Deutsch   |   English
   
 digg.com  del.icio.us 

Analytische Funktionen

Analytische Funktionen werden typischerweise für folgende Fragestellungen eingesetzt:

  • Berechnung der laufenden Summe
  • Finde Perzentile innerhalb von Gruppen
  • Ermittlung von Top-N …
  • Berechnung vom gleitenden Durchschnitt

Analytische Funktionen berechnen einen Gesamtwert anhand einer Gruppe von Zeilen. Sie unterscheiden sich von Aggregatfunktionen, indem sie die Gruppen nicht zusammenfassen, sondern einen Wert für jede Zeile liefern.

Analytische Funktionen werden am Ende der Queryberechnung ausgeführt, aber vor der ORDER BY Klausel. D.h. alle Joins, WHERE, GROUP BY, und HAVING Klauseln werden vor der Berechnung analytischer Funktionen fertiggestellt. Deswegen können analytische Funktionen nur in der SELECT-Liste oder in der ORDER BY Klausel angegeben werden.

Analytische Klausel

Mit Hilfe von PARTITION BY kann die Tabelle in mehrere Partitionen anhand einer angegebenen Bedingung aufgeteilt werden. Das Ergebnis wird für jede Partition separat gerechnet - ähnlich wie bei der GROUP BY Klausel. Ist keine PARTITION BY angegeben, bezieht sich eine analytische Funktion immer auf die ganze Tabelle.

Die ORDER BY Klausel gibt die Sortierreihenfolge der Zeilen innerhalb jeder Partition vor. Bitte beachten Sie, dass diese Reihenfolge sich von der Ausgabereihenfolge unterscheiden kann. Ist diese Klausel angegeben, werden nicht alle Zeilen der Partition in die Berechnung einbezogen, sondern nur ein Teil davon, ein sog. Fenster. In EXASolution besteht dieses Fenster für eine Zeile aus allen Zeilen dieser Partition die entsprechend der Sortierung vor dieser Zeile liegen.

Für die nächsten Beispiele wird die View V_TRANSACTION benutzt, die alle Bestellungen, Retouren und Einzahlungen für jeden Kunden anzeigt.

Beispiel 1: Ohne analytische Klausel

SELECT 
    customer_no
  , last_name
  , transaction_date 'DATE'
  , transaction_type TYPE
  , transaction_sum 'SUM'
-- calculates the balance of all customers
  , SUM(transaction_sum) OVER() total
FROM v_transactions
ORDER BY last_name, transaction_date;

Das Ergebnis berücksichtigt alle Zeilen der Tabelle, wird im Unterschied zur Aggregatfunktionen für jede Zeile angezeigt!

 

CUS LAST_NAME    DATE       TYPE    SUM      TOTAL   
--- ------------ ---------- ------- -------- --------
  2 Adams        2008-10-11 ORDER     -31.32   -77.46
  2 Adams        2008-10-25 ORDER     -31.89   -77.46
  2 Adams        2008-10-25 RETURN     12.64   -77.46
  2 Adams        2008-10-27 PAYMENT     6.04   -77.46
  2 Adams        2008-11-02 ORDER      -8.97   -77.46
  2 Adams        2008-11-03 ORDER     -19.25   -77.46
  2 Adams        2008-11-04 PAYMENT    31.89   -77.46
  2 Adams        2008-11-10 RETURN      8.97   -77.46
  2 Adams        2008-11-25 ORDER     -11.83   -77.46
  2 Adams        2008-11-30 PAYMENT    43.72   -77.46
  7 Black        2008-10-20 ORDER     -21.17   -77.46
  7 Black        2008-11-04 PAYMENT    21.17   -77.46
  7 Black        2008-11-12 ORDER     -17.03   -77.46
  7 Black        2008-11-17 PAYMENT    17.03   -77.46
  4 Brown        2008-10-19 ORDER     -27.49   -77.46
  4 Brown        2008-10-25 ORDER     -15.13   -77.46
  4 Brown        2008-11-03 PAYMENT    27.49   -77.46
  4 Brown        2008-11-21 ORDER     -21.04   -77.46
  4 Brown        2008-11-30 PAYMENT    36.17   -77.46
  8 Green        2008-10-14 ORDER     -16.48   -77.46
  8 Green        2008-11-03 RETURN      8.24   -77.46
  8 Green        2008-11-03 PAYMENT     8.24   -77.46
  8 Green        2008-11-09 ORDER     -43.61   -77.46
  3 Jones        2008-10-11 ORDER     -42.02   -77.46
  3 Jones        2008-10-25 ORDER     -34.38   -77.46
  3 Jones        2008-11-03 PAYMENT    26.84   -77.46
  3 Jones        2008-11-03 RETURN      7.59   -77.46
  3 Jones        2008-11-10 ORDER     -31.89   -77.46
  3 Jones        2008-11-15 PAYMENT    73.86   -77.46
  6 Marsch       2008-11-20 ORDER     -14.37   -77.46
  6 Marsch       2008-12-01 PAYMENT    14.37   -77.46
 12 Meier        2008-11-17 ORDER     -22.27   -77.46
  5 Peters       2008-11-05 ORDER      -8.97   -77.46
  5 Peters       2008-11-15 ORDER      -5.79   -77.46
  5 Peters       2008-11-20 PAYMENT     8.97   -77.46
  9 White        2008-11-17 ORDER      -5.79   -77.46
 10 Young        2008-10-12 ORDER     -20.50   -77.46
 
38 rows in resultset.

Beispiel 2: Nutzung von PARTITION BY Klausel

SELECT 
    customer_no
  , last_name
  , transaction_date 'DATE'
  , transaction_type TYPE
  , transaction_sum 'SUM'
-- calculates the balance of all customers
  , SUM(transaction_sum) OVER() total
-- calculates the balance of each customer
  , SUM(transaction_sum) OVER(PARTITION BY customer_no) cust_balance
FROM v_transactions
ORDER BY last_name, transaction_date;

PARTITION BY customer_no bewirkt die Summenbildung separat für jeden Kunden.

CUS LAST_NAME    DATE       TYPE    SUM      TOTAL    CUST_BAL
--- ------------ ---------- ------- -------- -------- --------
  2 Adams        2008-10-11 ORDER     -31.32   -77.46     0.00
  2 Adams        2008-10-25 ORDER     -31.89   -77.46     0.00
  2 Adams        2008-10-25 RETURN     12.64   -77.46     0.00
  2 Adams        2008-10-27 PAYMENT     6.04   -77.46     0.00
  2 Adams        2008-11-02 ORDER      -8.97   -77.46     0.00
  2 Adams        2008-11-03 ORDER     -19.25   -77.46     0.00
  2 Adams        2008-11-04 PAYMENT    31.89   -77.46     0.00
  2 Adams        2008-11-10 RETURN      8.97   -77.46     0.00
  2 Adams        2008-11-25 ORDER     -11.83   -77.46     0.00
  2 Adams        2008-11-30 PAYMENT    43.72   -77.46     0.00
  7 Black        2008-10-20 ORDER     -21.17   -77.46     0.00
  7 Black        2008-11-04 PAYMENT    21.17   -77.46     0.00
  7 Black        2008-11-12 ORDER     -17.03   -77.46     0.00
  7 Black        2008-11-17 PAYMENT    17.03   -77.46     0.00
  4 Brown        2008-10-19 ORDER     -27.49   -77.46     0.00
  4 Brown        2008-10-25 ORDER     -15.13   -77.46     0.00
  4 Brown        2008-11-03 PAYMENT    27.49   -77.46     0.00
  4 Brown        2008-11-21 ORDER     -21.04   -77.46     0.00
  4 Brown        2008-11-30 PAYMENT    36.17   -77.46     0.00
  8 Green        2008-10-14 ORDER     -16.48   -77.46   -43.61
  8 Green        2008-11-03 RETURN      8.24   -77.46   -43.61
  8 Green        2008-11-03 PAYMENT     8.24   -77.46   -43.61
  8 Green        2008-11-09 ORDER     -43.61   -77.46   -43.61
  3 Jones        2008-10-11 ORDER     -42.02   -77.46     0.00
  3 Jones        2008-10-25 ORDER     -34.38   -77.46     0.00
  3 Jones        2008-11-03 PAYMENT    26.84   -77.46     0.00
  3 Jones        2008-11-03 RETURN      7.59   -77.46     0.00
  3 Jones        2008-11-10 ORDER     -31.89   -77.46     0.00
  3 Jones        2008-11-15 PAYMENT    73.86   -77.46     0.00
  6 Marsch       2008-11-20 ORDER     -14.37   -77.46     0.00
  6 Marsch       2008-12-01 PAYMENT    14.37   -77.46     0.00
 12 Meier        2008-11-17 ORDER     -22.27   -77.46   -22.27
  5 Peters       2008-11-05 ORDER      -8.97   -77.46    -5.79
  5 Peters       2008-11-15 ORDER      -5.79   -77.46    -5.79
  5 Peters       2008-11-20 PAYMENT     8.97   -77.46    -5.79
  9 White        2008-11-17 ORDER      -5.79   -77.46    -5.79
 10 Young        2008-10-12 ORDER     -20.50   -77.46     0.00
 10 Young        2008-10-20 PAYMENT    20.50   -77.46     0.00
 
38 rows in resultset.
 

Beispiel 3: Mit PARTITION BY und ORDER BY Klausel

SELECT 
    customer_no
  , last_name
  , transaction_date 'DATE'
  , transaction_type TYPE
  , transaction_sum 'SUM'
-- calculates the balance of all customers
  , SUM(transaction_sum) OVER() total
-- calculates the balance of each customer
  , SUM(transaction_sum) OVER(PARTITION BY customer_no) cust_balance
-- calculates the running balance of each customer
  , SUM(transaction_sum) OVER(PARTITION BY customer_no ORDER BY transaction_date) running_balance
FROM v_transactions
ORDER BY last_name, transaction_date;

In diesem Beispiel wird mit Hilfe der ORDER BY Klausel für jeden Kunden ein laufender Kontostand berechnet. 

CUS LAST_NAME    DATE       TYPE    SUM      TOTAL    CUST_BAL RUNNING_
--- ------------ ---------- ------- -------- -------- -------- --------
  2 Adams        2008-10-11 ORDER     -31.32   -77.46     0.00   -31.32
  2 Adams        2008-10-25 ORDER     -31.89   -77.46     0.00   -63.21
  2 Adams        2008-10-25 RETURN     12.64   -77.46     0.00   -50.57
  2 Adams        2008-10-27 PAYMENT     6.04   -77.46     0.00   -44.53
  2 Adams        2008-11-02 ORDER      -8.97   -77.46     0.00   -53.50
  2 Adams        2008-11-03 ORDER     -19.25   -77.46     0.00   -72.75
  2 Adams        2008-11-04 PAYMENT    31.89   -77.46     0.00   -40.86
  2 Adams        2008-11-10 RETURN      8.97   -77.46     0.00   -31.89
  2 Adams        2008-11-25 ORDER     -11.83   -77.46     0.00   -43.72
  2 Adams        2008-11-30 PAYMENT    43.72   -77.46     0.00     0.00
  7 Black        2008-10-20 ORDER     -21.17   -77.46     0.00   -21.17
  7 Black        2008-11-04 PAYMENT    21.17   -77.46     0.00     0.00
  7 Black        2008-11-12 ORDER     -17.03   -77.46     0.00   -17.03
  7 Black        2008-11-17 PAYMENT    17.03   -77.46     0.00     0.00
  4 Brown        2008-10-19 ORDER     -27.49   -77.46     0.00   -27.49
  4 Brown        2008-10-25 ORDER     -15.13   -77.46     0.00   -42.62
  4 Brown        2008-11-03 PAYMENT    27.49   -77.46     0.00   -15.13
  4 Brown        2008-11-21 ORDER     -21.04   -77.46     0.00   -36.17
  4 Brown        2008-11-30 PAYMENT    36.17   -77.46     0.00     0.00
  8 Green        2008-10-14 ORDER     -16.48   -77.46   -43.61   -16.48
  8 Green        2008-11-03 RETURN      8.24   -77.46   -43.61    -8.24
  8 Green        2008-11-03 PAYMENT     8.24   -77.46   -43.61     0.00
  8 Green        2008-11-09 ORDER     -43.61   -77.46   -43.61   -43.61
  3 Jones        2008-10-11 ORDER     -42.02   -77.46     0.00   -42.02
  3 Jones        2008-10-25 ORDER     -34.38   -77.46     0.00   -76.40
  3 Jones        2008-11-03 PAYMENT    26.84   -77.46     0.00   -49.56
  3 Jones        2008-11-03 RETURN      7.59   -77.46     0.00   -41.97
  3 Jones        2008-11-10 ORDER     -31.89   -77.46     0.00   -73.86
  3 Jones        2008-11-15 PAYMENT    73.86   -77.46     0.00     0.00
  6 Marsch       2008-11-20 ORDER     -14.37   -77.46     0.00   -14.37
  6 Marsch       2008-12-01 PAYMENT    14.37   -77.46     0.00     0.00
 12 Meier        2008-11-17 ORDER     -22.27   -77.46   -22.27   -22.27
  5 Peters       2008-11-05 ORDER      -8.97   -77.46    -5.79    -8.97
  5 Peters       2008-11-15 ORDER      -5.79   -77.46    -5.79   -14.76
  5 Peters       2008-11-20 PAYMENT     8.97   -77.46    -5.79    -5.79
  9 White        2008-11-17 ORDER      -5.79   -77.46    -5.79    -5.79
 10 Young        2008-10-12 ORDER     -20.50   -77.46     0.00   -20.50
 10 Young        2008-10-20 PAYMENT    20.50   -77.46     0.00     0.00
 
38 rows in resultset.
 
 

Analytische Funktionen

Folgende Funktionen können sowohl als analytische als auch als Aggregatfunktionen benutzt werden. Dabei sind alle analytischen Klauseln erlaubt, es ist allerdings keine erforderlich:

  • AVG: Berechnung des arithmetischen Mittelwerts
  • COUNT: Berechnung der Anzahl der Werte
  • MIN: Ermittlung des kleinsten Wertes
  • MAX: Ermittlung des größten Wertes
  • SUM: Aufsummierung der Werte

DENSE_RANK, RANK und ROW_NUMBER

Diese Funktionen haben kein Argument, die ORDER BY Klausel ist erforderlich. Sie geben einen Rang oder eine Zeilennummer innerhalb der Partionen zurück, wobei die ORDER BY Klausel die Rangfolge oder Nummerierung bestimmt.

Bei gleichen Werten des sortierten Ausdrucks liefern sowohl RANK als auch DENSE_RANK einen gemeinsamen Rang, wobei RANK im Unterschied zu DENSE_RANK anschließend entsprechend viele Plätze überspringt. ROW_NUMBER liefert in jedem Fall eindeutige Zahlen, wobei die Sortierung gleicher Werte dann zufällig ist.

Beispiel 4: RANK, DENSE_RANK und ROW_NUMBER()

SELECT 
     product_no
   , product_name
   , order_month
   , sold_items
   , ROW_NUMBER() OVER( PARTITION BY order_month ORDER BY NVL(sold_items, 0) DESC NULLS LAST) num
   , RANK() OVER( PARTITION BY order_month ORDER BY NVL(sold_items, 0) DESC NULLS LAST) rating
   , DENSE_RANK() OVER( PARTITION BY order_month ORDER BY NVL(sold_items, 0) DESC NULLS LAST) dense
FROM
(
   SELECT 
       product_no
     , product_name
     , TRUNC(order_date, 'MM') order_month
     , SUM(COUNT) sold_items
     , SUM(SUM) revenue
   FROM V_PRODUCT_ORDERING
   GROUP BY  product_no, product_name, TRUNC(order_date, 'MM') HAVING SUM(COUNT) > 0
)
;
 
PRO PRODUCT_NAME                        ORDER_MONT SOLD_ITE NUM     RATING  DENSE  
--- ----------------------------------- ---------- -------- ------- ------- -------
  8 The Love Dare                       2008-10-01        4       1       1       1
  5 The Tales of Beedle the Bard        2008-10-01        3       2       2       2
  7 Barefoot Contessa Back to Basics    2008-10-01        3       3       2       2
  1 The Shack                           2008-10-01        2       4       4       3
  2 Breaking Dawn                       2008-10-01        2       5       4       3
  3 The Eclipse                         2008-10-01        2       6       4       3
 10 The Snowball                        2008-10-01        1       7       7       4
  6 Twilight The Twilight               2008-10-01        1       8       7       4
  9 Brisingr                            2008-10-01        1       9       7       4
  4 New Moon                            2008-10-01        1      10       7       4
  5 The Tales of Beedle the Bard        2008-11-01        4       1       1       1
 17 Dreams from My Father               2008-11-01        4       2       1       1
 10 The Snowball                        2008-11-01        2       3       3       2
  8 The Love Dare                       2008-11-01        2       4       3       2
 12 Outliers                            2008-11-01        2       5       3       2
 15 The Last Lecture                    2008-11-01        1       6       6       3
 16 A Mercy                             2008-11-01        1       7       6       3
  3 The Eclipse                         2008-11-01        1       8       6       3
  6 Twilight The Twilight               2008-11-01        1       9       6       3
 13 American Lion                       2008-11-01        1      10       6       3
  4 New Moon                            2008-11-01        1      11       6       3
 
21 rows in resultset.
 

LAG und LEAD

Diese Funktionen erlauben den Zugriff auf Werte anderer Zeilen. ORDER BY ist zwingend erforderlich, PARTITION BY nicht.

Das Offset gibt an, welche Zeile der Sortierung entsprechend betrachtet wird, das Offset muss größer oder gleich 0 sein. Offset=0 ist die aktuelle Zeile. Offset kann sich auch aus einem Ausdruck heraus berechnen. Die Voreinstellung für das Offset ist 1.

Der Defaultwert wird benutzt, wenn keine Zeile mit dem entsprechenden Offset gefunden wird, weil z.B. die aktuelle Zeile die erste gemäß Sortierung ist. Auch der Defaultwert darf ein beliebiger Ausdruck sein, wird er nicht angegeben ist 'NULL' voreingestellt.

Syntax:

  1. LEAD/LAG(<expr>[, <offset>[, <default>]]) OVER([PARTITION BY <expr>] ORDER BY <expr>)

Beispiel 5: LAG

  1. WITH basis AS (
  2.     SELECT
  3.         customer_no, order_no, order_date,
  4.         LAG(order_date) OVER(
  5.             PARTITION BY customer_no
  6.             ORDER BY order_date
  7.         ) AS prev_date
  8.     FROM orders
  9. )
  10. SELECT
  11.     customer_no,
  12.     COUNT(*) order_count,
  13.     AVG(DAYS_BETWEEN(order_date, prev_date)) AS avg_days
  14. FROM basis
  15. GROUP BY customer_no
  16. ORDER BY customer_no;

LAG(order_date) wird im Subselect 'basis' verwendet, um zu jeder Bestellung zusätzlich das Datum der letzten Bestellung zu erhalten. Gemäß der gegebenen Partitionierungs- und Sortierungsregeln wird der Spaltenwert der vorherigen Zeile (offset=1) eingefügt. Gibt es keine vorherige Zeile, wird NULL (=default) eingesetzt. 

Mit den beiden Bestelldaten kann man nun berechnen, wie lange (Anzahl Tage) der Kunde zwischenzeitlich nichts bestellt hat und diesen Wert aufaggregieren. Dieser zweite Schritt ist notwendig, da analytische Funktionen in der Select-Liste nicht in Ausdrücken verknüpft werden können.

  1. CUSTOMER_NO ORDER_COUNT AVG_DAYS
  2. ----------- ----------- ---------
  3.       2          5       11.25
  4.       3          3       15
  5.       4          3       16.5
  6.       5          2       10
  7.       6          1 
  8.       7          2       23
  9.       8          2       26
  10.       9          1 
  11.      10          1 
  12.      12          1 
Sie kommen nicht weiter?

Zum Support

Analytische Funktionen
  • AVG
  • COUNT
  • DENSE_RANK
  • FIRST_VALUE
  • LAG
  • LEAD
  • MAX, MIN
  • RANK
  • ROW_NUMBER
  • STDDEV, STDDEV_POP, 
    STDDEV_SAMP
  • SUM
  • VAR_POP, VAR_SAMP
  • VARIANCE
Referenzen
  • AHOOLY
  • COOP

  • „Mit EXASolution sind wir für zukünftiges Datenwachstum bestens gerüstet. Dadurch, dass wir jetzt Geodaten verarbeiten, sprich die Dimension des Raumbezugs mit auswerten können, bieten wir unseren Kunden ganz neue Analysemöglichkeiten und noch umfassendere Marktübersichten. Wir sind sehr zufrieden mit der neuen Lösung, können flexibel auf zukünftige Anforderungen reagieren und trotzdem unsere Total Cost of Ownership reduzieren, da der so gewählte BI-Stack unsere Vision eines „Lean-BI“ in vollem Umfang unsterstützt.“

    Guido Niermann, IT-Leiter, Dataforce GmbH
    Dataforce

  • "Durch die Einbindung von EXASOL können wir unseren Kunden ein ganz neues Erlebnis bezüglich der explorativen Datenanalyse bieten… Neben der Technologie waren wir vor allem mit der Pre-Sales Beratung und dem Support während der Integration äußerst zufrieden."

     Martin Heink
    Geschäftsführer und Inhaber, econda GmbH 
    Econda

  • "Entscheidend für die IMS Health war insbesondere, dass wir uns durch einen sehr schnell aufgesetzten Proof of Concept von der Leistungsfähigkeit von EXASolution direkt überzeugen konnten."

     Michael Kempke
    Director Data Collection Global Operations, IMS Health GmbH & Co. OHG
    IMS

  • "Mit der innovativen Datenbank von EXASOL können wir komplexe Berechnungen genauer und umfangreicher durchführen. Das gibt uns einen signifikanten Technologievorsprung gegenüber der Konkurrenz."

     Tobias Kiessling
    CTO, intelliAd 
    Intelliad

  • "Die durchgängig hohe Leistung und die Möglichkeit, Echtzeitanalysen fahren zu können, waren für uns ausschlaggebend bei der Wahl von EXASolution."

     Tobias Kroha, Geschäftsführer der für das m-pathy-Projekt verantwortlichen seto GmbH
    m-pathy
  • Media Control
  • Olympus

  • "Wir haben uns für EXASolution entschieden, da die Hochleistungsdatenbank mit den zu erwartenden großen Datenmengen sehr gut umgehen kann und optimale Flexibilität bietet."

     Dr. Michael Röbbecke
    (ehem.) Geschäftsführer, RatePAY 
    RatePAY

  • "Mit EXASolution können wir unsere Geschäftsprozesse deutlich optimieren." 

     Gerhard Zapf
    Projektleiter, Semikron 
    Semikron

  • "Ein zuverlässiger und schneller Support, eine bessere Kundenbetreuung sowie eine bewiesene Fachkompetenz…"

     David Hodge
    IT Director, Sony Music Entertainment Germany 
    Sony Music
  • SOQUERO
  • SponsorPay
  • Stayfriends

  • "Die Datenbank von EXASOL ist Technik made in Germany, auf die wir uns langfristig verlassen können. Da sie bei steigendem Datenvolumen selbstständig skaliert und auch physisch beliebig erweitert werden kann, wächst unsere Datenbank mit unserem Unternehmen, und wir können auch in Zukunft flexibel und schnell auf neue Anforderungen reagieren."

     Heinrich Zetlmayer
    Geschäftsführer, Turtle Entertainment 
    Turtle Entertainment
  • United Internet Dialog

  • "Mit EXASolution haben wir eine Lösung erworben, die unsere hohen Leistungsansprüche komplexer Analysen bei steigenden Datenmengen für unsere Kunden optimal erfüllt." 

     Christian Sauer
    Geschäftsführer, Webtrekk GmbH 
    Webtrekk

  • "Wir haben uns nach einem ausgiebigen Benchmark-Test für die Lösung von EXASOL entschieden. Die hohe Performance des Systems, das Preis-/Leistungs-Verhältnis und der Service haben uns vollauf überzeugt"

    Dr. Ulrich Fricke
    Leiter Business Intelligence, XING AG 
    Xing

  • "Neben Wirtschaftlichkeit, Geschwindigkeit und hoher Leistungsfähigkeit war Flexibilität eines der entscheidenden Kriterien bei der Wahl unserer Datenbank… Die neue Datenbank bietet uns diese Skalierbarkeit bei reduzierten Total Cost of Ownership. So können wir auch in Zukunft immer die optimale Analyseleistung für unsere Kunden erbringen…"

     Sebastian Hoop
    Head of Operations, xplosion interactive gmbh 
    Xplosion
  • Zalando

EXASOL entwickelt ein Datenbank-Management-System zur sehr schnellen Datenanalyse und Datenauswertung. EXASolution ist eine auf In-Memory basierende relationale Datenbank für zeitkritische komplexe Analysen, Planung und Reporting. Entwickelt speziell für Enterprise-Data-Warehouse-Anwendungen und Business-Intelligence-Lösungen. Erfolgreich im Einsatz in den Bereichen Web Analytics, Data Mining, Big Data und Cloud Computing.