Business Intelligence, Data Warehouse & OLAP, Business Analytics · UniProMax
Business Analytics·4Lerneinheiten·22min·Stand30.05.2026
Business Intelligence, Data Warehouse & OLAP.
Aus Daten Wissen machen. BI/DWH-Klausurpflicht in 8/11 WInf-Programmen — Trend-Thema seit 2010, durch Cloud-Boom verstärkt.
Business Intelligence (BI): Sammelbegriff für Methoden, Prozesse und Software zur systematischen Analyse betrieblicher Daten → unterstützt Management-Entscheidungen.
↑ 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".
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."
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.
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.
Lade Visualisierung...
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.
Anmelden, um den Fortschritt zu speichern.
Nächster Schritt
Wenn du fertig bist: jetzt üben.
Aktives Abrufen festigt Wissen schneller als nochmal lesen.
War das hilfreich?
Fachliche Qualität
Noch nicht klassifiziertNoch nicht geprüft.
Diese Lerneinheit wurde für typische Bachelor-Klausuren konzipiert. So prüfen wir · Fehler entdeckt? Melde ihn uns oder markiere die fragliche Stelle direkt im Text oben.
Klausur-ÜbersichtKomplette Übersicht: alle Tabs als linearer Text zum Lernen
▾
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).
Teil 1·Erklärung
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".
Definition (Inmon): "A subject-oriented, integrated, time-variant, non-volatile collection of data in support of management's decision making process."
Teil 2·Visualisierung / Interaktiv
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.
Teil 3·Quiz / Klausurfragen
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?
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.
Teil 4·Quiz / Klausurfragen
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.
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.
Lösungen pro Lücke:
{{1}}: ETL / ELT
{{2}}: OLAP / OLAP-Cube
{{3}}: integrated / integriert / Integration
{{4}}: non-volatile / nicht-volatil / non volatile
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.
