Aufgabe 05 - Sternschema entwerfen (Kinokette)

Aufgabe 05 - Sternschema entwerfen (Kinokette)

Worum geht es?

In dieser Übung wird aus operativen Verkaufsdaten ein Sternschema für ein Data Warehouse entworfen (siehe Kapitel 3 - OLAP und Data Warehousing). Szenario ist eine Kinokette, die Ticketverkäufe über mehrere Standorte auswerten will. Im Expertenteil wird das Sternschema zum Schneeflockenschema normalisiert und mit erweiterten Gruppierungen abgefragt.

Was Sie dafür brauchen

• Kapitel 3 - OLAP und Data Warehousing, Abschnitte Stern-/Schneeflockenschema und Kennzahlen/Dimensionen.
• Ein PostgreSQL-Server und ein SQL-Editor.

Welche Kompetenzen Sie erwerben und zeigen

• Sie unterscheiden Fakten (Kennzahlen) von Dimensionen.
• Sie entwerfen ein Sternschema mit Faktentabelle und Dimensionstabellen.
• Sie schreiben analytische Abfragen mit JOIN, GROUP BY und Aggregaten.
• Sie überführen ein Sternschema in ein Schneeflockenschema und begründen die Wahl.

Pädagogische Einordnung

• Reproduktion: Fakten und Dimensionen unterscheiden (Teil A).
• Reorganisation und Transfer: ein Sternschema entwerfen und abfragen (Teile B und C).
• Reflexion, Problemlösung und Urteilsbildung: zum Schneeflockenschema normalisieren und bewerten (Teil D).

Arbeitsaufträge

Die Übung ist auf etwa zwei bis drei Stunden ausgelegt. Teil D ist der Expertenteil.

Ausgangslage

Die Kinokette erfasst je verkauftem Ticket: Datum, Kino (Name, Stadt, Region), Film (Titel, Genre), Saal, Ticketpreis und Anzahl. Das Management will Umsatz und verkaufte Tickets nach Region, Genre und Zeit auswerten.

Teil A - Fakten und Dimensionen unterscheiden

1. Ordnen Sie jede der genannten Angaben entweder einer Kennzahl (Faktum) oder einer Dimension zu.
2. Begründen Sie in einem Satz, warum der Ticketpreis eine Kennzahl und das Genre eine Dimension ist.

Teil B - Sternschema als DDL

1. Entwerfen Sie ein Sternschema mit einer Faktentabelle fakt_verkauf und den Dimensionstabellen dim_datum, dim_kino, dim_film. Geben Sie es als CREATE TABLE-Anweisungen mit Primär- und Fremdschlüsseln an.
2. Fügen Sie einige Testzeilen ein (mindestens zwei Kinos, zwei Filme, zwei Verkaufstage).

Teil C - Analytische Abfragen

1. Gesamtumsatz und Anzahl verkaufter Tickets je Region.
2. Umsatz je Genre und Monat, absteigend nach Umsatz sortiert.
3. Die drei umsatzstärksten Filme über alle Kinos.

Teil D - Expertenteil: Schneeflockenschema und erweiterte Gruppierung

1. Normalisieren: Lagern Sie aus dim_kino die Ebene Stadt → Region in eigene Tabellen aus, sodass ein Schneeflockenschema entsteht. Geben Sie das neue DDL an.
2. ROLLUP: Schreiben Sie eine Abfrage mit GROUP BY ROLLUP, die Umsatz je Region und eine Gesamtsumme über alle Regionen in einem Ergebnis liefert. Erklären Sie, welche Zeile die Zwischensumme und welche die Gesamtsumme ist.
3. Urteil: Vergleichen Sie Stern- und Schneeflockenschema für dieses Data Warehouse. Nennen Sie je einen Vorteil bezüglich Redundanz und bezüglich Abfragegeschwindigkeit und geben Sie eine begründete Empfehlung.

Wissenscheck

1. Was ist der Unterschied zwischen einer Kennzahl und einer Dimension?
2. Wie ist ein Sternschema aufgebaut?
3. Wodurch unterscheidet sich das Schneeflockenschema vom Sternschema?
4. Wozu dient GROUP BY ROLLUP gegenüber einem einfachen GROUP BY?
5. Warum akzeptiert man in einem Data Warehouse bewusst Redundanz in den Dimensionstabellen?

Abgabe

• Die Datei aufgabe05_sternschema.sql mit DDL, Testdaten und allen Abfragen.
• Eine Skizze (Bild oder ASCII) des Stern- und des Schneeflockenschemas.

---

HTL Villach, Schuljahr 2026-2027,
https://www.htl-villach.at