Angesichts des prognostizierten Anstiegs der weltweiten Datenmenge auf 180 Zettabyte bis zum Jahr 2025 müssen sich die Unternehmen mit zwei wichtigen Fragen auseinandersetzen - wo sie ihre Daten speichern und wie sie sie nutzen können. Data Warehouses, die seit den 1980er Jahren eingesetzt werden und deren Funktionalität ständig erweitert wird, können bei der Bewältigung dieser beiden Herausforderungen helfen. Ungeachtet der Ausgereiftheit der Technologie und der Tatsache, dass Data Warehouses in der Regel von Experten entwickelt werden, ist der Prozentsatz der gescheiterten Projekte jedoch beunruhigend, so die Untersuchung des unabhängigen Marktforschungsunternehmens Vanson Bourne.
In diesem Artikel gehen wir auf die Details der Data-Warehouse-Implementierung ein, indem wir die beiden grundlegenden Ansätze für das Data-Warehouse-Design und die Data-Warehouse-Entwicklungsschritte skizzieren. Außerdem geben wir Ratschläge für eine geeignete Teamzusammensetzung für Data-Warehousing-Beratungsdienste und empfehlen Technologien zur Erstellung einer skalierbaren Lösung.
Was ist ein Data Warehouse und warum sollte man eines aufbauen?
Ein Data Warehouse ist ein System, das Unternehmensinformationen aus verschiedenen Quellen in einer Form konsolidiert und speichert, die für analytische Abfragen und Berichte geeignet ist, um Business Intelligence- und Datenanalyse-Initiativen zu unterstützen. Die erfolgreiche Implementierung eines solchen Datenspeichers verspricht zahlreiche Vorteile, darunter:
- Faktenbasierte Entscheidungen, die in kürzester Zeit getroffen werden können, da die Endbenutzer mühelos auf die historischen Informationen eines Unternehmens sowie auf aktuelle Informationen aus verschiedenen heterogenen Systemen zugreifen und mit ihnen arbeiten können.
- Entscheidungsfindung auf der Grundlage qualitativ hochwertiger Informationen, denn bevor die Daten in ein Data Warehouse gelangen, durchlaufen sie umfassende Bereinigungs- und Umwandlungsprozesse. Darüber hinaus werden viele Datenverwaltungsaktivitäten automatisiert, was dazu beiträgt, die fehleranfällige manuelle Datenaggregation zu eliminieren.
- Wenn ein Data Warehouse mit Self-Service-BI-Lösungen wie Power BI oder Tableau integriert ist, wird die Datenkultur im gesamten Unternehmen auf natürliche Weise übernommen.
- Durch den einheitlichen Ansatz der Data Governance, der unter anderem eine solide Definition und Verwaltung von Datensicherheitsrichtlinien beinhaltet, wird das Risiko von Datenverletzungen und -lecks minimiert.
3 Kernkomponenten einer Data-Warehouse-Architektur
Wenn Sie die Architektur Ihres zukünftigen Data Warehouse erstellen, müssen Sie mehrere Faktoren berücksichtigen, wie z.B. die Anzahl der Datenquellen, die mit dem Data Warehouse verbunden werden sollen, die Menge der Informationen in jeder dieser Quellen zusammen mit ihrer Art und Komplexität, Ihre Analyseziele, die bestehende Technologieumgebung usw. Die Behauptung, dass jede Architektur in ihrer Art einzigartig ist, wäre jedoch falsch, da praktisch jede von ihnen die folgenden drei Komponenten aufweist:
- Quellensysteme - operative Datenbanken, die Transaktionen erfassen, IoT-Geräte, die Sensordaten streamen, SaaS-Anwendungen, externe Datenquellen usw.
- Daten-Staging-Bereich - eine Zone, die vorübergehend kopierte Daten und eine Reihe von Prozessen beherbergt, die Ihnen helfen, die Daten vor dem Laden in ein Data Warehouse zu bereinigen und nach den vom Unternehmen festgelegten Regeln umzuwandeln. Mit einem Staging-Bereich verfügen Sie über einen historischen Datensatz der ursprünglichen Daten, auf den Sie sich verlassen können, falls ein ETL-Auftrag fehlschlägt. Sobald der ETL-Auftrag erfolgreich abgeschlossen ist, werden die Informationen aus dem Staging-Bereich normalerweise gelöscht. Sie können sie jedoch für einen bestimmten Zeitraum aus Gründen der Historie oder der Archivierung aufbewahren. Dieser Bereich kann entfallen, wenn alle Datentransformationen in der Data-Warehouse-Datenbank selbst stattfinden.
- Datenspeicher - eine Data-Warehouse-Datenbank für unternehmensweite Informationen und Data Marts (DWH-Teilmengen), die für bestimmte Abteilungen oder Geschäftszweige erstellt werden.
Neben diesen Elementen umfasst eine Data-Warehousing-Lösung für Unternehmen auch eine Data-Governance- und Metadaten-Management-Komponente. Die erweiterte Data-Warehouse-Umgebung kann auch OLAP-Würfel (multidimensionale Datenstrukturen, in denen aggregierte Daten gespeichert werden, um interaktive Abfragen zu ermöglichen) und eine Datenzugriffsschicht (Tools und Anwendungen für Endbenutzer, die auf die gespeicherten Informationen zugreifen und sie bearbeiten können) umfassen. Diese Elemente sind jedoch Teil eines größeren Ökosystems - einer BI-Architektur, so dass wir sie hier nicht näher betrachten werden.
Aufbau eines hochleistungsfähigen Data Warehouse mit Itransition
Ansätze zum Aufbau eines Data Warehouse
Die beiden grundlegenden Entwurfsmethoden, die zum Aufbau eines Data Warehouse verwendet werden, sind der Ansatz von Inmon (Top-down) und der Ansatz von Kimball (Bottom-up).
Der Ansatz von Inmon
Im Rahmen des Inmon-Ansatzes wird zunächst ein zentrales Repository für Unternehmensinformationen nach einem normalisierten Datenmodell aufgebaut, in dem atomare Daten in Tabellen gespeichert werden, die mit Hilfe von Joins nach Themenbereichen gruppiert werden. Nachdem das Enterprise Data Warehouse aufgebaut ist, werden die dort gespeicherten Daten zur Strukturierung von Data Marts verwendet.
Der Ansatz von Inmon ist vor allem dann zu bevorzugen, wenn es darum geht:
- Eine einzige Quelle der Wahrheit erhalten und gleichzeitig die Konsistenz, Genauigkeit und Zuverlässigkeit der Daten sicherstellen
- Schnelle Entwicklung von Data Marts ohne doppelten Aufwand für die Extraktion von Daten aus Originalquellen, Bereinigung usw.
Einer der größten Nachteile dieser Methode ist jedoch, dass die Einrichtung und Implementierung im Vergleich zu Kimballs Ansatz zeit- und ressourcenaufwändiger ist.
Kimball's Ansatz
Kimballs Ansatz schlägt vor, dass zunächst dimensionale Data Marts erstellt werden sollten und dann, falls erforderlich, ein Unternehmen mit der Erstellung eines logischen Enterprise Data Warehouse fortfahren kann.
Die Befürworter dieses Ansatzes weisen darauf hin, dass solche Data-Warehouse-Projekte weniger Zeit und Ressourcen in Anspruch nehmen, da dimensionale Data Marts nur eine minimale Normalisierung erfordern. Andererseits kann es vorkommen, dass man doppelte Daten in Tabellen findet und ETL-Aktivitäten wiederholen muss, da jeder Data Mart unabhängig erstellt wird.
Auch wenn die beiden Ansätze auf den ersten Blick recht unterschiedlich erscheinen mögen, ergänzen sie sich doch gut, was die Entstehung alternativer Ansätze beweist, die die Prinzipien beider Designmethoden kombinieren.
Schrittweise Anleitung zum Aufbau eines Data Warehouse
Es ist gängige Praxis, eine Data-Warehouse-Initiative mit einer umfassenden Bereitschaftsbewertung zu beginnen. Bei der Bewertung der Bereitschaft für ein Data-Warehouse-Projekt sollten Faktoren wie folgende berücksichtigt werden:
- Vorhandensein starker geschäftlicher Sponsoren - einflussreiche Manager, die das Potenzial der Initiative erkennen und sie fördern können.
- Geschäftsmotivation - ob ein Data Warehouse zur Lösung eines kritischen Geschäftsproblems beitragen kann.
- Datenreife im Unternehmen - mit anderen Worten, ob die Endbenutzer die Bedeutung von Datengestützter Entscheidungsfindung, hoher Datenqualität usw. erkennen.
- Die Fähigkeit von IT-Spezialisten und Geschäftsanwendern, zusammenzuarbeiten.
- Die Machbarkeit der bestehenden technischen und datenbezogenen Umgebung.
Nachdem Sie die Bereitschaft für das Projekt beurteilt haben und hoffentlich damit zufrieden sind, müssen Sie einen Rahmen für die Projektplanung und -verwaltung entwickeln und dann schließlich zur Entwicklung des Data Warehouse übergehen, die mit der Definition Ihrer Geschäftsanforderungen beginnt.
1. Definition der Anforderungen des Unternehmens
Geschäftsanforderungen beeinflussen fast jede Entscheidung während des gesamten Data-Warehouse-Entwicklungsprozesses - von der Frage, welche Informationen verfügbar sein sollen, bis hin zur Frage, wie oft auf sie zugegriffen werden soll. Daher ist es sinnvoll, mit einer Befragung der Geschäftsanwender zu beginnen, um zu definieren:
- Gesamtziele des Unternehmens sowie Ziele einzelner Geschäftsbereiche, Abteilungen usw.
- Methoden und Messgrößen, die zur Erfolgsmessung verwendet werden
- Schlüsselprobleme, mit denen das Unternehmen konfrontiert ist
- Arten der routinemäßigen Datenanalyse, die das Unternehmen derzeit durchführt, einschließlich der Daten, die dafür verwendet werden, wie oft die Analyse stattfindet, welche potenziellen Verbesserungen sie gebracht hat usw.
Während der Befragung der Geschäftsanwender sollten Sie auch eine effektive Kommunikation mit Ihren wichtigsten IT-Spezialisten (Datenbankadministratoren, Experten für betriebliche Quellsysteme usw.) herstellen, um festzustellen, ob die derzeit verfügbaren Informationen ausreichen, um Geschäftsanforderungen wie die folgenden zu erfüllen:
- Betriebliche Schlüsselsysteme
- Häufigkeit der Datenaktualisierung
- Verfügbarkeit von historischen Daten
- Welche Verfahren werden eingesetzt, um die Bereitstellung von Informationen für die Geschäftsanwender zu gewährleisten
- Welche Tools werden für den Zugriff auf und die Analyse von Informationen verwendet
- Welche Arten von Erkenntnissen werden routinemäßig gewonnen
- Werden Ad-hoc-Anfragen nach Informationen gut bearbeitet usw.
2. die Konzeption des Data Warehouse und die Auswahl der Technologie
Die Erkenntnisse aus dem vorangegangenen Schritt dienen als Grundlage für die Definition des Umfangs der künftigen Lösung. Daher sollten die Bedürfnisse und Erwartungen der Geschäfts- und IT-Anwender sorgfältig analysiert und priorisiert werden, um das optimale Data-Warehouse-Funktionsset zu erstellen.
Danach müssen Sie den architektonischen Ansatz für den Aufbau einer Data-Warehousing-Lösung festlegen, die optimale Technologie für jede der architektonischen Komponenten bewerten und auswählen - Staging-Bereich, Speicherbereich usw. Berücksichtigen Sie bei der Ausarbeitung des Technologie-Stacks Faktoren wie:
- Ihr aktuelles technologisches Umfeld
- Geplante strategische technologische Ausrichtung
- Technische Kompetenzen der Mitglieder des internen IT-Teams
- Spezifische Anforderungen an die Datensicherheit, etc.
Zu diesem Zeitpunkt sollten Sie auch die Bereitstellungsoption festlegen - vor Ort, in der Cloud oder hybrid. Die Wahl der Bereitstellungsoption hängt von zahlreichen Faktoren ab, wie z. B. dem Datenvolumen, der Art der Daten, den Kosten, den Sicherheitsanforderungen, der Anzahl der Benutzer und deren Standort sowie der Systemverfügbarkeit und vielem mehr.
3. daten wGebäudeumfeldgestaltung
Vor und während des Entwurfs Ihres Data Warehouse müssen Sie Ihre Datenquellen definieren und die darin gespeicherten Informationen analysieren - welche Datentypen und -strukturen sind verfügbar, wie groß ist das Volumen der täglich, monatlich usw. generierten Informationen sowie deren Qualität, Empfindlichkeit und Aktualisierungshäufigkeit.
Der nächste Schritt ist die logische Datenmodellierung, d. h. die Einordnung der Unternehmensdaten in eine Reihe logischer Beziehungen, die als Entitäten (Objekte der realen Welt) und Attribute (Merkmale, die diese Objekte definieren) bezeichnet werden. Die Modellierung von Entitäten und Beziehungen wird in verschiedenen Modellierungstechniken verwendet, darunter ein normalisiertes Schema (ein Entwurfsansatz für relationale Datenbanken) und ein Sternschema (für die Dimensionsmodellierung).
Nächstens werden diese logischen Datenmodelle in Datenbankstrukturen umgewandelt, z. B. werden Entitäten in Tabellen umgewandelt, Attribute werden in Spalten übersetzt, Beziehungen werden in Fremdschlüssel-Beschränkungen umgewandelt und so weiter.
Nach Abschluss der Datenmodellierung ist der erste Schritt die Gestaltung des Data Staging-Bereichs, um das Data Warehouse von vornherein mit qualitativ hochwertigen aggregierten Daten zu versorgen und außerdem den Fluss der Quell- und Zieldaten bei allen nachfolgenden Datenladungen zu definieren und zu steuern.
Der Design-Schritt umfasst auch die Erstellung von Datenzugriffs- und -nutzungsrichtlinien, die Einrichtung des Metadatenkatalogs, Geschäftsglossare usw.
4. DDatenlagerentwicklung und Einführung
Dieser Schritt beginnt mit der Anpassung und Konfiguration der ausgewählten Technologien (DWH-Plattform, Datentransformationstechnologien, Datensicherheitssoftware usw.). Anschließend entwickelt das Unternehmen ETL-Pipelines und führt die Datensicherheit ein.
Nachdem alle wichtigen Komponenten eingeführt sind, müssen sie mit der bestehenden Dateninfrastruktur (Datenquellen, BI- und Analysesoftware, Data Lake usw.) sowie untereinander integriert werden, damit die Daten anschließend migriert werden können.
Vor dem endgültigen Roll-up müssen Sie sicherstellen, dass Ihre Endnutzer mit der neuen Technologieumgebung umgehen können, d. h. dass alle verstehen, welche Informationen verfügbar sind, was sie bedeuten, wie man auf sie zugreift und welche Tools zu verwenden sind. Maßgeschneiderte Schulungen für Standard- und Power-User sowie Support-Dokumentation werden dabei helfen. Darüber hinaus müssen Sie:
- Testen Sie die Leistung des Data Warehouse, ETL usw.
- Überprüfen Sie die Datenqualität (Lesbarkeit, Vollständigkeit, Sicherheit usw.)
- Sicherstellen, dass die Benutzer Zugang zum Data Warehouse haben, usw.
5. Unterstützung und Wartung nach der Markteinführung
Nach der anfänglichen Bereitstellung müssen Sie sich auf Ihre Geschäftsanwender konzentrieren und ihnen fortlaufend Unterstützung und Schulung bieten. Im Laufe der Zeit müssen die Leistungskennzahlen des Data Warehouse und die Zufriedenheit der Benutzer gemessen werden, um die langfristige Gesundheit und das Wachstum Ihres Data Warehouse zu gewährleisten.
Brauchen Sie einen zuverlässigen technischen Partner, um Ihr Data Warehouse-Projekt zum Leben zu erwecken?
Schlüsselrollen für ein Data-Warehouse-Projekt
Projektleiter
- Definiert den Umfang des Data-Warehouse-Projekts und dessen Ergebnisse.
- Umreißt den Projektplan, einschließlich Budgetschätzungen, Projektressourcen und Zeitrahmen.
- Verwaltet die täglichen Aufgaben und Aktivitäten des Data-Warehouse-Projekts (Koordinierung der Ressourcen, Verfolgung des Projektstatus, Projektfortschritt und Kommunikationsengpässe usw.)
Business-Analyst
- Identifiziert die Anforderungen der Geschäftsanwender und stellt sicher, dass sie dem technischen Team klar mitgeteilt werden.
- Führt Interviews durch und dokumentiert sie.
- Unterstützt Datenmodellierer und DBAs bei der Datenmodellierung, dem Datenmapping usw.
Datenmodellierer
- Der Modellierer führt eine detaillierte Datenanalyse durch.
- Entwirft die technische Gesamtarchitektur des Data Warehouse und der einzelnen Komponenten (Data Staging, Datenspeicherung, Datenmodelle usw.).
- Überwacht die Entwicklung und Implementierung der Architektur.
- Berät zu einem Technologie-Stack.
- Dokumentiert den Umfang der Gesamtlösung und ihrer Bestandteile.
Data-Warehouse-Datenbankadministrator (DBA)
- Übersetzt logische Modelle in physische Tabellenstrukturen.
- Sorgt für die operative Unterstützung der Datenbank, stimmt die Datenbankleistung ab, um die Verfügbarkeit und Integrität der Daten zu gewährleisten.
- Planung von Datensicherungen/Wiederherstellungsplänen usw.
ETL-Entwickler
- Planen, Entwickeln und Einrichten der Extraktions-, Transformations- und Ladepipelines.
Qualitätssicherungsingenieur
- Entwickelt eine Teststrategie, um das ordnungsgemäße Funktionieren eines Data Warehouses und die Datengenauigkeit sicherzustellen.
- Identifiziert potenzielle Fehler und sorgt für deren Behebung.
- Führt Tests mit der entwickelten DWH-Lösung durch.
Neben diesen Schlüsselrollen können auch andere Fachleute an dem Projekt beteiligt sein, z. B. ein Lösungsarchitekt, ein technischer Supportspezialist, ein DevOps-Ingenieur, ein Datenverwalter, ein Data-Warehouse-Trainer usw. Es ist erwähnenswert, dass einzelne Mitarbeiter manchmal mehrere Rollen wahrnehmen können.
3 führende Data-Warehouse-Technologien, die Sie berücksichtigen sollten
Die Verwendung einer ungeeigneten Technologie ist einer der Gründe für das Scheitern von Data-Warehouse-Projekten. Abgesehen davon, dass Sie Ihren Anwendungsfall richtig identifizieren müssen, müssen Sie auch die optimale Software aus den zahlreichen scheinbar ähnlichen Optionen auf dem Markt auswählen. Im Folgenden werden Data-Warehouse-Services und -Plattformen vorgestellt, die eine hohe Kundenzufriedenheit aufweisen, in verschiedenen Marktforschungsberichten hoch bewertet werden und die Grundsätze der Data-Warehouse-Modernisierung berücksichtigen. Die beschriebene Funktionalität ist jedoch nicht erschöpfend: Bei der Erstellung der Beschreibungen haben wir uns hauptsächlich auf die Datenintegrationsfunktionen, die integrierte Konnektivität mit Analyse- und Business-Intelligence-Diensten, die Zuverlässigkeit und die Datensicherheit konzentriert.
Amazon Redshift
- Bietet die Fähigkeit zu Verbundabfragen und integrierte Cloud-Datenintegration mit Amazon S3, um Daten jeder Art, jedes Formats und jeder Größe über operative Datenbanken und einen Data Lake hinweg abzufragen und zu analysieren.
- Ermöglicht die Aufnahme und Umwandlung von Daten in Streams und Batches, innerhalb und außerhalb der AWS-Services mit AWS Data Pipeline, AWS Data Migration Services, AWS Glue und AWS Kinesis Firehose.
- Bietet eine native Integration mit den AWS-Analyse-Services (AWS Lake Formation, Amazon EMR, Amazon QuickSight, Amazon SageMaker, usw.).
- Bietet integrierte Fehlertoleranz- und Notfallwiederherstellungsfunktionen (automatische Cluster-Snapshots, Snapshot-Replikationen, kontinuierliche Cluster-Überwachung und -Ersatz usw.).
- Sicherheit der Daten durch granulare Berechtigungen für Tabellen, mehrstufige Benutzerauthentifizierung, Datenverschlüsselung usw.
- Erfüllt die Compliance-Anforderungen für SOC1, SOC2, SOC3, PCI DSS Level 1, HIPAA, ISO 27001 usw.
- Ermöglicht die Entkopplung von Speicher- und Rechenressourcen.
Google BigQuery
- Bietet native Datenintegration mit mehr als 150 Datenquellen über Cloud Fusion
- Bietet Unterstützung für Multi-Cloud-Analysen (bereitgestellt von Google BigQuery (Omni)), um Daten über AWS und Azure (in Kürze) abzufragen, ohne Daten zu kopieren.
- Native Integration mit Looker und dem gesamten Google Cloud Analytics-Ökosystem.
- Gebühren für kalte und heiße Daten sowie für Speicher- und Rechenressourcen werden separat berechnet.
- Standardmäßig wird replizierter Speicher an mehreren Standorten kostenlos bereitgestellt.
- Bietet granulare Berechtigungen für Datensätze, Tabellen, Ansichten, mehrstufige Benutzerauthentifizierung, Datenverschlüsselung (standardmäßig) usw.
- Erfüllt die Konformitätsanforderungen für HIPAA, ISO 27001, PCI DSS, SOC1, SOC2, etc.
Azure Synapse Analytics
- Hat über 95+ native Konnektoren für lokale und Cloud-Datenquellen über Azure Data Factory.
- Bietet Unterstützung für natives HTAP über Azure Synapse Link.
- Unterstützt die Aufnahme und Verarbeitung von Big Data und Streaming-Daten mit der integrierten Apache Spark- und Azure Stream Analytics-Ereignisverarbeitungs-Engine.
- Native Integrationen mit Power BI, Azure Machine Learning, Azure Cognitive Services, Azure Data Lake Storage, etc.
- Ermöglicht die getrennte Skalierung von Speicher und Berechnungen.
- Bietet integrierte Fehlertoleranz und Disaster-Recovery-Funktionen (automatische Snapshots, Geo-Backup usw.).
- Standardfunktionen für die Datensicherheit (granulare Berechtigungen für Schemata, Tabellen, Ansichten, einzelne Spalten, Prozeduren usw., mehrstufige Benutzerauthentifizierung, Datenverschlüsselung usw.).
- Erfüllt die Konformitätsanforderungen für HIPAA, ISO 27001, PCI DSS, SOC1, SOC2, usw.
Tipps für den Erfolg Ihres DWH-Projekts
Setzen Sie auf agile DWH-Entwicklung
Data-Warehouse-Entwicklungsprojekte sind zeit- und ressourcenaufwändig. Die Wahl eines agilen Ansatzes, bei dem das Projekt in Iterationen mit inkrementellen Investitionen aufgeteilt wird, hilft Ihnen dabei, frühzeitig einen ROI zu erzielen, Risiken zu minimieren und hohe Vorabinvestitionen zu vermeiden.
Eine enge Zusammenarbeit zwischen IT und Unternehmen sicherstellen
Data-Warehouse-Erfolg ist eine gemeinsame Anstrengung von IT- und Geschäftsspezialisten, die sich die Verantwortung für die Initiative teilen, von der Erfassung der Geschäftsanforderungen bis zur Einführung des Data-Warehouse und der Unterstützung nach der Einführung.
Fokus auf die Endnutzer
Garantieren Sie eine hohe Akzeptanz des Data Warehouse durch eine solide Support-Dokumentation, Schulungen und Self-Service-Tools für den Datenzugriff durch die Endbenutzer.
Berücksichtigen Sie Empfehlungen von Experten
Der Aufbau eines Data Warehouse erfordert in der Regel die Migration von Workloads in die Cloud, was nicht einfach ist, da es spezifische Fähigkeiten und Fachkenntnisse erfordert. Daher sollten Sie bei der Entwicklung eines Projekts unbedingt den Rat von Cloud-Migrationsexperten einholen. Wenn Sie sich für die Entwicklung eines Data Warehouse auf der Grundlage einer Plattform wie Amazon Web Services (AWS) entscheiden, sollten Sie sich auf die bewährten AWS-Migrationsverfahren verlassen und andere relevante Richtlinien prüfen, falls Sie einen anderen Cloud-Anbieter bevorzugen.
Abschluss
Ein modernes, geschickt aufgebautes Data Warehouse kann dazu beitragen, viele Ihrer aktuellen Datenverwaltungs- und -analyseziele zu erreichen, darunter das Aufbrechen von Datensilos, Echtzeitanalysen, interaktive Berichte und gesicherte Unternehmensdaten. Und auch wenn für den langfristigen Erfolg Ihres Data Warehouse erhebliche Investitionen erforderlich sind, sollten Sie sich davon nicht einschüchtern lassen. Wenn Sie sich auf einen vertrauenswürdigen BI-Anbieter mit soliden Fachkenntnissen verlassen, werden die greifbaren Vorteile des Data Warehouse nicht lange auf sich warten lassen.
