Datenmodellierung für Analytics und BI
Analytische Datenmodelle für verständliche und belastbare Auswertungen entwickeln
01 Intro
Datenmodelle für analytische Systeme verfolgen andere Ziele als Modelle für
operative Anwendungen. Während dort Konsistenz und effiziente
Transaktionsverarbeitung im Vordergrund stehen, müssen analytische Modelle
große Datenmengen verständlich strukturieren und flexible, fachlich korrekte
Auswertungen ermöglichen.
Der Kurs behandelt die Modellierung analytischer Datenbestände von der
fachlichen Fragestellung bis zum dimensionalen Modell. Fakten, Dimensionen,
Granularität und Historisierung werden systematisch entwickelt und anhand
praktischer Modellierungsaufgaben miteinander verbunden.
Kurs-ID
BI-002
Dauer
3 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Grundkenntnisse relationaler Datenbanken und SQL sind hilfreich
02 Trainingsprogramm
Inhalte
Operative und analytische Datenmodelle
- unterschiedliche Anforderungen
- OLTP und OLAP
- normalisierte operative Modelle
- analytische Abfragen
- Lesbarkeit und Performance
- fachliche Perspektive
Von der Geschäftsfrage zum Datenmodell
- Geschäftsprozesse
- Analysefragen
- Kennzahlen
- Dimensionen
- Ereignisse
- Anforderungen systematisch erfassen
Dimensional Modeling
- Grundprinzip
- Fakten und Dimensionen
- Star Schema
- Snowflake Schema
- Beziehungen
- Vorteile und Grenzen dimensionaler Modelle
Granularität bestimmen
- Grain einer Faktentabelle
- fachliche Bedeutung
- atomare Fakten
- Aggregationen
- unterschiedliche Granularitäten
- typische Modellierungsfehler
Faktentabellen modellieren
- messbare Ereignisse
- Measures
- additive Kennzahlen
- semi-additive Kennzahlen
- nicht additive Kennzahlen
- unterschiedliche Typen von Faktentabellen
Dimensionen modellieren
- beschreibende Attribute
- natürliche und technische Schlüssel
- Hierarchien
- Rollen von Dimensionen
- degenerierte Dimensionen
- gemeinsam verwendete Dimensionen
Historisierung mit Slowly Changing Dimensions
- Veränderungen von Stammdaten
- SCD Type 1
- SCD Type 2
- weitere Varianten im Überblick
- Gültigkeitszeiträume
- Auswahl geeigneter Strategien
Zeit als analytische Dimension
- Datum und Zeit
- Kalender
- Geschäftsjahre
- Wochen und Perioden
- Vergleichszeiträume
- Time Intelligence als Modellierungsanforderung
Beziehungen und komplexere Modellierungssituationen
- 1:n und n:m
- Bridge Tables
- mehrere Faktentabellen
- unterschiedliche Grains
- gemeinsame Dimensionen
- Modellgrenzen
Datenqualität und fachliche Konsistenz
- Schlüssel
- unbekannte Dimensionseinträge
- fehlende Referenzen
- Dubletten
- fachliche Definitionen
- Validierung des Modells
Modellierung im BI-Lebenszyklus
- Quellsysteme auf Zielmodell abbilden
- ETL und ELT im Zusammenspiel mit dem Datenmodell
- Ladeabhängigkeiten
- Änderungen am Modell
- Dokumentation
- Tests und Nachvollziehbarkeit
Praktisches Modellierungsprojekt
- Geschäftsprozess analysieren
- Analysefragen formulieren
- Grain bestimmen
- Fakten identifizieren
- Dimensionen entwickeln
- Modell anhand konkreter Abfragen überprüfen
03 Durchführung
Rahmen und Organisation
Dauer
3 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Zugang zu einer Datenbank für die praktischen Modellierungsaufgaben
Inhouse-Schulungen
Eigene Geschäftsprozesse, Quellsysteme und Analysefragen können als
Grundlage für das Modellierungsprojekt verwendet werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
BI-Entwickler, Data Analysts, Data Engineers, Softwareentwickler und
technische Projektmitarbeiter, die Datenmodelle für Reporting, Analytics und
Data-Warehouse-Systeme entwickeln oder beurteilen möchten.
Voraussetzungen
Grundkenntnisse relationaler Datenbanken sind hilfreich. SQL-Kenntnisse
erleichtern die praktischen Übungen. Vorkenntnisse in dimensionaler
Modellierung sind nicht erforderlich.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer:
- operative und analytische Datenmodelle unterscheiden
- Analyseanforderungen in dimensionale Modelle übersetzen
- Granularität fachlich korrekt festlegen
- Fakten und Dimensionen modellieren
- unterschiedliche Arten von Kennzahlen berücksichtigen
- historische Änderungen mit geeigneten Verfahren abbilden
- komplexere Beziehungen in analytischen Modellen behandeln
- ein Star Schema systematisch entwickeln und überprüfen
06 FAQ
Häufige Fragen
Ist das ein klassischer Datenbankmodellierungskurs?
Nein. Relationale Grundlagen werden vorausgesetzt beziehungsweise bei Bedarf aufgegriffen. Im Mittelpunkt steht die Modellierung für Analytics, Data Warehousing und Business Intelligence.
Was unterscheidet den Kurs von den BI-Grundlagen?
Der Grundlagenkurs behandelt die gesamte BI-Kette von Datenquellen über Integration und Modellierung bis Reporting und Governance. Hier steht das analytische Datenmodell im Mittelpunkt, und zwar deutlich tiefer.
Wird Kimball behandelt?
Die wesentlichen Konzepte der dimensionalen Modellierung, die eng mit Kimballs Ansatz verbunden sind, bilden einen wichtigen Bestandteil des Kurses. Der Kurs ist jedoch nicht als reine Methodenschulung angelegt.
Werden Data Vault oder andere Modellierungsansätze behandelt?
Alternative Ansätze können zur Einordnung betrachtet werden. Schwerpunkt ist die für Analyse und Reporting unmittelbar nutzbare dimensionale Modellierung.
Wird SQL praktisch eingesetzt?
SQL kann verwendet werden, um Modelle und typische analytische Abfragen zu überprüfen. Der Kurs ist jedoch keine SQL-Schulung.
Passt der Kurs zu modernen Lakehouse-Architekturen?
Ja. Die physische Datenplattform verändert nicht die grundlegende fachliche Frage, wie analytische Daten strukturiert werden müssen. Moderne Architekturvarianten werden entsprechend eingeordnet.