Entwicklung des Verfahrens zur Datenspeicherung in Data-Warehouse-Systemen auf Basis des Information-Lifecycle-Managements

Büsch, Sebastian

doi:10.1007/978-3-658-40304-1_5

Sebastian Büsch⁶

Part of the book series: Forschung zur Digitalisierung der Wirtschaft | Advanced Studies in Business Digitization ((ASBD))

1332 Accesses

Zusammenfassung

Anhand der Kapitel 1, 3 und 4 konnten die Problemstellung motiviert, die Forschungslücke aufgezeigt und anhand der Anforderungen für ein ILM-Verfahren die Zielstellung des zu entwickelnden Artefakts des Forschungsprozesses dieser Arbeit definiert werden. In der anschließenden Designphase ist demnach Folgendes nötig.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Chapter: USD 29.95; Price excludes VAT (USA)

eBook: USD 59.99; Price excludes VAT (USA)

Softcover Book: USD 79.99; Price excludes VAT (USA)

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

1.
Vgl. Abschnitt 4.3.2 und 4.3.4 sowie die dritte Forschungsfrage dieser Arbeit.
2.
Vgl. Abschnitt 4.3.2 und 4.3.4 sowie die zweite Forschungsfrage dieser Arbeit.
3.
Vgl. Abschnitt 3.3
4.
Vgl. Abschnitt 3.3
5.
Vgl. Helfferich /Qualität/ 35, 168 sowie in Gläser, Laudel /Experteninterviews/ 35.
6.
Vgl. Bogner, Menz /Experteninterview/ 64.
7.
Helfferich /Qualität/ 43 f.
8.
Nähere Informationen zu den erhobenen Klassifizierungen und deren Verwendung im Rahmen der Entwicklung des ILM-Verfahrens werden in den Abschnitten 5.2 bis 5.4 dargestellt.
9.
Vgl. folgende Abschnitte.
10.
Zur Auswahl der Experten werden im Folgenden konkrete Anforderungen genannt.
11.
Vgl. Gläser, Laudel /Experteninterviews/ 271.
12.
Vgl. Gläser, Laudel /Experteninterviews/ 43.
13.
Vgl. Bogner, Menz /Experteninterview/ 73 f., Meuser, Nagel /ExpertInneninterviews/ 73 f., Helfferich /Qualität/ 168.
14.
Vgl. Bogner, Menz /Experteninterview/ 73 f., Gläser, Laudel /Experteninterviews/ 11–13, Helfferich /Qualität/ 163.
15.
Vgl. Gläser, Laudel /Experteninterviews/ 11–13, Meuser, Nagel /ExpertInneninterviews/ 73 f., Helfferich /Qualität/ 163.
16.
Vgl. Bogner, Menz /Experteninterview/ 73 f., Meuser, Nagel /ExpertInneninterviews/ 73 f.
17.
Vgl. Helfferich /Qualität/ 43 f.
18.
Vgl. Gläser, Laudel /Experteninterviews/ 41–43.
19.
Vgl. Gläser, Laudel /Experteninterviews/ 30 f.
20.
Vgl. Helfferich /Qualität/ 114.
21.
Vgl. Gläser, Laudel /Experteninterviews/ 30 f.
22.
Vgl. Gläser, Laudel /Experteninterviews/ 41–43.
23.
Vgl. Helfferich /Qualität/ 36, Gläser, Laudel /Experteninterviews/ 111.
24.
Vgl. Gläser, Laudel /Experteninterviews/ 41–43.
25.
Vgl. Helfferich /Qualität/ 164, Gläser, Laudel /Experteninterviews/ 111, Bogner, Menz /Experteninterview/ 64–66.
26.
Vgl. Gläser, Laudel /Experteninterviews/ 43, Meuser, Nagel /Experteninterview/ 51.
27.
Vgl. Gläser, Laudel /Experteninterviews/ 31 f.
28.
Vgl. Helfferich /Qualität/ 35, 168, Gläser, Laudel /Experteninterviews/ 35.
29.
Vgl. Abschnitt 5.1.2
30.
Vgl. Gläser, Laudel /Experteninterviews/ 44.
31.
Vgl. Helfferich /Qualität/ 162.
32.
Vgl. Meuser, Nagel /ExpertInneninterviews/
33.
Vgl. Mayring /Inhaltsanalyse/
34.
Vgl. Corbin, Strauss /Research/
35.
Vgl. Corbin, Strauss /Research/ 220 ff.
36.
Vgl. Corbin, Strauss /Grounded Theory/
37.
Vgl. auch Gläser, Laudel /Experteninterviews/ 35.
38.
Vgl. Gläser, Laudel /Experteninterviews/ 115.
39.
Vgl. Gläser, Laudel /Experteninterviews/ 31, 115.
40.
Vgl. Helfferich /Qualität/ 182 ff.
41.
Vgl. Helfferich /Qualität/ 179 f., Meuser, Nagel /Experteninterview/ 56.
42.
Vgl. Gläser, Laudel /Experteninterviews/ 123, 141, 145 f., 149, Helfferich /Qualität/ 104 f., 108.
43.
Hier werden nur die Kerninhalte wiedergegeben; für Details wird auf die angegebene Literatur verwiesen.
44.
wie in Helfferich /Qualität/ 186.
45.
Vgl. Gläser, Laudel /Experteninterviews/ 147.
46.
Vgl. Gläser, Laudel /Experteninterviews/ 31; auf die in eckigen Klammern hinterlegten Fragentypen wird in Tabelle A-2 (Anhang 2) im elektronischen Zusatzmaterial verwiesen.
47.
Vgl. Gläser, Laudel /Experteninterviews/ 147.
48.
Vgl. Gläser, Laudel /Experteninterviews/ 128.
49.
Vgl. Gläser, Laudel /Experteninterviews/ 124, 126.
50.
Vgl. Gläser, Laudel /Experteninterviews/ 149, Helfferich /Qualität/ 181.
51.
Vgl. Gläser, Laudel /Experteninterviews/ 141.
52.
Vgl. Meuser, Nagel /ExpertInneninterviews/ 83.
53.
Vgl. Meuser, Nagel /ExpertInneninterviews/
54.
Vgl. Gläser, Laudel /Experteninterviews/ 157.
55.
Die X-CASE GmbH ist ein auf SAP-Beratung spezialisiertes IT-Beratungshaus mit Sitz in Ilmenau. X-CASE bietet Beratungsdienstleistung in mehreren Geschäftsfeldern an, darunter auch Business Intelligence. Durch ihr Partnernetzwerk und die Kunden der X-CASE GmbH konnte der Kontakt zu mehreren DWS-Anwendern und -Experten bzw. -Beratern hergestellt werden. Für weitere Informationen siehe www.x-case.de.
56.
Vgl. dazu die beschriebenen Ausführungen von Meuser, Nagel /ExpertInneninterviews/ zum explorativen Interview.
57.
Dort werden die Zugriffsverläufe anhand von in der Praxis eingesetzten DWS analysiert.
58.
Im Rahmen dieser Arbeit sind mit ‚qualitativen Merkmale‘ alle Merkmale gemeint, deren Ausprägung nicht mit einem Zahlenwert angegeben werden können, während ‚quantitative Kriterien‘ alle mit einem eindeutigen Zahlenwert belegbaren Kriterien beinhaltet.
59.
Der Verdichtungsgrad wurde weiterverfolgt und im Rahmen dieser Arbeit als Klassifizierungskriterium herangezogen. Eine Beschreibung erfolgt in Anhang 8 im elektronischen Zusatzmaterial.
60.
S. Fußnote 15 im Kapitel 1 und Abschnitt 4.3.2
61.
Vgl. Abschnitt 3.3
62.
Für Details zur Abgrenzung von ganzen Datenobjekten, Zeitscheiben und einzelnen Datensätzen vgl. Abschnitt 5.2.2
63.
Vgl. Kapitel 7.
64.
Vgl. Abschnitt 5.2.2
65.
Vgl. Abschnitt 5.3.2, 5.3.3 und 5.4
66.
Zur Begründung vgl. Abschnitt 4.3.2
67.
Vgl. Mayring /Inhaltsanalyse/ 123–129.
68.
Vgl. Mayring /Inhaltsanalyse/ 123–129.
69.
Vgl. Gläser, Laudel /Experteninterviews/ 105, Mayring /Inhaltsanalyse/ 123–129.
70.
Vgl. Dubé, Paré /Rigor/
71.
Vgl. Abschnitt 4.3.5
72.
Vgl. Abbildung 3.2 und Abbildung 3.3.
73.
Vgl. Thome, Sollbach /ILM/
74.
Vgl. Abschnitt 3.3
75.
Vgl. Tabelle. 3.1
76.
Vgl. Abschnitt 3.1
77.
Vgl. Heinrich, Stelzer /Informationsmanagement/ 525–536 und Abschnitt 3.1
78.
Vgl. Abschnitt 3.1
79.
anonymisiert.
80.
Vgl. Thome, Sollbach /ILM/
81.
Dabei wurde die jeweils letzte Woche des Datenmaterials ignoriert, sofern sie nicht vollständig war, um die Ergebnisse nicht zu verfälschen, da sonst in der letzten Woche oft nur geringe Zugriffe bei weniger als sieben Tagen in Summe beobachtet wurden.
82.
Bei der Bestimmung des ILZ-Typs wurde wie beschrieben auch eine Kombination aus mehreren Teilstücken identifiziert wie bspw. ein erst steigender, dann relativ konstanter Zugriffsverlauf. Auf ein zusätzliches Ausweisen dieser ILZ-Typen wurde verzichtet und die Darstellung aus Gründen der Übersichtlichkeit auf sechs ILZ-Typen zusammengefasst.
83.
Vgl. Thome, Sollbach /ILM/
84.
Vgl. Abschnitt 3.1
85.
Vgl. Abbildung 5.2.
86.
Vgl. Abschnitt 5.2.1
87.
Vgl. Abschnitt 5.2.1
88.
Vgl. Inmon /DW/
89.
Vgl. Abschnitt 3.1
90.
Diese Aussage ist an dieser Stelle nur als beispielhafte These genannt. Die empirische Überprüfung folgt im weiteren Verlauf dieses Kapitels.
91.
Vgl. Abschnitt 4.3.5 und Abschnitt 5.1.2
92.
Vgl. Kapitel 2.
93.
Vgl. Inmon, Imhoff, Sousa /Factory/ 19–23.
94.
Je nachdem, ob bei Typ fallend ein Hochpunkt gefunden wurde oder nicht.
95.
Vgl. Thome, Sollbach /ILM/
96.
Die Anzahl der Zugriffe des Typs Operator sind im Vergleich zu den anderen Nutzertypen insgesamt gering und für die Abbildung daher nicht relevant; die Werte betragen 0,1 %;0,2 %;0,5 %;0,3 %;0,2 % in den fünf Phasen.
97.
Vgl. Abbildung A-5 und Abbildung A-6 im elektronischen Zusatzmaterial.
98.
Insgesamt sind deutlich mehr Standard- als Spezialberichte im System vorhanden.
99.
Vgl. Abbildung A-7 im elektronischen Zusatzmaterial.
100.
Vgl. Abbildung A-8 im elektronischen Zusatzmaterial.
101.
Vgl. Abbildung A-9 und Abbildung A-10 im elektronischen Zusatzmaterial.
102.
Vgl. Abbildung A-11 im elektronischen Zusatzmaterial.
103.
Vgl. Zimmermann et al. /Fuzzy Technologien/, Nauck, Kruse /Fuzzy-Systeme/
104.
Sicherlich sind komplexere Zugehörigkeitsfunktionen als solche Geraden(abschnitte) denkbar. Da hier lediglich die Findung der Objektklasse errechnet werden soll, die selbst nur ein Teil des gesamten ILM-Verfahrens darstellt und weil die abzubildenden Zusammenhänge durch einfache, lineare Funktionen bereits abgebildet werden können, wird auf komplexere funktionale Verläufe verzichtet.
105.
Vgl. Abschnitt 3.3
106.
Vgl. Inmon /ILM/, Hahne /ILM/
107.
Vgl. Heinrich, Stelzer /Informationsmanagement/ 525–536.
108.
Vgl. Inmon /ILM/, Hahne /ILM/ und Abschnitt 3.3; veranschaulicht in Abbildung 3.4.
109.
Vgl. Abschnitt 3.3
110.
Vgl. OLAP-Funktionen in Abschnitt 2.1.2
111.
Vgl. Abschnitt 5.2.1
112.
Dabei ist auf die Historisierung der Metadaten der Berichte zu achten, was in Kosler, Matthesius, Stelzer /Klassifizierung/ beschrieben ist.
113.
Vgl. Mehrwald /DW/
114.
Vgl. Inmon /ILM/, Hahne /ILM/
115.
Vgl. Inmon /ILM/
116.
Vgl. Kapitel 7.
117.
Vgl. Abschnitt 5.2.1
118.
Vgl. Abschnitt 5.2.1
119.
Vgl. Abschnitt 5.2.2
120.
Vgl. Abschnitt 2.2
121.
Vgl. Abschnitt 2.2
122.
Vgl. Abschnitt 4.3.2 und 5.2.4
123.
Vgl. Abschnitt 4.3.5 und 5.1.2
124.
Vgl. Abschnitt 1.3, 4.3.5 und 5.1.2
125.
Vgl. Abschnitt 1.3, Sonnenberg, vom Brocke /Evaluation/, Sonnenberg, vom Brocke /Evaluations/
126.
Vgl. Sonnenberg, vom Brocke /Evaluation/
127.
Vgl. Sonnenberg, vom Brocke /Evaluation/
128.
Vgl. Dubé, Paré /Rigor/
129.
Vgl. Venable, Pries-Heje, Baskerville /FEDS/
130.
Vgl. Venable, Pries-Heje, Baskerville /FEDS/
131.
Venable, Pries-Heje, Baskerville /FEDS/
132.
Venable, Pries-Heje, Baskerville /FEDS/
133.
Venable, Pries-Heje, Baskerville /FEDS/
134.
Venable, Pries-Heje, Baskerville /FEDS/
135.
Für die Vor- und Nachteile und Details zu den einzelnen Pfaden vgl. Venable, Pries-Heje, Baskerville /FEDS/
136.
Die Vorstellung und Auswahl der anwendbaren Verfahren werden in Abschnitt 5.3.4 dargestellt.
137.
Zusammengefasst sind das Literaturanalyse (Kapitel 4), Experteninterviews (Abschnitt 5.1.2), Untersuchung des ILZ in DWS (Abschnitt 5.2), Prognose zukünftiger Zugriffe (Abschnitt 5.3.2), Abbildung von Expertenwissen (Abschnitt 5.3.3) und Anwendung von Data-Mining-Verfahren des überwachten Lernens (Abschnitt 5.3.4).
138.
Vgl. Rennenkampff /IT-Agilität/
139.
Vgl. Abschnitt 2.2
140.
Darüber hinaus wurden einige, weitere Kriterien im Laufe der Erstellung dieser Arbeit hinsichtlich der Eignung zur Datenklassifizierung untersucht. Da für diese keine Eignung nachgewiesen wurde, wird auf eine Darstellung verzichtet.
141.
Da solche abgeleiteten Kriterien potenziell redundant sind, werden sie im Rahmen der Folgeabschnitte auf Scheinkorrelationen untersucht und solange hier als Kandidaten für Kriterien geführt.
142.
Vgl. Bauer, Günzel /DWS/
143.
Vgl. Bhagwan et al. /Management/, Chandra, Gehani, Yu /Storage Reclamation/, Glazer /Measuring/, Zadok et al. /Reducing/
144.
Vgl. Kapitel 2.
145.
Vgl. Santry et al. /Deciding/, Zadok et al. /Reducing/
146.
Vgl. Heinrich, Stelzer /Informationsmanagement/ 525–536.
147.
Das betrifft die Kriterien ‘Analyserelevanz’, ‘ETL-Relevanz’, ‘Relevanz für Datenextraktion‘ und ‚Relevanz für Historisierung‘
148.
Vgl. Heinrich, Stelzer /Informationsmanagement/ 538–541.
149.
Diese wurden aus dem zu Beginn des Kapitels genannten allgemeinen Pool an 43 Kandidaten für Kriterien gebildet, der noch nicht auf den DWS-Kontext übertragen wurde. Es sei darauf hingewiesen, dass sich diese Übereinstimmung nicht zwingend hätte ergeben müssen, da sowohl mehrere Kriterien des noch nicht auf den DWS-Kontext übertragenen Kandidatenpools zu einem Kandidaten zusammengefasst (wie Objekttyp) als auch mehrere Kandidaten für Klassifizierungskriterien aus einem Kriterium entwickelt wurden (wie eingehende, ausgehende und Summe Verbindungen).
150.
Vgl. Heinrich, Stelzer /Informationsmanagement/
151.
Vgl. Chen /Information valuation/ 135, Abd-El-Malek et al. /Ursa Minor/ 62.
152.
Vgl. Matthesius, Stelzer /Informationsbewertung/, Kosler, Matthesius, Stelzer /Klassifizierung/, Turczyk /Wertzuweisung/, Chen /Information valuation/
153.
Vgl. Turczyk /Wertzuweisung/
154.
Vgl. Ellard et al. /Prediction/, Wijnhoven, Amrit, Dietz /Retention/
155.
Zum Vorgehen vgl. Mehrwald /DW/
156.
Vgl. Bechmann, Hartlik /Bewertung/ 55.
157.
Auf eine Darstellung wird hier verzichtet.
158.
Neben den genannten neun kardinal skalierten Merkmalen beinhaltet dies auch ‚Objekttyp‘, ‚Ebene‘ und ‚Zugriffshäufigkeit‘.
159.
Vgl. Abschnitt 4.2
160.
Vgl. Abschnitt 4.2
161.
Vgl. Abschnitt 5.1.2
162.
Vgl. Tabelle A-2 (Anhang 2) im elektronischen Zusatzmaterial.
163.
Dies wird durch die ILM-Literatur gestützt, da dort eine entsprechende Berücksichtigung des Anwender- und Administratorenwissens gefordert wird – vgl. Abschnitt 4.2
164.
Vgl. Wijnhoven, Amrit, Bax /Applicability/
165.
Vgl. Abschnitt 5.1
166.
In Abschnitt 5.1 ist ebenfalls dargestellt, welche Anforderungen an Experten gestellt wurden, also welche Eigenschaften einen Befragten als Experten qualifizieren.
167.
Die zusätzliche Ebene ‚In-Memory‘ wurde im Rahmen des Erstellungsprozesses dieser Arbeit als relevante ILM-Klasse identifiziert und wird in den meisten ILM-Publikationen – vgl. Abschnitt 3.2 – nicht genannt. Da die Experten mit der Skala ‚online‘, ‚nearline‘, ‚offline‘ und ‚löschen‘ als State-of-the-art vertraut waren, wurde die Experteneinschätzung zunächst ohne die ILM-Klasse ‚In-Memory‘ erhoben.
168.
Vgl. Chawla /Data Mining/ 875.
169.
Neben zehn kardinal skalierten Merkmalen – acht relevant bezogen auf alle Datenobjekte und zwei weitere bezogen auf zwei Subsets – beinhaltet dies auch ‚Objekttyp‘, ‚Ebene‘ und ‚Zugriffshäufigkeit‘
170.
Vgl. Ellard et al. /Prediction/, Dietz /Impact/, Mesnier et al. /classification/
171.
Vgl. Ellard et al. /Prediction/, Dietz /Impact/, Mesnier et al. /classification/
172.
Vgl. Cabena /Data Mining/ 10, Fayyad, Piatetsky-Shapiro, Smyth /Data Mining/ 41.
173.
Vgl. Dietz /Impact/
174.
Vgl. Cleve, Lämmel /Data Mining/ 13, Han, Kamber /Data Mining/ 5.
175.
Vgl. Bissantz, Hagedorn /Data Mining/, Cleve, Lämmel /Data Mining/ 55, Han, Kamber /Data Mining/ 24.
176.
Vgl. Bissantz, Hagedorn /Data Mining/
177.
Für die Inhalte dieses Abschnittes vgl. Büsch, Nissen, Wünscher /Klassifizierung/
178.
Vgl. Fayyad, Piatetsky-Shapiro, Smyth /Data Mining/ 41.
179.
Vgl. Witten et al. /Data Mining/ 65.
180.
Vgl. Anforderung der Verallgemeinerbarkeit aus Abschnitt 5.3.1; so ist bspw. der Name eines Nutzers („Hr. Meier“) nicht verallgemeinerbar, während sein Nutzertyp („Farmer“) auf andere Systeme übertragbar und dort sinnvoll verwendbar ist.
181.
Vgl. Cleve, Lämmel /Data Mining/ 219, Breiing, Knosala /Bewerten/ 44, Bock /Klassifikation/ 37.
182.
Vgl. Han, Kamber /Data Mining/ 113.
183.
Vgl. Tabelle 5.12.
184.
Nähere Informationen unter http://www.cs.waikato.ac.nz/ml/weka/
185.
Vgl. Kotsiantis, Zaharakis, Pintelas /Machine learning/, Wald, Khoshgoftaar, Napolitano /Importance/, So-In et al. /Evaluation/
186.
Vgl. Fußnote 167.
187.
Vgl. Cleve, Lämmel /Data Mining/ 55.
188.
Vgl. Webster, Watson /Literature Review/
189.
Vgl. Cleve, Lämmel /Data Mining/ 212.
190.
Vgl. Chizi, Maimon /Reduction/ 84.
191.
Vgl. Durand, Atkison /Projection/ 288, Kezih, Taibi /Evaluation/ 207, Nancy, Ramani /Comparison/ 49, Ramani, Kumar, Jacob /Software/ 2.
192.
Es wird auf die angegebene Literatur verwiesen: Liu, Motoda /Selection/ 33–35; für Filter und Wrapper, z. B. auch GreedyStepwise und BestFirst: Wald, Khoshgoftaar, Napolitano /Selection/ 417; für Ranking-Based Verfahren, darunter z. B. Gain Ratio und Chi-Squared (Wald, Khoshgoftaar, Napolitano /Selection/ 417), Information Gain (Quinlan /C4.5/), Relief (Kira, Rendell /Approach/, Chizi, Maimon /Reduction/ 90 f., Kononenko /Attributes/ 173).
193.
Vgl. Khoshgoftaar, Gao, van Hulse /Selection/, Nguyen, La Torre /Selection/
194.
Vgl. Wald, Khoshgoftaar, Napolitano /Learners/
195.
Vgl. Wald, Khoshgoftaar, Napolitano /Learners/
196.
In Bezug auf die Datentypen konnte dabei kein spezifischer Einfluss auf die Verwendung in den Wrapping-Verfahren beobachtet werden. Das Attributset bestand sowohl vor als auch nach Anwendung der Attributreduktion aus verschiedenen Datentypen, z. B. ordinalen, kardinalen oder booleschen Attributen. Es wurde kein bestimmter Datentyp durch einen Wrapper ausgefiltert oder bevorzugt.
197.
Vgl. Olson, Delen /Data Mining/
198.
Vgl. Dietz /Impact/, So-In et al. /Evaluation/, Jantan, Hamdan, Othman /knowledge/, Kotsiantis /Machine Learning/, Wald, Khoshgoftaar, Napolitano /Learners/
199.
Vgl. Olson, Delen /Data Mining/ 143.
200.
Für das SVM- und Entscheidungsbaumverfahren wird der Datensatz RELIEFTOP20 weiterverfolgt, das Verfahren MLP wird mit dem Datensatz MLP-Wrapping weiter untersucht.
201.
Vgl. Abschnitt 5.3.1; zur Berechnung dieses Wertes vgl. Heinrich, Stelzer /Informationsmanagement/ 538–541.
202.
Vgl. Tabelle A-25 im elektronischen Zusatzmaterial; das Kriterium Ebene nach Ossmann wird im Anhang 8 im elektronischen Zusatzmaterial erläutert.
203.
Vgl. Tabelle A-26 im elektronischen Zusatzmaterial.
204.
Vgl. Tabelle A-28 im elektronischen Zusatzmaterial.
205.
Vgl. Tabelle A-29 im elektronischen Zusatzmaterial.
206.
Vgl. Tabelle A-30 im elektronischen Zusatzmaterial.
207.
Vgl. Tabelle A-31 im elektronischen Zusatzmaterial.
208.
Vgl. Tabelle A-32 im elektronischen Zusatzmaterial.
209.
Vgl. zur Berechnung des Zugriffswertes Heinrich, Stelzer /Informationsmanagement/ 538–541.
210.
Dies kann in den folgenden drei Fällen auftreten: (1), wenn ein Objekt zwar Daten empfängt, aber diese Daten weder fortschreibt noch zur Analyse bereitstellt (2), wenn ein Objekt Daten in ein anderes Objekt fortschreibt und Abfragen vorliegen, das Objekt aber selbst keine Daten empfängt (3), wenn ein Objekt keine Verbindungen zu anderen Objekten besitzt.
211.
Vgl. Mesnier et al. /classification/
212.
Vgl. Tabelle 5.19.
213.
Vgl. Abschnitt 5.2
214.
In Anlehnung an Breiing, Knosala /Bewerten/ 6.
215.
Vgl. Breiing, Knosala /Bewerten/ 5, Adunka /Bewertungsprozess/ 7.
216.
Dies ist im Rahmen dieser Arbeit in den Abschnitten 5.2 und 5.3 erfolgt.
217.
Vgl. Abschnitt 5.3.4
218.
Vgl. Bock /Klassifikation/ 81 ff.
219.
Vgl. Bock /Klassifikation/ 105.
220.
Vgl. Hartung, Elpelt, Klösener /Statistik/ 26.
221.
Vgl. Abschnitt 5.3.2
222.
Vgl. Abschnitt 5.3.3
223.
Vgl. Abschnitt 5.2
224.
Vgl. Abschnitt 5.3.4
225.
Vgl. Tabelle 5.22.
226.
Zur Abgrenzung siehe Anhang 8 im elektronischen Zusatzmaterial. Auch hier wurden beide sehr ähnliche Kriterien zu Beginn der Untersuchungen berücksichtigt, da eine Auswahl durch die durchgeführten Teiluntersuchungen erfolgen sollte.
227.
Vgl. Tabelle A-10 im Anhang 8 im elektronischen Zusatzmaterial.
228.
Alle Werte werden im Folgenden gerundet auf drei Stellen nach dem Komma angegeben.
229.
Vgl. Kosler, Matthesius, Stelzer /Klassifizierung/
230.
Vgl. Abschnitt 4.2
231.
Vgl. Matthesius, Stelzer /Informationsbewertung/
232.
Die Summe von 27 Kriterien ergibt sich aus 18 Kriterien für die Wertzuweisung, 7 Kriterien für die Bestimmung der ILZ-Phase, von denen bereits drei in den zuvor genannten 18 Kriterien enthalten sind, den Kriterien ILZ-Typ, ILZ-Phase und Zugriffszeitpunkt, die mittelbar in das Verfahren einfließen sowie Anzahl Berichte und Größe, die im Rahmen der Untersuchung des ILZ als Eigenschaften der ILZ-Typen herangezogen werden.
233.
Vgl. Abschnitt 2.2
234.
Vgl. Abschnitt 5.1
235.
Das Maximum meint hier aus der Reihenfolge ‚In-Memory‘ > ‚online‘ > ‚nearline‘ > ‚offline‘ > ‚löschen‘.

Author information

Authors and Affiliations

Fachgebiet Wirtschaftsinformatik, Technische Universität Ilmenau, Ilmenau, Deutschland
Sebastian Büsch

Authors

Sebastian Büsch
View author publications
You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Sebastian Büsch .

5.1 Elektronisches Zusatzmaterial

Zusatzmaterial 1 (PDF 4.82 mb)

Rights and permissions

Reprints and permissions

Copyright information

About this chapter

Cite this chapter

Büsch, S. (2023). Entwicklung des Verfahrens zur Datenspeicherung in Data-Warehouse-Systemen auf Basis des Information-Lifecycle-Managements. In: Entwicklung und Evaluation eines Verfahrens zur Datenspeicherung in Data-Warehouse-Systemen auf Basis des Information Lifecycle Managements. Forschung zur Digitalisierung der Wirtschaft | Advanced Studies in Business Digitization . Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-40304-1_5

Download citation

DOI: https://doi.org/10.1007/978-3-658-40304-1_5
Published: 28 January 2023
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-40303-4
Online ISBN: 978-3-658-40304-1
eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics