डेटा वेयरहाउस और ईआरपी | केंद्रीय डाटा आर्काइव: इतिहास और घटनाओं

पुरालेख आंकड़े सेंट्रल: इतिहास और विकास

90 के दशक में कॉर्पोरेट प्रौद्योगिकी के दो प्रमुख विषय हैं
राज्य मैं डाटा गोदाम और ईआरपी. लंबे समय तक ये दोनों ताकतवर रहे
वर्तमान में कभी भी कॉर्पोरेट आईटी का हिस्सा नहीं रहा है
चौराहे. यह लगभग ऐसा था मानो वे पदार्थ और विरोधी पदार्थ हों। लेकिन
दोनों घटनाओं की वृद्धि अनिवार्य रूप से एक की ओर ले गई
उनका चौराहा. आज कंपनियां किस समस्या से जूझ रही हैं
ईआरपी के साथ क्या करें? डाटा गोदाम. यह आलेख वर्णन करेगा
समस्याएँ क्या हैं और कंपनियों द्वारा उनका समाधान कैसे किया जाता है।
शुरू में…
शुरुआत में वहाँ था डाटा गोदाम. डेटा वेयरहाउस के लिए पैदा हुआ था
लेनदेन प्रसंस्करण अनुप्रयोग प्रणाली का प्रतिकार करें।
शुरुआती दिनों में इसका स्मरण डेटा यह ऐसा ही होना था
कंप्यूटर प्रसंस्करण अनुप्रयोगों के लिए बस एक प्रतिरूप
लेन-देन. लेकिन आजकल बहुत अधिक परिष्कृत विचार हैं
किस चीज़ का ए डाटा गोदाम. आज की दुनिया में
डाटा गोदाम इसे एक ऐसी संरचना के भीतर डाला जाता है जो हो सकती है
कॉर्पोरेट सूचना फ़ैक्टरी कहा जाता है।
कॉर्पोरेट सूचना फ़ैक्टरी
(सीआईएफ)
कॉर्पोरेट सूचना फ़ैक्टरी में वास्तुशिल्प घटक हैं
मानक: कोड परिवर्तन और एकीकरण का एक स्तर
जो i को एकीकृत करता है डेटा जबकि मैं डेटा वे के वातावरण से चलते हैं
के पर्यावरण के प्रति अनुप्रयोग डाटा गोदाम कंपनी का; ए
डाटा गोदाम कंपनी का जहां डेटा
विस्तृत और एकीकृत इतिहास। डाटा गोदाम कंपनी के रूप में कार्य करता है
नींव जिस पर अन्य सभी भागों का निर्माण किया जा सकता है
के पर्यावरण का डाटा गोदाम; एक ऑपरेशनल डेटा स्टोर (ODS)।
ODS एक हाइब्रिड संरचना है जिसमें डेटा के कुछ पहलू शामिल होते हैं
गोदाम और ओएलटीपी पर्यावरण के अन्य पहलू; डेटा मार्ट, जहां मैं
विभिन्न विभागों के पास डेटा का अपना संस्करण हो सकता है
गोदाम; ए डाटा गोदाम अन्वेषण का जिसमें मैं
कंपनी के "दार्शनिक" अपने प्रश्न प्रस्तुत कर सकते हैं
बिना किसी हानिकारक प्रभाव के 72 घंटे डाटा गोदाम; और एक स्मृति
लाइन के पास, कहाँ डेटा पुराना और डेटा थोक विवरण हो सकता है
सस्ते में संग्रहित किया गया।
जहां ईआरपी एलए से जुड़ता है
कॉर्पोरेट सूचना फ़ैक्टरी
ईआरपी का दो स्थानों पर कॉर्पोरेट सूचना फैक्ट्री में विलय हो जाता है।
सबसे पहले एक बुनियादी एप्लिकेशन (बेसलाइन) के रूप में जो i प्रदान करता है
डेटा आवेदन के लिए डाटा गोदाम. इस मामले में मैं डेटा,
लेन-देन प्रक्रिया के उप-उत्पाद के रूप में उत्पन्न,
में एकीकृत और लोड किया गया है डाटा गोदाम कंपनी का।
ईआरपी और सीआईएफ और ओडीएस के बीच मिलन का दूसरा बिंदु। वास्तव में, बहुत सारे
वातावरण में ईआरपी का उपयोग क्लासिक ओडीएस के रूप में किया जाता है।
यदि ईआरपी को मुख्य अनुप्रयोग के रूप में उपयोग किया जाता है, तो यह
उसी ईआरपी का उपयोग सीआईएफ में ओडीएस के रूप में भी किया जा सकता है। में
किसी भी स्थिति में, यदि ईआरपी का उपयोग दोनों भूमिकाओं में किया जाना है
दोनों संस्थाओं के बीच स्पष्ट अंतर होना चाहिए। दूसरे शब्दों में,
जब ईआरपी कोर एप्लीकेशन और ओडीएस की भूमिका निभाता है
दो वास्तुशिल्प इकाइयां अलग-अलग होनी चाहिए। यदि एक
ईआरपी लागू करना दोनों भूमिकाओं को पूरा करने का प्रयास करता है
साथ ही इसमें अनिवार्य रूप से समस्याएं भी होंगी
इस संरचना का डिज़ाइन और कार्यान्वयन।
अलग-अलग ओडीएस और बुनियादी अनुप्रयोग
ऐसे कई कारण हैं जो घटक विभाजन का कारण बनते हैं
स्थापत्य. शायद अलग करने के लिए सबसे वाक्पटु प्रश्न
एक वास्तुकला के विभिन्न घटक वह प्रत्येक घटक है
वास्तुकला का अपना दृष्टिकोण है। बेसलाइन एप्लिकेशन कार्य करता है
ODS से भिन्न उद्देश्य के लिए। ओवरलैप करने का प्रयास करें
ODS की दुनिया पर एक आधारभूत अनुप्रयोग दृश्य या इसके विपरीत
यह काम करने का सही तरीका नहीं है.
नतीजतन, सीआईएफ में ईआरपी की पहली समस्या यह है
जांचें कि क्या बेसलाइन और एप्लिकेशन के बीच कोई अंतर है
ODS।
कॉर्पोरेट में डेटा मॉडल
सूचना फ़ैक्टरी
विभिन्न घटकों के बीच सामंजस्य स्थापित करना
सीआईएफ की वास्तुकला का एक मॉडल होना चाहिए डेटा. मैं
के मॉडल डेटा वे विभिन्न घटकों के बीच एक कड़ी के रूप में कार्य करते हैं
आधारभूत अनुप्रयोगों और ओडीएस जैसी वास्तुकला का।
के मॉडल डेटा के लिए "बौद्धिक रोड मैप" बनें
सीआईएफ के विभिन्न वास्तुशिल्प घटकों से सही अर्थ।
इस धारणा के साथ-साथ चलते हुए, विचार यह है कि ऐसा होना चाहिए
का एक महान और अद्वितीय मॉडल बनें डेटा. निःसंदेह उसे ऐसा करना होगा
एक रोल मॉडल बनें डेटा प्रत्येक घटक के लिए और वहाँ भी
यह एक समझदार पथ होना चाहिए जो विभिन्न मॉडलों को जोड़ता हो।
वास्तुकला का प्रत्येक घटक - ओडीएस, आधारभूत अनुप्रयोग,
डाटा गोदाम कंपनी की, इत्यादि.. - अपनी स्वयं की आवश्यकता है
का मॉडल डेटा. और इसलिए इसकी एक सटीक परिभाषा होनी चाहिए
इन मॉडलों की तरह डेटा वे एक-दूसरे के साथ इंटरफेस करते हैं।
मैं ले जाएँ आंकड़े डेटा में ईआरपी का
गोदाम
यदि की उत्पत्ति डेटा एक बेसलाइन एप्लिकेशन और/या एक ओडीएस है, जब
ईआरपी सम्मिलित करता है i डेटा नेल डाटा गोदाम, यह प्रविष्टि अवश्य होनी चाहिए
"ग्रैन्युलैरिटी" के निम्नतम स्तर पर होता है। पुनर्कथन या
बस समुच्चय I डेटा जैसे ही वे बाहर आते हैं
ईआरपी बेसलाइन एप्लिकेशन से या ईआरपी ओडीएस से नहीं है
सही कार्य करना। डेटा डेटा में विवरण की आवश्यकता है
डीएसएस प्रक्रिया का आधार बनाने के लिए गोदाम। ऐसा डेटा
उन्हें डेटा मार्ट और अन्वेषणों द्वारा कई तरीकों से नया आकार दिया जाएगा
डेल डाटा गोदाम.
का विस्थापन डेटा आधारभूत अनुप्रयोग परिवेश से
के पर्यावरण के लिए ईआरपी का डाटा गोदाम कंपनी का एक में बनाया गया है
यथोचित आरामदेह ढंग से। वह बदलाव उसके बाद होता है
ईआरपी में अद्यतन या निर्माण से लगभग 24 घंटे। का तथ्य
की "आलसी" चाल है डेटा नेल डाटा गोदाम
कंपनी की अनुमति है डेटा ईआरपी से "जमा" की ओर आ रहा है।
एक बार में डेटा बेसलाइन एप्लिकेशन में संग्रहीत हैं,
तो आप सुरक्षित रूप से स्थानांतरित कर सकते हैं डेटा ईआरपी का
व्यापार में। आंदोलन की बदौलत एक और लक्ष्य हासिल किया जा सकता है
"आलसी" देवता डेटा परिचालन प्रक्रियाओं और के बीच स्पष्ट चित्रण है
डीएसएस. की "तेज" गति के साथ डेटा विभाजन रेखा
डीएसएस और परिचालन के बीच अस्पष्टता बनी हुई है।
का आंदोलन डेटा ईआरपी ओडीएस से लेकर डाटा गोदाम
कंपनी का कार्य सामान्यतः समय-समय पर किया जाता है
साप्ताहिक या मासिक. इस मामले में आंदोलन
डेटा यह पुराने को "साफ" करने की आवश्यकता पर आधारित है डेटा इतिहासकार.
बेशक, ODS में i शामिल है डेटा जो बहुत अधिक नवीनतम हैं
की तुलना में डेटा इतिहासकारों ने पाया डाटा गोदाम.
का विस्थापन डेटा नेल डाटा गोदाम यह लगभग कभी नहीं किया गया है
"थोक" (थोक विक्रेता तरीके से)। एक तालिका कॉपी करें
ईआरपी वातावरण से लेकर डाटा गोदाम इसका कोई अर्थ नहीं निकलता है। एक दृष्टिकोण
की चयनित इकाइयों का आंदोलन कहीं अधिक यथार्थवादी है डेटा.
केवल मैं डेटा जो डेटा के अंतिम अद्यतन के बाद से बदल गए हैं
वेयरहाउस वे हैं जिन्हें डेटा में ले जाया जाना चाहिए
गोदाम। यह जानने का एक तरीका कि कौन से हैं डेटा उन्हें संशोधित किया गया है
चूँकि अंतिम अद्यतन के टाइमस्टैम्प को देखना है डेटा
ईआरपी वातावरण में पाया गया। डिज़ाइनर सभी परिवर्तनों का चयन करता है
जो अंतिम अद्यतन के बाद से दिखाई दे रहा है। एक और दृष्टिकोण
परिवर्तन अधिग्रहण तकनीकों का उपयोग करना है डेटा. साथ
ये तकनीकें लॉग और जर्नल टेप का विश्लेषण करती हैं
निर्धारित करें कि कौन से हैं डेटा ईआरपी वातावरण से स्थानांतरित किया जाना चाहिए
की डाटा गोदाम. ये तकनीकें सर्वोत्तम हैं
ईआरपी फाइलों से कितने लॉग और जर्नल टेप पढ़े जा सकते हैं
अन्य ईआरपी संसाधनों पर कोई और प्रभाव डाले बिना।
अन्य जटिलताएँ
सीआईएफ में ईआरपी के साथ एक समस्या यह है कि दूसरों के साथ क्या होता है
एप्लिकेशन स्रोत या एआई डेटा ओडीएस में उन्हें योगदान देना होगा
डाटा गोदाम लेकिन वे ईआरपी वातावरण का हिस्सा नहीं हैं। देखते हुए
ईआरपी की बंद प्रकृति, विशेष रूप से एसएपी, को एकीकृत करने का प्रयास
बाहरी स्रोतों से चाबियाँ डेटा साथ डेटा जो ईआरपी से आते हैं
मुझे स्थानांतरित करने का समय डेटा नेल डाटा गोदाम, यह एक बड़ी चुनौती है।
और वास्तव में संभावनाएं क्या हैं कि मैं डेटा अनुप्रयोगों का या
ईआरपी वातावरण के बाहर ओडीएस को डेटा में एकीकृत किया जाएगा
गोदाम? संभावनाएँ वास्तव में बहुत अधिक हैं।
खोजो आंकड़े ईआरपी से ऐतिहासिक
मेरे साथ एक और समस्या डेटा ईआरपी का परिणाम है
होने की आवश्यकता से डेटा इतिहासकारों के भीतर डाटा गोदाम.
आमतौर पर डाटा गोदाम उसे चाहिए डेटा इतिहासकार. और
ईआरपी तकनीक आमतौर पर इन्हें संग्रहीत नहीं करती है डेटा
ऐतिहासिक, कम से कम उस बिंदु तक नहीं जहां डेटा में यह आवश्यक हो
गोदाम। जब बड़ी मात्रा में डेटा इतिहासकार शुरू करते हैं
ईआरपी वातावरण में जोड़ा जाए, वह वातावरण अवश्य होना चाहिए
साफ। उदाहरण के लिए, मान लीजिए कि ए डाटा गोदाम देब्बा
पांच साल के साथ लोड किया जाए डेटा ऐतिहासिक जबकि ईआरपी रखता है
इनमें से अधिकतम छह माह डेटा. जब तक कंपनी संतुष्ट है
का एक सेट इकट्ठा करें डेटा समय बीतने के साथ इतिहासकार,
फिर ईआरपी को स्रोत के रूप में उपयोग करने में कोई समस्या नहीं है
डाटा गोदाम. लेकिन जब डाटा गोदाम जाना चाहिए
समय में वापस जाओ और देवताओं को ले जाओ डेटा इतिहासकार जो नहीं थे
पहले ईआरपी द्वारा एकत्र और सहेजा गया, फिर ईआरपी वातावरण द्वारा
अकुशल हो जाता है.
ईआरपी और मेटाडेटा
ईआरपी के बारे में एक और विचार डाटा गोदाम यह है कि
ईआरपी वातावरण में मौजूदा मेटाडेटा पर। साथ ही मेटाडेटा भी
ईआरपी परिवेश से आईटी परिवेश की ओर बढ़ें डाटा गोदाम,
मेटाडेटा को उसी तरह स्थानांतरित किया जाना चाहिए। इसके अलावा, मैं
मेटाडेटा को प्रारूप और संरचना में परिवर्तित किया जाना चाहिए
के बुनियादी ढांचे के लिए आवश्यक है डाटा गोदाम. वहाँ एक बड़ा है
परिचालन मेटाडेटा और डीएसएस मेटाडेटा के बीच अंतर. मेटाडेटा
परिचालन मुख्य रूप से डेवलपर और के लिए हैं
प्रोग्रामर. DSS मेटाडेटा मुख्य रूप से उपयोगकर्ता के लिए है
अंतिम। ईआरपी अनुप्रयोगों या ओडीएस में मौजूदा मेटाडेटा
उन्हें परिवर्तित किया जाना चाहिए और यह रूपांतरण हमेशा आसान नहीं होता है
और प्रत्यक्ष.
ईआरपी डेटा की सोर्सिंग
यदि ईआरपी का उपयोग प्रदाता के रूप में किया जाता है डेटा के लिए डाटा गोदाम ci
इसे एक ठोस इंटरफ़ेस की आवश्यकता है जो i को स्थानांतरित करे डेटा पर्यावरण से
पर्यावरण के लिए ई.आर.पी डाटा गोदाम. इंटरफ़ेस अवश्य होना चाहिए:
▪ उपयोग में आसान हो
▪ तक पहुंच की अनुमति दें डेटा ईआरपी का
▪ का अर्थ लीजिये डेटा जिन्हें स्थानांतरित किया जाने वाला है
नेल डाटा गोदाम
▪ ईआरपी की सीमाएं जानें जो उत्पन्न हो सकती हैं
जब डेटा ईआरपी का:
▪ संदर्भात्मक अखंडता
▪पदानुक्रमित रिश्ते
▪ निहित तार्किक संबंध
▪ आवेदन सम्मेलन
▪ की सभी संरचनाएँ डेटा ईआरपी द्वारा समर्थित, इत्यादि...
▪पहुंचने में कुशल बनें डेटा, उपलब्ध कराने के द्वारा:
▪ का सीधा संचलन डेटा
▪ परिवर्तन का अधिग्रहण डेटा
▪ समय पर पहुंच का समर्थन करें डेटा
▪के प्रारूप को समझें डेटा, और इसी तरह…
एसएपी के साथ इंटरफेसिंग
इंटरफ़ेस दो प्रकार का हो सकता है, घरेलू या व्यावसायिक।
कुछ प्रमुख ट्रेडिंग इंटरफेस में शामिल हैं:
▪ एसएएस
▪ प्राइम्स सॉल्यूशंस
▪ D2k, इत्यादि...
एकाधिक ईआरपी प्रौद्योगिकियाँ
ईआरपी पर्यावरण के साथ इस तरह व्यवहार करना जैसे कि यह एक एकल तकनीक हो
बड़ी गलती। कई ईआरपी प्रौद्योगिकियाँ हैं, जिनमें से प्रत्येक की अपनी-अपनी है
ताकत. बाज़ार में सबसे प्रसिद्ध विक्रेता हैं:
▪ एसएपी
▪ ओरेकल फाइनेंशियल्स
▪ पीपलसॉफ्ट
▪ जेडी एडवर्ड्स
▪बाण
एसएपी
SAP सबसे बड़ा और सबसे संपूर्ण ERP सॉफ़्टवेयर है। अनुप्रयोग
SAP में कई क्षेत्रों में कई प्रकार के अनुप्रयोग शामिल हैं। एसएपी के पास है
होने की प्रतिष्ठा:
▪ बहुत बड़ा
▪ इसे लागू करना बहुत कठिन और महंगा है
▪ बहुत से लोगों और सलाहकारों की आवश्यकता है
कार्यान्वित
▪ कार्यान्वयन के लिए विशेष लोगों की आवश्यकता है
▪क्रियान्वयन में काफी समय लगता है
इसके अतिरिक्त, SAP के पास अपना स्वयं का भंडारण करने की प्रतिष्ठा है डेटा बहुत
सावधानी से, जिससे किसी के लिए उन तक पहुंचना मुश्किल हो जाता है
एसएपी क्षेत्र से बाहर का व्यक्ति। SAP की ताकत होने की है
बड़ी मात्रा में कब्जा करने और भंडारण करने में सक्षम डेटा.
हाल ही में SAP ने विस्तार करने के अपने इरादे की घोषणा की
इसके अनुप्रयोग डाटा गोदाम. इसके कई पक्ष और विपक्ष हैं
एक आपूर्तिकर्ता के रूप में SAP का उपयोग करने में डाटा गोदाम.
एक फायदा यह है कि SAP पहले से ही स्थापित है और अधिकांश
सलाहकार पहले से ही SAP को जानते हैं।
आपूर्तिकर्ता के रूप में SAP होने के नुकसान डाटा गोदाम sono
अनेक: SAP के पास दुनिया का कोई अनुभव नहीं है डाटा गोदाम
यदि SAP आपूर्तिकर्ता है डाटा गोदाम, "बाहर निकालना" जरूरी है
i डेटा SAP से डाटा गोदाम. दातो SAP का ट्रैक रिकॉर्ड
बंद प्रणाली में, SAP से इसे प्राप्त करना आसान होने की संभावना नहीं है
यह (???)। ऐसे कई विरासती वातावरण हैं जो SAP को शक्ति प्रदान करते हैं,
जैसे कि IMS, VSAM, ADABAS, ORACLE, DB2 इत्यादि।
एसएपी "यहाँ आविष्कार नहीं किया गया" दृष्टिकोण पर जोर देता है। एसएपी यह नहीं चाहता
उपयोग करने या बनाने के लिए अन्य विक्रेताओं के साथ सहयोग करें डाटा गोदाम.
SAP अपने सभी सॉफ़्टवेयर स्वयं तैयार करने पर ज़ोर देता है।
हालाँकि SAP एक बड़ी और शक्तिशाली कंपनी है, तथ्य यह है
ELT, OLAP, प्रशासन की तकनीक को फिर से लिखने का प्रयास
सिस्टम और यहां तक ​​कि इसका मुख्य कोड भी डीबीएमएस यह बिल्कुल पागलपन है.
आपूर्तिकर्ताओं के साथ सहयोगात्मक रवैया अपनाने के बजाय
di डाटा गोदाम लंबे समय से, SAP ने इस दृष्टिकोण का अनुसरण किया है
वे "बेहतर जानते हैं"। यह रवैया सफलता को धीमा कर देता है
SAP के क्षेत्र में हो सकता है डाटा गोदाम.
बाहरी विक्रेताओं को प्रवेश की अनुमति देने से SAP का इनकार
उन्हें तुरंत और शालीनता से डेटा. के उपयोग का सार ही
un डाटा गोदाम तक आसान पहुंच है डेटा. SAP की पूरी कहानी है
इसे एक्सेस करना कठिन बनाने पर आधारित है डेटा.
बड़ी मात्रा से निपटने में एसएपी के पास अनुभव की कमी है डेटा;
के क्षेत्र में डाटा गोदाम के वॉल्यूम हैं डेटा तब से कभी नहीं देखा
एसएपी और इन बड़ी मात्रा का प्रबंधन करने के लिए डेटा आपके पास एक होना चाहिए
उपयुक्त प्रौद्योगिकी. जाहिर तौर पर एसएपी को इसकी जानकारी नहीं है
डेटा क्षेत्र में प्रवेश करने के लिए मौजूद तकनीकी बाधा
गोदाम।
SAP की कॉर्पोरेट संस्कृति: SAP ने एक व्यवसाय बनाया है
मैं प्राप्त करने में डेटा सिस्टम से. लेकिन ऐसा करने के लिए आपके पास होना चाहिए
एक अलग मानसिकता. परंपरागत रूप से, सॉफ्टवेयर कंपनियां जो थीं
किसी परिवेश में डेटा प्राप्त करने में अच्छे नहीं रहे हैं
दूसरे रास्ते पर जाने के लिए डेटा प्राप्त करना। यदि SAP इस प्रकार का कार्य कर सकता है
स्विच ऐसा करने वाली पहली कंपनी होगी।
संक्षेप में, यह संदिग्ध है कि क्या किसी कंपनी को चयन करना चाहिए
आपूर्तिकर्ता के रूप में SAP डाटा गोदाम. बहुत गंभीर खतरे हैं
एक ओर और दूसरी ओर बहुत कम पुरस्कार। लेकिन एक और भी है
कारण जो डेटा आपूर्तिकर्ता के रूप में SAP के चयन को हतोत्साहित करता है
गोदाम। क्योंकि हर कंपनी की तारीख एक ही होनी चाहिए
अन्य सभी कंपनियों के गोदाम? डाटा गोदाम यह दिल है
प्रतिस्पर्धात्मक लाभ का. अगर हर कंपनी इसे अपना ले
डाटा गोदाम यह कठिन होगा, यद्यपि असंभव नहीं,
प्रतिस्पर्धात्मक लाभ प्राप्त करें। एसएपी को लगता है कि ए
डाटा गोदाम एक कुकी के रूप में देखा जा सकता है और वह एक है
उनकी "डेटा प्राप्त करें" अनुप्रयोग मानसिकता का एक और संकेत
में"।
कोई अन्य ईआरपी विक्रेता एसएपी जितना प्रभावशाली नहीं है।
निस्संदेह ऐसी कंपनियां होंगी जो एसएपी के रास्ते पर चलेंगी
उनके लिए डाटा गोदाम लेकिन संभवतः ये तारीख़ है
एसएपी गोदाम बड़े, महंगे और मांग वाले होंगे
उनके निर्माण का समय।
इन परिवेशों में बैंक टेलर प्रोसेसिंग,
एयरलाइन आरक्षण प्रक्रियाएँ, शिकायत प्रक्रियाएँ
बीमा, इत्यादि। लेन-देन प्रणाली अधिक कार्यकुशल थी,
परिचालन और प्रक्रिया के बीच अलगाव की आवश्यकता अधिक स्पष्ट थी
डीएसएस (निर्णय समर्थन प्रणाली)। हालाँकि, संसाधन प्रणालियों के साथ
मानवीय और व्यक्तिगत, आप कभी भी अपने आप को बड़ी मात्रा में सामना करते हुए नहीं पाते हैं
लेन-देन. और, निःसंदेह, जब किसी व्यक्ति को काम पर रखा जाता है
या कंपनी छोड़ देता है यह लेनदेन का रिकॉर्ड है।
लेकिन अन्य प्रणालियों, मानव संसाधन प्रणालियों और के सापेक्ष
व्यक्तियों के पास बहुत अधिक लेन-देन नहीं होते हैं। इसलिए, में
मानव संसाधन और कार्मिक प्रणाली पूरी तरह से स्पष्ट नहीं है कि वहाँ है
डेटावेयरहाउस की आवश्यकता है. कई मायनों में ये प्रणालियाँ
DSS सिस्टम के विलय का प्रतिनिधित्व करते हैं।
लेकिन एक और कारक है जिस पर यदि आपको विचार करना ही होगा तो अवश्य करना चाहिए
डेटा वेयरहाउस और पीपलसॉफ्ट के साथ करें। कई परिवेशों में, मैं डेटा
व्यवसाय के लिए मानव और व्यक्तिगत संसाधन गौण हैं
कंपनी के प्रमुख. अधिकांश कंपनियाँ कार्यान्वित करती हैं
विनिर्माण, बिक्री, सेवाएँ प्रदान करना इत्यादि।
मानव संसाधन और कार्मिक प्रणालियाँ आमतौर पर गौण (या की) होती हैं
समर्थन) कंपनी की मुख्य व्यवसाय लाइन के लिए। इसलिए ऐसा है
अस्पष्ट और असुविधाजनक डाटा गोदाम के लिए अलग
मानव और व्यक्तिगत संसाधनों के लिए समर्थन।
इस संबंध में पीपुलसॉफ्ट एसएपी से बहुत अलग है। एसएपी के साथ, यह है
अनिवार्य है कि वहाँ एक है डाटा गोदाम. PeopleSoft के साथ, ऐसा नहीं है
तो इतना स्पष्ट. PeopleSoft के साथ डेटा वेयरहाउस वैकल्पिक है।
सबसे अच्छी बात जो मेरे लिए कही जा सकती है डेटा PeopleSoft वह डेटा है
संग्रहित करने के लिए गोदाम का उपयोग किया जा सकता है डेटा के बारे में
पुराने मानव और व्यक्तिगत संसाधन। दूसरा कारण
एक कंपनी किसका उपयोग करना चाहेगी? डाटा गोदाम a
PeopleSoft पर्यावरण का नुकसान पहुंच की अनुमति देना है और
विश्लेषण उपकरण, एआई तक निःशुल्क पहुंच डेटा पीपुलसॉफ्ट द्वारा. लेकिन
इन कारणों के अलावा, ऐसे मामले भी हो सकते हैं जहां ऐसा न करना बेहतर हो
के लिए एक डेटा वेयरहाउस है डेटा नर्म लोग।
संक्षेप में
डेटा के निर्माण के संबंध में कई विचार हैं
एक ईआरपी सॉफ्टवेयर के अंदर गोदाम।
इनमें से कुछ हैं:
▪ यह एक होना समझ में आता है डाटा गोदाम जो किसी से मिलता जुलता हो
उद्योग में और क्या?
▪ईआरपी कितनी लचीली है डाटा गोदाम सॉफ्टवेयर?
▪ एक ईआरपी डाटा गोदाम सॉफ़्टवेयर की मात्रा को संभाल सकता है
डेटा जो एक में स्थित हैडाटा गोदाम अखाड़ा"?
▪ ईआरपी विक्रेता जो ट्रेस लॉगिंग करता है वह क्या है
समय की दृष्टि से आसान और सस्ती, एआई का सामना करना पड़ा डेटा? (क्या
ईआरपी विक्रेताओं का सस्ती डिलीवरी पर ट्रैक रिकॉर्ड है
समय, डेटा तक पहुंच आसान?)
▪ डीएसएस आर्किटेक्चर के बारे में आपकी समझ क्या है और
ईआरपी विक्रेता द्वारा "कॉर्पोरेट सूचना फ़ैक्टरी"?
▪ ईआरपी विक्रेता समझते हैं कि कैसे हासिल करना है डेटा अंदर
पर्यावरण का, लेकिन यह भी समझें कि उनका निर्यात कैसे किया जाए?
▪ ईआरपी विक्रेता डेट टूल्स के प्रति कितना खुला है
भण्डारण?
निर्धारण में इन सभी बातों का ध्यान रखा जाना चाहिए
कहाँ रखना है डाटा गोदाम जो i की मेजबानी करेगा डेटा ईआरपी और अन्य की
डेटा. सामान्य तौर पर, जब तक कि कोई बाध्यकारी कारण न हो
अन्यथा करें, इसे बनाने की अनुशंसा की जाती है डाटा गोदाम बाहर
ईआरपी विक्रेता के परिवेश से।
अध्याय 1
बीआई संगठन का अवलोकन
प्रमुख बिंदु:
सूचना भंडार दूसरे तरीके से काम करते हैं
बिजनेस इंटेलिजेंस (बीआई) आर्किटेक्चर के लिए:
कॉर्पोरेट संस्कृति और आईटी सफलता को सीमित कर सकते हैं
बीआई संगठनों का निर्माण।
प्रौद्योगिकी अब बीआई संगठनों के लिए सीमित कारक नहीं रही।
वास्तुकारों और परियोजना नियोजकों के लिए समस्या यह नहीं है कि क्या
प्रौद्योगिकी मौजूद है, लेकिन अगर वे इसे प्रभावी ढंग से लागू कर सकते हैं
उपलब्ध प्रौद्योगिकी.
कई कंपनियों के लिए ए डाटा गोदाम यह एक गोदाम से थोड़ा अधिक है
निष्क्रिय जो i वितरित करता है डेटा उन उपयोगकर्ताओं के लिए जिन्हें इसकी आवश्यकता है। डेटा
उन्हें स्रोत प्रणालियों से निकाला जाता है और लक्ष्य संरचनाओं में भर दिया जाता है
di डाटा गोदाम. मैं डेटा इन्हें सभी से साफ भी किया जा सकता है
भाग्य। हालाँकि कोई अतिरिक्त मूल्य भी नहीं जोड़ा गया है
संग्रहकर्ता डेटा इस प्रक्रिया के दौरान.
अनिवार्य रूप से, निष्क्रिय Dw, सर्वोत्तम रूप से, उद्धार करता है
केवल मैं डेटा उपयोगकर्ता संघों के लिए स्वच्छ और क्रियाशील। वहाँ
सूचना निर्माण और विश्लेषणात्मक समझ निर्भर करती है
पूरी तरह से उपयोगकर्ताओं द्वारा। जज करें कि क्या DW (डेटा वेयरहाउस) है
सफलता व्यक्तिपरक है. अगर हम सफलता को इस आधार पर आंकें
i को कुशलतापूर्वक एकत्र करने, एकीकृत करने और साफ करने की क्षमता डेटा
पूर्वानुमानित आधार पर कॉर्पोरेट, तो हाँ, DW एक सफलता है।
दूसरी ओर, यदि हम संग्रह, समेकन और लो को देखें
फिर समग्र रूप से संगठन में सूचना का दोहन
डीडब्ल्यू एक विफलता है. एक DW बहुत कम या कोई मूल्य प्रदान नहीं करता है
जानकारी। परिणामस्वरूप, उपयोगकर्ताओं को ऐसा करने के लिए मजबूर होना पड़ता है,
इस प्रकार सूचना साइलो का निर्माण होता है। यह अध्याय प्रस्तुत करता है
बीआई (बिजनेस) की संरचना को संक्षेप में प्रस्तुत करने के लिए एक संपूर्ण दृष्टिकोण
कंपनी की इंटेलिजेंस) आइए बीआई ई के विवरण से शुरुआत करें
फिर हम डिज़ाइन और के बारे में चर्चा करेंगे
केवल i प्रदान करने के विपरीत, जानकारी विकसित करना डेटा
उपयोगकर्ताओं के लिए. फिर चर्चाएँ की गणना पर केंद्रित होती हैं
आपके बीआई प्रयासों का मूल्य। हम यह परिभाषित करके निष्कर्ष निकालते हैं कि आई.बी.एम
आपके संगठन की बीआई वास्तुशिल्प आवश्यकताओं को संबोधित करता है।
की वास्तुकला का वर्णन
बीआई संगठन
अब शक्तिशाली लेन-देन-उन्मुख सूचना प्रणालियाँ मौजूद हैं
हर बड़े उपक्रम में यह आम बात है, जैसा कि वे स्तर पर होते हैं
प्रभावी रूप से दुनिया भर के निगमों के लिए खेल का मैदान।
हालाँकि, प्रतिस्पर्धी बने रहने के लिए अब विश्लेषणात्मक प्रणालियों की आवश्यकता है
जिसकी ओर उन्मुख होकर एड को पुनः खोजकर कंपनी की क्षमता में क्रांति लायी जा सकती है
उनके पास पहले से मौजूद जानकारी का उपयोग करना। ये सिस्टम
विश्लेषण की समृद्धि से समझ उत्पन्न होती है डेटा
उपलब्ध। बीआई सभी सूचनाओं में प्रदर्शन में सुधार कर सकता है
कंपनी का। कंपनियां ग्राहक-से-ग्राहक संबंधों को बेहतर बना सकती हैं
आपूर्तिकर्ता, उत्पादों और सेवाओं के लाभ में सुधार करते हैं, उत्पन्न करते हैं
नए और बेहतर ऑफ़र, अपने जोखिम को नियंत्रित करें और कई अन्य चीज़ों के बीच
कमाई ने खर्चों में नाटकीय रूप से कटौती की। बीआई के साथ आपका
कंपनी अंततः ग्राहक जानकारी का उपयोग शुरू कर देती है
एक प्रतिस्पर्धी अच्छे के रूप में उन अनुप्रयोगों के लिए धन्यवाद जिनके उद्देश्य हैं
बाज़ार।
सही व्यवसाय होने का अर्थ है निश्चित उत्तर प्राप्त करना
प्रमुख प्रश्न जैसे:
▪हमारा कौन सा ग्राहकों वे हमें और अधिक कमाते हैं, या हम
क्या उन्हें घाटा होता है?
▪ जहां हमारे सबसे अच्छे लोग रहते हैं ग्राहकों के संबंध में दुकान/
वे गोदाम जहाँ वे बार-बार आते हैं?
▪ हमारा कौन सा उत्पाद और सेवा अधिक बिक सकता है
प्रभावी ढंग से और किससे?
▪ कौन से उत्पाद सबसे प्रभावी ढंग से और किसे बेचे जा सकते हैं?
▪ कौन सा विक्रय अभियान सर्वाधिक सफल है और क्यों?
▪ कौन से बिक्री चैनल किन उत्पादों के लिए सबसे प्रभावी हैं?
▪ हम अपने सबसे अच्छे लोगों के साथ रिश्ते कैसे सुधार सकते हैं ग्राहकों?
अधिकांश कंपनियों के पास है डेटा जवाब देना कठिन है
ये प्रश्न।
परिचालन प्रणालियाँ बड़ी मात्रा में उत्पाद उत्पन्न करती हैं
ग्राहक और का डेटा बिक्री के बिंदुओं से बाज़ार, आरक्षण,
ग्राहक सेवा और तकनीकी सहायता प्रणालियों द्वारा। चुनौती है
इस जानकारी को निकालें और उसका उपयोग करें।
कई कंपनियाँ केवल अपने छोटे हिस्से से ही लाभ कमाती हैं डेटा
रणनीतिक विश्लेषण के लिए.
I डेटा शेष, अक्सर i के साथ जुड़ जाता है डेटा जैसे बाहरी स्रोतों से उत्पन्न होना
"सरकारी रिपोर्ट", और अन्य खरीदी गई जानकारी, एक हैं
सोने की खदान अभी अन्वेषण की प्रतीक्षा में है, ईआई डेटा जरूर
केवल आपके सूचना संदर्भ में परिष्कृत किया जाए
संगठन।
इस ज्ञान को विभिन्न तरीकों, विविधताओं में लागू किया जा सकता है
एक समग्र कॉर्पोरेट रणनीति तैयार करने से लेकर
कॉल सेंटरों के माध्यम से आपूर्तिकर्ताओं के साथ व्यक्तिगत संचार,
चालान करना, इंटरनेट और अन्य बिंदु. आज का कारोबारी माहौल तय करता है
कि डीडब्ल्यू और संबंधित बीआई समाधान आगे विकसित होते हैं
पारंपरिक संरचनाओं का निष्पादन डेटा जो मैं डेटा को सामान्यीकृत किया गया
परमाणु-स्तर और "स्टार/क्यूब फ़ार्म"।
प्रतिस्पर्धी बने रहने के लिए किस चीज़ की आवश्यकता है, वह है मिश्रण
समर्थन करने के प्रयास में पारंपरिक और उन्नत प्रौद्योगिकियाँ
विशाल विश्लेषणात्मक परिदृश्य.
निष्कर्ष के तौर पर, सामान्य वातावरण को ज्ञान बढ़ाना चाहिए
समग्र रूप से कंपनी की ओर से की गई कार्रवाइयों को सुनिश्चित करना
किए गए विश्लेषणों के परिणाम उपयोगी होते हैं ताकि हर कोई ऐसा कर सके
फ़ायदा।
उदाहरण के लिए, मान लें कि आप अपना वर्गीकरण करते हैं ग्राहकों श्रेणियों में
उच्च या निम्न जोखिम.
यदि यह जानकारी किसी एक्सट्रैक्टिंग मॉडल से उत्पन्न होती है या
अन्य साधनों को डीडब्ल्यू में रखा जाना चाहिए और उन तक पहुंच योग्य बनाया जाना चाहिए
कोई भी, किसी भी एक्सेस टूल के माध्यम से, जैसे कि मैं
स्थैतिक रिपोर्ट, स्प्रेडशीट, टेबल, या विश्लेषणात्मक प्रसंस्करण
लाइन (ओएलएपी)।
हालाँकि, वर्तमान में, इस प्रकार की बहुत सारी जानकारी है
साइलो में रहो डेटा वे जिन व्यक्तियों या विभागों का सृजन करते हैं
विश्लेषण। समग्र रूप से संगठन की दृश्यता बहुत कम या शून्य है
समझ के लिए. बस इस प्रकार की सामग्री का मिश्रण है
आप अपनी कंपनी डीडब्ल्यू की जानकारी से साइलो को खत्म कर सकते हैं
जानकारी प्राप्त करें और अपने DW परिवेश को उन्नत करें।
किसी संगठन को विकसित करने में दो प्रमुख बाधाएँ हैं
बीआई का.
सबसे पहले, हमारे सामने संगठन की ही समस्या है
प्रासंगिक अनुशासन का.
भले ही हम नीति परिवर्तन में मदद नहीं कर सकते
संगठन के घटकों को समझने में हम मदद कर सकते हैं
एक बीआई संगठन, इसकी वास्तुकला और कैसे
आईबीएम प्रौद्योगिकी इसके विकास को सुगम बनाती है।
दूसरी बाधा जिसे दूर करना है वह है प्रौद्योगिकी की कमी
एकीकृत और एक ऐसी विधि का ज्ञान जो संपूर्ण स्थान को याद करता है
केवल एक छोटे घटक के विपरीत बीआई का।
आईबीएम प्रौद्योगिकी में बदलाव के साथ आ रहा है
एकीकृत का. डिज़ाइन प्रदान करना आपकी ज़िम्मेदारी है
संकोची। इस वास्तुकला को विकसित किया जाना चाहिए
बिना किसी बाधा के, या कम से कम एकीकरण के लिए चुनी गई तकनीक
प्रौद्योगिकी जो खुले मानकों का पालन करती है। इसके अलावा, आपका
कंपनी प्रबंधन को यह सुनिश्चित करना होगा कि Bi उद्यम है
कार्यक्रम के अनुसार किया गया और इसकी अनुमति नहीं दी गई
स्व-सेवा के परिणामस्वरूप सूचना साइलो का विकास
एजेंडा, या उद्देश्य।
इसका मतलब यह नहीं है कि बीआई पर्यावरण संवेदनशील नहीं है
विभिन्न उपयोगकर्ताओं की विभिन्न आवश्यकताओं और आवश्यकताओं पर प्रतिक्रिया करें; इसके बजाय, इसका मतलब है
कि उन व्यक्तिगत आवश्यकताओं और आवश्यकताओं का कार्यान्वयन है
संपूर्ण बीआई संगठन के लाभ के लिए किया गया।
बीआई संगठन वास्तुकला का विवरण हो सकता है
चित्र 9 में पृष्ठ 1.1 पर पाया जा सकता है। वास्तुकला प्रदर्शित करती है
प्रौद्योगिकियों और तकनीकों का एक समृद्ध मिश्रण।
पारंपरिक दृष्टिकोण से, वास्तुकला में निम्नलिखित घटक शामिल हैं
गोदाम का
परमाणु परत.
यह संपूर्ण डीडब्ल्यू की नींव, हृदय है और इसलिए
रणनीतिक रिपोर्टिंग.
I डेटा यहां संग्रहीत ऐतिहासिक अखंडता, संबंधों को बनाए रखेगा
डेटा और व्युत्पन्न मेट्रिक्स को शामिल करें, साथ ही स्वच्छ रहें,
निकालने वाले मॉडलों का उपयोग करके एकीकृत और संग्रहीत किया जाता है।
इनके बाद के सभी उपयोग डेटा और सम्बंधित जानकारी है
इस संरचना से प्राप्त. के लिए यह एक उत्कृष्ट स्रोत है
का निष्कर्षण डेटा और संरचित SQL क्वेरी वाली रिपोर्ट के लिए
का परिचालन डिपो डेटा या रिपोर्ट के आधार पर
डेटा(ऑपरेशनल डेटा स्टोर (ओडीएस) या रिपोर्टिंग
डेटाबेस.)
यह की एक संरचना है डेटा के लिए विशेष रूप से डिज़ाइन किया गया
तकनीकी रिपोर्टिंग.
I डेटा इन संरचनाओं पर अंततः संग्रहीत और रिपोर्ट की जा सकती है
संगठन क्षेत्र (स्टेजिंग) के माध्यम से गोदाम में प्रचार करें
क्षेत्र), जहां इसका उपयोग रणनीतिक सिग्नलिंग के लिए किया जा सकता है।
स्टेज का जगह।
अधिकांश के लिए पहला पड़ाव डेटा पर्यावरण के लिए अभिप्रेत है
गोदाम संगठन क्षेत्र है.
यहां मैं डेटा उन्हें एकीकृत, साफ़ और रूपांतरित किया जाता है डेटा वह उपयोगी है
गोदाम संरचना को आबाद कर देगा
डेटा मार्ट्स।
वास्तुकला का यह भाग की संरचना का प्रतिनिधित्व करता है डेटा उपयोग किया गया
विशेष रूप से OLAP के लिए. डेटामार्ट्स की उपस्थिति, यदि मैं डेटा sono
ओवरलैपिंग स्टार स्कीमा में संग्रहीत डेटा
एक संबंधपरक वातावरण में, या फाइलिंग कैबिनेट में बहुआयामी
di डेटा विशिष्ट OLAP प्रौद्योगिकी द्वारा उपयोग किया जाने वाला गोपनीय, जैसे कि
DB2 OLAP सर्वर, प्रासंगिक नहीं है.
एकमात्र बाधा यह है कि वास्तुकला इसके उपयोग की सुविधा प्रदान करती है डेटा
बहुआयामी.
वास्तुकला में महत्वपूर्ण बीआई प्रौद्योगिकियाँ और तकनीकें भी शामिल हैं
जो इस प्रकार प्रतिष्ठित हैं:
त्रिविमीय विश्लेषण
विश्लेषक के लिए अंतरिक्ष सूचनाओं का अप्रत्याशित भंडार है
समाधान पूर्ण करने के लिए महत्वपूर्ण है. अंतरिक्ष कर सकते हैं
किसी निश्चित स्थान पर रहने वाले लोगों के बारे में जानकारी का प्रतिनिधित्व करते हैं
स्थान, साथ ही यह जानकारी भी कि वह स्थान कहां है
भौतिक रूप से शेष विश्व की तुलना में।
इस विश्लेषण को करने के लिए, आपको स्वयं को जोड़कर शुरुआत करनी होगी
अक्षांश और देशांतर निर्देशांक पर जानकारी। क्या अर्थ है
इसे "जियोकोडिंग" कहा जाता है और यह निष्कर्षण का हिस्सा होना चाहिए,
परिवर्तन, और लोडिंग प्रक्रिया (ईटीएल) स्तर पर
आपके गोदाम का परमाणु.
डेटा खनन।
का निष्कर्षण डेटा हमारी कंपनियों को बढ़ने की अनुमति देता है
की संख्या ग्राहकों, बिक्री के रुझान की भविष्यवाणी करने और सक्षम करने के लिए
मैं के साथ संबंधों का प्रबंधन ग्राहकों (सीआरएम), की अन्य पहलों के बीच
बीआई।
का निष्कर्षण डेटा इसलिए इसे की संरचनाओं के साथ एकीकृत किया जाना चाहिए
डेटा ड्वहाउस के लिए और गोदाम प्रक्रियाओं द्वारा समर्थित
प्रौद्योगिकी का प्रभावी और कुशल उपयोग दोनों सुनिश्चित करें
संबंधित तकनीकें.
जैसा कि बीआई वास्तुकला में कहा गया है, परमाणु स्तर
ड्वाहाउस, साथ ही डेटामार्ट्स, इसका एक उत्कृष्ट स्रोत है डेटा
निष्कर्षण के लिए. वही संरचनाएं भी होनी चाहिए
निष्कर्षण परिणामों के प्राप्तकर्ताओं को उपलब्धता सुनिश्चित करने के लिए
सबसे बड़ा दर्शक वर्ग (सबसे व्यापक दर्शक वर्ग)।
एजेंटों।
प्रत्येक बिंदु के लिए ग्राहक की जांच करने के लिए विभिन्न "एजेंट" होते हैं, जैसे, i
कंपनी ऑपरेटिंग सिस्टम और वही dw। ये एजेंट कर सकते हैं
उन्नत तंत्रिका नेटवर्क के बारे में जानने के लिए प्रशिक्षित हों
प्रत्येक बिंदु के रुझान, जैसे उत्पाद की भविष्य की मांग आधारित
बिक्री प्रचार पर, प्रतिक्रिया देने के लिए नियम-आधारित इंजन
un दातो परिस्थितियों का सेट, या यहां तक ​​कि साधारण एजेंट जो
वे "शीर्ष अधिकारियों" को अपवादों की रिपोर्ट करते हैं। ये प्रक्रियाएँ हाँ
आम तौर पर वास्तविक समय में मौजूद होता है और इसलिए, अवश्य मौजूद होता है
उनके आंदोलन के साथ घनिष्ठ रूप से जुड़े रहें डेटा.
ये सभी संरचनाएँ डेटा, प्रौद्योगिकियाँ और तकनीकें गारंटी देती हैं
कि आप संगठन बनाने में रात नहीं बिताएंगे
आपका बीआई.
यह गतिविधि क्रमिक, छोटे चरणों में विकसित की जाएगी
अंक।
प्रत्येक चरण एक स्वतंत्र परियोजना प्रयास है, और रिपोर्ट किया गया है
आपके DW या BI पहल में एक पुनरावृत्ति के रूप में। पुनरावृत्तियाँ
इसमें नई तकनीकों का कार्यान्वयन शामिल हो सकता है
नई तकनीकों से शुरुआत करें, नई संरचनाएँ जोड़ें डेटा ,
लोड हो रहा है I डेटा पूरक, या विश्लेषण के विस्तार के साथ
आपका वातावरण. इस अनुच्छेद पर अधिक चर्चा की गई है
अध्याय 3 में गहराई से।
डीडब्ल्यू और बीआई उपकरणों की पारंपरिक संरचनाओं के अलावा अन्य भी हैं
आपके बीआई संगठन के कार्य जिनके लिए आपको अवश्य होना चाहिए
डिज़ाइन, जैसे:
ग्राहक स्पर्श बिंदु (ग्राहक स्पर्श
बताते हैं)।
जैसा कि सभी आधुनिक संगठनों में होता है, इनकी भी संख्या बहुत अधिक है
ग्राहक संपर्क बिंदु जो बताते हैं कि अनुभव कैसे प्राप्त किया जाए
आपके लिए सकारात्मक ग्राहकों. i जैसे पारंपरिक चैनल हैं
व्यापारी, स्विचबोर्ड ऑपरेटर, डायरेक्ट मेल, मल्टीमीडिया और प्रिंटिंग
विज्ञापन, साथ ही सबसे वर्तमान चैनल जैसे ईमेल और वेब, यानी डेटा
कुछ स्पर्श बिंदु वाले उत्पाद अवश्य प्राप्त किए जाने चाहिए,
परिवहन किया गया, साफ किया गया, संसाधित किया गया और फिर सुविधाओं तक पहुंचाया गया डेटा की
बीआई।
की मूल बातें डेटा परिचालन और उपयोगकर्ता संघ (ऑपरेशनल
डेटाबेस और उपयोगकर्ता समुदाय)।
के संपर्क बिंदुओं के अंत में ग्राहकों की नींव पाई जाती है डेटा
कंपनी के एप्लिकेशन और उपयोगकर्ता समुदायों का। डेटा मौजूदा
sono डेटा पारंपरिक जिसे एक साथ लाया जाना चाहिए और विलय किया जाना चाहिए डेटा कि
आवश्यक को पूरा करने के लिए संपर्क बिंदुओं से प्रवाह करें
जानकारी।
विश्लेषक। (विश्लेषक)
बीआई पर्यावरण का प्राथमिक लाभार्थी विश्लेषक है। वह वही है जो
के वर्तमान निष्कर्षण से लाभ डेटा परिचालन, के साथ एकीकृत
के विभिन्न स्रोत डेटा , एनालिटिक्स जैसी सुविधाओं के साथ संवर्धित
भौगोलिक (जियोकोडिंग) और बीआई प्रौद्योगिकियों में प्रस्तुत किया गया है
आपको OLAP, उन्नत SQL रिपोर्टिंग और विश्लेषण निकालने की अनुमति देता है
भौगोलिक. के वातावरण के लिए विश्लेषक के लिए प्राथमिक इंटरफ़ेस
रिपोर्टिंग बीआई पोर्टल है।
हालाँकि, विश्लेषक इस वास्तुकला से लाभान्वित होने वाला एकमात्र व्यक्ति नहीं है
बीआई।
प्रबंधक, बड़े उपयोगकर्ता संघ, और यहां तक ​​कि सदस्य, आपूर्तिकर्ता और भी
ग्राहकों उन्हें एंटरप्राइज़ बीआई में लाभ मिलना चाहिए।
बैक-फीड लूप.
बीआई आर्किटेक्चर एक सीखने का माहौल है। एक सिद्धांत
विकास की विशेषता निरंतर संरचनाओं की अनुमति देना है डेटा
प्रयुक्त बीआई प्रौद्योगिकी का उपयोग करके और कार्यों के माध्यम से अद्यतन किया जाना है
उपयोगकर्ता उपक्रम. एक उदाहरण का मूल्यांकन है
ग्राहक (ग्राहक स्कोरिंग)।
यदि बिक्री विभाग एक खनन मॉडल लागू करता है
किसी नई सेवा का उपयोग करने के लिए ग्राहक के स्कोर का, फिर
बिक्री विभाग एकमात्र लाभार्थी समूह नहीं होना चाहिए
सेवा का।
इसके बजाय, निकालने वाले मॉडल को एक भाग के रूप में चलाया जाना चाहिए
कंपनी के भीतर प्राकृतिक डेटा प्रवाह और ग्राहक के स्कोर
के सूचना संदर्भ का एक एकीकृत हिस्सा बनना चाहिए
गोदाम, सभी उपयोगकर्ताओं के लिए दृश्यमान। द्वि-बीआई-केंद्रित आईबीएम सुइट
DB2 UDB सहित, DB2 OLAP सर्वर में अधिकांश शामिल हैं
चित्र में परिभाषित महत्वपूर्ण प्रौद्योगिकी घटकों का हिस्सा
1.1.
हम वास्तुकला का उपयोग करते हैं जैसा कि पुस्तक के इस चित्र में दिखाई देता है
हमें निरंतरता का एक स्तर दें और प्रदर्शित करें कि प्रत्येक उत्पाद कैसा है
आईबीएम से बीआई के सामान्य पैटर्न में फिट बैठता है।
सूचना सामग्री प्रदान करना (प्रदान करना)।
जानकारी सामग्री)
अपने बीआई वातावरण को डिज़ाइन करना, विकसित करना और कार्यान्वित करना
एक कठिन ऑपरेशन. डिज़ाइन में दोनों को शामिल किया जाना चाहिए
वर्तमान और भविष्य की व्यावसायिक आवश्यकताएँ। वास्तुकला का डिज़ाइन
पाए गए सभी निष्कर्षों को शामिल करने के लिए पूर्ण होना चाहिए
डिज़ाइन चरण के दौरान. अमल कायम रहना चाहिए
एक ही उद्देश्य के लिए प्रतिबद्ध: बीआई वास्तुकला का विकास करना
जैसा कि ड्राइंग में औपचारिक रूप से प्रस्तुत किया गया है और की आवश्यकताओं पर आधारित है
व्यापार।
यह तर्क देना विशेष रूप से कठिन है कि अनुशासन सुनिश्चित करेगा
सापेक्ष सफलता.
यह सरल है क्योंकि आप संपूर्ण बीआई वातावरण विकसित नहीं करते हैं
अचानक, लेकिन समय के साथ छोटे-छोटे चरणों में किया जाता है।
हालाँकि, आपके आर्किटेक्चर के बीआई घटकों की पहचान करना है
दो कारणों से महत्वपूर्ण: आप बाद के सभी निर्णयों का मार्गदर्शन करेंगे
वास्तुशिल्प तकनीकें.
आप सचेत रूप से प्रौद्योगिकी के किसी विशेष उपयोग की योजना बनाने में सक्षम होंगे
हालाँकि हो सकता है कि आपको वह दोहराव न मिले जिसकी आपको आवश्यकता है
कई महीनों तक प्रौद्योगिकी।
आपकी व्यावसायिक आवश्यकताओं को पर्याप्त रूप से समझने से प्रकार प्रभावित होगा
वे उत्पाद जो आप अपनी वास्तुकला के लिए प्राप्त करेंगे।
आपके आर्किटेक्चर का डिज़ाइन और विकास सुनिश्चित करता है
कि आपका गोदाम है
कोई आकस्मिक घटना नहीं, बल्कि एक "सुविचारित" घटना,
ध्यान से बनाया गया विज्ञापन संचालित कला की पच्चीकारी की तरह
मिश्रित प्रौद्योगिकी.
सूचना सामग्री डिज़ाइन करें
सभी आरंभिक योजनाओं पर ध्यान केंद्रित करना चाहिए और उनकी पहचान करनी चाहिए
मुख्य बीआई घटक जिनकी पर्यावरण को आवश्यकता होगी
सामान्य अभी और भविष्य में।
व्यावसायिक आवश्यकताओं को जानना महत्वपूर्ण है।
सभी पारंपरिक योजना शुरू होने से पहले ही,
प्रोजेक्ट प्लानर अक्सर एक या दो की पहचान कर सकता है
घटक तुरंत.
उन घटकों का संतुलन जिनकी आवश्यकता हो सकती है
हालाँकि, आपका आर्किटेक्चर आसानी से नहीं मिल सकता है।
डिज़ाइन चरण के दौरान, वास्तुकला का मुख्य भाग
एप्लिकेशन डेवलपमेंट (जेएडी) सत्र को खोज से जोड़ता है
व्यावसायिक आवश्यकताओं की पहचान करना।
कभी-कभी इन आवश्यकताओं को उपकरणों को सौंपा जा सकता है
प्रश्न और रिपोर्टिंग.
उदाहरण के लिए, उपयोगकर्ता बताते हैं कि यदि वे स्वचालित करना चाहते हैं
वर्तमान में एक रिपोर्ट को एकीकृत करके मैन्युअल रूप से तैयार करना पड़ता है
दो वर्तमान अनुपात और उससे प्राप्त गणनाओं को जोड़ना
की संयोजन डेटा.
हालाँकि यह आवश्यकता सरल है, यह एक निश्चितता को परिभाषित करती है
उस सुविधा की कार्यक्षमता जिसे आपको कब शामिल करना चाहिए
अपने संगठन के लिए रिपोर्टिंग उपकरण खरीदें.
डिज़ाइनर को इसके लिए अतिरिक्त आवश्यकताओं का भी पालन करना होगा
एक संपूर्ण चित्र प्राप्त करें. उपयोगकर्ता सदस्यता लेना चाहते हैं
यह रिपोर्ट?
रिपोर्ट के सबसेट तैयार किए जाते हैं और विभिन्न को ईमेल के माध्यम से भेजे जाते हैं
उपयोगकर्ता? क्या वे इस रिपोर्ट को कंपनी पोर्टल में देखना चाहते हैं?
ये सभी आवश्यकताएँ साधारण आवश्यकता का हिस्सा हैं
उपयोगकर्ताओं के अनुरोध के अनुसार मैन्युअल रिपोर्ट बदलें। लाभ
इस प्रकार की आवश्यकताएं हर किसी, उपयोगकर्ताओं और डिजाइनरों के पास होती हैं
रिपोर्ट की अवधारणा की समझ।
हालाँकि, अन्य प्रकार के व्यवसाय भी हैं जिनके लिए हमें योजना बनाने की आवश्यकता है।
जब व्यावसायिक आवश्यकताओं को फॉर्म में बताया गया हो
व्यावसायिक रणनीतिक प्रश्न, विशेषज्ञ डिजाइनर के लिए आसान है
माप/तथ्य और आयामी आवश्यकताओं को समझें।
चित्र 1.2 ए के माप और आयामी घटकों को दर्शाता है
व्यवसायिक समस्या.
यदि JAD उपयोगकर्ता नहीं जानते कि अपनी आवश्यकताओं को कैसे बताया जाए
एक व्यावसायिक समस्या के रूप में, डिजाइनर अक्सर प्रदान करेगा
संग्रह सत्र को स्किप-स्टार्ट करने के लिए कुछ उदाहरण
आवश्यकताएं।
विशेषज्ञ डिज़ाइनर न केवल उपयोगकर्ताओं को समझने में मदद कर सकता है
रणनीतिक व्यापार, लेकिन यह भी कि इसे कैसे बनाया जाए।
आवश्यकताओं को एकत्रित करने के दृष्टिकोण पर अध्याय 3 में चर्चा की गई है; के लिए
अब हम केवल सभी के लिए डिज़ाइन की आवश्यकता को इंगित करना चाहते हैं
बीआई आवश्यकताओं के प्रकार
एक रणनीतिक व्यावसायिक समस्या केवल एक आवश्यकता नहीं है
व्यवसाय, लेकिन एक डिज़ाइन सुराग भी। अगर आपको जवाब देना है
एक बहुआयामी प्रश्न के लिए, आपको याद रखना होगा,
वर्तमान मैं डेटा आयामी, और यदि आपको स्टोर करने की आवश्यकता है
डेटा बहुआयामी, आपको यह तय करना होगा कि किस प्रकार की तकनीक या
जिस तकनीक का आप उपयोग करने जा रहे हैं।
क्या आप आरक्षित क्यूब स्टार स्कीमा लागू करते हैं, या दोनों?
जैसा कि आप देख सकते हैं, एक साधारण व्यावसायिक समस्या भी
डिज़ाइन को महत्वपूर्ण रूप से प्रभावित कर सकता है। तथापि
इस प्रकार की व्यावसायिक आवश्यकताएँ कम से कम सामान्य और समझने योग्य हैं
परियोजना अनुभव वाले डिजाइनरों और योजनाकारों द्वारा।
की प्रौद्योगिकियों और समर्थन के बारे में पर्याप्त बहस हुई है
OLAP, और समाधानों की एक विस्तृत श्रृंखला उपलब्ध है। अब तक
हमने आई के साथ सरल रिपोर्टिंग लाने की आवश्यकता का उल्लेख किया
व्यवसाय आयामी आवश्यकताएँ, और ये आवश्यकताएँ कैसे
तकनीकी वास्तुशिल्प निर्णयों को प्रभावित करें।
लेकिन ऐसी कौन सी आवश्यकताएं हैं जो आसानी से समझ में नहीं आतीं
उपयोगकर्ताओं द्वारा या DW टीम द्वारा? क्या आपको कभी एनालिटिक्स की जरूरत पड़ेगी
स्थानिक (विश्लेषण स्थानिक)?
के निकालने वाले मॉडल डेटा वे आपका एक आवश्यक हिस्सा होंगे
भविष्य? कौन जानता है?
यह ध्यान रखना महत्वपूर्ण है कि इस प्रकार की प्रौद्योगिकियां बहुत अच्छी नहीं हैं
सामान्य उपयोगकर्ताओं और टीम के सदस्यों के समुदायों द्वारा जाना जाता है
डीडब्ल्यू, आंशिक रूप से, ऐसा इसलिए हो सकता है क्योंकि वे आम तौर पर होते हैं
कुछ आंतरिक या तृतीय-पक्ष तकनीकी विशेषज्ञों द्वारा इलाज किया जाता है। यह है एक
इस प्रकार की प्रौद्योगिकियाँ उत्पन्न होने वाली समस्याओं का चरम मामला। खुद
उपयोगकर्ता व्यावसायिक आवश्यकताओं का वर्णन नहीं कर सकते या उन्हें फ़्रेम नहीं कर सकते
डिजाइनरों को दिशानिर्देश प्रदान करने के लिए, ये कर सकते हैं
किसी का ध्यान नहीं जाता या, इससे भी बदतर, बस अनदेखा कर दिया जाता है।
यह तब और अधिक समस्याग्रस्त हो जाता है जब डिज़ाइनर और डेवलपर ऐसा नहीं करते
इनमें से किसी एक उन्नत के अनुप्रयोग को पहचान सकते हैं लेकिन
महत्वपूर्ण प्रौद्योगिकियाँ।
जैसा कि हमने अक्सर डिज़ाइनरों को यह कहते सुना है, "ठीक है, क्योंकि
क्या हम इसे तब तक एक तरफ नहीं रख देते जब तक हमें यह दूसरी चीज़ नहीं मिल जाती?
“क्या वे वास्तव में प्राथमिकताओं में रुचि रखते हैं, या वे बस उनसे बचते हैं
आवश्यकताएँ वे नहीं समझते? यह संभवतः अंतिम परिकल्पना है।
मान लीजिए कि आपकी बिक्री टीम ने एक आवश्यकता बताई है
व्यवसाय का, जैसा कि चित्र 1.3 में बताया गया है, जैसा कि आप देख सकते हैं,
आवश्यकता को व्यावसायिक समस्या के रूप में तैयार किया गया है। वहाँ
इस समस्या और विशिष्ट आयामी समस्या के बीच अंतर है
दूरी। इस मामले में, बिक्री टीम जानना चाहती है,
मासिक आधार पर, उत्पादों, गोदामों आदि से कुल बिक्री
ग्राहकों जो उस गोदाम के 5 मील के दायरे में रहते हैं जहाँ वे हैं
उन्होने खरीदा।
अफसोस की बात है, डिजाइनर या आर्किटेक्ट बस ऐसा कर सकते हैं
यह कहकर स्थानिक घटक को अनदेखा करें, "हमारे पास ग्राहक है।"
उत्पाद और मैं डेटा जमा का. आइए तब तक दूरी बनाए रखें
एक और पुनरावृत्ति.
"गलत जवाब। इस प्रकार की व्यावसायिक समस्या चिंता का विषय है
बीआई पूरी तरह से. यह की गहरी समझ का प्रतिनिधित्व करता है
हमारा व्यवसाय और हमारे विश्लेषकों के लिए एक मजबूत विश्लेषणात्मक स्थान।
बीआई साधारण पूछताछ या मानक रिपोर्टिंग से परे है, या
यहां तक ​​कि OLAP भी. इसका मतलब यह नहीं है कि ये प्रौद्योगिकियां ऐसा नहीं करतीं
वे आपके बीआई के लिए महत्वपूर्ण हैं, लेकिन अपने आप में वे प्रतिनिधित्व नहीं करते हैं
बीआई पर्यावरण.
सूचना संदर्भ के लिए डिज़ाइन
(सूचना सामग्री के लिए डिजाइनिंग)
अब जब हमने उन व्यावसायिक आवश्यकताओं की पहचान कर ली है जो सामने आती हैं
एक ड्राइंग में विभिन्न मूलभूत घटकों को शामिल किया जाना चाहिए
सामान्य वास्तु. बीआई के कुछ घटक भाग हैं
हमारे शुरुआती प्रयासों में से कुछ को लागू नहीं किया जाएगा
कई महीनों।
हालाँकि, सभी ज्ञात आवश्यकताएँ डिज़ाइन में परिलक्षित होती हैं ताकि
जब हमें किसी विशेष तकनीक को लागू करने की आवश्यकता होती है, तो हम होते हैं
इसे करने के लिए तैयार हो जाओ. प्रोजेक्ट के बारे में कुछ विचार प्रतिबिंबित होंगे
पारंपरिक।
उदाहरण के लिए, अध्याय की शुरुआत में चित्र 1.1, एक डेटा दिखाता है
मार्ट जो मुझे रखता है डेटा आयामी.
का यह सेट डेटा के बाद के उपयोगों का समर्थन करने के लिए उपयोग किया जाता है
डेटा व्यावसायिक मुद्दों द्वारा संचालित आयामी आयाम
हमने पहचान लिया है. जैसे अतिरिक्त दस्तावेज़ हैं
उत्पन्न, जैसे कि डिज़ाइन विकास डेटा, हम
हम औपचारिक रूप देना शुरू करेंगे कि मैं कैसे डेटा वे वातावरण में फैल जाते हैं।
हमने i का प्रतिनिधित्व करने की आवश्यकता का पता लगा लिया है डेटा इतनी के रूप में
आयामी, उन्हें उप-विभाजित करना (विशिष्ट आवश्यकताओं के अनुसार)।
निर्धारित) डेटा मार्ट पर।
उत्तर देने के लिए अगला प्रश्न यह है: उनका निर्माण कैसे किया जाएगा
ये डेटा मार्ट?
क्या आप घनों का समर्थन करने के लिए तारों का निर्माण करते हैं, या केवल घनों का, या केवल तारों का?
(या दाएँ घन, या दाएँ तारे)। डेटा आर्किटेक्चर उत्पन्न करें
आश्रित मार्ट जिन्हें सभी के लिए एक परमाणु परत की आवश्यकता होती है डेटा
अधिग्रहीत? स्वतंत्र डेटा मार्ट को i प्राप्त करने की अनुमति दें डेटा
सीधे ऑपरेटिंग सिस्टम से?
आप किस क्यूब टेक्नोलॉजी को मानकीकृत करने का प्रयास करेंगे?
आपके पास भारी मात्रा में है डेटा आयामी विश्लेषण के लिए आवश्यक है
या आपको एक पर अपने राष्ट्रीय बिक्री बल के क्यूब्स की आवश्यकता है
साप्ताहिक आधार पर या दोनों? एक शक्तिशाली वस्तु बनाएँ
जैसे कि वित्त या कॉग्नोस क्यूब्स के लिए DB2 OLAP सर्वर
आपके विक्रय संगठन या दोनों के लिए पावरप्ले?
ये बड़े वास्तुशिल्प डिजाइन निर्णय हैं
यहां से आपके BI परिवेश पर प्रभाव पड़ेगा। हाँ,
आपने OLAP की आवश्यकता स्थापित कर ली है। अब आप उसे कैसे निभाएंगे
तकनीक एवं तकनीक का प्रकार?
कुछ सबसे उन्नत प्रौद्योगिकियाँ आपको कैसे प्रभावित करती हैं
चित्र? हम मानते हैं कि आपने एक आवश्यकता की पहचान कर ली है
आपके संगठन में स्थान. अब आपको याद करना होगा
अनियोजित होने पर भी वास्तुशिल्प ड्राइंग संबंधी समस्याएं
कई महीनों तक अंतरिक्ष घटकों को पूरा करना। वास्तुकार को चाहिए
आज आवश्यकता के आधार पर डिज़ाइन करें। की आवश्यकता का अनुमान लगाएं
स्थानिक विश्लेषण जो उत्पन्न करता है, संग्रहीत करता है, निष्पादित करता है और प्रदान करता है
तक पहुंच डेटा स्थानिक. बदले में इसे इस रूप में काम करना चाहिए
प्रौद्योगिकी के प्रकार और विशिष्टताओं के संबंध में बाधा
सॉफ़्टवेयर प्लेटफ़ॉर्म जिस पर आप वर्तमान में विचार कर सकते हैं। के लिए
उदाहरण के लिए, की प्रशासन प्रणाली डेटाबेस रिलेशनल
(आरडीबीएमएस) जो आप अपनी परमाणु परत के लिए करते हैं, वह अवश्य होना चाहिए
एक मजबूत स्थानिक विस्तार उपलब्ध है। इससे यह पता लगाया जा सकेगा
ज्यामिति और वस्तुओं का उपयोग करते समय अधिकतम प्रदर्शन
आपके विश्लेषणात्मक अनुप्रयोगों में स्थान। यदि आपका RDBMS नहीं है
मैं संभाल सकता हूँ डेटा (स्थानिक-केंद्रित) आंतरिक रूप से, इसलिए आपको करना होगा
एक स्थापित करें डेटाबेस (स्थानिक-केंद्रित) बाहरी। यह जटिल हो जाता है
समस्या प्रबंधन और आपके समग्र प्रदर्शन से समझौता करता है,
आपके लिए उत्पन्न अतिरिक्त समस्याओं का तो जिक्र ही नहीं
डीबीए, क्योंकि उनमें संभवतः न्यूनतम समझ होती है
के आधारों का डेटा स्थानिक भी. दूसरी ओर, यदि आपका इंजन
आरडीएमबीएस सभी स्थानिक घटकों और संबंधित को संभालता है
ऑप्टिमाइज़र विशेष आवश्यकताओं से अवगत है (उदाहरण के लिए,
स्थानिक वस्तुओं का अनुक्रमण) करें, तो आपके डीबीए उन्हें संभाल सकते हैं
मुद्दों को तुरंत प्रबंधित करें और आप उन्हें ऊपर उठा सकते हैं
प्रदर्शन।
इसके अतिरिक्त, आपको स्टेजिंग क्षेत्र और परत को समायोजित करने की आवश्यकता है
एड्रेस क्लीनअप को शामिल करने के लिए परमाणु वातावरण (a
स्थानिक विश्लेषण का प्रमुख तत्व), साथ ही निम्नलिखित
अंतरिक्ष वस्तुओं को सहेजना. के संस्करणों का क्रम
ड्राइंग अब भी जारी है क्योंकि हमने सफाई की अवधारणा पेश की है
पता। एक बात के लिए, यह एप्लिकेशन इसके प्रकार को निर्देशित करेगा
आपके ETL प्रयास के लिए आवश्यक सॉफ़्टवेयर।
आपको एक पता देने के लिए ट्रिलियम जैसे उत्पादों की आवश्यकता है
स्वच्छ, या एक ईटीएल प्रदाता जिसे आप इसे प्रदान करना चुनते हैं
कार्यक्षमता?
अभी के लिए यह महत्वपूर्ण है कि आप डिज़ाइन के स्तर की सराहना करें
अपना प्रदर्शन शुरू करने से पहले इसे पूरा किया जाना चाहिए
पर्यावरण (गोदाम)। उपरोक्त उदाहरण चाहिए
अनेक डिज़ाइन निर्णयों को प्रदर्शित करें जिनका पालन किया जाना चाहिए
किसी विशेष व्यावसायिक आवश्यकता की पहचान। यदि किया गया
सही रूप से, ये डिज़ाइन निर्णय आगे बढ़ते हैं
आपके पर्यावरण की भौतिक संरचनाओं के बीच परस्पर निर्भरता
प्रयुक्त प्रौद्योगिकी का चयन और उसके प्रसार का प्रवाह
जानकारी सामग्री। इस पारंपरिक वास्तुकला के बिना
बीआई के अनुसार, आपका संगठन एक मिश्रण के अधीन होगा
मौजूदा प्रौद्योगिकियों की अव्यवस्थितता, अधिक से अधिक, एक तरह से एकजुट है
स्पष्ट स्थिरता प्रदान करने के लिए सटीक नहीं है।
सूचना सामग्री बनाए रखें
अपने संगठन में जानकारी का मूल्य लाना है
एक बहुत ही कठिन ऑपरेशन. पर्याप्त समझ के बिना
और अनुभव, या पर्याप्त योजना और ड्राइंग, यहां तक ​​​​कि
बेहतर टीमें विफल हो जाएंगी. दूसरी ओर, यदि आपके पास कोई बड़ा
अंतर्ज्ञान और विस्तृत योजना लेकिन कोई अनुशासन नहीं
निष्पादन, आपने बस अपना पैसा और समय बर्बाद किया
क्योंकि आपका प्रयास विफल होने के लिए अभिशप्त है। संदेश चाहिए
स्पष्ट रहें: यदि आप इनमें से एक या अधिक को खो रहे हैं
कौशल, समझ/अनुभव या योजना/ड्राइंग या
कार्यान्वयन अनुशासन, इससे पंगु हो जाएगा या
बीआई संगठन की इमारत को नष्ट करें।
क्या आपकी टीम पर्याप्त रूप से तैयार है? आपके ऊपर कोई है
बीआई टीम जो उपलब्ध विशाल विश्लेषणात्मक परिदृश्य को समझती है
बीआई वातावरण में, आवश्यक तकनीकों और प्रौद्योगिकियों में
उस परिदृश्य को अंजाम देने के लिए? आपकी टीम में कोई है
जो उन्नत के बीच एप्लिकेशन अंतर को पहचान सकता है
स्थैतिक रिपोर्टिंग और OLAP, या ROLAP और OLAP के बीच अंतर? निम्न में से एक
आपकी टीम के सदस्य इस तरीके को स्पष्ट रूप से पहचानते हैं
निकालें और यह गोदाम को कैसे प्रभावित कर सकता है या कैसे
क्या गोदाम खनन प्रदर्शन को कायम रख सकता है? एक सदस्य
टीम का मूल्य समझता है डेटा अंतरिक्ष या प्रौद्योगिकी
एजेंट आधारित? क्या आपके पास कोई है जो अद्वितीय एप्लिकेशन की सराहना करता है
ईटीएल उपकरण बनाम ब्रोकर प्रौद्योगिकी
संदेश? यदि आपके पास एक नहीं है, तो एक प्राप्त करें। बीआई बहुत अधिक है
सामान्यीकृत परमाणु परत का बड़ा हिस्सा, OLAP का, योजनाओं का
स्टार और एक ODS.
आवश्यकताओं को पहचानने की समझ और अनुभव रखें
बीआई और उनके समाधान आपकी क्षमता के लिए आवश्यक हैं
उपयोगकर्ता की आवश्यकताओं और डिज़ाइन को सही ढंग से औपचारिक रूप दें
और उनके समाधान लागू करें। यदि आपके उपयोगकर्ता समुदाय के पास है
आवश्यकताओं का वर्णन करने में कठिनाई, यह टीम का कार्य है
गोदाम वह समझ प्रदान करता है। लेकिन अगर की टीम
गोदाम
बीआई के विशिष्ट अनुप्रयोग को नहीं पहचानता - उदाहरण के लिए, डेटा
खनन- तो यह बीआई वातावरण द्वारा की जाने वाली सबसे अच्छी चीज़ नहीं है
अक्सर निष्क्रिय जमा होने तक ही सीमित होते हैं। हालाँकि, इन्हें अनदेखा करें
प्रौद्योगिकियाँ उनके महत्व और उनके प्रभाव को कम नहीं करती हैं
आपकी व्यवसायिक खुफिया संभावनाओं के उभरने पर
संगठन, साथ ही आपके द्वारा डिज़ाइन की गई सूचना संरचना
बढ़ावा देना।
योजना में ड्राइंग, एड की धारणा शामिल होनी चाहिए
दोनों के लिए एक सक्षम व्यक्ति की आवश्यकता है। साथ ही, योजना
एक टीम वेयरहाउस दर्शन और अवलोकन की आवश्यकता है
मानकों का. उदाहरण के लिए, यदि आपकी कंपनी ने एक स्थापित किया है
मानक प्लेटफ़ॉर्म या आपने किसी विशेष RDBMS की पहचान की है
यदि हम पूरे प्लेटफ़ॉर्म पर मानकीकरण करना चाहते हैं, तो यह हम पर निर्भर है
टीम में हर कोई उन मानकों का पालन करता है। आम तौर पर एक
टीम सामान्यीकरण की आवश्यकता को उजागर करती है (उपयोगकर्ता के लिए)।
कम्यूनिटीज़), लेकिन टीम स्वयं इसमें शामिल होने को तैयार नहीं है
कंपनी के अन्य क्षेत्रों में या शायद यहाँ तक कि मानक भी स्थापित किए गए हैं
समान कंपनियाँ. यह न केवल पाखंडी है, बल्कि यह सुनिश्चित करता है कि कंपनी ऐसा न करे
मौजूदा संसाधनों और निवेश का दोहन करने में सक्षम है। इसका मतलब यह नहीं है
ऐसी कोई स्थितियाँ नहीं हैं जो किसी प्लेटफ़ॉर्म या की गारंटी देती हों
गैर-मानकीकृत तकनीक; हालाँकि, गोदाम प्रयास
उन्हें उत्साहपूर्वक उद्यम के मानकों की रक्षा करनी चाहिए
व्यावसायिक आवश्यकताएँ अन्यथा निर्देशित नहीं होतीं।
बीआई के निर्माण के लिए आवश्यक तीसरा प्रमुख घटक
संगठन ही अनुशासन है.
यह कुल मिलाकर व्यक्तियों और पर्यावरण पर समान रूप से निर्भर करता है।
परियोजना नियोजकों, प्रायोजकों, वास्तुकारों और उपयोगकर्ताओं को इसकी सराहना करनी चाहिए
कंपनी की सूचना संरचना के निर्माण के लिए आवश्यक अनुशासन।
डिज़ाइनरों को अपने डिज़ाइन प्रयासों को इस प्रकार निर्देशित करना चाहिए
समाज में अन्य आवश्यक प्रयास पूर्ण करें।
उदाहरण के लिए, मान लें कि आपकी कंपनी एक बनाती है
ईआरपी एप्लिकेशन जिसमें एक वेयरहाउस घटक होता है।
इसलिए यह ईआरपी डिजाइनरों की जिम्मेदारी है कि वे इसके साथ सहयोग करें
गोदाम पर्यावरण टीम ताकि प्रतिस्पर्धा न करें या
पहले से शुरू किए गए कार्य को डुप्लिकेट करें।
अनुशासन भी एक ऐसा विषय है जिसका ध्यान रखना जरूरी है
पूरे संगठन द्वारा और आमतौर पर इसकी स्थापना की जाती है और इसे सौंपा जाता है
कार्यकारी स्तर।
क्या प्रबंधक किसी डिज़ाइन किए गए दृष्टिकोण का पालन करने के इच्छुक हैं? ए
वह दृष्टिकोण जो सूचना सामग्री तैयार करने का वादा करता है
अंत व्यवसाय के सभी क्षेत्रों में मूल्य लाएगा, लेकिन शायद
क्या यह व्यक्तिगत या विभागीय एजेंडे से समझौता करता है? कहावत याद रखें
"सिर्फ एक चीज के बारे में सोचने से ज्यादा महत्वपूर्ण है हर चीज के बारे में सोचना।"
यह कहावत बीआई संगठनों के लिए सच है।
दुर्भाग्य से, कई गोदाम अपने प्रयासों पर ध्यान केंद्रित करते हैं
किसी विशेष विभाग को लक्षित करने और उसमें मूल्य लाने का प्रयास करना या
विशिष्ट उपयोगकर्ता, संगठन के प्रति बहुत कम सम्मान रखते हैं
सामान्य। मान लीजिए प्रबंधक टीम से सहायता का अनुरोध करता है
गोदाम. टीम 90 दिनों तक चलने वाले कार्य के साथ प्रतिक्रिया देती है
इसमें न केवल द्वारा परिभाषित अधिसूचना आवश्यकताओं की डिलीवरी शामिल है
प्रबंधक लेकिन यह सब सुनिश्चित करता है डेटा बेस को परत में मिलाया जाता है
क्यूब प्रौद्योगिकी में पेश होने से पहले परमाणु
प्रस्ताव।
यह इंजीनियरिंग जोड़ यह सुनिश्चित करता है कि का उपक्रम
गोदाम से लाभ होगा डेटा प्रबंधक के लिए आवश्यक.
हालाँकि, कार्यकारी ने बाहरी परामर्श फर्मों से बात की
4 से भी कम समय में डिलीवरी के साथ एक समान आवेदन का प्रस्ताव दिया है
सप्ताह.
यह मानते हुए कि आंतरिक वेयरहाउस टीम सक्षम है
प्रबंधक के पास एक विकल्प है. के अनुशासन का समर्थन कौन कर सकता है
संपत्ति बढ़ाने के लिए अतिरिक्त इंजीनियरिंग की आवश्यकता है
जानकारीपूर्ण व्यवसाय या आप अपना स्वयं का व्यवसाय बनाना चुन सकते हैं
शीघ्र समाधान. ऐसा लगता है कि आखिरी वाला सचमुच चुना गया है
बहुत बार और केवल सूचना कंटेनर बनाने के लिए कार्य करता है
जिसका लाभ केवल कुछ लोगों को अथवा व्यक्तिगत लाभ होता है।
लघु एवं दीर्घकालिक उद्देश्य
आर्किटेक्ट्स और प्रोजेक्ट डिजाइनरों को औपचारिक रूप देना होगा
समग्र वास्तुकला और योजनाओं का दीर्घकालिक दृष्टिकोण
एक बीआई संगठन में बढ़ें। का यह संयोजन
अल्पकालिक लाभ और दीर्घकालिक योजना
बीआई प्रयासों के दो पक्षों का प्रतिनिधित्व करते हैं। अल्पकालीन लाभ
समय सीमा बीआई का वह पहलू है जो इसकी पुनरावृत्तियों से जुड़ा है
आपका गोदाम.
योजनाकार, वास्तुकार और प्रायोजक यहीं पर ध्यान केंद्रित करते हैं
विशिष्ट व्यावसायिक आवश्यकताओं को पूरा करें। यह इस स्तर पर है जहां
भौतिक संरचनाएँ बनाई जाती हैं, प्रौद्योगिकी खरीदी जाती है और
तकनीकों को क्रियान्वित किया जाता है। वे बिल्कुल भी निपटने के लिए नहीं बने हैं
विशिष्ट उपयोगकर्ता समुदायों द्वारा परिभाषित विशिष्ट आवश्यकताएँ।
विशिष्ट परिभाषित आवश्यकताओं को पूरा करने के लिए सब कुछ किया जाता है
एक विशेष समुदाय से.
हालाँकि, दीर्घकालिक योजना दूसरा पहलू है
बीआई का. यह वह जगह है जहां योजनाओं और परियोजनाओं ने इसे सुनिश्चित किया
किसी भी भौतिक संरचना, चयनित प्रौद्योगिकियों और का निर्माण किया
उद्यम को ध्यान में रखकर बनाई गई तकनीकों का एहसास हुआ। और यह
दीर्घकालिक योजना जो सामंजस्य प्रदान करती है
यह सुनिश्चित करना आवश्यक है कि व्यावसायिक लाभ सभी को मिले
अल्पकालिक लाभ मिला।
अपने बीआई प्रयास को उचित ठहराएं
Un डाटा गोदाम अपने आप में इसका कोई अंतर्निहित मूल्य नहीं है। अन्य में
शब्दों में, प्रौद्योगिकियों के बीच कोई अंतर्निहित मूल्य नहीं है
गोदाम और कार्यान्वयन तकनीक.
किसी भी गोदाम प्रयास का मूल्य कार्यों में पाया जाता है
गोदाम के वातावरण और सामग्री का पालन करते हुए प्रदर्शन किया गया
समय के साथ जानकारीपूर्ण खेती की गई। यह समझने के लिए एक महत्वपूर्ण बिंदु है
इससे पहले कि आप किसी भी पहल के मूल्य का अनुमान लगाने का प्रयास करें
कहां घर।
अक्सर, आर्किटेक्ट और डिज़ाइनर मूल्य लागू करने का प्रयास करते हैं
गोदाम के भौतिक और तकनीकी घटक जब वास्तव में मूल्य है
व्यावसायिक प्रक्रियाओं पर आधारित है जो सकारात्मक रूप से प्रभावित होती हैं
गोदाम और अच्छी तरह से अर्जित जानकारी।
यहां बीआई की स्थापना की चुनौती है: आप निवेश को कैसे उचित ठहराते हैं?
यदि व्हेयरहाउस का कोई आंतरिक मूल्य नहीं है, तो डिजाइनर
परियोजना को लाभों की जांच, परिभाषित और औपचारिक बनाना चाहिए
उन व्यक्तियों द्वारा प्राप्त किया गया जो गोदाम का उपयोग करेंगे
विशिष्ट व्यावसायिक प्रक्रियाओं या के मूल्य में सुधार करें
संरक्षित जानकारी या दोनों।
मामलों को जटिल बनाने के लिए, कोई भी व्यावसायिक प्रक्रिया
गोदाम प्रयासों से प्रभावित होकर लाभ मिल सकता है
"काफ़ी" या "मामूली"। उल्लेखनीय लाभ प्रदान करते हैं
निवेश पर रिटर्न (आरओआई) मापने के लिए ठोस मीट्रिक - उदाहरण के लिए
उदाहरण के लिए, किसी अवधि के दौरान इन्वेंट्री को अतिरिक्त समय में बदलना
विशिष्ट या प्रति शिपमेंट कम शिपिंग लागत के लिए। यह ज्यादा है
मामूली लाभों को परिभाषित करना कठिन है, जैसे कि बेहतर पहुंच
जानकारी, वास्तविक मूल्य के संदर्भ में।
के बारे में जानने के लिए अपने प्रोजेक्ट से कनेक्ट करें
व्यावसायिक अनुरोध
अक्सर, प्रोजेक्ट डिज़ाइनर मूल्य को जोड़ने का प्रयास करते हैं
अनाकार कंपनी के उद्देश्यों के साथ गोदाम का। यह घोषणा करते हुए
“एक गोदाम का मूल्य हमारी क्षमता पर आधारित है
रणनीतिक अनुरोधों को पूरा करें" हम खोलते हैं
भाषण। लेकिन केवल यह निर्धारित करने के लिए पर्याप्त नहीं है कि क्या
इन्वेंट्री में निवेश करना समझ में आता है। दोहराव को जोड़ना बेहतर है
विशिष्ट और ज्ञात व्यावसायिक अनुरोधों वाले गोदामों की संख्या।
ROI मापना
वेयरहाउस सेटिंग में आरओआई की गणना की जा सकती है
विशेष रूप से कठिन. यदि लाभ हो तो यह विशेष रूप से कठिन है
किसी विशेष पुनरावृत्ति का सिद्धांत कुछ अमूर्त या है
मापना आसान है. एक अध्ययन में पाया गया कि उपयोगकर्ता अनुभव करते हैं
बीआई पहल के दो मुख्य लाभ:
▪ निर्णय लेने की क्षमता पैदा करें
▪ जानकारी तक पहुंच बनाएं
ये लाभ हल्के (या हल्के) लाभ हैं। यह देखना आसान है
हम हार्ड लीड (या) के आधार पर आरओआई की गणना कैसे कर सकते हैं?
अधिक) जैसे कि परिवहन की लागत को कम करना, लेकिन कैसे
क्या हम बेहतर निर्णय लेने की क्षमता मापते हैं?
प्रोजेक्ट डिजाइनरों के लिए यह निश्चित रूप से एक चुनौती है
वे कंपनी को किसी विशेष में निवेश करने के लिए मनाने की कोशिश कर रहे हैं
गोदाम प्रयास. बिक्री बढ़ रही है या लागत घट रही है
वे अब बीआई पर्यावरण को संचालित करने वाले केंद्रीय विषय नहीं हैं।
इसके बजाय, आप पहुंच के लिए व्यावसायिक अनुरोधों को देख रहे हैं
जानकारी के लिए सर्वोत्तम ताकि एक विशेष विभाग कर सके
तेजी से निर्णय लें. ये रणनीतिक चालक हैं a
जो व्यवसाय के लिए समान रूप से महत्वपूर्ण होते हैं लेकिन हैं
अधिक अस्पष्ट और मूर्त मीट्रिक में वर्णन करना अधिक कठिन।
इस मामले में, आरओआई की गणना अप्रासंगिक नहीं तो भ्रामक हो सकती है।
प्रोजेक्ट डिजाइनरों को मूल्य प्रदर्शित करने में सक्षम होना चाहिए
अधिकारियों के लिए यह तय करना आसान है कि निवेश करना है या नहीं
एक विशेष पुनरावृत्ति लागू होती है। हालाँकि, हम कोई नया प्रस्ताव नहीं देंगे
आरओआई की गणना के लिए विधि, न ही हम या के लिए कोई तर्क देंगे
उसके खिलाफ।
ऐसे कई लेख और पुस्तकें उपलब्ध हैं जो बुनियादी बातों पर चर्चा करती हैं
ROI की गणना करें. मूल्य के रूप में विशेष मूल्य प्रस्ताव हैं
गार्टनर जैसे समूहों द्वारा प्रस्तावित निवेश (वीओआई) पर, जो आप कर सकते हैं
अनुसंधान करना। इसके बजाय, हम किसी के मुख्य पहलुओं पर ध्यान केंद्रित करेंगे
आरओआई या अन्य मूल्य प्रस्ताव जिन पर आपको विचार करने की आवश्यकता है।
आरओआई लागू करना
"कठिन" लाभ बनाम "नरम" लाभ तर्क से परे
बीआई प्रयासों से जुड़े अन्य मुद्दों पर भी विचार करना होगा
जब हम ROI लागू करते हैं. उदाहरण के लिए:
आने वाले समय में होने वाली बहुत सी बचतों का श्रेय DW प्रयासों को दें
किसी भी स्थिति में
मान लीजिए कि आपकी कंपनी एक आर्किटेक्चर से बनी है
एक वितरित UNIX वातावरण के लिए मेनफ्रेम। तो कोई भी
वह बचत जो उस प्रयास से प्राप्त हो भी सकती है (या नहीं भी)।
यदि बिल्कुल भी (?), तो इसे विशेष रूप से जिम्मेदार नहीं ठहराया जाना चाहिए
गोदाम।
हर चीज़ का हिसाब न रखना महंगा है। और करने को बहुत सी चीजें हैं
विचार करना। निम्नलिखित सूची पर विचार करें:
▪ व्यवहार्यता सहित स्टार्ट-अप लागत।
▪ संबंधित भंडारण के साथ समर्पित हार्डवेयर की लागत
संचार
▪प्रबंधन सहित सॉफ्टवेयर की लागत डेटा और एक्सटेंशन
क्लाइंट/सर्वर, ईटीएल सॉफ्टवेयर, डीएसएस प्रौद्योगिकियां, उपकरण
विज़ुअलाइज़ेशन, प्रोग्रामिंग और प्रवाह अनुप्रयोग
काम और निगरानी सॉफ्टवेयर, .
▪संरचना डिजाइन लागत डेटा, अहसास के साथ, और
का अनुकूलन
▪ सॉफ़्टवेयर विकास लागत सीधे प्रयास से जुड़ी हुई है
BI
▪ घरेलू सहायता की लागत, जिसमें अनुकूलन भी शामिल है
सॉफ़्टवेयर संस्करण नियंत्रण और सहित प्रदर्शन
सहायता संचालन
"बिग-बैंग" आरओआई लागू करें।
गोदाम का निर्माण एक एकल एवं विशाल प्रयास के रूप में
विफल होना तय है, इसलिए किसी पहल के लिए आरओआई की भी गणना करें
बड़े उद्यम का यह प्रस्ताव आश्चर्यजनक है, और वह है डिजाइनर
संपूर्ण के मूल्य का अनुमान लगाने के कमजोर प्रयास जारी रखें
कोशिश।
क्योंकि डिज़ाइनर एक मौद्रिक मूल्य देने का प्रयास करते हैं
व्यावसायिक पहल पर यदि यह व्यापक रूप से ज्ञात और स्वीकृत है
क्या विशिष्ट प्रतिनिधियों का अनुमान लगाना कठिन है? ऐसा कैसे हो सकता है? यह नहीं है
कुछ अपवादों के साथ संभव है. ऐसा मत करो.
अब जब हमने यह स्थापित कर लिया है कि गणना करते समय क्या नहीं करना है
आरओआई, यहां कुछ बिंदु हैं जो हमें परिभाषित करने में मदद करेंगे
आपके बीआई प्रयासों के मूल्य का अनुमान लगाने के लिए एक विश्वसनीय प्रक्रिया।
आरओआई सर्वसम्मति प्राप्त करना। आपकी परवाह किए बिना
आपके बीआई प्रयासों के मूल्य का अनुमान लगाने के लिए तकनीक का चयन आवश्यक है
परियोजना डिजाइनरों सहित सभी पक्षों द्वारा सहमत होना,
प्रायोजक और कंपनी के अधिकारी।
आरओआई को पहचान योग्य भागों में कम करें। की ओर एक आवश्यक कदम
आरओआई की उचित गणना उस गणना पर ध्यान केंद्रित करना है
विशिष्ट परियोजना. इसके बाद यह आपको एक मूल्य का अनुमान लगाने की अनुमति देता है
पूरी की गई विशिष्ट व्यावसायिक आवश्यकताओं के आधार पर
लागतों को परिभाषित करें. जैसा कि उल्लेख किया गया है, कई लागतें होनी चाहिए
माना। इसके अलावा, लागतों में न केवल संबद्ध लागतें शामिल होनी चाहिए
एकल पुनरावृत्ति के साथ-साथ संबंधित लागतों के लिए भी
कंपनी के मानकों का अनुपालन सुनिश्चित करना।
लाभ को परिभाषित करें. आरओआई को आवश्यकताओं से स्पष्ट रूप से जोड़ना
विशिष्ट व्यवसायों, हमें पहचानने में सक्षम होना चाहिए
लाभ जो आवश्यकताओं को पूरा करने में सहायक होंगे।
आसन्न मुनाफे में लागत और लाभ कम करें। यही रास्ता है
अपने मूल्यांकन को शुद्ध वर्तमान मूल्य पर आधारित करना सबसे अच्छा है
(एनपीवी) भविष्य के मूल्य की भविष्यवाणी करने के प्रयास के विपरीत
भविष्य की कमाई.
अपने आरओआई को विभाजित करने का समय न्यूनतम रखें। और'
आपके यहां इसका उपयोग किए जाने की लंबी अवधि के दौरान अच्छी तरह से प्रलेखित किया गया है
लागत पर लाभ।
एक से अधिक ROI फ़ॉर्मूले का उपयोग करें. इसके लिए अनेक विधियाँ हैं
आरओआई भविष्यवाणी और आपको योजना बनानी चाहिए कि एक का उपयोग करना है या नहीं
साथ ही, शुद्ध वर्तमान मूल्य, रिटर्न का आंतरिक वेग भी शामिल है
(आईआरआर) और रिकवरी।
दोहराने योग्य प्रक्रिया को परिभाषित करें। यह गणना के लिए महत्वपूर्ण है
कोई भी दीर्घकालिक मूल्य। इसे प्रलेखित किया जाना चाहिए
सभी प्रोजेक्ट अनुवर्ती के लिए एकल दोहराने योग्य प्रक्रिया a
का पालन करें।
सूचीबद्ध समस्याएं विशेषज्ञों द्वारा परिभाषित सबसे आम हैं
गोदाम के वातावरण का. प्रबंधन की ओर से जिद जारी है
"बिग-बैंग" आरओआई वितरित करना बहुत भ्रमित करने वाला है। यदि आप सब शुरू करते हैं
आपके आरओआई की गणना उन्हें पहचाने जाने योग्य और मूर्त टुकड़ों में कम करके, आपके पास है
सटीक आरओआई मूल्यांकन का अनुमान लगाने का एक अच्छा मौका।
आरओआई लाभों से संबंधित प्रश्न
आपके जो भी फायदे हैं, नरम या सख्त, आप उनका उपयोग कर सकते हैं
उनका मूल्य निर्धारित करने के लिए कुछ बुनियादी प्रश्न। को
उदाहरण के लिए, एक सरल स्केलिंग प्रणाली का उपयोग करके, 1 से 10 तक, आप
आप निम्नलिखित का उपयोग करके किसी भी प्रयास के प्रभाव को ट्रैक कर सकते हैं
प्रशन:
▪ आप किस प्रकार की समझ का मूल्यांकन करेंगे डेटा इसके बाद
आपकी कंपनी का प्रोजेक्ट?
▪ परिणामस्वरूप आप प्रक्रिया में सुधार का अनुमान कैसे लगाएंगे?
इस प्रोजेक्ट?
▪ अब आप नई अंतर्दृष्टि और निष्कर्षों के प्रभाव को कैसे मापेंगे
इस पुनरावृत्ति द्वारा उपलब्ध कराया गया
▪ नए कंप्यूटर वातावरण का क्या प्रभाव पड़ा है उदा
जो सीखा गया था उसके परिणामस्वरूप प्रदर्शन करना?
अगर इन सवालों के जवाब कम हैं तो ये संभव है
कंपनी किए गए निवेश के लायक नहीं है। उच्च के साथ प्रश्न
स्कोर महत्वपूर्ण मूल्य लाभ की ओर इंगित करता है और होना भी चाहिए
आगे की जांच के लिए मार्गदर्शक के रूप में कार्य करें।
उदाहरण के लिए, प्रक्रिया में सुधार के लिए एक उच्च अंक
इसे डिजाइनरों को यह जांचने के लिए प्रेरित करना चाहिए कि प्रक्रियाएं कैसी हैं
सुधार किया गया. आप पाएंगे कि आपको कुछ या पूरा लाभ प्राप्त होगा
वे मूर्त हैं और इसलिए मौद्रिक मूल्य आसानी से प्राप्त किया जा सकता है
लागू।
के पहले पुनरावृत्ति से अधिकतम लाभ प्राप्त करना
गोदाम
आपके व्यावसायिक प्रयास का सबसे बड़ा परिणाम अक्सर होता है
पहले कुछ पुनरावृत्तियाँ। परंपरागत रूप से ये पहले प्रयास हैं
जनता के लिए सबसे उपयोगी सूचना सामग्री स्थापित करें और
बाद वाले के लिए प्रौद्योगिकी आधार सहायता स्थापित करता है
बीआई अनुप्रयोग.
आमतौर पर प्रत्येक आगामी अनुवर्ती डेटा परियोजना का
गोदाम कंपनी के लिए कम से कम अतिरिक्त मूल्य लाते हैं
सामान्य। यह विशेष रूप से सच है यदि आप पुनरावृति नहीं करते हैं
नए विषय जोड़ता है या किसी नए विषय की आवश्यकताओं को पूरा नहीं करता है
उपयोगकर्ताओं का समुदाय.
भंडारण की यह सुविधा बैटरियों पर भी लागू होती है
का बढ़ना डेटा इतिहासकार. चूंकि बाद के प्रयासों के लिए और अधिक की आवश्यकता है
डेटा और कितना डेटा समय के साथ अधिकांश को गोदाम में डाल दिया जाता है
डेटा प्रयुक्त विश्लेषण के प्रति कम प्रासंगिक हो जाता है। इन डेटा sono
अक्सर कॉल किया गया डेटा निष्क्रिय और उन्हें रखना हमेशा महंगा होता है क्योंकि
उनका उपयोग लगभग कभी नहीं किया जाता है।
परियोजना प्रायोजकों के लिए इसका क्या अर्थ है? मूलतः, मैं
शुरुआती प्रायोजक निवेश की लागत कितनी है, इसका अधिक हिस्सा साझा करते हैं।
यह प्राथमिक है क्योंकि वे परत की स्थापना के लिए प्रेरणा हैं
व्यापक तकनीकी वातावरण और गोदाम संसाधन,
जैविक सहित.
लेकिन ये पहले कदम उच्चतम मूल्य लाते हैं और इसलिए डिजाइनर
परियोजनाओं को अक्सर निवेश को उचित ठहराना पड़ता है।
आपकी बीआई पहल के बाद की गई परियोजनाओं की लागत हो सकती है
निम्न (पहले की तुलना में) और प्रत्यक्ष, लेकिन कम मूल्य लाते हैं
कंपनी के लिए।
और संगठन मालिकों को विचार करना शुरू करना होगा
के संचय को फेंक दो डेटा e di tecnologie meno rilevanti.
Data Mining : Estrazione देना
Numerosi componenti architettonici richiedono variazioni di
tecnologie e tecniche di data mining—
per esempio, i diversi “agenti” per l’esame dei punti di interesse del
ग्राहकों, i sistemi operativi dell’azienda e per lo stesso dw. Questi
agenti possono essere reti neurali avanzate addestrate alle
tendenze del POT, quale la richiesta futura del prodotto basata sulle
promozioni di vendite; motori basati sulle regole (rules-based) per
reagire a un insieme दातो di circostanze, ad esempio, diagnosi
medica e raccomandazioni di trattamento; o persino agenti semplici
col ruolo di riportare le eccezioni ai dirigenti superiori (top
executives). Generalmente questi processi di estrazione डेटा si
verificano in tempo reale; quindi, essi devono essere uniti
completamente con il movimento dei डेटा खुद को।
Online Analytic Processing Elaborazione
Analitica Online
La capacità di affettare, spezzettare, arrotolare, trapanare giù (drilldown)
ed effettuare l’analisi
cosa-se, è all’interno dell’ambito, dell’obiettivo della suite
tecnologica IBM. Ad esempio, le funzioni di trattamento analitico
online (OLAP) esistono per DB2 che porta l’analisi dimensionale nel
का इंजन डेटाबेस stesso .
Le funzioni aggiungono l’utilità dimensionale a SQL mentre
sfruttano tutti i benefici di essere una parte naturale di DB2. Un altro
esempio di integrazione di OLAP è lo strumento di estrazione, DB2
OLAP Analizzatore Server. Questa tecnologia permette ai cubi del
Server DB2 OLAP di essere rapidamente e automaticamente
analizzati per individuare e riferire su valori dei डेटा insoliti o inattesi
per tutto il cubo all’analista commerciale. E, infine, le funzioni del
Centro di DW forniscono mezzi perché architetti controllino, tra le
altre cose, il profilo di un cubo server DB2 OLAP come una parte
naturale dei processi ETL.
Spatial Analysis Analisi Spaziale
Lo spazio rappresenta la metà delle ancore (conduzioni) analitiche
necessarie per un panorama
analitico largo (il tempo rappresenta l’altra metà). Il livello atomico
(atomic-level ) del magazzino, rappresentato nella Figura 1.1,
include i fondamenti sia per tempo che per spazio. Le registrazioni
dell’ora ancorano analisi per tempo e informazioni di indirizzo
ancorano analisi da spazio. Le marcatura orarie (Timestamps)
conducono l’analisi per tempo, e l’informazione di indirizzo conduce
l’analisi per spazio. Il diagramma mostra geocoding–processo di
conversione indirizzi a punti in una mappa o punti nello spazio
cosicché i concetti come distanza e interno/esterno possano essere
utilizzati nell’analisi–condotto a livello atomico e l’analisi spaziale
che è messa a disposizione dell’analista. IBM fornisce estensioni
spaziali, sviluppati con l’Istituto Ricerca Sistema Ambientale (ESRI),
al डेटाबेस DB2 in modo che gli oggetti spaziali possano essere
conservati come una parte normale del डेटाबेस relazionale. DB2
Spatial Extenders, forniscono anche tutte le estensioni SQL per
sfruttare l’analisi spaziale. Ad esempio, le estensioni SQL da
interrogare sulla
distanza fra indirizzi o se un punto è interno o esterno ad un’area
poligonale definita, sono uno standard analitico con il Spatial
Extender. Consultate il capitolo 16 per ulteriori informazioni.
डाटाबेस-Resident Tools Strumenti डाटाबेस-
निवास
DB2 ha molte caratteristiche SQL BI-resident che assistono
nell’azione di analisi. Questi includono:
▪ Le funzioni di ricorsione per eseguire analisi, come “trovare
tutti i possibili percorsi di volo da सैन फ्रांसिस्को a न्यूयॉर्क".
▪ Le funzioni analitiche per il ranking, funzioni cumulative, cubo
e rollup per agevolare i compiti che normalmente si verificano
solo con la tecnologia OLAP, sono ora una parte naturale del
का इंजन डेटाबेस
▪ La capacità di creare tabelle che contengano risultati
के विक्रेता डेटाबेस leader mischiano di più delle funzionalità BI
नेल डेटाबेस खुद।
I fornitori principali della डेटाबेस stanno mescolando più delle
funzionalità della BI nel डेटाबेस खुद।
Ciò fornisce le prestazioni migliori e più opzioni di esecuzione per le
soluzioni della BI.
Le caratteristiche e le funzioni di DB2 V8 sono discusse
dettagliatamente nei seguenti capitoli:
Technical Architecture and Data Management Foundations
(अध्याय 5)
▪ DB2 Fondamenti della BI (BI Fundamentals) (Chapter 6)
▪ DB2 Tabelle di query materializzate (Materialized Query
Tables) (Chapter 7)
▪ DB2 Funzioni OLAP (OLAP Functions) (Chapter 13)
▪ DB2 Caratteristiche e funzioni potenziate di BI (Enhanced BI
Features and Functions) (Chapter 15)
Simplified Data Delivery System
Sistema di consegna di डेटा सरलीकृत
L’architettura rappresentata nella figura 1.1 include numerose
संरचनाओं डेटा fisiche. Uno è il magazzino di डेटा परिचालन।
Generalmente, un ODS è un oggetto orientato (subject oriented),
integrato e corrente. Costruireste un ODS per sostenere, ad
esempio, l’ufficio vendite. Le vendite ODS integrerebbero डेटा
provenienti da numerosi sistemi diversi ma manterrebbe solo, ad
esempio, le transazioni di oggi. L’ODS può essere aggiornato
anche molte volte al giorno. Contemporaneamente, i processi
spingono i डेटा integrati in altre applicazioni. Questa struttura è
progettata specificatamente per integrare डेटा correnti e dinamici e
sarebbe un candidato probabile a sostenere analisi in tempo reale,
come fornire ad agenti di servizio ग्राहकों le informazioni di vendite
correnti di un cliente estraendo informazioni di tendenza di vendite
dal magazzino stesso. Un’altra struttura mostrata nella figura 1.1 è
uno stato formale per il dw. Non solo questo è il luogo per
l’esecuzione della necessaria integrazione, della qualità di डेटा, और
della trasformazione dei डेटा di magazzino in arrivo, ma è anche
un’area di deposito affidabile e provvisoria per डेटा replicati che
potrebbero essere utilizzati in analisi in tempo reale. Se decidete di
utilizzare un ODS o una zona di organizzazione (staging area), uno
dei migliori strumenti per popolare queste strutture डेटा का उपयोग करते हुए
diverse sorgenti operative è la query distribuita eterogenea di DB2.
Questa capacità è consegnata dalla caratteristica opzionale di DB2
chiamata DB2 Relational Connect (solo query) e attraverso DB2
DataJoiner (un prodotto separato che consegna la domanda,
l’inserto, l’aggiornamento e la possibilità di cancellazione a
RDBMSs distribuito eterogeneo).
Questa tecnologia permette ad architetti di डेटा di legare डेटा di
produzione con processi analitici. Non solo può la tecnologia
adattarsi virtualmente a una qualunque delle richieste di replica che
potrebbero presentarsi con l’analisi in tempo reale, ma esso
possono anche collegare ad un’ampia varietà delle basi di डेटा अधिक
popolari, compreso DB2, Oracle, Sybase, assistente di SQL,
Informix ed altri. DB2 DataJoiner può essere utilizzato per popolare
संरचना डेटा formale come un ODS o anche una tabella
permanente rappresentata nel magazzino progettata per ripristino
rapido di aggiornamenti istantanei o per vendita. Naturalmente,
queste stesse strutture डेटा possono essere popolate utilizzando
un’altra tecnologia importante progettata per replica di डेटा, आईबीएम
DataPropagator Relational. (DataPropagator è un prodotto separato
per sistemi centrali. DB2 UNIX, Linux, Windows e OS/2 includono
servizi di replica di डेटा come una caratteristica standard).
Un altro metodo per lo spostamento di डेटा operativi intorno
all’impresa è un integratore di applicazione di impresa altrimenti
noto come message broker(mediatore del messaggio).Questa
tecnologia unica permette controllo impareggiabile per centrare
(targeting) e spostare डेटा intorno all’impresa. IBM ha il mediatore
del messaggio più ampiamente usato, MQSeries, o una variazione
del prodotto che comprende i requisiti di ई - कॉमर्स, आईबीएम
WebSphere MQ.
Per più discussione su come sfruttare MQ per sostenere un
magazzino e un ambiente BI, visitare वेबसाइट del libro. Per ora, è
sufficiente dire che questa tecnologia è un mezzo eccellente per
catturare e trasformare (utilizzando MQSeries Integrator) डेटा
operativi centrati (targeted) reclutati per soluzioni della BI. La
tecnologia MQ è stata integrata e impacchettata in UDB V8, il che
significa che le code dei messaggi possono ora essere gestite
come se esse fossero tabelle DB2. Il concetto di saldatura dei
messaggi in coda e dell’universo di डेटाबेस relazionale si dirige
verso un ambiente potente di consegna di डेटा.
Zero-Latency Latenza nulla
L’obiettivo strategico finale per IBM è analisi di latenza nulla (zerolatency).
Come definito da
Gartner, un sistema BI deve essere in grado di dedurre, assimilare
e fornire informazioni per analisti su richiesta. La sfida,
naturalmente, sta nel come mescolare डेटा correnti e in tempo reale
con informazioni storiche necessarie, quali i डेटा relativi modello/di
tendenza, o la comprensione estratta, come delineamento del
ग्राहक।
Tali informazioni includono, ad esempio, l’identificazione di ग्राहकों ad
alto o basso rischio o quali prodotti i ग्राहकों acquisteranno molto
probabilmente se essi hanno già del formaggio nei loro carrelli di
acquisti.
Ottenere latenza nulla è effettivamente dipendente da due
meccanismi fondamentali:
▪ Unione completa dei डेटा che vengono analizzati con le
tecniche stabilite e con gli strumenti realizzati dalla BI
▪ Un sistema di consegna di डेटा efficiente per assicurare che
l’analisi in tempo reale sia realmente disponibile
Questi prerequisiti per latenza nulla non sono differenti dai due
obiettivi stabiliti da IBM e descritti precedentemente.
L’accoppiamento stretto dei डेटा का हिस्सा है
integrazione senza cuciture disposto dalla IBM. E creare un sistema
di consegna di डेटा efficiente è completamente dipendente dalla
tecnologia disponibile che semplifica il processo di consegna di
डेटा. Di conseguenza, due dei tre obiettivi di IBM sono fondamentali
a realizzare il terzo. IBM sta sviluppando coscientemente la sua
tecnologia per assicurare che la latenza nulla sia una realtà per gli
sforzi del magazzino.
Summary / Sintesi
L’organizzazione della BI fornisce una mappa di strada per
realizzare il vostro ambiente
iterativamente. Deve essere regolato per riflettere le necessità dei
vostri affari, sia attuali che futuri. Senza una visione architettonica
larga, le ripetizioni di magazzino sono poco più che delle
implementazioni casuali del magazzino centrale che fanno poco per
creare un’impresa larga, informativa.
Il primo ostacolo per i responsabili di progetto è come giustificare gli
investimenti necessari per lo sviluppo dell’organizzazione della BI.
Benché il calcolo del ROI sia rimasto un sostegno principale per
realizzazioni di magazzino, esso sta diventando più difficile da
predire esattamente. Questo ha condotto ad altri metodi per la
determinazione se state ottenendo il valore del vostro denaro. Il
valore sull’ investmento2 (VOI), ad esempio, viene procacciato
come una soluzione.
È incombente sugli architetti di डेटा e sui pianificatori di progetto
generare e fornire deliberatamente informazioni alle associazioni di
utenti e non dare semplicemente un servizio sui डेटा. C’è una
differenza enorme fra i due. L’informazione è qualcosa che fa una
differenza nei processi decisionali e nell’efficacia; relativamente, i
डेटा sono blocchetti di costruzione per derivare quelle informazioni.
Anche se critico alla sorgente डेटा per indirizzare richieste
commerciali, l’ambiente BI dovrebbero servire un ruolo più grande
nella creazione di contenuto delle informazioni. Dobbiamo prendere
le misure supplementari per pulire, integrare, trasformare o
diversamente creare un contenuto di informazioni secondo cui gli
utenti possano agire, e quindi dobbiamo assicurarci che quelle
azioni e quelle decisioni, dove ragionevole, abbiano un riscontro
nell’ambiente BI. Se releghiamo il magazzino a servire solo su डेटा,
è assicurato che le associazioni di utenti creeranno il contenuto
delle informazioni necessarie per agire. Questo assicura che la loro
comunità sarà in grado di prendere decisioni migliori, ma l’impresa
soffre della mancanza di conoscenza che essi hanno utilizzato.
दातो che gli architetti e i pianificatori di progetto iniziano i progetti
specifici nell’ambiente BI, essi rimangono responsabili all’impresa
nell’insieme. Un esempio semplice di questa caratteristica a due
facce delle iterazioni della BI è trovato nella sorgente डेटा। आल थे
डेटा ricevuti per richieste commerciali specifiche devono essere
popolati nel primo strato atomico. Questo garantisce lo sviluppo del
bene di informazioni aziendale, così come gestire, indirizzare le
richieste specifiche di utente definite nella iterazione.

W h a t i s a D a t a W a r e h o u s e ?
डेटा वेयरहाउस è il cuore dell’architettura dei sistemi informative
dal 1990 e supporta i processi informativi offrendo una solida
piattaforma integrata di डेटा storici presi come base per successive
analisi. I डाटा गोदाम offrono la facilità di integrazione in un
mondo di sistemi applicativi non compatibili tra loro. Data
warehouse si è evoluto fino a diventare una moda. डेटा वेयरहाउस
organizza e memorizza i डेटा necessari per processi informativi e
analitici sulla base di una lunga prospettiva storica temporale. Tutto
ciò comporta un notevole e costante impegno nella costruzione e
nel mantenimento del डाटा गोदाम.
Cos’è quindi un डाटा गोदाम? एक डाटा गोदाम तथा:
▪ orientato ai soggetti
▪ sistema integrato
▪ tempo variante
▪ non volatile ( non si cancella )
una collezione di डेटा usati in supporto a decisioni manageriali nella
realizzazione dei processi.
I डेटा inseriti nel डाटा गोदाम derivano nella maggior parte dei
casi da ambienti operazionali. Il डाटा गोदाम è realizzato da una
unità di memorizzazione, fisicamente separata dal resto del
sistema, che contiene डेटा precedentemente trasformati dalle
applicazioni che operano sulle informazioni derivanti dall’ambiente
परिचालन।
La definizione letterale di un डाटा गोदाम merita un’approfondita
spiegazione poichè esistono importanti motivazioni e significati di
fondo che descrivono le caratteristiche di una warehouse.
SUBJECT ORIENTATION ORIENTAMENTO
TEMATICO
La prima caratteristica di un डाटा गोदाम è che è orientato ai
maggior soggetti di un’impresa. La giuda dei processi attraverso i
डेटा è in contrasto con il più classico metodo che prevede
l’orientamento delle applicazioni verso i processi e le funzioni,
metodo per la maggior parte condiviso dalla maggior parte dei
meno recenti sistemi direzionali.
Il mondo operativo è progettato intorno ad applicazioni e a funzioni
quali prestiti, risparmi, bankcard e la fiducia per un’istituzione
finanziaria. Il mondo del dw è organizzato intorno a soggetti
principali quali il cliente, il venditore, il prodotto e l’attività.
L’allineamento intorno ad argomenti influisce sulla progettazione e
sulla realizzazione dei डेटा trovati nel dw. In modo più rilevante,
l’argomento principale influisce sulla parte più importante della
struttura chiave.
Il mondo del applicazione è influenzato sia dal disegno del data
base che dal disegno del processo (Process design). Il mondo del
dw è concentrato esclusivamente sulla modellazione dei डेटा और पर
disegno del डेटाबेस. Il disegno del processo (nella sua forma
classica) non fa parte dell’ambiente del dw.
Le differenze fra la scelta di applicazione processo/funzione e
scelta per subject si rivelano anche come differenze nel contenuto
की डेटा a livello dettagliato. I डेटा del dw non includono i डेटा कि
non saranno usati per il processo di DSS, mentre applicazioni
operazionali orientate ai डेटा contengono i डेटा को पूरा करने के
immediatamente i requisiti funzionale/elaborazione che possono o
meno avere qualsiasi uso per l’analista di DSS.
Un altro modo importante in cui applicazioni operazionali orientate
ai डेटा differiscono da डेटा di dw è nei rapporti dei डेटा. मैं डेटा
operativi mantengono un rapporto continuo tra due o più tabelle
basato su una regola commerciale che è attiva. I डेटा di dw
attraversano uno spettro di tempo e i rapporti trovati nel dw sono
molti. Molte regole commerciali ( e corrispondentemente, molti
rapporti di डेटा ) sono rappresentate nel magazzino di डेटा tra due o
più tabelle.
(Per una spiegazione dettagliata di come le relazioni tra i डेटा sono
gestiti nel DW, facciamo riferimento al Tech Topic su quella
questione.)
Da nessuna altra prospettiva che quella della differenza
fondamentale tra una scelta di applicazione functional/process e
una scelta subject, c’è una maggiore differenza tra i sistemi
operativi e i डेटा ed il DW.
INTEGRATION INTEGRAZIONE
L’aspetto più importante dell’ambiente di dw è che i डेटा trovati
all’interno del dw sono integrati facilmente. SEMPRE. SENZA
ECCEZIONI. L’essenza stessa dell’ambiente del dw è che i डेटा
contenuti nei limiti del magazzino sono integrati.
L’integrazione si rivela in molti modi differenti – nelle convenzioni
identificate consistenti, nella misura di variabili consistenti, nelle
strutture codificate consistenti, negli attributi fisici dei डेटा
consistenti, e così via.
Nel corso degli anni i progettisti di diverse applicazioni hanno fatto
possesso di molte decisioni su come un’applicazione dovrebbe
essere sviluppata. Lo stile e le decisioni progettuali individualizzate
delle applicazioni dei progettisti si rivelano in cento modi: nelle
differenze di codifica, struttura chiave, caratteristiche fisiche,
identificazione convenzioni, e così via. La capacità collettiva di molti
progettisti di applicazione di generare le applicazioni contradditorie
è leggendaria. La figura 3 espone alcune delle differenze più
importanti nei modi in cui le applicazioni sono progettate.
Encoding: Codificare:
I progettisti di applicazioni hanno scelto la codifica del campo –
sesso- in diversi modi. Un progettista rappresenta il sesso come
una “m” e “f”. Un altro progettista rappresenta il sesso come un “1”
e uno “0”. Un altro progettista rappresenta il sesso come una “x” e
“y”. Un altro progettista rappresenta il sesso come “maschio” e
“femmina”. Non importa molto come il sesso arriva nel DW. La “M”
e la “F” sono probabilmente buone quanto tutta la
rappresentazione.
Cosa importa è che da qualunque origine derivi il campo sesso,
quel campo arriva nel DW in uno stato integrato consistente. Di
conseguenza quando il campo è caricato nel DW da
un’applicazione dove esso è stato rappresentato fuori nel formato
“M” e “F”, i डेटा devono essere convertiti al formato del DW.
Measurement of Attributes: Misura degli
Attributi:
I progettisti di applicazione hanno scelto di misurare la conduttura in
una varietà di modi nel corso
degli anni. Un progettista memorizza i डेटा della conduttura in
centimetri. Un altro progettista di applicazione memorizza i डेटा
della conduttura in termini di pollici. Un altro progettista di
applicazione memorizza i डेटा della conduttura in milione piedi cubi
al secondo. E un altro progettista memorizza le informazioni della
conduttura in termini di iarde. Qualunque sia la fonte, quando le
informazioni della conduttura arrivano nel DW esse devono essere
misurate nello stesso modo.
Secondo le indicazioni di figura 3 le questioni di integrazione
interessano quasi ogni aspetto del progetto – le caratteristiche
fisiche dei डेटा, il dilemma di avere più di una fonte dei डेटा,
questione di campioni identificati inconsistenti, formati dei डेटा
inconsistenti, e così via.
Qualunque sia l’argomento di progettazione, il risultato è lo stesso –
i डेटा devono essere memorizzati nel DW in una singolare e
globalmente accettabile maniera anche quando i sistemi operativi di
fondo memorizzano diversamente i डेटा.
Quando l’analista DSS guarda il DW, l’obbiettivo dell’analista
dovrebbe essere lo sfruttamento dei डेटा che sono nel magazzino,
piuttosto che sul domandarsi circa la credibilità o la consistenza dei
डेटा.
TIME VARIANCY
सब डेटा nel DW sono precisi in qualche momento in tempo.
Questa caratteristica base dei डेटा nel DW è molto diversa dai डेटा
trovati nell’ambiente operativo. I डेटा dell’ambiente operativo sono
precisi come nel momento dell’accesso. In altre parole,
nell’ambiente operativo quando si accede ad una unità डेटा, लेकिन यह भी
attendete che rifletterà valori precisi come nel momento di accesso.
मैं क्यों डेटा nel DW siano precisi come in qualche momento nel
tempo (cioè, non “proprio adesso”), si dice che i डेटा trovati nel DW
sono “time variancy”.
Il time variancy di डेटा di DW si riferisce in numerosi modi.
Il modo più semplice è che i डेटा di un DW rappresentano डेटा यह है
lungo orizzonte di tempo – da cinque a dieci anni. L’orizzonte
temporale rappresentato per l’ambiente operativo è molto più breve
▪ dai valori correnti di oggi da fino a sessanta novanta
Le applicazioni che devono funzionare bene e devono essere
disponibili per l’elaborazione delle transazioni devono portare la
quantità minima di डेटा se esse ammettono qualsiasi grado di
flessibilità. Quindi le applicazioni operative hanno un orizzonte
temporale breve, come un argomento di progettazione di
applicazioni audio.
Il secondo modo in cui ‘time variancy’ compare nel DW è nella
struttura chiave. Ogni struttura chiave nel DW contiene,
implicitamente o esplicitamente, un elemento di tempo, come
giorno, settimana, mese, ecc. L’elemento di tempo è quasi sempre
in fondo alla chiave concatenata trovata nel DW. In queste
occasioni, l’elemento di tempo esisterà implicitamente, come il caso
dove un intero file è duplicato alla fine del mese o del quarto.
Il terzo modo in cui time variancy viene visualizzato è che i डेटा डेल
DW, appena correttamente registrati, non possono essere
aggiornati. I डेटा del DW sono, per tutti gli scopi pratici, una lunga
serie di snapshots(istantanea). Naturalmente se la snapshots è
stata presa non correttamente, allora le snapshots possono essere
modificate. Ma assumendo che le snapshots siano fatte
correttamente, esse non vengono modificate appena fatte. In alcuni
casi può essere immorale o anche non valido che le snapshots nel
DW siano modificate. I डेटा operativi, essendo precisi come nel
momento di accesso, possono essere aggiornati come si presenta
la necessità.
NON VOLATILE
La quarta importante caratteristica del DW è che è non-volatile.
Gli aggiornamenti, inserimenti, cancellazioni e modifiche, sono fatte
regolarmente per gli ambienti operazionali record per record. Ma la
manipolazione di base dei डेटा che occorrono nel DW è molto più
semplice. Ci sono solo due generi di operazioni che si verificano nel
DW – il caricamento iniziale dei डेटा और तक पहुंच डेटा. वहां नहीं हैं
alcun aggiornamento dei डेटा (nel senso generale di
aggiornamento) nel DW come normale operazione di elaborazione.
Ci sono alcune conseguenze molto potenti di questa differenza di
base fra elaborazione operativa ed elaborazione del DW. Al livello
di progettazione, la necessità di essere cauti sull’aggiornamento
anomalo non è fattore nel DW, poiché l’aggiornamento di डेटा यह नहीं है
effettuato. Questo significa che a livello fisico di progettazione,
possono essere prese delle libertà per ottimizzare l’accesso ai डेटा,
in particolare nell’occuparsi degli argomenti di normalizzazione e di
denormalizzazione fisica. Un’altra conseguenza della semplicità
delle operazioni di DW è nella tecnologia sottostante utilizzata per
eseguire l’ambiente di DW. Dovendo supportare aggiornamenti
record per record in linea (così come è spesso il caso con
elaborazione operativa) si richiede che la tecnologia abbia delle
fondamenta molto complesse sotto una apparente semplicità.
La tecnologia che supporta copie di riserva e recupero, transazioni
e integrità dei डेटा e la scoperta e il rimedio di condizione di stallo è
abbastanza complessa e non necessaria per elaborazione di DW.
Le caratteristiche di un DW, orientamento di progettazione,
integrazione di डेटा all’interno del DW, time variancy e la semplicità
di gestione dei डेटा, tutto induce ad un ambiente che è molto, molto
diverso dall’ambiente operativo classico. La sorgente di quasi tutti i
डेटा di DW sono l’ambiente operativo. È una tentazione pensare
che ci sia una ridondanza massiccia di डेटा tra i due ambienti.
Infatti la prima impressione che molte persone hanno è quella di
grande ridondanza di डेटा tra l’ambiente operativo e l’ambiente di
DW. Una tale interpretazione è superficiale e dimostra una
mancanza nel capire che cosa accade nel DW.
Infatti c’è un minimo di ridondanza di डेटा tra l’ambiente operativo
और डेटा del DW. Consideriamo quanto segue:
▪ I डेटा sono filtrati दातो che si passa dall’ambiente operativo
all’ambiente DW. Molti डेटा non passano mai fuori
dall’ambiente operativo. Solo che i डेटा che sono necessari per
l’elaborazione DSS trovano la loro direzione nell’ambiente
▪ l’orizzonte temporale dei डेटा è molto diverso da un ambiente
all’altro. I डेटा nell’ambiente operativo sono molto freschi. I डेटा
nel DW sono molto più vecchi. Solo dalla prospettiva
dell’orizzonte temporale, c’è la sovrapposizione molto piccola
tra l’ambiente operativo e il DW.
▪ Il DW contiene डेटा di riepilogo che non si trovano mai
पर्यावरण में
▪ I डेटा subiscono una trasformazione fondamentale dal
momento che passano al La figura 3 illustra che la maggior
parte dei डेटा sono significativamente modificati a condizione
di essere selezionati e spostati nel DW. Detto in altro modo, la
के सबसे डेटा viene modificata fisicamente e
radicalmente come viene spostata nel DW. Dal punto di vista
dell’integrazione non sono gli stessi डेटा che risiedono
nell’ambiente operativo.
Alla luce di questi fattori, la ridondanza di डेटा tra i due ambienti è
un evento raro, che porta a meno dell’ 1% di ridondanza tra i due
ambienti.
THE STRUCTURE OF THE WAREHOUSE
I DWs hanno una struttura distinta. Ci sono vari livelli riassuntivi e di
dettaglio che demarcano i DWs.
I vari componenti di un DW sono:
▪ Metadata
▪ देना di dettaglio correnti
▪ देना di dettaglio vecchi
▪ देना leggermente riassunti
▪ देना altamente riassunti
Di gran lunga la preoccupazione principale è per i डेटा di dettaglio
correnti. È la preoccupazione principale perché:
▪ I डेटा di dettaglio correnti riflettono gli avvenimenti più recenti,
che sono sempre di grande interesse e
▪ i डेटा di dettaglio correnti sono voluminosi perché è
memorizzato al livello più basso di granularità e
▪ i डेटा di dettaglio correnti sono memorizzati quasi sempre su
memoria su disco, il quale è veloce ad accedere, ma caro e
complesso da
I डेटा di dettaglio più vecchi sono डेटा che sono memorizzati su
qualche memoria di सामूहिक. Ha accesso sporadicamente ed è
memorizzato a un livello di dettaglio compatibile con डेटा विस्तृत
correnti. Mentre non è obbligatorio memorizzare su un supporto di
memoria alternativo, a causa del grande volume di डेटा uniti con
l’accesso sporadico dei डेटा, il supporto di memoria per डेटा di
dettaglio più vecchi non è di solito memorizzato su disco.
I डेटा riassunti leggermente sono डेटा che sono distillati dal basso
livello di dettaglio trovato al corrente livello di dettaglio. Questo
livello del DW è memorizzato quasi sempre su memoria su disco. I
problemi della progettazione che si presentano all’architetto dei डेटा
nella costruzione di questo livello del DW sono:
▪ Quale unità di tempo è la summarization fatta sopra
▪ Quali contenuti, attributi riassumeranno leggermente il
contenuto dei डेटा
Il livello successivo di डेटा trovati nel DW è quello dei डेटा अत्यधिक
riassunti. I डेटा altamente riassunti sono compatti e facilmente
accessibili. I डेटा altamente riassunti sono talvolta trovati
nell’ambiente DW e in altri casi i डेटा altamente riassunti sono
trovati fuori dalle pareti immediate della tecnologia che ospita il DW.
(in ogni caso, i डेटा altamente riassunti fanno parte del DW
indipendentemente da dove i डेटा sono alloggiati fisicamente).
Il componente finale del DW è quello dei metadata. Per molti aspetti
i metadata siedono in una dimensione diversa rispetto ad altri डेटा
del DW, perchè i metadata non contengono alcun दातो सीधे
preso dall’ambiente operativo. I metadata hanno un ruolo speciale e
molto importante nel DW. I metadata sono utilizzati come:
▪ una directory per aiutare l’analista DSS ad individuare il
contenuto del DW,
▪ una guida alla mappatura dei डेटा di come i डेटा थे
trasformati dall’ambiente operativo all’ambiente di DW,
▪ una guida agli algoritmi usati per la summarization tra i डेटा di
dettaglio correnti e i डेटा leggermente riassunti, i डेटा अत्यधिक
riassunti,
I metadata giocano un ruolo molto più importante nell’ambiente DW
rispetto a quello che hanno mai avuto nell’ambiente operativo
OLD DETAIL STORAGE MEDIUM
Il nastro magnetico può essere utilizzato per conservare quel tipo di
डेटा. Infatti c’è una larga varietà di strumenti di memorizzazione che
dovrebbero essere considerati per la conservazione di vecchi डेटा di
dettaglio.
A seconda del volume dei डेटा, la frequenza di accesso, il costo
degli strumenti e il tipo di accesso, esso è completamente probabile
che altri strumenti avranno bisogno del vecchio livello di dettaglio
nel DW.
FLOW OF DATA
C’è un flusso normale e prevedibile dei डेटा all’interno del DW.
I डेटा entrano nel DW dall’ambiente operativo. (NOTA: ci sono
alcune eccezioni molto interessanti a questa regola. Tuttavia, quasi
आल थे डेटा entrano nel DW dall’ambiente operativo). दातो कि मैं डेटा
entrano nel DW dall’ambiente operativo, è trasformato come è stato
descritto prima. A condizione di entrare nel DW, i डेटा वे प्रवेश करते हैं
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 डेटा di dettaglio correnti
a डेटा di dettaglio vecchi, in base all’età di डेटा. Il processo
summarization utilizza il dettaglio di डेटा per calcolare i डेटा
leggermente riassunti e i livelli altamente riassunti dei डेटा। वहां
alcune eccezioni al flusso mostrato (sarà discusso più tardi).
Tuttavia, di solito, per la vasta maggioranza dei डेटा trovati
all’interno di un DW, il flusso di डेटा è come rappresentato.
USING THE DATAWAREHOUSE
Non sorprendentemente i vari livelli di डेटा all’interno del DW non
ricevono differenti livelli di utilizzo. Di regola, più è alto livello di
summarization, più i डेटा sono utilizzati.
Molti usi si verificano nei डेटा altamente riassunti, mentre i vecchi
डेटा 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 डेटा, più rapido e più efficiente è per arrivare ai डेटा. अगर
un दुकान 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
डेटा a livello di dettaglio. Per molti aspetti l’arrivo a डेटा विस्तृत
somiglia a una coperta di sicurezza, anche quando sono disponibili
altri livelli di summarization. Una delle attività dell’architetto di डेटा è
disabituare l’utente DSS da un utilizzo costante di डेटा al livello più
basso di dettaglio. Ci sono due motivazioni a disposizione
dell’architetto di डेटा:
▪ 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 डेटा è ad un alto livello
di summarization, mentre il tempo di risposta povero deriva dal
comportamento dei डेटा ad un basso livello di
अन्य बातें
Ci sono alcune altre considerazioni di costruzione e gestione del
DW।
La prima considerazione è quella sugli indici. I डेटा ai livelli più alti di
summarization possono essere liberamente indicizzati, mentre i डेटा
ai livelli inferiori di dettaglio sono così voluminosi che può essere
indicizzato frugalmente. Dallo stesso token, i डेटा agli alti livelli di
dettaglio possono essere relativamente ristrutturati facilmente,
mentre il volume di डेटा ai livelli inferiori è così grande che i डेटा नहीं
possono essere ristrutturati facilmente. Di conseguenza, il modello
की डेटा 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
डेटा non si applicano ai livelli di summarization, in quasi ogni caso.
Un’altra considerazione strutturale è quella della suddivisione dei
डेटा di DW.
La partizione può essere fatta a due livelli – al livello di डीबीएमएस करने के लिए और
livello di applicazione. Nella divisione al livello डीबीएमएस, डीबीएमएस 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 डीबीएमएस, molto lavoro è fatto automaticamente. C’è
molta inflessibilità connessa con l’amministrazione automatica delle
divisioni. Nel caso delle divisione a livello applicazione dei डेटा डेल
डाटा गोदाम, molto lavoro grava sul programmatore, ma il
risultato finale è la flessibilità nell’amministrazione dei डेटा nel data
गोदाम
अन्य विसंगति
Mentre i componenti del डाटा गोदाम funzionano come descritto
per quasi tutti i डेटा, ci sono alcune eccezioni utili che devono
essere discusse. Un’eccezione è quella dei डेटा sommari pubblici
(public summary data). Questi sono डेटा sommari che sono stati
calcolati fuori dal डाटा गोदाम ma sono usati dalla società. I डेटा
sommari pubblici sono memorizzati e gestiti nel डाटा गोदाम,
anche se come detto precedentemente sono calcolati fuori. I
ragionieri lavorano per produrre trimestralmente tali डेटा जैसा
reddito, le spese trimestrali, profitto trimestrale, e così via. Il lavoro
fatto dai ragionieri è esterno al डाटा गोदाम. हालांकि, मैं डेटा sono
usati “internamente” alla società – dal विपणन, dalle vendite, ecc.
Un’altra anomalia, di cui non si parlerà, è quella dei डेटा बाहरी।
Un altro eccezionale tipo di डेटा che si possono trovare in un data
warehouse è quello dei permanent detail data. Questi provocano la
necessità di memorizzare in modo permanente i डेटा एक स्तर पर
dettagliato per i motivi etici o legali. Se una società sta esponendo i
relativi operai a sostanze pericolose c’ è un’esigenza di डेटा
dettagliati e permanenti . Se una società produce un prodotto che
coinvolge la sicurezza pubblica, quali parti di un aeroplano, c’è
l’esigenza di डेटा 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 डेटा
conosciuti come permanent detail data.
सारांश
Un डाटा गोदाम è un oggetto orientato, integrato, variante di
tempo, una raccolta di डेटा non volatile a sostegno dei bisogni di
decisione dell’amministrazione. Ciascuna delle funzioni salienti di
un डाटा गोदाम ha le relative implicazioni. In più ci sono quattro
का स्तर डेटा डेल डाटा गोदाम:
▪ Old detail
▪ Current detail
▪ देना leggermente ricapitolati
▪ देना altamente ricapitolati
I metadati sono inoltre una parte importante del डाटा गोदाम.
ASTRATTO
Il concetto dell’immagazzinamento di डेटा recentemente ha ricevuto
molte attenzioni ed è diventato una tendenza degli anni 90. Ciò è
dovuto alla capacità di un डाटा गोदाम 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 डाटा गोदाम sembra promettente,
implementare i डाटा गोदाम può essere problematico a causa
dei processi d’immagazzinamento su larga scala. Malgrado la
complessità dei progetti d’immagazzinamento di डेटा, molti fornitori
e consulenti che immagazzinano डेटा उनका दावा है कि
l’immagazzinamento di डेटा 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 डाटा गोदाम.
Questo studio ha esplorato la pratica d’immagazzinamento di डेटा
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 डाटा गोदाम. In molte zone, i डेटा इकट्ठा
hanno confermato la pratica segnalata nella letteratura. In secondo
luogo, le edizioni ed i problemi che possono avere effetto sullo
sviluppo del डाटा गोदाम sono stati identificati da questo studio.
Infine, benefici tratti dalle organizzazioni australiane connesse con
का उपयोग डाटा गोदाम sono stati rivelati.
अध्याय 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 डाटा गोदाम. 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 डाटा गोदाम
(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
डाटा गोदाम 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 डेटा ai processi di caricamento di डेटासे
capacità di memoria per gestire gli aggiornamenti e dai meta डेटा
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 डाटा गोदाम
necessitano di essere effettuati per estendere la conoscenza
generale riguardo l’implementazione dei डाटा गोदाम 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 data
warehouse in Australia. Specificamente, questo studio coinvolgerà
un’analisi di un intero processo di sviluppo di un डाटा गोदाम,
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 डाटा गोदाम 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 डाटा गोदाम 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 डाटा गोदाम 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 डाटा गोदाम 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 डाटा गोदाम ed i concetti di data
warehouse. Inoltre, i risultati dei foum sui डाटा गोदाम और
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 data
warehouse 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
अनुसंधान।
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 data
warehouse 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 डेटा nelle tabelle, negli schemi ed in altri formati. I
risultati di analisi di डेटा 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 डेटाबेस
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 डेटा
fondamentali per queste applicazioni devono essere in grado di
cambiare rapidamente a seconda della parte da trattare.
इसका मतलब यह है कि मैं डेटा 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
एकीकरण डेटा da complesse e diverse sorgenti.
Il resto di questa sezione presenta una panoramica del concetto di
data warehousing e tratta di come il डाटा गोदाम può superare i
problemi dei gruppi di supporto delle applicazioni.
शब्द "डेटा वेयरहाउस” fu diffuso da William Inmon nel 1990.
La sua spesso citata definizione vede il डेटा वेयरहाउस कैसे
का संग्रह डेटा orientati al soggetto,integrati,non volatili,e variabili
col tempo,in supporto alle decisioni dirigenziali.
Usando questa definizione Inmon mette in rilievo che i डेटा निवासी
एक में डाटा गोदाम devono possedere le seguenti 4
विशेषताएं:
▪ Orientati al soggetto
▪ Integrati
▪ Non volatili
▪ Variabili col tempo
Per Orientati al soggetto Inmon intende che i डेटा nel data
warehouse nelle più grandi aree organizzative che sono state
definite nel modello डेटा. Per esempio tutti i डेटा के विषय में ग्राहकों
sono contenuti nell’area soggetto ग्राहकों. Allo stesso modo tutti i
डेटा relativi ai prodotti sono contenuti nell’area soggetto
PRODOTTI.
Per Integrati Inmon intende che i डेटा provenienti da differenti
piattaforme,sistemi e locazioni sono combinate e immagazzinate in
unico posto. Di conseguenza डेटा similari devono essere trasformati
in formati consistenti in modo da essere aggiunti e comparati
सरलता।
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 डाटा गोदाम è progettato per
fornire una funzionale e trasversale visione dei डेटा अलग
कंपनी।
Per Non volatile intende che i डेटा नेल डाटा गोदाम अवशेष
consistenti e l’aggiornamento dei डेटा non occorre. Invece,ogni
cambiamento nei डेटा originali è aggiunto al डेटाबेस del data
warehouse. Questo significa che lo storico dei डेटा è contenuto nel
डाटा गोदाम.
Per Variabili col tempo Inmon indica che i डेटा नेल डाटा गोदाम
contengono sempre gli indicatori di tempo e i डेटा सामान्य रूप से
attraversano un certo orizzonte temporale. Per esempio un
डाटा गोदाम può contenere 5 anni di valori storici dei ग्राहकों दाल
1993 al 1997. La disponibilità dello storico e di una serie temporale
की डेटा permette di analizzare dei trend.
Un डाटा गोदाम può raccogliere i suoi डेटा da dei sistemi
OLTP;da origini डेटा esterne all’organizzazione e/o da altri speciali
progetti di sistema di cattura डेटा.
I डेटा estratti possono passare attraverso un processo di pulizia,in
questo caso i डेटा vengono trasformati ed integrati prima di essere
immagazzinati nel डेटाबेस डेल डाटा गोदाम. Poi, i डेटा
residenti dentro il डेटाबेस डेल डाटा गोदाम 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 डेटा.
I डेटा residenti dentro il डेटाबेस डेल डाटा गोदाम sono
immagazzinati sia dettagliatamente che in formati riassuntivi.
Il livello di riassunto può dipendere dalla natura dei डेटा. मैं डेटा
dettagliati possono consistere in डेटा वर्तमान और डेटा इतिहासकारों
I डेटा reali non sono inclusi nel डाटा गोदाम fino a quando i डेटा
नेल डाटा गोदाम vengono riaggiornati.
Oltre ad immagazzinare i डेटा stessi, un डाटा गोदाम भी कर सकते हैं
immagazzinare un differente tipo di दातो chiamato METADATI che
descrivono i डेटा residenti nel suo डेटाबेस.
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 डेटा नेल
डाटा गोदाम.
L’informazione contenuta nei metadati di sviluppo può contenere
dettagli di sistemi operativi,dettagli degli elementi da estrarre,il
टाइप डेटा डेल डाटा गोदाम e le regole aziendali per la
रूपांतरण देई डेटा.
Il secondo tipo di metadati,conosciuti come metadati di analisi
rende in grado l’utente finale di esplorare il contenuto del data
warehouse per trovare i डेटा disponibili e il loro significato in termini
chiari e non tecnici.
Perciò i metadati di analisi funzionano come un ponte tra il data
warehouse e le applicazioni degli utenti finali. Questo metadata può
contenere il modello aziendale, le descrizioni dei डेटा corrispondenti
al modello aziendale,interrogazioni (queries) pre-definite e report,
informazioni per gli accessi degli utenti e l’indice.
I metadati di analisi e sviluppo devono essere combinati in un unico
integrato metadata di contenimento per funzionare correttamente.
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.
का अस्तित्व डेटा sia riassunti/indicizzati che dettagliati dà
all’utente la possibilità di effettuare un DRILL DROWN
(trapanamento) dai डेटा indicizzati a quelli dettagliati e viceversa.
का अस्तित्व डेटा storici dettagliati permette la realizzazione di
analisi di trend nel tempo. In aggiunta i metadati di analisi possono
essere usati come directory del डेटाबेस डेल डाटा गोदाम प्रति
aiutare gli utenti finali a localizzare i डेटा ज़रूरी।
In confronto ai sistemi OLTP,con la loro capacità di supportare
analisi di डेटा e reporting,il डाटा गोदाम 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 डेटा 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 डेटाबेस.
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 ग्राहकों.
A differenza dei sistemi OLTP,che sono stati creati per processi
basati su transazioni ed eventi, i डाटा गोदाम वे बनाए गए थे
per fornire supporto ai processi basati su analisi di डेटा और सु
processi di decisione.
Questo è normalmente ottenuto integrando i डेटा da vari sistemi
OLTP ed esterni in un unico “contenitore” di डेटा,come discusso
nella sezione precedente.
Monash Data Warehousing Process Model
Il process model per डाटा गोदाम Monashè stato sviluppato dai
ricercatori del Monash DSS Research Group, è basato sulla
letterature dei डाटा गोदाम, sull’esperienza nel supporto allo
sviluppo di campi di sistemi, su discussioni con vendors di
applicazioni per l’uso su डाटा गोदाम, su di un gruppo di esperti
के उपयोग में डाटा गोदाम.
Le fasi sono: Inizio, Pianificazione, Sviluppo, Operazioni e
Spiegazioni. Il diagramma spiega la natura iterativa o
evoluzionistica dello sviluppo di un डाटा गोदाम 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 डाटा गोदाम नेल क्ले
subentrano in ogni momento richieste addizionali da parte
dell’utente finale. Per sempio, durante la fase di sviluppo di un
इसकी प्रक्रिया डाटा गोदाम, 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
की राशि डेटा storici che essi conservano dalla loro durata. La
crescita può essere causata anche da डेटा aggiuntivi richiesti dagli
utenti per aumentare il valore dei डेटा che essi hanno già. Di
conseguenza, i requisiti di immagazzinamento per डेटा कर सकते हैं
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
ला सुआ शक्ति computazionale. Un altro metodo per aumentare la
शक्ति 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
की वृद्धि शक्ति 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 डेटाबेस
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 डेटाबेस può essere diviso in
pezzi raggruppati maneggevolmente (Inmon et al. 1997). Un’altra
tecnica è utilizzare tabelle riepilogative che sono costruite
उपसंहार डेटा da डेटा dettagliati. Così, i डेटा riassunti sono più
compatti del dettagliato, il quale richiede meno spazio di memoria.
इतना डेटा 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)।
परिभाषित डेटा वेयरहाउस तकनीकी
Architectures Definizione delle tecniche di
architetture di dw
Iniziali adottanti di data warehousing concepivano principalmente
un’implementazione centralizzata del dw in cui tutti i डेटा, समावेशी
i डेटा 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 डेटा organizzativi (Ovum 1998). Un altro
vantaggio è che offre standardizzazione di डेटा के माध्यम से
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 डेटा
centralizzata divenne popolare, si evolse il concetto di estrazione
dei sottoinsiemi più piccoli dei डेटा per sostenere i bisogni di
applicazioni specifiche (Varney 1996, IDC 1997, Berson e Smith
1997, peacock 1998). Questi piccoli sistemi sono derivati dal più
महान डाटा गोदाम centralizzato. Sono denominati data
warehouse 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 data
warehouse centralizzato, la seconda consiste dei depositi di डेटा
dipartimentali ed il terzo consiste dell’accesso ai डेटा e dai tools di
analisi (Demarest 1994, Inmon ed altri. 1997).
I data marts sono costruiti normalmente dopo che il डाटा गोदाम
centralizzato è stato costruito per rispondere alle esigenze delle
specifiche unità(White 1995, Varney 1996).
I data marts memorizzano i डेटा 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 दातो नहीं
integrato e che i डेटा saranno meno ridondanti all’interno dei data
marts poiché tutti i डेटा provengono da un deposito di डेटा एकीकृत।
Un altro vantaggio è che ci saranno pochi collegamenti fra ogni
data mart e le relative fonti di डेटा perché ogni data mart ha soltanto
una fonte di डेटा. In più con questa architettura sul posto, gli utenti
finali possono ancora accedere alla panoramica dei डेटा
organizzativi aziendali. Questo metodo è conosciuto come il
metodo top-down, in cui i data marts sono costruiti dopo il data
warehouse (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 डेटा direttamente dalle basi di डेटा 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 डेटा. Uno svantaggio di avere collegamenti multipli per ogni data
mart è che, confrontato alle due architetture precedenti, la
sovrabbondanza di डेटा काफ़ी बढ़ जाता है.
Ogni data mart deve memorizzare tutti i डेटा richiesti localmente per
non avere effetto sui sistemi di OLTP. Questo provoca che i डेटा
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 डेटा 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 डेटा
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 डेटा 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 डेटा इस्तेमाल किया
dall’impresa (Varney 1996, Berson e Smith 1997, Peacock 1998).
La necessità di usare il modello डेटा 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 डाटा गोदाम वितरित
जिसमें डेटाबेस middleware hub server è utilizzato per unire molti
data marts in un singolo deposito di डेटा distribuito (White 1995). In
questo caso, i डेटा aziendali sono distribuiti in parecchi data marts.
Le richieste dell’utente finale sono trasmesse al डेटाबेस
middleware hub server , che estrae tutti i डेटा 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 डाटा गोदाम virtuale (White 1995). Tuttavia, questa
architettura, che è descritta nella figura 2.9, non è un’architettura
d’immagazzinamento di डेटा reali poiché non sposta il caricamento
dai sistemi OLTP al डाटा गोदाम (Demarest 1994).
Infatti, le richieste di डेटा 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
डेटा storici e la panoramica delle informazioni aziendali poiché i डेटा
dai differenti sistemi di OLTP non sono integrati. Quindi, questa
architettura non può soddisfare l’analisi di डेटा complessa quale ad
esempio previsioni.
Selezione dell’applicativi di accesso e di
recupero dei डेटा
Lo scopo della costruzione di un डाटा गोदाम 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 डेटा 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 डेटा in un’organizzazione perché gli
applicativi sono la parte più visibile del डाटा गोदाम all’utente
finale (Inmon ed altri 1997, Poe 1996). Per aver successo un data
warehouse, deve potere sostenere le attività di analisi dei डेटा
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 डेटा tra tutti
quelli disponibili (Poe 1996, Inmon ed altri 1997).
तक पहुंच डेटा 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 डेटाबेस डेल डाटा गोदाम. Inoltre questi prodotti
consentono agli utenti di fare drill-down dai डेटा 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 डेटा डेल
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 डेटा
da posti remoti o mentre si viaggia. Inoltre le informazioni possono
essere fornite a costi più bassi mediante una diminuzione dei costi
दी प्रशिक्षण.
2.4.3 डेटा वेयरहाउस 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 डेटा नेल डेटाबेस del datawarehouse
devono essere refreshati periodicamente per riprodurre i
cambiamenti effettuati sui डेटा originali. Bisogna quindi decidere
quando fare il refresh, ogni quanto tempo deve essere schedulato il
refresh e come eseguire il refresh dei डेटा. Viene suggerito di fare il
refresh dei डेटा 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
कैंबियामेंटी.
Il primo approccio, il refresh completo, richiede il ricaricamento di
आल थे डेटा da zero. Ciò vuol dire che tutti i डेटा 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 डेटा che sono stati cambiati
dall’ultimo ciclo di refresh del datawarehouse. L’identificazione di
records nuovi o modificati riduce significativamente la quantità di
डेटा che devono essere propagati al datawarehouse in ogni
aggiornamento poiché solo questi डेटा saranno aggiunti al डेटाबेस
del datawarehouse.
Ci sono almeno 5 approcci che possono essere usati per prelevare
i डेटा nuovi o modificati. Per ottenere un’efficiente strategia di
refresh dei डेटा 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 डेटा modificati e aggiornati un timestamp in modo
da potere identificare facilmente tutti i डेटा 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 डेटा.
इस फ़ाइल का उपयोग अद्यतन चक्र को भी बढ़ाता है।
Tuttavia, anche questo metodo, non è stato usato in molte
अनुप्रयोग।
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 डेटा sorgenti con il file
principale dei डेटा.
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 डेटा 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 डेटा processati. Un altro scopo di fare il controllo del
datawarehouse è identificare i डेटा che non sono in uso. Questi डेटा
possono essere rimossi dal datawarehouse per migliorare il tempo
di risposta di esecuzione delle query e controllare la crescita dei
डेटा che risiedono all’interno della डेटाबेस del datawarehouse.
Gestione della sicurezza del datawarehouse
Un datawarehouse contiene डेटा 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 डीबीएमएस
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 डेटाबेस del datawarehouse. L’accesso ai
डेटा e i tool di retrieval devono decriptare i डेटा prima di presentare i
risultati agli utenti.
2.4.4 डेटा वेयरहाउस परिनियोजन चरण
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 डेटा del datawarehouse e dell’uso dei tool di
retrieval. Generalmente, le sessioni dovrebbero iniziare con
l’introduzione al concetto dell’immagazzinamento di डेटा,
contenuto del datawarehouse, ai meta डेटा 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
पुनः प्राप्ति।
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 डेटा 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.
प्रतिक्रिया एकत्रित करना
Una volta che il datawarehouse è stato rolled out, gli utenti possono
usare i डेटा che risiedono nel datawarehouse per vari scopi.
Principalmente, gli analisti o gli utenti utilizzano i डेटा नेल
datawarehouse per:
1 Identificare le tendenze dell’azienda
2 Analizzare i profili d’acquisto dei ग्राहकों
3 Suddividere i ग्राहकों और
4 Fornire i servizi migliori ai ग्राहकों – customizzare i servizi
5 Formulare strategie di विपणन
6 Effettuare preventivi competitivi per cost analyses e help
नियंत्रण
7 Supportare decision-making strategiche
8 Identificare occasioni per emergere
9 Migliorare la qualità degli attuali business process
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.
Dal momento che il datawarehouse ha un approccio incrementale,
è fondamentale imparare dai successi e dagli errori dei precedenti
sviluppi.
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.
अध्याय 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 causaeffetto
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
वास्तविक दुनिया का।
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
स्टूडियो.
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.
Tuttavia è anche possibile impiegare tecniche quantitative come
indagini esplorative od esperimenti.
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
डेटा 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 डेटा immagazzinati con uno
स्विलुप्पो डि डाटा गोदाम. दातो 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 डेटा 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 डेटा, l’uso del
questionario è la tecnica più popolare, poiché assicura che i डेटा
collezionati siano strutturati e formattati, e quindi facilita la
classificazione delle informazioni (Hwang 1987, de Vaus 1991).
Nell’analizzare i डेटा, 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 डेटा 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 डेटा वे कर सकते हैं
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 डेटा, le inchieste
permettono ai ricercatori di occuparsi sia dei डेटा 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 डेटा। होने के नाते
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
मुह बोली बहन
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
सर्वेक्षण
Quando questa ricerca è stata condotta, la pratica di datawarehousing
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 data
warehouse. 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.
Ancora, Sonquist e Dunkelberg (1977) dichiarano che i risultati di
ricerca di indagine sono più generali di altri metodi.
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 डेटा 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’ (Tdwiaap).
Questa sezione discute il disegno della fase di ricerca
empirica di questo studio.
3.4.1. Tecnica di raccolta dei डेटा
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 डाटा गोदाम. में
seguito vengono intestate le singole organizzazioni. Il questionario
via posta è stato spedito alle organizzazioni interessate all’adozione
di डाटा गोदाम. 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 दातो 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 डाटा गोदाम. 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 डाटा गोदाम: raccolta di requisiti dell’utilizzatore
finale, le fonti di डेटा, il modello logico dei डेटा, 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 डाटा गोदाम, come si evolve nella
successiva fase di sviluppo. La आधार सामग्री की गुणवत्ता, le strategie di
refresh dei डेटा, la granularità dei डेटा, scalabilità del data
warehouse ed i problemi di sicurezza del डाटा गोदाम erano fra
le tipologie di domande fatte.
Sezione F: Sviluppo
Questa sezione contiene le domande relative all’utilizzo del data
warehouse da parte degli utenti finali. Il ricercatore era interessato
allo scopo e all’utilità del डाटा गोदाम, la revisione e le strategie
di addestramento adottati e la strategia di controllo del data
warehouse 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 कोसेंज़ा (1993)। में
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 देना
I डेटा 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 डेटा 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 डेटा और किया गया है
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 डेटा 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 डेटा 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 डेटा, 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 डेटा 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 सारांश
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 डेटा.
giustificazioni per il metodo di ricerca e la tecnica di raccolta डेटा
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 डेटा.

डिजाइनिंग ए डेटा वेयरहाउस:
Combining Entity Relationship and Dimensional Modelling
अमूर्त
Immagazzinare i डेटा è un problema attuale importante per molte
organizzazioni. Un problema chiave nello sviluppo
dell’immagazzinamento dei डेटा è il suo disegno.
Il disegno deve sostenere il rilevamento di concetti nel data
warehouse a legacy system e le altre fonti di डेटा और एक भी
facile comprensione ed efficienza nell’implementazione di data
गोदाम।
Molta della letteratura di immagazzinamento dei डेटा की सिफारिश की
l’uso di entity relationship modelling or dimensional modelling per
rappresentare il disegno di डाटा गोदाम.
In questo giornale noi mostriamo come entrambe le
rappresentazioni possono essere combinate in un approccio per il
disegno di डाटा गोदाम. 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 डाटा गोदाम 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 डाटा गोदाम è
progettato per attraversare i confini funzionali dei legaci system per
offrire una prospettiva integrata dei डेटा.
Time-variant interessa lo storico o la natura time-series dei डेटा in
un डाटा गोदाम, la quale abilita trend per essere analizzati.
Non-volatile indica che il डाटा गोदाम non è continuamente
aggiornato come un डेटाबेस di OLTP. Piuttosto è aggiornato
periodicamente, con डेटा provenienti da fonti interne ed esterne. Il
डाटा गोदाम specificatamente è disegnato per la ricerca
piuttosto che per l’integrità degli aggiornamenti e le prestazioni delle
operazioni.
L’idea di immagazzinare i डेटा non è nuova, è stato uno degli scopi
di gestione dei डेटा fin dagli anni sessanta (Il Martin, 1982).
I डाटा गोदाम offrono l’infrastruttura डेटा 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
डेटा che abilita dirigenti d’azienda ad accedere facilmente alla vista
की डेटा.
L’architettura generale di un डाटा गोदाम evidenzia il ruolo del
डाटा गोदाम nel supporto alla gestione. Oltre ad offrire
l’infrastruttura डेटा per EIS e DSS, al डाटा गोदाम यह संभव है
accedervi direttamente attraverso le query. I डेटा inclusi in un data
warehouse 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
डेटा 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
डाटा गोदाम (Inmon, 1992; McFadden, 1996). I डेटा से
da sistemi di immagazzinamento डेटा ad hoc e da sorgenti डेटा
esterne sono speso usati per aumentare (aggiornare, sostituire) i
डेटा da sistemi legacy.
Ci sono molte ragioni irresistibili per sviluppare un डाटा गोदाम,
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 डेटा per EIS e DSS (Graham 1996, McFadden
1996)।
Un recente studio empirico ha scoperto, in media, un ritorno degli
investimenti per i डाटा गोदाम del 401% dopo tre anni (Graham,
1996). Comunque, gli altri studi empirici di डाटा गोदाम है
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 डेटामें
particolare quanto riguarda le fonti e la pulizia dei डेटा.
Immagazzinare i डेटा può essere considerato come una soluzione
al problema di gestione dei डेटा fra le organizzazioni. La
manipolazione dei डेटा 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 डेटा negli anni ottanta era
lo sviluppo di un modello डेटा sociale. Il modello डेटा sociale fu
pensato per offrire una base stabile per lo sviluppo di nuovi sistemi
applicativi e डेटाबेस 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 डाटा गोदाम è un databse separato che co-esiste coi legacy
databases piuttosto che sostituirli. Esso perciò consente di
indirizzare la gestione dei डेटा ed evitare la costosa ricostruzione
dei legacy systems.
APPROCCI ESISTENTI AL DISEGNO DI DATA
गोदाम
Il processo di costruzione e perfezionamento di un डाटा गोदाम
va compreso più come un processo evolutivo piuttosto che un
lifecycle di sviluppo di sistemi tradizionali (Desio, 1995, Shanks,
O’Donnell and Arnott 1997a ). Ci sono molti processi coinvolti in un
की परियोजना डाटा गोदाम come inizializzazione, pianificazione;
informazioni acquisite dai requisiti chieste ai dirigenti d’azienda;
fonti, trasformazioni, pulizia dei डेटा e di sincronizzazione da legacy
systems e le altre fonti di डेटा; sistemi di consegna in sviluppo;
monitoraggio dei डाटा गोदाम; e insensatezza del processo
evolutivo e di costruzione di un डाटा गोदाम (Stinchi, O’Donnell
ed Arnott 1997b). In questo giornale, noi focalizziamo su come
disegnare i डेटा immagazzinati nel contesto di questi altri processi.
Ci sono un numero di approcci proposti per l’architettura dei data
warehouse 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 डेटा वेयरहाउस
डिज़ाइन
Inmon (1994) propose quattro passi iterativi per disegnare un data
warehouse (veda Figura 2). Il primo passo è progettare un modello
डेटा sociale per capire come i डेटा possono essere integrati
attraverso aree funzionali all’interno di un’organizzazione
suddividendo i डेटा immagazzini in aree. Il modello डेटा इसके लिए बनाया गया है
immagazzinare डेटा attinenti a prese di decisione, incluso डेटा
storici, ed incluso डेटा 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 डेटाबेस 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 डेटा richiesti e sviluppare
processi di trasformazione per acquisire, pulire e formattare i डेटा.
Le forze dell’approccio di Inmon sono che il modello डेटा सामाजिक
offre la base per l’integrazione di डेटा all’interno dell’organizzazione
e pianificazione di supporti per lo sviluppo iterativo di data
warehouse. Le sue pecche sono la difficoltà e il costo nel disegnare
आईएल मॉडलो डेटा sociale, la difficoltà nel capire modelli di entità e
relazioni usati in ambo i modelli, quello डेटा sociale e quello di डेटा
immagazzinati per area soggetto, e l’appropriatezza dei डेटा डेल
disegno di डाटा गोदाम की प्राप्ति के लिए डेटाबेस
relazionali ma non per डेटाबेस multi-dimensionali.
Ives’ (1995) Approach to डेटा वेयरहाउस
डिज़ाइन
Ives (1995) propone un approccio di quattro passi per disegnare un
sistema informativo che lui ritiene applicabile al disegno di un data
warehouse (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 डेटा sociale. Il secondo passo
comporta lo sviluppo di un architettura che definisce डेटा
immagazzinati per aree, डेटाबेस di डाटा गोदाम, i componenti
di tecnologia che sono richiesti, l’insieme di supporto organizzativo
richiesto per implementare ed operare con डाटा गोदाम. Il terzo
passo include la selezione di pacchetti software e attrezzi richiesti.
Il quarto passo è il disegno particolareggiato e la costruzione del
डाटा गोदाम. Ives nota che immagazzinare डेटा 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 डाटा गोदाम,
l’opportuna selezione hardware e software, e l’uso di molteplici
tecniche di rappresentazione per il डाटा गोदाम. Le sue pecche
sono inerenti alla complessità. Altre includono la difficoltà nello
sviluppare molti livelli di डेटाबेस के भीतर डाटा गोदाम in
tempi e costi ragionevoli.
Kimball’s (1994) Approach to डेटा वेयरहाउस
डिज़ाइन
Kimball (1994) propose cinque passi iterativi per disegnare un data
warehouse (vedi Figuri 4). Il suo approccio è particolarmente
dedicato sul disegno di un solo डाटा गोदाम 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 डेटाबेस fisico è più
efficiente (Kimball 1994). Kimball riconosce che lo sviluppo di un
डाटा गोदाम è iterativo, e che डाटा गोदाम separati possono
essere integrati attraverso la ripartizione in tavole di dimensioni
सामान्य।
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 डेटाबेस multidimensionale per perfezionare lo
schema della stella. Il passo finale è identificare sistemi di fonti डेटा
richiesti e sviluppare processi di trasformazione per acquisire, pulire
e formattare i डेटा.
Le forze dell’approccio di Kimball includono l’uso di modelli
dimensionali per rappresentare i डेटा immagazzinati che lo rendono
facile da capire e conduce ad un disegno fisico efficiente. Un
modello dimensionale che usa prontamente anche entrambi i
सिस्टम डेटाबेस relazionali può essere perfezionato o sistemi di
डेटाबेस 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 डाटा गोदाम और
difficoltà di progettare dall’estrema struttura denormalizzata in un
modello dimensionale a डेटा in legacy system.
McFadden’s (1996) Approach to Data
Warehouse Design
McFadden (1996) propone un approccio di cinque passi per
disegnare un डाटा गोदाम (vedi Figura 5).
Il suo approccio è basato su una sintesi delle idee dalla letteratura
ed è focalizzato sul disegno di un solo डाटा गोदाम। पहला वाला
passo comporta un’analisi dei requisiti. Anche se le specifiche
tecniche non sono prescritte, le note di McFadden identificano le
सत्ता डेटा 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
डाटा गोदाम e poi convalidato dai dirigenti d’azienda. Il terzo
passo comprende la determinazione del mapping da legacy system
e fonti esterne di डाटा गोदाम. Il quarto passo comporta
processi in sviluppo, la distribuzione e sincronizzazione di डेटा नेल
डाटा गोदाम. 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 डेटा, la loro pulizia e raccolta. Le sue
pecche riguardano la mancanza di un processo per suddividere un
grande progetto di डाटा गोदाम in molti stages integrati, ed la
difficoltà nel capire i modelli di entità e relazione usati nel disegno di
डाटा गोदाम.

व्यवस्थापक सीईओ

👍ऑनलाइन वेब एजेंसी | डिजिटल मार्केटिंग और एसईओ में वेब एजेंसी विशेषज्ञ। वेब एजेंसी ऑनलाइन एक वेब एजेंसी है। एजेंज़िया वेब ऑनलाइन के लिए डिजिटल परिवर्तन में सफलता आयरन एसईओ संस्करण 3 की नींव पर आधारित है। विशेषताएँ: सिस्टम इंटीग्रेशन, एंटरप्राइज एप्लिकेशन इंटीग्रेशन, सर्विस ओरिएंटेड आर्किटेक्चर, क्लाउड कंप्यूटिंग, डेटा वेयरहाउस, बिजनेस इंटेलिजेंस, बिग डेटा, पोर्टल्स, इंट्रानेट, वेब एप्लिकेशन रिलेशनल और बहुआयामी डेटाबेस का डिजाइन और प्रबंधन, डिजिटल मीडिया के लिए डिजाइनिंग इंटरफेस: प्रयोज्यता और ग्राफिक्स। ऑनलाइन वेब एजेंसी कंपनियों को निम्नलिखित सेवाएँ प्रदान करती है: - Google, Amazon, Bing, Yandex पर SEO; -वेब एनालिटिक्स: गूगल एनालिटिक्स, गूगल टैग मैनेजर, यांडेक्स मेट्रिका; -उपयोगकर्ता रूपांतरण: Google Analytics, Microsoft Clarity, Yandex Metrica; -Google, बिंग, अमेज़न विज्ञापनों पर SEM; -सोशल मीडिया मार्केटिंग (फेसबुक, लिंक्डइन, यूट्यूब, इंस्टाग्राम)।

पूर्ण जीवनी देखें

डिजिटल विपणन डाटाबेस डीबीएमएस डेटा वेयरहाउस डाटा विज्ञान ऑनलाइन प्रचार सूचना प्रौद्योगिकी वेब एजेंसी विज्ञापन संस्था विपणन (मार्केटिंग)