Zusammenfassung
Traditionelle und klassische relationale Datenmodellierung en, die während der Entwurfsphase einer Datenbank erstellt werden, basieren meist auf dem Entity-Relationship-Modell . Hierbei werden durch Relationen die Attribute einer oder mehrerer Entität en logisch in Zusammenhang gebracht, sodass Teile oder Ausschnitte aus den realen Zusammenhängen modelliert werden bzw. durch logische Schemata ausgedrückt werden können. Inwieweit so entstandene Modelle die realen Gegebenheiten korrekt, vollständig und redundanzfrei wiedergeben, hängt neben den Eigenschaften und den Fähigkeiten des eingesetzten Datenbanksystems auch vom durchgeführten Grad der Normalisierung en ab.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Es existieren in der Literatur Studien, die eine Erweiterung des Entity-Relationship-Modells vorschlagen, um komplexe dispositive Daten besser darstellen zu können.
- 2.
Die graphbasierte Modellierung behandelt die sogenannten statistischen Tabellen. Statistische Tabellen sind Tabellen bestehend aus einer Kopfzeile (auch Aufriss genannt) und seitlichen Untergliederungen (auch Seitenriss genannt), bei denen oft über die Zeilen und Spalten Summen gebildet und in der Tabelle abgelegt werden. Bei der graphbasierten Modellierung werden die konzeptionellen Schemata als Graphen beschrieben und dargestellt. Hierbei wird ein gerichteter Objektgraph konstruiert, der nicht zyklisch ist und die kategorisierenden Daten samt deren Attribute den Benutzern zwecks Navigation durch den Datenbestand zur Verfügung stellt. Die Knoten des Objektgraphen sind entweder vom Typ Cluster -Knoten (C) – diese entsprechen Gruppierungen innerhalb einer Hierarchie von Kategorien – oder vom Typ Kreuzprodukt(X) – diese ermöglichen über eingehende Cluster-Knoten die Mehrdimensionalität. Für weitergehende Informationen wird auf die Literatur hingewiesen.
- 3.
Es existieren zahlreiche weitere semantische und konzeptionelle Modellierungsansätze und Modellierungsvorschläge im akademischen Umfeld und in der Literatur. Neben diversen Erweiterungen des Entity-Relationship-Verfahrens können auch multidimensionale UML (mUML) erwähnt werden, bei denen die Anwendungsbereiche und Informationsstrukturen formal beschrieben werden. Ein Nachteil dieser Modellierung ist die unzureichende Semantik für multidimensionale Datenmodelle. Für weiterführende Informationen wird auf die Literatur und zahlreiche Publikationen der internationalen Konferenzen bezüglich der Datenmodellierung und des Data Engineering verwiesen.
- 4.
Vgl. Lehner (2003, S. 64).
- 5.
Vgl. Bauer und Günzel (2004, S. 163 und S. 177).
- 6.
Vgl. Bauer und Günzel (2004, S. 103).
- 7.
Ein Attribut A ist von einem Attribut B funktional abhängig \(A \to B\), wenn jedem Wert a \(\in dom(A)\) genau ein \(b \in dom(B)\) zugeordnet werden kann.
- 8.
Aggregationen sind Operationen auf Daten, die eine Verdichtung von Daten von einer feineren zu einer gröberen Granularität mittels einer Aggregatfunktion vornehmen. Eine Aggregationsfunktion verdichtet einen Datenbestand bestehend aus n Einzelwerten auf einen einzelnen Wert. Standardaggregationsfunktion en sind SUM(), AVG(), MIN(), MAX() und Count(). Beispielweise bildet die Aggregationsfunktion SUM() die Menge {2, 6, 9, 3} auf die Zahl 20 ab.
- 9.
Vgl. Albrecht (2001, S. 87).
- 10.
Vgl. Jarke et al. (2000, S. 8).
- 11.
Es existieren verschiedene Hierarchiestrukturen und Hierarchietypen für Dimensionen, z. B. balancierte und nicht balancierte Hierarchien.
- 12.
Vgl. Bauer und Günzel (2004, S. 177–179).
- 13.
Vgl. Bauer und Günzel (2004, S. 178).
- 14.
Vgl. Saake et al. (2008, S. 628f).
- 15.
Vgl. Lehner (2003, S. 67).
- 16.
Vgl. Bauer und Günzel (2004, S. 179f).
- 17.
Vgl. Lehner (2003, S. 68).
- 18.
Vgl. Bauer und Günzel (2004, S. 184).
- 19.
Vgl. Lehner (2003, S. 70–72).
- 20.
Vgl. Bauer und Günzel (2004, S. 185).
- 21.
Vgl. Saake et al. (2008, S. 670).
- 22.
Vgl. Bauer und Günzel (2004, S. 179).
- 23.
Vgl. Bauer und Günzel (2004, S. 180).
- 24.
Vgl. Lehner (2003, S. 69).
- 25.
Vgl. Bauer und Günzel (2004, S. 177–185).
References
Jarke M, Vassiliou Y, Vassiliadis P (2000) Fundaments of data warehouses. Springer, Berlin, Heidelberg, New York.
Lehner W (2003) Datenbanktechnologie für Data-Warehouse-Systeme, Konzepte und Methoden 1. Auflage. dpunkt.verlag, Heidelberg.
Saake G, Sattler K-U, Heuer A (2008) Datenbanken Konzepte und Sprachen 3. aktualisierte und erweiterte Auflage. Redline, Heidelberg.
Albrecht J (2001) Anfrageoptimierung in Data-Warehouse-Systemen auf Grundlage des multidimensionalen Datenmodells. Institut für Informatik- Dissertation, Universität Erlangen-Nürnberg.
Bauer A, Günzel H (2004) Data Warehouse Systeme Architektur, Entwicklung, Anwendung. dpunkt.verlag, Heidelberg.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2011 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Farkisch, K. (2011). Multidimensionale Datenmodellierung . In: Data-Warehouse-Systeme kompakt. Xpert.press. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-21533-9_3
Download citation
DOI: https://doi.org/10.1007/978-3-642-21533-9_3
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-21532-2
Online ISBN: 978-3-642-21533-9
eBook Packages: Computer Science and Engineering (German Language)