Friedrich-Schiller-Universität Jena

Größe: px
Ab Seite anzeigen:

Download "Friedrich-Schiller-Universität Jena"

Transkript

1 Friedrich-Schiller-Universität Jena Seminar WS2011 Data Warehouse Systeme Präsentationsthema Metadaten Präsentiert von: Julian Zausch, 96382

2 Inhaltsverzeichnis EINLEITUNG WELCHE ROLLE SPIELEN METADATEN IN EINEM DATA WAREHOUSE ART DER NUTZUNG VON METADATEN WEITERES ZUM METADATENMANAGEMENT MODELLIERUNGSEBENEN VERWENDUNG VON OLAP GRUNDLAGEN DES MULTIDIMENSIONALEN DATENMODELLS FORSCHUNG KOMMERZIELLE ANSÄTZE ZUSAMMENFASSUNG QUELLEN Data Warehouse Systeme Seite - 2 -

3 Einleitung Diese Ausarbeitung befasst sich mit der Verwendung von Metadaten in einem Data Warehouse. Dabei wird genau geklärt, welche Arten es von Metadaten gibt und wie man sie operativ einsetzt. Der Gebrauch von Metadaten spielt heutzutage eine große Rolle. Ein Beispiel sind Verpackungen, die eine Vielzahl von Texten, Bildern und Zahlen besitzen. Meist handelt es sich dabei um Daten, die angegeben werden um dem Käufer Informationen über das Produkt zu liefern und eine Kaufentscheidung zu beeinflussen. Dies wirft die Frage auf, inwieweit das mit Metadaten zu tun hat. Der Aufbau einer Nahrungsmittelverpackung ist durch eine Vielzahl von Metadaten vorgegeben. Sie bilden somit ein Gerüst für konkrete Daten. Diese geben an, welche Elemente auf so einer Verpackung vorhanden sein müssen, welche zu einem gewissen Grad vorhanden sein sollen oder welche nicht angeben werden müssen. Ein markantes Beispiel ist die Verwendung von Metadaten bei Büchern. Bücher haben alle einen Titel, einen Autor oder mehrere Autoren, eine Zusammenfassung, meist einen Bar-Code und eine ISBN-Nummer. Auf Grundlage der Metadaten wird ein Gerüst oder Schema definiert. Dies hat zur Folge, dass die verschiedensten Individuen mit diesem Gerüst arbeiten können. Ein Individuum kann in dem Falle ein Mensch oder ein Computer sein. Das Gerüst bietet die Möglichkeit, anhand der gespeicherten Informationen nach deren konkreten Daten zu suchen. Aufgrund der Metadaten können Bücher klassifiziert, verwaltet und wiederaufgefunden werden. Metadaten verwendet man heutzutage, um einen effizienten und kostengünstigen Nutzen aus den Quelldaten zu ziehen. Quelldaten sind diejenigen konkreten Daten, die von außerhalb in ein Data Warehouse eingefügt und durch Transformation so geändert wurden, dass man anhand von Metadaten auf ihnen arbeiten kann. Durch folgendes Zitat wird der Begriff Metadaten durch Bauer und Günzel konkret definiert. Unter dem Begriff Metadaten versteht man gemeinhin jede Art von Information, die für den Entwurf, die Konstruktion und die Benutzung eines Informationssystems benötigt wird. 1 Für den Entwurf und die Konstruktion eines Gebäudes muss im vor hinein geklärt werden, welche Maße das Gebäude haben soll. Ähnliches gilt auch für Softwaresysteme. Der Einsatz von Werkzeugen zur Entwicklung von Softwaresystemen hat dazu geführt, dass auch Informationen über Programme und über den Entwicklungsprozess an sich als Metadaten angesehen werden, laut [Bau2004]. Durch diese Informationen können diese Metadaten in verschiedenster Art genutzt werden. Die Nutzungsart von Metadaten ist von vielen Faktoren abhängig. Es gibt vier verschiedene Arten von Metadaten. Passive als konsistente Dokumentation von verschiedensten Aspekten eines Data Warehouse. Diese Art von Metadaten ist für jeden Akteur zugänglich. Semipassiven mit dieser Art bezeichnet man häufig ändernde Metadaten, die erst zum Ausführungszeitpunkt aus dem Data Warehouse extrahiert werden. Aktive diese Art wird sofort zum Ausführungszeitpunkt interpretiert und von einem entsprechenden Werkzeug ausgeführt. Dies sind meist Transformationsregeln von Prozessen. Semiaktive sind Metadaten zur Beschreibung von Tabellendefinitionen und Konfigurationsspezifiktionen. Diese verwendet man, um die Existenz eines Datenelements in der Tabelle zu überprüfen. Im Gegensatz zu den aktiven Metadaten werden diese nicht direkt beim Start des Prozesses ausgeführt. Jegliche Metadaten werden in einem Metadatenkatalog gespeichert. Data Warehouse Systeme Seite - 3 -

4 Welche Rolle spielen Metadaten in einem Data Warehouse Art der Nutzung von Metadaten In einem Data Warehouse gibt es ein zentrales Metadatenverwaltungssystem, den Metadatenmanager. Dieser und ein Metadatenkatalog dienen dazu, den Aufwand eines Data Warehouse Systems zu verringern und auf der anderen Seite den Informationsgewinn zu erhöhen. Um den Aufwand des Systems zu minimieren, werden vier Ziele verfolgt: effektive Systemintegration, diese ist nur möglich, wenn einheitliche und konsistente Metadaten vorhanden sind. In der Realität ist dies ein großes Problem, da es viele verschiedene Formen von Metadatenkatalogen gibt. Meist sind diese nicht in derselben Modellierungssprache geschrieben. Automatisierung der Administrationsprozesse, wird erreicht durch Metadaten, die Scheduling- und Konfigurationsdaten des jeweiligen Prozesses speichern und die diesen bei Ausführung steuern. Diese Metadaten sind meist Zugriffsprotokolle und die Anzahl der eingefügten Tupel in ein Data Warehouse. zu einem flexiblen Systementwurf gehören Metadaten über verschiedene Aspekte im Data Warehouse, die sich häufig ändern. Dadurch erreicht man eine höhere Mehrfachverwendung, Wartbarkeit und die allgemeine Erweiterbarkeit wird deutlich erhöht. das Ziel von Schutz- und Sicherheitsbedürfnissen ist, explizite Zugriffs- und Benutzerrechte anhand von Metadaten zu speichern. Dies wird genutzt, um den verschiedensten Werkzeugen, die auf einen Metadatenkatalog zugreifen möchten, gewisse Rechte zu gewährleisten. Man verhindert so, dass jedes Werkzeug selbst über eigene Zugriffsmechanismen auf dem Metadatenkatalog arbeitet. Beispielsweise sind die Löhne und Gehälter in einer Firma streng vertraulich und durch Zugriffsmechanismen anhand von Metadaten geschützt. Jedoch kann man durch Aggregation der Löhne von verschieden Personen bestimmen, wie viel Lohn an die gesamte Belegschaft innerhalb eines Zeitraums gezahlt worden ist. Das System lässt eine Zusammenfassung der Daten zu, ohne dass ein Sicherheitskriterium verletzt wird. Um einen erhöhten Informationsgewinn zu erreichen, verfolgt man vier Ziele: die Datenqualität spielt eine besondere Rolle im gesamten Data Warehouse. Es ist sehr wichtig, die eingefügten Daten nach deren Qualität zu beurteilen. Hierzu werden Metadaten genutzt, die verschiedenste Überprüfungsregeln festlegen, um die Datenqualität zu bestimmen. Dabei wird bei jeder Aktualisierung eines Datenpakets auf diese Überprüfungsregeln zurückgegriffen und eine Diagnose des neuen Pakets erstellt. Nachvollziehbarkeitsinformationen sind allerlei Daten, wie zum Beispiel Informationen über das Quellsystem, den Autor und die Bedeutung der Daten zum Erstellungszeitpunkt. Man kann daraus eine Rekonstruktion des Weges der Daten erstellen und auf die Genauigkeit derselben schließen. Die Terminologie bezieht sich auf einheitliche Metadaten aus einer Informationsquelle, dies ist Voraussetzung für die Interpretation der gelieferten Daten. Eine Vielzahl von Metadaten bringt keinen hohen Nutzen, wenn diese nicht vom System interpretiert werden können. Die Datenanalyse speichert Metadaten über die Bedeutung der Daten und ermöglicht dem Anwender, präzise Fragen an das Data Warehouse zu stellen. Außerdem kann man dadurch die Daten, die zurück geliefert werden, noch besser interpretieren. Data Warehouse Systeme Seite - 4 -

5 Weiteres zum Metadatenmanagement Wie schon im vorherigen Kapitel erwähnt, gibt es als oberste Metadatenverwaltungskomponente der Metadaten den Metadatenmanager. Dieser greift auf einen Metadatenkatalog zu, welcher auch als Repositorium bezeichnet wird. Das Repositorium wird in konsistenter Form gespeichert. Die Speicherung erfolgt in verschiedensten Modellierungssprachen. Typischerweise werden sie auf ein Datenbanksystem abgebildet. Die am häufigsten verwendeten Modellierungssprachen sind SQL, XML und die UML. Man kann dieses Repositorium auch indirekt über das Datenverwaltungssystems definieren und anhand des zugrunde liegenden Schemas der Systemkataloge modellieren. Meist werden die Systemkataloge unterschiedlich beschrieben, was ein Problem darstellt. Es sind dadurch drei verschieden Formen entstanden, die für die Verwaltung von Repositorien eine Rolle spielen. Zunächst gibt es die Form einer zentralisierten Metadatenverwaltung. Diese beinhaltet ein einziges Repositorium, welches die gesamten Metadaten eines Unternehmens speichert. Der Vorteil bei dieser Möglichkeit ist die zentrale Speicherung in konsistenter Form. Der Nachteil besteht darin, dass es in der Realität sehr schwer ist ein einziges, einheitliches Repositorium zu erschaffen. Zunächst gibt es viele verschiedene Werkzeuge, die mit einem Repositorium arbeiten können. Diese sind meist in unterschiedlichen Sprachen geschrieben und können nur mit denselben arbeiten. Auf der anderen Seite kommt es in der Realität dazu, dass zwei oder mehrere Unternehmen fusionieren und eigene Repositorien in das gemeinsame System einfügen, meist sind diese in unterschiedlichsten Modellierungssprachen verfasst. Dies erschwert eine Vereinigung der Repositorien. Eine weitere Form ist das Dezentralisierte Modell, dabei werden viele verschiedene Repositorien in das System eingefügt. Man versucht dabei einen gewissen Austausch von Metadaten durch Austauschstandards zu ermöglichen. Ein Mittelweg ist die föderierte Metadatenverwaltung. Es wird hierbei eine globale Sichtweise auf die Metadaten ermöglicht. Andererseits ist jedes Repositorium autonom und für die Pflege seiner Daten selbst zuständig. Ein großes Problem der heutigen Zeit ist, dass es keinerlei Austausch- oder Erstellungsstandards für Metadaten gibt. Jedes Unternehmen kann frei über das Modell seiner Metadaten verfügen. Demzufolge ist es schwer, eine zentrale oder föderierte Metadatenverwaltung zu ermöglichen. Aber ein kleiner Blick in die Zukunft erlaubt es zu sagen, dass es durch die Erfahrung im praktischen Bereich und den Fortschritt im Bereich der Forschung möglich sein wird, Metadaten anhand von Standards zu erstellen oder anhand von Austauschstandards miteinander zu verbinden. Deshalb wird die Verwaltung von Metadaten durch den zentralen oder föderierten Ansatz in Zukunft wichtiger werden. Data Warehouse Systeme Seite - 5 -

6 Abb. 2.1 Muster einer Repositoriumföderation [Baur2004] In Abbildung 2.1 sieht man ein Beispiel einer Repositoriumföderation. Man kann erkennen, dass der Metadatenmanager die zentrale Verwaltungskomponente über allen Repositorien ist. Die Werkzeuge können nur über einen Kontrollfluss auf den Repositorien arbeiten. Es findet allgemein kein direkter Zugriff auf die Repositorien durch die Werkzeuge statt, dies obliegt dem Metadatenmanager. Dadurch werden alle an das System gestellten Ziele verfolgt, insbesondere, dass die Schutz- und Sicherheitsbedürfnisse des Systems erfüllt bleiben. Zum Beispiel gestattet das Anwenderzugriffswerkzeug einem beliebigen Anwender verschiedene Funktionen auf einem Repositorium im Rahmen seiner Zugriffsrechte auszuführen. Weiterhin kann es ein Administrationswerkzeug, ein Analysewerkzeug und ein Entwicklungswerkzeug geben. Aber es existieren auch autonome Werkzeuge, die direkt auf den Repositorien arbeiten dürfen. Dies bringt Vor- und Nachteile mit sich. Der Vorteil eines autonomen Werkzeuges ist, dass jegliche Daten, die zum Beispiel fehlerhaft erstellt oder verändert wurden sind, durch dieses Werkzeug wiederhergestellt werden können, ohne das ein Zugriffsrecht benötigt wird. Dies benötigt man, wenn durch Angriffe auf das System Rechte so verändert wurden, dass niemand mehr einen Zugriff auf die Daten im Data Warehouse hat. Der Nachteil liegt darin, dass ein solcher Angriff durch autonome Werkzeuge stattfinden kann. Im Allgemeinen gilt allerdings, dass Metadaten nur anhand des Metadatenmanager erstellt, konsumiert und geändert werden können. Das Managementsystem dient dem Data Warehouse zur sicheren und flexiblen Arbeit anhand der Metadaten. Dabei werden drei Ziele genauer verfolgt. Die Interoperabilität, der Anwenderzugriff und das Change Management. Die Interoperabilität bezeichnet zunächst die Fähigkeit, dass verschiedene Systeme zusammen arbeiten können. Dies setzt natürlich eine Programmierschnittstelle für den lesenden und schreibenden Zugriff voraus. Außerdem muss es eine Schnittstelle geben, die den Import und Export von Repositorien ermöglicht. Weiterhin müssen Repositorien so angelegt werden, dass ein Hinzufügen oder Löschen von Metadaten möglich ist. Der Anwenderzugriff sollte anhand von Mechanismen der Repositorien eine Navigation, Filterung und manueller Aktualisierung ermöglichen, um auf den Daten zu arbeiten. Die Navigation wird meist durch ein Metadatenschema gesteuert. Darauf wird im nächsten Kapitel genauer eingegangen. Die Filterung ist nicht nur anhand der Struktur der Metadaten möglich, sondern auch anhand von Schlüsselbegriffen, die in einer textuellen Beschreibung hinterlegt sind. Die manuelle Aktualisierung ist schwer zu realisieren, da man eine ausgefeilte Technik benötigt um alle Daten konsistent zu halten. Data Warehouse Systeme Seite - 6 -

7 Das Change Management beschäftigt sich mit dem Fall einer Aktualisierung des Metadatenschemas. Dazu muss ein Repositorium in der Lage sein, seine Versions- und Konfigurationsverwaltung zur Verfügung zu stellen. Weiterhin muss es einen Notifikationshinweis zur Verbreitung von Änderungen geben, welcher abonniert werden kann. Dies wird für eine vorherige Evaluierung der Änderungen benötigt. Modellierungsebenen Abb. 2.2 Beispiel eines Architektur mit 4 Modellierungsebenen [Bau2004] Modellierungsebenen werden benötigt um ein Repositorium genauer zu beschreiben, dabei werden meist vier Ebenen verwendet. In Abbildung 2.2 erhält man einen Einblick in eine Architektur, die 4 Ebenen verwendet. In Ebene Null sind zunächst die rohen Daten gespeichert, wie zum Beispiel Name, Alter oder Straße. Die darunter liegende Ebene beschreibt anhand eines Schemas die darüber liegende Ebene genauer. Das heißt konkret, dass es Namenstabellen gibt, in die die Namen gespeichert werden. Für das Alter wird ein Attribut verwendet. In Ebene 3 wird Ebene 2 genauer beschrieben. Das bedeutet, dass es Tabellen und Attribute in Ebene 2 gibt. Jede Ebene benötigt man, um die Ebene über ihr genauer zu beschreiben und zu definieren. Dies kennt man auch von der UML, der Unified Modelling Language, die sich selbst als Schema darstellt. Es ist also ein Schema über Schemata. Verwendung von OLAP Das Online Analytical Processing benutzt man, um analytisch auf dem Datenbestand einer Datenbank oder eines Data Warehouse zu arbeiten. Durch OLAP wird verhindert, dass sich die Analysedaten mit den eigentlichen Daten vermischen. Um erfolgreich mit dem OLAP- System zu arbeiten, muss der Analyst wissen, welche Anfrage er an das OLAP-System stellen möchte. Dieses belegt oder widerlegt die Anfrage. Meist wird auf Grundlage eines Datenwürfels gearbeitet, da dieser komplexe Zugriffsmöglichkeiten bietet. Es gibt 12 Codd sche Regeln und 6 Erweiterungen, die OLAP definieren. Sie können jedoch allgemein auf die Zusammenfassung der FASMI, fast analysis of shared multidimensional information, zurückgeführt werden. Dazu zählt, dass die Geschwindigkeit des OLAP System eine Rolle spielt. Es soll bei normalen Anfragen innerhalb von 5 Sekunden und bei schwierigen Anfragen innerhalb von 20 Sekunden antworten, laut [Bau2004]. Bei häufig gestellten Fragen soll die Antwortzeit noch geringer ausfallen. Dabei wird nur von der Berechnung ausgegangen und nicht von der Präsentation der Daten. Es sollte außerdem anwenderfreundliche und intuitive Analysen der Daten durch Funktionen, die beliebige Berechnung und Präsentationsformen ermöglichen, unterstützen. Die Sicherung wird durch Mehrbenutzerkonten bereitgestellt. Es ist möglich, Data Warehouse Systeme Seite - 7 -

8 Zugriffsrechte bis auf Zellebene zu vergeben. Außerdem gibt es Sperrmöglichkeiten für den schreibenden Zugriff. Durch einen Datenwürfel erhält man die Möglichkeit, dem Anwender eine konzeptuelle Sicht auf die Ebene des Würfels zu ermöglichen, weiterhin wird ihm gestattet, beliebige Dimensionen miteinander zu kombinieren. Ein weiterer Vorteil ist, dass ein Datenwürfel mit seinen beliebigen Dimensionen meist unabhängig von der zugrunde liegenden Datenbank ist. Die verwendeten Werkzeuge werden anhand der Datenmenge, die sie bearbeiten können, bewertet. Dies trägt zur Kapazität des OLAP-Systems bei, da die Skalierbarkeit und damit die Antwortzeit stabil bleiben. Grundlagen des multidimensionalen Datenmodells Abb. 3.1 Beispiel eines dreidimensionalen Datenwürfels [Baur2004] Um einen Einblick in ein multidimensionales Datenmodell zu erhalten, sieht man in Abbildung 3.1 einen dreidimensionalen Datenwürfel. Dieser beinhaltet alle Verkäufe anhand deren Produkte, Geografie und innerhalb einer bestimmten Zeit. Im Allgemeinen kann ein multidimensionaler Würfel jedoch aus beliebig vielen Dimensionen bestehen. Eine Dimension ist eine halbgeordnete Menge von Attributen. In Abbildung 3.1 sieht man, dass das Primärattribut Produkt in verschiedene Klassifikationsattribute wie die Produktkategorie, die Produktfamilie und die Produktgruppe aufgeteilt ist. Der Artikel selbst ist ein dimensionales Attribut. Dimensionale Attribute sind meist die Blätter des Baumes, der durch eine solche Hierarchie aufgespannt wird. Diese Elemente spannen somit eine Kante auf, die die Größe der einzelnen Dimension darstellt. Den gesamten multidimensionalen Würfel erhält man durch das Zusammenfügen dieser Dimensionskanten. Der multidimensionale Datenwürfel ermöglicht in Rückblick auf OLAP, dass eine Pivotierung und Rotation des Würfels, sowie das Verfahren des Roll-Up, Drill-Down und Drill-Across durchgeführt werden kann. Das multidimensionale Datenmodell bietet eine Menge von Operationsarten, die es gestatten, eine Vielzahl von Schlüssen anhand der Daten zu machen. Data Warehouse Systeme Seite - 8 -

9 Forschung Da es noch keine Standards im Bereich der Metadatenschemata gibt ist ein Hauptziel der Forschung, einen Austausch der Metadaten zwischen verschiedene Repositorien zu ermöglichen. Dabei sollte es keine Rolle spielen, in welchen Modellierungssprachen die einzelnen Repositorien geschrieben worden sind. Außerdem spielt die Präsentation der Daten eine Rolle, die im Allgemeinen vereinheitlicht werden soll. Die Object Managment Group, kurz OMG, ist derzeit eine der dominierenden Gruppen in diesem Bereich. Sie hat bereits einen Standard zur Verwaltung und Präsentation von Metadaten vorgeschlagen. Dieser Vorschlag deckt ein breites Spektrum ab und konzentriert sich auch die technischen Aspektes eines Data Warehouse. Dabei wird die UML als Präsentationsschema und XML als Austauschformat genutzt. Kommerzielle Ansätze Da es keine Standards gibt, sind im kommerziellen Bereich alle Metadatenlösungen meist Insellösungen und decken nur einen gewissen Problembereich ab. Deshalb sind diese Lösungen zum größten Teil von Hand gemacht. Die Papa Lima GmbH bietet jedoch ein kommerzielles Tool zum Erstellen von Metamodellen an, genannt Meta Genius. Dieses bietet, auf einer einfachen Benutzeroberfläche, die Zusammenstellung der gewünschten Metadaten und gibt Tipps und Hilfen zur effizienten Nutzung der Daten. Data Warehouse Systeme Seite - 9 -

10 Zusammenfassung Mitte der Neunziger Jahre gab es ein Hoch durch die Einführung der Data Warehouse Systeme. Dieses Hoch war allerdings nur von kurzer Dauer, da die Repositorien meist nicht den gewünschten Nutzen gebracht haben. Aktuell setzen viele Unternehmen auf separate Insellösungen, da für ein Repositorium meist der Mehrgewinn fehlt. Zusammenfassend lässt sich jedoch sagen, dass man ohne Metadaten in der heutigen Zeit keine Data Warehouse Systeme betreiben kann. Sie sind ein Hauptbestandteil aller Systeme und ermöglichen den effizienten Nutzen von Daten. Außerdem ist es möglich, anhand von Metadaten verschiedenste Verknüpfungen und Auswertungen von Datenpaketen zu machen. In Zukunft wird die Bedeutung von Metadaten in den allgemeinen Informationssystemen und speziell im Data Warehouse eine größere Rolle spielen, da anhand von Standards eine Zusammenführung von verschiedensten Repositorien und eine effektivere Nutzung der Daten ermöglich wird. Data Warehouse Systeme Seite

11 Quellen Bau2004 Andreas Bauer; Holger Günzel: Data Warehouse Systeme. Heidelberg, 2004 PapaLima OmGroup Wikipedia Data Warehouse Systeme Seite

Metadaten und Datenqualität

Metadaten und Datenqualität Metadaten und Datenqualität ƒ Rolle von Metadaten ƒ Metadatenmanagement ƒ Standards für Repositories und Metadatenaustausch ƒ Metadatenschemata für DW ƒ Datenqualität Vorlesung Data-Warehouse-Technologien

Mehr

Kapitel 8 - Metadaten -

Kapitel 8 - Metadaten - Vorlesungs-Übersicht 1) Einführung und Definitionen 2) Architektur eines Data-Warehouse-Systems 3) Das multidimensionale Datenmodell 4) ETL: Extraktion, Transformation, Laden 5) Anfrageverarbeitung und

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

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

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

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

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

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

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

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

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

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

Business Intelligence Funktionsweise und technische Grundlagen

Business Intelligence Funktionsweise und technische Grundlagen Business Intelligence Funktionsweise und technische Grundlagen Whitepaper 1/5 HINTERGRUND Die richtige Information zur richtigen Zeit abrufen zu können kann für ein Unternehmen entscheidend sein. Doch

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

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Seminararbeit von Christian Hägele im Februar 2004 Betreuer: Dr. M. Grabert Inhaltsverzeichnis 1 Einführung 1 2 Data Warehouse 3 2.1 Warum Data Warehouse?........................

Mehr

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen OLAP und Data Mining OLAP Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen Data Mining Begriff und Prozeß Verfahren Vorlesung Data-Warehouse-Technologien 9-1 On-Line Analytical Processing

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

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte DWH Projekt, Methodik, Stärken und Schwächen, Übersicht, Weg der Daten,

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

REAL-TIME DATA WAREHOUSING

REAL-TIME DATA WAREHOUSING REAL-TIME DATA WAREHOUSING Lisa Wenige Seminarvortrag Data Warehousing und Analytische Datenbanken Friedrich-Schiller-Universität Jena - 19.01.12 Lisa Wenige 19.01.2012 2 Agenda 1. Motivation 2. Begriffsbestimmung

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

Realisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier

Realisierung von OLAP Operatoren in einem visuellen Analysetool. Vortrag von Alexander Spachmann und Thomas Lindemeier Realisierung von OLAP Operatoren in einem visuellen Analysetool Vortrag von Alexander Spachmann und Thomas Lindemeier Gliederung Ausgangssituation/Motivation Was ist OLAP? Anwendungen Was sind Operatoren?

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

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

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

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

Business Intelligence Aufgabenstellung

Business Intelligence Aufgabenstellung Hochschule Darmstadt Business Intelligence (BI) Fachbereich Informatik Praktikum 2 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Sebastian Gobst Änderung: 15.06.2012 Datum: 30.05.2012 1. Einführung

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

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar 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?

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

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

OLAP und Aggregierung

OLAP und Aggregierung Stärkung der SelbstOrganisationsfähigkeit im Verkehr durch I+K-gestützte Dienste Seminar Data Warehousing im Verkehrsbereich Sommersemester 2003 OLAP und Aggregierung von Jan Sandberger Betreuer: Heiko

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

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

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

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

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

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

Heterogenes Speichermanagement mit V:DRIVE

Heterogenes Speichermanagement mit V:DRIVE Heterogenes Speichermanagement mit V:DRIVE V:DRIVE - Grundlage eines effizienten Speichermanagements Die Datenexplosion verlangt nach innovativem Speichermanagement Moderne Businessprozesse verlangen auf

Mehr

CRM Architektur. New Economy CRM Architektur Page 1

CRM Architektur. New Economy CRM Architektur Page 1 CRM Architektur Titel des Lernmoduls: CRM Architektur Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.2 Zum Inhalt: Dieses Modul beschreibt mögliche Architekturen von CRM-Systemen. Insbesondere

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

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

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

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

Version 1.0 Erstellt am 12.12.2014 Zuletzt geändert am 17.12.2014. Gültig für Release 1.0.0.0

Version 1.0 Erstellt am 12.12.2014 Zuletzt geändert am 17.12.2014. Gültig für Release 1.0.0.0 Version 1.0 Erstellt am 12.12.2014 Zuletzt geändert am 17.12.2014 Gültig für Release 1.0.0.0 Inhalt 1 WebPart Site Informationen 3 1.1 Funktionalität 3 1.2 Bereitstellung und Konfiguration 4 2 WebPart

Mehr

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Anforderungen von BI an Software- Entwicklungsprozesse

Mehr

Model Driven Architecture Praxisbeispiel

Model Driven Architecture Praxisbeispiel 1 EJOSA OpenUSS CampusSource Model Driven Architecture Praxisbeispiel 2 Situation von CampusSource-Plattformen Ähnliche Funktionen (Verwaltung von Studenten und Dozenten, Diskussionsforen,...), jedoch

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

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

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

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

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

Business Intelligence für Controller

Business Intelligence für Controller Controllers Best Practice Fachbuch Business Intelligence für Controller Hermann Hebben und Dr. Markus Kottbauer Verlag für ControllingWissen ÄG, Freiburg und Wörthsee Ein Unternehmen der Haufe Mediengruppe

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

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

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Copyright 2007 Infor. Alle Rechte vorbehalten. Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Hubertus Thoma Presales Consultant PM Schalten Sie bitte während

Mehr

Die folgenden Features gelten für alle isquare Spider Versionen:

Die folgenden Features gelten für alle isquare Spider Versionen: isquare Spider Die folgenden s gelten für alle isquare Spider Versionen: webbasiertes Management (Administratoren) Monitoring Sichten aller gefundenen Beiträge eines Forums Statusüberprüfung Informationen

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

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)

Datenmanagement. 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

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

Automatisierte Durchführung von Transporten in der Automic (UC4) Automation Engine - ONE Automation

Automatisierte Durchführung von Transporten in der Automic (UC4) Automation Engine - ONE Automation WF2Trans Automatisierte Durchführung von Transporten in der Automic (UC4) Automation Engine - ONE Automation Aus unserer langjährigen Erfahrung in Kundenprojekten wissen wir, dass ein klares und eindeutiges

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph 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

Mehr

Integration Services - Dienstarchitektur

Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Dieser Artikel solle dabei unterstützen, Integration Services in Microsoft SQL Server be sser zu verstehen und damit die

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

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com

WhitePaper. Mai 2012. BIA Business Intelligence Accelerator. Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com WhitePaper BIA Business Intelligence Accelerator Mai 2012 Markus Krenn Geschäftsführer Mail: m.krenn@biaccelerator.com BIA Business Intelligence Accelerator GmbH Softwarepark 26 A-4232 Hagenberg Mail:

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

Leitfaden zur Installation von BitByters.Backup

Leitfaden zur Installation von BitByters.Backup Leitfaden zur Installation von BitByters.Backup Der BitByters.Backup - DASIService ist ein Tool mit dem Sie Ihre Datensicherung organisieren können. Es ist nicht nur ein reines Online- Sicherungstool,

Mehr

Business Intelligence Praktikum 1

Business 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

Mehr

QUICK-START EVALUIERUNG

QUICK-START EVALUIERUNG Pentaho 30 für 30 Webinar QUICK-START EVALUIERUNG Ressourcen & Tipps Leo Cardinaals Sales Engineer 1 Mit Pentaho Business Analytics haben Sie eine moderne und umfassende Plattform für Datenintegration

Mehr

COI-BusinessFlow Integration in Microsoft Federated Search

COI-BusinessFlow Integration in Microsoft Federated Search COI-BusinessFlow Integration in Microsoft Federated Search Business W hite Paper COI GmbH COI-BusinessFlow Integration in Microsoft Federated Search Seite 1 von 7 1 Zusammenfassung 3 2 ECM & Microsoft

Mehr

Technische Prozesse der Archivierung am Beispiel SAP R/3. Teil III: Dokumentenverarbeitung in SAP R/3

Technische Prozesse der Archivierung am Beispiel SAP R/3. Teil III: Dokumentenverarbeitung in SAP R/3 Elektronische Archivsysteme im kommerziellen Einsatz Institut für Publizistik und Kommunikationswissenschaften Dozent: R. Weißbach WS 00/01 Technische Prozesse der Archivierung am Beispiel SAP R/3 Teil

Mehr

Effizientes Änderungsmanagement in Outsourcing- Projekten

Effizientes Änderungsmanagement in Outsourcing- Projekten Effizientes Änderungsmanagement in Outsourcing- Projekten Dr. Henning Sternkicker Rational Software IBM Deutschland GmbH Sittarder Straße 31 52078 Aachen henning.sternkicker@de.ibm.com Abstract: Es werden

Mehr

Model Driven Architecture

Model Driven Architecture { AKTUELLES SCHLAGWORT* / MODEL DRIVEN ARCHITECTURE Model Driven Architecture Martin Kempa Zoltán Ádám Mann Bei der Model Driven Architecture (MDA) bilden Modelle die zentralen Elemente des Softwareentwicklungsprozesses.

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

Ausarbeitung Projekt. Sven Elvers. Business Intelligence: Analyse. Betreuender Prüfer: Prof. Dr. Olaf Zukunft

Ausarbeitung Projekt. Sven Elvers. Business Intelligence: Analyse. Betreuender Prüfer: Prof. Dr. Olaf Zukunft Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Ausarbeitung Projekt Sven Elvers Business Intelligence: Analyse Betreuender Prüfer: Prof. Dr. Olaf Zukunft Fakultät

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

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum

Mehr

The Rational Unified Process. Eine Einführung von T. Langer und A. Nitert

The Rational Unified Process. Eine Einführung von T. Langer und A. Nitert The Rational Unified Process Eine Einführung von T. Langer und A. Nitert Übersicht Einleitung Probleme der SW-Entwicklung, Best Practices, Aufgaben Was ist der Rational Unified Process? Struktur des Prozesses

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

GDP4U. Intelligente Ideen für Finanzinstitute

GDP4U. Intelligente Ideen für Finanzinstitute GDP4U Intelligente Ideen für Finanzinstitute --> GDP4U Die Grundsätze zum Datenzugriff und zur Prüfbarkeit digitaler Unterlagen (GDPdU 147 Abs. 6 AO) verpflichten Finanzinstitute, den Finanzbehörden den

Mehr

Data-Warehouse-Systeme

Data-Warehouse-Systeme Data-Warehouse-Systeme Architektur, Entwicklung, Anwendung von Andreas Bauer, Holger Günzel 3., überarb. u. aktualis. Aufl. Data-Warehouse-Systeme Bauer / Günzel schnell und portofrei erhältlich bei beck-shop.de

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

Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3. Aufgabenstellung

Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3. Aufgabenstellung Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 18.12.2013 1. Kurzbeschreibung Dieses Praktikum

Mehr

ER-Modellierung am Beispiel der Universitätsdatenbank aus der DBIS-Vorlesung

ER-Modellierung am Beispiel der Universitätsdatenbank aus der DBIS-Vorlesung ER-Modellierung am Beispiel der Universitätsdatenbank aus der DBIS-Vorlesung Datenbank-Praktikum SS 2010 Prof. Dr. Georg Lausen Florian Schmedding ER-Modell: Wiederholung Entitäten E Beziehungen B Attribute

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

Unlimited Controlling

Unlimited Controlling smcolap Unlimited Controlling Heute müssen beliebige Bereiche eines Unternehmens schnell und effizient analysiert werden. Dabei darf es keine Rolle spielen, wo die Daten liegen und in welcher Relation

Mehr

FAGUS Paper Data Cubes

FAGUS Paper Data Cubes FAGUS Paper Data Cubes v5 Dynamische Datenanalyse auf Basis von FAGUS Paper.v5 und Microsoft Analysis Services 2 FAGUS Paper Data Cubes Data Mining Nutzen Sie den Mehrwert Ihrer IT Jeden Tag werden in

Mehr

Metadatenmodellierung und -verwaltung in Data-Warehouse-Systemen

Metadatenmodellierung und -verwaltung in Data-Warehouse-Systemen Metadatenmodellierung und -verwaltung in Data-Warehouse-Systemen Michael Seiferle Fachbereich Informatik Universität Konstanz 12. Februar 2008 Michael Seiferle Metadatenmodellierung und -verwaltung in

Mehr

mit der neuen Microsoft BI-Plattform

mit der neuen Microsoft BI-Plattform Der Weg von manuellen Berichten zum modernen BI-System PSG Projekt Service GmbH The SQL Server Company, Hamburg Jan Streblow, Lead Consultant Public Sector Sascha Lorenz, Lead Consultant SQL Server Technology

Mehr

Microsoft SQL Server 2005 - Konfigurierung, Administration, Programmierung

Microsoft SQL Server 2005 - Konfigurierung, Administration, Programmierung Ruprecht Droge, Markus Raatz Microsoft SQL Server 2005 - Konfigurierung, Administration, Programmierung Microsoft Press Vorwort XI 1 Einführung in SQL Server 2005 1 Geschichte des SQL Servers 1 Wichtige

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

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1.

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1. Inhalt der Vorlesung Literatur 1 Datenmodellierung (Entity-Relationship Modell) 2 Das relationale Modell 3 Relationenalgebra 4 Datenbanksprache (SQL) 5 Normalisierung 6 Vom ERM zum Datenbankschema 7 Routinen

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

Eigenschaften von Web Content Management Systemen (WCMS) Thorsten Kanzleiter Web Content Management Systeme

Eigenschaften von Web Content Management Systemen (WCMS) Thorsten Kanzleiter Web Content Management Systeme Eigenschaften von Web Content Management Systemen () 1 Gliederung 1.1 Motivation 1.2 Problemstellung 2. 2.1 Begriffsbestimmung CMS 2.2 Übergang von CMS zu 2.3 sonstige 2.4 Content Life Cycle 2.5 Webpublishing

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

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 Flow One Engine V 3.1

Data Flow One Engine V 3.1 Data Flow One Engine V 3.1 Data Flow One Engine V3.1 Für eine gute Performance Data Flow One ist eine Standardsoftware im EAI-Bereich, welche es dem Benutzer ermöglicht, auf einfache, graphisch unterstützte

Mehr

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

Whitepaper Externe Speicherung von Binary Large Objects (BLOBs) mit SharePoint 2007 sowie SQL Server 2005 / 2008

Whitepaper Externe Speicherung von Binary Large Objects (BLOBs) mit SharePoint 2007 sowie SQL Server 2005 / 2008 Externe Speicherung von Binary Large Objects (BLOBs) mit SharePoint 2007 sowie SQL Andreas Glaser, 23. September 2008 Teufenerstrasse 19 CH 9001 St.Gallen t [+41] 71 228 67 77 f [+41] 71 228 67 88 info@namics.com

Mehr