Waihona ʻikepili a me ka hoʻolālā waiwai waiwai | DWH a me ERP

PALAPALA ʻIkepili WAENA: HISTORY ED NA HOOLAHA

ʻO nā kumuhana ʻelua o ka ʻenehana hui i nā makahiki 90 ʻo ia hale kūʻaiʻikepili a me ERP. No ka manawa lōʻihi, ua lilo kēia mau au ikaika ʻelua i ʻāpana o ka ʻoihana IT me ka loaʻa ʻole o nā kikowaena. Me he mea lā he mau mea a me nā mea kū'ē. Akā ʻo ka ulu ʻana o nā mea ʻelua i hiki ke alakaʻi i ko lāua hui ʻana. Ke kū nei nā ʻoihana i kēia lā i ka pilikia o ka mea e hana ai me ERP a hale kūʻaiʻikepili. E wehewehe kēia ʻatikala i nā pilikia a pehea e hoʻoponopono ai nā ʻoihana iā lākou.

MA KA HOOMAKA…

I kinohi ka hale kūʻaiʻikepili. Hale ukana ʻikepili ua hana ʻia e kūʻē i ka ʻōnaehana noi hoʻoili kālepa. I nā lā mua o ka hoʻomanaʻo ʻana o dati ua manaʻo ʻia he mea kūʻē wale i nā noi hoʻoili kālepa. Akā i kēia mau lā, ʻoi aku ka nui o nā manaʻo maʻalahi o ka mea a hale kūʻaiʻikepili. I kēia ao ka hale kūʻaiʻikepili ua hoʻokomo ʻia i loko o kahi hale hiki ke kapa ʻia ʻo Corporate Information Factory.

KA HALE IKE HUI (CIF)

Loaʻa i ka ʻOihana ʻIke Hui Pū ʻIa nā ʻāpana hoʻolālā maʻamau: kahi pae o ka hoʻololi a me ka hoʻohui code e hoʻohui i ka dati oiai au dati neʻe lākou mai ke kaiapuni noi i ke kaiapuni o hale kūʻaiʻikepili o ka hui; a hale kūʻaiʻikepili o ka hui kahi i dati nā moʻolelo kikoʻī a hui pū ʻia. ʻO ka hale kūʻaiʻikepili ʻO ka hui ke kumu e kūkulu ʻia ai nā wahi ʻē aʻe a pau o ke kaiapuni hale kūʻaiʻikepili; he hale kūʻai ʻikepili hana (ODS). ʻO kahi ODS kahi hoʻolālā hybrid i loaʻa kekahi mau ʻano o ka hale kūʻaiʻikepili a me nā mea ʻē aʻe o kahi kaiapuni OLTP; ʻikepili marts, kahi e hiki ai i nā keʻena like ʻole ke loaʻa i kā lākou mana ponoʻī o ka hale kūʻaiʻikepili; a hale kūʻaiʻikepili o ka ʻimi ʻana i hiki ai i nā "philosophers" o ka hui ke waiho i kā lākou mau nīnau no 72 mau hola me ka ʻole o ka hopena ʻino i ka hale kūʻaiʻikepili; a me kahi hoʻomanaʻo laina kokoke, kahi dati kahiko a dati Hiki ke mālama ʻia nā kikoʻī nui me ka maʻalahi.

MAKAHI E HUI AI O ERP ME LA HALE IKE HUI

Hoʻohui ka ERP me ka ʻOihana ʻIke Hui ma nā wahi ʻelua. ʻO ka mua ma ke ʻano he noi kumu (baseline) e hāʻawi i dati o ka palapala noi i hale kūʻaiʻikepili. Ma keia hihia i dati, hana ʻia ma ke ʻano he hopena o ke kaʻina hana kālepa, hoʻohui ʻia a hoʻouka ʻia i loko o ka hale kūʻaiʻikepili o ka hui. ʻO ka lua o ka hui ma waena o ERP a me CIF a me ODS. I ka ʻoiaʻiʻo, ma nā wahi he nui e hoʻohana ʻia ʻo ERP ma ke ʻano he ODS maʻamau.

Inā hoʻohana ʻia ʻo ERP ma ke ʻano he noi kumu, hiki ke hoʻohana ʻia ka ERP like i ka CIF e like me ODS. I kēlā me kēia hihia, inā e hoʻohana ʻia ʻo ERP ma nā hana ʻelua, pono e loaʻa kahi ʻokoʻa ma waena o nā hui ʻelua. I nā huaʻōlelo ʻē aʻe, i ka wā e hoʻokani ai ka ERP i ke kuleana o kahi noi kumu a me kahi ODS, pono e hoʻokaʻawale ʻia nā mea hana hale ʻelua. Inā ho'āʻo ka hoʻokō ERP hoʻokahi e hoʻokō i nā kuleana ʻelua i ka manawa like e hiki mai ana nā pilikia i ka hoʻolālā a me ka hoʻokō ʻana i kēlā ʻano.

HOOLAHA ODS A ME NA PALAPALA

Nui nā kumu e alakaʻi ai i ka hoʻokaʻawale ʻana i nā ʻāpana hoʻolālā. Malia paha ʻo ka pilikia nui loa no ka hoʻokaʻawale ʻana i nā ʻāpana like ʻole o kahi hoʻolālā ʻo ia ka manaʻo ponoʻī o kēlā me kēia ʻāpana o ka hale. He kumu ʻē aʻe ka palapala noi kumu ma mua o ka ODS. E ho'āʻo e hoʻopā

ʻO ka nānā ʻana i ka palapala noi kumu ma ka honua o kahi ODS a i ʻole ke ʻano he ala kūpono e hana ai.

No laila, ʻo ka pilikia mua o kahi ERP i ka CIF ʻo ka hōʻoia ʻana inā he ʻokoʻa ma waena o nā noi baseline a me ka ODS.

NA HOIKE IKE I KA HUI HALE IKE

No ka hoʻokō ʻana i ka pilina ma waena o nā ʻāpana like ʻole o ka hoʻolālā CIF, pono e loaʻa kahi kumu hoʻohālike o dati. ʻO nā hiʻohiʻona o dati lawelawe lākou ma ke ʻano he loulou ma waena o nā ʻāpana like ʻole o ka hoʻolālā e like me nā noi kumu a me ka ODS. ʻO nā hiʻohiʻona o dati lilo lākou i "palapala alanui naʻauao" no ka loaʻa ʻana o ka manaʻo kūpono mai nā ʻāpana hoʻolālā like ʻole o ka CIF.

Ke hele pū nei me kēia manaʻo, ʻo ka manaʻo he pono hoʻokahi kumu hoʻohālike nui a hoʻokahi dati. ʻIke ʻia he kumu hoʻohālike o dati no kēlā me kēia o nā ʻāpana a pono pū kekahi ala kūpono e hoʻopili ai i nā hiʻohiʻona like ʻole. ʻO kēlā me kēia ʻāpana o ka hoʻolālā - ODS, nā noi kumu, hale kūʻaiʻikepili o ka hui, a pela aku .. - pono kona kumu hoohalike dati. A no laila pono e wehewehe pono i ke ʻano o kēia mau hiʻohiʻona dati pili lākou kekahi i kekahi.

MOVE I ʻIkepili NO ERP I KA Ikepili WAEWAE

Ina ke kumu o ka dati he palapala noi kumu a/a i ʻole ODS, ke hoʻokomo ka ERP i ka dati nel hale kūʻaiʻikepili, pono kēia hoʻokomo ma ka pae haʻahaʻa o "granularity". E hōʻuluʻulu a hōʻuluʻulu wale i dati i ko lākou puka ʻana mai ka palapala ERP baseline a i ʻole ERP ODS ʻaʻole ia ka mea kūpono e hana. KA dati pono nā kikoʻī ma hale kūʻaiʻikepili e hoʻokumu i ke kumu o ke kaʻina hana DSS. Penei dati e hoʻololi hou ʻia ma nā ʻano he nui e nā hale kūʻai ʻikepili a me ka ʻimi ʻana o hale kūʻaiʻikepili.

ʻO ka hoʻoneʻe ʻana o dati mai ka ERP baseline application environment a hiki i ka hale kūʻaiʻikepili hana ʻia ka hui ma kahi ʻano hoʻomaha. Hana ʻia kēia neʻe ma kahi o 24 mau hola ma hope o ka hoʻonui ʻana a i ʻole ka hana ʻana i ka ERP. ʻO ka ʻoiaʻiʻo o ka neʻe ʻana o ka "palaualelo" o dati nel hale kūʻaiʻikepili o ka hui e ae dati e hele mai ana mai ka ERP i ka "waiho". Once i dati mālama ʻia i loko o ka noi baseline, a laila hiki iā ʻoe ke neʻe palekana i ka dati o ERP ma ka ʻoihana. ʻO kekahi pahuhopu hiki ke hoʻokō i ka mahalo i ka neʻe "palaualelo" o ka dati ʻo ia ka wehewehe maopopo ma waena o nā kaʻina hana a me DSS. Me ka neʻe "wikiwiki" o ka dati ʻo ka laina hoʻokaʻawale ma waena o DSS a me ka hana ʻana e mau ʻole.

ʻO ka neʻe ʻana o dati mai ERP ODS i hale kūʻaiʻikepili Hana ʻia ka ʻoihana i kēlā me kēia manawa, maʻamau i kēlā me kēia pule a i ʻole ka mahina. Ma keia hihia ka nee ana o dati ma muli o ka pono e "hoʻomaʻemaʻe" i ka mea kahiko dati poe kakau moolelo. ʻOiaʻiʻo, aia i ka ODS i dati i oi loa aku mamua o ka dati ʻike ʻia nā mea kākau moʻolelo ma hale kūʻaiʻikepili.

ʻO ka hoʻoneʻe ʻana o dati nel hale kūʻaiʻikepili ʻaneʻane ʻaʻole e hana ʻia "wholesale" (ma ke ʻano kūʻai nui). E kope i ka papaʻaina mai ke kaiapuni ERP i hale kūʻaiʻikepili ʻaʻole kūpono. ʻO ka hoʻoneʻe ʻana i nā ʻāpana koho o ka dati. ʻO ka dati i hoololiia mai ka hope hope o hale kūʻaiʻikepili ʻo lākou ka mea e hoʻoneʻe ʻia i loko o ka hale kūʻaiʻikepili. ʻO kahi ala e ʻike ai i nā mea dati ua loli mai ka mea hou hope e nānā i nā timestamp o ka dati loaʻa i loko o ke kaiapuni ERP. Koho ka mea hoʻolālā i nā hoʻololi a pau mai ka hoʻohou hope. ʻO kekahi ala ʻē aʻe ka hoʻohana ʻana i nā ʻenehana hoʻololi hopu dati. Me kēia mau ʻenehana, ʻike ʻia nā lāʻau a me nā lipine puke i mea e ʻike ai i nā mea dati pono e hoʻoneʻe ʻia mai ke kaiapuni ERP i kēlā o hale kūʻaiʻikepili. ʻOi aku ka maikaʻi o kēia mau ʻenehana no ka mea hiki ke heluhelu ʻia nā lāʻau a me nā lipine puke mai nā faila ERP me ka ʻole o ka hoʻopili ʻana i nā kumuwaiwai ERP ʻē aʻe.

NA PILIKIA EE

ʻO kekahi o nā pilikia ERP ma CIF ʻo ia ka mea e hana ai i nā kumu noi noi a i ʻole dati o ka ODS a lakou e kokua ai hale kūʻaiʻikepili akā, ʻaʻole lākou he ʻāpana o ke kaiapuni ERP. Hāʻawi ʻia i ke ʻano pani o ERP, ʻoi aku ka SAP, e hoʻāʻo ana e hoʻohui i nā kī mai nā kumu waho o dati me i dati e hele mai ana mai ka ERP i ka wā e neʻe ai i ka dati nel hale kūʻaiʻikepili, he pilikia nui. A he aha nā mea kūpono i dati o nā noi a i ʻole ODS ma waho o ke kaiapuni ERP e hoʻohui ʻia i loko o ka hale kūʻaiʻikepili? He kiʻekiʻe loa nā pilikia.

LOAA ʻIkepili MOOLELO NO ERP

ʻO kekahi pilikia me i dati ʻO ka ERP ka mea i loaʻa mai ka pono e loaʻa dati poe kakau moolelo iloko o ka hale kūʻaiʻikepili. ʻO ka maʻamau ka hale kūʻaiʻikepili pono dati poe kakau moolelo. A ʻaʻole mālama ka ʻenehana ERP i kēia mau mea dati mōʻaukala, ma ka liʻiliʻi loa i ka mea e pono ai i ka hale kūʻaiʻikepili. Ke nui ka nui o dati hoʻomaka ka mōʻaukala e hoʻohui i loko o ke kaiapuni ERP, pono e hoʻomaʻemaʻe ʻia kēlā kaiapuni. Eia kekahi laʻana, e manaʻo ʻia ʻo a hale kūʻaiʻikepili pono e hoouka i elima makahiki o dati ka mōʻaukala ʻoiai ke mālama nei ka ERP i ʻeono mahina o kēia mau mahina dati. ʻOiai ua māʻona ka hui i ka hōʻiliʻili ʻana i kahi moʻo o dati nā mea kākau moʻolelo e like me ka hala ʻana o ka manawa, a laila ʻaʻohe pilikia i ka hoʻohana ʻana i ka ERP i kumu no ka hale kūʻaiʻikepili. Akā, i ka wā e hale kūʻaiʻikepili pono ʻo ia e hoʻi i ka manawa a loaʻa nā akua dati nā moʻolelo ʻaʻole i hōʻiliʻili mua ʻia a mālama ʻia e ka ERP, a laila lilo ka ʻenehana ERP i mea kūpono ʻole.

ERP A ME METADATA

ʻO kekahi noʻonoʻo e pili ana iā ERP e hale kūʻaiʻikepili ʻo ia ka mea ma ka metadata i loaʻa i loko o ke kaiapuni ERP. E like me ka holo ʻana o ka metadata mai ke kaiapuni ERP i ka hale kūʻaiʻikepili, pono e hoʻoneʻe ʻia ka metadata ma ke ʻano like. Eia kekahi, pono e hoʻololi ʻia ka metadata i ke ʻano a me ke ʻano i koi ʻia e ka ʻōnaehana hale kūʻaiʻikepili. Aia ka ʻokoʻa nui ma waena o ka metadata hana a me ka metadata DSS. ʻO ka metadata hana no ka mea hoʻomohala a me ka

mea papahana. ʻO ka metadata DSS no ka mea hoʻohana hope. Pono e hoʻololi ʻia nā metadata e kū nei i nā noi ERP a i ʻole ODS, a ʻaʻole maʻalahi a maʻalahi kēia hoʻololi ʻana.

KE KUMU I KA ikepili ERP

Inā hoʻohana ʻia ʻo ERP ma ke ʻano he mea hoʻolako dati per il hale kūʻaiʻikepili pono e loaʻa kahi paʻa paʻa e hoʻoneʻe i ka dati mai ka honua ERP a hiki i ke kaiapuni hale kūʻaiʻikepili. Pono ka interface:

• ▪ maʻalahi e hoʻohana
• ▪ ʻae i ke komo ʻana i dati o ka ERP
• ▪ lawe i ke ano o dati e nee ana i ka hale kūʻaiʻikepili
• ▪ ʻike i nā palena ERP e hiki mai ana ke komo i ka dati o ka ERP:
• ▪ kūpaʻa kuhikuhi
• ▪ pili hierarchical
• ▪ pili pili pono
• ▪ ka hui noi
• ▪ na hale a pau o dati kākoʻo ʻia e ka ERP, a pēlā aku…
• ▪ maikaʻi i ke komo ʻana dati, ma ka hoʻolako ʻana:
• ▪ neʻe pololei o dati
• ▪ ka loaʻa ʻana o ka hoʻololi dati
• ▪ kākoʻo i ka manawa kūpono dati
• ▪ hoʻomaopopo i ke ʻano o dati, a laila… HANA ME KA SAP Hiki i ka interface ke ʻelua ʻano, homegrown a ʻoihana paha. ʻO kekahi o nā pānaʻi kālepa nui e pili ana:

• ▪ SAS
• ▪ Hoʻoponopono Prims
• ▪ D2k, a pēlā aku… NUI ERP ʻO ka mālama ʻana i ke kaiapuni ERP me he mea lā he ʻenehana hoʻokahi kahi hewa nui. Nui nā ʻenehana ERP, kēlā me kēia me kona ikaika ponoʻī. ʻO nā mea kūʻai kaulana loa ma ka mākeke:

• ▪ SAP
• ▪ Oracle Financials
• ▪ PeopleSoft
• ▪ JD Edwards
• ▪ Baana SAP ʻO SAP ka polokalamu ERP nui loa a piha loa. Aia nā noi SAP i nā ʻano noi he nui ma nā wahi he nui. He kūlana kaulana ʻo SAP no ka:

• ▪ nui loa
• ▪ paʻakikī a pipiʻi ke hoʻokō
• ▪ pono e hoʻokō ʻia nā kānaka he nui a me nā mea aʻoaʻo
• ▪ pono nā kānaka kūikawā no ka hoʻokō
• ▪ He lōʻihi ka manawa e hoʻokō ai dati akahele loa, e paʻakikī ai i kekahi ma waho o ka wahi SAP ke komo iā lākou. ʻO ka ikaika o SAP ʻo ia ka hiki ke hopu a mālama i ka nui o dati. Ua hoʻolaha aku nei ʻo SAP i kona manaʻo e hoʻonui i kāna mau noi i hale kūʻaiʻikepili. Nui nā pōmaikaʻi a me nā pōʻino i ka hoʻohana ʻana iā SAP ma ke ʻano he mea kūʻai aku hale kūʻaiʻikepili. ʻO kahi pōmaikaʻi, ua hoʻokomo mua ʻia ʻo SAP a ua ʻike ka hapa nui o nā mea aʻoaʻo iā SAP.
  ʻO nā hemahema o ka loaʻa ʻana o SAP i mea hoʻolako hale kūʻaiʻikepili he nui: ʻaʻohe ʻike o SAP i ka honua o hale kūʻaiʻikepili Inā ʻo SAP ka mea hoʻolako hale kūʻaiʻikepili, pono e "lawe" i dati mai SAP a hale kūʻaiʻikepili. lā kahi moʻolelo o SAP o ka ʻōnaehana pani ʻia, ʻaʻole hiki ke maʻalahi ke kiʻi i i mai SAP i loko (???). Nui nā kaiapuni hoʻoilina e mana iā SAP, e like me IMS, VSAM, ADABAS, ORACLE, DB2, a pēlā aku. Ke koi nei ʻo SAP i kahi ala "ʻaʻole i hana ʻia ma aneʻi". ʻAʻole makemake ʻo SAP e hui pū me nā mea kūʻai aku e hoʻohana a hana i ka hale kūʻaiʻikepili. Ke koi nei ʻo SAP i ka hana ʻana i kāna lako polokalamu ponoʻī.

ʻOiai he hui nui a ikaika ʻo SAP, e hoʻāʻo nei e kākau hou i ka ʻenehana o ELT, OLAP, hoʻokele ʻōnaehana a me ke code kumu o dbms he pupule wale. Ma kahi o ka lawe ʻana i kahi ʻano hui pū me nā mea hoʻolako o hale kūʻaiʻikepili lōʻihi, ua hahai ʻo SAP i ke ʻano "ʻike maikaʻi loa lākou". Mālama kēia ʻano i ka kūleʻa i hiki ke loaʻa iā SAP ma kahi o hale kūʻaiʻikepili.
ʻO ka hōʻole ʻana o SAP e ʻae i nā mea kūʻai aku o waho e komo koke i kā lākou dati. ʻO ke ʻano nui o ka hoʻohana ʻana i a hale kūʻaiʻikepili he maʻalahi ke komo dati. Hoʻokumu ʻia ka mōʻaukala holoʻokoʻa o SAP i ka paʻakikī ke komo dati.
ʻO ka nele o ka ʻike SAP i ka hana ʻana i nā puke nui o dati; ma ke kahua o hale kūʻaiʻikepili he mau puke o dati ʻaʻole i ʻike ʻia e SAP a e hoʻokele i kēia mau helu nui o dati pono ʻoe i ka ʻenehana kūpono. ʻAʻole ʻike ʻo SAP i kēia pale ʻenehana e kū nei e komo i ke kahua o hale kūʻaiʻikepili.
Moʻomeheu hui o SAP: Ua hana ʻo SAP i kahi ʻoihana no ka loaʻa ʻana o ka dati mai ka ʻōnaehana. Akā no ka hana ʻana i kēia, pono ʻoe e noʻonoʻo ʻokoʻa. ʻO ka mea maʻamau, ʻaʻole maikaʻi nā ʻoihana lako polokalamu i ka loaʻa ʻana o ka ʻikepili i loko o kahi kaiapuni i ka loaʻa ʻana o ka ʻikepili e hele i ke ala ʻē aʻe. Inā hoʻokō ʻo SAP i kēia ʻano hoʻololi, ʻo ia ka hui mua e hana pēlā.

I ka pōkole, he mea kānalua inā koho kahi hui iā SAP i mea hoʻolako hale kūʻaiʻikepili. Loaʻa nā pilikia koʻikoʻi ma kekahi ʻaoʻao a he liʻiliʻi loa nā uku ma kekahi. Akā aia kekahi kumu e hoʻonāwaliwali ai i ke koho ʻana iā SAP i mea hoʻolako hale kūʻaiʻikepili. No ka mea, pono e loaʻa i kēlā me kēia hui hale kūʻaiʻikepili o na hui e ae a pau? ʻO ka hale kūʻaiʻikepili ʻo ia ka puʻuwai o ka pono hoʻokūkū. Inā like kēlā me kēia hui hale kūʻaiʻikepili paʻakikī, ʻoiai ʻaʻole hiki ʻole ke hoʻokō i kahi lanakila hoʻokūkū. Manaʻo ʻo SAP he a hale kūʻaiʻikepili hiki ke ʻike ʻia he kuki a he hōʻailona hou kēia o kā lākou "loaʻa i ka ʻikepili i" noʻonoʻo o nā noi.

ʻAʻohe mea kūʻai ERP e like me SAP. ʻAʻole kānalua e loaʻa nā hui e hahai i ke ala o SAP no kā lākou hale kūʻaiʻikepili aka o keia paha hale kūʻaiʻikepili Nui ka SAP, pipiʻi a hoʻopau manawa e hana ai.

Aia kēia mau kaiapuni i nā hana e like me ka hoʻoponopono ʻana i ka panakō, nā kaʻina hoʻopaʻa mokulele, nā kaʻina hana ʻinikua, a pēlā aku. ʻO ka ʻoi aku ka nui o ka hana ʻana o ka ʻōnaehana kālepa, ʻoi aku ka maopopo o ka pono no ka hoʻokaʻawale ʻana ma waena o ke kaʻina hana a me ka DSS (Decision Support System). Eia nō naʻe, me nā ʻōnaehana HR a me nā limahana, ʻaʻole ʻoe e ʻike i ka nui o nā kālepa. A, ʻoiaʻiʻo, ke hoʻolimalima ʻia ke kanaka a haʻalele paha i ka hui he moʻolelo kēia o kahi kālepa. Akā e pili ana i nā ʻōnaehana ʻē aʻe, ʻaʻohe nui o nā kālepa HR a me nā limahana limahana. No laila, ma nā ʻōnaehana HR a me nā limahana ʻaʻole maopopo loa ka pono o kahi DataWarehouse. Ma nā ʻano he nui e hōʻike ana kēia mau ʻōnaehana i ka hui ʻana o nā ʻōnaehana DSS.

Akā aia kekahi kumu e pono e noʻonoʻo ʻia inā ʻoe e pili ana i nā hale kūʻai ʻikepili a me PeopleSoft. Ma nā wahi he nui, i dati ʻO nā kumuwaiwai kanaka a me nā waiwai pilikino ka lua o ka ʻoihana mua o ka ʻoihana. ʻO ka hapa nui o nā ʻoihana e hana i ka hana, kūʻai aku, hāʻawi i nā lawelawe, a pēlā aku. ʻO nā kumuwaiwai kanaka a me nā ʻōnaehana limahana ka mea maʻamau i ke kula kiʻekiʻe (a i ʻole ke kākoʻo ʻana) i ka laina nui o ka ʻoihana. No laila, ʻaʻohe ʻano a kūpono ʻole hale kūʻaiʻikepili hoʻokaʻawale no nā kumuwaiwai kanaka a me ke kākoʻo limahana.

He ʻokoʻa loa ʻo PeopleSoft mai SAP ma kēia ʻano. Me ka SAP, pono e loaʻa kahi hale kūʻaiʻikepili. Me PeopleSoft, ʻaʻole maopopo loa. Hiki ke koho ʻia kahi waihona ʻikepili me PeopleSoft.

ʻO ka mea maikaʻi loa e hiki ke ʻōlelo ʻia no i dati PeopleSoft ʻo ia ka hale kūʻaiʻikepili hiki ke hoʻohana i ka waihona i dati pili i nā waiwai kanaka kahiko a pilikino. ʻO ke kumu ʻelua e makemake ai kahi ʻoihana e hoʻohana i kahi hale kūʻaiʻikepili a

detriment of the PeopleSoft environment is to allow access and free access to analysis tools, to dati na PeopleSoft. Akā ma waho aʻe o kēia mau kumu, aia paha nā hihia kahi ʻoi aku ka maikaʻi o ka loaʻa ʻole o kahi waihona ʻikepili dati ʻO PeopleSoft.

I ka laiki

Nui nā manaʻo e pili ana i ke kūkulu ʻana i kahi hale kūʻaiʻikepili i loko o kahi polokalamu ERP.
ʻO kekahi o kēia mau mea:

• ▪ Maikaʻi ka loaʻa ʻana o kahi hale kūʻaiʻikepili ua like ia me nā mea ʻē aʻe ma ka ʻoihana?
• ▪ Pehea ka maʻalahi o ka ERP hale kūʻaiʻikepili polokalamu?
• ▪ He ERP hale kūʻaiʻikepili hiki i ka lako polokalamu ke lawelawe i ka nui o dati aia ma kahihale kūʻaiʻikepili kahua kahua"?
• ▪ He aha ka palapala hoʻopaʻa ʻana i hana ʻia e ka mea kūʻai aku ERP i mua o ka maʻalahi a me ke kumukūʻai, ma ke ʻano o ka manawa, dati? (He aha ka moʻolelo o nā mea kūʻai aku ERP no ka lawe ʻana i nā mea kūʻai ʻole, i ka manawa, maʻalahi ke komo i ka ʻikepili?)
• ▪ He aha ka ʻike o ka mea kūʻai ERP no ka hale hana DSS a me ka hale hana ʻike ʻoihana?
• ▪ Hoʻomaopopo nā mea kūʻai ERP pehea e hoʻokō ai dati i loko o ke kaiapuni, akā maopopo pū i ka lawe ʻana aku iā lākou?
• ▪ Pehea ka wehe ʻana o ka mea kūʻai aku i ka ERP i nā mea hana waihona ʻikepili?
  Pono e noʻonoʻo ʻia kēia mau mea a pau i ka hoʻoholo ʻana i kahi e waiho ai i ka hale kūʻaiʻikepili ka mea e hookipa i dati o ERP a me nā mea ʻē aʻe dati. Ma keʻano laulā, ke ʻole he kumu koʻikoʻi e hana ʻē aʻe, ʻōlelo ʻia ke kūkulu ʻana hale kūʻaiʻikepili ma waho o ke kaiapuni o ka mea kūʻai ERP. MOKUNA 1 ʻO ka ʻike nui o ka hui ʻana o ka BI:
  Hana ʻia nā waihona ʻike i ka hoʻolālā ʻoihana ʻoihana (BI):
  Hiki i ka moʻomeheu ʻoihana a me ka IT ke kaupalena i ka kūleʻa i ke kūkulu ʻana i nā hui BI.

ʻAʻole ʻo ka ʻenehana ke kumu palena no nā hui BI. ʻO ka nīnau no nā mea kākau a me nā mea hoʻolālā papahana ʻaʻole inā aia ka ʻenehana, akā inā hiki iā lākou ke hoʻokō pono i ka ʻenehana i loaʻa.

No nā hui he nui a hale kūʻaiʻikepili ʻoi aku ka liʻiliʻi ma mua o kahi waihona passive e puʻunaue ana i ka dati i nā mea hoʻohana e pono ai. KA dati lawe ʻia lākou mai nā ʻōnaehana kumu a hoʻokomo ʻia i loko o nā hale i manaʻo ʻia o hale kūʻaiʻikepili. I dati hiki ke hoʻomaʻemaʻe ʻia me kekahi laki. Eia naʻe, ʻaʻohe waiwai hou i hoʻohui ʻia a ʻohi ʻia e dati ma keia hana.

ʻO ka mea nui, passive Dw, ma ka maikaʻi loa, hāʻawi wale i i dati maʻemaʻe a hana i nā hui mea hoʻohana. ʻO ka hoʻokumu ʻana i ka ʻike a me ka ʻike analytical pili i nā mea hoʻohana. E hoʻoholo inā he DW (Hale ukana ʻikepili) he kūleʻa ke kumuhana. Inā mākou e hoʻoholo i ka holomua ma ka hiki ke hōʻiliʻili maikaʻi, hoʻohui a hoʻomaʻemaʻe i ka dati ʻoihana ma ke kumu wānana, a laila ʻae, kūleʻa ka DW. Ma ka ʻaoʻao ʻē aʻe, inā mākou e nānā i ka hōʻiliʻili, hoʻohui a me ka hoʻohana ʻana i ka ʻike e ka hui holoʻokoʻa, a laila he hemahema ka DW. Hāʻawi ka DW i ka waiwai ʻike liʻiliʻi. ʻO ka hopena, koi ʻia nā mea hoʻohana e hana, pēlā e hana ai i nā silos ʻike. Hōʻike kēia mokuna i kahi hiʻohiʻona piha e hōʻuluʻulu i ka hoʻolālā BI (Business Intelligence) o ka hui. Hoʻomaka mākou me ka wehewehe ʻana o BI a laila neʻe i nā kūkākūkā o ka hoʻolālā ʻike a me ka hoʻomohala ʻana, e kūʻē i ka hāʻawi ʻana i ka ʻike. dati i nā mea hoʻohana. A laila e pili ana nā kūkākūkā i ka helu ʻana i ka waiwai o kāu mau hana BI. Hoʻopau mākou ma ka wehewehe ʻana i ke ʻano o ka ʻōlelo ʻana a IBM i nā koi kūkulu hale BI o kāu hui.

ʻO ka wehewehe ʻana i ka hoʻolālā ʻana o hui BI

He mea maʻamau nā ʻōnaehana ʻike e pili ana i ke kālepa ikaika i kēlā me kēia ʻoihana nui, e hoʻopaʻa pono i ke kahua pāʻani no nā ʻoihana a puni ka honua.

ʻO ka hoʻomau ʻana i ka hoʻokūkū, akā, pono i kēia manawa nā ʻōnaehana analytically oriented e hiki ke hoʻololi i ka hiki o ka hui e ʻike hou a hoʻohana i ka ʻike i loaʻa iā lākou. Loaʻa kēia mau ʻōnaehana analytical mai ka hoʻomaopopo ʻana i ka waiwai o dati loaʻa. Hiki i ka BI ke hoʻomaikaʻi i ka hana ma waena o ka ʻoihana. Hiki i nā ʻoihana ke hoʻomaikaʻi i ka pilina o nā mea kūʻai aku, hoʻomaikaʻi i ka loaʻa kālā o nā huahana a me nā lawelawe, hoʻopuka i nā makana hou a ʻoi aku ka maikaʻi, hoʻomalu i ka pilikia a ma waena o nā waiwai ʻē aʻe e hōʻemi nui i nā lilo. Me BI, hoʻomaka kāu ʻoihana e hoʻohana i ka ʻike o ka mea kūʻai aku ma ke ʻano he waiwai hoʻokūkū mahalo i nā noi i loaʻa nā pahuhopu mākeke.

ʻO ka loaʻa ʻana o nā mea hana ʻoihana kūpono ʻo ia ka loaʻa ʻana o nā pane paʻa i nā nīnau koʻikoʻi e like me:

• ▪ ʻO wai o mākou nā mea kūʻai mai ke hoʻolilo nei lākou iā mākou i ka loaʻa kālā hou aku, a i ʻole e hoʻolilo lākou iā mākou i ke kālā?
• ▪ Ma hea ko mākou maikaʻi e noho ai nā mea kūʻai mai pili i Shop/ hale kūʻai a lākou e hele pinepine ai?
• ▪ ʻO wai o kā mākou huahana a me nā lawelawe hiki ke kūʻai maikaʻi loa a iā wai?
• ▪ ʻO wai nā huahana hiki ke kūʻai maikaʻi ʻia a iā wai?
• ▪ ʻO wai ka hoʻolaha kūʻai i lanakila loa a no ke aha?
• ▪ ʻO wai nā ala kūʻai i kūpono loa no nā huahana?
• ▪ Pehea e hiki ai iā mākou ke hoʻomaikaʻi i ka pilina me ko mākou poʻe maikaʻi loa nā mea kūʻai mai? Loaʻa ka hapa nui o nā ʻoihana dati nā ala paʻakikī e pane i kēia mau nīnau.
  Hoʻopuka nā ʻōnaehana hana i ka nui o nā huahana, nā mea kūʻai aku a dati mākeke mai nā wahi kūʻai aku, nā hoʻopaʻa ʻana, ka lawelawe mea kūʻai aku a me nā ʻōnaehana kākoʻo ʻenehana. ʻO ka paʻakikī ke unuhi a hoʻohana i kēia ʻike. Loaʻa nā ʻoihana he nui mai nā hapa liʻiliʻi o kā lākou dati no nā kālailai hoʻolālā.
  I dati koe, hui pinepine me i dati loaʻa mai nā kumu waho e like me nā hōʻike aupuni, a me nā ʻike ʻē aʻe i kūʻai ʻia, he lua gula ke kali wale nei e makaʻala, a dati pono lākou e hoʻomaʻemaʻe ʻia i loko o ka pōʻaiapili ʻike o kāu hui.

Hiki ke hoʻohana ʻia kēia ʻike ma nā ʻano he nui, mai ka hoʻolālā ʻana i kahi hoʻolālā hui holoʻokoʻa i ka kamaʻilio pilikino me nā mea hoʻolako, ma o nā kikowaena kelepona, invoicing, Internet a me nā mea ʻē aʻe. ʻO ke kaiapuni ʻoihana o kēia lā ke ʻōlelo nei e ulu aʻe ʻo DW a me nā hoʻonā BI e pili ana ma mua o ka holo ʻana i nā hale ʻoihana kuʻuna. dati kahi i dati maʻamau ma ka pae atomika a me nā "hoku / cube mahiʻai".

ʻO ka mea e pono ai e hoʻomau i ka hoʻokūkū, ʻo ia ka hui ʻana o nā ʻenehana kuʻuna a me nā ʻenehana holomua i ka hoʻāʻo ʻana e kākoʻo i kahi ʻāina analytical ākea.
I ka hoʻopau ʻana, pono e hoʻomaikaʻi ke kaiapuni ākea i ka ʻike o ka ʻoihana holoʻokoʻa, e hōʻoia ana i nā hana i hana ʻia ma muli o nā loiloi i hana ʻia e pono ai nā mea āpau.

No ka laʻana, e ʻōlelo mākou e hoʻokaʻawale ʻoe i kāu nā mea kūʻai mai i loko o nā ʻāpana pilikia nui a haʻahaʻa paha.
Inā hoʻokumu ʻia kēia ʻike e ka mea unuhi kumu hoʻohālike a i ʻole nā ​​ala ʻē aʻe, pono e hoʻokomo ʻia i loko o ka DW a hiki ke ʻike ʻia e kekahi, ma o nā mea hana e hiki ai, e like me nā hōʻike paʻa, nā pāpaʻi, nā papa, a i ʻole ka hana analytical pūnaewele (OLAP) .

Eia nō naʻe, i kēia manawa, ʻo ka hapa nui o kēia ʻano ʻike e noho mau i nā silos dati o na kanaka a i ole na oihana e hoopuka ana i ka noonoo ana. ʻO ka hui, ma ke ʻano holoʻokoʻa, he liʻiliʻi a ʻaʻohe ʻike no ka ʻike. Ma ka hoʻohui wale ʻana i kēia ʻano ʻike ʻike i kāu ʻoihana DW hiki iā ʻoe ke hoʻopau i nā silos ʻike a hoʻokiʻekiʻe i kou wahi DW.
ʻElua mau pilikia nui i ka hoʻomohala ʻana i kahi hui BI.
ʻO ka mea mua, loaʻa iā mākou ka pilikia o ka hui ponoʻī a me kāna aʻo ʻana.
ʻOiai ʻaʻole hiki iā mākou ke kōkua i ka hoʻololi ʻana i nā kulekele hoʻonohonoho, hiki iā mākou ke kōkua i ka hoʻomaopopo ʻana i nā ʻāpana o ka BI o kahi hui, kona hoʻolālā, a pehea e hoʻoikaika ai ka ʻenehana IBM i kona hoʻomohala ʻana.
ʻO ka lua o ka pale e lanakila ai, ʻo ia ka nele o ka ʻenehana i hoʻohui ʻia a me ka ʻike o kahi ala e hoʻoponopono ai i ka wahi BI holoʻokoʻa e kūʻē i kahi mea liʻiliʻi wale nō.

Ke hele mai nei ʻo IBM e hoʻololi i ka ʻenehana hoʻohui. Nau ke kuleana e hoʻolako i ka hoʻolālā noʻonoʻo. Pono e hoʻomohala ʻia kēia hoʻolālā me ka ʻenehana i koho ʻia no ka hoʻohui ʻole ʻana, a i ʻole ka liʻiliʻi loa, me ka ʻenehana e pili ana i nā kūlana wehe. Eia kekahi, pono e hōʻoia ka hoʻokele o kāu ʻoihana e hoʻokō ʻia ka hana BI e like me ka hoʻolālā a ʻaʻole e ʻae i ka hoʻomohala ʻana o nā silos ʻike e kū mai ana mai nā agenda lawelawe ponoʻī, a i ʻole nā ​​​​pahuhopu.
ʻAʻole kēia no ka ʻōlelo ʻana ʻaʻole i maʻalahi ke kaiapuni BI i ka pane ʻana i nā pono like ʻole a me nā koi o nā mea hoʻohana like ʻole; akā, ʻo ia hoʻi, ua hana ʻia ka hoʻokō ʻana i kēlā mau pono a me nā koi no ka pono o ka hui BI holoʻokoʻa.
Hiki ke ʻike ʻia ka wehewehe ʻana o ka hoʻolālā ʻana o ka hui BI ma ka ʻaoʻao 9 ma ke Kiʻi 1.1. Hōʻike ka hale kiʻi i kahi hui nui o nā ʻenehana a me nā ʻenehana.
Mai ka ʻike kuʻuna, ʻo ka hoʻolālā e pili ana i nā ʻāpana waihona

Lapa ʻAtoma.

ʻO kēia ke kumu, ka puʻuwai o ka DW holoʻokoʻa a no laila o ka hōʻike hoʻolālā.
I dati e mālama ʻia ma ʻaneʻi ka ʻoiaʻiʻo o ka mōʻaukala, nā pilina o dati a hoʻokomo pū i nā metric i loaʻa, a me ka hoʻomaʻemaʻe ʻia, hoʻohui ʻia, a mālama ʻia me ka hoʻohana ʻana i ka hoʻohālike hoʻohālike.
ʻO ka hoʻohana hope ʻana o kēia mau mea dati a loaʻa mai ka ʻike pili mai kēia ʻano. He kumu maikaʻi kēia no ka mining dati a no nā hōʻike me nā nīnau SQL i kūkulu ʻia

Depot hana o dati a i ʻole hōʻike ma muli o dati(Operational data store (ODS) a i ʻole ka hōʻike ʻana hōkeoʻikepili.)

He hale keia o dati i hoʻolālā ʻia no ka hōʻike ʻenehana.

I dati mālama ʻia a hōʻike ʻia ma luna aʻe o kēia mau hale hiki ke hoʻolaha i loko o ka hale kūʻai ma o ke kahua hoʻokūkū, kahi e hiki ai ke hoʻohana ʻia no ka hoʻolālā hoʻolālā.

Wahi hoʻokūkū.

ʻO ke kū mua no ka hapa nui dati i manaʻo ʻia no ka hale waihona ʻo ka ʻāpana hui.
Eia i dati ua hoʻohuiʻia, hoʻomaʻemaʻe a hoʻololiʻia i loko dati nā waiwai e hoʻopiha i ka hale waihona

Nā hale kūʻai ʻikepili.

Hōʻike kēia ʻāpana o ka hale hana i ke ʻano o dati hoʻohana kūikawā no OLAP. ʻO ka loaʻa ʻana o nā datamarts, inā i dati mālama ʻia i loko o nā papa kuhikuhi hōkū dati multidimensional i loko o kahi pilina pili, a i ʻole i nā faila o dati ʻAʻole pili ka mea huna i hoʻohana ʻia e ka ʻenehana OLAP kikoʻī, e like me DB2 OLAP Server.

ʻO ka mea paʻa wale nō ʻo ia ka hoʻomaʻamaʻa ʻana i ka hoʻohana ʻana dati multidimensional.
Aia pū ka hale hana i nā ʻenehana Bi koʻikoʻi a me nā ʻenehana e kū nei e like me:

Ka nānā ʻana i ke ākea

ʻO Space kahi makani ʻike no ka mea loiloi a he mea koʻikoʻi e hoʻopau i ka hoʻonā. Hiki i ka lewa ke hōʻike i ka ʻike e pili ana i ka poʻe e noho ana ma kekahi wahi, a me ka ʻike e pili ana i kahi i pili kino ai kēlā wahi me ke koena o ka honua.

No ka hana ʻana i kēia loiloi, pono ʻoe e hoʻomaka me ka hoʻopaʻa ʻana i kāu ʻike i ka latitude a me ka longitude coordinate. Ua kapa ʻia kēia ma ke ʻano he "geocoding" a pono e lilo i ʻāpana o ke kaʻina unuhi, hoʻololi, a hoʻouka (ETL) ma ka pae atomika o kāu hale kūʻai.

ʻEli ʻikepili.

ʻO ka unuhi ʻana o dati hiki i kā mākou hui ke hoʻonui i ka helu o nā mea kūʻai mai, e wānana i nā ʻano kūʻai aku a ʻae i ka mālama ʻana i nā pilina me nā mea kūʻai mai (CRM), ma waena o nā hana BI ʻē aʻe.

ʻO ka unuhi ʻana o dati no laila pono e hui pū me nā hale o dati o ka DWhouse a kākoʻo ʻia e nā kaʻina hana hale kūʻai e hōʻoia i ka hoʻohana pono a me ka maikaʻi o ka ʻenehana pili a me nā ʻenehana.

E like me ka mea i hōʻike ʻia ma ka hoʻolālā BI, ʻo ka pae atomic o ka Dwhouse, a me nā datamarts, kahi kumu maikaʻi loa o dati no ka unuhi. Pono e loaʻa i kēlā mau keʻena like nā hualoaʻa e hōʻoia i ka loaʻa ʻana i ka lehulehu ākea.

Na Agena.

Aia kekahi mau "ʻelele" e nānā i ka mea kūʻai aku no kēlā me kēia wahi e like me, nā ʻōnaehana hana o ka hui a me ka dw ponoʻī. Hiki i kēia mau ʻelele ke lilo i mau ʻoihana neural holomua i aʻo ʻia e aʻo e pili ana i nā ʻano i kēlā me kēia manawa, e like me ke koi huahana e hiki mai ana e pili ana i nā hoʻolaha kūʻai, nā ʻenekini e pili ana i ka lula e pane i kahi. ua haawiia hoʻonohonoho o nā kūlana, a i ʻole nā ​​ʻelele maʻalahi e hōʻike i nā ʻokoʻa i "nā luna kiʻekiʻe". Hana ʻia kēia mau kaʻina hana i ka manawa maoli a, no laila, pono e hui pū ʻia me kā lākou neʻe dati. ʻO kēia mau hale a pau o dati, nā ʻenehana a me nā ʻenehana e hōʻoiaʻiʻo ʻaʻole ʻoe e hoʻolilo i ka pō e hana i kahi hui o kāu BI.

E hoʻomohala ʻia kēia hana ma nā ʻanuʻu hoʻonui, no nā wahi liʻiliʻi.
He hana kūʻokoʻa kēlā me kēia ʻanuʻu, a ua kapa ʻia ʻo ia he hoʻomaʻamaʻa i kāu hana DW a i ʻole BI. Hiki i nā hoʻololi ke hoʻokomo i nā ʻenehana hou, e hoʻomaka me nā ʻenehana hou, e hoʻohui i nā hale hou dati , hoouka ana i dati hou , a i ʻole me ka hoʻonui ʻana i ka nānā ʻana o kou kaiapuni. Kūkākūkā ʻia kēia paukū ma ka mokuna 3.

Ma kahi o nā hale DW kuʻuna a me nā mea hana BI aia kekahi mau hana ʻē aʻe o kāu hui BI e pono ai ʻoe e hoʻolālā, e like me:

Nā mea hoʻopā i nā mea kūʻai aku (Customer touch nā helu).

E like me nā hui hou i kēia manawa, aia kekahi mau mea kūʻai aku e hōʻike ana pehea e loaʻa ai kahi ʻike maikaʻi no kāu nā mea kūʻai mai. Aia nā ala kuʻuna e like me nā mea kūʻai aku, nā mea hoʻohana i ka papa hoʻololi, ka leka uila, multimedia a me nā hoʻolaha paʻi, a me nā ala hou aku e like me ka leka uila a me ka pūnaewele, dati Pono e kiʻi ʻia nā huahana me kahi kikoʻī, lawe ʻia, hoʻomaʻemaʻe, hana ʻia a laila hoʻopiha ʻia i nā hale hana dati o ka BI.

Nā kumu o dati nā hui hana a me nā mea hoʻohana (Operational

ʻikepili a me nā kaiāulu mea hoʻohana).
I ka pau ana o na wahi pili o ka nā mea kūʻai mai ua loaa na kumu o dati o ka noi a ka hui a me nā kaiāulu mea hoʻohana. KA dati e noho nei dati kuʻuna pono e hui pū ʻia a hui pū me ka dati e kahe ana mai nā wahi pili e hoʻomāʻona i ka ʻike pono.

Nā mea kālailai. (Nānā)

ʻO ka mea kōkua mua o ke kaiapuni BI ʻo ia ka mea loiloi. ʻO ia ka mea e pōmaikaʻi ai i ka unuhi ʻana o kēia manawa dati hana, hui pū me nā kumu like ʻole o dati , hoʻonui ʻia me nā hiʻohiʻona e like me ka nānā ʻāina (geocoding) a hōʻike ʻia i nā ʻenehana BI e hiki ai i ka unuhi ʻana, OLAP, hōʻike hōʻike SQL kiʻekiʻe a me ka nānā ʻāina. ʻO ka pānaʻi loiloi mua no ke kaiapuni hōʻike ʻo ka BI portal.

Eia naʻe, ʻaʻole ʻo ka mea loiloi wale nō ka mea e pōmaikaʻi mai ka hoʻolālā BI.
Nā luna, nā hui hoʻohana nui, a me nā lālā, nā mea hoʻolako a me nā mea kūʻai mai pono lākou e loaʻa nā pōmaikaʻi ma ka ʻoihana BI.

Loko hānai hope.

He wahi hoʻonaʻauao ʻo BI architecture. ʻO kahi loina o ka hoʻomohala ʻana ʻo ia ka ʻae ʻana i nā hale hoʻomau o dati e hōʻano hou ʻia e ka ʻenehana BI i hoʻohana ʻia a me nā hana i hana ʻia e ka mea hoʻohana. ʻO kahi laʻana ka helu ʻana i nā mea kūʻai aku.

Inā hoʻohālike ka ʻoihana kūʻai i nā helu mea kūʻai aku e hoʻohana i kahi lawelawe hou, a laila ʻaʻole pono ʻo ka ʻoihana kūʻai wale nō ka hui e pōmaikaʻi mai ka lawelawe.

Akā, pono e hana ʻia ka unuhi ʻana ma ke ʻano he ʻāpana kūlohelohe o ka kahe ʻikepili i loko o ka ʻoihana a pono e lilo nā helu mea kūʻai aku i ʻāpana hoʻohui o ka pōʻaiapili ʻike hale kūʻai, ʻike ʻia e nā mea hoʻohana a pau. ʻO ka Bi-bI-centric IBM Suite me DB2 UDB, DB2 OLAP Server ka hapa nui o nā mea ʻenehana nui, i wehewehe ʻia ma ke Kiʻi 1.1.

Hoʻohana mākou i ka hoʻolālā e like me ka mea i ʻike ʻia ma kēia kiʻi mai ka puke e hāʻawi iā mākou i kahi pae o ka hoʻomau ʻana a hōʻike i ke ʻano o kēlā me kēia huahana IBM i loko o ka hoʻolālā BI holoʻokoʻa.

Hāʻawi i ka ʻike ʻike (Providing ʻIkepili ʻike)

ʻO ka hoʻolālā ʻana, hoʻomohala a hoʻokō i kāu kaiapuni BI he hana paʻakikī. Pono ka hoʻolālā e pili i nā koi ʻoihana o kēia manawa a me ka wā e hiki mai ana. Pono e ho'opiha 'ia ke kaha ki'i no ka ho'okomo 'ana i nā hopena a pau i loa'a i ka wā ho'olālā. Pono e hoʻokō ʻia ka hoʻokō i hoʻokahi kumu: hoʻomohala i ka hoʻolālā BI e like me ka mea i hōʻike mua ʻia ma ka hoʻolālā a hoʻokumu ʻia i nā koi ʻoihana.

He mea paʻakikī loa ka hoʻopaʻapaʻa ʻana ʻo ka hoʻopaʻi ʻana e hōʻoia i ka holomua pili.
He mea maʻalahi kēia no ka mea ʻaʻole ʻoe e hoʻomohala i kahi kaiapuni BI i ka manawa hoʻokahi, akā hana ʻoe ma nā pae liʻiliʻi i ka manawa.

Eia nō naʻe, he mea nui ka ʻike ʻana i nā ʻāpana BI o kāu hoʻolālā no nā kumu ʻelua: Na ʻoe e alakaʻi i nā hoʻoholo hoʻoholo ʻenehana ʻenehana.
Hiki iā ʻoe ke hoʻolālā noʻonoʻo i ka hoʻohana ʻana i ka ʻenehana inā ʻaʻole ʻoe e loaʻa hou i ka pono o ka ʻenehana no kekahi mau mahina.

ʻO ka hoʻomaopopo pono ʻana i kāu koi ʻoihana e hoʻopili i ke ʻano o nā huahana āu e loaʻa ai no kāu hoʻolālā.
ʻO ka hoʻolālā ʻana a me ka hoʻomohala ʻana i kāu hoʻolālā e hōʻoia i kāu hale kūʻai

ʻaʻole ia he hanana maʻamau, akā he "manaʻo maikaʻi" i kūkulu ʻia. keaka mele o ka noʻeau e like me ka mosaic o ka ʻenehana huikau.

E hoʻolālā i ka ʻike ʻike

Pono nā hoʻolālā mua a pau e nānā a ʻike i nā ʻāpana BI nui e pono ai e ke kaiapuni holoʻokoʻa i kēia manawa a i ka wā e hiki mai ana.
He mea nui ka ʻike i nā koi ʻoihana.

ʻOiai ma mua o ka hoʻomaka ʻana o kekahi hoʻolālā kūlana, hiki i ka mea hoʻolālā papahana ke ʻike pinepine i hoʻokahi a ʻelua mau mea i kēia manawa.
ʻAʻole hiki ke loaʻa maʻalahi ke koena o nā ʻāpana e pono ai no kāu hoʻolālā. I ka wā o ka hoʻolālā ʻana, ʻo ka ʻāpana nui o ka hale hoʻolālā e hoʻopili i ka hālāwai hoʻomohala noi (JAD) ma kahi ʻimi e ʻike i nā koi ʻoihana.

I kekahi manawa hiki ke hāʻawi ʻia kēia mau koi i nā mea hana nīnau a hōʻike.
No ka laʻana, ʻōlelo nā mea hoʻohana inā makemake lākou e hoʻokaʻawale i kahi hōʻike o kēia manawa, pono lākou e hoʻohua iā ia ma o ka hoʻohui ʻana i ʻelua mau hōʻike o kēia manawa a me ka hoʻohui ʻana i nā helu i loaʻa mai ka hui ʻana o ka dati.
ʻOiai he maʻalahi kēia koi, wehewehe ia i kekahi mau hana o ka hiʻohiʻona āu e hoʻokomo ai i ke kūʻai ʻana i nā mea hana hōʻike no kāu hui.

Pono ka mea hoʻolālā e hahai i nā koi hou aʻe e kiʻi i kahi kiʻi piha. Makemake nā mea hoʻohana e kau inoa i kēia hōʻike?
Ua hana ʻia a leka uila i nā mea hoʻohana like ʻole? Makemake lākou e ʻike i kēia hōʻike ma ka puka ʻoihana? ʻO kēia mau koi āpau he ʻāpana o ka pono maʻalahi e hoʻololi i kahi hōʻike manual e like me ka noi ʻana e nā mea hoʻohana. ʻO ka pōmaikaʻi o kēia mau ʻano koi, ʻo nā mea a pau, nā mea hoʻohana a me nā mea hoʻolālā, i ʻike i ka manaʻo o nā hōʻike.

Aia kekahi ʻano ʻoihana ʻē aʻe, akā naʻe, pono mākou e hoʻolālā. Ke haʻi ʻia nā koi ʻoihana ma ke ʻano o nā nīnau ʻoihana hoʻolālā, maʻalahi i ka mea hoʻolālā akamai ke ʻike i ke ana / ʻoiaʻiʻo a me nā koi nui.

Inā ʻaʻole ʻike nā mea hoʻohana ʻo JAD i ka haʻi ʻana i kā lākou mau koi ma ke ʻano o kahi pilikia ʻoihana, hāʻawi pinepine ka mea hoʻolālā i nā hiʻohiʻona e lele-hoʻomaka i ka hālāwai hōʻuluʻulu koi.
Hiki i ka mea hoʻolālā akamai ke kōkua i nā mea hoʻohana e hoʻomaopopo ʻaʻole wale ke kālepa hoʻolālā, akā pehea hoʻi e hana ai.
Kūkākūkā ʻia ke ala e hōʻiliʻili ai i nā koi ma ka mokuna 3; no kēia manawa makemake mākou e kuhikuhi i ka pono e hoʻolālā no nā ʻano koi BI āpau.

ʻO ka pilikia ʻoihana hoʻolālā ʻaʻole ia he koi ʻoihana wale nō, akā he hōʻailona hoʻolālā hoʻi. Inā ʻoe e pane i kahi nīnau multidimensional, pono ʻoe e hoʻopaʻanaʻau, e hōʻike i ka i dati dimensional, a inā pono ʻoe e mālama i ka dati multidimensional, pono ʻoe e hoʻoholo i ke ʻano o ka ʻenehana a i ʻole ka ʻenehana āu e hoʻohana ai.

Ke hoʻokō nei ʻoe i kahi hoʻolālā hōkū cube i mālama ʻia, a i ʻole ʻelua? E like me kāu e ʻike ai, hiki i kahi pilikia ʻoihana maʻalahi ke hoʻololi nui i ka hoʻolālā. Akā ʻo kēia mau ʻano o nā koi ʻoihana he mea maʻamau a hoʻomaopopo ʻia, ma ka liʻiliʻi e nā mea hoʻolālā a me nā mea hoʻolālā me ka ʻike papahana.

Ua lawa nā kūkākūkā e pili ana i nā ʻenehana OLAP a me ke kākoʻo, a loaʻa nā ʻano hoʻonā ākea. I kēia manawa ua ʻōlelo mākou i ka pono e hui pū i ka hōʻike maʻalahi me nā koi ʻoihana ʻoihana, a pehea e hoʻololi ai kēia mau koi i nā hoʻoholo hoʻoholo ʻenehana.

Akā he aha nā koi i ʻike ʻole ʻia e nā mea hoʻohana a i ʻole ka hui Dw? E pono anei ʻoe i ka nānā ʻana spatial?
ʻO nā hiʻohiʻona unuhi o dati e lilo lākou i ʻāpana pono o kou wā e hiki mai ana? ʻO wai ka mea ʻike?

He mea nui e hoʻomaopopo i kēia mau ʻano ʻenehana ʻaʻole i ʻike maikaʻi ʻia e nā kaiāulu mea hoʻohana maʻamau a me nā lālā o ka hui Dw, ma kahi hapa, no ka mea maʻamau e lawelawe ʻia lākou e kekahi poʻe loea loea kūloko a ʻekolu paha. He hihia koʻikoʻi ia o nā pilikia i hoʻopuka ʻia e kēia ʻano ʻenehana. Inā ʻaʻole hiki i nā mea hoʻohana ke wehewehe i nā koi ʻoihana a i ʻole e hoʻonohonoho iā lākou i ke ala e hāʻawi ai i ke alakaʻi i nā mea hoʻolālā, hiki iā lākou ke hele me ka ʻike ʻole ʻia a i ʻole, ʻoi aku ka maikaʻi, mālama ʻole ʻia.

ʻOi aku ka pilikia inā ʻaʻole hiki i ka mea hoʻolālā a me ka mea hoʻomohala ke ʻike i ka hoʻohana ʻana o kekahi o kēia mau ʻenehana holomua akā koʻikoʻi.
E like me kā mākou i lohe pinepine ai i nā mea hoʻolālā e ʻōlelo nei, "ʻAe, no ke aha mākou e waiho ʻole ai a loaʻa iā mākou kēia mea ʻē aʻe? "Ua makemake nui lākou i nā mea nui, a i ʻole ke pale wale nei i nā koi a lākou i hoʻomaopopo ʻole ai? ʻO ia paha ke kuhiakau hope loa. E ʻōlelo mākou ua haʻi aku kāu hui kūʻai i kahi koi ʻoihana, e like me ka ʻōlelo ʻana ma ka Figure 1.3, e like me kāu e ʻike ai, ua hoʻonohonoho ʻia ke koi ma ke ʻano o kahi pilikia ʻoihana. ʻO ka ʻokoʻa ma waena o kēia pilikia a me ka pilikia dimensional maʻamau ka mamao. I kēia hihia, makemake ka hui kūʻai e ʻike, i kēlā me kēia mahina, ka huina kūʻai mai nā huahana, hale kūʻai a me nā mea kūʻai mai e noho ana i loko o 5 mau mile mai ka hale kūʻai kahi a lākou e kūʻai ai.

ʻO ka mea kaumaha, hiki i nā mea hoʻolālā a i ʻole nā ​​​​mea hoʻolālā ke haʻalele wale i ka ʻāpana spatial ma ka ʻōlelo ʻana, "loaʻa iā mākou ka mea kūʻai aku, ka huahana a me ka dati o ka waihona. E mālama i ka mamao a hiki i ka hana hou.

"Hale hewa. ʻO kēia ʻano pilikia ʻoihana pili i ka BI. Hōʻike ia i kahi ʻike hohonu o kā mākou ʻoihana a me kahi wahi analytical ikaika no kā mākou mea loiloi. ʻOi aku ka BI ma mua o ka nīnau maʻalahi a i ʻole ka hōʻike maʻamau, a i ʻole OLAP. ʻAʻole kēia no ka ʻōlelo ʻana ʻaʻole koʻikoʻi kēia mau ʻenehana i kāu BI, akā ʻaʻole lākou wale nō e hōʻike i ke kaiapuni BI.

Hoʻolālā no ka pōʻaiapili ʻike (Hoʻolālā no ka ʻike ʻike)

I kēia manawa ua ʻike mākou i nā koi ʻoihana e hoʻokaʻawale i nā ʻāpana kumu like ʻole, pono lākou e hoʻokomo i loko o kahi hoʻolālā hoʻolālā holoʻokoʻa. ʻO kekahi o nā ʻāpana BI he ʻāpana o kā mākou hana mua, ʻoiai ʻaʻole e hoʻokō ʻia kekahi no kekahi mau mahina.

Eia naʻe, ʻike ʻia nā koi āpau i ʻike ʻia i ka hoʻolālā ʻana i ka wā e pono ai mākou e hoʻokō i kahi ʻenehana kūikawā, mākaukau mākou e hana pēlā. ʻO kekahi mea e pili ana i ka papahana e hōʻike i ka noʻonoʻo kuʻuna.

ʻO kēia pūʻulu o dati hoʻohana ʻia e kākoʻo i nā hoʻohana hope o dati dimensional alakaʻi ʻia e nā pilikia ʻoihana a mākou i ʻike ai. Ke hana ʻia nā palapala hou, e like me ka hoʻolālā ʻana o dati, e hoomaka kakou e formalize pehea i dati laha lakou ma ke kaiapuni. Ua ʻike mākou i ka pono e hōʻike i i dati ma ke ʻano dimensional, e hoʻokaʻawale iā lākou (e like me nā pono kikoʻī kikoʻī) i loko o nā hale kūʻai data.

ʻO ka nīnau aʻe e pane ai: pehea e kūkulu ʻia ai kēia mau hale kūʻai data?
Ke kūkulu nei ʻoe i nā hōkū e kākoʻo i nā ʻāpana, a i ʻole nā ​​pahu, a i ʻole nā ​​hōkū? (a i ʻole nā ​​pahu ʻākau, a i ʻole nā ​​hōkū ʻākau). E hana i ka hoʻolālā no nā hale kūʻai ʻikepili hilinaʻi e koi ana i kahi papa atomika no nā mea āpau dati loaa? E ʻae i nā hale kūʻai ʻikepili kūʻokoʻa e loaʻa iā i dati pololei mai nā ʻōnaehana hana?

He aha ka ʻenehana Cube āu e hoʻāʻo ai e hoʻohālikelike?

Loaʻa iā ʻoe ka nui o ka nui dati koi ʻia no ka nānā ʻana i ka dimensional a i ʻole makemake ʻoe i nā cubes mai kāu pūʻali kūʻai aupuni i kēlā me kēia pule a i ʻole nā ​​​​mea ʻelua? Ke kūkulu nei ʻoe i kahi mea ikaika e like me DB2 OLAP Server no ke kālā a i ʻole Cognos PowerPlay cubes no kāu hui kūʻai, a i ʻole ʻelua? ʻO kēia nā hoʻoholo hoʻolālā hoʻolālā nui e hoʻopilikia i kāu kaiapuni BI mai ʻaneʻi. ʻAe, ua hoʻokumu ʻoe i kahi pono no OLAP. I kēia manawa pehea ʻoe e hoʻokō ai i kēlā ʻano ʻenehana a me ka ʻenehana?

Pehea ka hopena o kekahi o nā ʻenehana holomua loa i kāu mau hoʻolālā? E manaʻo mākou ua ʻike ʻoe i kahi hemahema o kāu hui. Pono ʻoe e hoʻomanaʻo i kēia manawa i nā paʻi kiʻi kiʻi kiʻi ʻoiai inā ʻaʻole ʻoe e hoʻolālā e hana i nā ʻāpana spatial no kekahi mau mahina. Pono ka mea hoʻolālā e hoʻolālā i kēia lā ma muli o ka mea e pono ai. E wānana i ka pono o nā ʻikepili spatial e hoʻopuka, mālama, hana a hāʻawi i ke komo i dati wahi ākea. Pono kēia e lilo i mea paʻa e pili ana i ke ʻano o ka ʻenehana polokalamu a me nā kikoʻī o ka platform āu e noʻonoʻo ai i kēia manawa. No ka laʻana, ka ʻōnaehana hoʻokele o waihona ʻikepili ʻO ka layer relational (RDBMS) āu e hana ai no kāu papa atomika pono e loaʻa ka laulā spatial ikaika. E hōʻoia kēia i ka hana kiʻekiʻe loa i ka hoʻohana ʻana i nā geometry a me nā mea spatial i kāu mau noi noiʻi. Inā ʻaʻole hiki i kāu RDBMS ke mālama i ka dati (spatial-centric) i loko, no laila pono ʻoe e hoʻokumu i kahi waihona ʻikepili (spatial-centric) waho. Hoʻopili kēia i ka hoʻokele ʻana i nā pilikia a hoʻololi i kāu hana holoʻokoʻa, ʻaʻole e haʻi i nā pilikia hou i hana ʻia no kāu DBA, no ka mea he liʻiliʻi ko lākou ʻike i nā kumu o dati spatial pū kekahi. Ma ka ʻaoʻao ʻē aʻe, inā hoʻohana kāu ʻenekini RDMBS i nā ʻāpana āpau āpau a ʻike kāna mea hoʻoponopono i nā pono kūikawā (no ka laʻana, indexing) o nā mea spatial, a laila hiki i kāu DBA ke lawelawe maʻalahi i ka hoʻokele ʻana i nā pilikia a hiki iā ʻoe ke hoʻonui i ka hana.

Eia hou, pono ʻoe e hoʻoponopono i ka wahi hoʻokūkū a me ka papa honua atomic e hoʻokomo i ka hoʻomaʻemaʻe ʻōlelo (a

mea nui i ka nānā ʻana i ka spatial), a me ka mālama ʻana i nā mea āpau. Ke hoʻomau nei ka holomua o nā paʻi kaha kiʻi i kēia manawa ua hoʻokomo mākou i ka manaʻo o ke kuhikuhi pololei. No ka mea hoʻokahi, e kuhikuhi kēia noi i ke ʻano o ka polokalamu e pono ai no kāu hoʻoikaika ETL.

Pono ʻoe i nā huahana e like me Trillium e hāʻawi iā ia me kahi helu maʻemaʻe, a i ʻole kahi mea kūʻai aku ETL āu e koho ai e hāʻawi i kēlā hana?
I kēia manawa he mea nui ia e mahalo i ke kiʻekiʻe o ka hoʻolālā e hoʻopau ʻia ma mua o kou hoʻomaka ʻana e hoʻokō i kāu hale kūʻai. Pono nā hiʻohiʻona i luna e hōʻike i ka nui o nā hoʻoholo hoʻolālā e pono e hahai i ka ʻike ʻana o kekahi koi ʻoihana. Inā hana pololei, hoʻoikaika kēia mau hoʻoholo hoʻolālā i ka pilina ma waena o nā hale kino o kou kaiapuni, ke koho ʻana i ka ʻenehana i hoʻohana ʻia, a me ke kahe o ka hoʻolaha ʻana o ka ʻike ʻike. Me ka ʻole o kēia hoʻolālā BI maʻamau, e hoʻopili ʻia kāu hui i kahi ʻano huikau o nā ʻenehana i loaʻa, ʻoi aku ka maikaʻi o ka humuhumu ʻia ʻana e hāʻawi i ke kūpaʻa.

E mālama i ka ʻike ʻike

He hana paʻakikī loa ka lawe ʻana i ka waiwai o ka ʻike i kāu hui. Me ka lawa ʻole o ka ʻike a me ka ʻike, a i ʻole ka hoʻolālā a me ka hoʻolālā kūpono, ʻaʻole e hāʻule nā ​​hui maikaʻi loa. Ma ka ʻaoʻao ʻē aʻe, inā loaʻa iā ʻoe ka intuition nui a me ka hoʻolālā kikoʻī akā ʻaʻohe hoʻopaʻi no ka hoʻokō ʻana, ua hoʻopau wale ʻoe i kāu kālā a me ka manawa no ka mea e pau ana kāu hana. Pono e akaka ka ʻōlelo: Inā nele ʻoe i hoʻokahi a ʻoi aʻe paha o kēia mau mākau, ʻike/ʻike a hoʻolālā/hoʻolālā a hoʻokō ʻana paha i ke aʻo ʻana, e hōʻoki a hoʻopau paha i ka hale o ka hui BI.

Ua mākaukau paha kāu hui? Aia kekahi ma kāu hui BI i hoʻomaopopo i ka ʻāina analytical ākea i loaʻa i nā kaiapuni BI, a me nā ʻenehana a me nā ʻenehana e pono ai e mālama i kēlā ʻāina? Aia kekahi ma kāu hui e ʻike i ka ʻokoʻa o ka noi ma waena o ka holomua

hōʻike paʻa a me OLAP, a i ʻole nā ​​ʻokoʻa ma waena o ROLAP a me OLAP? ʻIke maopopo anei kekahi o kāu hui i ka unuhi ʻana a pehea e hopena ai i ka hale kūʻai a pehea e hiki ai i ka hale waihona ke kākoʻo i ka unuhi ʻana i ka hana? Hoʻomaopopo kekahi lālā o ka hui i ka waiwai o dati wahi a i ʻole ka ʻenehana i hoʻokumu ʻia e ka luna? Loaʻa iā ʻoe kahi mea mahalo i ka noi kūʻokoʻa o nā mea hana ETL me ka ʻenehana memo broker? Inā ʻaʻohe āu, e kiʻi i hoʻokahi. ʻOi aku ka nui o BI ma mua o kahi papa atomika maʻamau, OLAP, nā papa kuhikuhi hōkū, a me kahi ODS.

ʻO ka loaʻa ʻana o ka ʻike a me ka ʻike e ʻike ai i nā koi BI a me kā lākou mau hoʻonā he mea nui ia i kou hiki ke hoʻokō pono i nā pono o ka mea hoʻohana a hoʻolālā a hoʻokō i kā lākou hopena. Inā paʻakikī kāu kaiāulu mea hoʻohana i ka wehewehe ʻana i nā koi, na ka hui hale kūʻai e hāʻawi i kēlā ʻike. Akā inā ka hui waihona

ʻAʻole ʻike ʻo ia i ka noi kikoʻī o BI - no ka laʻana, data mining - a laila ʻaʻole ia ka mea maikaʻi loa i kaupalena ʻia nā kaiapuni BI i ka waiho ʻana i nā waihona passive. Eia nō naʻe, ʻaʻole e hōʻemi ka nānā ʻana i kēia mau ʻenehana i ko lākou koʻikoʻi a me ka hopena i ka puka ʻana mai o nā mākau ʻoihana ʻoihana o kāu hui, a me ka ʻike ʻike ʻike āu e manaʻo ai e hānai.

Pono ka hoʻolālā e komo i ka manaʻo o ke kaha kiʻi, a pono nā mea ʻelua i kahi kanaka mākaukau. Hoʻohui hou, pono ka hoʻolālā ʻana i kahi philosophy warehouse a me ka mālama ʻana i nā kūlana. No ka laʻana, inā ua hoʻokumu kāu hui i kahi paepae maʻamau a i ʻole i ʻike i kahi RDBMS āu e makemake ai e hoʻohālikelike ma waena o ka paepae, aia ke kuleana ma luna o nā mea a pau o ka hui e pili i kēlā mau kūlana. ʻO ka maʻamau, hōʻike ka hui i ka pono no ka hoʻohālikelike ʻana (i nā kaiāulu mea hoʻohana), akā ʻaʻole makemake ka hui ponoʻī e pili i nā kūlana i hoʻokumu ʻia ma nā wahi ʻē aʻe o ka hui a i ʻole i nā hui like. ʻAʻole wale kēia hoʻokamani, akā ua hoʻokumu i ka ʻoihana i hiki ʻole ke hoʻohana i nā kumuwaiwai a me nā hoʻopukapuka. ʻAʻole ia he manaʻo ʻaʻohe kūlana e hōʻoiaʻiʻo ai i kahi kahua paʻa ʻole a ʻenehana paha; akā naʻe, ʻo ka hoʻoikaika ʻana o ka hale waihona

Pono lākou e kiaʻi me ka lili i nā kūlana o ka ʻoihana a hiki i ka ʻōlelo ʻana i nā koi ʻoihana.

ʻO ke kolu o nā mea nui e pono ai ke kūkulu ʻana i kahi hui BI ʻo ia ka hoʻopaʻi.
Pili ia i ka huina, like me na kanaka a me ke kaiapuni. Pono nā mea hoʻolālā papahana, nā mea kākoʻo, nā mea kākau, a me nā mea hoʻohana e mahalo i ke aʻo ʻana e pono ai ke kūkulu i ka ʻike ʻike o ka hui. Pono nā mea hoʻolālā e kuhikuhi i kā lākou hana hoʻolālā i ke ʻano e hoʻokō ai i nā hana pono ʻē aʻe i loko o ke kaiāulu.

No ka laʻana, e ʻōlelo mākou ua kūkulu kāu hui i kahi noi ERP me kahi ʻāpana hale kūʻai.
No laila ke kuleana o nā mea hoʻolālā ERP e hui pū me ka hui kaiapuni hale kūʻai i ʻole e hoʻokūkū a hoʻopaʻa i ka hana i hoʻomaka mua ʻia.

ʻO ke aʻo ʻana kekahi kumuhana e pono e kamaʻilio ʻia e ka hui holoʻokoʻa a hoʻokumu ʻia a hāʻawi ʻia i kahi pae hoʻokō.
Makemake nā luna e pili i kahi ala i hoʻolālā ʻia? ʻO kahi ala e hoʻohiki ai e hoʻokumu i ka ʻike ʻike e loaʻa ai ka waiwai i nā wahi āpau o ka ʻoihana, akā hoʻololi paha i nā agenda a i ʻole ke keʻena? E hoʻomanaʻo i ka ʻōlelo "ʻOi aku ka nui o ka noʻonoʻo ʻana i nā mea āpau ma mua o ka noʻonoʻo ʻana i hoʻokahi mea". He ʻoiaʻiʻo kēia ʻōlelo no nā hui BI.

ʻO ka mea pōʻino, nui nā hale kūʻai i kālele i kā lākou mau hana i ka hoʻāʻo ʻana i ka pahuhopu a lawe i ka waiwai i kahi keʻena kūikawā a i ʻole nā ​​​​mea hoʻohana kikoʻī, me ka nānā ʻole i ka hui nui. Inā noi ka luna hoʻokele i ke kōkua mai ka hui hale hale. Pane ka hui me kahi hoʻoikaika 90-lā e komo pū me ka hāʻawi ʻana i nā koi hoʻolaha i wehewehe ʻia e ka luna akā e hōʻoia ana i nā mea āpau. dati hui ʻia ke kumu ma ka pae ʻātoma ma mua o ka hoʻokomo ʻia ʻana i loko o ka ʻenehana cube i manaʻo ʻia.
ʻO kēia hoʻohui ʻenehana e hōʻoiaʻiʻo e pōmaikaʻi ka ʻoihana hale hale dati pono no ka luna.
Eia naʻe, ua kamaʻilio ka luna hoʻokō me nā hui kūkākūkā o waho i noi i kahi noi like me ka lawe ʻana ma lalo o 4 mau pule.

Ke manaʻo nei he mākaukau ka hui hale kūʻai kūloko, he koho ka luna. ʻO wai ka mea hiki ke kākoʻo i ke aʻo ʻenekinia hou e pono ai no ka hoʻoulu ʻana i ka ʻoihana waiwai ʻike a i ʻole hiki ke koho e kūkulu koke i kā lākou hopena ponoʻī. ʻO ka mea hope loa i koho pinepine ʻia a lawelawe wale i ka hana ʻana i nā ipu o ka ʻike e pōmaikaʻi ai i ka liʻiliʻi wale nō a i ʻole ke kanaka.

Nā pahuhopu pōkole a lōʻihi

Pono nā mea hoʻolālā a me nā mea hoʻolālā papahana e hoʻokumu i kahi ʻike lōʻihi o ka hoʻolālā holoʻokoʻa a me nā hoʻolālā no ka ulu ʻana i kahi hui BI. ʻO kēia hui pū ʻana o ka loaʻa pōkole a me ka hoʻolālā wā lōʻihi e hōʻike ana i nā ʻaoʻao ʻelua o nā hoʻoikaika BI. ʻO ka loaʻa pōkole ka ʻaoʻao o BI e pili ana i nā ʻike o kāu hale kūʻai.

ʻO kēia kahi e nānā ai nā mea hoʻolālā, nā mea hoʻolālā a me nā mea kākoʻo i ka hoʻokō ʻana i nā koi ʻoihana kūikawā. Aia ma kēia pae kahi i kūkulu ʻia ai nā hale kino, kūʻai ʻia ka ʻenehana a hoʻokō ʻia nā ʻenehana. ʻAʻole lākou i hana ʻia e hoʻoponopono i nā koi kikoʻī e like me ka wehewehe ʻana e nā kaiāulu mea hoʻohana. Hana ʻia nā mea a pau i mea e hoʻokō ai i nā koi kikoʻī i wehewehe ʻia e kahi kaiāulu.
ʻO ka hoʻolālā lōʻihi naʻe, ʻo ia ka ʻaoʻao ʻē aʻe o BI. ʻO kēia kahi i hōʻoia ai nā hoʻolālā a me nā hoʻolālā i kūkulu ʻia kekahi hale kino, nā ʻenehana i koho ʻia a me nā ʻenehana i hana ʻia me ka maka i ka ʻoihana. ʻO ka hoʻolālā lōʻihi ka mea e hāʻawi ai i ka cohesion e pono ai e hōʻoia i ka loaʻa ʻana o nā pōmaikaʻi ʻoihana mai nā loaʻa pōkole i loaʻa.

E hōʻoia i kāu hana BI

Un hale kūʻaiʻikepili ʻaʻohe waiwai kūʻokoʻa. I nā huaʻōlelo ʻē aʻe, ʻaʻohe waiwai i waena o nā ʻenehana hale kūʻai a me nā ʻenehana hoʻokō.

Loaʻa ka waiwai o kēlā me kēia hale kūʻai i nā hana i hana ʻia ma muli o ke kaiapuni hale kūʻai a me ka ʻike ʻike i hoʻoulu ʻia i ka manawa. He wahi koʻikoʻi kēia e hoʻomaopopo ai ma mua o kou hoʻāʻo ʻana e hoʻohālikelike i ka waiwai o kēlā me kēia wahi hoʻomaka.

ʻO ka manawa pinepine, hoʻāʻo nā mea hoʻolālā a me nā mea hoʻolālā e hoʻopili i ka waiwai i nā ʻāpana kino a me nā ʻenehana o ka hale kūʻai inā ʻoiaʻiʻo ke kumu o ka waiwai i nā kaʻina hana i hoʻopili maikaʻi ʻia e ka hale kūʻai a me ka ʻike i loaʻa maikaʻi.

Eia ka paʻakikī o ka hoʻokumu ʻana i ka BI: Pehea ʻoe e hōʻoia ai i ke kālā? Inā ʻaʻohe waiwai koʻikoʻi o ka hale ponoʻī, pono nā mea hoʻolālā papahana e noiʻi, wehewehe, a hoʻomaʻamaʻa i nā pono i loaʻa i kēlā poʻe e hoʻohana i ka hale kūʻai no ka hoʻomaikaʻi ʻana i nā kaʻina hana kūikawā a i ʻole ka waiwai o ka ʻike i pale ʻia, a i ʻole nā ​​mea ʻelua.

No ka paʻakikī o nā mea, hiki i nā kaʻina hana ʻoihana i hoʻopili ʻia e nā hana hale kūʻai ke hāʻawi i nā pōmaikaʻi "nui" a i ʻole "liʻiliʻi". Hāʻawi ʻia nā pōmaikaʻi nui i kahi metric hiki ke ana i ka hoʻihoʻi ʻana ma ka hoʻopukapuka kālā (ROI) - no ka laʻana, hoʻololi i ka waihona i kahi manawa hou a i ʻole no ke kumu kūʻai haʻahaʻa no ka hoʻouna. ʻOi aku ka paʻakikī o ka wehewehe ʻana i nā pōmaikaʻi maʻalahi, e like me ka hoʻomaikaʻi ʻana i ka ʻike, ma ke ʻano o ka waiwai maoli.

Hoʻohui i kāu papahana e aʻo e pili ana i ka Nā noi pāʻoihana

ʻO ka manawa pinepine, hoʻāʻo nā mea hoʻolālā papahana e hoʻopili i ka waiwai hale kūʻai i nā pahuhopu ʻoihana amorphous. Ma ka haʻi ʻana ʻo "ka waiwai o kahi hale kūʻai e pili ana i kā mākou hiki ke hoʻokō i nā noi hoʻolālā" wehe mākou i ke kūkākūkā ma kahi ala ʻoluʻolu. Akā ʻaʻole lawa ia e hoʻoholo inā he kūpono ka hoʻokomo ʻana i ka waihona. ʻOi aku ka maikaʻi o ka hoʻopili ʻana i nā hale kūʻai me nā koi ʻoihana i ʻike ʻia.

Ana ROI

ʻO ka helu ʻana i ka ROI ma kahi hoʻonohonoho hale kūʻai hiki ke paʻakikī loa. ʻOi aku ka paʻakikī inā ʻo ka pōmaikaʻi

ʻO ke poʻo o ka hana hou ʻana he mea ʻike ʻole a maʻalahi paha ke ana. Ua ʻike ʻia kahi noiʻi e ʻike nā mea hoʻohana i ʻelua mau pōmaikaʻi nui o nā hana BI:

• ▪ Hoʻokumu i ka hiki ke hana i nā hoʻoholo
• ▪ E hana i ka ʻike i ka ʻike
  ʻO kēia mau pōmaikaʻi he mau pōmaikaʻi palupalu (a ʻoluʻolu paha). He mea maʻalahi ke ʻike pehea e hiki ai iā mākou ke helu i kahi ROI e pili ana i kahi pōmaikaʻi paʻakikī (a i ʻole nui) e like me ka hoʻemi ʻana i nā kumukūʻai kaʻa, akā pehea mākou e ana i ka hiki ke hoʻoholo i ka maikaʻi?
  He mea paʻakikī kēia no nā mea hoʻolālā papahana ke hoʻāʻo nei lākou e hōʻoia i ka ʻoihana e hoʻokomo i kahi hana hale kūʻai. ʻO ka hoʻonui ʻana i ke kūʻai aku a i ʻole ka hoʻemi ʻana i nā kumukūʻai ʻaʻole ia nā kumuhana koʻikoʻi e hoʻokele nei i ke kaiapuni BI.
  Akā, ke nānā nei ʻoe i nā noi ʻoihana no ka loaʻa ʻana o ka ʻike i hiki i kekahi keʻena ke hoʻoholo wikiwiki. ʻO kēia nā mea hoʻokele hoʻolālā e like me ka mea nui i ka ʻoihana akā ʻoi aku ka paʻakikī a ʻoi aku ka paʻakikī e ʻike i kahi metric tangible. I kēia hihia, hiki ke hoʻopunipuni ka helu ʻana iā ROI, inā ʻaʻole pili.
  Pono nā mea hoʻolālā papahana e hōʻike i ka waiwai maoli no nā luna hoʻokō e hoʻoholo ai inā pono ka hoʻopukapuka ʻana i kahi ʻike. Akā naʻe, ʻaʻole mākou e hāʻawi i kahi ala hou no ka helu ʻana i ka ROI, ʻaʻole mākou e hoʻopaʻapaʻa a kūʻē paha iā ia.
  Nui nā ʻatikala a me nā puke e kūkākūkā ana i nā kumu o ka helu ʻana i ka ROI. Aia nā manaʻo waiwai kūikawā e like me ka waiwai ma ka hoʻokomo kālā (VOI), hāʻawi ʻia e nā hui e like me Gartner, hiki iā ʻoe ke noiʻi. Akā, e kālele mākou i nā mea koʻikoʻi o kekahi ROI a i ʻole nā ​​manaʻo waiwai ʻē aʻe āu e pono ai e noʻonoʻo. Ke noi nei i ka ROI Ma waho aʻe o ka hoʻopaʻapaʻa e pili ana i nā pōmaikaʻi "paʻakikī" a me nā pōmaikaʻi "paʻakikī" e pili ana i nā hoʻoikaika BI aia kekahi mau pilikia e noʻonoʻo ai i ka wā e noi ai iā ROI. ʻo kahi laʻana:

Hoʻohui i nā hoʻokoe he nui i nā hana DW e hiki mai ana
E ʻōlelo mākou ua neʻe kāu ʻoihana mai kahi hoʻolālā papa nui i kahi kaiapuni UNIX i puʻunaue ʻia. No laila, ʻaʻole pono e hoʻopili wale ʻia nā mālama kālā (a ʻaʻole paha) i ka hale kūʻai.

ʻAʻole ka helu ʻana i nā mea a pau he kumukūʻai. A he nui nā mea e noʻonoʻo ai. E noʻonoʻo i kēia papa inoa:

• ▪ Ke kumukūʻai hoʻomaka, me ka hiki ke kūpono.
• ▪ Ke kumu kūʻai o ka lako lako i hoʻolaʻa ʻia me ka mālama ʻana a me nā kamaʻilio pili
• ▪ Ke kumu kūʻai o ka polokalamu, me ka hoʻokele dati a me nā mea hoʻonui o nā mea kūʻai aku/server, lako polokalamu ETL, nā ʻenehana DSS, nā mea hana ʻike maka, ka hoʻonohonoho ʻana a me nā noi kaila hana, a me nā polokalamu nānā, .
• ▪ Ke kumukūʻai hoʻolālā hale dati, me ka hana ʻana, a me ka optimization o
• ▪ ʻO ke kumukūʻai hoʻomohala polokalamu pili pono me ka hoʻoikaika BI
• ▪ Ke kumu kūʻai o ke kākoʻo ma ka pūnaewele, me ka hoʻonui ʻana i ka hana, me ka mana o ka mana polokalamu a me nā hana kōkua E noi i ka ROI "Big-Bang". ʻO ke kūkulu ʻana i ka hale kūʻai ma ke ʻano he hoʻokahi, hoʻoikaika nui ʻia e hāʻule, no laila e helu i ka ROI no kahi hoʻolālā ʻoihana nui. No ke aha e ho'āʻo ai ka poʻe hoʻolālā e kau i ka waiwai kālā ma ka ʻoihana ʻoihana inā ʻike nui ʻia a ʻae ʻia he paʻakikī ke koho ʻana i nā hana hou? Pehea e hiki ai? ʻAʻole hiki ke loaʻa me kekahi mau ʻokoʻa. Mai hana. I kēia manawa ua hoʻokumu mākou i ka mea e hana ʻole ai i ka helu ʻana i ka ROI, eia kekahi mau wahi e kōkua iā mākou i ka hoʻokumu ʻana i kahi kaʻina hana hilinaʻi no ka helu ʻana i ka waiwai o kāu mau hana BI.

Loaʻa ka manaʻo ROI. Ma waho o kāu koho ʻenehana no ka helu ʻana i ka waiwai o kāu mau hana BI, pono e ʻae ʻia e nā ʻaoʻao āpau, me nā mea hoʻolālā papahana, nā mea kākoʻo, a me nā luna ʻoihana.

E hōʻemi i ka ROI i nā ʻāpana ʻike. ʻO kahi hana kūpono i ka helu ʻana i kahi ROI, ʻo ia ka nānā ʻana i kēlā helu ʻana ma kahi papahana kikoʻī. A laila hiki iā ʻoe ke koho i kahi waiwai e pili ana i nā koi ʻoihana kikoʻī i hoʻokō ʻia

E wehewehe i nā koina. E like me ka mea i ʻōlelo ʻia, pono e noʻonoʻo ʻia nā kumukūʻai he nui. Eia kekahi, pono e komo nā kumukūʻai ʻaʻole wale i nā mea e pili ana i ka ʻike hoʻokahi akā ʻo nā kumukūʻai e pili ana i ka hōʻoia ʻana i ka hoʻokō ʻana i nā kūlana ʻoihana.

E wehewehe pono. Ma ka hoʻopili pono ʻana iā ROI i nā koi ʻoihana kikoʻī, pono mākou e ʻike i nā pono e alakaʻi ai i ka hoʻokō ʻana i nā koi.

E ho'ēmi i nā kumukūʻai a me nā pōmaikaʻi i nā waiwai kokoke. ʻO ia ke ala maikaʻi loa e hoʻokumu i kāu mau loiloi ma luna o ka waiwai o kēia manawa (NPV) ma mua o ka hoʻāʻo ʻana e wānana i ka waiwai o ka wā e hiki mai ana.

E mālama i ka manawa o ka hoʻokaʻawale ʻana i kāu ROI i ka liʻiliʻi. Ua kākau maikaʻi ʻia i ka wā lōʻihi i hoʻohana ʻia i kāu ROI.

E hoʻohana i ʻoi aku ma mua o hoʻokahi kumulāʻau ROI. Nui nā ala no ka wānana ʻana i ka ROI a pono ʻoe e hoʻolālā inā e hoʻohana i hoʻokahi a ʻoi aku paha o ia mau mea, me ka waiwai o kēia manawa, ka helu o ka hoʻihoʻi kūloko (IRR), a me ka uku.

E wehewehe i ke kaʻina hana hou. He mea koʻikoʻi kēia no ka helu ʻana i kekahi waiwai lōʻihi. Pono e hoʻopaʻa ʻia kahi kaʻina hana hoʻokahi no nā hope o ka papahana a pau.

ʻO nā pilikia i helu ʻia ʻo ia nā pilikia maʻamau i wehewehe ʻia e ka poʻe akamai i ka ʻāina hale hale. ʻO ka hoʻomau ʻana o ke alakaʻi i ka hāʻawi ʻana i kahi ROI "Big-Bang" he mea ʻino loa. Inā hoʻomaka ʻoe i kāu helu ROI a pau ma ka wāwahi ʻana iā lākou i ʻāpana hiki ke ʻike ʻia, hiki iā ʻoe ke koho i kahi helu ROI pololei.

Nā nīnau e pili ana i nā pono ROI

ʻO nā mea a pau āu e pōmaikaʻi ai, palupalu a paʻakikī paha, hiki iā ʻoe ke hoʻohana i kekahi mau nīnau kumu e hoʻoholo ai i ko lākou waiwai. No ka laʻana, me ka hoʻohana ʻana i kahi ʻōnaehana scaling maʻalahi, mai ka 1 a hiki i ka 10, hiki iā ʻoe ke ana i ka hopena o kekahi hoʻoikaika ma ka hoʻohana ʻana i nā nīnau penei:

• Pehea ʻoe e helu ai i ka ʻike dati ma hope o kēia papahana o kāu hui?
• Pehea ʻoe e manaʻo ai i nā hoʻomaikaʻi kaʻina hana ma muli o kēia papahana?
• Pehea ʻoe e ana i ka hopena o nā ʻike hou a me nā manaʻo i loaʻa i kēia manawa i kēia manawa
• He aha ka hopena o nā kaiapuni kaiapuni hou a hoʻokō ma muli o nā mea i aʻo ʻia? Inā he liʻiliʻi nā pane i kēia mau nīnau, hiki paha i ka ʻoihana ke kūpono ʻole i ke kālā i hana ʻia. Hōʻike nā nīnau helu kiʻekiʻe i nā loaʻa waiwai nui a pono e lilo i alakaʻi no ka hoʻokolokolo hou ʻana. No ka laʻana, ʻo ka helu kiʻekiʻe no ka hoʻomaikaʻi ʻana i ke kaʻina hana pono e alakaʻi i nā mea hoʻolālā e nānā pehea i hoʻomaikaʻi ʻia ai nā kaʻina hana. Hiki iā ʻoe ke ʻike he ʻike maoli kekahi a i ʻole nā ​​​​mea āpau i loaʻa a no laila hiki ke hoʻohana koke ʻia kahi waiwai kālā. Loaʻa i ka ʻoi loa o ka hoʻomaka mua o ka hale ukana ʻO ka hopena maikaʻi loa o kāu hoʻoikaika ʻana i ka ʻoihana ʻo ia ka pinepine i nā mea hou mua. Hoʻokumu kēia mau hana mua i ka ʻike ʻike pono loa no ka lehulehu a kōkua i ka hoʻokumu ʻana i ke kahua ʻenehana no nā noi BI ma hope. ʻO ka mea maʻamau kēlā me kēia ma hope o dati ʻO nā papahana hale kūʻai e lawe mai i ka waiwai hou aʻe i ka ʻoihana holoʻokoʻa. He ʻoiaʻiʻo kēia inā ʻaʻole hoʻohui ka ʻike i nā kumuhana hou a i ʻole e hoʻokō i nā pono o kahi kaiāulu mea hoʻohana hou.

Pili pū kēia hiʻohiʻona mālama i nā pūʻulu ulu o dati poe kakau moolelo. E like me ka mea e pono ai ka hana hou aku dati a pehea hou aku dati ua ninini ʻia i loko o ka hale kūʻai i ka manawa, ka hapa nui o nā dati liʻiliʻi ka pili ʻana i ka loiloi i hoʻohana ʻia. ʻO kēia mau mea dati ua kapa pinepine ia lakou dati moe a he pipiʻi mau ka mālama ʻana iā lākou no ka mea ʻaneʻane ʻaʻole hoʻohana ʻia.

He aha ke ʻano o kēia no nā mea kākoʻo papahana? ʻO ka mea nui, ʻoi aku ka nui o nā mea kākoʻo mua ma mua o ke kumu kūʻai. ʻO kēia ka mea nui no ka mea ʻo lākou ka mea hoʻoikaika no ka hoʻokumu ʻana i ka ʻenehana ākea o ka hale waihona kālā a me ka papa kaiapuni waiwai, me ka organik.

Akā ʻo kēia mau hana mua e lawe mai i ka waiwai kiʻekiʻe loa a no laila pono nā mea hoʻolālā papahana e hōʻoia i ka hoʻopukapuka.
He haʻahaʻa paha nā papahana i hana ʻia ma hope o kāu hoʻolālā BI (i ka hoʻohālikelike ʻia me ka mua) a me nā kumukūʻai pololei, akā lawe mai ka waiwai i ka ʻoihana.

A pono nā mea nona ka hui e hoʻomaka e noʻonoʻo e hoʻolei i ka hōʻiliʻili dati a me nā ʻenehana pili ʻole.

ʻImi ʻIkepili: Wehe Dati

Nui nā ʻāpana hoʻolālā e koi i nā ʻano like ʻole o nā ʻenehana a me nā ʻenehana ʻimi ʻikepili—
no ka laʻana, nā "ʻokoʻa" like ʻole no ka nānā ʻana i nā wahi hoihoi o ka nā mea kūʻai mai, nā ʻōnaehana hana o ka hui a no ka dw ponoʻī. Hiki i kēia mau mea ke lilo i mau ʻoihana neural holomua i hoʻomaʻamaʻa ʻia ma nā ʻano POT, e like me ke koi huahana e hiki mai ana ma muli o nā hoʻolaha kūʻai; nā ʻenekini e pili ana i nā lula e pane i kahi hoʻonohonoho ua haawiia o nā kūlana, no ka laʻana, ka maʻi maʻi a me nā ʻōlelo paipai; a i ʻole nā ​​ʻelele maʻalahi me ke kuleana o ka hōʻike ʻana i nā ʻokoʻa i nā luna kiʻekiʻe. ʻO ka maʻamau kēia mau kaʻina hana unuhi dati si

hōʻoia i ka manawa maoli; nolaila, e pono e hui loa lakou me ka nee ana o dati stessi

Ka Hoʻoponopono Analytical Processing Online

ʻIkepili pūnaewele

ʻO ka hiki ke ʻoki, ʻoki, ʻōwili, ʻeli iho, a hana i ka nānā ʻana
he aha-inā, aia i loko o ka laulā, ka manaʻo o ka ʻenehana ʻenehana IBM. No ka laʻana, loaʻa nā hana analytical processing (OLAP) no DB2 e lawe mai ana i ka nānā ʻana i ka nui i loko o ka mīkini polokalamu. hōkeoʻikepili like .

Hoʻohui nā hana i ka pono dimensional i SQL aʻo ka hoʻohana ʻana i nā pono āpau o ka lilo ʻana i ʻāpana kūlohelohe o DB2. ʻO kekahi hiʻohiʻona o ka hoʻohui ʻana o OLAP ʻo ia ka mea hana unuhi, DB2 OLAP Server Analyzer. Hāʻawi kēia ʻenehana i ka DB2 OLAP Server cubes e hiki ke hoʻopaʻa koke ʻia e ʻimi a hōʻike i nā waiwai waiwai. dati ʻokoʻa a i ʻole i manaʻo ʻole ʻia a puni ka cube i ka mea loiloi ʻoihana. A ʻo ka mea hope loa, hāʻawi nā hiʻohiʻona DW Center i kahi ala no nā mea hale kiʻi e hoʻomalu, ma waena o nā mea ʻē aʻe, ka ʻaoʻao o kahi pahu kikowaena DB2 OLAP ma ke ʻano he ʻāpana kūlohelohe o nā kaʻina ETL.

Hoʻolāʻau Wāhi Kūʻē

Hōʻike ka lewa i ka hapalua o nā heleuma analytical (ke alakaʻi) pono no kahi panorama
analytical broad (ʻike ka manawa i ka hapa ʻē aʻe). ʻO ka pae atomika o ka hale kūʻai, i hōʻike ʻia ma ke Kiʻi 1.1, e pili ana i nā kumu kumu manawa a me ka lewa. Hoʻopaʻa ʻia ka heleuma o ka manawa a me ka hoʻopaʻa ʻana i ka ʻikepili heleuma e ka lewa. Hana nā timestamp i ka nānā ʻana ma ka manawa, a ke alakaʻi nei ka ʻike i ka nānā ʻana ma ke ākea. Hōʻike ke kiʻikuhi i ka geocoding - ke kaʻina hana o ka hoʻololi ʻana i nā helu wahi i nā kiko ma ka palapala 'āina a i ʻole nā ​​kiko i ka lewa i hiki ke hoʻohana ʻia nā manaʻo e like me ka mamao a i loko/waho i ka nānā ʻana - i hana ʻia ma ka pae atomic a me ka ʻike kikoʻī i hoʻolako ʻia ka mea nana i hoike. Hāʻawi ʻo IBM i nā hoʻonui spatial, i hoʻomohala ʻia me ka Environmental System Research Institute (ESRI), i hōkeoʻikepili DB2 i hiki ke mālama ʻia nā mea āpau ma ke ʻano he ʻāpana maʻamau o ka hōkeoʻikepili pili pili. DB2

Nā Spatial Extenders, hāʻawi pū i nā hoʻonui SQL a pau e hoʻohana pono i ka nānā ʻana i ka spatial. No ka laʻana, nā hoʻonui SQL e nīnau kūʻē
ka mamao ma waena o nā ʻōlelo a i ʻole kahi kiko i loko a i waho paha o kahi wahi polygonal i wehewehe ʻia, he maʻamau analytical me ka Spatial Extender. E nānā i ka mokuna 16 no ka ʻike hou aku.

hōkeoʻikepili- Mea Hana Mea Noho Noho hōkeoʻikepili-Kupa

Loaʻa iā DB2 nā hiʻohiʻona SQL kamaʻāina he nui e kōkua i ka hana o ka nānā ʻana. Aia kēia mau mea:

• Hana ʻia ka Recursion e hana i ka nānā ʻana, e like me "ka ʻimi ʻana i nā ala lele āpau mai Kapalakiko a New York".
• ʻO nā hana analytical no ka pae, cumulative functions, cube and rollup e hoʻomaʻamaʻa i nā hana i hana maʻamau me ka ʻenehana OLAP, he ʻāpana kūlohelohe ia o ka mīkini. hōkeoʻikepili
• ʻO ka hiki ke hana i nā papa i loaʻa nā hopena
  ʻO nā mea kūʻai aku o hōkeoʻikepili hoʻohui nā alakaʻi i nā mana BI i loko o ka hōkeoʻikepili like.
  ʻO nā mea hoʻolako nui o waihona ʻikepili ke hui pū nei lākou i nā mana BI i loko o ka hōkeoʻikepili like.
  Hāʻawi kēia i ka hana ʻoi aku ka maikaʻi a me nā koho hoʻokō hou aʻe no nā hoʻonā BI.
  Kūkākūkā ʻia nā hiʻohiʻona a me nā hana o DB2 V8 ma nā mokuna aʻe:
  Nā Papahana Hoʻolālā ʻenehana a me ka hoʻokele ʻikepili (Mokuna 5)

• DB2 BI Fundamentals (Mokuna 6)
• DB2 Nā Papa Huli Huli (Mokuna 7)
• Nā Hana DB2 OLAP (Mokuna 13)
• Nā hiʻohiʻona a me nā hana BI i hoʻonui ʻia e DB2 (Mokuna 15) Pūnaehana hoʻouna ʻikepili maʻalahi Pūnaehana hoʻouna o dati maalahi

ʻO ka hale hoʻolālā i hōʻike ʻia ma ke Kiʻi 1.1 he nui nā hale dati kino. ʻO kekahi ka hale kūʻai o dati hana ana. ʻO ka mea maʻamau, ʻo kahi ODS kahi kumuhana pili, hoʻohui a me kēia mea. E kūkulu ʻoe i ODS e kākoʻo, no ka laʻana, ke keʻena kūʻai. E hoʻonui ke kūʻai aku ʻo ODS dati mai nā ʻōnaehana like ʻole he nui akā e paʻa wale nō, no ka laʻana, nā kālepa o kēia lā. Hiki ke hoʻonui ʻia ka ODS i nā manawa he nui i ka lā. I ka manawa like, hoʻoikaika nā kaʻina hana i ka dati i hoʻohui ʻia i nā polokalamu ʻē aʻe. Hoʻonohonoho pono ʻia kēia ʻano e hoʻohui dati i kēia manawa a me ka ikaika a he moho paha ia e kākoʻo i ka ʻikepili manawa maoli, e like me ka hāʻawi ʻana i nā ʻelele lawelawe nā mea kūʻai mai ka ʻike kūʻai o ka mea kūʻai aku i kēia manawa ma o ka unuhi ʻana i ka ʻike ʻano kūʻai mai ka hale kūʻai ponoʻī. ʻO kekahi hale i hōʻike ʻia ma ke Kiʻi 1.1 he kūlana kūlana no ka dw. ʻAʻole wale kēia kahi e hoʻokō ai i ka hoʻohui pono, ka maikaʻi o dati, a me ka hoololi ana o dati o ka hale kūʻai e komo mai ana, akā, he wahi hilinaʻi hoʻi ia no ka mālama manawa dati nā hoʻopiʻi i hiki ke hoʻohana ʻia i nā loiloi manawa maoli. Inā hoʻoholo ʻoe e hoʻohana i kahi ODS a i ʻole kahi kahua hoʻokūkū, ʻo ia kekahi o nā mea hana maikaʻi loa no ka hoʻopili ʻana i kēia mau hale dati ʻO ka hoʻohana ʻana i nā kumuwaiwai hana like ʻole ka DB2 heterogeneous distributed query. Hāʻawi ʻia kēia mana e ka hiʻohiʻona DB2 koho i kapa ʻia ʻo DB2 Relational Connect (nā nīnau wale nō) a ma o DB2 DataJoiner (kahi huahana ʻokoʻa e hāʻawi i ka nīnau, hoʻokomo, hoʻohou, a holoi i ka hiki i nā RDBMS hoʻolaha heterogeneous).

Hiki i kēia ʻenehana ke hiki i nā mea kākau dati e nakii dati hana me nā kaʻina hana kālailai. ʻAʻole hiki i ka ʻenehana ke hoʻololi i kahi o nā koi replication e kū mai ana me ka ʻikepili manawa maoli, akā hiki ke hoʻopili pū i nā waihona ʻikepili like ʻole. dati kaulana loa, me DB2, Oracle, Sybase, SQL Server, Informix a me nā mea ʻē aʻe. Hiki ke hoʻohana ʻia ʻo DB2 DataJoiner e hoʻopiha i kahi hale dati ma ke ʻano he ODS a i ʻole he papa ʻaina mau i hōʻike ʻia i loko o ka hale kūʻai i hoʻolālā ʻia no ka hoʻihoʻi wikiwiki ʻana i nā mea hou a i ʻole ke kūʻai aku. ʻOiaʻiʻo, kēia mau hale like dati hiki ke hoʻohana ʻia

kekahi ʻenehana koʻikoʻi i hoʻolālā ʻia no ka hana hou ʻana o dati, IBM DataPropagator Relational. (ʻO ka DataPropagator kahi huahana kaʻawale no nā ʻōnaehana kikowaena. ʻO DB2 UNIX, Linux, Windows, a me OS/2 nā lawelawe hoʻopiʻi ʻikepili. dati ma ke ʻano he hiʻohiʻona maʻamau).
ʻO kekahi ala no ka neʻe ʻana dati ʻO ka hana ʻana a puni ka ʻoihana he mea hoʻohui noi noi ʻoihana i ʻike ʻole ʻia ma ke ʻano he mea kūʻai leka uila. dati a puni ka hui. Loaʻa iā IBM ka mea hoʻolaha memo i hoʻohana nui ʻia, MQSeries, a i ʻole ka hoʻololi ʻana o ka huahana i loaʻa nā koi o e-kalepa, IBM WebSphere MQ.
No ke kūkākūkā hou aʻe e pili ana i ka hoʻohana ʻana i ka MQ e kākoʻo i kahi hale kūʻai a me kahi kaiapuni BI, e kipa pūnaewele puni honua o ka buke. I kēia manawa, lawa ka ʻōlelo ʻana he ala maikaʻi loa kēia ʻenehana e hopu a hoʻololi (me ka hoʻohana ʻana iā MQSeries Integrator) dati nā mea hoʻohana i hoʻopaʻa ʻia (i hoʻopaʻa ʻia) i kiʻi ʻia no nā hoʻonā BI. Ua hoʻohui ʻia ka ʻenehana MQ a hoʻopili ʻia i loko o ka UDB V8, ʻo ia hoʻi, hiki ke mālama ʻia nā queues me he mea lā he mau papa DB2. Ka manaʻo o ka welding queued memo a me ke ao o hōkeoʻikepili nā poʻo pili i kahi kaiapuni lawe ikaika o dati.

Zero-Latency Zero latency

ʻO ka pahuhopu koʻikoʻi loa no IBM ʻo ka nānā ʻana i ka zero-latency. E like me ka wehewehe ʻana e
ʻO Gartner, kahi ʻōnaehana BI e hiki ke hoʻomaopopo, assimilate a hāʻawi i ka ʻike i nā mea loiloi ma ke koi. ʻO ka paʻakikī, ʻoiaʻiʻo, pehea e hui ai dati i kēia manawa a me ka manawa maoli me ka ʻike mōʻaukala pono, e like me i dati ʻano pili/ʻano, a i ʻole ka ʻike i unuhi ʻia, e like me ka hoʻolaha ʻana o nā mea kūʻai aku.

Aia i loko o ia mau ʻike, no ka laʻana, ka ʻike ʻana o nā mea kūʻai mai kiʻekiʻe a haʻahaʻa paha ka pilikia a i ʻole nā ​​huahana i nā mea kūʻai mai E kūʻai paha lākou inā loaʻa iā lākou ka tiiki ma kā lākou mau kaʻa kūʻai.

ʻO ka loaʻa ʻana o ka latency zero e hilinaʻi maoli ʻia ma nā ʻano kumu ʻelua:

• Hui piha o dati i kālailai ʻia me nā ʻenehana a me nā mea hana i hana ʻia e BI
• He ʻōnaehana hāʻawi o dati pono e hōʻoia i ka loaʻa maoli ʻana o nā ʻikepili i ka manawa maoli ʻAʻole ʻokoʻa kēia mau koi mua no ka latency zero me nā pahuhopu ʻelua i hoʻonohonoho ʻia e IBM a i wehewehe ʻia ma luna. Ka pili pili ana o dati He ʻāpana ia o ka papahana hoʻohui pono ʻole o IBM. A e hana i kahi ʻōnaehana hoʻouna o dati pono e hilinaʻi loa i ka ʻenehana i loaʻa e hoʻomaʻamaʻa i ke kaʻina hana o dati. ʻO ka hopena, ʻelua o nā pahuhopu ʻekolu o IBM he mea koʻikoʻi no ka hoʻokō ʻana i ke kolu. Ke hoʻololi nei ʻo IBM i kāna ʻenehana no ka hōʻoia ʻana he ʻoiaʻiʻo ka zero latency no nā hana hale kūʻai. Hōʻuluʻulu / Synthesis Hāʻawi ka hui BI i kahi palapala alanui no ke kūkulu ʻana i kou kaiapuni
  hoʻopaʻapaʻa. Pono e hoʻoponopono ʻia e hōʻike i nā pono o kāu ʻoihana, i kēia manawa a me ka wā e hiki mai ana. Me ka ʻike ʻole o ka hale kūʻai ākea, ʻoi aku ka liʻiliʻi o ka ʻike ʻana o ka hale kūʻai ma mua o ka hoʻokō haphazard o ka hale kūʻai kikowaena e hana liʻiliʻi ai i ka hana ʻana i kahi ʻoihana ākea a ʻike. ʻO ka pilikia mua no nā luna papahana pehea e hōʻoia ai i nā hoʻopukapuka e pono ai e hoʻomohala i ka hui BI. ʻOiai ua mau ka helu ROI i mea nui o ka hoʻokō hale kūʻai, ʻoi aku ka paʻakikī o ka wānana pololei. Ua alakaʻi kēia i nā ala ʻē aʻe no ka hoʻoholo ʻana inā loaʻa iā ʻoe ka waiwai o kāu kālā. Hoʻolaha ʻia ka waiwai ma ke kālā2 (VOI), no ka laʻana, ma ke ʻano he hopena. He kuleana ia ma luna o nā mea kākau o dati a me nā mea hoʻolālā papahana e hoʻopuka a hāʻawi i ka ʻike i nā hui mea hoʻohana a ʻaʻole hāʻawi wale i kahi lawelawe iā lākou dati. Aia ka ʻokoʻa nui ma waena o nā mea ʻelua. ʻO ka ʻike kahi mea e hoʻololi ai i ka hoʻoholo ʻana a me ka pono; pili, i dati ke kūkulu nei lākou i mau poloka no ka loaʻa ʻana o ia ʻike.

ʻOiai ke koʻikoʻi au i ke kumu dati No ka hoʻoponopono ʻana i nā noi ʻoihana, pono e lawelawe ka ʻoihana BI i kahi kuleana nui i ka hana ʻana i ka ʻike ʻike. Pono mākou e hana i nā hana ʻē aʻe e hoʻomaʻemaʻe, hoʻohui, hoʻololi, a i ʻole e hana i nā ʻike ʻike e hiki ai i nā mea hoʻohana ke hana, a laila pono mākou e hōʻoia i kēlā mau hana a me nā hoʻoholo, inā kūpono, e ʻike ʻia i loko o ke kaiapuni BI. Inā hoʻokuʻu mākou i ka hale kūʻai e lawelawe wale ai dati, ua hōʻoia ʻia e hana nā hui mea hoʻohana i ka ʻike ʻike e pono ai e hana. Mālama kēia i ko lākou kaiāulu e hoʻoholo i nā hoʻoholo maikaʻi aʻe, akā pilikia ka ʻoihana i ka nele o ka ʻike a lākou i hoʻohana ai. lā Ke hoʻomaka nei nā mea hoʻolālā a me nā mea hoʻolālā papahana i nā papahana kikoʻī i ka kaiapuni BI, e hoʻomau lākou i ke kuleana i ka ʻoihana holoʻokoʻa. ʻIke ʻia kahi hiʻohiʻona maʻalahi o kēia ʻano ʻaoʻao ʻelua o ka hoʻohālikelike BI ma ke kumu dati. ʻO nā dati i loaʻa no nā noi ʻoihana kikoʻī pono e hoʻopiha ʻia i ka papa atomika mua. Mālama kēia i ka hoʻomohala ʻana o ka waiwai ʻike ʻoihana, a me ka hoʻokele, e hoʻoponopono i nā noi mea hoʻohana kikoʻī i wehewehe ʻia i ka ʻike.

WhatisaDataWarehouse?

Hale ukana ʻikepili ʻo ia ka puʻuwai o ka hoʻolālā ʻōnaehana ʻike mai 1990 a kākoʻo i nā kaʻina ʻike ma o ka hāʻawi ʻana i kahi kahua paʻa paʻa dati ʻikepili mōʻaukala i lawe ʻia ma ke ʻano he kumu no nā loiloi ma hope. KA hale kūʻaiʻikepili hāʻawi lākou i ka maʻalahi o ka hoʻohui ʻana i kahi honua o nā ʻōnaehana noi like ʻole. Hale ukana ʻikepili ua ulu aʻe i ke ʻano. Hale ukana ʻikepili hoʻonohonoho a mālama i dati pono no ka 'ike a me ka analytical kaʻina hana ma muli o ka lōʻihi mōʻaukala kino kuanaʻike. Loaʻa kēia mau mea i ka hoʻokō nui a me ka hoʻomau mau i ke kūkulu ʻana a me ka mālama ʻana hale kūʻaiʻikepili.

No laila he aha ka a hale kūʻaiʻikepili? Ala akula ka p? A hale kūʻaiʻikepili a:

• ▪ pili i ke kumuhana
• ▪ pūnaewele hoʻohui
• ▪ manawa like ʻole
• ▪ hiki ʻole ke holoi ʻia (ʻaʻole hiki ke holoi ʻia)

he ohi o dati hoʻohana ʻia e kākoʻo i nā hoʻoholo manaʻo i ka hoʻokō ʻana i nā kaʻina hana.
I dati hookomoia iloko hale kūʻaiʻikepili i ka hapanui o nā hihia e loaʻa mai lākou mai nā kaiapuni hana. ʻO ka hale kūʻaiʻikepili hana ʻia e kahi waihona mālama, hoʻokaʻawale kino ʻia mai ke koena o ka ʻōnaehana, aia i loko dati i hoʻololi mua ʻia e nā noi e hoʻohana ana i ka ʻike e loaʻa mai ana mai ke kaiapuni hana.

ʻO ka wehewehe pono ʻana o a hale kūʻaiʻikepili Pono ka wehewehe hohonu ʻana no ka mea aia nā manaʻo koʻikoʻi a me nā manaʻo kumu e wehewehe i nā ʻano o kahi hale waihona.

KUMU KUMU ORIENTATION HOOLAHA

ʻO ke ʻano mua o a hale kūʻaiʻikepili ʻo ia ka mea e pili ana i nā mea pāʻani nui i kahi hui. ʻO ke alakaʻi o nā hoʻokolokolo ma o ka dati ʻokoʻa ia me ke ʻano hana maʻamau e pili ana i ka hoʻonohonoho ʻana o nā noi i nā kaʻina hana a me nā hana, kahi ʻano i kaʻana like ʻia e ka hapa nui o nā ʻōnaehana hoʻokele hou.

Hoʻolālā ʻia ka honua hana e pili ana i nā noi a me nā hana e like me nā hōʻaiʻē, mālama kālā, kāleka kāleka a me ka hilinaʻi no kahi ʻoihana kālā. Hoʻonohonoho ʻia ka honua o dw a puni nā kumuhana nui e like me ka mea kūʻai aku, ka mea kūʻai aku, ka huahana a me ka hana. Hoʻopili ka alignment a puni nā kumuhana i ka hoʻolālā a me ka hoʻokō ʻana o dati loaa ma ka dw. ʻO ka mea nui aku, pili ke kumuhana nui i ka ʻāpana koʻikoʻi o ka hoʻolālā kī.

Hoʻopili ʻia ka honua o ka noi e ka hoʻolālā ʻana o ka waihona a me ka hoʻolālā hana. Hoʻopili wale ʻia ka honua o dw i ka hoʻohālike dati a ma ka hoʻolālā ʻana o ka hōkeoʻikepili. ʻO ka hoʻolālā kaʻina hana (ma kona ʻano maʻamau) ʻaʻole ia he ʻāpana o ke kaiapuni dw.

Hōʻike pū ʻia nā ʻokoʻa ma waena o ke koho ʻana o ke kaʻina hana/hana a me ke koho ʻana o ke kumuhana e like me nā ʻokoʻa o ka ʻike o ka dati ma kahi pae kikoʻī. KA dati o ka dw aole i komo i dati ʻaʻole e hoʻohana ʻia no ke kaʻina hana DSS i nā noi

hoʻolālā hana dati komo i dati e hoʻokō koke i nā koi hana / kaʻina hana i loaʻa a ʻaʻole paha i hoʻohana ʻia no ka DSS analyst.
ʻO kekahi ala koʻikoʻi e pili ana i nā noi hana dati ʻokoʻa mai dati o dw aia ma dei hoike dati. I dati mālama nā hana i ka pilina mau ma waena o nā papa ʻelua a ʻoi aku paha ma muli o kahi lula ʻoihana e hana nei. KA dati o ka dw kea i ka spectrum o ka manawa a he nui na pilina i loaa ma ka dw. Nui nā kānāwai kālepa (a me nā mea like, nui nā pilina o dati ) ua hōʻike ʻia ma ka hale kūʻai o dati ma waena o nā papa ʻelua a ʻoi aku paha.

(No ka wehewehe kikoʻī i ke ʻano o ka pilina ma waena o ka dati mālama ʻia i ka DW, ke kuhikuhi nei mākou i ka Tech Topic ma kēlā pilikia.)
Mai kahi hiʻohiʻona ʻē aʻe ma mua o ka ʻokoʻa kumu ma waena o kahi koho noi hana / kaʻina hana a me kahi koho kumuhana, aia kahi ʻokoʻa nui ma waena o nā ʻōnaehana hana a dati a me ka DW.

HOOLAHA HOOKO

ʻO ka ʻaoʻao koʻikoʻi o ke kaiapuni dw ʻo ia ka i dati loaʻa i loko o ka dw ua hoʻohui maʻalahi. MAU. ME KE KOE. ʻO ke ʻano nui o ke kaiapuni dw ʻo ia ka i dati i loko o nā palena hale kūʻai ua hoʻohui ʻia.

Hōʻike ka hoʻohui ʻana iā ia iho ma nā ʻano like ʻole - ma nā kuʻina i ʻike ʻia, ma ke ana ʻano like ʻole, ma nā hale i hoʻopaʻa ʻia, ma nā ʻano kino o dati kūlike, a pēlā aku.

I loko o nā makahiki, ua hoʻoholo nā mea hoʻolālā o nā noi like ʻole e pili ana i ke ʻano e kūkulu ʻia ai kahi noi. ʻO ke ʻano a me nā hoʻoholo hoʻolālā pilikino o nā noi a nā mea hoʻolālā e hōʻike iā lākou iho ma nā ʻano he haneli: ma nā ʻokoʻa o ka coding, ka hana kī, nā ʻano kino, ka ʻike ʻana i nā ʻaha kūkā, a pēlā aku. ʻO ka mana hui o nā mea hoʻolālā noi e hana i nā noi like ʻole he kaʻao. Hōʻike ka Figure 3 i kekahi o nā ʻokoʻa koʻikoʻi i ke ʻano o ka hoʻolālā ʻana o nā noi.

Hoʻopaʻa ʻana: Hoʻopaʻa ʻana:

Ua koho nā mea hoʻolālā noi i ka hoʻopili ʻana o ke kahua - sex - ma nā ʻano like ʻole. Hōʻike ka mea hoʻolālā i ka wahine ma ke ʻano he "m" a me "f". Hōʻike kekahi mea hoʻolālā i ke kāne ma ke ʻano he "1" a me "0". ʻO kekahi mea hoʻolālā e hōʻike i ka wahine ma ke ʻano he "x" a me "y". ʻO kekahi mea hoʻolālā e hōʻike ana i ka wahine ma ke ʻano he "kāne" a "wahine." ʻAʻole pili nui ke ʻano o ke komo ʻana o ke kāne i ka DW. ʻO ka "M" a me "F" maikaʻi paha e like me ka pāʻani holoʻokoʻa.

ʻO ka mea nui, mai kēlā me kēia kumu i loaʻa mai ai ka māla wahine, hiki mai kēlā kahua i ka DW i kahi kūlana hoʻohui like. No laila ke hoʻouka ʻia ka māla i ka DW mai kahi noi kahi i hōʻike ʻia ma ke ʻano "M" a me "F", ka dati pono e hoʻololi i ka palapala DW.

Ana o na 'ano: Ana o Nā ʻano:

Ua koho nā mea hoʻolālā noi e ana i ka pipeline ma nā ʻano like ʻole i nā makahiki. Mālama kekahi mea hoʻolālā i ka dati o ka paipu i ke kenimika. ʻO kekahi mea hoʻolālā noi hale kūʻai i ka dati o ka paipu ma ke ano o na iniha. ʻO kekahi mea hoʻolālā noi hale kūʻai i ka dati o ka paipu ma miliona cubic kapuai no kekona. A mālama kekahi mea hoʻolālā i ka ʻike pipeline e pili ana i nā iwilei. ʻO kēlā me kēia kumu, i ka hiki ʻana mai o ka ʻike pipeline i ka DW pono e ana ʻia ma ke ʻano like.

Wahi a nā hōʻailona ma ka helu 3, pili nā pilikia hoʻohui i nā mea āpau o ka papahana - nā ʻano kino o dati, ka pilikia o ka loaʻa ʻana o nā kumu hoʻokahi o dati, ka hihia o nā laʻana i ʻike ʻole ʻia, nā ʻano o dati kulike ole, a pela aku.

ʻO kēlā me kēia kumuhana hoʻolālā, ua like ka hopena - i dati Pono e mālama ʻia i ka DW ma kahi ʻano like ʻole a ʻae ʻia i ka honua a ʻoiai ke mālama ʻia nā ʻōnaehana hana i lalo. dati.

Ke nānā ka mea kākau DSS i ka DW, pono ka pahuhopu o ka mea nāna e hoʻohana i ka dati aia i loko o ka hale kūʻai,

ma mua o ka noʻonoʻo e pili ana i ka hilinaʻi a i ʻole ke kūpaʻa o dati.

HOOLAHA MANAWA

All i dati i ka DW pololei lākou i kekahi manawa. ʻO kēia hiʻohiʻona kumu o ka dati i ka DW he okoa loa ia mai na mea dati loaʻa i loko o ke kaiapuni hana. KA dati o ke kaiapuni hana e like me ka pololei o ka manawa i komo ai. I nā huaʻōlelo ʻē aʻe, i ke kaiapuni hana i ka wā e komo ai kahi kaʻa dati, manaʻo ʻia e hōʻike i nā waiwai kūpono e like me ka manawa o ke komo ʻana. No ka mea i dati i ka DW pololei e like me kekahi manawa o ka manawa (ʻo ia hoʻi, ʻaʻole "i kēia manawa"), ua ʻōlelo ʻia dati ʻike ʻia ma ka DW he "ʻokoʻa manawa".
ʻO ka ʻokoʻa manawa o dati ʻōlelo ʻia e DW ma nā ʻano he nui.
ʻO ke ala maʻalahi loa i dati o kahi DW hōʻike dati ma kahi lōʻihi - ʻelima a ʻumi makahiki. ʻOi aku ka pōkole o ka manawa i hōʻike ʻia no ke kaiapuni hana ma mua o nā waiwai o kēia manawa mai ke kanaono kanaiwa kanaiwa.
ʻO nā noi e pono e hana maikaʻi a pono e loaʻa no ka hoʻoili ʻana i ke kālepa pono e lawe i ka liʻiliʻi o dati inā lākou e ʻae i kekahi degere o ka maʻalahi. No laila he pōkole ka manawa o nā noi hana, e like me ke kumuhana hoʻolālā noi leo.
ʻO ke ala ʻelua e ʻike ʻia ai ka 'ʻokoʻa manawa' i ka DW ma ke ʻano kī. Loaʻa i kēlā me kēia ʻano kī nui i ka DW, implicitly a i ʻole kikoʻī, kahi mea manawa, e like me ka lā, pule, mahina, etc. ʻO ka mea manawa ʻaneʻane ma lalo o ke kī hoʻohui i loaʻa ma ka DW. Ma kēia mau manawa, e noho mau ana ka mea manawa, e like me ka hihia i hoʻopaʻa ʻia kahi faila holoʻokoʻa ma ka hopena o ka mahina a i ʻole ka hapahā.
ʻO ke kolu o ke ala e hōʻike ʻia ai ka ʻokoʻa manawa i dati ʻAʻole hiki ke hoʻonui ʻia ka DW, i ka manawa i hoʻopaʻa inoa ʻia. KA dati ʻO ka DW, no nā kumu kūpono a pau, he pūʻulu paʻi kiʻi lōʻihi. ʻOiaʻiʻo inā i lawe hewa ʻia nā kiʻi paʻi, a laila hiki ke hoʻololi ʻia nā kiʻi. Akā ke manaʻo nei ua lawe pololei ʻia nā kiʻi paʻi, ʻaʻole ia e hoʻololi ʻia i ka wā i lawe ʻia ai. I kekahi

I kekahi mau hihia, ʻaʻole kūpono a kūpono ʻole paha no ka hoʻololi ʻana i nā kiʻi paʻi ma ka DW. KA dati hana, pololei e like me ka manawa o ke komo ʻana, hiki ke hoʻonui ʻia i ka wā e pono ai.

OLE-VOLATILE

ʻO ka hā o nā hiʻohiʻona koʻikoʻi o DW ʻo ia ka mea ʻole-volatile.
Hana ʻia nā mea hou, hoʻokomo, holoi ʻia a me nā hoʻololi i nā kaiapuni hana ma ke ʻano moʻolelo. Akā,ʻo ka manipulation kumu o ka dati ʻoi aku ka maʻalahi o nā mea e pono ai i ka DW. ʻElua wale nō ʻano hana i hana ʻia ma ka DW - ka hoʻouka mua ʻana o dati a hiki i dati. ʻAʻohe mea hou o ka dati (ma ke ʻano maʻamau o ka hoʻonui ʻana) i ka DW ma ke ʻano he hana hana maʻamau. Aia kekahi mau hopena ikaika loa o kēia ʻokoʻa kumu ma waena o ka hana hana a me ka hana DW. Ma ka pae hoʻolālā, ʻo ka pono e makaʻala e pili ana i ka hōʻano hou ʻana ʻaʻole ia he kumu i ka DW, ʻoiai ka hoʻonui ʻana o dati ʻaʻole i hoʻokō ʻia. ʻO ia hoʻi, ma ka pae hoʻolālā kino, hiki ke lawe ʻia nā ʻokoʻa e hoʻonui i ke komo ʻana dati, e pili ana i ka pili ʻana i nā kumuhana o ka normalization kino a me ka denormalization. ʻO kahi hopena ʻē aʻe o ka maʻalahi o nā hana DW aia i loko o ka ʻenehana kumu i hoʻohana ʻia e holo i ke kaiapuni DW. No ke kākoʻo ʻana i nā hōʻano hoʻopaʻa moʻoʻōlelo inline (e like me ka mea maʻamau me ka hana hana) pono ka ʻenehana i kahi kumu paʻakikī ma lalo o ka maʻalahi.
ʻO ka ʻenehana e kākoʻo ana i ka hoʻihoʻi a me ka hoʻihoʻi ʻana, nā kālepa a me ka pono o dati a ʻo ka ʻike a me ka hoʻoponopono ʻana i ke kūlana deadlock he paʻakikī a ʻaʻole pono no ka hana DW. ʻO nā hiʻohiʻona o kahi DW, hoʻolālā hoʻolālā, hoʻohui o dati i loko o ka DW, ka manawa like ʻole a me ka maʻalahi o ka hoʻokele dati, alakaʻi ia i kahi kaiapuni i ʻokoʻa loa mai ka ʻōnaehana hana maʻamau. ʻO ke kumu o nā mea a pau dati o DW ke kaiapuni hana. He mea hoʻowalewale ke noʻonoʻo he nui ka redundancy o dati ma waena o nā kaiapuni ʻelua.
ʻO ka ʻoiaʻiʻo, ʻo ka manaʻo mua i loaʻa i nā poʻe he nui ka redundancy dati ma waena o ke kaiapuni hana a me ke kaiapuni o

DW. ʻO ka wehewehe ʻana he pāpaʻu a hōʻike i ka nele o ka hoʻomaopopo ʻana i ka mea e hana nei ma DW.
ʻOiaʻiʻo aia ka liʻiliʻi o ka redundancy dati ma waena o ke kaiapuni hana a me i dati o ka DW. E noonoo i keia: I dati ua kānana ʻia lākou ua haawiia ke hoʻololi ʻana mai ke kaiapuni hana i ke kaiapuni DW. Nui dati ʻaʻole lākou e hele ma waho o ke kaiapuni hana. Koe ka i dati nā mea e pono ai no ka hoʻoponopono DSS e ʻike i ko lākou kuhikuhi i ke kaiapuni

▪ ka palena manawa o dati ʻokoʻa loa ia mai kekahi wahi a i kekahi. KA dati i loko o ke kaiapuni hana hou loa lākou. KA dati i ka DW ua ʻoi aku ka ʻelemakule. Mai ka hiʻohiʻona o ka manawa, ʻaʻohe liʻiliʻi ma waena o ke kaiapuni hana a me ka DW.

▪ Aia ka DW dati hōʻuluʻulu manaʻo i loaʻa ʻole ma ke kaiapuni

▪ I dati e hoʻololi i ka hoʻololi koʻikoʻi i ko lākou neʻe ʻana i ke Kiʻi 3 e hōʻike ana i ka hapa nui dati ua hoʻololi nui ʻia inā koho ʻia lākou a neʻe i ka DW. E kau i kekahi ala, ka hapa nui o ka dati ua hoʻololi kino ʻia a hoʻololi ʻia i ka neʻe ʻana i ka DW. Mai ka manaʻo hoʻohui, ʻaʻole like lākou dati e noho ana i loko o ke kaiapuni hana. Ma muli o kēia mau kumu, ʻo ka redundancy o dati ma waena o nā kaiapuni ʻelua he hanana kakaikahi, e alakaʻi ana i ka emi iho o 1% redundancy ma waena o nā kaiapuni ʻelua. KA HANA O KA WAEWAE He ʻano ʻokoʻa ko nā DW. Aia nā pae like ʻole o ka hōʻuluʻulu a me nā kikoʻī e hoʻokaʻawale i nā DW.
ʻO nā ʻāpana like ʻole o kahi DW:

• Metadata
• Dati nā kikoʻī o kēia manawa
• Dati o na kikoo kahiko
• Dati hōʻuluʻulu iki
• Dati hōʻuluʻulu loa

ʻO ka manaʻo nui no ka dati nā kikoʻī o kēia manawa. ʻO ia ka pilikia nui no ka mea:

• I dati Hōʻike nā kikoʻī o kēia manawa i nā hanana hou loa, kahi hoihoi nui a
• i dati ʻO nā kikoʻī o kēia manawa he voluminous no ka mea mālama ʻia ma ka pae haʻahaʻa o ka granularity a
• i dati ʻO nā kikoʻī o kēia manawa ʻaneʻane mālama ʻia ma ka hoʻomanaʻo disk, hiki ke kiʻi, akā pipiʻi a paʻakikī ke hoʻohana dati kikoʻī i ko lākou ʻelemakule dati i mālama ʻia ma kahi hoʻomanaʻo ka nui. Loaʻa iā ia i nā manawa āpau a mālama ʻia ma kahi pae kikoʻī kūpono me dati nā kikoʻī o kēia manawa. ʻOiai ʻaʻole koi ʻia ka mālama ʻana ma kahi ʻano waihona ʻē aʻe, ma muli o ka nui o dati hui pu me ke komo kaawale o dati, ke kākoʻo hoʻomanaʻo no dati ʻAʻole mālama ʻia nā ʻikepili kikoʻī kahiko ma ka disk. KA dati hōʻuluʻulu iki ʻia dati i hoʻoheheʻe ʻia mai ka pae haʻahaʻa o nā kikoʻī i ʻike ʻia a hiki i ka pae kikoʻī o kēia manawa. ʻO kēia pae o ka DW kokoke i nā manawa a pau e mālama ʻia ma kahi waihona disk. ʻO nā pilikia hoʻolālā e kū nei i ka mea hoʻolālā dati i ke kūkulu ʻana i kēia pae o ka DW:

• He aha ka ʻāpana manawa ka hōʻuluʻulu manaʻo i hana ʻia ma luna
• ʻO ka mea maʻiʻo, nā hiʻohiʻona e hōʻuluʻulu iki i ka ʻike o ka dati ʻO ka pae aʻe o dati loaʻa i ka DW ʻo ia o dati hōʻuluʻulu loa. KA dati ʻo ka hōʻuluʻulu ʻana he paʻa a hiki ke loaʻa. KA dati loaʻa ka hōʻuluʻulu manaʻo i kekahi manawa ma ka DW environment a ma nā hihia ʻē aʻe i dati loaʻa ka hōʻuluʻulu manaʻo ma waho o nā paia koke o ka ʻenehana i hale i ka DW. (ma kekahi hihia, i dati ʻO nā mea i hōʻuluʻulu ʻia he ʻāpana o ka DW me ka nānā ʻole i kahi i dati hale kino). ʻO ka mea hope loa o ka DW ka metadata. Ma nā ʻano he nui, ʻokoʻa ka metadata ma mua o nā mea ʻē aʻe dati o ka DW, no ka mea, ʻaʻohe o ka metadata ua haawiia lawe pololei mai ke kaiapuni hana. He kuleana koʻikoʻi a koʻikoʻi ka metadata ma DW. Hoʻohana ʻia ka metadata e like me:

• he papa kuhikuhi e kōkua i ka DSS analyst e ʻimi i nā mea o ka DW,
• he alakai no ka palapala aina dati o pehea i dati ua hoʻololi ʻia mai ke kaiapuni hana i ke kaiapuni DW,
• he alakaʻi i nā algorithms i hoʻohana ʻia no ka hōʻuluʻulu ʻana ma waena o ka dati o na kikoo o keia manawa ei dati hōʻuluʻulu iki, i dati i hōʻuluʻulu ʻia, ʻoi aku ka nui o ka Metadata i ka DW environment ma mua o ka mea i loaʻa i ka ʻoihana hana MEDIUM WAIWAI KAHIKO Hiki ke hoʻohana ʻia ka lipine magnetic e mālama i kēlā ʻano dati. ʻO ka ʻoiaʻiʻo, aia kahi ʻano like ʻole o ka waihona mālama pono e noʻonoʻo ʻia no ka waiho ʻana kahiko dati o nā kikoʻī. Ma muli o ka nui o dati, ke alapine o ka loaʻa ʻana, ke kumukūʻai o nā mea hana a me ke ʻano o ka loaʻa ʻana, pono paha e pono nā mea hana ʻē aʻe i ka pae kahiko o ka kikoʻī i ka DW. KE KAHELE O KA IKE Aia kahi kahe maʻamau a wānana o dati i loko o ka DW.
  I dati komo lākou i ka DW mai ke kaiapuni hana. (MANAO: Aia kekahi mau ʻokoʻa hoihoi loa i kēia lula. Eia naʻe, aneane pau loa dati komo i ka DW mai ke kaiapuni hana). lā i i dati entrano nel DW dall’ambiente operativo, è trasformato come è stato descritto prima. A condizione di entrare nel DW, i dati entrano nel corrente livello di dettaglio, come mostrato. Risiede là ed è utilizzato finché uno dei tre eventi si verifica:

• è purificato,
• è riassunto, e/o ▪è Il processo obsoleto dentro un DW sposta i dati di dettaglio correnti a dati di dettaglio vecchi, in base all’età di dati. Il processo

summarization utilizza il dettaglio di dati per calcolare i dati leggermente riassunti e i livelli altamente riassunti dei dati. Ci sono alcune eccezioni al flusso mostrato (sarà discusso più tardi). Tuttavia, di solito, per la vasta maggioranza dei dati trovati all’interno di un DW, il flusso di dati è come rappresentato.

USING THE DATAWAREHOUSE

Non sorprendentemente i vari livelli di dati all’interno del DW non ricevono differenti livelli di utilizzo. Di regola, più è alto livello di summarization, più i dati sono utilizzati.
Molti usi si verificano nei dati altamente riassunti, mentre i vecchi dati di dettaglio sono utilizzati quasi mai. C’è una buona ragione nel spostare l’organizzazione al paradigma in utilizzo di risorsa. Più ha riassunto i dati, più rapido e più efficiente è per arrivare ai dati. Se un Shop trova che fa molti processi a livello di dettaglio dei DW, allora una grande quantità corrispondente di risorse di macchina viene consumato. È nei migliori interessi di ognuno processare come in un alto livello di summarization appena possibile.

Per molti negozi, l’analista DSS in un pre-ambiente DW ha utilizzato dati a livello di dettaglio. Per molti aspetti l’arrivo a dati dettagliati somiglia a una coperta di sicurezza, anche quando sono disponibili altri livelli di summarization. Una delle attività dell’architetto di dati è disabituare l’utente DSS da un utilizzo costante di dati al livello più basso di dettaglio. Ci sono due motivazioni a disposizione dell’architetto di dati:

• installando un sistema chargeback, dove l’utente finale paga le risorse consumate e
• che indicano che il tempo di risposta molto buono può essere ottenuto quando il comportamento con i dati è ad un alto livello di summarization, mentre il tempo di risposta povero deriva dal comportamento dei dati ad un basso livello di ʻOIHANA HANA Ci sono alcune altre considerazioni di costruzione e gestione del DW.
  La prima considerazione è quella sugli indici. I dati ai livelli più alti di summarization possono essere liberamente indicizzati, mentre i dati

ai livelli inferiori di dettaglio sono così voluminosi che può essere indicizzato frugalmente. Dallo stesso token, i dati agli alti livelli di dettaglio possono essere relativamente ristrutturati facilmente, mentre il volume di dati ai livelli inferiori è così grande che i dati non possono essere ristrutturati facilmente. Di conseguenza, il modello dei dati e il lavoro formale fatto dalla progettazione pongono la fondazione per il DW applicata quasi esclusivamente al livello corrente di dettaglio. In altre parole, le attività di modellazione dei dati non si applicano ai livelli di summarization, in quasi ogni caso. Un’altra considerazione strutturale è quella della suddivisione dei dati di DW.

La partizione può essere fatta a due livelli – al livello di dbms ed al livello di applicazione. Nella divisione al livello dbmsʻO ia dbms è informato delle divisioni e le controlla di conseguenza. Nel caso di divisione a livello applicazione, soltanto il programmatore è informato delle divisioni e la responsabilità della loro amministrazione è lasciata a lui

Sotto al livello dbms, molto lavoro è fatto automaticamente. C’è molta inflessibilità connessa con l’amministrazione automatica delle divisioni. Nel caso delle divisione a livello applicazione dei dati del hale kūʻaiʻikepili, molto lavoro grava sul programmatore, ma il risultato finale è la flessibilità nell’amministrazione dei dati nel hale kūʻaiʻikepili

HE MAU ANOMALIA

Mentre i componenti del hale kūʻaiʻikepili funzionano come descritto per quasi tutti i dati, ci sono alcune eccezioni utili che devono essere discusse. Un’eccezione è quella dei dati sommari pubblici (public summary data). Questi sono dati sommari che sono stati calcolati fuori dal hale kūʻaiʻikepili ma sono usati dalla società. I dati sommari pubblici sono memorizzati e gestiti nel hale kūʻaiʻikepili, anche se come detto precedentemente sono calcolati fuori. I ragionieri lavorano per produrre trimestralmente tali dati come il reddito, le spese trimestrali, profitto trimestrale, e così via. Il lavoro fatto dai ragionieri è esterno al hale kūʻaiʻikepili. Tuttavia, i dati sono usati “internamente” alla società – dal ke kūʻai akuʻana, dalle vendite, ecc. Un’altra anomalia, di cui non si parlerà, è quella dei dati kūwaho.

Un altro eccezionale tipo di dati che si possono trovare in un hale kūʻaiʻikepili è quello dei permanent detail data. Questi provocano la necessità di memorizzare in modo permanente i dati ad un livello dettagliato per i motivi etici o legali. Se una società sta esponendo i relativi operai a sostanze pericolose c’ è un’esigenza di dati dettagliati e permanenti . Se una società produce un prodotto che coinvolge la sicurezza pubblica, quali parti di un aeroplano, c’è l’esigenza di dati dettagliati permanenti, così come se una società stipula contratti pericolosi.

La società non può permettersi di trascurare i particolari perché durante i prossimi anni, nel caso di una causa, di un richiamo, di un difetto di costruzione disputato, ecc. l’esposizione dell’azienda potrebbe essere grande. Di conseguenza c’è un tipo unico di dati conosciuti come permanent detail data.

KUMUKU

Un hale kūʻaiʻikepili è un oggetto orientato, integrato, variante di tempo, una raccolta di dati non volatile a sostegno dei bisogni di decisione dell’amministrazione. Ciascuna delle funzioni salienti di un hale kūʻaiʻikepili ha le relative implicazioni. In più ci sono quattro livelli di dati del hale kūʻaiʻikepili:

• Old detail
• Current detail
• Dati leggermente ricapitolati
• Dati altamente ricapitolati I metadati sono inoltre una parte importante del hale kūʻaiʻikepili. ASTRATTO Il concetto dell’immagazzinamento di dati recentemente ha ricevuto molte attenzioni ed è diventato una tendenza degli anni 90. Ciò è dovuto alla capacità di un hale kūʻaiʻikepili di sormontare le limitazioni dei sistemi di supporto dell’amministrazione quali i sistemi di ausilio decisionale (DSS) ed i sistemi d’informazione esecutivi (EIS). Anche se il concetto del hale kūʻaiʻikepili sembra promettente, implementare i hale kūʻaiʻikepili può essere problematico a causa dei processi d’immagazzinamento su larga scala. Malgrado la complessità dei progetti d’immagazzinamento di dati, molti fornitori e consulenti che immagazzinano dati sostengono che l’immagazzinamento di dati attuali non comporta problemi. Tuttavia, all’inizio di questo progetto di ricerca, quasi nessuna ricerca indipendente, rigorosa e sistematica era stata effettuata. Di conseguenza è difficile dire, che cosa realmente accade nell’industria quando si costruiscono hale kūʻaiʻikepili. Questo studio ha esplorato la pratica d’immagazzinamento di dati contemporanei che punta a sviluppare una comprensione più ricca della pratica australiana. L’analisi della letteratura ha fornito il contesto ed il fondamento per lo studio empirico. Ci sono un certo numero di risultati da questa ricerca. In primo luogo, questo studio ha rivelato le attività che si sono presentate durante lo sviluppo del hale kūʻaiʻikepili. In molte zone, i dati riuniti hanno confermato la pratica segnalata nella letteratura. In secondo luogo, le edizioni ed i problemi che possono avere effetto sullo sviluppo del hale kūʻaiʻikepili sono stati identificati da questo studio. Infine, benefici tratti dalle organizzazioni australiane connesse con l’uso dei hale kūʻaiʻikepili sono stati rivelati.

Capitolo 1

Contesto di ricerca

Il concetto del data warehousing ha ricevuto una diffusa esposizione e si è trasformato in una tendenza emergente negli anni 90 (McFadden 1996, TDWI 1996, Shah e Milstein 1997, Shanks ed altri. 1997, Eckerson 1998, Adelman e Oates 2000). Ciò può essere visto dal numero crescente di articoli sul data warehousing nelle pubblicazioni commerciali (Little e Gibson 1999). Molti articoli (vedere, per esempio, Fisher 1995, Hackathorn 1995, Morris 1995a, Bramblett e re 1996, Graham ed altri. 1996, Sakaguchi e Frolick 1996, Alvarez 1997, Brousell 1997, Clarke 1997, McCarthy 1997, O’ Donnell 1997, Edwards 1998, TDWI 1999) hanno segnalato notevoli benefici tratti dalle organizzazioni che implementano i hale kūʻaiʻikepili. Hanno sostenuto la loro teoria con la prova aneddotale delle implementazioni riuscite, l’alto ritorno sulle figure di investimento (ROI) e, anche, fornendo la guida di riferimento o le metodologie per lo sviluppo dei hale kūʻaiʻikepili

(Shanks ed altri. 1997, Seddon e Benjamin 1998, poco e Gibson 1999). In un caso estremo, Graham ed altri. (1996) hanno segnalato un ritorno medio su un investimento triennale del 401%.

Gran parte della letteratura attuale, tuttavia, ha trascurato le complessità coinvolte nell’intraprendere tali progetti. I progetti di hale kūʻaiʻikepili sono normalmente complesso e su grande scala e quindi implicano un’alta probabilità di non riuscire se non sono controllati con attenzione (Shah e Milstein 1997, Eckerson 1997, Foley 1997b, Zimmer 1997, Bort 1998, Gibbs e Clymer 1998, Rao 1998). Essi richiedono i vasti importi sia di risorse umane che finanziarie e, tempo e sforzo per costruirli (Hill 1998, Crofts 1998). Il tempo tipico ed i mezzi finanziari necessari sono rispettivamente di circa due anni e di due o tre milioni di dollari (Braly 1995, Foley 1997b, Bort 1998, Humphries ed altri. 1999). Questi tempi e mezzi finanziari sono richiesti per controllare e consolidare molti aspetti differenti del data warehousing (Cafasso 1995, Hill 1998). A lato delle considerazioni hardware e software, altre funzioni, che variano dall’estrazione di dati ai processi di caricamento di dati, dalla capacità di memoria per gestire gli aggiornamenti e dai meta dati per la formazione degli utenti, devono essere considerati.

Ai tempi dell’inizio di questo progetto di ricerca, c’era pochissima ricerca accademica condotta nel campo del data warehousing, specialmente in Australia. Ciò era evidente dalla penuria di articoli pubblicati sul data warehousing da giornali o altre scritture accademiche del tempo. Molte delle scritture accademiche disponibili descrivevano l’esperienza statunitense. La mancanza di ricerca accademica nella zona sl data warehousing ha causato la richiesta di ricerca rigorosa e studi empirici (McFadden 1996, Shanks ed altri. 1997, Little e Gibson 1999). In particolare, gli studi di ricerca sul processo di implementazione dei hale kūʻaiʻikepili necessitano di essere effettuati per estendere la conoscenza generale riguardo l’implementazione dei hale kūʻaiʻikepili e serviranno come base per un futuro studio di ricerca (Shanks ed altri. 1997, Little e Gibson 1999).

Lo scopo di questo studio, quindi, è studiare che cosa realmente accade quando le organizzazioni effettuano ed usano i hale kūʻaiʻikepili in Australia. Specificamente, questo studio coinvolgerà un’analisi di un intero processo di sviluppo di un hale kūʻaiʻikepili, iniziando dall’iniziazione e progettazione attraverso il design e l’inplementazione e il successivo uso all’interno delle organizzazioni australiane. In più, lo studio inoltre contribuirà al la pratica attuale identificando le aree in cui la pratica può essere ulteriormente migliorata e le inefficienze e i rischi possono essere minimizzati o evitati. Inoltre, servirà da base per altri studi sui hale kūʻaiʻikepili in Australia e colmerà il gap attualmente esistente in letteratura.

Domande di ricerca

L’obiettivo di questa ricerca è studiare le attività coinvolte nell’implementazione dei hale kūʻaiʻikepili e il loro uso da parte delle organizzazioni australiane. In particolare, sono studiati gli elementi riguardo alla pianificazione di progetto, allo sviluppo, al funzionamento, all’uso ed ai rischi in questione. Quindi la domanda di questa ricerca è:

“Com’è la pratica attuale dei hale kūʻaiʻikepili in australia?”

Per rispondere efficacemente a questo problema, sono richieste un certo numero di domande sussidarie di ricerca. In particolare, tre sotto-domande sono state identificate dalla letteratura, che è presentata nel capitolo 2, per guidare questo progetto di ricerca: Come sono implementati i hale kūʻaiʻikepili dalle organizzazioni australiane? Quali sono i problemi incontrati?

Quali sono i benefici sperimentati?
Nel rispondere a queste domande, è stato usato un disegno esplorativo di ricerca che impiega un’indagine. Come studio esplorativo, le risposte alle suddette domande non sono complete (Shanks ed altri. 1993, Denscombe 1998). In questo caso, è richiesta una triangolazione per migliorare le risposte a queste domande. Tuttavia, l’indagine fornirà un solido fondamento per futuri lavori che esaminano queste domande. Una dettagliata discussione sulla giustificazione del metodo di ricerca e sul design è presentata nel capitolo 3.

Struttura del progetto di ricerca

Questo progetto di ricerca è diviso in due parti: lo studio contestuale del concetto di datawarehousing e la ricerca empirica (si veda figura 1.1), ciascuno dei quali è discusso qui di seguito.

Parte I: Studio contestuale

La prima parte della ricerca è consistita nella riesaminazione della letteratura attuale sui vari tipi di data warehousing compresi i sistemi di ausilio decisionale (DSS), i sistemi d’informazione esecutivi (EIS), i case study di hale kūʻaiʻikepili ed i concetti di hale kūʻaiʻikepili. Inoltre, i risultati dei foum sui hale kūʻaiʻikepili e dei gruppi di incontro per esperti e professionisti condotti dal gruppo di ricerca Monash DSS, hanno contribuito a questa fase dello studio che è stato inteso per ottenere le informazioni sulla pratica dei hale kūʻaiʻikepili e per identificare i rischi coinvolti nella loro adozione. Durante questo periodo di studio contestuale, la comprensione dell’area del problema è stata stabilita per fornire la conoscenza di base per le successive investigazioni empiriche. Tuttavia, questo era un processo continuo durante lo svolgimento dello studio di ricerca.

Parte II: Ricerca empirica

Il concetto relativamente nuovo del data warehousing, specialmente in Australia, ha creato la necessità di eseguire un’indagine per ottenere una vasta immagine dell’esperienza di utilizzo. Questa parte è stata effettuata una volta che il dominio del problema fosse stato stabilito attraverso vasta revisione della letteratura. Il concetto di data-warehousing formato durante la fase di studio contestuale è stato usato come input per il questionario iniziale di questo studio. Dopo questo, il questionario è stato esaminato. Sei esperti di hale kūʻaiʻikepili hanno partecipato al test. Lo scopo del test del questionario iniziale era controllare la completezza e la precisione delle domande. Sulla base dei risultati del test, il questionario è stato modificato e la versione modificata è stata spedita ai partecipanti all’indagine. I questionari restituiti allora sono stati analizzati per i dati nelle tabelle, negli schemi ed in altri formati. I

risultati di analisi di dati formano una fotografia istantanea della pratica del data warehousing in Australia.

PANORAMICA DEL DATA WAREHOUSING

Il concetto di data warehousing si è evoluto con i miglioramenti della tecnologia dei computer.
Esso è finalizzato a superare i problemi incontrati dai gruppi di supporto delle applicazioni come Decision Support System (DSS) e Executive Information System (EIS).

Nel passato il maggiore ostacolo di queste applicazioni è stata l’incapacità di queste applicazioni di fornire una waihona ʻikepili necessaria per l’analisi.
Questo è principalmente causato dalla natura del lavoro della dirigenza. Gli interessi della dirigenza di una società variano costantemente a seconda dell’area trattata. Perciò i dati fondamentali per queste applicazioni devono essere in grado di cambiare rapidamente a seconda della parte da trattare.
Questo significa che i dati devono essere disponibili nella forma adeguata per le analisi richieste. Infatti i gruppi di supporto delle applicazioni trovarono molte difficoltà in passato a raccogliere ed integrare dati da complesse e diverse sorgenti.

Il resto di questa sezione presenta una panoramica del concetto di data warehousing e tratta di come il hale kūʻaiʻikepili può superare i problemi dei gruppi di supporto delle applicazioni.
ʻO ka huaʻōlelo “Hale kūʻai ʻikepili” fu diffuso da William Inmon nel 1990. La sua spesso citata definizione vede il Hale kūʻai ʻikepili come collezione di dati orientati al soggetto,integrati,non volatili,e variabili col tempo,in supporto alle decisioni dirigenziali.

Usando questa definizione Inmon mette in rilievo che i dati residenti in un hale kūʻaiʻikepili devono possedere le seguenti 4 caratteristiche:

• ▪  Orientati al soggetto
• ▪  Integrati
• ▪  Non volatili
• ▪  Variabili col tempo Per Orientati al soggetto Inmon intende che i dati nel hale kūʻaiʻikepili nelle più grandi aree organizzative che sono state

definite nel modello dati. Per esempio tutti i dati riguardanti i nā mea kūʻai mai sono contenuti nell’area soggetto nā mea kūʻai mai. Allo stesso modo tutti i dati relativi ai prodotti sono contenuti nell’area soggetto PRODOTTI.

Per Integrati Inmon intende che i dati provenienti da differenti piattaforme,sistemi e locazioni sono combinate e immagazzinate in unico posto. Di conseguenza dati similari devono essere trasformati in formati consistenti in modo da essere aggiunti e comparati facilmente.
Per esempio il genere maschile e femminile sono rappresentati dalle lettere M e F in un sistema,e con 1 e 0 in un altro. Per integrarli nella maniera giusta,uno o tutti e due i formati devono essere trasformati in modo che i due formati siano uguali. In questo caso potremmo cambiare M in 1 e F in 0 o viceversa. Orientati al soggetto e Integrati indicano che il hale kūʻaiʻikepili è progettato per fornire una funzionale e trasversale visione dei dati da parte dell’azienda.

Per Non volatile intende che i dati nel hale kūʻaiʻikepili rimangono consistenti e l’aggiornamento dei dati non occorre. Invece,ogni cambiamento nei dati originali è aggiunto al hōkeoʻikepili del hale kūʻaiʻikepili. Questo significa che lo storico dei dati è contenuto nel hale kūʻaiʻikepili.

Per Variabili col tempo Inmon indica che i dati nel hale kūʻaiʻikepili contengono sempre gli indicatori di tempo e i dati normalmente attraversano un certo orizzonte temporale. Per esempio un
hale kūʻaiʻikepili può contenere 5 anni di valori storici dei nā mea kūʻai mai dal 1993 al 1997. La disponibilità dello storico e di una serie temporale dei dati permette di analizzare dei trend.

Un hale kūʻaiʻikepili può raccogliere i suoi dati da dei sistemi OLTP;da origini dati esterne all’organizzazione e/o da altri speciali progetti di sistema di cattura dati.
I dati estratti possono passare attraverso un processo di pulizia,in questo caso i dati vengono trasformati ed integrati prima di essere immagazzinati nel hōkeoʻikepili del hale kūʻaiʻikepili. Poi, i dati

residenti dentro il hōkeoʻikepili del hale kūʻaiʻikepili sono resi disponibili agli accessi degli utenti finali e agli strumenti di recupero. Usando questi strumenti l’utente finale può accedere alla vista integrata dell’organizzazione dei dati.

I dati residenti dentro il hōkeoʻikepili del hale kūʻaiʻikepili sono immagazzinati sia dettagliatamente che in formati riassuntivi.
Il livello di riassunto può dipendere dalla natura dei dati. I dati dettagliati possono consistere in dati attuali e dati storici
I dati reali non sono inclusi nel hale kūʻaiʻikepili fino a quando i dati nel hale kūʻaiʻikepili vengono riaggiornati.
Oltre ad immagazzinare i dati stessi, un hale kūʻaiʻikepili può anche immagazzinare un differente tipo di ua haawiia chiamato METADATI che descrivono i dati residenti nel suo hōkeoʻikepili.
Ci sono due tipi di metadati: metadati di sviluppo e metadati di analisi.
I metadati di sviluppo sono utilizzati per gestire ed automatizzare i processi di estrazione,pulizia,mappatura e caricamento dei dati nel hale kūʻaiʻikepili.
L’informazione contenuta nei metadati di sviluppo può contenere dettagli di sistemi operativi,dettagli degli elementi da estrarre,il modello dati del hale kūʻaiʻikepili e le regole aziendali per la conversione dei dati.

Il secondo tipo di metadati,conosciuti come metadati di analisi rende in grado l’utente finale di esplorare il contenuto del hale kūʻaiʻikepili per trovare i dati disponibili e il loro significato in termini chiari e non tecnici.

Perciò i metadati di analisi funzionano come un ponte tra il hale kūʻaiʻikepili e le applicazioni degli utenti finali. Questo metadata può contenere il modello aziendale, le descrizioni dei dati corrispondenti al modello aziendale,interrogazioni (queries) pre-definite e report, informazioni per gli accessi degli utenti e l’indice.

Pono e hoʻohui ʻia ka ʻikepili a me ka hoʻomohala ʻana i hoʻokahi metadata hoʻopili i hoʻohui ʻia e hana pono.

Sfortunatamente molti degli strumenti esistenti hanno il proprio metadata e attualmente non ci sono degli standard esistenti che

permettono agli strumenti di data warehousing di integrare questi metadati. Per rimediare a questa situazione molti commercianti dei principali strumenti di data warehousing hanno formato il Meta Data Council divenuto poi Meta Data Coalition.

Lo scopo di questa coalizione è di costruire un set di metadati standard che permette a differenti strumenti di data warehousing di convertire i metadati
I loro sforzi hanno avuto come esito quello della nascita del Meta Data Interchange Specification (MDIS) che permetterà lo scambio di informazioni tra gli archivi Microsoft e i relativi MDIS files.

L’esistenza di dati sia riassunti/indicizzati che dettagliati dà all’utente la possibilità di effettuare un DRILL DROWN (trapanamento) dai dati indicizzati a quelli dettagliati e viceversa. L’esistenza di dati storici dettagliati permette la realizzazione di analisi di trend nel tempo. In aggiunta i metadati di analisi possono essere usati come directory del hōkeoʻikepili del hale kūʻaiʻikepili per aiutare gli utenti finali a localizzare i dati pono.

In confronto ai sistemi OLTP,con la loro capacità di supportare analisi di dati e reporting,il hale kūʻaiʻikepili è visto come un sistema più appropriato per processi di informazione come effettuare e rispondere a queries e produrre report. La prossima sezione evidenzierà le differenze dei due sistemi dettagliatamente.

DATA WAREHOUSE CONTRO SISTEMI OLTP

Molti dei sistemi di informazione all’interno delle organizzazioni hanno lo scopo di supportare le operazioni giornaliere. Questi sistemi conosciuti come SISTEMI OLTP, catturano le transazioni giornaliere continuamente aggiornate.

I dati all’interno di questi sistemi sono spesso modificati,aggiunti o cancellati. Per esempio un indirizzo di un cliente cambia appena egli si sposta da un luogo all’altro. In questo caso il nuovo indirizzo sarà registrato modificando il campo indirizzo del hōkeoʻikepili. L’obiettivo principale di questi sistemi è quello di ridurre i costi delle transazioni e allo stesso tempo di ridurre in tempi di elaborazione. Esempi di Sistemi OLTP includono azioni critiche come scritture contabili di ordini,libri paga,fatture,fabbricazione,servizi ai nā mea kūʻai mai.

A differenza dei sistemi OLTP,che sono stati creati per processi basati su transazioni ed eventi, i hale kūʻaiʻikepili sono stati creati per fornire supporto ai processi basati su analisi di dati e su processi di decisione.

Questo è normalmente ottenuto integrando i dati da vari sistemi OLTP ed esterni in un unico “contenitore” di dati,come discusso nella sezione precedente.

Monash Data Warehousing Process Model

Il process model per hale kūʻaiʻikepili Monashè stato sviluppato dai ricercatori del Monash DSS Research Group, è basato sulla letterature dei hale kūʻaiʻikepili, sull’esperienza nel supporto allo sviluppo di campi di sistemi, su discussioni con vendors di applicazioni per l’uso su hale kūʻaiʻikepili, su di un gruppo di esperti nell’uso di hale kūʻaiʻikepili.

Le fasi sono: Inizio, Pianificazione, Sviluppo, Operazioni e Spiegazioni. Il diagramma spiega la natura iterativa o evoluzionistica dello sviluppo di un hale kūʻaiʻikepili process usando frecce a doppio senso collocate tra le diverse fasi. In questo contesto “iterativo” e “evoluzionistico” significano che, ad ogni passo del processo, le attività di implementazione si possono sempre propagare all’indietro verso la fase precedente. Questo è dovuto alla natura del progetto di un hale kūʻaiʻikepili nel quale subentrano in ogni momento richieste addizionali da parte dell’utente finale. Per sempio, durante la fase di sviluppo di un processo di hale kūʻaiʻikepili, viene richiesta dall’utente finale una nuova dimensione o area di soggetto, che non faceva perte del piano originale, questa deve essere aggiunta al sistema. Questo causa un cambiamento nel progetto. Il risultato è che il team di progettazione deve cambiare i requisiti dei documenti creati finora durante la fase di progettazione. In molti casi, il corrente stato del progetto deve tornare indietro fino alla fase di progettazione dove deve essere aggiunta la nuova richiesta e documentarla. L’utente finale deve poter vedere la documentazione specifica revisionata e i cambiamenti che sono stati fatti nella fase di sviluppo. Alla fine di questo ciclo di sviluppo il progetto deve ottenere ottimi feedback da entrambi i team, quello di sviluppo e quello degli utilizzatori. I feedback sono poi riutilizzati per migliorare un progetto futuro.

Pianificazione della capacità
I dw tendono a essere molto grandi in dimensione e a crescere molto velocemente (Best 1995, Rudin 1997a) a seguito della quantità di dati storici che essi conservano dalla loro durata. La crescita può essere causata anche da dati aggiuntivi richiesti dagli utenti per aumentare il valore dei dati che essi hanno già. Di conseguenza, i requisiti di immagazzinamento per dati possono essere significativamente potenziati (Eckerson 1997). Così, è essenziale assicurare, conducendo una pianificazione della capacità, che il sistema per essere costruito può crescere con la crescita delle necessità(Best 1995, LaPlante 1996, Lang 1997, Eckerson 1997, Rudin 1997a, Foley 1997a).
Nella pianificazione per scalabilità del dw, uno deve conoscere la crescita attesa della dimensione del magazzino, i tipi di domande probabili da effettuare, e il numero di utenti finali sostenuti(Best 1995, Rudin 1997b, Foley 1997a). Costruire applicazioni scalabili richiede una combinazione di tecnologie server scalabili e tecniche di progettazione di applicazioni scalabili (Best 1995, Rudin 1997b. Entrambe sono necessarie nella creazione di un’applicazione estremamente scalabile. Le tecnologie server scalabili possono renderlo facile e vantaggioso per aggiungere deposito, memoria e CPU senza degradare le prestazioni (Lang 1997, Telephony 1997).

Ci sono due tecnologie server scalabili principali: elaborazione multipla simmetrica (SMP) ed elaborazione in maniera massiccia parallela (MPP) ) (IDC 1997, Humphries et al. 1999). Un server SMP normalmente ha più processori che condividono una memoria, sistema bus e altre risorse (IDC 1997, Humphries et al. 1999). Processori supplementari possono essere aggiunti per aumentare la sua mana computazionale. Un altro metodo per aumentare la mana computazionale del server SMP, è combinare numerose macchine SMP. Questa tecnica è nota come clustering (Humphries et al. 1999). Un server MPP, d’altra parte, ha più processori ognuno con una propria memoria, sistema bus e altre risorse (IDC 1997, Humphries et al. 1999). Ogni processore è chiamato nodo. Un aumento della mana computazionale può essere ottenuto

aggiungendo nodi supplementari ai server MPP (Humphries et al. 1999).

Una debolezza dei server SMP è che troppe operazioni input-output (I/O) possono congestionare il sistema bus (IDC 1997). Questo problema non si verifica all’interno dei server MPP poiché ogni processore ha il proprio sistema di bus. Tuttavia, le interconnessioni fra ogni nodo generalmente sono molto più lente del sistema bus dei SMP. Inoltre, i server MPP possono aggiungere un livello supplementare di complessità agli sviluppatori di applicazioni (IDC 1997). Così, la scelta tra server SMP e MPP può essere influenzata da molti fattori, tra cui la complessità delle domande, il rapporto prezzo/prestazioni, la capacità di trattamento richiesta, le applicazioni dw prevenute e l’aumento in dimensione dei hōkeoʻikepili di dw e nel numero di utenti finali.

Numerose tecniche di progettazione di applicazione scalabile possono essere impiegate nella pianificazione della capacità. Uno utilizza vari periodi di notifica come giorni, settimane, mesi e anni. Avendo vari periodi di notifica, il hōkeoʻikepili può essere diviso in pezzi raggruppati maneggevolmente (Inmon et al. 1997). Un’altra tecnica è utilizzare tabelle riepilogative che sono costruite riassumendo dati da dati dettagliati. Così, i dati riassunti sono più compatti del dettagliato, il quale richiede meno spazio di memoria. Quindi i dati di dettaglio possono essere archiviati in un’unità di memorizzazione meno cara, la quale salva ancora più deposito. Benché utilizzare tabelle riepilogative possa salvare spazio di memoria, essi richiedono molto sforzo per mantenerli aggiornati e in linea con le necessità commerciali. Tuttavia, questa tecnica è ampiamente utilizzata e spesso utilizzata insieme alla tecnica precedente(Best 1995, Inmon 1996a, Chauduri and Dayal
1997).

Ke wehewehe Hale kūʻai ʻikepili Technical Architectures Definizione delle tecniche di architetture di dw

Iniziali adottanti di data warehousing concepivano principalmente un’implementazione centralizzata del dw in cui tutti i dati, compreso i dati esterni, erano integrati in uno singolo,
deposito fisico (Inmon 1996a, Bresnahan 1996, Peacock 1998).

Il vantaggio principale di questo approccio è che gli utenti finali sono in grado di accedere alla vista su scala imprenditoriale (enterprise-wide view) dei dati organizzativi (Ovum 1998). Un altro vantaggio è che offre standardizzazione di dati attraverso l’organizzazione, che significa che c’è solo una versione o definizione per ogni terminologia utilizzata nel dw deposito (reposity) metadata (Flanagan and Safdie 1997, Ovum 1998). Lo svantaggio di questo approccio, d’altra parte, è che è caro e difficile da costruire (Flanagan and Safdie 1997, Ovum 1998, Inmon et al. 1998). Non molto dopo che l’architettura d’immagazzinamento dati centralizzata divenne popolare, si evolse il concetto di estrazione dei sottoinsiemi più piccoli dei dati per sostenere i bisogni di applicazioni specifiche (Varney 1996, IDC 1997, Berson e Smith 1997, peacock 1998). Questi piccoli sistemi sono derivati dal più grande hale kūʻaiʻikepili centralizzato. Sono denominati hale kūʻaiʻikepili dipartimentali dipendenti o data marts dipendenti. L’architettura del data mart dipendente è conosciuta come architettura tre-tiered in cui la prima fila consiste del hale kūʻaiʻikepili centralizzato, la seconda consiste dei depositi di dati dipartimentali ed il terzo consiste dell’accesso ai dati e dai tools di analisi (Demarest 1994, Inmon ed altri. 1997).

I data marts sono costruiti normalmente dopo che il hale kūʻaiʻikepili centralizzato è stato costruito per rispondere alle esigenze delle specifiche unità(White 1995, Varney 1996).
I data marts memorizzano i dati molto rilevanti relativi a particolari unità (Inmon ed altri. 1997, Inmon ed altri. 1998, IA 1998).

Il vantaggio di questo metodo è che non ci sarà nessun ua haawiia non integrato e che i dati saranno meno ridondanti all’interno dei data marts poiché tutti i dati provengono da un deposito di dati integrato. Un altro vantaggio è che ci saranno pochi collegamenti fra ogni data mart e le relative fonti di dati perché ogni data mart ha soltanto una fonte di dati. In più con questa architettura sul posto, gli utenti finali possono ancora accedere alla panoramica dei dati

organizzativi aziendali. Questo metodo è conosciuto come il metodo top-down, in cui i data marts sono costruiti dopo il hale kūʻaiʻikepili (peacock 1998, Goff 1998).
Aumentando la necessità di mostrare presto i risultati, alcune organizzazioni hanno cominciato costruire data marts indipendenti (Flanagan e Safdie 1997, White 2000). In questo caso, i data marts prendono i loro dati direttamente dalle basi di dati OLTP e non dal deposito centralizzato e integrato, eliminando così l’esigenza di avere il deposito centrale sul posto.

Ogni data mart richiede almeno un collegamento alle relative fonti di dati. Uno svantaggio di avere collegamenti multipli per ogni data mart è che, confrontato alle due architetture precedenti, la sovrabbondanza di dati piʻi nui.

Ogni data mart deve memorizzare tutti i dati richiesti localmente per non avere effetto sui sistemi di OLTP. Questo provoca che i dati sono immagazzinati in differenti data marts (Inmon ed altri. 1997). Un altro svantaggio di questa architettura è che conduce alla creazione di complesse interconnessioni fra i data marts e le loro fonti di dati che sono difficili da effettuare e controllare (Inmon ed altri. 1997).

Un altro svantaggio è che gli utenti finali non possono potere accedere alla panoramica delle informazioni aziendali poiché i dati dei differenti data marts non sono integrati (Ovum 1998).
Ancora un altro svantaggio è che potrebbe esistere più di una definizione per ogni terminologia usata nei data marts che genera inconsistenze di dati nell’organizzazione (Ovum 1998).
Malgrado gli svantaggi discussi sopra, i data marts indipendenti attraggono ancora l’interesse di molte organizzazioni (IDC 1997). Un fattore che li rende attraenti è che sono più rapidi da sviluppare e richiedono meno tempo e risorse (Bresnahan 1996, Berson e Smith 1997, Ovum 1998). Di conseguenza, servono principalmente come progetti-prova che possono essere usati per identificare rapidamente i benefici e/o le imperfezioni nel progetto (Parsaye 1995, Braly 1995, Newing 1996). In questo caso, la parte da implementare nel progetto pilota deve essere piccola ma importante per l’organizzazione (Newing 1996, Mansell-Lewis 1996).

Esaminando il prototipo, gli utenti finali e l’amministrazione possono decidere se continuare o fermare il progetto (Flanagan e Safdie 1997).
Se la decisione è di continuare, i data marts per altri settori dovrebbero essere costruiti una alla volta. Ci sono due opzioni per gli utenti finali basate sui loro bisogni nella costruzione dei data matrs indipendenti: integrated/federated ed unintegrated (Ovum 1998)

Nel primo metodo, ogni nuovo data mart dovrebbe essere costruito basandosi sui data marts attuali e sul modello dati utilizzato dall’impresa (Varney 1996, Berson e Smith 1997, Peacock 1998). La necessità di usare il modello dati dell’impresa fa si che bisogna accertarsi che esista soltanto una definizione per ogni terminologia usata attraverso i data marts, questo anche per accertarsi che data marts differenti possano essere uniti per dare una panoramica delle informazioni aziendali (Bresnahan 1996). Questo metodo è denominato il bottom-up ed è il migliore quando c’è un vincolo sui mezzi finanziari e sul tempo (Flanagan e Safdie 1997, Ovum 1998, peacock 1998, Goff 1998). Nel secondo metodo, i data marts costruiti possono soddisfare soltanto i bisogni di un’unità specifica. Una variante del federated data mart è il hale kūʻaiʻikepili distribuito in cui il hōkeoʻikepili middleware hub server è utilizzato per unire molti data marts in un singolo deposito di dati distribuito (White 1995). In questo caso, i dati aziendali sono distribuiti in parecchi data marts. Le richieste dell’utente finale sono trasmesse al hōkeoʻikepili middleware hub server , che estrae tutti i dati richiesti dai data marts e ritorna i risultati alle applicazioni dell’utente finale. Questo metodo fornisce le informazioni aziendali agli utenti finali. Tuttavia, ancora non vengono eliminati i problemi dei data marts indipendenti. C’è un’altra architettura che può essere usata che è chiamata il hale kūʻaiʻikepili virtuale (White 1995). Tuttavia, questa architettura, che è descritta nella figura 2.9, non è un’architettura d’immagazzinamento di dati reali poiché non sposta il caricamento dai sistemi OLTP al hale kūʻaiʻikepili (Demarest 1994).

Infatti, le richieste di dati dagli utenti finali sono passate sopra ai sistemi di OLTP che restituiscono i risultati dopo l’elaborazione delle richieste di utente. Anche se questa architettura permette agli utenti finali di generare i rapporti e formulare le richieste, non può fornire i

dati storici e la panoramica delle informazioni aziendali poiché i dati dai differenti sistemi di OLTP non sono integrati. Quindi, questa architettura non può soddisfare l’analisi di dati complessa quale ad esempio previsioni.

Selezione dell’applicativi di accesso e di recupero dei dati

Lo scopo della costruzione di un hale kūʻaiʻikepili è di trasmettere informazioni agli utenti finali (Inmon ed altri 1997, Poe 1996, McFadden 1996, Shanks ed altri 1997, Hammergren 1998); uno o più applicativi di accesso e recupero dati devono essere forniti. Ad oggi, esiste un’ampia varietà di questi applicativi tra cui l’utente può scegliere (Hammergren 1998, Humphries ed altri 1999). Gli applicativi selezionati determinano il successo dello sforzo d’immagazzinamento di dati in un’organizzazione perché gli applicativi sono la parte più visibile del hale kūʻaiʻikepili all’utente finale (Inmon ed altri 1997, Poe 1996). Per aver successo un hale kūʻaiʻikepili, deve potere sostenere le attività di analisi dei dati dell’utente finale (Poe 1996, Seddon e Benjamin 1998, Eckerson 1999). Quindi il “livello” di ciò che l’utente finale vuole deve essere identificato (Poe 1996, Mattison 1996, Inmon ed altri 1997, Humphries ed altri 1999).

In generale, gli utenti finali possono essere raggruppati in tre categorie: executive users, business analysts e power user (Poe 1996, Humphries ed altri 1999). Gli executive users necessitano di un facile accesso ad insiemi predefiniti di rapporti (Humphries ed altri 1999). Questi rapporti possono essere raggiunti facilmente con la navigazione dei menu (Poe 1996). In più, i rapporti dovrebbero presentare le informazioni usando la rappresentazione grafica come le tabelle ed i modelli per trasportare rapidamente le informazioni (Humphries ed altri 1999). I business analyst, che non possono avere le possibilità tecniche per sviluppare i rapporti da zero da soli, necessitano di potere modificare i rapporti attuali per soddisfare i loro bisogni specifici (Poe 1996, Humphries ed altri 1999). I power user, d’altra parte, sono il tipo di utilizzatori finali che hanno la capacità di generare e scrivere le richieste ed i rapporti da zero (Poe 1996, Humphries ed altri 1999). Sono quelli che

sviluppano i rapporti per gli altri tipi di utenti (Poe 1996, Humphries ed altri 1999).

Una volta determinati i requisiti dell’utente finale deve essere fatta una selezione degli applicativi di accesso e recupero dati tra tutti quelli disponibili (Poe 1996, Inmon ed altri 1997).
Komo i dati e gli strumenti di retrieval possono essere classificati in 4 tipi: OLAP tool, EIS/DSS tool, tool di query e reporting e tool di data mining.

I tool OLAP permettono agli utenti di creare query ad hoc così come quelle fatte sul hōkeoʻikepili del hale kūʻaiʻikepili. Inoltre questi prodotti consentono agli utenti di fare drill-down dai dati generali a quelli dettagliati.

I tool EIS/DSS forniscono reporting esecutivi come analisi “what if” e accessi ai reports organizzati a menu. I report devono essere predefiniti e uniti ai menu per una navigazione più facile.
I tool di query e reporting permettono agli utenti di produrre report predefiniti e specifici.

I tool di data mining sono usati per identificare relazioni che potrebbero fare nuova luce sulle operazioni dimenticate nei dati del datawarehouse.

Accanto all’ottimizzazione dei requisiti di ogni tipologia di utenti, i tool selezionati devono essere intuitivi, efficienti e di facile utilizzo. Inoltre devono essere compatibili con le altre parti dell’architettura e in grado di lavorare con i sistemi esistenti. È inoltre suggerito di scegliere data access e tool di retrieval con prezzi e performance ragionevoli. Altri criteri da considerare includono l’impegno del venditore del tool nel sostenere il loro prodotto e gli sviluppi che lo stesso avrà nelle future release. Per garantire l’impegno degli utenti nell’utilizzo del datawarehouse, il team di sviluppo coinvolge gli utenti nel processo della selezione del tool. In questo caso dovrebbe essere effettuata una valutazione pratica dell’utente.

Per migliorare il valore del datawarehouse il team di sviluppo può fornire anche un accesso web ai loro datawarehouse. Un datawarehouse web-enabled permette agli utenti di accedere ai dati da posti remoti o mentre si viaggia. Inoltre le informazioni possono

essere fornite a costi più bassi mediante una diminuzione dei costi di training.

2.4.3 Hale kūʻai ʻikepili Operation Phase

Questa fase consiste di tre attività: definizione di strategie di data refresh, controllo delle attività del datawarehouse e gestione della sicurezza del datawarehouse.

Definizione di strategie di data refresh

Dopo il caricamento iniziale, i dati nel hōkeoʻikepili del datawarehouse devono essere refreshati periodicamente per riprodurre i cambiamenti effettuati sui dati originali. Bisogna quindi decidere quando fare il refresh, ogni quanto tempo deve essere schedulato il refresh e come eseguire il refresh dei dati. Viene suggerito di fare il refresh dei dati quando il sistema può essere messo off- line. La frequenza del refresh è determinata dal team di sviluppo basandosi sui requisiti degli utenti. Ci sono due approcci per fare il refresh del datawarehouse: il refresh completo e il caricamento continuo dei cambiamenti.

Il primo approccio, il refresh completo, richiede il ricaricamento di tutti i dati da zero. Ciò vuol dire che tutti i dati richiesti devono essere estratti, puliti, trasformati ed integrati in ogni refresh. Questo approccio dovrebbe essere, per quanto possibile, evitato perché richiede molto tempo e risorse.

Un approccio alternativo è quello di caricare continuamente i cambiamenti. Questo aggiunge i dati che sono stati cambiati dall’ultimo ciclo di refresh del datawarehouse. L’identificazione di records nuovi o modificati riduce significativamente la quantità di dati che devono essere propagati al datawarehouse in ogni aggiornamento poiché solo questi dati saranno aggiunti al hōkeoʻikepili del datawarehouse.

Ci sono almeno 5 approcci che possono essere usati per prelevare i dati nuovi o modificati. Per ottenere un’efficiente strategia di refresh dei dati può essere utile un misto di questi approcci che preleva tutti i cambiamenti nel sistema.

Il primo approccio, che usa i timestamp, suppone che viene assegnato a tutti i dati modificati e aggiornati un timestamp in modo da potere identificare facilmente tutti i dati modificati e nuovi. Questo approccio, però, non è stato molto usato nella maggior parte degli odierni sistemi operativi.
Il secondo approccio è quello di usare un delta file generato da un’applicazione che contiene soltanto i cambiamenti fatti ai dati. L’uso di questo file inoltre amplifica il ciclo di aggiornamento. Tuttavia, anche questo metodo, non è stato usato in molte applicazioni.
Il terzo approccio è quello di fare uno scan su un file di log, che fondamentalmente contiene informazioni simili al delta file. L’unica differenza è che un log file è creato per il processo di recovery e può essere difficile da capire.
Il quarto approccio è quello di modificare il codice dell’applicazione. Tuttavia la maggior parte del codice delle applicazioni è vecchio e fragile; perciò questa tecnica dovrebbe essere evitata.
L’ultimo approccio è quello di confrontare i dati sorgenti con il file principale dei dati.

Controllo delle attività del datawarehouse

Una volta che il datawarehouse è stato rilasciato agli utenti, è necessario monitorarlo nel tempo. In questo caso, l’amministratore del datawarehouse può impiegare uno o più tool di gestione e controllo per monitorare l’uso del datawarehouse. In particolare possono essere raccolte informazioni sulle persone e sul tempo in cui accedono al datawarehouse. Dai dati raccolti può essere creato un profilo del lavoro effettuato che può essere usato come input nell’implementazione del chargeback dell’utente. Il Chargeback permette agli utenti di essere informati sul costo di elaborazione del datawarehouse.

Inoltre, il controllo del datawarehouse può anche essere usato per identificare i tipi di query, la loro grandezza, il numero di query al giorno, i tempi di reazione alla query, i settori raggiunti e la quantità di dati processati. Un altro scopo di fare il controllo del datawarehouse è identificare i dati che non sono in uso. Questi dati possono essere rimossi dal datawarehouse per migliorare il tempo

di risposta di esecuzione delle query e controllare la crescita dei dati che risiedono all’interno della waihona ʻikepili del datawarehouse.

Gestione della sicurezza del datawarehouse

Un datawarehouse contiene dati integrati, critici, sensibili che possono essere raggiunti facilmente. Per questo motivo dovrebbe essere protetto dagli utenti non autorizzati. Un modo per implementare la sicurezza è quello di usare la funzione del DBMS per assegnare i diversi privilegi ai diversi tipi di utenti. In questo modo, deve essere mantenuto per ogni tipo di utenti un profilo di accesso. Un altro modo per assicurare il datawarehouse è cifrarlo come è scritto nella waihona ʻikepili del datawarehouse. L’accesso ai dati e i tool di retrieval devono decriptare i dati prima di presentare i risultati agli utenti.

2.4.4 Hale kūʻai ʻikepili Deployment Phase

È l’ultima fase nel ciclo di implementazione del datawarehouse. Le attività da effettuare in questa fase includono l’addestramento degli utenti per utilizzare il datawarehouse e la realizzazione di reviews del datawarehouse.

Addestramento degli utenti

L’addestramento degli utenti dovrebbe essere fatto prima dell’accesso ai dati del datawarehouse e dell’uso dei tool di retrieval. Generalmente, le sessioni dovrebbero iniziare con l’introduzione al concetto dell’immagazzinamento di dati, al contenuto del datawarehouse, ai meta dati ed alle features di base dei tool. Poi, gli utenti più avanzati potrebbero inoltre studiare le tabelle fisiche e le features degli utenti dei data access e dei tool di retrieval.

Ci sono molti approcci per fare l’addestramento degli utenti. Uno di questi prevede una selezione di molti utenti o analisti scelti da un insieme di utenti, basandosi sulla loro leadership e abilità di comunicazione. Questi vengono addestrati a titolo personale su tutto quello che devono sapere per prendere confidenza con il sistema. Finito l’addestramento, questi ritornano al loro lavoro e iniziano a insegnare agli altri utenti come utilizzare il sistema. Sulla

base di quanto hanno imparato, gli altri utenti possono iniziare ad esplorare il datawarehouse.
Un altro approccio è quello di addestrare molti utenti nello stesso tempo, come se si stesse facendo un corso in aula. Questo metodo è adatto quando ci sono molti utenti che devono essere addestrati allo stesso tempo. Un altro metodo ancora è quello di addestrare individualmente ogni utente, ad uno ad uno. Questo metodo è adatto quando ci sono pochi utenti.

Lo scopo dell’addestramento degli utenti è quello di familiarizzare con l’accesso ai dati e i tool di retrieval così come i contenuti del datawarehouse. Tuttavia, alcuni utenti possono essere sopraffatti dalla quantità di informazioni fornita durante la sessione di addestramento. Quindi devono essere fatte un certo numero di sessioni di aggiornamento l’assistenza continua e per rispondere alle domande specifiche. In alcuni casi viene formato un gruppo di utenti per fornire questo tipo di supporto.

Gathering feedback

Una volta che il datawarehouse è stato rolled out, gli utenti possono usare i dati che risiedono nel datawarehouse per vari scopi. Principalmente, gli analisti o gli utenti utilizzano i dati nel datawarehouse per:

1. 1  Identificare le tendenze dell’azienda
2. 2  Analizzare i profili d’acquisto dei nā mea kūʻai mai
3. 3  Suddividere i nā mea kūʻai mai a o ka
4. 4  Fornire i servizi migliori ai nā mea kūʻai mai – customizzare i servizi
5. 5  Formulare strategie di ke kūʻai akuʻana
6. 6  Effettuare preventivi competitivi per cost analyses e help control
7. 7  Supportare decision-making strategiche
8. 8  Identificare occasioni per emergere
9. 9  Migliorare la qualità degli attuali business process
10. 10  Controllare il profitto

Seguendo la direzione di sviluppo del datawarehouse, si potrebbero condurre una serie di revisioni al sistema per ottenere dei feddback

sia da parte del team di sviluppo che da parte della comunità degli utenti finali.
I risultati ottenuti possono essere presi in considerazione per il prossimo ciclo di sviluppo.

No ka loaʻa ʻana o ka waihona ʻikepili i kahi ala hoʻonui, he mea koʻikoʻi ke aʻo mai nā kūleʻa a me nā hewa o nā hoʻomohala mua.

2.5 Riassunto

In questo capitolo sono stati discussi gli approcci presenti in letteratura. Nella sezione 1 è stato discusso il concetto di datawarehouse e il suo ruolo nella scienza delle decisioni. Nella sezione 2 sono state descritte le principali differenze tra datawarehouse e sistemi OLTP. Nella sezione 3 si è discusso il modello di datawarehouse secondo Monash che è stato utilizzato nella sezione 4 per descrivere le attività coinvolte nel processo di sviluppo di un datawarehouse, queste tesi non sono state basate su una ricerca rigorosa. Quello che succede nella realtà può essere molto diverso da quello che riporta la letteratura, tuttavia questi risultati possono essere utilizzati per creare un bagaglio di base che sottolinei il concetto di datawarehouse per questa ricerca.

Capitolo 3

Metodi di ricerca e progettazione

Questo capitolo si occupa dei metodi di ricerca e progettazione per questo studio. La prima parte mostra una vista generica dei metodi di ricerca disponibili per il reperimento dell’informazione, inoltre vengono discussi i criteri per selezionare il miglior metodo per uno studio particolare. Nella sezione 2 vengono poi discussi due metodi selezionati con i criteri appena esposti; di questi ne verrà scelto ed adottato uno con le motivazioni esposte nella sezione 3 dove sono anche esposte le motivazioni per l’esclusione dell’altro criterio. La sezione 4 presenta il progetto della ricerca e la sezione 5 le conclusioni.

3.1 Ricerca nei sistemi informativi

La ricerca nei sistemi informativi non si limita semplicemente all’ambito tecnologico ma deve essere anche estesa per includere fini riguardanti il comportamento e l’organizzazione.
Questo lo dobbiamo alle tesi di varie discipline che vanno dalle scienze sociali a quelle naturali; questo porta alla necessità di un certo spettro di metodi di ricerca che coinvolgono metodi quantitativi e qualitativi da utilizzare per i sistemi informativi.
Tutti i metodi di ricerca disponibili sono importanti, infatti svariati ricercatori come Jenkins (1985), Nunamaker et al. (1991), e Galliers (1992) sostengono che non esista un metodo specifico universale per condurre ricerche nei vari campi dei sistemi informativi; infatti un metodo può essere adatto per una particolare ricerca ma non per altre. Questo ci porta la necessità di selezionare un metodo che sia adatto alla nostro particolare progetto di ricerca: per questa scelta Benbasat et al. (1987) affermano che si debbano considerare la natura e il fine della ricerca.

3.1.1 Natura della ricerca

I vari metodi basati sulla natura della ricerca possono essere classificati in tre tradizioni ampiamente conosciuti nella scienza dell’informazione: positivista, interpretativa e ricerca critica.

3.1.1.1 Ricerca positivista

La ricerca positivista è anche conosciuta come studio scientifico o empirico. Essa cerca di: “spiegare e prevedere cosa succederà nel mondo sociale guardando alle regolarità e alle relazioni causa- effetto tra gli elementi che lo costituiscono” (Shanks et al 1993).

La ricerca positivista è inoltre caratterizzata da ripetibilità , semplificazioni e confutazioni. Inoltre la ricerca positivista ammette l’esistenza di relazioni a priori tra i fenomeni studiati.
Secondo Galliers(1992) la tassonomia è un metodo di ricerca incluso nel paradigma positivista, che però non è limitato a questa, infatti sussistono esperimenti di laboratorio, esperimenti sul campo, casi di studio, dimostrazioni di teoremi, previsioni e simulazioni. Utilizzando questi metodi i ricercatori ammettono che i fenomeni studiati possano essere osservati oggettivamente e rigorosamente.

3.1.1.2 Ricerca interpretativa

La ricerca interpretativa, che è spesso chiamata fenomenologia o anti-positivismo viene descritta da Neuman (1994) come “l’analisi sistematica del significato sociale dell’azione attraverso la diretta e dettagliata osservazione delle persone in situazioni naturali, al fine di arrivare alla comprensione e all’interpretazione di come le persone creano e mantengono il loro mondo sociale”. Gli studi interpretative rifiutano l’assunzione che i fenomeni osservati possano essere osservati oggettivamente. Infatti essi sono basati su interpretazioni soggettive. Inoltre i ricercatori interpretativi non impongono significati a priori ai fenomeni che studiano.

Questo metodo comprende studi soggettivo/argomentativi, azioni di ricerca, studi descrittivo/interpretativi, ricerche future e giochi di ruolo. In aggiunta a questi indagini e casi di studio possono essere inclusi in questo approccio in quanto essi concernono gli studi degli individui o delle organizzazioni all’interno di complesse situazioni del mondo reale.

3.1.1.3 Ricerca critica

La ricerca critica è l’approccio meno conosciuto nelle scienze sociali ma di recente ha ricevuto l’attenzione dei ricercatori nell’ambito dei sistemi informativi. L’assunzione filosofica che la realtà sociale è storicamente prodotta e riprodotta dalle persone, così come i sistemi sociali con le loro azioni ed interazioni. La loro abilità, comunque, è mediata da un certo numero di considerazione sociali, culturali e politiche.

Cosi come la ricerca interpretativa, quella critica sostiene che la ricerca positivista non c’entra con il contesto sociale ed ignora la sua influenza sulle azioni umane.
La ricerca critica, d’altra parte, critica la ricerca interpretativa per essere troppo soggettiva e perché non si propone di aiutare le persone a migliorare le proprie vite. La più grossa differenza tra la ricerca critica e gli altri due approcci è la sua dimensione valutativa. Mentre l’oggettività delle tradizioni positivista ed interpretativa, è per predire o spiegare lo status quo o la realtà sociale, la ricerca critica punta a valutare criticamente e trasformare la realtà sociale sotto studio.

I ricercatori critici solitamente si oppongono allo status quo al fine di rimuovere le differenze sociali e migliorare le condizioni sociali. La ricerca critica ha un impegno ad una vista processuale dei fenomeni di interesse e, pertanto, è normalmente longitudinale. Esempi di metodi di ricerca sono gli studi storici a lungo termine e gli studi etnografici. La ricerca critica, tuttavia, non è stata ampiamente usata nella ricerca dei sistemi d’informazione

3.1.2 Scopo della ricerca

Assieme alla natura della ricerca, il suo scopo può essere utilizzato per guidare il ricercatore nella selezione di un particolare metodo di ricerca. Lo scopo di un progetto di ricerca è strettamente correlato alla posizione della ricerca rispetto al ciclo di ricerca che consiste di tre fasi: costruzione della teoria, test della teoria e affinamento della teoria. Così, basandosi sul momento rispetto al ciclo di ricerca, un progetto di ricerca può avere un fine di spiegazione, descrittivo, di esplorazione oppure predittivo.

3.1.2.1 Ricerca esplorativa

La ricerca esplorativa è finalizzata nell’investigare un argomento totalmente nuovo e formulare domande e ipotesi per la ricerca futura. Questo tipo di ricerca è utilizzato nella costruzione della teoria per ottenere dei riferimenti iniziali in una nuova area. Normalmente si utilizzano metodi di ricerca qualitativa, come i casi di studio o gli studi fenomenonologici.

Eia nō naʻe, hiki nō ke hoʻohana i nā ʻenehana quantitative e like me nā noiʻi ʻimi a i ʻole nā ​​hoʻokolohua.

3.1.3.3 Ricerca descrittiva

La ricerca descrittiva è finalizzata ad analizzare e descrivere in gran dettaglio una particolare situazione o pratica organizzativa. Questa è appropriata per costruire teorie e può essere anche usata per confermare o contestare ipotesi. La ricerca descrittiva solitamente comprende l’uso di misure e campioni. I metodi di ricerca più adatti comprendono indagini e analisi di antecedenti.

3.1.2.3 Ricerca esplicativa

La ricerca esplicativa cerca di spiegare perché succedono le cose. Essa è costruita su fatti che sono già stati studiati e cerca di trovare i perché di tali fatti.
Quindi la ricerca esplicativa è normalmente costruita sulla ricerca esplorativa o descrittiva ed è accessoria al fine di testare ed affinare le teorie. La ricerca esplicativa normalmente impiega casi di studio o metodi di ricerca basati sulle indagini.

3.1.2.4 Ricerca preventiva

La ricerca preventiva punta a predire gli eventi e i comportamenti sotto osservazione che si stanno studiando (Marshall and Rossman 1995). La previsione è il test scientifico standard della verità. Questo tipo di ricerca generalmente impiega indagini o analisi dei dati storici. (Yin 1989)

La suddetta discussione dimostra che c’è un certo numero di possibili metodi di ricerca che possono essere usati in uno studio particolare. Tuttavia, ci deve essere un metodo specifico più adatto degli altri per un tipo particolare di progetto di ricerca. (Galliers 1987, Yin 1989, De Vaus 1991). Ogni ricercatore, quindi, ha bisogno di valutare con attenzione i punti di forza e le debolezze di vari metodi, per arrivare ad adottare il metodo di ricerca più adatto e compatibile col progetto di ricerca. (Jenkins 1985, Pervan e Klass 1992, Bonomia 1985, Yin 1989, Himilton and Ives 1992).

3.2. Possibili metodi di ricerca

L’obiettivo di questo progetto era studiare l’esperienza nelle organizzazioni australiane con i dati immagazzinati con uno sviluppo di hale kūʻaiʻikepili. lā che, attualmente, c’è una mancanza di ricerca nell’area di data warehousing in Australia, questo progetto di ricerca è ancora nella fase teorica del ciclo di ricerca ed ha uno scopo esplorativo. Esplorando l’esperienza nelle organizzazioni australiane che adottano il data warehousing richiede l’interpretazione della società reale. Di conseguenza, il l’assunzione filosofica alla base del progetto di ricerca segue l’interpretazione tradizionale.

Dopo un rigoroso esame dei metodi disponibili, sono stati identificati due possibili metodi di ricerca: indagini (surveys) e casi di studio (case studies), che possono essere usati per una ricerca esplorativa (Shanks et al. 1993). Galliers (1992) sostiene che l’idoneità di questi due metodi per questo particolare studio nella sua tassonomia rivisitata dicendo che sono adatti per la costruzione teorica. Le seguenti due sottosezioni discutono ogni metodo in dettaglio.

3.2.1 Metodo di ricerca di indagine

Il metodo di ricerca d’indagine proviene dall’antico metodo del censimento. Un censimento consta nel collezionare informazioni da un’intera popolazione. Questo metodo è costoso e poco pratico, in particolare se la popolazione è elevata. Quindi, rispetto al censimento, una indagine normalmente è concentrata sul collezionare informazioni per un piccolo numero, o campione, dei rappresentanti della popolazione (Fowler 1988, Neuman 1994). Un campione riflette la popolazione da cui è disegnato, con differenti livelli di accuratezza, secondo la struttura del campione, la dimensione e il metodo di selezione utilizzato (Fowler 1988, Babbie 1982, Neuman 1994).

Il metodo d’indagine è definito come “snapshots of practices, situations or views at a particular point in time, undertaken using questionnaires or interviews, from which inferences may be
made” (Galliers 1992:153) [fotografia istentanea delle pratiche, situazioni o viste in particolare punto temporale, intrapreso usando questionari o interviste, da cui possono essere fatte inferenze]. Le indagini si occupano della raccolta di informazioni su alcuni aspetti dello studio, da un certo numero di partecipanti, facendo delle domande (Fowler 1988). Anche questi questionari e interviste, che includono le interviste faccia a faccia al telefono e quelle strutturate, sono le tecniche di collezione di dati più comuni impiegate nelle indagini (Blalock 1970, Nachmias and Nachmias 1976, Fowler 1988), possono essere utilizzate osservazioni ed analisi (Gable 1994). Di tutti questi metodi di collezione dei dati, l’uso del questionario è la tecnica più popolare, poiché assicura che i dati

collezionati siano strutturati e formattati, e quindi facilita la classificazione delle informazioni (Hwang 1987, de Vaus 1991).

Nell’analizzare i dati, una strategia d’indagine impiega spesso le tecniche quantitative, come l’analisi statistica, ma possono essere impiegate anche tecniche qualitative (Galliers 1992, Pervan

and Klass 1992, Gable 1994). Normalmente, i dati raccolti sono usati per analizzare le distribuzioni e i modelli delle associazioni (Fowler 1988).

Anche se le indagini sono generalmente appropriate per ricerche che si occupano della domanda ‘che cosa?’ (what) o da essa derivanti, quali ‘quanto’(how much) e ‘quant’è’ (how many), esse possono essere poste tramite la domanda ‘perché’ (Sonquist and Dunkelberg 1977, Yin 1989). Secondo Sonquist e Dunkelberg (1977), l’indagine di ricerca punta ad ipotesi difficili, programme di valutazione, descrivendo la popolazione e sviluppando modelli del comportamento umano. Inoltre, le indagini possono essere usate per studiare un’opinione certa della popolazione, condizioni, opinioni, caratteristiche, aspettative e anche comportamenti passati o presenti(Neuman 1994).

Le indagini permettono al ricercatore di scoprire i rapporti tra la popolazione ed i risultato sono normalmente più generici rispetto ad altri metodi (Sonquist and Dunkelberg 1977, Gable 1994). Le indagini permettono ai ricercatori di riguardare una zona geografica più larga e di raggiungere tantissimi dichiaranti (Blalock 1970, Sonquist and Dunkelberg 1977, Hwang and Lin 1987, Gable 1994, Neuman 1994). Infine, le indagini possono fornire le informazioni che non sono disponibili altrove o nella forma richiesta per le analisi (Fowler 1988).

Ci sono, tuttavia, alcune limitazioni nell’eseguire un’indagine. Uno svantaggio è che il ricercatore non può ottenere molte informazioni a riguardo dell’oggetto studiato. Questo è dovuto al fatto che le indagini sono eseguite soltanto in un momento particolare e, quindi, c’è un numero limitato di variabili e di persone che il ricercatore può

studiare (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). Un altro svantaggio è quello che esegue un’indagine può essere molto costoso in termini di tempo e risorse, particolarmente se coinvolge le interviste faccia a faccia (Fowler 1988).

3.2.2. Metodo Di Ricerca Di Inchiesta

Il metodo di ricerca di inchiesta coinvolge lo studio approfondito su una particolare situazione all’interno del relativo contesto reale in un periodo di tempo definito, senza alcun intervento da parte del ricercatore (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). Principalmente questo metodo è usato per descrivere i rapporti fra le variabili che si stanno studiando in una situazione particolare (Galliers 1992). Le inchieste possono coinvolgere singoli casi o multipli, a seconda del fenomeno analizzato (Franz e Robey 1987, Eisenhardt 1989, Yin 1989).

Il metodo di ricerca di inchiesta è definito come “un’inchiesta empirica che studia un fenomeno contemporaneo all’interno del relativo contesto reale, usando le fonti multiple raccolte da una o più entità quali la gente, i gruppi, o le organizzazioni” (Yin 1989). Non c’è netta separazione fra il fenomeno ed il relativo contesto e non c’è controllo o manipolazione sperimentale delle variabili (Yin 1989, Benbasat ed altri 1987).

C’è una varietà di tecniche per la collezione dei dati che possono essere impiegate nel metodo di inchiesta, che includono le osservazioni dirette, revisioni di record di archivi, questionari, revisione della documentazione ed interviste strutturate. Avendo una gamma varia di tecniche della raccolta di dati, le inchieste permettono ai ricercatori di occuparsi sia dei dati qualitativi che quantitativi allo stesso tempo (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). Com’è il caso con il metodo di indagine, un ricercatore di inchiesta funge da osservatore o ricercatore e non come partecipante attivo all’organizzazione allo studio.

Benbasat ed altri (1987) asseriscono che il metodo di inchiesta è particolarmente adatto per la costruzione della teoria di ricerca, che comincia con una domanda di ricerca e continua con la formazione

di una teoria durante il processo della raccolta di dati. Essendo adatto anche per la fase

della costruzione di teoria, Franz e Robey (1987) suggeriscono che il metodo di inchiesta può anche essere utilizzato per la complessa fase di teoria. In questo caso, basandosi sulle prove raccolte, una data teoria o ipotesi viene verificata o confutata. In più, l’inchiesta è anche adatta per ricerca che si occupa delle domande ‘come’ o ‘perché’ (Yin 1989).

Rispetto ad altri metodi, le inchieste permettono al ricercatore di catturare le informazioni essenziali più nel particolare (Galliers 1992, Shanks ed altri 1993). Inoltre, le inchieste permettono al ricercatore di capire la natura e la complessità dei processi studiati (Benbasat ed altri 1987).

Ci sono quattro svantaggi principali connessi con il metodo di inchiesta. Il primo è la mancanza di deduzioni controllate. La soggettività del ricercatore può alterare i risultati e le conclusioni dello studio (Yin 1989). Il secondo svantaggio è la mancanza di osservazione controllata. A differenza dei metodi sperimentali, il ricercatore di inchiesta non può controllare i fenomeni studiati poiché sono esaminati nel loro contesto naturale (Gable 1994). Il terzo svantaggio è la mancanza di replicabilità. Ciò è dovuto al fatto che il ricercatore ha poca probabilità di osservare gli stessi eventi, e non può verificare i risultati di un particolare studio (Lee 1989). Infine, come conseguenza della non replicabilità, è difficile generalizzare i risultati ottenuti da una o più inchieste (Galliers 1992, Shanks ed altri 1993). Tutti questi problemi, tuttavia, non sono insormontabili e possono, infatti, essere minimizzati dal ricercatore applicando azioni appropriate (Lee 1989).

3.3. Giustificare la metodologia di ricerca hapaiia

Dai due metodi di ricerca possibili per questo studio, il metodo di indagine è considerato come il più adatto. Quello di inchiesta è stato scartato in seguito ad un attenta considerazione dei relativi

meriti e debolezze. La convenienza o l’inappropriatezza di ogni metodo per questo studio è discussa in seguito.

3.3.1. Inappropriatezza del metodo di ricerca di inchiesta

Il metodo di inchiesta richiede lo studio approfondito circa una situazione particolare all’interno di una o più organizzazioni per un periodo di tempo (Eisenhardt 1989). In questo caso, il periodo può eccedere la struttura di tempo data per questo studio. Un altro motivo per non adottare il metodo di inchiesta è che i risultati possono soffrire da mancanza di rigore (Yin 1989). La soggettività del ricercatore può influenzare i risultati e le conclusioni. Un altro motivo è che questo metodo è più adatto a ricerche su domande del tipo ‘come’ o ‘perché’ (Yin 1989), mentre la domanda di ricerca per questo studio è del tipo ‘che cosa’. Infine, ma non meno importante, è difficile generalizzare i risultati da appena una o poche inchieste (Galliers 1992, Shanks ed altri 1993). Sulla base di questa spiegazione razionale, il metodo di ricerca di inchiesta non è stato scelto poiché inadatto per questo studio.

3.3.2. Convenienza del metodo di ricerca di hoʻokolokolo

Quando questa ricerca è stata condotta, la pratica di data- warehousing non era stata ampiamente adottata dalle organizzazioni australiane. Quindi, non c’erano molte informazioni per quanto riguarda la loro implementazione all’interno delle organizzazioni australiane. Le informazioni disponibili provenivano dalle organizzazioni che avevano implementato o utilizzato un hale kūʻaiʻikepili. In questo caso, il metodo di ricerca di indagine è il più adatto poiché permette di ottenere le informazioni che non sono disponibili altrove o nella forma richiesta per analisi (Fowler 1988). In più, il metodo di ricerca di indagine permette al ricercatore di ottenere una buona visione delle pratiche, delle situazioni, o delle viste in un determinato momento (Galliers 1992, Denscombe 1998). Una veduta d’insieme era stata richiesta per aumentare la conoscenza circa l’esperienza australiana di data warehousing.

Eia kekahi, ua ʻōlelo ʻo Sonquist lāua ʻo Dunkelberg (1977) ʻoi aku ka laulā o nā hopena o ka noiʻi noiʻi ma mua o nā ʻano hana ʻē aʻe.

3.4. Disegno Di Ricerca Di Indagine

L’indagine circa la pratica di data warehousing è stata eseguita nel 1999. La popolazione obiettivo era formata da organizzazioni australiane interessate agli studi di data warehousing, poiché erano probabilmente già informati circa i dati che immagazzinano e, pertanto, potrebbe fornire le informazioni utili per questo studio. La popolazione obiettivo è stata identificata con un’indagine iniziale di tutti i membri australiani del ‘The Data Warehousing Institute’ (Tdwi- aap). Questa sezione discute il disegno della fase di ricerca empirica di questo studio.

3.4.1. Tecnica di raccolta dei dati

Dalle tre tecniche usate comunemente nella ricerca di indagine (cioè questionario via posta, intervista del telefono ed intervista personale) (Nachmias 1976, Fowler 1988, de Vaus 1991), per questo studio è stato adottato il questionario via posta. Il primo motivo per l’adozione di quest’ultimo è che può raggiungere una popolazione sparsa geograficamente (Blalock 1970, Nachmias e Nachmias 1976, Hwang e Lin 1987, de Vaus 1991, Gable 1994). Secondariamente, il questionario via posta è adatto a partecipanti altamente istruiti (Fowler 1988). Il questionario via posta per questo studio è stato indirizzato ai project sponsors del data warehousing, direttori e/o responsabili di progetto. In terzo luogo, i questionari via posta sono adatti quando si ha a disposizione una lista sicura di indirizzi (Salant e Dilman 1994). TDWI, in questo caso, una associazione fidata di data warehousing ha fornito la lista di indirizzi dei relativi membri australiani. Un altro vantaggio del questionario via posta rispetto al questionario via telefono o alle interviste personali è che permette ai dichiaranti di rispondere con maggior esattezza, particolarmente quando i dichiaranti devono consultare le annotazioni o discutere le domande con altra gente (Fowler 1988).

Uno svantaggio potenziale può essere il tempo richiesto per condurre i questionari via posta. Normalmente, un questionario via posta è condotto in questa sequenza: spedire le lettere, aspettare le risposte e mandare la conferma(Fowler 1988, Bainbridge 1989). Quindi, il tempo totale può essere più lungo del tempo richiesto per le interviste personali o per le interviste al telefono. Tuttavia, il tempo totale può essere conosciuto in anticipo (Fowler 1988, Denscombe 1998). Il tempo speso per condurre le interviste personali non può essere conosciuto in anticipo poiché varia da un’intervista all’altra (Fowler 1988). Le interviste telefoniche possono essere più rapide dei questionari via posta e delle interviste personali ma possono avere un alto tasso di mancanza di risposta dovuto all’indisponibilità di alcune persone (Fowler 1988). In più, le interviste telefoniche sono limitate generalmente a liste di domande relativamente corte (Bainbridge 1989).

Un’altra debolezza di un questionario via posta è l’alto tasso di mancanza di risposta (Fowler 1988, Bainbridge 1989, Neuman 1994). Tuttavia, sono state prese delle contromisure, associando questo studio con un’istituzione fidata nel campo del data warehousing (cioè TDWI) (Bainbridge 1989, Neuman 1994), la quale trasmette due lettere di sollecito ai chi non ha risposto (Fowler 1988, Neuman 1994) ed include inoltre una lettera aggiuntiva che spiega lo scopo dello studio (Neuman 1994).

3.4.2. Unità di analisi

Lo scopo di questo studio è ottenere le informazioni circa l’implementazione del data warehousing e l’utilizzo dello stesso all’interno delle organizzazioni australiane. La popolazione obiettivo è costituita da tutte le organizzazioni australiane che hanno implementato, o stanno implementando, i hale kūʻaiʻikepili. In seguito vengono intestate le singole organizzazioni. Il questionario via posta è stato spedito alle organizzazioni interessate all’adozione di hale kūʻaiʻikepili. Questo metodo garantisce che le informazioni raccolte provengano dalle risorse più adatte di ogni organizzazione partecipante.

3.4.3. Campione di indagine

La “mailing list” dei partecipanti all’indagine è stata ottenuta da TDWI. A partire da questa lista, 3000 organizzazioni australiane sono state selezionate come base per il campionamento. Una lettera di aggiuntiva spiegava il progetto e lo scopo dell’indagine, insieme ad una scheda per le risposte e una busta prepagata per rinviare il questionario compilato sono state inviate al campione. Delle 3000 organizzazioni, 198 hanno accettato di partecipare allo studio. Era previsto un così piccolo numero di risposte ua haawiia il grande numero di organizzazioni australiane che allora avevano abbracciato o stavano abbracciando la strategia di data warehousing all’interno delle loro organizzazioni. Quindi, la popolazione obiettivo per questo studio consiste di sole 198 organizzazioni.

3.4.4. Contenuti del questionario

La struttura del questionario è stata basata sul modello di data warehousing Monash (discusso precedentemente nella parte 2.3). Il contenuto del questionario è stato basato sull’analisi della letteratura presentata nel capitolo 2. Una copia del questionario spedito ai partecipanti all’indagine può essere trovata nell’appendice B. Il questionario è composto da sei sezioni, che seguono le fasi del modello trattato. I seguenti sei paragrafi brevemente ricapitolano il contenuto di ogni sezione.

Sezione A: Informazioni di base sull’organizzazione
Questa sezione contiene le domande relative al profilo delle organizzazioni partecipanti. In più, alcune delle domande sono relative alla condizione del progetto di data warehousing del partecipante. Le informazioni confidenziali quale il nome dell’organizzazione non sono state rivelate nell’analisi di indagine.

Sezione B: Inizio
Le domande in questa sezione sono relative all’attività di inizio di data warehousing. Le domande sono state fatte per quanto riguarda gli iniziatori di progetto, garanti, abilità e conoscenza richieste, gli obiettivi dello sviluppo di data warehousing e le aspettative degli utilizzatori finali.

Sezione C: Progettazione
Questa sezione contiene le domande relative alle attività di pianificazione del hale kūʻaiʻikepili. In particolare, le domande sono state circa la portata di esecuzione, la durata del progetto, il costo del progetto e l’analisi di costi/benefici.

Sezione D: Sviluppo
Nella sezione di sviluppo ci sono le domande relative alle attività di sviluppo del hale kūʻaiʻikepili: raccolta di requisiti dell’utilizzatore finale, le fonti di dati, il modello logico dei dati, prototipi, la pianificazione di capienza, architetture tecniche e selezione dei tools di sviluppo del data warehousing.

Sezione E: Funzionamento
Domande di funzionamento relative al funzionamento ed all’estensibilità del hale kūʻaiʻikepili, come si evolve nella successiva fase di sviluppo. La ka maikaʻi o ka ʻikepili, le strategie di refresh dei dati, la granularità dei dati, scalabilità del hale kūʻaiʻikepili ed i problemi di sicurezza del hale kūʻaiʻikepili erano fra le tipologie di domande fatte.

Sezione F: Sviluppo
Questa sezione contiene le domande relative all’utilizzo del hale kūʻaiʻikepili da parte degli utenti finali. Il ricercatore era interessato allo scopo e all’utilità del hale kūʻaiʻikepili, la revisione e le strategie di addestramento adottati e la strategia di controllo del hale kūʻaiʻikepili adottata.

3.4.5. Tasso di risposta

Anche se le indagini via posta sono criticate per avere un tasso di risposta basso, sono state adottate delle misure per aumentare il tasso di rendimento (come discusso precedentemente nella parte 3.4.1). Il termine ‘tasso di risposta’ si riferisce alla percentuale di persone in un campione particolare di indagine che risponde al questionario (Denscombe 1998). E’ stata utilizzata la seguente formula per calcolare il tasso di risposta per questo studio:

Numero di persone che hanno risposto
Tasso di risposta = ——————————————————————————– X 100 Numero totale di questionari spediti

3.4.6. Prova Pilota

Prima che il questionario sia spedito al campione, le domande sono state esaminate effettuando le prove pilota, come suggerito da Luck e Rubin (1987), Jackson (1988) e de Vaus (1991). Lo scopo delle prove pilota è di rivelare tutte le espressioni scomode, ambigue e domande di difficile interpretazione, per chiarire qualunque definizioni e termini usati e per identificare il tempo approssimativo richiesto per compilare il questionario (Warwick e Lininger 1975, Jackson 1988, Salant e Dilman 1994). Le prove pilota sono state effettuate selezionando soggetti con caratteristiche simili a quelle dei soggetti finali, come suggerito Davis e Cosenza (1993). In questo studio, sei professionisti di data warehousing sono stati selezionati come i soggetti pilota. Dopo ogni prova pilota, sono state fatte le correzioni necessarie. Dalle prove pilota effettuate, i partecipanti hanno contribuito a rimodellare e reimpostar la versione definitiva del questionario.

3.4.7. Metodi di Analisi Di Dati

I dati di indagine raccolti dai questionari a domanda chiusa sono stati analizzati usando un pacchetto di programmi statistico denominato SPSS. Molte delle risposte sono state analizzate usando le statistiche descrittive. Un certo numero di questionari sono ritornati incompleti. Questi sono stati trattati con maggiore attenzione per accertarsi che i dati mancanti non fossero una conseguenza degli errori di data entry, ma perché le domande non erano adatte per il dichiarante, o il dichiarante ha deciso non rispondere ad una o più domande specifiche. Queste risposte mancanti sono state ignorate durante l’analisi dei dati e sono state codificate come ‘- 9’ per accertare la loro esclusione dal processo di analisi.

Nel preparare il questionario, le domande chiuse sono state precodificate assegnando un numero ad ogni opzione. Il numero allora è stato usato per preparare i dati durante l’analisi (Denscombe 1998, Sapsford e Jupp 1996). Per esempio, c’erano sei opzioni elencate nella domanda 1 della sezione B: consiglio d’amministrazione, esecutivo ad alto livello, dipartimento IT , unità di affari, i consulenti ed altro. Nello schedario di dati di SPSS, è stata generata una variabile per indicare ‘l’iniziatore di progetto’, con sei etichette di valore: ‘1’ per il ‘consiglio d’amministrazione’, ‘2’ per ‘l’esecutivo ad alto livello’ e così via. L’uso della scala di Likertin in alcune delle domande chiuse inoltre ha permesso un’identificazione che non richiede sforzo visto l’utilizzo dei valori numerici corrispondenti inseriti in SPSS. Per le domande con le risposte non esaustive, che non erano reciprocamente esclusive, ogni opzione è stata trattata come una singola variabile con due etichette di valore: ‘1 ‘ per ‘segnata’ e ‘2 ‘ per ‘non segnata’.

Le domande aperte sono state trattate diversamente dalle domande chiuse. Le risposte a queste domande non sono state inserite in SPSS. Al contrario, sono state analizzate a mano. L’uso di questo tipo di domande permette di acquisire informazioni circa le idee liberamente espresse e le esperienze personali nei dichiaranti (Bainbridge 1989, Denscombe 1998). Dove possibile, è stata fatta una categorizzazione delle risposte.

Per l’analisi dei dati, sono usati metodi di semplice analisi statistica, come la frequenza delle risposte, la media, la scarto quadratico medio e la mediana (Argyrous 1996, Denscombe 1998).
Il Gamma test era performante per ottenere misure quantitative delle associazioni tra dati ordinali (Norusis 1983, Argyrous 1996). Questi test erano appropriati perché le scale ordinali usate non avevano molte categorie e potevano essere mostrate in una tabella (Norusis 1983).

3.5 Sommario

In questo capitolo, sono stati discussi la metodologia di ricerca e il design adottati per questo studio.

La selezione del più appropriato metodo di ricerca per un particolare studio prende in
considerazione un certo numero di regole, inclusa la natura e il tipo della ricerca, così come i meriti e le debolezze di ogni possibile metodo(Jenkins 1985, Benbasat et al. 1097,Galliers e Land 1987, yin 1989, Hamilton e ives 1992, Galliers 1992, neuman 1994). Vista la mancanza di conoscenza e teoria esistenti a proposito dell’adozione di data warehousing in Australia, questo studio di ricerca richiede un metodo di ricerca interpretativo con una abilità esplorativa per esplorare le esperienze delle organizzazioni australiane. Il metodo di ricerca prescelto è stato selezionato per raccogliere informazioni riguardanti l’adozione del concetto di data ware-housing da parte delle organizzazioni australiane. Un questionario postale è stato scelto come tecnica di raccolta dati. Le giustificazioni per il metodo di ricerca e la tecnica di raccolta dati selezionati saranno fornite in questo capitolo. Inoltre è stata presentata una discussione sull’unità di analisi,il campione utilizzato, le percentuali di risposte, il contenuto del questionario, il pre test del questionario e il metdo di analisi dei dati.

Ke hoʻonohonoho ʻana i a Hale kūʻai ʻikepili:

Combining Entity Relationship and Dimensional Modelling

KANAWAI
Immagazzinare i dati è un problema attuale importante per molte organizzazioni. Un problema chiave nello sviluppo dell’immagazzinamento dei dati è il suo disegno.
Il disegno deve sostenere il rilevamento di concetti nel hale kūʻaiʻikepili a legacy system e le altre fonti di dati ed anche una facile comprensione ed efficienza nell’implementazione di hale kūʻaiʻikepili.
Molta della letteratura di immagazzinamento dei dati raccomanda l’uso di entity relationship modelling or dimensional modelling per rappresentare il disegno di hale kūʻaiʻikepili.
In questo giornale noi mostriamo come entrambe le rappresentazioni possono essere combinate in un approccio per il disegno di hale kūʻaiʻikepili. L’approccio usato è sistematicamente

esaminato in un caso di studio ed è identificato in un numero di importanti implicazioni con professionisti.

DATA WAREHOUSING

Un hale kūʻaiʻikepili di solito è definito come un “subject-oriented, integrated, time-variant, and nonvolatile collection of data in support of management’s decisions” (Inmon and Hackathorn, 1994). Subject-oriented and integrated indica che il hale kūʻaiʻikepili è progettato per attraversare i confini funzionali dei legaci system per offrire una prospettiva integrata dei dati.
Time-variant interessa lo storico o la natura time-series dei dati i ka a hale kūʻaiʻikepili, la quale abilita trend per essere analizzati. Non-volatile indica che il hale kūʻaiʻikepili non è continuamente aggiornato come un hōkeoʻikepili di OLTP. Piuttosto è aggiornato periodicamente, con dati provenienti da fonti interne ed esterne. Il hale kūʻaiʻikepili specificatamente è disegnato per la ricerca piuttosto che per l’integrità degli aggiornamenti e le prestazioni delle operazioni.
L’idea di immagazzinare i dati non è nuova, è stato uno degli scopi di gestione dei dati fin dagli anni sessanta (Il Martin, 1982).
I hale kūʻaiʻikepili offrono l’infrastruttura dati per management support systems. Management support systems includono decision support systems (DSS) and executive information systems (EIS). Un DSS è un sistema di informazioni computer-based che è progettato per migliorare il processo e di conseguenza la presa di decisione umana. Un EIS è tipicamente un sistema di consegna di dati che abilita dirigenti d’azienda ad accedere facilmente alla vista dei dati.
L’architettura generale di un hale kūʻaiʻikepili evidenzia il ruolo del hale kūʻaiʻikepili nel supporto alla gestione. Oltre ad offrire l’infrastruttura dati per EIS e DSS, al hale kūʻaiʻikepili è possibile accedervi direttamente attraverso le query. I dati inclusi in un hale kūʻaiʻikepili si basano su un’analisi dei requisiti di informazioni di gestione e sono ottenuti da tre fonti: internal legacy systems, special purpose data capture systems and external data sources. I dati negli internal legacy systems sono frequentemente ridondanti, inconsistenti, di bassa qualità, e immagazzinati in diversi formati quindi devono essere riconciliati e puliti prima di poterli caricare nel

hale kūʻaiʻikepili (Inmon, 1992; McFadden, 1996). I dati provenienti da sistemi di immagazzinamento dati ad hoc e da sorgenti dati esterne sono speso usati per aumentare (aggiornare, sostituire) i dati da sistemi legacy.

Ci sono molte ragioni irresistibili per sviluppare un hale kūʻaiʻikepili, che includono una migliore presa di decisione attraverso l’uso effettivo di più informazioni (Ives 1995), il supporto per un focus sugli affari completi (Graham 1996), e la riduzione in costi di provvedimento di dati per EIS e DSS (Graham 1996, McFadden 1996).

Un recente studio empirico ha scoperto, in media, un ritorno degli investimenti per i hale kūʻaiʻikepili del 401% dopo tre anni (Graham, 1996). Comunque, gli altri studi empirici di hale kūʻaiʻikepili hanno trovato significanti problemi incluso la difficoltà nel misurare ed assegnare benefici, mancanza di un scopo chiaro, sottovalutando lo scopo e la complessità del processo di immagazzinare i dati, in particolare quanto riguarda le fonti e la pulizia dei dati. Immagazzinare i dati può essere considerato come una soluzione al problema di gestione dei dati fra le organizzazioni. La manipolazione dei dati come risorsa sociale è rimasto uno dei problemi chiave nella gestione di sistemi di informazioni in tutto il mondo per molti anni (Brancheau et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993).

Un approccio popolare alla gestione dei dati negli anni ottanta era lo sviluppo di un modello dati sociale. Il modello dati sociale fu pensato per offrire una base stabile per lo sviluppo di nuovi sistemi applicativi e hōkeoʻikepili e la ricostruzione e l’integrazione di legacy systems (Brancheau et al.

1989, Goodhue et al. 1988:1992, Kim and Everest 1994). Comunque, ci sono molti problemi con questo approccio, in particolare, la complessità e il costo di ogni task, ed il lungo tempo richiesto per avere risultati tangibili (Beynon-Davies 1994, Earl 1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997).

Il hale kūʻaiʻikepili è un databse separato che co-esiste coi legacy databases piuttosto che sostituirli. Esso perciò consente di indirizzare la gestione dei dati ed evitare la costosa ricostruzione dei legacy systems.

APPROCCI ESISTENTI AL DISEGNO DI DATA

WAEWAE

Il processo di costruzione e perfezionamento di un hale kūʻaiʻikepili va compreso più come un processo evolutivo piuttosto che un lifecycle di sviluppo di sistemi tradizionali (Makemake, 1995, Shanks, O’Donnell and Arnott 1997a ). Ci sono molti processi coinvolti in un progetto di hale kūʻaiʻikepili come inizializzazione, pianificazione; informazioni acquisite dai requisiti chieste ai dirigenti d’azienda; fonti, trasformazioni, pulizia dei dati e di sincronizzazione da legacy systems e le altre fonti di dati; sistemi di consegna in sviluppo; monitoraggio dei hale kūʻaiʻikepili; e insensatezza del processo evolutivo e di costruzione di un hale kūʻaiʻikepili (Stinchi, O’Donnell ed Arnott 1997b). In questo giornale, noi focalizziamo su come disegnare i dati immagazzinati nel contesto di questi altri processi. Ci sono un numero di approcci proposti per l’architettura dei hale kūʻaiʻikepili nella letteratura (Inmon 1994, Ives 1995, Kimball 1994 McFadden 1996). Ognuna di queste metodologie ha una breve rassegna con un’analisi dei loro punti di forza e non.

Inmon’s (1994) Approach for Hale kūʻai ʻikepili Design

Inmon (1994) propose quattro passi iterativi per disegnare un hale kūʻaiʻikepili (veda Figura 2). Il primo passo è progettare un modello dati sociale per capire come i dati possono essere integrati attraverso aree funzionali all’interno di un’organizzazione suddividendo i dati immagazzini in aree. Il modello dati è fatto per immagazzinare dati attinenti a prese di decisione, incluso dati storici, ed incluso dati dedotti ed aggregati. Il secondo passo è identificare aree soggette per la realizzazione. Questi sono basati su priorità determinate da una particolare organizzazione. Il terzo passo comporta il disegno di un hōkeoʻikepili per l’area soggetta, pone particolare attenzione a includere appropriati livelli di granularità. Inmon raccomanda di usare il modello entità e relazioni. Il quarto passo è identificare sistemi di fonti dati richiesti e sviluppare processi di trasformazione per acquisire, pulire e formattare i dati.

Le forze dell’approccio di Inmon sono che il modello dati sociale offre la base per l’integrazione di dati all’interno dell’organizzazione e pianificazione di supporti per lo sviluppo iterativo di hale kūʻaiʻikepili. Le sue pecche sono la difficoltà e il costo nel disegnare il modello dati sociale, la difficoltà nel capire modelli di entità e relazioni usati in ambo i modelli, quello dati sociale e quello di dati immagazzinati per area soggetto, e l’appropriatezza dei dati del disegno di hale kūʻaiʻikepili per la realizzazione di hōkeoʻikepili relazionali ma non per hōkeoʻikepili multi-dimensionali.

Ives’ (1995) Approach to Hale kūʻai ʻikepili Design

Ives (1995) propone un approccio di quattro passi per disegnare un sistema informativo che lui ritiene applicabile al disegno di un hale kūʻaiʻikepili (veda Figura 3). L’approccio è molto basato sull’ Information Engineering per lo sviluppo di sistemi di informazioni (Martin 1990). Il primo passo è determinare gli obiettivi, i fattori critici e di successo e gli indicatori chiave delle prestazioni. I processi chiave di business e le informazioni necessarie sono modellate per condurci ad un modello dati sociale. Il secondo passo comporta lo sviluppo di un architettura che definisce dati immagazzinati per aree, hōkeoʻikepili di hale kūʻaiʻikepili, i componenti di tecnologia che sono richiesti, l’insieme di supporto organizzativo richiesto per implementare ed operare con hale kūʻaiʻikepili. Il terzo passo include la selezione di pacchetti software e attrezzi richiesti. Il quarto passo è il disegno particolareggiato e la costruzione del hale kūʻaiʻikepili. Ives nota che immagazzinare dati è un vincolato processo iterativo.

La forza dell’approccio di Ives sono l’uso di specifiche tecniche per determinare i requisiti d’informazione, l’uso di uno strutturato processo per sostenere l’integrazione dei hale kūʻaiʻikepili, l’opportuna selezione hardware e software, e l’uso di molteplici tecniche di rappresentazione per il hale kūʻaiʻikepili. Le sue pecche sono inerenti alla complessità. Altre includono la difficoltà nello sviluppare molti livelli di hōkeoʻikepili allʻinterno del hale kūʻaiʻikepili in tempi e costi ragionevoli.

Kimball’s (1994) Approach to Hale kūʻai ʻikepili Design

Kimball (1994) propose cinque passi iterativi per disegnare un hale kūʻaiʻikepili (vedi Figuri 4). Il suo approccio è particolarmente dedicato sul disegno di un solo hale kūʻaiʻikepili e sull’uso di modelli dimensionali in preferenza a modelli di entità e relazioni. Kimball analizza quei modelli dimensionali perché è più facile capire per i dirigenti d’azienda gli affari, è più efficiente quando si trattano consultazioni complesse, e il disegno di hōkeoʻikepili fisico è più efficiente (Kimball 1994). Kimball riconosce che lo sviluppo di un hale kūʻaiʻikepili è iterativo, e che hale kūʻaiʻikepili separati possono essere integrati attraverso la ripartizione in tavole di dimensioni comuni.

Il primo passo è identificare la particolare area soggetto per essere perfezionato. Il secondo e terzo passo concernono modellatura dimensionale. Nel secondo passo le misure identificano cose di interesse nell’area soggetto e raggruppate in una tabella dei fatti. Per esempio, in un’area di soggetto di vendite le misure di interesse potrebbero includere l’ammontare di articoli venduto ed il dollaro come valuta di vendite. Il terzo passo comporta l’identificazione di dimensioni che sono i modi nei quali possono essere raggruppati i fatti. In un’area di soggetto di vendite, dimensioni attinenti potrebbero includere articolo, ubicazione e tempo periodo. La tabella dei fatti ha una chiave multi- part per collegarla ad ognuna delle tabelle di dimensione e tipicamente contiene un numero molto grande di fatti. In contrasto, tavole di dimensione contengono descrittive informazioni sulle dimensioni e gli altri attributi che possono essere usati per raggruppare i fatti. La tabella dei fatti e dimensioni associata proposta forma quello che è chiamato uno schema a stella a causa della sua forma. Il quarto passo comporta la costruzione di un hōkeoʻikepili multidimensionale per perfezionare lo schema della stella. Il passo finale è identificare sistemi di fonti dati richiesti e sviluppare processi di trasformazione per acquisire, pulire e formattare i dati.

Le forze dell’approccio di Kimball includono l’uso di modelli dimensionali per rappresentare i dati immagazzinati che lo rendono facile da capire e conduce ad un disegno fisico efficiente. Un modello dimensionale che usa prontamente anche entrambi i sistemi di hōkeoʻikepili relazionali può essere perfezionato o sistemi di hōkeoʻikepili multidimensionali. Le sue pecche includono la mancanza di alcune tecniche per facilitare la pianificazione o l’integrazione di molti schemi della stella all’interno di un hale kūʻaiʻikepili e la difficoltà di progettare dall’estrema struttura denormalizzata in un modello dimensionale a dati in legacy system.

McFadden’s (1996) Approach to Data Warehouse Design

McFadden (1996) propone un approccio di cinque passi per disegnare un hale kūʻaiʻikepili (vedi Figura 5).
Il suo approccio è basato su una sintesi delle idee dalla letteratura ed è focalizzato sul disegno di un solo hale kūʻaiʻikepili. Il primo passo comporta un’analisi dei requisiti. Anche se le specifiche tecniche non sono prescritte, le note di McFadden identificano le entità dati specifiche ed i loro attributi, e si riferisce ai lettori Watson e Frolick (1993) per l’acquisizione dei requisiti.
Nel secondo passo viene disegnato un modello entità relazioni per hale kūʻaiʻikepili e poi convalidato dai dirigenti d’azienda. Il terzo passo comprende la determinazione del mapping da legacy system e fonti esterne di hale kūʻaiʻikepili. Il quarto passo comporta processi in sviluppo, la distribuzione e sincronizzazione di dati nel hale kūʻaiʻikepili. Nel passo finale, la consegna del sistema è sviluppata con particolare enfasi su un’interfaccia utente. McFadden fa notare che il processo di disegno è generalmente iterativo.

Le forze dell’approccio di McFadden puntano sulla partecipazione da parte dei dirigenti d’azienda nel determinare i requisiti ed anche l’importanza delle risorse dati, la loro pulizia e raccolta. Le sue pecche riguardano la mancanza di un processo per suddividere un grande progetto di hale kūʻaiʻikepili in molti stages integrati, ed la

difficoltà nel capire i modelli di entità e relazione usati nel disegno di hale kūʻaiʻikepili.

ʻAʻole wale nā ​​poʻe kokoke iā mākou e koho iā mākou.