Die immer kürzeren Veränderungszyklen unterworfenen Märkte stellen alle Marktteilnehmer vor neue Herausforderung. Die Fähigkeit eines Unternehmens, schnelle und richtige Entscheidungen treffen zu können, wird zu einem immer stärkeren Kriterium für seine Wettbewerbsfähigkeit. Der Prozess der Entscheidungsfindung muss daher durch fundierte, umfassende und aktuelle Marktinformation sowie die problemadäquate Aufbereitung dieser Daten unterstützt werden. Eine Aufgabe, die nur mit Hilfe von Informationssystemen – bestehend aus modernster Hard- und Software – bewältigt werden kann. Data Warehouses liefern heute geschäftsrelevante Informationen über Unternehmen, Kunden, Märkte, Lieferanten und anderes mehr. Im Data Warehouse werden Daten aus allen Unternehmensbereichen sowie externen Quellen in einer einzigen Datenbank zusammengetragen, bereinigt und zu Informationen verdichtet.
In diesem Buch gibt einen Überblick über den Aufbau, den Fokus der Anwendungen, die zugrunde liegende Datenmodellierung – aber auch die Gefahren, mit denen der geplante Einsatz eines Data Warehouses verbunden sein kann.
Inhaltsverzeichnis
- 1 EINLEITUNG
- 2 DEFINITION DES BEGRIFF „DATA WAREHOUSE“
- 3 FOKUS DER ANWENDUNG
- 3.1 OPERATIVE SYSTEME
- 3.2 ANALYSE SYSTEME
- 3.3 VERGLEICH DER SYSTEMTYPEN UND EINORDNUNG DES DATA WAREHOUSE
- 4 AUFBAU EINES DATA WAREHOUSE
- 4.1 DATEN
- 4.1.1 Metadaten.
- 4.1.2 Nutzdaten
- 4.2 ARCHITEKTUR
- 4.2.1 Datenimporttool..
- 4.2.2 Datenspeicher
- 4.2.3 Managementsystem.
- 4.2.4 Datenexporttools.
- 4.3 PROZESSE
- 4.3.1 Datenimport.
- 4.3.2 Datentransformation..
- 4.3.3 Sicherung & Archivierung.
- 4.3.4 Datenexport....
- 5 DATENMODELLIERUNG
- 5.1 DAS RELATIONALE DATENMODELL
- 5.1.1 Struktur..
- 5.1.2 Vorteile.
- 5.1.3 Nachteile
- 5.2 DAS MULTIDIMENSIONALE DATENMODELL
- 5.2.1 Struktur..
- 6 DATENANALYSE.
- 6.1 OLAP
- 6.1.1 Was ist OLAP?
- 6.1.2 Die Regeln von Codd..
- 6.1.3 Varianten der Realisierung.
- 6.2 DATA MINING.
- 6.2.1 Was ist Data Mining?.
- 6.2.2 Methoden des Data Mining.
- 7 GEFAHREN UND MISSERFOLGSFAKTOREN BEI DEM AUFBAU EINES DATA WAREHOUSES.
- 7.1 MOTTO DER FACHABTEILUNG: BUY & PLAY
- 7.2 MOTTO DER IT-ABTEILUNG: „WIR STELLEN NUR DIE DATEN BEREIT“.
Zielsetzung und Themenschwerpunkte
Diese Seminararbeit befasst sich mit dem Konzept des Data Warehouses und der multidimensionalen Datenmodellierung. Sie analysiert die Funktionsweise von Data Warehouses und die Vorteile ihrer Anwendung für die Entscheidungsfindung in Unternehmen.
- Definition des Data Warehouse-Konzepts und seiner Anwendungsmöglichkeiten
- Aufbau und Architektur eines Data Warehouse, inklusive der verwendeten Prozesse und Technologien
- Datenmodellierung im Data Warehouse, insbesondere das relationale und das multidimensionale Datenmodell
- Analysemethoden im Data Warehouse, wie z.B. OLAP und Data Mining
- Herausforderungen und Risiken beim Aufbau eines Data Warehouse
Zusammenfassung der Kapitel
- Kapitel 1: Einleitung Dieses Kapitel führt in das Thema Data Warehouse ein und erläutert die Bedeutung von schnellen und fundierten Entscheidungen im heutigen Wettbewerbsumfeld. Es beleuchtet den Wandel in der Informationstechnik und die Möglichkeiten, die Data Warehouses für die Entscheidungsfindung bieten.
- Kapitel 2: Definition des Begriff „Data Warehouse“ Dieses Kapitel definiert den Begriff "Data Warehouse" und stellt verschiedene Ansätze und Begriffsdefinitionen aus der Literatur vor. Es betont die Bedeutung von Entscheidungsrelevanz, Integrität und Aktualität der Daten im Data Warehouse sowie die verschiedenen Komponenten und Prozesse, die dazu beitragen.
- Kapitel 3: Fokus der Anwendung Dieses Kapitel befasst sich mit den verschiedenen Anwendungsbereichen von Data Warehouses und unterscheidet zwischen operativen Systemen und Analysesystemen. Es zeigt die Unterschiede und Gemeinsamkeiten auf und ordnet das Data Warehouse in diesen Kontext ein.
- Kapitel 4: Aufbau eines Data Warehouse Dieses Kapitel beleuchtet die verschiedenen Komponenten und Prozesse, die zum Aufbau eines Data Warehouse gehören. Es behandelt Themen wie Datenimport, Datenspeicher, Managementsystem, Datenexport und die verschiedenen Phasen der Datenverarbeitung.
- Kapitel 5: Datenmodellierung Dieses Kapitel beschäftigt sich mit den verschiedenen Datenmodellen, die im Data Warehouse eingesetzt werden, insbesondere dem relationalen und dem multidimensionalen Datenmodell. Es vergleicht die Stärken und Schwächen beider Modelle und analysiert ihre Eignung für unterschiedliche Anwendungsbereiche.
- Kapitel 6: Datenanalyse Dieses Kapitel befasst sich mit den verschiedenen Analysemethoden, die im Data Warehouse eingesetzt werden, darunter OLAP und Data Mining. Es stellt die Funktionsweise und die Anwendungsgebiete dieser Methoden vor und erklärt, wie sie für die Entscheidungsfindung genutzt werden können.
Schlüsselwörter
Die Arbeit befasst sich mit den zentralen Themen des Data Warehouse-Konzepts, der multidimensionalen Datenmodellierung und der Datenanalyse im Kontext von Entscheidungsfindung. Zu den wichtigsten Schlüsselbegriffen zählen: Data Warehouse, Datenintegration, Datenqualität, Datenmodellierung, relationale Datenbanken, multidimensionale Datenbanken, OLAP, Data Mining, Entscheidungsfindung, Unternehmensintelligenz.
Häufig gestellte Fragen
Was ist das Kernkonzept eines Data Warehouse?
Ein Data Warehouse ist eine zentrale Datenbank, in der Daten aus verschiedenen Unternehmensbereichen und externen Quellen zusammengetragen, bereinigt und zu entscheidungsrelevanten Informationen verdichtet werden.
Warum ist ein Data Warehouse für Unternehmen heute so wichtig?
Es unterstützt den Prozess der Entscheidungsfindung durch fundierte und aktuelle Marktinformationen, was in Märkten mit kurzen Veränderungszyklen ein entscheidender Wettbewerbsvorteil ist.
Welche Datenmodelle werden im Data Warehouse genutzt?
Die Arbeit vergleicht insbesondere das relationale Datenmodell mit dem multidimensionalen Datenmodell und analysiert deren jeweilige Stärken und Schwächen.
Was versteht man unter OLAP?
OLAP (Online Analytical Processing) ist eine Methode zur multidimensionalen Datenanalyse, die es ermöglicht, komplexe Geschäftsdaten aus verschiedenen Perspektiven schnell auszuwerten.
Welche Gefahren bestehen beim Aufbau eines Data Warehouse?
Zu den Misserfolgsfaktoren gehören eine mangelnde Abstimmung zwischen Fachabteilung und IT sowie eine zu kurz gegriffene "Buy & Play"-Mentalität ohne tiefgreifende Prozessintegration.
Was ist der Unterschied zwischen operativen Systemen und Analysesystemen?
Operative Systeme dienen der Abwicklung des Tagesgeschäfts, während Analysesysteme (wie das Data Warehouse) speziell für die langfristige Auswertung und strategische Planung optimiert sind.
- Citation du texte
- Ute Nast-Linke (Auteur), 2003, Das Data Warehouse-Konzept und mulitdimensionale Datenmodellierung, Munich, GRIN Verlag, https://www.grin.com/document/14459
