OLAP

1
OLAP
2
Warum?

• Daten einer Firma verfügbar machen für
  Entscheidungsprozesse
• Umsetzung schwierig
• neue Konzepte notwendig zur analytischen
  Informationsverarbeitung
• OLAP
• Data Warehousing
• Data Mining

3
OLAP Einleitung
DSS Decision Support System
4
Einführungsbeispiel
Umsatz pro Zeit und Produkt
5
Einführungsbeispiel
Umsatz pro Zeit, Produkt und Region
6
Einführungsbeispiel
7
OLAP

• OLAP erleichtert die Analyse von Kennzahlen unter
  verschiedenen Gesichtspunkten (Dimensionen)
• z.B. Produktmanager, Bereichsleiterin
• Kennzahlen
• graphische Darstellung (Diagramme)
• Dynamische, multidimensionale Geschäftsanalyse
  mit Simulationskomponente

8
Was ist OLAP?

• OLAP ist ...
• ... ein Überbegriff für Technologien, Methoden
  und Tools zur Ad-hoc-Analyse multidimensionaler
  Informationen
• ... bietet verschiedene Sichtweisen
• ... eine Komponente der entscheidungsorientierten
  Informationsverarbeitung

9
Analyse-Datenmodelle

• kategorisches (beschreibendes) Modell
• statisches Analysemodell zur Beschreibung des
  gegenwärtigen Zustands
• Vergleich von historischen mit aktuellen Daten
• exegetisches (erklärendes) Modell
• zur Erklärung der Ursachen für Zustand durch
  Nach-vollziehen der Schritte, die ihn
  hervorgebracht haben(durch einfache Anfragen)
• kontemplatives (bedenkendes) Modell
• Simulation von What IfSzenarios für
  vorgegebeneWerte oder Abweichungen innerhalb
  einer Dimensionoder über mehrere Dimensionen
  hinweg
• formelbasiertes Modell
• gibt Lösungswege vor ermittelt für vorgegebene
  Anfangs- und Endzustände, welche Veränderung
  fürwelche Kenngröße bzgl. welcher Kenngröße für
  ange-strebtes Ergebnis notwendig

Komplexität
10
OLAP Charakteristika
11
OLAP Charakteristika
Evaluierungsregeln nach E. F. Codd

• Multidimensionale konzeptionelle Sichten
• funktionale Transparenz
• unbeschränkter Zugriff auf operative und/oder
  externe Datenquellen
• konsistente Berichtsgenerierung
• Client-/Server Architektur
• gleichgestellte Dimensionen
• dynamische Behandlung dünn besetzter Datenwürfel
• mehrere Anwender
• unbeschränkte, dimensionsübergreifende Operationen

12
OLAP Charakteristika - FASMI

• FASMI Fast Analysis of Shared Multidimensional
• Information
• Fast 1-2 Sekunden als Antwortzeit bei einfachen
  Anfragen bis maximal 20 Sekunden für komplexe
  Datenanalysen
• Analysis Verfahren und Techniken zu einfachen
  mathematischen Berechnungen und
  Strukturuntersuchungen
• Shared Schutzmechanismen für den Zugriff im
  Mehrbenutzerbetrieb
• Multidimensional Multidimensionale
  konzeptionelle Sicht auf Informationsobjekte,
  d.h. freier Zugriff auf einen Datenwürfel und
  multiple Berichtshierarchien über die Dimensionen

13
OLAP Charakteristika

• Daten werden über Dimensionen beschrieben.
• Begriffe Multidimensionalität, Hypercubes,
  Ausprägungen (Members), Zellen

CD
DVD
Produkte
Fernseher
Video
Sachsen-Anhalt
Kühlschrank
Thüringen
Regionen
Sachsen
Aug
Sep
Nov
Jan
Feb
Mrz
Apr
Mai
Jun
Okt
Dez
Jul
Zeit
14
OLAP Charakteristika

• Dimensionen können Hierarchien haben.

Alle Produkte
Kosmetik
Lippenstift
Produkte
Deo
Haarzeugs
Elektro
Alle Regionen
DVD
Sachsen-A.
Region
Sachsen
CD
Thüringen
2000
Aug
Sep
Nov
Jan
Feb
Mrz
Apr
Mai
Jun
Okt
Dez
Jul
Q1
Q2
Q3
Q4
Zeit
15
Zu Hierarchien

• Hierarchie
• Hierarchische Aufteilung der Dimension

Lipp.
Kosmetik
Produkte
Dimension Produkte
Elektro
16
Architekturkonzepte
17
OLAP Grobarchitektur
18
OLAP Architekturkonzepte

• ROLAP Relational OLAP
• bei Abbildung in Relationen möglichst wenig
  Verlust von Semantik, die im multidimensionalen
  Modell enthalten
• Effiziente Übersetzung und Abarbeitung von
  multidimensionalen Anfragen
• Einfache Wartung (z.B. Laden neuer Daten)
• MOLAP Multidimensional OLAP
• direkte Speicherung multidimensionaler Daten in
  multidimensionalen DBMS
• HOLAP Hybrid OLAP
• Kombiniert Vorteile von relationaler und
  multidimensionaler Realisierung

19
Architekturkonzept ROLAP

• SQL zur Datentransformation
• Multidimensionale Datenmodelle werden in
  2-dimensionalen Tabellen gespeichert
• Star-, Snowflake, Starflake-Schema

Dim4
Facts Dim1ID Dim2ID Dim3ID Dim4ID
Dim1
Dim3
Dim2
Star-Schema
Beispiel
20
ROLAP - Star-Schema

• erstellen von Fakten- und Dimensionstabellen
• Faktentabelle mit Schlüsseln für
  Dimensionstabellen
• in Dimensionstabellen stehen relevante Daten
• Redundanz
• Alternative wäre Snowflake-Schema
• Dimensionsdaten relativ stabil

21
Architekturkonzept MOLAP

• Speicherung erfolgt in multidimensionalen
  Speicherarrays
• Multidimensionale Speicherstrukturen werden
  komplett übernommen
• Hypercube
• Datenbestand in einem Würfel
• Multicube
• kleinere Würfel

22
Architekturkonzepte
ROLAPRelationales OLAP Daten werden relational
gespeichert

• Komplexe Anfragen können hohe Antwortzeiten
  verursachen
• Grosse Datenmengen verarbeitbar

?
?
Query and Calculation Engine
OLAP-Frontend
HOLAP Hybrides OLAP
MOLAP Multidimen-sionales OLAP Daten
werdenmultidimensionalgespeichert
23
Unterschiede OLTP/OLAP
Transaktionsorientierte Systeme Operative Systeme
Auswertungsorientierte Systeme
OLTP(Online Transaction Processing)
OLAP(Online Analytical Processing)
Weniger häufige, komplexe Anfragen
Häufige, einfache Anfragen
Grosse Datenmengen je Anfrage
Kleine Datenmengen je Anfrage
Operieren auf aktuellen und historischen Daten
Operieren hauptsächlich auf aktuellen Daten
Schnelle Kalkulation wichtig
Schneller Update wichtig
? Datenbanksystem kann nicht gleichzeitig für
OLTP- und für OLAP-Anwendungen optimiert werden
Paralleles Ausführung von OLAP-Anfragen auf
operationalen Datenbe-ständen könnte
Leistungsfähigkeit der OLTP-Anwendungen
beeinträchtigen
24
OLAP Funktionalität
25
OLAP Funktionen

• Die multidimensionalen Daten können am Bildschirm
  flexibel präsentiert werden.

Roll-up
Drill-down
26
OLAP Funktionalität

• Die multidimensionalen Daten können am Bildschirm
  flexibel präsentiert werden.

Slice
Kennzahlen Umsatz Gewinn Produkte Regionen Zeit
Kennzahlen Umsatz Gewinn Produkte Regionen Zeit
Eine beliebige Kombination von Dimensionen und
Aus-prägungen kann angezeigt werden.
27
OLAP Funktionalität

• Die multidimensionalen Daten können am Bildschirm
  flexibel präsentiert werden.

Dice
Die Achsen können beliebig ausgetauscht werden.
28
OLAP Funktionalität

• Drill Down
• erhöhen des Detaillierungsgrades
• Roll Up
• invers zu Drill Down
• Pivot
• betrachten aus unterschiedlichen Perspektiven
• rotate
• Slice Dice
• ändern des Analyseblickwinkels

29
OLAP in SQL
30
Themen

• Materialized Views
• Merge von Tabellen
• SQL für Drill down und Roll up (ROLAP)
• CUBE-Operator

31
Tabellen für Beispiel (Star Schema)
32
OLAP Anfragebeispiel
Erzeugen einer materialisierten Sicht CREATE
MATERIALIZE VIEW Verdichtung mittels GROUP BY
Beispiel Ermittle die quartalsweises
Verkaufszahlen pro Pizza-Marke und Region
CREATE MATERIALIZED VIEW Region_Marke_Quartal
ASSELECT O.Region, P.Marke, Z.Quartal,
SUM(V.Anz) AS AnzahlFROM (((Verkaufszahl V
JOIN Ort O ON (V.FilialeO.Filiale))
JOIN Zeit Z ON (V.TagZ.Tag)) JOIN
Produkt P ON (V.ProduktP.Produkt))GROUP BY
O.Region, P.Marke, Z.Quartal

• Materialisierte Sichten
• vielbenutzte Aggregate (Analysen) materialisieren
• schnellerer Zugriff auf Daten
• Ablegen der Daten in eigene Relationen

33
OLAP-Anfragebeispiel
Verdichtung erhöhen durch Entfernung von
Attributen aus der GROUP BY-Klausel.
Beispiel Ermittle die Gesamt-Verkaufszahlen für
alle Regionen
SELECT O.Region, SUM(V.Anz) AS AnzahlFROM
(((Verkaufszahl V JOIN Ort O ON
(V.FilialeO.Filiale)) JOIN Zeit Z ON
(V.TagZ.Tag)) JOIN Produkt P ON
(V.ProduktP.Produkt))GROUP BY O.Region

• weitere Verdichtungen möglich
• automatisches Umschreiben der Anfrage durch
  Datenbank-Optimierer (query rewrite) Verwenden
  der materialisierten Sicht zur weiteren
  Verdichtung

• weitere Verdichtungen möglich

34
SQL-Erweiterungen zum Einfügen

• Kombination von Aktualisieren und Einfügen
• BeispielListe neuer Produkte mit bestehender
  Tabelle Produkt mischen

MERGE INTO Produkt P1 USING (SELECT ID, Name
FROM Produkt_Neu) P2 ON (P1.ID
P2.ID) WHEN MATCHED THEN UPDATE SET P1.Name
P2.Name WHEN NOT MATCHED THEN INSERT (P1.ID,
P1.Name) VALUES (P2.ID, P2.Name)
35
Komplexes Gruppieren
SELECT Monat, Produkt, SUM(Anz) AS
Anz FROM Ort_Produkt_Monat_Verkauf GROUP BY
Monat, Produkt

• Beispieldaten für Gruppierungsanfragen

36
Komplexes Gruppieren
SELECT DECODE (GROUPING (Monat),1,Alle
Monate, Monat) AS Monat, DECODE
(GROUPING(Produkt),1,Alle Produkte, Produkt)
AS Produkt, SUM(Anz) AS Anz FROM Ort_Produkt_Monat
_Verkauf GROUP BY ROLLUP (Monat, Produkt)
SELECT DECODE (GROUPING (Monat),1,Alle
Monate, Monat) AS Monat, DECODE
(GROUPING(Produkt),1,Alle Produkte, Produkt)
AS Produkt, SUM(Anz) AS Anz FROM Ort_Produkt_Monat
_Verkauf GROUP BY CUBE (Monat, Produkt)
37
Hinweise zum Beispiel

• ROLLUP
• berücksichtigt auch Zwischen- und Endsummen
• Funktion GROUPING liefert 1 bei Summe
• DECODE kann Standard-Rückgabewert mit Text füllen
• DECODE vergleichbar mit bedingter Anweisung
• DECODE (ausdruck, if1, then1, if2, then2, ,
  else)
• ohne GROUPING/DECODE erscheinen Nullwerte
• CUBE-Operator
• GROUP BY CUBE (Spalte1,Spalte2,Spalte3,)
• k Dimensionen 2k mögliche GROUP BY-Klauseln
• bietet Ansatz zur Optimierung

38
Zukünftige Entwicklung

• Web OLAP mit Front End über Web
• Verknüpfung von OLAP mit anderen Werkzeugen (z.B.
  Reporting)
• Konzepte weiterentwickeln
• Anwendungen auf horizontalen oder vertikalen
  Markt zuschneiden (bestimmte Branche oder
  bestimmte Unternehmensfunktion)