Data Warehouse Technologien

Entwicklungsumgebung Business Intelligence

Extract - Transform - LoadFile Copy

CRM SCM ERP

3rd

Party

Legacy

eMail

Doc

Sensor

Multimedia

Integrierte Datenbasis

Integrierte Datenbasis

Blog

Map

Map

Map

Map

Reduce

Reduce

Reduce

Abbildung 1.4: Anwendungsszenarien Big Data und Data Warehouse

Analyse von schwach oder wenig strukturierten Datenmengen ausgerich-

tet: Anstelle umfassender Datenmodellierung werden Datenextraktions- und

-transformationsschritte implementiert. So bieten sich derartige Techniken als

Ergänzung von Data Warehousing z.B. für die Implementierung von ETL-

Prozessen oder die Analyse nicht-integrierter Datenbestände an.

1.5 Aufbau des Buches

Im vorliegenden Buch wollen wir uns Techniken des Data Warehouse in acht

Kapiteln widmen. Hierzu können die Kapitel zwar einzeln gelesen werden, wir

empfehlen jedoch, der Struktur des Buches zu folgen.

Im Kapitel 2 widmen wir uns den Fragestellungen der Architektur eines

Data Warehouse. Hierbei wollen wir unter anderem die Anforderungen ana-

lytischer Informationssysteme betrachten und den damit einhergehenden Da-

tenfluss innerhalb des Data-Warehouse-Systems vorstellen. Dies führt uns zu

einer Referenzarchitektur. Darüber hinaus diskutieren wir auch noch weitere

Architekturen.

In Kapitel 3 stellen wir das dem Data Warehouse zugrunde liegende mul-

tidimensionale Datenmodell vor. Dabei gehen wir auf die wichtigsten Konzepte

ein, die den Datenwürfel repräsentieren. Zudem zeigen wir, wie eine Umset-

zung des multidimensionalen Datenmodells in relationalen Datenbanken mög-

lich ist.

1.5 Aufbau des Buches 11

Der Extraktions-, Transformations- und Ladeprozess (ETL) führt die he-

terogenen Quellen im Data Warehouse zusammen und steht im Mittelpunkt

von Kapitel 4. Da für die Entscheidungsgrundlage die Qualität der Daten ei-

ne wichtige Rolle spielt, gehen wir auf wichtige Daten- und Schemaaspekte

im Data-Warehouse-Kontext ein. Zudem gehen wir auf die typischen Aufgaben

hinsichtlich der Extraktion der Daten aus den Quellen ein. Die Transformation

stellt ein ganzheitliches Datenschema und vorbereitende Maßnahmen für die

Analysezwecke her. Um den Analyseprozess zu unterstützen, bieten sich für

Data Warehouse spezielle Techniken an, die Daten effizient zu laden.

Das Kapitel 5 zeigt typische Data-Warehouse-Anfragen. Dabei gehen wir

auf die typischen OLAP-Operationen (Online Analytical Processing) im Da-

tenwürfel ein. Bei den relationalen Umsetzungen und SQL-Unterstützungen

stellen wir den Star-Join vor. Auch die im SQL-Standard definierten Opera-

tionen CUBE und ROLLUP werden präsentiert. Neben weiteren SQL:2003 OLAP-

Funktionen gehen wir auf die multidimensionalen Ausdrücke von Microsoft

(MDX) ein.

Wie der Datenwürfel gespeichert werden kann, ist Gegenstand von Kapi-

tel 6. Dabei stellen wir sowohl die relationale Umsetzung wie auch die Speiche-

rung in multidimensionalen Datenbanken vor. Fragen der Partitionierung des

großen Data-Warehouse-Datenbestandes sowie Speicherungen für einen opti-

mierten Datenzugriff werden in diesem Kapitel ebenfalls beantwortet. Neuen

Trends im Bereich der Hauptspeicherbanken und ihren Einfluss auf das Data

Warehouse widmen wir uns ebenfalls.

Ein effizienter Datenzugriff kann ebenfalls über Indexstrukturen erfolgen.

Daher stehen diese im Mittelpunkt von Kapitel 7. Bereits in Datenbanken wer-

den Indexstrukturen häufig genutzt. Diese sind jedoch zumeist eindimensional

und somit für die analytischen Anfragen im Data Warehouse überwiegend un-

geeignet. Aufgrund ihrer weitgehenden und effizienten Implementierung sind

sie aber ein guter Ausgangspunkt, insbesondere der B-Baum. Für Daten mit

wenigen Attributausprägungen stellen Bitmap-Indexstrukturen eine geeigne-

te und effiziente Zugriffsstruktur dar. Außerdem stellen wir typische Vertreter

der mehrdimensionalen Indexstrukturen vor und gehen auf Hierarchien ein.

In Kapitel 8 gehen wir auf die Anfrageverarbeitung im Data Ware-

house ein. Hierzu gehört auch die Anfrageplanung inklusive der Star-Join-

Optimierung. Auch die Berechnung des CUBE-Operators wird in diesem Kapitel

adressiert. Außerdem stellen wir das Konzept der materialisierten Sichten im

Data Warehouse-Konzept vor.

Im letzten Kapitel widmen wir uns typischen Anwendungsfällen. Diese

werden unter dem Begriff Business Intelligence zusammengefasst. Die Haupt-

aufgabe im Data Warehousing ist die Erstellung von Berichten. Daher wid-

met sich Kapitel 9 auch dem Reporting. Häufig müssen aber auch Muster in

den Daten erkannt werden, die für die Entscheidungsfindung herangezogen

werden. Der Wissensentdeckungsprozess und insbesondere Data Mining sind

12 1 Einführung in Data-Warehouse-Systeme