In den letzten Jahren haben Data Warehouse Systeme ein reges Interesse im Bereich des Controllings geweckt. Die stark wachsende Integration der Märkte und die stetig fortschreitende Globalisierung führen zu einem enorm steigenden Wettbewerbsdruck. Aus dieser Situation heraus haben Data Warehouse Systeme immer mehr an Bedeutung erlangt um eine entscheidende Aufgabe des Controllings, die Schaffung von
Informationskongruenz, zu realisieren. Die Basis des Data Warehouses, die zentrale Komponente des Data Warehouse Systems, bildet dabei die Sammlung von operativen Daten aus unterschiedlichen Quellsystemen, aus denen durch analytische Operationen entscheidungsunterstützende Informationen für ein Unternehmen gewonnen werden.
Eine zentrale Aufgabe des Data Warehouses ist es, einen adäquaten Modellierungsansatz der Datenstrukturen zur Verwirklichung der physischen Integration und dem Analyseaspekt bereitzustellen. Der Ansatz des multidimensionalen Datenmodells hat sich als besonders adäquat durchgesetzt.
Dieser Beitrag beschäftigt sich mit dem Entwurf einer Datenbank für ein Data Warehouse System unter den Aspekten der konzeptionellen und logischen Modellierung unter Berücksichtigung der Unterstützung von Veränderungen. Der Fokus liegt dabei auf dem Konzept des multidimensionalen Datenmodells.
Inhaltsverzeichnis
1. Einleitung
2. Einführung in das multidimensionale Datenmodell
3. Konzeptuelle Modellierung
3.1. ME/R Modell
3.2. Multidimensional UML (mUML)
3.3. Objektorientierter multidimensionaler Modellrahmen
4. Logische Modellierung
4.1. Struktur des multidimensionalen Datenmodells
4.1.1. Dimensionen
4.1.2. Klassifikationsschema
4.1.3. Klassifikationshierarchie
4.1.4. Würfel, Würfelschema
4.2. Multidimensionale Datenmanipulationskonzepte
4.2.1. Projektions- und Selektionsoperation
4.2.2. Klassifikationsbasierte Bereichsrestriktionen
4.2.3. Multidimensionale Verbundoperationen
4.2.4. Multidimensionale Aggregationsoperationen
4.2.5. Multidimensionale Navigationsoperatoren
4.3. Anfragen in einem Data Warehouse
5. Unterstützungen von Veränderungen
5.1. Temporale Datenbanken
5.2. Veränderungen von Klassifikationshierarchien
5.3. Gültigkeitszeitmatrix
5.4. Veränderungen von Datenbankschemata
6. Zusammenfassung
Zielsetzung & Themen
Die Arbeit untersucht den Entwurf von Datenbanken für Data Warehouse Systeme unter Berücksichtigung konzeptioneller und logischer Modellierungsaspekte sowie der Unterstützung von Veränderungen. Im Fokus steht dabei das multidimensionale Datenmodell, dessen formale Beschreibung und Handhabung für analytische Prozesse analysiert wird.
- Methoden der konzeptionellen Datenmodellierung (ME/R, mUML, objektorientierte Ansätze)
- Formale Struktur und Algebra des multidimensionalen Datenmodells
- Manipulation von Datenwürfeln mittels spezieller OLAP-Operatoren
- Strategien zur Verwaltung von Datenänderungen und Schemaevolution
- Anwendung von temporalen Datenbankkonzepten im Data Warehouse
Auszug aus dem Buch
4.2.5. Multidimensionale Navigationsoperatoren
Multidimensionale Navigationsoperatoren dienen dem Zweck mit einem OLAP-Werkzeug, die multidimensionalen Daten explorativ zu analysieren. Im Folgenden wird eine Selektion der wichtigsten Operatoren vorgenommen (vgl. Abbildung 4-6).
Roll-up: Beim Roll-up (auch Drill-up genannt) wechselt der Anwender entlang des Konsolidierungspfades in die nächst höhere Hierachieebene. Die Daten der Hierachieebene besitzen eine gröbere Granularität. Anschaulich entspricht der Roll-up einer Aggregation.
Drill-down: Der Drill-down-Operator entspricht im Prinzip der inversen Operation zu Roll-up. Ein Dimensionselement wird in feinere Dimensionselemente aufgespaltet. Der Detaillierungsgrad der Daten erhöht sich.
Drill-across: Beim Drill-across wird von einem Würfel zu einem anderen gewechselt. Die Dimensionen werden, soweit möglich, beibehalten.
Zusammenfassung der Kapitel
1. Einleitung: Die Arbeit thematisiert die zunehmende Bedeutung von Data Warehouse Systemen für das Controlling im Kontext globaler Märkte und beschreibt den Entwurf von Datenbankstrukturen für diese Systeme.
2. Einführung in das multidimensionale Datenmodell: Hier wird das Konzept des multidimensionalen Datenmodells erläutert, welches Daten als Würfel visualisiert und intuitive Analysen für Anwender ermöglicht.
3. Konzeptuelle Modellierung: Dieses Kapitel stellt verschiedene Designnotationen wie das ME/R-Modell, mUML und objektorientierte Ansätze vor, um betriebliche Sachverhalte konzeptionell abzubilden.
4. Logische Modellierung: Der Fokus liegt auf der formalen algebraischen Beschreibung des multidimensionalen Datenmodells sowie der Definition von Operatoren zur Datenmanipulation und Anfrageverarbeitung.
5. Unterstützungen von Veränderungen: Hier werden Mechanismen für den Umgang mit zeitlichen Änderungen in Datenbeständen und Klassifikationshierarchien, einschließlich der Schemaevolution, diskutiert.
6. Zusammenfassung: Die Arbeit rekapituliert die Notwendigkeit einer formalen Standardisierung multidimensionaler Modelle und betont die Relevanz der Berücksichtigung von Änderungskosten beim Datenbankentwurf.
Schlüsselwörter
Data Warehouse Systeme, multidimensionales Datenmodell, Controlling, konzeptionelle Modellierung, logische Modellierung, OLAP, ME/R Modell, mUML, Aggregation, Roll-up, Drill-down, Drill-across, temporale Datenbanken, Schemaevolution, Gültigkeitszeitmatrix
Häufig gestellte Fragen
Worum geht es in dieser Arbeit?
Die Arbeit behandelt den Entwurf von Datenbanken für Data Warehouse Systeme, insbesondere unter dem Aspekt des multidimensionalen Datenmodells.
Welche zentralen Themenfelder werden bearbeitet?
Die Schwerpunkte liegen auf der konzeptionellen und logischen Modellierung, den Manipulationsoperationen auf Datenwürfeln sowie der Behandlung von zeitlichen Veränderungen.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist die Darstellung und formale Spezifikation des multidimensionalen Datenmodells sowie die Analyse von Ansätzen zur Bewältigung von Strukturänderungen in Data Warehouses.
Welche wissenschaftliche Methode wird verwendet?
Es werden verschiedene bestehende Modellierungsansätze wie ME/R, mUML und objektorientierte Rahmenwerke analysiert und deren Anwendbarkeit für multidimensionale Daten diskutiert.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die konzeptionelle Modellierung, die formale logische Modellierung mittels algebraischer Ansätze sowie die Unterstützung temporaler Datenänderungen.
Welche Begriffe charakterisieren die Arbeit am besten?
Die Arbeit lässt sich durch Begriffe wie Data Warehouse, Multidimensionalität, OLAP-Navigation, Modellierung und Schemaversionierung charakterisieren.
Warum ist das ME/R-Modell für Data Warehouses relevant?
Es bietet eine evolutionäre Erweiterung des klassischen Entity-Relationship-Modells, um multidimensionale Semantik abzubilden, ohne die Ausdrucksstärke des ursprünglichen Modells zu verlieren.
Wie unterscheidet sich Schemaevolution von der Schemaversionierung?
Bei der Schemaevolution werden sowohl das Schema als auch die Daten angepasst, während bei der Schemaversionierung frühere Zustände beibehalten werden, um eine höhere Analyseflexibilität zu ermöglichen.
Was ist der Zweck der Gültigkeitszeitmatrix?
Sie dient dazu, Strukturänderungen in Klassifikationshierarchien über die Zeit hinweg nachvollziehbar zu verwalten und die Geltungsdauer von Dimensionselementen präzise zu dokumentieren.
- Quote paper
- Nicolas Schwiedeps (Author), 2005, Data Warehouse Systeme - Das multidimensionale Datenmodell, Munich, GRIN Verlag, https://www.grin.com/document/49570
