Master
Data Warehouse

Ein Data Warehouse ist ein Repository, in dem Betriebsdaten gespeichert und analysiert werden.

In Data Warehouses werden Daten aus operativen Systemen gesammelt und ausgewertet, um die bisherige Leistung der jeweiligen Organisation zu analysieren.


Beschreibung

In einem Data Warehouse werden Betriebsdaten aus verschiedenen Geschäftssystemen gespeichert und analysiert.

Vorteile

Mit Data Warehouses lassen sich wichtige KPIs wie vergangene Verkaufs- und Kundendaten erfassen.

Trade-offs

Data Warehouses sind für in der Vergangenheit erhobene Daten konzipiert. Sie sind nicht zur Erstellung von Prognosen oder zur Analyse von unstrukturierten Daten geeignet.

Anwendung

Viele Unternehmen arbeiten bereits mit Data Warehouses.

Beschreibung


Ein Data Warehouse speichert operative Daten zu Analysezwecken. In der Regel werden die Daten aus verschiedenen Geschäftssystemen abgerufen, bereinigt und in das Warehouse geladen, wo sie dann ausgewertet werden können.

Vorteile


Data Warehouses sind ein bedeutender Bestandteil vieler Business-Intelligence-Initiativen. Die Analyseergebnisse werden häufig in Dashboards für die Unternehmensleitung angeordnet, um sie regelmäßig über wichtige KPIs zu informieren. Häufig werden Daten zur operativen Performance in Data Warehouses hinterlegt.


Viele Unternehmen probieren auch alternative Modelle wie Data Lake oder Data Mesh aus. Das Data Warehouse ist aber nach wie vor ein System, mit dem sich vergangene Leistungsdaten gut überwachen lassen.

Trade-offs


Data Warehouses ziehen Daten aus Betriebssystemen, bereinigen sie und stellen sie für die Analyse bereit. In der Regel erfolgt das nachts oder einmal pro Woche in einem Batch-Prozess. Deshalb eignet sich das Modell nicht für Echtzeitanalysen, denen in der digitalen Wirtschaft aber immer größere Bedeutung zukommt.


Viele Unternehmen kannten sich zunächst kaum mit Data-Warehouse-Implementierungen aus. Traditionelle Data Warehouses erforderten zunächst eine umfangreiche Datenmodellierung und die Erstellung von Code für die Datenintegration (ETL). Das führte zu häufig überladenen Warehouses, die sich erst nach Jahren auszahlten und zudem teuer im Unterhalt waren. Im Vordergrund stand vor allem die Datenerfassung – die Datenverwendung war weniger relevant. So entstanden Warehouses mit Unmengen von nicht genutzten, aber kostspieligen Datenbeständen.

Anwendung


Die so erstellten Analysen werden häufig in Dashboards präsentiert, um das Management über die Unternehmensleistung zu informieren. Das Modell eignet sich gut für die Analyse zurückliegender Daten.


Traditionelle Data Warehouses liegen mittlerweile nicht mehr im Trend. Unternehmen können dennoch von der Technologie profitieren, indem sie einen test-and-learn-Ansatz verfolgen. Dabei wird zunächst ein kleines Data Warehouse erstellt und dann schrittweise erweitert.

Möchten Sie mehr erfahren?

Welches Thema sollen wir für Sie entschlüsseln?

Hinterlassen Sie Ihre E-Mail-Adresse und wir melden uns, wenn der Begriff decodiert wurde.