Fast jeder von uns kennt das Wort Datawarehouse. Doch was verbirgt sich dahinter. Ist es wirklich so kompliziert zu verstehen, was damit gemeint ist?
Diese Arbeit soll einen kurzen Überblich geben, was sich hinter diesem Schlagwort versteckt und vermitteln, dass es gar nicht so schwer ist damit etwas anzufangen.
Inhaltsverzeichnis
1. Einleitung
1.1. Aufgabenstellung
1.2. Ziele dieser Arbeit
1.3. Zielgruppe
1.4. Nutzen für die Zielgruppe
1.5. Aufbau der Arbeit
2. DATA Warehouse (DW)
3. Business Intelligence (BI)
4. Corporate Performance Management (CPM)
5. Architektur eines DATA Warehouses (DW)
5.1. Metadaten
5.2. Datenquellen (Quellsysteme)
5.2.1. Qualität der Daten aus Quellsystemen
5.2.2. Einteilung der Quelldaten in Klassen
5.3. Integration layer
5.3.1. Staging Area
5.3.2. ETL Prozess
5.4. Data Storage Layer
5.4.1. Core Data Warehouse
5.4.2. Operational Data Store (ODS)
5.5. Output Layer (Datenbereitstellung )
5.5.1. Auswertungsdatenbank
5.5.2. Bereichsdaten (Data Marts)
5.5.3. Planung Hochrechnung
5.5.4. Aggregationen (Materialized View)
5.5.5. OLAP Würfel
5.6. Frontend Layer (Reporting)
6. Schlussbetrachtung
7. Literaturnachweis
Zielsetzung & Themen
Die vorliegende Arbeit verfolgt das Ziel, die komplexe Architektur eines Data Warehouses systematisch zu erläutern und aufzuzeigen, welche operativen sowie strategischen Möglichkeiten sich daraus für Anwender im Unternehmen ableiten lassen.
- Grundlagen und Definitionen von Data Warehouses (DW)
- Zusammenhang zwischen Business Intelligence (BI) und DW
- Architektonische Schichten (Integration, Storage, Output, Frontend)
- Qualitätsanforderungen an Quellsysteme und Dateneingabe
- Prozesse der Datenaufbereitung (ETL) und Speicherung
Auszug aus dem Buch
5.2.1. Qualität der Daten aus Quellsystemen
Als Quelldaten werden die in den Datenquellen enthaltenen Informationen und deren Beschreibung bezeichnet. Die Qualität der Daten spielt eine wesentliche Rolle für das DW („Garbage in - Garbage out“), ist aber im Wesentlichen von der Interpretation durch den Anwender abhängig. Anforderungen an die Datenqualität der Quellsysteme sind:
• Konsistenz: Sind Daten innerhalb einer Datenbank widerspruchsfrei, so spricht man von konsistenten Daten.
• Korrektheit: Entsprechen primäre Daten und deren inhaltliche Beschreibung den Spezifikationen, so sind diese als „korrekt“ zu bezeichnen.
• Vollständigkeit: Durch das Datenmodell müssen hinreichend Attribute für die Gleichheit von Realobjekten und Datenobjekten zur Verfügung gestellt werden.
• Genauigkeit und Granularität: Ein Attribut sollte detailliert genug vorhanden sein um dessen Gleichheit bzw. Unterschiede auf zu zeigen. Das benötigte Speichervolumen des DW hängt direkt von der gewählten Granularität ab.
• Zuverlässigkeit und Glaubwürdigkeit: Um die Zuverlässigkeit und Glaubwürdigkeit der Quelldaten zu gewährleisten, müssen die Beschreibung der Beschaffung und Erfassung der Daten standardisiert bzw. normiert werden.
• Verständlichkeit: Technische Daten sollten in verständlicher Form beschrieben werden.
• Verwendbarkeit und Relevanz: Die erfassten Quelldaten sollten bereits aufgearbeitet sein und ihrer definierten Verwendung dienen.
Zusammenfassung der Kapitel
1. Einleitung: Beschreibt die Aufgabenstellung, Zielsetzung sowie die Zielgruppe und den Aufbau der Seminararbeit.
2. DATA Warehouse (DW): Definiert das Konzept des Data Warehouses als integrierten Datenpool mit Fokus auf analytische Auswertungsmöglichkeiten.
3. Business Intelligence (BI): Erläutert BI als Prozess zur Transformation von Datenströmen in entscheidungsrelevantes Wissen unter Einbeziehung menschlicher Bewertung.
4. Corporate Performance Management (CPM): Beschreibt CPM als Weiterentwicklung der BI zur Steigerung der unternehmerischen Leistungsfähigkeit durch zukunftsgerichtete Planung.
5. Architektur eines DATA Warehouses (DW): Detaillierte Betrachtung der technischen Schichten (Layer) inklusive Metadaten, Datenquellen, Integration, Storage und Output.
6. Schlussbetrachtung: Führt aus, dass Data Warehouse Systeme als essenzielle Instrumente für eine fundierte Entscheidungsfindung in Unternehmen dienen.
7. Literaturnachweis: Listet die verwendeten Fachquellen und Referenzen der Arbeit auf.
Schlüsselwörter
Data Warehouse, Business Intelligence, Corporate Performance Management, Architektur, Integration Layer, ETL, Datenqualität, Staging Area, Core Data Warehouse, Operational Data Store, OLAP, Reporting, Entscheidungsfindung, Datenspeicherung, Datenmodellierung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die grundlegende Architektur und Funktionsweise eines Data Warehouses im Kontext von unternehmerischen IT-Infrastrukturen.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der Integration von Datenquellen, den ETL-Prozessen (Extraktion, Transformation, Laden) und der Schichtenarchitektur für die Datenbereitstellung.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die verständliche Erläuterung der Data-Warehouse-Architektur sowie die Aufzeigung der resultierenden Möglichkeiten für Anwender bei der Informationsaufbereitung.
Welche wissenschaftliche Methode wird verwendet?
Der Autor stützt sich auf eine Literaturanalyse bekannter Fachmodelle sowie auf praxisorientierte Interviews mit IT-Fachspezialisten aus dem beruflichen Umfeld.
Was wird im Hauptteil detailliert behandelt?
Der Hauptteil gliedert sich in die Schichten (Layer) eines Data Warehouses, von der Datenquelle über das Staging und den ETL-Prozess bis hin zum Reporting.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wesentliche Begriffe sind Data Warehouse, ETL, OLAP, Business Intelligence, Datenqualität und die strategische Entscheidungsunterstützung.
Warum ist die „Datenqualität“ in einem DW so kritisch?
Aufgrund des Prinzips „Garbage in – Garbage out“ entscheidet die Qualität der Quelldaten maßgeblich über den Wert der daraus generierten analytischen Erkenntnisse.
Was unterscheidet das „Core Data Warehouse“ vom „Operational Data Store (ODS)“?
Während das Core Data Warehouse die zentrale, oft riesige Datenbasis darstellt, dient das ODS als Vorstufe für zeitpunktaktuelle und entscheidungsrelevante Daten.
Welche Rolle spielt die Historisierung von Daten?
Die Historisierung ist essenziell, um Daten über längere Zeiträume hinweg zu vergleichen und so Trends sowie Entwicklungen für das Management abzubilden.
- Citation du texte
- Martin Lenz (Auteur), 2010, Aufbau und Inhalt eines Datawarehouse, Munich, GRIN Verlag, https://www.grin.com/document/160922
