Durch die wachsende Menge an Daten, die in einem Unternehmen anfallen, stellt sich die Frage, wie diese gewinnbringend weiterverwendet werden können. An dieser Stelle greifen Data Warehouse Systeme ein, die aus den vorliegenden Daten einen Mehrwert schaffen sollen. Dadurch das die Auswertungen computergestützt sind, kann eine Betrachtung über eine größere Datenmenge hinweg erreicht werden. Diese Seminararbeit soll einen Überblick darüber schaffen, wie Data Warehouse Systeme arbeiten und welchen Mehrwert diese schaffen. Aufgrund der Größe des Softwareunternehmens SAP wird dessen SAP Business Information Warehouse in einem extra Kapitel beschrieben.
Inhaltsverzeichnis
- Einleitung
- Data Warehouse und Komponenten
- ERP Systeme
- Data Warehouse
- Data Mart
- Business Intelligence
- Data Mining
- OLAP
- Denormalisierung von Tabellen – Voraussetzung für Abfragen
- ETL-Prozess
- SAP Business Information Warehouse
- Die Firma SAP
- SAP Business Suite 7 und Ablösung durch SAP HANA
- SAP NetWeaver
- Werkzeuge des SAP BW
- Schichten des SAP BW
- Datenschicht
- Administrationsschicht
- Analyseschicht
- SAP Business Explorer
- SAP BW on HANA
Zielsetzung und Themenschwerpunkte
Die vorliegende Seminararbeit befasst sich mit der Funktionsweise von Data Warehouse Systemen und deren Mehrwert für Unternehmen. Sie analysiert die Komponenten des Data Warehouse, die Rolle von ERP Systemen und die Nutzung von Business Intelligence Tools wie Data Mining und OLAP. Darüber hinaus wird das SAP Business Information Warehouse (SAP BW) im Detail beleuchtet, inklusive seiner Integration in SAP NetWeaver, der Architektur und den zukünftigen Entwicklungen mit SAP HANA.
- Data Warehouse Architektur und Funktionsweise
- Integration von ERP-Systemen in das Data Warehouse
- Business Intelligence Methoden (Data Mining & OLAP)
- SAP BW: Architektur, Tools und Einsatzmöglichkeiten
- Entwicklung des SAP BW im Kontext von SAP HANA
Zusammenfassung der Kapitel
Das zweite Kapitel beleuchtet die Funktionsweise von Data Warehouse Systemen, ERP Systemen und Data Marts. Dabei wird die Rolle des Data Warehouse als zentrale Ablagestelle für Unternehmensdaten und die Unterscheidung zwischen Data Warehouse und Data Mart hervorgehoben.
Im dritten Kapitel wird die Bedeutung von Business Intelligence (BI) für die Datenanalyse und Entscheidungsfindung erläutert. Die beiden wichtigsten Methoden, Data Mining und OLAP, werden vorgestellt und deren Unterschiede herausgearbeitet.
Kapitel 4 erklärt die Notwendigkeit der Denormalisierung von Tabellen für die effiziente Nutzung von OLAP-Abfragen. Es werden die Starschema- und Galaxy-Schema-Modelle im Kontext von Data Warehouses dargestellt.
Der ETL-Prozess wird in Kapitel 5 beleuchtet. Dieser Prozess beschreibt die Übertragung von Daten aus unterschiedlichen Quellen in das Data Warehouse und beinhaltet die Phasen Extraktion, Transformation und Laden.
Kapitel 6 konzentriert sich auf das SAP Business Information Warehouse (SAP BW) und die dazugehörigen Komponenten wie SAP NetWeaver, die Werkzeuge des SAP BW und die Schichten des SAP BW.
Schlüsselwörter
Die wichtigsten Schlüsselwörter und Fokusthemen der Seminararbeit sind: Data Warehouse, ERP-System, Business Intelligence, Data Mining, OLAP, SAP BW, SAP NetWeaver, SAP HANA, Denormalisierung, ETL-Prozess, InfoCubes, Starschema, Galaxy Schema, In-Memory Technologie.
Häufig gestellte Fragen
Was ist die Aufgabe eines Data Warehouse Systems?
Ein Data Warehouse dient als zentrale Ablagestelle für Unternehmensdaten, um aus großen Datenmengen durch computergestützte Auswertungen einen Mehrwert für die Entscheidungsfindung zu schaffen.
Was versteht man unter dem ETL-Prozess?
ETL steht für Extraktion, Transformation und Laden. Es beschreibt den Prozess, Daten aus verschiedenen Quellen (z.B. ERP-Systemen) zu bereinigen und in das Data Warehouse zu übertragen.
Welche Rolle spielt SAP HANA für das Business Warehouse?
SAP HANA nutzt In-Memory-Technologie, um Abfragen im SAP BW massiv zu beschleunigen und die Analyse großer Datenmengen in Echtzeit zu ermöglichen.
Was ist der Unterschied zwischen Data Mining und OLAP?
Während OLAP (Online Analytical Processing) zur multidimensionalen Abfrage bekannter Datenstrukturen dient, sucht Data Mining nach bisher unbekannten Mustern und Zusammenhängen in Datenbeständen.
Warum müssen Tabellen im Data Warehouse denormalisiert werden?
Die Denormalisierung (z.B. im Starschema) ist notwendig, um die Anzahl der Tabellenverknüpfungen zu reduzieren und so die Performance komplexer Analyse-Abfragen zu steigern.
- Quote paper
- Taktiker Vakuum (Author), 2017, SAP Business Information Warehouse, Munich, GRIN Verlag, https://www.grin.com/document/418191
