Data Warehouse: Grundlagen und Funktionsweise
Definition und Aufbau eines Data Warehouses
Ein Data Warehouse ist eine zentrale Datenbank, die Geschäftsintelligenzdaten aus verschiedenen Quellen zusammenführt. Ziel ist es, die Datenanalyse und Berichterstellung zu erleichtern, indem sämtliche relevanten Daten an einem Ort konsolidiert werden. Die Daten im Data Warehouse sind strukturiert und optimiert, um schnelle Abfragen und Analysen zu ermöglichen. Es dient als Grundlage für datengetriebene Entscheidungen und strategische Planung.
Der Aufbau eines Data Warehouses erfordert eine sorgfältige Planung, um sicherzustellen, dass alle Datenquellen konsistent integriert und die Daten korrekt transformiert werden. Es besteht aus drei Hauptstufen: Datenextraktion, -transformation und -ladeng (ETL-Prozess). Während der Extraktion werden Daten aus verschiedenen Quellsystemen gesammelt, bei der Transformation werden diese normalisiert und bereinigt, und beim Laden werden sie in das Data Warehouse integriert.
Einführung in die Architektur von Data Warehouses
Die Architektur eines Data Warehouses basiert auf einer mehrschichtigen Struktur, um die Effizienz und Skalierbarkeit zu maximieren. Typischerweise umfasst sie die Schichten: Datenquelle, ETL-Prozess, Staging-Bereich, Data Warehouse-Datenbank und Front-End-Tools für Datenanalyse und Reporting. Diese Struktur hilft dabei, große Datenmengen effizient zu verwalten und gleichzeitig eine hohe Datenintegrität zu gewährleisten.
Die Datenquellschicht umfasst verschiedene operative Systeme, aus denen Daten extrahiert werden. Nach der Extraktion durchlaufen die Daten den ETL-Prozess und werden zunächst im Staging-Bereich zwischengespeichert. Hier werden sie transformiert und bereinigt. Schließlich werden die bereinigten Daten in die Data Warehouse-Datenbank geladen, wo sie für Abfragen und Analysen durch Front-End-Tools verfügbar gemacht werden.
Welche Hauptkomponenten hat ein Data Warehouse?
Ein Data Warehouse besteht aus mehreren Hauptkomponenten, die zusammenarbeiten, um eine kohärente und leistungsfähige Datenspeicherlösung zu bieten. Die wichtigsten Komponenten sind die Datenquellen, der ETL-Prozess, das Staging-Area, der zentrale Data Warehouse-Speicher und die Benutzeroberflächen für Datenanalyse und Reporting. Jede dieser Komponenten spielt eine entscheidende Rolle in der Gewährleistung der Datenqualität und Analysefähigkeit.
Die Datenquellen umfassen verschiedenste Systeme, von Datenbanken bis zu API-basierten Webdiensten. Der ETL-Prozess sorgt für die Extraktion, Transformation und das Laden der Daten. Der Staging-Bereich dient als temporärer Speicher für die Transformation. Der zentrale Data Warehouse-Speicher hält die konsolidierten Daten bereit, während die Benutzeroberflächen, wie Dashboards und BI-Tools, den Zugriff auf die Daten erlauben und visuelle Analysen ermöglichen.
Unterschiede zwischen Data Warehouse und Data Lake
Data Warehouse und Data Lake sind zwei unterschiedliche Konzepte für die Speicherung und Verwaltung von Daten, die oft miteinander verwechselt werden. Ein Data Warehouse ist ein strukturierter und für Abfragen optimierter Speicher, der hauptsächlich für strukturierte Daten genutzt wird. Im Gegensatz dazu speichert ein Data Lake Rohdaten in ihrem originären Format, darunter strukturierte, unstrukturierte und semi-strukturierte Daten.
Ein wesentlicher Unterschied liegt in der Datenverarbeitung und -nutzung. Data Warehouses sind ideal für Geschäftsanalysen und traditionelle BI-Anwendungen, da sie schnelle Abfragen und Analysen ermöglichen. Data Lakes hingegen bieten Flexibilität zur Speicherung großer Datenmengen unterschiedlichster Formate und sind daher besser geeignet für Big-Data-Analysen und maschinelles Lernen. Während Data Warehouses meistens durch ein gezieltes ETL-Verfahren gespeist werden, setzen Data Lakes auf die Erfassung und Speicherung von Rohdaten zur späteren Analyse.
Arten von Daten in einem Data Warehouse
In einem Data Warehouse können verschiedene Arten von Daten gespeichert werden, darunter historische Daten, aktuelle operative Daten und aggregierte Daten. Historische Daten kommen aus verschiedenen Systemen und dienen der Analyse von Trends und Mustern über längere Zeiträume. Aktuelle operative Daten ermöglichen eine schnelle Einsicht in die momentane Situation des Unternehmens, während aggregierte Daten durch Berechnungen und Zusammenfassungen entstehen, um die Entscheidungsfindung zu unterstützen.
Zusätzlich zu strukturierten Daten aus Datenbanken, können auch semi-strukturierte Daten, wie beispielsweise XML-Daten, im Data Warehouse vorhanden sein. Einige moderne Data Warehouses integrieren auch unstrukturierte Daten, etwa Textdokumente oder Multimedia-Dateien, um umfassendere Einblicke zu ermöglichen. Diese Vielfalt der Datentypen spielt eine wichtige Rolle
Vorteile eines Data Warehouses für Unternehmen
Geschäftsentscheidungen verbessern durch Data Warehousing
Ein Data Warehouse bietet Unternehmen eine zentrale Datenbank, in der Daten aus unterschiedlichen Quellen zusammengeführt werden. Diese konsolidierte Datenbasis ermöglicht es Entscheidungsträgern, fundierte und datengestützte Entscheidungen zu treffen. Mithilfe von Data Warehousing können Geschäftstrends und -muster erkannt werden, was die strategische Planung und Reaktionsfähigkeit des Unternehmens erheblich verbessert.
Zusätzlich ermöglicht ein Data Warehouse, historische Daten zu analysieren und Prognosen für die Zukunft zu erstellen. Unternehmen können auf Basis dieser Analysen präzise Vorhersagen treffen und ihre Geschäftsstrategien entsprechend anpassen. So werden operative und strategische Entscheidungen schneller und effizienter getroffen, was den Wettbewerbsvorteil des Unternehmens stärkt.
Kostensenkung durch Data Warehouse
Durch die Implementierung eines Data Warehouses können Unternehmen erhebliche Kosteneinsparungen erzielen. Einerseits reduziert die zentrale Datenbank die Notwendigkeit, verschiedene Datenquellen und -formate manuell zu konsolidieren, was sowohl Zeit als auch personelle Ressourcen spart. Andererseits ermöglicht die Datenbank eine effizientere Datenverarbeitung und -analyse, wodurch operative Ineffizienzen schneller identifiziert und behoben werden können.
Ein weiterer Kostenvorteil eines Data Warehouses liegt in der Automatisierung von Reportings und Analysen. Anstatt umfangreiche Berichte manuell zu erstellen und auszuwerten, können diese Prozesse automatisiert werden, was nicht nur die Arbeitskosten senkt, sondern auch die Genauigkeit der Datenanalyse erhöht. Diese Kosteneffizienz trägt wesentlich zur Rentabilität eines Unternehmens bei.
Zusammenarbeit zwischen Abteilungen optimieren
Ein Data Warehouse verbessert die unternehmensweite Zusammenarbeit, indem es eine einheitliche Datenbasis für alle Abteilungen bereitstellt. Durch den Zugang zu zentralisierten und hochwertigen Daten können Abteilungen effizienter zusammenarbeiten und besser informierte Entscheidungen treffen. Dieser Zugriff auf gemeinsame Informationen fördert die Transparenz und stärkt das Vertrauen zwischen den Teams.
Die Verbesserung der Zusammenarbeit wird weiter durch die Vereinheitlichung der Berichtserstellung und -nutzung unterstützt. Abteilungen können auf gemeinsame Dashboards und Berichte zugreifen, was den Kommunikationsfluss und die Abstimmung zwischen verschiedenen Geschäftseinheiten deutlich verbessert. Dies führt zu einer kohärenteren und integrierten Arbeitsweise innerhalb des Unternehmens.
Geschäftsprozesse effizienter gestalten
Mit einem Data Warehouse können Geschäftsprozesse effizienter gestaltet werden, da es eine zentrale Plattform für Datenspeicherung und -management bietet. Dies reduziert die Zeit, die für den Datenzugriff und -abruf benötigt wird, erheblich. Unternehmen können Arbeitsabläufe rationalisieren und die Produktivität steigern, indem sie auf eine konsolidierte und strukturiert aufbereitete Datenbasis zugreifen.
Ein zusätzlicher Vorteil ist die Fähigkeit eines Data Warehouses, komplexe Datenabfragen und -analysen durchzuführen. Dadurch können Prozesse kontinuierlich überwacht und verbessert werden, was zu einer optimalen Ressourcennutzung führt. Geschäftsprozesse werden nicht nur effizienter, sondern auch flexibler, da das Unternehmen schnell auf Veränderungen und neue Anforderungen reagieren kann.
Kundenbeziehungen durch Data Warehousing verbessern
Ein Data Warehouse kann die Kundenbeziehungen erheblich verbessern, indem es detaillierte Kundendaten und -analysen bereitstellt. Unternehmen können wichtige Erkenntnisse über das Kundenverhalten, Vorlieben und Bedürfnisse gewinnen, was es ihnen ermöglicht, personalisierte und gezielte Marketingstrategien zu entwickeln. Eine genauere Segmentierung und Ansprache der Kunden führt zu höheren Kundenzufriedenheit und -bindung.
Darüber hinaus können Unternehmen durch die Analyse historischer Kundendaten Trends und Muster erkennen, die Aufschluss über potenzielle Kundenprobleme und -wünsche geben. Dies ermöglicht proaktive Maßnahmen zur Verbesserung des Kundenservice. Durch die ständige Verfügbarkeit aktueller und relevanter Kundendaten können Serviceanfragen effektiver bearbeitet werden, was die Kundentreue weiter steigert.
Datenintegration und Qualitätssicherung im Data Warehouse
Datenintegrationstechniken für Data Warehouses
Eine solide Datenintegration ist entscheidend für den Erfolg eines Data Warehouse. Eine gängige Technik ist das ETL-Verfahren (Extract, Transform, Load), bei dem Daten aus verschiedenen Quellen extrahiert, transformiert und in das Data Warehouse geladen werden. Weitere Methoden beinhalten Data Virtualization, bei der Daten in Echtzeit integriert werden, ohne dass sie physisch in das Data Warehouse verschoben werden müssen. Durch die Anwendung von Middleware und API-Integration kann ebenfalls eine kontinuierliche Synchronisation und Aktualisierung der Daten gewährleistet werden.
Zusätzlich stehen moderne Techniken wie Echtzeit-Datenintegration (Real-Time Data Integration) im Vordergrund. Diese ermöglichen es, Daten beinahe sofort nach ihrer Erstellung in das Data Warehouse zu integrieren, was besonders in dynamischen Geschäftsumgebungen von Vorteil ist. Technologien wie Change Data Capture (CDC) helfen dabei, nur geänderte Daten zu integrieren, wodurch der Ressourcenaufwand minimiert und die Effizienz maximiert wird.
Wie wird die Datenqualität sichergestellt?
Datenqualität ist von zentraler Bedeutung für die Zuverlässigkeit und Nützlichkeit eines Data Warehouse. Techniken zur Qualitätssicherung umfassen Datenbereinigung, bei der fehlerhafte, unvollständige oder redundante Daten entfernt oder korrigiert werden. Zudem sind Datenvalidierung und Datenanreicherung wichtige Schritte, bei denen die Daten auf Genauigkeit und Konsistenz überprüft und gegebenenfalls mit zusätzlichen Informationen versehen werden.
Ein weiterer Aspekt ist das Data Profiling, das zur Identifikation von Anomalien und Mustern in den Datenbeständen genutzt wird. Regelmäßige Qualitäts-Reviews und Monitoring mit Hilfe von automatisierten Datenqualitätswerkzeugen können ebenfalls dazu beitragen, die Datenqualität langfristig zu erhalten. Indikatoren wie Vollständigkeit, Genauigkeit, Konsistenz und Aktualität der Daten sollten kontinuierlich überwacht werden.
Sicherstellen der Datenaktualität in einem Data Warehouse
Die Datenaktualität ist entscheidend, um verlässliche Analysen und Entscheidungen zu unterstützen. Eine häufig angewandte Technik zur Sicherstellung der Datenaktualität ist die Implementierung von Batch-Updates zu vordefinierten Zeiten. Diese Technik kann jedoch durch Echtzeit-Datenintegration ergänzt werden, um eine noch zeitnähere Aktualisierung zu gewährleisten. Streaming-Technologien wie Apache Kafka und ETL-Werkzeuge mit CDC-Fähigkeiten ermöglichen es, Daten fast in Echtzeit in das Data Warehouse zu laden.
Automatisierte Workflows und regelmäßige Datenflüsse durch ETL-Tools sorgen dafür, dass neue und geänderte Daten kontinuierlich in das Data Warehouse einfließen. Ein weiteres Mittel zur Sicherstellung der Datenaktualität sind Data Replication und Synchronisationstechniken, die sicherstellen, dass alle Datenquellen aktuell und konsistent sind. Die Integration von Echtzeit-Datenmanagementsystemen hilft dabei, die erforderliche Schnelligkeit und Präzision in der Datenaktualisierung zu erzielen.
Datenanalyse und Visualisierung im Data Warehouse
Datenanalyse und Visualisierung sind entscheidend für die Gewinnung von handlungsrelevanten Erkenntnissen aus großen Datenmengen. Business Intelligence (BI) Tools wie Tableau, Power BI oder QlikView bieten mächtige Funktionen zur Analyse und Visualisierung der Daten im Data Warehouse. Sie ermöglichen die Erstellung von Dashboards, Reports und interaktiven Grafiken, die Daten auf anschauliche und verständliche Weise darstellen.
Durch die Integration von Advanced Analytics und Machine Learning können zudem tiefgreifendere Analysen durchgeführt werden. Werkzeuge wie Python und R, kombiniert mit BI-Lösungen, erlauben es, komplexe Datenmodelle und prädiktive Analysen zu implementieren. Diese Analysen können dann in Form von übersichtlichen und ansprechenden Visualisierungen präsentiert werden, die Entscheidungsfragen und strategische Planungen unterstützen.
Datensicherheit im Data Warehouse verbessern
Datensicherheit ist ein entscheidender Aspekt im Management eines Data Warehouse. Ein erster Schritt zur Verbesserung der Sicherheit ist die Implementierung von starken Authentifizierungs- und Autorisierungsmechanismen, um sicherzustellen, dass nur berechtigte Nutzer Zugriff auf sensible Daten haben. Verschlüsselungstechnologien, sowohl während der Datenübertragung als auch bei der Datenspeicherung, bieten zusätzlichen Schutz gegen unbefugten Zugriff.
Zudem sind regelmäßige Sicherheitsüberprüfungen und Penetrationstests notwendig, um potenzielle Sicherheitslücken zu identifizieren und zu schließen. Die Implementierung von Data Masking-Techniken kann helfen, sensible Daten vor unbefug
Optimierung und Wartung eines Data Warehouses
Performance-Optimierung in Data Warehouses
Eine wesentliche Komponente bei der Verwaltung eines Data Warehouses ist die Performance-Optimierung. Diese beginnt beim Design der Datenbankstruktur. Ein durchdachtes Schema reduziert die Anzahl der notwendigen Joins und verbessert die Query-Performance. Indizes spielen eine entscheidende Rolle, wobei der richtige Einsatz von Clustered und Non-Clustered Indizes heftige Performance-Veränderungen bewirken kann.
Caching-Strategien und Partitionierung können darüber hinaus die Abfragezeiten drastisch senken. Durch den Einsatz von In-Memory-Technologien und verteilten Systemen lassen sich Daten schneller abrufen und verarbeiten. Regelmäßige Tuning-Maßnahmen, wie das Überprüfen von Statistiken und das Update von Systemparametern, halten das System in einem optimalen Zustand.
Wartung und Support eines Data Warehouses
Die Wartung eines Data Warehouses erfordert kontinuierliche Aufmerksamkeit und proaktives Management. Backups sind von zentraler Bedeutung, um Datenverlust zu vermeiden und für Desaster Recovery gerüstet zu sein. Automatisierte Skripte zur Überwachung und Berichtserstellung helfen dabei, potenzielle Probleme frühzeitig zu erkennen und zu beheben.
Support-Services umfassen die Verwaltung von Nutzerzugriffen und -berechtigungen sowie die Sicherstellung der Datenkonsistenz. Regelmäßige Audits und Überprüfungen garantieren die Einhaltung der gesetzlichen Vorschriften und internen Richtlinien. Ein robustes Monitoring-System erlaubt es, Systemressourcen und -leistungen in Echtzeit zu überwachen, um Engpässe und Ausfälle zu minimieren.
Herausforderungen bei der Implementierung eines Data Warehouses
Die Implementierung eines Data Warehouses ist mit vielfältigen Herausforderungen verbunden. Ein großes Hindernis sind die Kosten und der Zeitaufwand, der mit der Erfassung, Bereinigung und Integration von Daten aus verschiedenen Quellen verbunden ist. Die Datenqualität und die Konsistenz müssen ständig sichergestellt werden, um zuverlässige Analyseergebnisse zu erhalten.
Technische Herausforderungen umfassen die Sicherstellung der Skalierbarkeit und Performance des Systems, insbesondere bei wachsenden Datenmengen. Darüber hinaus müssen Unternehmen dafür sorgen, dass das Data Warehouse mit den sich ständig ändernden Technologien und Geschäftsanforderungen Schritt halten kann. Sicherheitsaspekte, wie der Schutz vor Datenlecks und unbefugtem Zugriff, sind ebenfalls nicht zu vernachlässigen.
Anforderungen für die erfolgreiche Implementierung
Eine erfolgreiche Implementierung setzt eine klare Definition der Geschäftsziele und Anforderungen voraus. Es ist essenziell, dass die relevanten Stakeholder von Anfang an eingebunden werden, um sicherzustellen, dass das Data Warehouse die benötigten Funktionen und Daten liefert. Eine detaillierte Planung und ein schrittweiser Implementierungsansatz helfen dabei, Risiken zu minimieren und den Erfolg des Projekts zu sichern.
Ein weiterer Schlüssel zum Erfolg ist die Auswahl der richtigen Technologien und Tools, angepasst an die speziellen Bedürfnisse des Unternehmens. Dazu gehört auch die Schulung des Personals, um sicherzustellen, dass sie die neuen Systeme effektiv nutzen können. Schließlich ist ein iterativer Ansatz zur Implementierung und ständigen Verbesserung unumgänglich, um auf Veränderungen in der Geschäftsumgebung flexibel reagieren zu können.
Typen von Data Warehouses
Es gibt verschiedene Typen von Data Warehouses, die jeweils unterschiedliche Funktionen und Vorteile bieten. Das klassische Enterprise Data Warehouse (EDW) ist ein zentralisiertes Repository, das große Datenmengen aus verschiedenen Unternehmensbereichen zusammenführt. Es bildet die Grundlage für umfassende Geschäftsanalysen und Entscheidungsfindung.
Ein weiteres Modell ist das Operational Data Store (ODS), das in Echtzeit-Daten ablegt und insbesondere für operative Berichte verwendet wird. Data Marts hingegen sind spezielle Subsets eines Data Warehouses, die häufig für bestimmte Abteilungen oder Anwendungsfälle konzipiert sind. Cloud-basierte Data Warehouses erfreuen sich zunehmender Beliebtheit, da sie flexible Skalierungsmöglichkeiten und einen geringeren Verwaltungsaufwand bieten.
Zugriffs- und Nutzungsmöglichkeiten im Data Warehouse
Zugriffsmöglichkeiten auf Daten in einem Data Warehouse
Data Warehouses bieten eine Vielzahl von Zugriffsmöglichkeiten, um sicherzustellen, dass Unternehmen die benötigten Daten effizient und sicher abrufen können. Eine der primären Methoden ist die Nutzung von SQL-Abfragen, die es ermöglichen, spezifische Daten aus großen Datensätzen präzise zu extrahieren. SQL (Structured Query Language) ist besonders nützlich, da es weit verbreitet und leicht erlernbar ist, was den Zugang zu Daten für Benutzer mit unterschiedlichen technischen Fähigkeiten erleichtert.
Zusätzlich zu SQL bieten viele Data Warehouses auch API-Schnittstellen, die eine programmatische Abfrage und Verwaltung von Daten ermöglichen. APIs sind besonders wertvoll, da sie es Entwicklern erlauben, benutzerdefinierte Anwendungen zu erstellen, die direkt auf die Daten im Warehouse zugreifen können. Dies erhöht die Flexibilität und ermöglicht eine nahtlose Integration mit anderen Systemen und Tools, die im Unternehmen verwendet werden.
Anwendungstools und Technologien für Data Warehouses
Für Data Warehouses stehen zahlreiche Anwendungstools und Technologien zur Verfügung, um den Zugriff und die Verwaltung zu erleichtern. Eines der bekanntesten Tools ist Apache Hadoop, eine Open-Source-Software, die große Datenmengen auf verteilte Weise speichert und verarbeitet. Hadoop ermöglicht Unternehmen, große Datenmengen zu speichern und zu analysieren, was ansonsten sehr teuer und komplex wäre.
Ein weiteres populäres Tool ist Snowflake, eine Cloud-basierte Data Warehouse-Lösung, die sich durch ihre Skalierbarkeit und einfache Integration mit bestehenden Datenquellen auszeichnet. Neben Snowflake und Hadoop gibt es auch weitere Technologien wie Amazon Redshift, Google BigQuery und Microsoft Azure SQL Data Warehouse, die ähnliche Funktionen bieten und oft je nach den spezifischen Anforderungen des Unternehmens ausgewählt werden.
Durchführung von Datenanalysen in einem Data Warehouse
Ein Data Warehouse dient als zentrale Plattform zur Durchführung komplexer Datenanalysen, die fundierte Entscheidungsfindungen unterstützen. Diese Analysen werden häufig durch ETL-Prozesse (Extract, Transform, Load) vorbereite, die Daten aus verschiedenen Quellsystemen in das Data Warehouse integriert, transformiert und geladen werden. Dies ermöglicht eine einheitliche und konsolidierte Sicht auf Daten, die über das gesamte Unternehmen verteilt sind.
Beim Einsatz von Datenanalysewerkzeugen wie Apache Spark oder Tableau können Benutzer datengetriebene Erkenntnisse gewinnen, indem sie auf die im Data Warehouse gespeicherten Informationen zugreifen. Diese Tools bieten leistungsstarke Funktionen, um Daten zu analysieren, zu visualisieren und flexible Berichte zu erstellen. Die Kombination dieser Tools mit einem gut strukturierten Data Warehouse erlaubt es, Analyseprozesse erheblich zu beschleunigen und genaue, umsetzbare Erkenntnisse zu gewinnen.
Einsatz von Datenvisualisierungstools
Datenvisualisierungstools spielen eine entscheidende Rolle bei der Interpretation von Daten, die in einem Data Warehouse gespeichert sind. Tools wie Tableau, Power BI und QlikView ermöglichen es Anwendern, datengetriebene Geschichten durch intuitive Dashboards und interaktive Berichte zu erzählen. Diese Tools unterstützen eine Vielzahl von Diagrammtypen und Visualisierungen, die es einfacher machen, Muster und Trends in großen Datensätzen zu erkennen.
Die Visualisierung von Daten hilft nicht nur Analysten, Einblicke zu gewinnen, sondern macht es auch für Stakeholder und Entscheidungsträger einfacher, die Informationen zu verstehen und fundierte Entscheidungen zu treffen. Durch die Integration von Echtzeitdaten und automatisierten Aktualisierungen können Unternehmen sicherstellen, dass sie stets auf aktuelle und relevante Informationen zugreifen.
Verbesserung der Geschäftsprozesse durch Data Warehouse
Die Implementierung eines Data Warehouses kann signifikante Verbesserungen in den Geschäftsprozessen eines Unternehmens ermöglichen. Durch die Zentralisierung und Konsolidierung von Daten aus verschiedenen Quellen können Unternehmen sicherstellen, dass alle Bereiche des Unternehmens auf dieselben, genauen und aktuellen Informationen zugreifen. Dies reduziert Inkonsistenzen und verbessert die Effizienz der Datenverarbeitung.
Darüber hinaus können Unternehmen durch den Einsatz eines Data Warehouses datengetriebene Entscheidungen schneller und präziser treffen. Dies führt zu einer besseren Finanzplanung, optimierten Lieferketten und verbesserter Kundenbetreuung. Unternehmen können auch die Leistung und Produktivität ihrer Mitarbeiter verbessern, indem sie ihnen die nötigen Werkzeuge und Daten zur Verfügung stellen, um ihre Aufgaben effektiver zu erfüllen.