Zeit spielt bei so gut wie allen analytischen Fragestellungen eine wichtige Rolle. Data Warehouses und Data Lakes speichern historische Daten und haben damit normalerweise automatisch einen Zeitbezug. IoT-Anwendungen versehen die Sensormesswerte mit Zeitstempeln um die einzelnen Messwerte miteinander in Beziehung setzen zu können. Es gibt verschiedenste Arten der Modellierung: Als reguläre oder irreguläre Zeitreihen, als bitemporale Modellierung im relationalen Modell, als Zeitdimension in einem Star- oder Snowflake-Schema. Und dazu gibt verschiedene spezialisierte Datenbankimplementierungen, sei es als Zeitreihendatenbank oder Column Store.

In diesem Vortrag wird zum einen versucht, darzustellen, wieso diese Vielfalt an Ansätzen notwendig ist und zum anderen, einen systematischen Überblick über die verschiedenen Anforderungen und Lösungsansätze anhand von konkreten Fallbeispielen zu geben und dabei aufzuzeigen, was in den jeweiligen Anwendungsfällen die beste Modellierung und die beste Implementierung ist.