Description
Book SynopsisJede Business-Intelligence-Anwendung beruht letzten Endes auf einem Data Warehouse. Data Warehousing ist deshalb ein sehr wichtiges Gebiet der Angewandten Informatik, insbesondere im Zeitalter von Big Data. Das vorliegende Buch beleuchtet das Data Warehouse aus zwei Perspektiven: der des Entwicklers und der des Anwenders. Der zukünftige Entwickler lernt, ein Data Warehouse mit geeigneten Methoden selbst zu entwickeln. Für den zukünftigen Anwender geht der Autor auf die Themen Reporting, Online Analytical Processing und Data Mining ein. Das Lehrbuch ist auch zum Selbststudium geeignet. Kenntnisse über Datenbanksysteme sollten allerdings vorhanden sein.
Trade Review"Das didaktisch gut aufgebaute Buch auf dem aktuellen Stand der Technik endet mit 10 Übungsaufgaben (mit Lösungen) und ist auch zum Selbststudium gut geeignet."
(EKZ im Dezember 2018)
Table of ContentsEinleitung 19
Über dieses Buch 19
Konventionen in diesem Buch 20
Was Sie nicht lesen müssen 20
Törichte Annahmen über den Leser 21
Wie dieses Buch aufgebaut ist 21
Teil I: Was ist ein Data Warehouse? 21
Teil II: Architektur eines Data-Warehouse-Systems 21
Teil III: Anwendungsbereiche für ein Data Warehouse 22
Teil IV: Modellierung eines Data-Warehouse-Systems 22
Teil V: Zugriff auf ein Data Warehouse 22
Teil VI: Speicherung und Optimierung auf Datenbankebene 22
Teil VII: Der Top-10-Teil 22
Symbole, die in diesem Buch verwendet werden23
Wie es weitergeht 23
TEIL I WAS IST EIN DATA WAREHOUSE? 25
Kapitel 1 Ein Beispiel zur Einführung 27
Daten und ihre Verarbeitung 27
Daten und Datenbanken 27
Die Verarbeitung von Daten 28
Analyse von Absatzmengen und Planzahlen als Beispiel 29
Besonderheiten analytischer Aufgabenstellungen 31
Wenn personenbezogene Daten ins Spiel kommen 34
Kapitel 2 Das Data Warehouse im Umfeld der betrieblichen Informationssysteme 35
Hierarchie betrieblicher Informationssysteme 35
Zusammenfassung: Analytische Informationssysteme 38
Beispiele für analytische Informationssysteme 39
Beispiel 1: Analytische Informationssysteme im CRM 39
Beispiel 2: Kennzahlen-Analysesysteme im Rechnungswesen 41
Beispiel 3: Website-Analysesysteme 43
Fazit: Data Warehouse und analytische Informationssysteme 45
Kapitel 3 Definition und Abgrenzung des Begriffs »Data Warehouse« 47
Die 3-Schichten-Architektur analytischer Informationssysteme 47
Definitionen des Begriffs Data Warehouse 50
Definition von Inmon 50
Definition von Kimball 52
Vergleich der beiden Definitionen 53
Anwendungsfall: Das Data Warehouse und Business Intelligence 54
TEIL II ARCHITEKTUR EINES DATA-WAREHOUSE-SYSTEMS 57
Kapitel 4 Überblick über die Architektur eines Data-Warehouse-Systems 59
Die Phasen des Data Warehousing 59
Ein allgemeines Data-Warehouse-Architekturmodell 61
Vorgehensweisen bei der Erstellung eines Data Warehouse 64
Projektdefinition und Machbarkeitsstudie 65
Analyse, Entwurf und Einführung für einen Anwendungsbereich 66
Kapitel 5 Der ETL-Prozess 69
Überblick 69
Ein einführendes Beispiel 70
Extraktion 71
Das Pull-Prinzip 71
Das Push-Prinzip 72
Beispiele 72
Transformation 77
Datenbestandsanalyse 77
Datenbereinigung 78
Datenintegration 80
Laden 82
Kapitel 6 Die Basisdatenbank 85
Merkmale der Basisdatenbank 85
Unterschied zwischen operativen Datenbanken und der Basisdatenbank 87
Die operativen Quellsysteme des Beispiels 88
Die Basisdatenbank des Beispiels 89
Kapitel 7 Das Analyse-Subsystem 93
Dimensionen und Fakten 93
Dimension oder Metrik? 95
Metriken als Dimension 96
Dimensionen als Metrik 97
Klassifizierung von Dimensionen 98
Fachliche Dimensionen 98
Kategorische Dimensionen 98
Strukturelle Dimensionen 99
Hierarchien von Dimensionswerten 99
Parallele Hierarchien 100
Unausgeglichene Hierarchiebäume 101
Strukturänderungen in Hierarchien 102
Slowly Changing Dimensions 102
Typ 1: Überschreiben 103
Typ 2: Neue Zeile 104
Typ 3: Spalten mit altem und neuem Wert 105
Typ 4: Mini-Dimension 105
Zusammenfassung 106
Verknüpfung von Dimensionen über Metriken 106
Aggregationstypen von Fakten 107
Die Themen Datenqualität und Datenschutz 108
Datenqualität 108
Datenschutz 109
Architekturvarianten für ein Analyse-Subsystem 109
Möglichkeiten für die Architektur 110
Die Hub-and-Spoke-Architektur 111
Auswertungen und Analysen 112
Kapitel 8 Metadaten 113
Was sind Metadaten?113
Metadaten im Data-Warehouse-Kontext 114
Das Metadaten-Management in einem Data-Warehouse-System 114
Standards für Data-Warehouse-Metadaten 118
Ein kleines Beispiel 119
TEIL III ANWENDUNGSBEREICHE FÜR EIN DATA WAREHOUSE 121
Kapitel 9 Reporting 123
Das Berichtswesen eines Unternehmens 123
Überblick und Definition 123
Erzeugung und Verteilung von Reports 125
Arten von Berichtssystemen 125
Was sich Anwender vom Reporting wünschen und wie die Wirklichkeit oft aussieht 126
Einige Tipps für die Report-Gestaltung 127
Graphische Darstellungen im Report 128
Die Hichert-Success-Regeln 131
Grundformen für Reports 132
Ist-Ist-Vergleiche 132
Plan-Ist-Vergleiche 133
Plan-Wird-Vergleiche 134
Berücksichtigung dynamischer Dimensionsstrukturen 135
Report as-is 136
Report as-of 136
Report as-posted 137
Ein praktisches Beispiel 137
Kapitel 10 Online Analytical Processing 139
Motivation und Definition 139
Charakteristika von OLAP 141
Abgrenzung OLAP und OLTP 141
Die Coddschen Regeln 142
FASMI 143
Spezielle OLAP-Operatoren 144
Pivotierung bzwRotation 144
Roll-up und Drill-down 145
Slice und Dice 146
Beispiel 148
Kapitel 11 Data Mining151
Einführung 151
CRISP-DM 153
Methoden und Verfahren beim Data Mining 154
Assoziationsanalyse 155
Clusteranalyse 160
Klassifikation mit der Diskriminanzanalyse 164
Entscheidungsbaumverfahren 166
Spezielle Data-Mining-Fragestellungen im Kontext von Data-Warehouse-Daten 171
Welche Artikel werden gemeinsam gekauft? 172
Unterscheiden sich gute, normale und schlechte Kunden? 172
Welche Kunden besitzen eine bestimmte Produktaffinität? 173
Praxisbeispiel »Predictive Analytics« 174
Kollaboratives Filtern 175
TEIL IV MODELLIERUNG EINES DATA-WAREHOUSE-SYSTEMS 177
Kapitel 12 Data Vault 179
Einführung 179
Hubs, Satelliten und Links 180
Hubs 180
Links 182
Satelliten183
Beispiel 185
Kapitel 13 Semantischer Entwurf eines Data Warehouse 191
Zur Wiederholung: das Entity-Relationship-Modell 191
Drei Schritte bei der Modellierung einer Datenbank 192
Das ER-Modell: Entitätstypen, Attribute und Beziehungen 192
Das multidimensionale ER-Modell 194
ADAPT 196
Kapitel 14 Relationale Modellierung der Datenwürfel 199
Einführung 199
Das Star-Schema 200
Beispiel 201
Besondere Merkmale des Star-Schemas 204
Das Snowflake-Schema 207
Vergleich von Star- und Snowflake-Schema 209
Das Galaxy-Schema 211
TEIL V ZUGRIFF AUF EIN DATA WAREHOUSE 213
Kapitel 15 Multidimensionale Abfragen mit SQL 215
Zugriff auf ein Data Warehouse mit SQL 215
Erzeugen der Tabellen 216
Typische analytische Fragestellungen 218
OLAP-Erweiterungen von SQL 220
Die WINDOW-Klausel 220
Erweiterungen der GROUP-BY-Option 225
Statistische Funktionen 228
Kapitel 16 Die Abfragesprache MDX 229
Einführung 229
Spezielle OLAP-Operatoren und Funktionen 233
Tupel und Sets 233
Member und Children 234
Kreuzprodukt mittels Crossjoin 234
Der WITH-Operator 235
Häufige Fragestellungen 236
Kapitel 17 Zusammenspiel von MDX und SQL 239
OLAP-Server 239
Der OLAP-Server Mondrian 241
MDX-Schema von Mondrian 241
Mondrian-Frontend-Tools 245
TEIL VI SPEICHERUNG UND OPTIMIERUNG AUF DATENBANKEBENE 247
Kapitel 18 ROLAP, MOLAP und anderes 249
ROLAP und MOLAP 249
Spaltenorientierte und In-Memory-Speicherung 252
NoSQL-Datenbanksysteme 255
Typen von NoSQL-Systemen 255
NoSQL-Datenbanken bei einem Data Warehouse 258
Beurteilung 263
Kapitel 19 Optimierungsmöglichkeiten bei relationalen Datenbanken 265
Einführung 265
Partitionierung 266
Partition by List 267
Partition by Range 268
Partition by Hash 268
Partition by Reference 269
Materialized Views 270
Klassische Views vsMaterialized Views 270
Materialized Views bei einem Data Warehouse 273
Indizierung 274
Klassischer Index 274
Bitmap-Index 275
Mehrdimensionale Indizes 276
TEIL VII DER TOP-10-TEIL 279
Kapitel 20 10 Schritte auf dem Weg zu Ihrem ersten Dashboard 281
Und so wird es gemacht 282
Festlegung der Datenquellen 282
Vorbereitung der Daten 283
Erstellung eines Dashboards 285
Daten aus mehreren Quellen 287
Integration von Landkarten 288
Kapitel 21 10 Schritte, die helfen, die richtige Data-Warehouse-Software zu finden 291
Marktanalyse für BI-Software 291
Definition der eigenen Anforderungen 292
Einbindung des Managements, Projektplan 293
Marktanalyse der infrage kommenden BI-Anbieter 293
Einholung von Angeboten 293
Durchführung von Testinstallationen 294
Bewertung der Systeme 294
Ermittlung der Kosten 295
Einholung von Referenzen, Anbieterqualifikation 296
Überprüfung der Lizenzvereinbarung 296
Kapitel 22 10 Übungsaufgaben zur Wiederholung 297
Aufgaben 297
Aufgabe 1: Assoziationsanalyse 297
Aufgabe 2: Diskriminanzanalyse 297
Aufgabe 3: Data Vault 298
Aufgabe 4: ADAPT 298
Aufgabe 5: MDX299
Aufgabe 6: Star-Schema 299
Aufgabe 7: OLAP mit SQL 299
Aufgabe 8: Snowflake-Schema 300
Aufgabe 9: Optimierung 300
Aufgabe 10: Multidimensionale Datenbank301
Lösungen 301
Lösung von Aufgabe 1 301
Lösung von Aufgabe 2 303
Lösung von Aufgabe 3 303
Lösung von Aufgabe 4 304
Lösung von Aufgabe 5 304
Lösung von Aufgabe 6 306
Lösung von Aufgabe 7 307
Lösung von Aufgabe 8 309
Lösung von Aufgabe 9 309
Lösung von Aufgabe 10 311
Literaturverzeichnis 313
Stichwortverzeichnis 317
