Data Warehouse


Das Data Warehouse als Datenbasis für Business Intelligence und FIS

Durch die zunehmende Bedeutung der Information als Produktfaktor, stellt der Informationsvorsprung, durch unternehmensweiten Zugriff auf strategisch wichtige Daten, einen Wettbewerbsvorteil dar. Diese zielgerichtete Die integrative Bereitstellung von internen und auch externen Daten für die Nutzung als Basis für qualifizierte Entscheidungen  ist die Aufgabe eines Data Warehouses. Die Eigenschaften der Daten eines Data Warehouse sollen nach Immon :

  • an Themen orientiert
  • integriert
  • nicht flüchtig (ältere Daten) und
  • zeitbezogen (time slicing) sein.

Motivation für den Betrieb eines Data Warehouse

Die Erwartungen an ein Datenbanksystem umfassen die schnelle und besonders genaue Verwaltung der im Unternehmen auftretenden Daten.

Um Daten zu finden, die von anderen Personen abgespeichert wurden, benötigt man oftmals viel Zeit. Manchmal findet man die Daten auch einfach nicht, und es entstehen unnötige Kosten durch Fehl-entscheidungen. Die Dateneingabe sollte schnell und übersichtlich funktionieren.

Ein Data Warehouse ist eine Datenbank, die alle Daten eines Unternehmens sammelt, sortiert, gegebenenfalls verdichtet und archiviert. Des weiteren wird das Auffinden bestimmter Daten erleichtert. Das Data Warehouse bietet im Idealfall die Möglichkeit zu jedem beliebigen Zeitpunkt jede Information abrufen zu können.

Entwicklung der Data Warehouses

Am Anfang der 80er Jahre wurde erstmals ein neues System erwähnt unter den Schlagworten Data Supermarket und Super Databases.

1988 stellte IBM sein European Business Information System vor, das 1991 in Information Warehouse umbenannt wurde. Es war ein internes Projekt, dessen Konzept Produkte, Mechanismen und Vorgehensweisen beinhaltete die zur Überwindung der Heterogenität und Bewältigung des Informationsüberschusses führten. Das Ziel dieses Projektes ist die Unterstützung autorisierter Personen bei Entscheidungen, mittels zuverlässiger, zeitrichtiger, genauer und verständlicher Geschäfts-informationen.

In den darauffolgenden Jahren wurde erstmals das Data Warehouse- Konzept von verschiedenen Software- und Beratungsunternehmen als Dienstleistungspaket angeboten.

Begriff, Ziele, Charakteristika von Data Warehouses

„Mit dem Begriff Data Warehouse wird generell eine von den operationalen DV-Systemen isolierte Datenbank umschrieben, die als unternehmensweite Datenbasis für alle Ausprägungen management-unterstützender Systeme dient und durch eine strikte Trennung von operationalen und entscheidungsunterstützenden Daten und Systemen gekennzeichnet ist“[1]

Ein Data Warehouse stellt die neuste Entwicklung im Bereich der Informationsstrategien für das Management dar. Es soll vor allem die Qualität der Daten sicherstellen. Unter der Berücksichtigung dieser Qualitätskriterien bei der Konzeption des Data Warehouse kann die Informationsversorgung für Entscheidungsträger erheblich verbessert werden.

In der effizienten Bereitstellung und Verarbeitung großer Datenmengen für die Durchführung von Auswertungen und Analysen in entscheidungs-unterstützenden Prozessen liegt der Fokus des Data Warehouse- Konzeptes. Voraussetzung dafür, ist eine zweckneutrale Speicherung von Daten, d.h., es ist nicht für jeden Auswertungszweck einer Datensammlung eine eigene Datenhaltung und -pflege nötig. Die aus den operationalen DV-Systemen gewonnenen Daten in einem Data Warehouse entsprechen einer solchen Datensammlung. Es können außerdem unternehmensexterne Daten einspeichert werden.

Das Data Warehouse wird in bestimmten Zeitabständen aktualisiert und erweitert. Die Abstände werden individuell vom Unternehmen festgelegt. Dadurch baut sich ein immer größer werdender Datenbestand auf, der ein Vielfaches der Datenmengen eines operationalen DV-Systems beinhaltet.

„Ein Data Warehouse ist im wesentlichen durch die Merkmale Orientierung an unternehmensbestimmten Sachverhalten, Zeitraumbezug, Struktur- und Formatvereinheitlichung und Nicht-Volatilität gekennzeichnet.“

Orientierung an unternehmensbestimmten Sachverhalten

Innerbetriebliche Abläufe und Funktionen spielen bei der Konzeption eines Data Warehouse nur eine Nebenrolle. Der überwiegende Teil Sachverhalte beinhaltet Daten und Informationen, die das Handeln und den Erfolg des Unternehmens bestimmen.

Zeitraumbezug

Die Daten und Informationen eines Data Warehouse werden benötigt, um die Entwicklung eines Unternehmens in einem bestimmten Zeitraum zu repräsentieren. Desweiteren werden Sie für die Erkennung und Untersuchung von Trends herangezogen. Hieraus ist zu erkennen, daß eine zeitpunktgenaue Betrachtung der Daten nicht sinnvoll ist. Daher beträgt der in einem Data Warehouse abgebildete Zeithorizont bis zu 10 Jahre.

Struktur und Formvereinheitlichung

Da es bei operationalen Datenbanksystemen zu Datenredundanzen und damit verbundene Inkonsistenzen im Datensystem kommt, wird eine unternehmensweite Integration von Daten in einem einheitlich gestalteten System angestrebt. Desweiteren können semantische Inkonsistenzen auftreten, wie z.B. die Unterschiede bei Rechtsgrundlagen für das Rechnungswesen in internationalen Unternehmen.

Es gibt verschiedene Vorkehrungen, um in einem Data Warehoue eine konsistente Datenhaltung im Sinne einer Struktur- und Formatvereinheitlichung zu erreichen.

  • Für alle Daten müssen eindeutige Beziehungen vorliegen, die in einem Meta- Informationssystem den Endbenutzern und Entwicklern des Data Warehouses zur Verfügung gestellt werden. In einem Bereich der operationalen DV-Systeme kann es zu Überschneidungen bei der Definition eines Attributes kommen. Das können z.B. identischer Daten sein, die unterschiedlich benannt wurden (Synonyme) oder es sind unterschiedliche Datenfelder mit der gleichen Bezeichnung (Homonyme).
  • Ebenfalls müssen die Datenformate angepaßt werden. So kann es z.B. sein das bestimmte Attribute unterschiedliche Abkürzungen besitzen. Ein weiteres Beispiel ist die Anpassung der Werteinheiten zur Größen- und Mengebestimmung. Hier muß eine Basismaßeinheit festgelegt werden.
  • Es können Umsetzungstabellen angelegt werden, um eine semantische Integrität herzustellen, die beispielsweise die Währungsumrechnung unterstützen.
  • Nicht-Volatilität: „Mit dem Begriff Volatilität wird der Grad beschrieben, mit dem sich Daten im Laufe der normalen Nutzung ändern.“

Die eingespeicherten Daten in einem Data Warehouse werden nach einer möglichst fehlerfreien Übernahme nur in Ausnahmefällen aktualisiert und verändert, zum Beispiel. wenn bei der Übernahme aus den operationalen DV-Systemen fehlerhafte Daten erfasst wurden. Um die Nicht-Volatilität zu sichern sind nur Leserechte gegeben.

Architektur eines Data Warehouse

Die Inputschicht ist die Schnittstelle zwischen dem Data Warehouse und den internen, sowie externen Datenquellen. Die Outputschicht ist die Verbindung zu den auf das Data Warehouse aufsetzenden Komponenten, dem Direktanwender, den Data Marts und der Information Factory.

Das Data Warehouse soll eine Ideallösung darstellen. Es ist ein Versuch, Auswertungen auf mehreren Giga- (Tera-)byte großen Datenbanken durchzuführen. Um eine bessere Überschaubarkeit zu erhalten, ist es oft sinnvoll, diese Datenbank in kleinere überschaubare Einheiten, den Data Marts zu zerlegen. Sie sind ein bewusst redundant gehaltener Ausschnitt des Data Warehouse. Das ihnen zugrunde liegende Datenmodell entspricht dem des Data Warehouse. Data Marts sind leichter zu pflegen und können mit 20% der gesamten Daten 80% der Anfragen abdecken, da sie herauskristallisierte Kerninformationen beinhalten.

Die Information Factory besitzt oft ihre eigene Datenhaltung und greift auf die Daten des Data Warehouse zu.

Die Implementierung eines Operational Data Store (ODS) kann sinnvoll erscheinen, wenn Entscheidungsträger nach zeitpunktaktuelle Daten fragen. Er dient als Überbrückung der zwischen den Datenübernahmen entstehenden Zeitspanne. Ein ODS überträgt einen kleinen und zeitpunktaktuellen Teil entscheidungsrelevanter Daten. Er speichert auch schon verdichtete Daten, die einen kurzen Zeitraum abbilden. Die Daten können managementunterstützenden Systemen zur Verfügung gestellt werden um kurzfristige Auswertungen und Analysen durchzuführen. Man kann einen ODS als eine Art Zwischenspeicher betrachten, der die Informationen zwischen den Datenübernahmen in ein Data Warehouse aufnimmt und speichert.

Innerhalb eines Meta- Datenbanksystems werden, um den Zugriff des  Endbenutzers zu erleichtern, und die Herkunft der Daten zu doku-mentieren, Informationen gespeichert, über die im ODS gespeicherten Daten, verwendete Datenquellen u.s.w.


Komponenten und Funktionen eines Data Warehouse

Ein Data Warehouse umfaßt vier Komponenten die in diesem Abschnitt näher beschrieben werden. Dazu gehören die eigentliche Datenbasis, Transaktionsprogramme zur Datengewinnung aus verschiedenen Quellen, Archivierungs- und Meta- Datenbanksysteme.

Data-Warehouse-Datenbasis

Eine Datenbasis bildet den Kern des Data Warehouse- Konzepts, die sowohl aktuelle als auch historische Daten aus allen Unternehmens-bereichen in unterschiedlichen Verdichtungsstufen enthält. Dabei müssen die bereits erwähnten Merkmale berücksichtigt werden.

Es ist sinnvoll, die entscheidungsunterstützenden Daten aus dem Bereich der operationalen DV-Systeme auszugliedern.

Das hat folgende Gründe:

  • Die operationalen DV-Systeme sind auf die Verarbeitung der Daten aus dem statischen Tagesgeschäft ausgerichtet. Im Gegensatz zu den managementunterstützenden Systemen, die eine effiziente Verarbeitung sequentiell gelesener Datensätze voraussetzen und sich durch eine flexible Anpassung an den Informationsbedarf der Entscheidungsträger auszeichnen sollten.
  • Die an den betriebswirtschaftlichen Abläufen und Funktionen ausgerichteten Datenstrukturen der operationalen Systeme, sind nicht für managementunterstützende Systeme geeignet. Daher ist die Ausrichtung an unternehmensbestimmten Sachverhalten notwendig. Das Data Warehouse- Konzept beinhaltet damit die Erzeugung, Verarbeitung und Speicherung aggregierter Daten.
  • Bei managementunterstützenden Systemen ist die Systembelastung sehr unregelmäßig. Auf kurzzeitige Höchstbelastung folgt eine Phase niedriger Belastung. Das kann zur Folge haben, das beim Zugriff auf operationale Datenbeständen eine Überlastung der Systeme erfolgen kann. Weiterhin sind Auswertungen der operationalen Datenbestände zu einem späteren Zeitpunkt schwer nachvollziehbar, da sie sich ständig ändern.

Die Data Warehouse- Datenbasis sollte also aktuelle und historische Daten aus allen eingebundenen Unternehmensbereichen enthalten.

Bezüglich der Struktur eines Data Warehouses sind bei der Konzeption folgende Gestaltungsaspekte zu berücksichtigen:

Datenverdichtung und Granularität

„Mit dem Begriff Granularität wird der Detaillierungsgrad der Daten beschrieben“. Eine sehr niedrige Granularität wird erreicht, wenn Daten seht detailliert sind. Je verdichtet sie werden, desto mehr steigt die Granularität.

Eine hohe Granularität ist aus DV- technischer Sicht von Vorteil, wenn nicht genügend Speicherplatz zur Verfügung steht, oder die Netzbelastung gesenkt werden soll. Im Gegensatz zur Sicht der Entscheidungsträger, die eine niedrigere Granularität anstreben, um z.B. genauere Auswertungen zu erarbeiten.

Um allen gerecht zu werden, wird eine mehrstufige Granularität eingesetzt. Der Verdichtungsgrad richtet sich beispielsweise nach dem Alter der Daten. Die Verdichtung erfolgt entweder auf Datenbank- oder Programmebene. Verwendete Zeitintervalle und Verdichtungsstufen sind unternehmensindividuell festzulegen.

Partitionierung

Partionierung der Datenbestände ist auch unter dem Begriff Fragmentierung bekannt. Bei Durchführung der Partionierung wird er gesamte Datenbestand des Data Warehouses in mehrere kleine, physisch selbständige Partitionen mit redundanzfreien Datenbeständen aufgeteilt. Kleinere Dateneinheiten lassen sich in bezug auf Restrukturierung, Reorganisation Datensicherung und Monitoring einfacher verarbeiten als große Datenbestände. Allerdings erfordert die Partionierung eine Data Warehouses bei der Erstellung des Datenmodells, der Datenübernahme aus den operationalen DV-Systemen und der Durchführung von Auswertungen und Analysen, die auf Daten verschiedener Partitionen zugreifen, einen erhöhten Aufwand. Die Formen der Partitionierung werden durch technische und betriebswirtschaftliche Eigenschaften bestimmt.

Denormalisierung

In relationalen Datenbanken werden Relationen i.d.R. in der dritten Normalform implementiert, um referentielle Integrität und Datenkosistenz zu gewährleisten. Mit dem Begriff Denormalisierung wird eine Vorgehensweise beschrieben, bei der ein Übergang zur nächsten Normalform aus Gründen der Praktikabilität wieder rückgängig gemacht oder gar nicht erst ausgeführt wird. Ziel der Denormalisierung ist bekanntlich die Reduktion der Datenbankzugriffe, die im Rahmen einer Auswertung und Analyse anfallen, um so eine Entlastung der verwendeten Hard- und Software und somit eine Verbesserung des Antwortzeitverhaltens des Data Warehouses zu erreichen. Hierfür wird ein Anstieg des Speicherplatzbedarfs der denormalisierten Daten, bedingt durch die Entstehung von Redundanzen, sowie ein erhöhter Aufwand zur Erhaltung der referentiellen Integrität und Datenkonsistenz in Kauf genommen.

Transformationsprogramme

Die Transformationsprogramme bilden die zweite Komponente eines Data Warehouse zur Übernahme unternehmensexterner und –interner Daten. Ein Idealfall wäre, wenn sie die einzige Schnittstelle von operationalen Systemen und externer Datenquellen zum Data Warehouse bilden. Sie müssen die Daten aus den unterschiedlichen operativen Systemen herausfiltern, diese Daten transformieren, in das Data Warehouse transportieren und laden.

In der Inputschicht wird das Extrahierungskonzept eingesetzt. Es ist für die Qualität der gewonnen Daten von Bedeutung und bestimmt gleichzeitig den Nutzen für die Entscheidungsträger. Die internen und externen Daten werden zusammengeführt und thematisch strukturiert. Damit wird die Grundlage für spätere Geschäftsprozesse geschaffen.

Die Inputschicht enthält dazu zwei Prozeßschritte:

1) Die Zusammenführung relationaler und nicht relationaler Datenquellen erfolgt über technische Transformationsregeln.

2) Die Daten werden vorveredelt in Form betriebswirtschaftlicher Aufbereitung. Es erfolgt eine stufenweise Verdichtung.

Ein effizientes Arbeiten der Transformationsprogramme ist Voraussetzung, da das Volumen der zu übernehmenden und transformierenden Daten zunimmt und die Nutzung des Data Warehouse ansteigt. In welchem Zeitraum eine Aktualisierung des Data Warehouse stattfindet, wird durch individuelle betriebswirtschaftliche Anforderungen und dem DV- technischen Voraussetzungen bestimmt.

Bei der Implementierung eines Data Warehouse werden historische Daten aus den archivierten und aktuelle Datenbestände der operationalen DV-Systems übernommen. Es erfolgt die Reproduktivsetzung und in regelmäßigen Abständen eine Aktualisierung der Datenbestände.

Archivierungssystem

Archivierungssysteme decken den Bereich der Datensicherung und -archivierung ab.

Bei der Datensicherung wird die Wiederaufbereitung der Daten nach einem Systemfehler oder Programmabsturz sichergestellt.

Das Archivierungssystem soll die Produktivität erhöhen, indem es notwendige Informationen und Dokument sofort bereitstellt und genügend Speicherkapazität zur Verfügung stellt. Eine Datenarchivierung ist deshalb notwendig, weil das Datenvolumen in einem Data Warehouse zu sehr ansteigen würde. Die Daten der untersten Detailstufen werden aus diesem Grunde ausgelagert.

Meta- Datenbanksystem

Meta- Daten bezeichnen vereinfacht gesagt „Daten über Daten“ und sind somit eine Abstraktion betrieblicher Datenobjekte. Erst in Verbindung mit Meta- Daten gewinnen die gespeicherten operativen Daten an Bedeutung.

In einem Meta- Datenbanksystem werden u.a. Informationen über alle Data Warehouse- Komponenten gespeichert und verwaltet. Es soll allen Benutzern ein schnelles und sicheres Auffinden der benötigten Daten und Informationen ermöglichen.

Das Meta- Datenbanksystem ist also eine Art Hilfesystem für den Endbenutzer, bestehend aus einem Informationskatalog und einer Navigationshilfe. Der Informationskatalog beschreibt die Informationsobjekte in der Terminologie der Endbenutzer. Die Navigationshilfe unterstützt ein selbständiges und problemorientiertes Navigieren in Meta- Datenbeständen.

Organisationsformen des Data Warehouses

Die Bestimmung der Struktur eines Data Warehouses erfolgt zum größten Teil durch den Aufbau und die Organisation des Unternehmens, die vorhanden DV-Infrastruktur und die Planung über die zukünftige Entwicklung des DV-Bereiches. Das Data Warehouse kann als Datenbasis managementunterstützender Systeme zentral oder dezentral eingesetzt werden. Geographische, technische, organisatorische und rechtliche Aspekte spielen dabei eine entscheidende Rolle.

Zentrale Organisationsform

Wenn in einem Unternehmen ein zentraler DV- Bereich betrieben wird, ist es sinnvoll eine zentrales Data Warehouse anzulegen.

Der unkomplizierte Zugriff auf die Daten aller Unternehmensbereiche, die zentrale Pflege, die geringe Netzbelastung u.s.w. sind Vorteile, die ein zentrales Data Warehouse auszeichnen. Aber es gibt auch Nachteile, wie z.B. erschwerte Zugriffe auf Daten ausgelagerter Unternehmensbereiche, die untergeordnete Berücksichtigung von Informationsbedarfen der Entscheidungsträger die nicht in der Zentrale arbeiten und das Antwortzeitverhalten.

Auch wenn operationale DV-Systeme dezentral betrieben werden können die bereits aufgeführten Vor- und Nachteile eintreten, bei der Implementierung eines zentralen Data Warehouse. Es müssen aber geeignete Transformationsprogramme eingesetzt werden, da nicht alle operationalen Systeme gleiche Datenmodelle zur Grundlage haben.

Dezentrale Organisationsformen

Die Implementierung eines Data Warehouse als verteilte Datenbasis ist dann sinnvoll, wenn den ausgegliederten Unternehmensbereichen ein direkter Zugriff auf die Daten ermöglicht werden soll, und die operationalen DV-Systeme bereits dezentral eingerichtet wurden.

Es lassen sich zwei denkbare Alternativen für verteilte Data Warehouse- Strukturen unterscheiden:

Zum Einen die vollständig verteilte Data Warehouse- Struktur und zum Anderen die verteilte Data Warehouse- Struktur mit globalem Data Warehouse.

Bei einer vollständig verteilten Data Warehouse- Struktur liegt der Vorteil in der Verfügbarkeit aller lokalen Daten in allen Unternehmensbereichen. Die Flexibilität ist sehr hoch, da die vorhandene Client-/ Server-Umgebung genutzt wird. Es können aber hohe Netzbelastungen auftreten, besonders bei unternehmensweiten Analysen und Auswertungen durch die Unternehmenszentrale.Wird in dem Unternehmen ein globales Data Warehouse eingeführt, kann dieser Nachteil behoben werden, da benötigte Daten für unternehmensweite Analysen und Auswertungen zentral gespeichert werden. Im globalen Data Warehouse ist es von Vorteil, wenn die Daten eine hohe Granularität aufweisen. Im Gegensatz zu den lokalen Data Warehouses, wo die Daten in allen Verdichtungsstufen gespeichert sind.

Nachteile bei der Dezentralisierung liegen in der aufwendigen Verwaltung der Daten, einem komplexeren Datenmodell, einer erhöhten Netzbelastung und in der Speicherung redundanter Daten.

Aufwand und Nutzen von Data Warehouse-Projekten:

  • Aufwand

Da Projekte unternehmensindividuell sind, gibt es für die Entwicklung und Umsetzung eines Data Warehouse-Konzepts keine Universallösung. Der Aufwand ist also schwer zu schätzen und eine exakte Kostenplanung kann nicht vorgenommen werden. Es ist nicht absehbar welche Schwierigkeiten auftreten können, durch Schwachstellen und Fehler in operationalen DV-Systemen. Klärung und Modellierung der fachlichen Sachverhalte, die Bereinigung und Vervollständigung der operationalen Daten und die Nutzung externer Informationsquellen erfordern den höchsten Aufwand.

  • Nutzungspotentiale

Die nach einer Umfrage in verschiedenen Unternehmen der Industrie und Dienstleistungsunternehmen genannten Nutzungspotentiale sind:

  • Erklärung von Trends in dem geschäftlichen Umfeld des Unter-nehmens.
  • Verfügbarkeit relevanter Informationen für frühzeitige Entscheidungs-unterstützung.
  • Nutzung von Informationen zur Verbesserung von Marketingmaß-nahmen und zur Erschließung neuer Zielgruppen.
  • Verbesserung der Wettbewerbsfähigkeit und Erhöhung der Qualität von Produkten und Dienstleistungen.
  • Unternehmensweite Standardisierung von Daten und schnellere Verfügbarkeit von Auswertung und Analysen.[5]

Es kann bei der Bestimmung der Nutzungspotentiale eine Unterscheidung zwischen technischer und betriebswirtschaftlicher Nutzung vorgenommen werden.

Technische Nutzung

  • Integrierte Datenbasis für managementunterstützende Systeme
  • Entlastung operativer DV-Anwendungsysteme
  • Schnelle Abfragen und Reports aufgrund der integrierten Data Warehouse- Datenbasis
  • Einführung von Client-/ Server-Technologien

Betriebswirtschaftliche Nutzung

  • Bessere Entscheidungen aufgrund effizienter Informationsversorgung
  • Erhöhung der Wettbewerbsfähigkeit
  • Verbesserung von Kundenservice und –zufriedenheit

Zusätzlicher Nutzen entsteht in der Qualitätsverbesserung bestehender Systeme, da betriebswirtschaftliche Definitionen in einem Data Ware-house vereinheitlicht werden.

Gefahren und Mißerfolgsfaktoren

Anwender wurden bis jetzt nie zuvor so stark gefordert, ihren Bedarf gewissenhaft zu definieren. Das ist eines der größten Probleme um ein Data Warehouse-Konzept zu erstellen, denn es soll Daten zur Verfügung stellen, die die Anwender spontan abfragen, recherchieren und auflisten  können. Die Softwaresysteme die bisher erstellt wurden, sind meist Lösungen für konventionelle Verfahren, wie Sacharbeiterabläufe, die einfach definierbar waren.

Ein häufig auftretender Mißerfolgsfaktor ist das blinde Vertrauen in die Technik. Bei der Vorführung von PC-Software wird häufig die Einfachheit in der Bedienung angepriesen. In der Realität sieht es aber häufig anders aus. Die Software ist nicht unternehmenspezifisch und kann nicht einfach eingesetzt werden. Es muß erst ein betriebswirtschaftliches Konzept aus der Sicht der Anwender erarbeitet werden aus dem die IT-Spezialisten die Infrastruktur aufstellen. Andersherum kann es passieren, daß die IT-Abteilung Daten zur Verfügung stellt, die zu komplex oder verschlüsselt sind, daß die Anwender nicht nutzen können. Es muß also eine sach-gerechte Datenstruktur erstellt werden. Ein weiteres Problem sind Definitionen betriebswirtschaftlicher Begriffe, die innerhalb eines Unternehmens von Abteilung zu Abteilung unterschiedlich sind. Das Data Warehouse hilft hier einheitliche Definitionen zu finden.


[1] H. Mucksch, W. Behme: Das Data Warehouse-Konzept, 2. Auflage, Gabler Verlag, Wiesbaden1997

[2] H. Mucksch, W. Behme: Das Data Warehouse- Konzept, 2. Auflage, Gabler Verlag, Wiesbaden 1997.

[3] H. Mucksch, W. Behme: Das Data Warehouse- Konzept, 2. Auflage, Gabler Verlag, Wiesbaden 1997

[4] Abbildung 6-9 in Anlehnung an:

H. Mucksch, W. Behme: Das Data Warehouse- Konzept, 2.Auflage, Gabler Verlag, Wiesbaden 1997

[5] H. Mucksch, W. Behme: Das Data Warehouse- Konzept, 2. Auflage, Gabler Verlag, Wiesbaden 1997

Advertisements

Über Wirtschaftsinformatik

Wissensmanagement Berlin-Brandenburg, Blogger zu den Themen Wirtschaftsinformatik, Wissensmanagement , Informationsmanagement, und Prozessmanagement, sowie zum Leben in Berlin und Brandenburg. Ach ja, und Games. Computerspiele aller Art, Speiele für PC, XBOX, WII, Stretegiespiele, Action, Ego Shooter, einfach alles ;-) Außerdem mag ich Pflanzen und Tiere und allgemein die Natur.
Dieser Beitrag wurde unter Informationsmanagement, Systemarchitektur, Wirtschaftsinformatik abgelegt und mit , , , , , , , , , , verschlagwortet. Setze ein Lesezeichen auf den Permalink.

Eine Antwort zu Data Warehouse

  1. Pingback: ERP Systeme – Vorteile und Nachteile | Wirtschaftsinformatik: Wissensmanagement

Schreiben Sie einen Kommentar zu diesem Artikel unseres Magazins für Wissensmanagement, Informationsmanagement, und Prozessmanagement:

Trage deine Daten unten ein oder klicke ein Icon um dich einzuloggen:

WordPress.com-Logo

Du kommentierst mit Deinem WordPress.com-Konto. Abmelden / Ändern )

Twitter-Bild

Du kommentierst mit Deinem Twitter-Konto. Abmelden / Ändern )

Facebook-Foto

Du kommentierst mit Deinem Facebook-Konto. Abmelden / Ändern )

Google+ Foto

Du kommentierst mit Deinem Google+-Konto. Abmelden / Ändern )

Verbinde mit %s