Betriebliche Anwendungen

Transkript

1 Betriebliche nwendungen SP R/3: Enterprise Resource Modelling (ERP-System) OLTP Data Warehouse Data Mining WN (Internet) LN Kapitel 17 1 Relationales DBMS als Backend-Server (Oracle, Informix, DB2, MS SQL-Server, dabas) 3 OLTP: Online Transaction Processing Dreistufige Client/Server-rchitektur (3 Tier, SP R/3) Beispiele Flugbuchungssystem Bestellungen in einem Handelsunternehmen Charakterisierung Hoher Parallelitätsgrad Viele (Tausende pro Sekunde) kurze Transaktionen Ts bearbeiten nur ein kleines Datenvolumen mission-critical für das Unternehmen Hohe Verfügbarkeit muss gewährleistet sein Normalisierte Relationen (möglichst wenig Update-Kosten) Nur wenige Indexe (wegen Fortschreibungskosten) sehr viele (Tausende) Clients langsame Netzverbindung (WN, Internet, Telefon, ) Sehr schnelles LN ein Datenbank- Server mehrere pplikations- Server zur Skalierung 2 4

2 Interne rchitektur von SP R/3 Sammlung und periodische uffrischung der Data Warehouse-Daten OLTP-Datenbanken und andere Datenquellen OLP-nfragen Decision Support Data Mining Data Warehouse Data Warehouse-nwendungen: OLP~Online nalytical Processing 5 Das Stern-Schema 7 Wie hat sich die uslastung der Transatlantikflüge über die letzten zwei Jahre entwickelt? oder Wie haben sich besondere offensive Marketingstrategien für bestimmte Produktlinien auf die Verkaufszahlen ausgewirkt? Wenige, aber dafür sehr komplexe nfragen! 6 8

3 Stern-Schema bei Data Warehouse- nwendungen Eine sehr große Faktentabelle lle Verkäufe der letzten drei Jahre lle Telefonate des letzten Jahres lle Flugreservierungen der letzten fünf Jahre normalisiert Mehrere Dimensionstabellen Zeit Filialen Kunden Produkt Oft nicht normalisiert 9 Stern-Schema Verkäufe VerkDatum Filiale Produkt nzahl Kunde Verkäufer 25-Jul-00 Passau Faktentabelle (SEHR groß) Filialen Kunden FilialenKennung Land Bezirk KundenNr Name wielt Passau D Bayern 4711 Kemper 43 Dimensionstabellen (relativ klein) Verkäufer VerkäuferNr Name Fachgebiet Manager wielt 825 Handyman Elektronik Das Stern-Schema: Handelsunternehmen Stern-Schema (cont d) Kunden Produkte Datum 25-Jul-00 Tag 25 Monat 7 Jahr 2000 Zeit Quartal 3 KW 30 Wochentag Dienstag Saison Hochsommer 18-Dec Dienstag Weihnachten Verkäufe Filialen Produkte ProduktNr Produkttyp Produktgruppe Produkthauptgruppe Hersteller Zeit 1347 Handy Mobiltelekom Telekom Siemens Verkäufer 10 12

4 Nicht-normalisierte Dimensionstabellen: effizientere nfrageauswertung Zeit Datum Tag Monat Jahr Quartal KW Wochentag Saison 25-Jul Dienstag Hochsommer 18-Dec Dienstag Weihnachten lgebra-usdruck (Produkte) (Filialen) Datum Monat Quartal Verkäufe ProduktNr Produkttyp Produkte Produktgruppe Produkthauptgruppe Hersteller 1347 Handy Mobiltelekom Telekom Siemens (Kunden) (Zeit) ProduktNr Produkttyp Produktgruppe Produkthauptgruppe nfragen im Sternschema select sum(v.nzahl), p.hersteller from Verkäufe v, Filialen f, Produkte p, Zeit z, Kunden k where z.saison = 'Weihnachten' and z.jahr = 2001 and k.wielt < 30 and p.produkttyp = 'Handy' and f.bezirk = 'Bayern' and v.verkdatum = z.datum and v.produkt = p.produktnr and v.filiale = f.filialenkennung and v.kunde = k.kundennr group by p.hersteller; Join-Prädikate Einschränkung der Dimensionen Roll-up/Drill-down-nfragen select Jahr, Hersteller, sum(nzahl) from Verkäufe v, Produkte p, Zeit z where v.produkt = p.produktnr and v.verkdatum = z.datum and p.produkttyp = 'Handy' group by p.hersteller, z.jahr; select Jahr, sum(nzahl) from Verkäufe v, Produkte p, Zeit z where v.produkt = p.produktnr and v.verkdatum = z.datum and p.produkttyp = 'Handy' group by z.jahr; Roll-up Drill-down 14 16

5 Der cube-operator select p.hersteller, z.jahr, f.land, sum(v.nzahl) from Verkäufe v, Produkte p, Zeit z, Filialen f where v.produkt = p.produktnr and p.produkttyp = 'Handy' and v.verkdatum = z.datum and v.filiale = f.filialenkennung group by cube (z.jahr, p.hersteller, f.land); Würfeldarstellung Weiterführende Vorlesungen Das Fachgebiet Wissensverarbeitung bietet regelmäßig an: Vorlesungen Knowledge Discovery Internet-Suchmaschinen Künstliche Intelligenz (Master) Projekte und bschlussarbeiten rund um unser Datenbankbasiertes soziale Lesezeichensystem BibSonomy:

6 Vorlesung Knowledge Discovery Bsp.: Klassifikation/Entscheidungsbaum Vorlesung Internet-Suchmaschinen Bsp.: Ranking in Google Geschlecht gecrawlter Web-Graph Index m w erstellen wiealt geringes <=35 >35 hohes hohes Coupe utotyp (wielt>35) (Geschlecht =`m ) (utotyp=`coupé ) (= hoch ) Van geringes 21 PageRank berechnen PageRank 1. C 2. E 3. B F 6. G 7. D 23 Wie werden Entscheidungs-/ Klassifikationsbäume erstellt Trainingsmenge Große Zahl von Datensätzen, die in der Vergangenheit gesammelt wurden Sie dient als Grundlage für die Vorhersage von neu ankommenden Objekten Beispiel: neuer Versicherungskunde wird gemäß dem Verhalten seiner rtgenossen eingestuft Vorlesung Künstliche Intelligenz Wie können komplexere Informationen verwaltet werden? Rekursives Partitionieren Fange mit einem ttribut an und spalte die Tupelmenge Jede dieser Teilmengen wird rekursiv weiter partitioniert, bis nur noch gleichartige Objekte in der jeweiligen Partition sind 22 24