Aktuelles zur Veranstaltung im StudIP
Business Intelligence steht für das Zusammenführen und Auswerten von heterogenen Geschäftsdaten bei der Unternehmenssteuerung. Eine verbesserte Unterstützung und Informationsversorgung für das Treffen von operativen und strategischen Entscheidungen erfolgt durch die Sammlung, Speicherung, Integration und Auswertung von Geschäftsdaten.
Das Modul führt in die Grundlagen von Data Warehouses ein, erklärt das multidimensionale Datenmodell, verschiedene Speicherungsvarianten und die Formulierung und Umsetzung von OLAP-Anfragen auf dem Data Warehouse und erläutert typische Fragestellungen der Verwendung von Data Warehouses. Der ETL-Prozess zum Laden von multidimensionalen Daten in das Data Warehouses wird vorgestellt, weiterhin wird die Integration von Daten aus heterogenen Datenquellen in der Vorlesung behandelt.
Ausgewählte Data Mining Verfahren werden eingeführt und deren Implementierung auf einem Data Warehouse wird erläutert.
|
Modulbezeichnungen
|
Ergänzende Themen im Themenbereich Wirtschaftsinformatik
|
|---|
|
|
Data Warehouses und Business Intelligence
|
|---|
|
|
Data Warehouses, Business Intelligence und Data Mining
|
|---|
|
Veranstaltungsnummer
|
23543
|
|---|
|
Modulverantwortlich
|
Professur Datenbank- und Informationssysteme
|
|---|
|
Lehrveranstaltungen
|
Vorlesung: Datawarehouse und Business Intelligence
|
|---|
|
Sprache
|
Das Modul wird in englischer Sprache angeboten.
|
|---|
|
Präsenzlehre
|
Vorlesung 3 SWS
|
|---|
|
|
Übung 1 SWS
|
|---|
|
Lehrinhalte
|
|
|---|
|
Inhalte
|
Business Intelligence:Einsatzgebiete, Ziele, eingesetzte Technologien
|
|---|
|
|
Data Warehouses: multidimensionales Datenmodell, Entwurf von Data Warehouses mit dem multidimensionalen Datenmodell, relationale Speicherung (Starschema, Snowflakeschema, full-fact, Galaxien), multidimensionale Speicherung, Verwendung von Column Stores, OLAP-Anfragen, SQL-Erweiterungen für Warehouses, multidimensionale Anfragen, ETL (Extraction, Transformation, Load), Anwendungsgebiete, Anwendungsszenarien
|
|---|
|
|
Data Integration: Schema- und Datenintegration; Mappingtools
|
|---|
|
|
Data Mining: Assoziationsregeln, Verfahren zum Clustering, Klassifikationsverfahren, case-based reasoning, Data Mining auf Texten
|
|---|
|
Empfohlene Teilnahmevoraussetzung
|
Datenbanken I bzw. Datenbanken in den Anwendungen
|
|---|
|
Beziehung zu Folgemodulen/fachlichen Teilgebieten
|
Data Science, Big Data Processing
|
|---|
|
Zuordnung zu Curricula
|
M.Sc. Computer Science International, M.Sc. Informatik, M.Sc. Wirtschaftsinformatik
|
|---|
|
Literaturangaben
|
Veit Köppen, Gunter Saake, Kai-Uwe Sattler: Data Warehouse Technologien: Technische Grundlagen, mitp Professional, 2012
|
|---|
|
|
Data-Warehouse-Systeme. Architektur, Entwicklung, Anwendung von Andreas Bauer und Holger Günzel, dpunkt-Verlag, 2004
|
|---|
|
|
Datenbanktechnologie für Data-Warehouse-Systeme. von Wolfgang Lehner, dpunkt-Verlag, 2002
|
|---|
|
|
Informationsintegration von Ulf Leser und Felix Naumann, dpunkt-Verlag, 2006
|
|---|
|
|
Han, Kamber: Data Mining. Concepts and Techniques Concepts and Techniques, Morgan Kaufmann Series in Data Management Systems: 2006
|
|---|
|
|
W. H. Inmon: Building the Data Warehouse, John Wiley & Sons, 4. Auflage, 2005
|
|---|
|
Lehr- und Lernformen
|
Vortrag nach Skriptum (pdf-Folien im Web)
|
|---|
|
|
Diskussion in den Übungen
|
|---|
|
|
Selbststudium von Lehrmaterial
|
|---|
|
|
Selbststudium der angegebenen Literatur und Materialien
|
|---|
|
Gesamtarbeitsaufwand
|
180 Stunden
|
|---|
|
Präsenzzeit
|
56 Stunden
|
|---|
|
Vor- und Nachbereitung der Präsenzzeit
|
56 Stunden
|
|---|
|
Lösung von Übungsaufgaben
|
40 Stunden
|
|---|
|
Prüfungsvorbereitung/Prüfungsvorleistung/Prüfung
|
28 Stunden
|
|---|
