Datenmodellierung im Data Warehouse (Grundlagen)

GFU Cyrus AG — bildet weiter.

Bereits 1980 als GFU Cyrus + Rölke mbH gegründet, zählt die GFU heute zu den renommiertesten IT-Schulungsunternehmen in Deutschland. Jedes Jahr besuchen mehrere tausend IT-Fachleute aus der gesamten Bundesrepublik unsere Seminare — in über 45 Jahren sind daraus mehr als 38.000 durchgeführte IT-Schulungen geworden.

Unser Programm

Mit über 4.250 Schulungsthemen decken wir das gesamte IT-Spektrum ab: von Administration über Softwareentwicklung, Datenbanken, Data Science und KI bis hin zu Cloud, Security und Betriebssystemen. Rund 50 Dozentinnen und Dozenten aus den verschiedensten IT-Bereichen stehen dafür mit einem außergewöhnlichen Maß an Fachkompetenz bereit — dieses Know-how bieten wir auch für Projektarbeit und Coaching an.

Unser Anspruch

Ob offenes Seminar, Firmenschulung oder Individualschulung: Unsere Teilnehmenden genießen den Rundum-Service der GFU — von der Anreise bis zur Abreise. Kleine Lerngruppen, hochqualifizierte Trainer und Fachbuchautoren, die auf individuelle Fragen eingehen, regelmäßige Pausen, gute Verpflegung und hochwertige 86"-Schulungs-Screens sind für uns selbstverständlich.

Maßgeschneiderte Weiterbildung

Sie wissen nicht, welches Thema zu Ihnen passt? Wie beim Maßschneider stellen wir gemeinsam mit Ihnen Ihr individuelles Schulungspaket zusammen — damit Ihre Weiterbildung auch nach Jahren noch perfekt sitzt.

Unsere Kunden

Zu unseren Kunden zählen Banken, Versicherungen, Handelskonzerne, Industrieunternehmen, Kommunen und öffentliche Einrichtungen aus dem gesamten deutschsprachigen Raum.

Digitale Nachweise mit OpenBadges

Mit der Ausstellung digitaler Badges über die OpenBadgeFactory machen wir erworbene Kompetenzen unserer Teilnehmenden sichtbar, verifizierbar und teilbar — ein weiterer Baustein, mit dem die GFU IT-Professionals auf ihrem Weg weiterbildet.

www.gfu.net

Seminarkatalog: www.gfu.net/seminare.html

Sie erlernen die Grundlagen und Best Practices der Datenmodellierung im Data Warehouse. Dies umfasst das Verständnis und die Anwendung von Entity-Relationship-Modellen und dimensionalen Modellen sowie die Implementierung von Faktentabellen und Dimensionstabellen.

• Grundlagen der Datenmodellierung
  • Einführung in die Datenmodellierung im Kontext eines Data Warehouses
  • Unterschiede zwischen relationalem und multidimensionalem Datenmodell
  • Vorstellung der wichtigsten Begriffe und Konzepte
• Entity-Relationship-Modellierung (ERM)
  • Erklärung des Entity-Relationship-Modells und seiner Bestandteile
  • Praktische Übungen zur Erstellung einfacher ERM-Diagramme
• Dimensionale Modellierung
  • Konzepte der dimensionalen Modellierung verstehen
  • Sternschema und Schneeflockenschema
  • Best Practices für die dimensionale Modellierung
• Faktentabellen und Dimensionstabellen
  • Bedeutung und Aufbau von Faktentabellen
  • Rolle und Struktur von Dimensionstabellen
  • Beispiele und Übungen zur Erstellung von Faktentabellen und Dimensionstabellen
• Normalisierung und Denormalisierung
  • Konzepte der Normalisierung und Denormalisierung verstehen
  • Vor- und Nachteile jeder Technik
  • Praktische Anwendungsfälle und Beispiele
• Aggregatdesign und Indexierung
  • Bedeutung von Aggregaten im Data Warehouse
  • Strategien für die Aggregatbildung
  • Indexierung von Data-Warehouse-Tabellen für Leistungsverbesserungen
• Modellierung von Zeitdimensionen
  • Besonderheiten der Zeitdimensionen im Data Warehouse
  • Aufbau und Struktur von Zeitdimensionstabellen
  • Praktische Übungen zur Modellierung von Zeitdimensionen
• SCD (Slowly Changing Dimensions)
  • Arten von SCDs und deren Anwendungsfälle
  • Methoden zur Implementierung von SCDs in einem Datenmodell
  • Best Practices für die Verwaltung von SCDs
• Datenmodellierung in der Praxis
  • Praktische Aspekte der Datenmodellierung im Data Warehouse
  • Fallstricke und Herausforderungen bei der Umsetzung
  • Erfolgsfaktoren für eine effektive Datenmodellierung
• Fallstudien und Gruppenübungen
  • Analyse von Fallstudien aus der Praxis
  • Gruppenübungen zur Lösung von Datenmodellierungsproblemen
  • Diskussion der Ergebnisse und Best Practices
• Datenqualität und Data Governance
  • Bedeutung von Datenqualität im Data Warehouse
  • Maßnahmen zur Sicherstellung von Datenqualität
  • Rolle von Data Governance in der Datenmodellierung
• Zukunftstrends in der Datenmodellierung
  • Überblick über aktuelle Entwicklungen und Trends in der Datenmodellierung
  • Auswirkungen neuer Technologien auf die Datenmodellierung im Data Warehouse
  • Empfehlungen für die zukünftige Weiterentwicklung