Evaluierung des Schnittstellen-Standards

Abbildung 4.1: Data Mining „über dem Warehouse“ (Quelle: Posch, F., 2002, S. 1) Abbildung 4.1 spiegelt diese Variante wider. Im oberen Drittel der Abbildung ist eine Reihe von Conceptual Views über den Warehouse Tabellen aufgeführt, die zum Beispiel über SQL statements generiert werden können. Zusätzlich können teilweise noch externe Daten aus anderen Tabellen (External Data) in die Conceptual Views eingehen. Die über dem Warehouse gebildeten Views können zum Beispiel durch Abspeichern als neue Tabellen auf einem Datenträger „materialisiert“, das heißt skalierbar gemacht werden oder nicht. Hierin liegt in dieser Annäherung das Problem, wenn nicht sogar ein Widerspruch. Sind die Views von unzureichender Größe, kann kein ernsthaftes und nutzenbringendes Data Mining betrieben werden. Besitzen die Views jedoch ohne „Materialisierung“ eine ausreichende Größe, so erfordert der Aufwand der sich immer wiederholenden Berechnungen und eine enorme Prozessorleistung. von Dies kann mit unter Umständen die Verfügbarkeit der Warehouse Ressourcen beeinflussen Systeminstabilitäten aufgrund Konflikten anderen Anwendungen hervorrufen. Haben die Views jedoch eine ausreichende Größe und wurden sie dazu noch „materialisiert“, kann man dies nicht mehr als Data Mining „über dem Warehouse“ bezeichnen, sondern vielmehr als eine Abwandlung der dritten Form (siehe oben, 3. „Innerhalb des Warehouses“). Liegt eine Materialisierung vor, ist diese Variante meist besser geeignet als die erste. Hier können sowohl die Möglichkeiten einer passenden [...]

Zusammenhang, denn Data Mining kann ohne geeignete Daten, die meist aus einem Data Warehouse stammen, nicht sinnvoll durchgeführt werden. Betrachtet man jedoch Data Mining als einen selbständigen Bereich, so ergeben sich Fragen wie: Wo existiert Data Mining, wo findet es statt? Wo kann es bei einem Data Warehouse architektonisch angesiedelt beziehungsweise eingeordnet werden? Ist es ein eigenständiger Bereich mit einem getrennten repository neben dem Warehouse? Kann man es als eine Art Überbau über dem Warehouse betrachten (Conceptual View 1-3, vergleiche Abbildung 4.1 oben), der abhängig vom Einsatz und Bedarf als eine Art Platzhalter für entsprechendes Data Mining fungiert? Oder ist Data Mining als ein Teil des Warehouses anzusehen? Data Mining kann in drei unterschiedlichen Formen zum Einsatz kommen: 1. „Über dem Warehouse“, als „Überbau“ bestehend aus den Conceptual Views. 2. „Neben dem Warehouse“, als ein vom Warehouse getrenntes, eigenständiges repository. 3. „Innerhalb des Warehouses“, als eine getrennt erkennbare Ansammlung von Daten. [...]

- 59 In der Zukunft erfordern Automatisierung und eine Reduzierung des Komplexitätsgrades vielmehr organisatorische/ planerische und administrative Aufgaben. Diese können zusehends vom bestehenden IT Personal übernommen werden, wodurch der Einsatz zusätzlicher, meist sehr teurer Experten, die zum Beispiel für den Einsatz eines Modells ad hoc source code programmieren müssen, überflüssig wird.29 Dadurch können die Unternehmen ihre Personalkosten senken. Die gemeinsame Weiterentwicklung von PMML ermöglicht den daran beteiligten Unternehmen sowohl eine Risikostreuung beziehungsweise -teilung als auch eine Reduzierung der Entwicklungskosten. Durch die Unabhängigkeit von PMML bezüglich der vor allem in größeren Betrieben oft unterschiedlichen Systeme, Plattformen und Applikationen werden Inkompatibilitäten vermieden, wodurch proprietäre Systeme an Bedeutung verlieren. Dies stellt vor allem hinsichtlich des Zeitfaktors eine große Ersparnis dar, da ohne PMML die oft sehr (zeit-) aufwendigen Modelle handish geändert, angepasst oder konfiguriert und im schlimmsten Fall völlig neu aufgesetzt werden müssten. Damit können mit PMML Kosten, die beim Einsatz neuer Modelle, dem updaten alter Modelle und dem Austausch von Modellen entstehen, drastisch reduziert werden. [...]