SlideShare uma empresa Scribd logo
1 de 21
DDVUG
HANNOVER
STAMMTISCH
Networking – Raus aus dem Vault -
Virtualisierung
Willkommen
 Einleitung – DDVUG – Vorstellung
 Business Vault Patterns
 Raus aus dem Vault – Virtualisierung
 Networking - Diskussion
DDVUG e.V.
 Deutschsprachige Data Vault User
Group
 Verbreitung von Wissen
 Veranstaltungen (Stammtische)
 Arbeitsergebnisse bereitstellen
 ddvug.de
 http://datavaultusergroup.de/wp-content/uploads/Mitgliedsantrag.pdf
Alligator Company
 “Crossing Borders” – DWH, Data
Vault und Automation
 Torsten Glunde, CEO und Gründer
 torsten.glunde@alligator-
company.de
 @tglunde
 alligator-company.de
Data Vault
16.12.
2016
Verfasser eintragen über Einfügen, Kopf- und Fußzeile 5
OLTP
Quellen
Anwende
r
Raw Vault
DM
DM
BU
Business
Vault
Data
Wahrnehmun
g
Realität
Anforderung Anforderung
Diskrepanz
Regel
 Wahrnehmungen unterscheiden
sich
 Diskrepanz zwischen verfügbaren
Daten und angeforderten
Informationen
 Trennung von RAW und Business
Vault
 Warum Data Vault?
 Erweiterbarkeit
 Nachvollziehbarkeit
Data Vault
 RAW
 Core Business Concept,
Geschäftsschlüssel
 Automation und Generation
 Langzeitspeicher
 Keine Agilität
 Regeln
 Anforderungsgetrieben
 Speicherung, Nachvollziehbarkeit
 Hohe Agilität?
 Raus
 Höchste Agilität
 Probleme mit Data Vault
Rohdaten
Regel
n
RAW Business
Raus
Agilität
Business Vault – Muster
 Abgeleitete Attribute
 Satelliten
 Gleiche Granularität
 Abgeleitete Relationen
 Same-As-Link
 Identity Resolution, DQ
 Aggregation (Portfolio, Deckungsbeiträge, …)
 Abgeleitete Events (Bewegungssätze aus Bestandssystemen,
Zufallssätze / Stichproben)
 Abgeleitete Hubs
 Identity Resolution
 DQ
 Bestehende Data Vault Muster!
Business Vault – Muster
 Dimensionale Abbildung
 Hierarchie
 Link + SAL für Vorgänger und
Nachfolger
 Denormalisierung?
 Denormalisierte Strukturen
aufbauen?
 Unbalancierte Hierarchien
 NA-Dummies
 Normalisierung zur balancierten
Hierarchie?
 PIT?
 Bridge?
 Zeitlinien?
Source: Michael Müller, MID
Raus aus dem Vault
 Data Virtualisierung + SuperNova Modeling
 Data Virtualisierung ersetzt physische
Datenhaushalte nach dem Vault
 SuperNova ist eine Modellierungstechnik speziell
für Data Vault gedacht
 Modellgetriebener Ansatz
 Virtualisierte Daten basierend auf VIEWs
Data Virtualization
Rohdaten
Regel
n
RAW Business
Data Virtualization Server
Rohdaten
Regel
n
RAW Business
DM Cube File
Data Virtualization
 Modellgetrieben
 Keine Datenbewirtschaftung
 Modell-Definition anhand von
SQL
 SQL-Engine
 View Definitionen
 Bekannte Optimierung
 Caching
 Materialized Views
 Ergebnis Caching
 Hersteller
 Denodo, Cisco, SAS, JBOSS
Data Virtualization Server
Relationales
Modell
Quelltabellen
Views
Cach
e
Parser
Engine
Optimiz
e
DV
Super Nova Überblick
 Supernova
 Alle Versionen von
Hub und Link
(Eliminierung von
Satelliten)
 Extended Supernova
 Views mit Regeln
 Delivery
 Star Schema View
 Denormalisierung
 Anforderungsgetriebe
n
Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
Supernova –Views
Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
Supernova – Views
Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
Supernova – Views
Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
Supernova – Views
Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
Supernova – Views
Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
Data Vault vs. Supernova
Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
Supernova + Datenvirtualisierung
 Modellierung mittels SQL-Views
 Bestehendes Know-How
 Transiente Datenhaltung
 Versionierung / Transparenz über Metadaten
 Lineage
 Autorisierung
 Abhängig vom Hersteller der Virtualisierungssoftware
 Supernova Generierbar
 Höhere Agilität als bei der Verwendung von
herkömmlichen Bewirtschaftungsprozessen
 Virtualisierung ermöglicht auch Zugriff auf Legacy-
Systeme
 ?
Vorteile Nachteile
Linksammlung
 Automation
 Roelant Vos http://roelantvos.com
 Quipu http://www.datawarehousemanagement.org/
 Wherescape http://wherescape.com
 BI-Ready  http://attunity.com
 Data Virtualization & Logical Data Warehouse
 Mark Beyer http://blogs.gartner.com/merv-adrian/2011/11/03/mark-beyer-father-of-the-logical-data-
warehouse-guest-post/
 Rick van der Lans http://www.r20.nl/whitepapers.htm
 Data Virtuality http://datavirtuality.com/products/logical-data-warehouse/
 Cisco http://www.cisco.com/c/en/us/services/enterprise-it-services/data-virtualization.html
 Denodo http://www.denodo.com/en
 SAS Federation http://www.sas.com/en_us/software/data-management/data-federation.html
 Red Hat https://www.redhat.com/en/technologies/jboss-middleware/data-virtualization
Danke
16x9
4x3

Mais conteúdo relacionado

Mais procurados

Azure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die CloudAzure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die Cloudinovex GmbH
 
Bacula Systems Elevator Pitch
Bacula Systems Elevator Pitch Bacula Systems Elevator Pitch
Bacula Systems Elevator Pitch Univention GmbH
 
Hitachi marktforum it beschaffung 2012 0.2
Hitachi   marktforum it beschaffung 2012 0.2Hitachi   marktforum it beschaffung 2012 0.2
Hitachi marktforum it beschaffung 2012 0.2Sascha Oehl
 
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Business Intelligence Research
 
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Business Intelligence Research
 
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Business Intelligence Research
 
Trivadis Office365-Azure Case OdA
Trivadis Office365-Azure Case OdATrivadis Office365-Azure Case OdA
Trivadis Office365-Azure Case OdATrivadis
 
Portfolio 2016 animated style
Portfolio 2016   animated stylePortfolio 2016   animated style
Portfolio 2016 animated styleSascha Oehl
 
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der AutomobilindustrieCDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der AutomobilindustrieAndreas Buckenhofer
 
Wie modelliere ich mein Core DWH?
Wie modelliere ich mein Core DWH?Wie modelliere ich mein Core DWH?
Wie modelliere ich mein Core DWH?Trivadis
 
Hif 3 d information center 0.7
Hif 3 d information center 0.7Hif 3 d information center 0.7
Hif 3 d information center 0.7Sascha Oehl
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesComsysto Reply GmbH
 
Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)Andreas Buckenhofer
 
Azure SQL Database vs. Azure SQL Data Warehouse
Azure SQL Database vs. Azure SQL Data WarehouseAzure SQL Database vs. Azure SQL Data Warehouse
Azure SQL Database vs. Azure SQL Data WarehousepmOne Analytics GmbH
 
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...Trivadis
 
BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?
BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?
BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?Guido Schmutz
 

Mais procurados (20)

Azure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die CloudAzure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die Cloud
 
Bacula Systems Elevator Pitch
Bacula Systems Elevator Pitch Bacula Systems Elevator Pitch
Bacula Systems Elevator Pitch
 
Hitachi marktforum it beschaffung 2012 0.2
Hitachi   marktforum it beschaffung 2012 0.2Hitachi   marktforum it beschaffung 2012 0.2
Hitachi marktforum it beschaffung 2012 0.2
 
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
 
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
 
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
 
Trivadis Office365-Azure Case OdA
Trivadis Office365-Azure Case OdATrivadis Office365-Azure Case OdA
Trivadis Office365-Azure Case OdA
 
Portfolio 2016
Portfolio 2016Portfolio 2016
Portfolio 2016
 
Portfolio 2016 animated style
Portfolio 2016   animated stylePortfolio 2016   animated style
Portfolio 2016 animated style
 
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der AutomobilindustrieCDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
 
The cloud 2011
The cloud 2011The cloud 2011
The cloud 2011
 
Wie modelliere ich mein Core DWH?
Wie modelliere ich mein Core DWH?Wie modelliere ich mein Core DWH?
Wie modelliere ich mein Core DWH?
 
Hif 3 d information center 0.7
Hif 3 d information center 0.7Hif 3 d information center 0.7
Hif 3 d information center 0.7
 
Amazon Redshift
Amazon RedshiftAmazon Redshift
Amazon Redshift
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid Architectures
 
Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)
 
Azure SQL Database vs. Azure SQL Data Warehouse
Azure SQL Database vs. Azure SQL Data WarehouseAzure SQL Database vs. Azure SQL Data Warehouse
Azure SQL Database vs. Azure SQL Data Warehouse
 
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
 
BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?
BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?
BPMN, BPEL oder vielleicht doch Java? Oder auch noch ESB?
 
Wirksames Stammdatenmanagement
Wirksames StammdatenmanagementWirksames Stammdatenmanagement
Wirksames Stammdatenmanagement
 

Destaque

Denodo DataFest 2017: Company Leadership from Data Leadership
Denodo DataFest 2017: Company Leadership from Data LeadershipDenodo DataFest 2017: Company Leadership from Data Leadership
Denodo DataFest 2017: Company Leadership from Data LeadershipDenodo
 
Denodo DataFest 2017: Conquering the Edge with Data Virtualization
Denodo DataFest 2017: Conquering the Edge with Data VirtualizationDenodo DataFest 2017: Conquering the Edge with Data Virtualization
Denodo DataFest 2017: Conquering the Edge with Data VirtualizationDenodo
 
Denodo DataFest 2017: Enabling Single View of Entities with Microservices
Denodo DataFest 2017: Enabling Single View of Entities with MicroservicesDenodo DataFest 2017: Enabling Single View of Entities with Microservices
Denodo DataFest 2017: Enabling Single View of Entities with MicroservicesDenodo
 
Denodo DataFest 2017: Modern Data Architectures Need Real-time Data Delivery
Denodo DataFest 2017: Modern Data Architectures Need Real-time Data DeliveryDenodo DataFest 2017: Modern Data Architectures Need Real-time Data Delivery
Denodo DataFest 2017: Modern Data Architectures Need Real-time Data DeliveryDenodo
 
Denodo DataFest 2017: Multi-zone Data Virtualization for Data Lakes
Denodo DataFest 2017: Multi-zone Data Virtualization for Data LakesDenodo DataFest 2017: Multi-zone Data Virtualization for Data Lakes
Denodo DataFest 2017: Multi-zone Data Virtualization for Data LakesDenodo
 
Performance Considerations in Logical Data Warehouse
Performance Considerations in Logical Data WarehousePerformance Considerations in Logical Data Warehouse
Performance Considerations in Logical Data WarehouseDenodo
 
Denodo DataFest 2017: Data Virtualization in the World of Edge Computing
Denodo DataFest 2017: Data Virtualization in the World of Edge ComputingDenodo DataFest 2017: Data Virtualization in the World of Edge Computing
Denodo DataFest 2017: Data Virtualization in the World of Edge ComputingDenodo
 
Denodo DataFest 2017: Business Needs for a Fast Data Strategy
Denodo DataFest 2017: Business Needs for a Fast Data StrategyDenodo DataFest 2017: Business Needs for a Fast Data Strategy
Denodo DataFest 2017: Business Needs for a Fast Data StrategyDenodo
 
Denodo DataFest 2017: The Need for Speed and Agility in Business
Denodo DataFest 2017: The Need for Speed and Agility in BusinessDenodo DataFest 2017: The Need for Speed and Agility in Business
Denodo DataFest 2017: The Need for Speed and Agility in BusinessDenodo
 
Denodo DataFest 2017: Lowering IT Costs with Big Data and Cloud Modernization
Denodo DataFest 2017: Lowering IT Costs with Big Data and Cloud ModernizationDenodo DataFest 2017: Lowering IT Costs with Big Data and Cloud Modernization
Denodo DataFest 2017: Lowering IT Costs with Big Data and Cloud ModernizationDenodo
 
Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...
Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...
Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...Denodo
 
Denodo DataFest 2017: Succeeding in Self-Service BI
Denodo DataFest 2017: Succeeding in Self-Service BIDenodo DataFest 2017: Succeeding in Self-Service BI
Denodo DataFest 2017: Succeeding in Self-Service BIDenodo
 
Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...
Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...
Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...Denodo
 
Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...
Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...
Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...Denodo
 
Denodo DataFest 2017: Outpace Your Competition with Real-Time Responses
Denodo DataFest 2017: Outpace Your Competition with Real-Time ResponsesDenodo DataFest 2017: Outpace Your Competition with Real-Time Responses
Denodo DataFest 2017: Outpace Your Competition with Real-Time ResponsesDenodo
 

Destaque (15)

Denodo DataFest 2017: Company Leadership from Data Leadership
Denodo DataFest 2017: Company Leadership from Data LeadershipDenodo DataFest 2017: Company Leadership from Data Leadership
Denodo DataFest 2017: Company Leadership from Data Leadership
 
Denodo DataFest 2017: Conquering the Edge with Data Virtualization
Denodo DataFest 2017: Conquering the Edge with Data VirtualizationDenodo DataFest 2017: Conquering the Edge with Data Virtualization
Denodo DataFest 2017: Conquering the Edge with Data Virtualization
 
Denodo DataFest 2017: Enabling Single View of Entities with Microservices
Denodo DataFest 2017: Enabling Single View of Entities with MicroservicesDenodo DataFest 2017: Enabling Single View of Entities with Microservices
Denodo DataFest 2017: Enabling Single View of Entities with Microservices
 
Denodo DataFest 2017: Modern Data Architectures Need Real-time Data Delivery
Denodo DataFest 2017: Modern Data Architectures Need Real-time Data DeliveryDenodo DataFest 2017: Modern Data Architectures Need Real-time Data Delivery
Denodo DataFest 2017: Modern Data Architectures Need Real-time Data Delivery
 
Denodo DataFest 2017: Multi-zone Data Virtualization for Data Lakes
Denodo DataFest 2017: Multi-zone Data Virtualization for Data LakesDenodo DataFest 2017: Multi-zone Data Virtualization for Data Lakes
Denodo DataFest 2017: Multi-zone Data Virtualization for Data Lakes
 
Performance Considerations in Logical Data Warehouse
Performance Considerations in Logical Data WarehousePerformance Considerations in Logical Data Warehouse
Performance Considerations in Logical Data Warehouse
 
Denodo DataFest 2017: Data Virtualization in the World of Edge Computing
Denodo DataFest 2017: Data Virtualization in the World of Edge ComputingDenodo DataFest 2017: Data Virtualization in the World of Edge Computing
Denodo DataFest 2017: Data Virtualization in the World of Edge Computing
 
Denodo DataFest 2017: Business Needs for a Fast Data Strategy
Denodo DataFest 2017: Business Needs for a Fast Data StrategyDenodo DataFest 2017: Business Needs for a Fast Data Strategy
Denodo DataFest 2017: Business Needs for a Fast Data Strategy
 
Denodo DataFest 2017: The Need for Speed and Agility in Business
Denodo DataFest 2017: The Need for Speed and Agility in BusinessDenodo DataFest 2017: The Need for Speed and Agility in Business
Denodo DataFest 2017: The Need for Speed and Agility in Business
 
Denodo DataFest 2017: Lowering IT Costs with Big Data and Cloud Modernization
Denodo DataFest 2017: Lowering IT Costs with Big Data and Cloud ModernizationDenodo DataFest 2017: Lowering IT Costs with Big Data and Cloud Modernization
Denodo DataFest 2017: Lowering IT Costs with Big Data and Cloud Modernization
 
Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...
Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...
Denodo DataFest 2017: Denodo 7.0 Demo. Centralized Self-Service Search and Di...
 
Denodo DataFest 2017: Succeeding in Self-Service BI
Denodo DataFest 2017: Succeeding in Self-Service BIDenodo DataFest 2017: Succeeding in Self-Service BI
Denodo DataFest 2017: Succeeding in Self-Service BI
 
Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...
Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...
Denodo DataFest 2017: Integrating Big Data and Streaming Data with Enterprise...
 
Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...
Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...
Denodo DataFest 2017: Edge Computing: Collecting vs. Connecting to Streaming ...
 
Denodo DataFest 2017: Outpace Your Competition with Real-Time Responses
Denodo DataFest 2017: Outpace Your Competition with Real-Time ResponsesDenodo DataFest 2017: Outpace Your Competition with Real-Time Responses
Denodo DataFest 2017: Outpace Your Competition with Real-Time Responses
 

Semelhante a Data Virtualization - Supernova

Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13OPITZ CONSULTING Deutschland
 
Dataservices - Data Processing mit Microservices
Dataservices - Data Processing mit MicroservicesDataservices - Data Processing mit Microservices
Dataservices - Data Processing mit MicroservicesQAware GmbH
 
Erweitern sie ihr Data Center mit Cloud Services
Erweitern sie ihr Data Center mit Cloud ServicesErweitern sie ihr Data Center mit Cloud Services
Erweitern sie ihr Data Center mit Cloud ServicesAWS Germany
 
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“OPEN KNOWLEDGE GmbH
 
Innovationen aus der Cloud ganz einfach nutzen
Innovationen aus der Cloud ganz einfach nutzenInnovationen aus der Cloud ganz einfach nutzen
Innovationen aus der Cloud ganz einfach nutzenAmazon Web Services
 
TRANSCONNECT® cloud (SQL Projekt AG)
TRANSCONNECT® cloud (SQL Projekt AG)TRANSCONNECT® cloud (SQL Projekt AG)
TRANSCONNECT® cloud (SQL Projekt AG)SQL Projekt AG
 
Boost your APEX Deployment and Provisioning with Docker
Boost your APEX Deployment and Provisioning with DockerBoost your APEX Deployment and Provisioning with Docker
Boost your APEX Deployment and Provisioning with DockerSteven Grzbielok
 
Cloud Connectivity - Herausforderungen und Loesungen
Cloud Connectivity - Herausforderungen und LoesungenCloud Connectivity - Herausforderungen und Loesungen
Cloud Connectivity - Herausforderungen und LoesungenDaniel Steiger
 
Monitoring Openstack - LinuxTag 2013
Monitoring Openstack - LinuxTag 2013Monitoring Openstack - LinuxTag 2013
Monitoring Openstack - LinuxTag 2013NETWAYS
 
Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Azure Days 2019: Master the Move to Azure (Konrad Brunner)Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Azure Days 2019: Master the Move to Azure (Konrad Brunner)Trivadis
 
Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...
Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...
Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...BOSTON Server & Storage Solutions GmbH
 
Tk roadschow-icinga-pdeneu
Tk roadschow-icinga-pdeneuTk roadschow-icinga-pdeneu
Tk roadschow-icinga-pdeneuWerner Fischer
 
Meet Magento - High performance magento
Meet Magento - High performance magentoMeet Magento - High performance magento
Meet Magento - High performance magentoAOE
 
Where are all transactions gone? Was in_der_cloud_alles_verboten_ist
Where are all transactions gone? Was in_der_cloud_alles_verboten_istWhere are all transactions gone? Was in_der_cloud_alles_verboten_ist
Where are all transactions gone? Was in_der_cloud_alles_verboten_istRamon Anger
 
Big Data Konnektivität
Big Data KonnektivitätBig Data Konnektivität
Big Data KonnektivitätTrivadis
 
Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...
Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...
Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...AboutYouGmbH
 
Sbs unternehmenspräsentation v14.3.8
Sbs unternehmenspräsentation v14.3.8Sbs unternehmenspräsentation v14.3.8
Sbs unternehmenspräsentation v14.3.8Joschka Gerrit Bronst
 
Webcast Nr. 3 - Java Entwicklung mit der SAP Cloud Platform
Webcast Nr. 3 - Java Entwicklung mit der SAP Cloud PlatformWebcast Nr. 3 - Java Entwicklung mit der SAP Cloud Platform
Webcast Nr. 3 - Java Entwicklung mit der SAP Cloud PlatformPatric Dahse
 
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)data://disrupted®
 
Cloud Deployment und (Auto)Scaling am Beispiel von Angrybird
Cloud Deployment und (Auto)Scaling am Beispiel von AngrybirdCloud Deployment und (Auto)Scaling am Beispiel von Angrybird
Cloud Deployment und (Auto)Scaling am Beispiel von AngrybirdAOE
 

Semelhante a Data Virtualization - Supernova (20)

Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
 
Dataservices - Data Processing mit Microservices
Dataservices - Data Processing mit MicroservicesDataservices - Data Processing mit Microservices
Dataservices - Data Processing mit Microservices
 
Erweitern sie ihr Data Center mit Cloud Services
Erweitern sie ihr Data Center mit Cloud ServicesErweitern sie ihr Data Center mit Cloud Services
Erweitern sie ihr Data Center mit Cloud Services
 
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
 
Innovationen aus der Cloud ganz einfach nutzen
Innovationen aus der Cloud ganz einfach nutzenInnovationen aus der Cloud ganz einfach nutzen
Innovationen aus der Cloud ganz einfach nutzen
 
TRANSCONNECT® cloud (SQL Projekt AG)
TRANSCONNECT® cloud (SQL Projekt AG)TRANSCONNECT® cloud (SQL Projekt AG)
TRANSCONNECT® cloud (SQL Projekt AG)
 
Boost your APEX Deployment and Provisioning with Docker
Boost your APEX Deployment and Provisioning with DockerBoost your APEX Deployment and Provisioning with Docker
Boost your APEX Deployment and Provisioning with Docker
 
Cloud Connectivity - Herausforderungen und Loesungen
Cloud Connectivity - Herausforderungen und LoesungenCloud Connectivity - Herausforderungen und Loesungen
Cloud Connectivity - Herausforderungen und Loesungen
 
Monitoring Openstack - LinuxTag 2013
Monitoring Openstack - LinuxTag 2013Monitoring Openstack - LinuxTag 2013
Monitoring Openstack - LinuxTag 2013
 
Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Azure Days 2019: Master the Move to Azure (Konrad Brunner)Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Azure Days 2019: Master the Move to Azure (Konrad Brunner)
 
Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...
Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...
Fische im Rechenzentrum – Was genau ist eigentlich dieses Redfish und wozu br...
 
Tk roadschow-icinga-pdeneu
Tk roadschow-icinga-pdeneuTk roadschow-icinga-pdeneu
Tk roadschow-icinga-pdeneu
 
Meet Magento - High performance magento
Meet Magento - High performance magentoMeet Magento - High performance magento
Meet Magento - High performance magento
 
Where are all transactions gone? Was in_der_cloud_alles_verboten_ist
Where are all transactions gone? Was in_der_cloud_alles_verboten_istWhere are all transactions gone? Was in_der_cloud_alles_verboten_ist
Where are all transactions gone? Was in_der_cloud_alles_verboten_ist
 
Big Data Konnektivität
Big Data KonnektivitätBig Data Konnektivität
Big Data Konnektivität
 
Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...
Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...
Dr. Andreas Lattner - Aufsetzen skalierbarer Prognose- und Analysedienste mit...
 
Sbs unternehmenspräsentation v14.3.8
Sbs unternehmenspräsentation v14.3.8Sbs unternehmenspräsentation v14.3.8
Sbs unternehmenspräsentation v14.3.8
 
Webcast Nr. 3 - Java Entwicklung mit der SAP Cloud Platform
Webcast Nr. 3 - Java Entwicklung mit der SAP Cloud PlatformWebcast Nr. 3 - Java Entwicklung mit der SAP Cloud Platform
Webcast Nr. 3 - Java Entwicklung mit der SAP Cloud Platform
 
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)
 
Cloud Deployment und (Auto)Scaling am Beispiel von Angrybird
Cloud Deployment und (Auto)Scaling am Beispiel von AngrybirdCloud Deployment und (Auto)Scaling am Beispiel von Angrybird
Cloud Deployment und (Auto)Scaling am Beispiel von Angrybird
 

Mais de Torsten Glunde

Conceptional Data Vault
Conceptional Data VaultConceptional Data Vault
Conceptional Data VaultTorsten Glunde
 
OpenDMA - Daten Management Solution
OpenDMA  - Daten Management SolutionOpenDMA  - Daten Management Solution
OpenDMA - Daten Management SolutionTorsten Glunde
 
BCBS 239 - Data Vault hilft
BCBS 239 - Data Vault hilftBCBS 239 - Data Vault hilft
BCBS 239 - Data Vault hilftTorsten Glunde
 
Data Vault Architektur
Data Vault ArchitekturData Vault Architektur
Data Vault ArchitekturTorsten Glunde
 
Data Vault Vor- und Nachteile
Data Vault Vor- und NachteileData Vault Vor- und Nachteile
Data Vault Vor- und NachteileTorsten Glunde
 

Mais de Torsten Glunde (6)

#PinkDB DataVault
#PinkDB DataVault#PinkDB DataVault
#PinkDB DataVault
 
Conceptional Data Vault
Conceptional Data VaultConceptional Data Vault
Conceptional Data Vault
 
OpenDMA - Daten Management Solution
OpenDMA  - Daten Management SolutionOpenDMA  - Daten Management Solution
OpenDMA - Daten Management Solution
 
BCBS 239 - Data Vault hilft
BCBS 239 - Data Vault hilftBCBS 239 - Data Vault hilft
BCBS 239 - Data Vault hilft
 
Data Vault Architektur
Data Vault ArchitekturData Vault Architektur
Data Vault Architektur
 
Data Vault Vor- und Nachteile
Data Vault Vor- und NachteileData Vault Vor- und Nachteile
Data Vault Vor- und Nachteile
 

Data Virtualization - Supernova

  • 1. DDVUG HANNOVER STAMMTISCH Networking – Raus aus dem Vault - Virtualisierung
  • 2. Willkommen  Einleitung – DDVUG – Vorstellung  Business Vault Patterns  Raus aus dem Vault – Virtualisierung  Networking - Diskussion
  • 3. DDVUG e.V.  Deutschsprachige Data Vault User Group  Verbreitung von Wissen  Veranstaltungen (Stammtische)  Arbeitsergebnisse bereitstellen  ddvug.de  http://datavaultusergroup.de/wp-content/uploads/Mitgliedsantrag.pdf
  • 4. Alligator Company  “Crossing Borders” – DWH, Data Vault und Automation  Torsten Glunde, CEO und Gründer  torsten.glunde@alligator- company.de  @tglunde  alligator-company.de
  • 5. Data Vault 16.12. 2016 Verfasser eintragen über Einfügen, Kopf- und Fußzeile 5 OLTP Quellen Anwende r Raw Vault DM DM BU Business Vault Data Wahrnehmun g Realität Anforderung Anforderung Diskrepanz Regel  Wahrnehmungen unterscheiden sich  Diskrepanz zwischen verfügbaren Daten und angeforderten Informationen  Trennung von RAW und Business Vault  Warum Data Vault?  Erweiterbarkeit  Nachvollziehbarkeit
  • 6. Data Vault  RAW  Core Business Concept, Geschäftsschlüssel  Automation und Generation  Langzeitspeicher  Keine Agilität  Regeln  Anforderungsgetrieben  Speicherung, Nachvollziehbarkeit  Hohe Agilität?  Raus  Höchste Agilität  Probleme mit Data Vault Rohdaten Regel n RAW Business Raus Agilität
  • 7. Business Vault – Muster  Abgeleitete Attribute  Satelliten  Gleiche Granularität  Abgeleitete Relationen  Same-As-Link  Identity Resolution, DQ  Aggregation (Portfolio, Deckungsbeiträge, …)  Abgeleitete Events (Bewegungssätze aus Bestandssystemen, Zufallssätze / Stichproben)  Abgeleitete Hubs  Identity Resolution  DQ  Bestehende Data Vault Muster!
  • 8. Business Vault – Muster  Dimensionale Abbildung  Hierarchie  Link + SAL für Vorgänger und Nachfolger  Denormalisierung?  Denormalisierte Strukturen aufbauen?  Unbalancierte Hierarchien  NA-Dummies  Normalisierung zur balancierten Hierarchie?  PIT?  Bridge?  Zeitlinien? Source: Michael Müller, MID
  • 9. Raus aus dem Vault  Data Virtualisierung + SuperNova Modeling  Data Virtualisierung ersetzt physische Datenhaushalte nach dem Vault  SuperNova ist eine Modellierungstechnik speziell für Data Vault gedacht  Modellgetriebener Ansatz  Virtualisierte Daten basierend auf VIEWs
  • 10. Data Virtualization Rohdaten Regel n RAW Business Data Virtualization Server Rohdaten Regel n RAW Business DM Cube File
  • 11. Data Virtualization  Modellgetrieben  Keine Datenbewirtschaftung  Modell-Definition anhand von SQL  SQL-Engine  View Definitionen  Bekannte Optimierung  Caching  Materialized Views  Ergebnis Caching  Hersteller  Denodo, Cisco, SAS, JBOSS Data Virtualization Server Relationales Modell Quelltabellen Views Cach e Parser Engine Optimiz e DV
  • 12. Super Nova Überblick  Supernova  Alle Versionen von Hub und Link (Eliminierung von Satelliten)  Extended Supernova  Views mit Regeln  Delivery  Star Schema View  Denormalisierung  Anforderungsgetriebe n Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
  • 13. Supernova –Views Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
  • 14. Supernova – Views Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
  • 15. Supernova – Views Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
  • 16. Supernova – Views Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
  • 17. Supernova – Views Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
  • 18. Data Vault vs. Supernova Source: Rick van der Lans sponsored by Cisco Centennium: http://www.cisco.com/c/dam/en_us/services/enterprise-it-services/data-virtualization/documents/whitepaper-cisco-datavaul.pdf
  • 19. Supernova + Datenvirtualisierung  Modellierung mittels SQL-Views  Bestehendes Know-How  Transiente Datenhaltung  Versionierung / Transparenz über Metadaten  Lineage  Autorisierung  Abhängig vom Hersteller der Virtualisierungssoftware  Supernova Generierbar  Höhere Agilität als bei der Verwendung von herkömmlichen Bewirtschaftungsprozessen  Virtualisierung ermöglicht auch Zugriff auf Legacy- Systeme  ? Vorteile Nachteile
  • 20. Linksammlung  Automation  Roelant Vos http://roelantvos.com  Quipu http://www.datawarehousemanagement.org/  Wherescape http://wherescape.com  BI-Ready  http://attunity.com  Data Virtualization & Logical Data Warehouse  Mark Beyer http://blogs.gartner.com/merv-adrian/2011/11/03/mark-beyer-father-of-the-logical-data- warehouse-guest-post/  Rick van der Lans http://www.r20.nl/whitepapers.htm  Data Virtuality http://datavirtuality.com/products/logical-data-warehouse/  Cisco http://www.cisco.com/c/en/us/services/enterprise-it-services/data-virtualization.html  Denodo http://www.denodo.com/en  SAS Federation http://www.sas.com/en_us/software/data-management/data-federation.html  Red Hat https://www.redhat.com/en/technologies/jboss-middleware/data-virtualization

Notas do Editor

  1. Analyse von Quelldaten (Profiling) ergibt die Realität der Daten Die Analyse der Anforderungen (Zielmodell) ergibt die Informationen. Im Business Vault muss die Diskrepanz zwischen Informationsbedarf und Datenrealität durch Geschäftsregeln in Informationen transformiert werden. Ein Weiterer Vorteil dieser Transparenz ist die Möglichkeit darauf MDM auf zu setzen um Datenqualität in der Quelle zu lösen