04 Data Warehousing mit SAP BI DW Strukturen (5/16)
-
Upload
wutzedaleman -
Category
Documents
-
view
230 -
download
0
Transcript of 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
1/27
DW Strukturen
Prof. Dr. Norbert Ketterer - HS Fulda1
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
2/27
Der Cube auf der DB
Schauen Sie sich an, wie der Cube WD_SD_C03 auf der DB abgebildet wird: Versuchen Sie zu begreifen, wie die Daten auf der Datenbank abgelegt wurden, um den
Cube darzustellen
Was sind Datenfelder der Datenbanktabellen? Was sind Schlssel (Keys)?
Wie wurden die Daten gespeichert ?
Hinweise: Sie knnen die Struktur von Datenbanktabellen mit Hilfe der Transaktion SE11 betrachten,
die Inhalte mit SE16 (oder via Navigation aus SE11)
Die fr Sie interessanten Tabellen sind alle unter dem Namensbereich: /BIC/*WD_SD_C03*auffindbar
Der Grafik-Button ist hilfreich
Der Index-Button zeigt Ihnen die DB-Indizes auf
Fertigen Sie eine Skizze der DB-Struktur an
Ebenso knnen Sie sich die Struktur des Cubes im Metadaten-Repository ansehen
Prof. Dr. Norbert Ketterer - HS Fulda2
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
3/27
Dimensionshierachien
Eine Dimension, die ein Material referenziert, kann aus Auswertungsgrnden eine Gruppierungenthalten, um eine hher aggregierte Auswertung zu ermglichen
Ein Beispiel, welches wir in der bung Der Cube auf der DB kennengelernt haben, ist dieBeziehung zwischen Land und Region:
Eventuell sind Sie in der Anal se an Kennzahlwerten etwa Verkufen in Deutschland interessiert; eventuell
wollen Sie die Auswertung aber detaillierter durchfhren: etwa die Verkufe in Hessen
Die Beziehung Hessen -> Deutschland muss innerhalb der Strukturen des Cubes hinterlegt sein
Die Dimensionselemente entlang der Kante eines Wrfels lassen sich zu Gruppenzusammenfassen
Beispiel: Jedes Material kann einem oder mehreren Werken zugewiesen sein, zudem kann es Teil einerbestimmten Warengruppe sein (etwa Sthle, le, etc) oder auch einer bestimmten Materialart (etwa Roh,
Fertigware, etc) Durch die Gruppierung knnen die Dimensionen Hierarchien bilden diese Hierarchien knnen
als Konsolidierungspfade innerhalb der Auswertung gelten
Prof. Dr. Norbert Ketterer - HS Fulda3
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
4/27
Dimensionshierarchien Teil 2
Strukturbestandteile in Dimensionen [HA04]: Basiselemente auf der untersten Ebene definieren die Granularitt
des Cubes -> die detaillierteste speicherbare Information
r ge emente s n a ge e tete ver c tete emente
Prof. Dr. Norbert Ketterer - HS Fulda4Basiselemente (maximale Granularitt)
Hierarchiestufen bzw.Konsolidierungsebene(Level)
Abgeleitete bzw. verdichteteElemente
Dimensionselemente
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
5/27
Hierarchietypen
Flache Strukuren [HA04]: Gleichwertig nebeneinander stehende Elemente ungeeignet fr multidimensionale Strukturen
Ist Budget Prognose
Balancierte Baumstrukturen [HA04]: Sehr typische Dimensionsstruktur alle Elemente sind ber gleich viele Stufen verbunden
Zu jedem Element genau ein bergeordnetes
Frage: Wie flexibel ist diese Struktur ?
Prof. Dr. Norbert Ketterer - HS Fulda5
2003
Q1/03 Q2/03 Q3/03 Q4/03
Jan/03 Feb/03 Mar/03 Apr/03 Mai/03 Jun/03 Jul/03 Aug/03 Sep/03 Okt/03 Nov/03 Dez/03
Drilldownpfade sind mit einem Pfeil gekennzeichnet
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
6/27
Hierarchietypen Teil 2
Balancierte Waldstrukturen [HA04]: Hinzufgen weiterer Wurzelelemente mglich
Zusammenschluss mehrerer Baumstrukturen
erreichen?
Prof. Dr. Norbert Ketterer - HS Fulda6
2003
Q3/03 Q4/03
Jul/03 Aug/03 Sep/03 Oct/03 Nov/03 Dez/03
2004
Q1/04 Q2/04
Jan/04 Feb/04 Mar/04 Apr/04 Mai/04 Jun/03
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
7/27
Hierarchietypen Teil 3
Unbalancierte Baum-/ Waldstrukturen [HA04]: Diese Strukturen haben Lcken die Wege sind nicht immer gleich lang
Beispiel: Produktstruktur (erinnern Sie sich noch an SOP aus der ERP-
Welche Vorteile sehen Sie in solchen Strukturen?
Prof. Dr. Norbert Ketterer - HS Fulda7
PG 1
P1 P2 P3
PG2
PSG1 PSG2
P4 P5 P6 P7 P8
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
8/27
Hierarchietypen Teil 4
Parallele Hierarchien/ verschiedene Hierarchien innerhalb einer Dimension [HA04]: Basiselemente sind auf unterschiedliche Formen aggregierbar
Beispiel: Aggregation von Kunden via Region oder via logischen Aspekten (etwa Premium, Normal, Schuft)
Beispiel 2: Unterscheidung zwischen Kalenderjahr und Geschftsjahr (Fiskaljahr)
Prof. Dr. Norbert Ketterer - HS Fulda8
CY03
Jul/03 Aug/03 Sep/03 Oct/03 Nov/03 Dez/03
CY04
Jan/04 Feb/04 Mar/04 Apr/04 Mai/04 Jun/03
FY03/04 FY04/05FY02/03
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
9/27
Hierarchieattribute
Eine Dimensionsstruktur ist formal ein gerichteter Graph [HA04]: Richtung von der obersten zur untersten Verdichtungsebene
Wie knnen wir nun eine andere Hierarchie innerhalb einer Dimension erhalten? Es kann betriebswirtschaftlich sinnvoll sein, innerhalb der gleichen Dimension unter anderen Gesichtspunkten zu aggregieren (Frage: was ist im Zusammenhang mit
anderen Dimensionen?)
Dimensionshierarchie kann in sinnvolle Konsolidierungsstufen unterteilt werden abhngig von Attributen, die dem Dimensionselementzugewiesen sind. Hierarchieattribute sind Merkmale, die von anderen Hierarchiemerkmalen abhngig sind.
Bezeichung der Hierachieattribute in SAP: Navigationsattribute
Beispiel eines Attributes: Preisgruppe
Prof. Dr. Norbert Ketterer - HS Fulda9
PG2
PSG1 PSG2
P4 P5 P6 P7 P8
Dimension
selemente
Wir wollen nun nach Preisgruppe gegliedertauswerten nicht nach PG
Die Dimensionselemente(PN = Produkt N)besitzeneinen Indikator:Preisgruppe (PG) PG 01 02 01 02 02
PG Produkt Sales
01
P4 100
P6 50
Sum 150
02
P5 20
P7 30
P8 80
Sum 130
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
10/27
Strukturen im Zusammenhang mit dem DW
Im Zusammenhang mit dem DW haben wir esmit einer Reihe von Strukturen zu tun [JUE10]
ese ru uren re en e an versc e enenStellen einer Data-Warehouse-Landschaft an Transaktionale Strukturen
Flache Strukturen Star-Schema
Snow-Flake-Schema
Prof. Dr. Norbert Ketterer - HS Fulda10
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
11/27
Transaktionale Strukturen
Transaktionale Strukturen speichern operationale Daten eines OLTP-Systems auf der Datenbank
Die Speicherung erfolgt auf einer atomaren Ebene Redundanzvermeidung wird angestrebt genauso wie einePerformanceoptimierung fr die zugreifenden Applikationen
Oftmals (aber nicht immer) Speicherung in der dritten Normalform (-> DB-Vorlesung)
Fr OLAP sind diese Strukturen kaum geeignet analytische Anwendungen knnen keinen Nutzen aus der
Wir finden diese Strukturen im DW nur indirekt: im OLTP-System wird aus ihnen extrahiert und die Daten werden inanderer Form ins DW geladen
Prof. Dr. Norbert Ketterer - HS Fulda11[JUE10]
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
12/27
Transaktionale Strukturen
Bezogen auf die Referenzarchitekturen befindenwir uns hier:
Prof. Dr. Norbert Ketterer - HS Fulda12
Operative Vorsysteme
ExterneDaten
Ref 1:
Ref 2:
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
13/27
Flache Strukturen
Flache Strukturen verwenden die Daten bewusst denormalisiert (erste NF)
Sie werden im DW oft fr den Datenaustausch eingesetzt speziell im Eingangsbereich/ Stagingund zur einfachen Speicherung operationaler Daten
Sie eignen sich auch sehr gut, um Datenbereinigungen/ Konsolidierungen zu untersttzen
- , -
Operationen sind sie jedoch nicht geeignet
Prof. Dr. Norbert Ketterer - HS Fulda13[JUE10]
Flache Strukturen werden durch relationaleDatenbanken abgebildet.
In SAP-BI erfolgt die Abbildung durch sogenannte
Data-Store-Objekte (DSO).
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
14/27
Flache Strukturen
ta-Marts
Bezogen auf die Referenzarchitekturenbefinden wir uns im Bereich:
Des Staging
Dem Operationalen Datenspeicher
Des eigentlichen DW
In Data-Marts, die aus (irgendwelchen)Grnden als relationale Strukturen
abgelegt wurden (dies ist nicht derNormalfall)
Prof. Dr. Norbert Ketterer - HS Fulda14
Data-Warehouse
ROLAPDa
(SAP)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
15/27
Das klassische Star-Schema
Info-Cubes sind in spezifischen Strukturen organisiert diese Strukturen optimieren das flexibleReporting
Dimensionen der Faktentabelle werden ber Schlssel normalisiert
Dimensionen-Tabellen sind nicht normalisiert
Zugriff auf die Fakten-Tabelle via der Dimensionen-Tabelle
Prof. Dr. Norbert Ketterer - HS Fulda15
Dimension-Key 1Dimension-Key 2Dimension-Key 3Dimension-Key 4
....
Dimension-Key 1Dimension-Key 2Dimension-Key 3Dimension-Key 4
....
Fact 1Fact 2Fact 3...
Fact 1Fact 2Fact 3...
Dimension-Key 1Dimension-Key 1
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Key 2Dimension-Key 2
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Key 3Dimension-Key 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Key 4Dimension-Key 4
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Warum erleichtert dieses Schema das Reporting?
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
16/27
Beispiel des klassischen Star-Schemas
Prof. Dr. Norbert Ketterer - HS Fulda16
Stammdaten sind
Teil der
Dimensionstabelle
(SAP)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
17/27
Dimensionswahl und Cubegre
Die Dimensionswahl bestimmt die Gre derDimensionstabellen des Cubes
Die Faktentabellen bleiben davon unberhrt warum
muss dies so sein ?) Die Dimensionszuordnungen werden aber idealerweise
so gewhlt, dass Abhngigkeiten in einer Tabellekodiert werden falls betriebswirtschaftlich sinnvoll
Ein Beispiel einer guten und schlechten Wahl derDimensionszuordnungen zeigt die folgende Slide
Prof. Dr. Norbert Ketterer - HS Fulda17
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
18/27
Optionen in Dimensionswahl
Durch unterschiedlicheZuordnung der
eher schlecht
Dimensionsattribute zu
Dimensionen werdenverschiedene Gren derDimensionstabellen erreicht
Beachten Sie bitte: Jede Anfragewird zuerst ber die
Dimensionstabellen zugreifen Die Faktentabelle bleibt von der
Entscheidung unberhrt
Prof. Dr. Norbert Ketterer - HS Fulda18eher gut [JUE10]
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
19/27
Snow-Flake Schema
Info-Cubes knnen auch als Snow-Flake-Schema existieren.
Ein spezifisches DW wird aber normalerweise ein spezifisches Schema untersttzen
Unterschiede zum Star-Schema: Dimensionen sind normalisiert (3NF)
Fr die Attribue innerhalb der Dimensionen existieren wiederum Attributstabellen Keine Update-Probleme auf Datenbank Erfordert kom lexere Join-Strukturen
Prof. Dr. Norbert Ketterer - HS Fulda19
Dimension-Key 1Dimension-Key 2Dimension-Key 3Dimension-Key 4....
Dimension-Key 1Dimension-Key 2Dimension-Key 3Dimension-Key 4....
Fact 1Fact 2Fact 3...
Fact 1Fact 2Fact 3...
Dimension-Key 1Dimension-Key 1
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Key 2Dimension-Key 2
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Key 3Dimension-Key 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Attr 4Dimension-Attr 5
Dimension-Key 4Dimension-Key 4
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3 Dimension-Key 5Dimension-Key 5
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Key 6Dimension-Key 6
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3Dimension-Key 8Dimension-Key 8
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
Dimension-Attr 1Dimension-Attr 2Dimension-Attr 3
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
20/27
Beispiel eines Snow-Flake-Schemas
Prof. Dr. Norbert Ketterer - HS Fulda20
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
21/27
Selektionen von Star-/ Snowflake
Prof. Dr. Norbert Ketterer - HS Fulda21 21
Jedes n-fache Join mit der Faktentabelle kann durch einen Lauf ber die Faktentabelleermittelt werden.
Einfach zu erweitern -> Erweiterung einer Spalte der Faktentabelle/ Dimensionstabelle
Frage: Was bedeuten diese Zugriffe fr die Notwendigkeit der Indexerzeugung auf derDB?
Achtung: die IDs werden im Falle von SAP durch Surrogatschlssel reprsentiert eswerden also auf der DB keine Businessdaten gespeichert.
(SAP)
(SAP)
(SAP)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
22/27
Cube-Strukuren
Cube-Strukturen finden wirrimr zu Zwecken des
Front-End
Reportings Manchmal werden Sie auch
verwendet, um EDW-Rollenzu bernehmen dies ist
jedoch kein wirklich gutesDesign des DW, da die
feingranulare Speicherungsuboptimal ist
Prof. Dr. Norbert Ketterer - HS Fulda22
MDB/ OLAPData-Ma
rts
(SAP)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
23/27
Das SAP-Star-Schema
Prof. Dr. Norbert Ketterer - HS Fulda23
Das SAP-Star-Schema hnelt
dem Snow-Flake-Schema Wir besitzen einen
spezifischen und einenallgemeinen Teil
Der allgemeine Teil enthltStammdaten, die auch inanderen Strukturen verwendetwerden knnen (Stammdaten-
Tabellen, Text-Tabellen,Hierarchien)
Was ist der Vorteil hiervon?
(SAP)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
24/27
Beispiel des SAP-Star-Schemas
Prof. Dr. Norbert Ketterer - HS Fulda24
(SAP)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
25/27
Beispiel: SAP-Star-Schema zwischen Cubes
Stammdaten:
Hauptziel:
Erhalte Konsistenz zwischen denverschiedenen Cubes
Prof. Dr. Norbert Ketterer - HS Fulda25
Text: Beschreibung der Stammdaten Beispiel: Lieferanten-Nummer and
Lieferanten-Name
Attribute:
Zusatzinformation ber einStammdatum
Beispiel: Land des Lieferanten
Hierarchie: Definition alternativer Sichten auf die
Daten basierend auf Hierarchienausserhalb des Cubes
Beispiel: Materialhierarchien(SAP)
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
26/27
Beispiel der vollstndigenAbbildung eines Cubes
Link des SID zueinem Werk
Prof. Dr. Norbert Ketterer - HS Fulda26Dimensionstabelle -> SIDs
Inhalte derDimensionstabelle
-
7/29/2019 04 Data Warehousing mit SAP BI DW Strukturen (5/16)
27/27
Zusammenfassung: Strukturen des SAP-BI
SAP-BI besitzt drei Strukturen, die durchden Benutzer zur Datenspeicherungdefiniert werden knnenEigenschaften:
Es existieren daneben noch folgendeStrukturen (die wir uns spter noch genaueransehen):
PSAs diese werden nicht explizit durch denBenutzer definiert, sondern auf Basis derSatzstrukturen definiert. Namen etc. werdenintern vergeben.
Virtuelle Provider diese werden durch den
Benutzer definiert, speichern aber selbst keineDaten hnlich nicht materialisierten DB-Views
Prof. Dr. Norbert Ketterer - HS Fulda27
(SAP)
Granularitt: niedrig Dimensionale Modellierung
Daten werden angefgt Historie der Ladevorgnge
Eigenschaften: Eindeutiger Schlssel und
Datenbereich berschreiben der Daten gem
Schlssel Hohe Granularitt
Eigenschaften: Navigationsattrib ute Zeitabhngigkeit Sprachabhngigkeit