Multitemporalität
Dieser Artikel befasst sich mit dem Management von Multitemporalität in Data Vault 2.0 anhand eines Szenarios aus der Reisebranche. Er beleuchtet, wie operative Systeme und Business-Intelligence-Systeme unterschiedlich mit Daten umgehen, und zeigt auf, wie Data Vault 2.0 eine umfassende historische Nachverfolgung sowie multitemporale Analysen unterstützt.
Multitemporalität in Data Vault 2.0
Vielleicht haben Sie bereits von bitemporalen Daten gehört. Meistens gibt es jedoch mehr als nur zwei Zeitachsen in Ihren Daten, die Ihre Arbeit erschweren. In der Regel finden Sie in Ihren Datensätzen mehrere Zeitstempel und Datumsangaben aus unterschiedlichen Perspektiven. Das eröffnet verschiedene Möglichkeiten, wie Sie Ihre Daten aus zeitlicher Sicht betrachten können. Allerdings sollten Sie auch in der Lage sein, dieses Biest einer Zeitmaschine zu beherrschen. Wussten Sie, dass Data Vault 2.0 in der Lage ist, multitemporale Daten zu verarbeiten? Wie beeinflusst dies Ihre Arbeit und wie können Sie davon profitieren? Nehmen Sie an diesem Webinar teil und erfahren Sie, wie Data Vault 2.0 Ihnen dabei helfen kann, Multitemporalität zu meistern.
In this article:
Multitemporales Beispiel aus der Reisebranche
In einem unserer vorherigen Blogbeiträge haben wir Ihnen einen Einblick in die Grundlagen der Multitemporalität in Data Vault 2.0 gegeben. Dieser Artikel liefert Ihnen ein kurzes Praxisbeispiel zu diesem Thema. Wenn Sie Ihren Urlaub buchen, ändern Sie nach der ursprünglichen Buchung möglicherweise noch etwas: die Dauer, den Abflugort, das Hotel, das Start- oder Enddatum Ihrer Reise oder Sie buchen einfach noch ein paar Extras hinzu. Aus operativer Sicht stellen diese Änderungen kein Problem dar und die Anforderungen sind überschaubar. Der Datensatz für Ihre Reise wird in der Datenbank des Quellsystems aktualisiert und in der Benutzeroberfläche werden nur die aktuellsten Daten angezeigt. Die Mitarbeitenden sehen möglicherweise einige Protokolle im Historienbereich, sofern vorhanden. Das reicht in der Regel aus, um den operativen Betrieb aufrechtzuerhalten. In der Welt der Business Intelligence ist der Umgang mit Daten etwas anders. Dort wollen wir alles sehen. Jedes Mal, wenn ein Datensatz im Quellsystem aktualisiert wird, erfassen wir alle Änderungen und speichern sie in einer separaten Datenbank. Das bedeutet, dass wir eine neue Zeitachse einführen, die uns neue Möglichkeiten bietet, aber auch neue Herausforderungen mit sich bringt. Werfen wir einen Blick auf einige Beispiel-Datensätze eines Quellsystems im Zeitverlauf:
Tag 1: Erstbuchung einer Urlaubsreise
Tag 2: Korrektur des Start- und Enddatums sowie eine kleine Preisanpassung
Tag 3: Korrektur des Start- und Enddatums sowie eine kleine Preisanpassung
Wenn Sie heute einen Blick in das Quellsystem werfen, werden Sie sehen, dass Buchung B4711 storniert wurde oder vielleicht komplett verschwunden ist und B4712 die aktive Buchung ist (ID = 2, erstellt an Tag 3). Aus analytischer Perspektive haben Sie möglicherweise noch weitere Fragen, die Sie beantworten möchten.
Zum Beispiel:
- Wie hoch war der geschätzte Umsatz für Juli aus der Perspektive des Februars?
- Wie hoch war der geschätzte Umsatz für Juli aus der Perspektive des März?
- Welche Datumsangaben muss ich verwenden, um die beiden obigen Fragen zu beantworten?
- In welchem Monat verzeichnen wir die meisten Buchungen für die nächste Sommersaison?
- Können wir einen Bericht reproduzieren, den wir vor einigen Monaten erstellt haben?
- Was passiert, wenn sich einige fachliche Datumsangaben ändern? Was beeinflusst meine Berichte in der Vergangenheit?
- Wo können wir die Daten aufbereiten, um all diese Fragen zu beantworten? Im Data Warehouse? Im Frontend-BI-Tool? Oder woanders?
In unserem Webinar „Multi-Temporality in Data Vault 2.0“ geben wir Ihnen Antworten auf all diese Fragen unter Verwendung von Data-Vault-Entitäten.
Wenn Sie daran interessiert sind, weitere Anwendungsfälle zum Thema Multitemporalität zu sehen: Wir bieten einen 2-tägigen Kurs speziell zu diesem Thema an: „Multi-Temporal Data Vault 2.0 Class“.
Fazit
Die Einbindung von Multitemporalität in Data Vault 2.0, wie am Beispiel der Reisebranche gezeigt, ermöglicht es Unternehmen, Datenänderungen über mehrere Zeitachsen hinweg effektiv zu erfassen und zu analysieren. Dieser Ansatz bewahrt nicht nur die historische Genauigkeit, sondern ermöglicht auch umfassende Einblicke in Geschäftsprozesse. Durch die Nutzung der Funktionen von Data Vault 2.0 können Unternehmen komplexe zeitliche Fragestellungen beantworten, wie etwa die Erstellung von Umsatzprognosen aus unterschiedlichen Blickwinkeln im Zeitverlauf und die präzise Reproduktion vergangener Berichte. Diese Methodik gewährleistet ein robustes Framework für die Verwaltung sich verändernder Datenlandschaften und unterstützt fundierte Entscheidungen.
