Implementing a SQL Data Warehouse

Ein leistungsfähiges Data Warehouse bildet das Rückgrat jeder analytischen Unternehmensinfrastruktur. Es konsolidiert Daten aus verteilten Quellsystemen, stellt sie für Business-Intelligence-Werkzeuge bereit und ermöglicht belastbare Entscheidungen auf Basis verlässlicher Zahlen. Dieser Kurs vermittelt, wie ein SQL Server-basiertes Data Warehouse von Grund auf geplant und implementiert wird — vom logischen und physischen Datenbankdesign über die Entwicklung von ETL-Prozessen mit SQL Server Integration Services (SSIS) bis hin zur Qualitätssicherung mit Data Quality Services und Master Data Services. Daneben wird die Azure SQL Data Warehouse-Plattform als Cloud-Alternative behandelt.

Modul 1 — Data Warehouse Design und Architektur: Ein gutes Data Warehouse beginnt mit einem durchdachten Design. Dieser Block legt das konzeptionelle und strukturelle Fundament für alle weiteren Implementierungsschritte.

• Architekturprinzipien moderner Data-Warehousing-Lösungen
• Dimensionionales Modellieren: Faktentabellen, Dimensionen, langsam veränderliche Dimensionen (SCD Typ 1, 2, 3)
• Sternschema und Schneeflockenschema — Wann welches Modell sinnvoll ist
• Hardwareüberlegungen: Speicher, CPU-Parallelisierung, I/O-Optimierung
• Partitionierung großer Tabellen für bessere Abfrageperformance
• Physisches Datenbankdesign: Indexstrategien, Dateigruppen, Speicherkonfiguration

Modul 2 — Columnstore-Indizes und Azure SQL Data Warehouse: Moderne SQL Server-Versionen bieten mit Columnstore-Indizes eine leistungsstarke Technologie für analytische Abfragen. Dieser Abschnitt behandelt sowohl den lokalen als auch den cloudbasierten Einsatz.

• Aufbau und Funktionsweise von Columnstore-Indizes
• Clustered vs. Non-Clustered Columnstore-Indizes — Einsatzszenarien
• Delta Stores, Row Groups und Komprimierungsverhalten verstehen
• Grundarchitektur von Azure SQL Data Warehouse (jetzt Azure Synapse Analytics)
• Massively Parallel Processing (MPP) und Verteilungsstrategien in Azure
• Migration einer lokalen DW-Lösung in die Cloud

Modul 3 — ETL-Entwicklung mit SQL Server Integration Services (SSIS): SSIS ist das zentrale Werkzeug für die Datenbewegung im SQL Server-Ökosystem. Dieser Block deckt die vollständige ETL-Entwicklung von der Datenquelle bis zum Ziel ab.

• SSIS-Projektstruktur, Pakete und Verbindungsmanager
• Datenflusskomponenten: Quellen, Transformationen, Ziele
• Kontrollfluss: Sequenzcontainer, Schleifencontainer, Ereignishandler
• Rangfolgeneinschränkungen und bedingte Verzweigungen
• Variablen und Konfigurationen für dynamische Pakete
• Fehlerbehandlung, Protokollierung und Debugging in SSIS

Modul 4 — Datenqualität und Master Data Management: Verlässliche Analysen setzen verlässliche Daten voraus. Dieser Abschnitt zeigt, wie Datenqualität systematisch gesichert und Stammdaten konsistent verwaltet werden.

• Data Quality Services (DQS): Knowledge Base aufbauen und Daten bereinigen
• Datenprofiling und Anomalieerkennung mit DQS
• Fuzzy Matching und Deduplizierung in DQS
• Master Data Services (MDS): Modelle, Entitäten und Hierarchien
• Business Rules in MDS definieren und durchsetzen
• Integration von DQS und MDS in SSIS-Workflows

Praxis-Block — Implementierungsprojekte und Szenarien

• Sternschema für einen fiktiven Einzelhandels-DW entwerfen und in SQL Server anlegen
• Slowly Changing Dimension Typ 2 für eine Kundendimension implementieren
• Columnstore-Index auf einer großen Faktentabelle erstellen und Abfragezeiten vergleichen
• SSIS-Paket für den täglichen Daten-Load aus einem ERP-Quellsystem entwickeln
• Fehlerhafte Datensätze in einem SSIS-Datenfluss umleiten und protokollieren
• DQS-Knowledge-Base mit Domänen und Referenzdaten für Kundenadressen aufbauen
• MDS-Modell für Produktstammdaten anlegen und Business Rules konfigurieren
• Azure SQL Data Warehouse einrichten und ersten Daten-Load durchführen
• SSIS-Projekt in den SSIS-Katalog deployen und Ausführung überwachen
• Dynamisches SSIS-Paket mit Umgebungsvariablen für mehrere Zieldatenbanken parametrisieren
• Benutzerdefinierte SSIS-Komponente einbinden und Verwendungsmöglichkeiten einordnen
• End-to-End-Test des gesamten ETL-Workflows mit Fehler- und Erfolgsszenarien

Die Praxiseinheiten orientieren sich an realistischen Unternehmensszenarien mit echten SQL Server-Entwicklungsumgebungen.

Dieser Kurs richtet sich an Datenbankfachleute und Entwickler, die Data-Warehouse-Projekte eigenverantwortlich umsetzen möchten.

• Datenbankentwickler/-innen mit SQL Server-Kenntnissen, die in BI-Projekte einsteigen
• BI-Entwickler/-innen, die ihre SSIS- und DWH-Kenntnisse vertiefen möchten
• SQL Server-Datenbankadministratoren, die Reporting-Infrastrukturen aufbauen
• Data Engineers, die ETL-Prozesse auf SQL Server-Basis implementieren
• IT-Fachleute, die Verantwortung für ein Data Warehouse übernehmen sollen

Der Kurs wird von erfahrenen Kursleiterinnen und Kursleitern durchgeführt und verbindet konzeptionelle Erläuterungen mit ausgedehnten Hands-on-Phasen an SQL Server-Entwicklungsumgebungen. Jedes Thema wird zunächst erklärt, dann anhand von Demonstrationen veranschaulicht und schließlich in begleiteten Übungen selbst erarbeitet. Das Format eignet sich sowohl für Vollzeit- als auch für Teilzeitvarianten.

Der Kurs wird überwiegend in Vollzeit, teils auch in Teilzeit angeboten. Die genaue Dauer richtet sich nach dem jeweiligen Kursanbieter und -format.

Nach Abschluss des Kurses wird eine qualifizierte Teilnahmebescheinigung ausgestellt. Da dieser Kurs auf Microsoft SQL Server-Technologien basiert und auf Prüfungen aus dem Microsoft-Zertifizierungsprogramm vorbereiten kann, empfehlen sich ergänzend die aktuellen Microsoft-Zertifizierungspfade im Bereich Datenbankentwicklung und Datenplattform.

Data Warehouses sind das Fundament jeder datengestützten Unternehmensstrategie. Wer weiß, wie man sie richtig aufbaut, ist in einem Berufsfeld tätig, das mit der wachsenden Bedeutung von Business Intelligence und Analytics weiter an Relevanz gewinnt. Die Kombination aus DWH-Design, SSIS-Entwicklung und Datenqualitätssicherung ist eine seltene und gesuchte Kompetenz. Der Kurs schließt mit konkretem, anwendbarem Wissen: Wer danach eine SQL Server-Umgebung öffnet, kann ein Data Warehouse nicht nur verstehen, sondern eigenständig planen, aufbauen und betreiben. Das ist der Unterschied zwischen konzeptionellem Wissen und tatsächlicher Handlungsfähigkeit. Für Unternehmen, die BI-Projekte vorantreiben oder eine veraltete Reporting-Infrastruktur modernisieren möchten, sind Fachkräfte mit diesen Kenntnissen ein direkter Wettbewerbsvorteil. Die Weiterbildung investiert deshalb in Kompetenzen, die unmittelbar im Projektalltag einsetzbar sind. Wer anschließend ETL-Workflows debuggt oder ein DWH-Schema entwirft, tut das mit einem systematischen Verständnis — nicht nur mit angelernten Schritten, die beim ersten unerwarteten Problem versagen. Die Breite des Kurses — von der Architektur über ETL bis zur Datenqualität — ist dabei kein Zufall: In realen DWH-Projekten überlappen diese Bereiche ständig, und wer alle kennt, kann Probleme an der richtigen Stelle lösen statt weiterzureichen.