Enviar pesquisa
Carregar
DWH-Modellierung mit Data Vault
•
7 gostaram
•
4,494 visualizações
Trivadis
Seguir
DWH-Modellierung mit Data Vault von Claus Jordan an DOAG 2014
Leia menos
Leia mais
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 47
Baixar agora
Baixar para ler offline
Recomendados
Wie modelliere ich mein Core DWH?
Wie modelliere ich mein Core DWH?
Trivadis
Modellierung agliler Data Warehouses mit Data Vault
Modellierung agliler Data Warehouses mit Data Vault
Trivadis
Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)
Andreas Buckenhofer
Agiles Data Mining mit Data Vault 2.0
Agiles Data Mining mit Data Vault 2.0
Michael Olschimke
Die generierte Zeitmaschine - Historisierung auf Knopfdruck
Die generierte Zeitmaschine - Historisierung auf Knopfdruck
Trivadis
Performanceaspekte im Oracle DWH
Performanceaspekte im Oracle DWH
Trivadis
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
Andreas Buckenhofer
Lambdaarchitektur für BigData
Lambdaarchitektur für BigData
Andreas Buckenhofer
Recomendados
Wie modelliere ich mein Core DWH?
Wie modelliere ich mein Core DWH?
Trivadis
Modellierung agliler Data Warehouses mit Data Vault
Modellierung agliler Data Warehouses mit Data Vault
Trivadis
Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)
Andreas Buckenhofer
Agiles Data Mining mit Data Vault 2.0
Agiles Data Mining mit Data Vault 2.0
Michael Olschimke
Die generierte Zeitmaschine - Historisierung auf Knopfdruck
Die generierte Zeitmaschine - Historisierung auf Knopfdruck
Trivadis
Performanceaspekte im Oracle DWH
Performanceaspekte im Oracle DWH
Trivadis
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
Andreas Buckenhofer
Lambdaarchitektur für BigData
Lambdaarchitektur für BigData
Andreas Buckenhofer
Indexierungsstrategie im Data Warehouse - Zwischen Albtraum und optimaler Per...
Indexierungsstrategie im Data Warehouse - Zwischen Albtraum und optimaler Per...
Trivadis
Data Vault Vor- und Nachteile
Data Vault Vor- und Nachteile
Torsten Glunde
Wie sicher sind Database Links? DOAG BI Konfernenz München.
Wie sicher sind Database Links? DOAG BI Konfernenz München.
Trivadis
Data Virtualization - Supernova
Data Virtualization - Supernova
Torsten Glunde
Caching: In-Memory Column Store oder im BI Server
Caching: In-Memory Column Store oder im BI Server
Andreas Buckenhofer
Raus aus dem Data Vault - Virtualisierung und Logical Warheouse
Raus aus dem Data Vault - Virtualisierung und Logical Warheouse
Torsten Glunde
DWH Modernisierung mit Data Lake, Lab und Governance
DWH Modernisierung mit Data Lake, Lab und Governance
OPITZ CONSULTING Deutschland
Partitionierung im DWH: Erkenntnisse aus der Praxis - Oracle DWH Konferenz
Partitionierung im DWH: Erkenntnisse aus der Praxis - Oracle DWH Konferenz
Trivadis
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Business Intelligence Research
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Business Intelligence Research
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider
Désirée Pfister
Data Vault DWH Automation
Data Vault DWH Automation
Torsten Glunde
Dv 20 sdlc_oss_automation
Dv 20 sdlc_oss_automation
Torsten Glunde
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
Data Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQL
FromDual GmbH
Die Datenbank ist nicht immer Schuld - Gründe warum Datenbank-Migration schei...
Die Datenbank ist nicht immer Schuld - Gründe warum Datenbank-Migration schei...
Markus Flechtner
2016 pcc presse_01_dcc_ferro_archivierung_ver04
2016 pcc presse_01_dcc_ferro_archivierung_ver04
Ulrich Schmidt
Datenbank-Selbstverwaltung - Das Oracle-Data-Dictionary
Datenbank-Selbstverwaltung - Das Oracle-Data-Dictionary
Markus Flechtner
Amazon Redshift
Amazon Redshift
AWS Germany
Middleware Basics für den DBA
Middleware Basics für den DBA
Trivadis
Visual Data Vault
Visual Data Vault
Michael Olschimke
Data Vault Architektur
Data Vault Architektur
Torsten Glunde
Mais conteúdo relacionado
Mais procurados
Indexierungsstrategie im Data Warehouse - Zwischen Albtraum und optimaler Per...
Indexierungsstrategie im Data Warehouse - Zwischen Albtraum und optimaler Per...
Trivadis
Data Vault Vor- und Nachteile
Data Vault Vor- und Nachteile
Torsten Glunde
Wie sicher sind Database Links? DOAG BI Konfernenz München.
Wie sicher sind Database Links? DOAG BI Konfernenz München.
Trivadis
Data Virtualization - Supernova
Data Virtualization - Supernova
Torsten Glunde
Caching: In-Memory Column Store oder im BI Server
Caching: In-Memory Column Store oder im BI Server
Andreas Buckenhofer
Raus aus dem Data Vault - Virtualisierung und Logical Warheouse
Raus aus dem Data Vault - Virtualisierung und Logical Warheouse
Torsten Glunde
DWH Modernisierung mit Data Lake, Lab und Governance
DWH Modernisierung mit Data Lake, Lab und Governance
OPITZ CONSULTING Deutschland
Partitionierung im DWH: Erkenntnisse aus der Praxis - Oracle DWH Konferenz
Partitionierung im DWH: Erkenntnisse aus der Praxis - Oracle DWH Konferenz
Trivadis
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Business Intelligence Research
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Business Intelligence Research
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider
Désirée Pfister
Data Vault DWH Automation
Data Vault DWH Automation
Torsten Glunde
Dv 20 sdlc_oss_automation
Dv 20 sdlc_oss_automation
Torsten Glunde
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
Data Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQL
FromDual GmbH
Die Datenbank ist nicht immer Schuld - Gründe warum Datenbank-Migration schei...
Die Datenbank ist nicht immer Schuld - Gründe warum Datenbank-Migration schei...
Markus Flechtner
2016 pcc presse_01_dcc_ferro_archivierung_ver04
2016 pcc presse_01_dcc_ferro_archivierung_ver04
Ulrich Schmidt
Datenbank-Selbstverwaltung - Das Oracle-Data-Dictionary
Datenbank-Selbstverwaltung - Das Oracle-Data-Dictionary
Markus Flechtner
Amazon Redshift
Amazon Redshift
AWS Germany
Middleware Basics für den DBA
Middleware Basics für den DBA
Trivadis
Mais procurados
(20)
Indexierungsstrategie im Data Warehouse - Zwischen Albtraum und optimaler Per...
Indexierungsstrategie im Data Warehouse - Zwischen Albtraum und optimaler Per...
Data Vault Vor- und Nachteile
Data Vault Vor- und Nachteile
Wie sicher sind Database Links? DOAG BI Konfernenz München.
Wie sicher sind Database Links? DOAG BI Konfernenz München.
Data Virtualization - Supernova
Data Virtualization - Supernova
Caching: In-Memory Column Store oder im BI Server
Caching: In-Memory Column Store oder im BI Server
Raus aus dem Data Vault - Virtualisierung und Logical Warheouse
Raus aus dem Data Vault - Virtualisierung und Logical Warheouse
DWH Modernisierung mit Data Lake, Lab und Governance
DWH Modernisierung mit Data Lake, Lab und Governance
Partitionierung im DWH: Erkenntnisse aus der Praxis - Oracle DWH Konferenz
Partitionierung im DWH: Erkenntnisse aus der Praxis - Oracle DWH Konferenz
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider
Modellierung agiler Data Warehouses mit Data Vault Dani Schnider
Data Vault DWH Automation
Data Vault DWH Automation
Dv 20 sdlc_oss_automation
Dv 20 sdlc_oss_automation
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Data Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQL
Die Datenbank ist nicht immer Schuld - Gründe warum Datenbank-Migration schei...
Die Datenbank ist nicht immer Schuld - Gründe warum Datenbank-Migration schei...
2016 pcc presse_01_dcc_ferro_archivierung_ver04
2016 pcc presse_01_dcc_ferro_archivierung_ver04
Datenbank-Selbstverwaltung - Das Oracle-Data-Dictionary
Datenbank-Selbstverwaltung - Das Oracle-Data-Dictionary
Amazon Redshift
Amazon Redshift
Middleware Basics für den DBA
Middleware Basics für den DBA
Destaque
Visual Data Vault
Visual Data Vault
Michael Olschimke
Data Vault Architektur
Data Vault Architektur
Torsten Glunde
Introduction to Data Vault Modeling
Introduction to Data Vault Modeling
Kent Graziano
Modellierung im Spannungsfeld von agilen Vorgehensweisen (z.B. SCRUM)
Modellierung im Spannungsfeld von agilen Vorgehensweisen (z.B. SCRUM)
oose
Ethische Entscheidungskompetenz
Ethische Entscheidungskompetenz
Michael Olschimke
Agile Data Mining with Data Vault 2.0 (english)
Agile Data Mining with Data Vault 2.0 (english)
Michael Olschimke
OER - HIntergründe, Möglichkeiten, Initiativen
OER - HIntergründe, Möglichkeiten, Initiativen
Sandra Schön (aka Schoen)
Tanel Poder - Troubleshooting Complex Oracle Performance Issues - Part 2
Tanel Poder - Troubleshooting Complex Oracle Performance Issues - Part 2
Tanel Poder
Die gute Forschungsfrage - und wie man dazu kommt
Die gute Forschungsfrage - und wie man dazu kommt
Sandra Schön (aka Schoen)
Oracle Performance Tuning Fundamentals
Oracle Performance Tuning Fundamentals
Enkitec
Agile Data Engineering - Intro to Data Vault Modeling (2016)
Agile Data Engineering - Intro to Data Vault Modeling (2016)
Kent Graziano
Data Vault 2.0: Using MD5 Hashes for Change Data Capture
Data Vault 2.0: Using MD5 Hashes for Change Data Capture
Kent Graziano
ORAYLIS Business Intelligence - Gestalten Sie mit uns Ihre Karriere
ORAYLIS Business Intelligence - Gestalten Sie mit uns Ihre Karriere
ORAYLIS GmbH
Destaque
(13)
Visual Data Vault
Visual Data Vault
Data Vault Architektur
Data Vault Architektur
Introduction to Data Vault Modeling
Introduction to Data Vault Modeling
Modellierung im Spannungsfeld von agilen Vorgehensweisen (z.B. SCRUM)
Modellierung im Spannungsfeld von agilen Vorgehensweisen (z.B. SCRUM)
Ethische Entscheidungskompetenz
Ethische Entscheidungskompetenz
Agile Data Mining with Data Vault 2.0 (english)
Agile Data Mining with Data Vault 2.0 (english)
OER - HIntergründe, Möglichkeiten, Initiativen
OER - HIntergründe, Möglichkeiten, Initiativen
Tanel Poder - Troubleshooting Complex Oracle Performance Issues - Part 2
Tanel Poder - Troubleshooting Complex Oracle Performance Issues - Part 2
Die gute Forschungsfrage - und wie man dazu kommt
Die gute Forschungsfrage - und wie man dazu kommt
Oracle Performance Tuning Fundamentals
Oracle Performance Tuning Fundamentals
Agile Data Engineering - Intro to Data Vault Modeling (2016)
Agile Data Engineering - Intro to Data Vault Modeling (2016)
Data Vault 2.0: Using MD5 Hashes for Change Data Capture
Data Vault 2.0: Using MD5 Hashes for Change Data Capture
ORAYLIS Business Intelligence - Gestalten Sie mit uns Ihre Karriere
ORAYLIS Business Intelligence - Gestalten Sie mit uns Ihre Karriere
Semelhante a DWH-Modellierung mit Data Vault
Big Data Konnektivität
Big Data Konnektivität
Trivadis
Mobile meets NoSQL
Mobile meets NoSQL
Jan Steemann
Cloud Computing für die Verarbeitung von Metadaten
Cloud Computing für die Verarbeitung von Metadaten
Magnus Pfeffer
SAP_Basis_Klassisch.pdf
SAP_Basis_Klassisch.pdf
CazLP
04 Datenintegration und Verwaltung
04 Datenintegration und Verwaltung
klickandbau
Das modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTigges
Das modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTigges
OPITZ CONSULTING Deutschland
OPAL - Open Data Portal Germany
OPAL - Open Data Portal Germany
adrianwilke
Data Mining und OLAP
Data Mining und OLAP
murat9393
Big Data Appliances
Big Data Appliances
saracus consulting GmbH
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Trivadis
Doag 2104 manuskript_hadoop_oracle_integration_gunther_pipperr_v02
Doag 2104 manuskript_hadoop_oracle_integration_gunther_pipperr_v02
Gunther Pippèrr
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
OPITZ CONSULTING Deutschland
Einführung in nosql // ArangoDB mit Symfony 2
Einführung in nosql // ArangoDB mit Symfony 2
ArangoDB Database
SAP Datashpere - von Bits und Bites zu Widgets und Charts
SAP Datashpere - von Bits und Bites zu Widgets und Charts
IBsolution GmbH
Automatisierung im DWH - Sich das Leben erleichern mit dem ODI
Automatisierung im DWH - Sich das Leben erleichern mit dem ODI
OPITZ CONSULTING Deutschland
APEX für den Oracle DBA
APEX für den Oracle DBA
Niels de Bruijn
Oracle12c threaded execution - Ressourcen sparen zum Nulltarif?!?
Oracle12c threaded execution - Ressourcen sparen zum Nulltarif?!?
Trivadis
Überblick Power BI Tools
Überblick Power BI Tools
inovex GmbH
Das ende von owb was nun migrationspfade fuer owb_projekte-dani schnider-stan...
Das ende von owb was nun migrationspfade fuer owb_projekte-dani schnider-stan...
Trivadis
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Harald Erb
Semelhante a DWH-Modellierung mit Data Vault
(20)
Big Data Konnektivität
Big Data Konnektivität
Mobile meets NoSQL
Mobile meets NoSQL
Cloud Computing für die Verarbeitung von Metadaten
Cloud Computing für die Verarbeitung von Metadaten
SAP_Basis_Klassisch.pdf
SAP_Basis_Klassisch.pdf
04 Datenintegration und Verwaltung
04 Datenintegration und Verwaltung
Das modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTigges
Das modulare DWH-Modell - DOAG SIG BI/DWH 2010 - OPITZ CONSULTING - ArnoTigges
OPAL - Open Data Portal Germany
OPAL - Open Data Portal Germany
Data Mining und OLAP
Data Mining und OLAP
Big Data Appliances
Big Data Appliances
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Doag 2104 manuskript_hadoop_oracle_integration_gunther_pipperr_v02
Doag 2104 manuskript_hadoop_oracle_integration_gunther_pipperr_v02
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
Tipps & Tricks zum Aufbau einer Unternehmenscloud mit CC13
Einführung in nosql // ArangoDB mit Symfony 2
Einführung in nosql // ArangoDB mit Symfony 2
SAP Datashpere - von Bits und Bites zu Widgets und Charts
SAP Datashpere - von Bits und Bites zu Widgets und Charts
Automatisierung im DWH - Sich das Leben erleichern mit dem ODI
Automatisierung im DWH - Sich das Leben erleichern mit dem ODI
APEX für den Oracle DBA
APEX für den Oracle DBA
Oracle12c threaded execution - Ressourcen sparen zum Nulltarif?!?
Oracle12c threaded execution - Ressourcen sparen zum Nulltarif?!?
Überblick Power BI Tools
Überblick Power BI Tools
Das ende von owb was nun migrationspfade fuer owb_projekte-dani schnider-stan...
Das ende von owb was nun migrationspfade fuer owb_projekte-dani schnider-stan...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Mais de Trivadis
Azure Days 2019: Azure Chatbot Development for Airline Irregularities (Remco ...
Azure Days 2019: Azure Chatbot Development for Airline Irregularities (Remco ...
Trivadis
Azure Days 2019: Trivadis Azure Foundation – Das Fundament für den ... (Nisan...
Azure Days 2019: Trivadis Azure Foundation – Das Fundament für den ... (Nisan...
Trivadis
Azure Days 2019: Business Intelligence auf Azure (Marco Amhof & Yves Mauron)
Azure Days 2019: Business Intelligence auf Azure (Marco Amhof & Yves Mauron)
Trivadis
Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Trivadis
Azure Days 2019: Keynote Azure Switzerland – Status Quo und Ausblick (Primo A...
Azure Days 2019: Keynote Azure Switzerland – Status Quo und Ausblick (Primo A...
Trivadis
Azure Days 2019: Grösser und Komplexer ist nicht immer besser (Meinrad Weiss)
Azure Days 2019: Grösser und Komplexer ist nicht immer besser (Meinrad Weiss)
Trivadis
Azure Days 2019: Get Connected with Azure API Management (Gerry Keune & Stefa...
Azure Days 2019: Get Connected with Azure API Management (Gerry Keune & Stefa...
Trivadis
Azure Days 2019: Infrastructure as Code auf Azure (Jonas Wanninger & Daniel H...
Azure Days 2019: Infrastructure as Code auf Azure (Jonas Wanninger & Daniel H...
Trivadis
Azure Days 2019: Wie bringt man eine Data Analytics Plattform in die Cloud? (...
Azure Days 2019: Wie bringt man eine Data Analytics Plattform in die Cloud? (...
Trivadis
Azure Days 2019: Azure@Helsana: Die Erweiterung von Dynamics CRM mit Azure Po...
Azure Days 2019: Azure@Helsana: Die Erweiterung von Dynamics CRM mit Azure Po...
Trivadis
TechEvent 2019: Kundenstory - Kein Angebot, kein Auftrag – Wie Du ein individ...
TechEvent 2019: Kundenstory - Kein Angebot, kein Auftrag – Wie Du ein individ...
Trivadis
TechEvent 2019: Oracle Database Appliance M/L - Erfahrungen und Erfolgsmethod...
TechEvent 2019: Oracle Database Appliance M/L - Erfahrungen und Erfolgsmethod...
Trivadis
TechEvent 2019: Security 101 für Web Entwickler; Roland Krüger - Trivadis
TechEvent 2019: Security 101 für Web Entwickler; Roland Krüger - Trivadis
Trivadis
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
Trivadis
TechEvent 2019: DBaaS from Swisscom Cloud powered by Trivadis; Konrad Häfeli ...
TechEvent 2019: DBaaS from Swisscom Cloud powered by Trivadis; Konrad Häfeli ...
Trivadis
TechEvent 2019: Status of the partnership Trivadis and EDB - Comparing Postgr...
TechEvent 2019: Status of the partnership Trivadis and EDB - Comparing Postgr...
Trivadis
TechEvent 2019: More Agile, More AI, More Cloud! Less Work?!; Oliver Dörr - T...
TechEvent 2019: More Agile, More AI, More Cloud! Less Work?!; Oliver Dörr - T...
Trivadis
TechEvent 2019: Kundenstory - Vom Hauptmann zu Köpenick zum Polizisten 2020 -...
TechEvent 2019: Kundenstory - Vom Hauptmann zu Köpenick zum Polizisten 2020 -...
Trivadis
TechEvent 2019: Vom Rechenzentrum in die Oracle Cloud - Übertragungsmethoden;...
TechEvent 2019: Vom Rechenzentrum in die Oracle Cloud - Übertragungsmethoden;...
Trivadis
TechEvent 2019: The sleeping Power of Data; Eberhard Lösch - Trivadis
TechEvent 2019: The sleeping Power of Data; Eberhard Lösch - Trivadis
Trivadis
Mais de Trivadis
(20)
Azure Days 2019: Azure Chatbot Development for Airline Irregularities (Remco ...
Azure Days 2019: Azure Chatbot Development for Airline Irregularities (Remco ...
Azure Days 2019: Trivadis Azure Foundation – Das Fundament für den ... (Nisan...
Azure Days 2019: Trivadis Azure Foundation – Das Fundament für den ... (Nisan...
Azure Days 2019: Business Intelligence auf Azure (Marco Amhof & Yves Mauron)
Azure Days 2019: Business Intelligence auf Azure (Marco Amhof & Yves Mauron)
Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Azure Days 2019: Master the Move to Azure (Konrad Brunner)
Azure Days 2019: Keynote Azure Switzerland – Status Quo und Ausblick (Primo A...
Azure Days 2019: Keynote Azure Switzerland – Status Quo und Ausblick (Primo A...
Azure Days 2019: Grösser und Komplexer ist nicht immer besser (Meinrad Weiss)
Azure Days 2019: Grösser und Komplexer ist nicht immer besser (Meinrad Weiss)
Azure Days 2019: Get Connected with Azure API Management (Gerry Keune & Stefa...
Azure Days 2019: Get Connected with Azure API Management (Gerry Keune & Stefa...
Azure Days 2019: Infrastructure as Code auf Azure (Jonas Wanninger & Daniel H...
Azure Days 2019: Infrastructure as Code auf Azure (Jonas Wanninger & Daniel H...
Azure Days 2019: Wie bringt man eine Data Analytics Plattform in die Cloud? (...
Azure Days 2019: Wie bringt man eine Data Analytics Plattform in die Cloud? (...
Azure Days 2019: Azure@Helsana: Die Erweiterung von Dynamics CRM mit Azure Po...
Azure Days 2019: Azure@Helsana: Die Erweiterung von Dynamics CRM mit Azure Po...
TechEvent 2019: Kundenstory - Kein Angebot, kein Auftrag – Wie Du ein individ...
TechEvent 2019: Kundenstory - Kein Angebot, kein Auftrag – Wie Du ein individ...
TechEvent 2019: Oracle Database Appliance M/L - Erfahrungen und Erfolgsmethod...
TechEvent 2019: Oracle Database Appliance M/L - Erfahrungen und Erfolgsmethod...
TechEvent 2019: Security 101 für Web Entwickler; Roland Krüger - Trivadis
TechEvent 2019: Security 101 für Web Entwickler; Roland Krüger - Trivadis
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
TechEvent 2019: Trivadis & Swisscom Partner Angebote; Konrad Häfeli, Markus O...
TechEvent 2019: DBaaS from Swisscom Cloud powered by Trivadis; Konrad Häfeli ...
TechEvent 2019: DBaaS from Swisscom Cloud powered by Trivadis; Konrad Häfeli ...
TechEvent 2019: Status of the partnership Trivadis and EDB - Comparing Postgr...
TechEvent 2019: Status of the partnership Trivadis and EDB - Comparing Postgr...
TechEvent 2019: More Agile, More AI, More Cloud! Less Work?!; Oliver Dörr - T...
TechEvent 2019: More Agile, More AI, More Cloud! Less Work?!; Oliver Dörr - T...
TechEvent 2019: Kundenstory - Vom Hauptmann zu Köpenick zum Polizisten 2020 -...
TechEvent 2019: Kundenstory - Vom Hauptmann zu Köpenick zum Polizisten 2020 -...
TechEvent 2019: Vom Rechenzentrum in die Oracle Cloud - Übertragungsmethoden;...
TechEvent 2019: Vom Rechenzentrum in die Oracle Cloud - Übertragungsmethoden;...
TechEvent 2019: The sleeping Power of Data; Eberhard Lösch - Trivadis
TechEvent 2019: The sleeping Power of Data; Eberhard Lösch - Trivadis
DWH-Modellierung mit Data Vault
1.
DWH-Modellierung mit Data
Vault in Kombination mit ODI 12c - Erfahrungen aus der Praxis Claus Jordan Senior Consultant BASEL BERN BRUGG LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN STUTTGART WIEN 2014 © Trivadis Ansicht > Kopf und Fusszeile DOAG-Konferenz 2014 1
2.
Zu meiner Person
CLAUS JORDAN SENIOR CONSULTANT BUSINESS INTELLIGENCE bei Trivadis seit 2003 Themengebiete 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI DOAG-Konferenz 2014 2 Data Warehouse, Architektur und ETL Analyse und Reporting Technologien Oracle RDMBS Oracle OLAP Oracle BI Enterprise Edition
3.
Unser Unternehmen Trivadis
ist führend bei der IT-Beratung, der Systemintegration, dem Solution-Engineering und der Erbringung von IT-Services mit Fokussierung auf und Technologien im D-A-CH-Raum. Unsere Leistungen erbringen wir aus den strategischen Geschäftsfeldern: Trivadis Services übernimmt den korrespondierenden Betrieb Ihrer IT Systeme. 2014 © Trivadis Trivadis – das Unternehmen DOAG-Konferenz 2014 B E T R I E B 3
4.
Mit über 600
IT- und Fachexperten bei Ihnen vor Ort 2014 © Trivadis 4 12 Trivadis Niederlassungen mit über 600 Mitarbeitenden 200 Service Level Agreements Mehr als 4'000 Trainingsteilnehmer Forschungs- und Entwicklungs-budget: CHF 5.0 Mio. / EUR 4.0 Mio. Finanziell unabhängig und nachhaltig profitabel Erfahrung aus mehr als 1'900 Projekten pro Jahr bei über 800 Kunden Stand 12/2013 Hamburg Düsseldorf Frankfurt Freiburg München Wien Basel Bern Zürich Lausanne 4 Stuttgart Trivadis – das Unternehmen DOAG-Konferenz 2014 4 Brugg
5.
AGENDA Von
den Anforderungen zum Data Vault Datenmodell Anforderungen Datenmodell Historisierung in Data Vault Bewertung von Data Vault ETL-Logik und -Prozesse mit ODI 12c Topology Models und Mappings ODI Knowledge-Module (Code Templates) 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
6.
Von den Anforderungen
2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 zum Data Vault Datenmodell Systemlandschaft Anforderungen
7.
Systemlandschaft „Heute“ 2014
© Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 Flatfile (*.csv ) oder ODBC-Verbindung Unterschiedliche Schnittstellen OLTP (Operative Non HR-Systeme) OLTP (Operative HR-Systeme) OLAP (HR-Planungs- / Reportingssysteme) OLTP (Operative HR-Drittsysteme) Extrakte für Werkreporting
8.
Systemlandschaft „Morgen“ OLTP
(Operative Non HR-Systeme) OLTP (Operative HR-Systeme) OLAP (HR-Planungs- / 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 Reportingssysteme) OLTP (Operative HR-Drittsysteme) HR Data Warehouse Datenbank: Oracle 11g oder 12c Tools: Oracle Data Integrator 12c Oracle SQL Developer Oracle SQL Data Modeler
9.
Konzept und Datenmodell
HR Data Warehouse – Konzept (Teil 1) Aufbau und Technologie Vorgehensweise HR Data Warehouse – Datenmodell (Teil 2) ER Diagramm Physische Datenmodelle 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 HR Data Warehouse Stage Cleanse Core Mart
10.
Data Vault Modelling
von Dan Linstedt (1990-2000) Die zentrale Komponente des Data Warehouses – in unserer Architektur das Core – wird bei diesem Modellierungsansatz als Data Vault bezeichnet. Ein Data Vault besteht aus drei verschiedenen Strukturen, die als Tabellen implementiert werden: Hubs enthalten ausschliesslich die Business Keys der fachlichen Entitäten sowie einen künstlichen Schlüssel, der von Links und Satellites referenziert wird. Beschreibende Attribute werden nie in Hubs abgespeichert, sondern in Satellites ausgelagert. Links beschreiben Beziehungen zwischen Entitätstypen (Hubs) und erlauben generell die Definition von n-zu-n- Beziehungen zwischen verschiedenen Hubs. Auf eine fachliche Abbildung der Kardinalitäten (1:1, 1:n, n:n) wie in der klassischen relationalen Datenmodellierung wird hier verzichtet. Satellites umfassen sämtliche beschreibenden Attribute von Entitätstypen oder Beziehungen in versionierter Form. Ein Satellite wird via Fremdschlüsselbeziehung einem Hub oder einem Link zugeordnet. Pro Hub/Link können mehrere Satellites definiert werden. 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
11.
Umfang und Ziel
des Prototyps 2014 © Trivadis Umfang Für eine begrenzte Anzahl von Entitäten und Beziehungen soll mit Hilfe des ETL Werkzeugs ODI ein Prototyp für das HR Data Warehouse erstellt werden. Für für die zentrale Schicht (Core) soll die Modellierungsmethode Data Vault zum Einsatz kommen. Ziel Es soll am praktischen Beispiel gezeigt werden, dass ODI das richtige Werkzeug und dass Data Vault für die aktuellen und zukünftigen Anforderung geeignet ist. DWH-Modellierung mit Data Vault und ODI 21.11.2014
12.
Von den Anforderungen
2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 zum Data Vault Datenmodell Datenmodell
13.
Ausgangspunkt ist das
logisches Datenmodell .. .. zum Beispiel für die Objekte Mitarbeiter + Adresse(n) 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
14.
HR DWH -
Physisches Datenmodell 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 MA.csv LOC.csv HR Data Warehouse Stage Cleanse Core Data Mart ? ? ? ?
15.
1. Core (Data
Vault Methode) 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 MA.csv LOC.csv HR Data Warehouse Stage Cleanse Core Data Mart ? ? ? ?
16.
2. Cleanse 2014
© Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 MA.csv LOC.csv HR Data Warehouse Stage Cleanse Core Data Mart ? ? ? ?
17.
2014 © Trivadis
3. Stage DWH-Modellierung mit Data Vault und ODI 21.11.2014 MA.csv LOC.csv HR Data Warehouse Cleanse Core Data Mart ? ? ? Stage ?
18.
4. Data Mart
2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 MA.csv LOC.csv HR Data Warehouse Cleanse Core Data Mart ? ? ? Stage
19.
HR DWH -
Physisches Datenmodell 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 MA.csv LOC.csv HR Data Warehouse Stage Cleanse Core Data Mart
20.
Bewertung von Data
Vault 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
21.
Bewertungskriterien für das
Datenmodell Anzahl Tabellen / Anzahl ETL-Prozesse ETL - Komplexität für das Laden aus Cleanse in Core Laden aus Core in Data Marts Erweiterbarkeit („Agile BI“) Datenredundanz / Datenvolumen Parallelisierbarkeit Abfragen von historisch korrekten Zeitreihen (Nachvollziehbarkeit) 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
22.
Bewertung von Data
Vault (1) Methode Kritieren mit Data Vault Anzahl Tabellen und ETL-Prozesse Relativ Hoch .. weil pro Entität zwei oder mehr Tabellen, plus eine oder mehrere Tabelle für jede Beziehung zwischen Entitäten, notwendig sind. Dies ermöglicht jedoch, gerade bei „breiten Entitäten“ (z.B. Mitarbeiter), eine gezielte Gruppierung von Attributen und erleichtert somit die Übersicht. Pro Tabelle resultiert ein ETL-Prozess. 2014 © Trivadis ETL-Komplexität für das Laden aus Cleanse in Core Gering ☺ .. zumal keine performanceintensiven Updates notwendig sind. D.h. Datensätze werden nur dann eingefügt, wenn tatsächlich Änderungen an den betreffenden Attributen vorkommen. ETL-Komplexität für das Laden aus Core in Data Marts Mittel bis hoch .. aufgrund der Transformation vom normalisierten in das denormalisierte Datenmodell (Star- / Snowflake), und vor allen Dingen wegen der Bildung von neuen Gültigkeitsintervallen bei der Verknüpfung von unabhängig versionierten Stammdatenentitäten. Diese Logik kann beispielsweise in Datenbank-Views implementiert werden. Dadurch ist der Zugriff ähnlich einfach wie im dimensionalen Datenmodell und stellt somit kein KO-Kriterium dar. DWH-Modellierung mit Data Vault und ODI 21.11.2014
23.
Bewertung von Data
Vault (2) Methode Kritieren mit Data Vault 2014 © Trivadis Erweiterbarkeit („Agile BI“) Hoch ☺ .. aufgrund fehlender Referenzen zwischen Entitäten, die jeweils unanabhängig voneinander erweitert oder angepaßt werden können. Datenredundanz / Datenvolumen Gering ☺ .. durch Normalisierung (geringe Datenredundanz) und Splittung der Attribute, welche zu einer einer Hub-Table gehören, in mehrere Satellitentabellen Parallelisierbarkeit Hoch ☺ .. sowohl bei der Implementierung als auch im laufenden Betrieb beim Laden der Daten. Sämtliche Hub-Tables können parallel implementiert / geladen werden. Dasselbe gilt für alle Link-Tables und für die Satellite-Tables (jeweils Voraussetzung sind die Hub-Tables) Historisierung / Nachvollziehbarkeit Sehr hoch ☺ .. weil standardmäßig in den Satellite-Tables der DWH-Schicht Core jede Änderung historisiert wird und sei sie noch so gering. DWH-Modellierung mit Data Vault und ODI 21.11.2014
24.
2014 © Trivadis
DWH-Modellierung mit Data Vault und ODI 21.11.2014 ETL-Logik und ETL-Prozesse mit ODI 12c
25.
2014 © Trivadis
Themen Wie funktioniert all dies im Prototyp? ODI Mappings ETL-Logik für Core-Mappings (Data Vault) ODI Knowledge-Module (Code-Templates) DWH-Modellierung mit Data Vault und ODI 21.11.2014
26.
ODI - Designer
2014 © Trivadis „Models“: Reengineering von Dateien und Datenbankobjekten basierend auf der logischen Architektur (Tab „Topology“) „Projects“: ODI Mappings (ETL-Strecken) Knowledge-Module (generische Ladestrategien) DWH-Modellierung mit Data Vault und ODI 21.11.2014
27.
Beispiel für ein
ODI Mapping 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
28.
Mappings für verschiedene
Aufgaben Stage-Mappings: Laden aus verschiedenen Datenquelle in die Stage- Tables. Attribute der Stage-Tables vom Typ VARCHAR2(4000), Truncate-Insert Cleanse-Mappings: Filterung (where), Verknüpfung (Join), Mengenoperationen (Union, Minus, ..), Transformation (concat, nvl, to_date, ...), Truncate-Insert Core-Mappings: Vergleichen und ggf. Historisieren (Merge, Insert). Updates und Deletes sollten möglichst vermieden werden! Mart-Mappings: Joins, Aggregation, Kalkulation, Stichtagstabellen (pro Data Mart sehr individuell) 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
29.
Core-Mappings für Data
Vault (3 Typen) 2014 © Trivadis Mappings für Hub-Tables: Welche Datensätze sind neu? Diese Datensätze einfügen (Insert) Link-Tables: Lookup zu den Hub-Tables Welche Datensätze sind neu? Diese Datensätze einfügen (Insert) Satellite-Tables: Lookup zur Hub-Table bzw. zu den Link-Tables Welche Datensätze sind neu oder haben sich geändert (Dabei werden nur die Attribute der zu ladenden Satellite-Tabelle berücksichtigt)? Diese Datensätze einfügen (Insert) DWH-Modellierung mit Data Vault und ODI 21.11.2014
30.
ETL Logik für
Hub-Tables Cleanse-Table MA PERS_ID NAME 1006 Maier 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 Hub-Table MA_H SK PERS_ID LOAD_DATE 1 1006 19.09.2014 Cleanse-Table MA PERS_ID NAME 1006 Mayer Hub-Table MA_H SK PERS_ID LOAD_DATE 1 1006 19.09.2014 t1 t • Änderungen von beschreibenden Attributen haben keine Auswirkung auf Hub-Tables t2
31.
ETL Logik für
Hub-Tables Cleanse-Table MA PERS_ID NAME 1006 Maier 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 Hub-Table MA_H SK PERS_ID LOAD_DATE 1 1006 19.09.2014 Cleanse-Table MA PERS_ID NAME 1006 Mayer Hub-Table MA_H SK PERS_ID LOAD_DATE 1 1006 19.09.2014 t1 t2 t INSERT INTO SELECT FROM WHERE MA_H (PERS_ID, LOAD_DATE) cls.PERS_ID, SYSDATE MA cls NOT EXISTS (SELECT * FROM MA_H hub WHERE hub.PERS_ID = cls.PERS_ID
32.
ODI-Mapping für Hub-Tables
2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
33.
Knowledge Module für
Hub-Tables 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
34.
ETL Logik für
Link-Tables Cleanse-Table MA_RE PERS_ID REGION 1006 N 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 Hub-Table MA_H SK PERS_ID LOAD_DATE 1 1006 19.09.2014 Link-Table MA_RE_L SK SK_MA SK_RE LOAD_DATE 300 1 10 19.09.2014 Hub-Table RE_H SK REGION LOAD_DATE 10 N 01.01.2000 20 S 01.01.2000 Cleanse-Table MA_RE PERS_ID REGION 1006 S Link-Table MA_RE_L SK SK_MA SK_RE LOAD_DATE 300 1 10 19.09.2014 301 1 20 21.09.2014 ? t1 t Ist das richtig so? • Ja. Wenn aber diese alte Beziehung als „Ungültig“ oder „Nicht Aktuell“ gesetzt werden soll, so wird für diese Link-Table eine Satellite-Table benötigt t2
35.
ETL Logik für
Link-Tables INSERT INTO MA_RE_L (SK_MA, SK_RE, LOAD_DATE) SELECT MA_H.SK SK_MA, RE_H.SK SK_RE, SYSDATE FROM MA_RE cls JOIN MA_H ON (cls.PERS_ID = MA_H.PERS_ID) JOIN RE_H ON (cls.REGION = RE_H.REGION) Cleanse-Table MA_RE PERS_ID REGION 1006 N 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 Hub-Table MA_H SK PERS_ID LOAD_DATE 1 1006 19.09.2014 Link-Table MA_RE_L SK SK_MA SK_RE LOAD_DATE 300 1 10 19.09.2014 Hub-Table RE_H SK REGION LOAD_DATE 10 N 01.01.2000 20 S 01.01.2000 Cleanse-Table MA_RE PERS_ID REGION 1006 S Link-Table MA_RE_L SK SK_MA SK_RE LOAD_DATE 300 1 10 19.09.2014 301 1 20 21.09.2014 ? t1 t2 t WHERE NOT EXISTS (SELECT * FROM MA_RE_L link WHERE link.SK_MA = MA_H.SK AND link.SK_RE = RE_H.SK)
36.
ETL Logik für
Sat-Tables (4HUB) Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Maier N Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Mayer S 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 t1 t Hub-Table MA SK PERS_ID LOAD_DATE 1 1006 19.09.2014 • Ein Insert in die Sat-Table erfolgt nur, wenn sich ein Attribut ändert! t3 Sat-Table MA_S SK_HUB NAME LOAD_DATE 1 Maier 19.09.2014 Sat-Table MA_S SK_HUB NAME LOAD_DATE 1 Maier 19.09.2014 1 Mayer 21.09.2014 Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Maier S t2 Sat-Table MA_S SK_HUB NAME LOAD_DATE 1 Maier 19.09.2014
37.
ETL Logik für
Sat-Tables (4HUB) Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Maier N Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Mayer S 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014 t1 t3 t Hub-Table MA SK PERS_ID LOAD_DATE 1 1006 19.09.2014 Sat-Table MA_S SK_HUB NAME LOAD_DATE 1 Maier 19.09.2014 Sat-Table MA_S SK_HUB NAME LOAD_DATE 1 Maier 19.09.2014 1 Mayer 21.09.2014 Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Maier S t2 Sat-Table MA_S SK_HUB NAME LOAD_DATE 1 Maier 19.09.2014 INSERT INTO SELECT FROM MA_S (SK_HUB, NAME, LOAD_DATE) sat.SK_HUB cls.NAME, SYSDATE MA_H hub JOIN MA_REG cls ON (hub.PERS_ID = cls.PERS_ID) JOIN MA_S sat ON (hub.SK = sat.SK_HUB) WHERE sat.LOAD_DATE = (SELECT MAX(LOAD_DATE) FROM MA_S WHERE SK_HUB = sat.SK_HUB) AND (cls.NAME != sat.NAME OR cls.BIRTHDAY != sat.BIRTHDAY OR ...)
38.
ETL Logik für
Sat-Tables (4LINK) Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Maier N Cleanse-Table MA_RE PERS_ID NAME REGION 1006 Maier S 2014 © Trivadis Sat-Table MA_RE_S SK_LNK OUT_OF_DATE LOAD_DATE 300 21.09.2014 20.09.2014 301 21.09.2014 DWH-Modellierung mit Data Vault und ODI 21.11.2014 Link-Table MA_RE_L SK SK_MA SK_RE LOAD_DATE 300 1 10 20.09.2014 301 1 20 21.09.2014 t1 t • Wenn die Beziehung zu Region „N“ ab t2 nicht mehr gültig ist, so wird in einem speziellen Attribut das entsprechende Datum eingetragen. • Hier ist also ein Update unumgänglich t2 Link-Table MA_RE_L SK SK_MA SK_RE LOAD_DATE 300 1 10 20.09.2014 Sat-Table MA_RE_S SK_LNK OUT_OF_DATE LOAD_DATE 300 20.09.2014
39.
2014 © Trivadis
DWH-Modellierung mit Data Vault und ODI 21.11.2014 Knowledge-Module (Code Templates) Funktionsweise
40.
Typen von Knowledge-Modulen
(KM‘s) Es gibt unterschiedliche KM-Typen für Reverse-Engineering (RKM‘s) Loading (LKM‘s) Check (CKM‘s) Integration (IKM‘s) .. KM‘s für verschiedenste Technologien werden mitgeliefert Kopieren und anpassen KM‘s können auch von Grund auf neu entwickelt werden Einem Mapping werden ein oder mehrere KM‘s zugeordnet z.B. LKM, IKM und CKM 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
41.
2014 © Trivadis
KM (1) DWH-Modellierung mit Data Vault und ODI 21.11.2014
42.
2014 © Trivadis
KM (2) Ein KM besteht aus Tasks (Einzelschritte), die nacheinander abgearbeitet werden, z.B. 1. Truncate Target Table 2. Deltadetection 3. Insert Target Table 4. Update Target Table 5. Commit DWH-Modellierung mit Data Vault und ODI 21.11.2014
43.
2014 © Trivadis
DWH-Modellierung mit Data Vault und ODI 21.11.2014 Zusammenfassung
44.
Zusammenfassung Durch
die mehrschichtige Architektur des HR Data Warehouse sind Datenströme und Transformationen sehr gut nachvollziehbar. Außerdem sind die Mappings dadurch wenig komplex. Das Data Vault Datenmodell ist ideal .. .. wenn eine lückenlose Historisierung der Daten erwünscht ist .. wenn wenig Datenredundanz und damit hohe Datenkonsistenz notwendig ist .. wenn der Aufwand für das Hinzufügen neuer Entitäten, Attribute und Beziehungen möglichst klein sein soll .. wenn rückwirkende Änderung von Stamm- und Bewegungsdaten jederzeit möglich sein sollen .. Wenn parallel entwickelt werden soll Mit den Knowledge Modulen von ODI können alle möglichen Ladestrategien und Sonderfälle effizient abgebildet werden 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
45.
Weitere Informationen
ODI 12c Trainings 2. HJ 2014 http://www.trivadis.com/training/oracle-training/ business-intelligence/ oracle-data-integrator-workshop-fuer-praktiker-o-odi.html Trivadis Whitepaper „Comparison of Data Modeling Methods for a Core Data Warehouse” 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
46.
Fragen und Antworten...
Claus Jordan Senior Consultant Stuttgart Tel. +49-162-295 96 43 claus.jordan@trivadis.com BASEL BERN BRUGG LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN STUTTGART WIEN 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI 21.11.2014
47.
Trivadis an der
DOAG Ebene 3 - gleich neben der Rolltreppe Wir freuen uns auf Ihren Besuch. Denn mit Trivadis gewinnen Sie immer. 2014 © Trivadis DWH-Modellierung mit Data Vault und ODI DOAG-Konferenz 2014
Baixar agora