Was ist Data Mart im Data Warehouse? Typen und Beispiele
Redaktion
⚡ Intelligente Zusammenfassung
Das Data-Mart-Design stellt einer Abteilung eine fokussierte Teilmenge der Data-Warehouse-Informationen zur Verfügung und umfasst die drei Data-Mart-Typen, die fünf Phasen vom Design bis zum Management sowie die Best Practices, die eine schnelle, sichere und kosteneffektive Bereitstellung gewährleisten.
Ein Data Mart bringt die analytische Leistungsfähigkeit eines Data Warehouse Einem einzelnen Team. Durch die Fokussierung auf ein Themengebiet kann eine Abteilung ihre eigenen Daten schnell analysieren, ohne auf unternehmensweite Workloads warten zu müssen. In den folgenden Abschnitten wird erläutert, was ein Data Mart ist, warum Unternehmen ihn einsetzen, welche drei Typen es gibt und wie man ihn implementiert und verwaltet.
Was ist DataMart?
Ein Data Mart konzentriert sich auf einen einzelnen Funktionsbereich einer Organisation und enthält eine Teilmenge der in einem Data WarehousingEs handelt sich um eine komprimierte Version eines Data Warehouse, die für die Nutzung durch eine bestimmte Abteilung, Einheit oder Benutzergruppe konzipiert ist – beispielsweise Marketing, Vertrieb, Personalwesen oder Finanzen.
Da ein Data Mart nur einer einzigen Funktion dient, wird er üblicherweise von einer einzelnen Abteilung innerhalb des Unternehmens verwaltet. Diese Fokussierung hält seinen Umfang begrenzt und die Zuständigkeiten klar.
Ein Data Mart bezieht Daten nur aus wenigen Quellen, im Gegensatz zu einem Data Warehouse, das viele Datenquellen integriert. Daher sind Data Marts klein und deutlich flexibler als ein vollständiges Data Warehouse.
Warum brauchen wir Data Mart?
Organisationen nutzen Data Marts aus mehreren praktischen Gründen:
- Ein Data Mart verbessert die Antwortzeit der Benutzer, indem er das Volumen der abzufragenden Daten reduziert.
- Es bietet einfachen Zugriff auf häufig angeforderte Daten.
- Ein Data Mart ist einfacher und kostengünstiger zu implementieren als ein unternehmensweites Data Warehouse.
- Es ist agil: Wenn sich das Modell ändert, kann schnell ein kleinerer Data Mart neu aufgebaut werden.
- Ein Data Mart wird von einem einzelnen Fachexperten definiert, wohingegen ein Data Warehouse von einem interdisziplinären Team definiert wird; daher ist ein Mart offener für Veränderungen.
- Die Daten werden partitioniert, was sehr differenzierte Zugriffsrechte ermöglicht.
- Daten können segmentiert und auf verschiedenen Hardware- oder Softwareplattformen gespeichert werden.
Kurz gesagt: Da ein Data Mart nur einen kleineren, klar definierten Datenausschnitt verarbeitet, ist er schneller aufzubauen, kostengünstiger zu betreiben und einfacher zu sichern als ein Enterprise Data Warehouse.
Data Marts sind jedoch nicht alle auf die gleiche Weise aufgebaut. Die Datenquelle, aus der ein Mart seine Daten bezieht, bestimmt, mit welchem der drei Typen man arbeitet.
Arten von Data Mart
Es gibt drei Haupttypen von Data Marts, die sich dadurch unterscheiden, woher sie ihre Daten beziehen:
- Abhängig: Abhängige Data Marts beziehen Daten direkt aus operativen Quellen, externen Quellen oder beidem.
- Unabhängig: Es wird ein unabhängiger Data Mart ohne zentrales Data Warehouse erstellt.
- Hybrid: Ein hybrider Data Mart kann Daten aus Data Warehouses oder operativen Systemen beziehen.
Abhängiger Data Mart
Ein abhängiger Data Mart bezieht die Daten einer Organisation aus einem zentralen Data Warehouse und bietet dadurch den Vorteil der Zentralisierung. Wenn Sie einen oder mehrere physische Data Marts erstellen müssen, konfigurieren Sie diese als abhängige Data Marts.
Ein abhängiger Data Mart lässt sich auf zwei Arten aufbauen: Entweder greifen Benutzer je nach Bedarf sowohl auf den Data Mart als auch auf das Data Warehouse zu, oder der Zugriff ist ausschließlich auf den Data Mart beschränkt. Der zweite Ansatz ist nicht optimal, da er zu einem „Datenmüllhaufen“ führen kann – Daten, die zwar aus einer gemeinsamen Quelle stammen, aber anschließend verworfen und größtenteils ungenutzt bleiben.
Unabhängiger Data Mart
Ein unabhängiger Data Mart wird ohne zentrales Data Warehouse erstellt. Diese Art von Data Mart ist eine ideale Option für kleinere Gruppen innerhalb einer Organisation.
Ein unabhängiger Data Mart steht in keiner Verbindung zu einem Enterprise Data Warehouse oder anderen Data Marts. Seine Daten werden eigenständig geladen und analysiert. Dieser Ansatz widerspricht dem Hauptgrund für den Aufbau eines Data Warehouse: einem konsistenten, zentralen Speicher für Unternehmensdaten, der von vielen Nutzern mit unterschiedlichen Interessen analysiert werden kann.
Hybrider Datenmarkt
Ein hybrider Data Mart kombiniert Daten aus Quellen außerhalb des Data Warehouse. Dies ist hilfreich, wenn eine Ad-hoc-Integration erforderlich ist – beispielsweise nach der Hinzufügung einer neuen Gruppe oder eines neuen Produkts zum Unternehmen.
Es eignet sich hervorragend für Umgebungen mit mehreren Datenbanken und ermöglicht eine schnelle Implementierung bei minimalem Aufwand für die Datenbereinigung. Ein hybrider Data Mart unterstützt zudem große Speicherstrukturen und ist ideal für kleinere, datenzentrierte Anwendungen.
Schritte zur Implementierung eines Datamarts
Die Implementierung eines Data Marts ist ein lohnender, aber detaillierter Prozess. Er durchläuft fünf Phasen – Entwurf, Aufbau, Befüllung, Zugriff und Verwaltung –, die im Folgenden jeweils beschrieben werden.
Entwerfen
Die Konzeption ist die erste Phase der Data-Mart-Implementierung. Sie umfasst alle Aufgaben von der ersten Anfrage für einen Data Mart über die Anforderungserhebung bis hin zum logischen und physischen Data-Mart-Design.
Der Entwurfsschritt umfasst die folgenden Aufgaben:
- Erfassung der geschäftlichen und technischen Anforderungen sowie Identifizierung von Datenquellen.
- Auswahl der geeigneten Datenteilmenge.
- Entwerfen der logischen und physischen Struktur des Data Mart.
Die Daten können anhand der folgenden Kriterien partitioniert werden:
- Datum
- Geschäfts- oder Funktionseinheit
- Geografie
- Beliebige Kombination der oben genannten
Daten können auf Anwendungs- oder DBMS-Ebene partitioniert werden, wobei die Partitionierung auf Anwendungsebene empfohlen wird, da sie jedes Jahr ein anderes Datenmodell ermöglicht, um den sich ändernden Geschäftsbedingungen gerecht zu werden. Die meisten Data Marts basieren auf einem dimensionales Modellbeispielsweise ein Sternschema, um Abfragen schnell zu halten.
Welche Produkte und Technologien benötigen Sie?
Für diese Phase genügen Stift und Papier. Tools, die Ihnen bei der Erstellung von UML- oder Entity-Relationship-Diagrammen helfen, können Ihren logischen und physischen Entwürfen auch Metadaten hinzufügen.
Konstruieren
Die Konstruktion ist die zweite Phase der Implementierung. Sie umfasst die Erstellung der physischen Datenbank und der logischen Strukturen.
Dieser Schritt umfasst folgende Aufgabe:
- Die in der vorherigen Phase entworfene physische Datenbank wird implementiert – beispielsweise durch die Erstellung von Schemaobjekten wie Tabellen, Indizes und Sichten.
Welche Produkte und Technologien benötigen Sie?
Sie benötigen ein relationales Datenbankmanagementsystem (RDBMS), um einen Data Mart zu erstellen. Ein RDBMS bietet mehrere Funktionen, die für den Erfolg eines Data Marts unerlässlich sind:
- Speicherverwaltung: Ein relationales Datenbankmanagementsystem (RDBMS) speichert und verwaltet Daten und ermöglicht das Erstellen, Hinzufügen und Löschen von Datensätzen.
- Schneller Datenzugriff: Mit einer SQL-Abfrage können Sie Daten auf Basis bestimmter Bedingungen oder Filter einfach abrufen.
- Datenschutz: Das RDBMS kann sich von Systemausfällen wie Stromausfällen erholen und Daten aus Backups wiederherstellen, wenn eine Festplatte ausfällt.
- Mehrbenutzerunterstützung: Es bietet gleichzeitigen Zugriff, sodass mehrere Benutzer Daten lesen und ändern können, ohne die Änderungen der anderen zu überschreiben.
- Sicherheit: Es regelt, welche Benutzer auf welche Objekte zugreifen und welche Operationen sie durchführen dürfen.
Bevölkerungszahl
In der dritten Phase werden die Daten in den Data Mart eingepflegt.
Der Auffüllungsschritt umfasst die folgenden Aufgaben:
- Karteping Quelldaten zu Zieldaten.
- Extracdie Quelldaten.
- Bereinigen und Transformieren der Daten.
- Die Daten werden in den Data Mart geladen.
- Erstellung und Speicherung von Metadaten.
Welche Produkte und Technologien benötigen Sie?
Diese Aufgaben führen Sie mit einem ETL-Prozess (z. B.tracDas Tool „Transformieren, Laden“ untersucht die Datenquellen und führt eine Quell-Ziel-Zuordnung durch.pingund dann extracts transformiert, bereinigt und lädt die Daten in den Data Mart.
Dabei erstellt das Tool auch Metadaten – Details wie die Herkunft der Daten, ihre Aktualität, vorgenommene Änderungen und den angewendeten Zusammenfassungsgrad.
Zugriff auf
Der Zugriff ist der vierte Schritt und ermöglicht die Nutzung der Daten: Datenabfragen, Erstellung von Berichten und Diagrammen sowie deren Veröffentlichung. Endbenutzer stellen Abfragen und sehen sich die Ergebnisse an, häufig über … OLAP Werkzeuge.
Der Zugriffsschritt umfasst folgende Aufgaben:
- Einrichtung einer Metaschicht, die Datenbankstrukturen und Objektnamen in Geschäftsbegriffe übersetzt, damit auch technisch nicht versierte Benutzer problemlos auf den Data Mart zugreifen können.
- Einrichtung und Pflege der Datenbankstrukturen.
- Bei Bedarf APIs und Schnittstellen einrichten.
Welche Produkte und Technologien benötigen Sie?
Sie können über die Kommandozeile oder eine grafische Benutzeroberfläche (GUI) auf den Data Mart zugreifen. Eine GUI ist in der Regel vorzuziehen, da sie die Erstellung von Diagrammen vereinfacht und benutzerfreundlicher als die Kommandozeile ist.
Management
Die Verwaltung ist die letzte Phase des Data-Mart-Implementierungsprozesses. Mithilfe einer grafischen Benutzeroberfläche (GUI) oder der Kommandozeile erledigen die Teams laufende Verwaltungsaufgaben wie:
- Laufende Benutzerzugriffsverwaltung.
- Systemoptimierung und Feinabstimmung für bessere Leistung.
- Hinzufügen und Verwalten neuer Daten im Data Mart.
- Planung von Wiederherstellungsszenarien, um die Verfügbarkeit des Systems im Falle eines Ausfalls aufrechtzuerhalten.
- Wiederherstellung nach Hardware- und Softwarefehlern unter Beibehaltung der Daten.
Best Practices für die Implementierung von Data Marts
Befolgen Sie diese bewährten Vorgehensweisen während des gesamten Data-Mart-Implementierungsprozesses:
- Strukturieren Sie die Datenquellen eines Data Marts nach Abteilungen.
- Den Implementierungszyklus in Wochen statt in Monaten oder Jahren messen.
- Beziehen Sie alle Interessengruppen in die Planungs- und Entwurfsphase ein, da die Implementierung eines Data Marts komplex sein kann.
- Budgetieren Sie die Kosten für Hardware, Software, Netzwerk und Implementierung des Data Marts präzise.
- Selbst wenn ein Data Mart die Hardware gemeinsam nutzt, benötigt er möglicherweise unterschiedliche Software zur Bearbeitung von Benutzeranfragen; schätzen Sie den zusätzlichen Rechenaufwand und Speicherplatz ein, der für schnelle Antworten erforderlich ist.
- Wenn sich der Data Mart an einem anderen Ort als das Data Warehouse befindet, muss sichergestellt werden, dass genügend Netzwerkkapazität für die Übertragung der erforderlichen Datenmengen vorhanden ist.
- Planen Sie ausreichend Zeit für die Ladezeit ein, da diese mit zunehmender Komplexität der Transformationen steigt.
Vor- und Nachteile eines Data Mart
Wie jede Architekturwahl bringt auch ein Data Mart klare Vorteile mit sich, aber auch einige Kompromisse.
Vorteile
- Ein Data Mart enthält eine Teilmenge der organisationsweiten Daten, die für eine bestimmte Benutzergruppe wertvoll sind.
- Es ist eine kostengünstige Alternative zu einem Data Warehouse, dessen Aufbau teuer sein kann.
- Ein Data Mart ermöglicht einen schnelleren Zugriff auf Daten.
- Es ist einfach zu bedienen, da es auf die spezifischen Bedürfnisse seiner Nutzer zugeschnitten ist, was Geschäftsprozesse beschleunigen kann.
- Ein Data Mart benötigt weniger Implementierungszeit als ein Data Warehouse, da man sich nur auf eine Teilmenge der Daten konzentriert.
- Es enthält historische Daten, die Analysten helfen, Trends zu erkennen.
Nachteile
- Unternehmen erstellen manchmal zu viele voneinander unabhängige Data Marts, deren Wartung sich als schwierig erweist.
- Ein Data Mart kann keine unternehmensweite Datenanalyse durchführen, da sein Datensatz begrenzt ist.
