03 Data Warehousing mit SAP BI Grundlagen von OLAP (4/16)

7/29/2019 03 Data Warehousing mit SAP BI Grundlagen von OLAP (4/16)

1/24

Grundlagen von OLAP

Prof. Dr. Norbert Ketterer - HS Fulda1


2/24

OLTP vs. OLAP

Was sind die unterschiedlichenCharakteristika unter den Aspekten:

n ragen w e w r au e ystemezugegriffen?

Daten was sind die Quellen& die Eigenschaftender Daten?

Anwender was ist der typische Anwender?



3/24

OLTP vs. OLAP - Anfragen

Fokussierung von operativen Systemen auf viele meist schnelle Lese- und Schreibvorgnge Dabei werden eher wenige Datenstze zeitgleich adressiert

Wir haben eine relativ einfache Anfragestruktur (einige SQL-Statements zum Insert/ Update und Lesen derDB)

Anal tische S steme hin e en verlan en zeitlich aufwndi ere Transaktionen da meist kom lexe

Anfragen aus der Gesamtmenge an Datenstzen bewltigt werden mssen Es handelt sich hauptschlich um Lesetransaktionen


[GOM06]

Bemerkung: wir werden feststellen, dass im SAP-BI die Datenstrukturen frumfangreiche Anfragen optimiert sind


4/24

OLTP vs. OLAP - Daten

Operative Systeme beziehen ihre Daten meist nur aus einer einzigen Datenquelle Daten liegen in einer sehr dynamischen Form vor

Analytische Systeme knnen ihrer Aufgabe berhaupt erst durch die Integration derDaten aus mehreren Datenquellen gerecht werden Daten liegen abgeleitet undonso er vor


[GOM06]


5/24

OLTP vs. OLAP - Anwender

Operative Systeme werden eher durch Sachbearbeiter bedient, diedamit beschftigt sind, Daten zu erfassen oder abzufragen

Der typische Anwender eines analytischen Systems ist meist ein,


[GOM06]


6/24

OLAP und Multidimensionalitt

Zentrales Charakteristikum von OLAP ist Multidimensionalitt

Multidimensionalitt entspricht einer natrlichen Sichtweise auf die Welt dieseSichtweise besteht auch bei den Anwendern des OLAP

Beispiel aus unserem Leben:Der Wochenendeinkauf

Dimension Preis -> Summe war 120 Euro; wir knnen dies aber auch detaillieren nach 50Euro bei Lidl, 30 Euro bei Aldi, 20 Euro bei tegut und 20 Euro bei sonstigen

Dimension Ware -> 30% Fleisch, 40% Gemse, 10% Tiernahrung (fr das Haustier !), 20%Getrnke; wir knnen dies aber auch detaillieren nach 20% Wurst und Schinken, 10%Hhnerbrste, 10% Kartoffeln, etc

Dimension Nhrstoffe -> 30% Eiwei, 40% Kohlenhydrate, etc; wir knnten dies auchdetaillieren speziell durch Kreuzung der Dimensionen: etwa von den 30% Eiwei werden80% durch Fleisch und der Rest durch Getrnke (Milch, etc. ) abgedeckt, etc.



7/24

OLAP/ Multidimensionalitt


[JON08]

Multidimensionalitt wird im BW-

Server durch spezielle Info-Provider (sog. Info-Cubes)realisiert.

Neben Info-Cubes existierenweitere Typen von Info-Providern.


8/24

Multidimensionalitt im betrieblichen Umfeld

Betriebswirtschaftliche Variablen bzw. Kennzahlen (etwa: Umstze, Kosten,Prognosen, Verkufe) werden entlang unterschiedlicher Dimensionen (wie z.B.Kunden, Artikel, Regionen) angeordnet.

Bildlich gesprochen entspricht diese Anordnung mehrdimensionalen Wrfeln, derenan en urc e nze ne mens onen repr sen er wer en . . . ex s er auc

immer noch die Dimension der Zeit im Wrfel Das Ziel von OLAP besteht darin, dass die Anwender flexible komplexe

Auswertungen mit geringem Zeitaufwand eigenstndig durchfhren knnen


Artikel

Regionen

Kunden

Bsp fr Multidimensionalitt:

Artikel xyRegion abKunden cd.... +MM.YYYY

[HA04]


9/24

Die 12 Regeln von OLAP

Definiert von Codd, Codd und Sally als Anforderung an OLAP [HA04]:

1. Multidimensionale Sicht auf Daten dies ermglicht eineNavigation in den Datenwrfeln mit beliebigen Projektionen,

2. Transparenz nahtlose Integration in Benutzerumgebungen3. Offene Architektur Zugriffsmglichkeiten auf heterogene

Datenbasen; Einbindung in logische Gesamtsicht

4. Ein gleichbleibendes Antwortverhalten selbst bei vielen

Dimensionen und groen Datenvolumina5. Client-Server-Architektur - ermglicht verteilte Datenhaltung und

verteile Programmausfhrung



10/24

Die 12 Regeln von OLAP Teil 2

6. Generische Multidimensionalitt alle Dimensionen stimmen in IhrenVerwendungsmglichkeiten berein (Anmerkung: bis auf die Zeit)

7. Dynamische Haltung Betriebswirtschaftliche Modelle sind oft gering besetzt (hnlich einerdnn besetzten Matrix in der Mathematik) -> warum ist dies so ?Die Handhabung dnn besetzter Wrfel ist wichtig fr OLAP, da sonst Speicheranforderung zuhoch

8. Mehrbenutzerfhigkeit gleichzeitiger Zugriff von Benutzern auf Analysebestnde,verbunden mit Sicherungs- und Berechtigungskonzepten

9. Kennzahlberechnung und Konsolidierung unbeschrnkte dimensionsbergreifendeOperationen innerhalb einer Datenmanipulationssprache

10. Ergonomische Benutzerfhrung ermglicht intuitive Datenmanipulation und Navigation(dies betrifft auch das Laden)

11. Flexibles Berichtswesen die Mehrdimensionalitt soll ein leichtes und flexiblesBerichtswesen ermglichen

12. Anzahl Dimensionen und Aggregationsebenen es soll eine unbegrenzte Anzahl vonDimensionen und Aggregationsebenen existieren (FRAGE: was knnte eineAggregationsebene sein ?)



11/24

Fakten, Kennzahlen und Merkmale

Geschftsdaten in einem Data Warehouse werden inFakten, Kennzahlen und Merkmale unterteilt [GOM06]

Fakten:

Fakten sind numerische Messgren, die betrieblicheSachverhalte beschreiben. Fakten werden hufig auch als Basiskennzahlen bezeichnet,

da aus ihnen durch arithmetische Operationen Kennzahlen

abgeleitet werden In SAP-BI werden Fakten in Info-Objekten des Typs

Kennzahl abgelegt.



12/24


Kennzahlen:Kennzahlen sind Fakten oder aus Fakten abgeleitete Gren.Sie haben informativen Charakter und dienen dazu, durchsys ema sc es erg e c en rsac en un ren s a e en zuknnen. Umsatz und Kosten knnen als Fakten gelten, aus denen die

Kennzahl Gewinn berechnet wird.

Kennzahlen erhalten jedoch erst durch die Zuordnung weiterer,

beschreibender Merkmale eine Aussagekraft. In SAP-BI werden Fakten in Info-Objekten des Typs Kennzahl

abgelegt oder in Auswertungen aus Basiskennzahlenberechnet



13/24


Merkmale:Merkmale sind betriebswirtschaftliche Bezugsgren, nach deneneine sinnvolle Gruppierung von Kennzahlen mglich ist. , ,

Dimensionen des Wrfels werden aus Merkmalen aufgebaut diese Merkmaleknnen in einer Hierarchie angeordnet sein

Ein spezifisches Merkmal, welches oft eine besondere Bercksichtigung im DWbedarf ist das Merkmal Zeit

Beispiel:Umsatz in Hessen fr April 2010 in der Sparte Haushaltsprodukte ->was sind Merkmale, was sind Kennzahlen ?



14/24

OLAP-Operationen

Es existiert eine Vielzahl von Anfrageoperationen,die auf multidimensionalen Datenstrukturen zurD n n l v rw n w r n k nn n

Da die Anfrageoperationen der Untersttzung desOLAP-Konzepts dienen, werden sie auch als OLAP-Operationen bezeichnet

Die grundlegendsten OLAP-Operationen werdenanhand einer Hochschule vorgestellt (Beispiel aus[GOM06])



15/24

Der Datenwrfel

Der Datenwrfel enthlt Information ber Studentenzahlen Dimensionen werden hier nur durch wenige Merkmale reprsentiert Studienfach - SOZ (Soziologie), EuWi (Europische Wirtschaft), VWL

(Volkswirtschafslehre), BWL (Betriebswirtschaftslehre) und WI->

werden Studienabschnitt - GS (Grundstudium) und HS (Hauptstudium) Zeit - Dimension Zeit enthlt die einzelnen Semester

Prof. Dr. Norbert Ketterer - HS Fulda15 [GOM06]


16/24

OLAP-Operation Rotate

Rotate: Um verschiedene Sichten auf den betrachtetenDatenbestand zu erhalten, wird der Datenwrfel durch dieseOperation gedreht. Dieses Vertauschen der Dimensionen wirdm eu sc en auc a s vo erung o er o a on eze c ne


[GOM06]


17/24

OLAP-Operation Drill-Down

Drill-Down: Erlaubt das Durchlaufen von Verdichtungsebeneninnerhalb einer Dimensionshierarchie, indem von einembestimmten Aggregationsniveau auf die nchsttiefere und damit

e a er ere er c ungss u e ges egen w r


[GOM06]


18/24

OLAP-Operation Roll-Up

Roll-Up: Komplementr zum Drill-Down ermglicht dieseOperation den Wechsel eines Aggregationsniveaus zur jeweilshheren Verdichtungsebene innerhalb einer

mens ons erarc e


[GOM06]


19/24

OLAP-Operation Slice

Slice: Bei einem dreidimensionalen Datenwrfel bewirkt dieseOperation das Herausschneiden einer Scheibe aus demDatenbestand, woraus sich eine zweidimensionale Matrix ergibt. Es

verringert


[GOM06]


20/24

OLAP-Operation Dice

Dice: Durch diese Operation knnen einzelne Teilwrfel ausdem gesamten Hypercube extrahiert werden. Die Anzahl derDimensionen bleibt erhalten, whrend sich jedoch die

erarc e e nze ner mens onen ver n ern ann


[GOM06]


21/24

OLAP-Operation Drill-Across

Drill-Across: Ermglicht den Wechsel zwischen Datenwrfeln, umbeispielsweise eine Kennzahl ber mehrere Wrfel zu verfolgen, wennIst- und Soll-Daten in separaten Wrfeln gehalten werden. Wichtig ist

,

Granularitt aufweisen

In SAP: vertauschen der Merkmale zwischen den Drill-Down-Pfaden



22/24

OLAP-Operation Drill-Through

Drill-Through: Ist im Zuge der Operation Drill-Down diehchste Detaillierungsstufe erreicht, kann die physischeDatenquelle durch diese Operation gewechselt werden, umnoc e a er e a en zur er gung s e en zu nnen. eser

Rckgriff kann sowohl andere relationale Quellen (z.B.operative Basisdaten), als auch weitere Datenwrfel umfassenund sollte findet fr den Nutzer unbemerkt stattfinden



23/24

bung: OLAP-Operationen am Beispielcube

Wir fhren nun OLAP-Operationen in einem Beispielcube durch, um einige Fragen zubeantworten wir begeben uns also auf die Anwendersicht.

Der Cube hat den Namen: WD_SD_C03

Bevor Sie sich auf die Anwendersicht begeben, beantworten Sie bitte die folgenden Fragen:

Welche Merkmale besitzt der Cube?

An welches Objekt gibt der Cube Daten weiter?

Von welchem Objekt erhlt der Cube Daten?

Um diese vorherigen Fragen beantworten zu knnen, gehen Sie am Besten in die Workbench. In dieser Transaktion verzweigen Sie ins Meta-Data-Repository (via Druckbuttons links)

Hier verwenden Sie idealerweise die Suchfunktion zur Auffindung des Cubes

Es kann sein, dass die Suche etwas langwierig ist . Sie drfen parallel im Internet surfen aber nur auf

dieser Seite dabei drfen Sie auch die Fragen der nchsten Seite beantworten:

http://g92as1.informatik.tu-muenchen.de:50100/irj/servlet/prt/portal/prtroot/pcd!3aportal_content!2fcom.sap.pct!2fplatform_add_ons!2fcom.sap.ip.bi!2fiViews!2fcom.sap.ip.bi.bex?QUERY=W_BACHELOR_DEMO_1&VARIABLE_SCREEN=X&DUMMY=1



24/24

bung: OLAP-Operationen cont.

Fhren Sie einige OLAP-Operation ber das WEB-Interface an dem Cube aus

Versuchen Sie, die folgenden Fragen zu beantworten geben Sie auch die Sequenz (inklusiveTyp) der OLAP-Operationen an, die hierfr notwendig waren.Wenn Sie verwirrt sind, knnen Sie der Einfachheit halber noch einmal ber den Link neueinsteigen!

Wie viel offene Auftrge (in Euro) bestehen noch fr den NB Speedy II?

Wie viel offene Auftrge (in Euro) bestehen noch fr alle Produkte, wenn wir uns auf dieVerkaufsorganisationen Hamburg und London konzentrieren ?

Was ist der Gesamtwert an offenen Auftrgen fr alle Produkte?

Ist dieser Gesamtwert in Kanada hher als in Australien?

Ihr Manager mchte eine bersicht der Korrelation des Landes mit dem Vertriebsweg haben (bezglich desoffenen Auftragswertes). Eine Korrelationsmatrix hat zwei Dimensionen, wie erzeugen Sie dies?

ber welche Sparten werden unsere Produkte vertrieben? Was sind die offenen Auftragswerte in jeder Sparte? Zu welcher Sparte gehrt unser NB Speedy II?

Erzeugen Sie eine Grafik aller offenen Auftrge pro Vertriebsorganisation was ist das Wahrzeichen derStadt, dessen Vertriebsorganisation besonders negativ auffllt?


Documents

03 Data Warehousing mit SAP BI Grundlagen von OLAP (4/16)