Data Warehouse Architecture und LSA. Trends in Business Intelligence


Hausarbeit, 2015
16 Seiten, Note: 1,7

Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

1. Die Architektur eines Data Warehouses
1.1. Einführung Data Warehouse Systeme
1.2. Persistent Staging Area
1.3. Data Warehouse
1.4. Data Mart
1.5. Operational Data Store

2. Schichtenarchitektur eines Data Warehouse (LSA)
2.1. Überblick: Schichtenarchitektur
2.2. Data-Acquisition-Schicht
2.3. Quality-And-Harmonisation-Schicht
2.4. Data-Propagation-Schicht
2.5. Corporate Memory

3. Architected-Data-Mart-Schicht
3.1. Business-Transformation-Schicht
3.2. Reporting-Schicht
3.3. Viritualization-Schicht
3.4. Operational Data Store

4. LSA Datendomänen
4.1. Globale BW-Systeme

5. Info Sources in der LSA
5.1. Info Sources und BW-Systeme

6. Der Data Flow im SAP Business Warehouse

7. Fazit

Literatur- und Quellenverzeichnis

Abbildungsverzeichnis

Abb.1: Architektur eines Data Warehouses

Abb.2: Data Mart Architektur

Abb.3: Schichten/Layer Aufbau

Abb.4: LSA Datendomänen

Abb.5: LSA Datendomänen

Abb.6: Info Sources in der LSA

Abb.7: Data Flow im Business Warhouse

1. Die Architektur eines Data Warehouses

1.1. Einführung Data Warehouse Systeme

Es gibt eine Vielzahl von unterschiedlichen Data-Warehouse-Definitionen und Architekturen. Doch die Mehrzahl bevorzugt eine Schichtenarchitektur des Data Warehouse Systems (vgl. Zische, 2004).

Data Warehousing hat sich zu einer zukunftsträchtigen und komplexen Technologie entwickelt. Vor einigen Jahren ging man noch davon aus dass die Ablage der Daten in einem Sternschema/Schneeflockenschema genügen würde. Dieser Ansatz wird jedoch mit den zunehmenden Anforderungen nach Konsistenz, Datenpersistenz und Flexibilität auf die Dauer nicht gerecht. Inzwischen werden Data Warehouse Systeme in einer Schichtenarchitektur aufgebaut. Die verschiedenen Schichten halten die Daten inunterschiedlicher Form bereit (vgl. Lehner, 2002).

Wir unterscheiden folgende Schichten:

- Peristent Staging Area (PSA)
- Data Warehouse
- Data Marts
- Operational Data Store (ODS)

Abbildung in dieser Leseprobe nicht enthalten

Abb.1: Architektur eines Data Warehouses

(Quelle: SAP-Help, (2015): Die Architektur eines Data Warehouses)

1.2. Persistent Staging Area

Nach der Extraktion der Daten aus den Quellsystemen (ERP, CRM etc.) gelangen die Daten in die Eingangsschicht des Data Warehouses, die sogenannte Persistent Staging Area (vgl. Zische, 2009, S.23 ff.). In dieser Schicht werden die Daten unverändert zum Quellsystem abgelegt. Der Weg der Daten von der Persistent Staging Area in die nächste Schicht dient qualitätssichernden Maßnahmen der Daten. Außerdem dient es für eine einheitliche, harmonisierende und integrierte Datensicht welche für die Transformationen und Bereinigungen der Daten wichtig ist.

1.3. Data Warehouse

Das Ergebnis dieser ersten Transformationen und Bereinigungen wird in der nächsten Schicht dem Data Warehouse abgelegt. Diese Data-Warehouse-Schicht beinhaltet integrierte, granulare, historische Daten welche applikationsneutral sind. Die Schicht bietet damit die Basis um konsistente Auswertungsstrukturen aufzubauen und flexibel auf neue Anforderungen zu reagieren das die Daten in dieser Schicht noch keinen Anwendungszweck besitzen (vgl. Bauer, Günzel, 2013).

1.4. Data Mart

Aus der Data-Warehouse-Schicht werden die meist multidimensionalen Auswertungsstrukturen beliefert welche auch als Data Mart bezeichnet werden. Diese Schicht entspricht den geforderten Anforderungen der Auswertung.

Dabei ist Data Mart nicht mit summiert gleichzusetzen. Man findet auch hier noch granulare Strukturen die sich aber allein an den Anforderungen der Auswertung orientieren. Die granularen Daten der Data-Warehouse-Schicht bleiben aber applikationsneutral um die Wiederverwendbarkeit zu garantieren (vgl. SAP-Help, 2015).

Ein Data-Mart ist ein Ausschnitt eines Data-Warehouse das für einen bestimmten Organisationsbereich(Marketing, Rechnungswesen, Vertrieb, Produktion etc.) siehe Abbildung oder eine bestimmte Anwendung oder Analyse erstellt wird. Es kann auch als Teilansicht auf das Data-Warehouse oder nicht-persistenten Zwischenspeicherverstanden werden (vgl. o.V.; 2015).

Abbildung in dieser Leseprobe nicht enthalten

Abb.2: Data Mart Architektur 1

(Quelle: Abu Hanifah, Ardijan. (2009): Business Inteligence dan Data Warehouse)

1.5. Operational Data Store

Neben der klassischen strategischen Datenanalyse unterstützt ein Data Warehouse auchdie operative Datenanalyse. Die Daten können in einer ODS-Schicht laufend oder inkurzen Zeitabständen fortgeschrieben und für die Analyse gelesen werden. Außerdemkönnen die Daten von der ODS-Schicht zu einem definierten Zeitpunkt in die DW-Schichtweitergeleitet werden. Die Schichtenarchitektur des Data Warehouses ist einkonzeptioneller Ansatz. In der Praxis sind die Grenzen dieser Schichten oft fließend.Einzelne Datenspeicher können dabei auch in zwei verschiedenen Schichten eine Rollespielen. Die technische Implementierung ist stets organisationsspezifisch (vgl. SAP-Help,2015).

2. Schichtenarchitektur eines Data Warehouse (LSA)

2.1. Überblick: Schichtenarchitektur

Die Architektur und der Betrieb eines Data Warehouse ist sehr kompliziert. Außerdem ist es ohne die Unterstützung passender Werkzeuge kaum zu realisieren.

Das Konzept der skalierbaren Schichtenarchitektur Layered Scalable Architecture hilftdabei verschiedene Schichten für die Datenbereitstellung, das Corporate Memory, die Datenverteilung und die Analyse von Daten im System zu entwerfen und zuimplementieren. Man unterscheiden dabei zwei Hauptschichten: die Enterprise-Data-Warehouse-Schicht und die Architected-Data-Mart-Schicht (vgl. SAP-Help, 2015).

Die nachfolgende Abbildung zeigt den Aufbau der verschiedenen Schichten:

Abbildung in dieser Leseprobe nicht enthalten

Abb.3: Schichten/Layer Aufbau 1

(Quelle: SAP-Help, (2015): Layer Scalable Architecture)

Die Enterprise-Data-Warehouse-Schicht besteht aus der Data-Acquisition-Schicht, der Quality-And-Harmonisation-Schicht, Data-Propagation-Schicht und dem Corporate Memory. Die Architected-Data-Mart-Schicht besteht aus der Business-Transformation-Schicht, der Reporting-Schicht und der Virtualisation-Schicht. Außerdem kann es auch weitere zusätzliche Schichten geben je nachdem was verlangt wird.

In einer Schicht müssen nicht unbedingt die Daten persistent gespeichert werden (vgl. Winsemann, 2013, S.7) da die LSA feste Regeln besitzt wo die nötigen Transformationen stattfinden. Beispielsweise wird zwischen der Data-Acquisition-Schicht und der Data Propagation-Schicht also in der Quality & Harmonization-Schicht nur unabhängige Transformationen vorgenommen. Diese Transformationen machen aus den Daten ein Data-Warehouse-Datenmodell. Dieses Datenmodell ist für Data Martswiederverwendbar und somit flexibel (vgl. Mehrwald, 2013).

2.2. Data-Acquisition-Schicht

Die Data-Acquisition-Schicht nimmt die Daten aus der Quelle entgegen und verteilt sie innerhalb des BW-Systems. Diese Schicht erlaubt es alle Zielschichten unabhängig voneinander zu befüllen (vgl. Winsemann, 2013, S.7).

2.3. Quality-And-Harmonisation-Schicht

In der Quality-And-Harmonisation-Schicht werden die Daten transformiert, vereinheitlicht und anschließend in Data Store-Objekten gespeichert. Wie hier transformiert werden muss hängt davon ab wie unterschiedlich die Quellen(ERP, CRMetc.) sind aus denen die Daten kommen. Es werden in dieser Schicht aber keine Transformationen vorgenommen welche die Business-Logik betreffen (vgl. Winsemann,2013, S.8).

2.4. Data-Propagation-Schicht

Die Data-Propagation-Schicht bedient die Applikationen. Dies soll möglichst zügig geschehen, weswegen in dieser Schicht die Möglichkeit einer semantischen Partitionierung besteht. Die Daten werden in Data Store-Objekten gespeichert und konsolidiert. Die Data-Propagation-Schicht bietet die konsistente Grundlage die Daten weiter zu verteilen und wiederzuverwenden (vgl. Winsemann, 2013, S.7).

2.5. Corporate Memory

Das Corporate Memory wird unabhängig von der Fortschreibung in die Architected-Data-Marts befüllt. In ihm befindet sich die vollständige Historie der geladenen Daten. Es dient als Rekonstruktionsschicht ohne dass dabei erneut auf die Quellen (ERP, CRM etc.)zugegriffen werden muss (vgl. Winsemann, 2013, S.7).

[...]

Ende der Leseprobe aus 16 Seiten

Details

Titel
Data Warehouse Architecture und LSA. Trends in Business Intelligence
Hochschule
Macromedia Fachhochschule der Medien Stuttgart
Note
1,7
Autor
Jahr
2015
Seiten
16
Katalognummer
V428778
ISBN (eBook)
9783668750098
ISBN (Buch)
9783668750104
Dateigröße
931 KB
Sprache
Deutsch
Schlagworte
data, warehouse, architecture, trends, business, intelligence
Arbeit zitieren
Ivan Kurtovic (Autor), 2015, Data Warehouse Architecture und LSA. Trends in Business Intelligence, München, GRIN Verlag, https://www.grin.com/document/428778

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Data Warehouse Architecture und LSA. Trends in Business Intelligence


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden