftstätigkeit über eine grössere Zeitspanne hinweg. Dies bedeutet, dass auch historische Daten zur Geschäftsanalyse zur Verfügung gestellt werden. Typischerweise werden Daten innerhalb eines solchen Systems in regelmässigen Zeitintervallen aktualisiert (beispielsweise nur einmal pro Woche) und dies vielleicht nicht einmal mit den neuesten Datenwerten. Diese Tatsache kann akzeptiert werden, da Data Warehouse Systeme für die mittelfristige Entscheidungsfindung und langfristige Analyse verwendet werden. Beide Vorgänge benötigen nicht aktuelle Werte. [29]

11 Abbildung 2-1: Data Warehouse System - Architektur [29]

12 2.1.1 Datenquellen Die Datenquellen beinhalten strukturierte, unstrukturierte oder halbstrukturierte Daten. Die Informationssysteme, welche die Daten speichern, sind nach unterschiedlichen Datenmodellen aufgebaut. Darunter gibt es auch Systeme, welche einem relationalen Modell folgen und so genannte Online Transaction Processing (OLTP)-Anwendungen unterstützen. Die Datenquellen werden oft nicht als Teil des Data Warehouse Systems betrachtet. Um den ETL-Prozess spezifizieren zu können, ist es allerdings notwendig ebenfalls die Struktur und den Aufbau der Quelldateien mit einzubeziehen. [29] ETL-Komponente Die Extraktions-, Transformations-, und Ladekomponente (ETL-Komponente) extrahiert Daten aus den Quellsystemen, transformiert sie und speichert sie anschliessend in einem Datenbanksystem. Die Transformation von Daten kann mehrere Schritte beinhalten. Während diesem Vorgang können beispielsweise Duplikate eliminiert, Werte aus den Daten hergeleitet oder fehlende Werte mit Hilfe spezieller Regeln ergänzt werden. [29] Das Datenbanksystem Abbildung 2-2: ETL Prozess Das Datenbanksystem ist der zentrale Teil des Data Warehouse Systems. Es beinhaltet eine unternehmensweite Kollektion von integrierten Datenwerten. In der Regel erfolgt die Speicherung in einem relationalen Datenbanksystem. [29] Aggregation & Selektion Die Komponente zur Aggregation und Selektion bereitet die Daten derart auf, dass diese anschliessend mit Analysewerkzeugen ausgewertet werden können. Innerhalb dieser Komponente werden unter anderem die Sichten für die jeweiligen Data Marts vorbereitet. [29]

13 2.1.5 Data Mart Bei einem Data Mart handelt es sich um ein Datenbanksystem, welches dem zentralen Datenbanksystem untergeordnet ist. Ein solcher enthält einen speziellen Ausschnitt aus dem ganzen Datenbestand. Data Marts werden gebaut, um den speziellen Anforderungen bestimmter Anwendungen gerecht zu werden. Es könnte beispielsweise sein, dass ein Data Mart nur Daten über geographische Begebenheiten enthält. [29] Abbildung 2-3: Data Mart Metadaten Repository Das Metadaten Repository spielt eine Schlüsselrolle im ganzen System. Ein Repository verfügt beispielsweise über die Modelle der Extraktion, der Transformation und des Ladens der Daten in das zentrale Datenbanksystem. Es kann auch die Modelle des DBS enthalten, welche die Geschäftsregeln festlegen oder in welchen die Qualitätsfaktoren und die dazugehörigen Masse festgehalten werden. Neben den oben aufgeführten Komponenten, welche vor allem Daten extrahieren, transformieren und speichern gibt es in einem Data Warehouse System auch solche, welche Auswertungen der Daten ermöglichen. Die Analysen beinhalten die Untersuchung der Daten, wie auch das Auffinden von möglichen Beziehungen zwischen unterschiedlichen Datenelementen. Wir wollen nun kurz auf diese Analysekomponenten eingehen. [29]

14 2.1.7 OLAP Anwendungen Die OLAP-Anwendungen (Online Analytic Processing) sind die am weitesten verbreiteten Analyseinstrumente. Sie ermöglichen dem Benutzer Daten innerhalb eines multidimensionalen Modells zu untersuchen und Daten zusammenzufassen. Ein multidimensionales Modell stellt beispielsweise Messwerte (z.b. Verkaufszahlen) sowie auch die entsprechenden Messdimensionen zur Verfügung (z.b. Produkt oder Käuferschicht). Da in einem solchen Modell die Daten optimal organisiert sind wird die Anfragezeit erheblich verkürzt. [29] Data Mining Beim Data Mining geht es vor allem um die Extraktion von Informationen. Diese Anwendungen haben zum Ziel, Muster innerhalb der gespeicherten Daten zu finden. Die Erkenntnisse dieses Prozesses helfen dem Anwender anschliessend eine Arbeit effektiver und effizienter durchzuführen. Eine detaillierte Erklärung des Aufgabengebietes von Data Mining kann bei [6] gefunden werden. [29] Tabelle 2-1: Definition Data Mining Bei der Analyse von Daten unterstützen Metadaten den Benutzer beim Verstehen der Information, welche im DBS des Data Warehouse Systems gespeichert ist. Aus den Darstellungen ist ersichtlich, dass Daten Rohstoffe für ein Informations- und Data Warehouse System sind, und dass das Endprodukt die Information ist, welche ausgewertet werden kann. Da die Unterscheidung zwischen Daten und Information fundamental wichtig ist, werden diese beiden Begriffe nächsten Abschnitt Informationskette anhand der Informationskette eingeführt und definiert. [29] Möchte ein Unternehmen seinen Wert steigern, dann müssen die einzelnen Bereiche der Informationskette verwaltet und gelenkt werden. Es müssen also Grundsätze des Managements auf das so genannte intellektuelle Vermögen der Unternehmung angewandt werden. Zum diesem Vermögen gehören, das Wissen, die Erfahrungen und die praktischen Kenntnisse der Mitarbeiter. Diese Vermögensmasse kann mit geschicktem Management ausgeschöpft werden und trägt sodann zur Erhöhung des Wertes der Unternehmung bei. Es reicht nicht aus, wenn man den Mitarbeitern nur Informationen zur Verfügung stellt. Wird der Kontext der Information nicht verstanden, können die geforderten Arbeiten nicht erfüllt werden. Alle im Data Warehouse gespeicherten Daten werden mit Hilfe von Anwendungen, bei denen eine Darstellung erfolgt, zu Information. Gemäss [2] können Computer und Software und damit auch Informationssysteme prinzipiell nicht mit Informationen, sondern nur mit Daten umgehen, welche zu diesem Zweck entsprechend codiert und gespeichert werden. Ohne weitere Vorkehrungen ergäbe sich die Bedeutung vorhandener Daten lediglich aus der Art und Weise ihrer Verwendung in Algorithmen oder gar erst durch eine

15 geeignete Interpretation durch den Benutzer. Nicht zuletzt wegen der geforderten Anwendungsunabhängigkeit ist dies für Datenbanken unbefriedigend. Die Bedeutung der Information muss ebenfalls festgehalten werden. Dies geschieht im Repository des Data Warehouse Systems. [29] Abbildung 2-4: Data Mining Architektur - Beispiel

16 3 OLTP und OLAP Betriebliche Anwendungssysteme sind als Aufgabenträger für den automatisierten Teil des betrieblichen Informationssystems konzipiert [10]. Zu ihnen zählen neben Planungs- und Kontrollsystemen, insbesondere Administrations- und Dispositionssysteme, die den täglichen Geschäftsablauf von Unternehmen unterstützen, wie z.b. Auftragserfassungs-, Lagerverwaltungs- und Buchführungssysteme. Sie werden häufig auch als operative Systeme bezeichnet und unterliegen dem Verarbeitungskonzept Online Transaction Processing (OLTP). Dabei werden aktuelle Daten zu laufenden Geschäftsvorfällen anwendungsbezogen hinterlegt. Anwender sind vor allem Sachbearbeiter, die interaktiv in vorhersehbaren und repetitiven Zeitintervallen sowohl lesende als auch schreibende Zugriffe auf betriebliche Einzeldaten transaktionsgeschützt vornehmen. Häufige Transaktionen von kurzer Dauer herrschen während des Tagesgeschäfts vor. Als zentrale Datenstruktur im OLTP-Bereich gilt eine zweidimensionale Darstellung in Form von Tabellen. Hingegen lassen sich Entscheidungsunterstützungssysteme durch ihr inhärentes Verarbeitungskonzept Online Analytical Processing (OLAP) klar von operativen Systemen abgrenzen. Das OLAP- Konzept wurde von Codd [9], dem Vater relationaler Datenbanksysteme, 1993 vorgestellt und durch 12 bzw. später 18 Regeln präzisiert. Da die OLAP-Regeln wegen ihrer unterschiedlichen Auslegbarkeit höchst umstritten sind [11], wird an dieser Stelle nicht auf sie zurückgegriffen. Tabelle 3-1: OLAP & OLTP Vergleich Vielmehr wird das Akronym FASMI (Fast Analysis of Shared Multidimensional Information) nach Pendse und Creeth zur Beschreibung des OLAP-Konzeptes herangezogen [12]. Entscheidungs- und Führungskräften soll schneller (Fast) analytischer (Analysis) Zugriff im Mehrbenutzerbetrieb (Shared) auf kontextrelevante multidimensionale betriebliche Informationen (Multidimensional Information) ermöglicht werden. Die Daten werden subjektbezogen und verdichtet unter spezieller Berücksichtigung historischer Verlaufsdaten vorgehalten. Datenaktualisierungen finden nur periodisch durch Abzüge (Snaphots) operativer Systeme statt. Analyserelevante Zugriffe auf OLAP-Daten durch Führungskräfte geschehen ad hoc und eher selten. Dabei wird meist lesend auf die verfügbaren Daten zugegriffen, wobei aufgrund der Historisierung mit einer mittleren bis langen Antwortzeit gerechnet werden muss. Ziel der Datenverwaltung in OLAP-Systemen ist die Versionierung von Daten über die Zeit hinweg. Zentrales Unterscheidungsmerkmal zwischen OLTP- und OLAP-Systemen ist hierbei die Verwendung multidimensionaler Datenstrukturen, die der natürlichen Denkweise menschlicher Entscheidungsträger näher kommt als flache tabellarische Strukturen. Sie werden im folgenden Abschnitt genauer vorgestellt.

17 Abbildung 3-1: OLAP Architektur - Beispiel 3.1 Stukturteil Als Grundidee multidimensionaler Datenstrukturen fungiert die Unterscheidung in qualitative und quantitative Daten [8]. Quantitative Daten, z.b. die Anzahl der Studierenden einer Universität, sollen unter verschiedenen Blickwinkel (Aspekten), wie z.b. Studienausrichtung und Studienabschnitt, betrachtet werden. Die resultierende Datenstruktur bildet einen mehrdimensionalen Datenraum, einen sog. Hyperwürfel (Hypercube) [13]. Im Inneren des Datenwürfels stehen die quantitativen Daten, die auch als Masszahlen (Measures), Variablen oder Kennzahlen bezeichnet werden. Dabei kann es sich um Basisgrössen (atomare Werte) oder abgeleitete Zahlen (berechnete Werte) handeln.

18 Abbildung 3-2: Strukturteil Multidimensionaler Datenstrukturen [28] Die Dimensionen (Achsen) des Würfels bilden die unterschiedlichen qualitative Gesichtspunkte ab. Eine Visualisierung erfolgt im zweidimensionalen Fall als Tabelle (Matrix), bei drei Dimensionen als Würfel und vierdimensional als sog. Tesseract. Dimensionen enthalten jeweils eine Anzahl von Dimensionselementen, z.b. umfasst die Dimension Studienausrichtung u.a. die Elemente SOZ (Soziologie), EuWi (Europäische Wirtschaft), VWL (Volkswirtschaftslehre), BWL (Betriebswirtschaftslehre) und WI (Wirtschaftsinformatik) und die Dimension Studienabschnitt die Elemente Grundstudium (GS) und Hauptstudium (HS). Durch das kartesische Produkt der Dimensionselemente aller an einem Würfel beteiligten Dimensionen entsteht die Gesamtzahl der Zellen des Würfels mit jeweils einem konkreten Datenwert. Weiterhin können Dimensionselemente gegebenenfalls mehrstufig verdichtet werden und bilden somit Dimensionshierarchien. Innerhalb einer Dimension sind beispielsweise mehrere derartige parallele Konsolidierungspfade möglich. Die Studierendenzahlen in einzelnen Studiengängen können auf Fakultäts- bzw. Universitätsebene aggregiert werden. Jeder Datenwürfel unterliegt spezifischen Integritätsbedingungen. Es gelten individuelle Konsolidierungsvorschriften entlang der Knoten in Dimensionshierarchien, z.b. werden Studierendenzahlen der einzelnen Studiengänge zu Zahlen auf Fakultätsebene addiert. Es können dabei beliebig komplexe Berechnungsregeln hinterlegt sein. [28]

19 3.2 Multidimensionales OLAP (MOLAP) MOLAP-Server ermöglichen die multidimensionale Sicht auf die Daten mittels multidimensionaler Speicherstrukturen bzw. multidimensionaler Datenbanksysteme (MDDBS). Aus der direkten multidimensionalen Abbildung der Daten resultiert eine sehr hohe Performance für die Anfragebearbeitung. Der Hauptnachteil von MOLAP-Systemen ist der grosse Speicherbedarf. Mit steigendem Speichervolumen nimmt die Anfrageperformance jedoch drastisch ab. Darüber hinaus sind in multidimensionalen Würfeln häufig die Zellen nicht vollständig gefüllt (sparcity). In multidimensionalen Datenbanken müssen die leeren Zellen trotzdem gespeichert werden. Daher führen speziell dünnbesetzte Hypercubes zu einer grossen Speicherplatzverschwendung. Moderne MOLAP-Systeme basieren jedoch auf zweistufigen Speicherstrukturen [20], wodurch das Speichern von leeren Zellen mit Hilfe von Kompressionsverfahren umgangen wird. Ein weiteres Problem multidimensionaler OLAP- Systeme sind die zusätzlichen Ladelaufzeiten. Nach der Aktualisierung des Data Warehouse müssen zusätzlich die multidimensionalen Speicherstrukturen neu gefüllt werden. Es entfällt jedoch zumindest ein Teil der Aggregationsschicht des Warehouse, da diese Strukturen direkt im MDDBS implementiert werden. Als Nachteil wird darüber hinaus die unzureichende Unterstützung folgender Datenbankfunktionalität als Schwachpunkte von multidimensionalen Datenbanksystemen gegenüber relationalen Datenbanksystemen angesehen: transaktionale Verarbeitung und Recovery, Versionierung, Realisierung von benutzerspezifischen Sichten und Verteilungsaspekte. Als weiterer Nachteil wird häufig der fehlende Standard für multidimensionale Datenbanken genannt und die bewusste Geheimhaltung der verwendeten internen Speicherstrukturen durch die Hersteller. Generell existieren die folgenden vier Grundkonzepte zur internen Speicherorganisation in MOLAP-Systemen: Vollarray mit direkter Adressberechnung, Vollarray mit Leerstellensubstitution, indizierte Speicherung und verkettete Speicherung. [28] 3.3 Relationales OLAP (ROLAP) ROLAP-Server transformieren die multidimensionalen Anfragen und Operationen der Endanwender in Konstrukte relationaler Anfragesprachen (i.d.r. SQL). Damit ermöglichen diese Systeme den Zugriff auf ein virtuelles multidimensionales Datenmodell, obwohl die relationale Datenbanktechnologie als Speichermedium verwendet wird. Allerdings benötigen die meisten Produkte spezielle Datenstrukturen, wie beispielsweise Star- bzw. Snowflake- Schemata (siehe Snowflake Schema). Statt zusätzliche Datenbanken anzulegen, werden diese Strukturen meist direkt im Aggregationsteil des Data Warehouse gespeichert. Informationen über die Transformation zwischen multidimensionalem und relationalem Datenmodell wird in einem Metadatenmodell hinterlegt. In diesen Modellen ist die multidimensionale Struktur und deren relationale Repräsentation gespeichert. Es ist jedoch ersichtlich, dass die dynamische Transformation der ROLAP-Systeme zu erheblich längeren Anfragelaufzeiten führt als bei MOLAP-Systemen. Um diesen Umstand wettzumachen, werden spezielle Optimierungstechniken eingesetzt, wie beispielsweise die Verwendung spezieller Indizes oder der Einsatz von Aggregationstabellen. Da die komplexen Anfragen von relationalen Datanbankmanagementsystemen verarbeitet werden, müssen deren Query- Optimizer entsprechend angepasst sein. Um einen optimalen Ausführungsplan zu gewährleisten, teilen manche ROLAP-Server (z.b. DSS Server von MicroStrategy) komplexe Anfragen in mehrere kleinere Teile auf (Multi-Pass-SQL). Die Ergebnisse der Teilanfragen werden zunächst in temporären Tabellen gespeichert und abschliessend zum Endergebnis zusammengefasst. Manche multidimensionalen Operationen können jedoch nicht optimal in SQL umgesetzt werden. Beispielsweise kann die Top-N-Operation (z.b. Anfrage über die drei meist verkauften Artikel) in Standard-SQL nicht adäquat umgesetzt werden. Solche Operationen müssen direkt in der ROLAP-Engine verarbeitet werden. Einige Datenbankhersteller statten bereits ihre relationalen Datenbanksysteme mit SQL-

20 Erweiterungen aus, die solche Operationen beinhalten. Mit speziellen Datenbanktreibern können diese Spracherweiterungen von den ROLAP-Servern genutzt werden. Die Vorteile der relationalen OLAP-Technologie ergeben sich aus den Fortschritten, die im Bereich der relationalen Datenbanksysteme gemacht wurden. Es sind insbesondere die hohe Skalierbarkeit, die Unterstützung transaktionaler Konzepte, Versionierung und die Verwendung von benutzerspezifischen Sichten. Darüber hinaus entfällt die zusätzliche Datenhaltung und Aktualisierung ausserhalb des Data Warehouse, wie es bei MOLAP- Systemen erforderlich ist. [28] 3.4 Hybrides OLAP (HOLAP) HOLAP-Systeme verbinden die Vorteile von multidimensionalen und relationalen OLAP- Systemen. Normalerweise werden die Anfragen auf der Basis das Data Warehouses berechnet (ROLAP). Häufig benötigte Daten können jedoch zusätzlich in einer multidimensionalen Datenbank abgelegt werden. Dadurch sinkt die Anfragelaufzeit für diesen Teil der Daten beträchtlich. Die Kombination beider Technologien erlaubt eine optimale Konfiguration bezüglich der Skalierbarkeit, der Anfragelaufzeiten und des Aktualisierungsaufwands. Hierfür werden jedoch spezielle Administrationswerkzeuge benötigt. [28] Abbildung 3-3: OLAP Kategorien

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS 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)

Mehr

Logische Modellierung von Data Warehouses

Logische 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..

Mehr

Grundlagen des Data Warehousing

Grundlagen des Data Warehousing Grundlagen des Data Warehousing Modellierung und Architektur M. Böhnlein, A. Ulbrich-vom Ende Lehrstuhl für Wirtschaftsinformatik, Universität Bamberg Feldkirchenstr. 21, D-96045 Bamberg E-Mail: {achim.ulbrich

Mehr

OLAP und Data Warehouses

OLAP 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

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung 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 -

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

Data Warehouse Grundlagen

Data 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

Mehr

Themenblock: Erstellung eines Cube

Themenblock: 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

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data 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

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten 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.

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten 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

Mehr

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel Data Warehousing Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 Analyse von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich

Mehr

Vertrautmachen mit Daten

Vertrautmachen 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

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II.

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II. II. bereitstellung Kapitel II bereitstellung 1 2 II. bereitstellung II.1 Grundlagen Collect Initial Data identify relevant attributes identify inconsistencies between sources Describe Data characterize

Mehr

Kapitel 6 Einführung in Data Warehouses

Kapitel 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

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Kapitel 4: Data Warehouse Architektur

Kapitel 4: Data Warehouse Architektur Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben Transbase Hypercube ist eine Transbase -Option, die die innovative Hypercube-Technologie für komplexe analytische Anwendungen (OLAP)

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

Mehr

Data Warehousing: Anwendungsbeispiel

Data Warehousing: Anwendungsbeispiel Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale

Mehr

Data Warehouse Technologien

Data 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

Mehr

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung

Hinweise 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

Mehr

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data 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

Mehr

Multidimensionales Datenmodell, Cognos

Multidimensionales 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

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data 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

Mehr

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Michael Hahne T&I GmbH Workshop MSS-2000 Bochum, 24. März 2000 Folie 1 Worum es geht...

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business 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

Mehr

Informationsintegration

Informationsintegration Informationsintegration Grundlegende Architekturen Ulf Leser Inhalt diese Vorlesung Klassifikation verteilter, autonomer, heterogener Systeme Weitere Klassifikationskriterien Schichtenaufbau integrierter

Mehr

Nach Data Warehousing kommt Business Intelligence

Nach 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

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution 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

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

Mehr

Data Warehousing Grundbegriffe und Problemstellung

Data 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,

Mehr

OLAP mit dem SQL-Server

OLAP mit dem SQL-Server Hartmut Messerschmidt Kai Schweinsberg OLAP mit dem SQL-Server Eine Einführung in Theorie und Praxis IIIBibliothek V dpunkt.verlag Teil OLAP undder Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

Software-Engineering und Datenbanken

Software-Engineering und Datenbanken Software-Engineering und Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Prof. Dr. Bernhard Schiefer 1-1 Wesentliche Inhalte Begriff DBS Datenbankmodelle

Mehr

Friedrich-Schiller-Universität Jena

Friedrich-Schiller-Universität Jena Friedrich-Schiller-Universität Jena Seminararbeit zum Thema Data Warehousing Abgrenzung, Einordnung und Anwendungen von Sebastian Hentschel Matrikelnummer 55281 Seminar Data Warehousing Sommersemester

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI 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

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL

Agenda. 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

Mehr

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

Mehr

Data Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data 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

Mehr

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse.

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse. 1 Einführung mysap Business Intelligence stellt mit Hilfe von Knowledge Management die Verbindung zwischen denen, die etwas wissen und denen, die etwas wissen müssen her. mysap Business Intelligence integriert

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de

Data 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

Mehr

Business Intelligence

Business 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

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube

Data 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

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian 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

Mehr

Intelligente Kanzlei

Intelligente Kanzlei Seite 1 von 5 Intelligente Kanzlei Datawarehouse und OLAP in der Steuerkanzlei Notwendigkeit eines Kanzleiinformationssystems Seit einigen Jahren sind enorme Veränderungen am Beratungsmarkt durch einen

Mehr

Einsatz von Anwendungssystemen

Einsatz von Anwendungssystemen Einsatz von Anwendungssystemen WS 2013/14 7 Führungssysteme 7.1 Data Warehouse 7.2 Planungssysteme 7.3 Balanced Scorecard (BSC) 7.4 Business Intelligence 7 Führungssysteme 7.1 Data Warehouse Ein Data Warehouse

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Softwaretool Data Delivery Designer

Softwaretool Data Delivery Designer Softwaretool Data Delivery Designer 1. Einführung 1.1 Ausgangslage In Unternehmen existieren verschiedene und häufig sehr heterogene Informationssysteme die durch unterschiedliche Softwarelösungen verwaltet

Mehr

Solution for Business Intelligence. MID Insight 2013

Solution for Business Intelligence. MID Insight 2013 Solution for Business Intelligence MID Insight 2013 A G E N D A 1. Solution für Business Intelligence (BI) 2. Die Gründe und Hintergründe 3. Die Methode 4. Vorteile MID GmbH 2013 2 Solution für Business

Mehr

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble aus Lörrach BERUFSAKADEMIE LÖRRACH STAATLICHE STUDIENAKADEMIE UNIVERSITY OF COOPERATIVE EDUCATION Ausbildungsbereich Wirtschaft

Mehr

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement 1 Übersicht - Datenmanagement 1 Übersicht - Datenmanagement...1 2 Übersicht: Datenbanken - Datawarehouse...2 3 Übersicht: Data Mining...11

Mehr

Gliederung und Einordnung

Gliederung und Einordnung Gliederung und Einordnung 1. Objektorientierte Programmierung mit Object Pascal (5. Studienbrief, Kapitel 5) 9.4. + 16.4. 2. Software-Bausteine am Beispiel der Delphi-Komponenten (5. Studienbrief, Kapitel

Mehr

Cubeware Connectivity for SAP Solutions

Cubeware Connectivity for SAP Solutions Cubeware Connectivity for SAP Solutions Beispiele und Anwendungsfälle 1. Modellierung, Extraction, Transformation und Loading mit Datenquelle SAP R/3 und mysap ERP Mit Hilfe des Cubeware Importers und

Mehr

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1)

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Herbstsemester 2013/14 Prof. S. Keller Informatik HSR Januar 2014, HS13/14 Dbs1 - Prüfungsvorbereitung 1 Dbs1 Ziele Grundlagenwissen in folgenden Gebieten

Mehr

Wie viele Dimensionen hat ein WŸrfel? Der Einsatz von Datamarts als Analysehilfen in einem Data Warehouse

Wie viele Dimensionen hat ein WŸrfel? Der Einsatz von Datamarts als Analysehilfen in einem Data Warehouse Wie viele Dimensionen hat ein WŸrfel? Der Einsatz von Datamarts als Analysehilfen in einem Data Warehouse Andrea Kennel Beim Start eines Data Warehouse-Projekts gibt es oft das Problem, dass Informatiker

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

Seminar C16 - Datenmodellierung für SAP BW

Seminar 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

Mehr

Eine Einführung in OLAP

Eine 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...

Mehr

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015 Abstrakt zum Vortrag im Oberseminar Graphdatenbanken Gero Kraus HTWK Leipzig 14. Juli 2015 1 Motivation Zur Darstellung komplexer Beziehungen bzw. Graphen sind sowohl relationale als auch NoSQL-Datenbanken

Mehr

Survival Guide für Ihr Business Intelligence-Projekt

Survival 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

Mehr

Informationssysteme für das Management

Informationssysteme für das Management FHBB l Departement Wirtschaft l Informationssysteme für das Management Michael Pülz, Hanspeter Knechtli Lernziele Den Unterschied zwischen operativen und analytischen Informationssystemen beschreiben können

Mehr

Einführung in Hauptspeicherdatenbanken

Einführung in Hauptspeicherdatenbanken Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation

Mehr

6 InfoCubes erstellen und konfigurieren

6 InfoCubes erstellen und konfigurieren InfoCubes bilden die Reportingschicht in der LSA; sie sind für die Performance des Reportings entscheidend. In diesem Kapitel stellen wir Ihnen vor, welche InfoCubes es gibt und wie Sie damit arbeiten.

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

Mehr

Fundamentals of Software Engineering 1

Fundamentals of Software Engineering 1 Folie a: Name Fundamentals of Software Engineering 1 Grundlagen der Programmentwurfstechnik 1 Sommersemester 2012 Dr.-Ing. Stefan Werner Fakultät für Ingenieurwissenschaften Folie 1 Inhaltsverzeichnis

Mehr

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9

1 Einführung 1 1.1 SAP Business Information Warehouse... 3. 1.1.1 BW Version 3.0...5. Architekturplanung... 9 vii 1 Einführung 1 1.1 SAP Business Information Warehouse... 3 1.1.1 BW Version 3.0...5 Architekturplanung.................................... 9 2 BW-Basissystem 11 2.1 Client/Server-Architektur... 12

Mehr

Agile Analytics Neue Anforderungen an die Systemarchitektur

Agile Analytics Neue Anforderungen an die Systemarchitektur www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende

Mehr

Integration Services Übersicht

Integration Services Übersicht Integration Services Übersicht Integration Services Übersicht Integration Services stellt umfangreiche integrierte Tasks, Container, Transformationen und Datenadapter für die En t- wicklung von Geschäftsanwendungen

Mehr

Data-Warehouse-Systeme

Data-Warehouse-Systeme Vorlesung im Wintersemester 2008/09 Data-Warehouse-Systeme Dr. Stefanie Rinderle-Ma Institut für Datenbanken und Informationssysteme Universität Ulm stefanie.rinderle@uni-ulm.de Übersicht 1) Einführung

Mehr

MultiProvider. Logische Reporting- Schicht. Abb. 9 21 Einsatz von MultiProvidern als logische Reporting- Schicht

MultiProvider. Logische Reporting- Schicht. Abb. 9 21 Einsatz von MultiProvidern als logische Reporting- Schicht MultiProvider 243 MultiProvider MultiProvider sind virtuelle InfoProvider ohne eigene Datenhaltung, deren Hauptaufgabe die Grundlage für die Datenanalyse und -planung ist. Dabei nimmt der MultiProvider

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

Mehr

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Corporate Performance Management SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Martin Krejci, Manager CPM Matthias Schmidt, BI Consultant Kristian Rümmelin, Senior BI Consultant Braincourt GmbH

Mehr

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien

fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Einführung Gegenstand der Vorlesung fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Datenvolumen (effiziente Speicherung

Mehr

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas

Mehr

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude 20.20 Rechenzentrum,

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Leseprobe. Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker. Data Warehousing mit Oracle. Business Intelligence in der Praxis

Leseprobe. Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker. Data Warehousing mit Oracle. Business Intelligence in der Praxis Leseprobe Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker Data Warehousing mit Oracle Business Intelligence in der Praxis ISBN: 978-3-446-42562-0 Weitere Informationen oder Bestellungen unter

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data 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

Mehr

Strategien zur Erweiterung eines Data Warehouse

Strategien zur Erweiterung eines Data Warehouse Studiengang: Informatik Prüfer: Betreuer: Prof. Dr.-Ing. habil. Bernhard Mitschang Thomas Sauter (DaimlerChrysler AG) Holger Schwarz (Universität Stuttgart) begonnen am: 01. September 2001 beendet am:

Mehr