Skip to main content
SpringerLink
Log in

Datenbereitstellung: Data Warehousing

  • Chapter
Management Support Systeme und Business Intelligence

  • 18k Accesses

Auszug

Als Aufgabe der Bereitstellungsschicht einer BI-Lösung wurde die Zurverfügungstellung eines geeigneten und stimmigen Datenbestandes zu Informations- und Analysezwecken heraus gestellt. Um diesem Anspruch genügen zu können, muss sowohl eine entscheidungsorientiert gestaltete Datenbasis strukturell definiert und implementiert als auch die dauerhafte Befüllung mit vorhandenen und neu hinzukommenden Problemdaten gewährleistet werden. Die dazu benötigten technologischen Grundkonzepte und Realisierungsalternativen lassen sich dem Thema „Data Warehousing“ zuordnen und bilden den Gegenstand des folgenden Kapitels.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 84.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Vaske stellt heraus, dass 70% der Projekte zum Aufbau von Executive Information Systemen im Jahre 1990 erfolglos verliefen. Vgl. Vaske (1996), S. 7.

    Google Scholar 

  2. Als alternative Bezeichnungen, die sich jedoch nicht flächendeckend durchsetzen konnten, lassen sich Atomic Database, Business Information Resource, Data Supermarket, Decision Support System Foundation, Information Warehouse und Reporting Database anführen. Vgl. Holthuis (1998), S. 72. Der Kern des DW-Konzeptes wurde bereits seit dem Jahre 1988 beim Unternehmen IBM unter der Bezeichnung European Business Information System (EBIS) später als Informtion Warehouse Strategy entwickelt. Vgl. Mucksch/Behme (2000), S. 5; Mertens/Griese (2002), S 24ff.

    Google Scholar 

  3. Vgl. Mucksch/Holthuis/Reiser (1996), S. 421f.

    Google Scholar 

  4. Vgl. Martin/Maur (1997), S. 105.

    Google Scholar 

  5. Vgl. Radding (1995), S. 53f.

    Google Scholar 

  6. Vgl. Kurz (1999), S. 75; Holthuis/Mucksch/Reiser (1995). Hummeltenberg wertet den Aspekt der Entkopplung sogar als konstituierend für den Aufbau von Data Warehouse-Lösungen. Vgl. Hummeltenberg (1998), S. 49. Eine Entkopplung führt einerseits zu einer Entlastung der operativen Systeme und eröffnet andererseits die Option, das analyseorientierte System auf die Belange von Auswertungen und Berichten hin zu optimieren. Vgl. Wieken (1999), S. 16.

    Google Scholar 

  7. Vgl. Hummeltenberg (1998), S. 51.

    Google Scholar 

  8. Allgemein lassen sich Maßnahmen zur Format-und Strukturvereinheitlichung voneinander abgrenzen. Vgl. Holthuis (1998), S. 75.

    Google Scholar 

  9. Zum Themenkomplex der Abbildung zeitbezogenen Informationsobjekte vgl. Knolmayer/Myrach (1996).

    Google Scholar 

  10. Vgl. Mucksch/Behme (2000), S. 10f.

    Google Scholar 

  11. Vgl. Mucksch/Behme (2000), S. 13.

    Google Scholar 

  12. Vgl. Inmon (1996), S. 29–39.

    Google Scholar 

  13. Vgl. Lehmann (2001), S. 17–19.

    Google Scholar 

  14. Vgl. Mucksch/Holthuis/Reiser (1996), S. 422.

    Google Scholar 

  15. Vgl. Inmon (1996), S. 24; Mucksch/Behme (2000), S. 16.

    Google Scholar 

  16. Aus diesem Grunde wird häufig für das Data Warehouse eine ausschließlich lesende Zugriffsform für die Endanwender gefordert, um jeglicher potenziellen Verfälschung von historischem Datenmaterial vorzugreifen. Vgl. Poe/Reeves (1997), S. 23.

    Google Scholar 

  17. Vgl. Holthuis/Mucksch/Reiser (1995); Martin/Maur (1997), S. 105.

    Google Scholar 

  18. Vgl. Gabriel/Chamoni/Gluchowski (2000), S. 77.

    Google Scholar 

  19. Vgl. Inmon (1996), S. 7.

    Google Scholar 

  20. Vgl. Lochte-Holtgreven (1996), S. 26f.

    Google Scholar 

  21. Vgl. z. B. Martin (1997).

    Google Scholar 

  22. Inmon geht hier von maximal vier Stufen der Datenhaltung aus. Neben den operativen Datenspeichern und dem zentralen Data Warehouse-Datenbestand sind für ihn abteilungsbezogene Datenbestände-hier als Data Marts bezeichnet-sowie die individuellen Daten auf dem einzelnen Endbenutzerrechner relevant. Vgl. Inmon (1996), S. 17ff.

    Google Scholar 

  23. Vgl. Nußdorfer (1996), S. 34.

    Google Scholar 

  24. Ein derartiger Durchgriff auf die operativen Datenbestände kann zwar online erfolgen, allerdings ist häufig noch der Datenaustausch per Diskette, CD oder Speicherstick zu beobachten. Vgl. Holthuis (1998), S. 48f.

    Google Scholar 

  25. Vgl. Mucksch/Behme (2000), S. 55f.; o. V. (1996), S. 34–36.

    Google Scholar 

  26. Quix und Jarke schlagen hier eine zumindest logische Data Warehouse-Komponente vor, die Metadaten-Informationen über die Datenstrukturen der Quellsysteme enthält. Vgl. Quix/Jarke (2000), S. 11.

    Google Scholar 

  27. Vgl. Nußdorfer (1996), S. 34.

    Google Scholar 

  28. Vgl. Anahory/Murray (1997), S. 69.

    Google Scholar 

  29. Vgl. Mucksch/Behme (2000), S. 56–58.

    Google Scholar 

  30. Vgl. Reinke/Schuster (1999), S. 40.

    Google Scholar 

  31. Vgl. Mucksch/Behme (2000), S. 20.

    Google Scholar 

  32. Kimball u. a. bezeichnen derartige Architekturen als „stovepipe data marts“ (Ofenrohr-Data Marts) und wollen dadurch versinnbildlichen, dass eine flächendeckende und übergreifende Informationsversorgung auf diese Weise nicht gelingen kann. Vgl. Kimball/Reeves/Ross/Thornthwaite (1998), S. 154f.

    Google Scholar 

  33. Vgl. Ariyachandra/Watson (2005), S. 20.

    Google Scholar 

  34. Derartige Dimensionen werden dann „conformed dimensions“ (im Sinne von gleichförmig) genannt. Vgl. Kimball/Reeves/Ross/Thornthwaite (1998), S. 156f.

    Google Scholar 

  35. Vgl. Chamoni/Gluchowski/Hahne (2005), S. 32.

    Google Scholar 

  36. Vgl. Bouzeghoub (2000), S. 47f.

    Google Scholar 

  37. Häufig werden bei der Übernahme umfangreicher Datenbestände Massenlader (bulk loader) eingesetzt, die sich dadurch auszeichnen, dass nicht benötigte Funktionen wie Konsistenzprüfungen während des Ladevorganges unterdrückt werden, um zusätzliche Geschwindigkeitsvorteile zu erreichen. Vgl. Kimball/Reeves/Ross/Thornthwaite (1998), S. 621–623; Bauer/Günzel (2004), S. 58.

    Google Scholar 

  38. Vgl. Mucksch/Behme (2000), S. 42.

    Google Scholar 

  39. Vgl. Holthuis (1998), S. 93f.

    Google Scholar 

  40. Vgl. Kemper (1998), S. 192f.

    Google Scholar 

  41. Zu den einzelnen Datenbanktechnologien vgl. Gabriel/Röhrs (1995), S. 114–157, und die Ausführungen in Abschnitt 4.2.1.

    Google Scholar 

  42. Vgl. Holthuis (1998), S. 90f.; Müller (1999), S. 103–112; Wieken (1999), S. 191–192.

    Google Scholar 

  43. Kemper weist darauf hin, dass sich für diesen Teilprozess bislang kein einheitliches Begriffsverständnis etablieren konnte. Alternativ werden hier auch die Begriffe Datenveredlung, Datenaufbereitung sowie „data scrubbing“ verwendet. Vgl. Kemper (1998), S. 191.

    Google Scholar 

  44. Vgl. Bange (2006), S. 92–94.

    Google Scholar 

  45. Vgl. Schelp (2000), S. 116.

    Google Scholar 

  46. Vgl. Widom (1995), S. 2.

    Google Scholar 

  47. Häufig kann beispielsweise beobachtet werden, dass Schlüssel in operativen Systemen aus mehreren Teilen bestehen, die für sich genommen jeweils eine Codierung für ein spezielles Objektattribut darstellen und im Rahmen der Transformation aufgespaltet und decodiert werden müssen. Vgl. Poe/Reeves (1997), S. 60f.

    Google Scholar 

  48. Vgl. Kemper/Finger (2006), S. 126.

    Google Scholar 

  49. Vgl. Inmon/Hackathorn (1994), S. 17f.

    Google Scholar 

  50. Vgl. Anahory/Murray (1997), S. 205ff.

    Google Scholar 

  51. Vgl. Mucksch/Behme (2000), S. 28.

    Google Scholar 

  52. Vgl. auch Dittmar (2004), S. 335; Nußdorfer (1996), S. 18.

    Google Scholar 

  53. Vgl. Mucksch/Behme (2000), S. 22f.; Holthuis (1998), S. 96ff.

    Google Scholar 

  54. In der Literatur finden sich teilweise andere Strukturierungen, die weitere Hauptkomponenten enthalten oder abweichende Aufteilungen vornehmen. Vgl. Mucksch/Behme (2000), S. 14–33; Quix/Jarke (2000), S. 3f.; Bouzeghoub (2000), S. 47f. Bauer und Günzel beschreiben insgesamt zwölf unterschiedliche Bausteine, die für sie zentrale Bedeutung beim Systemaufbau besitzen. Vgl. Bauer/Günzel (2004), S. 31–71.

    Google Scholar 

Download references

Rights and permissions

Reprints and permissions

Copyright information

© 2008 Springer-Verlag Berlin Heidelberg

About this chapter

Cite this chapter

(2008). Datenbereitstellung: Data Warehousing. In: Management Support Systeme und Business Intelligence. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-68269-1_5

Download citation

  • DOI: https://doi.org/10.1007/978-3-540-68269-1_5

  • Publisher Name: Springer, Berlin, Heidelberg

  • Print ISBN: 978-3-540-23543-9

  • Online ISBN: 978-3-540-68269-1

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation