Aktuelle Applikationen speichern meist einen technischen und fachlichen Zeitpunkt zu dem ein Datenstand gültig wird. Für stichtagsbezogene Auswertungen ist eine Transformation dieser Zeitpunkte in Zeiträume von Vorteil. Dabei hat man die Wahl, die Zeiträume gemeinsam mit den Daten oder von ihnen getrennt in einer eigenen Tabelle zu speichern. Letzteres bietet den Vorteil, kein Update auf die eigentlichen Nutzdaten durchführen zu müssen, wenn der aktuell gültige Datensatz einen Nachfolger erhält.

Zielpublikum: Data Engineer, Data Scientist, ETL Developer, DBAs, Data Architects, Oracle Users, Versicherungsunternehmen
Voraussetzungen: Grundwissen über Historisierung von Daten, Grundwissen über Datenbanken
Schwierigkeitsgrad: Advanced

Extended Abstract
Aktuelle Applikationen speichern meist einen technischen und fachlichen Zeitpunkt zu dem ein Datenstand gültig wird. Für stichtagsbezogene Auswertungen ist eine Transformation dieser Zeitpunkte in Zeiträume von Vorteil. Dabei hat man die Wahl, die Zeiträume gemeinsam mit den Daten oder von ihnen getrennt in einer eigenen Tabelle zu speichern. Letzteres bietet den Vorteil, kein Update auf die eigentlichen Nutzdaten durchführen zu müssen, wenn der aktuell gültige Datensatz einen Nachfolger erhält. Außerdem entfällt die Notwendigkeit, Nutzdatensätze duplizieren zu müssen.

Für ein aktuelles Projekt haben wir uns für die Partitionierung der Nutzdaten entschieden und die Historisierung in eine partitionierte Index Organized Table ausgelagert. Der Vortrag beleuchtet unser Vorgehen und die Überlegungen, die dem gewählten Ansatz zu Grunde liegen. Ziel des Ansatzes ist, ein möglichst lineareres Antwortverhalten bei steigenden Datenvolumina bei gleichzeitig schneller Beladung unter Nutzung von Partitionierung, IOT und Standard Compression der Oracle Enterprise Edition zu erreichen.

Die Provinzial NordWest zeigt den aktuellen Stand ihres DQ CC nach sechs Jahren methodischem Datenqualitätsmanagement.
Bestandteile des zentralen DQ Monitorings (über 1.200 Regeln, 900 Mio. Datensätze tgl.),   Vorgehen und aktive Rollen.

Zielpublikum: Decision Makers, Data Quality Officers, Data Stewards, Data Engineer, Data Scientist, Project Leader
Voraussetzungen: Affinität zu Daten und Berichten
Schwierigkeitsgrad: Basic