Business Intelligence

Ein DW ist eine Datenbank, in der Daten aus unterschiedlichen Quellen in einem einheitlichen Format zusammengefasst werden. Diese Daten werden anschliessend für die jeweiligen Interessensgruppen individuell aufbereitet

• Consolidation (involves the aggregation of data that can be accumalted and computed in one or more dimensions)
• Drill-Down (is a technique that allows users to navigate ghrought the details)
• Slicing and Dicing (is a feature wherby users can take out (slicing) a specific set of data of the OLAP cube and view (dicing) the slices from different viewpoints

Unter  Data-Mining versteht man die systematische Anwendung statischer Methoden auf einen Datenbestand mit dem Ziel, neue muster zu erkennen. Hierbei geht es auch um die Verarbeitung sehr grosser Datenbestände. 

OLAP

• Top-Down, abfragegesteuert (query-driven)
• Wiederholtes testen von Theorien, die vom Bentuerz afgestellt wurden
• Erfodert viel interaktion zwischen Benutzer und Datenbank
• Benutzer muss eine klare Vorstellung von den Informationen, nach denn er sucht, haben
• Benutzer ist in ständiger Interaktion mit dem System
• Beantwortet Frage wie "Ist das richtig?"

Data-Mining

• Bottom-up, entdeckungsgesteuert (discovery-driven)
• Benötit keine Annahmen
• Keine intensive Interaktion zwischen Benutzer und Datenbank erforderlich
• Läuft praktisch automatisch
• Benutzerinteraktion beschränkt sich auf die Auswahl des Data-Mining-Algorithmus un der geeigneten Parameter
• Beantwortet Fragen wie "Wiso passiert das? Un was könnte passieren, wenn...?"

Informatik:

Zeichenkette + Bedeutung = Information

BWL:

Information ist handlungsrelevantes Wissen

Das Zusammenspiel von objektiven- und Subjektiven Informationsbedarf sowie Informationsangebot und Informationsstand.

Beispiel Prüfungsstoff lernen:

Der Student lernt den Stoff, den er an der Prüfung vermutet (subjektiver Informationsbedarf). Der Lehrer fragt Stoff aus dem Unterricht ab, welcher er denkt, die Schüler müssen dies wissen (objektiver Informaitonsgehalt). Der Schüler lernt den Stoff aus Scripts, Internet, Bücher (Informationsangebot). Die Schnittmenge dieser Drei Teile ergibt den Informationsstand. 

Ziel ist es: Die richtige Information in der richtigen Menge am richtigen Zeitpunkt beim richtigen Empfänger zu haben!

1. Ebene: Staging Area - Datenbankschicht

2. Ebene: Data Store / Vault

3. Ebene: Data Mart (Schnittstelle zum Kunden)

In der Staging Area werden die Daten ins DW gehohlt (Daten werden nicht gepushed sondern gepulled). Die Daten werden nicht verändert bis auf vielleicht auf Formationstransformationen. Diese Ebene ist nur temporär, wird beim nächsten Load überschrieben. Es gibt keine DB-Checks welche die Validität überprüft. Die Performance ist sehr hoch

Daten aus der Staging Area werden gemerged und im Data Store gespeichert. Data Store integriert die Daten (Datenintegration). Anwendung von Business-Ruesl (Berechnung von Finanzzahlen z.B.). Im Data Store werden Beziehungen erstellt (z.B. Kunden mit Kundenauftrag). Ausserdem wird die Granularität der Daten geprüft (Detaillierungsgrad der Daten). Im Data Store sind sehr fein granulare Daten gespeichert. 

Diese Ebene ist reserviert für die Benutzer. Ist organisiert nach gewissen Probelmen und ist somit Subjekt-Orientiert (z.B. nach Land, Geschäftsprozess, Anwendungsbereich, Personen. Data Marts sind Daten-Pools die sich an die En-Anwender richten. Ist in eigener (Fach-)Sprache erfasst. Data Marts können in drei verschiedenen Strukturen erstellt werden. 

1. Struktur: Tabelle mit mehr als 100 Datensätzen

2. Struktur: Dritte Normalform (funktionale Abhängigkeit) Primär- und Fremdschlüssel-Beziehung für mehrere Mio Datensätze --> Stern-Struktur

3. Daten-Würfel mit der Funktionalität M für Multidimensionalität --> Intellectual Property der Hersteller wie z.B. SAP Hana

Gibt es eine Architektur mit verschiednen Tools um die Daten korrekt benutzerspezifisch abzubilden (Daten Management, Balanced Score Card, Management Cockpit,...)

Das Entity-Relationship-modell dient dazu, im Rahmen der semantischen Datenmodellierung einen in einem gegebenen Kontext, z.B. einem Projekt zur Erstellung eines Informationssystems, relevanten Ausschnitt der realen Welt zu beschreiben. Das ER-Modell bestht aus einer Grafik (ER-Diagramm) und einer Beschreibung der darin verwendeten elemente, wobei deren Bedeutung (semantik) und ihre Struktur dargestellt wird. 

• Interviews durchführen
• Dokumente anschauen
• Worshops durchführen

• RDBMS (Ration DataBase Management System)
• MDBMS (Multidimensional DataBase Management System)

Data Cubes speichern die Datenbanken in einer Multi-Dimensionalen datenbank (relationale Datenbanken sind zu langsam). Der Würfel ist nur ein Sinnbild. 

1. Data Cubes sind Datenstrutkuren, die auf einer Multi-Dimensionalen Datenbank laufen

2. Die eigentliche Datenstruktur ist das intellectual Propert der Hersteller. In der Regel wird von der Hersteller nicht verrate, wie ihre Data Cubes aufgebaut sind. 

3. Der Zugriff erfolgt über MDX (Multi-Dimensional-Expression) --> Sieht sehr ähnlich aus wie SQL

4. Die Cubes können mit Methoden (Algorithmen) angereichert werden wie z.B. mit Data Mining

5. Cubes sind sehr sehr schnell

Extrahieren the data from source (SAP, ERP) data from different soruce systems is converted into one consolidated data warehouse format which is ready for transformation processing. 

Transformieren may involve the following tasks:

• applying business rules
• cleaning
• filtering
• splitting a column into multiple columsn and vice versa

Loading the data into a data warehouse or data repository other reporting applications

ETL ist ein Prozess der dafür zuständig ist, dass Daten in ein DW hinengezogen werden (aus einem externen System in ein DW). 

Monitoren (beobachtet die Datenquellen auf Änderungen hin --> Auswertung Logfile)

Extraktoren (holen die Daten aus den Datenquellen)

Integratoren (berechnen und aktualisieren die Datenspeicher des DW)

Beispiele sind Microsoft SQL Server oder SAP Netweaver BI