Metadaten und Datenqualität in Data Warehouses

Inhaltsverzeichnis

1 EINLEITUNG

2 GRUNDLAGEN UND DEFINITIONEN

2.1 DATA WAREHOUSES

2.2 METADATEN

2.2.1 Definition Metadaten

2.2.2 Arten von Metadaten

2.2.3 Einsatzzwecke von Metadaten

2.2.4 Metadatenspeicherung

2.2.5 Metadatenaustausch

2.3 QUALITÄT UND DATENQUALITÄT

2.3.1 Definition Datenqualität

2.3.2 Kriterien für Datenqualität

2.3.3 Datenqualität von Informationssystemen

2.3.4 Allgemeine Methoden zur Verbesserung von Datenqualität

3 QUALITÄT VON DATA-WAREHOUSES

3.1 QUALITÄTSKRITERIEN VON DATA-WAREHOUSES

3.2 RISIKEN FÜR DIE QUALITÄT VON DATA-WAREHOUSES

3.3 BEDEUTUNG VON METADATEN FÜR DATA-WAREHOUSE QUALITÄT

3.3.1 Bedeutung von Metadaten im Data-Warehouse

3.3.2 Speicherung und Verarbeitung der Metadaten im Data-Warehouse

3.4 KONZEPTE ZUR STEIGERUNG VON DATA-WAREHOUSE QUALITÄT

3.4.1 Doppelte Entwicklung - Stockhammer und Kennel

3.4.2 Qualitätssteigerung als Optimierungsproblem - Ballou / Tayi

3.4.3 CLIQ – Der Ansatz von Hinrichs

3.4.4 Terminologiemanagement – Der Ansatz von Lehmann / Jaszewski

3.4.5 Alles in einem – Der Ansatz des DWQ

4 UMSETZUNG DER KONZEPTE AM PRAKTISCHEN BEISPIEL

4.1 BESCHREIBUNG DER AUSGANGSSITUATION

4.2 BESCHREIBUNG DER UMSETZUNGSMAßNAHMEN

4.2.1 Metadata-Services – Das Repository

4.2.1.1 Aufbau der Metadata-Services

4.2.1.2 Füllen der Metadata-Services

4.2.2 Analysis Services – Der OLAP-Server

4.2.2.1 Metadaten in den Analysis Services

4.2.2.2 Analysis Manager als Anwendungsoberfläche

4.2.3 Arcplans inSight/dynaSight – Das Front-End

4.2.3.1 Zugriff auf das Data-Warehouse und die Metadaten

4.2.3.2 Implementierung von Metadaten

5 SCHLUSSBEURTEILUNG

5.1 BEURTEILUNG DER MAßNAHMEN

5.2 ZUKÜNFTIGER ENTWICKLUNGSBEDARF

Zielsetzung & Themen

Die Arbeit untersucht, wie die Datenqualität in Data-Warehouse-Systemen aus Benutzersicht durch den gezielten Einsatz und die Verwaltung von Metadaten gesteigert werden kann, um Anwendern ein besseres Verständnis und Vertrauen in die Daten zu ermöglichen.

• Grundlagen von Data-Warehouses, Metadaten und Datenqualität
• Qualitätsrisiken und Bedeutung von Metadaten in Data-Warehouse-Umgebungen
• Analyse bestehender Forschungskonzepte zur Qualitätssteigerung
• Praktische Umsetzung der Metadaten-Nutzung an einem Anwendungsbeispiel

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 EINLEITUNG: Darstellung der Bedeutung von Datenqualität für die Benutzerakzeptanz und Einführung in die Thematik der Metadaten zur Qualitätssteigerung.

2 GRUNDLAGEN UND DEFINITIONEN: Erläuterung der Grundbegriffe Data-Warehouse, Metadaten und Datenqualität sowie ihrer Zusammenhänge.

3 QUALITÄT VON DATA-WAREHOUSES: Analyse der qualitätskritischen Aspekte in Data-Warehouses und Vorstellung verschiedener Konzepte zur Steigerung der Datenqualität.

4 UMSETZUNG DER KONZEPTE AM PRAKTISCHEN BEISPIEL: Anwendung der theoretischen Ansätze zur Metadaten-Implementierung anhand eines Data-Warehouse der Philipps-Universität Marburg.

5 SCHLUSSBEURTEILUNG: Zusammenfassende Bewertung der durchgeführten Maßnahmen und Aufzeigen von weiterem Entwicklungsbedarf.

Schlüsselwörter

Data-Warehouse, Metadaten, Datenqualität, Informationsqualität, Datenherkunft, Repository, OLAP, ETL-Prozess, Qualitätsmanagement, Anwenderakzeptanz, Metadatenspeicherung, Metadatenaustausch, Unternehmensmodell, Datenmodellierung

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit analysiert, wie die Qualität von Daten in Data-Warehouse-Systemen verbessert werden kann, indem Anwendern durch den Einsatz von Metadaten ein tieferes Verständnis für Herkunft und Bedeutung der Daten vermittelt wird.

Was sind die zentralen Themenfelder?

Die zentralen Themen sind die Definition und Einordnung von Metadaten, die Messung und Sicherung der Datenqualität in Data-Warehouses sowie die praktische Implementierung dieser Ansätze.

Was ist das primäre Ziel der Untersuchung?

Das Hauptziel ist es, Möglichkeiten aufzuzeigen, wie die Datenqualität speziell aus Sicht des Endbenutzers durch besseren Zugriff auf Metadaten gesteigert werden kann.

Welche wissenschaftlichen Methoden werden verwendet?

Es werden Literaturanalysen bestehender Modelle und Ansätze zur Datenqualität durchgeführt, ergänzt durch eine Fallstudie, in der die praktische Umsetzbarkeit an einem konkreten Data-Warehouse-Beispiel getestet wird.

Was wird im Hauptteil behandelt?

Im Hauptteil werden zunächst theoretische Grundlagen gelegt, gefolgt von einer detaillierten Analyse verschiedener Forschungsansätze (z.B. Stockhammer/Kennel, DWQ, Hinrichs) zur Qualitätssteigerung und deren praktischer Erprobung.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die Arbeit lässt sich durch Begriffe wie Data-Warehouse, Metadaten, Datenqualität, ETL-Prozess, Metadatenmanagement und Anwenderakzeptanz charakterisieren.

Wie unterscheidet sich der Ansatz des DWQ von anderen?

Das DWQ-Projekt verfolgt einen sehr umfassenden Ansatz, der den aus dem Software-Qualitätsmanagement bekannten Goal-Question-Metric-Ansatz direkt auf Data-Warehouses überträgt und Messgrößen für Qualitätsziele definiert.

Warum ist die praktische Umsetzung bei der Philipps-Universität Marburg relevant?

Sie dient als reales Praxisbeispiel, um zu demonstrieren, wie bestehende Microsoft-Werkzeuge (SQL-Server, Analysis Services, dynaSight) zur Metadatenverwaltung genutzt werden können und auf welche technischen Hürden man dabei in der Realität stößt.