Beim Betrieb von Data Warehouse Systemen kann es zu einem Semantic Shift kommen. Dieser bezeichnet eine Veränderung der Bedeutung von Dimensionselementen und kann bei Nichtbeachtung zu Informationsverlust und fachlich inkorrekten Analyseergebnissen führen. In dieser Arbeit wird ein graph-basierter Ansatz vorgeschlagen, welcher die Änderungen zwischen Dimensionen als Überleitungen verwalten und für Analysen zur Verfügung stellen kann. Dadurch wird es möglich, Anfragen in Analytischen Informationssystemen unter Berücksichtigung eventueller Semantic Shifts zu beantworten. Dieser Ansatz verzichtet dabei auf eine kennzahlbasierte Approximation und nutzt die Überleitungen klassischer Adaptionsverfahren. Der eingeführte Ansatz wird kritisch hinsichtlich bestehender Ansätze diskutiert und exemplarisch in verschiedenen Domänen durchgeführt.
Die am meisten verwendete Architektur für Analytische Informationssysteme ist die des Data Warehouses mit Metadaten, welche die gespeicherten Daten beschreiben und einer auf diesen Metadaten aufbauender Auswertungssoftware. Die Metadaten werden dabei in streng hierarchisch or-ganisierten Taxonomien, sogenannten Dimensionen, gespeichert. Dimensionen beschreiben, wie die Daten analysiert werden können.
Das Data Warehouse ist dabei nach der Definition von Inmon eine themenorientierte, integrierte, stabile Sammlung zeitbezogener Daten, welche als Datenbasis zur Analyse dient [9]. Data Warehouses haben also immer einen Zeitbezug, bieten aber keine hochentwickelten Konzepte, um mit Änderungen in den Metadaten über die Zeit umzugehen. Klassisch wird davon ausgegangen, dass die Metadaten über die Zeit weitgehend stabil sind [7] [11]. Falls die Metadaten in Einzelfällen doch angepasst werden müssen, werden die gespeicherten Daten einfach den neuen Metadaten entsprechend umcodiert, die sogenannte Instanzadaption [2] [11]. Der Nachteil dieses Ansatzes ist, dass beim Umcodieren üblicherweise ein Informationsverlust entsteht. Zudem wird durch die Änderung der Metadaten und die Instanzadaption eine Wiederholung früherer Anfragen unmöglich. Außerdem besteht bei klassischen Systemen keine Möglichkeit die spezifischen Informationen der Metadatenänderungen zu speichern, da die Metadaten selbst nicht zeitbezogen gespeichert werden [12]. In einem Data Warehouse werden die zu analysierenden Daten in der Regel auf der feinsten verfügbaren Klassifikationsstufe vorgehalten. Veranschaulicht handelt es sich also um die Ausprägungen der Blätter. Falls eine Analyse der Erkrankungen J10.1 oder J10.8 durchgeführt werden soll, Für die Ergebnisse in Abbildung 3 bedeutet dies, dass die Abnahme der J10.0 Erkrankungen auch darin begründet liegt, dass Krankheitsfälle in J09 codiert wurden, die vorher in J10.0 enthalten waren.
Der Semantic Shift kann nicht nur in der medizinischen Dokumentation beobachtet werden, sondern auch in anderen Bereichen. So kann man z.B. für die Entwicklung der Länder Europas von 1988 bis 2000 bedingt durch den Zusammenbruch des Warschauer Pakts ähnliches feststellen. Allerdings muss dort beachtet werden, dass es sich bei den abgeleiteten und angepassten Metadaten nicht um gesetzlich vorgegebene Dimensionsstrukturen handelt, sondern um von Fachexperten erstellte Dimensionen. Dies ist der Normalfall bei Data Warehouses. Die Dimension soll alle Länder im Herzen Europas widerspiegeln. Bis zum Jahr 1991 gab es die beiden eigenständigen deutschen Staaten BRD und DDR. In der Dimension wären diese dann als Blätter verfügbar. Mit der Wiedervereinigung wird das Blatt DDR gelöscht und die dazugehörigen Daten der BRD zugeordnet. Der Begriff BRD ist also syntaktisch gleich geblieben, beschreibt nun aber einen deutlich größeren Bereich.
Würde man die Daten der BRD betrachten, so könnte man z.B. in 1991 eine deutliche Steigerung der Einwohner-zahl feststellen. Dies wäre aber nicht durch hohe Geburtsraten begründet, sondern durch die größere betrachtete Fläche infolge der Wiedervereinigung mit der DDR.
Die umgekehrte Richtung kann man bei der Tschechoslowakei beobachten. Bis 1990 war es die ČSSR, dann wurde das gleiche Land umbenannt in ČSFR und im Jahr 1992 aufgeteilt in die zwei Staaten Slowakei SR und Tschechien ČR. Für den letzt genannten Fall würde in der Dimension ein Blatt gelöscht und dafür zwei neue Blätter eingefügt. Die dazugehörige Transformationsregel wäre, dass es keine Möglichkeit gibt, ČSFR auf SR und ČR abzubilden, wohl aber in der Gegenrichtung.
Der erste Lösungsansatz für das Problem der sich ändernden Dimensionen wurde 1993 von Kimball postuliert [11]. Die Lösung besteht in der Umcodierung der Daten nach der jeweilig neuesten Dimensionsbeschreibung. Dies kann dabei in drei verschiedenen Arten geschehen. Der Type 1 Ansatz überschreibt die alten Werte mit den neuen, umcodierten Werten. Die Type 2 und Type 3 Ansatz behält die alten Werte zusätzlich bei. Auf diese Weise können alte Werte in die neue Dimension transformiert, bzw. eingebunden werden. Der Nachteil aller dieser Ansätze ist aber, dass sie nicht in der Lage sind mit dem Semantic Shift syntaktisch gleicher Ausprägungen umzugehen. Es gibt also keine Unterstützung für Datenanalysen, die über verschiedene Versionen der Dimensionen hinausgehen, wenn sich die Bedeutung der Daten geändert hat.
Das Problem der Anfragen über mehrere Dimensionsversionen wurde 2006 in [8] als graphentheoretisches Problem diskutiert. Dabei wurden die Metadaten als sogenannte Schemagraphen repräsentiert. Für die Graphen wurden erlaubte Modifikationen definiert, welche die potentiellen Änderungen der Dimensionen wiedergeben. Wird eine Dimension durch eine Modifikation geändert, wird dies als neue Version in einem Graphen gespeichert. Basierend auf einer Graphenalgebra ist es dadurch möglich, Anfragen über verschiedene Dimensionsversionen hinweg zu stellen. Diesem Ansatz fehlt zum einen der Umgang mit dem Semantic Shift der Daten. Zum anderen erscheint er nicht praxisgerecht, da für historische Daten neu hinzugekommene Angaben nachträglich eingepflegt werden müssen, um Vergleiche über verschiedene Versionen zu ermöglichen.
Die am weitest gehende Lösung für das präsentierte Problem wurde 2002 in [12] veröffentlicht. Ein formales Temporal-Modell für die Beschreibung von Änderungen in den Dimensionen wurde dazu eingeführt [7]. Es wurden entsprechende Transformationsfunktionen definiert, welche die erlaubten Datenänderungen beschreiben. Der Ansatz ermöglicht dabei Anfragen über verschiedene Versionen der Dimensionen hinweg, indem die Daten zur Anfragezeit adaptiert werden. Der Nachteil des Ansatzes liegt in der Realisierung der Instanzadaption durch die Verwendung von Matrizenmultiplikation. Jeder Wert einer Dimensionsversion muss von Fachexperten mit einem Koeffizienten versehen werden, der aussagt wie ähnlich der Wert dem Nachfolger in der verbundenen Dimensionsversion ist. Dies erlaubt eine Abschätzung, um den Semantic Shift zu lösen. Jedoch hat dies zwei Nachteile. Zum einen muss der Koeffizient für jede Verwendung der Dimension in einer Kennzahl individuell angegeben werden, da sich die Koeffizienten für z.B. Erkrankungsund Sterberisiko unterschiedlich verhalten und deshalb die Koeffizienten nicht für alle Analysen gleich sind. Zum anderen wird das in den Transformationsdaten inhärente Wissen nicht dazu genutzt, genaue anstatt approximierten Ergebnissen zu liefern.
Wie in der Problembeschreibung ausgeführt und in den Abbildungen 4 und 5 veranschaulicht, lassen sich Dimensionen als streng hierarchische Bäume mit einem Wurzelknoten darstellen. Die Blätter repräsentieren dabei in der Regel die im Data Warehouse speicherbaren Werte. Falls Analysen auf den Elternknoten durchgeführt werden sollen, werden diese standardmäßig aus den Kindelementen berechnet [2].
Bei den Dimensionen handelt es sich um von Fachexperten modellierte Metadaten, die nur zu bestimmten Zeitpunkten geändert werden. Deshalb ist es möglich, die Änderungen einer Dimension zusammen mit einer Versionsnummer zu speichern. Dieser Ansatz zur Beschreibung der zeitlichen Entwicklung wurde auch von [12] und [8] verfolgt. Anders aber als bei [11]
Es wird erwartet und angestrebt, dass der vorgestellte Ansatz die folgenden Vorteile bietet:
• Durch den graphenbasierten Ansatz, der auf eine kennzahlabhängige Approximation verzichtet, ist es möglich die Überführungsregeln für alle Analyseanfragen zu verwenden, welche die Dimension beinhaltet. Dies ist eine deutliche Erweiterung gegenüber [12].
• Da die Überfühungsregeln auch in klassischen Adaptionsverfahren wie [11] benötigt werden, ist kein zusätzlicher Arbeitsaufwand der Fachexperten notwendig, um die Kanten bereit zustellen.
• Durch den graphenbasierten Ansatz ist es bei mehreren Überleitungsregeln pro Dimensionsversion möglich, gröbere Versionen einer Dimension zu überspringen. Gröber meint dabei, dass Fehlen einzelner Knoten, die in späteren Versionen wieder eingefügt wurden. Bei einer Umcodierung des Datenbestandes wäre dies ein irreversiebler Informationsverlust.
• Der Import und die Haltung der Daten wird vereinfacht, da die Daten in ihrer originären Version gespeichert werden können. Die Daten müssen nicht in eine einzige Version umcodiert werden.
• Da der Nutzer zwischen verschiedenen inhaltlichen Interpretationen eines Wertes wählen kann, ist das Anfragesystem mächtiger als klassische Systeme. Zudem erlaubt dies die Wiederholung historischer Analysen, da die Datenbasis nicht umcodiert und die Dimensionsdaten genauso erhalten bleiben.
Um sicherzustellen, dass ein Data Warehouse zusammen mit einer OLAP Analyse Anwendung die vorgestellten Funktionen und insbesondere Vorteile erfüllen kann, muss untersucht werden, welche Konsistenzbedingungen die Überleitungsregeln als auch die Metadaten einhalten müssen. Zudem sind die Anforderungen an die Datenrepräsentation und Speicherung der Transformationsregeln und zusätzlichen Versionsinformationen in den Metadaten als auch der Datenhaltung zu untersuchen. Ein weiterer Bereich ist, wie sich die Methoden auf verschieden Datenarten (Integer, Boolean, Nominal) als auch verschiedene Analyse Operationen (Sum, Max, Min, Average) anwenden lassen. Da in Analysen auch oft mehrere verschiedene Dimensionen genutzt werden, muss als letzter wichtiger Punkt noch die Anwendbarkeit auf mehrere Dimensionen durchdacht werden.
The research leading to these results has received in part funding from the European Community's Seventh Framework Programme (FP7/ 2007-2013) under grant agreement no. ICT-248240, iCARDEA project.