Wirtschaftsinformatik Kapitel 3

Gruppe von inhaltlich zusammenhängenden Datenelementen. Verschiedene Eigenschaften desselben Phänomens

Fachliche Ebene: Beschreibung fachlicher Anforderungen, ohne Berücksichtigung der Technik

Logische Ebene: Überführung der fachlichen Ebene in ein konkretes Datenmodell. (Tabellen, Abhängigkeiten)

Physikalische Ebene: Anlegung der Tabellen in einem konkreten Datenbanksystem

ERM dient der fachlichen Beschreibung von Daten, ihren Eigenschaften und Abhängigkeiten

• der Standard bei Datenmodellierung
• Graphische Darstellung
• unabhängig von der Technik
• einfache Überführung in ein logisches Modell

Eindeutig zu bestimmendes Element (Phänomen), über das Daten gespeichert und gepflegt werden sollen.

Abstrakte Objekte, worüber Daten in ein Informationssystem gespeichert werden sollen.

(z.B. Kunde, Auto, Lieferant)

konkrete Objekte der Realität, die einem Entitätstypen zugeordnet werden

(z.B. Entitätstyp: Kunde; Entitätsinstanz: Meier, BDAY 1985)

z.B. der Name  oder Alter einer Person. (quasi unterstufe zur Entitätsinstanz)

Eigenschaften von Entitäten.

Sachliche Verknüpfung zwischen zwei oder mehreren Entitäten.

Legt auf der Ebene Beziehungen für jeden der beteiligten Entitätszypen fest, an wie vielen konkreten Beziehungen seine Entitäten beteiligt sind.

1:1  --> Entität A steht mit genau eienr Entität B in Beziehung. B nur mit A.

m:n  --> Jede Entität der Relation A steht mit m Entitäten der Relation B in Beziehung. Jede B steht mit n A in Beziehung.    

1:m  --> Jede Ent der Relation A steht mit n Ent der Relation B in Beziehung. Jede Ent der Relation B steht genau mit eienr Ent A in Beziehung.

Verschiedene Ansätze zur technischen Umsetzung des fachlichen Datenbankschemas.

Logisches Datenmodell, bei dem Daten in Tabellen dargestellt werden. Die Daten können in Beziehung gesetzt werden, wenn beide Tabeellen ein gemeinsamen Datenelement besitzen.

Attribut bzw. Element eines Datensatzes, das die Instanzen dieses Datensatzes eindeutig idenzifiziert.

Ein Attribut, das in einer anderen Tabelle ein Primärschlüssel ist. (Künstilich hinzugefügte Attribute)

Verfahren zur Beseitigung von DB-Redundanzen

1NF: Eine Relation ist in 1NF, wenn alle Attribute nur atomare Werte aufweisen. (Abfragen in DB werden so überhaupt erst möglich.)

2NF: Eine Relation ist in 2NF, wenn in 1NF + jedes Nichtschlüsselattribut funktional abhängig vom Primärschlüssel. (Jede Tabelle stellt nur einen Sachverhalt dar)

3NF: Eine Realtion ist in 3NF, wenn in 2NF + keine transitiven Abhängigkeiten zwischen Nichtschlüsselattributen. (Auslagerung dieser Attribute in eine weitere Tabelle)

Redundanzfrei Ansammlung von Daten, die so strukturiert sind, dass sie von mehreren Benutzern und Anwendungen gleichzeitig und effizient genutzt und fkexibel ausgewertet werden können.

DB mit Berichts- und Abfragefunktionen, die aus verschiedenen Systemen exxtrahiert wurden und für Managementberichte und Analysen bereitgestellt werden.

Techniken zur Konsolidierung, Analyse und Bereitstellung von Daten zur Entscheidungsunterstützung.

• Themenorientierung
• Vereinheitlichung (z.B. Ablage von Daten in gleichem Format)
• Beständigkeit (reine Ausgabe (+Hinzufügung) von Daten, keine Veränderungen)
• Zeitbezug (historischer Zeitstempel)

YO
 

EXTRACT - TRANSFORM - LOAD

EXTRACT

• Periodische Extraktion
• auf Anfrage
• Ereignisgesteuerte Extraktion
• Sofortige Extraktion

TRANSFORM

• Bereinigung (z.B. von falschen Formaten)
• Harmonisierung
• Verdichtung (z.B. Bildung von Summen)
• Anreicherung (Hinzufügen von weiteren Daten)

Bestandteil eines Data-Warehouses, in dem ein Teil der Unternehmensdaten aufbereitet und gespeichert wird.

YO

Technik, um Daten nach mehreren Dimensionen bzw. aus mehreren Perspektiven zu analysieren.

• Dimension (Kenngrößen, nach denen Daten ausgewertet werden)
• Würfel
• Drill-down (Roll-up) (Es gibt verschiedene Verdichtungsebenen. Drill-Down zeigt die nächste Ebene.)

Analyse großer Datenbestände, um Zusammenhänge, Muster und Regeln zu finden, die als Orientierungshilfe bei der Entscheidungsfindung und der Vorhersage künftiger Entwicklung dienen können.

• Assoziationen (Ausprägungen, die einem einzelnen Ereignis zugeordnet sind
• Sequenzen (Ereignisse über die Zeit verknüpft)
• Klassifizierung (Muster, die die Gruppe beschreiben, zu denen ein Artikel gehört, indem sie vorhandene Artikel untersucht, die bereits klassifiziert wurden, und eine Regllmenge ableitet)
• Clustering (Erkennt verschiedene Gruppierungen innerhalb von Daten)

OLAP:

• Daten nach mehreren Dimensionen analysieren

Data - Mining:

• Suchen nach Mustern und Regeln (Beim OLAP sind diese gegeben --> Art von Info aus Data Mining Kartei)