{"id":4542,"date":"2022-06-21T19:08:11","date_gmt":"2022-06-22T03:08:11","guid":{"rendered":"https:\/\/www.gudusoft.com\/?p=4542"},"modified":"2022-06-21T19:19:42","modified_gmt":"2022-06-22T03:19:42","slug":"what-is-a-data-mart-data-warehouse","status":"publish","type":"post","link":"https:\/\/www.gudusoft.com\/de\/was-ist-ein-data-mart-data-warehouse\/","title":{"rendered":"Was ist ein Data Mart? | Data Mart vs. Data Warehouse"},"content":{"rendered":"<div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"background-color: rgba(255,255,255,0);background-position: center center;background-repeat: no-repeat;border-width: 0px 0px 0px 0px;border-color:#e8eaf0;border-style:solid;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start\" style=\"max-width:1310.4px;margin-left: calc(-4% \/ 2 );margin-right: calc(-4% \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\"><div class=\"fusion-column-wrapper fusion-flex-justify-content-flex-start fusion-content-layout-column\" style=\"background-position:left top;background-repeat:no-repeat;-webkit-background-size:cover;-moz-background-size:cover;-o-background-size:cover;background-size:cover;padding: 0px 0px 0px 0px;\"><div class=\"fusion-text fusion-text-1\" style=\"line-height:26px;\"><h2><strong>Was ist ein Data Mart?\u00a0<\/strong><\/h2>\n<p>A <strong><a href=\"https:\/\/www.dpriver.com\/blog\/2022\/06\/21\/what-is-a-data-mart\/\">Datamart<\/a><\/strong> ist ein Warehouse, das Daten aus Betriebsdaten und anderen Datenquellen sammelt und einer bestimmten Gruppe von Fachleuten dient. Die Daten werden aus einer unternehmensweiten Datenbank oder einer spezialisierteren Datenbank extrahiert. <a href=\"https:\/\/www.gudusoft.com\/de\/what-is-a-data-warehouse\/\"><strong>Data Warehouse<\/strong><\/a>Der Sinn eines Rechenzentrums liegt darin, die spezifischen Anforderungen professioneller Benutzergruppen hinsichtlich Analyse, Inhalt, Leistung und Benutzerfreundlichkeit zu erf\u00fcllen. Nutzer von Rechenzentren erwarten eine ihnen vertraute Darstellung der Daten.<\/p>\n<h3>Data Mart vs. Data Warehouse:<\/h3>\n<p>Ein Data Warehouse ist eine integrierte, themenorientierte Datensammlung zur Unterst\u00fctzung von Entscheidungsunterst\u00fctzungssystemen (DSS). Jede Dateneinheit ist in einem Data Warehouse einer bestimmten Zeit zugeordnet. Ein Data Warehouse, bestehend aus Daten auf atomarer Ebene und leicht aggregierten Daten, ist eine themenorientierte, integrierte, nicht aktualisierbare (stabile), zeitvariable Datensammlung zur Unterst\u00fctzung des Entscheidungsprozesses im Unternehmensmanagement.<\/p>\n<div id=\"attachment_4548\" style=\"width: 904px\" class=\"wp-caption aligncenter\"><img aria-describedby=\"caption-attachment-4548\" decoding=\"async\" class=\"size-full wp-image-4548\" src=\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse.png\" alt=\"Data Mart vs. Data Warehouse\" width=\"894\" height=\"404\" srcset=\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-200x90.png 200w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-300x136.png 300w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-400x181.png 400w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-600x271.png 600w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-768x347.png 768w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-800x362.png 800w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse.png 894w\" sizes=\"(max-width: 894px) 100vw, 894px\" \/><p id=\"caption-attachment-4548\" class=\"wp-caption-text\">Data Mart vs. Data Warehouse<\/p><\/div>\n<p>Der Data Mart ist eine Teilmenge des Data Warehouse auf Unternehmensebene, das haupts\u00e4chlich auf Abteilungsebene und nur auf ein bestimmtes Thema ausgerichtet ist. Um den Widerspruch zwischen Flexibilit\u00e4t und Leistung zu l\u00f6sen, ist ein Data Mart ein Data Warehouse auf Abteilungs- oder Arbeitsgruppenebene, das der Data-Warehouse-Architektur hinzugef\u00fcgt wird. Data Marts speichern vorkalkulierte Daten f\u00fcr bestimmte Benutzer, um deren Leistungsanforderungen zu erf\u00fcllen. Sie k\u00f6nnen den Engpass beim Zugriff auf Data Warehouses bis zu einem gewissen Grad lindern.<\/p>\n<h3>Data Mart-Eigenschaften:<\/h3>\n<ul>\n<li>klein in der Gr\u00f6\u00dfe;<\/li>\n<li>haben spezifische Anwendungen;<\/li>\n<li>abteilungsorientiert;<\/li>\n<li>von Gesch\u00e4ftseinheiten definiert, entworfen und entwickelt;<\/li>\n<li>von Gesch\u00e4ftseinheiten verwaltet und gewartet;<\/li>\n<li>kann schnell umgesetzt werden;<\/li>\n<li>g\u00fcnstiger in der Anschaffung;<\/li>\n<li>schnelle Erholung der Investitionen;<\/li>\n<li>enge Integration von Toolsets;<\/li>\n<li>bietet eine detailliertere, bereits vorhandene, zusammenfassende Teilmenge des Data Warehouse;<\/li>\n<li>aufr\u00fcstbar auf ein vollst\u00e4ndiges Data Warehouse;<\/li>\n<\/ul>\n<h3>Die Datenstruktur eines Data Mart:<\/h3>\n<p>Die Datenstruktur eines Data Marts wird oft als Stern- oder Schneeflockenstruktur beschrieben. Eine Sternstruktur besteht aus zwei grundlegenden Teilen: einer Faktentabelle und verschiedenen unterst\u00fctzenden Dimensionstabellen.<\/p>\n<h4>1.F<span class=\"Y2IQFc\" lang=\"en\">act Tabelle<\/span><\/h4>\n<p>Die Faktentabelle beschreibt die dichtesten Daten im Data Mart. Bei einer Telefongesellschaft sind die f\u00fcr Anrufe verwendeten Daten typischerweise am dichtesten. Bei Banken sind Daten im Zusammenhang mit Abstimmungen und Geldautomaten typischerweise am umfangreichsten. Im Einzelhandel sind Verkaufs- und Bestandsdaten am dichtesten usw.<\/p>\n<p>Eine Faktentabelle ist eine Kombination aus mehreren Arten von Daten, die bereits miteinander verkn\u00fcpft sind. Dazu geh\u00f6ren: ein Prim\u00e4rschl\u00fcssel der Entit\u00e4t, der den Zweck der Faktentabelle widerspiegelt, z. B. eine Bestellung, ein Verkauf, ein Telefonanruf usw., Prim\u00e4rschl\u00fcsselinformationen, Fremdschl\u00fcssel, die die Faktentabelle mit der Dimensionstabelle verbinden, und externe Nicht-Schl\u00fcsseldaten, die von den Fremdschl\u00fcsseln \u00fcbertragen werden.<\/p>\n<p>Wenn diese nicht-Schl\u00fcsseldaten h\u00e4ufig f\u00fcr <strong><a href=\"https:\/\/www.gudusoft.com\/de\/datenanalysten-fahigkeiten\/\">Datenanalyse<\/a><\/strong> in the fact table, it is included in the scope of the fact table. Fact tables are highly indexed. It is very common to have 30 to 40 indexes on a fact table. Sometimes each column of the fact table is indexed, and the result is that the data in the fact table is very easy to read. However, the number of resources required to import the index must factor into the equation. Normally, fact table data cannot be changed, but data can be entered, and once a record is entered correctly, nothing can be changed for that record.<\/p>\n<h4>2. Dimensionstabelle<\/h4>\n<p>Dimensionstabellen basieren auf Faktentabellen. Die Dimensionstabelle enth\u00e4lt nicht-intensive Daten, die \u00fcber einen Fremdschl\u00fcssel mit der Faktentabelle verkn\u00fcpft sind. Typische Dimensionstabellen basieren auf Data Marts, beispielsweise Produktkatalogen, Kundenlisten, Lieferantenlisten usw.<\/p>\n<p>Die Daten im Data Mart stammen aus dem Enterprise Data Warehouse. Alle Daten, mit einer Ausnahme, sollten ein Enterprise Data Warehouse durchlaufen, bevor sie in einen Data Mart importiert werden. Eine Ausnahme bilden die spezifischen Daten des Data Mart, die nicht an anderer Stelle im Data Warehouse verwendet werden k\u00f6nnen. Externe Daten fallen in der Regel in diese Kategorie. Ist dies nicht der Fall und werden die Daten an anderer Stelle im Entscheidungsunterst\u00fctzungssystem verwendet, m\u00fcssen sie das Enterprise Data Warehouse durchlaufen.<\/p>\n<p>Data Marts enthalten normalerweise zwei Arten von Daten: <strong>detaillierte Daten<\/strong> Und <strong>aggregierte Daten<\/strong>.<\/p>\n<h4>1. Detaillierte Daten<\/h4>\n<p>Wie bereits beschrieben, sind die detaillierten Daten im Data Mart in einer Sternstruktur enthalten. Erw\u00e4hnenswert ist, dass das Sternschema beim Durchlaufen des Enterprise Data Warehouse gut aggregiert ist. In diesem Fall enth\u00e4lt das Enterprise Data Warehouse die notwendigen Basisdaten, w\u00e4hrend der Data Mart die Daten mit h\u00f6herer Intervallgr\u00f6\u00dfe enth\u00e4lt. F\u00fcr Data-Mart-Nutzer sind die sternstrukturierten Daten jedoch genauso detailliert wie zum Zeitpunkt ihrer Erfassung.<\/p>\n<h4>2. Aggregierte Daten<\/h4>\n<p>Der zweite Datentyp, den ein Data Mart enth\u00e4lt, sind aggregierte Daten. Analysten erstellen typischerweise verschiedene aggregierte Daten aus Daten in einem Sternschema. Ein typischer Rollup k\u00f6nnte beispielsweise der monatliche Gesamtumsatz der Vertriebsgebiete sein. Da sich die Aggregationsbasis st\u00e4ndig weiterentwickelt, befinden sich historische Daten im Data Mart. Der Vorteil dieser historischen Daten liegt jedoch im Grad der Generalisierung, den sie speichern. Im Sternschema werden nur sehr wenige historische Daten gespeichert.<\/p>\n<p>Data Marts werden basierend auf Enterprise Data Warehouses aktualisiert. Es ist nicht ungew\u00f6hnlich, dass sie etwa einmal pro Woche aktualisiert werden. Die Aktualisierungszeit des Data Marts kann jedoch weniger als eine Woche oder mehr als eine Woche betragen, was haupts\u00e4chlich von den Anforderungen der Abteilung abh\u00e4ngt, zu der der Data Mart geh\u00f6rt.<\/p>\n<h3>Data-Mart-Typen:<\/h3>\n<h4>1. Unabh\u00e4ngig<\/h4>\n<p>Die Daten des unabh\u00e4ngigen Data Marts stammen aus der operativen Datenbank, einer analytischen Umgebung, die speziell auf die Bed\u00fcrfnisse spezieller Benutzer zugeschnitten ist. Der Entwicklungszyklus eines solchen Data Marts ist in der Regel kurz und flexibel. Da er jedoch vom Data Warehouse getrennt ist, kann es bei einem unabh\u00e4ngigen Data Mart zu Informationsinseln kommen, sodass die Daten nicht aus einer globalen Perspektive analysiert werden k\u00f6nnen.<\/p>\n<h4>2. Untergebener<\/h4>\n<p>Die Daten des untergeordneten Data Mart stammen aus dem Data Warehouse des Unternehmens, was den Entwicklungszyklus verl\u00e4ngern wird, aber der untergeordnete Data Mart ist in der Architektur stabiler als der unabh\u00e4ngige Data Mart, was die <strong><a href=\"https:\/\/www.gudusoft.com\/de\/so-verbessern-sie-die-datenqualitat\/\">Qualit\u00e4t der Daten<\/a><\/strong> Analyse und Sicherstellung der Datenkonsistenz.<\/p>\n<h3>Vorteile von Data Mart:<\/h3>\n<ul>\n<li>Es ist eine der kosteng\u00fcnstigsten Alternativen f\u00fcr Data Warehouses, in denen Sie nur eine kleine Teilmenge der Daten verarbeiten m\u00fcssen.<\/li>\n<li>Durch die Trennung von Daten und Quellen werden Data Marts effizienter, da eine bestimmte Gruppe von Personen an Daten aus einer bestimmten Quelle arbeiten kann, anstatt dass jeder das Data Warehouse verwendet.<\/li>\n<li>Wenn wir wissen, auf welche Teilmenge wir zugreifen m\u00fcssen, k\u00f6nnen wir mithilfe von Data Marts schneller auf die Daten zugreifen.<\/li>\n<li>Einfacher zu verwenden, sodass Endbenutzer problemlos Abfragen durchf\u00fchren k\u00f6nnen.<\/li>\n<li>Da die Daten in Gruppen aufgeteilt sind, dauert die Eingabe in den Data Mart zur Implementierungszeit weniger Zeit als in ein Data Warehouse.<\/li>\n<li>Historische Daten zu bestimmten Themen k\u00f6nnen f\u00fcr eine einfache Trendanalyse verwendet werden.<\/li>\n<\/ul>\n<h3>Schritte zur Implementierung eines Data Mart:<\/h3>\n<h4>Schritt 1. Entwerfen:<\/h4>\n<p>Dies ist der erste Implementierungsschritt, in dem alle Aufgaben und Quellen identifiziert werden, die zur Erfassung technischer und gesch\u00e4ftlicher Informationen erforderlich sind. Sp\u00e4ter wird ein logischer Plan implementiert, der nach \u00dcberpr\u00fcfung in einen physischen Plan umgewandelt wird. Au\u00dferdem wird hier die logische und physische Struktur der Daten festgelegt, z. B. die Partitionierung der Daten und der Felder (z. B. Datums- oder andere Dateiformate).<\/p>\n<h4>Schritt 2. Konstruktion:<\/h4>\n<p>Dies ist die zweite Phase der Implementierung. Die Generierung der physischen Datenbank mithilfe des RDBMS wird im Rahmen des Entwurfsprozesses und der logischen Struktur festgelegt. Erstellen Sie alle Objekte wie Schemata, Indizes, Tabellen, Ansichten usw.<\/p>\n<h4><strong>Schritt 3. Auff\u00fcllen:<\/strong><\/h4>\n<p>Dies ist die dritte Phase, in der Sie die Daten beim Abrufen auff\u00fcllen. Alle erforderlichen Transformationen werden vor dem Auff\u00fcllen der Daten durchgef\u00fchrt.<\/p>\n<h4><strong>Schritt 4. Zugriff:\u00a0<\/strong><\/h4>\n<p>Dies ist der n\u00e4chste Schritt der Implementierung. Wir verwenden die ausgef\u00fcllten Daten f\u00fcr die Abfrage zur Erstellung eines Berichts. Endbenutzer nutzen diesen Schritt, um die Daten mithilfe der Abfrage zu verstehen.<\/p>\n<h4>Schritt 5. Verwalten:<\/h4>\n<p>Dies ist die letzte Phase der Data-Mart-Implementierung, in der Aufgaben wie Zugriffsverwaltung, Systemoptimierung und -abstimmung, Verwaltung und Hinzuf\u00fcgen neuer Daten zum Data Mart sowie Planung von Wiederherstellungsszenarien zur Bew\u00e4ltigung etwaiger Fehlerszenarien behandelt werden.<\/p>\n<h3>Abschluss<\/h3>\n<p>Vielen Dank f\u00fcr das Lesen unseres Artikels. Wir hoffen, er hat Ihnen gefallen. Wenn Sie mehr erfahren m\u00f6chten \u00fcber <strong><a href=\"https:\/\/www.gudusoft.com\/de\/category\/data-governance-101\/\">Datenverwaltung<\/a><\/strong>, empfehlen wir Ihnen einen Besuch <strong><a href=\"https:\/\/www.gudusoft.com\/de\/\">Gudu SQLFlow<\/a><\/strong> f\u00fcr weitere Informationen.<\/p>\n<p>Als einer der\u00a0<strong><a href=\"https:\/\/www.dpriver.com\/blog\/2022\/05\/11\/best-data-lineage-tools\/\" target=\"_blank\" rel=\"noopener noreferrer\">die besten Datenherkunftstools<\/a><\/strong>\u00a0Gudu SQLFlow ist heute auf dem Markt erh\u00e4ltlich und kann nicht nur SQL-Skriptdateien analysieren, <strong><a href=\"https:\/\/www.gudusoft.com\/de\/whats-data-lineage-why-important\/\">Datenherkunft<\/a><\/strong>, und f\u00fchren Sie eine visuelle Anzeige durch, erm\u00f6glichen Sie Benutzern aber auch, die Datenherkunft im CSV-Format bereitzustellen und eine visuelle Anzeige durchzuf\u00fchren.\u00a0<strong>(Ver\u00f6ffentlicht von Ryan am 22. Juni 2022)<\/strong><\/p>\n<\/div><\/div><\/div><style type=\"text\/css\">.fusion-body .fusion-builder-column-0{width:100% !important;margin-top : 0px;margin-bottom : 0px;}.fusion-builder-column-0 > .fusion-column-wrapper {padding-top : 0px !important;padding-right : 0px !important;margin-right : 1.92%;padding-bottom : 0px !important;padding-left : 0px !important;margin-left : 1.92%;}@media only screen and (max-width:1024px) {.fusion-body .fusion-builder-column-0{width:100% !important;}.fusion-builder-column-0 > .fusion-column-wrapper {margin-right : 1.92%;margin-left : 1.92%;}}@media only screen and (max-width:640px) {.fusion-body .fusion-builder-column-0{width:100% !important;}.fusion-builder-column-0 > .fusion-column-wrapper {margin-right : 1.92%;margin-left : 1.92%;}}<\/style><\/div><style type=\"text\/css\">.fusion-body .fusion-flex-container.fusion-builder-row-1{ padding-top : 0px;margin-top : 0px;padding-right : 0px;padding-bottom : 0px;margin-bottom : 0px;padding-left : 0px;}<\/style><\/div>","protected":false},"excerpt":{"rendered":"","protected":false},"author":27,"featured_media":4573,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[178],"tags":[193,187,191,188,190,189,157,192],"_links":{"self":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/posts\/4542"}],"collection":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/users\/27"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/comments?post=4542"}],"version-history":[{"count":29,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/posts\/4542\/revisions"}],"predecessor-version":[{"id":4574,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/posts\/4542\/revisions\/4574"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/media\/4573"}],"wp:attachment":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/media?parent=4542"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/categories?post=4542"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/tags?post=4542"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}