Multidimensionales Datenmodell, Cognos
|
|
- Jasmin Holst
- vor 8 Jahren
- Abrufe
Transkript
1 Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010
2 Vereinfachte Sicht auf die Referenzarchitektur Extraktion Transformation Laden Data Warehouse Analyse Operative Datenbanken OLAP Server Praktikum Data Warehousing und Mining, Sommersemester
3 Fokus jetzt im Praktikum Unser Fokus jetzt Extraktion Transformation Laden Data Warehouse Analyse Operative Datenbanken OLAP Server Praktikum Data Warehousing und Mining, Sommersemester
4 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
5 Analysephase Unterschiedliche Ansätze: Data Mining Erster Block Suche nach unbekannten Mustern im Datenbestand Welche Eigenschaften zeichnen Kunden aus, die wieder bei uns einkaufen werden? Online Transactional Processing (OLTP) Vorheriger Block Zugriff auf vorhandenen Datenbestand Nutzung von Datenmanipulationssprachen ti (z.b. SQL) Wieviele Einheiten von Artikel X wurden vom Kunden Y im Zeitraum Z gekauft? Online Analytical Processing (OLAP) Jetzt Anpassung des Datenbestands an die Analyse Dynamischer, flexibler, interaktiver Zugriff auf eine Vielzahl von Werten In welchem Gebiet macht Warengruppe X den größten Umsatz? Praktikum Data Warehousing und Mining, Sommersemester
6 Tools: Data Access Anfragesprachen (z.b. SQL) Lesen von Daten Vorheriger Block Arithmetische Operationen auf Daten Zunächst keine Präsentationsmöglichkeit Reporting Tools (z.b. Cognos) Lesen der Daten Jetzt Anreicherung der Daten durch arithmetische Operationen Präsentation der Daten in Berichten Unterstützung von Ampelfunktionalität Praktikum Data Warehousing und Mining, Sommersemester
7 Anforderungen an Online Analytical Processing Geschwindigkeit Anfragen sollten in 5 Sekunden beantwortet sein Analysemöglichkeit Ermöglichung anwenderfreundlicher dli und intuitiver iti Analyse Sicherheit Sicherer Mehrbenutzerbetrieb Stabile Sicherungsmechanismen Multidimensionalität Multidimensionale i l Sicht auf die Daten Kapazität Hohe Skalierbarkeit der verwalteten Daten FASMI: Fast Analysis of Shared Multidimensional Information (Pendse/Creeth, 1995) Praktikum Data Warehousing und Mining, Sommersemester
8 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
9 Multidimensionales Datenmodell - Begriffe Hilfsmittel zur Veranschaulichung von Daten verschiedene Aspekte auf gleiche Weise zugreifbar Einsatz bei OLAP-Anwendungen Kennzahlen Elemente eines Würfels Dimensionen Kennzahl Beschreiben Daten Ermöglichen Zugriff auf Kennzahlen Dimension Können zu Hierarchien gehören Praktikum Data Warehousing und Mining, Sommersemester
10 Multidimensionales Datenmodell Beispiel Jahr Quartal Monat Tag Produkt. Zeit Umsatz Geographie Praktikum Data Warehousing und Mining, Sommersemester
11 Dimensioneni Einordnung Bewertung der Analysedaten durch Kenngrößen (z.b. Umsatz, Kosten) Untersuchung der Kenngrößen aus verschiedenen Perspektiven (z.b. Stadt, Bundesland, Zeitachse) Betrachtungsperspektive heißt Dimension i Eigenschaften Mindestens 2 Dimensionselemente Dimensionselemente i bilden Blätter eines Baums (sog. Klassifikationshierarchie) Praktikum Data Warehousing und Mining, Sommersemester
12 Dimensionen i Beispiel i Zeit Jahr Quartal Monat Tag. Klassifikationshierarchie Dimensionselement Praktikum Data Warehousing und Mining, Sommersemester
13 Arten von Klassifikationshierarchien i Einfache Hierarchien Höhere Hierarchieebenen enthalten die aggregierten Werte der jeweils niedrigeren Ebenen Oberster Knoten: Gesamtknoten Verdichtung aller Werte einer Dimension Parallele l Hierarchien Entstehen bei unterschiedlicher Art der Gruppierung Parallele Äste ohne Beziehung Betrachtung eines Teilaspekts der Hierarchie pro Ast Praktikum Data Warehousing und Mining, Sommersemester
14 Klassifikationshierarchie i - Beispiele i TOP TOP Land Jahr Bundesland Quartal Woche Stadt Monat Strasse Tag Einfache Hierarchie Parallele Hierarchie Praktikum Data Warehousing und Mining, Sommersemester
15 Würfel Weitere Begriffe Kanten von Dimensionen aufgespannt Kantenlänge entspricht Anzahl der Elemente in Dimension Eine oder mehrere Kennzahlen pro Würfelzelle Anzahl der Dimensionen heißt Dimensionalität Konsolidierungspfad Pfade im Klassifikationsschema i Praktikum Data Warehousing und Mining, Sommersemester
16 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
17 Konzeptionelle Modellierung Einsatz von Entity/Relationship-Modell oder UML Probleme: Modellierung der Konsolidierungspfade nicht möglich Entitäten besitzen keine Semantik Wir wollen aber: Höheren Automatisierungsgrad durch Verzicht auf universelle Anwendbarkeit Unterscheidung zwischen Klassifikationsstufen, beschreibenden Attributen und Kennzahlen nicht möglich Daher eigene Modellierungsmodelle Multidimensionales Entity/Relationship-Modell (ME/R) Multidimensionale Unified Modeling Language (muml) Ansatz von Totok (objektorientiert, notiert in UML) Hier: ME/R Praktikum Data Warehousing und Mining, Sommersemester
18 ME/R-ModellM Weiterentwicklung e t des E/R-Modells Anforderungen Spezialisierung: Alle eingeführten Elemente sind Spezialfälle von E/R- Konstrukten Minimale Erweiterung: Leicht erlernbar für erfahrene E/R-Modellierer Darstellung der multidimensionalen Semantik: Klassifikationsschema, Würfelstruktur muss abbildbar sein Eingeführte Konstrukte Entitätenmenge Dimension Level (Klassifikationsstufe) n-äre Faktenbeziehung Binäre Klassifikationsbeziehungsmenge Praktikum Data Warehousing und Mining, Sommersemester
19 Visualisierung i der ME/R - Konstrukte Fakt Klassifikationsstufe Klassifikationsbeziehung Kenngröße Quartal Monat Tag Einkauf Region Stadt Strasse Kosten Praktikum Data Warehousing und Mining, Sommersemester
20 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
21 Relationale Umsetzung des multidim. Modells Anforderungen Beibehaltung der Semantik z.b. Hierarchien Effiziente Umsetzung von Anfragen Effiziente Verarbeitung von Anfragen Einfache Wartung z.b. beim Nachladen von Daten Relationales OLAP (ROLAP) Praktikum Data Warehousing und Mining, Sommersemester
22 Relationale l Umsetzung: Faktentabelle Beispiel zeigt einen typischen Datensatz Kennzahlen, Dimensionen Spalten Zellen Tupel Zusätzlich existieren Hierarchien Z.B.: Artikel Produktgruppe Produktkategorie Wie kann der Datacube mit Hierarchien in einem DBMS gespeichert werden? Faktentabelle ohne Hierarchien Praktikum Data Warehousing und Mining, Sommersemester
23 Relationale l Umsetzung: Star-SchemaS Eine Relation pro Dimension Nicht normalisiert Redundanz Gefahr von Anomalien Nur wenige Joins notwendig Nachteile werden in Warehouses oft in Kauf genommen Praktikum Data Warehousing und Mining, Sommersemester
24 Relationale Umsetzung: Snowflake-Schema Verfeinerung des Star-Schemas Normalisiert, keine Redundanz Mehrere Dimension Tables pro Dimension Relation pro Ebene einer Hierarchie Viele Joins: 11 Tabellen bei Gruppierung nach Kategorie, Land und Jahr Praktikum Data Warehousing und Mining, Sommersemester
25 Relationale l Umsetzung: Semantikverluste Verluste in Faktentabelle Unterscheidung von Dimensionen und Kenngrößen nicht ersichtlich Dimensionstabelle Unterscheidung zwischen beschreibendem Attribut und Attribut der Klassifikationsebene nicht möglich Aufbau der Dimensionen geht verloren Lösung: Erweiterung des Systemkatalogs in relationalen DBMS Multidimensionales OLAP (MOLAP) Hybrides OLAP (HOLAP) Praktikum Data Warehousing und Mining, Sommersemester
26 Überblick: bli OLAP-Techniken Relationales OLAP (ROLAP): Relationale Datenbank Skalierbarkeit gegeben, aber oft langsam (viele Joins) Multidimensionales i l OLAP (MOLAP): Multidimensionale Datenbank Persistente Speicherung aggregierter Kennzahlen Oft schneller, aber curse of dimensionality Hybrides OLAP (HOLAP): Mischform, Tradeoff: Geschwindigkeit vs. Flexibilität Desktop OLAP (DOLAP): Lokale multidimensionale Analysen z.b. für Mobile User Memory-Based OLAP: Datenhaltung komplett im RAM (Beispiel: QlikView) Praktikum Data Warehousing und Mining, Sommersemester
27 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
28 Zeit Pivotiereni Produkt Geographie Produkt Produkt Zeit Geographie Zeit Geographie Praktikum Data Warehousing und Mining, Sommersemester
29 Roll-up und Drill-down Drill-down Produkt Produkt Januar Quartal Februar Quartal März Quartal Geographie Geographie Roll-up Praktikum Data Warehousing und Mining, Sommersemester
30 Slicing i und Dicingi Produkt Produkt Zeit Zeit Geographie Geographie Slicing: Einschränkung entlang einer Dimension Dicing: Einschränkung entlang zweier oder mehr Dimensionen Praktikum Data Warehousing und Mining, Sommersemester
31 Zusammenfassung: multidim. Operatoren Nutzen multidimensionale Struktur der Daten Erlauben einfache Modifikation von Anfragen zu inhaltlich ähnlichen Anfragen zu strukturell ähnlichen Anfragen Sind auf die Fragestellungen im Data Warehouse zugeschnitten Praktikum Data Warehousing und Mining, Sommersemester
32 Rückblick: k MDX (I) Praktikum Data Warehousing und Mining, Sommersemester
33 Rückblick: k MDX (II) Praktikum Data Warehousing und Mining, Sommersemester
34 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Cognos Report Studio Cognos Analysis Studio Internals Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
35 Der Business-Intelligence-Markt 2010 Magic Quadrant for Data Warehouse Database Management Systems, Gartner 2010 Magic Quadrant for Business Intelligence Platforms, Gartner 2010 Praktikum Data Warehousing und Mining, Sommersemester
36 Cognos Übernahme durch IBM 2008 ( Cognos, an IBM Company ) Cognos BI ermöglicht Erstellen von Ad-hoc-Anfragen Anfragen (Query Studio) Berichten (Report Studio) Multidimensionalen Anfragen (Analysis Studio) Backend Data Cube Relationale Daten Anmeldung Internet-Explorer URL: p Benutzername: <Benutzername> Passwort: <Passwort> Praktikum Data Warehousing und Mining, Sommersemester
37 Cognos - Startbildschirm Praktikum Data Warehousing und Mining, Sommersemester
38 Cognos-Komponenten Query Studio (für einfache Anfragen) In Echtzeit Visuell Report Studio (für komplexe Berichte) Visuell Ergebnisgenerierung i auf Befehl Bedingte Variablen Dynamische Berichte Layout individueller anpassbar Analysis Studio (für multidimensionale i l Sicht) In Echtzeit Visuell Praktikum Data Warehousing und Mining, Sommersemester
39 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Cognos Report Studio Cognos Analysis Studio Internals Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
40 Report Studio Erstellen komplexer Berichte Vielfältige Ausgabe- und Darstellungsoptionen Parameterabfrage bei Anfrageaufruf Praktikum Data Warehousing und Mining, Sommersemester
41 Report Studio - Aufbau Praktikum Data Warehousing und Mining, Sommersemester
42 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Cognos Report Studio Cognos Analysis Studio Internals Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
43 Analysis Studio Aufbau Praktikum Data Warehousing und Mining, Sommersemester
44 Sicht auf die Daten Blättern in der Hierarchie möglich Ähnlich MDX Tools in SQL Server Unterscheidung zwischen Fakten und Dimensionen Praktikum Data Warehousing und Mining, Sommersemester
45 Multidimensionale i l Operatoren Rechtsklick auf Spalten- bzw. Zeilennamen Kontextmenü erlaubt Drilldown und Drillup Slicing und Dicing (über Ausschließen ) Pivotieren wie im Report Studio Entsprechendes Icon im Menü anklicken Praktikum Data Warehousing und Mining, Sommersemester
46 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Cognos Report Studio Cognos Analysis Studio Internals Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
47 Cognos: Anfragesprachen MDX auch von Cognos unterstützt! Praktikum Data Warehousing und Mining, Sommersemester
48 Natives SQL vs. Cognos SQL Natives SQL Für einzelne Anfragen an Datenbank Cognos SQL Generische Cognos-Erweiterung von SQL Für mehrere Datenquellen Natives SQL ist Untermenge Praktikum Data Warehousing und Mining, Sommersemester
49 MDX-Unterstützung In Abfrageexplorer: SQL oder MDX möglich Praktikum Data Warehousing und Mining, Sommersemester
50 Natives MDX vs. Cognos SQL Praktikum Data Warehousing und Mining, Sommersemester
51 Erstellung von Berichten: Vorgehensweisen Intuitives Vorgehen: Zusammenklicken im Hintergrund Formulierung in Cognos SQL Generierung von nativem SQL/MDX für DB-Anfrage Optimierung der DB-Anfragen durch Benutzer möglich Alternativ: Einbindung existierender SQL-/MDX-Anfragen über Abfrageexplorer Erst danach Berichterstellung Praktikum Data Warehousing und Mining, Sommersemester
52 Agenda Online Analytical Processing (OLAP) Multidimensionales Datenmodell Konzeptionelle Modellierung Relationale Umsetzung des multidim. Modells Multidimensionale Operatoren Cognos Cognos Report Studio Cognos Analysis Studio Internals Hinweise zur Bearbeitung Praktikum Data Warehousing und Mining, Sommersemester
53 Hinweise i zur Bearbeitung Erreichen ec e der Tools oos Internet Explorer URL: Report Studio bevorzugt nutzen Performance! Daten des Data Cubes aus Package: DWM Multidimensional Ergebnis in Eigenem Ordner speichern Praktikum Data Warehousing und Mining, Sommersemester
54 Quellenangaben A. Bauer, H. Günzel: Data Warehouse Systeme Architektur, Entwicklung, Anwendung, dpunkt.verlag, J. Han, M. Kamber: Data Mining Concepts and Techniques, Morgan Kaufmann, Cognos Report Studio Professional Authoring User Guide, Praktikum Data Warehousing und Mining, Sommersemester
Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL
Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining 2 Eigenschaften eines Data Warehouse Referenzarchitektur Integrierte Sicht auf beliebige Daten aus verschieden Datenbanken
MehrThemenblock: Data Warehousing (I)
Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining Agenda Einführung Data Warehouses Online Transactional Processing (OLTP) Datenmanipulation mit SQL Anfragen mit SQL Online
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
MehrPraktikum: Data Warehousing und Data Mining
Themenblock: Data Warehousing II Praktikum: Data Warehousing und Data Mining Praktikum Data Warehousing und Mining, Sommersemester 2009 DMC: Ergebnisse Platz Team Punkte 1 Uni Karlsruhe (TH)_II 17260,0
MehrDas Multidimensionale Datenmodell
Das Multidimensionale Datenmodell Konzeptuelle Modellierung Umsetzung des Modells Beispiel ER-Modell 2 / 36 Probleme ER-Modellierung Keine Unterscheidung Klassifikation, Attribute, Kenngrößen Dimension
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining 2 Cognos Report Net (CRN) Ermöglicht Erstellen von Ad-hoc-Anfragen (Query Studio) Berichten (Report Studio) Backend Data Cube Relationale Daten Übung: Cognos Report Net
MehrThemenblock: Data Warehousing II
Themenblock: Data Warehousing II Praktikum: Data Warehousing und Data Mining Agenda Wiederholung: multidimensionale Operatoren Cognos Cognos Report Studio Cognos Analysis Studio Hinweise zur Bearbeitung
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...
MehrC09: 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
MehrSeminar 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
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
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
Mehr1Ralph 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
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
Mehreevolution 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
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:
MehrBI in der Cloud eine valide Alternative Überblick zum Leistungsspektrum und erste Erfahrungen 11.15 11.45
9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics
MehrCarl-Christian Kanne. Einführung in Datenbanken p.1/513
Einführung in Datenbanken Carl-Christian Kanne Einführung in Datenbanken p.1/513 Kapitel 1 Einführung Einführung in Datenbanken p.2/513 Einführung Was ist ein Datenbanksystem (DBS)? Ein System zum Speichern
MehrPSE: Analysesoftware für Logistiknetzwerke
PSE: Analysesoftware für Logistiknetzwerke IPD Böhm Matthias Bracht,, Lehrstuhl Prof. Böhm KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
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,
MehrEinführung 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 -
MehrInformation-Design-Tool
Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn
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?
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
MehrIT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
MehrSeminar 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
MehrGESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013
OPEN SYSTEMS CONSULTING IT-KOMPLETTDIENSTLEISTER IM MITTELSTAND GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 Business Analytics Sascha Thielke AGENDA Die Geschichte des Reporting Begriffe im BA Umfeld
MehrModellierung 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
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. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
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
MehrData 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
MehrInhalt. 1 Übersicht. 2 Anwendungsbeispiele. 3 Einsatzgebiete. 4 Systemanforderungen. 5 Lizenzierung. 6 Installation. 7 Key Features.
Inhalt 1 Übersicht 2 Anwendungsbeispiele 3 Einsatzgebiete 4 Systemanforderungen 5 Lizenzierung 6 Installation 7 Key Features Seite 2 von 11 1. Übersicht MIK.mobile for ipad ist eine Business Intelligence
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
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
MehrOpen Source BI 2009 Flexibilität und volle Excel-Integration von Palo machen OLAP für Endanwender beherrschbar. 24. September 2009
Open Source BI 2009 Flexibilität und volle Excel-Integration von Palo machen OLAP für Endanwender beherrschbar 24. September 2009 Unternehmensdarstellung Burda Digital Systems ist eine eigenständige und
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
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
MehrTitel. System Center Service Manager 2012 R2 Anleitung zur Installation
Autor: Thomas Hanrath Microsoft Certified Trainer Titel System Center Service Manager 2012 R2 Anleitung zur Installation Eine beispielhafte Installationsanleitung zur Verwendung im Testlab Quelle: System
MehrBest Practice Infor PM 10 auf Infor Blending
Best Practice Infor PM 10 auf Infor Blending, 11.11.2008 Infor Performance Management Best Practice Infor PM 10 auf Infor Blending Leistungsübersicht Infor PM 10 auf Infor Blending eine Data Warehouse
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
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
MehrOLAP mit dem SQL-Server
Hartmut Messerschmidt Kai Schweinsberg OLAP mit dem SQL-Server Eine Einführung in Theorie und Praxis IIIBibliothek V dpunkt.verlag Teil OLAP undder Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1
MehrVorwort zur 5. Auflage... 15 Über den Autor... 16
Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung
MehrEinführung. Kapitel 1 2 / 508
Kapitel 1 Einführung 2 / 508 Einführung Was ist ein Datenbanksystem (DBS)? Ein System zum Speichern und Verwalten von Daten. Warum kein herkömmliches Dateisystem verwenden? Ausfallsicherheit und Skalierbarkeit
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
MehrDatenbankmodelle 1. Das Entity-Relationship-Modell
Datenbankmodelle 1 Das Entity-Relationship-Modell Datenbankmodelle ER-Modell hierarchisches Modell Netzwerkmodell relationales Modell objektorientierte Modelle ER Modell - 2 Was kann modelliert werden?
MehrMultidimensionale Modellierung
Multidimensionale Modellierung Vorlesung: Übung: Patrick Schäfer Berlin, 27. November 2017 patrick.schaefer@hu-berlin.de https://hu.berlin/vl_dwhdm17 https://hu.berlin/ue_dwhdm17 Grundlagen Fakten (Kennzahlen/Messgrößen):
MehrDatenbanken. Prof. Dr. Bernhard Schiefer. bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer
Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Wesentliche Inhalte Begriff DBS Datenbankmodelle Datenbankentwurf konzeptionell, logisch und relational
MehrData 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
MehrEinführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
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
MehrBusiness 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
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...
MehrMöglichkeiten für bestehende Systeme
Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-
MehrTransparente Hausverwaltung Marketingschmäh oder doch: eine neue Dimension der Dienstleistung?
Transparente Hausverwaltung Marketingschmäh oder doch: eine neue Dimension der Dienstleistung? INTERNET Geschäftsführer Biletti Immobilien GmbH 24/7 WEB Server Frankgasse 2, 1090 Wien E-mail: udo.weinberger@weinberger-biletti.at
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
MehrDOKUMENTATION PASY. Patientendaten verwalten
DOKUMENTATION PASY Patientendaten verwalten PASY ist ein Programm zur einfachen und zuverlässigen Verwaltung von Patientendaten. Sämtliche elektronisch gespeicherten Dokumente sind sofort verfügbar. Neue
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
MehrARCO 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,
MehrMultidimensionales Datenmodell
Multidimensionales Datenmodell Grundbegriffe fi Fakten, Dimensionen, Würfel Analyseoperationen fi Drill-Down, Roll-Up, Slice und Dice Notationen zur konzeptuellen Modellierung fi ME/R, ADAPT Relationale
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
MehrInhaltsverzeichnis. Teil I OLAP und der Microsoft SQL-Server 1. 1 Theoretische Grundlagen 3
vii Teil I OLAP und der Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1 Was ist OLAP?......................................... 3 1.1.1 Business Intelligence............................... 4 1.1.2
MehrMicrosoft 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
MehrBusiness 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
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
Mehr2 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
MehrExterne Authentifizierung. Externe Authentifizierung IACBOX.COM. Version 2.0.1 Deutsch 23.05.2014
Version 2.0.1 Deutsch 23.05.2014 In diesem HOWTO wird beschrieben wie Sie verschiedene Backend's wie SQL Server, Radius Server, Active Directory etc. zur Authentifizierung der Benutzer an die IAC-BOX anbinden.
MehrVisuelles Programmieren. mit der neuen. Moskito Workbench
Visuelles Programmieren mit der neuen Moskito Workbench Was ist die Moskito-Workbench? Grafische Programmieroberfläche Kann auch ohne explizite Kenntnisse der Moskito-Programmiersprache genutzt werden.
MehrThemen. M. Duffner: Datenbanksysteme
Datenbanksysteme Themen Theorie Einführung Datenbank, Datenbankmanagementsystem (DBMS), Aufgaben eines DBMS Relationale Datenbanken Daten als Tabellen Datenbankentwurf im Entity-Relationship-Modell Abfragesprache
MehrApparo Fast Edit Daten-Management in einer BI-Umgebung. Dateneingabe-Workflows
Apparo Fast Edit Daten-Management in einer BI-Umgebung Dateneingabe-Workflows 2 Definition Ein Workflow (Arbeitsfluss) besteht aus eine Abfolge von verbundenen Arbeitsschritten. Der Schwerpunkt liegt hierbei
MehrMatrix42. Use Case - Inventory. Version 1.0.0. 12. Februar 2013 - 1 -
Matrix42 Use Case - Inventory Version 1.0.0 12. Februar 2013-1 - Inhaltsverzeichnis 1 Einleitung 3 1.1 Beschreibung 3 1.2 Vorbereitung 3 1.3 Ziel 3 2 Use Case 4 2.1 Die Inventory-Daten 4 2.2 Die Listenübersicht
MehrSQL Server 2008 Überblick. Steffen Krause Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/steffenk
SQL Server 2008 Überblick Steffen Krause Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/steffenk SQL Server 2008 Sichere, vertrauenswürdige Datenplattform Optimierte und vorhersehbare
MehrInnovative Ansätze für den Gesundheitsmarkt. Mainz, 10. Mai 2011
Business Intelligence und Geovisualisierung Innovative Ansätze für den Gesundheitsmarkt Mainz, 10. Mai 2011 Prof. Dr. Anett Mehler-Bicher Prof. Dr. Klaus Böhm Inhalt Ausgangssituation und Motivation Motivation
MehrSurvival 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
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
MehrHerausforderungen des Enterprise Endpoint Managements
Herausforderungen des Enterprise Endpoint Managements PPPvorlage_sxUKMvo-05.00.potx santix AG Mies-van-der-Rohe-Straße 4 80807 München www.santix.de santix AG Herausforderungen 09.10.2013 Herausforderungen
MehrXtract EXA. Plug n Play mit SAP und EXASolution
Xtract EXA Plug n Play mit SAP und EXASolution Xtract EXA garantiert eine nahtlose Integration zwischen Ihrem SAP ERP- bzw. SAP BW-System und EXASolution. Mit nur wenigen Mausklicks extrahieren Sie Massendaten
Mehr1 Ihre BI-Galaxie von BITMARCK!
1 Ihre BI-Galaxie von BITMARCK! Die Summe aller Sterne ist die Galaxie Ihre BI-Galaxie von BITMARCK! Michael Heutmann, Peter Hernold, Markus Jankowski Neuss, 4. November 2013 Sie haben uns mit auf den
MehrE-Mails aus E-Mail-Programm sichern Wählen Sie auf der "Startseite" die Option "E-Mails archivieren" und dann die entsprechende Anwendung aus.
MailStore Home Das E-Mail Postfach ist für viele Anwender mehr als ein Posteingang. Hier wird geschäftliche Kommunikation betrieben, werden Projekte verwaltet, Aufträge und Rechnungen archiviert und vieles
MehrChristian 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
MehrIT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
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.
Mehr5. Programmierschnittstellen für XML
5. Programmierschnittstellen für für Medientechnologen Dr. E. Schön Wintersemester 2015/16 Seite 146 Notwendigkeit: Programmierschnittstelle Zugriff auf -Daten durch Applikationen wiederverwendbare Schnittstellen
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
MehrSelf 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
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.
MehrIDV Assessment- und Migration Factory für Banken und Versicherungen
IDV Assessment- und Migration Factory für Banken und Versicherungen Erfassung, Analyse und Migration von Excel- und AccessAnwendungen als User-Selfservice. Sind Ihre Excel- und Access- Anwendungen ein
MehrWie richten Sie Ihr Web Paket bei Netpage24 ein
Wie richten Sie Ihr Web Paket bei Netpage24 ein Eine kostenlose ebook Anleitung von Netpage24 - Webseite Information 1 E-Mail Bestätigung... 3 2 Ticketsystem... 3 3 FTP Konto anlegen... 4 4 Datenbank anlegen...
MehrÜbungen zur Softwaretechnik
Technische Universität München Fakultät für Informatik Lehrstuhl IV: Software & Systems Engineering Markus Pister, Dr. Bernhard Rumpe WS 2002/2003 Lösungsblatt 9 17. Dezember 2002 www4.in.tum.de/~rumpe/se
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
MehrUmsetzung der Anforderungen - analytisch
Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird
MehrBusiness Intelligence
Hochschule Darmstadt Business Intelligence und Wissensmanagement Fachbereich Informatik Praktikumsversuch BI, Teil 1 Prof. Dr. C. Wentzel, Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 03.04.2006 1. Kurzbeschreibung
MehrVon der spezialisierten Eigenentwicklung zum universellen Analysetool. Das Controlling-Informationssystem der WestLB Systems
Von der spezialisierten Eigenentwicklung zum universellen Analysetool Das Controlling-Informationssystem der WestLB Systems Begriffe und Definitionen Data Warehouse - Datensammlung oder Konzept?! Data
MehrSharePoint Demonstration
SharePoint Demonstration Was zeigt die Demonstration? Diese Demonstration soll den modernen Zugriff auf Daten und Informationen veranschaulichen und zeigen welche Vorteile sich dadurch in der Zusammenarbeit
MehrDie neue Datenraum-Center-Administration in. Brainloop Secure Dataroom Service Version 8.30
Die neue Datenraum-Center-Administration in Brainloop Secure Dataroom Service Version 8.30 Leitfaden für Datenraum-Center-Manager Copyright Brainloop AG, 2004-2014. Alle Rechte vorbehalten. Dokumentversion:
Mehr