Zusammenfassung
In der aktuellen Diskussion um den Aufbau effizienter Business-Intelligence-Architekturen mit der Notwendigkeit, die Heterogenität an Strukturen, Daten und Anforderungen zu beherrschen, sind zunehmend Aspekte der Agilität -im Sinn von Time to Market- sowie der Kostensenkung für Entwicklung und Betrieb relevant. Die Datenbewirtschaftungsprozesse im Data Warehouse sind vermehrt im so genannten 24x7 Modus zu betreiben und bedürfen einer Entzerrung unter expliziter Berücksichtigung von Performance-Aspekten auch in Real-Time -Umgebungen.
Durch die zunehmende Globalisierung von Unternehmen entstehen auch immer globalere Data Warehouse Lösungen, in denen eine stringente Trennung in Online-Zeit und Batch-Zeit nach herkömmlichen Mustern über alle Bereiche hinweg nicht mehr anzutreffen ist. Eine Entzerrung der Prozesse der Datenintegration für unterschiedliche Service Level und heterogene Lademuster ist daher gefordert.
Konzepte der Virtualisierung und des Self-Service BI sind in diesem Zusammenhang aktuelle Möglichkeiten, den Herausforderungen zu begegnen. Vor diesem Hintergrund werden in diesem Aufsatz Architektur und Modellierung für Business-Intelligence-Systeme diskutiert.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Für eine Übersicht der verschiedenen Architekturvarianten siehe auch KeBM14 S. 21 ff. Zu Aspekten der Agilität siehe auch (Göhl und Hahne 2011, S. 12 ff.).
- 2.
Die Übertragung der Methoden agiler Softwareentwicklung auf die Domäne Business Intelligence wird eingehend in (Hughes 2008) diskutiert.
- 3.
In einer Studie aus 2006 wurde die Bedeutung und Verbreitung einzelner Architekturformen untersucht. Demzufolge ist die Hub-and-Spoke Architektur mit knapp 40% am weitesten verbreitet, unabhängige Data Marts kamen nur bei gut 10 % der befragten Unternehmen zum Einsatz (Ariyachandra und Watson 2006).
- 4.
Zum Begriff der Granularität siehe auch [Hahn05, S. 23].
- 5.
Eine ähnliche Betrachtung in (Imhoff et al. 2003 S. 389 ff.) betont die Aspekte der Komplexität und des Aufwands für Wartung und Weiterentwicklung.
- 6.
Die Ankermodellierung ist nicht mit dem Anchor-Modeling zu verwechseln. Beide sind zwar in der Domäne Business Intelligence angesiedelt, jedoch ist Anchor-Modeling eine Variante der Gestaltung, die zu Modellen in der sechsten Normalform führt und in der vereinfacht ausgedrückt jedes Attribut in einer eigenen Entität abgebildet ist.
- 7.
Eine sehr umfassende Darstellung der Data-Vault-Methode gibt (Hultgren 2012).
- 8.
Dies gilt sinngemäß auch für die so genannten Bridge-Tabellen im Data Vault, die ebenfalls zur Verbesserung der Performance Verknüpfungen von Link-Tabellen mit weiteren Tabellen persistieren.
- 9.
Eine detailliert Darstellung verschiedener Formen von Link-Tabellen, u. a. auch für rekursive Beziehungen, ist bei (Hultgren 2012, S. 93 ff.) aufgeführt.
- 10.
SID steht hier für Surrogate Identifier, ein künstlicher Schlüssel.
Literatur
Abelló, A., Martín, C.: A bitemporal storage structure for a corporate data warehouse, Technical Paper, Universitat Politècnica de Catalunya (2003)
Adamson, C.: Star Schema – The Complete Reference. Wiley Publishing, New York (2011)
Ariyachandra, T., Watson, H.J.: Which data warehouse architecture is most successful? Bus. Int. J. 11(1), 4–6 (2006)
Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business Intelligence. 2. Auflage. Springer-Verlag, Berlin, Heidelberg (2008)
Göhl, R., Hahne, M.: Bessere Architektur, Organisation und Methodik, BI-Spektrum, 6. Jg., Heft 2, S. 10–15 (2011)
Hahne, M.: SAP Business Information Warehouse – Mehrdimensionale Datenmodellierung. Springer-Verlag. Berlin, Heidelberg (2005)
Hahne, M.: Lifecycle management – Neue Architektur für das data warehouse. In: Gluchowski, P., et al. (Hrsg.) Schlaglichter der Wirtschaftsinformatik, GUC-Verlag, Chemnitz 2007, S. 157–166 (2007)
Hahne, M.: Architektur und Modellierung für skalierbare flexible Data Warehouse Systeme. In: Felden, C., Krebs, S., Stock, S. (Hrsg.) Perspektiven der Business Intelligence – Festschrift anlässlich des 60, S. 59–70. Geburtstages von Peter Chamoni, München (2011)
Hahne, M.: Modellierung von Business-Intelligence-Systemen – Leitfaden für erfolgreiche Projekte auf Basis flexibler Data-Warehouse-Architekturen, Edition TDWI. dpunkt, Heidelberg (2014)
Hahne, M., Böttiger, W.: Push with Enterprise Data Warehousing – Improving performance and Stability, BI-Spektrum, 1. Jg., Heft 1, S. 34–36 (2006)
Haupt, J., Hahne, M.: Next generation enterprise data warehousing, E-3, S. 82–84 (Mai 2007)
Hughes, R.: Agile Data Warehousing – Delivering World-Class Business Intelligence Systems Using Scrum and XP. Morgan Kaufmann, Bloomington (2008)
Hultgren, H.: Modeling the Agile Data Warehouse with Data Vault. New Hamilton, Stockholm (2012)
Imhoff, C., Galemmo, N., Geiger, J.G.: Mastering Data Warehouse Design – Relational and Dimensional Techniques. John Wiley & Sons, Indianapolis (2003)
Inmon, W.H.: The Problem with Dimensional Modeling, DM Review (May 2000)
Inmon, W.H., Imhoff, C., Sousa, R.: Corporate Information Factory, Wiley, 2nd ed. New York (2001)
Inmon, W.H., Strauss, D., Neishloss, G.: DW 2.0 – The Architecture for the Next Generation of Data Warehousing. Morgan Kaufmann, Amsterdam (2008).
Johnston, T., Weis, R.: Managing Time in Relational Databases. Morgan Kaufmann, Burlington (2010)
Kemper, G., Finger, R.: Transformation operativer Daten – Konzeptionelle Überlegungen zur Filterung, Harmonisierung, Aggregation und Anreicherung im Data Warehouse. In: Chamoni, P., Gluchowski, P. (Hrsg.) Analytische Informationssysteme – Data Warehouse, On-Line Analytical Processing, Data Mining, 4. Aufl., Springer, S. 159–174. Berlin (2010)
Kemper, H.-G., Baars, H., Mehanna, W.: Business Intelligence – Grundlagen und praktische Anwendungen. 4. Aufl. Viehweg, Wiesbaden (2014)
Kimball, R., Ross, M.: The Data Warehouse Toolkit – The Complete Guide to Dimensional Modeling, 2 Aufl. Wiley, John Wiley & Sons, New York (2002)
Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., Becker, B.: The Data Warehouse Lifecycle Toolkit – Practical Techniques for Building Data Warehouse and Business Intelligence Systems, John Wiley & Sons, 2 Aufl. New York (2008)
Linstedt, D.: Super Charge Your Data Warehouse. Dan Linstedt-Verlag (2010)
Rönnebeck, L., Regardt, O., Bergholtz, M., Johannesson, P., Wohed, P.: Anchor Modelling – Agile Information Modeling in Evolving Data Environments, Stockholm University (2010)
Sinz, E.J., Ulbrich-vom-Ende, A.: Architektur von Data-Warehouse-Systemen. In: Chamoni, P., Gluchowski, P. (Hrsg.) Analytische Informationssysteme, 4. Aufl., S. 175–196. Springer, Heidelberg (2010)
Snodgrass, R.T.: Developing Time-Oriented Database Applications in SQL. Morgan Kaufmann, San Francisco (2000)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2016 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Hahne, M. (2016). Architekturkonzepte und Modellierungsverfahren für BI-Systeme. In: Gluchowski, P., Chamoni, P. (eds) Analytische Informationssysteme. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-47763-2_8
Download citation
DOI: https://doi.org/10.1007/978-3-662-47763-2_8
Published:
Publisher Name: Springer Gabler, Berlin, Heidelberg
Print ISBN: 978-3-662-47762-5
Online ISBN: 978-3-662-47763-2
eBook Packages: Business and Economics (German Language)