Kontrollfragen Flashcards
(69 cards)
Erläutern Sie den Entwicklungspfad entscheidungsunterstützender Systeme.
Management Information Systems (MIS 1960)
-> System dient der Bereitstellung von Daten aller Geschäftsaktivitäten
Daten nicht ausreichend gefiltert und verdichtet, dadurch entsteht eine Informationsflut.
Decision Support Systems (DSS 70er)
-> System dient der Unterstützung der Entscheidungsvorbereitung
Verwendung von u.a. Datenbank (Speichern der Daten), Modelbank (Abbildern und Erklären eines Realitätsausschnitts) u. Methodenbank (zum Aufbereiten und Auswerten der Daten).
Executive Information Systems (EIS 80er)
-> Ziel ist die Entscheidungsunterstützung für oberes Management
hohe Präsentationsorientierung (grafische Benutzerumgebung)
Aufbau vordefinierter Berichtskataloge
(DW 92/ OLAP 93) DW (Data Warehouse Konzept Inmon): Daten sollen redundant gehalten werden und zu Analysezwecken eingesetzt werden
OLAP: dynamische, multidimensionale Analyse
(SAP R/3) Bereitstellung von entscheidungsrelevanten Informationen
Data Mining - Methoden
Internet / Intranet / Extranet
Was versteht man unter einem BI-System? Geben Sie eine Definition an.
Business Intelligence beschreibt die effiziente Nutzung von Daten in einem Unternehmen, um daraus nützliche Informationen zu gewinnen und Wissen zu generieren. Mit den Daten können Analysen und Abfragen durchgeführt werden. Das daraus gewonnene Wissen dient der Managementunterstützung.
Geben Sie die zentralen Charakteristika eines DW-Systems nach W. H. Inmon an. Erläutern Sie diese anhand eines Beispiels.
Fachorientierung
Zentralisierte Bereitstellung der Daten über Geschäftsobjekte (Themen)
Integration
Zusammenführung von mehreren Datenquellen (intern u extern) in eine physische Datenbank. Vorher unterschiedliche Betrachtung eines Produkts führt im DW zu neuer Betrachtungsweise.
Dauerhafte Sammlung
Sicherheit, dass auch alte Datenbestände unverändert bleiben und nicht gelöscht werden. Bspw. historische Daten.
Zeitraumbezug
alte Daten sollen erhalten bleiben, um Zeitraumvergleiche herstellen zu können.
Bsp. Anzahl an Kundendaten heute vs. Vor 10 Jahren oder vgl. von Umsätzen.
Verdeutlichen Sie den Zusammenhang zwischen BI- und DW-Systemen.
Business Intelligence bezeichnet die systematische Auswertung von Daten eines Unternehmens, um damit Geschäftsprozesse zu analysieren und zu optimieren, mit dem Ziel aus vergleichbaren Kennzahlen neue Erkenntnisse zu gewinnen.
BI benötigt dafür eine Data-Warehouse-Architektur, welche Daten aus einem Unternehmen zusammenführt und speichert, um daraus Auswertungen durchführen zu können.
Welchen technischen bzw. betriebswirtschaftlichen Nutzen sehen Sie beim Einsatz eines DW-Systems?
Technischer Nutzen: -Verbessere Datenintegration - Keine dezentrale Datenprüfung mehr notwendig -Schnelle Abfragen möglich -Entlastung operativer Anwendungen -Flexible Zugriffsmöglichkeiten Betriebswirtschaftlicher Nutzen -Verbesserte Informationsbereitstellung -Frühzeitliches Erkennen von Trends -Zügige Reaktion auf Umweltveränderungen -Verbesserung der Kundenzufriedenheit -Harmonisierung von Begriffen
Was versteht man unter Data Warehousing?
DW ist ein Konzept, das Daten aus mehreren Quellen in einem System (zentrales Datenbanksystem) so zusammenführt und speichert, dass eine Auswertung der Daten möglich ist und letztlich der Managementunterstützung dient.
Aus welchen Stufen besteht die vierstufige DW-Grundarchitektur? Erläutern Sie deren einzelnen Komponenten und die zugehörigen Transformationsschritte.
Zu der Grundarchitektur gehört die Staging Area. Hier kommen die Daten aus den unterschiedlichen Datenquellen zusammen. Die Daten werden nicht weiterverarbeitet, sondern in Form von Staging-Tabellen gespeichert, die untereinander in keiner Beziehung stehen.
-> Laderampe in einem Supermarkt, Waren werden abgeliefert.
Transformationsschritt: Quellsystem -> Staging Area Es wird über ein View Layer auf das Quellsystem zugegriffen.
Die nächste Stufe ist die Cleansing Area. Daten, die davor fehlerhaft waren, werden nun korrigiert bzw. ausgefiltert. Da die Daten aus unterschiedlichen Quellsystemen kamen, müssen diese jetzt in eine vereinheitlichte Form transformiert und integriert werden.
-> Kommissionierung der Waren, Produkte werden ausgepackt, zusammengefasst und ggf. gewaschen.
Transformationsschritt: Beim Laden der Daten von der Staging Area zur -> Cleansing Area kommt es neben der Prüfung und Bereinigung der Daten auch zu Erweiterungen von Attributen.
Als nächstes folgt der Core-Bereich
Im Core werden die Daten zusammengeführt und über einen längeren Zeitraum gespeichert. Des Weiteren werden Daten im Core integriert und themenspezifisch strukturiert.
-> Hochregallager, Mitarbeiter haben jederzeit Zugriff, jedoch nicht die Kunden. Unterschied: Daten bleiben nach Übertragung an Marts im Core erhalten.
Transformationsschritt: Cleansing Area -> Core
Es findet eine Versionierung der Stammdaten statt: Datensätze werden auf Aktualität geprüft, da es je nach Anforderung und Core-Datenmodell verschiedene Varianten der Versionierung von Stammdaten gibt.
Die letzte Stufe bildet Data Marts ab. Daten aus dem Core werden so aufbereitet und gespeichert, dass daraus sinnvolle Benutzerabfragen erfolgen können. Jeder Mart sollte Daten für die jeweilige Anwendung bereitstellen.
Daraus ergibt sich, dass mehrere Marts für unterschiedliche Benutzergruppen bestimmt werden.
-> Marktstände oder Verkaufsgestelle im Supermarkt. Es steht eine Auswahl an unterschiedlichen Produkten bereit, wie Gemüse, Fleisch oder Käse.
Transformationsschritt: Core -> Marts
Vom Core zu den Marts werden die Daten gefiltert in die erforderliche Teilmenge, Daten werden aggregiert (Umsätze für unterschiedliche Zeiträume bzw. Produkte) somit sind schnellere Auswertungen Möglich.
Geben Sie an, was man unter einer Referenzarchitektur versteht und erläutern Sie deren Ziele.
Die Referenzarchitektur ist ein Referenzmodell für eine Klasse von Architekturen, welche angibt was seine Komponenten leisten und wie diese im Zusammenhang stehen.
Ziele
Unterstützung des Vergleichs von u.a. Werkzeugen für das Data Warehousing
Planungserleichterung für konkrete DWS-Implementierung
Visualisierung und Homogenisierung von Begriffen aus dem DWH-Kontext
Aus welchen zentralen Komponenten besteht die DWH-Referenzarchitektur? Erläutern Sie diese näher.
Datenquelle
Nicht Teil des DWH
Daten stammen aus dem Unternehmen selbst (ERP) oder extern (Internet, Marktforschungsinstitute)
Qualitätsanforderungen u.a. Konsistenz, Vollständigkeit, Granularität („Grad der Feinkörnigkeit“)
Monitor
Hat die Aufgabe Veränderungen in einer Datenquelle zu erkennen
Es existiert im Allgemeinen ein Monitor je Datenquelle
Es existieren verschiedene Monitoring-Strategien
Arbeitsbereich
Ist die zentrale Datenhaltungskomponente des Integrationsbereichs ->“Staging area“
Transformationen werden direkt im Zwischenspeicher ausgeführt
Quellen und Basisdatenbank werden nicht beeinflusst
keine Übernahme fehlerbehafteter Daten in die Basisdatenbank
Basisdatenbank
-> entspricht Core Data Warehouse
Integrierte Datenbasis für verschiedene Analysen
zentrale Verteilungsfunktion, wodurch Mehrfachverwendung und Flexibilität in der Verwendung der Daten ermöglicht wird
Versorgung des DWH (bzw. mehrerer DWHs) mit qualitätsgesicherten Daten
Ableitungsdatenbank
Enthält alle, für die Auswertung nötige Daten in Verbindung mit dem Repositorium Strukturierung orientiert sich (ausschließlich) an den Auswertungszwecken – im Gegensatz zur Basisdatenbank
Auswertungsdatenbank -> Data Mart
Stellt inhaltlich eingeschränkten Fokus auf das Unternehmen bereit, somit Teilsicht eines DWH
Verteilung der Daten der Ableitungsdatenbank
Es gibt abhängige und unabhängige Data Marts
Data Warehouse Manager
Initiiert den Datenbeschaffungsprozess
(in regelmäßigen Zeitintervallen), überwacht
weitere Schritte wie Bereinigung und koordiniert
Verarbeitungsreihenfolge.
Im Fehlerfall dokumentiert DWH Manager diese
und stellt Wiederanlaufmechanismen zur Verfügung.
Metadaten Manager
Steuerung der Metadatenverwaltung
Zugriff, Anfrage und Navigation
Versions und Konfigurationsverwaltung
Im Metadaten Repository (Repositorium) erfolgt
Speicherung der Metadaten des DWS
Geben Sie verschiedene Monitoring Strategien an und erläutern Sie diese.
- Trigger-basiert
Unterstützt das DBS Trigger, so wird ein Trigger nach jeder Datenmanipulation ausgelöst. Das geänderte Tupel wird in eine Datei oder andere Datenstruktur geschrieben. - Replikationsbasiert
Replikationsdienste können so spezifiziert werden, dass sie geänderte Tupel in speziellen Tabellen schreiben. - Log-basiert
DBMS kann so (aus)genutzt werden, dass vorgenommene Transaktionen in einer Log-Datei protokolliert werden. Durch die Auswertung kann ermittelt werden, welche Daten sich geändert haben. - Zeitstempel-basiert
Jedem Datensatz ist ein Zeitstempel zugeordnet, der sich bei Änderung der Daten auch ändert. So erkennt man welche Datensätze sich nach dem Zeitpunkt der letzten Extraktion geändert haben. - Snapshot-basiert
Datenbestand einer Quelle wird in periodischen Abständen in eine Datei (Snapshot) geschrieben. Durch einen Vergleich von Snapshots können Änderungen identifiziert werden.
Geben Sie Verfahren zum Data Cleansing an und erläutern Sie diese jeweils an einem Anwendungsbeispiel.
Integration -> Daten werden für das Laden inhaltlich und strukturell angepasst
Homogenisierung -> Alle Daten werden in ein einheitliches internes Format überführt bspw. Anpassung von Datentypen, Konvertierung von Kodierungen, Umrechnung von Maßeinheiten
Bereinigung der Daten
Was versteht man unter einem Data Mart? Grenzen Sie es zum DWH ab.
Welche Formen von Data Marts existieren?
Data Mart
Ist eine vereinfachte Form eines DWH. Marts werden für einen bestimmten Organisationsbereich oder eine bestimmte Anwendung erstellt. Mehrere Marts werden für unterschiedliche Benutzergruppen definiert, dadurch wird die Komplexität der Abfragen reduziert.
Formen
- Abhängige Data Marts
Um auf Basis eines Data Warehouse einen Data Mart zu erstellen, wird ein bestimmter Datensatz vom Warehouse aggregiert (zu einem Cluster geformt), neu strukturiert und anschließend in den Data Mart geladen, von wo aus er abgerufen werden kann. - Unabhängige Data Marts
Ein unabhängiger Data Mart ist ein alleinstehendes – ohne ein Data Warehouse erstelltes – System, das auf einen Themenbereich oder eine Geschäftsfunktion fokussiert ist. Die Daten werden aus internen oder externen Datenquellen (oder beidem) extrahiert, verarbeitet und dann ins Data Mart Repository geladen. Dort bleiben sie gespeichert, bis sie für Geschäftsanalysen benötigt werden.
DWH
Ein Data Warehouse ist eine themenorientierte, historische und autonome Datenbank eines Unternehmens, in der Daten aus verschiedenen unabhängigen Quellsystemen integriert und verwaltet werden. Die Daten werden von den Datenquellen bereitgestellt und geladen und dort vor allem für die Datenanalyse und zur betriebswirtschaftlichen Entscheidungshilfe in Unternehmen sowie zum Data Mining langfristig gespeichert.
Erläutern Sie den ETL-Prozess beim Data Warehousing.
ETL beschreibt einen Prozess aus mehreren Einzelschritten, mit dem sich Daten aus verschiedenen Quellen in eine Datenbank oder ein Data Warehouse integrieren lassen. Ziel ist es, die integrierten Daten für die weitere Verarbeitung vorzubereiten und bereitzustellen.
Beschreiben Sie die einzelnen Aufgaben der Transformation.
Transformation
Daten werden für das Laden vorbereitet und angepasst -> Integration
inhaltlich: Daten- / Instanzintegration
strukturell: Schemaintegration
Alle Daten werden in ein einheitliches internes Format überführt -> Homogenisierung / Harmonisierung
Anpassung von Datentypen
Konvertierung von Kodierungen
Vereinheitlichung von Zeichenketten
Weitere Aufgabe ist die Datenbereinigung (Data Cleansing) von u.a. fehlerhafte / fehlende Werte
Aggregation
Welche Standardberichtsformen kennen Sie? Geben Sie Beispiele an.
Planungsberichte (als Grundlage und Ergebnis der strategischen und operativen Planung)
Abweichungsberichte (z.B. Monats- und Quartalsberichte)
Statusberichte (z.B. Geschäftsberichte)
Welche SAP BW-Werkzeuge unter SAP BW on HANA kennen Sie?
Information Access -> Advanced for Office, Design Studio, Lumira, Crystal Reports, Predeictive
Data Warehouse -> HANA Studio BW Modelling tools, Data Warehouse Workbench
Source Systems
Skizzieren Sie die SAP-Schichtenarchitektur LSA und LSA++ eines Data
Warehouses und erläutern Sie diese. Vergleichen Sie beide Architekturen.
Data-Acquistion-Schicht
Zuständig für die Datenbeschaffung (aus Quellsystem), Rohdaten liegen vor
Quality-&-Harmonization-Schicht
Zuständig für Datenbereinigung und um Daten auf einen Nenner zu bringen (Umwandeln von externen Datumsformaten)
Data-Propagation-Schicht
Daten werden für das Reporting vorbereitet. Bewegungsdaten und Stammdaten werden zusammengelegt und dienen als Datengrundlage.
Corporate-Memory-Schicht
Langfristige Speicherung der Daten aus der Data-Acquistion-Schicht
Business-Transformation-Schicht
Bezieht sich auf die der Daten der Data-Propagation-Schicht, mit dem Unterschied, dass nur anwendungsabhängige Daten übernommen werden.
Reporting-Schicht
Wird genutzt, um performantes Reporting zu ermöglichen. Diese Schicht kann noch aufgeteilt werden, z.B. für granulare oder aggregierte Daten.
Virtualization-Schicht
Dient als Grundlage zur Definition von MultiProvider oder InfoSets.
Vorteil: Hohe Flexibilität durch anhängen mehrerer InfoProvider (Aufteilung zu großer InfoCubes)
Operational-Data-Store-Schicht
Diese Schicht soll es mithilfe des BW-Systems ermöglichen, Auswertungen auf Basis von Quelldaten auszuführen.
EDW Transformation Layer
Daten werden einheitlich auf semantische und syntaktische Konventionen transformiert
BW Virtual Data Mart Layer
Die dazu physische Abbildung der Daten von der logischen Sichr durch das Reporting zu entkoppeln (wie LSA). Zentrale Objekt ist nur der CompositeProvider
Unterschiede zur LSA:
Queries auf DataStore-Objekten sind genauso schnell wie auf InfoCubes, Queries können so direkt auf der Data-Propagation-Schicht aufsetzen. (Ersetzt Reporting Layer)
Mithilfe von CompositeProvidern, die InfoProvider zusammenführen, können virtuelle Data Marts definiert werden.
Über spezielle VirtualProvider und TransientProvider ist der direkte Zugriff auf Daten in der SAP-HANA-Datenbank möglich
Geben Sie an, was man unter den folgenden SAP BW Objekten versteht:
InfoObject
Sind betriebswirtschaftliche Auswertungsobjekte. Sie untergliedern sich in Merkmale/ Characteristics (z.B. Kunde), Kennzahlen/Key Figures (z.B. Umsatz), Einheiten (z.B. Währung, Mengeneinheit), Zeitmerkmale (z.B. Geschäftsjahr) und technische Merkmale (z.B. Requestnummer).
DataSource
Eine DataSource ist eine interne Repräsentation von externen Quellen von Daten für spezifische Quellsysteme.
InfoProvider
Oberbegriff für BI-Objekte, in die Daten geladen werden oder die Sichten auf Daten darstellen. Diese Daten können in der Regel mit BI Queries ausgewertet werden.
aDSO
Zentraler InfoProvider der Modellierung (für SAP BW/4HANA)
Besitzen die Fähigkeit, ihre Funktion ohne Verlust der abgelegten Daten zu ändern. Dies schließt auch eine Änderung der Inhalte von Tabellen mit ein, wenn der Typ verändert wird.
CompositeProvider
Ein CompositeProvider ist ein InfoProvider, der Daten aus mehreren analytischen Indizes oder weiteren InfoProvidern zusammenführt (per Union oder Inner Join oder Left Outer Join) und für Reporting und Analyse zur Verfügung stellt.
InfoCube
Typ eines InfoProviders. Ein InfoCube beschreibt einen (aus Sicht der Analyse) in sich geschlossenen Datenbestand z.B. eines betriebswirtschaftlichen Bereichs.
Persistent Staging Area (PSA)
ist die Eingangsablage im BI für Daten aus den Quellsystemen. Die angeforderten Daten werden unverändert zum Quellsystem gespeichert.
InfoArea / Anwendungskomponente
InfoAreas in den BW-Modellierungswerkzeugen dienen der Gliederung von Objekten des SAP BW Metadata Repository, d.h von InfoProvidern, InfoObjects, InfoSources und Open Hub Destinationen
Erläutern Sie, was man unter einer Kennzahl versteht. Welche Arten von
Kennzahltypen kennen Sie? Geben Sie jeweils ein Anwendungsbeispiel an.
Kennzahlen sind verdichtete numerische Messgrößen, die sich auf die wichtigen Tatbestände im Unternehmen beziehen und diese in konzentrierter Form darstellen. Sie informieren problemorientiert über betriebswirtschaftliche Sachverhalte und erfüllen so wichtige Aufgaben in allen Phasen des unternehmerischen Entscheidungsprozesses
Arten und Anwendungsbeispiel:
Vollständig additive Fakten
Berechnung zwischen allen Konsolidierungsebenen der Dimension möglich
Können z.B. über den Zeitverlauf und über verschiedene Regionen hinweg addiert werden
🡪 Einkaufswert, Bestellmenge eines Artikels pro Tag
Semi-additive Fakten
(additive) Berechnung nur für ausgewählte Menge von Hierarchieebenen
Bestandsgrößen sind meistens über alle Dimensionen außer der Zeit additiv aggregierbar
🡪 Lagerbestand, Kontostand, Einwohnerzahl pro Stadt
Nicht-additive Fakten
additive Berechnung nach keiner denkbaren Dimension sinnvoll möglich
Im Allgemeinen Durchschnitts- oder prozentuale Werte
🡪 Wechselkurs, Steuersatz
Geben Sie die möglichen Ausprägungen von absoluten Kennzahlen an.
Wie untergliedern sich Verhältniszahlen?
Absolute Kennzahlen
Darstellung unabhängig von anderen Zahlengrößen
Einzelzahlen (z.B. Umsatz)
Differenzen (z.B. Arbeitskapital: Umlaufvermögen minus Fremdkapital)
Summen (z.B. Bilanzsumme)
Verhältniszahlen
Gliederungszahlen (Quoten)
Teilgröße wird zu einer Gesamtgröße in Beziehung gesetzt
vergleichen Größen, die wesensgleich, aber nicht gleichrangig sind
Bsp. Anteil eines Produktumsatzes am Gesamtumsatz
Beziehungszahlen
Verhältnis zwischen gleichrangigen, aber inhaltlich nicht gleichartigen Fakten, d.h. zwei verschiedenartige Kenngrößen werden zueinander in Beziehung gesetzt
Bsp. Umsatz je Mitarbeiter, Umsatz pro Quadratmeter Verkaufsfläche
einfache Messzahlen
zwei gleichartige Größen werden in Beziehung gesetzt
Bsp. Entwicklung des Unternehmensgewinns
Indexzahlen
messen Verlauf mehrerer sachlich zusammengehöriger Reihen (Bündel von Merkmalen wird betrachtet)
Bsp. Preisindex der Lebenshaltung, Aktienindex (DAX, EURO STOXX 50, …)
Was leisten Kennzahlen? Welchen Herausforderungen sehen Sie sich bei
der Anwendung von Kennzahlen gegenüber?
Betriebswirtschaftliche Kennzahlen wie Umsatz, Gewinn oder Deckungsbeitrag sind wichtige Faktoren bei der Daten-Analyse im Entscheidungsprozess. Zudem können Erkenntnisse über bisherige Entwicklungen gewonnen werden und Risiken sowie Chancen frühzeitig erkannt werden. (Wachstumskennzahlen, Personalentwicklung…)
Herausforderungen:
Zweckeignung: Eignung der Information zur Lösung einer gestellten Aufgabe.
Genauigkeit: Übereinstimmung mit der Realität
Aktualität: Zeitnähe für Kontrolle/Gegensteuerung
Kosten-Nutzen-Relation: Verhältnis der Informationsbeschaffungs- und auswertungskosten und des Nutzens aus der Verwertung von Informationen.
Betrachtungsgegenstand: Häufig werden nur monetäre Aspekte beachtet, sowie Vermeidung von „Silo-Kennzahlensystemen“
Erläutern Sie den Aufbau eines Kennzahlen Steckbriefs bzw. den eines
Kennzahlensystem Steckbriefs.
Der Steckbrief ist in 5 Hauptelemente gegliedert
Beschreibung der Kennzahl -> Hier werden Toleranzwerte, der Adressat, Soll- und Zielwerte und Eskalationsregeln festgelegt.
Bemerkung -> Auflistung der Bemerkungen
Datenermittlung -> Datenquelle sowie die Qualität der Daten (Abweichungen/Validität) und der Verantwortliche wird hier festgehalten
Datenaufbereitung -> Berechnungsweg, Verknüpfungen (mit anderen Kennzahlen), Verantwortlicher
Präsentation -> Darstellung, Aggregationsstufen, Archivierung, Verantwortlicher.
Was versteht man unter einer Dimension im Zusammenhang mit dem
multidimensionalen Datenmodell? Geben Sie ein Beispiel für eine einfache
und eine parallele Hierarchie an.
Dimensionen
Beschreiben mögliche Sicht auf assoziierte Kennzahl
Endliche Menge von n (n >= 2) Dimensionselementen (Hierarchieobjekten), die eine semantische Beziehung aufweisen
Dienen der orthogonalen Strukturierung des Datenraums
Bsp. Kunde, Material, Vertriebsbereich, Zeit
Einfache Hierarchie
Höhere Hierarchieebene enthält die aggregierten Werte genau einer niedrigeren Hierarchiestufe
Oberster Knoten enthält Verdichtung auf einen einzelnen Wert der Dimension
🡪 Filiale -> Ort -> Region -> Bundesland
Parallele Hierarchie
Innerhalb einer Dimension sind verschiedene Arten der Gruppierung möglich
Keine hierarchische Beziehung in den parallelen Zweigen
Parallelhierarchie: Pfad im Klassifikationsschema
🡪 Einzelkunden -> Kundengruppe logisch (parallel Kundengruppen regional) -> Kunden total
Erläutern Sie anhand je eines Anwendungsbeispiels die OLAP Operationen.
Pivotierung bzw. Rotation
->Rotieren des Würfels um die eigene Achse, so dass eine andere Kombination von zwei Dimensionen sichtbar wird.
Im Beispiel sieht der Nutzer im Würfel links die Dimensionen „Studienausrichtung“ und „Studienabschnitt“. Recherchierbar sind damit zum Beispiel die Studentenzahlen der jeweiligen Fächer im Grund- und Hauptstudium.
Eine neue Sicht erhält der User durch Drehen des Ausgangswürfels nach links um die Achse „Studienausrichtung“. Nun kommen die Dimensionen „Studienausrichtung“ und „Zeit“ in den Vordergrund, womit die Studentenzahlen der Studienrichtungen in den einzelnen Semestern sichtbar werden.
Drill-Across
->Wechsel von einem Würfel zu einem anderen Würfel
Drill-Down
->Navigation von aggregierten Daten zu Detail-Daten entlang der Klassifikationshierarchie
Bsp. Die Umsätze eines Unternehmens sind in einem Data-Warehouse mit Angaben zu Zeitraum, Produktsparte und Filiale gespeichert und können nach jeder dieser Dimensionen zusammengefasst und ausgewertet werden.
Roll-Up
->Die inverse Operation zum „Drill Down“ ist das „Roll Up“. Beim „Roll-Up“ werden alle Einzelwerte zu einem weiter oben liegenden Hierarchieattribut verdichtet. Dadurch verringert sich der Detaillierungsgrad.
Bsp. Tag -> Monat -> Quartal -> Jahr
Data Slicing
->Herausschneiden von „Scheiben“ aus einem Würfel
Verringerung der Dimensionalität Bsp. alle Werte des aktuellen Geschäftsjahres werden betrachtet.
Data Dicing
->Herausschneiden eines „Teilwürfels“
Bsp. Statt sich die Umsätze für 5 Produkte oder Produktkategorien anzusehen, wird der Fokus auf weniger Produkte bzw. Produktkategorien gelegt.
