Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SS 2015 , Aktuelles Semester: SoSe 2021
  • Funktionen:
Business Intelligence – Praktische Umsetzung einer BI-Architektur    Sprache: Deutsch    Belegpflicht
Nr.:  5421     Vorlesung     SS 2015     4 SWS     Jedes Semester    
   Fakultät: Fakultät Elektrotechnik und Informatik    
 
      Wirtschaftsinformatik und E-Business, Abschluss 84,   ( 4. - 6. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlpflichtfach    
  Wirtschaftsinformatik PLUS, Abschluss 84,   ( 4. - 6. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
   Zugeordnete Lehrpersonen:   Höpken verantwortlich ,   Mürbe begleitend
 
 
   Termin: Mittwoch   16:00  -  17:30    wöchentl Durchf. Lehrperson:   Höpken       Raum :   V 208   Gebäude V/Laz1  
  Mittwoch   17:45  -  19:15    wöchentl       Raum :   V 208   Gebäude V/Laz1  
 
 
   Inhalt: Business Intelligence, d.h. die systematische Sammlung und Auswertung relevanter Unternehmens- bzw. Marktdaten in elektronischer Form, stellt ein Kerngebiet der Wirtschaftsinformatik dar. Mit dem rapiden Wachstum des World Wide Web sind auch die verfügbaren Informationen über relevante Märkte, Konkurrenzunternehmen und insb. Kunden und deren Verhalten in enormem Ausmaß gestiegen. Dennoch bleiben diese Daten bis heute weitgehend ungenutzt. Weder im online noch im offline Bereich werden die Möglichkeiten moderner Informationstechnologien zur Entscheidungsunterstützung ausreichend genutzt. Mittels Methoden aus dem Bereich Business Intelligence und Data Warehousing lassen sich bisher ungenutzte Wettbewerbspotentiale für Unternehmen erschließen.

Die Vorlesung Business Intelligence – Praktische Umsetzung einer BI-Architektur gibt einen praxisorientierten Einblick in alle Komponenten einer BI-Architektur und behandelt im Einzelnen die Bereiche:
• Data Warehousing und multi-dimensionale Datenmodellierung
• ETL – Extraction, Transformation and Load
• Reporting & OLAP

Einen großen Anteil der Vorlesung hat hierbei der praktische Einsatz obiger Techniken mit den Werkzeugen Rapid Analytics / Rapid Miner, Excel Powerpivot, QlikView sowie SAP BO/BI auf der Basis umfangreicher Realdaten. Die Vorlesung schließt mit einer praktischen Arbeit zur Umsetzung ausgewählter Komponenten einer BI-Architektur auf Basis der kennengelernten Werkzeuge und Techniken (welche die Prüfungsleistung der Vorlesung darstellt).
 
   Literatur: Böhnlein, M., Plaha, M., & Ulbrich-vom Ende, A. (2002). Visual Specification of Multidimensional Queries based on a Semantic Data Model. In E. Von Maur, & R. Winter, Vom Data Warehouse zum Corporate Knowledge Center - Proceedings der Data Warehousing 2002 (pp. 379-398). Physica-Verlag.

Chaudhuri, S., & Dayal, U. (1996). An Overview of Data Warehousing and OLAP Technology.

Dhawan, B., & Gosain, A. (2009). Extending Uml for Multidimensional Modeling in Data Warehouse. International Journal of Computer & Communication Technology, 2(7), pp. 59-64.

Elfeky, M., Elmagarmid, A., & Verykios, V. (2002). Tailor a record linkage tool box. ICDE, pp. 17-28.

Golfarelli, D. M., & Rizzi, S. (1998). The Dimensional Fact Model: A Conceptual Model for Data Warehouses. Bologna: University of Bologna.

Harren, A. (2001). Multidimensional Modeling Language (MML) und Multidimensional UML (MUML). Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung (pp. 163-167). dpunkt Verlag.

Höpken, W. (2011). The knowledge destination - a consumer information-based destination management information system. In R. Law, M. Fuchs, & F. Ricci, Information and Communication Technologies in Tourism 2011 (pp. 417-429). Wien: Springer.

Humm, B., & Wietek, F. (2005). Architektur von Data Warehouses und Business Intelligence Systemen. Informatik Spektrum, Februar, pp. 3-14.
Inmon, W. (2002). Building the Data Warehouse (2nd ed.). New York: John Wiley & Sons.

Kim, W., Choi, B.-J., Hong, E., Kim, S.-K., & Lee, D. (2003). A taxonomy of dirty data. Data Mining Knowledge Discovery, 7(1), pp. 81-99.

Kimball, R. (1997). A Dimensional Modeling Manifesto. DBMS.

Kimball, R., Reeves, L., Ross, M., & Thornwaite, W. (1998). The Data Warehouse Lifecycle Toolkit. New York: John Wiley and Sons.

Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., Becker, B. (2008). The Data Warehouse Lifecycle Toolkit. Second Edition, New York: John Wiley and Sons.

Kimball, R., Caserta, J. (2004). The Data Warehouse ETL Toolkit - Praktical Techniques for Extracting, Cleaning, Conforming, and Delivering Data. New York: John Wiley and Sons.

Kimball, R., Ross, M. (2002). The Data Warehouse Toolkit - The Complete Guide to Dimensional Modeling. Second Edition, New York: John Wiley and Sons.

Liu, B. (2008). Web data mining. New York: Springer.

Lujan-Mora, S., Trujillo, J., & Song, I.-Y. (2006). A UML profile for multidimensional modeling in data warehouses. Data & Knowledge Engineering, 59(3), pp. 725-769.

Manhart, K. (2008). BI-Datenmanagement (Teil 3): Metadaten-Verwaltung - Austauschformat Common Warehouse Metamodel. Retrieved Nov 20, 2011, from Tec Channel: http://www.tecchannel.de/server/sql/1751826/bi_datenmanagement_teil_3_metadaten_verwaltung/index6.html

Manning, C. D., & Schütz, H. (2001). Foundations of Statistical Natural Language Processing. Cambridge: MIT.

Sapia, C., Blaschka, M., Höfling, G., & Dinter, B. (1998). Extending the E/R Model for the Multidimensional Paradigm. Proc. International Workshop on Data Warehouse and Data Mining - ER'98. Singapore.

Scannapieco, M., Missier, P., & Batini, C. (2005). Data Quality at a Glance. Datenbank-Spektrum, 5(14), pp. 6-14.

Song, I.-Y., & LeVan-Shultz, K. (1999). Data Warehouse Design for E-Commerce Environment. ER '99 Proceedings of the Workshop on Evolution and Change in Data Management, Reverse Engineering in Information Systems, and the World Wide Web and Conceptual Modeling (pp. 374 - 387). London: Springer-Verlag.
 
   Lernziele: Im Rahmen der Vorlesung "Business Intelligence – Praktische Umsetzung einer BI-Architektur" erlangen die Studierenden fundierte Kenntnisse in allen Bereichen einer BI-Architektur (Data Warehousing, ETL, Reporting, OLAP, usw.) und werden in die Lage versetzt, auf der Basis ausgewählter Werkzeuge alle relevanten Komponenten einer BI-Architektur praktisch umzusetzen.
 
   Voraussetzungen: Die Veranstaltung richtet sich an Studierende ab dem 4. Semester und setzt keine speziellen Vorkenntnisse voraus. Die Veranstaltung ist Teil des Wahlpflichtbereichs Business Intelligence (zusammen mit der Vorlesung Einführung in Business Intelligence und Data Mining), kann jedoch auch unabhängig davon als Wahlveranstaltung besucht werden.
 
   Leistungsnachweis: benotete Prüfungsleistung: Praktische Arbeit
siehe auch "Offizielle Aushänge"