Jede Business-Intelligence-Anwendung beruht letzten Endes auf einem Data Warehouse. Data Warehousing ist deshalb ein sehr wichtiges Gebiet der Angewandten Informatik, insbesondere im Zeitalter von Big Data. Das vorliegende Buch beleuchtet das Data Warehouse aus zwei Perspektiven: der des Entwicklers und der des Anwenders. Der zukünftige Entwickler lernt, ein Data Warehouse mit geeigneten Methoden selbst zu entwickeln. Für den zukünftigen Anwender geht der Autor auf die Themen Reporting, Online Analytical Processing und Data Mining ein. Das Lehrbuch ist auch zum Selbststudium geeignet. Kenntnisse über Datenbanksysteme sollten allerdings vorhanden sein.

"Das didaktisch gut aufgebaute Buch auf dem aktuellen Stand der Technik endet mit 10 Übungsaufgaben (mit Lösungen) und ist auch zum Selbststudium gut geeignet."
(EKZ im Dezember 2018)

Autorentext
Wolfgang Gerken ist Professor für Wirtschaftsinformatik an der Hochschule für Angewandte Wissenschaften Hamburg. Seine Schwerpunktthemen sind Data Warehousing, Data Mining und Business Intelligence.

Inhalt

Einleitung 19

Über dieses Buch 19

Konventionen in diesem Buch 20

Was Sie nicht lesen müssen 20

Törichte Annahmen über den Leser 21

Wie dieses Buch aufgebaut ist 21

Teil I: Was ist ein Data Warehouse? 21

Teil II: Architektur eines Data-Warehouse-Systems 21

Teil III: Anwendungsbereiche für ein Data Warehouse 22

Teil IV: Modellierung eines Data-Warehouse-Systems 22

Teil V: Zugriff auf ein Data Warehouse 22

Teil VI: Speicherung und Optimierung auf Datenbankebene 22

Teil VII: Der Top-10-Teil 22

Symbole, die in diesem Buch verwendet werden23

Wie es weitergeht 23

TEIL I WAS IST EIN DATA WAREHOUSE? 25

Kapitel 1 Ein Beispiel zur Einführung 27

Daten und ihre Verarbeitung 27

Daten und Datenbanken 27

Die Verarbeitung von Daten 28

Analyse von Absatzmengen und Planzahlen als Beispiel 29

Besonderheiten analytischer Aufgabenstellungen 31

Wenn personenbezogene Daten ins Spiel kommen 34

Kapitel 2 Das Data Warehouse im Umfeld der betrieblichen Informationssysteme 35

Hierarchie betrieblicher Informationssysteme 35

Zusammenfassung: Analytische Informationssysteme 38

Beispiele für analytische Informationssysteme 39

Beispiel 1: Analytische Informationssysteme im CRM 39

Beispiel 2: Kennzahlen-Analysesysteme im Rechnungswesen 41

Beispiel 3: Website-Analysesysteme 43

Fazit: Data Warehouse und analytische Informationssysteme 45

Kapitel 3 Definition und Abgrenzung des Begriffs 'Data Warehouse' 47

Die 3-Schichten-Architektur analytischer Informationssysteme 47

Definitionen des Begriffs Data Warehouse 50

Definition von Inmon 50

Definition von Kimball 52

Vergleich der beiden Definitionen 53

Anwendungsfall: Das Data Warehouse und Business Intelligence 54

TEIL II ARCHITEKTUR EINES DATA-WAREHOUSE-SYSTEMS 57

Kapitel 4 Überblick über die Architektur eines Data-Warehouse-Systems 59

Die Phasen des Data Warehousing 59

Ein allgemeines Data-Warehouse-Architekturmodell 61

Vorgehensweisen bei der Erstellung eines Data Warehouse 64

Projektdefinition und Machbarkeitsstudie 65

Analyse, Entwurf und Einführung für einen Anwendungsbereich 66

Kapitel 5 Der ETL-Prozess 69

Überblick 69

Ein einführendes Beispiel 70

Extraktion 71

Das Pull-Prinzip 71

Das Push-Prinzip 72

Beispiele 72

Transformation 77

Datenbestandsanalyse 77

Datenbereinigung 78

Datenintegration 80

Laden 82

Kapitel 6 Die Basisdatenbank 85

Merkmale der Basisdatenbank 85

Unterschied zwischen operativen Datenbanken und der Basisdatenbank 87

Die operativen Quellsysteme des Beispiels 88

Die Basisdatenbank des Beispiels 89

Kapitel 7 Das Analyse-Subsystem 93

Dimensionen und Fakten 93

Dimension oder Metrik? 95

Metriken als Dimension 96

Dimensionen als Metrik 97

Klassifizierung von Dimensionen 98

Fachliche Dimensionen 98

Kategorische Dimensionen 98

Strukturelle Dimensionen 99

Hierarchien von Dimensionswerten 99

Parallele Hierarchien 100

Unausgeglichene Hierarchiebäume 101

Strukturänderungen in Hierarchien 102

Slowly Changing Dimensions 102

Typ 1: Überschreiben 103

Typ 2: Neue Zeile 104

Typ 3: Spalten mit altem und neuem Wert 105

Typ 4: Mini-Dimension 105

Zusammenfassung 106

Verknüpfung von Dimensionen über Metriken 106

Aggregationstypen von Fakten 107

Die Themen Datenqualität und Datenschutz 108

Datenqualität 108

Datenschutz 109

Architekturvarianten für ein Analyse-Subsystem 109

Möglichkeiten für die Architektur 110

Die Hub-and-Spoke-Architektur 111

Auswertungen und Analysen 112

Kapitel 8 Metadaten 113

Was sind Metadaten?113

Metadaten im Data-Warehouse-Kontext 114

Das Metadaten-Management in einem Data-Warehouse-System 114

Standards für Data-Warehouse-Metadaten 118

Ein kleines Beispiel 119

TEIL III ANWENDUNGSBEREICHE FÜR EIN DATA WAREHOUSE 121

Kapitel 9 Reporting 123

Das Berichtswesen eines Unternehmens 123

Überblick und Definition 123

Erzeugung und Verteilung von Reports 125

Arten von Berichtssystemen 125

Was sich Anwender vom Reporting wünschen und wie die Wirklichkeit oft aussieht 126

Einige Tipps für die Report-Gestaltung 127

Graphische Darstellungen im Report 128

Die Hichert-Success-Regeln 131

Grundformen für Reports 132

Ist-Ist-Vergleiche 132

Plan-Ist-Vergleiche 133

Plan-Wird-Vergleiche 134

Berücksichtigung dynamischer Dimensionsstrukturen 135

Report as-is 136

Report as-of 136

Report as-posted 137

Ein praktisches Beispiel 137

Kapitel 10 Online Analytical Processing 139

Motivation und Definition 139

Charakteristika von OLAP 141

Abgrenzung OLAP und OLTP 141

Die Coddschen Regeln 142

FASMI 143

Spezielle OLAP-Operatoren 144

Pivotierung bzwRotation 144

Roll-up und Drill-down 145

Slice und Dice 146

Beispiel 148

Kapitel 11 Data Mining151

Einführung 151

CRISP-DM 153

Methoden und Verfahren beim Data Mining 154

Assoziationsanalyse 155

Clusteranalyse 160

Klassifikation mit der Diskriminanzanalyse 164

Entscheidungsbaumverfahren 166

Spezielle Data-Mining-Fragestellungen im Kontext von Data-Warehouse-Daten 171

Welche Artikel werden gemeinsam gekauft? 172

Unterscheiden sich gute, normale und schlechte Kunden? 172

Welche Kunden besitzen eine bestimmte Produktaffinität? 173

Praxisbeispiel 'Predictive Analytics' 174

Kollaboratives Filtern 175

TEIL IV MODELLIERUNG EINES DATA-WAREHOUSE-SYSTEMS 177

Kapitel 12 Data Vault 179

Einführung 179

Hubs, Satelliten und Links 180

Hubs 180

Links 182

Satelliten183

Beispiel 185

Kapitel 13 Semantischer Entwurf eines Data Warehouse 191

Zur Wiederholung: das Entity-Relationship-Modell 191

Drei Schritte bei der Modellierung einer Datenbank 192

Das ER-Modell: Entitätstypen, Attribute und Beziehungen 192

Das multidimensionale ER-Modell 194

ADAPT 196

Kapitel 14 Relationale Modellierung der Datenwürfel 199

Einführung 199

Das Star-Schema 200

Beispiel 201

Besondere Merkmale des Star-Schemas 204

Das Snowflake-Schema 207

Vergleich von Star- und Snowflake-Schema 209

Das Galaxy-Schema 211

TEIL V ZUGRIFF AUF EIN DATA WAREHOUSE 213

Kapitel 15 Multidimensionale Abfragen mit SQL 215

Zugriff auf ein Data Warehouse mit SQL 215

Erzeugen der Tabellen 216

Typische analytische Fragestellungen 218

OLAP-Erweiterungen von SQL 220

Die WINDOW-Klausel 220

Erweiterungen der GROUP-BY-Option 225

Statistische Funktionen 228

Kapitel 16 Die Abfragesprache MDX 229

Einführung 229

Spezielle OLAP-Operatoren und Funktionen 233

Tupel und Sets 233

Member und Children 234

Kreuzprodukt mittels Crossjoin 234

Der WITH-Operator 235

Häufige Fragestellungen 236

Kapitel 17 Zusammenspiel von MDX und SQL 239

OLAP-Server 239

Der OLAP-Server Mondrian 241

MDX-Schema von Mondrian 241

Mondrian-Frontend-Tools 245

**TEIL VI SPEICHERUNG UND OPTIMIERUNG AUF DATENB…