Oracle Data Warehouse Implementierung dimensionaler Modelle Star - Modell Alfred Schlaucher, Oracle Deutschland

Oracle Data WarehouseImplementierung dimensionaler Modelle

”Star - Modell”

Alfred Schlaucher, Oracle Deutschland

2

Themenübersicht

• Ausgangssituation• Architekturüberlegungen• Startpunkt Anwender• Namensregelungen• Das physische Modell• Verteilung auf Schichten• Schlüssel und Indizierung• Compression

Data Warehouse Technik im Fokus• Partitionierung• Statistiken• Storage-Bedarf• Materialized Views

3

SchnellerMehr

FlexiblerGenauer

Operativer

Umfassende Sichten auf Kunden

Einheitliche Informationen standardisierte und Daten

Flexible und reichhaltige Auswertestrukturen

Immer kürzere Auswertezyklen

Was Anwender bewegt

4

Alle Kundenkontaktpunkte

Alle Geschäftsbeziehungen zu dem Kunden

Alle historischen Daten

Alle öffentlich verfügbaren Kundendaten

Plus soziographische Informationen (Referenzdaten)

Ergeben ein vollständiges Bild

+ neue Geschäftsoptionen

Potentielle Informationsschätze

360°

5

Informationsdrehscheibe für alle (!) Sachgebiete

User View Layer

Enterprise Information

Layer

Data Integration

LayerReferenzdatenStammdaten

Bewegungsdaten

Standardisierte Berichte

AdvancedAnalytics

Ad-hoc Query & Reporting

ModelleSimulation

D a t a W a r e h o u s e

6

Informationsdrehscheibe für alle (!) Sachgebiete

User View Layer

Enterprise Information

Layer

Data Integration

Layer

Einheitliches Verständnis über

Sachverhalte

Einheitliche verbundene Stammdaten

Standardisierte Kennzahlen

Harmonisieren

Neutrale Sicht aufalle Unternehmens-

Bereiche

Flexibel für alleEndebenutzer

zugänglich

StammdatenReferenzdaten

Bewegungsdaten

ReferenzdatenStammdaten

Bewegungsdaten


AdvancedAnalytics


ModelleSimulation

7

Alle Modellformen in einem System

Umfangreichste R-Unterstützung

Integriertes Data Mining

Multidimensionale Speicherung als Add On zum Star

Star Schema und 3 NF

Analyseverfahren schon im Data Warehouse vorbereiten

User View Layer


AdvancedAnalytics


ModelleSimulation

Relational

Würfel

Mining-Struktur

Oracle R EnterpriseOracle Data Miner

Oracle OLAP

Any SQL

8

1. Informations-bedarfsanalyse

Informationsbedürfnisse der Endanwender stehen am Anfang

Auflistung aller benötigten Kennzahlen

Wachsende DWH-Informationslandschaft

R R

BS S

S

D

D

DD

Enterprise Information Layer User View LayerData Integration Layer

T

T

T

T: TransfertabellenR: Referenztabellen

S: StammdatenB: BewgungsdatenD: DimensionenF: Fakten

B

F

F

F

D

D

D

DB

B

B

B

Strategische Daten Taktische Daten

Sachgebiets-/Aspekt-/Teilprozess-Bezogene Vorgehens-weise

WachsendesInformations-modell

9

2. Analyse- / Geschäftsobjekt- /Konzeptionelles Modell

Eine zusammenhängende Auswerteschicht wird entworfen

Daraus leiten sich alle Informationsobjekte in dem gesamten DWH ab.


R R

BS S

S

D

D

DD


T

T

T



B

F

F

F

D

D

D

DB

B

B

B




10

3. Das DWH wächst

Nach und nach entsteht ein unternehmensweit reichendes zusammenhängendes Informationmodell

(Enterprise Layer)


R R

BS S

S

D

D

DD


T

T

T



B

F

F

F

D

D

D

DB

B

B

B




11

Exemplarische Fragestellungen der Anwender

Umsatz_Pro_Produkt_Segment Top 3 Produkte pro Segment Verhältnis von Handelsware zu

Vermittlungsdiensten Personalaufwand / Investition pro

Segement

Kennzahlen aus dem Vertrieb

Umsatz_Verhältnis: Privat-/Firmenkunde Verhältnis von Umsatz mit und ohne

Kundenkarte Umsatz pro spezifischem

Kundensegment Berufsgruppe Altersgruppe Gehaltsgruppe

Umsatz pro Produkt- und Kundensegment

Kennzahlen aus dem Marketing

Abgleich zwischen Einkaufs- und Verkaufszahlen

Kennzahlen aus dem Controlling

Abgleich zwischen Bestell- und Liefervorgängen

Kennzahlen aus der Buchhaltung

12

Themenübersicht



13

Datenarten

•Referenzdaten

• Stammdaten

• Bewegungsdaten

• Fakten

• Dimensionen

Das physische Modell - Betrachtungshorizont

Enterprise Information Layer

User View Layer

14

Durchgängige Schichten

Verbundmodelle

Zusätzliche Referenzdaten

Schnelligkeit bei derAufbereitung der Daten

Flexibles Informationsangebot + Schnelligkeit

R R S S S


User View Layer

D

D

DD

F

F

D

D

D

D F

F

F

B

B

B B

B

D

R R S S S

Zu

sa

mm

en

hän

ge

nd

er A

bfra

ge

be

reic

h

S c h i c h t e n - ü b e r g r e i f e n d e r A b f r a g e b e r e i c h

D

Selbstpflegendes Kennzahlensystem

MJ

A

C

AQ

L

D

B

s c h a f f t S c h n e l l i g k e i t

sc

ha

ff

t

F

le

xi

bi

li

tä

t

A

A

A

AA

A

15

Namensvergaben hilft bei der Orientierung

Prefixe für die unterschiedlichen Datenarten

– Fakten->

F_

– Dimensionen-> D_

– Referenzdaten ->R_

– Stammdaten-> S_

– Temporäre Daten ->tmp_

– Bewegungsdaten ->B_

Suffixe für die unterschiedlichen Feld-Arten

– PK_/Schlüsselfelder ->_ID

– FK- Felder->

_ID (gleiche Namen wie PK-Fleder)

– Allgemeine Nummerierungen / Zählfelder

->_NR

– Datumsfelder-> _Dat /

_Datum

Ziel: Die Wartbarkeit des Modells

16

Kunden_Wohnart_Nr

Informationzu einem Kunden wird beschrieben

Die Art und Weise, wie ein Kundewohnt wirdbeschrieben

unter-schiedlicheWohnungs-arten sind durch-nummeriert

Hauptwort Eigenschafts-benennung

Basistyp

Bezugsobjekt BeschreibendeInformation

Charakter desAttributes

Wortstammanalyse hilft bei der Klassifizierung von Column-Namen

17

Basistypgruppe

Feldyp und Art des Wertes

Rolle in Ab-hängigkeits-be-ziehung

Sind NULLserlaubt

Muss Eindeutigkeitvorliegen

Identifikatoren und bezeichnende Begriffe

meist numerisch LHS nein ja

Beschreibungen, Erzählungen, Texte

meist Text , beliebige Zeichen

RHS ja nein

Klassifikatoren alphanumerisch,in Bezug setzende Begriffe,oft wenige Werte

RHS eher nicht, eine Klassifizierung sollte für alle Sätze gelten

nein

Zustände meist Text , beliebige Zeichen

RHS eher nicht, denn Zustände sollten für alle Sätze gelten,

nein

Zeiten Date / Time RHS ja nein

Sequenzen, Aufzählungen Zählwerte)

meist numerisch,oft versteckte Schlüsselkandidaten

LHS nein

ja

18

Mengen meist numerisch,einfache Zahlenwerte ohne weitere Angaben

RHS nein,wenn etwas gezählt wird, sollte es immer gezählt warden

ja

Operatoren und abgeleitete Größen


RHS nein ja

Werte

(brauchen i. d. R. eine relativierende Bezugsgröße z. B. Preis -> Währung)

meist numerisch,einfache Zahlenwerte ohne weitere Angaben(brauchen i. d. R. eine relativierende Bezugsgröße z. B. Preis -> Währung)

RHS nein ja

Maße, Bezugsgrößen, Einheiten


RHS nein ja

19

selectsubstr(table_name,1,20)

Tab,substr(column_name,1,20) Col,

substr(data_type,1,8) Typ, substr(data_length,1,3)LenFrom dba_tab_columnsWHEREowner = 'SV' and(table_name like 'F_%' ortable_name like 'D_%')order by col/

Über alle Tabellen

Alphabetisch sortiert nach Spaltennamen

Hilft beim Erkennen von Homonymen und Synonymen

Hilft bei der Bewertung der Tauglichkeit von Spaltennamen

Erlaubt Vorahnungen von Schlüsselkandidaten

Hilfsmittel Feldliste

20

Die Feldliste(Beispiel)

TAB COL TYP LEN-------------------- -------------------- -------------------------------- ------------D_FILIALEN ALLE_FILIALEN VARCHAR2 20D_KUNDE ALLE_KUNDEN VARCHAR2 20D_LAGER ALLE_LAGER VARCHAR2 40D_MITARBEITER ALLE_MA VARCHAR2 10D_REGION ALLE_ORTE CHAR 9D_PRODUKT ALLE_PRODUKTE VARCHAR2 50D_ZEIT ALLE_ZEITEN CHAR 11D_KUNDE ANREDE VARCHAR2 10D_SPEDITEUR ANZ_FAHRZEUGE NUMBER 22D_KUNDE ANZ_KINDER VARCHAR2 5D_ARTIKEL ARTIKEL_ID NUMBER 22D_ARTIKEL ARTIKEL_NAME VARCHAR2 50D_KUNDE BERUFSGRUPPE VARCHAR2 30D_KUNDE BERUFSGRUPPEN_NR NUMBER 22F_ZAHLUNGEN BEZAHLT VARCHAR2 5F_ZAHLUNGEN_PARTITIO BEZAHLT VARCHAR2 5D_KUNDE BILDUNG VARCHAR2 30D_KUNDE BILDUNGS_NR NUMBER 22D_KUNDE BRANCHE VARCHAR2 30D_REGION BUNDESLAND VARCHAR2 255D_LAGER BUNDESLAND VARCHAR2 50D_LIEFERANTEN BUNDESLAND VARCHAR2 255D_LAGER BUNDESLAND_NR NUMBER 22D_LIEFERANTEN BUNDESLAND_NR NUMBER 22D_REGION BUNDESLAND_NR NUMBER 22F_POSITION DISCOUNT_PROZENT NUMBER 22

21

SERVICE GmbH

Die Modellfirma: SERVICE GmbH

Ursprungsgeschäft– Baumärkte

Erweiterungen– Vermittlung von Handwerker-Service-

Leistungen

– Vermittlung von Finanzdienstleitungen rund um das Bauen

– Direktes Endkundengeschäft über Internet

– Lieferservice direkt ins Haus

Unterscheidung– Privat- / Firmenkunden

22

SERVICE GmbH

Erwartungen aus dem Unternehmen

Vertrieb

ControllingManagement

Marketing Buchhaltung

Vertrieb: wünscht leichtere Auswertungen Was sind wichtige Produkte? Was sind rentable Sparten? Hat sich der Servicebereich

gelohnt?

Marketing: Absatzzahlen sind nicht aussagefähig Wie viel Kunden gibt es? Lohnt die Kundenkarte? Welche Segmentierung gibt es?

Buchhaltung: Es fehlen Daten Warum sind die Spediteursrechnungen so hoch? Sind alle Bestellungen korrekt bezahlt worden? Wie hoch sind die Versandkosten pro Lieferung? Was wurde storniert?

Controlling: Vergleichbarkeit fehlt Was sind rentable Sparten? Wie rentabel sind einzelne

Produkte? Was kosten Produkte im

Einkauf? Wie teuer wurden Produkte

verkauft?Management: Kennzahlen fehlen Wie hoch sind die

liquiden Mittel? Wie hoch sind die

Außenstände?

22

23

Themenübersicht



24

Referenzdaten

Referenzdaten

25

Stammdaten

26

Das Auswerte-Schema

27

67.840.000

67.840.00015.104.000

65.920.001

220.000

100024

16461

1999

5479

67.840.000

305

34 6782745

100

2996370

37

10

Das Szenario und die Mengen

28

Master Detail – Schlüssel: Numerische Felder

Zwischen Zeit-Tabelle und Fakten-Tabelle DATE-Format

FK-Constraint nicht nötig aber für den Optimizer bei Abfragen sinnvoll

I.d.R. Keine PKs auf den Faktentabellen

Schlüssel im Star

28

Artikelgruppe

Sparte

Dim_Artikel

Artikel_Langtext

Artikelsparte

Artikel

Artikel_Schlüssel

Artikelgruppe_Langtext

Artikelsparte_Langname

Parent

Parent

Fakten-FKsFakten (Umsatz)

Levelschlüssel

Levelschlüssel/Objektname

Levelschlüssel

Business Key

Künstlicher Dimension Key

Dim_Schlüssel

Aggregation

Aggregation

Hi

er

ar

ch

ie

Ko

nso

lidieru

ng

slevel B

etrachtu

ng

slevel

29

PK

PK

PKPK

PK

PK

FKs

30

Themenübersicht



31

Design-Prinzip - Ziel: Leichte AuswertbarkeitVerteilung der Daten in den Schichten

?R R S S S


User View Layer

D

D

DD

F

F

D

D

D

D F

F

F

B

B

B B

B

D

R R S S S

Zu

sa

mm

en

hän

ge

nd

er A

bfra

ge

be

reic

h


D

D

B


sc

ha

ff

t

F

le

xi

bi

li

tä

t

32

Design-Prinzip - Ziel: Leichte AuswertbarkeitVerteilung der Daten in den Schichten

Gleiche Daten an mehreren Stellen

In unterschiedlichen Dimensionen

Redundante (konvergente) Fakten-Daten

Synchronisierung über Zentrale Stamm- und

Referenzdaten Standardisierten

ETL-Prozess

R R S S S


User View Layer

D

D

DD

F

F

D

D

D

D F

F

F

B

B

B B

B

D

R R S S S

Zu

sa

mm

en

hän

ge

nd

er A

bfra

ge

be

reic

h


D

D

B


sc

ha

ff

t

F

le

xi

bi

li

tä

t

33

Sich überschneidende DimensionenEinzelne Attribute sind gleich

Umsatz

RegionBundesland

KreisWohnort

NameKunden_NR

KundeRegion

BundeslandKreisOrt

Filial_KategorieFilial_NR

Filiale

Artikel_NRMenge

Kunden_NRPreis

Filial_Nr

33

34

35

36

Standardisieren über einheitliche Referenzdaten

Enterprise Information Layer User View Layer

Referenzdaten

37

Master Detail – Fakten Tabellen

38

Die Wechselwirkung zwischen Master Detail Fakten-Tabellen

39

Konvergente Fakten-Felder

40

Themenübersicht



41

Wo und wie wird im DWH indiziert


Process neutral / 3 NF

Keine Indexe B*tree für Eindeutigkeit und als Primary KeyBitmaps

L a d e - A k t i v i t ä t e n

L e s e - A k t i v i t ä t e n

Bitmaps

B*tree für Primary KeysIn den DimensionenTabellen

42

Bitmap-Indexe auf alle Fremdschlüssel-Felder der gößeren Fakten-Tabellen(Ausnahme KAUF_ID)

Bei partitionierten Fakten-Tabellen:LOCAL Index

Komprimierung erfolgt automatisch

Regelmäßiges Löschen und Neuanlegen der Indexe

Star Query-Transformation

Bitmap-Index-Definitionen in Fakten-Tabellen

CREATE bitmap index idx_BM_KAUF_ZEIT_ID on F_KAUF_Partition(ZEIT_ID) local; CREATE bitmap index idx_BM_KAUF_PRODUKT_ID on F_KAUF_Partition(PRODUKT_ID) local; CREATE bitmap index idx_BM_KAUF_ORT_ID on F_KAUF_Partition(ORT_ID) local; CREATE bitmap index idx_BM_KAUF_KUNDEN_ID on F_KAUF_Partition(KUNDEN_ID) local; CREATE bitmap index idx_BM_KAUF_FILIAL_ID on F_KAUF_Partition(FILIAL_ID) local; CREATE bitmap index idx_BM_KAUF_MITARBEITER_ID on F_KAUF_Partition(MITARBEITER_ID) local; CREATE bitmap index idx_BM_KAUF_MANAGER_ID on F_KAUF_Partition(MANAGER_ID) local; CREATE bitmap index idx_BM_KAUF_FILIALLEITER_ID on F_KAUF_Partition(FILIALLEITER_ID) local;

43

Feststellen, für welche Spalten Indexe nötig sind

Selektivität der Werte in den betroffenen Spalten Prüfen

Platzverbrauch im Blick haben

Regelmäßig neu machen

Umgang mit Bitmap-Indexe

Rowid Name Abschluss Rating

AAAHfVAAJAAAKOKAAA Meier Klasse_10 5

AAAHfVAAJAAAKOKAAB Schubert Abitur 5

AAAHfVAAJAAAKOKAAC Klaus-Gustav Abitur 5

AAAHfVAAJAAAKOKAAD Schmidt Diplom 5

AAAHfVAAJAAAKOKAAE Langbein Doktor 5

AAAHfVAAJAAAKOKAAF Hund Klasse_10 5

AAAHfVAAJAAAKOKAAG Vogel Abitur 5

AAAHfVAAJAAAKOKAAH Messner Abitur 5

AAAHfVAAJAAAKOKAAA

AAAHfVAAJAAAKOKAAB

AAAHfVAAJAAAKOKAAC

AAAHfVAAJAAAKOKAAD

AAAHfVAAJAAAKOKAAE

AAAHfVAAJAAAKOKAAF

AAAHfVAAJAAAKOKAAG

AAAHfVAAJAAAKOKAAH

Abschluss=Klasse_10

Abschluss=Abitur

Abschluss=Diplom

Abschluss=Doktor

1

0

0

0

0

1

0

0

0

1

1

0

0

0

1

1

0

0

0

1

0

0

0

0

0

0

0

0

1

0

0

0SELECT NameFROM KD_TableWHERE Abschluss=‘Diplom‘;

44

Platzverbrauch Bitmap-Indexe

SQL> SELECT index_name,index_type blevel, (leaf_blocks*8/1000) MB, NUM_ROWS, distinct_keys FROM user_indexes;

INDEX_NAME BLEVEL MB NUM_ROWS DISTINCT_KEYS------------------------------ --------------------------- ---------- ---------- -------------IDX_BM_LIEFERUNG_KAUF_ZEIT_ID BITMAP 99.656 76530 76447IDX_BM_ZAHLUNGEN_ZEIT_ID BITMAP 117.672 83538 83349IDX_BM_ZAHLUNGEN_PRODUKT_ID BITMAP 218.72 54851 210IDX_BM_ZAHLUNGEN_KUNDEN_ID BITMAP 116 114030 3687IDX_BM_ZAHLUNGEN_FILIAL_ID BITMAP 70.624 17662 31IDX_BM_POSITION_ZEIT_ID BITMAP 104.104 83375 83349IDX_BM_POSITION_PRODUKT_ID BITMAP 186.584 46854 210IDX_BM_POSITION_KUNDEN_ID BITMAP 105.104 113930 3687IDX_BM_POSITION_FILIAL_ID BITMAP 61.064 15271 31IDX_BM_KAUF_ZEIT_ID BITMAP 65.848 83352 83349IDX_BM_KAUF_PRODUKT_ID BITMAP 8.472 2211 23IDX_BM_KAUF_ORT_ID BITMAP 29.28 7327 31IDX_BM_KAUF_KUNDEN_ID BITMAP 70.8 113758 3687IDX_BM_KAUF_FILIAL_ID BITMAP 29.264 7325 31IDX_BM_KAUF_MITARBEITER_ID BITMAP 61.352 52979 1682IDX_BM_KAUF_MANAGER_ID BITMAP 17.736 4424 20IDX_BM_KAUF_FILIALLEITER_ID BITMAP 9.016 2241 4

1.373392 GB

45

| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time-----------------------------------------------------------------------------------------------------------------| 0 | SELECT STATEMENT | | 1 | 106 | 15048 (1)| 00:00:01| 1 | HASH GROUP BY | | 1 | 106 | 15048 (1)| 00:00:01|* 2 | HASH JOIN | | 1 | 106 | 15047 (1)| 00:00:01|* 3 | HASH JOIN | | 1 | 87 | 14975 (1)| 00:00:01| 4 | NESTED LOOPS | | | | || 5 | NESTED LOOPS | | 1 | 65 | 14962 (1)| 00:00:01| 6 | TABLE ACCESS FULL | D_PRODUKT | 305 | 5185 | 6 (0)| 00:00:01| 7 | PARTITION RANGE ALL | | | | || 8 | BITMAP CONVERSION TO ROWIDS | | | | ||* 9 | BITMAP INDEX SINGLE VALUE | IDX_BM_KAUF_PRODUKT_ID | | | || 10 | TABLE ACCESS BY LOCAL INDEX ROWID| F_KAUF_PARTITION | 1 | 48 | 14962 (1)| 00:00:01| 11 | TABLE ACCESS FULL | D_ZEIT | 5479 | 117K| 12 (0)| 00:00:01| 12 | TABLE ACCESS FULL | D_REGION | 16461 | 305K| 71 (0)| 00:00:01----------------------------------------------------------------------------------------------------------------

select sum(k.gesamt_wert), p.segment, r.bundesland, z.Kalender_jahr_codefrom F_Kauf_PARTITION K, d_Zeit Z, d_region R, d_produkt Pwhere to_date(K.zeit_id,'DD-MON-YY') = to_date(Z.zeit_id,'DD-MON-YY') and K.ort_id = R.ort_id and K.produkt_id = p.produkt_idgroup by p.segment, r.bundesland, z.Kalender_jahr_code

46

Themenübersicht



47

Partitioning senkt Verwaltungs-/Betriebskosten

Partition-bezogene Sicht

Kollektive Sicht(alle Tabellendaten)

November

ja

nein

Ba

ck

up

Sto

rag

e

günstig

sehrgünstig

High end

Ko

mp

rim

ieru

ng

Ak

tua

lis

ieru

ng

S

tati

sti

ke

n

Ak

tua

lis

ieru

ng

In

de

x

Mai

Juni

Juli

August

September

Oktober

ja

nein

ja

nein

In M

em

ory

Arc

hiv

ieru

ng

nein

ja

24/7 Online

ETL-ProzessNovember

48

Partitionierung

Große Tabellen (ab mehrere Millionen Sätze) Meist die Fakten-Tabellen Meist RANGE auf Zeit-Spalte Effekte bei Sub-partitionierung Range -> 70%- 80% Performance-Optimierung

Welche Tabellen werden wie partitioniert

49

Partitioniert Partitioniert

Partitioniert

Partitioniert

50

Beispiel F_KAUF_PARTITIONcreate table f_kauf_partition (zeit_id date,Kauf_id number,Produkt_id number,ort_id number,Kunden_id number,Gesamt_Wert number,Gesamt_Discount_Prozent number,Filial_id number,Mitarbeiter_ID number,Manager_ID number,Filialleiter_ID number)PARTITION BY RANGE (ZEIT_ID) ( PARTITION jan10 VALUES LESS THAN (TO_DATE('2010-02-01','SYYYY-MM-DD')),

PARTITION feb10 VALUES LESS THAN (TO_DATE('2010-03-01','SYYYY-MM-DD')),PARTITION mar10 VALUES LESS THAN (TO_DATE('2010-04-01','SYYYY-MM-DD')),PARTITION apr10 VALUES LESS THAN (TO_DATE('2010-05-01','SYYYY-MM-DD')),PARTITION mai10 VALUES LESS THAN (TO_DATE('2010-06-01','SYYYY-MM-DD')),PARTITION jun10 VALUES LESS THAN (TO_DATE('2010-07-01','SYYYY-MM-DD')),PARTITION jul10 VALUES LESS THAN (TO_DATE('2010-08-01','SYYYY-MM-DD')),

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~PARTITION nov13 VALUES LESS THAN (TO_DATE('2013-12-01','SYYYY-MM-DD')),PARTITION dec13 VALUES LESS THAN (TO_DATE('2014-01-01','SYYYY-MM-DD')),

PARTITION next_month VALUES LESS THAN (MAXVALUE));;

51

Beispielabfrageselect sum(k.gesamt_wert) Wert, p.segment segment, r.bundesland land, z.Kalender_jahr_code Jahrfrom F_Kauf_PARTITION K, d_Zeit Z, d_region R, d_produkt Pwhere to_date(K.zeit_id,'DD-MON-YY') = to_date(Z.zeit_id,'DD-MON-YY') and K.ort_id = R.ort_id and K.produkt_id = p.produkt_id and Z.monat_des_Jahres = 1 and Z.KALENDER_JAHR_CODE = 2012group by p.segment, r.bundesland, z.Kalender_jahr_code

[F_Kauf K,]

52

Mit Partitioning

Elapsed: 00:00:08.90

Execution Plan----------------------------------------------------------Plan hash value: 217629528

--------------------------------------------------------------------------------------------------------------------------------| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time | Pstart| Pstop |--------------------------------------------------------------------------------------------------------------------------------| 0 | SELECT STATEMENT | | 1 | 119 | 15048 (1)| 00:00:01 | | || 1 | HASH GROUP BY | | 1 | 119 | 15048 (1)| 00:00:01 | | ||* 2 | HASH JOIN | | 1 | 119 | 15047 (1)| 00:00:01 | | ||* 3 | HASH JOIN | | 1 | 100 | 14975 (1)| 00:00:01 | | || 4 | NESTED LOOPS | | | | | | | || 5 | NESTED LOOPS | | 1 | 65 | 14962 (1)| 00:00:01 | | || 6 | TABLE ACCESS FULL | D_PRODUKT | 305 | 5185 | 6 (0)| 00:00:01 | | || 7 | PARTITION RANGE ALL | | | | | | 1 | 49 || 8 | BITMAP CONVERSION TO ROWIDS | | | | | | | ||* 9 | BITMAP INDEX SINGLE VALUE | IDX_BM_KAUF_PRODUKT_ID | | | | | 1 | 49 || 10 | TABLE ACCESS BY LOCAL INDEX ROWID| F_KAUF_PARTITION | 1 | 48 | 14962 (1)| 00:00:01 | 1 | 1 ||* 11 | TABLE ACCESS FULL | D_ZEIT | 31 | 1085 | 12 (0)| 00:00:01 | | || 12 | TABLE ACCESS FULL | D_REGION | 16461 | 305K| 71 (0)| 00:00:01 | | |--------------------------------------------------------------------------------------------------------------------------------

53

Ohne Partitioning

Elapsed: 00:00:30.10

Execution Plan----------------------------------------------------------Plan hash value: 2124788479

-------------------------------------------------------------------------------------| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |-------------------------------------------------------------------------------------| 0 | SELECT STATEMENT | | 80 | 4960 | 29304 (2)| 00:00:01 || 1 | HASH GROUP BY | | 80 | 4960 | 29304 (2)| 00:00:01 ||* 2 | HASH JOIN | | 154 | 9548 | 29303 (2)| 00:00:01 || 3 | VIEW | VW_GBC_13 | 154 | 6622 | 29231 (2)| 00:00:01 || 4 | HASH GROUP BY | | 154 | 11088 | 29231 (2)| 00:00:01 ||* 5 | HASH JOIN | | 4680K| 321M| 29003 (2)| 00:00:01 || 6 | TABLE ACCESS FULL | D_PRODUKT | 305 | 5185 | 6 (0)| 00:00:01 ||* 7 | HASH JOIN | | 4680K| 245M| 28974 (2)| 00:00:01 ||* 8 | TABLE ACCESS FULL| D_ZEIT | 31 | 1085 | 12 (0)| 00:00:01 || 9 | TABLE ACCESS FULL| F_KAUF | 15M| 287M| 28888 (1)| 00:00:01 || 10 | TABLE ACCESS FULL | D_REGION | 16461 | 305K| 71 (0)| 00:00:01 |-------------------------------------------------------------------------------------

54

Themenübersicht



55

Aktualität der Statistiken

Skripte mit allen Partitionen

Statistiken sammeln- auch für Partitioen

EXEC DBMS_STATS.GATHER_TABLE_STATS ('SV','F_Kauf_partition', estimate_percent=>20, GRANULARITY => 'PARTITION');

EXEC DBMS_STATS.GATHER_TABLE_STATS ('SV','F_KAUF',estimate_percent=>20);

56

Storage-Bedarf Regelmäßige Kontrolle der verbrauchten Ressourcen

select substr(segment_name,1,25) Segment, round((bytes/1000000000),2) GB,bytes, blocks,extents from user_segments where segment_type = 'TABLE‘ and segment like ‘F%’;

SEGMENT GB BYTES BLOCKS EXTENTS------------------------------ ---------- ---------- ---------- ----------F_KAUF .63 627048448 76544 146F_LIEFERUNG 2.58 2578448384 314752 222F_POSITION 1.95 1946157056 237568 212F_ZAHLUNGEN 4.1 4097835008 500224 245F_CHARGE 1.74 1744830464 212992 209F_STORNO .25 251658240 30720 101F_EINKAEUFE .01 12582912 1536 27F_RETOUREN .1 100663296 12288 83

57

Platzverbrauch von partitionierten Tabellen

TABLE_NAME SUM(NUM_ROWS) SUM(BLOCKS) GB------------------------------ ------------- ----------- ----------F_KAUF_PARTITION 15103875 126816 1.04F_LIEFERUNG_PARTITION 65924495 477444 3.91F_POSITION_PARTITION 67822775 420463 3.44F_ZAHLUNGEN_PARTITION 67832265 802824 6.58

SELECT table_name, sum(num_rows), sum(blocks), round(sum(((blocks*8192)/1000000000)),2) GB

FROM user_tab_partitionsgroup by table_name order by table_name

58

Einfache Tabellen

Partitionierte Tabellen

Komprimierung

alter table TMP_KAUF_POSITION move compress;

ALTER TABLE F_KAUF_PARTITION MOVE PARTITION APR10 COMPRESS FOR ALL OPERATIONS NOLOGGING;

59

Datenmengen ohne Partitionierung

Vorher Nachher Komp-Zeit Anz. Zeilen

F_ZAHLUNGEN 6.44 4.1 2:23.47 67.840.000

TMP_KAUF_POSITION 2,55 1.48 1:45.19 67.840.000

F_POSITION 3.36 1.95 1:18.92 67.840.000

F_LIEFERUNG 3.78 2.58 1:31.57 65.920.001

F_KAUF 0.87 0.63 0:17.95 15.104.000

60

Datenmengen mit Partitionierung

Mit Part.

OhnePart

Nachher Komp-Zeit Anz. Zeilen

F_ZAHLUNGEN 6.57 6.44 6.57 3 67.840.000

TMP_KAUF_POSITION 2,55 67.840.000

F_POSITION 3.44 3.36 3.44 4 67.840.000

F_LIEFERUNG 3.91 3.78 3.91 3 65.920.001

F_KAUF 1,03 0.87 1.03 4:17.95 15.104.000

61

Themenübersicht



62

Qu

ery

Rew

rite

Transparanz: Abfragen nur auf die Original-Tabellen

Flexibel: Alle Felder einer Dimensionstabelle sind abfragbar

Stale: Stellt selbst fehlende Aktualität fest

ETL-Effizient: Aktualisiert sich selbst

Automatisches Summenmanagement Materialized Views

Kreise

Regionen

Bundesland

FaktenTabelle

Level 1

MaterializedView

Regionen_ID

Bundesland_ID

OrteOrte_ID

Kreise_ID

PLZ

Level 2

Level 3

Level 4

Re g

i on

e n D

i me n

s i on

63

Top/Alle_Artikel

Segement

Artikelsparte

Artikelgruppe

Artikel

Artikelcharge

Materialized Views sparen Plattenplatz und minimieren die Objektanzahl

MengeUmsatz

Summe pro Charge

Summe pro Artikel

Summe pro Gruppe

Summe pro Sparte

Summe pro Segement

Summe pro ChargeQ

ue

ry

R

ev

ie

w

64

Nested Materialized Views nutzen bereits ausgeführte IO-Leistung

Aufwendige Join-Operation

DIM_Zeit FAKT_Umsatz DIM_Produkte

Umsatz Prod.Gr A

Umsatz Prod. Gr B relativ zum Gesamtjahresumsatz

Summierung/Monat

Summierung/Jahr

Umsatz Prod.Gr B

Basistabellen

Materialized ViewLevel 1




IO

65

Anwendung: Auswertungen über Ein-/Verkäufe

Level 1: Getrennte MAVs mit Monats-Aggregat pro Produkt1. auf Einkaufs-Fakten2. auf Verkaufs-Fakten

Level 2: Zusammenführen der Ein-/Verkaufs-Aggregation mit

Mengenvergleiche und BerechnungenLevel 3: Basierend auf den Mengen von Level 2 werden

Finanzberechnungen gemacht Level 3: Zusätzliche Berechnungen

3. Aggregation pro Produktgruppe / Segment usw

66

F_EINKAEUFE F_POSITION F_KAUF

Mv_EA_Finanz_Kum_Monat

Mav_Produkt_Monat_einkaeufe Mav_Produkt_Monat_Verkaeufe

Mav_Einkauf_Verkauf_Diff_Jahr Mv_EA_Menge_Kum_Monat

LFD_Bestands_Wert / Produkt / MonatLFD_Saldo / Produkt / MonatKumulierter EK / ProduktKumulierter VK / ProduktKumuliertes Saldo

LFD_Bestands_Menge / Produkt / MonatVK_Menge / Produkt / MonatEK_Menge / Produkt / MonatKumulierte EK Menge / ProduktKumulierte VK Menge / Produkt

Finanz-Sicht / Berechnungen

Bestands-/Lager-Sicht / Berechnungen

Jahres-Sicht

Mv_EA_Finanz_Kum_Gruppe_Monat

EA: Einkauf/VerkaufKum: kumuliert

Produktgruppen-Sicht

Level 1

Level 2

Level 3

Level 4

67

Das Materialized View Konzept

Optionen beim Anlegen Option BUILD DEFERRED Option REFRESH FORCE ON DEMAND Option ENABLE QUIRY REWRITE

Sprechende Namen wählen Definition nur auf dem untersten Level der

verbundenen Dimensionen Immer COUNT() in die SELECT-Definition dbms_mview.pmarker(u.rowid) – Funktion mit

einbauen Dimension-Table Definitionen einbauen

68

Materialized View Beispiel

create MATERIALIZED VIEW Mav_Zeit_Region_Produkt_kaufBUILD DEFERRED REFRESH FORCE ON DEMAND ENABLE QUERY REWRITEasselect sum(k.gesamt_wert), p.Produkt_ID, r.ort_id, z.zeit_id, COUNT(*)from F_Kauf K, d_Zeit Z, d_region R, d_produkt Pwhere K.zeit_id = Z.zeit_id and K.ort_id = R.ort_id and K.produkt_id = p.produkt_idgroup by p.Produkt_ID, r.ort_id, z.zeit_id

69

Dimension (Beispiel)

CREATE DIMENSION d_produkt LEVEL Produkt IS d_produkt.PRODUKT_ID LEVEL Produktgruppe IS d_produkt.PRODUKTGRP_ID LEVEL Segment is d_produkt.SEGMENT_ID LEVEL Vermittlungs_Art IS d_produkt.VERMITTL_ART_ID LEVEL Produktart IS d_produkt.PRODUKTART_ID LEVEL Kanal IS d_produkt.KANAL_ID LEVEL Alle_Produkte IS d_produkt.ALLE_PRODUKTEHIERARCHY H_Produkt_SEGment (Produkt CHILD OF Produktgruppe CHILD OF Segment CHILD OF Produktart CHILD OF Kanal CHILD OF Alle_Produkte )HIERARCHY H_Produkt_Vermittlungs_art (Produkt CHILD OF Produktgruppe CHILD OF Vermittlungs_Art CHILD OF Produktart CHILD OF Kanal CHILD OF Alle_Produkte )ATTRIBUTE att_Produkt LEVEL Produkt DETERMINES

(d_produkt.PRODUKT, d_produkt.VK_PREIS,d_produkt.PREF_LIEFER_ID)ATTRIBUTE att_Produktgruppe LEVEL Produktgruppe DETERMINES d_produkt.PRODUKTGRUPPEATTRIBUTE att_Segment LEVEL Segment DETERMINES d_produkt.SEGMENTATTRIBUTE att_Vermittlungs_Art LEVEL Vermittlungs_Art DETERMINES d_produkt.VERMITTL_ARTATTRIBUTE att_Vermittlungs_Art LEVEL Produktart DETERMINES d_produkt.PRODUKTARTATTRIBUTE att_KANAL LEVEL Kanal DETERMINES d_produkt.KANAL;

70

Themenübersicht


Data Warehouse Technik im Fokus• Partitionierung• Statistiken• Storage-Bedarf• Materialized Views• Die Abfragen und die

erreichten Kennzahlen

71

Selectsum(kp.vk_wert)

Umsatz, p.segment from f_position kp, d_produkt p where

p.produkt_id = kp.produkt_id group by p.segment;

Umsatz pro Segment

UMSATZ SEGMENT---------- ---------------------- 25358040 Erstellungsleistung 203098265 Baumarktware 4365920 Buergschaft 5354648 Finanzgeschaeft80138814.9 IT-Ware 1331202 Darlehensvermittlung 44640800 Planungsleistung

72

select * from (select rank() over (partition by p.segment order by sum(kp.vk_wert) desc ) as rangfolge, p.produkt, p.segment, round(sum(kp.vk_wert),0) as umsatzfrom f_position_partition kp, d_produkt pwhere p.produkt_id = kp.produkt_id group by p.segment,p.produkt order by p.segment)where rangfolge < 4

Top 3 Produkte pro Segment

RANGFOLGE PRODUKT SEGMENT UMSATZ---------- --------------------------- ------------------------------- ---------- 1 Universal_Wagenheber Baumarktware 17361703 2 Bohrmaschine 800 Watt Baumarktware 8568086 3 Duschbecken 80 Baumarktware 7655290 1 Absicherungsbuergschaft Buergschaft 4365920 1 Kapitalvermittlung Darlehensvermittlung 1331202 1 Bauleitung Erstellungsleistung 22695550 2 Elektorarbeiten Erstellungsleistung 891822 3 Maurerarbeiten Erstellungsleistung 890588 1 Investitionsdarlehen Finanzgeschaeft 2646342 2 Hyothekendarlehen Finanzgeschaeft 2259600 3 Kleinkredit Finanzgeschaeft 448706 1 GRX_GRUMOR IT-Ware 25661311 2 SUN_AZOR_BIG IT-Ware 22529704 3 XT_MM IT-Ware 9559710 1 Architektenplan Planungsleistung 22605050 2 Statikplan Planungsleistung 22035750

73

Selectsum(kp.vk_wert) Umsatz_pro_Prod_Art, p.produktart

from f_position kp,

d_produkt pwhere

p.produkt_id = kp.produkt_id group by p.produktart

Verhältnis Handelsware / Vermittlungsleistung

UMSATZ_PRO_PROD_ART PRODUKTART--------------------------------------- 81050610 Vermittlung 283237080 Handelsware

74

Weitere Kennzahlen (Ausschnitt)(Marketing)

Kunden-Mengenverhältnis Privat-Kunden Firmen-Kunden

Umsatz-Verhältnis Privat-Kunden Firmen-Kunden

Verhältnis Umsatz mit und ohne Kundenkarte

select count(status), status from d_kunde group by status;

select sum(ka.GESAMT_WERT) Umsatz, kd.kundenkarte * from f_kauf ka, d_kunde kd where ka.kunden_id = kd.kunden_id group by kd.kundenkarte

select round(sum(ka.VK_WERT),0) Umsatz, p.segment from f_position ka, d_Produkt P where ka.produkt_id = p.produkt_id group by p.segment * order by umsatz

75

Bestell- und Liefervorgänge(Buchhaltung)

SQL> select * from(select count(kauf_id) Anz_Lieferungen from f_lieferung),(select sum(Gesamt_wert) Lieferwert from f_lieferung),(select sum(Lieferkosten) Kosten_Lieferungen from f_lieferung),(select count(kauf_id) Anz_Positionen from f_position),(select count(kauf_id) Anz_Kaeufe from f_kauf),(select count(kauf_id) Anz_Lieferfreie_Kaeufe

from f_kauf where produkt_id != 0),(select count(*) Anz_Stornos

from (select distinct Kauf_ID, Positions_ID from f_storno)),

(select sum(p.VK_Wert) Wert_Stornos from f_position p,f_storno s

where p.kauf_id = s.kauf_id and p.position_id = s.positions_id)

ANZ_LIEFERUNGEN LIEFERWERT KOSTEN_LIEFERUNGEN ANZ_POSITIONEN ANZ_KAEUFE ANZ_LIEFERFREIE_KAEUFE ANZ_STORNOS WERT_STORNOS--------------- ---------- ------------------ -------------- ---------- ---------------------- ----------- ------------ 5025000 1262158240 63107912 5135000 1115000 110000 2980 155510.87

76

Umsatz, Einkauf, Gewinn pro ProduktControllingselect a.Produkt,a.Umsatz_pro_Prod,b.einkauf_pro_Prod, (a.Umsatz_pro_Prod-b.einkauf_pro_Prod) Gewinn_pro_Prod from (select round(sum(kp.vk_wert),0) Umsatz_pro_Prod, p.produkt Produkt from f_position kp, d_produkt p where p.produkt_id = kp.produkt_id group by p.produkt) a, (select round(sum(e.menge*e.ek_preis),0) einkauf_pro_Prod, p.produkt Produkt from f_einkaeufe e, d_produkt p where p.produkt_id = e.produkt_id group by p.produkt) b where a.produkt = b.produkt order by a.Umsatz_pro_Prod

PRODUKT UMSATZ_PRO_PROD EINKAUF_PRO_PROD GEWINN_PRO_PROD-------------------------------------------------- --------------- ---------------- ---------------Luesterklemmen 1,5 23281 7132 16149Muffe 15mm 46744 12387 34357Reinigungstuecher 46821 12802 34019Eimer_10l 69715 19609 50106Sitzauflage 69738 20788 48950Schrauben_M12 69924 20750 49174Schrauben_M9 70052 22337 47715Bindeseil 70415 18577 51838

Documents

Oracle Data Warehouse Implementierung dimensionaler Modelle Star - Modell Alfred Schlaucher, Oracle Deutschland