Brainscape's Knowledge GenomeTM


Top Flashcards (Certified)
All Flashcards

Buzznes > Allgemein > Flashcards

Allgemein Flashcards

(63 cards)

Start Studying
1
Q

Data Warehouse Eigenschaften:

A

Themenbezogen
Zeitbezogen
Integriert
Dauerhaft

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

ERM

A

Beschreibungsverfahren betriebswirtschaftlicher Zusammenhänge

Semantisches Datenmodell

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Zunehmende Bedeutung des BIA durch:

A

Gestiegener Bedarf für Analysen

Erkennen der strategischen Bedeutung
(Enabler Effekt)

Bessere Datengrundlage

Etablierung wirtschaftlicher Konzepte

Globalisierung

Stakeholder

Wettbewerbsdruck

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Operative Quellsysteme - Datenqualität

A

Musseingabefeld

Plausibilitätsprüfung

Pflege hinsichtlich Zwecksetzung

Dauer der Erfassung

Pläne zur Veränderung vorhanden?

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Master Data Management notwendig um:

A

Datenchaos beseitigen bzw. verhindern

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

ODS

A

Abgestimmte operative Anwendungsdaten auf granularer Ebene über die betriebliche Wertschöpfungskette hinweg

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Big Data 3Vs

A

Volume

Velocity

Variety

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Star Schema ist die Datenhaltung von. M-OLAP Systemen

A

Falsch. M-OLAP setzt auf nicht-relationalen, proprietären Datenhaltungssystemen auf

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Mit einem Star-Schema kann eine multidimensionale Datenhaltung realisiert werden

A

Ja

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Star Schema und OLAP sind Synonyme

A

Nein

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Fakten im Star/Snow schema sind ausschließlich monetär

A

Nein auch Zeit, Menge oder Volumen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Star schema verletzt häufig 2NF

A

Nein, 3NF

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Redundanz im Star Schema ist vertretbar, da auf die Daten peimär lesend zugegriffen wird

A

Ja

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Dimensionstballen Zeitverlauf Änderung

A

Slowly Changing Dimensions

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Bezeichnung für: Aufteilung der Dimensionstabellen zur Performanceoptimierung. Oft Grundlage der defininierten Aggregationen und in Verknüpfung der Dimensionstabellen

A

Snowflaking

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Intergration mehrerer Star schemata auf Basis strukturidentischer Dimensionstabellen

A

Galaxie

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Historisierungsvariante Snapshot-Historisierung

A

Anhängen der geänderten an die exisitierende Tabelle

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Historisierung

A

Dokumentation von Änderungen von Att.Ausprägungen, Beziehungen und entitäten

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Delta Historisierung

A

Zeilengenaue Historisierung der Dim Tabellen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Markierung aktuelle gültiger Daten mit

A

current Flag

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Wertverlust von Informationen durch:

A

Datenlatenz

Analyselatenz

Entscheidungslatenz

Umsetzungslatenz

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Datenlatenz verhindern durch

A

Real-Time Warehousing

z.B. ETL Prozesse in Echtzeit

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Umsetzungslatenz vermeiden durch

A

Closed-loop Data Warehousing

z.B. operatives mit anslytischem CRM verbinden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Active Data Warehousing verhindert

A

Analyse-
Entscheidungs- und Umsetzungslatenz

z.B. werden Entscheidungsaufgaben automatisiert

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Streaming Datenverarbeitung reduziert Latenzen wie
Active- und Realtime DWHing. | Daten werden aber nicht vollständig persistiert
26
Betriebswirtschaftliche Angemessenheit
Implementierungsmöglichkeiten dienen der adäquaten Lösung betrieblicher Problemstellung Moderne Ansätze machen traditionelle Lösungen nicht obsolet, sondern ergänzen oft
27
Relationales OLAP enthält:
Klassische, standartidsierte relationale Datenbanksysteme Star- und Snowflake Schemata
28
Vorteile R-OLAP
Ausgereifte Technologie und Konzept Skalierbar Hohe Stabilität und Sicherheit Nachvollziehbare Datenstruktur Einfache Migration
29
Nachteile R-OLAP
Komplexes Verfahren zur Sicherung der Performance Häufig schlechte Performance bei komplexen Abfragen in multidimensionalen Datenräumen als bei M-OLAP
30
Anwendung R-OLAP
Anwendung mit hohem Datenvolumen Andwenungen mit vielen Benutzern
31
Multidimensionales OLAP
Herstellerabhängige, proprietäre Datenbanksystemen Speziell auf multidimensionalw Datenstrukturen ausgerichtete Datenhaltung
32
Vorteile M-OLAP
Sehr gute Performance bei multiDim Abfragen Platzsparende Speicherung Benutzerfreundliche Front-Ends
33
Nachteile M-OLAP
Datenhaltungs als Blackbox und nicht Nachvollziehbar Geringe Sicherheit/Administration Keine einfache Migration möglich Spezielles Entwicklungs Know-How notwendig
34
Einsatzbereiche M-OLAP
Großes Datenvolumen, wenige Benutzer
35
Hybrides OLAP Benutzersicht
Benutzertransparwnter Übergang von relationaler zu multidimensionaler Datenhaltung
36
Vorteile/ Nachteile Hybrides OLAP
Soll Nachteile beider Systeme eliminieren Aber: komplexeres System
37
Einsatzbereiche Hybrides OLAP
Große Drill-down Tiefe Schwankende Benutzerzahlen
38
Abweichungsanalyse Anwendung
Qualitätsmanagement und Störungserkennung Fraud Detection Datenqualitätsmanagement
39
Klassifikation Anwendung
Kundenklassifikation Marketing Produktklassifikation Klassifikation von Störungen/ Defekten Mit Deep Learning: Hund/Katze
40
Clustering (Gruppierung) Anwendungen
Gruppierung von Prozessen Gruppierung von Produkten Gruppierung von soz. Gruppen Fehlergruppierung
41
Assoziationsanalysen
Wenn-Dann Regeln z.B: Warenkorbanalyse Problemursachen Textzusammenhänge
42
Datenbank Entwicklung Ablauf
Anforderungsanalyse Konzeptioneller Entwurf Logischer Entwurf (ERM) Pysischer Entwurf/ Implementierung (Relationales Modell) ...
43
ODS unterschied zu DWH
Nicht zeitbezogen Nicht dauerhaft Hoher Detaillierungsgrad Zeitnahes Updating
44
Filterung
Extraktion aus operativen Daten und Bereinigung syntaktischer oder semantischer Defekte in den Daten
45
Harmonisierung
Syntaktische und Semantische Abstimmung gefilterter Daten
46
Aggregation
Verdichtung gefilterter und harmonisierter Daten
47
Anreicherung
Bildung und Speicherung fachlicher Kenngrößen. z.B.: Deckungsbeitrag
48
Syntaktischer Mangel
Formatfehler
49
Semantischer Mangel
Fehlende Datenwerte
50
Enterprise Application Integration EAI
Integration von heterogenen, autonomen Anwendungssystemwn entlang der Wertschöpfungskette
51
Business Activity Monitoring BAM
Betriebswirtschaftliche Analysen: Ursachenanalysw Auswirkungsanalyse Mustererkennung Durch: Right time Analytics Closed loop Active Data Warehousing
52
Metadaten Nutzen:
Datenqualität: Data Tracking/ Data Lineage Begriffsverständnis: Eindeutige Betriebswirtschaftliche Begrifflichkeiten erleichtern die Datenanalyse
53
Effizienssteigerung durch BIA
Beschleunigte und automatisierte Entscheidungsvorbereitung (Vermeidung manueller Datenaufbereitung) Daten bereits integriert und vorstrukturiert Durchführung komplexer Analysen Vermeidung von Kopfmonopolen Ressourcennutzung besser durch zentralisierten Betrieb
54
Effektivitätssteigerung durch BIA
Auswertung historisierter Daten Datenqualität höher/ klar aufbereitet Vorteile durch Zentralisierung Analystetools nutzbar Integration operativer Systeme Rechtesteuerung/ Datenschutz/ Sicherheit
55
Enabler Potentiale (Effekte)
Neue Analysen möglich Neue Ansätze für Marketing und Vertrieb Neue Ansätze im Performance Management Neue und effektivere Geschäftsstrategien
56
Mögliche BIA Anwendungen
Reporting gestütztes ErfolgsMonitoring OLAP basierte ***Analyse Reportings basierte *** Analyse Analytisches CRM Stragisches Vertriebscontrolling mit BSC Unrentable Bereiche/ Maschinen identifizieren Data Mining zur Identifikation von XY
57
Nachteil unabhänhige Data Marts
Potentiale der Anwendung können nicht ausgeschöpft werden Begrenzte Analysemöglichkeiten Kein Single point oft Truth Höherer Betriebsaufwand/ Kosten
58
Vorteil zentrales DWH
Ausbaubarkeit Weitreichende Analysemöglichkeit
59
Virtuelles DWH Vorteile Nachteile
Daten werden unmittelbar ausgelesen und on the fly ausgewertet und bereitgestellt Keine Entkopplung von operativen Datensystemen (Belastung/ Historisierungsproblem) -> Für kleine Datenvolumen bei hoher Datenaktualitätsanforderung
60
Ziele eines DWH
Zentrale Datenhaltung Einheitlicher Datenbestand Historisierung der Daten
61
1. NF
Alle Attribute atomar. Alle Nicht-Schlüssel Attribute hängenn funktional von einem Schlüssel der Tabelle ab
62
2. NF
Alle Nicht-Schlüssel Attribute hängen funktional vom Gesamt Schlüssel ab
63
3. NF
Keine Abhängigkeit zwischen nicht-Schlüssel Attributen. | Lediglich der Primärschlüssel darf die Relationen identifizieren.

Buzznes (1 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions