Skip to main content
SpringerLink
Log in
Book cover

Transformation operativer Daten zur Nutzung im Data Warehouse pp 81–141Cite as

Analyseorientierte Informationssysteme

  • Chapter

  • 178 Accesses

Zusammenfassung

Informationen sind ein wesentliches Element des betriebswirtschaftlichen Geschehens und ein bedeutsamer Faktor im Prozeß der Leistungserstellung im Unternehmen.281 Im vorhergehenden Kapitel wurden Möglichkeiten und Infrastrukturen beschrieben, Informationen für das operative Geschehen im Unternehmen datenbankbasiert zu speichern und zu verarbeiten.

This is a preview of subscription content, 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   49.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD   59.99
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

Learn about institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Vgl. Wacker (1971), S. 41; Picot/Franck (1988), S. 544.

    Google Scholar 

  2. Vgl. Behme/Mucksch (1998b), S. 13.

    Google Scholar 

  3. Zu den Gründen für dieses Scheitern vgl. z.B. Chamoni/Gluchowski (1998b), S. 8ff.

    Google Scholar 

  4. Vgl. Picot/Franck (1988), S. 544.

    Google Scholar 

  5. Entgegen dieser Begriffsverwendung wird in der englischsprachigen Literatur unter einem Management Information System teilweise auch die Gesamtheit der Informations- und Kommunikationssysteme einer Organisation verstanden, vgl. Laudon/Laudon (1994), S. 21; Davis/Olson (1985), S. 6ff.; Davis (1997c), S. 138; Stahlknecht/Hasenkamp (1997), S. 426;.

    Google Scholar 

  6. Zu einer ausführlichen Beschreibung der Merkmale von Managementinformationssystemen vgl. Gluchowski/Gabriel/Chamoni (1997), S. 150ff.

    Google Scholar 

  7. Vgl. Gluchowski/Gabriel/Chamoni (1997), S. 162f.; Koreimann (1971), S. 10f.

    Google Scholar 

  8. Vgl. Chamoni/Gluchowski (1998b), S. 7.

    Google Scholar 

  9. Vgl. für eme ausführlichere Beschreibung zu Decision Support Systemen Gluchows-ki/Gabriel/Chamoni (1997), S. 165ff.

    Google Scholar 

  10. Vgl. auch Mertens/Griese (1993), S. 4.

    Google Scholar 

  11. Vgl. Schinzer(1996), S. 57.

    Google Scholar 

  12. Vgl. Gluchowski/Gabriel/Chamoni (1997), S. 195.

    Google Scholar 

  13. Geläufige synonyme Bezeichnungen sind z.B. Chefinformationssystem (CIS) oder Führungsinformationssystem (FIS). Vgl. zu Executive Information Systemen Gluchowski/Gabriel/Chamoni (1997), S. 20Iff.

    Google Scholar 

  14. Gluchowski/Gabriel/Chamoni (1997), S. 216.

    Google Scholar 

  15. Vgl. Chamoni/Gluchowski (1998b), S. 8f.

    Google Scholar 

  16. Chamoni/Gluchowski (1998b), S. 9.

    Google Scholar 

  17. Vgl.o.V.(1994), S. 14ff.

    Google Scholar 

  18. Vgl. Devlin/Murphy (1988).

    Google Scholar 

  19. Vgl. Hackathorn (1993), S. 25If.

    Google Scholar 

  20. Vgl. Meyer/Cannon (1998), S. ixf. Auch Rudin (1996) und Chaudhuri/Dayal (1997), S. 65, nennen Werte in dieser Größenordnung als Prognose für 1998.

    Google Scholar 

  21. Vgl. z.B. Gluchowski (1997), S. 48; Holthuis/Mucksch/Reiser (1995), S. 10; Chamoni/Glu-chowski (1998b), S. 13.

    Google Scholar 

  22. Zur Rolle externer Informationen bei der Entscheidungsunterstützung vgl. Mertens (1998b), S. 16ff.; Behme/Mucksch (1998a), S. 86ff.

    Google Scholar 

  23. Vgl. zu diesen Merkmalen z.B. Inmon/Hackathorn (1994), S. 3ff.; Hackathorn (1995), S. 38; Mucksch/Behme (1998b), S. 40ff.

    Google Scholar 

  24. Vgl. Meyer/Cannon (1998), S. 21; Devlin (1997), S. 162f.

    Google Scholar 

  25. Vgl. Hackathorn (1993), S. 227f.

    Google Scholar 

  26. Vgl. z.B. Behme (1996), S. 36.

    Google Scholar 

  27. Vgl. z.B. Meyer/Cannon (1998), S. 27f.; Schinzer/Bange (1998), S. 46; Holthuis/Mucksch/Rei-ser(1995), S. 15f.

    Google Scholar 

  28. Vgl. zum OLAP-Begriff z.B. Gluchowski/Gabriel/Chamoni (1997), S. 282; Chamoni (1998), S. 233ff.; Chamoni/Gluchowski (1998c), S. 404ff.; Jahnke/Groffmann/Kuppa (1996), S. 321ff.

    Google Scholar 

  29. Vgl. zu den OLAP-Regeln Codd/Codd/Salley (1993). Beschrieben werden diese Regeln z.B. bei Chamoni (1998), S. 233ff.; Chamoni/Gluchowski (1998c), S. 404ff., und Holthuis (1998a), S. 52ff.

    Google Scholar 

  30. Z.B. durch Buytendijk (1995). 3,1 Vgl. Holthuis (1998b), S. 148f.

    Google Scholar 

  31. Genaugenommen müßte von einem Quader gesprochen werden, weil die Kantenlänge (Anzahl der Ausprägungen der Dimensionen) hier keineswegs immer gleich sein muß. Trotzdem wird bei der gängigen Bezeichnung „Würfel” geblieben.

    Google Scholar 

  32. Höhere Dimensionen lassen sich bei schnell abnehmender Anschaulichkeit z.B. durch nebeneinandergestellte Würfel visualisieren.

    Google Scholar 

  33. Vgl. Schelp (1998), S. 266f.; Hahne (1998b), S. 9f.

    Google Scholar 

  34. Vgl. insbesondere zur Hierarchisierung der Zeitdimension Yazdani/Wong (1998), S. 46f.

    Google Scholar 

  35. Vgl. Gabriel/Gluchowski (1997), S. 25.

    Google Scholar 

  36. Vgl. Schelp(1998), S.268f.

    Google Scholar 

  37. Vgl. z.B. Codd/Codd/Salley (1993); Buytendijk (1995); W.-R. Hansen (1996), S.431; Sa-pia/Höfling/Dinter (1997).

    Google Scholar 

  38. Vgl. Bissantz (1998), S. 325.

    Google Scholar 

  39. Vgl. Holthuis (1998b), S. 152.

    Google Scholar 

  40. Vgl. Kenan Technologies (1995), S. 16f.

    Google Scholar 

  41. Vgl. hierzu z.B. Raden (1996), Kimball (1996), S. lOff.; Yazdani/Wong (1998), S. 51ff.; Hahne (1998a) S. 110ff. Eine Vielzahl von Anwendungsbeispielen zeigen Silverson/Inmon/Graziano (1997), S. 265ff.

    Google Scholar 

  42. Vgl. Poe (1996), S. 121.

    Google Scholar 

  43. Hahne (1998a), S. 110.

    Google Scholar 

  44. Vgl. Red Brick Systems (1995), S. 4.

    Google Scholar 

  45. Vgl. Chaudhuri/Dayal (1997), S. 69f.

    Google Scholar 

  46. Vgl. Hahne (1998a), S. 11 Iff.

    Google Scholar 

  47. Vgl. Hahne (1998a), S. 112f.; Chaudhuri/Dayal (1997), S. 70.

    Google Scholar 

  48. Vgl. Chaudhuri/Dayal (1997), S. 70.

    Google Scholar 

  49. Vgl. Hahne (1998a), S. 120f.; McGuff (1998).

    Google Scholar 

  50. Vgl. Kimball (1996), S. 95ff.

    Google Scholar 

  51. Vgl. Edelstein (1995), S. 1ff.

    Google Scholar 

  52. Vgl. Red Brick Systems (1995), S. 13ff.; Holthuis (1998b), S. 178f.

    Google Scholar 

  53. Vgl. McGuff (1998).

    Google Scholar 

  54. Potentiell auftretende Geschwindigkeitsprobleme bei Anfragen an so modellierte Datenbestände, die sich aus den Charakteristika relationaler Anfragesprachen ergeben, sowie Verbesserungsansätze diskutiert z.B. Holthuis (1998b), S. 180ff.

    Google Scholar 

  55. Vgl. Gabriel/Gluchowski (1997), S. 29f.

    Google Scholar 

  56. Ansätze semantischer Modelle für mehrdimensionale Daten strukturen zeigen Hahne/Schelp (1997), S. 15ff., sowie Golfarelli/Maio/Rizzi (1998), S. 334ff.

    Google Scholar 

  57. Holthuis (1998a), S. 139ff., untersucht in diesem Zusammenhang insbesondere die Entity-Relationship-Methode und objektorientierte Modellierungsmethoden.

    Google Scholar 

  58. Vgl. Meyer/Cannon (1998), S. 79.

    Google Scholar 

  59. So werden zunehmend die vom OLAP-Council aufgestellten Begriffsdefinitionen (vgl. OLAP-Council (1995)) in der Terminologie der Hersteller aufgegriffen. Beim OLAP-Council handelt es sich um eine von mehreren Herstellern entsprechender Produkte getragene Organisation, die der produktorientierten Forschung dienen soll und durch Standardisierung Interoperabilität ermöglichen will. Vgl. zur Selbstdarstellung dieser Organisation OLAP-Council (1997). Microsoft entwickelt für Middleware zum Zugriff auf Datenbanken Erweiterungen für die Abfrage mehrdimensionaler Datenbanken (vgl. Microsoft (1997)), wobei eine Nutzung durch möglichst viele Hersteller von OLAP-Datenbanken angestrebt wird.

    Google Scholar 

  60. Vgl. Gabriel/Gluchowski (1997), S. 20.

    Google Scholar 

  61. Zu ADAPT vgl. Bulos (1996).

    Google Scholar 

  62. Vgl. Bulos (1996), S. 34.

    Google Scholar 

  63. Eine ausführlichere Beschreibung der Notationselemente von ADAPT sowie ein Fallbeispiel zur Modellierung mit dieser Methode findet sich bei Totok/Jaworski (1998), S. 19ff.

    Google Scholar 

  64. Vgl. Bulos (1996), S. 38.

    Google Scholar 

  65. Bewertungen zu ADAPT finden sich in Gabriel/Gluchowski (1997), S. 31f., und in Holthuis (1998a), S. 163f.

    Google Scholar 

  66. Hahne (1998b), S. 15ff., zeigt am Beispiel von drei Produkten den Aufbau mehrdimensionaler Datenmodelle in OLAP-Datenbanken.

    Google Scholar 

  67. Vgl. Hahne (1998b), S. 48f.

    Google Scholar 

  68. Konkrete Überlegungen zu diesen Aspekten finden sich z.B. in Anahory/Murray (1997), S. 135ff. (Software) und 155ff. (Hardware); Kimball et al. (1998), S. 335ff.; Chan (1997), S. 230ff.

    Google Scholar 

  69. In Anlehnung an Müller (1998), S. 81.

    Google Scholar 

  70. Vgl. Mucksch/Holthuis/Reiser (1996), S. 423.

    Google Scholar 

  71. Vgl. Chaudhuri/Dayal (1997), S. 65.

    Google Scholar 

  72. Vgl. z.B. Inmon (1996), S. 18f.; Scheer (1996); Winterkamp (1995); Bontempo/Zagelow (1998), S. 40f.

    Google Scholar 

  73. In Anlehnung an Scheer (1996), S. 75.

    Google Scholar 

  74. Vgl. Chaudhuri/Dayal (1997), S. 65f.

    Google Scholar 

  75. Vgl. z.B. Lehmann/Ellerau (1997), S. 81f.; Schinzer/Bange (1998), S. 45.

    Google Scholar 

  76. Vgl. Chaudhuri/Dayal (1997), S. 65f.; Anahory/Murray (1997), S. 325f.

    Google Scholar 

  77. Vgl. Mucksch/Behme (1998b), S. 49.

    Google Scholar 

  78. Vgl. Abschnitt 3.1.1.

    Google Scholar 

  79. Vgl. z.B. Kemper/Finger (1998), S. 72f.

    Google Scholar 

  80. Vgl. Mucksch/Behme (1998b), S. 49.

    Google Scholar 

  81. Vgl. z.B. Kenan Technologies (1995).

    Google Scholar 

  82. Vgl. Mucksch/Behme (1998b), S. 69f., wo auch Vor- und Nachteile dieses Konzepts diskutiert werden.

    Google Scholar 

  83. Vgl. Inmon (1996), S. 197; Bontempo/Zagelow (1998), S. 41.

    Google Scholar 

  84. Vgl. Mucksch/Behme (1998b), S. 71f.; Inmon (1996), S. 198ff.; Devlin (1997), S. 366ff.; Kimballetal. (1998), S. 28.

    Google Scholar 

  85. Vgl. Abschnitt 2.3.3.2.

    Google Scholar 

  86. In Anlehnung an Kenan Technologies (1995), S. 26, und Inmon (1996), S. 25.

    Google Scholar 

  87. Vgl. zu einer Diskussion dieses Konzepts Schinzer et al. (1997), S. 20ff.; Mucksch/Behme (1998b), S. 73f. Ein Beispielprodukt für ein virtuelles Data Warehouse wird in Aberdeen Group (1995) beschrieben.

    Google Scholar 

  88. Vgl. zur Funktionalität von Middleware auch Tresch (1996), S. 249ff.

    Google Scholar 

  89. Vgl. Schwarzkopf (1997).

    Google Scholar 

  90. Vgl. zu den Komponenten eines Datenbanksystems Gabriel/Röhrs (1995), S. 256ff.

    Google Scholar 

  91. Vgl. zu einer Wertung des Data Warehouse unter Datenschutzaspekten Möller (1998), S. 558f., und Möncke (1998), S. 564ff.

    Google Scholar 

  92. Vgl. Inmon (1996), S. 161ff.; Schinzer et al. (1997), S. 31f.

    Google Scholar 

  93. Zur Messung der Leistungsfähigkeit von Datenbanksystemen, aus der auch Anhaltspunkte über das Antwortzeitverhalten gewonnen werden können, lassen sich „Benchmarks” einsetzen. Vgl. Gluchowski/Hahne (1998), S. 72ff.

    Google Scholar 

  94. Vgl. O’Neill/Quass (1998), S. 543ff. Hier werden vor diesem Hintergrund die Indexierungs-techniken „Bitmap”, „Bit-Slice” und „Projection Index” beschrieben und in bezug auf die Data Warehouse-Anforderungscharakteristik bewertet. Gluchowski (1998d), S. 16ff., beschreibt die Einsetzbarkeit herkömmlicher Indexierungstechniken im Data Warehouse-Kontext.

    Google Scholar 

  95. Eine Diskussion verschiedener Speichermedien unter Data Warehouse-Gesichtspunkten erfolgt in Meyer/Cannon (1998), S. 103ff.

    Google Scholar 

  96. Vgl. Inmon (1996), S. 57ff. Ein Anwendungsbeispiel beschreibt Scalzo (1996), S. 67ff.

    Google Scholar 

  97. Vgl. Schinzer et al. (1997), S. 31f.

    Google Scholar 

  98. Vgl. Gluchowski (1998b), S. 16 und 20.

    Google Scholar 

  99. Vgl. Mucksch/Behme (1998b), S. 55.

    Google Scholar 

  100. Gluchowski (1998b), S. 19, nennt eine Grenze von ca. 20 GB.

    Google Scholar 

  101. Ein Beispiel zeigen Holthuis (1998b), S. 170ff., sowie Kenan Technologies (1995), S. 13.

    Google Scholar 

  102. Vgl. zu dieser Problematik Chamoni (1998), S. 24Iff.

    Google Scholar 

  103. Vgl. Holthuis (1998a), S. 189.

    Google Scholar 

  104. Vgl. zu den folgenden Ausführungen zu technischen Merkmalen multidimensionaler Datenbanksysteme Meyer/Cannon (1998), S. 78ff.

    Google Scholar 

  105. Vgl. Raden (1995); Holthuis (1998a), S. 186.

    Google Scholar 

  106. Vgl. Mucksch/Behme (1998b), S. 55; Gluchowski (1998b), S. 19.

    Google Scholar 

  107. Vgl. Bischoff (1994), S. 27ff.

    Google Scholar 

  108. In operativen Datenbanksystemen spielen sie dagegen kaum eine Rolle, da hier primär De-taildaten verarbeitet werden.

    Google Scholar 

  109. Mit dem Begriff der Granularität wird der Detaillierungsgrad der Daten beschrieben, vgl. Inmon (1996), S. 45ff. Je detaillierter die Datenbestände, desto niedriger ist nach dieser Terminologie die Granularität.

    Google Scholar 

  110. Vgl. Bischoff (1994), S. 31; Inmon (1996), S. 48.

    Google Scholar 

  111. Vgl. Inmon (1996), S.45f.

    Google Scholar 

  112. Vgl. Anahory/Murray (1997), S. 69; Mucksch/Behme (1998b), S. 45f.; Gluchowski (1998b), S. 16.

    Google Scholar 

  113. Vgl. Mucksch/Behme (1998b), S. 45f.

    Google Scholar 

  114. Vgl. Gluchowski (1998b), S. 16.

    Google Scholar 

  115. Vgl. Schinzer et al. (1997), S. 23.

    Google Scholar 

  116. Vgl. Behme (1996), S. 35f.; Miley (1998), S. 80f.

    Google Scholar 

  117. Zu diesem Konzept vgl. auch Anahory/Murray (1997), S. 71 f.

    Google Scholar 

  118. Vgl. Schinzer/Bange (1998), S. 45.

    Google Scholar 

  119. Vgl. Inmon (1997b).

    Google Scholar 

  120. Vgl. z.B. Inmon (1997a); Martin (1998), S.131.

    Google Scholar 

  121. Vgl. Chamoni/Gluchowski (1998c), S. 433.

    Google Scholar 

  122. In Anlehnung an Gluchowski (1998a), S. 1174f.

    Google Scholar 

  123. Vgl. Gluchowski (1998a), S. 1174ff., sowie ausführlicher Gluchowski (1998c), S. 188ff.

    Google Scholar 

  124. Mertens/Griese (1993), S.41, weisen allerdings darauf hin, daß Berichte vielfach wenig bedarfsgerecht erzeugt und kaum gelesen werden („Zahlenfriedhöfe”).

    Google Scholar 

  125. Vgl. Gluchowski/Gabriel/Chamoni (1997), S. 275f.; Schinzer et al. (1997), S. 56ff.

    Google Scholar 

  126. Beispielanwendungen zeigt Totok (1998), S. 170ff.

    Google Scholar 

  127. Vgl zu den Operationen für mehrdimensionale Datenmodelle Abschnitt 3.2.1.

    Google Scholar 

  128. Vgl. Bissantz/Hagedorn (1993), S. 481.

    Google Scholar 

  129. Vgl. Fayyad/Piatetsky-Shapiro/Smyth (1996), S. 2ff.

    Google Scholar 

  130. Vgl. Moxon (1996) sowie o.V. (1997), wo auch zahlreiche Beispiele für den Einsatz von Data Mining im Data Warehouse-Umfeld beschrieben werden.

    Google Scholar 

  131. Vgl. Scheer (1996), S. 75; Bissantz/Hagedorn/Mertens (1998), S. 458f.; Brooks (1997). Beispiele für eine Anwendung von Data Mining für betriebswirtschaftliche Fragestellungen zeigen Mertens/Bissantz/Hagedorn (1997), S. 186ff.

    Google Scholar 

  132. Vgl. zur Bedeutung sowie zu Struktur und Inhalt von Metadaten im Umfeld analyseorientierter Informationssysteme auch Devlin (1997), S. 52ff.; Holthuis (1998a), S, 99ff.; Brackett (1996), S. 185ff., sowie Poe (1996), S. 170f.

    Google Scholar 

  133. Vgl. z.B. Devlin (1997), S. 54ff.; Gardner (1997), S. 65f.; Gardner (o.J.), S. 4; Moriarty/Green-wood (1996), S. 78ff.; Moriarty/Mandraccia (1996), S. 70ff.; Muksch (1997), S. C811.08.

    Google Scholar 

  134. Vgl. White (1995).

    Google Scholar 

  135. Vgl. zu betriebswirtschaftlichen Kennzahlensystemen z.B. Kiiting (1983); Meyer (1994).

    Google Scholar 

  136. Vgl. Abschnitt 3.2.

    Google Scholar 

  137. Vgl. Abschnitt 3.2.

    Google Scholar 

  138. Beispiele werden ausführlich in Wieken (1998), S. 299ff., beschrieben.

    Google Scholar 

  139. Vgl. Gabriel/Röhrs (1995), S. 271.

    Google Scholar 

  140. Verschiedene Indextypen für Data Warehouse-Umgebungen werden in O’Neill/Quass (1998) erläutert.

    Google Scholar 

  141. Vgl. Devlin (1997), S. 56f. Beispiele zeigt Zell (1997), S. 299f.

    Google Scholar 

  142. Entsprechende Modellierungsmethoden beschreibt z.B. Scheer (1998).

    Google Scholar 

  143. Vgl. hierzu Hammer (1997), S. 30f.

    Google Scholar 

  144. Date (1986), S. 160, eigene Übersetzung.

    Google Scholar 

  145. Vgl. Hufford (1997), S. 229.

    Google Scholar 

  146. Vgl. Gardner (1997), S. 66; Gardner (o.J.), S. 5.

    Google Scholar 

  147. Angelehnt an Wells/Carnelley (1996), S. 93.

    Google Scholar 

  148. Vgl. Wells/Carnelley (1996), S. 93.

    Google Scholar 

  149. Vgl. Wells/Carnelley (1996), S. 82.

    Google Scholar 

  150. Vgl. Abschnitt 2.4.2.

    Google Scholar 

  151. Vgl. White (1995).

    Google Scholar 

  152. Vgl. Gardner (o.J.), S. 5.

    Google Scholar 

  153. Vgl. z.B. Chaudhuri/Dayal (1997), S. 73.

    Google Scholar 

  154. Vgl. Hufford (1997), S. 259.

    Google Scholar 

  155. Organisationen, die sich mit der Standardisierung von Metadaten befassen, sind das Metadata Council und die EIA (Electronic Industries Association)-CDIF-Division. Vgl. Metadata Coalition (1996), Ernst (1997a) sowie Ernst (1997b).

    Google Scholar 

  156. Vgl. Gleason (1997a), S. 171.

    Google Scholar 

  157. Vgi Wells/Carnelley (1996), S. 71.

    Google Scholar 

  158. Vgl. Wells/Carnelley (1996), S. 71.

    Google Scholar 

  159. Vgl. Gleason (1997a), S. 172.

    Google Scholar 

  160. Vgl. Hammer (1997), S. 31f.

    Google Scholar 

  161. Vgl. Gausden/Mason (1997), S. 272.

    Google Scholar 

  162. Vgl. Hammer (1997), S. 31 f.

    Google Scholar 

  163. Vgl. zu den Betriebsarten z.B. Gabriel (1997), S. 63.

    Google Scholar 

  164. „Significant Business Events” (Welch (1997), S. 176).

    Google Scholar 

  165. Vgl. Riehm/Vogler (1996), S. 28. Nach dieser Definition kann aus dem Blickwinkel des Gesamtsystems auch die Transformationskomponente selbst als Middleware bezeichnet werden, ermöglicht sie doch die transparente Kommunikation zwischen dem Data Warehouse und den Datenquellen. Vgl. Gausden/Mason (1997), S. 255ff.

    Google Scholar 

  166. So werden Werkzeuge im Data Warehouse-Umfeld vielfach mit Schnittstellensoftware ausgestattet, die einen unmittelbaren Zugriff auf die marktbedeutenden relationalen Datenbanksysteme wie z.B. Oracle oder DB/2 (IBM) erlaubt, während die Schnittstellen zu weniger verbreiteten Systemen über die standardisierte Schnittstelle ODBC realisiert werden. Vgl. Small/Edel-stein(1997), S. 172.

    Google Scholar 

  167. Vgl. Gleason (1997a), S. 171f.; Wells/Carnelley (1996), S. 8. Kirchner (1998), S. 264ff., beschreibt ausgewählte Produkte.

    Google Scholar 

Download references

Authors
  1. Jochen Müller
    View author publications

    You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

© 2000 Springer Fachmedien Wiesbaden

About this chapter

Cite this chapter

Müller, J. (2000). Analyseorientierte Informationssysteme. In: Transformation operativer Daten zur Nutzung im Data Warehouse. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-09052-6_3

Download citation

  • DOI: https://doi.org/10.1007/978-3-663-09052-6_3

  • Publisher Name: Deutscher Universitätsverlag, Wiesbaden

  • Print ISBN: 978-3-8244-7073-0

  • Online ISBN: 978-3-663-09052-6

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation