André Maurer Wirtschaftsinformatik FH 2.5 Fachhochschule Solothurn, Olten

Größe: px
Ab Seite anzeigen:

Download "02.08.2002 André Maurer andre@maurer.name www.andre.maurer.name Wirtschaftsinformatik FH 2.5 Fachhochschule Solothurn, Olten"

Transkript

1 Data Warehousing und Data Mining Zusammenfassung André Maurer www. Wirtschaftsinformatik FH 2.5 Fachhochschule Solothurn, Olten

2 Inhaltsverzeichnis Inhaltsverzeichnis 1 Einführung Entscheidungen Datengrundlage eines EUS Interne Analyse Externe Analyse Herkunft der Daten für EUS / FIS Data Warehouse vs operative Systeme Gründe für die Trennung von DaWa und operativen Systemen: Data Mining Arten von Data Mining Problemen Methoden des Data Mining Prozessschritte der Wissensentdeckung Business Inteligence 7 2 Data Warehousing Probleme beim Data Warehouse Inhalt eines Data Warehouse Architektur Zentralisierte Architektur Data Marts Modularisierung: Enterprise Data Mart Enterprise Data Warehouse (EDaWa) Entwicklung von DM und DW Ladeprozess Datentransformation Logische Transformation Physische Transformation Analyseprozesse in Data Warehouses Standardberichte und anfragen Anfragen an Übersichtstabellen, OLAP Data Mining auf Detail-Daten Schnittstellen zu anderen Anwendungen Zugriffe auf operative und analytische Daten Modellierung von Data Warehouses Objekte eines analytischen Datenmodells Modellierungsebenen 22 zf_dw_dm.doc Seite I

3 Inhaltsverzeichnis Mehrdimensionale und Multirelationale Datenbanken Entwicklung und Betrieb von Data Warehouses Performanceprobleme 28 3 Data Mining Klassifikation (Methoden) Entscheidungsbäume Neuronale Netze K Nearest Neighbour (knn) Batch Nested Generized Exemplars (BNGE) Clusteranalyse Clustermethoden Assoziationsregeln Transaktionen und Assoziationsregeln Kennzahlen für Assoziationen Prinzip des Assoziationsregellernens Sequenzmuster Prinzip der Sequenzmuster-Erkennung Data Mining Prozess CRISP-DM Das CRISP-DM Referenzmodell Web-Mining Clickstream als Datenquelle Mögliche Dimensionen der Analyse Design der Website zur Unterstützung des Web Usage Mining Clickstream Data Mart 41 4 Literaturverzeichnis Abbildungs- / Tabellenverzeichnis zf_dw_dm.doc Seite II

4 1 Einführung Ziel von Data Warehousing und Data Mining ist es aus Unternehmensdaten entscheidungsrelevantes Wissen herleiten zu können. 1.1 Entscheidungen Eine Entscheidung ist eine rationale Wahl einer Aktion in einer gegebenen Umwelt. Ein Entscheidungsprozess ist nur rational, wenn er auf sinnvollen Kriterien und gültigen Daten basiert. Das Ergebnis einer Entscheidung ist eine Aktion oder Strategie. Entscheidungsunterstützende Systeme (EUS) helfen den Entscheidungsträgern bei der Lösung komplexer Probleme: Führungsinformationssystem (FIS) Bereitstellung der relevanten Informationen zur Vorbereitung einer Entscheidung Entscheidungsunterstützende Systeme (EUS) Zusätzlich zum FIS stehen Methoden und Modelle für Planungs-, Entscheidungs- und Kontrollprozesse zur Verfügung. Entscheidungen können in verschiedene Kategorien unterteilt werden: Reichweite Neuigkeitsgrad Strukturierungsgrad Automatisierbarkeit Informationssysteme Langfristig (strategisch) mittelfristig (taktisch) Kurzfristig (operativ) Innovativ Schlecht strukturiert Niedrig EUS, FIS (eingeschränkt) Adaptiv Semi-strukturiert Mittel EUS Routiniert Wohl-strukturiert hoch administrative / dispositive Systeme Tabelle 1: Kategorien von Entscheidungen 1.2 Datengrundlage eines EUS Ein EUS benötigt interne und Externe Daten Interne Analyse Daten die aus der Unternehmung kommen: z.b. Kapazitätsauslastung, technischer Stand, Personalentwicklung, Finanzsituation, Betriebsergebnis. Die Internen Daten können folgendes sein: Mengen (Erzeugungen, Verbrauche, Bestände, techn. Kapazitäten) Werte (Umsätze, Kosten, Betriebsergebnisse, Deckungsbeiträge) Personal (Anzahl, Einsatz, Qualifikation, Altersstruktur) Kennzahlen (Verknüpfung von Mengen-, Wert-, und Personaldaten) Gliederungszahlen (Prozentanteile) (z.b. Anteile der Entwicklungskosten an Gesamtkosten eines Produkts) Beziehungszahlen (z.b. Fr./Kopf, Materialverbrauch/Artikel) zf_dw_dm.doc Seite 1

5 Das EUS macht aus internen Daten folgende Auswertungen: Funktionsübergreifende Berechnungen (Cross Referencing) (z.b. Personalkosten pro Produkt) Zeitbezogene Auswertungen (z.b. Verkäufe pro Woche, Monat, Quartal ) Vergleichswerte über längere Zeiträume (z.b. Verkäufe jeweils im 1. Quartal der letzten 4 Jahre) Funktionsübergreifende Berechnungen über Zeiträume (z.b. Auswirkung einer Marketingkampagne auf die Verkäufe der vergangenen sechs Monate) Externe Analyse Externe Daten sind z.b. Marktentwicklung, Konjunkturverlauf, Käufereinstellung, Konkurrenzverhalten, technologische Innovation, Rohstoffpreise, politische Entscheidungen (Zinspolitik, Steuergesetzgebung ), soziologische Einflüsse Herkunft der Daten für EUS / FIS Direkter Zugriff Das EUS / FIS greift direkt auf operative Informationsquellen zu: Operative Anwendungen Operative Anwendungen Datenbankverwaltungssystem(e) Datenbanken operative Systeme EUS- Anwendungen EUS- Anwendungen Nachteile: Zu Viele Daten werden gespeichert lange Berechnungszeiten für Auswertungen Behinderung des operativen Geschäfts während Auswertungen durch das EUS Zu grosse Datenmengen Keine einheitlichen Formate Abbildung 1: Zugriff auf operative Informationsquellen Data Warehouse Zur Verhinderung der Nachteile aus dem direkten Zugriff dient ein Data Warehouse (DaWa). Ein DaWa macht eine Selektion (Auswahl) und Aggregation (Verdichtung nach Dimensionen) aller für das EUS relevanten Daten in einer eigenen Datenbank. Die Übernahme aus operativen Systemen erfolgt bei Erreichen eines stabilen Zustandes oder zyklisch (täglich, wöchentlich ) bei sich ständig ändernden Daten. Die Trennung operativer Daten von Analysedaten ist ein fundamentales Konzept eines DaWa. zf_dw_dm.doc Seite 2

6 Operative Anwendungen EUS- Anwendungen Datenbankverwaltungssystem(e) Datenbankverwaltungssystem Datenabruf aus externen Quellen Datenbanken operativer Systeme Periodische Selektion und Transformation Data Warehouse Manuelle Eingabe Abbildung 2: Daten aus dem DaWa 1.3 Data Warehouse vs operative Systeme Administrations- und Dispositionssysteme Entscheidungsunterstützende Systeme Datenbestand Operative Daten: In der Regel aktuelle Daten Oft nur für abgegrenzten Unternehmens- und Funktionsbereich Datenformate Datenbestände oft unkoordiniert gewachsen Unterschiedliche Formate Kein einheitliches Datenmodell Datenzugriff Sehr häufige Transaktionen Kurze Transaktionszeiten Tabelle 2: Anforderungen: DaWa - operative Systeme Analysedaten: Kombination von Daten mehrerer Systeme Daten über längeren Zeitraum Einheitliches Datenmodell Einheitliches Format Semantisch angepasst Langfristige aufwendige Analysen und Berechnungen Ein DaWa vereinigt Daten mehrerer operativer Systeme (z.b. mehrerer Abteilungen, Filialen, Tochtergesellschaften ). Die Formate müssen bei der Übernahme aus operativen Systemen transformiert werden. Die Semantische Integration muss vorgenommen werden (z.b. Ein Kunde wird in verschiedenen Systemen mit versch. Kd-Nr. geführt, im DaWa muss der Kunde unter einer einheitlichen Kd-Nr. geführt werden.) Daten im DaWa sind beständig Im Gegensatz zu operativen Systemen werden die Daten im DaWa nur in Ausnahmefällen geändert oder gelöscht. In operativen Systemen gibt es unbeständige Daten (z.b. Lagerbestand) Es ist nicht sinnvoll, dynamische Daten im DaWa zu verwalten Erst bei Erreichen eines stabilen Zustands Oder durch periodische Schnappschüsse bei sich ständig ändernden Daten. In operativen Systemen gibt es Transaktionen, im DaWa Analyseprozesse Transaktionen sind in operativen Systemen häufig Der Umfang an Transaktionen ist gut abschätzbar zf_dw_dm.doc Seite 3

7 Analyseprozesse sind teilweise sehr aufwendig sind betreffen grosse Datenmengen verschiedener Bereiche haben keinen von vornherein abschätzbaren Aufwand Die Analyse auf operativen Datenbanken gefährdet deren Performance Daten im DaWa werden über einen längeren Zeitraum aufbewahrt Grosse Mengen inaktiver Daten verringern die Performance. Deshalb werden Daten in operativen Systemen gelöscht bzw. archiviert. Ein DaWa benötigt Daten über einen langen Zeitraum (>5 Jahre) Die Speicherkosten im DaWa sind relativ gering. Die meisten Kosten (ca %) entstehen bei der Datenübernahme und bereinigung Gründe für die Trennung von DaWa und operativen Systemen: Unterschiedliche Performance-Anforderungen Kombination von Daten mehrerer Anwendungen Daten sind beständig Speicherung der Daten über längeren Zeitraum 1.4 Data Mining Mit Data Mining (DaMi) bedeutet die Identifikation von wettbewerbsrelevantem Wissen aus grossen Datenmengen. Vorhersagen Automatische Extraktion von Informationen zu Vorhersage von Trends und Verhalten z.b. Marketing auf Basis kundenindividueller Informationen, Lebensversicherung, Kreditbeurteilung Mustererkennung Automatische Erkennung vorher unbekannter Muster z.b. Typisches Kundenverhalten, Betrugserkennung Data Mining ist jedoch nicht Data Warehousing Ad hoc Anfragen / Reportgenerierung Online Analytic Processing (OLAP siehe 2.5.5) (das die Frage WAS passiert beantwortet) Datenvisualisierung Software Agenten Data Mining dient der Vereinfachung und Automatisierung statischer Prozesse (Datenanalyse, Anwendung der Modelle). Mittels DaMi können nicht bekannte Zusammenhänge erkannt werden. Data Mining sagt, WARUM Dinge passiert sind. zf_dw_dm.doc Seite 4

8 1.4.1 Arten von Data Mining Problemen Klassifikation Clustering Lernen einer Menge von Regeln, die Objekte aufgrund ihrer Attribute vorgegebenen Klassen zuordnen. Aufteilung einer Datenmenge in disjunkte Gruppen (Gruppen ohne gemeinsame Teilmenge) ähnlicher Objekte: Anders als bei der Klassifikation sind keine Klassen vorgegeben Ähnliche Datensätze bilden eine Klasse Möglichst grosse Ähnlichkeit mit anderen Objekten der Klasse Möglichst geringe Ähnlichkeit mit Objekten ausserhalb der Klasse. x x x x x x x x x x x x x x x x x x x x x x x x x x x x x xx x x x x x x x x xx xx x x x x x x x x x x x x x x x x x x x x x x x xx x x xx x x x x x x x x x x x x x x x Abbildung 3: Clustering Regression (Vorhersage) Lernen der Beziehungen einer Zielvariable von Ausgangsvariablen. Daten Januar 2001 Historische Daten ( ) Data Mining System Modell Vorhersage Februar 2001 Abbildung 4: Entstehung und Nutzung von Vorhersagemodellen Assoziationen (Warenkorbanalyse) Abweichungs- und Änderungsentdeckung Zeitreihenanalyse Lernen von Abhängigkeiten zwischen Daten, z.b. welche Gruppen von Werten kommen in Transaktionen gemeinsam vor. Entdecken von Unterschieden zu früher aufgezeichneten Daten oder vorgegebenen normativen Werten. Lernen von Regeln für typische Abläufe zur Prognose zeitlicher Veränderungen. zf_dw_dm.doc Seite 5

9 1.4.2 Methoden des Data Mining Entscheidungsbäume Grafische Darstellung einer Menge von Regeln für ein Klassifikationsproblem: Knoten = Entscheidungen Blätter = Klassen Neuronale Netze Regelinduktion 1 IF... THEN... Nearest Neighbor Genetsiche Algorithmen Die Verschiedenen Methoden / Modelle unterscheiden sich bezüglich ihrer Verständlichkeit Genauigkeit Entscheidungsbäume Einfach verständlich Weniger genau Regelinduktion Mittel verständlich Mittel genau Neuronale Netze Schwer verständlich Sehr genau Tabelle 3: Verständlichkeit, Genauigkeit der MiMa-Methoden Ein Modell kann verschieden genutzt werden: Qualitativ Gibt dem Marketing ein Verständnis über die Kunden und den Markt Erfordert Interaktionsmöglichkeiten und gute Visualisierung Quantitativ Automatisierter Prozess Es gibt verschiedene Typen von Datenanalyse: Beaufsichtigt (Supervised): Problemlösung Getrieben durch konkrete Probleme Analytiker gibt Untersuchungsrichtung vor Anwendung z.b. zur Optimierung eines gegebenen Marktes Unbeaufsichtigt (Unsupervised): Erkundigung Relevanz erkennen Nützlich um neue (unerwartete) Zusammenhänge zu erkunden 1 Induzieren: Ableiten, folgern, schliessen, herleiten zf_dw_dm.doc Seite 6

10 1.4.3 Prozessschritte der Wissensentdeckung periodischer Update Auswahl Vorverarbeitung Zieldaten Transformation Data Warehouse Data Mining Transformierte Daten Interpretation/ Evaluation Muster Wissen Daten Abbildung 5: Zusammenhang DaWa und DaMi Auswahl Fokussierung, Auswahl relevanter Daten Vorverarbeitung Bereinigung der Daten (z.b. was tun mit leeren Feldern) Transformation Verdichtung der Daten durch Datenreduktion und projektion Datenformat vereinheitlichen Data Mining Auswahl von Techniken und Methoden Evtl. viele Testläufe mit verschiedenen Parametern Interpretation / Evaluierung Beurteilung der Ergebnisse bzgl. festgelegter Kriterien Dokumentation, Visualisierung der Ergebnisse Überführung in die Anwendung 1.5 Business Inteligence Data Mining und Data Warehousing bietet Beispielsweise folgende Anwendungen: Customer Relationship Management Kundenprofile erstellen Zusätzliche Kundenkontaktpunkte (z.b. Call Center, ebusiness) Efficient Consumer Response Optimierung von Logistikprozessen / Regal- und Lagerflächen Marketing Database Marketing (Zielgruppenorientierte Aktionen) Typisches Kundenverhalten Cross Selling Bearbeitung von Geschäftsprozessen Klassifikationskriterien für Bonitätsbeurteilung Risikoanalyse von Versicherungen Betrugserkennung (z.b. Kreditkartenbetrug) Qualitätsanalyse (z.b. Schadensursache identifizieren) zf_dw_dm.doc Seite 7

11 2 Data Warehousing Das Data Warehousing ist die Gedächtnisfunktion von EUS Das Data Mining ist die Beurteilungsfunktion von EUS Definition 1: Ein DaWa (dt. Lagerhaus Daten einlagern) ist eine Datenbank, die strategische Entscheidungen unterstützt, indem sie umfangreiche und regelmässige Auszüge aus operativen Datenbanken periodenbezogen und oft aggregiert (zusammengefasst) Endbenutzern auch zur ad hoc-analyse (unvorbereitet) bereitstellt. Definition 2: Dt.: Datenlager Ein Data-Warehouse umfasst eine spezielle Datenbank, in die Daten aus vielen einzelnen (firmeninternen wie -externen) Datenbanken einfliessen, sowie ein Management-Informationssystems (MIS) zur Verarbeitung dieser Daten für einzelne Verwaltungsebenen. Das Data-Warehouse dient dazu, Führungskräften die Informationen zukommen zu lassen, die sie zur Kontrolle interner Abläufe und zur Entscheidungsfindung benötigen. Die Basisdaten müssen vor dem Transfer in das Data-Warehouse in ein einheitliches Format konvertiert werden, wobei so genannte Meta-Daten festhalten, welche Daten woher stammen und wie sie aufbereitet wurden. Danach erst kann der Gesamtbestand der Daten analysiert und ausgewertet werden. Ein Vorteil eines solchen Data-Warehouse ist, dass Mitarbeiter ohne Kenntnisse der "Standard Query Language" (SQL) oder anderer Abfragesprachen über eine grafische Benutzeroberfläche (GUI) ermitteln können, woher die einzelnen Daten stammen und wie sie bearbeitet wurden. Der Datenbestand kann nach Kriterien wie Zeitreihenanalyse und Trendermittlung ausgewertet werden. Solche Informationen finden in der Entscheidungsfindung des Unternehmensmanagements Verwendung. Als Erfinder des Data Warehouse gilt Bill Inmon, der den Begriff 1992 für ein solches System prägte, das er bei IBM entwickelt hat. Definition 3: Ein DaWa ist eine Themenorientierte, integrierte, zeitbezogene und nicht flüchtige Sammlung von Daten zur Unterstützung der Entscheidungen des Managements. Das DaWa ist themenbezogen und erhält Daten von vielen operationalen Systemen. Die Daten werden nach dem betriebswirtschaftlichen Umfeld des Unternehmens organisiert. Im Gegensatz zum DaWa sind operationelle Systeme prozessorientiert und werden durch ein System verwaltet. Das DaWa wird aus einer Vielzahl interner und externer Datenquellen gefüllt. Dabei spielt die Datenqualität eine wesentliche Rolle. zf_dw_dm.doc Seite 8

12 Im Gegensatz zum DaWa werden in operationellen Systemen DBs und Anwendungen unabhängig voneinander (und über lange Zeit) entwickelt. Daten eines DaWa werden langfristig gespeichert. Zeitreihenanalysen stellen den Hauptteil der Analysen dar. Die Daten werden persistent (Dauerhaftig) gespeichert. Auf ein DaWa wird nur lesend zugegriffen. Das Data Warehousing und Data Mining dient der Operativen Planung (Ausschöpfung vorhandener Erfolgspotentiale) mittels operativen Daten Strategischen Planung (Aufbau langfristiger Erfolgspotentiale) mittels strategischen Daten Data Warehouses sind analytische Datenbanken die Berichtsgeneratoren und Abfrage- und Analysewerkzeuge zur Verfügung stellen. Sie dienen Managern zur Entscheidungsunterstützung und zum nachträglichen Monitoring von Entscheidungen. Zudem dienen sie den Spezialisten zum Data Mining. Produktionsdatenbank (operative DB) Data Warehouse (analytische DB) Daten operativ Daten vollständig Daten detailliert Daten redundanzarm (fortschreibungsfreundlich) Daten änderungsintensiv Schlüssel i.d.r. natürlich meist Auswahlabfragen Abfragen häufig ad hoc Daten strategisch Daten periodenbezogen Daten oft abgeleitet (v.a. zusammenfassend) Endbenutzerorientiert / abfrageorientiert Schlüssel i.d.r. künstlich Tabelle 4: Operative vs. Analytische Datenbanken 2.1 Probleme beim Data Warehouse Betriebswirtschaftliche Probleme Datenauswahl Datenpräsentation Datenmodellierung Informationstechnische Probleme Unterschiedliche Datenformate bei operativen und analytischen Daten zf_dw_dm.doc Seite 9

13 Verbindung von Transaktionssystemen (oft Grossrechner) und Data Warehouse (oft Client-Server) Zeitpunkt für Datenauszüge Datenvolumen 2.2 Inhalt eines Data Warehouse Typisch für ein DaWa ist die Unterscheidung von Fakten (Indikatoren, Kennzahlen, Business Measure) Betriebswirtschaftlicher Erfolgsfaktor Aggregierbar Meist numerisches und kontinuierliches Attribut Erlaubt mehrdimensionale Messung Benötigen grosses Datenvolumen (ca. 70% des DaWa) Primärschlüssel aus den Fremdschlüsseln der Dimensionen z.b. Mengenumsatz, Geldumsatz, Kundenzahl Dimensionen Kriterien der Beurteilung Meist symbolisches und diskretes Attribut Erlaubt eine Auswahl, Zusammenfassung und Navigation eines Indikators Sind Primärschlüssel Nicht immer eindeutig erkennbar z.b. Periode, Standort, Produkt, Organisationseinheit, Kunden, Lieferanten Dimensionen und Fakten werden in einem Würfel (Cube bzw. Hypercube) vereinigt: Mehrdimensionale Datenstruktur, welche die gleichzeitige Analyse mehrerer Indikatoren und Dimensionen ermöglicht. Aufgabe eines DaWa ist es, einen Indikator nach seinen Dimensionen zu messen. z.b. wie hoch ist der Umsatz (Indikator) nach Periode, Produkt und Region (Dimensionen)? Region Haidhausen Schwabing Zentrum Juli Juni Mai Zeit Racer Future Tria- Racer Racer Junior Produkt zf_dw_dm.doc Seite 10

14 Abbildung 6: Mehrdimensionaler Würfel (Hypercube) 2.3 Architektur Operative Daten Externe Daten Ladeprozess Auswahl Transformation Integration Konkurrenz Branche Konjunkturentwicklung Demographische Daten Daten Data Warehouse Einzelheiten Zusammenfassungen Metadaten (Daten über Daten) 1 Information Zugriffswerkzeuge Berichtsgenerator Zweidimensionale Abfrage Mehrdimensionale Abfrage (OLAP) Data Mining... Endbenutzerzugriff 1 z.b. über Attribut Umsatz Fakt oder Dimension Aggergierbar (JA / NEIN) Wie aggregierbar Berechnungsformel Quelldaten Update, Periodizität Speicherformat Entscheidung Abbildung 7: Architektur eines DaWa Zentralisierte Architektur Datenbanken operativer Systeme Data Warehouse Alle analytischen Daten sind auf einer Plattform bedeutet: Geringe Redundanz 2 Hardwareersparnis Die Entwicklung eines zentralen DaWa ist jedoch Für die meisten Unternehmungen zu komplex Nur für kleinere Unternehmen geeignet Für heterogene Benutzerkreise zu benutzerunfreundlich und abfrageineffizient Abbildung 8: Zentralisierte DaWa-Architektur 2 Redundanz: Anteil einer Nachricht, der keine Information vermittelt ist überflüssig. zf_dw_dm.doc Seite 11

15 2.3.2 Data Marts Definition DM Datenbanken operativer Systeme Ein Data Mart (DM) ist ein lokales Data Warehouse, das sich auf die Daten eines Funktionsbereichs, einer Abteilung, einer Arbeitsgruppe oder einer komplexen Anwendung beschränkt. DM Abbildung 9: Data Mart DM Vorteile Entwicklungskomplexität kleiner Endbenutzerbeteiligung wahrscheinlicher Flexibilität grösser Datenmodell einfacher Abfrageeffizienz grösser Probleme Nicht immer skalierbar (keine lineare Zunahme der Antwortzeiten) Probleme bei Integration in Enterprise Data Warehouse Redundanzen sind schwer kontrollierbar Eventuelle Inkonsistenz unter Data Marts Höhere Entwicklungs- und Wartungskosten Modularisierung: Enterprise Data Mart DM Datenbanken operativer Systeme DM DM Koordination Abbildung 10: Enterprise Data Mart Verteilung analyt. Daten auf mehrere DM Vorteile Benutzeradäquate Werkzeuge Leicht verständliches Datenmodell Effizienter Zugriff Problem Übergreifende Analysen Koordination Ladezyklen Datenmodell: Attribute mit gleicher Bedeutung verwenden in allen DM die gleiche Bezeichner, Datentypen, Schlüssel und Datenquellen. Ziele Intramodulare Bindung maximieren Benutzer so homogen, dass: Antwortzeiten minimal Benutzerfreundlichkeit maximal Werkzeug an Anforderungen angepasst Intermodulare Koppelung minimieren Schnittstellen zwischen DM so schmal, dass DM-übergreifende Abfragen selten werden. zf_dw_dm.doc Seite 12

16 2.3.4 Enterprise Data Warehouse (EDaWa) EDaWa Zentrales DaWa Zentrales DaWa oder Vereinigung von Data Marts, das die unternehmensweite Information verteilt. DaWa, das operative Daten transformiert und koordiniert Data Marts zur Verfügung stellt. DM Datenbanken operativer Systeme Zentrales Data Warehouse DM DM Abbildung 11: Hierarchische Architektur Koordination lokaler DM durch ein EDaWa Ziel Extraktion, Integration und Verteilung der Daten Ziel der DM Abfrage und Analysen auf Teilen der Daten Anpassung an Bedürfnisse einer Organisationseinheit Datenverteilung Zeitgesteuert Ereignisorientiert auf Verlangen Koordinierte Attribute über EDaWa Voraussetzungen zur Koordination von DM: Fakten und Dimensionen müssen gleiche Bedeutung haben Gleich benennen (Synonyme vermeiden) Mit den gleichen Attributen beschreiben Fakten und Dimensionen mit unterschiedlicher Bedeutung Verschieden benennen (Homonyme vermeiden) Architektur Zentrales DW Data Marts Koordinierte DM Zentralisiert: auf einer Plattform Hierarchisch: edawa übernimmt Extraktion, Integration und Verteilung der Daten Koordiniert: Koordination versch. DMs Unkoordiniert: Keine Koordination zw. DMs Tabelle 5: Architekturen im Vergleich Unkoordinierte Architekturen führen zu Unkontrollierten Redundanzen Inkonsistenz Hohem Entwicklungsaufwand Ungenügender Skalierbarkeit 3 3 Skalierbarkeit: Ausbaubarkeit von Clients, Servern und Netz zf_dw_dm.doc Seite 13

17 2.3.5 Entwicklung von DM und DW operative Daten top- down bottom- up Zentrales Data Warehouse DM Abbildung 12: Entwicklungsmethoden Bottom-up: Aus der Verknüpfung mehrerer DM entsteht ein zentrales DaWa, das die untergeordneten DM mit koordinierten Daten beliefert. Probleme: Koordination: Redundanzen und Inkonsistenzen versch. DM Verträglichkeit der lokal entstehenden Datenmodelle Skalierbarkeit (Anpassung der Werkzeuge für grössere Datenmengen) Top-Down: Aus einem bestehenden DaWa werden DM herausgelöst. Parallel: Koordinierte Entwicklung von DM und EDaWa Data Mart (DM) EDW Ähnliche Begriffe lokales DW globales DW Hauptziel Modularisierung lokaler Daten und Abfragen redundanzarmes Unternehmungsdatenmodell für EUS Domäne Abteilung oder Anwendung Unternehmung Entwicklung / Betrieb Fachabteilung IT-Zentrale Grössenordnung bis 100 Gb (10 9 Byte) bis Terabytes (10 12 Byte, oft grösser als Produktionsdaten) Datenquelle EDW oder operative DB operative DB Granularität (Datendetail) oft gross (eher aus Aggregaten) meist klein (viele Transaktionsdetails) Normalisierungsgrad klein gross Hauptzugriffsart OLAP (meist ad hoc) SQL (oft vordefiniert) Entwicklung gut überblickbar aufwendig Typische Plattform mehrdimensionaler oder relationaler Datenbankserver RDBMS auf Unix-, Windows NToder Grossrechner Abbildung 13: Data Marts vs. EDaWa 2.4 Ladeprozess Datentransformation Die Datenübernahme aus den operativen Systemen in das DaWa erfolgt in periodischen Selektionen und Transformationen. Vor der Übernahme werden die Daten transformiert: Einheitliches Format Einheitliche Bezeichner Semantische Integration zf_dw_dm.doc Seite 14

18 Dazu werden die Daten in einen oder mehrere Zwischenspeicher (Data Staging Area), bearbeitet und dann erst in das DaWa übernommen. Werkzeuge zur Datentransformation nennt man ETL-Werkzeuge (Extract Transform Load) Nicht alle Zustandswechsel werden in das DaWa übertragen. Daten werden in das DaWa übernommen, sobald ein Endzustand erreicht ist Für Bestandesdaten werden periodische Schnappschüsse übertragen Logische Transformation Operationale Datenbanken sind normalisiert, um Redundanzen und Inkonsistenzen bei Datenveränderungen zu vermeiden. Die Transformation für das DaWa beinhaltet auch eine De-Normalisierung: Performancesteigerung Beziehungen im DaWa sind statisch Vergangene Zusammenhänge sollen erhalten bleiben (z.b. Preise zur Zeit der Auftragsbearbeitung) Order processing Customer Product orders price Available Inventory Product Price/inventory Product price Product Inventory Product Price changes De-normalized data Transform State Data Warehouse Customers Products Orders Product Inventory Product Price Marketing Customer Profile Product price Marketing programs Abbildung 14: De-Normalisierung Physische Transformation Einheitliche Begriffe Einheitliche Datentypen für das gleiche Datenelement Konsistente Verwendung von Attributwerten Behandlung unvollständiger Datensätze, Ersatzwerte Oft werden einfache Übersichten und Berichte schon bei der Transformation berechnet. Dies ergibt einen Effizienzgewinn (kürzere Rechnungszeiten) bei der Analyse. Anfragen und Berichte reichen von einfachen Aggragetionen / Summen bis zu komplexen Berechnungen Berechnung der Übersichten kann sehr aufwendig sein (z.b. Joins über mehrere Tabellen) Übersichtstabellen sind nicht nur einfache Berechnungen sondern basieren auf Geschäftsregeln (z.b. Was wird als Verkauf angesehen, was fällt unter Wartung) zf_dw_dm.doc Seite 15

19 Übersichten verstecken die Komplexität der Detaildaten und der Berechnungen. Der Anwender muss die Geschäftsregeln nicht kennen. 2.5 Analyseprozesse in Data Warehouses Standardberichte und anfragen Standerdberichte und anfragen werden für verschiedene Benutzer periodisch generiert. Sie sind nützlich für aufwendige Berechnungen und mehrfache Nutzung. Der DaWa-Administrator legt fest, was zu einem Standardbericht werden soll, indem er nachsieht welche Anfragen häufig durch die User gemacht werden und welche Anfragen die DB am meisten belasten. Der DaWa-User hat ebenfalls die Möglichkeiten einen Standardbericht zusammenzustellen Anfragen an Übersichtstabellen, OLAP Übersichtstabellen entstehen aus Detaildaten durch Filterung (z.b. Verkaufszahlen ausgewählter Warengruppen) Summierung (Aggregation) (z.b. Umsatz mit Produkt X) Übersichtstabellen sind die Grundlage der meisten Analysen im DaWa: Übertragung in multidimensionale Datenmodelle (z.b. Umsätze pro Jahr, Region, Produktegruppe) Data Mining auf Detail-Daten Die weitreichendste und nützlichste Analyse erfolgt auf Detaildaten Anfragen an Übersichtstabellen beantworten Fragen nach dem WAS Tiefergehende Detailanalyse kann Antworten geben auf Fragen nach dem WARUM und WIE Data Mining beginnt ebenso wie OLAP (siehe Kapitel 2.5.5) oft mit aggregierten Daten und verwendet die detaillierten Daten um Hypothesen zu verifizieren Gründe für Entdeckungen zu finden Analysen auf Detaildaten kommen nur für einen kleinen Teil der DaWa-Nutzer in Frage Schnittstellen zu anderen Anwendungen Schnittstellen zu anderen Anwendungen bieten die vierte Möglichkeit um Auswertungen zu machen. Wird auch für Data Mining benötitgt Zugriffe auf operative und analytische Daten Programmierte Berichte (erfordern oft Codeänderungen und sind zeitintensiv). zf_dw_dm.doc Seite 16

20 Abfrage- und Berichtssprachen wie SQL und QBE sind standardisiert und mächtig, aber für gelegentliche Benutzer zu schwierig. OLAP-Werkezuge erlauben auch dem gelegentlichen Benutzer flexible multidimensionale Abfragen. Abfragesprachen Prozedurale Abfragen (sind flexibler) Navigation meist Satzweise Anweisungsreihenfolge wichtig z.b. Visual Basic, Cobol, dbase Nichtporzedurale (deklarative) sind komfortabler Navigation tabellenweise Einzelne verbale oder grafische Anweisung z.b. QBE, SQL Grobübersicht SQL (Structured Query Language): Datenbankobjekte definieren create Datenbankobjekte manipulieren insert, update, delete Datenbankobjekte abfragen select Datananken schützen grant SQL-Kategorie Zweck Anweisungen Data Definition Language (DDL) Data Manipulation Language (DML) Data Control Language (DCL) Tabelle 6: SQL-Teilsprachen Definition von Datenbankobjekten Abfrage Änderung Transaktion Schutz / Sicherheit create, alter, drop, table, view, index select insert, delete, update lock, commit, rollback grant, revoke Mehrdimensionale SQL-Abfragen sind benutzerunfreundlich, weil oft Anweisungen zahlreich vorkommen müssen Anweisungen komplex sind (Mehrtabellenverbund, Aggregationen, Sortieren, Views) Zeitreihenanalyse aufwendig sind Rechenfunktion unzureichend ist (z.b. finanzmathematische, statische) OnLine Analytical Processing OLAP Definition OLAP ist eine Abfragemethode, die Endbenutzern einen mehrdimensionalen, schnellen Zugriff und eine benutzerfreundliche interaktive Analyse auf Data Marts ermöglicht. OLAP ist Mehrdimensional (weil es Indikatoren nach ihren Dimensionen analysiert) Endbenutzerfreundlich weil Direkte Manipulation möglich ist Ergebnisse einfach dargestellt und visualisiert werden zf_dw_dm.doc Seite 17

21 Detaillierend und zusammenfassend (weil Daten übersichtlich zusammengefasst und nur auf Verlangen detailliert sind) Analysierend und synthetisieren (weil der Benutzer Dimensionen einfach hinzufügen und weglassen kann) Schnell (weil es ad hoc-abfragen in Sekunden beantwortet und aufwendige ad-hoc-berechnungen durch Voraggregationen vermeidet) Data-Mart-orientiert Mit dem FASMI-Test kann mit 5 Kriterien getestet werden ob ein Produkt ein OLAP-Werkzeug ist: Fast Kommt die Antwort innert weniger Sekunden? Analysis Sind betriebswirtschaftliche und statistische Analysen sowie ad-hoc Berechnungen ohne Programmierkenntnisse möglich? Shared Ist Mehrbenutzerbetrieb möglich, Zugriffsrechte geregelt? Multidimensional Sind Multidimensionale Anfragen möglich? Information Werden alle relevanten Informationen, unabhängig vom Umfang und Inhalt verarbeitet? SQL sucht nach Details, OLAP fasst zusammen und vergleicht (im Hintergrund generieren OLAP-Werkzeuge allerdings auch SQL-Abfragen). Zusammenfassung (Aggregation) Vergleich Absoluter Vergleich Relativer Vergleich (Prozentualer Teil ) In OLAP-Werkzeugen stehen folgende Browsing-Möglichkeiten zur Verfügung: Drilling Down Detaillieren. Zu kleine Fallzahlen können bei mehrdimensionalen Analysen zu Informationsverlusten führen. Drilling Up Drilling Through Drilling Across Filtern Slicing Dicing / Pivoting Zusammenfassen (aggregieren). Eine Aggrgation kann zu Informationsverlusten führen. Detailzugriff auf operative Datenbanken (meist über vordefinierte SQL-Anweisungen) Zugriff auf mehrere Data Marts Wertauswahl Von einem Würfel sind auf einer zweidimensionalen Oberfläche nur zwei Dimensionen zu sehen (z.b. als Tabelle). Ein OLAP-Würfel ist in der Regel ein mehrdimensionaler Würfel mit mehr als drei Dimensionen Mittels Slicing (Slice = Scheibe) wird der Würfel um Dimensionen reduziert (in Scheiben geschnitten). Mittels Dicing (würfeln) wird der Würfel zum Anzeigen anderer Dimensionen gedreht (Rotation der Resultate um andere zf_dw_dm.doc Seite 18

Business Intelligence. Business Intelligence Seminar, WS 2007/08

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

Mehr

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 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

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

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

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

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

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

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

Informationssysteme für das Management

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

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.

Mehr

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

Business and Data Understanding. Business und Data Understanding

Business and Data Understanding. Business und Data Understanding Business und Data Understanding Gliederung 1. Grundlagen 2. Von Data Warehouse zu Data Mining 3. Das CRISP-DM Referenzmodell 4. Die Phasen Business- und Data Understanding 5. Überblick der weiteren Phasen

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

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

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

Mehr

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

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

Mehr

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

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

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

Mehr

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

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

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

Mehr

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

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Einführung in SQL Datenbanken bearbeiten

Einführung in SQL Datenbanken bearbeiten Einführung in SQL Datenbanken bearbeiten Jürgen Thomas Entstanden als Wiki-Buch Bibliografische Information Diese Publikation ist bei der Deutschen Nationalbibliothek registriert. Detaillierte Angaben

Mehr

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

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

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Kapitel 2 Terminologie und Definition

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

Mehr

Data 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

BARC-Studie Data Warehousing und Datenintegration

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

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

The integration of business intelligence and knowledge management

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

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

Mehr

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.

Mehr

Data Warehousing Grundbegriffe und Problemstellung

Data Warehousing Grundbegriffe und Problemstellung Data Warehousing Grundbegriffe und Problemstellung Dr. Andrea Kennel, Trivadis AG, Glattbrugg, Schweiz Andrea.Kennel@trivadis.com Schlüsselworte Data Warehouse, Cube, Data Mart, Bitmap Index, Star Queries,

Mehr

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

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse

Mehr

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

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

Mehr

Integration Services Übersicht

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

Mehr

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

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

Mehr

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

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

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

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

Mehr

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

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

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen

Mehr

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

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

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

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

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

Mehr

Vertrautmachen mit Daten

Vertrautmachen mit Daten Kapitel III Vertrautmachen mit Daten 2004 AIFB / FZI 1 III Vertrautmachen mit Daten (see also Data Preparation ) 2004 AIFB / FZI 2 III Vertrautmachen mit Daten III.1 OLAP III.1.1 Einführung in OLAP Wie

Mehr

Praxis Forum für KMU

Praxis Forum für KMU Praxis Forum für KMU : Der Schlüssel zum Erfolg 9. Mai 2012 www.it konkret.ch schmid + siegenthaler consulting gmbh Herzlich willkommen Praxis Forum für KMU : Der Schlüssel zum Erfolg 9. Mai 2012 Messe

Mehr

Data Mining-Modelle und -Algorithmen

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,

Mehr

SQL (Structured Query Language) Schemata Datentypen

SQL (Structured Query Language) Schemata Datentypen 2 SQL Sprachelemente Grundlegende Sprachelemente von SQL. 2.1 Übersicht Themen des Kapitels SQL Sprachelemente Themen des Kapitels SQL (Structured Query Language) Schemata Datentypen Im Kapitel SQL Sprachelemente

Mehr

Business Intelligence

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

Mehr

Intelligente Kanzlei

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

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP

Mehr

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

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

Mehr

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

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

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

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

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

Mehr

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

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

Performance-Aspekte beim Data-Warehousing mit SAP BW 3.x

Performance-Aspekte beim Data-Warehousing mit SAP BW 3.x Performance-Aspekte beim Data-Warehousing mit SAP BW 3.x Mirko Sonntag, GISA GmbH Leipzig, 14. Oktober 2006 GISA GmbH Leipziger Chaussee 191a 06112 Halle (Saale) www.gisa.de Performance-Aspekte beim Data-Warehousing

Mehr

Gliederung und Einordnung

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

Mehr

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

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 24. Juni 2014 Agenda Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen

Mehr

Kapitel. 7: Datenmanagement. Wirtschaftsinformatik Eine Einführung. Detlef Schoder Folie 7.1. Laudon/Laudon/Schoder:

Kapitel. 7: Datenmanagement. Wirtschaftsinformatik Eine Einführung. Detlef Schoder Folie 7.1. Laudon/Laudon/Schoder: Laudon/Laudon/Schoder: Wirtschaftsinformatik Eine Einführung Kapitel 7: Datenmanagement Wirtschaftsinformatik Eine Einführung Folie 7.1 Gegenstand Anforderungen, die die Datenverwaltung an die Unternehmensführung

Mehr

Cassandra Query Language (CQL)

Cassandra Query Language (CQL) Cassandra Query Language (CQL) Seminar: NoSQL Wintersemester 2013/2014 Cassandra Zwischenpräsentation 1 Gliederung Basic facts Datentypen DDL/DML ähnlich zu SQL Besonderheiten Basic facts CQL kurz für

Mehr

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 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

Mehr

Relationale Datenbanken Kursziele

Relationale Datenbanken Kursziele Relationale Datenbanken Kursziele DB Grundlagen Daten-Modellierung Relationales Modell und DB => Praxis: Mit SQL als Anfragesprache Mit MySQL als DB RDB 1-1 Kursinhalt (Tage) 1. DB Einleitung / Entity-Relationship

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

Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2

Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Cubix O.L.A.P... 2 Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Datenverbindung über ODBC... 4 Datenbereitstellung über SQL... 5 Festlegung der Dimensionen... 6 Festlegung der Summen...

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

Kapitel 6 Einführung in Data Warehouses

Kapitel 6 Einführung in Data Warehouses Kapitel 6 Einführung in Data Warehouses Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2008, LMU München 2008 Dr. Peer Kröger Dieses Skript basiert zu einem Teil auf dem Skript zur Vorlesung

Mehr

ARIS II - Modellierungsmethoden, Metamodelle und Anwendungen

ARIS II - Modellierungsmethoden, Metamodelle und Anwendungen ARIS II - Modellierungsmethoden, Metamodelle und Anwendungen C3: Structured Query Language Lernziele: Nach der Bearbeitung dieser Lektion haben Sie folgende Kenntnisse erworben: Sie können elementaren

Mehr

Einführung in Hauptspeicherdatenbanken

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

Mehr

Data Flow One Engine V 3.1

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

Mehr

Informationsintegration

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

Mehr

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

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch

Mehr

Data Warehouse Technologien

Data Warehouse Technologien mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de

Mehr

Inhalt. Ein Einführung in die Nutzung von SQL-Datenbanken am Beispiel Oracle. Daten und Tabellen - ein Beispiel. Daten und Tabellen - Normalisierung

Inhalt. Ein Einführung in die Nutzung von SQL-Datenbanken am Beispiel Oracle. Daten und Tabellen - ein Beispiel. Daten und Tabellen - Normalisierung Inhalt Ein Einführung in die Nutzung von SQL-Datenbanken am Beispiel Oracle Daten und Tabellen Normalisierung, Beziehungen, Datenmodell SQL - Structured Query Language Anlegen von Tabellen Datentypen (Spalten,

Mehr

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

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

Mehr

Nach Data Warehousing kommt Business Intelligence

Nach Data Warehousing kommt Business Intelligence Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative

Mehr

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

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

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

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

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

Mehr

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

Data Warehouse. Kapitel 16. Abbildung 16.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 16 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining operationale DB operationale DB operationale DB Data Warehouse operationale

Mehr

Data Warehousing und Data Mining

Data Warehousing und Data Mining Data Warehousing und Data Mining Architektur und Komponenten von Data Warehouses Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Architektur Komponenten ETL Ulf Leser: Data Warehousing

Mehr

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi Motivation Themenblock: Data Preprocessing We are drowning in information, but starving for knowledge! (John Naisbett) Was genau ist Datenanalyse? Praktikum: Data Warehousing und Data Mining Was ist Data

Mehr

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format.

Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH. Software mit Format. Fördercontrolling im öffentlichen Bereich Aspekte beim Aufbau eines DWH Gerd Schandert, Neuss den 18.03.2014 Agenda 1. Vorstellung Auftraggeber 2. Förderung allgemein 3. Schichten im Data Warehouse 4.

Mehr

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

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

Mehr

Einführung in SQL. Sprachumfang: Indizes. Datensätzen. Zugriffsrechten

Einführung in SQL. Sprachumfang: Indizes. Datensätzen. Zugriffsrechten Einführung in SQL Die Sprache SQL (Structured Query Language) ist eine Programmiersprache für relationale Datenbanksysteme, die auf dem ANSI-SQL-Standard beruht. SQL wird heute von fast jedem Datenbanksystem

Mehr

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011

Innovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011 Business Intelligence und Geovisualisierung Innovative Ansätze für den Gesundheitsmarkt Mainz, 10. Mai 2011 Prof. Dr. Anett Mehler-Bicher Prof. Dr. Klaus Böhm Inhalt Ausgangssituation und Motivation Motivation

Mehr

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

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Data Warehouse Architektur Data-Warehouse-System Teilsichten

Mehr

Kapitel 4: Data Warehouse Architektur

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

Mehr

Relationale Datenbanken in der Praxis

Relationale Datenbanken in der Praxis Seite 1 Relationale Datenbanken in der Praxis Inhaltsverzeichnis 1 Datenbank-Design...2 1.1 Entwurf...2 1.2 Beschreibung der Realität...2 1.3 Enitiy-Relationship-Modell (ERM)...3 1.4 Schlüssel...4 1.5

Mehr

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

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

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Datenbanken und SQL. Kapitel 1. Übersicht über Datenbanken. Edwin Schicker: Datenbanken und SQL (1)

Datenbanken und SQL. Kapitel 1. Übersicht über Datenbanken. Edwin Schicker: Datenbanken und SQL (1) Datenbanken und SQL Kapitel 1 Übersicht über Datenbanken Übersicht über Datenbanken Vergleich: Datenorganisation versus Datenbank Definition einer Datenbank Bierdepot: Eine Mini-Beispiel-Datenbank Anforderungen

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

Mehr

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

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

Mehr