Modellierungsaspekte eines Data Warehouse Wolfgang Gerken Fachhochschule Hamburg
|
|
- Fritz Maus
- vor 2 Jahren
- Abrufe
Transkript
1 Modellierungsaspekte eines Data Warehouse Wolfgang Gerken Fachhochschule Hamburg Zusammenfassung Die Extraktion von verwertbarem Wissen aus Daten wird immer wichtiger. Dabei hilft ein Data Warehouse. Es dient der Informationsbereitstellung zur Unterstützung von Management- Aufgaben und ist von den operativen Datenbeständen eines Unternehmens abgegrenzt. Nach einer Einführung in die Thematik Data Warehouse wird in diesem Artikel eine Datenmodellierung und -strukturierung vorgeschlagen, die von der üblichen und aus dem Star-Schema abgeleiteten Modellierung abweicht. Es handelt sich dabei um einen generischen Ansatz, dessen besonderer Vorteil in der Flexibilität liegt. Die Untersuchungen werden im Rahmen des Projektes Software-Engineering in der Versicherungswirtschaft (SEVERS) durchgeführt, das seit einigen Semestern im FB Elektrotechnik/Informatik der FH Hamburg läuft; siehe dazu auch den Beitrag von J. Raasch in diesem Tagungsband. Was ist ein Data Warehouse? Der Begriff Data Warehouse wurde maßgeblich von William H. Inmon geprägt /Inmon 92/. Danach ist ein Data Warehouse eine thematisch orientierte, integrierte, beständige und über die Zeit veränderliche Datensammlung zur Entscheidungsunterstützung des Managements. Wichtig dabei ist, daß Analyseprozesse zur Verfügung stehen, die die Daten in entscheidungsrelevante Informationen umwandeln und diese geeignet bereitstellen. Für genauere Ausführungen zum Thema Data Warehouse siehe z. B. /Anahory & Murray 97/, /Chamoni & Gluchowski 98/, /Gerken 97/, /Muksch & Behme 96/. Ein Data Warehouse unterscheidet sich in wesentlichen Punkten von einem operationalen Informationssystem. Operationale Informationssysteme enthalten in der Regel keine historischen Daten; sie dienen der Durchführung der jeweils aktuellen Geschäftsprozesse. Ein Data Warehouse ist ein permanent wachsender Datenbestand. Es wird in regelmäßigen Abständen um neue, aktuelle Daten erweitert. Abfragen an ein Data Warehouse erfordern den Zugriff auf ein Vielfaches der Daten, wie sie zur Durchführung von Transaktionen in einem operationalen System notwendig sind. Um die Daten in einem Data Warehouse entscheidungsrelevant vorzuhalten, müssen diese bei ihrer Übernahme durch Summation und Aggregation verdichtet werden. So interessieren einen Manager sicherlich nicht die einzelnen Positionen jeder Bestellung eines Kunden; wohl aber die Quartals- und Jahressummen. Dadurch werden auch die Zugriffszeiten auf die gespeicherten Daten reduziert. Die Datenbasis für ein Data Warehouse kann aus verschiedenen Bereichen gefüllt werden; so gehen in der Regel neben den internen operationalen Daten auch externe Daten (wie z. B. der DAX oder Daten aus Wirtschaftsdatenbanken) in die Datenbasis ein. In diesem Zusammenhang ist ein Abgleich der verschiedenen konzeptuellen Schemata erforderlich, um die Daten der Quellen-Systeme in die Strukturen des Data Warehouse überführen zu können. Die Idee, Daten, die während der Geschäftsprozeßabwicklung in einem Unternehmen entstehen, angereichert um externe Daten für eine gezielte Suche nach
2 entscheidungsrelevanten Informationen über Kunden, Produkte, Märkte usw. zu verwenden, ist naheliegend und nicht neu. Ein entscheidender Durchbruch in der Konzeption solcher Informationssysteme war aber lange Zeit nicht in Sicht. Bestehende Relisierungen waren vielfach entweder zu aufwendig oder nur einfache, begrenzte Erweiterungen operationaler Systeme. Erst auf Grund der hardware- und softwaretechnologischen Entwicklungen der letzten Jahre wird eine effiziente und effektive Informationsversorgung für Management- Aufgaben möglich. Data Warehouse und Information Brokering Die zunehmende Globalisierung der Märkte und Vernetzung der Unternehmen führt dazu, daß unternehmerische Entscheidungen immer schneller getroffen werden müssen. Schnelle Entscheidungen sind aber nur möglich, wenn auch die relevanten Informationen schnell verfügbar sind. Dabei liegt kein Mangel an Daten vor; diese sind unternehmensintern als auch -extern, z. B. im WWW, vorhanden. Das eigentliche Problem besteht darin, aus der vorhandenen, riesigen Datenmenge die relevanten Informationen herauszufiltern und entscheidungsgerecht aufzubereiten. Dieses ist Aufgabe und Inhalt des Information Brokering. Wesentliche Merkmale zur Klassifikation des Information Brokering sind: 1. Datenbestand: intern oder extern verwalteter Datenbestand, 2. Personenkreis: Privatperson, Sachbearbeiter oder Manager, 3. Auslöser: aktives oder passives System, 4. Auswertungen: Recherchen oder Analysen. Ein Data Warehouse läßt sich dann folgendermaßen charakterisieren: Es ist ein unternehmensinternes, überwiegend passives System, richtet sich hauptsächlich an Manager und wird zur Analyse (Online Analytical Processing und Data Mining) des Datenbestandes verwendet. Damit stellt ein Data Warehouse eine wesentliche Technologie zur Unterstützung des betrieblichen Information Brokering dar. Online Analytical Processing (OLAP) erlaubt die Durchführung komplexer, multidimensionaler Analysen und geht somit über die reine Berichtsgenerierung heraus. Unter dem Begriff Data Mining versteht man das Herausfinden neuer, bisher nicht bekannter Zusammenhänge zwischen den Daten; z. B. mit Neuronalen Netzen. Für nähere Ausführungen zum Thema Online Analytical Processing bzw. Data Mining siehe z. B. /Berry & Linoff 97/, /Bollinger 96/, /Jahnke u.a. 96/, /Nakhaeizadeh 98/. Architektur eines Data Warehouse Ein idealtypisches Data Warehouse besteht nach /Muksch 96/ aus vier Komponenten (siehe dazu die folgende Abbildung 1): 1. Datenbasis, 2. Programme zum Einlesen und zur Transformation der Daten, 3. Metadatenbank, 4. Archivierungssystem.
3 Berichte Analysen Data Mining Data Warehouse interne und externe Datenquellen Metadaten Datenbasis Archivierungs- Datenimport und System Transformation Abbildung 1: Struktur und Komponenten eines Data Warehouse Die Datenbasis ist der Kern des Data Warehouse; es repräsentiert den mehrdimensionalen Datenwürfel, von dem noch später die Rede sein wird. Die Einlese- und Transformationsprogramme lesen die Daten der internen und externen Quellensysteme in das Data Warehouse ein und überführen sie in die internen Strukturen. Die Metadatenbank bietet dem Anwender Informationen über die Art der gespeicherten Daten und deren Auswertungsmöglichkeiten. Das Archivierungssystem letztendlich erlaubt die Auslagerung und/oder Verdichtung nicht mehr entscheidungsrelevanter Daten. Gelegentlich werden die Auswertungstools mit zum Data Warehouse gerechnet. Ein Data Warehouse kann nicht losgelöst vom gesamten Informations- und Kommunikaitonssystem eines Unternehmens betrachtet werden. Es muß in geeigneter Weise als Komponente in die DV-Landschaft eingebettet sein. In /Raasch 98/ wird eine Komponentenarchitektur als Basis eines modularen, integrierten Informationssystems vorgestellt, die aus den Subkomponenten Komponentenschnittstelle (mit eigener Datenhaltung), Vorgangssteuerung (mit eigener Datenhaltung), Fach/Domainmodell (mit eigener Datenhaltung), Interaktionssteuerung besteht; siehe dazu auch den Aufsatz Komponentenarchitektur für Informations-Brokering in diesem Band. Bei einem in die Struktur einer Anwendungskomponente eingebetteten Data Warehouse sorgt die Komponentenschnittstelle für die Versorgung des Data Warehouse mit den Daten der anderen (operationalen) Komponenten. Hierbei sind allerdings Transformationsprozesse in Form von Filterungen, Harmonisierungen, Verdichtungen und Anreicherungen notwendig /Kemper & Finger 98/. Das Fachmodell realisiert den logischen Datenwürfel. Es abstrahiert dabei von der internen Speicherung der Daten, die in einer relationalen, objektrelationalen, objektorientierten oder in einer speziellen multidimensionalen Datenbank erfolgen kann. Anforderungen an ein RDBMS aus Sicht eines Data Warehouse beschreibt /Reuter 96/; Anmerkungen zur Eignung objektorientierter Datenbanksysteme für den Einsatz im Data- Warehouse-Bereich finden sich in /Ohlendorf 96/; Architekturkonzepte multidimensionaler Data-Warehouse-Lösungen sind bei /Gluchowski 96/ beschrieben.
4 Fachmodell und Vorgangssteuerung zusammen stellen die Funktionalitäten für Auswertungen des Data Warehouse bereit, wie sie für Führungsinformationssysteme notwendig sind. Sie entsprechen damit der ROLAP-Engine von /Gluchowski 96/. Der mehrdimensionale Datenwürfel Die in einem Data Warehouse gespeicherten Daten kann man sich als mehrdimensionalen Würfel strukturiert denken. Die als Dimensionen bezeichneten Kanten des Würfels sind z. B. Zeit, Artikel, Branche, Region. Eine Dimension kann in mehrere Dimensions- oder Aggregationsebenen aufgeteilt sein; bei Artikel sind das z. B. Artikel Artikelgruppe Sparte und bei der Dimension Zeit Tag Woche Monat Jahr (die Aggregationsrichtung wird duch den Pfeil symbolisiert). Im allgemeinen ist davon auszugehen, daß Aggregation disjunkte Summation bedeutet. Der Wechsel von einer höheren zu einer niedrigeren Aggregationsebene einer Dimension (z. B. von Artikelgruppe zu Artikel) wird Drill-Down genannt; der umgekehrte Weg heißt Roll-up. Für jede Dimension und jede Aggregationsebene gibt es mehrere Ausprägungen. Das sind die einzelnen Zeitpunkte bzw. Zeiträume, die einzelnen Artikel, Artikelgruppen usw. Das Innere des mehrdimensionalen, von den Dimensionen aufgespannten Datenwürfels sind die zu den Dimensionsausprägungen gehörenden Fakten wie Umsatz, Absatz oder auch Return of Investment (= Gewinn / eingesetztes Kapital). Die Fakten sind also Funktionen der Dimensionen, wie z. B = Umsatz(XYZ GmbH, 1997). Jeder gespeicherte Wert ist von mehreren der Dimensionen abhängig; aber nicht notwendigerweise von allen. Analysen in einem Datenwürfel sind dann durch Hyperebenen repräsentiert, die durch den Datenwürfel gelegt werden. Dieses Analyseprinzip ist schon früher bei betriebswirtschaftlichen Kennzahlen verwendet worden (vgl. /Gerken 83/). Bei einem dreidimensionalen Würfel gibt es folglich zwei- und eindimensionale Datenanalysen. Datenmodellierung bei einem Data Warehouse Wie jede Datenbank muß auch ein Data Warehouse semantisch und logisch modelliert werden. Das üblicherweise verwendete Entity-Relationship-Modell ist allerdings für die Erstellung des semantischen Datenmodells bei einem Data Warehouse nicht geeignet, da es zwar Entitätstypen und deren Beziehungen modelliert, aber keine homogene Struktur erzwingt, wie sie bei einem mehrdimensionalen Datenwürfel vorliegt. Dies hat zur Folge, daß ein Benutzer die jeweiligen speziellen Typen und Beziehungen eines ER-Modells zur Navigation (Join-Bildung) genau kennen muß, während er bei einem Data Warehouse prinzipiell von einem einheitlichen mehrdimensionalen Datenwürfel ausgehen kann. Aus diesem Grund haben sich im Bereich Data Warehouse spezielle Modellierungsmethoden etabliert, wozu insbesondere das Star-Schema gehört; vgl. dazu z. B. /Hahne 98/, dort wird auch auf andere Modellierungstechniken wie das Snowflake-Schema eingegangen. Die grundlegende Idee des Star-Schemas ist es, die Daten eines Data Warehouse in die bereits erwähnten Kategorien Fakten und Dimensionen aufzuteilen und diese unterschiedlich zu modellieren und darzustellen.
5 Die folgende Abbildung 2 zeigt, wie ein Datenmodell nach dem Star-Schema aussehen kann. Die Fakten-Tabelle wird als Kreis/Ellipse dargestellt, die Dimensionstabellen als Rechteck. Die Beziehungen zwischen Dimensionen und Fakten sind implizit immer vom Typ 1:N. Zeit Region Verkäufe Branche Artikel Abbildung 2: Beispiel für ein Star-Schema Bei der Umsetzung in eine relationale Datenbank beinhaltet die Fakten-Tabelle Verkäufe Fremdschlüssel für jede Dimension und die Zahlenwerte für z. B. Anzahl der verkauften Artikel, Umsatz und Rabatt. Zur Selektion von Daten aus der Faktentabelle muß ein Join über sämtliche beteiligten Dimensionstabellen gebildet und anschließend eine Restriktion auf die auszugebenden Attribute durchgeführt werden. Branche Zeit Artikel Region BID Name... ZID Monat... AID Name... RID BuLand EDV 81 04/98 5 Stuhl 11 S.-Holst. 14 ÖPNV 6 Tisch... Verkäufe BID ZID AID RID Anzahl Umsatz Rabatt Tabelle 1: Logisches Datenmodell eines Star-Schemas
6 Mögliche verschiedene Aggregationsebenen einer Dimension, der sogenannte Drill-down- Baum, können durch eine 1:n-Beziehung einer Dimension auf sich selbst abgebildet werden, wie es z. B. von Stücklisten-Strukturen bekannt ist. Dieses und eine weitere, allerdings nichtnormalisierte Variante zur Realisierung von Dimensionshierarchien zeigt die folgende Tabelle 2. Region Region RID Ober-ID Name RID BuLand Kreis Krs. Pinneberg 13 S.-Holst. Pinneberg Krs. Ostholstein 14 S.-Holst. Ostholstein Krs. Steinburg 15 S.-Holst. Steinburg Krs. Segeberg 16 S.-Holst. Segeberg S.-Holst. 18 S.-Holst Tabelle 2: Dimensionshierarchien Verschiedene Autoren wie Codd und Reuter haben Anforderungen an ein Data Warehouse, die zugrunde liegende Datenbank bzw. ein OLAP-Tool aufgestellt; sie dazu /Codd 94/ bzw. /Jahnke u. a. 96/ und /Reuter 96/. So fordert Codd z.b. Generische Dimensionen Die Datendimensionen (des mehrdimensionalen Datenwürfels) müssen hinsichtlich ihrer funktionalen Fähigkeiten äquivalent sein. Unbegrenzte Anzahl von Dimensionen und Aggregationsebenen Obwohl in den meisten Fällen nicht mehr als 6 Datendimensionen bei einer Analyse benötigt werden, kann es doch sein, daß gelegentlich bis zu 20 Dimensionen erforderlich sind. Ein gutes OLAP-Produkte darf hier keine künstlichen, DV-technisch bedingten Restriktionen aufweisen. Wie diese Anforderungen erfüllt werden können, soll im nächsten Abschnitt gezeigt werden. Generische Datenstrukturen bei einem Data Warehouse Die oben vorgestellte Umsetzung eines Star-Schemas in eine relationale Datenbank ist zwar intuitiv und kann auch durch geeignete Zugriffsverfahren wie z. B. Bitlisten oder die mehrdimensionale Indizes verwaltenden UB-Bäume /Bayer 96/ unterstützt werden, ist aber schwerfällig bei Strukturänderungen beim zugrunde liegenden Datenwürfel. Das Hinzufügen neuer Dimensionen, neuer Aggregationsebenen innerhalb einer Dimension oder neuer Fakten ist immer mit Schemaänderungen verbunden. Der nachfolgend vorgeschlagene, generische Ansatz hat diese Nachteile nicht. Die Konzeption von generischen Strukturen, die mit den Anwendungsmodellen zu instantiieren sind, basiert auf dem Prinzip der Abstraktion /Loos 96/. Eine erste Änderung besteht darin, die bei /Hahne 98/ als Kennzahlen bezeichneten Fakten anders zu betrachten. Es wird zwischen dem Kennzahlbegriff (Attribut) und dem Wert (Attributwert) unterschieden; z. B. Kennzahl: Umsatz, Wert: 1,2 Mio. DM). Die Kennzahlen stellen dann, auf einer höheren Abstraktionsebene, eine eigene Dimension dar. Die ursprünglichen Fakten sind nur noch die Kennzahlenwerte. Dadurch ergibt sich ein neues logisches Datenmodell für die Tabelle Produktion. In Tabelle 3 ist dieser Sachverhalt dargestellt.
7 Verkäufe BID ZID AID RID Kennzahl Wert Anzahl Umsatz Rabatt Tabelle 3: Modifizierte Faktentabelle Bei dieser Lösung können ohne Datenstrukturänderungen neue Kennzahl(begriffe) hinzugefügt werden. Dimensionsänderungen haben aber immer noch Strukturänderungen zur Folge. Wenn auch dieses vermieden werden soll, kommt man zu noch einer anderen Lösung. Wenn man die ursprüngliche Faktentabelle kippt, erhält man je Dimensionswert ein eigenes Tupel. Die zu einem Fakt gehörenden Fremdschlüssel werden mit einem gemeinsamen künstlichen Schlüssel versehen. Verkäufe KEY Dimension ID Wert 1 Branche 13-1 Zeit 81-1 Artikel 5-1 Region 11-1 Kennzahl Anzahl Kennzahl Umsatz Kennzahl Rabatt Tabelle 4: Gekippte Faktentabelle Eine weitere Änderung bei der generischen Umsetzung eines mehrdimensionalen Datenwürfels betrifft die Dimensionstabellen. Es gibt keine unabhängigen Dimensionstabellen mehr. Wie Abbildung 3 zeigt, existieren statt dessen zwei Meta-Tabellen mit den Dimensionsbezeichnungen und mit den einzelnen Aggregationsebenen und eine Tabelle mit den Ausprägungen der einzelnen Dimensionen. Das Hinzufügen einer neuen Dimension oder einer neuen Ebene im Drill-down-Baum ist dann nicht mehr mit Schemaänderungen der Datenbank verbunden, sondern bewirkt nur das Einfügen neuer Tupel in die genannten Tabellen.
8 Dimensionen Aggregations- Dimensions- Faktenwerte ebenen werte Abbildung 3: Generisches, semantisches Datenmodell eines mehrdimensionalen Datenwürfels Die Pfeile stellen jeweils 1:n-Beziehungen dar. Die 1:n-Beziehung von Aggregationsebenen auf sich selbst ermöglicht die Definition mehrerer Aggregationsebenen innerhalb einer Dimension, z. B. Jahr, Monat, Woche, wie sie für das Roll-up bzw. Drill-down notwendig ist. Entsprechendes gilt für die Aggregation der Dimensionswerte; hier wird festgelegt, daß z. B. die Monate 01/98,..., 12/98 zum Jahr 1998 zu aggregieren sind. Die folgende Tabelle 5 stellt die beispielhafte Umsetzung dieses Konzepts in eine relationale Datenbank dar. Dimension Aggregationsebene Dim-Id Name Ebene-Id Name Dim-Id Ober-Id 1 Zeit 1 Jahr 1-2 Artikel 2 Monat Region 3 Sparte 2-4 Kennzahl 4 Produkt Branche 5 Bundesland 3-6 Kreis Kennzahl 4-8 Gruppe 5-9 Einzelbranche 5 8 Dimensionswerte Werte-Id Ebene-Id OberWert-Id Dim-Wert / Stuhl S.-Holst / Büromöbel Tisch Anzahl Umsatz Rabatt Pinneberg Dienstleistung EDV
9 Faktenwerte Gruppe DimWerte-Id Wert Tabelle 5: Generisches, logisches Datenmodell eines mehrdimensionalen Datenwürfels Mit dem Attribut Gruppe der Relation Faktenwerte werden alle die Tupel verbunden, die logisch zusammen gehören. Dazu zählen die Dimensionswerte des Star-Schemas (Null- Eintrag beim Attribut Wert) und die durch diese beschriebenen Kennzahlenwerte. Das Attribut DimWerte-Id verweist als Fremdschlüssel auf den zu einem Faktenwert-Tupel gehörenden Dimensionswert. Zum Beispiel besagen die Tupel mit Gruppe=2, daß der Umsatz im Jahr 1998 in der Sparte Büromöbel sich auf DM beläuft. Die Relation Dimensionswerte enthält alle Dimensionswerte; einschließlich ihrer Aggregationshierarchien, die über das Attribut OberWert-Id als Fremdschlüssel auf dieselbe Relation abgebildet werden. Wert-Id 11, Pinneberg, wird z. B. zum Dimensionswert 3, Schleswig-Holstein, aggregiert. Das Attribut Ebene-Id verweist auf die Aggregationsebene einer Dimension, zu der ein Dimensionswert gehört. So handelt es sich bei Wert-Id 3, Schleswig-Holstein, z. B. um ein Bundesland, das wiederum eine Aggregationsebene der Dimension Region ist. Dieser Zusammenhang ist aus dem Attribut Dim-Id der Relation Aggregationsebene ersichtlich. Vorteil dieses vorgeschlagenen Ansatzes ist, daß Strukturänderungen am mehrdimensionalen Datenwürfel was nach /Anahory & Murray 97/ häufig vorkommen kann - nicht mit Strukturänderungen beim logischen Datenmodell des Data Warehouse verbunden sind. Damit eignet sich ein generisches Data Warehouse besonders gut für eine automatische Generierung. Allerdings bedingt dieser Ansatz eine größere Anzahl von Tupeln in der Faktentabelle und einen höheren Speicherplatzbedarf. Die hardware-technologische Entwicklung dürfte diesen Nachteil aber relativieren. Beispiel: Die Faktentabelle Verkäufe nach Tabelle 1 mit Tupeln benötigt bei 2 Byte je Dimensions-Id und 4 Byte je Kennzahlenwert insges Byte. Eine entsprechende Fakten-Tabelle nach Tabelle 5 enthält Tupel. Unter der Annahme, daß eine Null- Eintrag 1 Byte benötigt, ergibt sich ein Speicherbedarf von Byte. Systembedingte Verwaltungsinformationen wurden dabei nicht betrachtet. Problematisch ist die Behandlung verschiedener Datentypen bei den einzelnen Dimensionen bzw. Aggregationsebenen. Im ersten Ansatz kann bei der Umsetzung in ein RDBMS für das Attribut Dim-Wert als Typ CHAR() bzw. VARCHAR() gewählt werden.
10 Ausblick und Danksagung Im Sommersemester 1998 wurde im Rahmen des SEVERS-Projekts von einer Gruppe von Studenten ein generisches Data Warehouse prototypisch implementiert. Implementierungssprache war Java, als Entwicklungs-Tool kam Visual Age und als Datenbank das RDBMS Sybase zum Einsatz. Effizienz- und Performanceuntersuchungen stehen allerdings noch aus. An der Entwicklung der Anwendungsarchitektur und des generischen Data Warehouse haben im SEVERS-Projekt viele Studierende des Studiengangs Softwaretechnik an der FH Hamburg sehr engagiert mitgearbeitet. An dieser Stelle herzlichen Dank. Mein besonderer Dank gilt meinem Kollegen Herrn Prof. Dr. Jörg Raasch für seine Arbeiten zum Thema Komponentenarchitektur. Literatur /Anahory & Murray 97/ Anahory S., Murray D.: Data Warehouse, Addison Wesley, Bonn Reading 1997 /Bayer 96/ Bayer R.: The Universal B-Tree for multidimensional Indexing, TU München I9637, München 1996 /Berry & Linoff 97/ Berry M., Linoff G.: Data Mining Techniques, Wiley & Sons, New York 1997 /Bollinger 96/ Bollinger T.: Assoziationsregeln, Analyse eines Data Mining Verfahrens, in: Informatik Spektrum 5/96, S. 257 ff. /Chamoni & Gluchowski 98/ Chamoni P., Gluchowski P. (Hrsg.): Analytische Informationssysteme, Springer Verlag, Berlin - Heidelberg - New York 1998 /Codd 94/ Codd E. F.: Online Analytical Processing mit TM/1, Dt. Übersetzung, M.I.S. GmbH, Darmstadt 1994 /Gerken 83/ Gerken W.: Computergestützte Kennzahlen-Analysesysteme, CAU, Kiel 1983 /Gerken 97/ Gerken W.: Data Warehouse Datengrab oder Informationspool? in: Versicherungswirtschaft 8/97, S. 506 ff. /Gluchowski 96/ Gluchowski P.: Architekturkonzepte multidimensionaler Data-Warehouse- Lösungen, in: /Muksch & Behme 96/, S. 229 ff. /Hahne 98/ Hahne M.: Logische Datenmodellierung für das Data Warehouse, in: /Chamoni & Gluchowski 98/, S. 103 ff. /Inmon 92/ Inmon W.: Building the Data Warehouse, Wiley & Sons, New York 1992 /Jahnke u.a. 96/ Jahnke B., Groffmann H.-D., Kruppa S.: On-Line Analytical Processing (OLAP), in: Wirtschaftsinformatik 3/96, S. 321 ff.
11 /Kemper & Finger 98/ Kemper H.-G., Finger R.: Datentransformation im Data Warehouse, in: /Chamoni & Gluchowski 98/, S. 61 ff. /Loos 96/ Loos P.: Geschäftsprozeßadäquate Informationssystemadaption durch generische Strukturen, in: G. Vossen, J. Becker (Hrsg.), Geschäftsprozeßmodellierung und Workflow-Management, Thomson Publishing, Bonn 1996, S. 162 ff. /Muksch & Behme 96/ Muksch H., Behme W.: Das Data-Warehouse-Konzept, Architektur Datenmodelle Anwendungen, Gabler Verlag, Wiesbaden 1996 /Nakhaeizadeh 98/ Nakhaeizadeh G. (Hrsg.): Data Mining, Springer Verlag, Berlin Heidelberg New York 1998 /Ohlendorf 96/ Ohlendorf T.: Objektorientierte Datenbanksysteme für den Einsatz im Data- Warehouse-Konzept, in: /Muksch & Behme 96/, S. 205 ff. /Raasch 98/ Raasch J.: Eine Komponentenarchitektur für Versicherungsanwendungen, in: Versicherungswirtschaft 8/98, S. 514 ff. /Reuter 96/ Reuter A.: Das müssen Datenbanken im Data Warehouse leisten, in: Datenbank Fokus 2/96, S. 28 ff.
Workflowmanager. Provisionsermittlung. Text- Entkopplungs- und Schnittstellenschicht Systemplattform
Ein generisches Data Warehouse im Kontext einer Anwendungsarchitektur Prof. Dr. Wolfgang Gerken Fachhochschule Hamburg FB Elektrotechnik/Informatik Berliner Tor 3 20099 Hamburg E-Mail: gerken@informatik.fh-hamburg.de
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
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..
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
Online Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
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
Vorwort zur 5. Auflage... 15 Über den Autor... 16
Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung
Einführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
Komponenten und Architekturen von Analytischen Informationssystemen (AIS)
Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.
Aufgabe 1: [Logische Modellierung]
Aufgabe 1: [Logische Modellierung] a) Entwerfen Sie für das von Ihnen entworfene Modell aus Aufgabe 2 des 1. Übungsblattes ein Star-Schema. b) Entwerfen Sie für das vorangegangene Modell einen Teil eines
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
Entscheidungsunterstützungssysteme
Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business
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
Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen
Christoph Arnold (B. Sc.) Prof. Dr. Harald Ritz Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen AKWI-Tagung, 17.09.2012, Hochschule Pforzheim Christoph Arnold, Prof. Dr. Harald
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
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)
Hetero-Homogene Data Warehouses
Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung
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...............
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...
Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
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
Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII
Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte
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
2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45
Vorwort 15 Teil I Grundlagen 19 i Einführung In das Thema Datenbanken 21 I.I Warum ist Datenbankdesign wichtig? 26 i.2 Dateisystem und Datenbanken 28 1.2.1 Historische Wurzeln 29 1.2.2 Probleme bei der
Logische Modelle für OLAP. Burkhard Schäfer
Logische Modelle für OLAP Burkhard Schäfer Übersicht Einführung in OLAP Multidimensionale Daten: Hypercubes Operationen Formale Grundlagen Zusammenfassung Einführung in OLAP Verfahren zur Analyse großer
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
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
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
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 -
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
Business Intelligence Data Warehouse. Jan Weinschenker
Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data
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
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
Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de
Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Data Warehouse Architektur Data-Warehouse-System Teilsichten
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
Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel
Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck
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
Management Support Systeme
Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte
Software-Engineering und Datenbanken
Software-Engineering und Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Prof. Dr. Bernhard Schiefer 1-1 Wesentliche Inhalte Begriff DBS Datenbankmodelle
Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse
Wirtschaftsinformatik 2. Tutorium im WS 11/12
Wirtschaftsinformatik 2. Tutorium im WS 11/12 Entity/Relationship-Modell SQL Statements Tutorium Wirtschaftsinformatik WS 11/12 2.1 Datenmodellierung mit ERM (1) Datenmodellierung zur Erarbeitung des konzeptionellen
4 Grundlagen der Datenbankentwicklung
4 Grundlagen der Datenbankentwicklung In diesem Kapitel werden wir die Grundlagen der Konzeption von relationalen Datenbanken beschreiben. Dazu werden Sie die einzelnen Entwicklungsschritte von der Problemanalyse
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
eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator
eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile
Star - Schema. AnPr. Name Klasse Datum. ANPR_StarSchema_v03.docx Seite 1
Name Klasse Datum 1 OLAP vs. OLTP In den RDBMS Konfigurationen unterscheidet man zwei verschiedene Grundtypen: OLTP: OnLine Transactional Processing ist für die Transaktionsprozesse und somit zur funktionalen
ENTERBRAIN Reporting & Business Intelligence
Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit
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
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?
Multidimensionale Datenbanksysteme
Multidimensionale Datenbanksysteme Modellierung und Verarbeitung Von Dr.-Ing. Wolfgang Lehner IBM Almaden Research Center, San Jose, USA Technische Universität Darrr:ctadi FACHBEREICH INFORMATIK BIBLIOTHEK
Business Intelligence
Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.
Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert
Maika Büschenfeldt Datenbanken: Skript 1 1. Was ist eine relationale Datenbank? In Datenbanken können umfangreiche Datenbestände strukturiert abgelegt werden. Das Konzept relationaler Datenbanken soll
IT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
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...
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
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
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...
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
3 Bereitstellung von Informationen zur Aufgabenerfüllung
1 3 Bereitstellung von Informationen zur Aufgabenerfüllung Die Bereitstellung, der auf aufgrund der bisherigen Aufgaben hinsichtlich der Informationsmanagement (siehe Kapitel 1 und 2) benötigten Informationen,
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
IT-Kompaktkurs. Datenbanken Skript zur Folge 5. Prof. Dr. Georg Herde Fachhochschule Deggendorf
IT-Kompaktkurs Skript zur Folge 5 Prof. Dr. Georg Herde Fachhochschule Deggendorf Semantisches Datenmodell, Entity-Relationship, Normalformen Bei der Entwicklung einer Datenbank wird das Ziel angestrebt,
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:
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
Komponenten und Architekturen von Analytischen Informationssystemen (AIS)
Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen
Schlüssel bei temporalen Daten im relationalen Modell
Schlüssel bei temporalen Daten im relationalen Modell Gesine Mühle > Präsentation > Bilder zum Inhalt zurück weiter 322 Schlüssel im relationalen Modell Schlüssel bei temporalen Daten im relationalen Modell
Data Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 16 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining operationale DB operationale DB operationale DB Data Warehouse operationale
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
Einführung. Informationssystem als Abbild der realen Welt
Was ist ein Datenbanksystem? Anwendungsgrundsätze Betrieb von Datenbanksystemen Entwicklung von Datenbanksystemen Seite 1 Informationssystem als Abbild der realen Welt Modellierung (Abstraktion) Sachverhalte
IT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.
ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.de insight und dynasight sind eingetragene Markenzeichen der
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
Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement
Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement 1 Übersicht - Datenmanagement 1 Übersicht - Datenmanagement...1 2 Übersicht: Datenbanken - Datawarehouse...2 3 Übersicht: Data Mining...11
Wirtschaftsinformatik - 1.Tutorium im WS 11/12
Wirtschaftsinformatik - 1.Tutorium im WS 11/12 Organisatorisches Planung, Realisierung und Einführung von Anwendungssystemen Analyse und Gestaltung inner- und zwischen-betrieblicher Abläufe: ARIS Ereignisgesteuerte
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
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
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
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
Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse
Komponenten und Architekturen von Analytischen Informationssystemen
Komponenten und Architekturen von Analytischen Informationssystemen Sommersemester 2013 Prof Dr. Peter Gluchowski Literatur zur Vorlesung AIS/BIS Gluchowski, Peter; Gabriel, Roland; Dittmar, Carsten: Management
Semantische Integrität (auch: Konsistenz) der in einer Datenbank gespeicherten Daten als wichtige Anforderung
6. Datenintegrität Motivation Semantische Integrität (auch: Konsistenz) der in einer Datenbank gespeicherten Daten als wichtige Anforderung nur sinnvolle Attributwerte (z.b. keine negativen Semester) Abhängigkeiten
Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert. Entität kann in einer oder mehreren Unterklassen sein
1 Definitionen 1.1 Datenbank Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert Integriert, selbstbeschreibend, verwandt 1.2 Intension/Extension Intension: Menge der Attribute Extension:
Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung
Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 24. Juni 2014 Agenda Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen
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
6 HANA-optimierte InfoCubes
117 HANA-optimierte InfoCubes bilden im»sap BW powered by SAP HANA«das Pendant zu relationalen InfoCubes in BW-Systemen mit relationalen Datenbanksystemen. Obwohl ihr Modell wesentlich auf die spaltenorientierte
Informatik II Datenorganisation Datenbanken
Informatik II Datenorganisation Datenbanken Studiengang Wirtschaftsingenieurwesen (2. Semester) Prof. Dr. Sabine Kühn Tel. (0351) 462 2490 Fachbereich Informatik/Mathematik skuehn@informatik.htw-dresden.de
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
Allgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
3. Das Relationale Datenmodell
3. Das Relationale Datenmodell Das Relationale Datenmodell geht zurück auf Codd (1970): E. F. Codd: A Relational Model of Data for Large Shared Data Banks. Comm. of the ACM 13(6): 377-387(1970) DBMS wie
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:
Datenqualität erfolgreich steuern
Edition TDWI Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte von Detlef Apel, Wolfgang Behme, Rüdiger Eberlein, Christian Merighi 3., überarbeitete und erweiterte Auflage
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
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
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
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
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
Seminar Data Warehousing. Seminar. Data Warehousing. Thema: Speichermodelle für Data-Warehouse-Strukturen
Seminar Data Warehousing Thema: Speichermodelle für Data-Warehouse-Strukturen Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Institut für Informatik Lehrstuhl für Datenbanken
Anwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses
Anwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses Einführung Einer der Nachteile der Data Warehouse Technologie besteht daran, dass in einem Data Warehouse (DWH ) nur Momentaufnahmen
Vorlesung Informatik II
Vorlesung Informatik II Universität Augsburg Wintersemester 2011/2012 Prof. Dr. Bernhard Bauer Folien von: Prof. Dr. Robert Lorenz Lehrprofessur für Informatik 08. Exkurs: Datenbanken 1 Motivation Datenbanksysteme
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
Datenbanken und Informationssysteme
Datenbanken und Informationssysteme Lehrangebot Stefan Conrad Heinrich-Heine-Universität Düsseldorf Institut für Informatik April 2012 Stefan Conrad (HHU) Datenbanken und Informationssysteme April 2012
Definition Informationssystem
Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation