Die Architektur eines Data Warehouse besteht im wesentlichen aus den folgenden zusammenwirkenden Komponenten:

• Operationale und/oder externe Datenbanken
• Datenzugriffsschicht
• Metadaten
• Prozeßmanagement
• Datenpool
• Informationszugriffsschicht

Das Data Warehouse speichert die Daten und Informationen zusätzlich zur Datenhaltung in den operativen Systemen ab. Das ist notwendig, weil das direkte Zugreifen auf operative Systeme zum Zweck der Analyse mit einer Reihe von Problemen verbunden ist. Zum einen sind die Datenmodelle operativer Systeme nicht fachabteilungsgerecht gestaltet, sondern genügen den Anforderungen der Transaktionsverarbeitung. Zum anderen führt eine Datenanalyse in Transaktionssystemen häufig zu erheblichen Performanceverlusten, so daß aus Informatiker-Sicht die Systeme für Fachabteilung nicht freigegeben werden. Darüber hinaus sind operative Systeme für Analysezwecke häufig schon deswegen nur eingeschränkt nutzbar, weil sie keine historischen Daten enthalten und aufgrund des operativen Charakters dieser Systeme keine Reproduzierbarkeit der Analyse gegeben ist (die gleiche Abfrage zu unterschiedlichen Zeiten führt teilweise auch zu unterschiedlichen Abfrageergebnissen).

Bei der Gestaltung eines Data Warehouse sollten folgende Gesichtspunkte berücksichtigt werden:

• Datenverdichtung und Granularität: Der Detaillierungsgrad der Daten wird durch den Begriff der Granularität beschrieben. Mit steigender Verdichtung der Daten wird eine höhere Granularität erreicht, die sich unmittelbar auf den benötigten Speicherplatz, die erreichbare Verarbeitungsgeschwindigkeit und die Flexibilität des Data Warehouse auswirkt. Um sowohl die DV-technischen als auch die betriebswirtschaftlichen Anforderungen an die Granularität der in einem Data Warehouse gespeicherten Daten zu erfüllen, ist eine mehrstufige Granularität einzusetzen, die mit zunehmendem Alter der Daten ansteigt (siehe auch Punkt 6.1).

• Partitionierung: Bei der Partitionierung, die man auch als Fragmentierung bezeichnet, wird der gesamte Datenbestand des Data Warehouse in mehrere kleine, physisch selbständige Partitionen mit redundanzfreien Datenbeständen aufgeteilt. Mit diesen kleineren Datenbeständen lassen sich dann Restrukturierungen, Indizierungen, Reorganisationen und Datensicherungen sehr viel einfacher durchführen.
• Denormalisierung: In relationalen Datenbanken wird die Normalisierung und die referentielle Integrität dazu verwendet, um Datenkonsistenz zu gewährleisten. Bei der Denormalisierung wird aus Gründen der Abfragegeschwindigkeit auf Redundanzfreiheit verzichtet, um über eine Reduktion der Datenzugriffe - und damit eine Entlastung der Hard- und Software - eine Verringerung von Antwortzeiten zu erhalten.

Nicht zum Data Warehouse im engeren Sinne gehören das Data Mart und das virtuelle Data Warehouse.

Ein Data Mart stellt ein Data Warehouse dar, welches lediglich auf einen Betriebsbereich oder wenige Betriebsbereiche beschränkt ist. Data Marts können aber die Vorstufe zu einem unternehmensweiten Data Warehouse sein, indem für einen Unternehmensbereich ein Data Mart aufgebaut wird, in das nach und nach andere Unternehmensbereiche integriert werden. Gegenüber bereichsübergreifenden Lösungen finden Data Marts oft den Vorzug, da sie in relativ kurzer Zeit zu vergleichsweise geringen Kosten realisiert werden können. Die bei der Einführung und beim Betrieb gemachten Erfahrungen werden gesammelt, und es wird Wissen aufgebaut, das bei Erweiterungsprojekten zur Verfügung steht.

Ein virtuelles Data Warehouse legt eine Oberfläche über alle Datenbestände der operativen Systeme und vermittelt hierdurch den Eindruck, die Abfragen würden an einem anderen System ausgeführt. Hierdurch treten jedoch häufig Performanceprobleme auf, da die Auswertungsabfragen das operative System stark belasten. Bei der Konstruktion eines virtuellen Data Warehouse finden dementsprechend die beiden Hauptgesichtspunkte, die für die Errichtung eines Data Warehouse sprechen (Entlastung der operativen Systeme und Integration mehrerer Datenbasen), keine Beachtung. Der Vorteil liegt lediglich in der optimierten Zugriffsmöglichkeit des Endanwenders auf das Datenmaterial der operativen Systeme.

2. Transformationsprogramme

Die unternehmensinternen und firmenexternen Daten werden durch Transformationsprogramme ins Data Warehouse übernommen. Die internen Daten stammen dabei fast ausschließlich aus den operativen Systemen. Da in Unternehmen häufig mehrere Systeme eingesetzt werden, liegen zum großen Teil unterschiedliche Datenstrukturen vor, so daß die Daten zunächst durch eine Transformation in ein einheitliches Format gebracht werden müssen. Externe Daten werden beispielsweise von Wirtschaftsverbänden oder Marktforschungsinstituten zur Verfügung gestellt. Auch hier ist im allgemeinen der Einsatz von Transformationsprogrammen erforderlich.

Wegen der Vielzahl der heute in Unternehmen eingesetzten Systeme und der daraus resultierenden unterschiedlichen Datenformate sind immer aufwendigere Transformationen erforderlich. Beispielsweise können für das Attribut Geschlecht die Abkürzungen "m" für männlich oder "w" für weiblich, aber beispielsweise auch die Zahlen "0" und "1" verwendet werden. Noch sehr viel extremer ist diese Problematik, wenn es darum geht, Datumswerte abzuspeichern.

Die Häufigkeit, mit der die Daten aktualisiert werden, richtet sich nach den unternehmensindividuellen Anforderungen. Nur wenn tagesaktuelle Daten benötigt werden, erfolgt die Datenübernahme ebenfalls täglich (in der Regel nachts), ansonsten wöchentlich oder monatlich. Unabhängig von diesen regelmäßigen Aktualisierungen wird bei der Einrichtung eines Data Warehouse ein großer Teil von Altdaten übernommen, die sich meistens aus bereits archivierten Datenbeständen zusammensetzen.

3. Metadaten

Der Wert des Data Warehouse wird durch seinen integrierten Datenspeicher repräsentiert. Durch verschiedene Tools können die Benutzer selbständig auf die dort gespeicherten Informationen zugreifen und diese analysieren. Allerdings müssen die Benutzer hierzu wissen, welche Informationen ihnen zur Verfügung stehen, das heißt, sie benötigen einen Informationskatalog, in dem die Metadaten, also die Daten über die Daten, in einer für sie verständlichen Form beschrieben werden.

Der Funktionsumfang eines solchen Informationskatalogs geht über den eines herkömmlichen Data Dictionarys weit hinaus, denn er enthält auch diverse DV-technische und betriebswirtschaftliche Informationen. Beispielsweise werden durch Metadaten beschrieben:

• Die Herkunft der Daten
• Die Zusammensetzung der Daten
• Die Regeln für die Transformation der Daten aus den Quelldatenbeständen
• Die Verdichtungsstufen
• Die Version des Data Warehouse
• Informationen über verdichtete Daten und deren Hierarchien

4. Data Mining

Das Data Warehouse stellt die relevanten Unternehmensdaten mit neutral angelegten Datensätzen auf relativ niedriger Verdichtungsstufe zur Verfügung und bildet so die Grundlage für leistungsfähige Instrumente der Datenanalyse, wie zum Beispiel das Data Mining. Aufgabe des Data Mining ist die Filterung der Daten, um sie für eine weitergehende Analyse vorzubereiten.

Die einfachste Form der Filter sind sogenannte Schwellen, die bei starrer Form (starre Schwellen) feste Werte vorgeben (absolut oder relativ), bei deren Über- oder Unterschreitung eine Ausgabe oder Meldung (beispielsweise durch farbliche Kennung) erfolgt. Von variablen Schwellen wird gesprochen, wenn der Schwellenwert vom Kontext (beispielsweise Saisonfaktoren) abhängt. Adaptive Schwellen orientieren sich an der Verteilung der tatsächlich auftretenden Abweichungen, so daß beispielsweise berücksichtigt wird, daß eine 10prozentige Umsatzschwankung auf Artikelebene anders zu deuten ist als eine gleichhohe Schwankung auf Warengruppenebene.

Mit Hilfe von Rankings werden Hilfslisten aufgestellt die nur die n größten Plan-Ist-Abweichungen anzeigen. Flexible Methoden des Ranking erlauben das Anzeigen nur der wichtigsten Abweichungen. Eine Kombination der Filterung mittels Schwellen mit den Methoden des Ranking erlaubt bereits eine vieldimensionale Navigation in den vorhandenen Datenbeständen.

Mit der Datenmustererkennung (DME) wird versucht, ohne Einschränkung des Suchraums wesentliche Auffälligkeiten in den Datenbeständen ausfindig zu machen. Solche Auffälligkeiten ergeben sich als eine Häufung von Datensätzen mit ähnlicher Aussage.

• Beispiel: Vertreter 1, Vertreter 2 und Warengruppe 4711 und Erlösschmälerungen über 20 Prozent.

5. OLAP- und ROLAP-Technologie

Einfache Abfrage-Werkzeuge stoßen in großen Data Warehouse-Umgebungen sehr schnell an die Grenzen ihrer Leistungsfähigkeit. Um den Performance- und Analyseproblemen gerecht zu werden, wurden in der Vergangenheit von einigen Anbietern spezielle Technologien entwickelt, die für solche Abfragen optimiert wurden. Heute erleben diese Werkzeuge unter dem Begriff Online Analytical Processing einen erneuten Aufschwung gerade im Hinblick auf das Data Warehousing.

Da mit dem Data Warehouse eine separate Systemarchitektur angestrebt wird, können die bisherigen Sachzusammenhänge der operativen Daten neu, in sogenannten Dimensionen (Produkte, Kunden, Regionen, Zeit, ....) dargestellt werden. Diese Technologie erlaubt eine natürliche Sicht auf die Daten und damit schnellere und komplexere Abfragen. Solche Dimensionen stellen den Kernpunkt dessen dar, was man heute unter OLAP versteht. Letztendlich handelt es sich beim OLAP um eine Technik, die es dem jeweiligen Anwender erlaubt, sich mittels eines interaktiven Zugriffs auf eine Vielzahl von Sichten und Darstellungsweisen von Basisdaten einen schnellen Einblick zu verschaffen. Durch OLAP bekommt der Endbenutzer die Möglichkeit, durch die Informationsbasis des Unternehmens zu navigieren und detaillierte (Drill-Down) beziehungsweise aggregierte (Roll-Up) betriebswirtschaftliche Daten zu betrachten.

OLAP-Systeme, die als Basis die multidimensionale Sicht der relationalen Datenbanken verwenden, werden als Relational-OLAP (ROLAP) bezeichnet. Die relationalen Tabellen bilden die Dimensionen in ein denormalisiertes sogenanntes "Star Schema" ab, dessen Layout sich erheblich von einer für operative Zwecke modellierten Datenbank unterscheidet. Werden die Dimensions-Tabellen in kleinere Dimensionen zerlegt, erhält man ein "Snowflake Schema".

Mit Hilfe einer intuitiven multidimensionalen Schnittstelle hat der Endbenutzer durch ROLAP-Systeme die Möglichkeit, seine Abfragen ohne detaillierte EDV-Kenntnisse zu formulieren und an ein ROLAP weiterzuschicken. Die Abfragen werden in entsprechende SQL-Statements umgesetzt, die die angeforderten Daten aus dem Data Warehouse holen und dann in der gewünschten Form zur Verfügung stellen.

6. Technische Realisierung eines Data Warehouse

Es existieren unterschiedliche Ansichten darüber, welche Größenordnungen ein Data Warehouse erreichen kann oder sollte. Heute kann ein unternehmensweites Data Warehouse durchaus den operativen Datenbestand in seiner Größe übersteigen und auf ein Datenvolumen von mehreren Terabyte anwachsen.

Durch die Leistungssteigerungen von Client-/Server-Systemen verliert der Mainframe als Hardware-Plattform weiterhin an Bedeutung. Neben der Hardwareausstattung sind vor allem die eingesetzten Betriebssysteme, Datenbanken und Analysetools determinierend für die Leistungsfähigkeit des Data Warehouse. Weitgehende Einigkeit besteht darüber, daß der Trend weg von proprietären Systemen hin zu Standard-Datenbankmanagementsystemen geht, da diese mehr Flexibilität und damit eine höhere Plattformverfügbarkeit und Investitionssicherheit bieten.

Um Datenanalysen performant betreiben zu können, ist eine skalierbare, parallele Datenbankarchitektur erforderlich, die die neuen Generationen leistungsfähiger symmetrischer Multiprozessor-Systeme (SMP), lose gekoppelter Cluster-Systeme sowie massiv paralleler Systeme (MPP) vollständig und skalierbar unterstützt. Zur weiteren Performancesteigerung können verschiedene Techniken eingesetzt werden, von denen die Verdichtung/Aggregation und das sogenannte Sampling als Beispiele kurz vorgestellt werden.

6.1 Verdichtung/Aggregation

Bei der Aggregation handelt es sich um einen Prozeß, bei dem zahlreiche Daten kleinerer Granularität summiert und in temporären Tabellen als sogenanntes Aggregat abgelegt werden. Diese verdichteten Informationen stehen dann allen anderen Anwendern zur weiteren Bearbeitung zur Verfügung, so daß die entsprechenden Abfragen nicht mehrfach (für jede einzelne Anfrage erneut) ausgeführt werden müssen. Auf diese Weise müssen beispielsweise Monatsreports nicht mehr auf einzelne Tageswerte zugreifen, sondern können als Datenbasis die temporären Tabellen verwenden.

Selbst bei perfektem Tuning eines Data Warehouse-Systems benötigt die Summierung von einigen Millionen Zeilen eine gewisse Zeit, angefangen von reinen Lesevorgängen von der Platte bis zur Sortierung der Endergebnisse. Da im allgemeinen aber eine größere Anzahl von Abfragen summierte Daten verlangt, ist eine vorsummierte Datenmenge entlang der hierarchischen Ordnung - wie in obiger Abbildung dargestellt - aus Performanceüberlegungen sehr hilfreich.

6.2 Sampling

Viele Abfragen in einem Data Warehouse fragen nach bestimmten Informationen, um sich zunächst einen Überblick über einen bestimmten Sachverhalt zu verschaffen. Häufig starten solche Abfragen auf sehr hohem Niveau und betreffen dann mehrere Millionen Datenwerte, die so gar nicht notwendig wären, um einen "ersten Eindruck von den Daten" zu bekommen.

Beim sogenannten Sampling werden daher Ausschnitte von Daten kleinerer Granularität gebildet und in temporären Tabellen als "Stichprobenmenge", ähnlich einer Wahlprognose, abgelegt. Diese Sampling-Informationen stehen dann wiederum allen anderen Applikationen zur weiteren Nutzung zur Verfügung.

7. Zusammenfassung

Die Trennung in operatives System und Data Warehouse entlastet das operative System und bietet die Möglichkeit, interne und externe Datenquellen zu integrieren. Durch die Subjektorientierung und Mehrdimensionalität kann bei Verwendung von entsprechenden Abfragewerkzeugen das Navigieren durch den Datenbestand des Unternehmens wesentlich erleichtert werden.

Copyright © 2000  

Homepage: http://www.mkonetzny.de