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

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

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

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,

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

Das Multidimensionale Datenmodell

Das Multidimensionale Datenmodell Das Multidimensionale Datenmodell Konzeptuelle Modellierung Umsetzung des Modells Beispiel ER-Modell 2 / 36 Probleme ER-Modellierung Keine Unterscheidung Klassifikation, Attribute, Kenngrößen Dimension

Mehr

Model Driven Architecture (MDA)

Model Driven Architecture (MDA) Model Driven Architecture (MDA) Vortrag im Fach Software Engineering II BA Mannheim / Fachrichtung Angewandte Informatik Torsten Hopp Gliederung Einleitung Motivation Grundzüge der MDA Ziele & Potenziale

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

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

OLAP und der MS SQL Server

OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP-Systeme werden wie umfangreiche Berichtssysteme heute nicht mehr von Grund auf neu entwickelt. Stattdessen konzentriert man sich auf die individuellen

Mehr

1 Die Active Directory

1 Die Active Directory 1 Die Active Directory Infrastruktur Prüfungsanforderungen von Microsoft: Configuring the Active Directory Infrastructure o Configure a forest or a domain o Configure trusts o Configure sites o Configure

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

Intelligence (BI): Von der. Nürnberg, 29. November 2011

Intelligence (BI): Von der. Nürnberg, 29. November 2011 Modelle für Business Intelligence (BI): Von der Anforderung zum Würfel Nürnberg, 29. November 2011 Warum Modelle für Business Intelligence (BI)? Warum Modelle für Business Intelligence (BI)? Bis zur Auswertung

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

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

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

Datenbanken 16.1.2008. Die Entwicklung der Datenbanksysteme ist eng an die der Hardware gekoppelt und wird wie jene in Generationen eingeteilt:

Datenbanken 16.1.2008. Die Entwicklung der Datenbanksysteme ist eng an die der Hardware gekoppelt und wird wie jene in Generationen eingeteilt: Datenbanksysteme Entwicklung der Datenbanksysteme Die Entwicklung der Datenbanksysteme ist eng an die der Hardware gekoppelt und wird wie jene in Generationen eingeteilt: 1. Generation: In den fünfziger

Mehr

Einführung. Kapitel 1 2 / 508

Einführung. Kapitel 1 2 / 508 Kapitel 1 Einführung 2 / 508 Einführung Was ist ein Datenbanksystem (DBS)? Ein System zum Speichern und Verwalten von Daten. Warum kein herkömmliches Dateisystem verwenden? Ausfallsicherheit und Skalierbarkeit

Mehr

CARL HANSER VERLAG. Karsten Oehler. OLAP Grundlagen, Modellierung und betriebswirtschaftliche Lösungen 3-446-21309-0. www.hanser.

CARL HANSER VERLAG. Karsten Oehler. OLAP Grundlagen, Modellierung und betriebswirtschaftliche Lösungen 3-446-21309-0. www.hanser. CARL HANSER VERLAG Karsten Oehler OLAP Grundlagen, Modellierung und betriebswirtschaftliche Lösungen 3-446-21309-0 www.hanser.de 1 Einleitung Die Entwicklung der Bereitstellung von Informationen zur Entscheidungsunterstützung

Mehr

Produktinformation eevolution OLAP

Produktinformation eevolution OLAP Produktinformation eevolution OLAP Was ist OLAP? Der Begriff OLAP steht für Kurz gesagt: eevolution -OLAP ist die Data Warehouse Lösung für eevolution. Auf Basis verschiedener

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

Data Warehouse Technologien

Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............

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

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...

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

Carl-Christian Kanne. Einführung in Datenbanken p.1/513

Carl-Christian Kanne. Einführung in Datenbanken p.1/513 Einführung in Datenbanken Carl-Christian Kanne Einführung in Datenbanken p.1/513 Kapitel 1 Einführung Einführung in Datenbanken p.2/513 Einführung Was ist ein Datenbanksystem (DBS)? Ein System zum Speichern

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

Themen. M. Duffner: Datenbanksysteme

Themen. M. Duffner: Datenbanksysteme Datenbanksysteme Themen Theorie Einführung Datenbank, Datenbankmanagementsystem (DBMS), Aufgaben eines DBMS Relationale Datenbanken Daten als Tabellen Datenbankentwurf im Entity-Relationship-Modell Abfragesprache

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

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

Datenbanken. Ein DBS besteht aus zwei Teilen:

Datenbanken. Ein DBS besteht aus zwei Teilen: Datenbanken Wikipedia gibt unter http://de.wikipedia.org/wiki/datenbank einen kompakten Einblick in die Welt der Datenbanken, Datenbanksysteme, Datenbankmanagementsysteme & Co: Ein Datenbanksystem (DBS)

Mehr

Grundlagen von Datenbanken

Grundlagen von Datenbanken Grundlagen von Datenbanken Aufgabenzettel 1 Grundlagen Datenbanken: Kurzer historischer Überblick (1) Anwendung 1 Anwendung 2 Datei 1 Datei 2 Datei 3 Zugriff auf Dateien ohne spezielle Verwaltung 2 Exkurs:

Mehr

Enterprise Applikation Integration und Service-orientierte Architekturen. 01 Einführung

Enterprise Applikation Integration und Service-orientierte Architekturen. 01 Einführung Enterprise Applikation Integration und Service-orientierte Architekturen 01 Einführung Agenda Warum EAI Klassifikation von EAI-Ansätzen Ebenen der Integration Architekturen zur Datenintegration Prof. Dr.

Mehr

BSI Technische Richtlinie

BSI Technische Richtlinie BSI Technische Richtlinie Bezeichnung: IT-Basisinfrastruktur Funktionalitätsspezifikation Anwendungsbereich: De-Mail Kürzel: BSI TR 01201 Teil 1.1 Version: 1.2 Bundesamt für Sicherheit in der Informationstechnik

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

Die Grundbegriffe Die Daten Die Informationen

Die Grundbegriffe Die Daten Die Informationen Die Grundbegriffe Die Daten sind diejenigen Elemente, die vom Computer verarbeitet werden. Die Informationen sind Wissenselemente, welche durch die Analyse von Daten erhalten werden können. Die Daten haben

Mehr

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank

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

Teil VI. Datenbanken

Teil VI. Datenbanken Teil VI Datenbanken Überblick 1 Grundlegende Begriffe Motivation 2 Relationale Datenbanksysteme Das Relationale Datenmodell SQL 3 Entwurf von Datenbanken Das Enity Relationship (ER) Modell Abbildung von

Mehr

1 Lieferantenbewertung

1 Lieferantenbewertung 1 Lieferantenbewertung Mit Hilfe der Lieferantenbewertung können alle aktiven Lieferanten nach ISO Kriterien bewertet werden. Die zur Bewertung hinterlegten Faktoren können individuell vorgegeben werden.

Mehr

Vortrag von: Ilias Agorakis & Robert Roginer

Vortrag von: Ilias Agorakis & Robert Roginer MDA Model Driven Architecture Vortrag von: Ilias Agorakis & Robert Roginer Anwendungen der SWT - WS 08/09 Inhalt Was ist MDA? Object Management Group (OMG) Ziele Konzepte der MDA Werkzeuge Vor- und Nachteile

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

10. Vorlesung: Datenorganisation SS 2007

10. Vorlesung: Datenorganisation SS 2007 10. Vorlesung: Datenorganisation SS 2007 8 Parallele Transaktionen 9 9.1 Drei-Ebenen Ebenen-Architektur 9.2 Verteilte Datenbanken 9.3 Client-Server Server-Datenbanken 9.4 Föderierte Datenbanken 9.5 Das

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

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken Profilbezogene informatische Bildung in den Klassenstufen 9 und 10 Schwerpunktthema Robby Buttke Fachberater für Informatik RSA Chemnitz Fachliche Einordnung Phasen relationaler Modellierung Fachlichkeit

Mehr

Mengenvergleiche: Alle Konten außer das, mit dem größten Saldo.

Mengenvergleiche: Alle Konten außer das, mit dem größten Saldo. Mengenvergleiche: Mehr Möglichkeiten als der in-operator bietet der θany und der θall-operator, also der Vergleich mit irgendeinem oder jedem Tupel der Unteranfrage. Alle Konten außer das, mit dem größten

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

Konzepte zur Datenhaltung für Webseiten in einem Web-Content- Management-System

Konzepte zur Datenhaltung für Webseiten in einem Web-Content- Management-System Konzepte zur Datenhaltung für Webseiten in einem Web-Content- Management-System Web-Content-Management-Systeme () dienen dazu, komplexe Websites zu verwalten und den Autoren einzelner Webseiten möglichst

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

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

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

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

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle ??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

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

Inhaltsverzeichnis. Teil I OLAP und der Microsoft SQL-Server 1. 1 Theoretische Grundlagen 3

Inhaltsverzeichnis. Teil I OLAP und der Microsoft SQL-Server 1. 1 Theoretische Grundlagen 3 vii Teil I OLAP und der Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1 Was ist OLAP?......................................... 3 1.1.1 Business Intelligence............................... 4 1.1.2

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

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009 Modellbasierte Business Intelligence in der Praxis Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen für BI 3. Inhalte von Prozessmodellen 4.

Mehr

On-Line Analytical Processing

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

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

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle

Mehr

Inhalt. 4.1 Motivation. 4.2 Datenintegration. 4.3 Konzeptuelle Modellierung. 4.4 Anfragen an Data Warehouses. 4.5 Implementierungsaspekte

Inhalt. 4.1 Motivation. 4.2 Datenintegration. 4.3 Konzeptuelle Modellierung. 4.4 Anfragen an Data Warehouses. 4.5 Implementierungsaspekte 4. Data Warehouses Inhalt 4.1 Motivation 4.2 Datenintegration 4.3 Konzeptuelle Modellierung 4.4 Anfragen an Data Warehouses 4.5 Implementierungsaspekte 2 Literatur V. Köppen, G. Saake und K.-U. Sattler:

Mehr

Oracle-Statistiken im Data Warehouse effizient nutzen

Oracle-Statistiken im Data Warehouse effizient nutzen Oracle-Statistiken im Data Warehouse effizient nutzen Reinhard Mense ARETO Consulting Köln Schlüsselworte: DWH, Data Warehouse, Statistiken, Optimizer, Performance, Laufzeiten Einleitung Für die performante

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

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 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

Objektorientierte Datenbanken

Objektorientierte Datenbanken OODB 11 Slide 1 Objektorientierte Datenbanken Vorlesung 11 vom 01.07.2004 Dr. Sebastian Iwanowski FH Wedel OODB 11 Slide 2 Inhalt heute: Datenbanken in betriebswirtschaftlichen Anwendungen OTLP (SAP) Data

Mehr

Benutzerhandbuch ABBREV:X. Eine kompakte Anleitung zur effizienten Arbeit mit Abkürzungen

Benutzerhandbuch ABBREV:X. Eine kompakte Anleitung zur effizienten Arbeit mit Abkürzungen Benutzerhandbuch ABBREV:X Eine kompakte Anleitung zur effizienten Arbeit mit Abkürzungen ABBREV:X Effizientes Arbeiten mit Abkürzungen ABBREV:X unterstützt Sie bei der Arbeit mit und der Verwaltungen von

Mehr

Ist Qualität nachrüstbar? Testen, Dokumentation und Code Qualität von Anfang an

Ist Qualität nachrüstbar? Testen, Dokumentation und Code Qualität von Anfang an Ist Qualität nachrüstbar? Testen, Dokumentation und Code Qualität von Anfang an Was ist Qualität? Definition laut EN ISO 9000:2005 Qualität wird definiert als "Grad, in dem ein Satz inhärenter Merkmale

Mehr

Vorwort zur 5. Auflage... 15 Über den Autor... 16

Vorwort zur 5. Auflage... 15 Über den Autor... 16 Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung

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

Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld. München, 26. Januar 2010

Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld. München, 26. Januar 2010 Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld München, 26. Januar 2010 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen

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

Neuentwicklungen in Mesap. Version 5.1

Neuentwicklungen in Mesap. Version 5.1 Neuentwicklungen in Mesap Version 5.1 Karlsruhe, im Juli 2013 Liebe Mesap Nutzerinnen, liebe Mesap Nutzer, wir freuen uns, Ihnen die neue Version 5.1 präsentieren zu dürfen, und hoffen, dass die neuen

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

IAWWeb PDFManager. - Kurzanleitung -

IAWWeb PDFManager. - Kurzanleitung - IAWWeb PDFManager - Kurzanleitung - 1. Einleitung Dieses Dokument beschreibt kurz die grundlegenden Funktionen des PDFManager. Der PDF Manager dient zur Pflege des Dokumentenbestandes. Er kann über die

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

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

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

Terminologie zwischen normativer Referenz und deskriptiver Dokumentation. Dr. Birte Lönneker-Rodman, Across Systems GmbH

Terminologie zwischen normativer Referenz und deskriptiver Dokumentation. Dr. Birte Lönneker-Rodman, Across Systems GmbH Terminologie zwischen normativer Referenz und deskriptiver Dokumentation Dr. Birte Lönneker-Rodman, Across Systems GmbH Überblick Normative Referenzterminologie - Beispiele - Unterstützende Funktionen

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

Mala Bachmann September 2000

Mala Bachmann September 2000 Mala Bachmann September 2000 Wein-Shop (1) Umsatz pro Zeit und Produkt Umsatz Jan Feb Mrz Q1 Apr 2000 Merlot 33 55 56 144 18 760 Cabernet-S. 72 136 117 325 74 1338 Shiraz 85 128 99 312 92 1662 Rotweine

Mehr

C09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl

C09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl C09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl Ein Seminar der DWH academy Seminar C09 Einsatz SAP BW im Vergleich zur Best-of-Breed- Produktauswahl Befasst man sich im DWH mit der Auswahl

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

Labordatenverarbeitung in der 4ten Dimension!

Labordatenverarbeitung in der 4ten Dimension! VDLUFA-Schriftenreihe 69 Labordatenverarbeitung in der 4ten Dimension! J. Flekna Pragmatis GmbH, Neufahrn 1. Einleitung Telefongesellschaften und große Internetshops machen es schon lange: Operative Daten

Mehr

Vorlesung 30.03.2009 1) Einführung

Vorlesung 30.03.2009 1) Einführung Vorlesung 30.03.2009 1) Einführung Was versteht man unter dem Begriff Datenbank? - Eine Datenbank ist eine Struktur zur Speicherung von Daten mit lesendem und schreibendem Zugriff - Allgemein meint man

Mehr

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen

Mehr

Datenbanken. Prof. Dr. Bernhard Schiefer. bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer

Datenbanken. Prof. Dr. Bernhard Schiefer. bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Wesentliche Inhalte Begriff DBS Datenbankmodelle Datenbankentwurf konzeptionell, logisch und relational

Mehr

Technische Mitteilung LDAP

Technische Mitteilung LDAP Technische Mitteilung LDAP Einrichten einer LDAPgestützten Benutzerverwaltung Informationen zum Dokument Kurzbeschreibung Dieses Dokument enthält wichtige Hinweise zum Einrichten einer Benutzerverwaltung

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

Modellierung von OLAP- und Data- Warehouse-Systemen

Modellierung von OLAP- und Data- Warehouse-Systemen Andreas Totok Modellierung von OLAP- und Data- Warehouse-Systemen Mit einem Geleitwort von Prof. Dr. Burkhard Huch Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

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 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

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

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 und intuitives Berichtswesen in einer umfassenden Lösung

Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence Unterstützung Ihrer Mitarbeiter Das interaktive Drag-and-Drop Interface in Excel Mit Jet Enterprise

Mehr

FAQ The FAQ/knowledge base. Version 2.1.1

FAQ The FAQ/knowledge base. Version 2.1.1 FAQ The FAQ/knowledge base. Version 2.1.1 (c) 2012 OTRS AG, http://otrs.org/ GNU AFFERO GENERAL PUBLIC LICENSE Version 3, November 2007 This work is copyrighted by OTRS AG, Norsk-Data-Str. 1, 61352 Bad

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

Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung

Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence und intuitives Berichtswesen in einer umfassenden Lösung Business Intelligence Mit Jet Enterprise erhalten Sie dies und mehr Jet Enterprise ist Business Intelligence und intuitives

Mehr

Was ist EMF? Wie wird EMF eingesetzt? Was ist ecore? Das Generatormodell Fazit

Was ist EMF? Wie wird EMF eingesetzt? Was ist ecore? Das Generatormodell Fazit Was ist EMF? Wie wird EMF eingesetzt? Was ist ecore? Das Generatormodell Fazit EMF ist ein eigenständiges Eclipse-Projekt (Eclipse Modeling Framework Project) EMF ist ein Modellierungsframework und Tool

Mehr

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Schwierigkeiten bei der Umsetzung Josef Kolbitsch Manuela Reinisch Übersicht Schwierigkeiten bei der Umsetzung eines BI-Systems Schwierigkeiten der Umsetzung 1/13 Strategische Ziele

Mehr