OLAP

OLAP (Online Analytical Processing) bezeichnet die interaktive Analyse von Daten über mehrere Blickwinkel: etwa Umsatz nach Monat, Region und Produktgruppe. Sie wählen Dimensionen, verdichten Kennzahlen und wechseln vom Gesamtwert zum Detail. OLAP ist damit eine Art der Datenverarbeitung und Analyse – kein Synonym für eine bestimmte Datenbank, einen physischen Würfel oder Echtzeitdaten. Die Microsoft-Architekturübersicht zu OLAP unterscheidet ausdrücklich zwischen analytischer Verarbeitung, traditionellen Würfeln und tabellarischen semantischen Modellen.

Ein kleines OLAP-Beispiel mit prüfbaren Zahlen

Stellen Sie sich zehn erfundene Auftragszeilen vor. Jede Zeile ist genau ein Auftrag; der Umsatz ist bereits als Nettobetrag je Auftrag festgelegt. Es gibt keine Retouren, Rabatte oder Währungsumrechnung. Das Beispiel zeigt die Rechenlogik, nicht die Leistung einer Datenbank.

Die erste Frage lautet: Wie viel Umsatz entstand pro Monat? Januar ergibt 410 € und Februar 340 €. Die zweite fragt nach Regionen: Nord ergibt 400 €, Süd 350 €. Mit beiden Dimensionen zugleich sehen Sie: Januar/Nord 240 €, Januar/Süd 170 €, Februar/Nord 160 € und Februar/Süd 180 €. Die vier Zellen addieren sich wieder zu 750 €. Genau diese Wechsel zwischen Aggregation und Aufschlüsselung machen OLAP nützlich. Die Microsoft-Dokumentation zu Measures beschreibt Kennzahlen als Werte, die im Kontext der gewählten Dimensionen aggregiert werden.

Wie funktioniert OLAP im Unternehmen?

Ein operatives System erfasst zunächst Geschäftsvorfälle: Auftrag anlegen, Bestand ändern, Zahlung buchen. Für die Analyse brauchen Sie eine festgelegte Bedeutung von „Umsatz“, passende Zeit- und Organisationsmerkmale sowie eine nachvollziehbare Datenbasis. Häufig werden Daten aus Quellsystemen übernommen, bereinigt und für Abfragen modelliert. Ein semantisches Modell legt anschließend Kennzahlen, Beziehungen und Berechnungsregeln fest. Microsoft beschreibt diese Schichten als möglichen Weg von Quelldaten über ein Data Warehouse und ein semantisches Modell zum Bericht; das ist eine Architektur, keine Pflichtfolge für jeden Anwendungsfall. Quelle: Microsoft Azure Architecture Center.

Beim Beispiel ist die Kennzahl der Umsatz. Monat, Region und Gruppe sind Dimensionen. Eine Abfrage legt fest, welche Kombinationen angezeigt werden. Sie kann etwa nur Gruppe A wählen: 480 € insgesamt, davon 280 € im Januar und 200 € im Februar. Für Gruppe B bleiben 270 €. Solche Summen können bei der Abfrage berechnet, zwischengespeichert oder teilweise voraggregiert sein. Aus der sichtbaren Tabelle können Sie die physische Speicherform nicht ablesen.

Entscheidend ist die Granularität: Hier steht eine Zeile für einen Auftrag. Würden Sie Auftragspositionen auswerten, könnten mehrere Zeilen zum selben Auftrag gehören. Eine einfache Zeilenzählung wäre dann keine Auftragszahl mehr. Auch Kennzahlen verhalten sich unterschiedlich: Umsatz lässt sich über die gezeigten disjunkten Gruppen summieren; ein Kontostand darf nicht einfach über mehrere Tage addiert werden. Microsoft nennt den Kontostand ausdrücklich als Beispiel für eine nur teilweise additive Kennzahl.

Welche Fragen beantworten Slice, Dice, Drill-down und Roll-up?

Slice fixiert einen Dimensionswert: Für Februar bleiben fünf Aufträge und 340 € Umsatz. Dice grenzt mehrere Dimensionen ein: Januar und Region Nord ergeben 240 €. Roll-up verdichtet eine Hierarchie, beispielsweise einzelne Monate zum Zeitraum Januar–Februar mit 750 €. Drill-down geht in die Gegenrichtung: vom Gesamtzeitraum zurück zu Januar 410 € und Februar 340 €. Das sind Navigations- und Aggregationsideen, keine vier verschiedenen Datenbankprodukte. Die Oracle-OLAP-Begriffe definieren das Auf- und Zuklappen entlang von Hierarchieebenen; Microsoft beschreibt Slice und Dice als Auswahl von Ausschnitten multidimensionaler Daten. Quelle: Microsoft.

Für einen vollständig durchgerechneten Würfel mit Pivot-Tabelle und den Grenzen solcher Summen lesen Sie OLAP-Würfel: Rechenweg.

OLAP-Würfel, OLAP-Datenbank und semantisches Modell: Was ist was?

Der OLAP-Würfel ist ein multidimensionales Analysemodell aus Dimensionen und Kennzahlen. „Würfel“ ist anschaulich, aber nicht auf drei Achsen beschränkt. Traditionelle multidimensionale Systeme bilden ihn als eigenes Modell ab. Tabellarische semantische Modelle arbeiten dagegen mit Tabellen, Spalten, Beziehungen und Measures. Beide können analytische Fragen über mehrere Dimensionen beantworten. Microsoft stellt diese Modelltypen nebeneinander. Quelle: Microsoft Learn.

Eine OLAP-Datenbank oder Analyse-Engine ist die technische Komponente, die analytische Abfragen verarbeitet. Ein physisch materialisierter Würfel ist dafür nicht zwingend. Ebenso wenig ist ein Sternschema oder Spaltenspeicher Bestandteil der Definition von OLAP; beides kann bei passenden Arbeitslasten sinnvoll sein. Auch eine relationale Datenbank kann analytische Abfragen ausführen. Ob sie die Anforderungen erfüllt, entscheidet die gemessene Arbeitslast samt Datenvolumen, gleichzeitigen Abfragen und Aktualisierungspfad. Microsoft nennt für eine Plattform sogar hybride OLTP-/OLAP-Verfahren. Quelle: Microsoft Azure Architecture Center.

Für eine Auswahl konkreter Systeme führt das Softwareverzeichnis OLAP-Datenbanken zusammen. Die Begriffe hier helfen, die Anforderungen dafür sauber zu formulieren.

Was bedeuten MOLAP, ROLAP und HOLAP?

Diese drei Bezeichnungen stammen aus der Welt multidimensionaler OLAP-Systeme und beschreiben Speicher- beziehungsweise Bereitstellungsarten. Bei MOLAP liegen Detaildaten und Aggregate in einer multidimensionalen Struktur. Bei ROLAP werden sie relational gespeichert und abgefragt. HOLAP kombiniert im klassischen Modell relationale Detaildaten mit multidimensional gespeicherten Aggregaten. Daraus folgt weder automatisch eine bestimmte Datenfrische noch eine allgemeine Rangfolge der Geschwindigkeit: Verarbeitung, Caches und Abfragen verändern das Ergebnis. Die Microsoft-Dokumentation zu Partitionsspeichern beschreibt die Varianten und ihre Aktualisierungsoptionen im konkreten Produkt. Bei modernen Analyse-Engines sind diese historischen Kategorien nicht immer eine hilfreiche Produkt-Schublade.

Wo liegen die Grenzen?

Eine OLAP-Abfrage ist nur so aussagekräftig wie die zugrunde liegende Definition. Im Beispiel wäre „Umsatz“ ohne Angabe zu Netto/Brutto, Retouren und Zeitraum im echten Betrieb missverständlich. Werden Kundennamen oder Regionen nachträglich geändert, müssen Sie entscheiden, ob Berichte den damaligen oder den heutigen Stand zeigen sollen. Historisierung ist eine Modellierungsentscheidung; ein OLTP-System kann Historie führen und ein OLAP-System kann kurze Aufbewahrungsfristen haben.

Auch Datenfrische ist eine Anforderung, kein Namensmerkmal. Ein Monatsbericht kann täglich aktualisiert werden; ein operatives Dashboard braucht vielleicht Ereignisse nach wenigen Sekunden. Analytische Systeme können solche frischen Daten verarbeiten, aber der Datenweg muss es ermöglichen. Zur Abgrenzung von Transaktionsverarbeitung und gemischten Arbeitslasten lesen Sie OLAP vs. OLTP. Für die Anforderungen an Datenfrische hilft Echtzeit-BI.

Die praktische Einstiegsfrage lautet deshalb: Welche Entscheidung soll aus welcher Kennzahl auf welcher Granularität getroffen werden – und wie frisch muss die Zahl dafür sein? Erst danach lohnt die Entscheidung über Modell, Speicher und Produkt.