SAP Business Information Warehouse (eBook)

Vorwort 6
Inhaltsverzeichnis 8
1 Einleitung 12
2 Analyseorientierte Informationssysteme 16
2.1 Management Support Systeme 16
2.2 Data Warehouse 18
2.3 OLAP und mehrdimensionale Datenbanken 21
2.4 Weiterführende Literatur 23
2.5 Zusammenfassung 24
3 Datenmodellierung und Mehrdimensionalität 26
3.1 Datenmodelle und Datenmodellierung 26
3.2 Mehrdimensionale Datenstrukturen 29
3.3 Kennzahlen und deren Berechnung 41
3.4 Temporale Aspekte 45
3.5 Weiterführende Literatur 49
3.6 Zusammenfassung 50
4 Architektur des SAP Business Information Warehouse 52
4.1 Komponenten der Datenspeicherung im BW 54
4.2 Auswertung und Analyse auf Basis vom BW 63
4.3 Weiterführende Literatur 73
4.4 Zusammenfassung 73
5 Anwendungsbeispiel 76
5.1 Ausgangssituation 76
5.2 Projektdefinition und Projektziel 77
5.3 Fachkonzept der Fallstudie 78
6 Semantische mehrdimensionale Modellierung 86
6.1 Methoden mehrdimensionaler semantischer Datenmodellierung 86
6.2 Semantische Modellierung mit ADAPT 94
6.3 Erweiterung von ADAPT zu T-ADAPT 101
6.4 Semantisches Modell des Beispiels 105
6.5 Weiterführende Literatur 112
6.6 Zusammenfassung 113
7 Allgemeines Star Schema 116
7.1 Grundform des Star Schemas 116
7.2 Aggregate 126
7.3 Weitere Modellierungsvarianten 132
7.4 Weiterführende Literatur 139
7.5 Zusammenfassung 140
8 Logisches Datenmodell des BW 142
8.1 Erweitertes Star Schema der SAP 142
8.2 Modellierungsvarianten hierarchischer Dimensionsstrukturen 147
8.3 Abbildung zeitabhängiger Berichtsszenarien 153
8.4 Modellierung von Kennzahlen 163
8.5 Grafische Repräsentation logischer BW-Modelle 164
8.6 Ableitung eines BW-Modells für das Beispiel 171
8.7 Weiterführende Literatur 182
8.8 Zusammenfassung 183
9 Aspekte des physischen Modells 186
9.1 Multi-Provider 186
9.2 Komprimierung von Faktentabellen 189
9.3 Partitionierung von Faktentabellen 191
9.5 Weiterführende Literatur 196
9.6 Zusammenfassung 197
10 Gestaltungsempfehlungen 200
10.1 Modellierung von Dimensionsstrukturen 201
10.2 Abbildung von Kennzahlen 207
10.3 Gestaltung von Info-Cubes 208
Abkürzungsverzeichnis 214
Abbildungsverzeichnis 216
Tabellenverzeichnis 220
Literaturverzeichnis 222
Stichwortverzeichnis 226

3 Datenmodellierung und Mehrdimensionalität (S. 15-16)

Für Systemlösungen auf Basis des Data Warehouse Konzeptes und für OLAP Anwendungen haben zwei wesentliche Begriffe zentralen Charakter: Datenmodellierung und Mehrdimensionalität. Da die Modellierung von Systemen zur Unterstützung von Fach- und Führungskräften in ihren analytischen Fragestellungen einen entscheidenden Einfluss auf deren Akzeptanz und erfolgreiche Nutzung hat, steht dieser Aspekt in diesem Buch im Vordergrund. Zur begrifflichen Klärung geht Abschnitt 3.1 daher kurz auf die Begriffe des Datenmodells und der Modellierung ein. Die Mehrdimensionalität ist das zugrunde liegende Paradigma dieser analyseorientierten Systemlösungen und die Vielfalt an Ausgestaltungsmöglichkeiten mehrdimensionaler Strukturen wird in Abschnitt 3.2 aufgearbeitet. Abschnitt 3.3 befasst sich mit Kennzahlen und Kennzahlensystemen. Auf die Aspekte der Zeitabhängigkeit und der Veränderungen in Konsolidierungshierarchien geht Abschnitt 3.4 ein.

3.1 Datenmodelle und Datenmodellierung

Die Begriffe Datenmodell und Datenbankdesign werden in der Literatur mit unterschiedlicher Bedeutung eingesetzt. Um Missverständnissen bezogen auf den Datenmodell-Begriff vorzubeugen, muss die verwendete Definition klar dargestellt werden. Ganz allgemein ist ein Modell ein Objekt, das von einem Subjekt auf der Grundlage einer Struktur-, Funktions- oder Verhaltensanalogie zu einem Original eingesetzt und genutzt wird, um Aufgaben zu lösen, deren Durchführung unmittelbar am Original selbst nicht möglich bzw. zu aufwendig ist. In der metamathematischen Modelltheorie, einem Teilbereich der mathematischen Logik, wird unter einem Modell eine Interpretation eines Axiomensystems verstanden, wobei alle Axiome dieses Systems wahre Aussagen sind. Auf diesem Modellbegriff basieren grundlegende Verfahren zur Beurteilung von Vollständigkeit, Widerspruchsfreiheit und Definierbarkeit.

Diese Interpretation des Modellbegriffs wird in der Datenbanktheorie benutzt. Ein Datenmodell kann als formaler Rahmen zur Beschreibung von Datenstrukturen und Operationen auf Daten bezeichnet werden. Dies korrespondiert mit der Definition, wonach zur Darstellung von Datenmodellen die Unterscheidung in Strukturteil und Operationenteil vorgenommen wird (statischer und dynamischer Aspekt). Datenmodelle dienen der Beschreibung aller in einer Datenbank enthaltenen Daten und im Allgemeinen wird angenommen, dass in einem Datenmodell Objekte, deren Eigenschaften (Attribute) sowie Beziehungen zwischen Objekten modelliert werden. Dies ist auch Basis des weitreichenden Datenmodellbegriffs nach Brodie, welcher diesem Buch zugrunde liegt: Ein Datenmodell ist eine Menge mathematisch wohldefinierter Konzepte, die alle statischen und dynamischen Eigenschaften der Anwendungswelt erfassen soll, und zwar

• statische Eigenschaften wie Objekte, Eigenschaften von Objekten und Beziehungen zwischen Objekten,
• dynamische Eigenschaften wie Operationen auf Objekten, Eigenschaften dieser Operationen und Beziehungen zwischen Operationen,
• Integritätsbedingungen über Objekten (statische Integritätsbedingungen) sowie über Operationen (dynamische Integritätsbedingungen).

Datenmodelle sollen mithin die Bedeutung und Repräsentation von Daten beschreiben, d. h. ein Datenmodell geht aus Abstraktion eines zu modellierenden Realitätsausschnittes hervor. Datenmodelle können daher nach ihrer Nähe zur Realwelt klassifiziert werden. Diese weit verbreitete Strukturierung des Modellierungsvorganges ist in Abbildung 3 dargestellt. Danach werden die Ebenen der semantischen, logischen und physischen Datenmodellierung unterschieden. Der Realwelt am nächsten ist dabei die semantische Ebene.

Die Aufgabe des semantischen Datenmodells ist es, eine Brücke zwischen der Realwelt einerseits und dem logischen Datenmodell andererseits zu schlagen. Dieses ist noch losgelöst von dem einzusetzenden Datenbanksystem und soll den zu betrachtenden Realitätsausschnitt abstrahierend in einem Modell abbilden. Die Wahl eines geeigneten semantischen Datenmodells hängt somit von dem betrachteten Realitätsausschnitt ab. Zur semantischen Modellierung für herkömmliche OLTPAnwendungen und zum Einsatz von relationalen Datenbanksystemen hat sich in der Praxis das Entity Relationship-Modell (ERM) in weiten Bereichen bewährt.