⭐ 1. Dimensionale Modellierung (Star Schema)
Im Gegensatz zu operativen Transaktionsdatenbanken (OLTP / 3NF) werden Daten im Data Warehouse (OLAP) in ein lesebeschleunigtes Sternschema strukturiert:
Faktentabellen enthalten messbare Metriken (Umsatz, Menge, Rabatt). Dimensionstabellen enthalten beschreibende Attribute (Kundenregion, Produktkategorie, Kalenderattribute).
📈 2. Advanced Analytics: Kohorten- & RFM-Segmentierung
👥 Kohortenanalyse (Retention Rate)
Gruppiert Kunden nach ihrem Akquisitionsmonat (z.B. Januar 2024). Verfolgt, wie viel Prozent dieser Kohorte in den Folgemonaten (Monat +1, +2, +3) erneut kaufen.
💎 RFM-Segmentierung (NTILE Window)
Teilt Kunden via NTILE(4) nach Recency (Aktualität), Frequency (Häufigkeit) und Monetary (Umsatz) in Segmente wie Champions oder At-Risk ein.
🏭 3. Didaktische Analogie: Der Tower des Großkonzerns
OLTP (Die Kassen im Supermarkt): Erfasst im Sekundentakt einzelne Belege. Für strategische Berichte viel zu langsam.
Data Warehouse (Die Chefetage): Bereitet alle weltweiten Daten im Sternschema auf. Ein Blick auf das BI-Dashboard genügt, um zu sehen: "Die Januar-Kohorte hat eine Retention Rate von 65% und unsere Champions generieren 70% des Gesamtgewinns."
📑 4. Cheat-Sheet: Enterprise Data Warehouse SQL
| Analytik-Muster | SQL-Architektur | Business Value |
|---|---|---|
| Sternschema DDL | fact_orders + dim_customers |
Optimale Abfragegeschwindigkeit & Skalierbarkeit |
| Kohorten-Retention | CTE + MIN(datum) + Monat-Offset |
Erkennung von Kundenbindung & Churn-Trends |
| RFM-Segmentierung | NTILE(4) OVER (ORDER BY ...) |
Zielgerichtetes VIP-Marketing & Reaktivierung |
| Executive Dashboard | CREATE VIEW v_kpi_dashboard AS ... |
Echtzeit-Cockpit für C-Level Entscheidungen |
🎯 5. Aufgaben & Checkliste im Masterprojekt
Öffne die Datei aufgabe.sql und implementiere die 4 Master-Bausteine: