IT / Data Warehousing / Business Intelligence / OLAP und Data Warehousing
| ID | 1151914 |
|---|---|
| Klassenraum | 2 Tage 9:00-16:30 |
| Webinar | 4 Tage 9:00-12:30 |
| Methode | Vortrag und Diskussion |
| Vorwissen | Allgemeine Datenbank-Kenntnisse |
| Zielgruppe | Business Intelligence-Entwickler |
OLAP-Systeme beziehen ihre Daten entweder aus den operationalen Datenbeständen eines Unternehmens oder aus einem Data-Warehouse (Datenlager). Hierdurch wird verhindert, dass die Analysedaten mit den transaktionsorientierten Datenbeständen in Kontakt kommen, und die Leistungsfähigkeit beeinträchtigt wird. Ebenso ist die Leistung eines OLAP-Systems von der verwendeten Datenhaltungsform und deren Anbindung an den Analyse-Client abhängig. Die OLAP zugrunde liegende Struktur ist ein OLAP-Würfel (englisch cube), der aus der operationalen Datenbank erstellt wurde. Dieser folgt einer multidimensionalen, datenpunktorientierten Logik im Gegensatz zur zeilenorientierten Logik beim Online-Transaction-Processing (OLTP). Die Entwicklung und der Betrieb eines Data Warehouses verlangen modifizierte Ansätze zur Datenmodellierung als gewöhnliche Transaktions-Datenbanken. Dieses Seminar erklärt den allgemeinen Aufbau eines Data Warehouses und die Grundzüge der OLAP-Technik. Darüber hinaus vermittelt es Ihnen die Prozessschritte bei der Implementierung einer solchen Lösung.
Wir überarbeiten gerade unsere Webseite und die Seminare. Neue Termine gibt es erst ab 2025. Wir bieten dieses Seminar weiterhin als Inhouse-Seminar für Sie und Ihr Team an.
Abgrenzung und Einordnung: Begriffliche Einordnung, Einordnung und Abgrenzung von Business Intelligence, Anwendungsbereiche - Referenzarchitektur: Aspekte einer Referenzarchitektur, Data-Warehouse-Manager, Datenquelle, ETL, Komponenten eines Data Warehouses
Monitoring, ETL (Extraktion, Laden, Transformation), Analyse und Planung - Physische Architektur: Speicherarchitekturen für das Data Warehouse und die Basisdatenbank, Schichtenarchitekturen, Middleware, Schnittstellen, Sicherheit
Das multidimensionale Datenmodell: Konzeptuelle Modellierung, Logische Modellierung, Unterstützung von Veränderungen - Metadaten: Metadaten und Metamodelle beim Data Warehousing, Metadatenmanagement, Metadatenmanagementsystem, Metadaten-Warehouse
Umsetzung des multidimensionalen Datenmodells: Relationale Speicherung, Multidimensionale Speicherung, Realisierung der Zugriffskontrolle - Optimierung: Anfragen im multidimensionalen Modell, Indexstrukturen, Partitionierung, Einsatz materialisierter Sichten, Optimierung eines multidimensionalen Datenbanksystems
Datenprobleme: Unvollständigkeit, Unkorrektheit, Unverständlichkeit, Inkonsistenz - Ursachen für Datenprobleme: Falsche oder ungünstige Datenstrukturen, Geschätsregeln, Validierungen - Berücksichtigung im System und in der Übernahme-Anwendung
OLAP: Tabellen, Pivot-Darstellungen, Dimensionen, Hierarchien, MDX als Abfragesprache - Data Mining: Erweiterung der statistischen Methoden für Cluster-Analyse, Assoziationsregeln oder Entscheidungsbäume und Neuronale Netze
Marco Skulschus studierte in Wuppertal und Paris Ökonomie mit Schwerpunkt Wirtschaftsinformatik und arbeitet schon seit mehr als 10 Jahren als Dozent und Projektleiter/Berater für Business Intelligence und Data Mining. Er ist auch als Fachbuch-Autor tätig und war in verschiedenen Forschungsprojekten im Einsatz.
Als Berater und Projektleiter konzipiert Herr Skulschus Business Intelligence-Systeme auf Basis von OLAP und Data Warehouse-Technologien mit Berichtskomponenten, statistische Analysen und Data Mining-Modulen. Zu seinen größten Projekten zählt die Entwicklung eines Data Warehouses für den Deutschen Bundesrat mit deutschen Steuerdaten für Analysen und Prognosen von Steuereinnahmen, Ausgaben des Bundes und Bevölkerungsentwicklung. Weitere Projekte hatten die Analyse von Marktforschungsdaten oder Versicherungsleistungen sowie Gesundheitsdaten zum Thema.
