Im Arbeitsalltag von Datenarchitekten und Data Engineers bildet das Data Warehouse die zentrale Plattform für integrierte, historisierte und analysierbare Unternehmensdaten. Die Architekturentscheidungen beim Aufbau eines Data Warehouses beeinflussen langfristig Skalierbarkeit, Wartbarkeit und die Qualität der darauf aufbauenden Analysen. Der Kurs behandelt die konzeptionellen Grundlagen sowie etablierte und moderne Architekturmuster.

Kursinhalt
1. Grundkonzepte und historische Entwicklung
  • Ursprung und Zweck des Data Warehouse nach Inmon und Kimball
  • Unterschiede zwischen operativen Systemen und analytischen Datenbanken
  • Kernprinzipien: Subjektorientierung, Integration, Nichtflüchtigkeit, Zeitbezug

2. Architekturschichten und Datenfluss
  • Staging Area, Core Layer und Data Mart im Schichtenmodell
  • ETL- vs. ELT-Ansatz und deren Auswirkungen auf die Architektur
  • Historisierungsstrategien und Auswirkungen auf das Datenmodell

3. Modellierungsansätze im Data Warehouse
  • Kimball vs. Inmon: Data-Vault- und dimensionaler Modellierungsansatz im Vergleich
  • Einsatz von Data Vault 2.0 für flexible Historisierung
  • Auswahl des Modellierungsansatzes nach Anforderungen

4. Moderne Warehouse-Plattformen und Cloud-Migration
  • Klassische On-Premise-Architekturen vs. Cloud-native Lösungen
  • Überblick über Plattformen (Snowflake, BigQuery, Redshift, Azure Synapse)
  • Kriterien für die Architekturauswahl und Migrationspfade

Berufliche Relevanz
  • Kernkompetenz für Datenarchitekten und Senior Data Engineers
  • Grundlage für strategische Entscheidungen beim Aufbau und Umbau von Datenplattformen
  • Voraussetzung für das Design skalierbarer und wartbarer analytischer Systeme