Dieses Modul baut auf den Grundlagen des Datenbankentwurfs aus dem vorherigen Modul auf und konzentriert sich auf die Modellierung relationaler Datenbanken, Normalisierung und SQL. Die Lektüre wird Sie bei der Übersetzung eines konzeptionellen EER-Diagramms in ein relationales Modell anleiten, wobei die Einhaltung der Normalisierungsprinzipien sichergestellt wird, wobei insbesondere die dritte Normalform angestrebt wird. Wir werden auch das Verständnis von Primärschlüsseln und Fremdschlüsseln zur Wahrung der Datenintegrität und zum Aufbau von Tabellenbeziehungen hervorheben. Außerdem werden Sie die Möglichkeit haben, relationale Modelle zu erstellen und zu kritisieren. Anschließend werden wir uns mit den SQL-Grundlagen befassen und dabei die Syntax (SELECT, INSERT, UPDATE, DELETE), Abfragetechniken (WHERE, ORDER BY, JOIN) und Operatoren mit Funktionen und Aggregaten (ANZAHL, SUMME, AVG, MIN, MAX) behandeln, die für die Abfrage und Verwaltung von Datenbanken von grundlegender Bedeutung sind. Am Ende dieses Moduls erwarten wir, dass die Studierenden mit dem Datenbank-Design vertraut sind, das für die Implementierung eines OLTP-Systems unerlässlich ist.

Dieses Modul bietet eine Einführung in Data Warehouse-Konzepte. Data Warehouses basieren auf einem multidimensionalen Modell. Wir werden das multidimensionale Modell und seine Darstellung in Form von Datenwürfeln (auch bekannt als Hyperwürfel) genauer unter die Lupe nehmen. Wir werden untersuchen, wie verschiedene Aspekte von Daten in Fakten, Kennzahlen und Dimensionen kategorisiert werden. Dimensionen wie "Produkt", "Zeit" und "Kunde" sind innerhalb eines Cubes hierarchisch organisiert, so dass die Daten auf verschiedenen Detailebenen analysiert werden können.

Dieses Modul setzt die Einführung in Data Warehouse-Konzepte fort. Wir werden untersuchen, wie verschiedene Aspekte von Daten in Fakten, Kennzahlen und Dimensionen kategorisiert werden. Dimensionen wie Produkt, Zeit und Kunde sind innerhalb eines Cubes hierarchisch organisiert, so dass Daten auf verschiedenen Detailebenen analysiert werden können. Measures wie Menge und Verkaufsbetrag werden in diesen Würfeln gespeichert, und Analysten können mit Hilfe von "Roll-up"- und "Drill-down"-Techniken durch verschiedene Detailstufen navigieren. Schlüsselkonzepte wie Granularität, Dimensionsschema und Mitgliedshierarchien sind für das Verständnis der Strukturierung und Analyse von Daten in multidimensionalen Modellen unerlässlich. Darüber hinaus gewährleisten Prinzipien wie Disjungiertheit, Vollständigkeit und Korrektheit die Genauigkeit und Integrität von Daten bei der Aggregation von Informationen in Datenwürfeln, was als Zusammenfassbarkeit bezeichnet wird