Data Warehousing. Matthias Conrad 97I1. DB Oberseminar
|
|
- Georg Dunkle
- vor 2 Jahren
- Abrufe
Transkript
1 Data Warehousing Matthias Conrad 97I1 DB Oberseminar 1
2 Inhaltsverzeichnis Einführung DWH - Architektur Akquisition Multidimensionales Datenmodell Materialisierte Sichten Metadaten Ausblick Referenzen 2
3 Einführung DWH 3
4 Einführung A Data Warehouse is a subject-oriented oriented, integrated,, non-volatile, and time variant collection of data in support of managements decisions. (W.H. Inmon 1996) 4
5 Einführung Unternehmen stehen heute immer mehr Daten elektronisch zur Verfügung Großer Druck diese zur Unterstützung des Entscheidungsprozesses einzusetzen Viele Daten können nicht genutzt werden ( da nicht in interpretierbarer Art vorliegend, sich diese auf verschiedenen Systemen befinden ) Braucht Systeme die Daten zu Informationen aufwerten Technologien, die Daten aus verschiedenen Quellen in fundierte, einheitlich strukturierte Informationen auswerten, werden unter dem Begriff des Data Warehousing zusammengefasst. 5
6 Einführung Achtziger Jahren kamen erste Datenmodelierungsmethoden auf Erlaubte die Anforderungen an die Daten und die dazu benötigten Strukturen formal zu dokumentieren Notwendigkeit einer Struktur und Architektur in Bezug auf die Datenbeschaffung um Übersicht zu behalten Ende der achtziger Jahre Unterscheidung zwischen operativen und analytischen Informationssystemen OLTP ( On-line Transaction Processing ) OLAP ( On-line Analytic Processing ) 6
7 Einführung operative analytische Datenbanken Einsatz Daten Verarbeitung Eigenschaften Grösse Operative DB operatives Geschäft aktuell, isoliert, detailliert Transaktionen, häufige Änderungen Konsistenz, Vollständigkeit MB...GB Analytische DB Analyse, Entscheidungsunterst. historisiert, integriert, detailliert, aggregiert Anfragen, Ergänzungen Qualität, Richtigkeit GB...TB 7
8 Einführung Analytische DB hauptsächlich entworfen um die Ausführung von komplexen meist read-only Anfragen zu unterstützen Anfragedurchsatz und Antwortzeit, wichtiger als Transaktionsdurchsatz Die Industrie war nun vor neue Anforderungen gestellt Technologische Einschränkungen, vor allem um Informationen von verschiedenen heterogenen Systemen zusammenzubringen, behinderten die Entwicklung von OLAP-Systemen. 8
9 Einführung Die Data Warehousing Technologie zielt darauf hin, Lösungen für diese Probleme zu liefern Seit Mitte der neunziger Jahre ist DWH ein fester Bestandteil unserer Informationsgesellschaft 9
10 Einführung Die Anforderung an ein Data Warehouse sind : Informationen einer Unternehmung zugänglich machen Der Inhalt der Daten muss klar, verständlich sein Schnelle Ausführung von Anfragen mit minimaler Wartezeit Informationen konsistent halten Sämtliche Informationen sind vollständig und erklärt Anpassbar und flexibel Das Informationsvermögen sollte gut vor Missbrauch geschützt sein Es soll die beste Grundlage für den Entscheidungsprozess bieten, so dass sich die getroffenen Entscheidungen auch bewähren 10
11 Einführung Anwender: Manager Abteilungsleiter Fachkräfte Formen der Bereitstellung : Query-Ansätze: frei definierbare Anfragen und Berichte Reporting: Zugriff auf vordefinierte Berichte Redaktionell aufbereitete, personalisierte Informationen 11
12 Einführung Betriebswirtschaftliche Anwendungen Analyse Detaillierte Analyse der Daten zur Untersuchung von Abweichungen oder Auffälligkeiten Planung Unterstützung durch explorative Datenanalyse Aggregierung von Einzelplänen 12
13 Einführung Kampagnenmanagement Unterstützung strategischer Kampagnen Kundenanalyse, Risikoanalyse Beispiel: Wal Mart (www.wal-mart.com) - Größe: ca. 25 TB - Täglich bis zu DWH-Anfragen - Basis für Warenkorbanalyse, Kundenklassifizierung 13
14 Einführung Wissenschaftliche Anwendungen Projekt Earth Observing System (Klima- und Umweltforschung) täglich ca. 1,9 TB meteorologischer Daten Aufbereitung und Analyse (Data Mining) Öffentlicher Bereich: DW mit Umwelt- oder geographischen Daten (z.b. Bodenanalysen) 14
15 DWH Architektur 15
16 DWH Architektur Anforderungen an ein Data Warehouse Unabhängigkeit zwischen Datenquellen und Analysesystemen Dauerhafte Bereitstellung integrierter Daten Mehrfachverwendbarkeit von Daten Durchführung von Auswertungen Erweiterbarkeit des DWH Zweckorientiert Unterstützung individueller Sichten 16
17 DWH Architektur Ein DWH System beinhaltet das Data Warehouse sowie alle Komponenten, die für die Entwicklung, den Unterhalt und den Zugriff auf das DWH benötigt werden. Akquisition Speicherung Zugriff Operative Systeme Extraktion Integration Bereinigung DWH Data Marts Anfragen & Berichte OLAP Data Mining Externe Quellen Metadaten Repository... 17
18 DWH Architektur Daten werden von operativen Systemen / externen Quellen bezogen Die Quellen sind autonome Komponenten DWH System hat keine Kontrolle über Inhalt und Form der Daten in den Quellen Der Bereich Akquisition dient der Datenaufbereitung Dies beinhaltet : bereinigen vervollständigen kombinieren aggregieren Daten werden im Anschluss in das eigentliche DWH überführt 18
19 DWH Architektur Im eigentlichen DWH werden die Daten abgespeichert Meistens in Data Marts (Daten Märkten) Data Marts sind Teilmengen eines DWH Natürliche Trennung (Unternehmensbereiche...) Durch die Erstellung von Data Marts können die Abfragen beschleunigt werden In vielen Fällen werden Data Marts eingesetzt weil : Anwenderzugriffswerkzeuge Zugriffsrestriktionen besondere Datenschutzbestimmungen es erfordern 19
20 DWH Architektur Zugriffskomponente aller Applikationen OLAP Data Mining Der Endbenutzer des Data Warehouse greift nur über diese Zugriffskomponente auf die Daten im System zu Hier werden also die Informationen gewonnen Weitere Informationen über OLAP / Data Mining siehe Maik Kurzhals (OLAP) ( Katja Wachsmuth (Data Mining)) 20
21 DWH Architektur Zusätzlich gibt es Metadaten Managementkomponente Definiert, pflegt und arbeitet mit den verschiedenen Typen von Metadaten Allgemein sind Metadaten als Daten über Daten definiert DWH gibt es verschiedene Typen von Metadaten Informationen über Struktur Informationen über Semantik der Daten Informationen über den Unterhalt und den Zugriff auf das DWH Dient dem schnellen und sicheren Auffinden der benötigten Daten / Informationen 21
22 Akquisition 22
23 Akquisition Ziel: Beschaffung und Aufbereitung von Daten für das DWH Aufgaben: Extraktion Transformation Bereinigung Vervollständigung Integration Datenakquisition sehr aufwendig 60 % bis 80 % der Projektzeit Unterschiedliche Art der Datenquellen Qualität t der extrahierten Daten Datenvolumina Limitiertes Zeitfenster 23
24 Akquisition Datenextraktion - Aus operativen Quellen ausgelesen in Staging Area zwischengespeichert - Meist über Standard-Middleware ausgelesen (z.b. ODBC) - Bei älteren Datenquellen muss ein spezieller Extraktor erstellt werden Aktualisierung Datentransformation - Daten liegen unterschiedlichen, quellenabhängigen Formaten vor - Umwandlung in einheitliche Struktur 24
25 Akquisition Datenbereinigung - Ungenügende Qualität der Daten (unvereinbare Datenformate, fehlende Werte, unlesbare Teile, Duplikate, Tippfehler) garbage in, garbage out - Zu beachten : Korrektheit Konsistenz Vollständigkeit Aktualität Glaubwürdigkeit Redundanz Verständlichkeit Verfügbarkeit 25
26 Akquisition Datenvervollständigung - Behandlung fehlender Werte - Berechnen abgeleiteter Werte - Bilden von Aggregationen Datenintegration - Zusammenmischen der Daten anhand der definierten Beziehungen - Datenintegration über Mapping-Tabellen 26
27 Akquisition Laden ins DWH Letzter Schritt der Datenakquisition Laden der Daten aus Staging Area ins DWH Logisches Schema des DWH wird beeinflusst Daten werden mittels Regeln ins DWH eingefügt ( dabei indexiert und sortiert ) Monitoring Nach der Initialisierung des DWH fortlaufende Überwachung der Quellsysteme 27
28 Multidimensionales Datenmodell 28
29 Multidimensionales Datenmodell Datenmodell ausgerichtet auf Unterstützung der Analyse Entscheidungsprozeß Betrachtung der Kennzahlen aus unterschiedlichen Perspektiven (zeitlich, produktbezogen) Dimensionen Kennzahlen/Fakten (engl. facts): Numerische Messgrößen Beschreiben betriebswirtschaftliche Sachverhalte Beispiele: Umsatz, Gewinn, Verlust Typen: Additive Fakten Semi-additive Fakten Nicht-additive Fakten 29
30 Multidimensionales Datenmodell Dimension: Beschreibt mögliche Sicht auf die Kennzahl / Fakten Endliche Menge von n (n >= 2) Dimensionselementen die eine semantische Beziehung aufweisen Beispiele: Produkt, Geographie, Zeit Hierarchien in Dimensionen Einfache Hierarchien Parallele Hierarchien Würfel 30
31 Multidimensionales Datenmodell Würfel ( engl. cube ) Grundlage der multidimensionalen Analyse Kanten ( Dimensionen ) Zellen ( ein oder mehrere Kennzahlen ) Visualisierung: 2 Dimensionen: Tabelle 3 Dimensionen: Würfel >3 Dimensionen: Multidimensionale Domänenstruktur 31
32 Multidimensionales Datenmodell Würfel am Beispiel eines Kaufhauses Zeit P r o d u k t Filiale Kennzahl / Fakten z.b.: Umsatz 32
33 Multidimensionales Datenmodell Days Dimension Create Table Days ( date_desc desc DATE, day_wh NUMBER, day_of_year year NUMBER, day_of_month NUMBER, month_desc VARCHAR2(9), month_number number NUMBER, quarter NUMBER, week_of of_year NUMBER, year NUMBER ) TABLESPACE USERS; ALTER TABLE Days ADD CONSTRAINT Dayl_UK UNIQUE(day_WH); 33
34 Multidimensionales Datenmodell CREATE FORCE DIMENSION Days_DIM LEVEL YearL IS DAYS.year LEVEL QuarterL IS DAYS.quarter YearL LEVEL MonthL IS DAYS.day_of_month LEVEL WeekL IS DAYS.week week_of of_year LEVEL DayL IS DAYS.day_WH WeekL HIERARCHY DMQY ( DayL CHILD OF MonthL CHILD OF QuarterL CHILD OF YearL ) DayL HIERARCHY dwy ( DayL CHILD OF WeekL CHILD OF YearL ) ATTRIBUTE MonthL DETERMINES (ml_month month_desc,ml_,ml_month_number) ATTRIBUTE DayL DETERMINES (dl_date_desc desc,dl_day_of_,dl_day_of_year); 34
35 Multidimensionales Datenmodell OLAP-Operationen Operationen zielen auf die multidimensionalen Datenstrukturen ab Standardoperationen Pivotierung / Rotation Roll-Up, Drill-Down Down Drill-Across Slice, Dice 35
36 Materialisierte Sichten 36
37 Materialisierte Sichten Ein mögliche Realisierung eines DWH ist die Speicherung von Daten aus einer oder mehreren operativen Datenbanken in Form von materialisierten Sichten Um so schnellen Zugriff auf die Daten zu ermöglichen unabhängig von der Verfügbarkeit der Datenquellen Sonst Konsistenz schnell verloren / Daten unbrauchbar werden Eine Sicht wird aus einer Funktion und einer oder mehreren Basisrelationen generiert und ist selbst wieder eine Relation Sicht wird physisch auf dem Datenträger gespeichert ( Unabhängigkeit gegenüber den Quelldaten ) 37
38 Materialisierte Sichten RST RS TS RT R S T 38
39 Materialisierte Sichten CREATE VIEW <Sichtname> [(Spalte1, Spalte2...)] AS SELECT <Tabellenname Spaltennamen> FROM <Tabellenname/ Viewname> WHERE <Suchbedingung> CREATE VIEW spiel_verk verk_2000 AS SELECT f.stadt, f.manager, v.verkaufs_id id,, v.monat, g.gegenst Gegenst_id,, g.gegenst Gegenst_name,, l.linien_id id,, l.verkaufs_preis FROM Filiale f, Verkauf v, Linie l, Gegenstand g WHERE f.filialen_id id = v.filialen_id id and v.verkaufs_id = l.verkaufs_id and l.gegenst Gegenst_id = g.gegenst Gegenst_id and f.land = D and v.jahr = 1999 and g.kategorie = Spielwaren 39
40 Materialisierte Sichten Erstellung/Initialisierung von Sichten - Nach Modellierung der MS müssen diese im System spezifiziert werden - Integrationskomponente beauftragt, die entsprechenden Daten aus den Quellen zu holen - Diese nach den Vorgaben die MS zu erstellen - Diese werden im DWH abgespeichert - Sind nun für den Benutzer verfügbar Benutzer DWH Anfrage- und Analysekomponente Datenintegrationskomponente Q1 Q2 Qn 40
41 Materialisierte Sichten Konsistenz - Sicherstellung der Konsistenz nach Änderungen in den Quellbeständen - Drei verschiedene Konsistenzbereiche : Multiple Sichtenkonsistenz Sicht 1 Sicht 2... Sicht n Sichtenkonsistenz Quellenkonsistenz Datenquelle 1 Datenquelle 2... DQ n 41
42 Materialisierte Sichten Oftmals Änderungen im Quelldatenbestand Auswirkung auf das DWH Die MS müssen so angepasst werden, damit Konsistenz erhalten bleibt Methoden : DWH sendet Anfragen an die Quelle, worauf diese die Antworten auf die Anfragen ans DWH liefert Die Quelle sendet automatisch Updates an das DWH, woraufhin das Update auf die Sichten angewendet wird 42
43 Metadaten 43
44 Metadaten Metadaten -- Daten über den Daten, nehmen im DWH eine Schlüsselrolle ein Beschreiben z.b. die im DWH vorhandenen 0 und 1 und ermöglichen deren Interpretation. Zu den Metadaten zählen : - Konzeptuelle Entwurf - Programmcodes - Sicherheitseinrichtungen - Namen und Eigenschaften von Tabellen - Weitere Informationen über Tabellen - Aus welchen operationalen Systemen die Daten ins DWH gelangt sind 44
45 Metadaten Klassifikation von Metadaten Nach Benutzung Technische Metadaten Logisches und konzeptuelles Datenmodell DWH -Tabellennamen, - Schlüssel und - Indizes (z.b. in der Form von Code) Verantwortlichkeiten und Zugriffsrechte innerhalb des DWH Geschäftliche Metadaten Namen der Tabellen und Attribute (in klaren Bezeichnungen) Zeitpunkt der Aktualisierungen Abfragungs- und Navigationspfade 45
46 Metadaten Verfeinerung der Klassifikation - Typ : Primärdaten Metadaten für Prozesse - Abstraktion : Modellierung konzeptuell, logisch und physisch - Erstellungs- / Verwendungszeitpunkt Erstellungszeitpunkt Entwurfsmetadaten Aufbaumetadaten Benutzungsmetadaten Verwendungszeitpunkt CASE-Werkzeuge Transformations- und Qualitätsregeln OLAP 46
47 Metadaten Die Metadaten werden im Metadaten-Repository gespeichert Dem Repository vorgelagert befindet sich der Metadaten-Manager Manager über den der gesamte Zugriff und Austausch erfolgt Entwicklungs- werkzeuge Zugriffe durch Benutzer Administration Analyse- werkzeuge Metadaten-Manager Manager Metadaten Repository 47
48 Metadaten Das Metadaten Repository soll allen Benutzergruppen einen optimalen Informationsgewinn aus dem DWH ermöglichen Diverse Standards : Open Information Model (OIM) Common Warehouse Model (CWM) welche auf unterschiedliche Art und Weise Metadaten strukturieren und austauschen 48
49 Ausblick 49
50 Ausblick DWH raschen Veränderungen unterworfen Der Markt wächst extrem schnell Ende 1998 betrug er 5 Milliarden US$ 2002 auf 21 Mrd. US$ prognostiziert DWH sehr dynamisch Kontinuierliche Weiterentwickelung Unternehmen ohne die Informationen aus einem DWH müssen Wettbewerbsnachteile in Kauf nehmen 50
51 Referenzen Wolfgang Martin Data Warehousing TECHNET.ORACLE.COM ORACLE.COM OWB Users Guide Institut für Informatik der Universität Zürich W.H. Inmon Building the Warehouse Bauer, Günzel Data Warehouse Architektur, Entwicklung, Anwendung 51
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
Einführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien
Einführung Gegenstand der Vorlesung fi Data Warehouse: Sammlung von Technologien zur Unterstützung von Entscheidungsprozessen fi Herausforderung an Datenbanktechnologien Datenvolumen (effiziente Speicherung
Data Warehousing und Data Mining
2 Data Warehousing und Data Mining Kapitel 1: Data-Warehousing-Architektur von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich zum letzten Jahr? In welchen Regionen
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
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...............
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
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...
Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube
Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch
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
Kapitel 4: Data Warehouse Architektur
Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale
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
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
Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel
Data Warehousing Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 Analyse von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich
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
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
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?
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
Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II.
II. bereitstellung Kapitel II bereitstellung 1 2 II. bereitstellung II.1 Grundlagen Collect Initial Data identify relevant attributes identify inconsistencies between sources Describe Data characterize
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
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 -
Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery
Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources
Data Warehousing: Anwendungsbeispiel
Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale
1. Einführung. Szenario: Getränkemarkt. DB-Schema. Motivation Überblick Anwendungen Abgrenzung Begriff Data Warehouse DW-Architektur Benchmarks
. Einführung Motivation Überblick Anwendungen Abgrenzung Begriff Data Warehouse DW-Architektur Benchmarks Sattler / Saake Data-Warehouse-Technologien Szenario: Getränkemarkt Umsatz, Portfolio SSaufland
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
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
30. Juni 2006 - Technische Universität Kaiserslautern. Paul R. Schilling
30. Juni 2006 - Technische Universität Kaiserslautern Paul R. Schilling ! " #$% & '( ( ) *+, - '. / 0 1 2("$ DATEN SIND ALLGEGENWÄRTIG Bill Inmon, father of data warehousing Unternehmen In einer vollkommenen
Vorlesung Datenbankmanagementsysteme
Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse & Einführung Online Analytical Processing (OLAP) (auf Basis von Oracle) Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse M. Lange, S.
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..
Online Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
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
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
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.
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
good. better. outperform.
good. better. outperform. Quo Vadis Oracle BI Relational oder besser multidimensional? DOAG 2013 Business Intelligence, 17.04.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence
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
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...
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
Informationssysteme: Neuere Konzepte Teil II
Informationssysteme: Neuere Konzepte Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser
Data Warehousing Grundbegriffe und Problemstellung
Data Warehousing Grundbegriffe und Problemstellung Dr. Andrea Kennel, Trivadis AG, Glattbrugg, Schweiz Andrea.Kennel@trivadis.com Schlüsselworte Data Warehouse, Cube, Data Mart, Bitmap Index, Star Queries,
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
Merkblatt DWH. Mittwoch, 6. Januar 2016 13:55. Info Seite 1
Info Seite 1 Merkblatt DWH Mittwoch, 6. Januar 2016 13:55 Version: 1.0.0 Study: 3. Semester, Bachelor in Business and Computer Science School: Hochschule Luzern - Wirtschaft Author: Janik von Rotz (http://janikvonrotz.ch)
Datawarehouse Architekturen. Einheitliche Unternehmenssicht
Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA
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?
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
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
Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH
Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich
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
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
Data Warehouse und Data Mining
Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine
Frühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil
Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches
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
3.17 Zugriffskontrolle
3. Der SQL-Standard 3.17. Zugriffskontrolle Seite 1 3.17 Zugriffskontrolle Datenbanken enthalten häufig vertrauliche Informationen, die nicht jedem Anwender zur Verfügung stehen dürfen. Außerdem wird man
Data-Warehouse-Technologien
Data-Warehouse-Technologien Prof. Dr.-Ing. Kai-Uwe Sattler 1 Prof. Dr. Gunter Saake 2 1 TU Ilmenau FG Datenbanken & Informationssysteme 2 Universität Magdeburg Institut für Technische und Betriebliche
Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede
Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude 20.20 Rechenzentrum,
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
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)
Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen
Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights
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
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
BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
Data Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
O-BIEE Einführung mit Beispielen aus der Praxis
O-BIEE Einführung mit Beispielen aus der Praxis Stefan Hess Business Intelligence Trivadis GmbH, Stuttgart 2. Dezember 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg
1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
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
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
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
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
David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects
Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und
Architektur eines Data Warehouse Systems. Mario Jandeck
Architektur eines Data Warehouse Systems Mario Jandeck Agenda Folie 2 von 24 1. Die Referenzarchitektur 2. Komponenten des Data Warehouse Systems 3. Datenbeschaffung und Qualität 4. Analyse im Data Warehouse
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
Nach Data Warehousing kommt Business Intelligence
Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative
Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle
Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die
Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link
Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas
Frühjahrsemester 2010. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil
Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches
Vorwort zur 5. Auflage... 15 Über den Autor... 16
Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung
Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen
Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP
Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System
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?........................
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
bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter
bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen
6. Sichten, Integrität und Zugriffskontrolle. Vorlesung "Informa=onssysteme" Sommersemester 2015
6. Sichten, Integrität und Zugriffskontrolle Vorlesung "Informa=onssysteme" Sommersemester 2015 Überblick Sichten Integritätsbedingungen Zugriffsrechte SQL- Schema und SQL- Katalog Das Informa=onsschema
Vollständig generisches DWH für kleine und mittelständische Unternehmen
Vollständig generisches DWH für kleine und mittelständische Unternehmen Marc Werner Freiberufler Berlin Schlüsselworte: Wirtschaftlichkeit, Kostenreduzierung, Metadaten, Core Data Warehouse, Slowly Changing
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
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
Ausgangspunkt. Datenintegration. Ziel. Konflikte. Architekturen. Transparenz
Ausgangspunkt Datenintegration Web Informationssysteme Wintersemester 2002/2003 Donald Kossmann Daten liegen in verschiedenen Datenquellen (Extremfall: jede URL eigene Datenquelle) Mietautos bei www.hertz.com
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
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
Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)
Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team
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
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
Anwendertage WDV2012
Anwendertage WDV2012 28.02.-01.03.2013 in Pferdingsleben Thema: Business Intelligence mit Excel 2010 Referent: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant Alles ist möglich! 1 Torsten Kühn Dipl.
Performance by Design Wie werden performante ETL-Prozesse erstellt?
Performance by Design Wie werden performante ETL-Prozesse erstellt? Reinhard Mense ARETO Consulting Bergisch Gladbach Schlüsselworte: DWH, Data Warehouse, ETL-Prozesse, Performance, Laufzeiten, Partitionierung,
Dimensionale Modellierung mit Oracle BI EE und Oracle OLAP Tipps und Tricks aus der Praxis
Dimensionale Modellierung mit Oracle BI EE und Oracle OLAP Tipps und Tricks aus der Praxis DOAG Konferenz 2010 Claus Jordan Senior Consultant, Trivadis GmbH 16.11.2010 Basel Bern Lausanne Zürich Düsseldorf
DB2 SQL, der Systemkatalog & Aktive Datenbanken
DB2 SQL, der Systemkatalog & Aktive Datenbanken Lehr- und Forschungseinheit Datenbanken und Informationssysteme 1 Ziele Auf DB2 Datenbanken zugreifen DB2 Datenbanken benutzen Abfragen ausführen Den Systemkatalog
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-Systeme
Vorlesung im Wintersemester 2008/09 Data-Warehouse-Systeme Dr. Stefanie Rinderle-Ma Institut für Datenbanken und Informationssysteme Universität Ulm stefanie.rinderle@uni-ulm.de Übersicht 1) Einführung
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
Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch
Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch Obwohl mit der Verwendung von SAP HANA ein neuer semantischer Layer zum Einsatz kommt,