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

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

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die mu l- tidimensionale Betrachtung von Daten zwecks Ermit t- lung eines entscheidungsunterstützenden

Mehr

Online Analytical Processing

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

Mehr

good. better. outperform.

good. better. outperform. good. better. outperform. Quo Vadis Oracle BI Relational oder besser multidimensional? DOAG 2013 Business Intelligence, 17.04.2013 Dirk Fleischmann Director Business Intelligence & DWH Business Intelligence

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

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

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

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009

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

Mehr

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

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

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

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

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

Mehr

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

Modellierung von OLAP- und Data- Warehouse-Systemen

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

Mehr

SP03: Datenmodellierung in SAP NetWeaver BI im Vergleich zum klassischen Data Warehousing

SP03: Datenmodellierung in SAP NetWeaver BI im Vergleich zum klassischen Data Warehousing SP03: Datenmodellierung in SAP NetWeaver BI im Vergleich zum klassischen Data Warehousing Ein Seminar der DWH academy Seminar SP03 - Datenmodellierung in SAP NetWeaver BI im Vergleich zum klassischen Data

Mehr

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

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

Mehr

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

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

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

Mehr

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

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

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

Mehr

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

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

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich

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

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

Das Multidimensionale Datenmodell

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

Mehr

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

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

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

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

Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand

Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand Name: Michael Welle Funktion/Bereich: Manager Business Intelligence Organisation: Windhoff Software Services Liebe Leserinnen

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

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

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

Performanceaspekte in der SAP BI Modellierung

Performanceaspekte in der SAP BI Modellierung Performanceaspekte in der SAP BI Modellierung SAP BW 7.3 & SAP HANA Performance Indizes Aggregate DSO & InfoCube BWA SAP HANA Empfehlung 2 Performance Performance bedeutet, unter gegebenen Anforderungen

Mehr

Data Warehouse Technologien

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

Mehr

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

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

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

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

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

Produktinformation eevolution OLAP

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

Mehr

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

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

Mehr

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

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

2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45

2 Datenbanksysteme, Datenbankanwendungen und Middleware... 45 Vorwort 15 Teil I Grundlagen 19 i Einführung In das Thema Datenbanken 21 I.I Warum ist Datenbankdesign wichtig? 26 i.2 Dateisystem und Datenbanken 28 1.2.1 Historische Wurzeln 29 1.2.2 Probleme bei der

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

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

Self Service BI der Anwender im Fokus

Self Service BI der Anwender im Fokus Self Service BI der Anwender im Fokus Frankfurt, 25.03.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC 1 Kernanforderung Agilität = Geschwindigkeit sich anpassen zu können Quelle: Statistisches

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

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

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

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

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

Aufgabe 1: [Logische Modellierung]

Aufgabe 1: [Logische Modellierung] Aufgabe 1: [Logische Modellierung] a) Entwerfen Sie für das von Ihnen entworfene Modell aus Aufgabe 2 des 1. Übungsblattes ein Star-Schema. b) Entwerfen Sie für das vorangegangene Modell einen Teil eines

Mehr

Microsoft SQL-Server 2008 R2/2012 Reporting und OLAP

Microsoft SQL-Server 2008 R2/2012 Reporting und OLAP Microsoft SQL-Server 2008 R2/2012 Reporting und OLAP Kompakt-Intensiv-Training OLAP gilt als Schlüsseltechnologie auf dem Gebiet Business Intelligence. In unserer Schulung "Microsoft SQL-Server 2008 R2/2012

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

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

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

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert Maika Büschenfeldt Datenbanken: Skript 1 1. Was ist eine relationale Datenbank? In Datenbanken können umfangreiche Datenbestände strukturiert abgelegt werden. Das Konzept relationaler Datenbanken soll

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

OLAP und der MS SQL Server

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

Mehr

Oracle BI EE mit großen Datenmengen

Oracle BI EE mit großen Datenmengen Oracle BI EE mit großen Datenmengen Christian Casek Riverland Solutions GmbH München Schlüsselworte: Oracle BI EE, Oracle BI Applications, Informatica, RPD, große Datenmengen, Performance, Performanceoptimierung,

Mehr

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

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

Mehr

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

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

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

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

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

ARCO SQL T5 - Business Intelligence

ARCO SQL T5 - Business Intelligence ARCO SQL T5 - Business Intelligence Um die ARCO Business Intelligence Funktionen nutzen zu können, werden diese unter MS Excel eingerichtet. Es handelt sich um strukturierte Auswertungen bezüglich Umsätzen,

Mehr

Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.

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

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

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

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

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

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

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

Mehr

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

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

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 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

www.braunconsult.de SAP BW 7.3 & SAP HANA

www.braunconsult.de SAP BW 7.3 & SAP HANA Performanceaspekte in der SAP BI Modellierung SAP BW 7.3 & SAP HANA Performance Indizes Aggregate DSO & InfoCube BWA SAP HANA Empfehlung 2 Performance Performance bedeutet, unter gegebenen Anforderungen

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

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

DW42: DWH-Strategie, Design und Technik

DW42: DWH-Strategie, Design und Technik DW42: DWH-Strategie, Design und Technik Ein Seminar der DWH academy Seminar DW42 - DWH-Strategie, Design und Technik In diesem Seminar lernen Sie durch praxiserfahrene Referenten ein Data Warehouse spezifisches

Mehr

Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch

Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch Obwohl mit der Verwendung von SAP HANA ein neuer semantischer Layer zum Einsatz kommt,

Mehr

Business Intelligence Praktikum 2

Business Intelligence Praktikum 2 Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 2 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.05.2014 1. Kurzbeschreibung 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

Oracle-Statistiken im Data Warehouse effizient nutzen

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

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.

ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is. ANTARES Informations-Systeme GmbH Stuttgarter Strasse 99 D-73312 Geislingen Tel. +49 73 31 / 30 76-0 Fax +49 73 31 / 30 76-76 www.antares-is.de insight und dynasight sind eingetragene Markenzeichen der

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

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

Fachbereich Informatik Praktikumsversuch 4. Prof. Dr.. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2015

Fachbereich Informatik Praktikumsversuch 4. Prof. Dr.. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2015 Hochschule Darmstadt Data Warehouse SS2015 Fachbereich Informatik Praktikumsversuch 4 Prof. Dr.. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2015 1. Kurzbeschreibung Dieses Praktikum

Mehr

BI für Jedermann. Neue Möglichkeiten durch die Oracle BI-Suite Enterprise Edition

BI für Jedermann. Neue Möglichkeiten durch die Oracle BI-Suite Enterprise Edition BI für Jedermann Neue Möglichkeiten durch die Oracle BI-Suite Enterprise Edition Wolfgang Rütter Bereichsleiter Informationssysteme OPITZ CONSULTING Gummersbach GmbH 1 Warum BI für Jedermann? 1. Historie

Mehr

Logische Datenmodellierung zur Abbildung mehrdimensionaler Datenstrukturen im SAP Business Information Warehouse

Logische Datenmodellierung zur Abbildung mehrdimensionaler Datenstrukturen im SAP Business Information Warehouse Logische Datenmodellierung zur Abbildung mehrdimensionaler Datenstrukturen im SAP Business Information Warehouse Vortrag auf der BTW 2003, Leipzig 26.-28.02.2003 Dr. Michael Hahne cundus AG Prokurist,

Mehr

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

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

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Einführungsseminar Data Mining Seminarvortrag zum Thema: Data Warehouse und Data Mining Von gehalten am Betreuer: Dr. M. Grabert Einführung Problemstellung Seite 2 Einführung Unternehmen bekommen eine

Mehr

Business Intelligence für Controller

Business Intelligence für Controller Controllers Best Practice Fachbuch Business Intelligence für Controller Hermann Hebben und Dr. Markus Kottbauer Verlag für ControllingWissen ÄG, Freiburg und Wörthsee Ein Unternehmen der Haufe Mediengruppe

Mehr