IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES

Größe: px
Ab Seite anzeigen:

Download "IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES"

Transkript

1 10 IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES Step by Step Zehn Schritte für ein erfolgreiches Data Warehouse Design IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES Data Warehouse Technologie bildet heute in den meisten Unternehmen die Grundlage für Entscheidungsunterstützungssysteme und analytische Intelligenz. Auch neue Konzepte wie Business Performance Measurement (BPM) beruhen auf der Existenz einer unternehmensweit integrierten, konsolidierten Datenbasis in einer für Business Intelligence optimierten Aufbereitung. Dennoch ist vielfach immer noch nicht klar, welches nun der beste Weg ist, die Anforderungen von Business Intelligence Anwendungen (BI) zu erheben, und in ein adäquates Data Warehouse Design umzusetzen. Konsens herrscht im Allgemeinen darüber, dass der Aufbau eines Data Warehouse durch fachliche Fragestellungen getrieben sein soll und nicht durch die zur Verfügung stehende Technologie. Aber damit ist das eigentliche Vorgehen leider auch nicht geklärt. Dieser Artikel stellt ein aus vielfachen Projekterfahrungen entwickeltes Vorgehen der saracus consulting vor, das immer wieder überzeugende Ergebnisse erzielt. Der erste Ansatzpunkt ist, die Anforderungen nach bestimmten Kategorien zu untersuchen: Bestimmung der Use Cases Definition des Datenhaushaltes Erhebung der Anforderungen an Analyse- und Berichtslayout Anforderungen an Toolfunktionalität Zusätzlich müssen natürlich einschränkende Rahmenbedingungen erfasst werden. Bestimmung der Use Cases Das hört sich erst mal kompliziert an, ist in vielen Data Warehouse-Projekten aber von vornherein fokussiert: meistens auf OLAP (OnLine Analytical Processing) und Reporting, dabei mit den Facetten ad hoc Analyse, Standard-Reporting und vielleicht Management-Reporting (oder anderen speziellen Sichten). Es geht hier also um die Frage der Einsatzszenarien der geplanten Data Warehouse-Lösung. Solange die Fachbereiche dabei an multidimensionale Analysen und/oder SQL-basierte Abfragen mit der entsprechende Ergebnisanzeige denken, haben wir sozusagen den Normal-Fall. Wollen die Anwender aber auch Planzahlen erfassen können wie etwa für die Vertriebsplanung? Oder sollen Kundenverhaltensmuster aufgedeckt werden, beispielsweise durch Data Mining? Das sind sicherlich keine exotischen Anforderungen aber dennoch eher die Spezial-Fälle. Außerdem ergeben sich daraus später gleich mehrere Use Cases, die genau spezifiziert werden müssen, um angemessene Analysewerkzeuge auszuwählen. Vor allem aber hängt vom jeweiligen Use Case das grundsätzliche Design der auswertungsoptimierten Datenbestände ab. Die Bestimmung der Use Cases ist meist aus dem eingereichten Fachkonzept des Fachbereichs herauslesbar und kann in Form von Use Case Diagrammen oder Actor-Interaktionsdiagrammen dokumentiert werden (Bild 1).

2 IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES 11 3) In welchem Detaillierungsgrad (Granularität) wird jeder der Kennzahlen für die Analysen benötigt? 4) Welche Dimensionen ergeben sich aus der Granularität für den Business Case? 5) Welche Attribute und Hierarchien werden für die Auswertung der Kennzahlen benötigt? 6) Welche Anforderungen an Historisierung und Versionierung gelten? In einer Kurzfassung könnte das Ergebnis also wie folgt aussehen: Business Case: Erlösrechnung für die Artikelabverkäufe der Verkaufsfilialen Bild 1: Use Case Diagramm dokumentieren Einsatzszenarien der geplanten Data Warehouse-Lösung. Definition des Datenhaushalts Wenn der oder die Use Cases definiert sind, kann man mit der Erhebung der Anforderungen an den Datenhaushalt beginnen und damit die ersten Eckpfeiler des Data Warehouse-Designs festlegen. Der Begriff Datenhaushalt wird hier als Klammer für alle Datenobjekte benutzt, die später bei der Analyse von Relevanz sind und in unterschiedlichen Ausprägungen an verschiedenen Stellen im Data Warehouse realisiert werden. Um das Vorgehen zur Definition des Datenhaushalts zu beschreiben, soll in diesem Artikel der Fokus auf OLAPund Reporting Anwendungen gelegt werden. Damit ist für den Design-Prozess auch das Ziel definiert: Business Analysten oder Modellierer führen die Erhebung des Datenhaushalts üblicherweise in einem Prozess durch, der mit einem zweitägigen Workshop beginnt. In diesem Workshop, bei dem alle betroffenen Fachbereiche vertreten sein sollten, werden von einem zehnstufigen Vorgehen sechs Stufen beziehungsweise Fragen abgearbeitet: 1) Welcher Geschäftsvorfall (oder Business Case) soll modelliert werden? 2) Welche steuerungsrelevanten Kennzahlen beinhaltet dieser Business Case? Kennzahlen: Menge je Artikel, Verkaufsumsatz, rechnerischer Kostensatz Granularität: pro Artikel, pro Tag, pro Filiale, pro Einkäufer Dimensionen: Artikel, Zeit, Verkaufsorganisation, Einkaufsorganisation Attribute: zum Beispiel Artikelname, EAN, Warengruppe, Hersteller, Lieferant, Preis..., Hierarchie: Warengruppe > Artikelgruppe > Artikel Historisierung: sechs Monate auf täglicher Basis, danach 30 Monate auf monatlicher Basis Versionierung: Verkaufsorganisation soll aus heutiger Sicht dargestellt werden, Einkaufsorganisation aus historisch richtiger Sicht. Aus Sicht der Datenmodellierung soll die Erhebung zu einem Datenmodell im Stil eines Star- oder Snowflake- Schema führen (oder Mischformen). Aus Sicht des Analysewerkzeuges soll die Erhebung zum Business Layer, zum Cube-Design oder zur Report-Objekten führen. Der erste Schritt zur Abstimmung der Anforderungen an den Datenhaushalt führt aber zunächst zu einem Business Modell, mit dem versucht wird, den aktuellen Business Case multidimensional abzubilden. Bild 2: Modellierungsergebnis im CASE-Tool.

3 12 IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES Vor dem Workshop sind gerade die Projektleiter aus der IT skeptisch, ob denn dieser Workshop zielführend sei und man es verantworten könne, die Ressourcen des Fachbereichs für zwei Tage einzufordern. Doch für den Workshop und die gleichzeitige Beteiligung aller Betroffenen spricht die Erfahrung aus vielen saracus Modellierungsprojekten. Erst der Workshop zeigt den späteren Data Warehouse-Anwendern, wie uneinheitlich ihre fachlichen Sichten untereinander sind und welcher Konsolidierungsbedarf dabei entsteht. Einzelinterviews als Alternative würde zu mehreren individuellen Befragungsrunden führen, die letztendlich mehr Zeit kosteten und auch Abstimmungsrunden mit allen Beteiligten bedürften. Was passiert nun in diesen Workshops? Der Business Case (Frage 1) wird an einer Tafel oder auf dem Flip-Chart durch zwei bis drei Sätze beschrieben. Diese Frage dient dazu, den Fokus zu finden, Aspekte auszugrenzen und zu erarbeiten, ob es überhaupt allen Personen um den gleichen Business Case oder eventuell mehrere geht. Die weitere Dokumentation der Fragen zwei bis sechs wird meist mit einem Case-Tool durchgeführt. Auch hier hat sich gezeigt, dass Teilnehmer ohne Modellierungserfahrung leicht die Notation multidimensionaler Modelle verstehen, wenn man sich auf Attribute, Entitäten, Beziehungen und Schlüsselkennzeichnung beschränkt (Bild 2). Welche Schwierigkeiten ergeben sich im Workshop? Zunächst scheint es oft gar nicht so einfach zu identifizieren, was denn nun die auswertungsrelevanten Kennzahlen sein sollen. Im Sprachgebrauch in Unternehmen wird leicht jede Zahl, die in einer Auswertung auftaucht, zu einer Kennzahl. Als hilfreich hat sich folgende Definition erwiesen: Kennzahlen sind die Zahlen, die für den Auswertenden die Meßlatte für den Erfolg darstellt. Die Zahlen von denen man möchte, dass sie sich über die Zeit ändern. Die nächsten Schritte im Workshop führen zur Beschäftigung mit der Granularität und Dimensionalität jeder Kennzahl. In den meisten Business Cases haben die Kennzahlen nicht alle die gleiche Granularität und Dimensionalität. Dadurch werden die Kennzahlen auf mehrere Fakttabellen-Kandidaten verteilt. Wichtig ist in diesem Schritt, wie auch bei der folgenden Definition von Attribut-Hierarchien, m:n-beziehungen zwischen Entitäten aufzudecken und möglichst zu beseitigen. Die Diskussion über Versionierungsanforderungen ist dann noch mal eine Herausforderung an die Konzentrationsfähigkeit der Workshop-Teilnehmer. Die Problematik ist nicht leicht zu verstehen und oft haben die Teilnehmer widersprüchliche Anforderungen. Bild 3: Phasen der Modellierung. Zur Verdeutlichung hier ein Beispiel: Eine Versicherung schließt die Regionalvertretung Lüneburg zum Ein Teil der Versicherten wird zukünftig bei der Vertretung Hamburg, der andere Teil in Hannover geführt. Dann stellt sich aus fachlicher Sicht die Frage der Versionierung für die Geographische Zuordnung der Versicherten. Die Tabellen (Variante 1 und 2) zeigen die mögliche Ergebnisdarstellung im Report abhängig von der gewählten Versionierung. Beide Sichten können zu problematischen Interpretationen führen. Bei Variante 1 freut man sich bei einem Vorjahresvergleich über den Vertriebserfolg der Hamburger und Hannoveraner, obwohl eigentlich kein Erfolg erzielt wurde. Bei Variante 2 hat es Lüneburg quasi nie als Regionalvertretung gegeben! Die Fachbereiche müssen hier entscheiden, welche Sicht für sie richtiger ist. Eventuell resultieren daraus zwei Dimensionen, eine versionierte und eine nichtversionierte. Die Ergebnisse der Fragen 1 bis 6 werden am besten wie ein Snowflake- Schema dargestellt. Jeder Hierarchielevel erhält mit seinen Attributen eine eigene Dimensionstabelle, die Dimensionen sind vorerst normalisiert und die Tabellen werden entlang der Hierarchie verknüpft (siehe Bild 2). Wobei man gestehen muss, dass nicht alle Anforderungen multidimensional modelliert werden können. Mit den Ergebnissen des Workshops führt der Modellierer erste Qualitätssicherungsmaßnahmen durch. Anhand bestehender Berichte wird überprüft, ob Anforderungen übersehen wurden. Untersuchungen der Quelldaten sollen Widersprüche zu den Modellierungsergebnissen aufzeigen und Mengengerüste liefern. Danach wird es weitere mehrstündige Treffen mit den Workshop-Teilnehmern geben, um offene Fragen und Widersprüche zu klären. Dabei werden auch die Fragen sieben bis zehn des Vorgehens diskutiert: 7) Ist jede Dimension so homogen, dass alle Attribute in einer Tabelle gespeichert werden sollten?

4 14 IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES 8) Welche Aggregationslevel sind bezogen auf die Dimensionen erwartbar? 9) Welche Ladezeitfenster stehen zur Verfügung und welche Dringlichkeit besteht für das Laden der Daten? 10) Welche Anforderungen an Datenschutz und Berechtigungen existieren? Je nach Komplexität kann das Business Modell nach zwei bis vier Wochen fertig abgestimmt und abgenommen vorliegen. Dann schließt sich die Phase der logischen Modellierung an. Logische Datenmodellierung und Performanz Die Kernaufgabe der logischen Modellierung besteht darin, die Dimensionen zu Dimensionstabellen und die Kennzahlen zu Fakttabellen werden zu lassen und dabei Aspekte wie Performanz und Tooleinsatz zu berücksichtigen. Die Kernaktivität ist dabei, einen angemessenen Grad der Normalisierung oder Denormalisierung zu finden. Für die logische Modellierung kann man einige grobe Regeln formulieren: Für die Abfrage-Performanz wäre ein Star-Schema am besten. Pro Fakttabelle gibt es für jede Dimension auch nur eine Tabelle. Anzahl Versicherte im Jahr 2003 im Jahr 2004 Hamburg Hannover Lüneburg 300 Variante 1: mit Versionierung die historisch richtige Sicht. Anzahl Versicherte im Jahr 2003 im Jahr 2004 Hamburg Hannover Lüneburg Variante 2: keine Versionierung es gilt die Sicht von heute. Von Fakttabellen mit Daten auf Tagesbasis (oder anderen großen Fakttabellen) werden Aggregationstabellen angelegt, um Abfragen zu beschleunigen, die nicht auf Detaillevel stattfinden. Dadurch lässt sich aber der Wunsch nach einem Star-Schema nicht durchhalten, da Dimensionstabellen für die Aggregationstabellen entsprechend der Granularität der Aggregation aufgesplittet werden müssen. Fakten aus verschiedenen Fakttabellen dürfen nicht in eine zusammengelegt werden, wenn der Datensatz beim Laden nicht vollständig vorliegt. Das ist meist für eine Supply-Chain relevant. Kennzahlen zu Bestellung, Lieferung und Rechnung können nicht in einer Fakttabelle sein, wenn man mit dem Laden nicht bis zur Bezahlung warten will. Wären sie in einer Fakttabelle, müsste man die Datumsangaben zu Lieferung, Rechnung usw. später aktualisieren. Mehrere Minidimensionen, die nur aus einer Code- und einer Beschreibungsspalte bestehen, können durch Ausmultiplikation zusammengelegt werden. Sind in einem Modell mit mehreren Fakttabellen Abfragen auf mehrere Fakttabellen gleichzeitig zu erwarten, benötigen manche Tools eine gleiche Dimensionalität, um Ergebnisse liefern zu können. Teilweise müssen Fakttabellen also um Dimensionen erweitert werden, die aus anderen Fakttabellen stammen. Wenn Fakten aus Business-Sicht rückwirkend geändert werden können, wird eine zusätzliche Fakttabelle benötigt. Eine Fakttabelle stellt die Daten laut dem ursprünglichen Laden dar, die andere Fakttabelle aus heutiger Sicht. Bild 4: Das Ergebnislayout. Soll das logische Modell auf einer relationalen Datenbank realisiert werden, müssen zusätzlich jetzt die physischen Parameter wie Feldformate, Datentypen usw. definiert werden. Bei einer multidimensionalen Datenbank ist die logische Modellierung sehr Anbieter-spezifisch. Falls man sie überhaupt so bezeichnen möchte, meint sie in diesem Kontext die Übersetzung des Business Modells in Cube-Strukturen, auf deren Basis dann die Cubes geladen

5 16 IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES werden können. Letztendlich geschieht aber hier ähnliches, nämlich die Anpassung des Business Modells für das Tool und die Performanz (Bild 3). Erhebung der Anforderungen an Analyse- und Berichtslayout Für Business Intelligence ist zwar der zur Verfügung stehende Datenhaushalt grundlegend, aber auch die Anforderungen an die Analyse und Darstellung der Ergebnisse müssen erhoben werden. Zusätzlich sind diese Anforderungen auch unter dem Aspekt zu untersuchen, ob die zukünftigen Analysen und Berichte Daten enthalten, die besondere Modellierungslösungen erfordern. Oft betrifft das beispielsweise Berichtsmetadaten, wenn Abfragedatum oder Berichtsersteller im Bericht angezeigt werden sollen. Außerdem dienen die Anforderungen zur Qualitätssicherung des Datenhaushalts. Schließlich muss jedes Feld, dass in einem Bericht angezeigt wird, vorher im Datenhaushalt definiert worden sein (Bild 4). Anforderungen an Toolfunktionalität Dieses ist dann der letzte Punkt der Erhebung der Anforderungen mit potenziellen Design-Konsequenzen. Es gibt dabei die beiden grundlegenden Situationen schon ein OLAP- oder Reporting- Werkzeug im Unternehmen im Einsatz zu haben oder nicht (beziehungsweise Vorgaben für eine Auswahl zu haben). Werden die Anforderungen der Nutzer erhoben, um Kriterien für eine Toolauswahl zu generieren, spielt der Datenhaushalt dabei eine wichtige implizite Rolle. Beispielsweise wird daraus abzuleiten sein, inwieweit die Anforderungen durch ein OLAP-Tool mit multidimensionaler Datenhaltung (MOLAP- Tool) oder durch ein Werkzeug, das relationale Abfragen generiert (Relational OLAP, Desktop OLAP, Reporting), erfüllt werden können. Ist das OLAP-Tool vorgegeben, definiert es durch seine Möglichkeiten und Beschränkungen Modifikationen am logischen Modell. Es gibt je nach Tool Vorgaben für die Modellstruktur wie etwa im Sinne von Star- oder Snowflake-Präferenzen, Namenskonventionen, Möglichkeiten bei der Aggregat Navigation oder auch Beschränkungen der Dimensionalität oder der Anzahl Fakttabellen. Zusammenfassend kann man sagen, dass die meisten Unternehmen ein bis zwei Tools einsetzen, um die Bandbreite der Anforderungen zwischen Adhoc Analyse und Standardreporting mit entsprechenden Verteilmechanismen abzudecken. Ebenso führen die meisten Modellierungsanforderungen zu einem relationalen Data Mart mit einem multidimensionalen Modell als Mischform zwischen Star- und Snowflake- Schema. Wichtig beim Data Warehouse- Design ist es, keine Schritte zu überspringen und immer auch ein wenig in die Zukunft zu schauen. Der Modellierer sollte immer wieder alle Anforderungen auf ihre Steuerungsrelevanz überprüfen und das Ziel haben, die Modelle möglichst übersichtlich zu gestalten. Volker Wutschik

Seminar C16 - Datenmodellierung für SAP BW

Seminar C16 - Datenmodellierung für SAP BW C16: Datenmodellierung für SAP BW Ein Seminar der DWH academy Seminar C16 - Datenmodellierung für SAP BW Dieses Seminar soll einen umfassenden Einblick in die Datenmodellierung beim Einsatz von SAP BW

Mehr

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

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

good. better. outperform.

good. better. outperform. good. better. outperform. Analytic mit Oracle BI relational oder besser multidimensional? 8. Oracle BI & DWH Konferenz, 20.03.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence

Mehr

Seminar C02 - Praxisvergleich OLAP Tools

Seminar C02 - Praxisvergleich OLAP Tools C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien

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

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 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

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

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

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

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

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

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

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

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

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

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

Business Intelligence Praktikum 1

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

Mehr

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

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

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

Hetero-Homogene Data Warehouses

Hetero-Homogene Data Warehouses Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung

Mehr

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Hochschulstudium (Wirtschaftsinformatik oder ein vergleichbarer Studiengang) Fachliche und technische Kenntnisse im Bereich Business

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

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

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum

Mehr

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

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

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian Kurze BI-Praktikum IBM WS 2008/09 Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS

Mehr

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

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

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

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

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57 1... Einleitung... 15 1.1... Zielgruppen dieses Buches... 17 1.2... Aufbau des Buches... 18 1.3... Hinweise zur Benutzung des Buches... 21 1.4... Danksagung... 23 2... Grundlagen der Datenmodellierung...

Mehr

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

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

Mehr

Business Intelligence Aufgabenstellung

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

Mehr

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 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

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

Survival Guide für Ihr Business Intelligence-Projekt

Survival Guide für Ihr Business Intelligence-Projekt Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren

Mehr

O-BIEE Einführung mit Beispielen aus der Praxis

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

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

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects Besseres Investitionscontrolling mit Der Investitionsprozess Singuläres Projekt Idee, Planung Bewertung Genehmigung Realisierung Kontrolle 0 Zeit Monate, Jahre Perioden Der Investitionsprozess Singuläres

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

Leseprobe. Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker. Data Warehousing mit Oracle. Business Intelligence in der Praxis

Leseprobe. Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker. Data Warehousing mit Oracle. Business Intelligence in der Praxis Leseprobe Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker Data Warehousing mit Oracle Business Intelligence in der Praxis ISBN: 978-3-446-42562-0 Weitere Informationen oder Bestellungen unter

Mehr

Master-Thesis (m/w) für unseren Standort Stuttgart

Master-Thesis (m/w) für unseren Standort Stuttgart Master-Thesis (m/w) für unseren Standort Abschlussarbeit im Bereich Business Process Management (BPM) Effizienzsteigerung von Enterprise Architecture Management durch Einsatz von Kennzahlen Braincourt

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

Solution for Business Intelligence. MID Insight 2013

Solution for Business Intelligence. MID Insight 2013 Solution for Business Intelligence MID Insight 2013 A G E N D A 1. Solution für Business Intelligence (BI) 2. Die Gründe und Hintergründe 3. Die Methode 4. Vorteile MID GmbH 2013 2 Solution für Business

Mehr

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

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

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

Mehr

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

Oracle BI Publisher in der Oracle Business Intelligence Enterprise Edition Plus. Eine Mehrwertdiskussion

Oracle BI Publisher in der Oracle Business Intelligence Enterprise Edition Plus. Eine Mehrwertdiskussion Oracle BI Publisher in der Oracle Business Intelligence Enterprise Edition Plus Eine Mehrwertdiskussion Der Oracle BI Publisher als Teil der Oracle BI Suite versus Oracle BI Publisher Standalone Der Oracle

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

Agile Analytics Neue Anforderungen an die Systemarchitektur

Agile Analytics Neue Anforderungen an die Systemarchitektur www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende

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

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck

Mehr

Fachbereich Informatik Praktikum 1

Fachbereich Informatik Praktikum 1 Hochschule Darmstadt DATA WAREHOUSE SS2015 Fachbereich Informatik Praktikum 1 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.April.2015 1. Kurzbeschreibung In diesem Praktikum geht

Mehr

QUICK-START EVALUIERUNG

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

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

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

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

Mehr

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst Durchblick im Self-Service-Dschungel Hannover, 16.03.2015 Patrick Keller, Senior Analyst Business Application Research Center (BARC) B Europas führendes IT-Analysten- und -Beratungshaus für Business Software

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

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

Data-Vault-Automation aus dem Datenmodellierungstool. 1. Tagung der DDVUG am 24.Juni2014

Data-Vault-Automation aus dem Datenmodellierungstool. 1. Tagung der DDVUG am 24.Juni2014 Data-Vault-Automation aus dem Datenmodellierungstool 1. Tagung der DDVUG am 24.Juni2014 A G E N D A 1. MID & Innovator 2. Modell & Methode 3. Architektur & Automatisierung 4. Nutzen & Veränderung MID GmbH

Mehr

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining 2 Eigenschaften eines Data Warehouse Referenzarchitektur Integrierte Sicht auf beliebige Daten aus verschieden Datenbanken

Mehr

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

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

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

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

Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen.

Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen. Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen. Definitionen Business Intelligence (BI) bezeichnet Verfahren, Prozesse und Techniken zur systematischen Analyse von Daten in elektronischer

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

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

Wie aus Steuerungsinformation öffentliche Statistik wird

Wie aus Steuerungsinformation öffentliche Statistik wird Wie aus Steuerungsinformation öffentliche Statistik wird Schweizer Statistiktage Vaduz, 19. - 21. September 2012 Lukas Calmbach, Statistisches Amt des Kantons Basel-Landschaft Statistisches Amt des Kantons

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

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

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

6 InfoCubes erstellen und konfigurieren

6 InfoCubes erstellen und konfigurieren InfoCubes bilden die Reportingschicht in der LSA; sie sind für die Performance des Reportings entscheidend. In diesem Kapitel stellen wir Ihnen vor, welche InfoCubes es gibt und wie Sie damit arbeiten.

Mehr

Spezialisierung Business Intelligence

Spezialisierung Business Intelligence Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business

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

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

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

Mehr

ENTERBRAIN Reporting & Business Intelligence

ENTERBRAIN Reporting & Business Intelligence Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit

Mehr

eevolution Business Intelligence

eevolution Business Intelligence eevolution Business Intelligence Haben Sie sich schon häufig gefragt, warum Ihr Berichtswesen so kompliziert sein muss? Warum Sie nicht einfach mit wenigen Handgriffen Ihr Berichtswesen einrichten und

Mehr

Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer Workflows

Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer Workflows Matthias Röger Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer Workflows Diplomica Verlag Matthias Röger Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer

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

Anwendungsszenarien SAP BPC

Anwendungsszenarien SAP BPC Planung Ziele setzen (Top down, bottom up) Planen & Massnahmen definieren Pläne realisieren Erfolge messen (Plan versus Actuals, Benchmark, Vorjahr) Planung von Kartoffelkäferbekämpfung Anwendungsszenarien

Mehr

Managementinformationen beschaffen u. aufbereiten

Managementinformationen beschaffen u. aufbereiten Managementinformationen beschaffen u. aufbereiten Informationsbedarf... 2 Geschäftsinformationen... 2 Managementinformationen... 2 Eigenschaften ERM... 2 Eigenschaften multidimensionales Modell... 2 Relevante

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

BPM und egpm. Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen. Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS)

BPM und egpm. Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen. Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS) BPM und egpm Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS) C1 WPS GMBH //// Vogt-Kölln-Str. 30 //// 22527 HAMBURG

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

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

Mehr

SAP BI Business Information

SAP BI Business Information Aus der Praxis für die Praxis. SAP BI Business Information Thomas Wieland Berlin, 24. November 2006 SAP BW Architektur Seite 2 Business Intelligence Aufgaben Bereitstellung harmonisierter Daten, Informationen

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

mit der neuen Microsoft BI-Plattform

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

Mehr

Fachbereich Informatik Praktikumsversuch 6. Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Christoph Gerold, B. Sc. Datum: 02.07.

Fachbereich Informatik Praktikumsversuch 6. Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Christoph Gerold, B. Sc. Datum: 02.07. Hochschule Darmstadt Data Warehouse Fachbereich Informatik Praktikumsversuch 6 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Christoph Gerold, B. Sc. Datum: 02.07.2013 Einleitung Data Warehouse

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

Profil Andy Sydow. Persönliche Daten. Profil. Profil Andy Sydow. Deutsch, Englisch (gut) Fachinformatiker für Anwendungsentwicklung

Profil Andy Sydow. Persönliche Daten. Profil. Profil Andy Sydow. Deutsch, Englisch (gut) Fachinformatiker für Anwendungsentwicklung Profil Andy Sydow Persönliche Daten Nationalität Sprachen Abschluss deutsch Deutsch, Englisch (gut) Fachinformatiker für Anwendungsentwicklung Profil Herr Sydow verfügt über mehrjährige Erfahrung als DWH/BI

Mehr

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von BI zu Analytik bessere Entscheidungen basiert auf Fakten Webinar Mai 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von Business Intelligence zu Analytik Die Bedeutung

Mehr

Einsatz des Microsoft SQL-Servers bei der KKH

Einsatz des Microsoft SQL-Servers bei der KKH Einsatz des Microsoft SQL-Servers bei der KKH Reporting Services und Analysis Services Kontaktdaten Detlef André Abteilungsleiter Data Warehouse E-Mail detlef.andre@kkh.de Telefon 0511 2802-5700 Dr. Reinhard

Mehr