Suchen nach Veranstaltungen - Detailansicht

Strukturbaum

Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SS 2020 , Aktuelles Semester: SoSe 2024

Funktionen:

Business Intelligence Praktische Umsetzung einer BI-Architektur Sprache: Deutsch Belegpflicht

Nr.: 5421 Vorlesung SS 2020 4 SWS Jedes Semester

Fakultät:

Fakultät Elektrotechnik und Informatik

519 ( 4. - 7. Semester ) - ECTS-Punkte : 5 - Kategorie : Wahlpflichtfach

Wirtschaftsinformatik PLUS, Abschluss 84, ( 3. - 7. Semester ) - ECTS-Punkte : 5 - Kategorie : Wahlfach

Wirtschaftsinformatik, Abschluss 84, ( 4. - 7. Semester ) - ECTS-Punkte : 5 - Kategorie : Wahlpflichtfach

Internet und Online-Marketing, Abschluss 84, ( 3. Semester ) - ECTS-Punkte : 5 - Kategorie : Pflichtfach

Zugeordnete Lehrperson:

Höpken verantwortlich

vormerken

Zur Zeit kein Belegungszeitraum aktiv.

Termin:

Dienstag 16:00 - 19:15 wöchentl

Raum : V 206 Gebäude V/Laz1

Inhalt:

Business Intelligence, d.h. die systematische Sammlung und Auswertung relevanter Unternehmens- bzw. Marktdaten in elektronischer Form, stellt ein Kerngebiet der Wirtschaftsinformatik dar. Mit dem rapiden Wachstum des World Wide Web sind auch die verfügbaren Informationen über relevante Märkte, Konkurrenzunternehmen und insb. Kunden und deren Verhalten in enormem Ausmaß gestiegen. Dennoch bleiben diese Daten bis heute weitgehend ungenutzt. Weder im online noch im offline Bereich werden die Möglichkeiten moderner Informationstechnologien zur Entscheidungsunterstützung ausreichend genutzt. Mittels Methoden aus dem Bereich Business Intelligence und Data Warehousing lassen sich bisher ungenutzte Wettbewerbspotentiale für Unternehmen erschließen.

Die Vorlesung Business Intelligence Praktische Umsetzung einer BI-Architektur gibt einen praxisorientierten Einblick in alle Komponenten einer BI-Architektur und behandelt im Einzelnen die Bereiche:
Data Warehousing und multi-dimensionale Datenmodellierung
ETL Extraction, Transformation and Load
Reporting & OLAP

Einen großen Anteil der Vorlesung hat hierbei der praktische Einsatz obiger Techniken mit den Werkzeugen Rapid Analytics / Rapid Miner, Excel Powerpivot, QlikView sowie SAP BO/BI auf der Basis umfangreicher Realdaten. Die Vorlesung schließt mit einer praktischen Arbeit zur Umsetzung ausgewählter Komponenten einer BI-Architektur auf Basis der kennengelernten Werkzeuge und Techniken (welche die Prüfungsleistung der Vorlesung darstellt).

Literatur:

Böhnlein, M., Plaha, M., & Ulbrich-vom Ende, A. (2002). Visual Specification of Multidimensional Queries based on a Semantic Data Model. In E. Von Maur, & R. Winter, Vom Data Warehouse zum Corporate Knowledge Center - Proceedings der Data Warehousing 2002 (pp. 379-398). Physica-Verlag.

Chaudhuri, S., & Dayal, U. (1996). An Overview of Data Warehousing and OLAP Technology.

Dhawan, B., & Gosain, A. (2009). Extending Uml for Multidimensional Modeling in Data Warehouse. International Journal of Computer & Communication Technology, 2(7), pp. 59-64.

Elfeky, M., Elmagarmid, A., & Verykios, V. (2002). Tailor a record linkage tool box. ICDE, pp. 17-28.

Golfarelli, D. M., & Rizzi, S. (1998). The Dimensional Fact Model: A Conceptual Model for Data Warehouses. Bologna: University of Bologna.

Harren, A. (2001). Multidimensional Modeling Language (MML) und Multidimensional UML (MUML). Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung (pp. 163-167). dpunkt Verlag.

Höpken, W. (2011). The knowledge destination - a consumer information-based destination management information system. In R. Law, M. Fuchs, & F. Ricci, Information and Communication Technologies in Tourism 2011 (pp. 417-429). Wien: Springer.

Humm, B., & Wietek, F. (2005). Architektur von Data Warehouses und Business Intelligence Systemen. Informatik Spektrum, Februar, pp. 3-14.
Inmon, W. (2002). Building the Data Warehouse (2nd ed.). New York: John Wiley & Sons.

Kim, W., Choi, B.-J., Hong, E., Kim, S.-K., & Lee, D. (2003). A taxonomy of dirty data. Data Mining Knowledge Discovery, 7(1), pp. 81-99.

Kimball, R. (1997). A Dimensional Modeling Manifesto. DBMS.

Kimball, R., Reeves, L., Ross, M., & Thornwaite, W. (1998). The Data Warehouse Lifecycle Toolkit. New York: John Wiley and Sons.

Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., Becker, B. (2008). The Data Warehouse Lifecycle Toolkit. Second Edition, New York: John Wiley and Sons.

Kimball, R., Caserta, J. (2004). The Data Warehouse ETL Toolkit - Praktical Techniques for Extracting, Cleaning, Conforming, and Delivering Data. New York: John Wiley and Sons.

Kimball, R., Ross, M. (2002). The Data Warehouse Toolkit - The Complete Guide to Dimensional Modeling. Second Edition, New York: John Wiley and Sons.

Liu, B. (2008). Web data mining. New York: Springer.

Lujan-Mora, S., Trujillo, J., & Song, I.-Y. (2006). A UML profile for multidimensional modeling in data warehouses. Data & Knowledge Engineering, 59(3), pp. 725-769.

Manhart, K. (2008). BI-Datenmanagement (Teil 3): Metadaten-Verwaltung - Austauschformat Common Warehouse Metamodel. Retrieved Nov 20, 2011, from Tec Channel: http://www.tecchannel.de/server/sql/1751826/bi_datenmanagement_teil_3_metadaten_verwaltung/index6.html

Manning, C. D., & Schütz, H. (2001). Foundations of Statistical Natural Language Processing. Cambridge: MIT.

Sapia, C., Blaschka, M., Höfling, G., & Dinter, B. (1998). Extending the E/R Model for the Multidimensional Paradigm. Proc. International Workshop on Data Warehouse and Data Mining - ER'98. Singapore.

Scannapieco, M., Missier, P., & Batini, C. (2005). Data Quality at a Glance. Datenbank-Spektrum, 5(14), pp. 6-14.

Song, I.-Y., & LeVan-Shultz, K. (1999). Data Warehouse Design for E-Commerce Environment. ER '99 Proceedings of the Workshop on Evolution and Change in Data Management, Reverse Engineering in Information Systems, and the World Wide Web and Conceptual Modeling (pp. 374 - 387). London: Springer-Verlag.

Keil, D., Höpken, W., Fuchs, M., Lexhagen, M. (2017): Optimizing User Interface Design and Interaction Paths for a Destination Management Information System. In: Marcus, A., Wang, W. (eds.) DUXU 2017, Part III, LNCS 10290, Springer, pp. 473-487.

Höpken, W., Keil, D., Fuchs, M., Lexhagen, M. (2015): Business intelligence for cross-process knowledge extraction at tourism destinations. Information Technology & Tourism, 15(2), pp. 101-130.

Meyer, V., Höpken, W., Fuchs, M., Lexhagen, M. (2015): Integration of Data Mining Results into Multi-dimensional Data Models. In: Tussyadiah, I., Inversini, A. (eds.) Information and Communication Technologies in Tourism, Springer, Heidelberg, pp. 155-168.

Fuchs, M., Höpken, W., Lexhagen, M. (2014): Big Data Analytics for Knowledge Generation in Tourism Destinations A Case from Sweden. Journal of Destination Management & Marketing, 3 (4), pp. 198-209.

Höpken, W., Fuchs, M. & Lexhagen, M. (2014): The Knowledge Destination Applying Methods of Business Intelligence to Tourism Applications. In: Wang, J. (ed.) Encyclopedia of Business Analytics and Optimization, IGI Global, Hershey, PA, pp. 2542-2556.

Fuchs, M., Abadzhiev, A., Svensson, B, Höpken, W. & Lexhagen, M. (2013): Knowledge Destination framework for tourism sustainability a Business Intelligence application from Sweden. Tourism - An Interdisciplinary Journal, 61(2), pp. 121-148.

Höpken, W., Fuchs, M., Höll, G. Keil, D. & Lexhagen, M. (2013): Multi-dimensional data modelling for a tourism destination data warehouse. In: Cantoni, L. & Xiang, Ph. (eds.). Information and Communication Technologies in Tourism 2013, Springer, New York, pp. 157-169.

Höpken, W., Fuchs, M., Keil, D., Lexhagen, M. (2011): The Knowledge Destination A Customer Information-based Destination Management Information System. In: Law, R., Fuchs, M., Ricci, F. (eds.). Information and Communication Technologies in Tourism, Springer, New York, pp. 417-429.

Lernziele:

Im Rahmen der Vorlesung "Business Intelligence Praktische Umsetzung einer BI-Architektur" erlangen die Studierenden fundierte Kenntnisse in allen Bereichen einer BI-Architektur (Data Warehousing, ETL, Reporting, OLAP, usw.) und werden in die Lage versetzt, auf der Basis ausgewählter Werkzeuge alle relevanten Komponenten einer BI-Architektur praktisch umzusetzen.

Voraussetzungen:

Die Veranstaltung richtet sich an Studierende ab dem 4. Semester und setzt keine speziellen Vorkenntnisse voraus. Die Veranstaltung ist Teil des Wahlpflichtbereichs Business Intelligence (zusammen mit der Vorlesung Einführung in Business Intelligence und Data Mining), kann jedoch auch unabhängig davon als Wahlveranstaltung besucht werden.

Leistungsnachweis:

M
siehe Offizieller Aushang SS 2019

Module:

Business Intelligence - Praktische Umsetzung einer BI-Architektur (WB)