Die klassischen Methoden von Inmon und Kimball haben ohne Zweifel gute Dienste geleistet. Die Erfahrung damit bringt aber auch immer wieder neue Ansätze hervor.
Dan Linstedt hat mit dieser Methode eine sehr effiziente Form der Modellierung für Data Warehouse Strukturen entwickelt. Dabei werden die funktionalen Bereiche des Unternehmens oder Projektes in Hubs, Satelliten und Links abgebildet.
Ein Data Warehouse ist nie abgeschlossen, sondern entwickelt sich laufend weiter. Für diese Weiterentwicklung kann ein semantisches DWH zum Verständnis des DWHs beitragen. Mittels der Business-Terminologie und einer einheitlichen Modellierung mit RDF können mehrere Personen unterschiedliche Bereiche des Modells gleichzeitig verwenden. Das semantische Datawarehouse unterstützt den Fachbereich bei der betriebswirtschaftlichen Berichterstattung.
Die Analyse großer Datenmengen aus verschiedenen Quellen mit hoher Verarbeitungsgeschwindigkeit soll wirtschaftlichen Nutzen erzeugen. Sie ist wichtig für die Findung von Entscheidungen, Einsparung von Kosten, Einschätzung von Risiken oder das Bewerten von Chancen. Lesen Sie mehr in unserem Bereich Big Data & Business Analytics.
Dieses Produkt der Apache Software Foundation ermöglicht die skalierbare Verarbeitung von großen Datenmengen in Computerclustern. Der Vorteil dieser Technologie sind die hohe Verfügbarkeit und das leistungsfähige System durch die Verteilung auf mehrere Rechner. Speziell im Bereich Big Data ist Hadoop ein sinnvolles Instrument.
In einem dimensionalen DWH werden relationale Datenbanktabellen üblicherweise mithilfe von Star- bzw. Snowflake-Schemata modelliert. Das Hinzufügen einer In-Memory OLAP Komponente bietet so eine multidimensionale Sicht auf das relationale DWH mit der erhöhten Leistung des internen Arbeitsspeichers. Dies bietet, neben der im Vergleich zu physisch gespeicherten Cubes viel höheren Geschwindigkeit, noch folgende Vorteile:
