Sie sind auf Seite 1von 55

Business Intelligence und Reporting

5. ETL, OLAP und MDX

Prof. Dr. Christian Janiesch

Juniorprofessor für Information Management


Josef-Stangl-Platz 2 Part 1
97070 Würzburg
http://www.bwl.uni-wuerzburg.de/lehrstuehle/bwljp1/
Übersicht der Vorlesung

Grundlagen Data 1. Einführung


2. Grundlagen
3. Architektur
relationaler DBs
Warehouse

Architektur und 4. Modellierung


5. ETL, OLAP 6. Reporting &
& MDX Visualisierung
Anwendung

8. Einführung,
Projektierung im 7. Informations-
Betrieb und
bedarfsanalyse
BI-Umfeld Wartung

Spezialformen 9. Operational BI
10. Zukunft von
DW & BI
und Ausblick

1 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Extract, Transform, Load (ETL)

Teil 1

2 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Einordnung ETL-Prozess

Ad-hoc Analysis
Visualization Spreadsheet OLAP Data Mining
Query Tools

Middleware Platform

Data
Meta Data Warehouse Archive Warehouse
OLAP
Data Data Basis Systems Core
Server
Data Marts

Data
Transfor- Meta Data Loading /
Integration Cleansing Migration
mation Generation Updating
(ETL)

Operational
Database
Systems
Internal Data Sources External Data Sources

3 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Definition ETL-Prozess

▪ Prozess zur qualitativ gesicherten Datengewinnung


□ Alle Daten im Data Warehouse entstammen (i.d.R.) dem ETL-Prozess
□ Akronym „ETL“ steht für Extract, Transform, Load
□ Extract (Extraktion): Extrahieren der Daten aus internen u. externen Quellen
□ Transform (Transformation): Überführen der Daten in definiertes Datenschema
□ Cleanse (Bereinigung): Bereinigen der Daten um Redundanzen, Konflikte u.
Probleme
□ Load (Laden): Laden der Daten in (integrierte) Data-Warehouse-Datenbank

Sharda et al. (2014), Kemper & Finger (2016)

4 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Datenintegration ETL-Prozess

▪ Informationen in (operativen) internen u. externen Datenquellen


□ Applikationen auf Tagesgeschäft optimiert ≠ Analyse-optimiert für
Entscheidungsunterstützung
□ Fehlende Möglichkeit der übergreifenden Datenanalyse in Applikationen
des Tagesgeschäfts
□ Unsicherheit der Datenqualität in den unterschiedlichen Systemen

▪ Datenintegration in zentrale (Data-Warehouse-)Datenbank


□ Datenzugriff: Fähigkeit, auf unterschiedliche Datenquellen zugreifen und
deren Daten extrahieren zu können
□ Datenvereinigung: Integration unterschiedlicher Perspektiven über die
verschiedenen Datenquellen hinweg
□ Veränderungsdokumentation: Wahrung der Nachvollziehbarkeit über
Identifikation, Zugriff und Extraktion

Sharda et al. (2014)

5 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Ablauf ETL-Prozess

▪ Technischer Ablauf des ETL-Prozesses zur Sicherung der Datenqualität


aus den extrahierten Daten für das Data Warehouse
□ Filterung: Extraktion aus den operativen Daten und Bereinigung von
syntaktischen und/oder inhaltlichen Defekten
□ Harmonisierung: Prozess der betriebswirtschaftlichen Abstimmung der
gefilterten Daten
□ Aggregation: Verdichtung der gefilterten und harmonisierten Daten nach
definierten Regeln aus Performancegründen
□ Anreicherung: Bildung und Speicherung betriebswirtschaftlicher Kenn-
größen aus gefilterten und harmonisierten Daten

▪ Der Prozess für die Datenintegration und das Datenmanagement


machen ca.50-80 % des Gesamtaufwands eines BI-Projekts aus, mit
steigender Tendenz durch die zunehmende Datenflut!

Kemper & Finger (2016); Bange (2016)

6 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Überblick ETL-Prozess

Kemper & Finger (2016)

7 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Filterung ETL-Prozess

▪ Filterung: Extraktion und Bereinigung operativer Daten


□ Extraktion erfordert enge Zusammenarbeit mit den Administratoren der
operativen Systeme (Schnittstellen, Datenqualität, Volatilität…)
□ Bereinigung durch Befreiung der extrahierten Daten von syntaktischen und
semantischen Mängeln (untersch. Mängelklassen)

Automatisierbare

Kemper & Finger (2016)

8 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Harmonisierung ETL-Prozess

▪ Harmonisierung: betriebswirtschaftliche Abstimmung gefilterter Daten


□ Voraussetzung für eine Zusammenführung, sodass eine einheitliche
Interpretation der Dateninhalte gesichert ist

▪ Mehrere zu erfüllende Teilbereiche


□ Abstimmung von (1) Kodierungen, (2) Synonymen und (3) Homonymen
□ (1) z.B. Geschlecht als "M / W" oder "0 / 1"
□ (2) z.B. "Mitarbeiter" vs. "Personal"
□ (3) z.B. "Partner" = "Kunde" vs. "Partner" = "Lieferant"
□ Lösung des Problems der Schlüsseldisharmonien
□ z.B. über parallele Mapping-Tabelle
□ Vereinheitlichung betriebswirtschaftlicher Begriffsabgrenzungen
□ z.B. Umsätze einheitlich in €-Währung angegeben

Kemper & Finger (2016)

9 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Aggregation ETL-Prozess

▪ Aggregation: Verdichtung gefilterter und harmonisierter Daten


□ Ziel ist, auf Basis konsistenter Dimensionsdefinitionen Summenstrukturen
zu erzeugen, die aus Gründen der Performanceoptimierung vorberechnet
im Data Warehouse gehalten werden können
□ getrennt von den Bestandsdaten („fact tables“) in speziellen Struktur-
tabellen, meist denormalisiert abgespeichert („dimension tables“)
□ i.d.R. hierarchische Anordnung, mit dem Element „alle“, „Gesamt“ oder
“Summe“ als Spitze, in welchem alle Einzelelemente aggregiert sind

Kemper & Finger (2016)

10 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Anreicherung ETL-Prozess

▪ Anreicherung: Bildung und Speicherung betriebswirtschaftlicher


Kenngrößen
□ Erweiterung der gefilterten, harmonisierten und teilweise aggregierten
Daten um funktionale Aspekte
□ Bewusste Bildung betriebswirtschaftlicher Kennzahlen, die für eine
Reihe von potentiellen Informationsnachfragern von Relevanz sind, was zu
verschiedenen Vorteilen führt
□ besseres Antwortzeitverhalten bei späteren Abfragen aufgrund der
Vorberechnung
□ garantierte Konsistenz der kalkulierten Werte aufgrund der einmaligen
Berechnung
□ Etablierung eines abgestimmten betriebswirtschaftlichen Instrumentariums

Kemper & Finger (2016)

11 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Anreicherung ETL-Prozess

▪ Beispiel

Kemper & Finger (2016)

12 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Fragestellungen ETL-Prozess

▪ WANN soll die Datenbasis aktualisiert werden?


□ Aktualisierungsquantität in operativen System(en)
□ Update der Datenbasis; wenn festgelegte Anzahl an Änderungen in den
Quellsystemen erreicht ist (Zählerroutinen)
□ kann je nach Quelle und oder einzelnen Data Marts differenzieren
□ Festgelegte, periodische Zeitabstände
□ Update der Datenbasis nach vorher festgelegtem Zeitintervall (z.B. täglich oder
wöchentlich)
□ kann je nach Quelle und oder einzelnem Data Marts differenzieren
□ Echtzeit-Aktualisierung
□ Update der Datenbasis; sobald Änderungen in den Quellsystemen erkannt
werden (transaktionssynchronisiert)
□ erfordert dauerhafte Prüfmechanismen und permanente Verbindung zwischen
den Quellsystemen und dem Data Warehouse

Inmon (2005)

13 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Fragestellungen ETL-Prozess

▪ WELCHE Daten sollen aktualisiert werden?


□ Ausschließlich Update von veränderten Daten (Performance)
□ Verschiedene Prüfmöglichkeiten, je nach Ausgangsquelle:
□ Zeitstempel:
□ Vergleich der Daten-Zeitstempel
□ Update, wenn neuer als bestehend
□ Log-/Audit-Datei:
□ enthält Infos über allgemeine Änderungen
□ notwendige „Filterung“ auf relevante Infos
□ Delta-Datei:
□ enthält Infos zu Datei-Änderungen
□ Update aller Änderungen aus der Datei
□ Before- vs After-Image:
□ Momentaufnahme einer Datenbank
□ Vergleich dieser mit jener nach Extraktion

Inmon (2005)

14 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Grundlagen von Online Analytical
Processing (OLAP)

Teil 2

15 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Einordnung OLAP

Ad-hoc Analysis
Visualization Spreadsheet OLAP Data Mining
Query Tools

Middleware Platform

Data
Meta Data Warehouse Archive Warehouse
OLAP
Data Data Basis Systems Core
Server
Data Marts

Data
Transfor- Meta Data Loading /
Integration Cleansing Migration
mation Generation Updating
(ETL)

Operational
Database
Systems
Internal Data Sources External Data Sources

16 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Definition: OLAP

▪ "OLAP ... is the name given to dynamic enterprise analysis


required to create, manipulate, animate, and synthesize
information from exegetical, contemplative, and formulaic
data analysis models."

OLAP behandelt Zugang zu


und Navigation von Daten!

Codd et al. (1993)

17 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


12 Regeln nach Codd

▪ 1993 von Codd entwickelt


▪ Leitfaden für die Erstellung multidimensionaler Daten-
banken und OLAPs

▪ Überblick des Regelwerks:


1) Multidimensional Conceputal View 7) Dynamic Sparse Matrix Handling
2) Transparency 8) Multi-User Support
3) Accessibility 9) Unrestricted Cross-dimensional Operations
4) Consistent Reporting Performance 10) Intuitive Data Manipulation
5) Client-Server Architecture 11) Flexible Reporting
6) Generic Dimensionality 12) Unlimited Dimensions and Aggregation Levels

 Details siehe Vorlesungseinheit 2: Grundlagen relationaler Datenbanken

Codd et al. (1993)

18 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP Charakteristiken: Fast Analysis of
Shared Multidimensional Information (FASMI)

▪ Fast
□ schnell genug, um interaktiv zu sein
▪ Analysis
□ Fokus auf Analyse nicht Programmierung
▪ Shared
□ Multi-user Zugriffsmöglichkeit und -sicherung
▪ Multidimensional
□ die Art und Weise der Kennzahlenanalyse
▪ Information
□ relevante (große) Daten(-mengen) bearbeiten

Pendse & Creeth (1995)

19 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLTP versus OLAP

Online Transactional Online Analytical


Processing Processing
Daten Operative Analytische
Datenbanken Datenbanken
Operationen read, write, delete read only
Zeitbezug Gegenwart vornehmlich
historische Daten
Granularität detalliert verschiedene
Aggregationsstufen
Antwortzeit kurz (ms-s) mittel (s-min)
Verfügbarkeit hoch mittel
Anzahl Nutzer viele wenige

Meier et al. (2004)

20 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Erinnerung: Multi-dimensionaler Raum

Zeit

Produkt

21 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Relevante OLAP Operationen

Funktion Beschreibung

Rotation Veränderung des Blickwinkels auf den Datenwürfel durch Rotation

Slicing Ausschneiden einer Teilmenge aus dem Datenwürfel, i.d.R. auf


zwei Dimensionen reduziert
Dicing erweiterter Slice auf mehr als zwei Dimensionen, indem ein
kleiner(er) Datenwürfel erzeugt wird
Drill-down Navigation von aufsummierten/aggregierten Daten aus Ebene x zu
detaillierteren Daten aus anderen Ebenen
Drill-through Wechsel der Datenmenge für noch detailliertere Daten durch
Zugriff auf eine andere, verbundene Datenquelle
Roll-up Navigation von detaillierten Daten aus Ebene x zu aggregierteren
Daten aus anderen Ebenen

Sharda et al. (2014)

22 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP: Rotation

Produkt Zeit Zeit

Produkt
1 2

Region
Zeit

Region Region Produkt

23 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP: Slicing

Zeit
Zeit Juni
Mai
April Mai

Region
Region
Region

Produkt Produkt Produkt

24 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP: Dicing

Zeit
Zeit

Region
B C
Region

A B C D

Produkt Produkt

25 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP: Drill-down

Betrachte Zeit
Hierarchieebene
Zeit „Bundesland“

Region
Region
Produkt
Bundesland

Produkt Betrachte Zeit


Region

Hierarchieebene
Stadt
Land

„Stadt“

Region
Hierarchieebenen
Dimension Region
Produkt

26 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP: Roll-up

Betrachte Zeit
Hierarchieebene
Zeit „Bundesland“

Region
Region
Produkt
Bundesland

Produkt Betrachte Zeit


Region

Hierarchieebene
Stadt
Land

„Stadt“

Region
Hierarchieebenen
Dimension Region
Produkt

27 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP: Drill-through

Betrachte Zeit
Hierarchieebene
Zeit „Bundesland“

Region
Region
Produkt
Bundesland

Produkt Betrachte Zeit


Region

Hierarchieebene
Stadt
Land

„Stadt“

Region
Bericht
Hierarchieebenen „Filial“-Ebene
Dimension Region
Produkt

28 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP Beispiel: Pentaho BI-Server

29 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Architekturmöglichkeiten von Online
Analytical Processing (OLAP)

Teil 2

30 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


OLAP Architekturen

▪ Verschiedene architektonische Möglichkeiten für die


Umsetzung eines OLAPs
□ Desktop OLAP
□ Relationales OLAP (ROLAP)
□ Multidimensionales OLAP (MOLAP)
□ Hybrides OLAP (HOLAP)

31 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Desktop OLAP / Client OLAP

▪ Datenwürfel auf dem Client


□ auf der Festplatte
□ im Arbeitsspeicher

▪ Datenspeicher auf dem Server


□ im Data Warehouse
□ zentral geschützt

▪ Software-Beispiel:
□ BusinessObjects

Kurz (1999)

32 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Desktop OLAP / Client OLAP

Vorteile Nachteile

+ geeignet für kleine und fokussierte - Risiko des Erstellens von heterogenen,
Applikationen individuellen „Dateninseln“
+ Sicherheit zentral kontrollierbar: DW- - Nutzer erhält i.d.R. nur Daten-Extrakt:
Admin kontrolliert und verteilt die Gefahr falscher Rückschlüsse durch
Micro-Datenwürfel je Nutzer isolierte Datenauswertungen
+ geringe Kosten pro Nutzer - geringere OLAP-Funktionalitäten möglich
als bei anderen OLAP-Produkten
+ einfaches Erlernen und Pflegen - limitierte Skalierbarkeit

Kurz (1999)

33 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Relationales OLAP (ROLAP)

▪ Relationale Datenhaltung
□ Interface ROLAP Maschine/
Datenbank

▪ Nutzung:
□ Datenbankfunktionalitäten
□ Dynamisches SQL

▪ Software-Beispiel:
□ MicroStrategy

Kurz (1999)

34 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Relationales OLAP (ROLAP)

Vorteile Nachteile

+ basiert der auf etablierten relationalen - Performanceprobleme bei arithmetischen


Datenbanktechnologie Operationen in SQL-Abfragen
+ Zugriff auf das Data Warehouse durch - oft hoher Pflegeaufwand: zeitweise viele
Standard SQL-Befehle möglich Aggregationen notwendig, um die
Performance zu verbessern
+ geeignet für die Verarbeitung großer - dauerhaft Data Warehouse Online-Zugriff
Datenmengen erforderlich
+ gute Skalierbarkeit - keine Eignung für die Verwendung von
Standard ANSI SQL bei gewissen multi-
dimensionalen Analysen (z.B. Ranking)
+ Sicherheitsmechanismen der - kein Schreibzugriff möglich
relationalen Datenbanktechnologie
+ erlaubt „Echtzeit Data Warehousing“

Kurz (1999)

35 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Multidimensionales OLAP (MOLAP)

▪ Multidimensionale Datenhaltung
□ ausgewählte redundante Daten des
Data Warehouse, i.d.R. aggregiert

▪ Nutzung:
□ Drill-through zu detaillierten Daten
□ Schreibzugriff (z.B. für Planung)

▪ Software-Beispiel:
□ Hyperion Essbase

Kurz (1999)

36 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Multidimensionales OLAP (MOLAP)

Vorteile Nachteile

+ sehr gute Performance (abhängig von - Beschränkte Skalierbarkeit


Datenvolumen)
+ effiziente multidimensionale Daten- - keine Standard Abfragesprache
haltungsstrukturen
+ oftmals wird eine multidimensionale - Spärlichkeit des dynamischen Sparse-
Abfragesprache angeboten (z.B. MDX) Matrix-Handling
+ Datenwürfel lassen sich offline - Änderungen in den Dimensionen können
analysieren eine Neuberechnung des gesamten
Datenwürfels erfordern
+ spezifische Technologien für eine
Skalierung (Hypercubing/ Daten-
würfel-Partionierung)
+ vorberechnete Aggregationen für
Abfrageprofile möglich

Kurz (1999)

37 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Hybrides OLAP (HOLAP)

▪ Relationale und multidimensionale


Datenhaltung
□ in Abhängigkeit des Aggregations-
levels ausgewählt
□ Interface HOLAP-Maschine/
Datenbank

▪ Nutzung:
□ Datenbankfunktionalitäten
□ Dynamisches SQL oder Zugriff auf die
multidimensionale Datenbank
(MMDBMS)

▪ Software-Beispiel:
□ Microsoft Analysis Services

Kurz (1999)

38 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Hybrides OLAP (HOLAP)

Vorteile Nachteile

+ kombiniert die Vorteile von ROLAP - oft nur einfache SQL-Generatoren:


und MOLAP: MOLAP für die Abfragen Verwendung von grundlegenden
aggregierter Daten, ROLAP für die Funktionalitäten der verbundenen
Abfragen detaillierter Daten Datenbanken
+ nur wenige Aggregationen notwendig - komplexe Architektur und Produkte; hohe
um die Performance zu erhöhen Pflegekosten

+ Optimierungsmöglichkeiten bezüglich
des Abfrageprofils/Datenmodells
+ Schreibzugriff

Kurz (1999)

39 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Multidimensional Expressions (MDX)

Teil 3

40 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


MultiDimensional eXpressions (MDX)

▪ 1998 von Microsoft ins Leben gerufen


▪ kein Standard, aber eine Spezifikation
▪ Anwendung: Abfragen an OLAP Datenbanken
▪ von einer Vielzahl an Herstellern verwendet, einschließlich
□ IBM Cognos
□ SAP Business Objects
□ Oracle
▪ mdXML (kurz: MDX) als eine auf XML basierende Abfrage-
Sprache für Analysezwecke (XMLA)
□ XMLA ist grundsätzlich dasselbe wie MDX, lediglich in <> verpackt

41 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Dimensionen, Hierarchien und Ebenen

Dimension
[Geography]
Hierarchy
[Geography].[Geo]
[Geography].[Economy]
Levels
[Geography].[Geo].[Continent],
[Geography].[Geo].[Country],
[Geography].[Geo].[City],
[Geography].[Economy].[Partnership],
[Geography].[Economy].[Country]

https://msdn.microsoft.com/en-us/library/ms144884.aspx

42 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Elemente

▪ [Geography].[Geo].[Europe]
□ ein Kontinent mit allen europäischen Ländern als unmittelbar
untergeordnete Knoten (Kinder)

▪ [Geography].[Geo].[Europe].[Germany]
□ ein Land dessen Elternknoten Europa ist

▪ [Geography].[Geo].[Europe].[Germany].
[Würzburg]
□ eine Stadt dessen Elternknoten Deutschland ist

https://msdn.microsoft.com/en-us/library/ms144884.aspx

43 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Tupels und Sets

▪ ein Tupel ist eine Überschneidung von einem (und nur


einem) Element das von jeder der Dimensionen des
Würfels entnommen wird
□ {[Geography].[Geo].[Europe], [Measures].[Amount],
[Time].[Calendar].[2012]}
□ ein Tupel, welches die Verkaufszahlen für ganz Europa in 2012 enthält

▪ Sets sind eine geordnete Sammlung an 0+ Tupeln


□ {([Geography].[Geo].[Europe],[Measures].[Amount],
[Time].[Calendar].[2012] ),
([Geography].[Geo].[Africa],[Measures].[Amount],
[Time].[Calendar].[2012] )}
□ ein Tupel, welches die Verkaufszahlen für ganz Europa und Afrika in
2012 enthält

https://msdn.microsoft.com/en-us/library/ms144884.aspx

44 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Tupels und Sets

▪ Wohin referenziert dieser Ausdruck, zu


□ einer Dimension,
□ einer Hierarchie,
□ einem Level,
□ oder einem Member?

▪ [etwas].[was ist das?]

▪ Eines der vier!

https://msdn.microsoft.com/en-us/library/ms144884.aspx

45 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


SELECT

SELECT
[Measures].Members ON COLUMNS,
[Geography].[Geo].Members ON ROWS
FROM
[Sales]

▪ liefert alle Werte für alle Kontinente (--> defaults)


▪ COLUMNS als Alias für 0
▪ ROWS als Alias für 1

https://msdn.microsoft.com/en-us/library/ms146002.aspx

46 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


WHERE

SELECT
[Measures].Members ON 0,
[Geography].[Geo].Members ON 1
FROM
[Sales]
WHERE
[Time].[Calendar].[Year].[2010]

https://msdn.microsoft.com/en-us/library/ms146002.aspx

47 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


FROM als Schneidemaschine

SELECT
[Measures].Members ON 0,
[Geography].[Geo].Members ON 1
FROM
(SELECT [Time].[Calendar].[Year].[2010]
ON 0 FROM [Sales])

https://msdn.microsoft.com/en-us/library/ms146002.aspx

48 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Member Functions

▪ Nächstes Element (Next Member)


□ [Time].[Year].[2010].NextMember

▪ Vorheriges Element (Previous Member)


□ [Time].[Year].[2010].PrevMember

▪ Drill-down
□ [Time].[Year].CurrentMember.Children

▪ Roll-up
□ [Time].[Year].CurrentMember.Parent

https://msdn.microsoft.com/en-us/library/ms145970.aspx

49 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


MEMBER

WITH MEMBER
[Measures].[Market Share] AS
([Measures].[Amount]) / (
[Product].CurrentMember.parent ,
[Measures].[Amount] ),
FORMAT_STRING = "Percent"
SELECT
[Product].[BAM].Children ON 0,
[Measures].[Market Share] ON 1
FROM
[Sales]

https://msdn.microsoft.com/en-us/library/ms146017.aspx

50 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Operatoren

▪ Arithmetische Operatoren ▪ Vergleichsoperatoren


□ addiere (Vereinigung) + □ entspricht =
□ subtrahiere (Ausnahme) - □ weniger als <
□ multipliziere (Kreuz-Join) * □ mehr als >
□ dividiere / □ ungleich zu <>
□ potenziere ^ □ kleiner-gleich <=
□ Bereich : □ größer-gleich >=

▪ Logische Operatoren
□ und AND
□ oder OR (integrativ)
□ oder XOR (exklusiv)
□ nicht NOT
□ ist IS
https://msdn.microsoft.com/en-us/library/ms144766.aspx

51 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Kalkulationen

▪ Durchschnitt (Average)
□ AVG( {[Geography].[Geo].[America]},
[Measures].[Amount] )

▪ Zählen (Count)
□ COUNT( [Geography].[Geo].[America].Children )

▪ Minimum/Maximum (Min/Max)
□ MIN / MAX( {[Geography].[Geo].[America]},
[Measures].[Amount] )

▪ Summe (Sum)
□ SUM( {[Geography].[Geo].[America]},
[Measures].[Amount] )
https://msdn.microsoft.com/en-us/library/ms145970.aspx

52 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


MDX Beispiel: Pentaho BI-Server

53 Business Intelligence und Reporting – Prof. Dr. Christian Janiesch


Business Intelligence und Reporting

Haben Sie Fragen?

Prof. Dr. Christian Janiesch

Juniorprofessor für Information Management


Josef-Stangl-Platz 2 Part 1
97070 Würzburg
http://www.bwl.uni-wuerzburg.de/lehrstuehle/bwljp1/