Zusammenfassung
Die Aufbereitung und Ablage konsistenter, auf die Belange der Entscheider ausgerichteter Daten ist die Grundvoraussetzung für den Einsatz leistungsfähiger BIA-Anwendungssysteme. Das folgende Kapitel beschäftigt sich mit diesem Themenkomplex, wobei zunächst historisch gewachsene Speicherungsformen entscheidungsunterstützender Daten erläutert werden. Es folgen detaillierte Beschreibungen von etablierten, relational-ausgerichteten Data-Warehouse-Konzepten und Ansätzen sog. Operational Data Stores. Anschließend wird auf die grundlegenden Designfragen der relationalen Datenmodellierung eingegangen und der aktuelle Data-Vault-Ansatz vorgestellt. Der letzte Abschnitt des Kapitels widmet sich Big-Data-Ansätzen sowie der Rolle Big-Data-orientierter Datenhaltungen in einem BIA-Kontext.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
„Operativ: […] konkrete Maßnahmen betreffend, die unmittelbar wirksam werden […] Wirtschaft: laufendes, eigentliches Geschäft“ (Duden 2019).
- 2.
„Dispositiv: anordnend, verfügend“ (Duden 2019).
- 3.
Die in der Abb. 2.2 dargestellten Executive Information Systems (EIS), Management Information Systems (MIS) und Decision Support Systems (DSS) werden in den Abschn. 3.4.2 bzw. 3.5.12 näher vorgestellt.
- 4.
Auf das Konzept des Embedded BIA , bei dem BIA-Funktionalitäten direkt in die operativen Systeme integriert werden, wird in diesem Lehrbuch bewusst nicht eingegangen. Sicherlich sind auch bei dieser BIA-Variante sinnvolle Anwendungsfelder denkbar. Da die Systeme jedoch primär in eng abgegrenzten Datenausschnitten der operativen Kontexte eingesetzt werden (Klawans 2008) und meist ein integraler Bestandteil der operativen Systeme sind, entsprechen sie nicht dem in diesem Werk zugrunde liegenden BIA-Verständnis und passen daher auch nicht zu dem dargestellten BIA-Bezugsrahmen.
- 5.
Neben den ETL-Prozessen, die direkt auf die operativen Datenquellen aufsetzen, sind im DWH auch Extraktions-, Transformations- und Ladevorgänge zwischen den diversen entscheidungsunterstützenden Datenhaltungen erforderlich. In der Abb. 2.5. werden diese verkürzt als „Transformation“ bezeichnet.
- 6.
Als erste und einfachste Variante von Metadatenverwaltungssystemen wurden Systemkataloge in relationalen Datenbanksystemen eingesetzt. Diese als Data Dictionaries bezeichneten Systeme enthalten Informationen über angelegte Relationen und ihre Attributstruktur (Schreier 2001, S. 129).
- 7.
- 8.
- 9.
Streng genommen ist der Unterschied zur Tabelle, dass eine Relation keine definierte Reihenfolge bei den Zeilen und Spalten festlegt. In der Praxis (und auch in diesem Buch) werden Relationen jedoch trotzdem üblicherweise vereinfacht als „Tabellen“ bezeichnet.
- 10.
Neben der hier diskutierten Performance-Optimierung auf der Ebene der Datenhaltung können Zugriffszeiten auch auf anderen Ebenen reduziert werden: Durch ein optimiertes physisches Datenmodell (etwa mit einer Aufteilung der Faktentabellen), durch Optimierungen auf Seite der Reihenfolge der Datenbankoperationen oder schlicht durch verbesserte Hardware. Eine wirksame Methode ist auch die Steuerung des Abfrageverhaltens der Benutzer, etwa zur Vermeidung unnötig komplexer und großer Abfragen (vgl. Brinkmann et al. 2005).
- 11.
- 12.
Selbstverständlich sind diese Varianten auch als Erweiterung der Snapshot-Methode denkbar. Aufgrund der hohen Praxisrelevanz der Delta-Methode werden sie hier an diesem Verfahren verdeutlicht.
- 13.
Entweder über ein klassisch hierarchisches Dateisystem oder mithilfe eines sog. Object Stores , in dem Dateiobjekte zusammen mit Metadaten hinterlegt werden. Object Stores sind v. a. in Cloud-Computing-Angeboten gängig.
Literatur
Ariyachandra, T., Watson, J.: Which data warehouse architecture is the most successful. Bus. Intell. J. 11(1), 2–4 (2006)
Baars, H., Kemper, H.G.: Integration von Big Data-Komponenten in die Business Intelligence. Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung. 27(4/5), 222–228 (2015)
Bartel, W., Schwarz, S., Strasser, G.: Der ETL-Prozess des Data Warehousing. In: Jung, R., Winter, R. (Hrsg.) Data Warehousing Strategie – Erfahrungen, Methoden, Visionen, S. 43–60. Springer, Berlin/Heidelberg (2000)
Bauer, A., Günzel, H. (Hrsg.): Data-Warehouse-Systeme – Architektur, Entwicklung, Anwendung, 3.Aufl. Heidelberg (2009)
Brewer, E.: Towards robust distributed systems. In: Proceedings of the Nineteenth Annual ACM Symposium on Principles of Distributed Computing (PODC), S. 7. dpunkt, New York (2000)
Brewer, E.: CAP twelve years later: how the „rules“ have changed. Computer. 45(2), 23–29 (2012)
Brinkmann, A., Baars, H., Effert, S., Heidebuer, M., Vodisek, M.: An integrated architecture for business intelligence support from application down to storage. In: Proceedings of the International Workshop on Storage Network Architecture and Parallel I/Os, Saint Louis (2005)
Bulos, D., Forsman, S.: Getting started with ADAPT. Whitepaper der Symmetry Corp, Publiziert 1998. http://www.symcorp.com/downloads/ADAPT_white_paper.pdf (1998). Zugegriffen am 01.05.2020
Chen, C., Zhang, C.: Data-intensive applications, challenges, techniques and technologies – a survey on Big Data. Inf. Sci. 275, 314–347 (2014)
Christmann, A.: Data-Warehouse-Lösung der Stadt Köln. In: Online-Congress Band VIII: Data Warehousing, OLAP, Führungsinformationssysteme – Neue Entwicklungen des Informationsmanagements, S. C822.01–C822.12, Velbert (1996)
Dittmar, C.: Big Data – Die nächste Evolutionsstufe von AIS. In: Gluchowski, P., Chamoni, P. (Hrsg.) Analytische Informationssysteme, S. 55–65. Springer-Gabler, Berlin/Heidelberg (2016)
Do, H., Rahm, E.: On Metadata Interoperability in Data Warehouses, Report Nr. 01. Department of Computer Science, University of Leipzig, Leipzig (2000)
Duden: Deutsches Universalwörterbuch, 9. Aufl. Duden, Berlin (2019)
Elmasri, R., Navathe, S.B.: Fundamentals of Database Systems, 7. Aufl. Pearson, Boston (2017)
Fang, H.: Managing data lakes in Big Data era – what’s a data lake and why has it became popular in data management ecosystem. In: IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems, Shenyang (2015)
Finger, R.: Historisierungskonzepte, Vortrag im Rahmen der Seminarreihe „Data Warehouses und Data Marts – Effizienter Einsatz für das Controlling“, Frankfurt am Main (2002)
Gablers Wirtschaftslexikon: Die ganze Welt der Wirtschaft, 15. Aufl. Springer-Gabler, Heidelberg (2013)
Gabriel, R., Chamoni, P., Gluchowski, P.: Data Warehouse und OLAP – Analyseorientierte Informationssysteme für das Management. Z. Betriebswirtsch. Forsch. 52(2), 74–93 (2000)
Gandomi, A., Haider, M.: Beyond the hype: Big Data concepts, methods, and analytics. Int. J. Inf. Manag. 35.2, 137–144 (2015)
Gluchowski, P., Kemper, H.G., Seufert, A.: Innovative Prozess-Steuerung – Was ist neu an Operational BI? BI-Spektrum. 4(1), 8–12 (2009)
Gutenberg, E.: Grundlagen der Betriebswirtschaftslehre, Bd. I: Die Produktion, 24. Aufl. Springer, Berlin/Heidelberg (1983)
Hahne, M.: Logische Modellierung mehrdimensionaler Datenbanksysteme. Deutscher Universitätsverlag, Wiesbaden (2002)
Hahne, M.: Modellierung von Business-Intelligence-Systemen – Leitfaden für erfolgreiche Projekte auf Basis flexibler Data-Warehouse-Architekturen. dpunkt, Heidelberg (2014)
Hammergren, T.: Data Warehousing: Building the Corporate Knowledge Base. Coriolis Group, London (1996)
Herden, O., Völlinger, H., Zeh, T.: Basisdatenbank. In: Bauer, A., Günzel, H. (Hrsg.) Data-Warehouse-Systeme – Architektur, Entwicklung, Anwendung, 4. Aufl. dpunkt, Heidelberg (2013)
Herzberg, S.: Anwendungsfelder für Big Data-Analytics-Werkzeuge – Eine qualitative Studie, Diplomarbeit, Stuttgart (2014)
Horváth, P., Gleich, R., Seiter, M.: Controlling, 14. Aufl. Vahlen, München (2019)
Hultgren, H.: Modeling the Agile Data Warehouse with Data Vault. New Hamilton, Denver (2012)
Inmon, W.H.: Building the Operational Data Store, 2. Aufl. Wiley, Hoboken (1999)
Inmon, W.H.: Building the Data Warehouse, 4. Aufl. Wiley, Hoboken (2005)
Inmon, W.H., Terdeman, R.H., Imhoff, C.: Exploration Warehouse: Turning Business Information into Business Opportunity. Wiley, Hoboken (2000)
Jacobs, A.: The pathologies of Big Data. Queue. 7(6), 10–19 (2009)
Kemper, H.G.: Architektur und Gestaltung von Management-Unterstützungs-Systemen – Von isolierten Einzelsystemen zum integrierten Gesamtansatz. Teubner, Stuttgart/Leipzig (1999)
Kemper, H.G.: Big Data – Revolution der Datenanalyse? The Performance Architect, Horváth & Partners. Nr. 2 (2013)
Kemper, H.G., Finger, R.: Transformation operativer Daten – Konzeptionelle Überlegungen zur Filterung, Harmonisierung, Verdichtung und Anreicherung im Data Warehouse. In: Chamoni, P., Gluchowski, P. (Hrsg.) Analytische Informationssysteme – Business Intelligence-Technologien und -Anwendungen, 4. Aufl., S. 129–145. Springer-Gabler, Berlin/Heidelberg (2016)
Khan, M.A., Uddin, M.F., Gupta, N.: Seven V’s of Big Data – understanding Big Data to extract value. In: Proceedings of the 2014 Zone 1 Conference of the American Society for Engineering Education in Bridgeport, S. 1–5, Washington, DC (2014)
Klawans, B.: Embedded or conventional BI: determining the right combination of BI for your business. Bus. Intell. J. 13(1), 30–36 (2008)
Kurz, A.: Data Warehousing Enabling Technology. mitp, Bonn (1999)
Laney, D.: 3D Data management – controlling data volume, velocity and variety. META Group Res. Note. 7(70), 1–4 (2001).
Lee, I.: Big Data: dimensions, evolution, impacts, and challenges. Bus. Horiz. 60(3), 293–303 (2017)
Lehner, W.: Datenbanktechnologie für Data-Warehouse-Systeme: Konzepte und Methoden. dpunkt, Heidelberg (2003)
Lindstedt, D., Graziano, K., Hultgren, H.: The Business of Data Vault Modeling, 2. Aufl. lulu.com, Morrisville (2009)
Lohsin, D.: Master Data Management. Elsevier-Morgan Kaufmann, Burlington (2010)
Mathis, C.: Data lakes. Datenbank-Spektrum. 17, 289–293 (2017)
von Maur, E., Schelp, J., Winter, R.: Integrierte Informationslogistik – Stand und Entwicklungstendenzen. In: von Maur, E., Winter, R. (Hrsg.) Data Warehouse Management, S. 3–23. Springer, Berlin (2003)
McGilvray, D. (2008), Executing data quality projects: ten steps to quality data and trusted information. Amsterdam:Morgan Kaufmann 2008.
Moniruzzaman, A.B.M., Hossain, S.A.: Nosql database – new era of databases for big data analytics-classification, characteristics and comparison. Int. J. Database Theory Appl. 6(4), 1–14 (2013).
Mucksch, H.: Das Data Warehouse als Datenbasis analytischer Informationssysteme – Architektur und Komponenten. In: Chamoni, P., Gluchowski, P. (Hrsg.) Analytische Informationssysteme – Business Intelligence-Technologien und -Anwendungen, 3. Aufl., S. 129–142. Springer, Berlin/Heidelberg (2006)
Mucksch, H., Behme, W.: Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik. In: Mucksch, H., Behme, W. (Hrsg.) Das Data Warehouse-Konzept, 4. Aufl., S. 3–80. Gabler, Wiesbaden (2000)
Tiefenbacher, K., Olbrich, S.: Increasing the value of Big Data projects – investigation of industrial success stories. In: Proceedings of 48th Hawaii International Conference on System Sciences (HICSS-48), S. 294–303. IEEE, Washington, DC (2015)
Otto, B., Kokemüller, J., Weisbecker, A., Gizanis, D.: Stammdatenmanagement – Datenqualität für Geschäftsprozesse. HMD Praxis der Wirtschaftsinformatik. 48(3), 5–16 (2011)
Plattner, H.: A common database approach for OLTP and OLAP using an in-memory column database. In: Proceedings of the 2009 ACM SIGMOD International Conference on Management of Data (SIGMOD 2009), New York (2009)
Rönnbäck, L., Regardt, O., Bergholtz, M., Johannesson, P., Wohed, P.: Anchor modeling – agile information modeling in evolving data environments. Data Knowl. Eng. 69(12), 1229–1253 (2010)
Rupprecht, J.: Zugriffskontrolle im Data Warehouse. In: von Maur, E., Winter, R. (Hrsg.) Data Warehouse Management, S. 113–147. Springer, Berlin/Heidelberg (2003)
Russom, P.: Big data analytics. TDWI Best Practices Report, Renton Q4 (2011)
Schlageter, G., Stucky, W.: Datenbanksysteme: Konzepte und Modelle, 2. Aufl. Teubner, Stuttgart (1983)
Schreier, U.: Data dictionary. In: Mertens, P. (Haupt-Hrsg.) Lexikon der Wirtschaftsinformatik, 4. Aufl., S. 129–130. Springer, Berlin/Heidelberg (2001)
Singh, D., Reddy, C.K.. A survey on platforms for big data analytics. J. Big Data 2, Nr. 8 (2015)
Staudt, M., Vaduva, A., Vetterli, T.: Metadaten. In: Bauer, A., Günzel, H. (Hrsg.) Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 2. Aufl., S. 327–348. dpunkt, Heidelberg (2004)
Stodder, D., Matters, W.D.P.: Improving data preparation for business analytics. TDWI Best Practices Report, Renton Q3 (2016)
Turban, E., Aronson, J.E., Liang, T.P.: Decision Support and Intelligent Systems, 7. Aufl. Pearson, Upper Saddle River (2004)
Turck, M.: A turbulent year – the 2019 data & ai landscape, auf den Seitetn von Matt Turck, publiziert am 27.06.2019. https://mattturck.com/data2019/ (2019). Zugegriffen am 01.05.2020
Vaduva, A., Vetterli, T.: Metadata management for data warehousing – an overview. Int. J. Coop. Inform. Syst. 10(3), 273–298 (2001)
Vetter, M.: Aufbau betrieblicher Informationssysteme mittels pseudo-objektorientierter, konzeptioneller Datenmodellierung, 8. Aufl. Teubner, Stuttgart (1998)
Weber, I.: Touchdown für Flughafen? BI-Spektrum. 4(1), 26–27 (2009)
White, C.: Data integration – using ETL, EAI, and EII tools to create an integrated enterprise. TDWI Whitepaper (2005)
Wieken, J.H.: Der Weg zum Data Warehouse – Wettbewerbsvorteile durch strukturierte Unternehmensinformationen. Addison-Wesley, München (1999)
Zaloni nach LaPlante, A., Sharma, B.: Architecting Data Lakes, 2. Aufl. O’Reilly, Bei**g (2016)
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2021 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Baars, H., Kemper, HG. (2021). Datenbereitstellung und -modellierung. In: Business Intelligence & Analytics – Grundlagen und praktische Anwendungen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-8348-2344-1_2
Download citation
DOI: https://doi.org/10.1007/978-3-8348-2344-1_2
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-8348-1958-1
Online ISBN: 978-3-8348-2344-1
eBook Packages: Computer Science and Engineering (German Language)