Mit dem stetigen Zuwachs an digital gespeicherten Daten nimmt auch der Bedarf an Strukturierungs- und Abrufungsmöglichkeiten zu. Eine Lösung sind Data-Warehouse-Systeme.
Nach anfänglichen Versuchen der Datenablage als Stern- oder Schneeflockenschema arbeitet man heute aufgrund der zunehmenden Anforderungen an Konsistenz, Datenpersistenz und Flexibilität meist mit einer Schichtenarchitektur. Nach einem kurzen Überblick über die verschiedenen Schichten fokussiert sich die Untersuchung auf die spezifische Schichtenarchitektur von Data Warehouses (LSA) und deren unterschiedliche Nutzungsmöglichkeiten.
Inhaltsverzeichnis
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. InfoSources in der LSA
5.1. InfoSources und BW-Systeme
6. Der Data Flow im SAP Business Warehouse
7. Fazit
Zielsetzung & Themen
Die Arbeit untersucht die moderne Architektur von Data-Warehouse-Systemen mit einem Fokus auf die Layered Scalable Architecture (LSA) im Kontext des SAP Business Warehouse, um die Effizienz der Datenbereitstellung und Analyse zu verdeutlichen.
- Grundlagen und Definitionen von Data-Warehouse-Architekturen
- Detaillierte Analyse der LSA-Schichtenstruktur
- Verwaltung von Datendomänen und globalen BW-Systemen
- Bedeutung und Funktion von InfoSources
- Komplexität und Abläufe des Data Flows im SAP Business Warehouse
Auszug aus dem Buch
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 in unterschiedlicher Form bereit (vgl. Lehner, 2002).
Wir unterscheiden folgende Schichten:
• Peristent Staging Area (PSA)
• Data Warehouse
• Data Marts
• Operational Data Store (ODS)
Zusammenfassung der Kapitel
1. Die Architektur eines Data Warehouses: Einführung in die Notwendigkeit von Schichtenarchitekturen für Data-Warehouse-Systeme gegenüber klassischen Ansätzen.
2. Schichtenarchitektur eines Data Warehouse (LSA): Erläuterung des Konzepts der Layered Scalable Architecture zur effizienten Datenbereitstellung und Analyse.
3. Architected-Data-Mart-Schicht: Beschreibung der Schichten, die für die Transformation und Bereitstellung der Daten für das Reporting zuständig sind.
4. LSA Datendomänen: Diskussion der semantischen Partitionierung von Bewegungsdaten in internationalen BW-Systemen.
5. InfoSources in der LSA: Analyse der Rolle von InfoSources bei der Verwaltung komplexer Datenflüsse.
6. Der Data Flow im SAP Business Warehouse: Detaillierte Darstellung der technischen Komponenten und Abläufe beim Datentransport im SAP BW.
7. Fazit: Zusammenfassende Betrachtung der Bedeutung von Data Warehousing für die Wettbewerbsfähigkeit und die Architekturflexibilität.
Schlüsselwörter
Data Warehouse, Business Intelligence, LSA, Schichtenarchitektur, SAP Business Warehouse, Data Mart, Persistent Staging Area, Data Flow, InfoSource, Datenanalyse, Datenintegration, Operational Data Store, Modellierung, semantische Partitionierung, InfoProvider
Häufig gestellte Fragen
Worum geht es in dieser Arbeit?
Die Arbeit behandelt die konzeptionellen und technischen Aspekte von modernen Data-Warehouse-Architekturen, insbesondere unter dem Aspekt der LSA-Methode.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind der schichtenbasierte Aufbau von Data Warehouses, die Handhabung von Datenflüssen und die Skalierbarkeit für globale Systeme.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, die Architekturprinzipien zu erläutern, die eine flexible und konsistente Datenhaltung ermöglichen.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine theoretische Arbeit, die auf einer fundierten Literaturanalyse und der Anwendung von Architekturmodellen der SAP-Umgebung basiert.
Was wird im Hauptteil behandelt?
Der Hauptteil analysiert die spezifischen Schichten (Enterprise-Data-Warehouse und Architected-Data-Mart) sowie die Funktionsweise von Komponenten wie PSA, ODS und InfoSources.
Welche Schlüsselwörter charakterisieren die Arbeit?
Typische Schlüsselbegriffe sind Data Warehouse, LSA, SAP BW, Datenfluss und Schichtenarchitektur.
Warum ist eine Schichtenarchitektur heute notwendig?
Einfachere Modelle wie reine Sternschemata genügen den heutigen hohen Anforderungen an Datenkonsistenz, Persistenz und Flexibilität in großen IT-Landschaften nicht mehr.
Welche Rolle spielt die Persistent Staging Area (PSA) im Prozess?
Die PSA dient als Eingangsschicht, in der Daten unverändert aus den Quellsystemen geladen werden, um eine qualitätssichernde Basis für weitere Transformationen zu schaffen.
Wie unterscheidet sich ein Data Mart von einem Data Warehouse?
Ein Data Mart ist meist ein Ausschnitt aus dem Data Warehouse, der speziell auf die Anforderungen eines bestimmten Fachbereichs oder einer Analyse zugeschnitten ist.
Was sind InfoSources im Kontext der LSA?
InfoSources fungieren als Bündelungselemente für die Transformationslogik, um komplexe Datenflüsse zwischen verschiedenen InfoProvidern effizient zu steuern.
- Citation du texte
- Ivan Kurtovic (Auteur), 2015, Data Warehouse Architecture und LSA. Trends in Business Intelligence, Munich, GRIN Verlag, https://www.grin.com/document/428778
