Get trial
English
Data Warehouse Automation für Einsteiger
Diese Beginner-Session erklärt, wie AnalyticsCreator aus Quellmetadaten ein vollständiges Data Warehouse erstellt. Die Demo zeigt Repository-Erstellung, Source Connector, Data Warehouse Wizard, Staging, Historisierung, Transformationen, Data Mart, OLAP-Modell, SSIS-Pakete, Deployment Packages und manuelle Erweiterungen.
Duration: 2:23:88
Updated: Feb 2021
Level: beginner
Platform: SQL Server, SSIS, Power BI, OLAP
For: Data-Warehouse-Einsteiger, BI-Entwickler, AnalyticsCreator-Anwender
Questions
- Wie hilft AnalyticsCreator Beginnern beim Erstellen eines Data Warehouse?
- Welche Rolle spielt das AnalyticsCreator Repository?
- Wie erzeugt der Data Warehouse Wizard ein erstes Modell?
- Wie funktioniert Historisierung in AnalyticsCreator?
- Wie werden Transformationen und Data Marts erstellt?
- Was erzeugt ein Deployment Package?
Platform shown
AnalyticsCreator
Related tooling
SQL Server, SSIS, Power BI
Key Takeaways
- AnalyticsCreator ist eine metadata-driven Design-Anwendung für Data-Warehouse-Automation.
- Die Anwendung unterstützt den Lifecycle von Design bis Deployment.
- AnalyticsCreator generiert SQL-Code, Stored Procedures, SSIS-Pakete, tabulare Modelle und Frontend-Metadaten.
- Das Repository speichert die vollständige Data-Warehouse-Definition.
- Der Data Warehouse Wizard erzeugt aus Quellmetadaten ein erstes Modell.
- Generierte Layer umfassen Source, Staging, Persistent Staging, Core und Data Mart.
- Historisierung speichert frühere Datenversionen mit Gültigkeitszeiträumen und Surrogate Keys.
- Transformationen werden meistens als SQL Views generiert.
- Vordefinierte Transformationen können nach Feldtyp angewendet werden.
- Der Data Mart Layer definiert die Struktur für OLAP- und Reporting-Modelle.
- Deployment Packages erzeugen DACPAC-Dateien, SSIS-Pakete, XMLA-Dateien und Visual-Studio-Solutions.
- Manuelle Erweiterungen sind auch ohne Wizard möglich.
Transcript
AnalyticsCreator wird als Design-Anwendung für Data-Warehouse-Automation vorgestellt. Die Session erklärt, wie AnalyticsCreator den Aufbau, die Modernisierung, die Entwicklung und das Deployment von Data Warehouses unterstützt.
Dimitri erstellt ein neues Repository und bindet die AdventureWorks-Datenbank über einen SQL-Server-Connector an. Danach nutzt er den Data Warehouse Wizard, um aus den ausgewählten Human-Resources-Tabellen ein erstes Kimball-Modell zu erzeugen.
Das generierte Modell enthält Source Layer, Staging Layer und Persistent Staging Layer. Die Daten werden zuerst importiert und danach historisiert, sodass neben aktuellen Daten auch frühere Datenversionen verfügbar bleiben.
Die Import-Konfiguration enthält Feldmappings, optionale Statements, Filter, Variablen sowie Pre- und Post-Scripts. Die Historisierung speichert Änderungen über Date From, Date To und Satz ID und kann auf Feldebene mit SCD Type 1, SCD Type 2 oder None konfiguriert werden.
Im Core Layer werden Transformationen meist als SQL Views erzeugt. Dimitri zeigt vordefinierte Transformationen, Unknown Members für fehlende Dimensionseinträge sowie Makros, mit denen wiederverwendbare SQL-Logik wie Date-to-ID zentral gepflegt werden kann.
Die Faktentransformation verbindet Employee Department History mit Department, Employee und Shift. Snapshot-Historisierung ermöglicht die Auswertung historischer Datenstände, während Kalenderdimensionen Datumsfelder über Makros in Kalender-IDs umwandeln.
Im Data Mart Layer werden Data Stars, Dimensionen, Fakten, Friendly Names und Measures definiert. Komplexe Views können persistiert werden, und die Data-Mart-Struktur dient später als Grundlage für OLAP-, Power-BI- oder andere Frontend-Modelle.
Zum Schluss erzeugt AnalyticsCreator ein Deployment Package mit DACPAC-Datei, SSIS-Paketen, XMLA-Datei und Visual-Studio-Solution. Dimitri zeigt außerdem, dass Objekte auch manuell ohne Wizard ergänzt werden können, inklusive zusätzlicher Sources, Imports, Historisierungen, Referenzen und Objektgruppen.
