By: Arshad Ali | Frissítve: 2013-06-24 | Comments (9) | Related: > Analysis Services Development
probléma
az én utolsó pár tipp, Beszéltem annak fontosságát, hogy egy üzleti intelligencia megoldás, miért válik prioritássá forexecutives, milyen tipikus az üzleti intelligencia rendszer architektúrája úgy néz ki, stb. Ebben a tippben részletesen fogok beszélni arról, hogy egy adattárház miben különbözik az operatív adattárolótól, valamint az adattárház különböző tervezési módszertanairól.
megoldás
ez a tipp az Adattárházakra (DW, néha más néven vállalati adattárház vagy EDW) terjed ki, miben különbözik az operatív Adattárháztól (ODS) és a különböző adattárház-tervezési módszertanoktól.
vállalati adattárház (EDW vagy DW) Vs. Operatív adattár (ODS)
az adattárház célja a teljes üzleti intelligencia architektúrában a különböző heterogén adatforrásokból származó vállalati adatok integrálása a történeti és trendelemzési jelentések megkönnyítése érdekében. Központi adattárként működik, és tartalmazza az” igazság egyetlen változatát ” a szervezet számára, amelyet gondosan felépítettek az eltérő belső és külső működési adatbázisokban\rendszerekben tárolt adatokból. A jobb teljesítmény érdekében az adattárház adatai többnyire normalizált formában lesznek, amelyek csillag vagy hópehely sémákba sorolhatók (erről bővebben a következő tippben).
az Operation Data Store (ODS) célja a különböző heterogén adatforrásokból származó vállalati adatok integrálása a valós idejű vagy közel valós idejű operatív jelentések megkönnyítése érdekében. Az ODS-ben található adatok gyakran a forrásrendszerekhez hasonló struktúrában vannak, bár az integráció során adattisztítást, duplikációt és üzleti szabályokat alkalmazhat az adatok integritásának biztosítása érdekében. Az ODS elsősorban arra szolgál, hogy az adatokat meglehetősen gyakran integrálja az operatív jelentések legalacsonyabb szemcsés szintjén, közel valós idejű adatintegrációs forgatókönyvben. Általában az ODS-t nem optimalizálják a történelmi és trendelemzéshez hatalmas adathalmazon.
összefoglaljuk az ODS és a DW közötti különbségeket:
- az ODS operatív jelentésekre szolgál, és támogatja az aktuális vagy közel valós idejű jelentési követelményeket, ahol a Dw a nagy mennyiségű adatra vonatkozó Történeti és trendelemzési jelentésekre szolgál
- az ODS az alacsony szemcsés lekérdezésekre irányul, míg a DW az összefoglaló szintű vagy összesített adatok elleni összetett lekérdezésekre szolgál
- az ODS információkat nyújt az aktuális vagy közel valós idejű adatgyűjtéssel kapcsolatos operatív, taktikai döntésekhez, ahol a a DW visszajelzést ad a stratégiai döntésekről, amelyek a rendszer általános fejlesztéséhez vezetnek
- egy ODS-ben a az adatterhelés gyakorisága lehet óránkénti vagy napi, míg a DWthe adatterhelés gyakorisága lehet napi, heti, havi vagy negyedéves
adattárház tervezési módszerek
két különböző módszertan létezik, amelyeket általában az adattárház megoldásának tervezésekor követnek, és a projekt követelményei alapján kiválaszthatja, hogy melyik felel meg az adott forgatókönyvnek. Ezek a módszerek BillInmon és Ralph Kimball kutatásainak eredményei.
Bill Inmon – Top-down adattárház tervezési megközelítés
Bill Inmont néha az “adattárház atyjának” is nevezik; tervezési módszertana felülről lefelé irányuló megközelítésen alapul, és meghatározza az adattárházat ezekben a kifejezésekben
- tárgyorientált-az adattárház adatait a tárgyterület alapján kategorizálják, ezért “tárgyorientált”.
- integrált – az adatok különböző eltérő adatforrásokból kerülnek integrálásra, így az adattárházban használt univerzális elnevezési konvenciók, mérések, osztályozások és így tovább. Az adattárház vállalati konszolidált képet nyújt az adatokról, ezért integrált megoldásként van kijelölve.
- nem felejtő-miután az adatokat integrálták\betöltötték az adattárházba, csak olvasni lehet. A felhasználók nem módosíthatják az adatokat, és ez a gyakorlat nem felejtővé teszi az adatokat.
- Időváltozat – végül az adatokat hosszú ideig tárolják, években számszerűsítve, dátummal és időbélyeggel rendelkeznek, ezért “időváltozatnak”nevezik.
Bill Inmon szükségesnek látta a különböző OLTP rendszerekből származó adatok integrálását egy központosított adattárba (úgynevezett adattárház), úgynevezett felülről lefelé irányuló megközelítéssel. Bill Inmon a “Corporate Information Factory” (CIF) központjában egy adattárházat tervez, amely logikai keretet biztosít az üzleti intelligencia (BI), az üzleti elemzés és az üzleti menedzsment képességek biztosításához.
ez a felülről lefelé irányuló kialakítás rendkívül konzisztens dimenziós képet nyújt az adatokról az adatpiacokon, mivel az összes adatpiacot a központi adattárból (Adattárházból) töltik be.A felülről lefelé irányuló kialakítás rugalmasnak bizonyult az üzleti változások támogatásában is, mivel a szervezet egészére néz ki, nem pedig a szervezet minden funkciójára vagy üzleti folyamatára. Új dimenziós adatok létrehozása az adattárházban tárolt adatokkal szemben viszonylag egyszerű feladat. Bár a fentről lefelé irányuló megközelítésnek vannak bizonyos kihívásai, ez például egy nagyon nagy, nagyon tág hatókörű projektet jelent, ezért az adattárház fentről lefelé irányuló módszertan alkalmazásával történő megvalósításának kezdeti költségei jelentősek.Ezenkívül a projekt kezdetétől a végfelhasználók által a megoldás kezdeti előnyeinek megtapasztalásáig eltelt idő jelentős lehet. Ezenkívül a felülről lefelé irányuló módszertan rugalmatlan lehet, és nem reagál a változó osztály-vagy üzleti folyamatigényekre (a mai dinamikusan változó környezet aggodalma) a megvalósítási szakaszban.
Ralph Kimball – alulról felfelé irányuló adattárház tervezési megközelítés
Ralph Kimball az adattárház témájának elismert szerzője. Tervezési módszertanát dimenziós modellezésnek vagya Kimball módszertan. Ez a módszertan az alulról felfelé irányuló megközelítésre összpontosít, hangsúlyozva az adattárház értékét a felhasználók számára a lehető leggyorsabban. Elképzelése szerint az adattárház a tranzakciós adatok másolata, amelyet kifejezetten analitikus lekérdezésre és jelentésre strukturáltak a döntéstámogató rendszer támogatása érdekében. Módszertana szerint az adatpiacokat először azért hozták létre, hogy jelentési és elemzési képességeket biztosítsanak a konkrét üzleti\funkcionális folyamatokhoz, majd később ezek az adatpiacok együttesen létrehozhatnak egy átfogó vállalati adattárházat. Az alulról felfelé irányuló megközelítés az egyes üzleti folyamatokra összpontosít egy időpontban, így a befektetés megtérülése olyan gyors lehet, mint a first data mart létrehozása. Bár ha nem gondosan megtervezett, akkor hiányozhat a vállalati adattárház nagy képe bizonyos dimenziók hiányával vagy redundáns dimenziók létrehozásával stb. ha túlságosan egy egyedi üzleti folyamatra koncentrál.
Ralph Kimball alulról felfelé irányuló megközelítése egy olyan üzleti mátrix létrehozását javasolja, amely tartalmazza az összes közös elemet (amelyeket az adatpiacok használnak, mint például a megfelelő\megosztott dimenzió, intézkedések stb.) a vállalkozás egészére meghatározva. Ezzel a Felhasználó olyan megoldásokat tervezhet és fejleszthet, amelyek támogatják az üzleti folyamatok elemzését a keresztértékesítés érdekében. A mátrixról itt tudhat meg többet.
azoknak, akik az adattárház és az üzleti intelligencia területén szeretnének karriert csinálni, javasoljuk Bill Inmon könyveinek (Building the Data Warehouse and DW 2.0: The Architecture for the Next Generation of Data Warehousing) és Ralph Kimball könyvének (the Microsoft Data Warehouse Toolkit) tanulmányozását.
következő lépések
- Áttekintésmicrosoft SQL Server üzleti intelligencia – mi, miért és hogyan – 1.rész.
- Véleménymicrosoft SQL Server üzleti intelligencia rendszer architektúra – 2.rész.
- nézze meg az összes theSQL szerver üzleti intelligencia tippeket MSSQLTips.com.
Utolsó frissítés: 2013-06-24
A szerzőről
Arshad Ali egy SQL és BI Fejlesztő, amely a Microsoft adattárház-projektjeire összpontosít.az összes tippem megtekintése
- további üzleti intelligencia tippek…
