Ein gravierendes Problem von Analysen in Data Warehouses stellen Veränderungen 
in den Strukturen, die den Stammdaten (dimension members) zugrundeliegen, sowie 
Veränderungen in Berechnungsformeln oder Maßeinheiten von Kennzahlen dar. In diesem 
Fall spiegeln OLAP Analysen Trends in den Werten wider, die zu falschen 
Schlussfolgerungen und inadäquaten Maßnahmen führen können.
In dieser Arbeit wird versucht, diese Veränderungen in den Strukturen von Data 
Warehouses mit Hilfe von Data Mining-Techniken zu identifizieren; verschiedene 
einsetzbare Methoden werden zunächst vorgestellt und auf kleinen Datenbeständen 
mit wenigen dimension members und bekannten Strukturbrüchen erprobt, um die 
prinzipielle Funktionsfähigkeit der Methoden zu überprüfen. Anschließend werden 
Probleme beleuchtet, die auftreten, wenn die Verfahren auf realen Data Warehouses 
angewendet werden: einerseits muss wegen der Größe von realen Datenbeständen der 
Aspekt der Laufzeit- und Speicherkomplexität untersucht werden, andererseits
müssen die Fehlerraten erster und zweiter Ordnung analysiert werden.
In der Arbeit wird ein schrittweiser Ansatz vorgeschlagen, der zuerst die Daten auf 
Veränderungen in der Kennzahlendimension überprüft und anschließend Brüche in den 
Strukturdimensionen untersucht, wozu die Werte im Data Warehouse nach einer 
Strukturdimension aggregiert werden. Sollten bei der Analyse nach einer Strukturdimension 
keine Auffälligkeiten auftreten, werden die Werte nach zwei Strukturdimensionen aggregiert 
analysiert, fällt auch hier nichts auf, werden drei Strukturdimensionen gemeinsam 
analysiert, etc. Die abschließenden Experimente an einem realen Data Warehouse zeigten auf, 
dass die Methoden durchwegs gut skalieren und die Fehlerraten erster und zweiter Ordnung 
stark von der Qualität und Volatilität des Datenmaterials abhängen.