docs: add obsidian hwr docs

Datenbanken/Zusammenfassungen/i_DWKonzepte - zusammenfassung.md

@@ -0,0 +1,163 @@
+# Data Warehouse Konzepte – Zusammenfassung
+**Dozent:** A. Zimmermann | HWR Berlin | 2026 | **Folien 1–19**
+
+---
+
+## 1. Konzepte (Folie 2)
+
+Drei Verarbeitungsarten:
+- **Batch-Verarbeitung** – klassische Stapelverarbeitung
+- **OLTP** = Online Transaction Processing – Tagesgeschäft
+- **OLAP** = Online Analytical Processing – Analyse und Auswertung
+
+OLAP-Systeme sind unverzichtbare Instrumente zur **Analyse umfangreicher und mehrdimensionaler Daten**. Sie gewähren anwendungsspezifische Sichten und werden primär von **Managern unterschiedlicher Ebenen** verwendet.
+
+---
+
+## 2. OLAP (Folien 3–5)
+
+### Gründe für OLAP
+- Trennung von Tagesgeschäft und Auswertungen
+- Historisierte Daten mit Zeitraum-Bezug
+- Große Mengen von **Nur-Lese-Daten** (Permanenz)
+- **Multidimensionale Datenmodelle**
+- Gezielte **Denormalisierung** des ganzen Modells
+
+### Eigenschaften von OLAP
+- Intuitive und interaktive Analyse der Daten
+- Flexible Darstellung aus unterschiedlichen Perspektiven
+- Basis: **Hypercube** (kartesisches Produkt)
+- Besondere Operationen: Rotation, Slice, Dice, Drill-Through, Drill-Across, Roll-Up, Drill-Down
+- Clients: Spezielle Programme oder Tabellenkalkulationstools (z.B. Excel)
+
+### Data Warehouse als OLAP-Datenbank dient:
+- Unterstützung strategischer Entscheidungen
+- Analyse von Tendenzen und Mustern über große Zeiträume
+- Bessere Entscheidungen durch bessere Informationen
+- Flexiblere Analysemöglichkeiten
+- Verlagerung der Analyse in Fachabteilungen
+- Geringere Berichterstellungskosten
+- Gemeinsame Informationsbasis im Unternehmen
+
+---
+
+## 3. ROLAP und MOLAP (Folien 6–8)
+
+### ROLAP – Relationales OLAP
+- Basiert auf **relationalen Datenbanken** (Oracle, DB2)
+- Verwendet **Star-Schema** (Fakten- und Dimensionstabellen, 3NF bei Dimensionstabellen verletzt) und **Snowflake-Schema** (normalisiert)
+- Für hohes Datenvorkommen und große Nutzerzahlen geeignet
+
+**Vorteile:**
+- Bewährte relationale Technologien für Abfragen, Verwaltung, Speicherung, Recovery, Archivierung
+- Sperrmechanismen und Transaktionen nicht benötigt
+
+**Nachteile:**
+- Umfangreiche JOINs, Indizes, Table Scans nötig
+- Umfangreiche Aggregationen und Berechnungen
+
+### MOLAP – Multidimensionales OLAP
+- Basiert auf **herstellerspezifischen Datenbanken**
+- Optimiert für hohe Performance in multidimensionalen Datenstrukturen
+- Schnelle Aggregationen
+
+**Vorteile:**
+- Hohe Performance
+- Am multidimensionalen Modell ausgerichtet
+
+**Nachteile:**
+- Hoher Schulungsaufwand
+- Proprietäre Verwaltung
+- Oft fehlende Standardschnittstellen
+
+### HOLAP – Hybrides OLAP
+- Variante aus ROLAP und MOLAP
+
+---
+
+## 4. Lebenszyklus eines Data Warehouse (Folien 9–13)
+
+### Schritt A – Planung
+- Analyse von Architektur und Infrastruktur
+- Definition der Ressourcen und Zeitvorgaben
+- Archivierungsstrategien
+- Verbindungsmöglichkeiten und Ladeprogramme
+
+### Schritt B – Spezifikation & Modellierung
+- Ermittlung der Entitäten und Attribute
+- Geschäftsprozesse und -anwendungsfälle identifizieren
+- Ein-/Ausgabedaten und Detailierungsgrad festlegen
+- **Logisches Datenmodell** entsteht
+
+### Schritt C – Physischer Datenbankentwurf
+- Star-Schema / Snowflake-Schema entwerfen
+- Aufheben der Normalisierung
+- Schlüssel, Indizierungsstrategien, Partitionierung festlegen
+
+### Schritt D – Befüllen des DWH
+- Definition der Quellsysteme
+- Umformungsspezifikationen
+- Aktualisierungszyklus festlegen
+- **ETL-Prozeduren** definieren und testen
+- Automatisierung der Ladevorgänge, Backup- und Recovery-Prozeduren
+- Anwendungsentwicklung (Berichte, Dokumentation, Test)
+
+### Schritt E – Betrieb
+- Test und Überprüfung der Daten
+- Schulung, Produktabnahme, Wartung
+- Verbesserungen und Weiterentwicklung
+- Performance-Untersuchungen
+
+---
+
+## 5. Vergleich OLTP und OLAP (Folie 14)
+
+| Merkmal | OLTP | OLAP |
+|---|---|---|
+| Abfragen | Vorhersehbar, einzelne Datensätze | Komplex, unvorhersehbar |
+| Daten | Ständige Änderungen | Statisch, unveränderbar |
+| Datenstruktur | Normalisiertes Modell (nur notwendige Redundanz) | Denormalisiertes Modell (verständlich) |
+| Fokus | Hohe Transaktionsrate | Aggregation – viele Fakten zu einem Fakt |
+
+---
+
+## 6. ETL – Extract, Transform, Load (Folie 15)
+
+### Extraktion
+- Periodischer, ereignisgesteuerter oder anfragegesteuerter Abzug
+- Komplette oder Delta-Übertragungen
+- Protokollierung der Änderungen und Übertragungen
+
+### Transformation (im Arbeitsbereich)
+- Datentypkonvertierung
+- Wertumsetzung
+- Schlüsselvergabe, -anpassung, -bereinigung
+- Zeitstempelvergabe
+- Datenverdichtung, -bereinigung
+
+### Laden
+- Übertragung der Daten aus dem Arbeitsbereich in das Data Warehouse
+
+---
+
+## 7. Funktionsweise – Hypercube-Operationen (Folien 16–17)
+
+Grundlage: **Mehrdimensionaler Hypercube** mit Dimensionen wie Zeitperioden, Produkte, Abteilungen und Werten wie Absatzvolumen.
+
+### Navigationsoperationen
+- **Rotation** – Auswahl zweier konkreter Dimensionen (Drehung des Würfels)
+- **Slice** – Voller zweidimensionaler Ausschnitt aus dem Würfel
+- **Dice** – Mehrdimensionaler Ausschnitt (Untermenge, kleiner Würfel)
+- **Drill-Across** – Verbindung mehrerer Würfel gleicher Dimension zu einer Kette
+
+### Hierarchische Navigation
+- **Drill-Down** – Von oberer zu tieferer Ebene der Hierarchie
+- **Roll-Up** – Von tieferer zu oberer Ebene der Hierarchie
+- **Drill-Through** – Wenn Drill-Down nicht mehr möglich, wird neue Datenquelle (Würfel) angeschlossen
+
+---
+
+## 8. Varianten (Folie 18)
+
+- **Data Marts** – Begrenzter Anwendungsbereich (z.B. eine Abteilung). Einfacher einzurichten als DWH, aber Konsistenzprobleme bei mehreren Data Marts
+- **Operation Data Stores** – Für aktuelle (tägliche) Auswertungen, unterstützen kaum langfristige Abfragen