 |
| Detailinformationen |
| Anmeldevoraussetzungen |
Erwartete Vorkenntnisse: Grundlagen relationaler Datenbanksysteme
|
| Quellcurriculum |
Masterstudium Wirtschaftsinformatik 2025W |
| Lernergebnisse |
Kompetenzen |
| Die Studierenden sind befähigt, durch Anwendung des aktuellen Stands der Wissenschaft, Planung, Entwurf und Implementierung von Data-Warehouse- und Data-Lake-Systemen unter Berücksichtigung von Volume, Velocity und Variety der zu analysierenden Daten durchzuführen. Die Studierenden sind befähigt, große inner- und überbetriebliche Datenbestände (Big Data) in einem Data Warehouse bzw. Data Lake zusammenführen, um sie dadurch für interaktive Datenanalysen entsprechend den Unternehmenszielen einzusetzen.
|
|
| Fertigkeiten |
Kenntnisse |
- LO2: Die Studierenden beherrschen den Entwurf einer Architektur für ein Data-Warehouse- bzw. Data-Lake-System, können verschiedene Alternativen gegenüberstellen und evaluieren (K4).
- LO3: Die Studierenden beherrschen die konzeptuelle und logische Modellierung der Daten in einem Data-Warehouse-System, können verschiedene Modelle gegenüberstellen und evaluieren (K4).
- LO4: Die Studierenden beherrschen die Formulierung von analytischen Abfragen über ein Data-Warehouse-System sowie die Bereitstellung von Daten für Analysen und Berichte (K3).
- LO5: Die Studierenden können die physische Optimierung der Datenhaltung mittels Definition materialisierter Sichten, Indizes, Partitionierung und verteilter Datenhaltung durchführen, verschiedene Optimierungen gegenüberstellen und evaluieren (K3).
- LO6: Die Studierenden können Daten-Pipelines implementieren, die die Extraktion von Daten aus inner- und überbetrieblichen Datenquellen, deren Bereinigung und Transformation sowie das Einfügen der bereinigten und transformierten Daten in ein Data-Warehouse-System umfassen (K3).
- LO7: Die Studierenden können verteilte und parallele Analyseabläufe großer Datenmengen (Big Data) sowie Abläufe für die Echtzeitanalyse von Datenströmen implementieren (K3).
- LO8 Die Studierenden verstehen Sicherheits-, Data-Governance- und Managementaspekte beim Entwurf von Data-Warehouse- und Data-Lake-Systemen im Rahmen von Business-Intelligence-Projekten (K2).
|
LO1: Referenz-Architekturen von Data-Warehouse- und Data-Lake-Systemen; multidimensionales Datenmodell; logisches Datenmodell (Star-/Snowflakeschema und Mischvarianten, Data Vault); konzeptueller, logischer und physischer Entwurfsprozess für Data Warehouses und Data Lakes; Methoden zur Auswahl materialisierter Sichten; Algorithmen für die Verwaltung materialisierter Sichten; Indexstrukturen für Data-Warehouse-Systeme; Partitionierungsmethoden und Optimierung von Abfragen über partitionierte Daten; Methoden und Werkzeuge für Extraktion, Transformation und Laden von inner- und überbetrieblichen Daten, z.B. KNIME, dbt; Methoden und Werkzeuge für die Bereitstellung von Datenanalysen, z.B. KNIME, Apache Superset; Sprachen und Werkzeuge für OLAP, z.B. SQL, MDX; Sicherheitsaspekte; Verteiltes Data Warehousing und Cloud Data Warehousing; Methoden und Werkzeuge für Big Data und Real-Time Analytics, z.B. Apache Hadoop, Map Reduce, Apache Spark, Apache Kafka
|
|
| Beurteilungskriterien |
Schriftliche Klausur
|
| Lehrmethoden |
Die Lehrinhalte werden vermittelt mittels Methoden des Blended Learning, insbesondere Flipped Classroom, mit interaktiven Elementen zur Festigung des Wissens.
|
| Abhaltungssprache |
deutsch/englisch |
| Literatur |
Basisliteratur:
- Vaisman, A.; Zimányi, E.: Data Warehouse Systems: Design and Implementation. Springer, in der aktuellen Auflage.
- Sherman, R.: Business Intelligence Guidebook: From Data Integration to Analytics. Morgan Kaufmann, in der aktuellen Auflage.
- Gorelik, A.: The Enterprise Big Data Lake. O’Reilly, in der aktuellen Auflage.
Ergänzungsliteratur, insbesondere zu konkreten Werkzeugen und Systemen, wird in jedem Semester bekannt gegeben.
|
| Lehrinhalte wechselnd? |
Nein |
| Sonstige Informationen |
Die Lehrveranstaltungen VL und UE Data Warehousing bilden eine untrennbare didaktische Einheit. Die dargestellten Lernergebnisse werden im Zusammenwirken der beiden Lehrveranstaltungen erreicht.
|
| Frühere Varianten |
Decken ebenfalls die Anforderungen des Curriculums ab (von - bis)
2WBMDWV: VL Data Warehousing (2008W-2014S)
|
|
