Cognos Analytics bietet eine Reihe an Modellierungs-Tools. Neben der klassischen Metadatenmodellierung mit Framework Manager kann der Cognos Modellierer zwischen vielen verschiedenen Techniken und Tools entscheiden.
Diese Entscheidung fällt oft nicht leicht. In diesem Vergleich werden ein paar Aspekte zur Entscheidungsfindung vorgestellt.
Hilfreich ist die angehängte Entscheidungsmatrix bei der Kriterien nach Prioritäten eingestuft werden können und danach die Tools eingestuft werden (gelbe Felder):
Hier eine Kurzübersicht der Tools und Techniken:
Framework Manager (relational / DMR)
Tools: Framework Manager (Client)
Technik: Metadatenmodellierung / Caching-Verfahren
Stärken
- Leistungsstarkes Modellierungswerkzeug
- Relationale und dimensionale Modellierung aus einer Umgebung
- Große Modelle realisierbar (mehrere Modellierer, Modellsplitting…)
- Mehrsprachigkeit
Schwächen
- Keine Sortierung für relationale Packages
- Keine Standardfunktion für relative Zeiten
(im relationalen über DB abbildbar, DMR mit Berechnungen) - Keine direkter Zugriff auf Mitglieder bei dimensionaler Modellierung
(z.B. um Berechnungen einzufügen)
PowerCubes
Tools: PowerPlay Transformer (Client)
Technik: Datenhaltung in Dateisystem
Stärken
- Spezialkategorien / relative Zeitkategorien
- Einfaches umstrukturieren von Hierarchien (auch manuell)
- Inkrementelle Aktualisierung und „Historisierung“
- Kein DWH notwendig
- Viele Modellierungsmöglichkeiten ohne Programmierkenntnisse
Schwächen
- 32Bit Anwendung mindestens ein Report Server in 32 Bit Konfiguration, 2GB Filegröße (dann Partitionierung erforderlich)
- Keine aktuellen Daten (mehrere Stunden Ladezeit, Abbrüche beim Laden)
- Keine Wiederverwendung von Dimensionen in mehreren Modellen
- Kategorienanzahl begrenzt (keine Details bei großen Datenmengen)
- wenig Attribute (Long Name, Short Name, Category Code, Description)
TM1 / Planning Analytics Cubes
Tools: Planning Analytics Workspace (Web), Architect, Performance Modeler (Client)
Technik: Datenhaltung im Hauptspeicher
Stärken
- Auch für Dateneingabe / Planungsanwendungen geeignet
- Mehrere Cubes basierend auf gleichen Dimensionen
- kompletter Würfel im Hauptspeicher (sehr schnell für mittlere Datenmengen)
Schwächen
- Zusätzliche Lizenzkosten
- Langsam bei Aggregationen über größere Datenmengen
(diese werden zur Laufzeit berechnet) - Keine Unterstützung von relativen Zeiten
Dynamic Cubes
Tool: Cube Designer (Client)
Technik: Cube im Hauptspeicher (Faktdaten werden zur Laufzeit gelesen)
Stärken:
- Rekursive Hierarchien
- Relative Zeitstrukturen
- Aggregate / Aggregat-Tabellen (In-Memory und In-Database)
- Sehr große Datenmengen möglich (>25 Millionen Faktendaten)
- Dimensionen für mehrere Cubes nutzbar (konsistente Daten)
- Leistungsstarke Security (Mitglieder, Dimensionen oder Kennzahlen)
- Virtuelle Cubes (Zusammenfassung von Cubes)
Schwächen:
- DWH im Sternschema / Snowflake erforderlich
- „Warmlaufen der Cubes“ / Startzeiten
- Sehr hohe Anforderungen an Speicher und CPUs (bis 300GB Speicher)
- Performance Optimierung aufwendig
Datenmodule
Tool: Web-Anwendung zum Erzeugen von Datenmodulen (Web)
Technik: Metadatenmodellierung (aber Datenhaltung durch Datasets möglich)
Stärken:
- Verknüpfung unterschiedlicher Quellen leicht möglich
- Viele nützliche Funktionen: Kennzeichnung von Attributen (z.B. Geo-Informationen), Sortierung von Attributen, relative Zeiten, Navigationspfade…
Schwächen:
- Langsame Oberfläche bei großen Modellen
- Ladezeiten von DB Schema mit vielen Tabellen/Daten langsam
