Data Warehouse Technologien

3

Modellierung von Data

Warehouses

Dem Ziel der Analyseorientierung eines Data Warehouses wird durch ein spe-

zielles Datenmodell Rechnung getragen. Hierbei stehen Kennzahlen im Mittel-

punkt, die aus verschiedenen Blickwinkeln betrachtet werden. In den folgenden

Abschnitten werden wir zunächst die Grundkonzepte dieses multidimensio-

nalen Datenmodells einführen. Wie beim klassischen Datenbankentwurf wird

auch im Data-Warehouse-Bereich ein konzeptioneller Entwurf durchgeführt,

der durch entsprechende Modellierungssprachen unterstützt wird. Mit dem

ME/R-Modell werden wir eine Technik vorstellen, die die Besonderheiten des

multidimensionalen Datenmodells berücksichtigt. Der dritte Teil dieses Kapi-

tels ist schließlich der Abbildung dieses Modells auf das relationale Datenmo-

dell gewidmet, um die Implementierung eines Data Warehouses auf der Basis

von SQL-Datenbanksystemen zu ermöglichen.

3.1 Das multidimensionale Datenmodell

Die Grundlage für OLAP bildet ein Datenmodell, das als Weiterentwicklung

von Tabellenkalkulationsprogrammen aufgefasst werden kann. Die wesentli-

chen Elemente dieses Datenmodells werden im Folgenden vorgestellt.

3.1.1 Grundbegriffe

Das multidimensionale Datenmodell ist auf die Datenanalyse zur Unterstüt-

zung von Entscheidungsprozessen ausgerichtet. Daher stehen (betriebswirt-

45

schaftliche) Kennzahlen im Mittelpunkt der Betrachtung. Hierbei handelt es

sich numerische Messgrößen aus dem konkreten Anwendungsbereich wie et-

wa Gewinn, Umsatz oder Kosten. Diese Kennzahlen werden aus verschiedenen

Perspektiven analysiert. So kann es erforderlich sein, die Umsätze eines Unter-

nehmens aus verschiedenen Jahren oder in verschiedenen Bundesländern zu

vergleichen. Eine solche Perspektive wird als Dimension bezeichnet. Beispiele

hierfür sind Zeit, Verkaufsort, Produkt oder auch Kunden. Über die konkreten

Ausprägungen in den Dimensionen kann der Wert einer Kennzahl bestimmt

werden, etwa der Umsatz in den Monaten Mai bis August 2011 von Rotwein

in Thüringen. Die Dimensionswerte bilden somit die Koordinaten im mehrdi-

mensionalen Raum. Für zwei Dimensionen lässt sich dies einfach als Tabel-

le darstellen, für drei Dimensionen ergibt sich ein Würfel oder Quader wie in

Abbildung 3.1 dargestellt. Aufgrund dieser Würfeldarstellung wird das Daten-

modell oft auch Daten- oder OLAP-Würfel (engl. Data Cube) genannt, obwohl

es sich genau genommen im Fall von mehr als 3 Dimensionen um Hyperwür-

fel bzw. -quader handelt. Die Zellen dieses Würfels werden durch Kennzahlen

gebildet; die Kanten entsprechen den Dimensionen.

Produkt

Verkaufsort

Zeit

Kennzahl

Umsatz

Filiale

Stadt

Bundesland

Kategorie

Ar tikel

Jahr

Monat

Tag

Gruppe

Abbildung 3.1: Begriffe im Datenwürfel

Bei der Analyse der Kennzahlen ist es oft notwendig, diese zu verdichten

(zu „konsolidieren“) oder auch zu verfeinern. Werden beispielsweise die Um-

satzzahlen für das gesamte Geschäftsjahr 2011 benötigt, können diese aus den

Monatsumsatzzahlen berechnet werden. Soll dagegen festgestellt werden, wo in

Thüringen der meiste Umsatz mit Wein generiert wurde, so werden detaillier-

te Kennzahlen unterhalb der Bundeslandebene benötigt. Zur Unterstützung

derartiger Auswertungen werden die Dimensionen in Konsolidierungsebenen

unterteilt, die eine Hierarchie bilden. So kann die Zeitdimension als Hierar-

46 3 Modellierung von Data Warehouses