Daten- und Prozessmanagement - Datenmodellierung -

1
Daten- und Prozessmanagement- Datenmodellierung -
2
Rahmenmodell des IM (Krcmar)
3
Aufgaben für das IS-Management

• Datenmanagement
• Umgang mit Referenzmodellen
• Erstellung eines unternehmensweiten Datenmodells
• Auswahl einer geeigneten Datenarchitektur
• Sicherstellung der Datenkonsistenz
• Prozessmanagement
• Identifizieren von Geschäftsprozessen
• Modellierung und Gestaltung von Prozessen
• Wiederverwendung von Prozessmodellen
• Standardisierung
• Ökonomische Beurteilung von Prozessen

4
Datenmanagement

• Ziel
• Optimale Nutzung der Daten im Unternehmen
  Verbesserung der Informationsqualität
  produktive Anwendungsentwicklung durch Einsatz
  von Datenbanken
• Aufgaben
• Datenmodellierung
• Datenadministration
• Datentechnik
• Datensicherheit Datenschutz
• Datenkonsistenz und Datenqualität (siehe
  Vorlesung)
• Sicherung von Daten (z.B. Backup)
• datenbezogene Benutzerservices

5
Datenmodellierung

• Formale Beschreibung der Unternehmensdaten in
  einem sogenannten Datenmodell
• Entity-Relationship-Modell (ERM) für Fakten
• Objektorientierte Datenmodellierung
• Dokumentenmodelle (XML, schemalos)
• Modellierung unscharfer Daten
• verschiedene IR-Modelle für Texte
• integrierte Modelle für die Text-Fakten-Kombinatio
  n
• Modelle für multimediale Information
• Data Dictionary

6
Unternehmensmodelle
Ebenen
A
B
C
Informations- technik
Unternehmensmodell Unternehmensdatenmodell
Unternehmensfunktionsmodell ABC-Klassifizierung
nach Krcmar
7
Entity-Relationship-Modell (ERM)

• Ziele
• Beschreibung der Daten und ihrer Beziehungen
  untereinander aus fachlogischer Sicht
• Erstellung eines konzeptionellen Modells
• Elemente
• Entitäten
• Entitätsmengen
• Attribute (beschreibend und identifizierend)
• Schlüssel
• Beziehungen / Relationen und Beziehungsmengen
• Kardinalitäten
• Aggregationen

8
Entitäten sind

• Individuell und eindeutig identifizierbar
• jeweilige Sachlage bestimmt, was als Entität zu
  sehen ist (z.B. Schulklasse oder einzelner
  Schüler)
• darstellbar aufgrund eines Schlüsselwertes
• über Eigenschaften charakterisierbar
• zu Entitätsmengen mit gleichen Eigenschaften
  zusammenfassbar

9
Beispiele für Entitäten
10
Attribute (Eigenschaft, property)

• Beschreiben die fachlichen Eigenschaften, die
  allen Entitäten einer Entitätsmenge gemeinsam
  sind
• Attribut hat Namen und Wertebereich
• Name soll seiner fachlichen Bedeutung entsprechen
• Wertebereich gibt die Menge aller möglichen bzw.
  zugelassenen Werte für ein Attribut an

11
Beschreibende und identifizierende Attribute
(Schlüssel)

• Beschreibende Attribute beinhalten die
  anwendungsrelevanten Eigenschaften
• Identifizierende Attribute stellen die Schlüssel
  zur eindeutigen Identifikation einer Entität dar
• Schlüssel kann aus einem oder mehreren Attributen
  zusammengesetzt sein (Minimalitätseigenschaft)
• falls mehrere Schlüssel möglich sind, wird einer
  als Primärschlüssel festgelegt

12
Beziehungen

• Beziehungen stellen Wechselwirkungen und
  Abhängigkeiten zwischen Entitäten dar
• gleichartige Beziehungen zwischen Entitäten
  werden zu Beziehungsmengen (relationship sets)
  zusammengefasst, auch als Assoziationen
  bezeichnet
• Kardinalität von Beziehungen
• Die Kardinalität gibt an, mit wieviel anderen
  Entitäten eine Entität in einer konkreten
  Beziehung stehen muss bzw. kann.
• Prinzipiell drei Möglichkeiten
• 11
• 1M
• MN

13
Kardinalität - Beispiele

• 11-Assoziation
• Zwei Entitätsmengen A und B stehen zueinander in
  einer 11-Assoziation, wenn jede Entität aus A
  mit genau einer Entität aus B verbunden ist und
  umgekehrt.
• Beispiel Ehe ist 11-Beziehung (westlicher
  Kulturkreis)
• 1M-Assoziation (auch 1N)
• Zwei Entitätsmengen A und B stehen zueinander in
  einer 1M-Assoziation, wenn es zu jeder Entität
  aus A eine oder mehrere Entitäten in B gibt, zu
  jeder Entität aus B aber genau eine Entität in A
  existiert.
• MN-Assoziation
• Es gibt zu einer Entität aus A eine oder mehrere
  Entitäten in B und umgekehrt

14
Konditionelle Beziehungen

• Zwischen zwei Entitäten MUSS keine, aber KANN
  eine Beziehung bestehen.
• 1C Ein PKW kann einen Tempomat haben
• CMC Bei einer Tagung kann ein Teilnehmer
  Mitglied einer Firma sein oder als
  Privatperson teilnehmen. Die Firma kann
  keinen, einen oder mehrere Teilnehmer zur
  Tagung schicken
• NMC ein Kurs wird von mindestens einem
  (maximal N) Dozenten durchgeführt. Ein
  Dozent führt 0 oder M Kurse durch.

15
Notation für ERM (Beispiel)
N
MC
Dozent
Kurs
16
Schritte bei der ER-Modellierung

• Festlegung der Entitäten (Synonym Objekt)
• Festlegung von Eigenschaften (Attributen) und
  Eigenschaftswerten
• Zuordnung von von Eigenschaften und
  Eigenschaftswerten zu Entitäten
• Herstellung von Beziehungen zwischen Entitäten

17
Stammdatenmanagement (Master Data Management, MDM)

• Stammdaten Grunddaten / Referenzdaten (master
  data)
• abgrenzbar gegenüber Bewegungsdaten (transaction
  data)
• Kriterien zur Definition
• existentielle Abhängigkeit von Bewegungsdaten
• unverändert (d.h. relativ statisch) über einen
  längeren Zeitraum
• zustandsorientiert zur Identifikation,
  Klassifikation und Charakterisierung von
  Sachverhalten
• MDM gewann neue Relevanz in SOA (data service)

18
Stamm- vs. Bewegungsdaten
Stammdaten Bewegungsdaten Bestandsdaten
zeitlich invariant, ohne Zeitbezug zeitlich variant, zumeist mit Zeitbezug dynamisch, zeitlich variant
von mehreren Unternehmensbereichen und Anwendungen genutzt von wenigen Anwendungen genutzt
mögliche Dimension bei OLAP liefern Fakten bei analytischen Auswertungen, mögliche Fakten bei OLAP liefern Fakten bei analytischen Auswertungen, mögliche Fakten
langfristige Speicherung kurz- oder mittelfristige Speicherung langfristige Speicherung
Beispiele Artikeldaten, Kundendaten, Stücklisten, Arbeitspläne Beispiele Bestellungen, Aufträge, Lieferungen Beispiele Lagerbestand, Kontostand
19
Objektorientierung

• Objektorientierung stellt neue Konzepte für die
  Modellierung und Entwicklung von
  Software-Systemen zur Verfügung
• OO-Grundkonzepte
• Objekt ? Botschaft
• Klasse ? Vererbung
• Attribut ? Polymorphismus
• Operation/Methode
• Vorteile
• neue Modellierungskonzepte
• vereinigt Daten- und Funktionssicht
• enge Verbindung zu OO Sprachen
• Integrationsansatz für heterogene Systeme
  (distributed objects)

20
Objektorientierung
Objekt Haus 2673
Haustyp Besitzer Adresse Wohnfläche Anz. der
Bäder Schwimmbad Baujahr Verkaufspreis qm-Preis
Wegbeschreibung
Landhaus Otto Kaiser Königsfeld 400
qm 3 ja 1995 2,4 Mio
Kapselung Attribute Methoden
21
Vererbung
Immobilie
Besitzer Adresse BJ Preis
Geschäftshaus
Einfamilienhaus
Besitzer Büros Adresse Parkpl. BJ
Aufzug Preis TG
Besitzer Wohnfl. Adresse Bäder BJ
Gartenfl. Preis
67
22
Polymorphismus

• dieselbe Botschaft an Objekte verschiedener
  Klassen wird unterschiedlich interpretiert

Objekt EFH
Drucken
Außenansicht
Drucken
Objekt GH
Grundriß
23
Ansätze zu Objektorientierung in Datenbanken

• Objektorientierte DBMS
• Entstanden durch Verbreitung von OO
  Programmiersprachen
• Verschiedene Persistenzkonzepte
• Geringe Bedeutung in der Praxis
• Objektrelationale DBMS
• Kombination der relationalen und OO Eigenschaften
  im Datenmodell ? Verwaltung komplexer
  Datenstrukturen (Geodaten, Biodaten)
• Basis für viele multimediale Informationssysteme
• Objektrelationales Mapping
• OO Sprachen (z.B. Java) mit Abstraktionsebene auf
  Basis relationaler Datenbanken
• Persistenz-Frameworks (Hibernate, JDO, Java
  Persistence API)

24
Objektrelationales Mapping
Architektur
Ziele

• Objektorientierter Zugriff auf persistente Daten
• Transparentes Laden und Speichern persistenter
  Daten
• Performanceverbesserung durch Objektpuffer im
  Hauptspeicher

25
Dokumentendatenmodelle XML
Dokument-
verarbeitung
lt..gt
lt/..gt
Konzeptueller
lt..gt
XML
lt/..gt
Entwurf von XML-
lt/..gt
lt..gt
Dokumenten
Datenbanken
physische
logische
konzeptuelle
Ebene
Ebene
Ebene
Klettke / Meyer XML-Datenbanken
26
XML und Datenbanken

• Speicherung von Dokumenten mit und ohne Schema
  (XML Schema)
• Arten von Dokumenten
• Datenorientiert (z.B. Bestellung)
• Dokumentenorientiert (z.B.
• Semistrukturiert (z.B. Patientenakten)
• Speicherung von XML
• relationale Speicherung
• inhaltsorientiert (Dokumentenstruktur ?
  DB-Struktur)
• Strukturorientiert (generisch mit festem
  DB-Schema)
• opak (CLOB)
• nativ (XML-Datenbanksystem)
• XML-orientierte Abfragen (XQuery)

27
DokumentendatenbankenAlternative
DB-Architekturen (NoSQL)
CouchDB als Beispiel einer schemafreien Datenbank
SQL CouchDB
Festes Schema Dynamisches Schema
Tabellen von Daten, Menge, Zeilen Sammlung von Dokumenten variabler Struktur (JSON), Multisets
normalisiert denormalisiert
Objekte über mehrere Tabellen verteilt Dokumente beschreiben sich selbst
Zum Verarbeiten der Objekte muss Schema bekannt sein Zum Verarbeiten muss nur Dokumentenname bekannt sein
Dynamische Abfragen mit statischem Schema Statische Abfragen mit dynamischem Schema
28
Datenbanken in der Cloud

• Cloud Storage als Ressource des Cloud Computing,
• verschiedene Kategorien
• BLOB Storage Virtuelles Dateisystem
• Speicherung von Text- und Binärdaten in der Cloud
• Zugriff über APIs, SOAP, REST
• Table Storage BigTable-Ansatz, NoSQL-Datenbank
• BigTable-Konzept (eine riesige Tabelle ohne feste
  Struktur)
• Zugriff über SOAP REST, APIs
• (echter) DB-Server
• virtueller Datenbankserver zur eigenen
  Verwendung
• übliche APIs

29
Ursachen für unscharfes Wissen

• Unwissenheit
• Fakten zwar nicht bekannt, aber Normalfall
  bekannt (Default Reasoning)
• Häufigkeitsverteilung der möglichen Werte bekannt
  (Stochastik)
• Häufigkeitsverteilung der möglichen Werte ist
  nicht bekannt (Evidenztheorie)
• Ungenauigkeit, z.B. Messungenauigkeit
• Intervallarithmetik zur Behandlung von
  Rundungsungenauigkeit
• Vagheit der Begriffe
• Fuzzy-Logik Quantifizierung mit vagen oder
  unscharfen Begriffen der natürlichen Sprache und
  Schlussfolgern über Aussagen mit diesen Begriffen

30
Unscharfes Wissen

• ImpräzisionWissen besteht aus mehreren präzisen
  Alternativen
• Beispiel Herr Müller ist zwischen 30 und 40
  Jahre alt.
• Unsicherheit (objektive Unschärfe)Die Wahrheit
  einer Aussage ist nicht klar.Sowohl präzise als
  auch unpräzise Aussagen können unsicher sein.
• Beispiel Leipzig liegt (exakt) 113 m u. NN
• Vagheit (subjektive Unschärfe)Die Aussage ist
  eher qualitativ.
• Beispiel Das Büro Z130 ist groß.

31
Beispiel für unscharfes Wissen
mittel
günstig
teuer
1
m
0 10 20 30 40 50 60 70 80 90
100 Preise
32
Grundmodell Information Retrieval
Autoren
Anwendung und Bewertung, ggf. Modifikation
Anwender

33
Textmodellierung
bestimmen Form geeignet Input Mechanismus Output s
trukturbezogen Systembetrachtung überführen visual
isieren
Bei der strukturbezogenen Systembetrachtung sind
die den Input in den Output überführenden
Mechanismen zu be-stimmen und in geeigneter Form
zu visualisieren.
Transforma- tionen
Stoppwörter
34
Das Matching-Paradigma des klassischen
Information Retrieval (IR)

• klassisches Boolesches Retrieval
  (mengentheoretisches Modell)
• Benutzer drücken ihr Suchproblem in einer exakten
  Retrievalsprache aus
• Verbindung von Termen und Boolescher Logik AND,
  OR, NOT

Term1
Term3
Term2
35
Nachteile der Booleschen Systeme

• disjunkte Unterteilung in relevant und
  nicht-relevant
• erwünschter Umfang schwer kontrollierbar (keine
  Sortierung nach Relevanz)
• Benutzer haben Probleme mit der Booleschen Logik
• Visualisierbarkeit

36
Ranking-Systeme

• Prinzip Anordnung des Ergebnisses in einer nach
  Relevanz (!) sortierten Reihenfolge
• notwendige Voraussetzung gewichtete Indexierung
• Grundlage Vektorraummodell auf Basis von
  Textstatistik
• Vorteile
• Rangordnung reiht die relevantesten Dokumente an
  den Anfang der Folge
• Benutzer bestimmt den Abbruch (cut-off) selbst,
  d.h. keine Mengenprobleme
• Experimente zeigen bessere Retrievalqualität
  (bereits für sehr einfache Verfahren)

37
Grundprinzip Ranking
38
Systemunterschiede beim IR

• Retrievalmodelle (Boolesches M., Textstatistik,
  Linktopologisches M., Netzwerk-M., Nutzer-M.)
• Indexierungsmodelle
• Indexierungsvokabular Wortindex / Phrasenindex
• Informationen über Position und Dokumentstruktur
• Struktur von Textdokumenten
• strukturiert (z.B. CSV, XML-Output)
• schwach strukturiert (Überschriften, Paragraphen)
• nicht strukturiert (eher selten)
• Ähnlichkeitsmaße / Abstandsfunktionen
• Outputform Ranking, Relevance Feedback

39
Multimedia-Retrieval-Systeme

• Zeitungsarchive (Texte, Bilder, Fotos, Graphiken)
• Rundfunkarchive (Audioarchive)
• Videodatenbanken
• chemische Strukturen
• Fakten
• diverse Mischformen (oft Ergebnis von Integration
  unterschiedlicher Quellen)
• spezielle Ansätze, z.B. Content-Based Image
  Retrieval (vgl. Bildverarbeitung)

40
Datenadministration

• Verwaltung der Daten und Funktionen unter
  Berücksichtigung von Standards und
  internationalen Normen
• Einsatz von Data-Dictionary-Systemen
  (Datenkatalogsystemen), um eine konsistente
  Verwendung von Datenobjekten zu gewährleisten
• Weiterentwicklung zu Repository-Systemen

41
Data-Dictionary-Systeme

• DDS bestehen aus einem Data Dictionary und einem
  Software-System
• Primär wenn explizit auf Datenkatalog-Verwaltung
  ausgerichtet
• Sekundär Datenkatalog-Funktionen nur Teil eines
  anderen Softwaresystems
• DDS ist
• Abhängig Verwaltungsfunktionen werden von einem
  bestimmten DBMS übernommen
• Unabhängig Eigene Management-Software und über
  Schnittstellen zu anderen DBMS
• Sie enthalten Metainformation über die in den DBS
  enthaltenen Daten und Anwendungsprogramme

42
Aufgaben und Bedeutung von DDS

• DDS dienen zur Konsistenzüberwachung eines
  Datenbestandes
• Analysen ermöglichen
• verschiedenartige Übersichten über die
  Datenstrukturen
• Überprüfung auf Redundanz- und Widerspruchsfreihei
  t
• Data Dictionaries entstehen in der
  Definitions-phase einer Anwendung und werden
  während des Entwurfs und der Implementierung
  ständig ergänzt und verfeinert.
• Auswahl einer bestimmten Notation Beschreibung
  der Datenstrukturen und - elemente

43
Beispiel Kunde in BNF
Kundendatei Kundeneintrag Kundeneintrag
Personal-Nr. Name Adresse
(Geburtsdatum) (Funktion)
Umsatz Name Anrede (Titel) Vorname
Nachname Adresse Straße Haus-Nr.
Postfach-Nr. (Länder-Kennzeichen) PLZ
Ort (Telefon) (Fax)
44
Beispiel Kunde (Forts)
Die Kundendatei besteht aus keinem, einem oder
beliebig vielen Kundeneinträgen Ein
Kundeneintrag besteht aus der Personal-Nr., dem
Namen, der Adresse und dem Umsatz (Muss-Angaben).
Optional sind Geburtsdatum und die Funktion
(Kann-Angaben). Bei der Adresse wird entweder
die Straße und die Haus-Nr. oder die
Postfach-Nr. angegeben, gefolgt von PLZ und Ort.
Optional sind Länderkennzeichen, Telefon- und
Fax-Nummer.
45
Repository-Systeme

• Anwendungen
• Systementwicklung und Software-Reengineering
• Content-Management
• Service-Repository / Registry / Directory
• IT-Infrastrukturmanagement (Konfigurationsdatenban
  k, ITIL)
• Systeme
• Artifactory Maven Enterprise Repository (für
  firmenweite Repositories)
• CentraSite (SOA Repository der Software AG)