Ein Data Warehouse (deutsch: Datenlager) ist ein zentrales, für Analysezwecke optimiertes Datenbanksystem. Es sammelt Daten aus vielen Quellsystemen, bereitet sie einheitlich auf und stellt sie für Berichte, Dashboards und Data-Mining bereit. Im Gegensatz zu operativen Datenbanken ist es auf schnelle Lesezugriffe über große historische Datenmengen ausgelegt.
\nSchema-on-Write: Struktur vor dem Laden
\nBeim klassischen Data Warehouse gilt das Prinzip Schema-on-Write: Die Datenstruktur wird festgelegt, bevor die Daten geladen werden. Das erfordert eine sorgfältige Modellierung, garantiert dafür aber konsistente, saubere Daten. Die beiden bekanntesten Modellierungsansätze sind Inmon und Kimball: Bill Inmon propagiert ein unternehmensweites, normalisiertes Kernmodell (Top-down), Ralph Kimball dagegen einen Bottom-up-Ansatz mit sogenannten Star-Schemata — zentralen Faktentabellen mit umgebenden Dimensionstabellen — und fachlichen Datensätzen (Data Marts).
\nAufbau und Abgrenzung
\nDie Befüllung erfolgt typischerweise über ETL-Prozesse: Die Daten werden aus Quellsystemen extrahiert, transformiert und in das Warehouse geladen. Auswertungen laufen meist über OLAP-Würfel, die mehrdimensionale Sichtweisen (Zeit, Region, Produkt) erlauben. Der direkte Gegenentwurf ist der Data Lake, der Rohdaten ohne festes Schema speichert. Ein Data Warehouse eignet sich vor allem dann, wenn fest definierte Berichte und hohe Datenqualität gefragt sind.
\nPraxis
\n- \n
- Typische Vertreter: Snowflake, Google BigQuery, Amazon Redshift, klassische SQL-Datenbanken mit Star-Schema \n
- Grundlage für Big Data-Analysen und Business Intelligence \n
- Datenqualität und Normalisierung sind entscheidend für die Verlässlichkeit \n