Wenn das Projekt eben dochkein Standard-Fall ist …Bessere Datawarehouses durchTable FunctionsGero KnapsteinOPITZ CONSULTIN...
Wenn das Projekt eben dochkein Standard-Fall ist …Massendatenverarbeitung?Reine SQL-Statements sind daimmer das Beste …Wir...
Agenda1. Wie erstelle ich eine Table-Function?     1.     Table Function allgemein     2.     Non-Pipelined versus Pipelin...
Ihr Oracle Center of ExcellenceLeistungs-                             Kunden /                Tätigkeits-angebot          ...
1.1   Table Function allgemein          Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH 2011   Sei...
Table Function                                                          allgemein Returns Collection   Nested Table   V...
Table Function                                                   Vorbereitung Return-Collectiontyp muss im SQL-Kontext be...
Table Functions                                                                      Arten Zwei Arten mit unterschiedlich...
Non-Pipelined versus1.2   Pipelined Table Functions          Bessere Data Warehouses durch Table Functions   © OPITZ CONSU...
(nonpipelined) Table Function create or replace function get_date_of_year (p_year in number) return my_date_coltype is   v...
Pipelined Table Function create or replace function get_date_of_year_pipelined (p_year in number) return my_date_coltype p...
Table Functions                                                      Vergleich Non-Pipelined Table Function   Sinnvoll b...
Pipelined Table Function1.3   im Datenstrom          Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING Gm...
Pipelined Table Function mit Cursor-Parameter IN-Parameter vom Typ REF CURSORcreate or replace function get_date_of_year(...
Pipelined Table Function im Datenstrom                              Stage 1                         Stage 2             T1...
1.4   Parallelisierung / Partitionierung           Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH...
Pipelined Table Function parallelisiert                      T1                                T2    T3                   ...
Einsatzbeispiele2   in Data Warehouses        Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH 2011...
2.1   Near-Realtime Data Warehouse          Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH 2011  ...
Near-Realtime-DWH                                                 Motivation Eine breite, denormalisierte Quelltabelle (O...
Near-Realtime-DWH                                                        Architektur               ODS                    ...
2.2   1:1-Übernahme der Historisierung?          Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH 2...
Übernahme Historisierung                                               Motivation 1:1-Übernahme der Historisierung     F...
Übernahme Historisierung                                        Lösungsansatz Metadaten-gesteuerte Generatoren Table Fun...
Übernahme Historisierung                                                   Lösungsansatz                fachliche         ...
Übernahme Historisierung                                                        EM-Mapping-View            Cast           ...
Übernahme Historisierung                                                        EM-Mapping-View            Cast           ...
Übernahme Historisierung                                                   Lösungsansatz                fachliche         ...
Übernahme Historisierung                                 Table Function                                                   ...
2.3   Aufbau Zeitdimension          Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH 2011   Seite 30
Table Function für Zeitreihen                                      Motivation ETL-Strecken werden durch OWB / Workflow be...
Table Function für Zeitreihe                                OWB-Mapping Table Function lässt sich  in OWB-Mapping einbind...
3   Weitere Einsatzvorschläge        Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH 2011   Seite 33
Qualitätsprüfung3.1   auf Package-Collections und -Cursor          Bessere Data Warehouses durch Table Functions   © OPITZ...
Table Functions für Package-QS                                      Motivation ETL-Backends haben Packages für   „Hauske...
Table Functions für Package-QS leicht gemacht! Select * from table(my_package.query_my_collection); Select * from table(...
Agile DWH-Entwicklung3.2   Sprints mit Table Functions          Bessere Data Warehouses durch Table Functions   © OPITZ CO...
Entwicklungs-Sprints mit Table Functions   Vor-             Table                          Table           Table          ...
Table Function                                           Online-Dokumentation         Bessere Data Warehouses durch Table ...
Fazit Table Functions muss man nicht unbedingt haben,  aber sie machen komplexe Logiken wartbarer und  manchmal auch schn...
Fragen & Antworten         Bessere Data Warehouses durch Table Functions   © OPITZ CONSULTING GmbH 2011   Seite 41
Ihr AnsprechpartnerGero KnapsteinSenior BeraterOPITZ CONSULTING GmbHKirchstr. 6 | 51647 GummersbachTel. +49 (2261) 60 01-0...
Besuchen Sie auch die anderen Vorträge vonOPITZ CONSULTING und unseren Stand (Nr. 236)!Dienstag, 15. November 2011        ...
Upcoming SlideShare
Loading in …5
×

Bessere Data Warehouses durch Table Functions - DOAG Konferenz 2011 - OPITZ CONSULTING - Gero Knapstein

4,220 views
4,087 views

Published on

Viele Data-Warehouse-Entwicklungen leiden unter der Integration komplexerer Geschäftslogiken. Insbesondere lässt sich 3GL-Code (PLSQL, Java o.ä.) nur schlecht in ETL-Datenströme integrieren. Der Vortrag präsentiert die Table Function als ein mächtiges Instrument für die performante Integration von PL/SQL-Algorithmen in SQL. Nach einer kurzen Einführung in Table Functions werden die kritischen Faktoren wie Performance, Anfwandsminimierung, Wartbarkeit und Wiederverwendbarkeit beleuchtet. Die vorgestellten Stellschrauben zeigen, wie die Nachteile von Table Functions minimiert werden, um die Vorteile zur Optimierung von Data-Warehouse-Projekten zu nutzen. Die erläuterten Wirkungen werden anhand von Beispielen aus dem Umfeld von OWB, ODI und PLSQL-Entwicklungen belegt. Den Teilnehmer wurden auf Wunsch Generatoren und Code-Beispiele zur Verfügung gestellt. OPITZ CONSULTING Senior Berater Gero Knapstein hielt diesen Vortrag im Rahmen der DOAG Konferenz 2011 in Nürnberg.

Published in: Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
4,220
On SlideShare
0
From Embeds
0
Number of Embeds
2,839
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Bessere Data Warehouses durch Table Functions - DOAG Konferenz 2011 - OPITZ CONSULTING - Gero Knapstein

  1. 1. Wenn das Projekt eben dochkein Standard-Fall ist …Bessere Datawarehouses durchTable FunctionsGero KnapsteinOPITZ CONSULTING Gummersbach GmbHDOAG Konferenz, November 2011, Nürnberg Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 1
  2. 2. Wenn das Projekt eben dochkein Standard-Fall ist …Massendatenverarbeitung?Reine SQL-Statements sind daimmer das Beste …Wirklich immer?Nein.Ein kleiner Teil der Anforderungenweigert sich hartnäckig gegen eineperformante, wartbare SQL-Implementierung … Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 2
  3. 3. Agenda1. Wie erstelle ich eine Table-Function? 1. Table Function allgemein 2. Non-Pipelined versus Pipelined Table Functions 3. Pipelined Table Function im Datenstrom 4. Parallelisierung / Partitionierung2. Einsatzbeispiele in Data Warehouses 1. Near-Realtime-Datawarehouse mit PLSQL 2. Kontrolle / Manipulation historisierter Stages 3. Zeitdimension3. Einsatzvorschläge in Data Warehouses 1. Qualitätsprüfung auf Package-Collections und -Cursor 2. SCRUM-Sprints / Agile Entwicklung von ETL-Strecken4. Fazit Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 3
  4. 4. Ihr Oracle Center of ExcellenceLeistungs- Kunden / Tätigkeits-angebot Kollegen felder Java  IT-Strategie Über 600 Kunden SOA/BPM  Beratung ORACLE Branchen- übergreifend  Implementierung BI/DWH  Betrieb Outtasking Exadata Über 450 Kollegen  Training Exalogic An 8 Standorten Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 4
  5. 5. 1.1 Table Function allgemein Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 5
  6. 6. Table Function allgemein Returns Collection  Nested Table  Varray  Anydataset Rückgabe als Ergebnismenge in SQL verwenden: select * from TABLE (my_package.my_table_function); Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 6
  7. 7. Table Function Vorbereitung Return-Collectiontyp muss im SQL-Kontext bekannt sein  Mit DDL Object Type und Collection Type anlegen create or replace type my_date_objtype is object (jahr number, tag number, datum date); create or replace type my_date_coltype is table of my_date_objtype;  In Package-Spezfikation Record-Type und Collection definieren  werden implizit als Object-Types angelegt, wenn als Table-Function genutzt  Name: „SYS_PLSQL_64703_141_1“ Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 7
  8. 8. Table Functions Arten Zwei Arten mit unterschiedlicher Wirkung  Pipelined Table Function  (nonpipelined) Table Function  in Zukunft (12.x): Bulk Pipelined Table Function Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 8
  9. 9. Non-Pipelined versus1.2 Pipelined Table Functions Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 9
  10. 10. (nonpipelined) Table Function create or replace function get_date_of_year (p_year in number) return my_date_coltype is v_retcol my_date_coltype := my_date_coltype(); v_date date v_date := to_year(p_year); i number := 1; begin loop exit when v_date >= to_year(p_year+1); v_retcol.extend; v_retcol(i) := my_date_objtype(p_year, i, v_date); v_date := v_date + 1; i := i + 1; end loop; return v_retcol; end; Erst wird komplette Collection aufbereitet, dann wird Collection zurückgegeben Konsequenzen  Kompletter Collection-Speicherbedarf muss allokiert werden  Wenn Rückgabe nach SQL-Kontext, dann nur 1 Kontextswitch(!) Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 10
  11. 11. Pipelined Table Function create or replace function get_date_of_year_pipelined (p_year in number) return my_date_coltype pipelined is v_date date := to_year(p_year); i number := 1; begin loop exit when v_date >= to_year(p_year+1); pipe row (my_date_objtype(p_year, i, v_date)); v_date := v_date + 1; i := i + 1; end loop; return; end;  Erst wird KEINE Collection aufgebaut Separate Rückgabe potentieller Collectionzeilen  Konsequenzen  KEIN Collection-Speicherbedarf  Für jede Zeile nach SQL 1 Kontextswitch (!) Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 11
  12. 12. Table Functions Vergleich Non-Pipelined Table Function  Sinnvoll bei kleinen Collections  Speicherbedarf proportional zu Collection-Größe  Performante Bereitstellung als SQL-Datenquelle Pipelined Table Function  Sinnvoll bei großen Collections  Performance-Einbuße (Kontextswitches) Ausstehend (Oracle 12.x?) Bulk Pipelined Table Function Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 12
  13. 13. Pipelined Table Function1.3 im Datenstrom Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 13
  14. 14. Pipelined Table Function mit Cursor-Parameter IN-Parameter vom Typ REF CURSORcreate or replace function get_date_of_year(p_refcurs in t_ref_cursor) return my_date_coltype pipelinedIs … Aufruf der Funktion mitSelect * from table(get_date_of_year (CURSOR (select * from …)); Funktion CURSOR () wandelt Query in einen geöffneten REF CURSOR um Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 14
  15. 15. Pipelined Table Function im Datenstrom Stage 1 Stage 2 T1 T2 T3 T2 wartet mit Start, bis Stage1 komplett von T1 befüllt wurde  Schnell zwischen Stages, wenn T1, T2 und T3 reine SQL-Statements sind T1 T2 T3 Table Function T2 nimmt Datenstrom aus Table Function T1 unmittelbar auf  Optimaler „First-Rows“-Mechanismus  Gebremst durch Kontextswitches zwischen SQL- und PLSQL-Kontext Beschleunigung durch Parallelisierung / Partitionierung Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 15
  16. 16. 1.4 Parallelisierung / Partitionierung Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 16
  17. 17. Pipelined Table Function parallelisiert T1 T2 T3 T1 T2 T3 T1 T2 T3create or replace function get_date_of_year_pipelined(p_refcurs in t_ref_cursor) return my_date_coltype pipelinedPARALLEL_ENABLE (PARTITION refcurs BY HASH (artikel_nr)Is …Parallel_enableParallel_enable (partition <curs> by any)Parallel_enable (partition <curs> by range <columnlist>)Parallel_enable (partition <curs> by hash <columnlist>) Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 17
  18. 18. Einsatzbeispiele2 in Data Warehouses Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 18
  19. 19. 2.1 Near-Realtime Data Warehouse Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 19
  20. 20. Near-Realtime-DWH Motivation Eine breite, denormalisierte Quelltabelle (ODS) Komplexe Aufbereitung Kunde wollte/will PL/SQL (will nicht OWB) Near-Realtime-Verarbeitung < 10 Min. Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 20
  21. 21. Near-Realtime-DWH Architektur ODS AQ Nacht Realtime PLSQL Merge Merge Pipelined Table Functions Mart Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 21
  22. 22. 2.2 1:1-Übernahme der Historisierung? Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 22
  23. 23. Übernahme Historisierung Motivation 1:1-Übernahme der Historisierung  Für DWH-Anforderungen unbrauchbar (ERP hatte geringe Ansprüche)  Nachbesserungen im ERP waren nicht ausreichend.  Fehleridentifikation mit einfachem Select notwendig  -> selbstgeschriebene Analytische Funktion Modifikation in stundengenaue Historisierung  Fehlerbereinigung  Lückenlose, nicht überlappende Terminierung  Korrekte Statusabfolge  Reduzierung auf ältesten Satz in Stunde Metadaten-gesteuerte Historisierungsaufbereitung  Expressions für Modifikation (stundengenau, minutengenau, …)  Historisierung (SCD1 oder SCD2)?  Welcher Status wird durchgelassen? Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 23
  24. 24. Übernahme Historisierung Lösungsansatz Metadaten-gesteuerte Generatoren Table Function Generator View Generator Views und ggf. Table Functions werden mit Pre-Mapping aktualisiert Pipelined Table Function  Übernimmt Sätze in sortierten Collections pro Schlüssel  Korrigiert / eliminiert Sätze (separate Fehlerprotokollierung möglich)  Schreibt korrigierte Sätze in indizierte Collection -> jüngster Satz bleibt übrig Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 24
  25. 25. Übernahme Historisierung Lösungsansatz fachliche EM-Mapping Bedingungen Schnittstelle Stage- Data EM- Tabelle modified Mapping Tabelle Pipelined Table Function Fehlermapping Schnittstelle Data not Pre- modified Post- Fehler- Mapping Tabelle Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 25
  26. 26. Übernahme Historisierung EM-Mapping-View Cast Cursor Ref-Cursor Table Multiset (select …) ist (Table-Fkt) Order by Fkt-ParameterTabelle Collections mit UK Ref-Cursor Pipelined Table (reduzierte) View- Function Ergebnismenge Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 26
  27. 27. Übernahme Historisierung EM-Mapping-View Cast Cursor Ref-Cursor Table Multiset (select …) ist (Table-Fkt) Order by Fkt-ParameterTabelle Collections mit UK Ref-Cursor Pipelined Table (reduzierte) View- Function Ergebnismenge Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 27
  28. 28. Übernahme Historisierung Lösungsansatz fachliche EM-Mapping Bedingungen Schnittstelle Stage- Data EM- Tabelle modified Mapping Tabelle Pipelined Table Function Fehlermapping Schnittstelle Data not Pre- modified Post- Fehler- Mapping Tabelle Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 28
  29. 29. Übernahme Historisierung Table Function Komplette Logik Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 29
  30. 30. 2.3 Aufbau Zeitdimension Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 30
  31. 31. Table Function für Zeitreihen Motivation ETL-Strecken werden durch OWB / Workflow betrieben OWB-Mapping ist Dokumentation Zeitreihen-Interval soll frei wählbar sein Zeitreihen-Grenzen sollen frei wählbar sein Prozedurale Geschäftslogiken sollen performant eingebunden werden Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 31
  32. 32. Table Function für Zeitreihe OWB-Mapping Table Function lässt sich in OWB-Mapping einbinden wie Table / View o. ä. Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 32
  33. 33. 3 Weitere Einsatzvorschläge Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 33
  34. 34. Qualitätsprüfung3.1 auf Package-Collections und -Cursor Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 34
  35. 35. Table Functions für Package-QS Motivation ETL-Backends haben Packages für  „Hauskeeping“  Geschäftslogiken  Analysen, Mailing, … Package-Collections  Sind die PLSQL „Arrays“  Werden benötigt für performante, komplexe Programmlogik  Sind schwierig zu debuggen Unit-Tests werden gerne durchgeführt mit  Select-Statements  Utplsql o. ä. Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 35
  36. 36. Table Functions für Package-QS leicht gemacht! Select * from table(my_package.query_my_collection); Select * from table(my_package.query_my_cursor); Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 36
  37. 37. Agile DWH-Entwicklung3.2 Sprints mit Table Functions Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 37
  38. 38. Entwicklungs-Sprints mit Table Functions Vor- Table Table Table Front- system Function Function Function end Vor- Table Table Front- system Map- Function Function end Stage ping Vor- Table Front- system Map- Map- Function end Stage Core ping ping Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 38
  39. 39. Table Function Online-Dokumentation Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 39
  40. 40. Fazit Table Functions muss man nicht unbedingt haben, aber sie machen komplexe Logiken wartbarer und manchmal auch schneller Auf Table Function basierende Ergebnismengen sind langsamer als reine SQL-Statements, aber sie skalieren und bewältigen DWH-übliche Datenmengen Transformationsstrecken aus Views, die auf Table Function basieren, eignen sich für agile DWH-Entwicklung mit schnellen Sprints Ausblick (Oracle 12.x): Bulk-Verarbeitung wird den Durchsatz deutlich beschleunigt! Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 40
  41. 41. Fragen & Antworten Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 41
  42. 42. Ihr AnsprechpartnerGero KnapsteinSenior BeraterOPITZ CONSULTING GmbHKirchstr. 6 | 51647 GummersbachTel. +49 (2261) 60 01-0gero.knapstein@opitz-consulting.comBesuchen Sie uns auf unserer Website:www.opitz-consulting.com youtube.com/opitzconsulting @OC_WIRE slideshare.net/opitzconsulting xing.com/group-51062.460375 Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 42
  43. 43. Besuchen Sie auch die anderen Vorträge vonOPITZ CONSULTING und unseren Stand (Nr. 236)!Dienstag, 15. November 2011 Mittwoch, 16. November 2011 Donnerstag, 17. November 2011MySQL in an Oracle driven datacenter Das ungleiche Paar – Koexistenz von OWB Grails – Die Suche ist vorbei10:00 bis 10:45 Uhr, Raum Singapur und ODI 09:00 bis 09:45 Uhr, Raum Riga 09:00 bis 09:45 Uhr, Raum KopenhagenOracle Forms meets BI Praxis Knowhow: Skalierung von SOA Suite Enterprise Architecture Deliverables – Let‘s talk10:00 bis 10:45 Uhr, Raum Kiew 11g Cluster about results! 09:00 bis 09:45 Uhr, Raum Budapest 09:00 bis 09:45 Uhr, Raum PragMinimale Latenz – Bedarfsgerechte Bereitstellung RAC ONE Node 11.2.0.2. – Wo ist meine Brückentechnologie – Min. Downtime Plattform-von Daten im DWH Instanz? Migration / Upgrade von 9 nach 11.210:00 bis 10:45 Uhr, Raum Kopenhagen 13:00 bis 13:45 Uhr, Raum St. Petersburg 10:00 bis 10:45 Uhr, Raum St. PetersburgESSBASE und die OBIEE 11g – Aufbruch zu Oracle BAM – Die unentdeckten Versteckte Schätze in BPM&SOA Suite 11g„echten“ OLAP-Analysen Möglichkeiten – gesammelte Projekterfahrungen12:00 bis 12:45 Uhr, Raum Helsinki 13:00 bis 13:45 Uhr, Raum Oslo 10:00 bis 10:45 Uhr, Raum OsloSOA Continuous Integration Neues zur Oracle Lizenzierung Unterbrechungsfreies Reporting:12:00 bis 12:45 Uhr, Raum Riga 15:00 bis 15:45 Uhr, Raum Kopenhagen Hochverfügbarkeit von OWB bis BIEE 11g 12:00 bis 12:45 Uhr, Raum StockholmAgile BI mit OBIEE 11g Oracle Resource Management14:00 bis 14:45 Uhr, Raum Helsinki 13:00 bis 13:45 Uhr, Raum St. PetersburgDie Crux mit dem Delta – vom Fullload zum Forms Legacy – ein ADF PanoramaIncremental Load 14:00 bis 14:45 Uhr, Konferenzraum EG16:00 bis 16:45 Uhr, Raum KopenhagenAutomatisiertes Konfigurationsmanagement mit Deseaster Recovery bei Grid Infrastructure 11.2Puppet mit zwei Rechenzentren16:00 bis 16:45 Uhr, Konferenzraum EG 15:00 bis 15:45 Uhr, Raum Hongkong Effizientere ETL mit Table Function 16:00 bis 16:45 Uhr, Raum Stockholm youtube.com/opitzconsulting slideshare.net/opitzconsulting xing.com/group-51062.460375 @OC_WIRE Bessere Data Warehouses durch Table Functions © OPITZ CONSULTING GmbH 2011 Seite 43

×