Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil
|
|
- Moritz Norbert Schneider
- vor 8 Jahren
- Abrufe
Transkript
1 Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches Produkt hat sich am.. in der Filiale Allschwil am besten verkauft? Was wird in der Filiale Muttenz zusammen mit Chips verkauft?... SQL FS Data Warehousing (CS4) Data Warehousing 5-
2 Wie lassen sich diese Probleme lösen? Anwendungsbeispiel Variante : Verteilte Datenbank Jede Anfrage wird als globale Anfrage über mehreren Datenbanken behandelt. Also muss bei jeder Anfrage auf eine Reihe von Systemen zugegriffen werden, Ergebnisse müssen zusammengeführt werden, etc. Nachteil: verteilte Anfrageausführung ist sehr aufwändig! Variante : Zentrale Datenbank Anstelle von unabhängigen Filialdatenbanken betreibt Tresgros eine zentrale Datenbank. Alle Änderungen finden nicht lokal statt sondern gehen zu dieser zentralen Datenbank Nachteil: dies ist mit langen Antwortzeiten im operativen Betrieb verbunden Variante 3: Data Warehouse FS Data Warehousing (CS4) Data Warehousing 5-3 Anwendungsbeispiel Tresgros Tresgros T Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Asynchrone Aktualisierung (Warehouse Update) Data Warehouse Redundante Datenhaltung, Transformierte, vorberechnete Daten FS Data Warehousing (CS4) Data Warehousing 5-4
3 Aufbau von Data Warehouse-Systemen DW Monitoring & Administration Quellsysteme Metadaten- Repository OLAP-Server Externe Quellen Operative Datenbanken Extraktion Transformation Laden Data Warehouse Analyse Query/Reporting Data Mining Werkzeuge Data Marts FS Data Warehousing (CS4) Data Warehousing 5-5 Aufbau von Data Warehouse-Systemen Quellsysteme Alle Systeme oder Dateien, die direkt oder indirekt als Datenlieferanten auftreten Daten werden in einem Extraktionsvorgang aus den Quellsystemen extrahiert und in das Data Warehouse eingefügt (Transformation) Extraktion, Transformation, Laden Monitore überwachen die Quellsysteme auf Veränderungen. Änderungen werden entweder direkt in das Data Warehouse eingespielt oder (häufiger) temporär gesammelt und offline in das Data Warehouse eingefügt ( Warehouse Update ) Extraktoren: Selektion und Transport der Daten aus Quellen in das Data Warehouse Transformatoren: Vereinheitlichung und Bereinigung der Daten (unter Zuhilfenahme von Metadaten) FS Data Warehousing (CS4) Data Warehousing 5-6 3
4 Aufbau von Data Warehouse-Systemen Data Warehouse A Data Warehouse is a subject-oriented, integrated, non-volatile, and time variant collection of data in support of managements decisions (W.H. Inmon 996) Ein Data Warehouse ermöglicht eine globale Sicht auf heterogene und verteilte Datenbestände, tä indem die für die globale l Sicht relevanten Daten aus den Datenquellen zu einem gemeinsamen konsistenten Datenbestand zusammengeführt werden Das Data Warehouse ist die Basis für die Aggregation von Daten innerhalb mehrdimensionaler Strukturen (OLAP-Cube), dem so genannten Online Analytical Processing (OLAP) OLAP Explorative, interaktive Datenanalyse, meist aufbauend auf multidimensionalem Datenmodell FS Data Warehousing (CS4) Data Warehousing 5-7 Aufbau von Data Warehouse-Systemen Data Mart Meist anwendungsspezifische Auszüge, die durch Kopieren von Daten aus dem Data Warehouse entstehen Analysekomponenten Analyse und Präsentation der Daten mit Hilfe geeigneter (Desktop-) Werkzeuge Im Data Warehouse erfolgt eine klare Trennung zwischen operativen und analytischen Systemen Antwortzeitverhalten: Analyse auf operativen Quelldatensystemen würde zur Verschlechterung der Performance führen Langfristige Speicherung der Daten im DW ermöglicht Zeitreihenanalyse Verfügbarkeit: Zugriff auf Daten unabhängig von operativen Datenquellen Einheitliches Datenformat im DW trotz möglicherweise heterogener operativen Systemen Datenqualität: Data Cleansing während des Ladeprozesses FS Data Warehousing (CS4) Data Warehousing 5-8 4
5 OLTP vs. OLAP Online Transactional Processing (OLTP) beinhaltet klassische operative Informationssysteme Erfassung und Verwaltung von Daten Verarbeitung der Daten erfolgt unter Verantwortung der jeweiligen Fachabteilung Transaktionale Verarbeitung: kurze Lese-/ Schreibzugriffe auf wenige Datensätze Data Warehouse Datenanalyse steht im Mittelpunkt Charakteristik: lange Lesetransaktionen auf vielen Datensätzen Fokus ist die Integration, Konsolidierung und Aggregation der Daten FS Data Warehousing (CS4) Data Warehousing Data Cube Produktive Datenbanken enthalten in der Regel Rohdaten, also Daten, die im Rahmen des On-line Analytical Processing OLAP im Detail analysiert werden müssen Zuvor ist zumeist eine Itegration von Daten aus mehreren Datenbanken nötig Arten von Auswertungen: (Tabellarische) Berichte Grafische Auswertungen Für diese Auswertungen müssen Daten über mehrere Dimensionen hinweg aggregiert werden (z.b. Berechnung von bestimmten Summenwerten) FS Data Warehousing (CS4) Data Warehousing 5-5
6 Beispieltabelle: OLTP- Rohdaten Sales Model Year Color Sales Chevy 4 Red 5 Chevy 4 White 87 Chevy 4 Blue 6 Chevy 5 Red 54 Chevy 5 White 95 Chevy 5 Blue 49 Chevy 6 Red 3 Chevy 6 White 54 Chevy 6 Blue 7 Ford 4 Red 64 Ford 4 White 6 Ford 4 Blue 63 Ford 5 Red 5 Ford 5 White 9 Ford 5 Blue 55 Ford 6 Red 7 Ford 6 White 6 Ford 6 Blue 39 FS Data Warehousing (CS4) Data Warehousing 5- Beispiel für einen Bericht Sales Report Model Year Color Sales by Model by Year by Color Chevy 4 Red 5 White 87 Blue 6 5 Red 54 White 95 Blue 49 Sales by Model by Year Sales by Model 35 FS Data Warehousing (CS4) Data Warehousing 5-6
7 Data Cube und erweiterte SQL-Operationen Grundlegende Idee Die unterschiedlichen Aggregationen, die in den einzelnen Dimensionen für Berichte benötigt werden, werden vorberechnet Sales Data Warehousing (CS4) Data Warehousing 5-3 Ausgangspunkt: in SQL eingebaute Aggregatfunktionen sum(), min(), max(), count(), avg() FS Viele Datenbanksysteme erweitern diese um: statistische Funktionen, benutzerdefinierte Funktionen,... Hauptidee: Berechne aus allen Werten einer Spalte einen Skalar Beispiel select sum(sales) from sales Data Cube und erweiterte SQL-Operationen In SQL erlaubt Group By die Aggregation über Teilmengen von Tupeln Das Resultat ist eine neue Tabelle, mit einer Zeile pro Gruppe Beispiel: select year, sum(sales) from sales FS group by year Year Sales 4 5 Year Sum 4 87 (Sales) Data Warehousing (CS4) Data Warehousing 5-4 7
8 Data Cube und erweiterte SQL-Operationen Für viele Auswertungen reicht die Standard-SQL-Funktionalität nicht aus Beispiele: Histogramme Auswertungen, bei denen Teilsummen und Gesamtsumme gleichzeitig dargestellt werden müssen F() G() H() sum Dies sind keine relationalen Operationen, aber in vielen Berichtsgeneratoren vorhanden Air Hotel Food Misc S M T W T F S S S FS Data Warehousing (CS4) Data Warehousing 5-5 Data Cube und erweiterte SQL-Operationen Einführung eines ALL -Wertes Eine zu SQL passende Erweiterung, um Aggregationen wieder als (flache) Tupel im Relationenmodell darstellen zu können Bedeutung des ALL-Wertes ALL ist Abkürzung für Menge, die durch Nestung entlang der Dimension entstehen würde bei gleichzeitiger Aggregation, also im Beispiel für die Mengen {red, white, blue} in der Color-Dimension {4, 5, 6} in der Year-Dimension {Chevy, Ford} in der Model-Dimension FS Data Warehousing (CS4) Data Warehousing 5-6 8
9 Der CUBE-Operator verallgemeinert den group by Operator und die Aggregation Aggregat Group By Sum (with total) Cross Tab By Color (by Model & Color) RED WHITE BLUE By Color RED WHITE Sum BLUE By Model CHEVY FORD Sum Data Cube und Aggregate in den Unterräumen By Year By Model& Year By Model By Color & Year Sum By Color RED WHITE BLUE By Model & Color FS Data Warehousing (CS4) Data Warehousing 5-7 Dimensionen und Measures Dimensionen: Koordinatenachsen (x,..., x n ) des mehrdimensionalen Arrays ( Datenwürfels ) Measures: Werte der Funktionen f (x,...,x n ), f (...),... In relationaler Terminologie: Measures sind funktional abhängig von den Dimensionen Dimensionshierarchie: Vergröberung für die Aggregation Benannte Partitionierung des Wertebereichs einer Dimension Beispiele: Stadt T Kanton Datum T Monat T Quartal Drill-Down, Drill-up: Aggregation entlang der Dimensionshierarchie, Down für Verfeinerung, Up für Vergröberung FS Data Warehousing (CS4) Data Warehousing 5-8 9
10 Beispiel: Dimensionen vs. Measures Year Dimensionen Year Model Color Measure Sales Chevy Ford Model Red White Blue Color FS Data Warehousing (CS4) Data Warehousing 5-9 Der CUBE-Operator Idee: Tupel = Punkt im N-dimensionalen Raum N-dimensionale Aggregation (sum(), max(),...) a, a,..., a N, f() Mit f(): übliche Aggregation aus den relationalen Rohdaten Super-Aggregation über N- dimensionale i Sub-Cubes bc b ALL, a,..., a N, f() a, ALL, a 3,..., a N, f()... a, a,..., ALL, f() dies sind die N- -dimensionalen Cross-Tabellen Super-Aggregation über N- dimensionale Sub-Cubes ALL, ALL, a 3,..., a N, f()... a, a,..., ALL, ALL, f() FS Data Warehousing (CS4) Data Warehousing 5-
11 FS Sales Model Year Color Sales Chevy 4 Red 5 Chevy 4 White 87 Chevy 4 Blue 6 Chevy 5 Red 54 Chevy 5 White 95 Chevy 5 Blue 49 Chevy 6 Red 3 Chevy 6 White 54 Chevy 6 Blue 7 Ford 4 Red 64 Ford 4 White 6 Ford 4 Blue 63 Ford 5 Red 5 Ford 5 White 9 Ford 5 Blue 55 Ford 6 Red 7 Ford 6 White 6 Ford 6 Blue 39 Cube-Beispiel Data Cube Model Year Color Sales ALL ALL ALL 94 Chevy ALL ALL 58 Ford ALL ALL 433 ALL 4 ALL 343 ALL 5 ALL 38 ALL 6 ALL 84 ALL ALL Red 33 ALL ALL White 367 ALL ALL Blue 339 Chevy 4 ALL Chevy 5 ALL Chevy 6 ALL Ford 4 ALL CUBE Ford 5 ALL Ford 6 ALL Chevy ALL Red Chevy ALL White Chevy ALL Blue Ford ALL Red Ford ALL White Ford ALL Blue ALL 4 Red ALL 5 Red ALL 6 Red ALL 4 White ALL 5 White ALL 6 White ALL 4 Blue ALL 5 Blue ALL 6 Blue Data Warehousing (CS4) Data Warehousing 5- SQL-Erweiterung: CUBE-Operator SQL-Cube-Operation im Beispiel: select model, color, year, sum(sales) as sales from sales where model in { chevy, ford } and year between 4 and 6 group by cube (model, color, year) having sum(sales) > ; Zu beachten ist hier, dass sowohl Select als auch Group By die Aggregationsliste wiederholen FS Data Warehousing (CS4) Data Warehousing 5-
12 Nachbildung des CUBE-Operators mit SQL FS Data Warehousing (CS4) Data Warehousing 5-3 Syntax des Cube-Operators CUBE hinter Group By mit Attributliste definiert Koordinatenachsen (Dimensionen) des Cube ROLLUP erlaubt die Auswahl einzelner Dimensionen, über die aggregiert werden soll Select <field list> <aggregate list> From <table expression> Where <search condition> Group by [cube rollup] <aggregate list> Having <search condition> FS Data Warehousing (CS4) Data Warehousing 5-4
13 Syntax des Cube-Operators Beispiel (ROLLUP): Select color, year, sum(sales) From sales Group by rollup (color,year) FS Data Warehousing (CS4) Data Warehousing 5-5 Syntax des Cube-Operators Rollup erlaubt zudem die Definition von Aggregationen innerhalb einzelner Dimensionen, durch so genannte Dimensionshierarchien (z.b., sales by quarter). Beispiel: Schema sales'(model, year, quarter, color, sales) Select year, quarter, sum(sales) From sales' Group by rollup (year,quarter) FS Data Warehousing (CS4) Data Warehousing 5-6 3
14 Syntax des Cube-Operators Der CUBE-Operator berechnet automatisch alle möglichen Aggregationen über die vorhandenen Dimensionen. Mit Hilfe der so genannten Grouping Sets können die Aggregationen, die durchgeführt werden sollen, individuell bestimmt werden Select <field list> <aggregate list> From <table expression> Where <search condition> Group by Grouping Sets (<aggregate list> [,<aggregate list>]* )) Having <search condition> Falls <aggregate list> leer ist, dann entspricht die Semantik der Grouping Sets genau der des cube-operators (es werden alle möglichen Aggregationen berechnet) Ansonsten werden nur Aggregationen über Kombinationen aus den in der <aggregate list> aufgeführten Attributen berechnet Falls ein Grouping Sets-statement mehrere durch Komma getrennte <aggregate list> besitzt, dann werden diese unabhängig voneinander berechnet und für das Ergebnis zusammen gefügt (union) FS Data Warehousing (CS4) Data Warehousing 5-7 Beispiel: Anfrage mit Grouping Sets Beispiel: Aus der sales-tabelle soll getrennt jeweils über Color und über Year aggregiert werden FS Data Warehousing (CS4) Data Warehousing 5-8 4
15 Speicherung multi-dimensionaler Daten Problem: Wie können Cubes bzw. deren Zellen (also ein multidimensionales Datenschema mit n Dimensionen) logisch bzw. physisch gespeichert werden? Rein relationale Speicherung Star Schema bzw. Snowflake Schema Speicherung multi-dimensionaler Arrays Hilfreich, falls Aggregationsfunktion a priori nicht bekannt ist Spezielle Anordnung der Array-Elemente, falls die Aggregationsfunktion bekannt ist Indexierung für Cubes Bitmap-Index FS Data Warehousing (CS4) Data Warehousing 5-9 Star Schema (relational) Dimensions-Tabelle (z.b. Model) Dimensions-Tabelle (z.b. Color) Dimensions-Tabelle (z.b. Year) Fakten-Tabelle (z.b. Sales) Dimensions-Tabelle (z.b. Accesories) Dimensions-Tabelle (z.b. Engine) FS Data Warehousing (CS4) Data Warehousing 5-3 5
16 Fakten- und Dimensionstabellen N-dimensionales Datenschema Faktentabelle Verwaltet die Bewegungsdaten Struktur Shlü Schlüssel l( (z.b. Order Od Number) Fremdschlüssel zu allen Dimensions-Tabellen Eigentliche Measures (z.b. Sales, ) In der Regel gross und eher nicht normalisiert Fakten-Tabelle (z.b. Sales) n Dimensionstabellen Verwalteten Stammdaten zu den Bewegungsdaten Normalerweise sind die Dimensionstabellen nicht normalisiert um Joins zu vermeiden Z.B. City T Region T Country Eher klein, mit konstanter Grösse Dimensions-Tabelle (z.b. Model) Dimensions-Tabelle (z.b. Color) Dimensions-Tabelle (z.b. Engine) FS Data Warehousing (CS4) Data Warehousing 5-3 Snowflake Schema Wiederholtes Anwenden des Prinzips des Star Schemas Falls Dimensionstabellen zu gross werden, dann können diese weiter partitioniert werden bzw. bei Normalisierung der Dimensionstabellen Das führt zu weniger Redundanz in den Daten (kleinere Tabellen) Allerdings auch zu mehr Joins FS Data Warehousing (CS4) Data Warehousing 5-3 6
17 Bereichsanfragen: Motivation 3 Umsatz Bereichsanfragen stellen typische Warehouse- Anfragen dar und erfordern die Aggregation der Measures über in der Anfrage vorgegebene Intervalle der vorhandenen Dimensionen Datum Kombination von Bereichsanfragen in allen Dimensionen MA-Anzahl FS Data Warehousing (CS4) Data Warehousing 5-33 Bereichsanfragen: Motivation 3 Umsatz Datum Bereichsanfragen in beliebiger Kombination von Teilräumen MA-Anzahl FS Data Warehousing (CS4) Data Warehousing
18 Lineare Speicherzuordnung - Illustration Für die Unterstützung von Bereichsanfragen müssen die Measures möglichst so gespeichert werden, dass individuelle Aggregationen gut unterstützt werden Das Ergebnis der Linearisierung kann dann mittels einer Indexstruktur (z.b. B*- Baum) verwaltet und suchbar gemacht werden Bevorzugte n 3 Aggregationsrichtung = Speicheranordnung Für andere Aggregationen: Replikation mit anderer Speicheranordnung n n+ n n n FS Data Warehousing (CS4) Data Warehousing 5-35 Linearisierung Wie lässt sich der Raum am besten linearisieren? Space-filling curves (raumfüllende Kurven): eine eindimensionale Linie, die eine zweidimensionale Fläche oder einen dreidimensionalen Raum, komplett durchläuft Row wise Hilbert-Kurve FS Data Warehousing (CS4) Data Warehousing
19 Linearisierung Peano-Kurve Gray-Kurve FS Data Warehousing (CS4) Data Warehousing 5-37 Vorausberechnung von Aggregaten Eine weitere Variante besteht in der Materialisierung/Vorausberechnung von Aggregaten für Bereichsanfragen Ein Prefix-Sum Array berechnet in einer zweidimensionalen Struktur mögliche Aggregationen bereits vor Bereichsanfragen lassen sich so durch wenige Zugriffe auf das Prefix-Sum Array beantworten t Beispiel Gegebenes Array Prefix-Sum Array FS Data Warehousing (CS4) Data Warehousing
20 Vergröberung durch Blockbildung Um Platz zu sparen müssen nicht unbedingt alle Zellen im Prefix-Sum Array vorberechnet werden Das Blocked Prefix Sum Array berechnet die Aggregationen nur für bestimmte Blöcke vor Falls Anfragen nicht diesen Blöcken entsprechen müssen die fehlenden Daten aus dem Originalarray i besorgt werden Beispiel Gegebenes Array Blocked Prefix-Sum Array FS Data Warehousing (CS4) Data Warehousing 5-39 Bitmap Index Idee des Bitmap-Index ist es, die besonderen Eigenschaften von Data Warehouses durch spezielle Indexmechanismen auszunützen: Read-Mostly Umgebungen komplexe Anfragen grosses Datenvolumen Prinzip des Bitmap Index: Invertierte Listen werden durch Bitvektoren repräsentiert Tupel werden durchnumeriert Alle möglichen Ausprägungen eines Attributs werden aufgelistet Bit wird gesetzt an der Position, die der Kombination aus Tupel- Nummer und attributwert entspricht Vorteile: Kompaktheit von Bitvektoren ermöglicht relativ oft, dass Bitmap Indizes im Hauptspeicher verwaltet werden können Operationen auf Bit-Ebene werden Hardware-seitig gut unterstützt Indizes werden auch für Selektionen mit geringerer Selektivität akzeptabel FS Data Warehousing (CS4) Data Warehousing 5-4
21 Bitstring-Darstellung der Attributwerte Bitmap-Index wird über einzelnem Attribut einer Relation gebildet, d.h. es gibt einen Bit-Spaltenvektor pro Attributwert π A (R) V 8 V 7 V 6 V 5 V 4 V 3 V V V TupelNr Beispiel: R(A, B, C, D) mit Bitmap-Index über A π A (R) V V V V V V V V V TupelNr FS Data Warehousing (CS4) Data Warehousing 5-4 Cluster-Bildung im Bitmap-Index Mehrstufigkeit oder Vergröberung im Bitmap-Index Clusterung der Attributwerte: Logisches Oder einer Teilmenge der Spaltenvektoren Clusterung der Tupel: Logisches Oder einer Teilmenge der Zeilenvektoren (R) V 8 V 7 V 6 V 5 V 4 V 3 V V V T ln π A (R) V 8 V 7 V 6 V 5 V 4 V 3 V V V TupelNr FS Data Warehousing (CS4) Data Warehousing 5-4
22 Cluster-Bildung im Bitmap-Index Ergebnis der Vergröberung nach Attributwerten und Tupeln Tupel Nr Tupel Cluster Nr 3 3 Value Cluster Nr V 8 V 7 V 5 V 4 V 3 V V V Value Nr FS Data Warehousing (CS4) Data Warehousing 5-43
Frühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil
Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches
MehrFrühjahrsemester 2013. CS243 Datenbanken Kapitel 7: Data Warehousing-Anfragen. H. Schuldt. 7.1 Einführung. Filiale Allschwil
Frühjahrsemester 3 CS43 Datenbanken Kapitel 7: Data Warehousing-Anfragen H. Schuldt Wiederholung aus Kapitel 7. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen:
MehrKap. 6 Data Warehouse
1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5
MehrDimensionen, Measures
... Operationen und peicherung Multi-dimensionaler Daten Aggregate um RED WHITE BLUE Group By (with total) By Color um Cross Tab Chevy Ford By Color RED WHITE BLUE By Make um By Make & Year By Year FORD
MehrOLAP 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
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
MehrAufgabe 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
MehrData Warehousing: Anwendungsbeispiel
Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale
MehrKapitel 8: Data Warehouse 1
Objektverwaltung höherer Ordnung (OHO) SS 23 Kapitel 8: Data Warehouse Kap. 8 Data Warehouse 8. Was ist ein Data Warehouse, Motivation? 8.2 Data Cube und SQL-Operationen 8.3 Cube-Operationen 8.4 Physischer
MehrEinführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
Mehrbersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter
bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen
MehrDatenbanksysteme 2 Frühjahr-/Sommersemester 2014 28. Mai 2014
Lehrstuhl für Praktische Informatik III Prof. Dr. Guido Moerkotte Email: moer@db.informatik.uni-mannheim.de Marius Eich Email: marius.eich@uni-mannheim.de Datenbanksysteme 2 8. Übungsblatt Frühjahr-/Sommersemester
MehrThemenblock: 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
MehrMengenvergleiche: Alle Konten außer das, mit dem größten Saldo.
Mengenvergleiche: Mehr Möglichkeiten als der in-operator bietet der θany und der θall-operator, also der Vergleich mit irgendeinem oder jedem Tupel der Unteranfrage. Alle Konten außer das, mit dem größten
MehrEinführung 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
MehrFrühjahrsemester cs243 Datenbanken Kapitel 1: Einführung. H. Schuldt. Anwendungsbeispiel. Filiale Allschwil
Frühjahrsemester 2013 cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Anwendungsbeispiel Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches Produkt hat sich am 26.02.2013 in der Filiale
MehrData 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
MehrSQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:
SQL Structured Query Language: strukturierte Datenbankabfragesprache eine Datenbanksprache zur Definition, Abfrage und Manipulation von Daten in relationalen Datenbanken In der SQL-Ansicht arbeiten In
MehrData 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...............
MehrVeit 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...
Mehr3.17 Zugriffskontrolle
3. Der SQL-Standard 3.17. Zugriffskontrolle Seite 1 3.17 Zugriffskontrolle Datenbanken enthalten häufig vertrauliche Informationen, die nicht jedem Anwender zur Verfügung stehen dürfen. Außerdem wird man
MehrOPERATIONEN AUF EINER DATENBANK
Einführung 1 OPERATIONEN AUF EINER DATENBANK Ein Benutzer stellt eine Anfrage: Die Benutzer einer Datenbank können meist sowohl interaktiv als auch über Anwendungen Anfragen an eine Datenbank stellen:
MehrDas SQL-Schlüsselwort ALL entspricht dem Allquantor der Prädikatenlogik
Beispielaufgaben Informationssysteme erstellt von Fabian Rump zur IS Vorlesung 2009/10 1 Multiple Choice Aussage richtig falsch Eine SQL-Abfrage beginnt immer mit dem Schlüsselwort SELECT Eine Datenbank
MehrDie bisher bereits bekannten Aggregatsfunktionen MIN, MAX, SUM, AVG, COUNT, VARIANCE und STDDEV wurden um FIRST und LAST erweitert.
Betrifft Autor FIRST, LAST Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem NF9i-Kurs, NF9i-Techno-Circle der Trivadis und Oracle9i Data Warehousing
MehrVorlesung Datenbankmanagementsysteme
Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse & Einführung Online Analytical Processing (OLAP) (auf Basis von Oracle) Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse M. Lange, S.
MehrHandbuch 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
MehrData Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
Mehr7. Übung - Datenbanken
7. Übung - Datenbanken Informatik I für Verkehrsingenieure Aufgaben inkl. Beispiellösungen 1. Aufgabe: DBS a Was ist die Kernaufgabe von Datenbanksystemen? b Beschreiben Sie kurz die Abstraktionsebenen
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
MehrSeminar im Sommersemester 2004 an der Universität Karlsruhe (TH)
Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian
MehrInformatik 12 Datenbanken SQL-Einführung
Informatik 12 Datenbanken SQL-Einführung Gierhardt Vorbemerkungen Bisher haben wir Datenbanken nur über einzelne Tabellen kennen gelernt. Stehen mehrere Tabellen in gewissen Beziehungen zur Beschreibung
MehrIV. Datenbankmanagement
Wirtschaftsinformatik 2 (PWIN) IV. Datenbankmanagement Kapitel 2: Datenmanipulationssprache SQL Wirtschaftsinformatik 2 (PWIN) SS 2009, Professur für Mobile Business & Multilateral Security 1 Agenda 1.
MehrSQL - Übungen Bearbeitung der Datenbank Personal (1)
Bearbeitung der Datenbank Personal (1) 1. Abfragen einer einzigen Tabelle 1.1. Zeigen Sie alle Informationen an, die über die Kinder der Mitarbeiter gespeichert sind. 1.2. Zeigen Sie aus der Tabelle stelle
MehrModel Klausel - Der Excel-Killer von Oracle?
Model Klausel - Der Excel-Killer von Oracle? Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Model Klausel, SQL, Data Warehousing, OLAP Zusammenfassung Ein Data Mart kann als ein Würfel mit
MehrKapitel 8: Physischer Datenbankentwurf
8. Physischer Datenbankentwurf Seite 1 Kapitel 8: Physischer Datenbankentwurf Speicherung und Verwaltung der Relationen einer relationalen Datenbank so, dass eine möglichst große Effizienz der einzelnen
MehrData Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
MehrData Mining-Projekte
Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein
MehrMai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
MehrIn diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access. Die Grundlagen der Datenbanken.
In diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access Die Grundlagen der Datenbanken kurspc15 Inhaltsverzeichnis Access... Fehler! Textmarke nicht
MehrVerwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert. Entität kann in einer oder mehreren Unterklassen sein
1 Definitionen 1.1 Datenbank Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert Integriert, selbstbeschreibend, verwandt 1.2 Intension/Extension Intension: Menge der Attribute Extension:
MehrSQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar
Qt-Seminar Dienstag, 10.2.2009 SQL ist......die Abkürzung für Structured Query Language (früher sequel für Structured English Query Language )...ein ISO und ANSI Standard (aktuell SQL:2008)...eine Befehls-
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrAuswertung 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...
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
MehrNachtrag: Farben. Farbblindheit. (Light und Bartlein 2004)
Nachtrag: Farben Farbblindheit (Light und Bartlein 2004) 1 Vorgeschlagene Farbskalen (Light and Bartlein 2004) Farbkodierung metrisch skalierter Daten Unterscheide: 1. Sequential Data (ohne Betonung der
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrIndex- und Zugriffsstrukturen für. Holger Brämer, 05IND-P
Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören
MehrData Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube
Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch
MehrVorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrKampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht
Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Thomas Kreuzer ec4u expert consulting ag Karlsruhe Schlüsselworte: Kampagnenmanagement Praxisbericht Siebel Marketing Oracle BI - ec4u
MehrLINGO: Eine kleine Einführung
LINGO: Eine kleine Einführung Jun.-Prof.Dr. T. Nieberg Lineare und Ganzzahlige Optimierung, WS 2009/10 LINDO/LINGO ist ein Software-Paket, mit dessen Hilfe (ganzzahlige) lineare Programme schnell und einfach
MehrLogische Modelle für OLAP. Burkhard Schäfer
Logische Modelle für OLAP Burkhard Schäfer Übersicht Einführung in OLAP Multidimensionale Daten: Hypercubes Operationen Formale Grundlagen Zusammenfassung Einführung in OLAP Verfahren zur Analyse großer
MehrSo importieren Sie einen KPI mithilfe des Assistenten zum Erstellen einer Scorecard
1 von 6 102013 18:09 SharePoint 2013 Veröffentlicht: 16.07.2012 Zusammenfassung: Hier erfahren Sie, wie Sie einen KPI (Key Performance Indicator) mithilfe des PerformancePoint Dashboard Designer in SharePoint
MehrOLAP 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
MehrBusiness 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
MehrBusiness 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
MehrSchlüssel bei temporalen Daten im relationalen Modell
Schlüssel bei temporalen Daten im relationalen Modell Gesine Mühle > Präsentation > Bilder zum Inhalt zurück weiter 322 Schlüssel im relationalen Modell Schlüssel bei temporalen Daten im relationalen Modell
MehrErweiterung der Aufgabe. Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen:
VBA Programmierung mit Excel Schleifen 1/6 Erweiterung der Aufgabe Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen: Es müssen also 11 (B L) x 35 = 385 Zellen berücksichtigt
MehrDie Excel Schnittstelle - Pro Pack
Die Excel Schnittstelle - Pro Pack Die Excel Pro Pack ist eine Erweiterung der normalen Excel Schnittstelle, die in der Vollversion von POSWare Bestandteil der normalen Lizenz und somit für alle Lizenznehmer
MehrOracle-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
MehrDurchführung der Datenübernahme nach Reisekosten 2011
Durchführung der Datenübernahme nach Reisekosten 2011 1. Starten Sie QuickSteuer Deluxe 2010. Rufen Sie anschließend über den Menüpunkt /Extras/Reisekosten Rechner den QuickSteuer Deluxe 2010 Reisekosten-Rechner,
Mehr2. Einrichtung der ODBC-Schnittstelle aus orgamax (für 32-bit-Anwendungen)
1. Einführung: Über den ODBC-Zugriff können Sie bestimmte Daten aus Ihren orgamax-mandanten in anderen Anwendungen (beispielsweise Microsoft Excel oder Microsoft Access) einlesen. Dies bietet sich beispielsweise
MehrÜbungsblatt 4. Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin)
Übungsblatt 4 Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin) Die Saartal Linien beauftragen Sie mit dem Entwurf der Datenstrukturen für ein Informationssystem. Dieses soll zur Verwaltung
MehrBusiness 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
MehrDie allerwichtigsten Raid Systeme
Die allerwichtigsten Raid Systeme Michael Dienert 4. Mai 2009 Vorbemerkung Dieser Artikel gibt eine knappe Übersicht über die wichtigsten RAID Systeme. Inhaltsverzeichnis 1 Die Abkürzung RAID 2 1.1 Fehlerraten
MehrFortgeschrittene OLAP Analysemodelle
Fortgeschrittene OLAP Analysemodelle Jens Kübler Imperfektion und erweiterte Konzepte im Data Warehousing 2 Grundlagen - Datenanalyse Systemmodell Datenmodell Eingaben System Schätzer Datentypen Datenoperationen
MehrFragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96
Fragenkatalog zum Kurs 1666 (Datenbanken in Rechnernetzen) Kurstext von SS 96 Dieser Fragenkatalog wurde aufgrund das Basistextes und zum Teil aus den Prüfungsprotokollen erstellt, um sich auf mögliche
MehrUniversalimport in luxdata
Universalimport in luxdata 1 Funktionsbeschreibung 1.1 Übersicht Der luxdata-universal Importer ist eine luxdata-lizenzoption, welche den Import von Daten aus tabellarischen Strukturen (Excel oder CSV)
MehrArtikel Schnittstelle über CSV
Artikel Schnittstelle über CSV Sie können Artikeldaten aus Ihrem EDV System in das NCFOX importieren, dies geschieht durch eine CSV Schnittstelle. Dies hat mehrere Vorteile: Zeitersparnis, die Karteikarte
MehrMarketing 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
MehrTU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.
TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D. Blatt Nr. 7 Übung zur Vorlesung Grundlagen: Datenbanken im WS13/14 Henrik Mühe (muehe@in.tum.de) http://www-db.in.tum.de/teaching/ws1314/dbsys/exercises/
MehrPivotieren. Themenblock: Anfragen auf dem Cube. Roll-up und Drill-down. Slicing und Dicing. Praktikum: Data Warehousing und Data Mining. Produkt.
Zeit Pivotieren Themenblock: Anfragen auf dem Cube Praktikum: Data Warehousing und Data Mining Zeit Zeit 2 Roll-up und Drill-down Slicing und Dicing Drill-down Januar 2 3 33 1. Quartal 11 36 107 Februar
MehrAnwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses
Anwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses Einführung Einer der Nachteile der Data Warehouse Technologie besteht daran, dass in einem Data Warehouse (DWH ) nur Momentaufnahmen
MehrAvira Server Security Produktupdates. Best Practice
Avira Server Security Produktupdates Best Practice Inhaltsverzeichnis 1. Was ist Avira Server Security?... 3 2. Wo kann Avira Server Security sonst gefunden werden?... 3 3. Was ist der Unterschied zwischen
MehrStar-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...
MehrFirmenverwaltung. Filialverwaltung. Mandantenverwaltung
Mandantenverwaltung Firmenverwaltung Filialverwaltung Verwaltung von Mandanten zum Zwecke der Abrechnung einer Dienstleistung im Bereich der Arbeitszeiterfassung. Zielgruppen: Steuerberater, Gebäudeverwaltung,
MehrDATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER
DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.
MehrKapitel 2 Terminologie und Definition
Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale
MehrAnbindung Borland CaliberRM
Anbindung Borland CaliberRM pure::variants - Das Werkzeug Einstieg intergrierbar in bestehende Softwareentwicklungsprozesse unabhängig von der genutzten Programmiersprache Anwendung automatische Auflösung
MehrRelationale Datenbanken Datenbankgrundlagen
Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern
MehrData Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:
Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse
MehrAllgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
MehrData Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
Mehr3. Das Relationale Datenmodell
3. Das Relationale Datenmodell Das Relationale Datenmodell geht zurück auf Codd (1970): E. F. Codd: A Relational Model of Data for Large Shared Data Banks. Comm. of the ACM 13(6): 377-387(1970) DBMS wie
MehrBI 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
MehrInfo-Veranstaltung zur Erstellung von Zertifikaten
Info-Veranstaltung zur Erstellung von Zertifikaten Prof. Dr. Till Tantau Studiengangsleiter MINT Universität zu Lübeck 29. Juni 2011 Gliederung Zertifikate Wer, Wann, Was Ablauf der Zertifikaterstellung
MehrFachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer
Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer Klassendiagramme Ein Klassendiagramm dient in der objektorientierten Softwareentwicklung zur Darstellung von Klassen und den Beziehungen,
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
MehrTag 4 Inhaltsverzeichnis
Tag 4 Inhaltsverzeichnis Normalformen Problem Formen (1-4) Weitere Formen Transaktionen Synchronisationsprobleme Überblick Autocommit Locking Savepoints Isolation levels Übungen RDB 4-1 Normalformen Problematik
MehrHetero-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
MehrHow to do? Projekte - Zeiterfassung
How to do? Projekte - Zeiterfassung Stand: Version 4.0.1, 18.03.2009 1. EINLEITUNG...3 2. PROJEKTE UND STAMMDATEN...4 2.1 Projekte... 4 2.2 Projektmitarbeiter... 5 2.3 Tätigkeiten... 6 2.4 Unterprojekte...
MehrCayuga. A General Purpose Event Monotoring System. David Pfeiffer. 19. Juli 2007
Cayuga A General Purpose Event Monotoring System David Pfeiffer 19. Juli 2007 1 / 24 Themen 1 2 Aufbau Operatoren 3 Das Modell der Zustandsübergang Zustandstypen 4 Beispiel Kritik & Fragen 2 / 24 Was ist
MehrDatenbanken: Relationales Datenbankmodell RDM
Das RDM wurde in den 70'er Jahren von Codd entwickelt und ist seit Mitte der 80'er Jahre definierter Standard für Datenbanksysteme! Der Name kommt vom mathematischen Konzept einer Relation: (Sind A, B
MehrDokumentation zum Spielserver der Software Challenge
Dokumentation zum Spielserver der Software Challenge 10.08.2011 Inhaltsverzeichnis: Programmoberfläche... 2 Ein neues Spiel erstellen... 2 Spielfeldoberfläche... 4 Spielwiederholung laden... 5 Testdurchläufe...
Mehr6. Sichten, Integrität und Zugriffskontrolle. Vorlesung "Informa=onssysteme" Sommersemester 2015
6. Sichten, Integrität und Zugriffskontrolle Vorlesung "Informa=onssysteme" Sommersemester 2015 Überblick Sichten Integritätsbedingungen Zugriffsrechte SQL- Schema und SQL- Katalog Das Informa=onsschema
MehrXAMPP-Systeme. Teil 3: My SQL. PGP II/05 MySQL
XAMPP-Systeme Teil 3: My SQL Daten Eine Wesenseigenschaft von Menschen ist es, Informationen, in welcher Form sie auch immer auftreten, zu ordnen, zu klassifizieren und in strukturierter Form abzulegen.
MehrData Warehousing und Data Mining
2 Data Warehousing und Data Mining Kapitel 1: Data-Warehousing-Architektur von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich zum letzten Jahr? In welchen Regionen
MehrApache HBase. A BigTable Column Store on top of Hadoop
Apache HBase A BigTable Column Store on top of Hadoop Ich bin... Mitch Köhler Selbstständig seit 2010 Tätig als Softwareentwickler Softwarearchitekt Student an der OVGU seit Oktober 2011 Schwerpunkte Client/Server,
Mehr