GPIT (Fach) / Technologien für Datenmanagement (Lektion)

Diese Lektion wurde von Netya89 erstellt.

Lektion lernen

zurück  |  weiter 1 / 1

• Klassifikation von Daten / Datei Stammdaten --> bleiben langfristig im System Bewegungsdaten --> haben einen Zeitbezug (vorgegebenes Lebenszyklus). Sie beziehen sich auf Stammdaten.  Datei --> Bestand von inhaltlich zusammengehörenden Daten. Sind Folge von Bytes, die zusammen auf ein Datenträger unter gleichem Namen gespeichert werden (Texdatei, Datenbankdatei, Programme)
• Klassische Datenorganisation Die auf einer Verarbeitungsebene (AS) als Input / Output fungierende Daten werden in eine andere Verarbeitungsebene kopiert.  Dateninkonsistenz Redundanzen Probleme bei Änderungen
• Datenbankorganisation Anwendungsprogramme greifen nicht direkt auf die Daten zu, sondern über DBMS.  DBMS verwaltet alle Daten und gibt die relevanten Daten an die Anwendungsprogramme weiter. Auf dieser Weise ist die sinnvolle Verarbeitung von Daten möglich.  
• ANSI SPARC Architektur von DBMS externe Schemata --> ist eine Teilmenge vom konzeptionellem Schemata. Sie ist die Sicht, die eine Verarbeitungsebene sehen kann (wichtig aus Datenschutzgründen) konzeptuelles Schemata --> logische Gesamtsicht auf alle Daten in DBMS  internes Schemata --> wo liegen die Daten auf DBMS?
• Ziele des Datenbankeinsatzes Datenunabhängigkeit (logisch --> Strukturunabhängigkeit / physich --> physische Speicherung) Vermeidung und Kontrolle von Redundanzen  Datensicherheit / Datenschutz Datenkonsistenz
• Datenbankmodelle hierarchisch --> jedes Datensatz hat ein Vorgänger (unterschiedliche Aufträge vom Kunden "Müller" werden hierarchisch aufgezeigt) netzwerkartige Strukturen --> ein Datensatz kann mehrere Vorgänger haben (keine Hierarchie) und mehrere Datensätze können als Wurzel fungieren relational --> mathematische Beschreibung einer Tabelle und ihren Beziehungen zu anderen Tabellen (Standardmodell) objekt-orientiert --> Datensätze werden zusammen mit ihren Funktionen in einem Objekt gespeichert (Programmiersprachen nötig) objekt-relational
• Datenbanktransaktion Transaktion überführt einen Datenbestand von einem konsistentem Zustand in einem anderen konsistenten Zustand (während der Transaktion herrscht Inkonsistenz).  Bei Problemen mitten in der Transaktion, wird die Transaktion zurückgesetzt (z.B. Stromausfall) Bei konkurrierenden Zugriffen mitten in einer Transaktion, wird die Transaktion von Datenbank isoliert (d.h. Benutzer sieht nur den konsistenten Zustand) 
• ACID Prinzip von Transaktionen Atomarity --> Transaktion wird vollständig oder garnicht durchgeführt Consistency --> es werden nur konsistente Zustände gezeigt Isolation --> Zwischenschritte innerhalb einer Transaktion sind für andere Akteure nicht sichtbar Durability --> Änderungen sind dauerhaft und gegen Fehler gesichert (kein Undo)
• Data Warehouse große Ansammlung von Daten für die Auswertung von Datenbeständen.  DBMS lässt konkurrierende, lesende und schreibende Zugriffe zu (wird meist für operative AS verwendet).  Data Warehouse enthält große Datenmengen, die langfristig im Unternehmen sind. Hier werden die Daten für schreibenden Zugriff zur Verfügung gestellt (können fortgeschrieben, aber nicht geändert werden). Die Datenquellen können intern (Daten aus operativen AS) oder extern sein. Sie bereitet die Daten für die Auswertung vor und verfügt über mehrdimensinale Sichten.  Auswertungsfunktion von Data Warehouse --> OLAP (Online Analytical Processing) OLAP enthält Funktionen wie z.B. Rotation, Drill down, Roll up, Slice, Dice. 
• Data Warehouse vs. DBMS Data Warehouse lesender / verdichtender / analysierender Zugriff große Datenmengen langfristige Betrachtung möglich unregelmäßige Aktualisierung verdichtete Daten DBMS Manipulation von Daten möglich Datenmenge überschaubar Gegenwartsbezogen permanente Aktualisierung detailierte Daten
• Anzeige
• Architektur von Data Warehouse es gibt mehrere kleine Data Warehouse Systeme pro Bereich (z.B. bei dezentral organisierten Unternehmen).  Vorteil: Systeme können unabhängig voneinander operieren Nachteil: nur Bereichtssicht diese Daten aus den kleinen Data Warehouse Systemen werden zu der zentralen Datenbasis transportiert. Die zentrale Datenbasis enthält alle unternehmensrelevanten Daten.  Der Transport der Daten aus den Data Warehouse Systemen wird durch Transferprogramme ermöglicht. Transferprogramme müssen Daten aus unterschiedlichen Quellen lesen können. Sie müssen Daten aus unterschiedlichen Formaten in ein einheitliches Format überführen (Datenstrukturintegration). Sie brauchen Strategien zur Überspielen der Daten (periodisch, ereignisbezogen, anfragebezogen).  Meta-Daten sind Daten über Daten (wie können Auswertungskomponenten auf Daten zugreifen?).
• Data Mining komplexe Analyse der Datenbestände  Ziel --> neue Zusammenhänge aus den vorliegenden Daten erkennen Klassifikation Clusterbildung Regression Assoziationsanalyse Abweichungsanalyse
• Spaltenorientierte in Memory Datenbanken kompletter Datenbestand wird im Arbeitsspeicher gehalten.  Arbeitsspeicher wird günstiger und schneller als Festplattenspeicher.  Daten werden nicht in Zellen gespeichert Trennung von operativen Datenbeständen und Data Warehouse ist nicht mehr notwendig, da alle Daten im Hauptspeicher gehalten werden. 
• Relationales Datenbankmodell Ansammlung von Tabellen, die miteinander verknüpft sind jede Zeile (Tupel) ist ein Datensatz jedes Tupel enthält Eigenschaften (Attribute), die in den Spalten einer Tabelle abgebildet werden Verknüpfungen werden durch Primärschlüssel hergesellt  Fremdschlüssel ist ein Attribut einer Tabelle und verweist auf ein Primärschlüssel einer anderen Tabelle zum Abfragen / Manipulieren der Daten wird die Datenbanksprache SQL verwendet
• Auswertungsfunktionen Data Warehouse Rotation --> Perspektive aussuchen Drill down --> Verfeinerung der Granulat der Dimensionen Roll up --> Verdichtung einer Dimension Slice --> Dimension wird nur auf eine Ausprägung reduziert Dice --> Reduzierung auf Teilmenge einer Ausprägung unterschiedlicher Dimensionen 
• Data Mining Funktionen Clusterbildung --> Gruppierung von Daten nach Muster Klassifikation --> Einordnung von Datensätzen in Klassen Regression --> Korrelation von Merkmalen Assoziationsanalyse --> Zusammenhang zwischen unterschiedlichen Ausprägungen Abweichungsanalyse --> Unterschiede in Ausprägungen

zurück  |  weiter 1 / 1