Open and Collaborative Query-Driven Analytics

Eigenmittelfinanziertes Projekt


Details zum Projekt

Projektleiter/in:
Prof. Dr.-Ing. Richard Lenz

Projektbeteiligte:
Andreas Maximilian Wahl

Beteiligte FAU-Organisationseinheiten:
Lehrstuhl für Informatik 6 (Datenmanagement)
Professur für Informatik (Datenbanksysteme)

Akronym: OCEAN
Projektstart: 01.11.2013


Forschungsbereiche

Datenintegration
Lehrstuhl für Informatik 6 (Datenmanagement)
Evolutionäre Informationssysteme
Lehrstuhl für Informatik 6 (Datenmanagement)


Abstract (fachliche Beschreibung):


Mehr und mehr Unternehmen sammeln möglichst alle anfallenden Daten in sogenannten "Data Lakes". Obwohl die Daten damit prinzipiell für beliebige Analysen zur Verfügung stehen, bleibt es dennoch unerlässlich für die Analyse, ein Verständnis für die Bedeutung und die Verknüpfungsoptionen der Daten zu entwickeln. Analysten, die diese Arbeit bereits geleistet haben, formulieren Anfragen, in denen solches Wissen implizit enthalten ist. Wenn dieses Wissen jedoch nicht mit anderen geteilt wird, bleiben mögliche Synergien ungenutzt und das Verständnis der Daten im "Data Lake" wird erschwert. Wir extrahieren automatisiert Teile dieses Wissens aus analytischen Anfragen, um es in aufbereiteter Form für nachfolgende Analysen nutzen zu können. Datenanalysten werden dadurch schneller auf relevante Datenquellen aufmerksam und die Datenintegration wird erleichtert.


Publikationen
Go to first page Go to previous page 1 von 2 Go to next page Go to last page

Wahl, A.M., Endler, G., Schwab, P.K., Rith, J., Herbst, S., & Lenz, R. (2018). A graph-based framework for analyzing SQL query logs. Association for Computing Machinery, Inc.
Wahl, A.M., Endler, G., Schwab, P., Herbst, S., Rith, J., & Lenz, R. (2018). Crossing an OCEAN of queries: Analyzing SQL query logs with OCEANLog. In Proceedings of the 30th International Conference on Scientific and Statistical Database Management, SSDBM 2018. Association for Computing Machinery.
Wahl, A.M., Schwab, P., & Lenz, R. (2018). Minimally-Intrusive Augmentation of Data Science Workflows. In Proceedings of the Lernen. Wissen. Daten. Analysen. (LWDA 2018). Mannheim, DE.
Wahl, A.M., Sauerhammer, C., Schwab, P., Herbst, S., & Lenz, R. (2018). Query-Driven Data Profiling with OCEANProfile. In Proceedings of the Twelfth International Workshop on Real-Time Business Intelligence and Analytics (BIRTE 2018). Rio de Janeriro, BR.
Wahl, A.M., Sauerhammer, C., Schwab, P., Herbst, S., & Lenz, R. (2018). Query-Driven Data Profiling with OCEANProfile. In ACM (Eds.), Proceedings of the International Workshop on Real-Time Business Intelligence and Analytics. Rio de Janeiro, BR: ACM.
Wahl, A.M., & Lenz, R. (2017). Analyzing SQL Query Logs using Multi-Relational Graphs. In Proc. Conf. "Lernen, Wissen, Daten, Analysen". Rostock, Germany, DE: CEUR-WS.
Wahl, A.M., Endler, G., Schwab, P., Herbst, S., & Lenz, R. (2017). Anfrage-getriebener Wissenstransfer zur Unterstützung von Datenanalysten. Stuttgart, DE: Springer.
Wahl, A.M., Endler, G., Schwab, P., Herbst, S., & Lenz, R. (2017). Query-Driven Knowledge-Sharing for Data Integration and Collaborative Data Science. In New Trends in Databases and Information Systems. Nicosia, CY.
Wahl, A.M., Endler, G., Schwab, P., Herbst, S., & Lenz, R. (2017). We Can Query More than We Can Tell: Facilitating Collaboration Through Query-Driven Knowledge-Sharing. Portland, Oregon, US: ACM.
Wahl, A.M. (2016). A Minimally-Intrusive Approach for Query-Driven Data Integration Systems. In 2016 IEEE 32nd International Conference on Data Engineering Workshops (ICDEW) (pp. to appear). Helsinki: IEEE.

Zuletzt aktualisiert 2019-08-04 um 16:00