VL 07

Die Festlegung von Kriterien von Datenständen inklusive der Messung, wie gut diese Bedingungen erfüllt sind.

Erstellung eines Berichts zur Anzahl und Verteilung von Fehlern in den Datenbeständen.

kurz:

Probleme der Informationsintegration können z.B. dann entstehen, wenn Daten physisch oder logisch verteilt sind oder die Systeme jeweils eigene Schnittstellen zur Verfügung stellen.

ausführlich:

Dateneingabe und Erfassung,

Alterung,

Transformation,

Integration.

Wirtschaftlicher Schaden,

Image Schaden,

Rechtliche Probleme,

Ethische Probleme.

Datenreinigung

Duplikaterkennung

Datenfusion

Vollständigkeit

Datenfehler

Duplikate

Qualität

Datensätze müssen inhaltlich fehlerfrei und zueinander konsistent sein

alle relevanten Informationen müssen im integrierten Datenbestand enthalten sein

Beschreibt beschreibt, wie relevantes

Wissen aus den Datenbeständen operativer IS gewonnen werden kann.

Welche Datensätze aus den Datenquellen sind für die Datenintegration überhaupt relevant?

Aufgaben

 Identifikation der relevanten Datenquellen

 Erstellung eines globalen Datenschemas

 Abfragen der relevanten Datensätze

Wie müssen diese aufbereitet werden, sodass sie zum integrierten Datenbestand passen?

Aufgaben

 Schema-Mapping und semantische Integration

 Ermittlung und Beseitigung von Datenfehlern

 Erkennung und Fusion von Duplikaten

Load

Wie können die aufbereiteten Datensätze zu einem Datenbestand zusammengeführt werden?

 Zusammenführung aller Datensätze zu einem

einheitlichen, aggregierten Datenbestand

 Einfügen des Datenbestands in ein DBMS

Einzelne Datensätze so aufzubereiten, dass diese für weitere Schritte des Datenintegrationsprozesses nutzbar werden

Anteil an Nicht-Nullwerten in R

Anteil relevanter Realweltobjekte, die in einer Realation (R) vorkommen

Precision und Recall nehmen Werte zwischen 0 und 1 an :)

Die Datenbasis ist auf verschiedene Systeme verteilt

Die Daten unterscheiden sich in Modell, Struktur und Bedeutung

Das System stellt seine eigene Zugriffsschnittstelle bereit

Gleiche Datensätze sind an mehreren Orten gespeichert

Das System entscheidet selbst, wem es welche Daten bereitstellt

Es gibt unterschiedliche technische Zugriffsverfahren

Physische Lokalisierung

• Über welchen Mechanismus können die unterschiedlichen Datensätze identifiziert werden?

  
  

Adressierung mehrerer Schemata

• Wie kann mit einem einheitlichen Verfahren auf verschiedene Schemata zugegriffen werden?

  
  

Optimierung verteilter Anfragen

• Wie schnell können die Daten über ein lokales Netzwerk oder das Internet abgerufen werden?

Logische Lokalisierung

• In welchem System liegen die für die Analyse relevanten Daten überhaupt?

Redundanzen und Inkonsistenzen

• Wie soll mit mehrfach gespeicherten (und ggf. inkonsistenten) Datensätzen verfahren werden?

  
  

Duplikaterkennung

• Wie lässt sich erkennen, dass zwei verschiedene Datensätze denselben Sachverhalt beschreiben?