Daten einer Firma verfügbar machen für Entscheidungsprozesse

© T. Kudraß, HTWK Leipzig

Warum?



Daten einer Firma verfügbar machen für Entscheidungsprozesse

– Umsetzung schwierig



neue Konzepte notwendig zur analytischen Informationsverarbeitung

– OLAP

– Data Warehousing

– Data Mining

OLAP Einleitung

DSS: Decision Support System

© T. Kudraß, HTWK Leipzig

Einführungsbeispiel

Umsatz pro Zeit und Produkt

Einführungsbeispiel

Umsatz pro Zeit, Produkt und Region

© T. Kudraß, HTWK Leipzig

Einführungsbeispiel

OLAP

 OLAP erleichtert die Analyse von Kennzahlen unter verschiedenen Gesichtspunkten (Dimensionen)

– z.B. Produktmanager, Bereichsleiterin

– Kennzahlen

– graphische Darstellung (Diagramme)

 Dynamische, multidimensionale Geschäftsanalyse mit Simulationskomponente

© T. Kudraß, HTWK Leipzig

Was ist OLAP?

OLAP ist ...

... ein Überbegriff für Technologien, Methoden und Tools zur Ad-hoc-Analyse

multidimensionaler Informationen ... bietet verschiedene Sichtweisen ... eine Komponente der

entscheidungsorientierten

Informationsverarbeitung

Analyse-Datenmodelle

 kategorisches (beschreibendes) Modell

– statisches Analysemodell zur Beschreibung des gegenwärtigen Zustands

– Vergleich von historischen mit aktuellen Daten

 exegetisches (erklärendes) Modell

– zur Erklärung der Ursachen für Zustand durch Nach- vollziehen der Schritte, die ihn hervorgebracht haben (durch einfache Anfragen)

 kontemplatives (bedenkendes) Modell

– Simulation von „What If“Szenarios für vorgegebene Werte oder Abweichungen innerhalb einer Dimension oder über mehrere Dimensionen hinweg

 formelbasiertes Modell

– gibt Lösungswege vor: ermittelt für vorgegebene Anfangs- und Endzustände, welche Veränderung für welche Kenngröße bzgl. welcher Kenngröße für ange- strebtes Ergebnis notwendig

Komplexität

OLAP Charakteristika

OLAP Charakteristika*

 Multidimensionale konzeptionelle Sichten

 funktionale Transparenz

 unbeschränkter Zugriff auf operative und/oder externe Datenquellen

 konsistente Berichtsgenerierung

 Client-/Server Architektur

 gleichgestellte Dimensionen

 dynamische Behandlung dünn besetzter Datenwürfel

 mehrere Anwender

 unbeschränkte, dimensionsübergreifende Operationen Evaluierungsregeln nach E. F. Codd

© T. Kudraß, HTWK Leipzig

OLAP Charakteristika - FASMI

FASMI = Fast Analysis of Shared Multidimensional Information

 Fast: 1-2 Sekunden als Antwortzeit bei einfachen Anfragen bis maximal 20 Sekunden für komplexe Datenanalysen

 Analysis: Verfahren und Techniken zu einfachen mathematischen Berechnungen und

Strukturuntersuchungen

 Shared: Schutzmechanismen für den Zugriff im Mehrbenutzerbetrieb

 Multidimensional: Multidimensionale konzeptionelle

Sicht auf Informationsobjekte, d.h. freier Zugriff auf einen Datenwürfel und multiple Berichtshierarchien über die

Dimensionen

OLAP Charakteristika

Daten werden über Dimensionen beschrieben.

Begriffe: Multidimensionalität, Hypercubes, Ausprägungen (Members), Zellen

Zeit

Regionen

Produkte Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez

CD DVD Fernseher Video

Kühlschrank Sachsen-Anhalt

Thüringen Sachsen

© T. Kudraß, HTWK Leipzig

Dimensionen können Hierarchien haben.

Produkte

Zeit

Sachsen-A.

Sachsen Thüringen Lippenstift

Deo Haarzeugs

DVD CD

Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez

Elektro Kosmetik Alle Produkte

Alle Regionen

Q1 Q2 Q3 Q4 2000 Region

OLAP Charakteristika

Zu Hierarchien



Hierarchie

– Hierarchische Aufteilung der Dimension

DVD Kosmetik

Lipp.

Deo

CD Elektro

Produkte Haar...

Dimension Produkte

Architekturkonzepte

OLAP Grobarchitektur

© T. Kudraß, HTWK Leipzig

OLAP Architekturkonzepte



ROLAP = Relational OLAP

– bei Abbildung in Relationen: möglichst wenig Verlust von Semantik, die im multidimensionalen Modell

enthalten

– Effiziente Übersetzung und Abarbeitung von multidimensionalen Anfragen

– Einfache Wartung (z.B. Laden neuer Daten)



MOLAP = Multidimensional OLAP

– direkte Speicherung multidimensionaler Daten in multidimensionalen DBMS



HOLAP = Hybrid OLAP

– Kombiniert Vorteile von relationaler und multidimensionaler Realisierung

Architekturkonzept ROLAP

 SQL zur Datentransformation

 Multidimensionale Datenmodelle werden in 2- dimensionalen Tabellen gespeichert

 Star-, Snowflake, Starflake-Schema

Facts Dim1ID Dim2ID Dim3ID Dim4ID Dim1

Star-Schema Dim2

Dim3 Dim4

Beispiel

© T. Kudraß, HTWK Leipzig

ROLAP - Star-Schema



erstellen von Fakten- und Dimensionstabellen



Faktentabelle mit Schlüsseln für Dimensionstabellen



in Dimensionstabellen stehen relevante Daten



Redundanz

– Alternative wäre Snowflake-Schema

– Dimensionsdaten relativ stabil

Architekturkonzept MOLAP



Speicherung erfolgt in multidimensionalen Speicherarrays



Multidimensionale Speicherstrukturen werden komplett übernommen



Hypercube

– Datenbestand in einem Würfel



Multicube

– kleinere Würfel

© T. Kudraß, HTWK Leipzig

Architekturkonzepte

Query and Calculation

Engine

OLAP- Fronten

d

MOLAP

Multidimen- sionales OLAP Daten werden multidimensional

ROLAP

Relationales OLAP

Daten werden relational

gespeichert

HOLAP Hybrides OLAP

Komplexe Anfragen können hohe Antwortzeiten verursachen

Grosse Datenmengen verarbeitbar



Schnelle Antwortzeiten auch auf komplexe Anfragen

Verarbeitbare Datenmenge beschränkt







Unterschiede OLTP/OLAP

Transaktionsorientierte Systeme Operative Systeme

Auswertungsorientierte Systeme

Weniger häufige, komplexe Anfragen Grosse Datenmengen je Anfrage Häufige, einfache Anfragen

Kleine Datenmengen je Anfrage

Schnelle Kalkulation wichtig Schneller Update wichtig

Paralleles Ausführung von OLAP-Anfragen auf operationalen Datenbe- ständen könnte Leistungsfähigkeit der OLTP-Anwendungen beeinträchtigen

Operieren auf aktuellen und historischen Daten

Operieren hauptsächlich auf aktuellen Daten

 Datenbanksystem kann nicht gleichzeitig für OLTP- und für OLAP- Anwendungen optimiert werden

OLTP

(Online Transaction Processing)

OLAP

(Online Analytical Processing)

OLAP Funktionalität

OLAP Funktionen

Die multidimensionalen Daten können am Bildschirm flexibel präsentiert werden.

Drill- down

Roll- up

© T. Kudraß, HTWK Leipzig

OLAP Funktionalität

Die multidimensionalen Daten können am Bildschirm flexibel präsentiert werden.

Slice

Kennzahlen

Umsatz Gewinn

Produkte Regionen Zeit

Kennzahlen

Umsatz Gewinn

Produkte Regionen Zeit

Eine beliebige Kombination von Dimensionen und Aus- prägungen kann angezeigt werden.

OLAP Funktionalität

Die multidimensionalen Daten können am Bildschirm flexibel präsentiert werden.

Dice

Die Achsen können beliebig ausgetauscht

© T. Kudraß, HTWK Leipzig

OLAP Funktionalität



Drill Down

– erhöhen des Detaillierungsgrades



Roll Up

– invers zu Drill Down



Pivot

– betrachten aus unterschiedlichen Perspektiven

– rotate



Slice & Dice

– ändern des Analyseblickwinkels

© T. Kudraß, HTWK Leipzig

Themen



Materialized Views



Merge von Tabellen



SQL für Drill down und Roll up (ROLAP)



CUBE-Operator

Tabellen für Beispiel (Star Schema)

© T. Kudraß, HTWK Leipzig

OLAP Anfragebeispiel

CREATE MATERIALIZED VIEW Region_Marke_Quartal AS SELECT O.Region, P.Marke, Z.Quartal, SUM(V.Anz) AS Anzahl FROM (((Verkaufszahl V JOIN Ort O ON (V.Filiale=O.Filiale)) JOIN Zeit Z ON (V.Tag=Z.Tag))

JOIN Produkt P ON (V.Produkt=P.Produkt)) GROUP BY O.Region, P.Marke, Z.Quartal;

Erzeugen einer materialisierten Sicht:

CREATE MATERIALIZE VIEW Verdichtung mittels GROUP BY

Beispiel: „Ermittle die quartalsweises Verkaufszahlen pro Pizza-Marke und Region“

Materialisierte Sichten

 vielbenutzte Aggregate (Analysen) materialisieren

 schnellerer Zugriff auf Daten

 Ablegen der Daten in eigene Relationen

OLAP-Anfragebeispiel

SELECT O.Region, SUM(V.Anz) AS Anzahl

FROM (((Verkaufszahl V JOIN Ort O ON (V.Filiale=O.Filiale)) JOIN Zeit Z ON (V.Tag=Z.Tag))

JOIN Produkt P ON (V.Produkt=P.Produkt)) GROUP BY O.Region

Verdichtung erhöhen durch Entfernung von Attributen aus der GROUP BY-Klausel.

Beispiel: „Ermittle die Gesamt-Verkaufszahlen für alle Regionen“

•weitere Verdichtungen möglich

 weitere Verdichtungen möglich

 automatisches Umschreiben der Anfrage durch Datenbank-Optimierer (query rewrite):

Verwenden der materialisierten Sicht zur weiteren Verdichtung

© T. Kudraß, HTWK Leipzig

SQL-Erweiterungen zum Einfügen

 Kombination von Aktualisieren und Einfügen

 Beispiel:

Liste neuer Produkte mit bestehender Tabelle Produkt mischen

MERGE INTO Produkt P1 USING (SELECT ID, Name

FROM Produkt_Neu) P2 ON (P1.ID = P2.ID)

WHEN MATCHED THEN

UPDATE SET P1.Name = P2.Name WHEN NOT MATCHED THEN

Komplexes Gruppieren

Beispieldaten für Gruppierungsanfragen

SELECT Monat, Produkt, SUM(Anz) AS Anz

FROM Ort_Produkt_Monat_Verkauf GROUP BY Monat, Produkt;

© T. Kudraß, HTWK Leipzig

Komplexes Gruppieren

SELECT

DECODE (GROUPING (Monat),1,‘Alle Monate‘, Monat) AS Monat,

DECODE (GROUPING(Produkt),1,‘Alle Produkte‘, Produkt) AS Produkt, SUM(Anz) AS Anz

FROM Ort_Produkt_Monat_Verkauf GROUP BY ROLLUP (Monat, Produkt);

SELECT

DECODE (GROUPING (Monat),1,‘Alle Monate‘, Monat) AS Monat,

DECODE (GROUPING(Produkt),1,‘Alle Produkte‘, Produkt) AS Produkt, SUM(Anz) AS Anz

FROM Ort_Produkt_Monat_Verkauf GROUP BY CUBE (Monat, Produkt);

Hinweise zum Beispiel



ROLLUP

– berücksichtigt auch Zwischen- und Endsummen

– Funktion GROUPING liefert 1 bei Summe

– DECODE kann Standard-Rückgabewert mit Text füllen

 DECODE vergleichbar mit bedingter Anweisung

 DECODE (ausdruck, if₁, then₁, if₂, then₂, …, else)

– ohne GROUPING/DECODE erscheinen Nullwerte



CUBE-Operator

– GROUP BY CUBE (Spalte₁,Spalte₂,Spalte₃,…)

– k Dimensionen: 2^k mögliche GROUP BY-Klauseln

© T. Kudraß, HTWK Leipzig

Zukünftige Entwicklung



Web OLAP mit Front End über Web



Verknüpfung von OLAP mit anderen Werkzeugen (z.B. Reporting)



Konzepte weiterentwickeln



Anwendungen auf horizontalen oder vertikalen

Markt zuschneiden (bestimmte Branche oder

bestimmte Unternehmensfunktion)