BARC-Track: Trends im Data Warehousing und ... - SIGS DATACOM

BARC M1: Trends im Data Warehousing 

und Datenmanagement 

München, 17. Juni 2013 

Otto Görlich, Timm Grosser, Lars Iffert 

© BARC 2013 1

Business Application Research Center 

Historie 

• 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl 

Wirtschaftsinformatik der Universität Würzburg (Prof. Thome) 

• 1999: Spin-Off als eigenständiges Analystenhaus (BARC GmbH) 

• 2005: Internationalisierung 

• 2011: Fusion mit CXP zu einer Unternehmensgruppe (80 Mitarbeiter, davon 40 

Analysten) 

BARC Heute 

• 35 Mitarbeiter, davon 15 Analysten & Berater 

• über 1200 Kunden jährlich 

• Themen: Business Intelligence, Datenmanagement, Enterprise Content 

Management, IT Service Management, ERP, CRM, HR 

• Standorte: Würzburg, Zürich, Wien, London, Paris 

17.06.2013 


Ressourcen bei BARC für Ihr Projekt 

• Durchführung von internationalen Umfragen, basierend auf eigenem 

IT-Anwender-Panel 

• The BI Survey 13 

• Datenqualitätsmanagement 

• Planung und Budgetierung in Europa etc. 

Marktforschungsstudien 

Produktvergleichsstudien 

• Business Intelligence 

• Datenmanagement 

• Enterprise Content Management 

• IT Service Management 

Veranstaltungen 

• Tagungen - LIVE-Demos von Software-Lösungen 

• Seminare und individuelle Workshops 

• Webinare zu unterschiedlichen Themenschwerpunkten 

• Online Demos auf www.software-präsentationen.de 

Consulting 

• Individuelle Unterstützung für Strategie, Architektur und Software-Auswahl 

• Unabhängige Beratung in den Bereichen BI, Data Warehousing und 

Datenintegration, ECM, IT Service Management, ERP, CRM 

17.06.2013 


Trends im Data Warehousing und Datenmanagement 

Agenda 

Status quo Datenmanagement 

Data Governance 

Big Data 

Analytische Datenbanken 

Datenarchitekturen 

Datenqualitätsmanagement & Stammdatenmanagement 

17.06.2013 © BARC 2013 6

Die Krise hat Anforderungen an BI verändert 

• Kurzfristig verfügbare 

Transparenz und 

Frühindikatoren 

• Prozessorientierte 

Auswertungen 

• Planung und Simulation 

• Dezentrale Flexibilität - 

Umsetzungsgeschwindigkeit 

für Änderungen 


Angebot Nachfrage 

IT-Lösungsangebot „Consumerization“ 

Heutige Angebotsentwicklung 

• Private und 

betriebliche 

Nutzung von IT 

verschwimmt 

Historische 

Angebotsentwicklung 

• Anwendererwartungen 

wachsen rapide 

• Anwendermacht 

ebenso 

Unternehmen 

Konsument 

Bild in Anlehnung an: http://www.force10networks.com/whitepapers/UnifiedNetworkFabric.asp 


Anwender fordern „frischere“ Daten zur 

Entscheidungsunterstützung 

% aller Daten 

70 

60 

50 

Aktualisierungszyklen 

werden heterogener 

Aktualisierungszyklen verkürzen sich 

40 

30 

20 

1990 

2000 

2010 

10 

0 

real time 

mehrmals am 

Tag 

Schätzung BARC 2008 

täglich monatlich jährlich 

Aktualisierungszyklus 


Echtzeit-Daten 

Wie viel Prozent der Daten werden in welchem Zeitintervall 

zur Verfügung gestellt? 

< 5 Sekunden 

< 1 Minute 

< 1 Stunde 

Einmal am Tag 

Einmal in der Woche 

Einmal im Monat 

4% 

10% 

4% 

7% 

6% 

9% 

13% 

9% 

27% 

24% 

45% 

40% 

BARC Big Data Survey 2013 

n = 160 

0% 20% 40% 60% 

Heute 

Geplant 

17.06.2013 © BARC 2013 

10

Status quo 

Agiles BI stellt besondere Flexibilitäts- und 

Skalierbarkeitsanforderungen an das Datenmanagement, die durch die 

hohe Komplexität in den historisch gewachsenen Analytischen Systemen 

nur mit hohem Aufwand und hoher Latenz umgesetzt werden können. 


Dezentrale Flexibilität durch Self Service BI 

Self Service BI 

Modifikation von 

Berichten und 

Dashboards 

Erzeugung von 

Berichten und 

Dashboards ad-hoc 

Integration 

privater, lokaler 

Daten 

Modifikation und 

Erzeugung von 

Datenmodellen 

Data Stewardship 

(Verbesserung 

Datenqualität) 


17.06.2013 © BARC 2013 13 

13

Dezentrale Flexibilität durch Sandboxing 

BI Services 

BI Sandbox 

Data 

Mart 


Mart 


Mart 

DP Services 


Warehouse 

Ind. 

copy 

DP Sandbox 

IQ Services 

IQ Sandbox 

OLTP 


Status quo 

Agiles BI stellt besondere Flexibilitäts- und 

Skalierbarkeitsanforderungen an das Datenmanagement, die durch die 

hohe Komplexität in den historisch gewachsenen Analytischen Systemen 

nur mit hohem Aufwand und hoher Latenz umgesetzt werden können. 


Datenwachstum 

Wie stark wachsen die für Berichtswesen und Analyse 

bereitgestellten Daten im Unternehmen pro Jahr? 

2011 

9% 

66% 

19% 

7% 

2012 

4% 

54% 

35% 

8% 

2013 

3% 

48% 

36% 

13% 

0% 20% 40% 60% 80% 100% 

Negatives / Kein Wachstum Leicht wachsend (1-25%) 

Stark wachsend (25%-50%) Sehr stark wachsend (>50%) 

n = 202 


Verwendete Daten 

Welche Daten nutzen Sie für die Analyse? 

Transaktionsdaten 

70% 

20% 

10% 

Logs 

55% 

30% 

15% 

Sensorik 

44% 

31% 

24% 

Unstrukturierte Daten (Dokumente, Video, 

Bild) 

40% 

29% 

32% 

Social-Media-Daten 

14% 

50% 

36% 

0% 20% 40% 60% 80% 100% 

Im Einsatz Geplant Nicht geplant 

Q: BARC Big Data Survey Europe, n = 174 


Höhere Anwenderzahlen 

Höhere Komplexität der klassischen BI-Infrastrukturen 

• Größere Datenmengen 

• Höhere Anwenderzahlen 


Höhere Abfragekomplexität 

Höhere Komplexität der klassischen BI-Infrastrukturen 

• Größere Datenmengen 

• Höhere Anwenderzahlen 

• Höhere Abfragekomplexität 

Traditionelle BI-Anwendungen 

Dashboards 

Standard- 

Reporting 

Ad hoc 

Reporting 

Analyse 


Mining 

Planung 

„Wir wollen nicht mehr 

nur Reporting machen.“ 



Agenda 








Wesentliche Treiber für Data Governance 

Prüfung und 

Umsetzung von 

Big Data Initiativen 

Antworten finden auf 

die wachsenden 

Flexibilitätsanforderungen 

aus 

den Fachbereichen 

Sicherstellung der 

Datenqualität & 

Steigerung der 

Vertrauenswürdigkeit 

von Daten 

Sicherstellung der 

Skalierbarkeit 

Erfüllung und 

Einhaltung von 

gesetzlichen 

Vorschriften 

Einhaltung des 

Datenschutz 


Hauptprobleme in BI-Projekten 

Keine nennenswerte Probleme 

32% 

Abfragegeschwindigkeit zu langsam 

Fehlendes Interesse der Nutzer 

Schlechte Datenqualität 

Unternehmenspolitik 

Uneinigkeit über Anforderungen 

Administrative Probleme 

Anforderungen änderten sich 

17% 

15% 

15% 

14% 

13% 

12% 

12% 

„Was sind die 

schwerwiegendsten 

Probleme, die bei der 

Nutzung von BI auftreten?“ 

Schlechte Data Governance 

Software ist nicht flexibel genug 

Unzuverlässige Software 

Daten aus einigen Vorsystemen nicht übernehmbar 

Fehlende Schlüsselfunktionen 

Softwarebedienung zu schwierig 

9% 

9% 

8% 

7% 

6% 

6% 

Zu große Datenvolumen für Produkt 

4% 

Sicherheitbeschränkungen im Produkt 3% 

Quelle: BARC BI Survey 12 

Zu große Nutzerzahlen für Produkt 2% 

(Oktober 2012), n=2067 

www.bi-survey.com 

0% 20% 40% 

22 


“Data Governance (Datensteuerung) entspricht in 

Summe den Menschen, Prozessen und 

Technologien, die zur Verwaltung und zum Schutz 

des Datenkapitals des Unternehmens benötigt 

werden, um allgemein verständliche, korrekte, 

vollständige, vertrauenswürdige, sichere und 

auffindbare Unternehmensdaten garantieren zu 

können.“ 


Nutzen einer Data Governance 

• Bessere Entscheidungsunterstützung durch unternehmensweit abgestimmte 

Daten und Prozesse 

• Erhöhung der Skalierbarkeit der IT-Landschaft durch klare Regeln 

• Optimierung der Datenverwaltungskosten (zunehmend wichtig im Zeitalter 

explodierender Datenmengen) 

• Steigerung der Effizienz durch Nutzung von Synergieeffekten 

• Höheres Vertrauen in Daten durch qualitätsgesicherte und zertifizierte Daten 

sowie eine durchgängige Dokumentation der Datenprozesse, 

• Erfüllung von Compliance Richtlinien, wie bspw. Basel III, Solvency II, u.a., 

• Sicherheit für interne und externe Daten durch Überwachung und Prüfung 

der Datenschutzrichtlinien 

• Steigerung der Prozesseffizienz durch Standardprozesse 

• Klare Verantwortung und transparente Kommunikation 


Herausforderungen bei der Einführung einer Data Governance 

Politik & Menschen 

Kommunikation 

Budgets & Stakeholder 

Standardisierung vs. 

Flexibilität 


Marktsegmentierung: Werkzeuge zur Unterstützung von Data 

Governance Initiativen 


Metadatenmanagement 

Datenqualitätsmanagement 

Stammdatenmanagement 

Datenintegration 

Datenmodellierung 


Erkenntnis 

• Data Governance ist Voraussetzung für die 

erfolgreiche Nutzung von Daten. 

• Wer Data Govnernance nicht beachtet handelt 

grob fahrlässig und verbaut Potentiale. 

• Data Governance Projekte sind „richtig aufgesetzt“ 

keine unbeherrschbaren, hoch-komplexen 

Projekte. 



Agenda 








Big Data verkörpert neue Daten Merkmale – erzeugt vom 

heutigen digitalisierten Marktplatz 

Eigenschaften von Big Data 

Volume Variety Velocity 

Daten in großen Mengen 

Terabytes bis Petabytes 

von Daten 

Daten in vielen Formen 

Strukturierte, 

polystrukturierte, Text, 

Multimedia Daten 

Daten in Bewegung 

Analyse von Datenströmen 

für Entscheidungen in 

Sekundenbruchteilen 

Veracity 

Daten Verlässlichkeit 

Management der Zuverlässigkeit 

und Berechenbarkeit von inhärent 

ungenauen Datentypen 


Die andersartigen, zusätzlichen (riesigen) Daten(mengen) und die 

technischen und wirtschaftlichen Verarbeitungsmöglichkeiten 

eröffnen ein neues IT-Modell: contextual computing 

Smartphones, Browser, 

Apps, etc. erzeugen eine 

riesige Menge an Daten 

über Nutzer und Kunden 

Menschen tauschen in 

sozialen 

Netzwerken (frei) 

Meinungen, 

Wissen, Bedürfnisse 

und ihre Absichten aus 

Open Data und Open API 

ermöglichen den 

Durchbruch im Hinblick auf 

Zugang und Integration 

Semantik-Technologie wie 

RDF ermöglichen 

automatisierte 

Datenverwertung 

und -aufnahme 

Neue Datenbanken zur 

Speicherung und web-scale 

Verarbeitung 

kontextabhängiger 

Informationen 

Advanced Analytics erschließen 

(automatisiert) 

Zusammenhänge für 

weitreichende 

Analyse und 

Prognosemöglichkeiten 

Watson-style Beratung 

mithilfe großer Speicher 

und kontextabhängiger 

Daten 

Mehrwert und konkretere 

Sichten durch lern- und 

anpassungsfähige 

Interaktionen 

und Visualisierungen 


Big Data macht nicht alles neu, sondern ergänzt bekannte 

Konzepte 

Traditioneller Ansatz 

Strukturiert, analytisch, logisch 

Neuer Ansatz 

kreativ, ganzheitlich, intuitiv 

Transaction Data 


Warehouse 

Hadoop 

Streams 

Web Logs 

Internal App. Data 

Strukturiert 

Mainframe Data Wiederholbar 

Linear 

OLTP Systems Data 

Enterprise 


Integration 

Social Data 

Unstrukturiert 

Erforschend Text Data, eMails 

Iterativ 

Sensor Data, Images 

ERP Sytems Data 

Traditional 

Sources 

New 

Sources 

RFID 


Events / 

Streams 

Documents 

(unstructured) 

Multimedia 

Social Media 

Data at Rest 

Packages 

Big Data ergänzt das traditionelle DWH um Daten- und 

Analyse-Typen sowie weitere Dimensionen 

Produce Collect Integrate 

Provide 

Calculate 

Analyse 

Consume 

Orders, Lieferanten, 

Warenwirtschaft, CRM, etc. 

Traditionelles DWH 


Extract / Import 

Integrate/Cleanse/ 

De-duplicate Customer 

Master Data 

Map 

Enterprise 

DWH 

Reduce 

Cube 

Data Mart 

Data Mining 

& Statistics 

Optimization 

& Simulation 

Semantic 

Analysis 

Operational 

Analytics 

Business 

Analytics 

Predictive 

Analytics 

Analytics on 


Extract / 

Import 

Shuffle / 

Transform 

Fuzzy 

Comparison 

Calculation 

Networks 

Business 

Rules 

Real Time 

Analytics 

Event detection 

Capture real-time data 

Visualization 

Discovery 

Alle verfügbaren Daten 

Big Data Governance 


Orders, Lieferanten, 

Warenwirtschaft, 

CRM, etc. 

Documents 

(unstructured) 

Events / 

Streams 

Multimedia 

Social Media 

Enterprise Query Layer 

Das Big Data Zielbild bietet den Fachbereichen end-to-end Analyse- 

Möglichkeiten und Transparenz der zugrundeliegenden Technologie 

Produce Collect Integrate 

Provide 

Calculate 

Analyse 

Consume 

Enterprise 

DWH 

Cube 

Operational 

Analytics 

Integrate/Cleanse/ 

De-duplicate Customer 



Business 

Analytics 

Data Mining 

& Statistics 

Predictive 

Analytics 

Map 

Reduce 

Optimization 

& Simulation 

Semantic 

Analysis 

Analytics on 


Extract / 

Import 

Event detection 

Shuffle / 

Transform 

Fuzzy 

Comparison 

Business 

Rules 

Calculation 

Networks 

Real Time 

Analytics 

Visualization 

Discovery 

Capture real-time 

data 

Enterprise 

Data Hub 

Big Data Governance 

Analytics 

Platform 

Analytics 

Portal 


Fehlannahmen über Big Data 

• “Big Data ist in erster Linie große Datenmengen“ 

• “Wir müssen alle älteren Systemen in der neuen Welt von Big Data 

ersetzen“ 

• "Big Data ist nur Hadoop oder Open Source“ 

• "Ältere Transaktionsdaten spielen keine Rolle mehr“ 

• "Data Warehouses sind eine Sache der Vergangenheit“ 

• "Big Data ist für die Internet-versierten Unternehmen. Traditionelle 

Unternehmen sind immun“ 

• "Wir haben nicht die Notwendigkeit oder das Budget oder entsprechende 

Fähigkeiten, also interessiert es uns auch nicht“ 

• "Big Data erfordert viele Data Scientists für Codierung und Betrieb" 

17.06.2013 

© BARC 2013 

38


Agenda 








Was ist eine Analytische Datenbank 

- was macht eine DWH Appliance aus ? 

Analytische Datenbank 

(SW-only oder DWH Appliance) 

DBMS mit besonderer Eignung (Architektur, Arbeitsweise, 

Funktionen) für Analytik, was vor allem durch Abfrage- 

Eigenschaften bestimmt wird 

Vorkonfigurierte HW/SW-Pakete zur Sicherstellung eines 

„ausgewogenen Systems“ und einfachem Betrieb 

(DWH) Appliance 


Key Points 

Marktentwicklung Analytische Datenbanken 

• Die Komplexität analytischer Infrastrukturen wächst – Anwender fürchten 

Anforderungen mit „traditionellen“ Datenbanken nicht mehr effizient umsetzen zu 

können. 

• Deutliche Sichtbarkeitsschwelle für analytische Datenbanken vor 10 Jahren. 

Neue Lösungsangebote sorgen für steigende Marktdynamik. Datenbankhersteller 

kommen und gehen. 

• Etablierte Anbieter ziehen nach durch Aufkäufe und/oder Eigenentwicklungen. 

• Einsatz von analytischen Datenbanken auf dem DACH Markt eher 

zurückhaltend. Vertrauen wird vor allem einheimischen neuen Anbietern 

geschenkt. Nachwievor stark vorne liegen die etablierten DB Anbieter IBM, 

Oracle und Teradata. 

• Traditionelle Anbieter rüsten Bestandskunden auf, haben einen schwachen 

Neukundengewinn. 


Dritte Generation der Datenbank-Technologie 

1. Generation DBMS: 

• Proprietäre DBMS wie IMS, IDMS, Datacom 


• RDBMS für offene Systeme hängen von Disk Layout ab, 

Begrenzungen bzgl. Skalierbarkeit und Disk I/O 


• Die meisten Data Warehouse Datenbanken werden einen 

Column Store verwenden 

• Die meisten (OLTP) Datenbanken werden entweder durch eine 

In-Memory-Datenbank ergänzt werden, oder selbst vollständig 

im Hauptspeicher liegen 

• Die meisten Datenbank Server für große Systeme werden 

horizontale Skalierbarkeit durch Clustering erreichen 



Trends im Markt analytischer Datenbanken 

• Technologische Innovationen 

• Hardware 

Speicherformen 

für analytische 

Datenbanken 

Speicherorte 


Datenbanken 

Lieferformen 


Datenbanken 

• Prozessoren 

• Speicher(-hierarchie) 

• Software 

Relational, 

zeilenorientiert 

Relational, 

spaltenorientiert 

Festplatte 

Solid State Disks 

Software 

Appliance 

• Verschiedene Ausprägungen 

• Speicherform 

• Speicherort 

• Lieferform 

• Architektur 

Multidimensional 

Sonstige 

(Objekt-relational, Assoziativ, 

Datei, Streaming) 

Single-Node 

SMP 

SMP-Cluster 

RAM 

Prozessor-Cache 

optimiert 

Architekturen 

SMP- 

2tierCluster 

Cluster 

MPP-symetr. 

Data as a Service 

MPP-asymetr. 

• „Einer für alles“ versus „aufgabenspezifisch optimiert“ 

43 17.06.2013 © BARC 2013 43

Architekturprinzipien und Designansätze optimiert für die 

Analyse 

• Skalierbarkeit ist die Fähigkeit die Leistung durch hinzufügen von Ressourcen 

zu steigern 

• Optimal: 100% mehr Ressourcen führen zu 100% mehr Leistung 

• Gut ist auch schon eine Steigerung der Leistung von > 80% 

• In der Vergangenheit konnte Leistungssteigerung auch durch schnellere 

Systemkomponenten erreicht werden 

• Dies ist heute fast nicht mehr möglich, weil einzelne Bauteile nicht mehr 

deutlich schneller werden (z.B. CPUs) sondern nur die Anzahl erhöht werden 

kann 

• Operationen müssen also zusätzliche Ressourcen nutzen, was eine 

entsprechende Architektur erfordert 

• Voraussetzung für Skalierbarkeit ist somit die Parallelisierung 

• Essentiell für die Skalierbarkeit ist die Vermeidung von sequentieller 

Verarbeitung und die Reduktion von Abhängigkeiten 

44 17.06.2013 © BARC 2013 44

Parallele Query Verarbeitung 

46 

select sum(x) from table_a,table_b where a = b 

connect 

Sum 

Join 

Optimize 

Coord 

Get 

statistics 

Read A 

Read B 

sum(…) 

Catalog 

sum=10 sum=12 sum=13 sum=11 

Agent Agent Agent Agent 

Sum 

Sum 

Join 

Join 

Join 

A B 

A B 

A B 

Part1 Part2 Part3 PartN 

Sum 

Sum 

Join 

A B 

table_a 

table_b 


Funktionen analytisch optimierter Technologien: 

Zusammenfassung der Trends 

Hohe Kompression 

Notwendig, da RAM der limitierende Faktor ist. 

Zeilen & spaltenbasierte 

Speicherung 

Zeilenformat für transaktionale Workloads und 

spaltenformat bei Datenzugriffen für OLAP Queries. 

Multi-Core und Vector 

optimierte Algorithmen 

Vermeidung von Locks oder 

Synchronisation. Ausnutzen von speziellen 

HW Features 

6 

7 

1 

2 

In-Memory Datenbanken 

Datenbanktechnologie der 3. Generation 

vermeidet (Disk) I/O. Kompression und 

spezielle Technologien erlauben auch große 

Datenbanken im Memory zu halten. 

Prädikat-Evaluierung mit 

komprimierten Daten 

Verarbeitung (Scans und Evaluierung) der 

Daten in komprimiertem Format 

5 

4 

3 

“Frequency Partitioning” 

Voraussetzung für den effektiven parallelen 

Zugriff auf die komprimierten Daten mit 

horizontaler und vertikaler Eliminierung von 

Datenpartitionen. 

Massive Parallelität 

Alle Prozessor-Cores werden für Queries 

genutzt. MPP und „shared nothing“ 

Architekturen. 


Vieles ist nicht mehr notwendig: 

• Keine Indexkreierung- und pflege 

• Keine materialisierte View-Verwaltung 

• Keine Aggregate und Summaries 

• Keine Statistikverwaltung 

• Keine Storage-Allokation 

• Keine Anwendungsänderungen 

Fazit: der Einsatz einer analytischen Datenbank 

verbessert die Performance, vereinfacht die 

Administration und senkt die Betriebskosten 


Marktübersicht Analytische Datenbanken 

Anbieter/DB-Engine 

Speicherstelle Lieferform Speichertyp Architektur 

Disk 

(HDD/SSD) 

In- 

Memory 

(RAM) 

Software Appliance DaaS Column Row SMP MPP 

Actian Vectorwise x x x (x) x 

Calpont InfiniDB x x x x x x 

EMC Greenplum x x x x x x A 

Exasol ExaSolution x x x x x x x S 

HP Vertica Analytics Platform x x x x x (x) x S 

IBM DB2 (PureData Op. Analytics) x x x x x S 

IBM Netezza (PureData Analytics) x x x x A 

InfoBright x x x 

Kognitio WX2 (x) x x x x x x S 

Microsoft SQL Server / PDW x x x x x C x 

Oracle Database / Exadata x x x (x) x 2TC 

ParAccel Analytic Platform x x x x x x x 

ParStream x x x x x x 

SAND Analytics Server x x x x x x 

SAP HANA (x) x x x (X) x S 

Sybase IQ x x x C 

Teradata x x x x x S 

Teradata Aster Database x x x x x x x S 

Auszug BARC-Studie Analytische Datenbanken 2013 

X= ja C=SMP Cluster 2TC=2-tier-Cluster S=symetrisch A=asymetrisch 


Auszug aus der BARC Studie „Analytische Datenbanken“ 

(Bewertung) 

Anbieter und Produkt 

5 

Flexibilität 

4 

3 

Abfrage-Fähigkeiten 

2 

1 

Gesamtkosten 

0 

Pflege-Fähigkeiten 

Anbieter und Produkt 

5 

Flexibilität 

4 

3 

Abfrage-Fähigkeiten 

Umsetzungseffizienz 

Mixed Workloads 

2 

1 

Hochverfügbarkeit 

Gesamtkosten 

0 

Pflege-Fähigkeiten 

Actian Hersteller Vectorwise x v2.5 

Durchschnitt 

Umsetzungseffizienz 

Mixed Workloads 

Hochverfügbarkeit 

IBM Hersteller DB2 v10/ISAS/PureData y 

for op. Analytics 

Durchschnitt 


BARC-Bundle: Analytische Datenbanken 

Schnelle Analysen, einfacher Betrieb, niedrige Kosten – 

noch Wunsch oder schon Wirklichkeit? 

Bestandteile: 

- Aktuelle Markttrends, -übersicht und –klassifizierung der ADB-Technologien 

- Analystenkommentare zu Einsatz, Nutzen und Potential von ADBs 

- Vergleichende funktionale Bewertung relevanter ADBS anhand Stärken- 

Schwächen-Analysen 

- Beschreibung der Datenbank-Leistungsfähigkeit anhand von bestmöglichen 

Einsatzszenarien für jede analysierte Datenbank 

- PPT-Grafiken für Ihre Präsentationen 

- Eintägiges Seminar zur Vertiefung und Beantwortung individueller Fragen und 

Beschleunigung der Umsetzung des Themas in Ihrem Unternehmen 


Exkurs In-Memory: 

Entwicklung Preis-/Nutzen der Hardware 


In-Memory Datenbanken (IMDB) - Charakteristika 

• Daten befinden sich permanent im Hauptspeicher 

• Hauptspeicher ist die primäre "Persistenz„ 

• Immer noch: Logging auf die Festplatte / Recovery von der 

Festplatte 

• Der Zugriff auf den Hauptspeicher ist der neue Engpass 

• Cache - bewusste Algorithmen / Datenstrukturen sind entscheidend 

(Lokalität ist wichtig) 

• Nutzung von Prozessor Features (Vector Instruktionen, SIMD) 

• Spaltenbasierte Datenspeicherung mit hohem 

Komprimierungsfaktor (Memory ist der limitierende Faktor) 

• (Teilweise) Verarbeitung der Daten in komprimierter Form spart 

Rechenleistung 

• Hauptspeicher optimierte Algorithmen und Verarbeitung 


In-Memory Datenbank - Beispiele 

EXASOL 

EXASolution IMDB für 

analytsche Anwendungen 

IBM DB2 mit In-Memory 

Erweiterung „BLU“ 

Hybride Datenspeicherung (klassisch 

und In-Memory) für OLTP und 

analytische Anwendungen 

DB2 with BLU Acceleration 

Runtime 

Classic 

DB2 runtime 

Classic DMS 

(non-BLU tables) 

CPUs with SIMD 

BLU 

runtime 

BLU DMS 

(BLU tables) 

Classic DB2 bufferpool 

SAP HANA 

IMDB für analytische und 

OLTP Anwendungen 

Storage 

classic row 

structured table 

C1 C2 C3 C4 C5 C6 C7 C8 

compressed, 

encoded columnar 

C1 C2 C3 C4 C5 C6 C7 C8 


BARC-Coaching-Paket: SAP HANA 

Erhalten sie einen realistischen Einblick in die Chancen und Herausforderungen des 

Einsatzes von SAP HANA und der Alternativen für Ihr Unternehmen! 

Bestandteile: 

- Workshop 

- Übersicht BI mit SAP 

- Vergleich Leistungsfähigkeit 

- Positionierung in der BI-Landschaft – Herausforderungen und Potentiale 

- Projekterfahrungen und Fallbeispiele 

- Technik, Markttrend, Benchmarks, Best Practices 

- Individuelle Gestaltung nach Ihren Wünschen 

- BARC-Studie Analytische Datenbanken 

- Unabhängige Bewertung aller marktführenden Produkte und interessante Neueinsteiger 

- Ein einheitlicher Kriterienkatalog sorgt für Transparenz und Vergleichbarkeit 

- Research Service „BI Manager“ 

- 6 Monate Zugriff auf weitere wertvolle Informationsquellen 

- Monatliche Research Notes zu aktuellen Themen 

- Marktanalysen und Hintergrundbeiträge 

- Kostenfreie Teilnahme an BARC-Tagungen 



Agenda 








Die vier Kernsätze für Data Warehousing 

formuliert in den 90er Jahren 

Operative und dispositive Umgebungen sollten sowohl aus Geschäfts- als 

auch aus technischen Gründen getrennt werden 

Ein Data Warehouse ist der einzige Weg, um eine zuverlässige, integrierte 

Sicht auf das Unternehmen zu erhalten 

Das Data Warehouse ist die einzig mögliche Instanziierung des 

vollständigen Unternehmens-Datenmodells 

Eine mehrschichtige Data Warehouse Architektur ist notwendig für die 

schnelle und zuverlässige Abfrage-Performance. 


Herausforderungen 

im Umgang mit Daten und Informationen 

Quelle: BARC Data Warehousing 2011 Survey 


Aberdeen Study: 

Best-In-Class Data Management for BI 

• 216 global organizations 

• Significant trends in high performing companies 

• Best in class are 

• twice as likely to use MDM as all other companies 

• 1.8 times more likely to have data cleansing capabilities 

• 2.2 times more likely to have the ability to optimize queries 

• Competitive maturity assessment showed 

• Average of 39 days average time to integrate new data sources versus 

8.9 months for laggards 

• Average 60 percent decrease in time to information compared to 10 

percent for laggards 

• Average 81 percent of analytical employees have access to BI whereas 

laggards have only 23 percent 

• Outstanding companies had an 18 percent average year-over-year 

profit margin increase, compared to the 12 percent industry average 

Source: „Data Management for BI: Strategies for leveraging the Complexity and Growth of Business Data“, Aberdeen Group, 2009 


DWH-Architektur 

Das geschichtete Data Warehouse seit den frühen 90er Jahren 

Business Intelligence 

Services 

Monitoring 

Reporting 

Ad-hoc Analysis 

Management 

Services 

Planning 

Legal Consolidation 

Advanced Analysis 

Visualization 

Collaboration 

Business Layer, Data Marts Layer, Access Layer, ... 

Wichtige Annahme: separate Semantic Layer Data Marts 

Data Provisioning 

Services 

benötigt, um Core Leistungseinschränkungen Data Warehouse Layer von 

Caching 

Relational Data Dimensional Federation/ 

relationalen Datenbanken zu überwinden 

Storage Data Storage Virtual Data Stores 

Integration & 

Quality Services 

Staging Layer, ODS, Near Real-Time Data, ... 

System & Process 

Monitoring 

Data Modeling 

Meta Data Mgt. 

Security 

Automation 

Data Quality 

Data Integration 

Enrichment 



Externe 

Systeme 

CRM 

ERP SCM 

Strukturierte Geschäftsdaten 

DWH-Architektur 

Das geschichtete Data Warehouse seit den frühen 90er Jahren 

ETL (batch) 

Enterprise BI/DWH Lösung 

Staging 

(EDW) 

Komplexe 

“Business 

Rules” 

Star 

Schemas 

Komplexe 

“Business 

Rules” 

+ Abhängigkeiten 

System of Record 

(EDW) 

Staging + Historie 

Conformed Dimensions 

Lookup Tables 

Hierarchien 

Fact Tables 

65

Externe 

Systeme 

CRM 

ERP SCM 

Strukturierte Geschäftsdaten 


Mining 

Ad hoc 

Reporting 

Standard- 

Reporting 

Planung 

Analyse 

Dashboards 

Fortgeschrittene DWH-Architektur für Self Service BI, 

reduzierten Datenintegrationsaufwand, höhere Flexibiliät 

ETL 

(batch, 

continuous 

ingest,) 

Enterprise BI/DWH Lösung 

Star 

Schemas 

on demand 

Staging 

EDW 

Advanced 

Analytics 

ETL 

(batch, 

continuous 

ingest,) 

Komplexe 

“Business 

Rules” 

Report 

Collections 

Fundamentale Ziele 

• wiederholbar 

• konsistent 

• Fehlertolerant 

• skalierbar 

• “auditable” 

• Die “business rules” sind näher zu den Fachbereichen verlegt 

• Verbesserte Reaktionszeiten in der IT 

• Reduzierte Kosten und minimierte Beeinflussung des 

Enterprise Data Warehouse (EDW) 

66

Fortgeschtrittene DWH-Architektur: Verbesserungen der 

Flexibilität, Abfrageperformance und Datenaktualität 

Business Intelligence 

Services 

Monitoring 

Reporting 

Verbesserte Abfrage 

Performance durch 

Ad-hoc 

Nutzung 

Analysis 

neuer 

Technologien 

Management 

Services 

Planning 

Legal Consolidation 

Advanced Analysis 

Visualization 

Collaboration 

System & Process 

Monitoring 

Data Provisioning 

Services 

Relational Data 

Storage 

Dimensional 

Data Storage 

Semantic Layer 

Federation/ 

Virtual Data Stores 

Datenbank Performance 

Caching 

Data Modeling 

Meta Data Mgt. 

Security 

Integration & 

Quality Services 

Data Quality 

Data Integration 

Enrichment 

Verbesserte Pflege 

Performance durch 

Vereinfachung der DI 

Strecken 


Automation 


Fortgeschrittene Data-Warehouse-Architektur: Zielbild 

Enterprise Query Layer/Daten Virtualisierung 

Logisches 


Warehouse 

Streaming/ 

Event 


Historical 

Reporting 


Core 

Business 


Business 

Analysis 


Multistructured 


Etc. 

Etc. 

Metadata 

Datenakquise und Integration 

ERP SCM CRM 

Externe 

Systeme 

Sensor-Daten Web Logs Social Media Dokumente 

Strukturierte Geschäftsdaten Maschinengeneriert (strukt.) Mensch generiert (polystr.) 

Integrierte Strukturen 

• Säulen anstatt Schichten 

• Daten über Säulen hinweg 

gemeinsam genutzt 

• Gespeichert & Streaming 

• RDBMS und nicht-relational per 

Verarbeitungsanforderung 

• Metadaten (& Modelle) über die Säulen 

hinweg genutzt 


Trend zur gemischten BI/DWH-Topologie 

Data Sources 

Beispiele 

Event Data 

CRM 

Internet / 

Social Media 

ERP 


Integration 


Processing 

Real-time 

Analytics 

Traditional, centralized 

Enterprise 

Data Warehouse 

Queryable 

Archive 

• IBM Logical Data Warehouse 

Architecture 

• Teradata Analytic Eco-System 

• Microsoft Distributed Data Warehouse 

Architecture 

External Sources 

Operational 

Analytics 

BI + Ad Hoc 

Analytics 

Q: IBM 

Data Governance, Security and Lifecycle Management 

Departmental 

Reporting 

Regional 

Reporting 

Central EDW Hub 

High-Performance 

Reporting 

Q: Teradata 

Landing Zone 

Q: Microsoft 

ETL Tools 

69

Finales Beispiel: eBay-BI-Umgebung (Mitte 2012) 

Tom Fastner, Sr. MTS – APD Architecture, eBay 

70

Schlussfolgerung: 

Big Data erweitert BI auf eine neue Ebene 

Jenseits des Hype, Big Data ist Mainstream und bietet neue 

Geschäftsmöglichkeiten in der Analytik- und Prozessinnovation 

Hadoop und zugehörige Tools 

sind eine (Entwicklungs) 

Umgebung die für Analytik und 

Datenaufbereitung geeignet ist 

Der Einsatz einer analytischen 

Datenbank kann die Performance 

verbessern, die Administration 

vereinfachen und die 

Betriebskosten senken. 

Big Data (und mehr) verlangt nach 

einem neuen Ansatz 

• Inklusive aller Informations- 

Quellen, Typen und Nutzung 

• Technologie und mehr und 

andersartige Daten eröffnen neue 

Möglichkeiten in Richtung „context 

computing“ 

• Fortgeschrittene Data Warehouse 

Architektur als Integrationsplattform 

für alle Daten 



Agenda 








Gründe für Datenqualitätsinitiativen und 

Stammdatenmanagement: höhere Anforderungen im Fachbereich 


Mobile 

Social Media 

… 

Fachbereich 

Verlässliche Daten 

(Stammdatenmanagement und Datenqualität) 


Datenmanagement – 

Relevante Themen aus Anwendersicht 

SaaS / Cloud-Angebote / gehostete Lösungen 

40% 

28% 

29% 


56% 

20% 

21% 

Nutzung mobiler Endgeräte 

64% 

21% 

13% 

Echtzeit-Daten zur Analyse 

66% 

16% 

17% 

Self-Service BI 

72% 

17% 

8% 

Stammdatenmanagement (MDM) und Datenqualität 

82% 

10% 

5% 

0% 20% 40% 60% 80% 100% 

(Sehr) wichtig Gleichgültig Kaum / (un-)wichtig 

Bewerten Sie die Relevanz der folgenden Trendthemen für Ihr Unternehmen, n=192 

BARC Big Data Survey Europe 2012, Dez 2012, http://www.barc.de/big-data 


Datenmanagement – 

Relevante Themen aus Anwendersicht 

SaaS / Cloud-Angebote / gehostete Lösungen 

40% 

28% 

29% 


56% 

20% 

21% 

Nutzung mobiler Endgeräte 

64% 

21% 

13% 

Echtzeit-Daten zur Analyse 

66% 

16% 

17% 

Self-Service BI 

72% 

17% 

8% 

Stammdatenmanagement (MDM) und Datenqualität 

82% 

10% 

5% 

0% 20% 40% 60% 80% 100% 

(Sehr) wichtig Gleichgültig Kaum / (un-)wichtig 

‣ DQ und MDM als 

wichtigstes „Trend“-Thema 

Bewerten Sie die Relevanz der folgenden Trendthemen für Ihr Unternehmen, n=192 

BARC Big Data Survey Europe 2012, Dez 2012, http://www.barc.de/big-data 


Hauptprobleme in BI Projekten 

(aus Anwendersicht) 


32% 








17% 

15% 

15% 

14% 

13% 

12% 

12% 



Probleme, die bei der 

Nutzung von BI auftreten?“ 

Schlechte Data Governance 

Software ist nicht flexibel genug 





9% 

9% 

8% 

7% 

6% 

6% 


4% 

Sicherheitbeschränkungen im Produkt 3% 



(Oktober 2012), n=2067 


0% 20% 40% 


76

Hauptprobleme in BI Projekten 

(aus Anbietersicht) 


36% 


26% 


21% 






13% 

13% 

13% 

16% 

19% 



Probleme, auf die 

Anbieter bei Ihren 

Kunden stoßen?“ 


12% 


12% 



5% 

5% 


3% 



Sicherheitsbeschränkungen im Produkt 1% 

(Oktober 2012), n=512 


0% 20% 40% 


77

Datenqualitätsinitiativen erhöhen das Vertrauen in 

Datenqualität signifikant 

Vertrauen in Daten analysiert nach Status der Datenqualitätsinitiative: 

(n = 133, in %) 

Bereits im Einsatz 

56% 

In der Umsetzung 

13% 

Planung innerhalb des Jahres 

23% 

langfristig geplant 

21% 

Hohes Vertrauen 

nicht geplant 

13% 

0 20 40 60 

Quelle: BARC Studie Datenqualität in Deutschland 2011 - Organisation und Initiativen 


78

Datenqualitätsmanagement und Stammdatenmanagement 

Bereich 

Ziel 

Lösung über 

Datenqualitätsmanagement 


Datenqualität in Daten 

verbessern 

Daten aus verschiedenen 

Datenquellen verwalten; dabei 

notwendig: Datenqualität 

Fachlichkeit 

Organisation 

Technik 

Richtlinien und Prinzipien 

Datenprofile 

Anwenderprofile 

Anwendungsfälle 

Regelwerke, Checklisten 

‣ DQ und MDM sind 

ganzheitliche Themen 


Klassische Herangehensweisen 

zur Steigerung der 

Datenqualität 


Datenqualitätszyklus 

‣ Datenqualität kann durch 

Umsetzung des DQ-Zyklus 

dauerhaft gesichert werden 


81

Datenqualitätszyklus, Beispiel Analyse (IBM) 


Datenqualitätszyklus, Beispiel Bereinigung (DataFlux: 

Aufbau von DQ-Prozessen) 

83

Datenqualitätszyklus, Beispiel Referenzdaten (Microsoft SQL 

Server Data Quality Services: Definition von Referenzdaten)

Datenqualitätszyklus, Beispiel Kontrollieren und Überwachen 

(Trillium Software: DQ-Monitoring) 


Aktuelle Trends des 

Datenqualitätsmanagements 


Treiber des Datenqualitätsmanagements: 

Datenqualitätsmanagement im Fachbereich 

• Treiber: DQ-Verständnis im FB, nicht IT 

• Trends auf Anbieterseite: 

• Werkzeuge für den Fachbereich (weniger technisch) 

• Oberflächen für verschiedene Rollen (Regelersteller, Datenverwalter, 

Datennutzer…) 



Abdeckung des gesamten DQ-Zyklus 

• Treiber: DQ soll ganzheitlich und nachhaltig verwaltet werden 

(Analyse, Bereinigung, Anreicherung, Überwachung und Kontrolle) 


• Komplettierung von Funktionen zur Abdeckung DQ-Zyklus 

• Fehlende Funktionen aus DQ-Zyklus durch offene Schnittstellen durch 

Drittanbieter umsetzen 



DQ bereits bei Datenanlage sichern 

• Treiber: Bereits in den operativen Systemen nur qualitativ hochwertige 

Daten halten 


• Integration von DQ-Logik in operative Systeme 

• Erweiterung oder Ersetzung operativer Masken 



Schnellstart der DQ-Initiative 

• Treiber: Schnelles und korrektes Starten der DQ-Initiative auch im 

kleinen und bei beschränkten Budgets 


• Vorlage-Datenmodelle 

• Vorlage-Logik 

• Online Services 

• Pakete für bestimmte Aufgabenstellungen (Solvency II) 


Klassische Herangehensweisen 

zum Management von 

Stammdaten 



• Klassischer Anforderung: Stammdaten aus verschiedenen Systemen 

sollen verwaltet werden 

• Wesentliche Voraussetzung: qualitätsgesicherte Daten 

Persistenter MDM Hub 

(Repository, ein OLTP-System) 

Persistenter MDM Hub 

(Repository, spezielle Applikation) 

MDM 

OLTP-System 

OLTP-System 

MDM 

Leading 

OLTP-System 

OLTP-System 

Operational 

Systems 



Virtual MDM Hub 

(Registry) 

Analytical MDM 

(Repository, manuelle Datenpflege, 

Zielsystem: DWH) 

MDM 

MDM 

Operational 

systems 

Virtual 

Operational 

Systems 




MDM-Beispiel: Entwicklung von MDM-Regeln (Talend) 

93 Screenshots: Talend

MDM-Beispiel: Anlage von Organisations-Stammdaten (SAP 

Netweaver Master Data Governance) 


Screenshots: SAP

MDM-Beispiel: MDM mit anbieterspezifischen Workflows und 

Masken (ZetVisions SPoT: Pflege von Kreditoren/Debitoren) 


Aktuelle Trends des 

Stammdatenmanagements 


Treiber des Stammdatenmanagements: 

Integration weiterer Datenquellen 

• Treiber: Integration weiterer Datenquellen 

• Daten weiterer Standorte 

• Integration der Datenmodelle 

• Übersetzen von Daten 

• Pflege von Daten 

• Verteilung von Daten 


• Parallelbetrieb vs. Integration in operative Systeme 

• Erweiterung oder Ersetzung operativer Masken 

• Vorlage-Datenmodelle 



Datenqualität 

• Treiber: Unzureichende Datenqualität = hohe Kosten, niedrige 

Motivation; DQ-Verständnis im FB, nicht IT 


• Eigene DQ-Lösung 

• Integration externer DQ-Lösungen (Installation, Web Services) 

• Abbildung gesamter DQ-Zyklus 



Mehr Datenlieferanten, mehr Datennutzer 

• Treiber: Supply Chain Management, mehr Kanäle (Mobile Devices), 

soziale Medien 


• Abbildung von Rollen 

• Besondere Benutzeroberflächen 

• Workflows 

• Regel-Management 

• Business Glossare 



MDM-Daten für BI 

• Treiber: MDM-Daten als Grundlage für BI-Systemen 


• MDM als Bestandteil der Business Intelligence / Data Integration Suite / 

Angebots 


Auszug Marktüberblick MDM Anbieter 

Dun&Bradstreet 

zetVisions 

Fachliche 

Spezialisten 

Vision Ware 

Zynapse 

Heiler 

Software 

Netconomy 

SAP 

Oracle 

Datanomics 

Hyperion 

Silver Creek 

Daten- 

Management 

Informatica 

Siperian 

Talend 

Amalto 

SAS 

DataFlux 

Tibco 

Teradata 

Service Orientierte 

Infrastruktur 

IBM 

Trigo, DWL, 

Initiate 

Microsoft 

Stratature 

Software AG 

Data Foundations 

Information 

Builders 

Ataccama (OEM) 

Ab Initio 

Ataccama 

Innovative Systems 

Stibo Systems 

Kalido 

ISO Systems Scarus 

‣ Unterschiedliche Anforderungen an MDM werden 

von Anbietern durch verschiedene 

Herangehensweisen bedient 

Technische 

Integration 


101

Übersicht Datenqualitäts- und Stammdatenmanagement-Software: 

BI DM Branchenkatalog “BARC Guide 2012/2013” 

• Markt-Kompendium zu Business Intelligence 

und Data Management 

• Jährliches Update 

• Inhalt 

• Analystenbeiträge zum 

Marktgeschehen 

• Case Studies 

• Best Practice Beispiele 

• alle relevanten Anbietern für Software 

und Services für BI und DM im 

deutschsprachigen Raum 

• Download über 

http://www.barc.de/de/barc-guidede.html 

‣ 45 Hersteller bieten über 100 

DQ-Werkzeuge an 

‣ 30 Hersteller bieten über 50 

MDM-Werkzeuge an 


Treiber und Trends des Stammdatenmanagement 

• Datenqualität und Stammdatenmanagement sind die 

Top-Datenmanagement-Themen 

• Treiber des Datenqualität- und Stammdatenmanagements werden durch 

Trends auf Anbieterseite bedient 

• Empfehlung für DQ- und MDM-Projekte 

• DQ/MDM-Projekte sind sehr individuell sehr individuelle Empfehlung 

• DQ-Probleme DQ-Initiativen als Pilotprojekte, lernen 

• Unternehmensweites MDM Workshops: Was sind die Ziele? 

• DQ und MDM sind vorwiegend organisatorisch und fachlich zu lösen; 

Software kann DQ und MDM nicht lösen, sondern nur dabei unterstützen. 


Big Data Survey Europe 

Anwender-Umfrage zur Nutzung, Technologie und Budgets 

und den zentralen Fragen: 

- Status quo und geplante Weiterentwicklung 

- Treiber von Big Data aus Unternehmenssicht? 

- Organisation von Big Data? 

- Nutzung und Herausforderungen 

- Exklusive Ergebnisse aus der BARC-Umfrage an 

Best Practice Unternehmen in DACH, Frankreich 

und GB 

 

Weitere Informationen und Download unter: 

www.barc.de/big-data 


Bleiben wir in Kontakt! 

Verbinden Sie sich mit mir auf 

oder 

Timm Großer 

Diplom-Kaufmann 

Head of Consulting Business Intelligence & Data Management 

Senior Analyst 

Otto Görlich 

BARC GmbH 

Steinbachtal 2b 

D-97082 Würzburg 

Tel. +49 (0)931/880651-27 

Fax +49 (0)931/880651-28 

tgrosser@barc.de 

www.barc.de 

Senior Analyst 

Lars Iffert 




Tel. +49 (0)931/880651-0 

Fax +49 (0)931/880651-28 

ogoerlich@barc.de 

www.barc.de 

Analyst 




Tel. +49 (0)931/880651-27 

Fax +49 (0)931/880651-28 

liffert@barc.de 

www.barc.de 


BI Leaders´ Circle 

Netzwerk, Wissen und Kontakte für BI-Verantwortliche 


BI Leaders´ Circle - Themenplanung 

BI Manager – 

Research Service 

• Mobile BI 

• Big Data Analytics 

• Big Data Datenmanagement 

• Self-Service-BI 

• Analytische Datenbanken 

• Data Governance 

• BI-Organisation 

• BI mit SAP 

• Information Design 

• Social Media BI 

• …….. 

BARC-Tagungen 

• Planungs- und Controlling- 

Systeme für den Mittelstand 

• Automatische Rechnungs- und 

Posteingangsbearbeitung 

• ÖCI-BARC-Tagung Business 

Intelligence 

• BARC-Update: Self Service BI 

• BARC@TDWI Track – 

Europäische TDWI-Konferenz 

• Berichtswesen, Analyse, 

Planung und Konsolidierung 

auf der Microsoft Business 

Intelligence-Plattform 

• BI Congress 

BARC-Studien 

Marktanalysen und 

Produktvergleiche 

• Big Data Survey 

• Datenmanagement 

• Performance 

Management 

• The BI Verdict 

• The BI Survey 

• ….. 


BARC Business Intelligence Congress 2013 

• 19.-20. November 2013 im Abenteuermuseum „Odysseum“ in Köln 

• Highlights: 

• Best Practices 

• Case Studies 

• Analystenvorträge 

• LIVE-Demos und „Hot Seats“ 

• Verleihung des Best Practice Awards in den beiden Kategorien 

„Mittelstand“ und „Konzern“

BARC-Track: Trends im Data Warehousing und ... - SIGS DATACOM

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?