Data (Reverse) Engineering
|
|
- Theresa Schräder
- vor 7 Jahren
- Abrufe
Transkript
1 Data (Reverse) Engineering Analyse von Datenlandschaften Karlsruhe, 30. September 2015 Dr. Marcus Ciolkowski Agenda 1. Überblick Fallbeispiel AIR 2. Herausforderungen bei der Analyse von Datenlandschaften (Data Reverse Engineering) 3. Lösungsansatz: Meta Information Research (MIR) 4. Zusammenfassung 3
2 AIR: Eine Enterprise Search Anwendung, die Recherche im Aftersales auf einem vernetzten Datenbestand ermöglicht. Kunde: Automobilhersteller Projekt: Aftersales Information Research (AIR) System zur Informationsrecherche im Aftersales auf vernetzen Service-Daten Aufgaben QAware: Produktvision und Proof of Concept Fachliche Analyse der Informationsbebauung Übergreifende Systemarchitektur Agile Entwicklung von AIR Kenngrößen: 23 Mitarbeiter, Projektlaufzeit seit Die Vision: Finde alle Informationen zum Fahrzeug mit weniger als drei Klicks. Ausgangssituation für Anwender vorher: Informationen über mehr als 7 Anwendungen verstreut Keine (gute) Integration: Mehrfache Eingabe von (inkonsistenten) Schlüsseln nötig Korrekte Informationen nur mühsam und fehleranfällig auffindbar Die Idee: Kombiniere Daten in ein konsistentes Informationsnetz Mache das Informationsnetz durchsuch- und navigierbar Ersetze existierende Anwendungen durch eine integrierte 5
3 AIR verknüpft mehr als 40 Geschäftsobjekte. Technische Dokumentation Teile Nachrüstungen Beschreibungen en Instandsetzung Sonderarbeitswerteerte Sonderbefunde Maßnahmee Arbeitswertee Servicehistorie Fahrzeugdetails Abonnements Serviceverträge Marketingkampagnen Sonderausstattung Service ReparaturpaketeR Gewährleistungs- Reparaturpakete BefundeB Nachrüstungen Reparaturanleitung Premium Reparaturanleitung Explosionszeichungen Technische T Aktionen 6 AIR kombiniert Informationen aus mehr als 20 Datenquellen. Einsatz weltweit ca Nutzer zur Laufzeit integriert AIR zusätzlich 10 Systeme Backend Systeme System Z Loader (ETL) System A System B 20 Sprachen 55 Mio. Objekte/Sprache 800 GB Index in 20 Cores Index (Solr) Index speist sich aus > 10 Backendsystemen Backendsysteme aggregieren Daten aus > 30 Datenquellen System C System F System M 7
4 Agenda 1. Überblick Fallbeispiel AIR (Aftersales Information Research) 2. Herausforderungen bei der Analyse von Datenlandschaften (Data Reverse Engineering) 3. Lösungsansatz: Meta Information Research (MIR) 4. Zusammenfassung 8 Problemstellung Data (Reverse) Engineering: Informationen und Verknüpfungen in einer Systemlandschaft suchen. Viele (Big Data) Projekte benötigen Informationen aus einer System- und Datenlandschaft Für einen speziellen Bedarf (Recherche, Analyse, MDM, ) Aufgabe: Informationen aus mehreren Datentöpfen kombinieren und verknüpfen Datenlandschaft: Viele Datentöpfe Daten teilweise redundant aber leicht abweichend Dokumentationsqualität variabel Dabei stellen sich auch folgende Fragen Welche Datenquellen nutze ich für welche Informationen? Datenqualität: Wie gut sind die Daten für meinen Zweck geeignet? Wie verknüpfe ich Informationen aus (unterschiedlichen) Datenquellen? 9
5 Datenlandschaft: Viele Datentöpfe und potentielle Datenquellen. Reverse Engineering: Welche Datentöpfe sind geeignet? System A System B System C System D Wo findet man Fahrzeuge? 60 potentielle Eingangssysteme, Entitäten, Attribute Fahrzeug Sonstige Daten 10 Zusätzlich suchen wir Verknüpfungen zwischen Informationen. Reverse Engineering: Was sind geeignete Fremdschlüssel? System A System B System C System D Wie sind die Daten miteinander verknüpft? potentielle Relationen Maßnahmen Dokumente Fahrzeug Sonstige Daten 11
6 Für solches Reverse Engineering benötigt man Metadaten. Erkenntnis: Metadaten sind auch Daten. Daten: Inhalte der Datentöpfe Metadaten: Beschreibung der Datenstrukturen Namen und Beschreibungen von Entitäten / Attributen Relationen (PK/FK/ ) Idee: Metadaten indizieren und durchsuchen auf Datenlandschaften Quellen für Metadaten sind zum Beispiel: Schematabellen Dokumentationen (PDFs) Datenmodelle (HTML, XML, Excel, ) 12 Analyse von Datenlandschaften: Iteratives Vorgehen vom Verstehen der Eingangssysteme zum fachlichen Modell. Eingangssysteme System(nahes) Modell Datenmodell Eingangssysteme Fachliches Modell Metadaten Metadaten Daten Metadaten Daten und analysieren Metadaten analysieren Eingrenzen Ergänzen Auswählen Für Anwendungs- Zweck abstrahieren Daten ó Datenqualität. bewerten Iterieren Eingangssysteme verstehen, Datenmodell abstrahieren Relevante Ausschnitte identifizieren Fachliches Modell für Applikation ableiten
7 Alle Schritte bei der Analyse einer Datenlandschaft erfordern ähnliche Aufgaben. Potentielle Datentöpfe identifizieren und auswählen Geschäftsobjekte und Relationen erkennen Suche über Namen/Beschreibungen von Entitäten und Attributen Synonyme, Dialekte beachten Ggf. Matching von Inhalten und Schlüsseln Benötige Attribute vorhanden? Datenqualität ausreichend? Randbedingungen, Anforderungen: Aktualität, Verfügbarkeit, Konzernvorgaben, Dabei stellen sich typische Herausforderungen: Suchen über Systeme hinweg Synonyme, Ähnlichkeiten erkennen und berücksichtigen Informationen ergänzen Eingrenzen: Für Zweck relevante Kandidaten auswählen Aktuellen Stand visualisieren Fehlende Informationen / Systeme manuell ergänzen Systeme, Entitäten und Relationen fehlen Datenmodelle abstrahieren 15 Unser Lösungsansatz: Meta Information Research (MIR) 16
8 MIR ist ein einfaches und leichtgewichtiges Werkzeug zur Analyse von Datenlandschaften auf Basis von Solr. Ansatz: Metadaten heterogener Datentöpfe zu einem homogenen Datenbestand überführen Den kann ich analog einer Suchmaschine (Enterprise Search) integriert durchsuchen (Semi-) Automatischer Import aus DB-Beschreibungstabellen oder anderen Dokumenten (z.b. XML, HTML, PDF, Excel) A <<System>> Meta Information Research HTML 25MB Metadata Index (25MB) Sources (Java, XML) Magic Draw A <<Subsystem>> MIR User Interface I <<Subsystem>> Apache Solr A <<Subsystem>> MIR Loader A <<Subsystem>> MIR Generators Read Backend Databases and Systems Backend Datenquellen PDF XLS XML Dokumentation 17 MIR unterstützt Suche und Modellierung. MIR unterstützt wichtige Schritte des Data Engineering Suche und Drill-Down in Metadaten Auswahl und Ergänzung von Entitäten, Attributen und Relationen Generieren: Datenmodell / Diagramme 18
9 Facettierter Drill-Down Wildcard Suchen Suchergebnis Die MIR-Oberfläche erlaubt Suchen über Systemgrenzen hinweg Ziel: Synonyme, Ähnlichkeiten erkennen Baumstruktur für Eingangssysteme, Tabellen, Attribute Potentielle Synonyme und Verknüpfung für Fahrgestellnummer 19 MIR unterstützt Auswahl und Ergänzung von Entitäten, Attributen und Relationen. Informationen ergänzen: Objekte und Relationen spezifizieren über Excel Eingrenzen von Entitäten per Excel-Export und Import Potentielle Relationen erkennen 20
10 Visualisierung: Generierung von UML-Modellen. Automatisierter Export in UML-Modell 21 Beispiel: Ein neues Geschäftsobjekt anbinden. Zustand nach initialem Laden der Metadaten: In dieser Datenbank sind Relationen gut gepflegt Beschreibungstexte allerdings nicht 22
11 Fehlende Beschreibungen haben wir aus Dokumentation nachgeladen: Dafür haben wir eine Möglichkeit geschaffen, Beschreibungen aus Dokumentation anzureichern 23 Das generierte Systemmodell des Eingangssystems nach initialem Laden der Metadaten: Nächster Schritt: Eingrenzen auf fachlich relevanten Ausschnitt durch Suchen im Datenmodell und in Spezifikation 24
12 Datenmodell des Eingangssystems nach Eingrenzung: Das Datenmodell ist jetzt viel überschaubarer. Das fachliche Kernobjekt ist gut erkennbar Aber: Eine einzelne Entität ist nicht verbunden Ursache: Fehlende Relation in den Metadaten 25 Suche: Welche Relation fehlt? Hinweis auf Relation finden wir im Beschreibungstext 26
13 Die fehlende Relation können wir nun einfach ergänzen: Spezifikation der fehlenden Relationen in Excel Nach Update: Fehlende Relation ist in MIR vorhanden 27 Danach haben wir ein vollständiges Datenmodell für den relevanten Ausschnitt des Eingangssystems: Generiertes UML-Modell enthält die neuen Relationen 28
14 Mit MIR konnten wir die Analyse einer großen Datenlandschaft bewältigen. Für diese Herausforderungen bei der Analyse der Datenlandschaft haben wir MIR gebaut: Suchen über Systeme hinweg Synonyme, Ähnlichkeiten erkennen und berücksichtigen Informationen ergänzen Eingrenzen: Für Zweck relevante Kandidaten auswählen Aktuellen Stand visualisieren Zusätzlich verwalten wir die Datenbank-Entitäten der Anwendung AIR 29 Mit MIR dokumentieren wir auch das fachliche Modell von AIR. Daraus generieren wir Solr-Schema und Zugriffsschicht. Excel-Spezifikation der Solr-Objekte in AIR MIR-Import Eine Spezifikationsquelle für Generieren: Dokumentation, Datenbank-Schema DB- Schema und Zugriffschicht reduziert Aufwand und erhöht Konsistenz Index (Solr) schema.xml solrconfig.xml 30
15 Solr Entitäten für jedes Release Solr Schema Spezifikation In MIR erscheint AIR als ein System mit Zusatzinformationen 31 Die Spezifikation des fachlichen Datenmodells nutzt den normalen Mechanismus zur Ergänzung fehlender Informationen. Name, Beschreibung von Entität und Attributen Hinweise für Interpretation und Abbildung auf Eingangssysteme Spezifikation des Solr-Datenmodells 32
16 Zugriffschicht generieren wir über den Toolstack MIR + Solr + Maven. 33 Agenda 1. Überblick Fallbeispiel AIR (Aftersales Information Research) 2. Herausforderungen bei der Analyse von Datenlandschaften (Data Reverse Engineering) 3. Lösungsansatz: Meta Information Research (MIR) 4. Zusammenfassung 34
17 Zusammenfassung (1/2) Eine wesentliche Herausforderung bei vielen Big Data Projekten ist Analyse von Datenlandschaften: Wo finde ich relevante Informationen? Wie sind diese verknüpft? Auf Basis von Solr haben wir MIR (Meta Information Research) entwickelt, das relevante Fragestellungen bei der Analyse von Datenlandschaften unterstützt Import von Metadaten in unterschiedlichen Formaten Suche, Auswahl und Ergänzung von Entitäten, Attributen und Relationen Export/Visualisierung der aktuellen Erkenntnisse 36 Zusammenfassung (1/2) Im Projekt AIR hat uns MIR die Analyse der Datenlandschaft wesentlich erleichtert 60 Datenquellen mit Entitäten, Attributen und potentiellen Relationen konnten wir in wenigen Wochen mit kleinem Team (3 Personen) eingrenzen Einfache und schnelle Visualisierungen durch Modell-Export beschleunigen Lernkurve beim Data Engineering Die Modellierung des fachlichen / Modells der Applikation hilft uns bei Dokumentation: einfaches Update des UML-Modell-Exports statt Deltas manuell pflegen Konsistenz und geringere Fehleranfälligkeit bei der Entwicklung durch gemeinsame Spezifikationsquelle für Dokumentation, DB-Schema und Zugriffschicht 37
18 Ausblick: Integration Data Profiling für Analyse der Datenqualität. Aufgabenstellung: Datenqualität für alle Ebenen im Detail prüfen Datenlandschaft: Beziehungen (Gültigkeiten) zwischen Datentöpfen Metadaten: Qualität der Modellierung / Dokumentation Daten: Vollständigkeit, Konsistenz, Datenqualität ist stark durch fachliche Fragen getrieben, typisch sind Sind Datensätze und Schlüsselbeziehungen konsistent und vollständig? Sind Daten/Schlüssel im gleichen Dialekt (unterschiedliche Systeme)? Welche Sprachen sind vorhanden, und sind die Übersetzungen vollständig? Sind Texte redaktionell gepflegt und für Endnutzer freigegeben? Dazu gibt es eine Reihe von Data Profilern, die sich integrieren lassen 38
Datenmodellierung im Zeitalter agiler Softwareentwicklung
Datenmodellierung im Zeitalter agiler Softwareentwicklung Sebastian Graf, PROMATIS software GmbH DOAG 2013, Nürnberg, 1 Agenda u Über den Referenten u Datenmodellierung Begriffsdefinition und Abgrenzung
MehrDWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb. Referent: Raphael Henneke
DWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb Referent: Raphael Henneke Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS
MehrDie einzelnen Vorgehensweisen werden wir uns im folgenden näher ansehen.
1 In diesem Abschnitt werden wir uns mit der Fragestellung beschäftigen, wie man überhaupt vorgeht, um Datenmodelle zu erstellen. Ziel ist es ja, ein Datenmodell zu erstellen, in dem wir verstehen, welche
MehrÜbung 4. Werkzeuge zur ER-Modellierung. Prof. Dr. Andreas Schmietendorf 1. Übung 4
Werkzeuge zur ER-Modellierung Prof. Dr. Andreas Schmietendorf 1 Aufgabenbeschreibung Prof. Dr. Andreas Schmietendorf 2 Zielstellung Innerhalb der wollen wir uns mit Werkzeugen zur ER-Modellierung vertraut
MehrUML im objektorientierten Reverse Engineering strukturierter DB-Anwendungen
UML im objektorientierten Reverse Engineering strukturierter DB-Anwendungen Großer Beleg Norbert Graf Aufgabenstellung Ausgangspunkte und Voraussetzungen Analysemodelle einer klassischen Datenbankanwendung
MehrDie Oracle BI Trilogie von Trivadis
Die Oracle BI Trilogie von Trivadis Teil 2 - Aufbau einer DWH- und BI-Landschaft Zürich, 25. November 2009 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg München Stuttgart
MehrDatenübernahme in ADITO AID 013 DE
Datenübernahme in ADITO AID 013 DE 2014 ADITO Software GmbH Diese Unterlagen wurden mit größtmöglicher Sorgfalt hergestellt. Dennoch kann für Fehler in den Beschreibungen und Erklärungen keine Haftung
MehrGRDDL, Microformats, RDF/A
GRDDL, Microformats, RDF/A Daniel Schmitzer Daniel Schmitzer 1 Gliederung Einleitung GRDDL Funktionsweise Anwendungsbeispiel Anwendungen und Tools Microformats Was sind Microformate Beispiel RDF/A Was
MehrModellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme. Tillmann Schall, anaptecs GmbH
Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme Tillmann Schall, anaptecs GmbH : Agenda Grundlagen modellgetriebener Entwicklungsprozesse Schritte zur Einführung Erfahrungen
MehrCommon Warehouse Metamodel und Imperfektion
Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain
MehrWas Sie schon immer über MBSE wissen wollten
Was Sie schon immer über MBSE wissen wollten Dr. Michael Jastram ASQF FG-Treffen Requirements Engineering Köln 1. Juni 2017 Agenda Systems und Systems Engineering Was ist ein Modell? Beispiel: Anforderungsmodell
MehrVier aufs Mal. Aufbereitung statistischer Daten für Web Print Open Data RDF Linked Open Data. Jonas Bieri, Statistisches Amt des Kantons Basel-Stadt
Vier aufs Mal Aufbereitung statistischer Daten für Web Print Open Data RDF Linked Open Data Jonas Bieri, des Kantons Basel-Stadt Klassisch: Excel, Medienmitteilungen, Berichte als PDF Statische Grafiken
MehrMyCoRe > V1.0: Technische Weiterentwicklung
MyCoRe > V1.0: Technische Weiterentwicklung Frank Lützenkirchen, Kathleen Krebs Folie 1 Kontrollflüsse bisher Kontrollflüsse sind im MyCoRe Kern oder der darauf basierenden Applikation fix und explizit
MehrRE Unterricht an Hochschulen: Eine modellorientierte Einführung an der FH Dortmund
RE Unterricht an Hochschulen: Eine modellorientierte Einführung an der FH Dortmund Erik Kamsties und Fabian Kneer Fachhochschule Dortmund {erik.kamsties, fabian.kneer}@fh-dortmund.de GI Fachgruppentreffen
MehrDatenmodell-Connectivity und Oracle Designer
und Oracle Designer SIG Development: Quo vadis Oracle Designer User? DOAG Dresden, 21.2.2008 Referent: Jens Gassner, InterFace AG Jens.Gassner@InterFace-AG.de Co-Autoren: Olivier Guillet, Alexander Maisch,
Mehrdacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung und Big Data im Informationsmanagement
dacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung und Big Data im Informationsmanagement dacore Datenbanksysteme AG Neue Konzepte zur Optimierung der Auslastungsplanung Die
MehrRSA und IDA Durchgängige Entwicklungsprozesse. Von der Anforderung bis zur generierten Datenbank
RSA und IDA Durchgängige Entwicklungsprozesse Von der Anforderung bis zur generierten Datenbank Ziele dieses Vortrags Begründung Warum sich jeder Entwickler mit dem Thema Datenmodellierung auseinandersetzen
MehrModellierung agiler Data Warehouses mit Data Vault
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider Trivadis AG Zürich/Glattbrugg, Schweiz Schlüsselworte: Data Warehouse, Data Vault, Datenmodellierung, Agile Projektentwicklung, Historisierung,
MehrMigration Productstream Professional nach Autodesk Vault Mehr als eine reine Datenübernahme
Migration Productstream Professional nach Autodesk Vault Mehr als eine reine Datenübernahme Marco Ramolla / Jens Kieninger Senior Implementation Consultant (Autodesk) / Senior Software Engineer (coolorange)
MehrOracle JDeveloper 10 g
Oracle JDeveloper 10 g Modellierung Evgenia Rosa Business Unit Application Server ORACLE Deutschland GmbH Agenda Warum Modellierung? UML Modellierung Anwendungsfall (Use Case)-Modellierung Aktivitätenmodellierung
MehrGut zu wissen... Lorenz Keller Server Technologies Competence Center Nord
Gut zu wissen... Lorenz Keller Server Technologies Competence Center Nord Agenda Neue Produkte Oracle Secure Enterprise Search SQL Developer (Raptor) XML-Publisher Application Server/ JDeveloper 10.1.3
MehrObj ektorientierte Systemanalyse
Sally Shlaer Stephen J. Mellor Obj ektorientierte Systemanalyse Ein Modell der Welt in Daten h HANSER I Eine Coedition der Verlage Carl Hanser und Prentice-Hall International IX Warum Daten-Modellierung?
MehrAgile BI Was ist das eigentlich? Hochschule Ulm - V. Herbort & Prof. Dr. R. von Schwerin
Agile BI Was ist das eigentlich? Hochschule Ulm - V. Herbort & Prof. Dr. R. von Schwerin Inhalt Agilität in der Business Intelligence Agile Software-Projekte Agile Data Warehousing / Self-Service BI 29.10.10
MehrApache Lucene. Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org
Apache Lucene Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org 1 Apache Apache Software Foundation Software free of charge Apache Software
MehrDWH Automatisierung mit Data Vault 2.0
DWH Automatisierung mit Data Vault 2.0 Andre Dörr Trevisto AG Nürnberg Schlüsselworte Architektur, DWH, Data Vault Einleitung Wenn man die Entwicklung von ETL / ELT Prozessen für eine klassische DWH Architektur
MehrDer Interaction Room bahnt einen natürlichen Weg zu vernetzten Systemspezifikationen
Der Interaction Room bahnt einen natürlichen Weg zu vernetzten Systemspezifikationen Oskar von Dungern, Dr.-Ing., adesso AG Florian Uphoff, cand. BS, Interaction Room GmbH 3 21.04.2017 Der Interaction
Mehr[Hier klicken und Text eingeben] [Hier klicken und Text eingeben] Auftragsnummer: [Hier klicken und Text eingeben] Auftragnehmer:
Pflichtenheft Auftraggeber: Auftragsnummer: Auftragnehmer: Bearbeiter: Berlin, den (microtool GmbH, Berlin) Pflichtenheft Inhalt 1 Einleitung (Introduction) 3 1.1 Zielsetzung (Purpose) 3 1.2 Scope (Scope)
MehrIT-Ressource-Management für Oracle-Datenbank-Anwendungen
IT-Ressource-Management für Oracle-Datenbank-Anwendungen The Information Transparency Company Dr. Reinhold Thurner / Dr. Georg Metz Metasafe GmbH CH8700 Küsnacht Telefon ++ 41 44 9150579 E-Mail info@metasafe.eu
MehrPräsentation der Bachelorarbeit
Präsentation der Bachelorarbeit Einrichtung einer BI-Referenzumgebung mit Oracle 11gR1 Jörg Bellan Hochschule Ulm Fakultät Informatik Institut für Betriebliche Informationssysteme 15. Oktober 2009 Agenda
MehrIndustrie 4.0 bei der Deutschen Bahn AG Entwicklungen und Herausforderungen. ZERO.ONE.DATA powered by DB Systel GmbH
Industrie 4.0 bei der Deutschen Bahn AG Entwicklungen und Herausforderungen ZERO.ONE.DATA powered by DB Systel GmbH ZERO.ONE.DATA by DB Systel GmbH Dr. Lars Freund 20.06.2016 Virtuelles Big Data Center
MehrKibana als Werkzeug zur Unterstützung der Metadatenkuration. Kolloquium Wissensinfrastruktur,
Kibana als Werkzeug zur Unterstützung der Metadatenkuration Kolloquium Wissensinfrastruktur, 26.1.2018 AGENDA 1) Motivation Metadaten in OpenAIRE 2) Kibana Indexierung, Suche & Analyse, Schwierigkeiten
MehrWorkshop 3: Geschäftsregeln in XÖV-Standards Chancen und Anforderungen Irene Vagts LAVA Unternehmensberatung Dr. Fabian Büttner Koordinierungsstelle
Workshop 3: Geschäftsregeln in XÖV-Standards Chancen und Anforderungen Irene Vagts LAVA Unternehmensberatung Dr. Fabian Büttner (KoSIT) 26. September 2018 Bremen Warum stehen Geschäftsregeln auf unser
MehrDer Weg ins Portal. Erfahrungen der Fachstelle Archiv im Handling von Datenlieferungen
Der Weg ins Portal Erfahrungen der Fachstelle Archiv im Handling von Datenlieferungen Workshop mit Herstellern archivischer Software 10. März 2016, Sächsisches Staatsarchiv Dresden Agenda 1. Ausgangssituation
MehrPoseidon for UML. Einführung. Andreas Blunk
Poseidon for UML Einführung Andreas Blunk Gliederung 1) Editionen/Lizenzen 2) Die Programmoberfläche 3) Modelle speichern 4) Einführung am lebenden Objekt 5) Generierung (Doc & Code) 6) Funktionsumfang
MehrDas Leben der Anderen
Das Leben der Anderen Twitter-Analyse mit Oracle12c, JSON und APEX Carsten Czarski Business Unit Database Oracle Deutschland B.V. & Co KG About: Carsten Czarski 1973 München Verheiratet zwei Kinder ORACLE
MehrPerinorm Anwendertreffen Workshop 4: Schnittstellenanforderungen in andere Systeme definieren
2017-09-13 Perinorm Anwendertreffen Workshop 4: Schnittstellenanforderungen in andere Systeme definieren Andrea Hillers/Thomas Menath Agenda Ziele des Workshops Prozesse, die mit dem Normen-Management
MehrBerichtswesen XXL DB Schenker Rail Automotive GmbH. DB Schenker Rail Automotive GmbH Sonja Köttgen Projektleiterin Düsseldorf,
Berichtswesen XXL DB Schenker Rail Automotive GmbH DB Schenker Rail Automotive GmbH Sonja Köttgen Projektleiterin Düsseldorf, 20.09.2013 Agenda TM1 bei DB Schenker Rail Automotive GmbH ReportCreator 2
MehrEHANDBOOK. Interaktive Steuergerätesoftware-Dokumentation. Auf einen Blick
EHANDBOOK Interaktive Steuergerätesoftware-Dokumentation Auf einen Blick Die effiziente Applikation elektronisch gesteuerter Funktionen von Fahrzeugen setzt ein umfassendes Verständnis des logischen Aufbaus
MehrSoftware-Engineering im Sommersemester 2014
Methodische Grundlagen des Software-Engineering SS 2014 Vorlesung Methodische Grundlagen des Software-Engineering im Sommersemester 2014 Prof. Dr. Jan Jürjens TU Dortmund, Fakultät Informatik, Lehrstuhl
MehrSpecmate Auf Knopfdruck von Anforderungen zu Tests
Specmate Auf Knopfdruck von Anforderungen zu Tests Dr. Maximilian Junker at a Glance We are experts for: High quality RE & tests High quality methodology (e.g. MBSE) We offer: Audits & Continuous Quality
MehrData Lakes: Lösung oder neue Herausforderung für Data-Integration
Data Lakes: Lösung oder neue Herausforderung für Big-Data Data-Integration Integration? PD Dr. Christoph Quix Fraunhofer-Institut für Angewandte Informationstechnik FIT Life Science Informatics Abteilungsleiter
MehrModernisierung, Migration, Greenfield: DWH-Automatisierung mit dem ODI
Modernisierung, Migration, Greenfield: DWH-Automatisierung mit dem ODI Jürgen Günter Senior Berater BI & DWH Agenda MT AG - DWH Automatisierung mit dem ODI Einleitung Vorstellung ETL Framework Automatisierung
MehrDurchgängig REACH Dr. Andreas Jabs, Senior Consultant, Alegri International
Digitale Dynamik effiziente Prozesse in Forschung, Entwicklung und Produktion Durchgängig REACH Dr. Andreas Jabs, Senior Consultant, Alegri International REACH compliant / regularienkonform? 2 Was bedeutet
MehrData-Warehouse-Praktikum
Data-Warehouse-Praktikum WS 18/19 Universität Leipzig, Institut für Informatik Abteilung Datenbanken Prof. Dr. E. Rahm V. Christen, M. Franke, Z. Sehili {christen, franke, sehili}@informatik.uni-leipzig.de
MehrWeb Data Management Systeme
Web Data Management Systeme Seminar: Web-Qualitätsmanagement Arne Frenkel Agenda Einführung Suchsysteme Suchmaschinen & Meta-Suchmaschinen W3QS WebSQL WebLog Information Integration Systems Ariadne TSIMMIS
MehrAgile BI in der Praxis Data Warehouse Automation
Agile BI in der Praxis Data Warehouse Automation DWH Automation darüber wird zurzeit viel gesprochen und geschrieben. Aber wie sieht die praktische Anwendung aus? In diesem Artikel führe ich Sie Schritt
MehrSchulung advertzoom. advertzoom Release 2.1 Stand Januar 2012. advertzoom GmbH 2012 1 09.01.2012
Schulung advertzoom advertzoom Release 2.1 Stand Januar 2012 1 Aufbau der Schulung Anwenderschulung Online - Marketing - Kampagnen planen, bereitstellen und analysieren Fortgeschrittene Konfigurieren und
MehrErfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management
Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management Sprecher: Uwe Nadler, Senior Managing Consultant 1 Marketing braucht unterschiedliche Informationen, um entsprechende
MehrEvaluation of Database Design and Reverse Engineering Tools for a Large Software System
Evaluation of Database Design and Reverse Engineering Tools for a Large Software System Anne Thomas TU Dresden Dr. B. Demuth Pre Press GmbH (Dresden) T. Reuter Gliederung Einleitung Vorgehensweise Kontext
MehrERWEITERUNG CONTAO INDEXIERUNG - SUCHE AUF OFFICE- UND PDF-DATEIEN
ERWEITERUNG CONTAO INDEXIERUNG - SUCHE AUF OFFICE- UND PDF-DATEIEN Zu meiner Person 59 Jahre alt seit 40 Jahren Erfahrung in der IT-Branche Schwerpunkt Hosting, Betrieb und Entwicklung Contao-Erfahrung
MehrKonzeption eines Master-Data-Management-Systems. Sven Schilling
Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung
MehrDATAFUSION IM MILCHVIEHSTALL
Forschen und Prüfen für die Landwirtschaft Josephinum Research DATAFUSION IM MILCHVIEHSTALL Smart Farming und Nachhaltigkeit: Chancen und Herausforderungen 4. Agroscope-Nachhaltigkeitstagung Franz Handler,
MehrDatenaufbereitung im Archivportal-D
Datenaufbereitung im Archivportal-D Wie aus Findbuch und Tektonik digitalisiertes Archivgut entsteht Workshop Vom Dateningest zur Präsentation Wege ins Archivportal-D durch Aggregatoren 18. Februar 2016,
MehrSchnittstellen zwischen Perinorm und anderen Anwendungen: Was sind die Anforderungen, was gibt es bereits und was ist derzeit geplant?
13.09.2016 Perinorm-Anwendertreffen Schnittstellen zwischen Perinorm und anderen Anwendungen: Was sind die Anforderungen, was gibt es bereits und was ist derzeit geplant? Andrea Hillers Leitung Normen-Management
MehrAktuelle Probleme des Software Engineering Ein Insider Bericht
Projektgruppe Benjamin Nagel Aktuelle Probleme des Software Engineering Ein Insider Bericht 20. Mai 2010 Worum geht es? Was bedeutet Beratung in Softwareprojekten? Welche Probleme treten in Software Projekten
MehrOracle Fusion Middleware Überwachung mit Oracle BAM
Oracle Fusion Middleware Überwachung mit Oracle BAM Schlüsselworte Monitoring, BAM, Fusion Middleware Einleitung Markus Lohn esentri AG Ettlingen Oracle BAM wird vor allem für das fachliche Überwachen
Mehr22. Januar Gruppe 2: TOPCASED
22. Januar 2008 Aufgabenstellung Modellgetriebene Softwareentwicklung auf Basis von am Beispiel eines Seminarverwaltungssystems Ziel Entwicklungsprozess Anforderungen & Codegenerierung Modellierung & Templates
MehrEINZIGARTIGE VISUALISIERUNG UND MODELLIERUNG VON SERVICES IM SERVICE- KATALOG DES SAP SOLUTION MANAGER
REALTECH vsim VISUALIZED IMPACT & MODELING EINZIGARTIGE VISUALISIERUNG UND MODELLIERUNG VON S IM - KATALOG DES SAP SOLUTION MANAGER EINZIGARTIGE VISUALISIERUNG UND MODELLIERUNG VON S IM KATALOG DES SAP
MehrKonzeption eines Master-Data-Management-Systems. Sven Schilling
Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung MPC Capital AG Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I MPC Capital AG Vorstellung
MehrPD Dr.-Ing. F. Lobeck. Seite 6
Seite 6 Datenbanken Datenbank: Eine geordnete Menge von Daten. Speicherung erfolgt unabhängig von speziellen Anwenderprogrammen. Ebenso sollte die Hardwareunabhängigkeit gesichert werden. Zu einem Datenbankmanagementsystem
MehrIBM Cognos Analtics. mayato Servceangebot zum Upgrade // ÖFFENTLICH
IBM Cognos Analtics mayato Servceangebot zum Upgrade // 1 Cognos Analytics 2 Cognos Analytics eine neue Generation // Geben Sie Ihren Untertitel ein Das neue Cognos Analytics mit schlankem und modernem
MehrAttributs-Wertverteilungen / Distribution of Distinct Values Seite 1 von 5
Attributs-Wertverteilungen / Distribution of Distinct Values 0.06.06 Seite von 5 D:\Projekte\ Access geändert Tupel ' 9.06.06 Attribute Abfrage-Beschreibung zoomen Abfrage-Dokumentation Abfrage-Dokumentation
MehrModelle, deren Bestandteile und Weiteres SDDM organisiert alle Projektaspekte in einer klassischen Baumansicht, wie Abbildung 1 sie zeigt.
Automatisierte Modellierung? SQL Developer Data Modeler! Dr.-Ing. Holger Friedrich sumit AG Baden - Schweiz Schlüsselworte SQL Developer Data Modeler, Datenmodellierung Data Vault, Automatisierung Einleitung
MehrEinführung in das Forschungsinformationssystem VIVO Hands-On-Lab auf dem 6. Deutschen Bibliothekartag
Einführung in das Forschungsinformationssystem VIVO Hands-On-Lab auf dem 6. Deutschen Bibliothekartag Martin Barber; Christian Hauschke; Tatiana Walther Technische Informationsbibliothek (TIB) Frankfurt
MehrENTERBRAIN 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> GIS-Technologien für den automatisierten Verkehr > Andreas Richter agit 2017 >
DLR.de Folie 1 > GIS-Technologien für den en Verkehr > Andreas Richter agit 2017 > 06.07.2017 GIS-Technologien für das Erstellen, Verwalten und Verteilen hochgenauer in Spezialformaten im Kontext des en
MehrHTML DB. Von vielen kleinen Dateninseln zu einer zentralen Lösung. msg systems ag, März
HTML DB Von vielen kleinen Dateninseln zu einer zentralen Lösung msg systems ag, März 2004 1 Motivation Was ist HTML DB? Architektur Bestandteile Migration Demonstration msg systems ag, März 2004 2 Daten-
MehrAutomatische Generierung der ETL-Prozesse: OWB vs. ODI
Schlüsselworte Automatische Generierung der ETL-Prozesse: OWB vs. ODI Irina Gotlibovych MT AG Ratingen OWB, ODI, Prozessgenerierung, Automatisierung, generische Templates, deklarative Definition Einleitung
MehrDigitalisierung statistischer Daten. Schweizer Statistiktage 28. August Mauro Baster
Schweizer tage 28. August Mauro Baster 28. August 2018, Seite 2 Agenda Ausgangslage Digitalisierung von Jahrbüchern Datenmodell zur Harmonisierung Stand der Arbeiten bei Nutzen digitalisierter und harmonisierter
MehrForschungsorienterte Modellierung und Korrelation von Daten in der Föderationsarchitektur von DARIAH-DE
Förderkennzeichen 01UG1610A bis J Forschungsorienterte Modellierung und Korrelation von Daten in der Föderationsarchitektur von DARIAH-DE Tobias Gradl Otto-Friedrich-Universität Bamberg, Medieninformatik
MehrRelationales Datenbankpraktikum 2016ss
Relationales Datenbankpraktikum 2016ss 3 Teile 1) Datenbankentwurf, Datenimport 2) Formulierung von SQL-Anfragen V. Christen, Dr. A. Groß, M. Junghanns, Z. Sehili 3) Entwicklung einer Middleware für eine
MehrErstellung von Reports mit Anwender-Dokumentation und anderen Textbausteinen
11/17 Erstellung von und anderen Textbausteinen In der ArtemiS SUITE 1 steht eine sehr flexible Report-Funktion zur Verfügung, die Ihnen die übersichtliche Darstellung Ihrer Analyse-Ergebnisse in Reports
MehrETL in den Zeiten von Big Data
ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse
MehrXML in der Praxis: Technische Dokumentation
XML in der Praxis: Technische Dokumentation Ulrike Schäfer INFOTAKT information design tekom Berlin Brandenburg Regionaltreffen 23.11.2001 Ulrike Schäfer. www.infotakt.de. Folie 1 Übersicht Problemstellung
MehrPilotkanton Graubünden
Fachtagung suissemelio in Olten vom 14. Mai 2013 Pilotkanton Graubünden Umsetzung Datenmodell in ArcGIS Umsetzung Darstellungsrichtlinien in ArcGIS Pilotprojekt Gemeinde Sur 1 Umsetzung Datenmodell in
MehrDr.-Ing. Hamid Abou Dayé. Umstellung von Redaktionssystem auf flexibles PIM-System, Ausleitung von Printkatalogen in mehreren Sprachen
Dr.-Ing. Hamid Abou Dayé Umstellung von Redaktionssystem auf flexibles PIM-System, Ausleitung von Printkatalogen in mehreren Sprachen Firmen-Kurzvorstellung Karl Heinz Brinkmann ( ) gründete das Unternehmen
MehrBESSER WERDEN DURCH ERSE
Christian Eberhardt BESSER WERDEN DURCH ERSETZUNG EINES ETL-TOOLS MIT PL/SQL Seite 1 Christian Eberhardt POSITION BI Consultant Spezialisierung DWH AUSBILDUNG Diplominformatiker EXPERTISE 6 Jahre Projekterfahrung
MehrXML, QPATH, XQUERY: NEUE KONZEPTE FÜR DATENBANKEN. 3. Übung XML-Verarbeitung
XML, QPATH, XQUERY: NEUE KONZEPTE FÜR DATENBANKEN 3. Übung XML-Verarbeitung Agenda 2 XML zum Abbilden von DB-Inhalten Motivation Abbildungsvorschriften Übungen Aufgabe 3 Motivation 3 RDBMS sehr ausgereift
MehrMDRE die nächste Generation des Requirements Engineerings
MDRE die nächste Generation des Requirements Engineerings Tom Krauß, GEBIT Solutions GmbH Copyright 2007 GEBIT Solutions Agenda Requirements Engineering heute eine Bestandsaufnahme Modell-Driven Requirements
MehrXÖV-Schulung. XÖV-Rahmenwerk und XÖV-Entwicklungsansatz. Lutz Rabe Koordinierungsstelle für IT-Standards Mirco Kuhlmann LAVA-Unternehmensberatung
XÖV-Schulung XÖV-Rahmenwerk und XÖV-Entwicklungsansatz Lutz Rabe Koordinierungsstelle für IT-Standards Mirco Kuhlmann LAVA-Unternehmensberatung 8. Dezember 2014, Bremen Agenda Empfang der Teilnehmerinnen
MehrROCEEH: Daten und digitale Werkzeuge Z. Kanaeva
ROCEEH: Daten und digitale Werkzeuge Z. Kanaeva Heidelberg, 13. Juli, 2018 ROCEEH: Forschungsziel und digitale Werkzeuge Forschungsziel: Rolle der kulturellen Evolution für die Ausbreitung der frühen Menschen
MehrData Mining mit RapidMiner. Fakultät Informatik Lehrstuhl für Künstliche Intelligenz
Data Mining mit RapidMiner Fakultät Informatik Motivation CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen
MehrXML Publisher die universelle Lösung für Geschäftsdokumente
XML Publisher die universelle Lösung für Geschäftsdokumente Jürgen Menge TSBU Middleware ORACLE Deutschland GmbH Moderne Lösung zur Entwicklung, Erzeugung und Verteilung von Geschäftsdokumenten (Output
MehrWARUM SICH S SCHWER MACHEN, WENN ES AUCH EINFACH GEHT? Dr. Sebastian Adam, Özgür Ünalan München,
WARUM SICH S SCHWER MACHEN, WENN ES AUCH EINFACH GEHT? Dr. Sebastian Adam, Özgür Ünalan München, 02.03.2016 KOMPLEXITÄT IM REQUIREMENTS ENGINEERING 2 zunehmende Kompliziertheit von RE-Methoden KOMPLIZIERT
MehrKompendium semantische Netze
Klaus Reichenberger Kompendium semantische Netze Konzepte, Technologie, Modellierung Inhaltsverzeichnis 1 Warum dieses Buch? 1 1.1 Was erwartet Sie in diesem Buch? I 2 Grundlagen semantischer Netze 3 2.1
MehrWorkshop EAM Datamanagement Tool
Workshop EAM Datamanagement Tool 17.05.2017 Referent: Reiner Voß reiner.voss@eam-software.de Veranstaltung: Ort: Anwenderkonferenz Maximo Ehningen Motivation zur Entwicklung des Tools Das am meisten eingesetzte
MehrDNS-Admin. Selfservice-Portal für Administratoren
DNS-Admin Selfservice-Portal für Administratoren Motivation Änderungen an Zonen: Status quo Beauftragung per Ticket durch berechtigte Ansprechpartner Bearbeitung Datenbestand manuell durch Hostmaster (vi,
MehrModulare Testfälle spezifizieren zur Automation und manuellen Testdurchführung. Tanja M. Tremmel
Modulare Testfälle spezifizieren zur Automation und manuellen Testdurchführung Tanja M. Tremmel Ihre Herausforderung unsere Lösung Test-Projekt Management von der Ausschreibung bis zur Abnahme Standard
MehrARDS-Projekt. Datenbankentwicklung für medizinische Auswertungen. Dr. Thomas Meinike
ARDS-Projekt Datenbankentwicklung für medizinische Auswertungen Dr. Thomas Meinike thomas.meinike@et.fh-merseburg.de Fachhochschule Merseburg Fachbereich Elektrotechnik, Informationstechnik und Medien
MehrObjektorientierte Systementwicklung
Karl-Heinz Rau Objektorientierte Systementwicklung Vom Geschäftsprozess zum Java-Programm Mit 162 Abbildungen vieweg Überblick und Vorbemerkungen 1 1 Objektorientierte Software-Entwicklung 5 1.1 Überblick
MehrMEHR REQUIREMENTS, WENIGER ENGINEERING! WIE REQSUITE HILFT DAS RE ZU VERSCHLANKEN
Monitoring R eqsuite -AdminClient Prozessverantwortlicher Konfiguration Anforderungen R eqsuite -Backend Import / Export Arbeitsassistenz Projektbeteiligte R eqsuite -UserClient MEHR REQUIREMENTS, WENIGER
MehrUnternehmensdokumente mit dem XML Publisher erzeugen
Unternehmensdokumente mit dem XML Publisher erzeugen Jürgen Menge TSBU Middleware ORACLE Deutschland GmbH XML-Publisher Moderne Lösung zur Entwicklung und Verteilung von Geschäftsdokumenten (Output Management)
MehrIntegrated Data Management Konzentrieren sie sich auf ihr Business, und nicht auf die Verwaltung ihrer Daten
Integrated Data Management Konzentrieren sie sich auf ihr Business, und nicht auf die Verwaltung ihrer Daten Entwurf Data Architect Verwaltung und Umsetzung komplexer Datenmodelle Graphische Darstellung
MehrComos PDMS Integration Brückenschlag zwischen der 3-D-Software PDMS* und der Comos P&ID-Welt
Anlässlich Hannover Messe 2009 Comos PDMS Integration Brückenschlag zwischen der 3-D-Software PDMS* und der Comos P&ID-Welt 604 Wörter/ 4380 Zeichen (ohne WZ) Schwelm/Deutschland - Mehr als jemals zuvor
Mehrerfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI
Detlef Apel Wolfgang Behme Rüdiger Eberlein Christian Merighi Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte 3., überarbeitete und erweiterte Auflage Edition TDWI rä
MehrWerkzeuge zur Unterstützung der Studienspezifikation in OpenClinica. Dr. Frank Meineke TMF Workshop OpenClinica, Berlin
Werkzeuge zur Unterstützung der Studienspezifikation in OpenClinica Dr. Frank Meineke TMF Workshop OpenClinica, Berlin 10.9.2013 IFB-DATACENTER DIENSTLEISTUNGS- UND FORSCHUNGSAUFTRAG Unterstützung der
MehrHerzlich Willkommen zum Webinar!
Herzlich Willkommen zum Webinar! Thema: Model Driven Transformation für Streaming Architekturen Informationen: Sprache: deutsch Dauer: ca. 30-40 Min. inkl. Q&A Präsentation Johannes Mickel Senior Consultant
MehrBusiness Intelligence Data Warehouse. Jan Weinschenker
Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data
Mehr