Skip to main content
SpringerLink
Log in

Die abstrakte Syntax multidimensionaler Datenmodelle

  • Chapter
Entwicklung von Data-Warehouse-Systemen

  • 6134 Accesses

Auszug

Im Folgenden sollen zunächst die Besonderheiten der multidimensionalen Modellierung anhand eines Beispiels erläutert werden. Hierbei werden die zentralen Begriffe und Konstrukte allgemeingültig beschrieben, d. h. ohne Bezug zu einer in der Literatur vorhandenen Sprache und Notation. Die Darstellung verschiedener Notationen findet sich in Abschnitt 7.

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 59.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever

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. Vgl. Totok: OLAP, 2000, S. 75 f.

    Google Scholar 

  2. Vgl. Sapia et al.: Extending, 1998, S. 3; Lehner: Data-Warehouse-Systeme, 2003, S. 55; Gabriel, Gluchowski: Notationen, 1998, S. 494.

    Google Scholar 

  3. Vgl. Gabriel, Gluchowski: Modellierungstechniken, 1997, S. 24.

    Google Scholar 

  4. Vgl. Lehner: Data-Warehouse-Systeme, 2003, S. 55 u. 69 f.

    Google Scholar 

  5. Totok nennet eine Liste betriebswirtschaftlicher Strukturtypen, die häufig in multidimensionale Modelle Eingang finden (Totok: OLAP, 2000, S. 87): Zeit, Ausprägung, Unternehmen, Artikel, Vertrieb, Geographie, Kunden, Kontenrahmen, Maßgrößen, Währung, Kennzahl. Ähnlich Gabriel, Gluchowski: Notationen, 1998, S. 496.

    Google Scholar 

  6. Vgl. Gabriel, Gluchowski: Notationen, 1998, S. 498.

    Google Scholar 

  7. Vgl. dazu Abschnitt 7 dieser Arbeit sowie eine Reihe vergleichender Übersichten: Pedersen, Jensen: Data Modeling, 1999; Pedersen: Multidimensional Data, 2000, S. 37 ff.; Bauer, Günzel: Data-Warehouse-Systeme, 2004, S. 157 ff.; Abelló: YAM2, 2002; 113 ff.; Schelp: Modellierung, 1998, S. 158 ff.; Tsois et al.: MAC, 2001; Herden: Entwurfsmethodik, 2001, S. 19 ff.; Sapia et al.: Multidimensional Data Models, 1999.

    Google Scholar 

  8. Vgl. zu den Abstraktionskonzepten McLeod, Smith: Abstraction, 1981, S. 20; Teorey et al.: ER Model, 1989; Elmasri, Navathe: Database Systems, 1994; Hughes: Datenbanken, 1992; Batini et al.: Database, 1992; Mattos, Michels: KRISYS, 1989; Mattos: Abstraction Concepts, 1989; Winter: Abstraktionshierarchien, 1991, S. 19–31; Mylopoulos: Information Modeling, 1998, S. 130; Teorey et al. bezeichnen diese Mechanismen und Konzepte als „Abstraction Grouping“ (Teorey et al.: ER Model, 1989, S. 978); Scheer bezeichnet sie als „Konstruktionsoperatoren“ (Scheer: Wirtschaftsinformatik, 1995, S. 35 ff.).

    Google Scholar 

  9. Vgl. Gabriel, Gluchowski: Notationen 1998, S. 494.

    Google Scholar 

  10. Lehner: Data-Warehouse-Systeme, 2003, S. 54.

    Google Scholar 

  11. Vgl. Sapia et al.: Extending, 1998; Lehner: Data-Warehouse-Systeme, 2003, S. 54 f.

    Google Scholar 

  12. Priebe, Pernul: ADAPTed UML, 2001, S. 11; Bauer, Günzel: Data-Warehouse-Systeme, 2004, S. 179.; Gabriel/Gluchowski weisen ebenfalls auf die Notwendigkeit hin, dass „semantische multidimensionale Datenmodelle nicht nur die relevanten Objektklassen und ihre Beziehungen, sondern auch einzelne Objekte der Diskurswelt abbilden können [müssen].“ Gabriel, Gluchowski: Notationen, 1998, S. 495 u. 497.

    Google Scholar 

  13. Vgl. Mattos, Michels: KRISYS, 1989, S. 159; Mattos: Abstraction Concepts, 1989; Nach Lehner ist Abstraktion eines der allgemeinen Prinzipien bei der Systementwicklung neben Strukturierung, Hierarchisierung, Modularisierung, Lokalität, Wiederverwendung und Standardisierung. Vgl. Lehner et al.: Wirtschaftsinformatik, 1995, S. 293.

    Google Scholar 

  14. Vgl. Batini et al.: Database, 1992, S. 15; Mattos, Michels: KRISYS, 1989; Mattos: Abstraction Concepts, 1989, S. 473; Winter: Abstraktionshierarchien, 1991, S. 19 ff.; Lehner et al.: Wirtschaftsinformatik, 1995, S. 293 f.; Nissen: Separierung, 1997, S. 23. McLeod/Smith betonen dagegen einen anderen Aspekt: „Abstraction is a knowledge manipulation technique, the essential purpose of which is to substitute a description of the essence of a concept for the concept itself. As such, the process of abstraction maps a detailed, specific model of a concept into a higher-level, less detailed one.“ McLeod, Smith: Abstraction, 1981, S. 20.

    Google Scholar 

  15. McLeod, Smith: Abstraction, 1981, S. 20; Smith, Smith: Aggregation, 1977; Smith, Smith: Database Abstraction, 1977.

    Google Scholar 

  16. Vgl. Teorey et al.: ER Model, 1989, S. 978; Mattos: Abstraction Concepts, 1989; Schütte: Referenzmodellierung, 1998, S. 96.

    Google Scholar 

  17. Vgl. Winter: Abstraktionshierarchien, 1991, S. 19.

    Google Scholar 

  18. Vgl. Rautenstrauch, Schulze: Informatik, 2003, S. 230.

    Google Scholar 

  19. Es sei jedoch darauf hingewiesen, dass der Begriff „Klasse“ keineswegs erst bei objektorientierten Ansätzen aufgekommen ist. Er findet sich bspw. schon bei Smith, Smith: Aggregation, 1977; Smith, Smith: Database Abstraction, 1977; Teorey et al.: ER Model, 1989.

    Google Scholar 

  20. Schelp: Modellierung, 2000, S. 242 f.

    Google Scholar 

  21. Vgl. Winter: Abstraktionshierarchien, 1991, S. 21 f.; Scheer: Wirtschaftsinformatik, 1995, S. 36.

    Google Scholar 

  22. Vgl. Hughes: Datenbanken, 1992, S. 81 ff.; Mattos, Michels: KRISYS, 1989, S. 161; Batini et al.:Database, 1992, S.16 f.

    Google Scholar 

  23. Vgl. McLeod, Smith: Abstraction, 1981, S. 20.

    Google Scholar 

  24. Vgl. Mattos: Abstraction Concepts, 1989, S. 479.

    Google Scholar 

  25. Vgl. Schelp: Modellierung, 2000, S. 241; Lehner stellt einen graphbasierten Modellierungsansatz dar, der seine Fundierung im Forschungsgebiet „statistische Datenbanken“ hat (vgl. Lehner: Data-Warehouse-Systeme, 2003, S. 59 ff.). Hierbei werden innerhalb einer Hierarchie Knoten mit unterschiedlicher Semantik modelliert, neben den Ausprägungen auch sog. Kategorienknoten. Anders als in diesem Ansatz werden hier die Ausprägungs-und die Typebene getrennt und nicht innerhalb einer Hierarchie dargestellt.

    Google Scholar 

  26. Vgl. Batini et al.: Database, 1992, S. 16 f.; Elmasri, Navathe: Database Systems, 1994, S. 634 f.; Hughes: Datenbanken, 1992, S. 81 ff.

    Google Scholar 

  27. Vgl. Mattos: Abstraction Concepts, 1989.

    Google Scholar 

  28. Vgl. Lehner: Data-Warehouse-Systeme, 2003, S. 65 ff.

    Google Scholar 

  29. Vgl. Bauer, Günzel: Data-Warehouse-Systeme, 2004, S. 177 ff.

    Google Scholar 

  30. Gruppierung (Grouping) und Assoziation werden häufig synonym verwendet, bspw. bei Hull, King: Database Modelling, 1987; Peckham, Maryanski: Data Models, 1988.

    Google Scholar 

  31. Vgl. Mattos: Abstraction Concepts, 1989, S. 479; Winter: Abstraktionshierarchien, 1991, S. 22 f.

    Google Scholar 

  32. Vgl. Scheer: Wirtschaftsinformatik, 1995, S. 40; Mattos: Abstraction Concepts, 1989, S. 497; Mattos, Michels: KRISYS, 1989, S. 162.

    Google Scholar 

  33. Mattos: Abstraction Concepts, 1989, S. 480 f.; Winter: Abstraktionshierarchien, 1991, S. 21 f.; Winter spricht von „Assoziationskriterium“ anstatt von Mitgliedschaftsbedingung.

    Google Scholar 

  34. Mattos unterscheidet explizit zwischen Aggregation und Assoziation. Sie sind semantisch relativ ähnlich mit dem Unterschied, dass die Aggregation Existenzabhängigkeit voraussetzt, d. h. ein Objekt der höheren Ebene nicht ohne die Teile aus denen es besteht existieren kann. Diese Differenzierung wird hier nicht weiter verfolgt, da im Bereich der multidimensionalen Modellierung die Existenzabhängigkeit in der geschilderten Form keine Rolle spielt. Zu beachten ist, dass bei der Datenmodellierung mit ERMs häufig eine andere Form der Aggregation zum Einsatz kommt. Bei dieser werden Entitätstypen und die Beziehungen zwischen ihnen zu globalen Entitätstypen zusammengefasst (vgl. Stahlknecht, Hasenkamp: Wirtschaftsinformatik, 2005, S. 169 f.; Teorey et al.: ER Model, 1989).

    Google Scholar 

  35. Vgl. Mattos: Abstraction Concepts, 1989, S. 479 ff.

    Google Scholar 

  36. Schelp fasst im Gegensatz dazu die Definition von Knotentypen (hier ist die Rede von Dimensionsebenen) als Generalisierung auf. Vgl. Schelp: Modellierung, 2000, S. 242 f. sowie Schelp: Modellierung, 1998, S. 271.

    Google Scholar 

  37. Vgl. Mattos: Abstraction Concepts, 1989, S. 476; McLeod, Smith: Abstraction, 1981, S. 21; Smith, Smith: Database Abstraction, 1977, S. 115; Peckham, Maryanski: Data Models, 1988, S. 169; bei der objektorientierten System-und Softwareentwicklung findet sich bei der Generalisierung/Spezialisierung dagegen vornehmlich eine „Is-a-Beziehung“.

    Google Scholar 

  38. Ähnlich Sapia et al.: Extending, 1998.

    Google Scholar 

  39. Vgl. Lehner: Data-Warehouse-Systeme, 2003, S. 65.

    Google Scholar 

  40. Funktionale Abhängigkeit beschreibt semantische Integritätsbedingungen bezüglich der Attribute eines Relationenschemas, die jederzeit erfüllt sein müssen. Zwischen zwei Attributen A und B existiert funktionale Abhängigkeit (A → B) genau dann, wenn für jedes a ∈ A genau ein b ∈ B existiert. Lehner: Data-Warehouse-Systeme, 2003, S. 58.

    Google Scholar 

  41. Formal lässt sich dies allgemeiner ausdrücken: ∃i (1 ≤ i ≤ n) ∀j (1 ≤ j ≤ n, i ≠ j): DKi → DKj; vgl. Lehner: Data-Warehouse-Systeme, 2003, S. 65.

    Google Scholar 

  42. Vgl. Hettler et al: Vergleich, 2003, S. 98; Herden: Entwurfsmethodik, 2001, S. 24.

    Google Scholar 

  43. Vgl. Schelp: Modellierung, 2000, S. 142 ff. u. 243 ff.; Holthuis: Data Warehouse-System, 1999, S. 130 f.; Totok: OLAP, 2000, 93 f.

    Google Scholar 

  44. Vgl. Schelp: Modellierung, 2000, S. 242 ff.

    Google Scholar 

  45. Vgl. Gabriel, Gluchowski: Modellierungstechniken, 1997, S. 24.

    Google Scholar 

  46. Vgl. hierzu Trujillo et al.: Designing, 2001, S. 67 f.; sie bezeichnen Heterarchien als „nonstrict classification hierarchies“; Totok: OLAP, 2000, S. 93 f., er spricht von anteiliger Verdichtung.

    Google Scholar 

  47. Vgl. Herden: Entwurfsmethodik, 2001, S. 21.

    Google Scholar 

  48. Vgl. Schelp: Modellierung, 2000, S. 142 f.; Hahne: Star Schema-Modellierung, 2001, S. 16 f.; Holthuis: Data Warehouse-System, 1999, S. 130 f.

    Google Scholar 

  49. Vgl. Schelp: Modellierung, 2000, S. 243 ff.

    Google Scholar 

  50. Vgl. Hettler et al.: Vergleich, 2003, S. 98.

    Google Scholar 

  51. Vgl. hierzu Trujillo et al.: Designing, 2001, S. 67 f., sie bezeichnen dies als „complete classification hierarchies“; Totok: OLAP, 2000, S. 93 f.; er spricht anschaulich von „ungleiche Tiefe der Blätter“.

    Google Scholar 

  52. Vgl. Schelp: Modellierung, 2000, S. 143 f.; Holthuis: Data Warehouse-System, 1999, S. 130 f.

    Google Scholar 

  53. Vgl. Schelp: Modellierung, 2000, S. 246 f.; dies ist der einzige Fall, den Totok vorsieht (Totok: OLAP, 2000, S. 93 f.).

    Google Scholar 

  54. Vgl. Bauer, Günzel: Data-Warehouse-Systeme, 2004, S. 179.

    Google Scholar 

  55. Vgl. Totok: OLAP, 2000, S. 94.

    Google Scholar 

  56. Vgl. Totok: OLAP, 2000, S. 93 f.; Schelp: Modellierung, 2000, S. 144 f.; ebenso Hahne: Datenmodellierung, 1998, S. 9 f.; vgl. hierzu Trujillo et al.: Designing, 2001, S. 67 f., sie bezeichnen dies als „multiple and alternative path classification hierarchies“; führt man, wie hier geschehen, einen Top-Hierarchieknoten ein bzw. eine Top-Dimensionsebene, so entfallen die „multiple hierarchies“ und es existieren lediglich alternative Pfade in den Hierarchien.

    Google Scholar 

  57. Vgl. Totok: OLAP, 2000, S. 93.

    Google Scholar 

  58. Lehner et al. nennen ein weiteres, vielleicht anschaulicheres Beispiel: Sie unterscheiden die Produktgruppen Video und Haushaltsgeräte. Für die Produktgruppe Video wäre eine Ausweisung nach dem dimensionalen Attribut Videosystem denkbar und durchaus aus Sicht der Anwendung sinnvoll. Eine Ausweisung der Produktgruppe Haushaltsgeräte, welche ebenfalls Element der Produktdimension ist, nach Videosystem würde jedoch keinen Sinn ergeben. Vgl. Lehner, Albrecht: Aggregate, 1998.

    Google Scholar 

  59. Vgl. Lehner: Data-Warehouse-Systeme, 2003, S. 66 f. und 94 ff.; Trujillo et al.: Designing, 2001, S. 67 f., sie bezeichnen dimensionale Attribute als „Categorization of dimensions“

    Google Scholar 

  60. Vgl. Tsois et al.: MAC, 2001.

    Google Scholar 

  61. vgl. Totok: OLAP, 2000, S. 93 f.; Lehner: Data-Warehouse-Systeme, 2003, S. 98 ff.

    Google Scholar 

  62. Vgl. Hettler et al.: Vergleich, 2003, S. 97; Lehner: Data-Warehouse-Systeme, 2003, S. 54 f.

    Google Scholar 

  63. Deutlich unterschiedliche Auffassungen finden sich bei Lehner: Data-Warehouse-Systeme, 2003, S. 67; Sapia et al.: Extending, 1998, S. 3; Golfarelli et al.: Dimensional Fact Model, 1998; Trujillo et al.: Designing, 2001; Gabriel, Gluchowski: Notationen, 1998, S. 498.

    Google Scholar 

  64. Weber: Controlling, 1999, S. 217; Vgl. Küpper, Weber: Grundbegriffe, 1995, S. 173.

    Google Scholar 

  65. Wesentliche Funktionen sind: Informationsfunktion (bedarfsgerechte Informationsbereitstellung zur Analyse von Sachverhalten); Operationalisierungsfunktion (Bildung von Kennzahlen zur Operationalisierung von Zielen und Zielerreichung); Anregungsfunktion (laufende Erfassung von Kennzahlen, um Auffälligkeiten und Veränderungen zu erkennen); Priorisierungs-und Vorgabefunktion (Ermittlung kritischer Kennzahlenwerte als Zielgrössen für unternehmerische Teilbereiche); Kommunikations-und Steuerungsfunktion (Verwendung von Kennzahlen zur Vereinfachung von Kommunikations-und Steuerungsprozessen); Kontrollfunktion (laufende Erfassung von Kennzahlen, um Soll-Ist-Abweichungen zu erkennen). Vgl. Weber: Controlling, 1999, S. 205; Wolf: Kennzahlensysteme, 1977, S. 15 ff.; Küpper, Controlling, 1995, S. 320; Küpper, Weber: Grundbegriffe, 1995, S.172.

    Google Scholar 

  66. Bspw.: Coenenberg: Jahresabschluss, 1997, S. 841.

    Google Scholar 

  67. Vgl. Wolf: Kennzahlensysteme, 1977, S. 9 ff.; ähnlich: Weber: Controlling, 1999, S. 222 f.

    Google Scholar 

  68. Vgl. Coenenberg: Jahresabschluss, 1997, S. 577; Reinecke: Marketing-Kennzahlensysteme, 2000, S. 8.

    Google Scholar 

  69. Oeller: Systemorientierte Unternehmensführung, 1979, S. 124.

    Google Scholar 

  70. Weber: Controlling, 1999, S. 220.

    Google Scholar 

  71. Vgl. Reinecke: Marketingkennzahlensysteme, 2001, S. 326 ff. Detaillierter zur Entwicklung von Kennzahlensystemen: Heinen: Entscheidungen, 1976.

    Google Scholar 

  72. Die so entstehenden Kennzahlensysteme weisen einen hohen Grad an Geschlossenheit auf. Jedoch sagen diese tautologischen Umformungen nicht unbedingt etwas über eine Ursache-Wirkungsbeziehung aus und „begründen lediglich eine schwache Mittel-Zweck-Vermutung“ (Heinen: Entscheidungen, 1976, S. 129). Die Kennzahlensysteme sind daher nur mit Einschränkungen auf konkrete Entscheidungsprobleme bezogen. Vgl. hierzu Küpper: Controlling, 1995, S. 329.

    Google Scholar 

  73. Vgl. Coenenberg: Jahresabschluss, 1997, S. 577 ff.; Gabriel, Gluchowski: Modellierungstechniken, 1997, S. 20 ff.; Lehmann: Meta-Datenmanagement, 2001, S. 29 ff.; Holthuis: Data Warehouse-System, 1999, S. 41 ff.

    Google Scholar 

  74. Vgl. Lehmann: Meta-Datenmanagement, 2001, S. 30; Gabriel, Gluchowski: Notationen, 1998, S. 496.

    Google Scholar 

  75. Vgl. Gabriel, Gluchowski: Notationen, 1998, S. 494; Lehmann: Meta-Datenmanagement, 2001, S. 30.

    Google Scholar 

  76. Vgl. Becker, Holten: Führungsinformationssysteme, 1999, S. 486; Bauer/Günzel bspw. verwenden den Begriff „Fakten“ gar nicht, sondern beziehen Kennzahlen (sie sprechen von Kenngrößen) direkt auf Würfel bzw. Würfelzellen: „Kenngrößen sind die Inhalte von Würfeln. Diese sind im Rahmen der Analyse oft quantitativ, da häufig aggregiert wird.“ Und: „Das Schema eines Würfels wird durch Dimensionen und Kenngrößen bestimmt.“ Bauer, Günzel: Data-Warehouse-Systeme, 2004, S. 528 und S. 530.; vgl. für weitere Begriffsauffassungen Fußnote 496.

    Google Scholar 

  77. Gabriel, Gluchowski: Notationen, 1998, S. 495; Sapia et al.: Extending, 1998, S. 3.

    Google Scholar 

  78. Bauer/Günzel definieren Granularität als „Stufe des Verdichtungsgrades der Daten im Würfel“ (Bauer, Günzel: Data-Warehouse-Systeme, 2004, S. 528). In der hier verwendeten Terminologie wird demnach der Verdichtungsgrad durch Hierarchie-bzw. Dimensionsknoten beschrieben. Vgl. auch Gabriel, Gluchowski: Modellierungstechniken, 1997, S.24.

    Google Scholar 

  79. Vgl. dazu wiederum S. 150.

    Google Scholar 

  80. Vgl. Prosser, Ossimitz: Modell, 2000, S. 150; Prosser, Ossimitz: Data Warehouse, 2001.

    Google Scholar 

  81. Vgl. Prosser, Ossimitz: Modell, 2000, S. 150.

    Google Scholar 

  82. Vgl. Prosser, Ossimitz: Modell, 2000, S. 149.

    Google Scholar 

  83. Vgl. Becker, Holten: Führungsinformationssysteme, 1999, S. 486.

    Google Scholar 

  84. Vgl. Stahlknecht, Hasenkamp: Wirtschaftsinformatik, 2005, S. 212; Lehner et al.: Wirtschaftsinformatik, 1995, 300 ff.

    Google Scholar 

Download references

Rights and permissions

Reprints and permissions

Copyright information

© 2006 Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden

About this chapter

Cite this chapter

(2006). Die abstrakte Syntax multidimensionaler Datenmodelle. In: Entwicklung von Data-Warehouse-Systemen. DUV. https://doi.org/10.1007/978-3-8350-9178-8_6

Download citation

Publish with us

Policies and ethics

Search

Navigation