Alle Tabs der Lerneinheit (Erklärung · Interaktiv verstehen · Praxis-Übung · Klausur-Quiz) als durchgehender Text. Ideal zum Wiederholen vor der Klausur, und für Suchmaschinen wie Google, Bing und KI-Suche (ChatGPT, Perplexity).
Erklärung
Aus Daten Wissen machen. BI/DWH-Klausurpflicht in 8/11 WInf-Programmen, Trend-Thema seit 2010, durch Cloud-Boom verstärkt.
Die Idee in einem Satz
Business Intelligence (BI): Sammelbegriff für Methoden, Prozesse und Software zur systematischen Analyse betrieblicher Daten → unterstützt Management-Entscheidungen.
Die Daten-Pyramide
↑ Wert
│
┌─────────────────┐
│ Weisheit │ ← warum + Handlung
├─────────────────┤
│ Wissen │ ← was bedeutet das?
├─────────────────┤
│ Information │ ← Daten im Kontext
├─────────────────┤
│ Daten │ ← Rohdaten ohne Kontext
└─────────────────┘
BI transformiert Rohdaten → Information → Wissen. ML / AI gehen noch eine Stufe weiter zur "Vorhersage".
Der BI-Stack: 5 Schichten
┌─────────────────────────────┐
│ 5. Frontend / BI-Tool │ Power BI, Tableau, Looker, Qlik
├─────────────────────────────┤
│ 4. OLAP-Cube / Semantic │ In-Memory-DBs, Aggregationen
├─────────────────────────────┤
│ 3. Data Warehouse (DWH) │ Star/Snowflake-Schema, historisch
├─────────────────────────────┤
│ 2. ETL / ELT │ Extract / Transform / Load
├─────────────────────────────┤
│ 1. Datenquellen │ ERP, CRM, externe APIs, IoT, Files
└─────────────────────────────┘
Data Warehouse (DWH)
Definition (Inmon): "A subject-oriented, integrated, time-variant, non-volatile collection of data in support of management's decision making process."
Kim Ball (Konkurrent): "A copy of transaction data specifically structured for query and analysis."
4 Eigenschaften eines DWH (Inmon)
| Eigenschaft | Bedeutung |
|---|---|
| Subject-oriented | Themen-orientiert (Kunden, Produkte, Verkäufe) statt Prozess-orientiert |
| Integrated | Vereinheitlichte Daten aus unterschiedlichen Quellen (Konsolidierung) |
| Time-variant | Historische Daten, JEDER Datensatz hat Zeitbezug |
| Non-volatile | Daten ändern sich nicht, nur neue kommen hinzu (Append-Only) |
Architektur-Patterns
Top-Down (Inmon):
- Zentrales Enterprise Data Warehouse (EDW) bauen
- Daraus Data Marts pro Fachbereich abzweigen
Bottom-Up (Kimball):
- Data Marts pro Fachbereich bauen (Conformed Dimensions)
- Sukzessive zu EDW zusammenwachsen
Lakehouse (modern):
- Kombination Data Lake (Rohdaten) + DWH (strukturiert)
- Beispiel: Databricks, Snowflake mit Iceberg/Delta-Lake
DWH-Schemata
Star-Schema
Dim_Zeit
│
Dim_Produkt, Fact_Verkauf, Dim_Kunde
│
Dim_Region
- Fact-Tabelle in der Mitte (z.B. Verkäufe)
- Dimensions-Tabellen außen (Zeit, Produkt, Region, Kunde)
- Denormalisiert → Lese-schnell
Snowflake-Schema
Wie Star, aber Dimensions sind WEITER normalisiert in Sub-Tabellen.
| Star | Snowflake |
|---|---|
| Denormalisiert | Normalisiert |
| Lese-schneller | Speicher-effizienter |
| Mehr Redundanz | Weniger Redundanz |
| Praxis-dominant | Selten in DWH |
Galaxy-Schema (Fact-Constellation)
Mehrere Fact-Tabellen teilen Dimensions-Tabellen.
ETL (Extract Transform Load)
Klassischer Prozess zum Befüllen des DWH:
- Extract: aus Quellsystem (ERP, CRM) ziehen
- Transform: bereinigen, mappen, aggregieren (im ETL-Tool)
- Load: ins DWH einfügen
ELT (modern): Erst LOAD in Cloud-DWH → dann TRANSFORM (mit DWH-Power, z.B. dbt + Snowflake).
ETL-Tools: Talend, Informatica, SSIS, Apache Airflow, dbt, Fivetran.
OLAP (Online Analytical Processing)
OLTP vs. OLAP nochmal:
| Aspekt | OLTP | OLAP |
|---|---|---|
| Zweck | Tägliches Geschäft | Datenanalyse |
| Daten-Aktualität | Sekunden | Stunden bis Tage alt |
| Volumen | Viele kleine Transaktionen | Wenige große Queries |
| Operations | INSERT/UPDATE/DELETE dominant | SELECT/Aggregation dominant |
| Schema | 3NF normalisiert | Star/Snowflake denormalisiert |
OLAP-Operationen (Klausur-Klassiker!)
1. Drill-Down
Detail-Ansicht: aus aggregierter Ebene in feinere zoomen.
Beispiel: Jahresumsatz → Quartalsumsatz → Monatsumsatz → Tagesumsatz.
2. Roll-Up (Drill-Up)
Aggregation: aus feinerer Ebene in gröbere zoomen.
Beispiel: Tagesumsatz → Wochenumsatz → Monatsumsatz.
3. Slice
Eine Dimension fixieren → 2D-Ausschnitt aus 3D-Cube.
Beispiel: Aus Cube (Zeit × Produkt × Region) → nur "DACH-Region" → 2D-Tabelle Zeit × Produkt.
4. Dice
Mehrere Dimensions-Werte einschränken → Sub-Cube.
Beispiel: Q1 2024 × Laptop+Tablet × DACH+EU = kleinerer 3D-Sub-Cube.
5. Pivot (Rotate)
Dimensions-Achsen vertauschen für andere Sicht.
Beispiel: Tabelle "Zeit × Produkt" → rotieren → "Produkt × Zeit".
OLAP-Implementierungen
| Variante | Beschreibung |
|---|---|
| MOLAP (Multidim.) | Eigene Cube-Speicherung (z.B. SSAS Multidimensional) |
| ROLAP (Relational) | SQL-DB als Backend (z.B. SSAS Tabular, Snowflake) |
| HOLAP (Hybrid) | Mix aus beidem |
Moderne Trends:
- In-Memory-OLAP (Power BI, Tableau Hyper, SAP HANA)
- Cube-less BI: Direct Query auf DWH ohne Cube-Layer
BI-Tools 2024 (Frontend)
| Tool | Stärken |
|---|---|
| Microsoft Power BI | Marktführer DACH, gut + günstig, Excel-Integration |
| Tableau | Beste Visualisierung, Salesforce-Konzern |
| Qlik Sense | Associative Engine, intuitive UI |
| Looker | (Google), Code-Driven (LookML) |
| Apache Superset | Open-Source-Alternative |
| Metabase | Open-Source für KMU |
Modern Data Stack (2020+)
| Schicht | Beispiel |
|---|---|
| Ingestion | Fivetran, Airbyte |
| Cloud DWH | Snowflake, BigQuery, Redshift |
| Transformation | dbt |
| Orchestrierung | Airflow, Dagster |
| BI | Power BI, Tableau, Looker |
| Reverse ETL | Hightouch, Census |
Trend: Datawarehouse-zentrisch (ELT statt ETL), Cloud-native.
Klausur-Faustregeln
1. BI-Stack 5 Schichten: Quellen → ETL → DWH → OLAP → BI-Tool.
2. Inmon 4 DWH-Eigenschaften: Subject-Oriented, Integrated, Time-Variant, Non-Volatile.
3. Star-Schema = denormalisiert (Fact + Dimensions, lese-schnell).
4. 5 OLAP-Operationen: Drill-Down, Roll-Up, Slice, Dice, Pivot.
5. ETL vs. ELT: TRANSFORM vorher (ETL klassisch) vs. im DWH (ELT modern).
6. OLTP-Datenquellen → DWH → OLAP-Cubes → BI-Dashboards (Cycle).
Häufige Stolpersteine
1. BI und Reporting verwechseln. Reporting = standardisierte Berichte ('was war?'). BI = INTERAKTIVE Analyse + Ad-hoc-Queries + Prognosen.
2. Slice und Dice verwechseln. SLICE = EINE Dimension fixieren (2D-Ergebnis). DICE = MEHRERE einschränken (3D-Sub-Cube). Klausur-Klassiker.
3. Star-Schema mit 3NF verwechseln. Star ist DENORMALISIERT. 3NF wäre Stern + Snowflake-Verzweigungen.
4. DWH ist OLTP. Falsch, DWH ist OLAP-System für Analyse, nicht für Transaktionen.
5. Power BI = Data Warehouse. Falsch, Power BI ist NUR Frontend / Dashboard. DWH liegt darunter (Azure Synapse, Snowflake etc.).
6. ELT als Synonym für ETL sehen. Reihenfolge anders: ELT lädt erst, dann transformiert (im Cloud-DWH). ETL transformiert vorher. ELT ist moderner Trend.
Interaktiv verstehen
OLAP-Cube-Explorer interaktiv
Beispiel-Cube mit 3 Dimensionen (Zeit × Produkt × Region). Toggle zwischen 5 OLAP-Operationen (Drill-Down / Roll-Up / Slice / Dice / Pivot), der Cube wird entsprechend visualisiert.
Interaktive Visualisierung
Interaktive Komponente: probiere sie im Topic-Player oben aus.
Klausur-Tipp: Bei "Beschreiben Sie OLAP-Operationen" IMMER 4-5 mit Beispiel: Drill-Down (Aggregat → Detail), Roll-Up (Detail → Aggregat), Slice (1 Dim. fixieren → 2D), Dice (mehrere Dim. einschränken → Sub-Cube), Pivot (Achsen rotieren). Slice + Dice nicht verwechseln, Klausur-Klassiker.
Praxis-Übung
BI/DWH/OLAP, Praxis-Übung
6 Aufgaben zu BI-Stack, DWH-Schemata und OLAP-Operationen.
Klausurfragen mit Lösungen (6)
- F1.Welche 4 Eigenschaften definieren ein Data Warehouse nach Inmon?
Antwort: Subject-Oriented, Integrated, Time-Variant, Non-Volatile
Erklärung: Inmons 4 DWH-Eigenschaften (1991): 1) Subject-Oriented (Themen-orientiert: Kunden, Produkte, Verkäufe statt Prozesse). 2) Integrated (vereinheitlichte Daten aus mehreren Quellen). 3) Time-Variant (historische Daten mit Zeitbezug). 4) Non-Volatile (Append-Only, keine Änderungen). Diese 4 sind Klausur-Standard.
- F2.Was bedeutet die OLAP-Operation 'Drill-Down'?
Antwort: Aus aggregierter Ebene in feinere zoomen (Detail)
Erklärung: Drill-Down = von Aggregation zu Detail. Beispiel: Jahresumsatz → Quartal → Monat → Tag. Umkehrung ist Roll-Up (Drill-Up). Andere OLAP-Operationen: Slice (1 Dimension fixieren), Dice (mehrere einschränken), Pivot (Achsen rotieren). Diese 5 sind OLAP-Klausur-Standard.
- F3.Ordne OLAP-Operation der Beschreibung zu.
Zuordnungen:
- Drill-Down → Detail-Ansicht: Jahres- → Tagesumsatz
- Roll-Up → Aggregation: Tages- → Jahresumsatz
- Slice → Eine Dimension fixieren → 2D-Ausschnitt
- Dice → Mehrere Dimensions-Werte einschränken → Sub-Cube
Erklärung: OLAP-Operationen: Drill-Down (Aggregat→Detail), Roll-Up (Detail→Aggregat), vertikale Bewegung in Dimensions-Hierarchie. Slice = 1 Dimension fixieren (2D-Ergebnis). Dice = mehrere Dimensions-Werte einschränken (kleinerer 3D-Sub-Cube). Pivot = Achsen rotieren für andere Sicht.
Typ: Zuordnung
- F4.Was ist der Hauptunterschied zwischen ETL und ELT?
Antwort: ETL: Transform VOR dem Load. ELT: Transform IM Cloud-DWH nach dem Load (modern)
Erklärung: ETL klassisch: Extract → Transform (im ETL-Tool wie Talend, Informatica) → Load ins DWH. ELT modern: Extract → Load (sofort ins Cloud-DWH wie Snowflake) → Transform (mit DWH-Power, oft mit dbt). ELT nutzt die immense Compute-Power moderner Cloud-DWHs. Vorteil ELT: schneller, flexibler. Nachteil: Cloud-DWH-Kosten.
- F5.Das Star-Schema ist DENORMALISIERT, die Fact-Tabelle steht in der Mitte, die Dimensions-Tabellen außen.
Antwort: Wahr
Erklärung: RICHTIG. Star-Schema: Fact-Tabelle (z.B. Verkäufe mit Mengen + Beträgen + Fremdschlüsseln) in der Mitte, Dimensions-Tabellen (Zeit, Produkt, Kunde, Region) sind ANGEHÄNGT und DENORMALISIERT. Vorteil: schnelle Read-Performance + einfache Queries. Snowflake-Schema normalisiert die Dimensions weiter, ist aber Praxis-selten. Klausur-Standard im DWH-Modul.
Typ: Wahr/Falsch
- F6.Welcher Marktführer-Tool ist KEIN BI-Frontend?
Antwort: Snowflake
Erklärung: Snowflake ist ein CLOUD DATA WAREHOUSE (Storage + Compute), nicht ein BI-Frontend. Es liegt UNTER Power BI/Tableau/Looker im Stack. Top BI-Frontends 2024: Power BI (Marktführer DACH), Tableau, Qlik Sense, Looker, Apache Superset (Open-Source). Klausur-Falle: BI-Tool vs. DWH-Layer unterscheiden.
Klausur-Quiz
BI/DWH/OLAP, Klausur-Quiz
6 typische Klausurfragen zu Architekturen, Schemata und modernen Trends.
Klausurfragen mit Lösungen (6)
- F1.Wer ist der 'Vater' des Top-Down-DWH-Konzepts (Enterprise Data Warehouse zuerst)?
Antwort: Bill Inmon
Erklärung: Bill Inmon (Top-Down): 'Building the Data Warehouse' (1991). Erst zentrales EDW, dann Data Marts. Ralph Kimball (Bottom-Up): 'The Data Warehouse Toolkit' (1996). Erst Data Marts pro Fachbereich, dann zusammenwachsen. Beide Ansätze haben heute Berechtigung. Codd = relationales Modell + OLAP-Definition. Davenport = ERP-Theorie.
- F2.Welche der folgenden ist KEINE OLAP-Operation?
Antwort: INSERT
Erklärung: INSERT ist OLTP-Operation (Schreiben in Datenbank), KEINE OLAP-Operation. Standard-OLAP-Operationen: Drill-Down, Roll-Up (Drill-Up), Slice, Dice, Pivot (Rotate). Plus: Drill-Across (mehrere Fact-Tables), Drill-Through (auf operative Quelldaten). Klausur-Klassiker bei 'Welche gehört nicht dazu?'-Fragen.
- F3.Der BI-Stack umfasst: Datenquellen → {{1}} → Data Warehouse → {{2}} → BI-Tool. Inmons 4 DWH-Eigenschaften: subject-oriented, {{3}}, time-variant, {{4}}. Star-Schema ist {{5}}, Snowflake-Schema ist normalisiert.
Lösungen pro Lücke:
- {{1}}: ETL / ELT
- {{2}}: OLAP / OLAP-Cube
- {{3}}: integrated / integriert / Integration
- {{4}}: non-volatile / nicht-volatil / non volatile
- {{5}}: denormalisiert
Erklärung: BI-Stack 5 Schichten: 1) Quellen (ERP/CRM/APIs). 2) ETL/ELT (Extract Transform Load). 3) DWH (Star/Snowflake). 4) OLAP-Cube. 5) BI-Tool (Power BI/Tableau). Inmons 4 Eigenschaften: subject-oriented + integrated + time-variant + non-volatile. Star-Schema denormalisiert (lese-schnell). Klausur-Standard.
Typ: Lückentext
- F4.Bringe die Schichten des BI-Stacks in die richtige Datenfluss-Reihenfolge (von unten = Quellen nach oben = User-Sicht).
Richtige Reihenfolge:
- Datenquellen (ERP, CRM, externe APIs)
- ETL / ELT (Extract Transform Load)
- Data Warehouse (Star-Schema)
- OLAP-Cube / Semantic Layer
- BI-Frontend (Dashboards, Reports)
Erklärung: BI-Stack Bottom-Up: 1) Datenquellen (ERP/CRM). 2) ETL/ELT. 3) DWH (zentrales Repository). 4) OLAP-Cube (Aggregations-Layer). 5) BI-Frontend (User-Sicht). Klausur-Klassiker: 5 Schichten in richtiger Reihenfolge zeichnen.
Typ: Reihenfolge
- F5.Was bedeutet 'Modern Data Stack' im Gegensatz zum klassischen BI-Stack?
Antwort: Cloud-zentrisch mit Tools wie Snowflake/BigQuery + dbt + Fivetran + Looker (ELT-Ansatz)
Erklärung: Modern Data Stack (seit ~2020): Cloud-native, modular, ELT-Ansatz. Standard-Stack: Fivetran/Airbyte (Ingestion) + Snowflake/BigQuery/Redshift (Cloud-DWH) + dbt (Transformation, 'SQL-basierte Engineering') + Airflow/Dagster (Orchestrierung) + Power BI/Tableau/Looker (BI) + Hightouch/Census (Reverse-ETL). Trend: Datawarehouse-zentriert, getrennte 'best of breed'-Tools statt monolithische Suites.
- F6.Ein 'Lakehouse' kombiniert die Flexibilität eines Data Lake (Rohdaten, semi-strukturiert) mit der Struktur eines Data Warehouse, z.B. Databricks oder Snowflake mit Apache Iceberg/Delta Lake.
Antwort: Wahr
Erklärung: RICHTIG. Lakehouse-Architektur (Begriff seit 2020, Databricks): kombiniert Data Lake (S3, Azure Blob: Rohdaten + semi-strukturiert) mit DWH-Funktionen (Schema-Enforcement, ACID-Transaktionen, BI-Compatibility). Formate: Apache Iceberg, Delta Lake (Databricks), Apache Hudi. Moderner Trend, der Lake + Warehouse-Trennung auflöst. Snowflake unterstützt seit 2022 Iceberg-Tabellen.
Typ: Wahr/Falsch
