Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Business Intelligence & Analytics – Begriff und Ordnungsrahmen Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

2. Datenbereitstellung und -modellierung

verfasst von : Henning Baars, Hans-Georg Kemper

Erschienen in: Business Intelligence & Analytics – Grundlagen und praktische Anwendungen

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Die Aufbereitung und Ablage konsistenter, auf die Belange der Entscheider ausgerichteter Daten ist die Grundvoraussetzung für den Einsatz leistungsfähiger BIA-Anwendungssysteme. Das folgende Kapitel beschäftigt sich mit diesem Themenkomplex, wobei zunächst historisch gewachsene Speicherungsformen entscheidungsunterstützender Daten erläutert werden. Es folgen detaillierte Beschreibungen von etablierten, relational-ausgerichteten Data-Warehouse-Konzepten und Ansätzen sog. Operational Data Stores. Anschließend wird auf die grundlegenden Designfragen der relationalen Datenmodellierung eingegangen und der aktuelle Data-Vault-Ansatz vorgestellt. Der letzte Abschnitt des Kapitels widmet sich Big-Data-Ansätzen sowie der Rolle Big-Data-orientierter Datenhaltungen in einem BIA-Kontext.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Business Intelligence & Analytics – Begriff und Ordnungsrahmen
Nächstes Kapitel Informationsgenerierung
Fußnoten
1
„Operativ: […] konkrete Maßnahmen betreffend, die unmittelbar wirksam werden […] Wirtschaft: laufendes, eigentliches Geschäft“ (Duden 2019).
 
2
„Dispositiv: anordnend, verfügend“ (Duden 2019).
 
3
Die in der Abb. 2.2 dargestellten Executive Information Systems (EIS), Management Information Systems (MIS) und Decision Support Systems (DSS) werden in den Abschn. 3.4.2 bzw. 3.5.12 näher vorgestellt.
 
4
Auf das Konzept des Embedded BIA, bei dem BIA-Funktionalitäten direkt in die operativen Systeme integriert werden, wird in diesem Lehrbuch bewusst nicht eingegangen. Sicherlich sind auch bei dieser BIA-Variante sinnvolle Anwendungsfelder denkbar. Da die Systeme jedoch primär in eng abgegrenzten Datenausschnitten der operativen Kontexte eingesetzt werden (Klawans 2008) und meist ein integraler Bestandteil der operativen Systeme sind, entsprechen sie nicht dem in diesem Werk zugrunde liegenden BIA-Verständnis und passen daher auch nicht zu dem dargestellten BIA-Bezugsrahmen.
 
5
Neben den ETL-Prozessen, die direkt auf die operativen Datenquellen aufsetzen, sind im DWH auch Extraktions-, Transformations- und Ladevorgänge zwischen den diversen entscheidungsunterstützenden Datenhaltungen erforderlich. In der Abb. 2.5. werden diese verkürzt als „Transformation“ bezeichnet.
 
6
Als erste und einfachste Variante von Metadatenverwaltungssystemen wurden Systemkataloge in relationalen Datenbanksystemen eingesetzt. Diese als Data Dictionaries bezeichneten Systeme enthalten Informationen über angelegte Relationen und ihre Attributstruktur (Schreier 2001, S. 129).
 
9
Streng genommen ist der Unterschied zur Tabelle, dass eine Relation keine definierte Reihenfolge bei den Zeilen und Spalten festlegt. In der Praxis (und auch in diesem Buch) werden Relationen jedoch trotzdem üblicherweise vereinfacht als „Tabellen“ bezeichnet.
 
10
Neben der hier diskutierten Performance-Optimierung auf der Ebene der Datenhaltung können Zugriffszeiten auch auf anderen Ebenen reduziert werden: Durch ein optimiertes physisches Datenmodell (etwa mit einer Aufteilung der Faktentabellen), durch Optimierungen auf Seite der Reihenfolge der Datenbankoperationen oder schlicht durch verbesserte Hardware. Eine wirksame Methode ist auch die Steuerung des Abfrageverhaltens der Benutzer, etwa zur Vermeidung unnötig komplexer und großer Abfragen (vgl. Brinkmann et al. 2005).
 
11
Zur Vertiefung sei auf die einschlägige Fachliteratur verwiesen, z. B. Bauer und Günzel (Hrsg.) 2009 und Lehner 2003.
 
12
Selbstverständlich sind diese Varianten auch als Erweiterung der Snapshot-Methode denkbar. Aufgrund der hohen Praxisrelevanz der Delta-Methode werden sie hier an diesem Verfahren verdeutlicht.
 
13
Entweder über ein klassisch hierarchisches Dateisystem oder mithilfe eines sog. Object Stores, in dem Dateiobjekte zusammen mit Metadaten hinterlegt werden. Object Stores sind v. a. in Cloud-Computing-Angeboten gängig.
 
Literatur
Ariyachandra, T., Watson, J.: Which data warehouse architecture is the most successful. Bus. Intell. J. 11(1), 2–4 (2006)
Baars, H., Kemper, H.G.: Integration von Big Data-Komponenten in die Business Intelligence. Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung. 27(4/5), 222–228 (2015)
Bartel, W., Schwarz, S., Strasser, G.: Der ETL-Prozess des Data Warehousing. In: Jung, R., Winter, R. (Hrsg.) Data Warehousing Strategie – Erfahrungen, Methoden, Visionen, S. 43–60. Springer, Berlin/Heidelberg (2000)
Bauer, A., Günzel, H. (Hrsg.): Data-Warehouse-Systeme – Architektur, Entwicklung, Anwendung, 3.Aufl. Heidelberg (2009)
Brewer, E.: Towards robust distributed systems. In: Proceedings of the Nineteenth Annual ACM Symposium on Principles of Distributed Computing (PODC), S. 7. dpunkt, New York (2000)
Brewer, E.: CAP twelve years later: how the „rules“ have changed. Computer. 45(2), 23–29 (2012)
Brinkmann, A., Baars, H., Effert, S., Heidebuer, M., Vodisek, M.: An integrated architecture for business intelligence support from application down to storage. In: Proceedings of the International Workshop on Storage Network Architecture and Parallel I/Os, Saint Louis (2005)
Chen, C., Zhang, C.: Data-intensive applications, challenges, techniques and technologies – a survey on Big Data. Inf. Sci. 275, 314–347 (2014)CrossRef
Christmann, A.: Data-Warehouse-Lösung der Stadt Köln. In: Online-Congress Band VIII: Data Warehousing, OLAP, Führungsinformationssysteme – Neue Entwicklungen des Informationsmanagements, S. C822.01–C822.12, Velbert (1996)
Dittmar, C.: Big Data – Die nächste Evolutionsstufe von AIS. In: Gluchowski, P., Chamoni, P. (Hrsg.) Analytische Informationssysteme, S. 55–65. Springer-Gabler, Berlin/Heidelberg (2016)
Do, H., Rahm, E.: On Metadata Interoperability in Data Warehouses, Report Nr. 01. Department of Computer Science, University of Leipzig, Leipzig (2000)
Duden: Deutsches Universalwörterbuch, 9. Aufl. Duden, Berlin (2019)
Elmasri, R., Navathe, S.B.: Fundamentals of Database Systems, 7. Aufl. Pearson, Boston (2017)
Fang, H.: Managing data lakes in Big Data era – what’s a data lake and why has it became popular in data management ecosystem. In: IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems, Shenyang (2015)
Finger, R.: Historisierungskonzepte, Vortrag im Rahmen der Seminarreihe „Data Warehouses und Data Marts – Effizienter Einsatz für das Controlling“, Frankfurt am Main (2002)
Gablers Wirtschaftslexikon: Die ganze Welt der Wirtschaft, 15. Aufl. Springer-Gabler, Heidelberg (2013)
Gabriel, R., Chamoni, P., Gluchowski, P.: Data Warehouse und OLAP – Analyseorientierte Informationssysteme für das Management. Z. Betriebswirtsch. Forsch. 52(2), 74–93 (2000)CrossRef
Gandomi, A., Haider, M.: Beyond the hype: Big Data concepts, methods, and analytics. Int. J. Inf. Manag. 35.2, 137–144 (2015)CrossRef
Gluchowski, P., Kemper, H.G., Seufert, A.: Innovative Prozess-Steuerung – Was ist neu an Operational BI? BI-Spektrum. 4(1), 8–12 (2009)
Gutenberg, E.: Grundlagen der Betriebswirtschaftslehre, Bd. I: Die Produktion, 24. Aufl. Springer, Berlin/Heidelberg (1983)
Hahne, M.: Logische Modellierung mehrdimensionaler Datenbanksysteme. Deutscher Universitätsverlag, Wiesbaden (2002)
Hahne, M.: Modellierung von Business-Intelligence-Systemen – Leitfaden für erfolgreiche Projekte auf Basis flexibler Data-Warehouse-Architekturen. dpunkt, Heidelberg (2014)
Hammergren, T.: Data Warehousing: Building the Corporate Knowledge Base. Coriolis Group, London (1996)
Herden, O., Völlinger, H., Zeh, T.: Basisdatenbank. In: Bauer, A., Günzel, H. (Hrsg.) Data-Warehouse-Systeme – Architektur, Entwicklung, Anwendung, 4. Aufl. dpunkt, Heidelberg (2013)
Herzberg, S.: Anwendungsfelder für Big Data-Analytics-Werkzeuge – Eine qualitative Studie, Diplomarbeit, Stuttgart (2014)
Horváth, P., Gleich, R., Seiter, M.: Controlling, 14. Aufl. Vahlen, München (2019)
Hultgren, H.: Modeling the Agile Data Warehouse with Data Vault. New Hamilton, Denver (2012)
Inmon, W.H.: Building the Operational Data Store, 2. Aufl. Wiley, Hoboken (1999)
Inmon, W.H.: Building the Data Warehouse, 4. Aufl. Wiley, Hoboken (2005)
Inmon, W.H., Terdeman, R.H., Imhoff, C.: Exploration Warehouse: Turning Business Information into Business Opportunity. Wiley, Hoboken (2000)
Kemper, H.G.: Architektur und Gestaltung von Management-Unterstützungs-Systemen – Von isolierten Einzelsystemen zum integrierten Gesamtansatz. Teubner, Stuttgart/Leipzig (1999)
Kemper, H.G.: Big Data – Revolution der Datenanalyse? The Performance Architect, Horváth & Partners. Nr. 2 (2013)
Kemper, H.G., Finger, R.: Transformation operativer Daten – Konzeptionelle Überlegungen zur Filterung, Harmonisierung, Verdichtung und Anreicherung im Data Warehouse. In: Chamoni, P., Gluchowski, P. (Hrsg.) Analytische Informationssysteme – Business Intelligence-Technologien und -Anwendungen, 4. Aufl., S. 129–145. Springer-Gabler, Berlin/Heidelberg (2016)
Khan, M.A., Uddin, M.F., Gupta, N.: Seven V’s of Big Data – understanding Big Data to extract value. In: Proceedings of the 2014 Zone 1 Conference of the American Society for Engineering Education in Bridgeport, S. 1–5, Washington, DC (2014)
Klawans, B.: Embedded or conventional BI: determining the right combination of BI for your business. Bus. Intell. J. 13(1), 30–36 (2008)
Kurz, A.: Data Warehousing Enabling Technology. mitp, Bonn (1999)
Laney, D.: 3D Data management – controlling data volume, velocity and variety. META Group Res. Note. 7(70), 1–4 (2001).
Lee, I.: Big Data: dimensions, evolution, impacts, and challenges. Bus. Horiz. 60(3), 293–303 (2017)CrossRef
Lehner, W.: Datenbanktechnologie für Data-Warehouse-Systeme: Konzepte und Methoden. dpunkt, Heidelberg (2003)
Lindstedt, D., Graziano, K., Hultgren, H.: The Business of Data Vault Modeling, 2. Aufl. lulu.com, Morrisville (2009)
Lohsin, D.: Master Data Management. Elsevier-Morgan Kaufmann, Burlington (2010)
von Maur, E., Schelp, J., Winter, R.: Integrierte Informationslogistik – Stand und Entwicklungstendenzen. In: von Maur, E., Winter, R. (Hrsg.) Data Warehouse Management, S. 3–23. Springer, Berlin (2003)
McGilvray, D. (2008), Executing data quality projects: ten steps to quality data and trusted information. Amsterdam:Morgan Kaufmann 2008.
Moniruzzaman, A.B.M., Hossain, S.A.: Nosql database – new era of databases for big data analytics-classification, characteristics and comparison. Int. J. Database Theory Appl. 6(4), 1–14 (2013).
Mucksch, H.: Das Data Warehouse als Datenbasis analytischer Informationssysteme – Architektur und Komponenten. In: Chamoni, P., Gluchowski, P. (Hrsg.) Analytische Informationssysteme – Business Intelligence-Technologien und -Anwendungen, 3. Aufl., S. 129–142. Springer, Berlin/Heidelberg (2006)
Mucksch, H., Behme, W.: Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik. In: Mucksch, H., Behme, W. (Hrsg.) Das Data Warehouse-Konzept, 4. Aufl., S. 3–80. Gabler, Wiesbaden (2000)
Tiefenbacher, K., Olbrich, S.: Increasing the value of Big Data projects – investigation of industrial success stories. In: Proceedings of 48th Hawaii International Conference on System Sciences (HICSS-48), S. 294–303. IEEE, Washington, DC (2015)
Otto, B., Kokemüller, J., Weisbecker, A., Gizanis, D.: Stammdatenmanagement – Datenqualität für Geschäftsprozesse. HMD Praxis der Wirtschaftsinformatik. 48(3), 5–16 (2011)CrossRef
Plattner, H.: A common database approach for OLTP and OLAP using an in-memory column database. In: Proceedings of the 2009 ACM SIGMOD International Conference on Management of Data (SIGMOD 2009), New York (2009)
Rönnbäck, L., Regardt, O., Bergholtz, M., Johannesson, P., Wohed, P.: Anchor modeling – agile information modeling in evolving data environments. Data Knowl. Eng. 69(12), 1229–1253 (2010)CrossRef
Rupprecht, J.: Zugriffskontrolle im Data Warehouse. In: von Maur, E., Winter, R. (Hrsg.) Data Warehouse Management, S. 113–147. Springer, Berlin/Heidelberg (2003)
Russom, P.: Big data analytics. TDWI Best Practices Report, Renton Q4 (2011)
Schlageter, G., Stucky, W.: Datenbanksysteme: Konzepte und Modelle, 2. Aufl. Teubner, Stuttgart (1983)
Schreier, U.: Data dictionary. In: Mertens, P. (Haupt-Hrsg.) Lexikon der Wirtschaftsinformatik, 4. Aufl., S. 129–130. Springer, Berlin/Heidelberg (2001)
Singh, D., Reddy, C.K.. A survey on platforms for big data analytics. J. Big Data 2, Nr. 8 (2015)
Staudt, M., Vaduva, A., Vetterli, T.: Metadaten. In: Bauer, A., Günzel, H. (Hrsg.) Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 2. Aufl., S. 327–348. dpunkt, Heidelberg (2004)
Stodder, D., Matters, W.D.P.: Improving data preparation for business analytics. TDWI Best Practices Report, Renton Q3 (2016)
Turban, E., Aronson, J.E., Liang, T.P.: Decision Support and Intelligent Systems, 7. Aufl. Pearson, Upper Saddle River (2004)
Vaduva, A., Vetterli, T.: Metadata management for data warehousing – an overview. Int. J. Coop. Inform. Syst. 10(3), 273–298 (2001)CrossRef
Vetter, M.: Aufbau betrieblicher Informationssysteme mittels pseudo-objektorientierter, konzeptioneller Datenmodellierung, 8. Aufl. Teubner, Stuttgart (1998)
Weber, I.: Touchdown für Flughafen? BI-Spektrum. 4(1), 26–27 (2009)
White, C.: Data integration – using ETL, EAI, and EII tools to create an integrated enterprise. TDWI Whitepaper (2005)
Wieken, J.H.: Der Weg zum Data Warehouse – Wettbewerbsvorteile durch strukturierte Unternehmensinformationen. Addison-Wesley, München (1999)
Zaloni nach LaPlante, A., Sharma, B.: Architecting Data Lakes, 2. Aufl. O’Reilly, Beijing (2016)
Metadaten
Titel
Datenbereitstellung und -modellierung
verfasst von
Henning Baars
Hans-Georg Kemper
Copyright-Jahr
2021
Buch
Business Intelligence & Analytics – Grundlagen und praktische Anwendungen

Print ISBN: 978-3-8348-1958-1

Electronic ISBN: 978-3-8348-2344-1

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-8348-2344-1_2