Pergudangan Data dan Perencanaan Sumber Daya Perusahaan | DWH dan ERP

ARSIP DATA TENGAH : SEJARAH ED EVOLUSI

Dua tema dominan teknologi perusahaan pada 90-an adalah i data warehouse dan ERP. Untuk waktu yang lama kedua aliran yang kuat ini telah menjadi bagian dari TI perusahaan tanpa pernah memiliki titik temu. Seolah-olah mereka adalah materi dan anti-materi. Tetapi pertumbuhan kedua fenomena itu pasti mengarah pada persimpangan mereka. Saat ini perusahaan menghadapi masalah tentang apa yang harus dilakukan dengan ERP dan data warehouse. Artikel ini akan menjelaskan apa masalahnya dan bagaimana mereka ditangani oleh perusahaan.

PADA AWALNYA…

Pada awalnya ada data warehouse. Gudang data itu lahir untuk melawan sistem aplikasi pemrosesan transaksi. Pada hari-hari awal menghafal memberikan itu dimaksudkan hanya sebagai tandingan untuk aplikasi pemrosesan transaksi. Namun saat ini ada visi yang jauh lebih canggih tentang apa a data warehouse. Di dunia sekarang ini data warehouse itu dimasukkan ke dalam struktur yang bisa disebut Pabrik Informasi Korporat.

PABRIK INFORMASI PERUSAHAAN (CIF)

Pabrik Informasi Perusahaan memiliki komponen arsitektur standar: integrasi kode dan lapisan transformasi yang mengintegrasikan i memberikan sementara saya memberikan mereka berpindah dari lingkungan aplikasi ke lingkungan data warehouse dari perusahaan; A data warehouse dari perusahaan tempat saya memberikan sejarah yang rinci dan terintegrasi. NS data warehouse perusahaan berfungsi sebagai fondasi di mana semua bagian lain dari lingkungan dapat dibangun data warehouse; penyimpanan data operasional (ODS). ODS adalah struktur hibrid yang berisi beberapa aspek dari data warehouse dan aspek lain dari lingkungan OLTP; data mart, di mana departemen yang berbeda dapat memiliki versinya sendiri data warehouse; Sebuah data warehouse eksplorasi di mana pemikir perusahaan dapat mengirimkan pertanyaan 72 jam mereka tanpa efek merugikan pada data warehouse; dan memori garis dekat, di mana memberikan tua dan memberikan detail massal dapat disimpan dengan harga murah.

DI MANA ERP MENGGABUNGKAN DENGAN PABRIK INFORMASI PERUSAHAAN

ERP bergabung dengan Pabrik Informasi Perusahaan di dua tempat. Terutama sebagai aplikasi dasar yang menyediakan i memberikan dari aplikasi ke data warehouse. Dalam hal ini saya memberikan, dihasilkan sebagai produk sampingan dari proses transaksi, diintegrasikan dan dimuat ke dalam data warehouse dari perusahaan. Tautan kedua antara ERP dan CIF adalah ODS. Memang, di banyak lingkungan ERP digunakan sebagai ODS klasik.

Jika ERP digunakan sebagai aplikasi dasar, ERP yang sama juga dapat digunakan di CIF sebagai BPO. Bagaimanapun, jika ERP akan digunakan dalam kedua peran tersebut, harus ada perbedaan yang jelas antara kedua entitas tersebut. Dengan kata lain, ketika ERP memainkan peran aplikasi dasar dan ODS, kedua entitas arsitektur harus dibedakan. Jika satu implementasi ERP mencoba untuk memenuhi kedua peran secara bersamaan, pasti akan ada masalah dalam desain dan implementasi struktur tersebut.

ODS TERPISAH DAN APLIKASI DASAR

Ada banyak alasan yang menyebabkan pembagian komponen arsitektur. Mungkin hal yang paling jelas dalam memisahkan berbagai komponen arsitektur adalah bahwa setiap komponen arsitektur memiliki pandangannya sendiri. Aplikasi baseline melayani tujuan yang berbeda dari ODS. Cobalah tumpang tindih

tampilan aplikasi dasar di dunia ODS atau sebaliknya bukanlah cara kerja yang adil.

Akibatnya, masalah pertama ERP di CIF adalah memverifikasi apakah ada perbedaan antara aplikasi dasar dan BPO.

MODEL DATA DI PERUSAHAAN PABRIK INFORMASI

Untuk mencapai kohesi antara komponen yang berbeda dari arsitektur CIF, harus ada model memberikan. Model dari memberikan mereka berfungsi sebagai penghubung antara berbagai komponen arsitektur seperti aplikasi dasar dan ODS. Model dari memberikan mereka menjadi “peta jalan intelektual” untuk mendapatkan makna yang tepat dari berbagai komponen arsitektur CIF.

Sejalan dengan gagasan ini, idenya adalah bahwa harus ada satu pola besar dan tunggal memberikan. Jelas harus ada pola memberikan untuk masing-masing komponen dan selanjutnya harus ada jalur yang masuk akal yang menghubungkan model yang berbeda. Setiap komponen arsitektur – ODS, aplikasi dasar, data warehouse perusahaan, dan seterusnya.. – membutuhkan modelnya sendiri memberikan. Jadi harus ada definisi yang tepat tentang bagaimana model-model ini memberikan mereka berinteraksi satu sama lain.

PINDAHKAN AKU DATA DARI TANGGAL ERP GUDANG

Jika asal usul memberikan adalah aplikasi baseline dan/atau ODS, ketika ERP memasukkan i memberikan di data warehouse, penyisipan ini harus dilakukan pada tingkat "perincian" terendah. Cukup rekap atau agregat i memberikan karena mereka keluar dari aplikasi dasar ERP atau ODS ERP bukanlah hal yang benar untuk dilakukan. ITU memberikan rincian yang diperlukan dalam data warehouse untuk membentuk dasar dari proses DSS. Seperti memberikan mereka akan dibentuk ulang dalam banyak cara oleh data mart dan eksplorasi data warehouse.

perpindahan dari memberikan dari lingkungan aplikasi dasar ERP ke data warehouse perusahaan dilakukan dengan cara yang cukup santai. Perpindahan ini terjadi kira-kira 24 jam setelah pembaruan atau pembuatan di ERP. Fakta memiliki gerakan "malas" dari memberikan di data warehouse perusahaan memungkinkan memberikan datang dari ERP untuk "menetap". sekali saya memberikan disimpan dalam aplikasi dasar, maka Anda dapat memindahkannya dengan aman memberikan ERP di perusahaan. Tujuan lain yang bisa dicapai berkat gerakan "malas" tersebut memberikan adalah batasan yang jelas antara proses operasional dan DSS. Dengan gerakan "cepat" dari memberikan garis antara DSS dan operasional tetap tidak jelas.

Pergerakan memberikan dari ODS ERP ke data warehouse perusahaan dilakukan secara periodik, biasanya mingguan atau bulanan. Dalam hal ini gerakan dari memberikan itu didasarkan pada kebutuhan untuk "membersihkan" yang lama memberikan sejarawan. Secara alami, ODS berisi i memberikan yang jauh lebih baru dari memberikan sejarawan ditemukan di data warehouse.

perpindahan dari memberikan di data warehouse hampir tidak pernah dilakukan secara “grosir” (secara grosir). Salin tabel dari lingkungan ERP ke data warehouse ini tidak masuk akal. Pendekatan yang jauh lebih realistis adalah memindahkan unit tertentu memberikan. Hanya memberikan yang telah berubah sejak update terakhir dari data warehouse adalah orang-orang yang harus dipindahkan ke data warehouse. Salah satu cara untuk mengetahui yang mana memberikan telah berubah sejak pembaruan terakhir adalah dengan melihat stempel waktu memberikan ditemukan di lingkungan ERP. Perancang memilih semua perubahan yang terjadi sejak pembaruan terakhir. Pendekatan lain adalah dengan menggunakan teknik penangkapan perubahan memberikan. Dengan teknik ini log dan kaset jurnal dianalisis untuk menentukan yang mana memberikan harus dipindahkan dari lingkungan ERP ke lingkungan tersebut data warehouse. Teknik ini adalah yang terbaik karena log dan kaset jurnal dapat dibaca dari file ERP tanpa efek lebih lanjut pada sumber daya ERP lainnya.

KOMPLIKASI LAINNYA

Salah satu masalah ERP di CIF adalah apa yang terjadi pada sumber aplikasi lain atau ai memberikan ODS yang harus berkontribusi terhadap data warehouse tetapi mereka bukan bagian dari lingkungan ERP. Mengingat sifat ERP yang tertutup, terutama SAP, berusaha untuk mengintegrasikan kunci dari sumber eksternal memberikan dengan saya memberikan yang berasal dari ERP pada saat pindah i memberikan di data warehouse, ini tantangan besar. Dan apa sebenarnya probabilitas i memberikan aplikasi atau BPO di luar lingkungan ERP akan diintegrasikan ke dalam data warehouse? Peluangnya sebenarnya sangat tinggi.

TEMUKAN DATA SEJARAH DARI ERP

Masalah lain dengan memberikan ERP adalah bahwa berasal dari kebutuhan untuk memiliki memberikan bersejarah di dalam data warehouse. Biasanya data warehouse dia membutuhkan memberikan sejarawan. Dan teknologi ERP biasanya tidak menyimpan ini memberikan historis, setidaknya tidak sejauh yang diperlukan dalam data warehouse. Ketika sejumlah besar memberikan log mulai bertambah di lingkungan ERP, lingkungan itu perlu dibersihkan. Misalnya, misalkan a data warehouse harus dimuat dengan lima tahun memberikan historis sementara ERP menyimpan maksimal enam bulan dari ini memberikan. Asalkan perusahaan puas mengumpulkan sejumlah memberikan historis seiring berjalannya waktu, maka tidak ada masalah menggunakan ERP sebagai sumber untuk data warehouse. Tapi ketika data warehouse harus kembali ke masa lalu dan mengambil dewa memberikan catatan yang sebelumnya tidak dikumpulkan dan disimpan oleh ERP, maka lingkungan ERP menjadi tidak efisien.

ERP DAN METADATA

Pertimbangan lain yang harus dibuat tentang ERP dan data warehouse adalah salah satu metadata yang ada di lingkungan ERP. Sama seperti metadata yang berpindah dari lingkungan ERP ke data warehouse, metadata harus dipindahkan dengan cara yang sama. Selain itu, metadata harus diubah menjadi format dan struktur yang dibutuhkan oleh infrastruktur data warehouse. Ada perbedaan besar antara metadata operasional dan metadata DSS. Metadata operasional sebagian besar untuk pengembang dan untuk

programmer. Metadata DSS terutama untuk pengguna akhir. Metadata yang ada di aplikasi ERP atau ODS perlu diubah dan konversi ini tidak selalu mudah dan langsung.

SUMBER DATA ERP

Jika ERP digunakan sebagai penyedia memberikan untuk data warehouse harus ada antarmuka yang solid yang bergerak i memberikan dari lingkungan ERP ke lingkungan data warehouse. Antarmuka harus:

• ▪ mudah digunakan
• ▪ mengizinkan akses ke memberikan dari ERP
• ▪ mengambil arti dari memberikan yang sedang dipindahkan ke data warehouse
• ▪ mengetahui batasan ERP yang dapat muncul saat mengakses memberikan dari ERP-nya:
• ▪ integritas referensial
• ▪ hubungan hierarkis
• ▪ hubungan logis implisit
• ▪ konvensi aplikasi
• ▪ semua struktur dari memberikan didukung oleh ERP, dan sebagainya ...
• ▪ efisien dalam mengakses memberikan, dengan menyediakan:
• ▪ gerakan langsung dari memberikan
• ▪ perolehan perubahan memberikan
• ▪ mendukung akses tepat waktu ke memberikan
• ▪ memahami format dari memberikan, dan seterusnya… ANTARMUKA DENGAN SAP Antarmuka dapat terdiri dari dua jenis, buatan sendiri atau komersial. Beberapa antarmuka komersial utama meliputi:

• ▪ SAS
• ▪ Solusi Prima
• ▪ D2k, dan seterusnya… BEBERAPA TEKNOLOGI ERP Memperlakukan lingkungan ERP seolah-olah itu adalah teknologi tunggal adalah kesalahan besar. Ada banyak teknologi ERP, masing-masing dengan kekuatannya. Vendor paling terkenal di pasar adalah:

• ▪ SAP
• ▪ Keuangan Oracle
• ▪ PeopleSoft
• JD Edwards
• ▪ Baan SAP SAP adalah perangkat lunak ERP terbesar dan terlengkap. Aplikasi SAP mencakup banyak jenis aplikasi di banyak bidang. SAP memiliki reputasi sebagai:

• ▪ sangat besar
• ▪ sangat sulit dan mahal untuk diterapkan
• ▪ membutuhkan banyak orang dan konsultan untuk melaksanakannya
• ▪ membutuhkan orang-orang khusus untuk pelaksanaannya
• ▪ membutuhkan banyak waktu untuk mengimplementasikan Juga SAP memiliki reputasi untuk menghafalnya memberikan erat, mempersulit seseorang di luar area SAP untuk mengaksesnya. Kekuatan SAP adalah mampu menangkap dan menyimpan data dalam jumlah besar memberikan. SAP baru-baru ini mengumumkan niatnya untuk memperluas aplikasinya ke data warehouse. Ada banyak pro dan kontra untuk menggunakan SAP sebagai vendor data warehouse. Keuntungannya adalah SAP sudah terinstall dan kebanyakan konsultan sudah familiar dengan SAP.
  Kerugian memiliki SAP sebagai pemasok data warehouse banyak: SAP tidak memiliki pengalaman di dunia data warehouse Jika SAP adalah pemasok data warehouse, perlu untuk "mengambil" i memberikan dari SAP al data warehouse. Mengingat rekam jejak sistem tertutup SAP, sepertinya tidak mudah mendapatkan i dari SAP di dalamnya (???). Ada banyak lingkungan lawas yang mendukung SAP, seperti IMS, VSAM, ADABAS, ORACLE, DB2, dan seterusnya. SAP bersikeras pada pendekatan "tidak ditemukan di sini". SAP tidak ingin bermitra dengan vendor lain untuk menggunakan atau membuat data warehouse. SAP bersikeras untuk menghasilkan semua perangkat lunaknya sendiri.

Meskipun SAP adalah perusahaan besar dan kuat, fakta mencoba menulis ulang teknologi ELT, OLAP, administrasi sistem, dan bahkan basis kode dari dbm itu hanya gila. Alih-alih mengambil sikap kooperatif dengan pemasok data warehouse Sudah lama, SAP telah mengikuti pendekatan yang mereka “tahu yang terbaik”. Sikap ini menahan kesuksesan yang bisa diraih SAP di bidang tersebut data warehouse.
Penolakan SAP untuk mengizinkan vendor eksternal mengakses vendor mereka dengan cepat dan lancar memberikan. Inti dari menggunakan a data warehouse adalah akses mudah ke memberikan. Seluruh kisah SAP didasarkan pada membuatnya sulit diakses memberikan.
Kurangnya pengalaman SAP dalam menangani volume besar memberikan; dalam bidang data warehouse ada volume memberikan tidak pernah terlihat dari SAP dan untuk menangani jumlah besar ini memberikan Anda harus memiliki teknologi yang tepat. SAP tampaknya tidak menyadari hambatan teknologi yang ada untuk memasuki bidang ini data warehouse.
Budaya perusahaan SAP: SAP telah membangun bisnis untuk mendapatkan i memberikan dari sistem. Tetapi untuk melakukan ini, Anda perlu memiliki mentalitas yang berbeda. Secara tradisional, perusahaan perangkat lunak yang pandai memasukkan data ke lingkungan tidak pandai memasukkan data ke arah lain. Jika SAP berhasil membuat peralihan jenis ini, itu akan menjadi perusahaan pertama yang melakukannya.

Singkatnya, dipertanyakan apakah perusahaan harus memilih SAP sebagai pemasok data warehouse. Ada risiko yang sangat serius di satu sisi dan sangat sedikit keuntungan di sisi lain. Namun ada alasan lain yang membuat enggan memilih SAP sebagai pemasok data warehouse. Karena setiap perusahaan harus memiliki hal yang sama data warehouse dari semua perusahaan lain? Itu data warehouse itu adalah jantung dari keunggulan kompetitif. Jika setiap perusahaan mengadopsi hal yang sama data warehouse akan sulit, meskipun bukan tidak mungkin, untuk mencapai keunggulan kompetitif. SAP tampaknya berpikir bahwa a data warehouse dapat dilihat sebagai cookie dan ini adalah tanda lain dari mentalitas mereka untuk "mendapatkan data dalam" aplikasi.

Tidak ada vendor ERP lain yang dominan seperti SAP. Tidak diragukan lagi akan ada perusahaan yang akan mengikuti jalan SAP untuk mereka data warehouse tapi mungkin ini data warehouse SAP akan berukuran besar, mahal, dan memakan waktu untuk membuatnya.

Lingkungan ini mencakup aktivitas seperti pemrosesan teller bank, proses reservasi maskapai penerbangan, proses pengaduan asuransi, dan sebagainya. Semakin baik kinerja sistem transaksi, semakin jelas perlunya pemisahan antara proses operasional dan DSS (Decision Support System). Namun, dengan sistem SDM dan personalia, Anda tidak pernah dihadapkan pada volume transaksi yang besar. Dan, tentu saja, ketika seseorang dipekerjakan atau keluar dari perusahaan, ini adalah catatan transaksi. Tetapi dibandingkan dengan sistem lain, sistem SDM dan personalia tidak memiliki banyak transaksi. Oleh karena itu, dalam sistem SDM dan personalia tidak sepenuhnya jelas bahwa ada kebutuhan akan DataWarehouse. Dalam banyak hal, sistem ini merupakan gabungan dari sistem DSS.

Namun ada faktor lain yang harus diperhatikan saat menangani datawarehouse dan PeopleSoft. Di banyak kalangan, i memberikan SDM dan sumber daya pribadi adalah sekunder dari bisnis utama perusahaan. Sebagian besar perusahaan memproduksi, menjual, menyediakan layanan, dan sebagainya. Sistem SDM dan personalia biasanya bersifat sekunder (atau mendukung) lini bisnis utama perusahaan. Oleh karena itu, itu samar-samar dan tidak nyaman a data warehouse terpisah untuk dukungan SDM dan sumber daya pribadi.

PeopleSoft sangat berbeda dari SAP dalam hal ini. Dengan SAP, wajib ada a data warehouse. Dengan PeopleSoft, semuanya tidak begitu jelas. Gudang data bersifat opsional dengan PeopleSoft.

Hal terbaik yang bisa dikatakan untuk memberikan PeopleSoft adalah bahwa data warehouse dapat digunakan untuk mengarsipkan i memberikan terkait dengan sumber daya manusia dan pribadi lama. Alasan kedua mengapa perusahaan ingin menggunakan a data warehouse a

kerugian dari lingkungan PeopleSoft adalah untuk memungkinkan akses dan akses gratis ke alat analisis, ai memberikan oleh PeopleSoft. Namun di luar alasan ini, mungkin ada kasus di mana lebih baik tidak memiliki gudang data memberikan Orang Lembut.

Singkatnya

Ada banyak ide yang berhubungan dengan konstruksi a data warehouse di dalam perangkat lunak ERP.
Beberapa di antaranya adalah:

• ▪ Masuk akal untuk memiliki a data warehouse siapa yang terlihat seperti orang lain di industri ini?
• ▪ Seberapa fleksibel ERP itu data warehouse perangkat lunak?
• ▪ ERP data warehouse perangkat lunak dapat menangani volume memberikan yang terletak di "data warehouse arena"?
• ▪ Apa jejak logging vendor ERP dalam menghadapi mudah dan murah, memakan waktu, ai memberikan? (apa rekam jejak vendor ERP dalam pengiriman data yang murah, tepat waktu, dan mudah diakses?)
• ▪ Apa pemahaman vendor ERP tentang arsitektur DSS dan pabrik informasi perusahaan?
• ▪ Vendor ERP memahami cara mendapatkannya memberikan dalam lingkungan, tetapi juga mengerti bagaimana cara mengekspornya?
• ▪ Seberapa terbuka vendor ERP terhadap alat pergudangan data?
  Semua pertimbangan ini harus dilakukan saat menentukan di mana akan meletakkannya data warehouse yang akan menjadi tuan rumah i memberikan ERP dan lainnya memberikan. Secara umum, kecuali ada alasan kuat untuk melakukan sebaliknya, bangunan direkomendasikan data warehouse di luar lingkungan vendor ERP. BAB 1 Tinjauan tentang Organisasi BI Poin-poin penting:
  Repositori informasi bekerja dengan cara yang berlawanan dengan arsitektur intelijen bisnis (BI):
  Budaya korporat dan TI dapat membatasi keberhasilan membangun organisasi BI.

Teknologi tidak lagi menjadi faktor pembatas bagi organisasi BI. Masalah bagi arsitek dan perencana proyek bukanlah apakah teknologi itu ada, tetapi apakah mereka dapat menerapkan teknologi yang tersedia secara efektif.

Bagi banyak perusahaan data warehouse sedikit lebih dari deposit pasif yang mendistribusikan i memberikan kepada pengguna yang membutuhkannya. NS memberikan diekstraksi dari sistem sumber dan diisi ke dalam struktur target oleh data warehouse. Saya memberikan mereka juga dapat dibersihkan dengan sedikit keberuntungan. Namun tidak ada nilai tambah yang ditambahkan atau dikumpulkan oleh memberikan selama proses ini.

Pada dasarnya, dw pasif, paling banter, hanya menyediakan i memberikan bersih dan operasional untuk asosiasi pengguna. Penciptaan informasi dan pemahaman analitis sepenuhnya tergantung pada pengguna. Menilai apakah DW (Gudang data) apakah kesuksesan itu subjektif. Jika kita menilai kesuksesan berdasarkan kemampuan mengumpulkan, mengintegrasikan, dan membersihkan secara efisien i memberikan korporat atas dasar yang dapat diprediksi, maka ya, DW sukses. Di sisi lain, jika kita melihat pengumpulan, konsolidasi, dan eksploitasi informasi organisasi secara keseluruhan, maka DW gagal. DW memberikan sedikit atau tidak ada nilai informasi. Akibatnya, pengguna terpaksa melakukannya, sehingga menciptakan silo informasi. Bab ini menyajikan visi komprehensif untuk merangkum arsitektur BI (Business Intelligence) perusahaan. Kami mulai dengan deskripsi BI dan kemudian beralih ke diskusi tentang desain dan pengembangan informasi, bukan sekadar menyediakan memberikan kepada pengguna. Diskusi kemudian fokus pada penghitungan nilai upaya BI Anda. Kami menyimpulkan dengan mendefinisikan bagaimana IBM menangani persyaratan arsitektur BI organisasi Anda.

Deskripsi arsitektur organisasi BI

Sistem informasi berorientasi transaksi yang kuat sekarang menjadi urutan hari ini di setiap perusahaan besar, secara efektif menyamakan kedudukan bagi perusahaan di seluruh dunia.

Tetap kompetitif, bagaimanapun, sekarang membutuhkan sistem berorientasi analitis yang dapat merevolusi kemampuan perusahaan untuk menemukan kembali dan menggunakan informasi yang sudah mereka miliki. Sistem analitik ini berasal dari pemahaman dari kekayaan memberikan tersedia. BI dapat meningkatkan kinerja di semua informasi di seluruh perusahaan. Bisnis dapat meningkatkan hubungan pelanggan-pemasok, meningkatkan profitabilitas produk dan layanan, menghasilkan penawaran baru dan lebih baik, mengendalikan risiko, dan di antara banyak keuntungan lainnya memotong biaya secara drastis. Dengan BI, perusahaan Anda akhirnya mulai menggunakan informasi pelanggan sebagai aset kompetitif berkat aplikasi yang memiliki tujuan pasar.

Memiliki sarana bisnis yang tepat berarti memiliki jawaban pasti atas pertanyaan kunci seperti:

• ▪ Yang mana dari kita pelanggan Apakah mereka membuat kita menghasilkan lebih banyak, atau apakah mereka membuat kita kehilangan uang?
• ▪ Tempat tinggal terbaik kami pelanggan berhubungan dengan toko/ gudang yang sering mereka kunjungi?
• ▪ Produk dan layanan kita yang mana yang dapat dijual paling efektif dan kepada siapa?
• ▪ Produk apa yang paling efektif dijual dan kepada siapa?
• ▪ Kampanye penjualan mana yang lebih berhasil dan mengapa?
• ▪ Saluran penjualan mana yang paling efektif untuk produk tertentu?
• ▪ Bagaimana kita dapat meningkatkan hubungan dengan sebaik-baiknya pelanggan? Sebagian besar perusahaan memiliki memberikan kasar untuk menjawab pertanyaan-pertanyaan ini.
  Sistem operasional menghasilkan sejumlah besar produk, pelanggan, dan biaya memberikan dari titik penjualan, pemesanan, layanan pelanggan dan sistem dukungan teknis. Tantangannya adalah untuk mengekstrak dan mengeksploitasi informasi ini. Banyak perusahaan mendapat untung hanya dari sebagian kecil dari mereka memberikan untuk analisis strategis.
  I memberikan tersisa, sering bergabung dengan i memberikan memperoleh sumber eksternal seperti laporan pemerintah, dan informasi lain yang dibeli, adalah tambang emas yang menunggu untuk dieksplorasi, dan memberikan mereka hanya perlu disempurnakan dalam konteks informasi organisasi Anda.

Pengetahuan ini dapat diterapkan dalam beberapa cara, mulai dari merancang strategi perusahaan secara keseluruhan hingga komunikasi pribadi dengan pemasok, melalui pusat panggilan, pembuatan faktur, Internet dan poin lainnya. Lingkungan bisnis saat ini mengharuskan DW dan solusi BI terkait berkembang lebih dari sekadar menjalankan struktur bisnis tradisional. memberikan yang saya memberikan tingkat atom dinormalisasi dan "pertanian bintang / kubus".

Apa yang dibutuhkan untuk tetap kompetitif adalah perpaduan teknologi tradisional dan maju dalam upaya mendukung lanskap analitik yang luas.
Terakhir, lingkungan umum harus meningkatkan pengetahuan perusahaan secara keseluruhan, memastikan bahwa tindakan yang diambil sebagai hasil analisis yang dilakukan bermanfaat sehingga bermanfaat bagi semua orang.

Misalnya, katakanlah Anda memberi peringkat milik Anda pelanggan dalam kategori risiko tinggi atau rendah.
Apakah informasi ini dihasilkan oleh model penambangan atau cara lain, itu harus dimasukkan ke dalam DW dan dapat diakses oleh siapa saja, melalui alat akses apa pun, seperti laporan statis, spreadsheet, tabel, atau pemrosesan analitik online (OLAP ).

Namun, saat ini, banyak dari jenis informasi ini masih tersembunyi memberikan individu atau departemen yang menghasilkan analisis. Organisasi secara keseluruhan memiliki sedikit atau tidak ada visibilitas untuk dipahami. Hanya dengan memadukan jenis konten informasi ini ke dalam DW perusahaan Anda, Anda dapat menghilangkan silo informasi dan meningkatkan lingkungan DW Anda.
Ada dua rintangan utama untuk mengembangkan organisasi BI.
Pertama, kita memiliki masalah organisasi itu sendiri dan disiplinnya.
Meskipun kami tidak dapat membantu dengan perubahan kebijakan organisasi, kami dapat membantu memahami komponen BI organisasi, arsitekturnya, dan bagaimana teknologi IBM memfasilitasi pengembangannya.
Hambatan kedua yang harus diatasi adalah kurangnya teknologi terintegrasi dan pengetahuan tentang metode yang memanggil seluruh ruang BI, bukan hanya komponen kecil.

IBM menanggapi perubahan dalam mengintegrasikan teknologi. Merupakan tanggung jawab Anda untuk menyediakan desain yang sadar. Arsitektur ini harus dikembangkan dengan teknologi yang dipilih untuk integrasi tanpa kendala, atau paling tidak, dengan teknologi yang menganut standar terbuka. Selain itu, manajemen perusahaan Anda harus memastikan bahwa perusahaan Bi dilaksanakan sesuai jadwal dan tidak membiarkan pengembangan silo informasi yang muncul dari agenda, atau tujuan yang mementingkan diri sendiri.
Ini bukan untuk mengatakan bahwa lingkungan BI tidak peka untuk bereaksi terhadap kebutuhan dan kebutuhan yang berbeda dari pengguna yang berbeda; sebaliknya, berarti penerapan kebutuhan dan persyaratan individu tersebut dilakukan untuk kepentingan seluruh organisasi BI.
Penjelasan tentang arsitektur organisasi BI dapat ditemukan pada halaman 9 di Gambar 1.1.Arsitektur tersebut menunjukkan perpaduan yang kaya antara teknologi dan teknik.
Dari pandangan tradisional, arsitekturnya mencakup komponen-komponen gudang berikut ini

Lapisan Atom.

Ini adalah fondasi, jantung dari seluruh Dw dan oleh karena itu pelaporan strategis.
I memberikan disimpan di sini akan mempertahankan integritas sejarah, laporan dari memberikan dan menyertakan metrik turunan, serta dibersihkan, diintegrasikan, dan disimpan menggunakan model penambangan.
Semua penggunaan selanjutnya dari ini memberikan dan informasi terkait berasal dari struktur ini. Ini adalah sumber yang sangat baik untuk penambangan memberikan dan untuk laporan dengan kueri SQL terstruktur

Setoran operasional sebesar memberikan atau basis laporan dari memberikan(Penyimpanan data operasional (ODS) atau pelaporan Database.)

Ini adalah struktur dari memberikan khusus dirancang untuk pelaporan teknis.

I memberikan disimpan dan dilaporkan di atas struktur ini pada akhirnya dapat menyebar ke gudang melalui area pementasan, yang dapat digunakan untuk pensinyalan strategis.

Daerah pementasan.

Perhentian pertama untuk sebagian besar memberikan dimaksudkan untuk lingkungan gudang adalah zona organisasi.
Aku disini memberikan mereka terintegrasi, dibersihkan dan diubah menjadi memberikan keuntungan yang akan mengisi struktur gudang

Tanggal mart.

Bagian arsitektur ini mewakili struktur memberikan digunakan khusus untuk OLAP. Kehadiran datamart, jika i memberikan mereka disimpan dalam skema bintang yang mereka lapisi memberikan multidimensi dalam lingkungan relasional, atau dalam file memberikan eksklusif yang digunakan oleh teknologi OLAP tertentu, seperti DB2 OLAP Server, tidak relevan.

Satu-satunya kendala adalah bahwa arsitektur memfasilitasi penggunaan memberikan multidimensi.
Arsitekturnya juga mencakup teknologi dan teknik Bi kritis yang dibedakan sebagai:

Analisis spasial

Ruang adalah rejeki nomplok informasi untuk analis dan sangat penting untuk menyelesaikan resolusi. Ruang dapat mewakili informasi tentang orang-orang yang tinggal di lokasi tertentu, serta informasi tentang di mana lokasi tersebut secara fisik berhubungan dengan bagian dunia lainnya.

Untuk melakukan analisis ini, Anda harus mulai dengan menghubungkan informasi Anda ke koordinat lintang dan bujur. Ini disebut sebagai "geocoding" dan harus menjadi bagian dari proses ekstrak, transformasi, dan muat (ETL) di tingkat atom gudang Anda.

Penambangan data.

Ekstraksi dari memberikan memungkinkan perusahaan kami untuk tumbuh jumlah pelanggan, untuk memprediksi tren penjualan dan mengaktifkan manajemen hubungan dengan i pelanggan (CRM), di antara inisiatif BI lainnya.

Ekstraksi dari memberikan karena itu harus diintegrasikan dengan struktur memberikan gudang dan didukung oleh proses gudang untuk memastikan penggunaan teknologi dan teknik terkait secara efektif dan efisien.

Seperti yang ditunjukkan dalam arsitektur BI, Dwhouse tingkat atom, serta datamart, adalah sumber yang sangat baik memberikan untuk ekstraksi. Properti yang sama juga harus menjadi penerima hasil ekstraksi untuk memastikan ketersediaannya bagi khalayak luas.

Agen

Ada berbagai "agen" untuk memeriksa pelanggan untuk setiap titik seperti, sistem operasi perusahaan dan dw itu sendiri. Agen-agen ini dapat menjadi jaringan saraf canggih yang dilatih untuk mempelajari tentang tren di setiap titik, seperti permintaan produk di masa depan berdasarkan promosi penjualan, mesin berbasis aturan untuk bereaksi terhadap dato serangkaian keadaan, atau bahkan agen sederhana yang melaporkan pengecualian kepada eksekutif puncak. Proses-proses ini umumnya terjadi secara real time dan, oleh karena itu, harus dibarengi dengan pergerakan proses-proses tersebut memberikan. Semua struktur ini memberikan, teknologi dan teknik memastikan bahwa Anda tidak akan menghabiskan malam membuat organisasi BI Anda.

Kegiatan ini akan dikembangkan secara bertahap, untuk poin-poin kecil.
Setiap langkah adalah upaya proyek independen, dan disebut sebagai iterasi dalam dw atau inisiatif BI Anda. Iterasi mungkin termasuk menerapkan teknologi baru, dimulai dengan teknik baru, menambahkan kerangka kerja baru memberikan , memuat i memberikan tambahan , atau dengan perluasan analisis lingkungan Anda. Paragraf ini dibahas lebih rinci dalam bab 3.

Selain kerangka kerja DW tradisional dan alat BI, ada aspek lain dari organisasi BI yang perlu Anda desain, seperti:

Titik sentuh pelanggan (Sentuhan pelanggan poin).

Seperti halnya organisasi modern mana pun, ada sejumlah titik kontak pelanggan yang menunjukkan cara mendapatkan pengalaman positif bagi Anda pelanggan. Ada saluran tradisional seperti pedagang, operator switchboard, surat langsung, multimedia dan iklan cetak, serta saluran yang lebih baru seperti email dan web, memberikan produk dengan beberapa titik kontak harus diperoleh, diangkut, dibersihkan, diproses, dan kemudian diisi di fasilitas memberikan dari BI.

Dasar-dasar dari memberikan asosiasi operasional dan pengguna (Operasional

database dan komunitas pengguna).
Di akhir titik kontak dari pelanggan Anda akan menemukan dasar-dasar memberikan aplikasi perusahaan dan komunitas pengguna. NS memberikan yang ada memberikan tradisional yang harus dipersatukan kembali dan dilebur dengan memberikan mengalir dari touchpoints untuk memenuhi informasi yang diperlukan.

Analis. (Analis)

Penerima manfaat utama dari lingkungan BI adalah analis. Dialah yang mendapat manfaat dari ekstraksi saat ini memberikan operasional , terintegrasi dengan berbagai sumber memberikan , ditambah dengan fitur seperti analisis geografis (geocoding) dan disajikan dalam teknologi BI yang memungkinkan penambangan, OLAP, pelaporan SQL tingkat lanjut, dan analisis geografis. Antarmuka utama untuk analis ke lingkungan pelaporan adalah portal BI.

Namun, analis bukan satu-satunya yang mendapat manfaat dari arsitektur BI.
Eksekutif, asosiasi pengguna besar, dan bahkan mitra, pemasok, dan i pelanggan mereka harus menemukan manfaat di perusahaan BI.

Putaran umpan balik.

Arsitektur BI adalah lingkungan belajar. Prinsip karakteristik pengembangan adalah untuk memungkinkan struktur yang persisten memberikan untuk diperbarui oleh teknologi BI yang digunakan dan oleh tindakan yang dilakukan pengguna. Contohnya adalah penilaian pelanggan.

Jika departemen penjualan melakukan model penambangan skor pelanggan seperti menggunakan layanan baru, maka departemen penjualan seharusnya bukan satu-satunya kelompok yang mendapat manfaat dari layanan tersebut.

Sebaliknya, penambangan model harus dilakukan sebagai bagian alami dari aliran data dalam perusahaan dan skor pelanggan harus menjadi bagian terintegrasi dari lingkungan informasi gudang, yang dapat dilihat oleh semua pengguna. Bi-BI-centric IBM Suite termasuk DB2 UDB, DB2 OLAP Server mencakup komponen teknologi yang paling penting, yang didefinisikan dalam Gambar 1.1.

Kami menggunakan arsitektur seperti yang terlihat dalam gambar dari buku ini untuk memberi kami tingkat kesinambungan dan mendemonstrasikan bagaimana masing-masing produk IBM sesuai dengan skema BI secara keseluruhan.

Menyediakan Konten Informasi (Providing Konten Informasi)

Merancang, mengembangkan, dan menerapkan lingkungan BI Anda adalah tugas yang menakutkan. Desain harus mencakup persyaratan bisnis saat ini dan masa depan. Gambar arsitektur harus komprehensif untuk memasukkan semua kesimpulan yang ditemukan selama fase desain. Eksekusi harus tetap berkomitmen pada satu tujuan: untuk mengembangkan arsitektur BI sebagaimana disajikan secara formal dalam desain dan didasarkan pada persyaratan bisnis.

Sangat sulit untuk membantah bahwa disiplin akan memastikan kesuksesan relatif.
Ini sederhana karena Anda tidak mengembangkan lingkungan BI sekaligus, tetapi dalam langkah-langkah kecil dari waktu ke waktu.

Namun, mengidentifikasi komponen BI arsitektur Anda penting karena dua alasan: Anda akan mendorong semua keputusan arsitektur teknis selanjutnya.
Anda akan dapat secara sadar merencanakan penggunaan teknologi tertentu meskipun Anda mungkin tidak membutuhkan teknologi tersebut berulang kali selama beberapa bulan.

Memahami persyaratan bisnis Anda secara memadai akan memengaruhi jenis produk yang Anda peroleh untuk arsitektur Anda.
Desain dan pengembangan arsitektur Anda memastikan bahwa gudang Anda

bukan acara acak, melainkan iklan yang dipikirkan dengan matang dan dibuat dengan hati-hati beroperasi seni sebagai mosaik teknologi campuran.

Rancang konten informasi

Semua desain awal harus fokus dan mengidentifikasi komponen BI utama yang akan dibutuhkan oleh lingkungan secara keseluruhan sekarang dan di masa depan.
Mengetahui Persyaratan Bisnis itu penting.

Bahkan sebelum perencanaan formal dimulai, perencana proyek seringkali dapat mengidentifikasi satu atau dua komponen dengan segera.
Namun, keseimbangan komponen yang mungkin diperlukan untuk arsitektur Anda tidak dapat ditemukan dengan mudah. Selama fase desain, bagian utama dari arsitektur mengikat sesi pengembangan aplikasi (JAD) pada penelitian untuk mengidentifikasi kebutuhan bisnis.

Terkadang persyaratan ini dapat dipercayakan ke alat kueri dan pelaporan.
Misalnya, pengguna menyatakan bahwa jika mereka ingin mengotomatiskan laporan saat ini, mereka harus membuat secara manual dengan mengintegrasikan dua laporan saat ini dan menambahkan perhitungan yang berasal dari kombinasi memberikan.
Meskipun persyaratan ini sederhana, ini menentukan fungsionalitas fitur tertentu yang harus Anda sertakan saat membeli alat pelaporan untuk organisasi Anda.

Perancang juga harus mengejar persyaratan tambahan untuk mendapatkan gambaran yang lengkap. Apakah pengguna ingin berlangganan laporan ini?
Apakah subkumpulan laporan dibuat dan dikirim melalui email ke berbagai pengguna? Ingin melihat laporan ini di portal perusahaan? Semua persyaratan ini adalah bagian dari kebutuhan sederhana untuk mengganti laporan manual seperti yang diminta oleh pengguna. Manfaat dari jenis persyaratan ini adalah semua orang, pengguna dan desainer, sudah familiar dengan konsep laporan.

Namun, ada jenis bisnis lain yang perlu kita rencanakan. Ketika persyaratan bisnis dinyatakan dalam bentuk pertanyaan bisnis strategis, mudah bagi perencana yang berpengalaman untuk membedakan persyaratan dimensi dan ukuran/fakta.

Jika pengguna JAD tidak tahu bagaimana menyatakan persyaratan mereka dalam bentuk masalah bisnis, perancang akan sering memberikan contoh untuk melewatkan sesi pengumpulan persyaratan.
Perencana ahli dapat membantu pengguna memahami tidak hanya bisnis strategis, tetapi juga bagaimana membentuknya.
Pendekatan pengumpulan persyaratan dibahas dalam bab 3; untuk saat ini kami hanya ingin menunjukkan perlunya mendesain untuk semua jenis persyaratan BI.

Masalah bisnis strategis bukan hanya persyaratan bisnis, tetapi juga isyarat desain. Jika Anda harus menjawab pertanyaan multidimensi, maka Anda harus menghafal, mempresentasikannya memberikan dimensi, dan jika Anda perlu menghafal memberikan multidimensi, Anda perlu memutuskan jenis teknologi atau teknik apa yang akan Anda gunakan.

Apakah Anda menerapkan skema bintang kubus yang dicadangkan, atau keduanya? Seperti yang Anda lihat, bahkan masalah bisnis yang sederhana pun dapat sangat memengaruhi desain. Tetapi jenis persyaratan bisnis ini sudah biasa dan tentu saja, setidaknya oleh perencana dan perancang proyek yang berpengalaman.

Ada cukup perdebatan tentang teknologi dan dukungan OLAP, dan berbagai macam solusi tersedia. Sejauh ini kita telah menyentuh kebutuhan untuk menyatukan pelaporan sederhana dengan persyaratan bisnis dimensional, dan bagaimana persyaratan ini memengaruhi keputusan arsitektur teknis.

Tapi apa saja persyaratan yang tidak mudah dipahami oleh pengguna atau tim Dw? Apakah Anda memerlukan analisis spasial(analisis spasial)?
Model penambangan memberikan Apakah mereka akan menjadi bagian penting dari masa depan Anda? Siapa tahu?

Penting untuk dicatat bahwa jenis teknologi ini tidak begitu dikenal oleh komunitas pengguna umum dan anggota tim DW, sebagian, hal ini mungkin karena biasanya ditangani oleh beberapa pakar teknis internal atau pihak ketiga. Ini adalah kasus tepi dari masalah yang dihasilkan oleh jenis teknologi ini. Jika pengguna tidak dapat mendeskripsikan persyaratan bisnis atau membingkainya untuk memberikan panduan kepada desainer, mereka dapat luput dari perhatian atau, lebih buruk lagi, diabaikan begitu saja.

Lebih bermasalah lagi ketika perancang dan pengembang tidak dapat mengenali penerapan salah satu dari teknologi canggih namun kritis ini.
Seperti yang sering kita dengar para Desainer berkata, “Baiklah, mengapa kita tidak menyimpannya sampai kita mendapatkan barang lain ini? “Apakah mereka benar-benar tertarik pada prioritas, atau apakah mereka hanya menghindari persyaratan yang tidak mereka pahami? Kemungkinan besar asumsi terakhir. Katakanlah tim penjualan Anda telah mengkomunikasikan persyaratan bisnis, seperti yang dinyatakan dalam Gambar 1.3, seperti yang Anda lihat, persyaratan tersebut dibingkai dalam bentuk masalah bisnis. Perbedaan antara masalah ini dan masalah dimensi tipikal adalah jarak. Dalam hal ini, tim penjualan ingin mengetahui, setiap bulan, total penjualan dari produk, gudang, dan pelanggan yang tinggal dalam jarak 5 mil dari gudang tempat mereka berbelanja.

Sayangnya, desainer atau arsitek dapat dengan mudah mengabaikan komponen spasial dengan mengatakan, "Kami memiliki pelanggan, produk, dan memberikan dari deposito. Mari kita tahan jarak sampai iterasi berikutnya.

"Jawaban yang salah. Jenis masalah bisnis ini adalah tentang BI. Ini mewakili pemahaman yang lebih dalam tentang bisnis kami dan ruang analitis yang kuat untuk analis kami. BI melampaui kueri sederhana atau pelaporan standar, atau bahkan OLAP. Itu tidak berarti teknologi ini tidak penting untuk BI Anda, tetapi teknologi itu sendiri tidak mewakili lingkungan BI.

Desain untuk konteks informasi (Merancang untuk Konten Informasi)

Sekarang kami telah mengidentifikasi Persyaratan Bisnis yang membedakan berbagai komponen inti, mereka harus disertakan dalam gambar arsitektur secara keseluruhan. Beberapa komponen BI merupakan bagian dari upaya awal kami, sementara beberapa komponen tidak akan diterapkan selama beberapa bulan.

Namun, semua persyaratan yang diketahui tercermin dalam desain sehingga ketika kami perlu mengimplementasikan teknologi tertentu, kami siap melakukannya. Sesuatu tentang proyek ini akan mencerminkan pemikiran tradisional.

Set ini memberikan digunakan untuk mendukung penggunaan selanjutnya dari memberikan dimensi didorong oleh masalah bisnis yang telah kami identifikasi. Sebagai dokumen tambahan yang dihasilkan, seperti pengembangan proyek memberikan, kita akan mulai dengan memformalkan sebagai i memberikan mereka menyebar di lingkungan. Kami telah memastikan kebutuhan untuk mewakili i memberikan secara dimensional, membaginya (menurut kebutuhan khusus tertentu) menjadi data mart.

Pertanyaan selanjutnya untuk dijawab adalah: Bagaimana data mart ini dibangun?
Apakah Anda membuat bintang untuk menopang kubus, atau hanya kubus, atau hanya bintang? (atau kubus kanan, atau bintang kanan). Hasilkan arsitektur untuk data mart dependen yang membutuhkan lapisan atom untuk semua memberikan diperoleh? Izinkan data mart independen untuk memperoleh memberikan langsung dari sistem operasi?

Teknologi kubus apa yang akan Anda coba standarkan?

Anda memiliki sejumlah besar dewa memberikan diperlukan untuk analisis dimensi atau apakah Anda memerlukan kubus tenaga penjualan nasional Anda setiap minggu atau keduanya? Apakah Anda membangun objek yang kuat seperti DB2 OLAP Server untuk keuangan atau kubus Cognos PowerPlay untuk organisasi penjualan Anda atau keduanya? Ini adalah keputusan desain arsitektur besar yang akan memengaruhi lingkungan BI Anda ke depan. Ya, Anda telah mengidentifikasi kebutuhan akan OLAP. Sekarang bagaimana Anda akan melakukan teknik dan teknologi semacam itu?

Bagaimana beberapa teknologi yang lebih maju memengaruhi desain Anda? Anggaplah Anda telah mengidentifikasi kebutuhan spasial dalam organisasi Anda. Sekarang Anda harus mengingat edisi gambar arsitektur meskipun Anda tidak berencana membuat komponen spasial selama beberapa bulan. Arsitek harus merancang hari ini berdasarkan apa yang dibutuhkan. Mengantisipasi kebutuhan analisis spasial yang menghasilkan, menyimpan, memelihara, dan menyediakan akses memberikan spasial. Hal ini pada gilirannya akan menjadi batasan mengenai jenis teknologi perangkat lunak dan spesifikasi platform yang saat ini dapat Anda pertimbangkan. Misalnya sistem administrasi basis data relasional (RDBMS) yang Anda pertahankan untuk lapisan atom Anda harus memiliki jangkauan spasial yang kuat. Hal ini akan memastikan performa maksimal saat Anda menggunakan geometri dan objek spasial dalam aplikasi analitik Anda. Jika RDBMS Anda tidak dapat menangani memberikan (berpusat pada spasial) secara internal, jadi Anda harus menetapkan a basis data (spasial-sentris) eksternal. Ini memperumit manajemen masalah dan membahayakan kinerja Anda secara keseluruhan, belum lagi masalah tambahan yang ditimbulkannya untuk DBA Anda, karena kemungkinan besar mereka memiliki pemahaman minimal tentang dasar-dasar memberikan spasial juga. Di sisi lain, jika mesin RDMBS Anda menangani semua komponen spasial dan pengoptimalnya mengetahui kebutuhan khusus (misalnya pengindeksan) objek spasial, maka DBA Anda dapat dengan mudah menangani masalah manajemen dan Anda dapat memaksimalkan kinerjanya.

Selain itu, Anda perlu menyesuaikan area pementasan dan lapisan lingkungan atom untuk menyertakan pembersihan alamat (mis

elemen kunci untuk analisis spasial), serta penghematan objek spasial berikutnya. Suksesi edisi desain berlanjut sekarang karena kami telah memperkenalkan gagasan tentang kebersihan alamat. Untuk satu hal, aplikasi ini akan menentukan jenis perangkat lunak yang Anda perlukan untuk usaha ETL Anda.

Apakah Anda memerlukan produk seperti Trillium untuk memberi Anda alamat bersih, atau vendor ETL pilihan Anda untuk menyediakan fungsionalitas itu?
Untuk saat ini penting bagi Anda untuk menghargai tingkat desain yang harus diselesaikan sebelum Anda mulai merawat gudang Anda. Contoh di atas harus menunjukkan banyaknya keputusan desain yang harus mengikuti identifikasi kebutuhan bisnis tertentu. Ketika dibuat dengan benar, keputusan desain ini mempromosikan saling ketergantungan antara struktur fisik lingkungan Anda, pemilihan teknologi yang digunakan, dan aliran propagasi konten informasi. Tanpa arsitektur BI konvensional ini, organisasi Anda akan tunduk pada campuran kacau dari teknologi yang ada, paling tidak secara longgar dirajut bersama untuk memberikan stabilitas yang nyata.

Pertahankan konten informasi

Membawa nilai informasi ke organisasi Anda adalah tugas yang sangat sulit. Tanpa pemahaman dan pengalaman yang memadai, atau rekayasa dan desain yang tepat, bahkan tim terbaik pun akan gagal. Di sisi lain, jika Anda memiliki intuisi yang hebat dan desain yang mendetail tetapi tidak disiplin untuk mengeksekusi, Anda hanya membuang-buang uang dan waktu karena usaha Anda pasti akan gagal. Pesannya harus jelas: Jika Anda kekurangan satu atau lebih keterampilan, pemahaman/pengalaman atau disiplin perencanaan/desain atau implementasi, ini akan menyebabkan melumpuhkan atau menghancurkan bangunan organisasi BI.

Apakah tim Anda cukup siap? Apakah ada orang di tim BI Anda yang memahami lanskap analitik luas yang tersedia di lingkungan BI, serta teknik dan teknologi yang diperlukan untuk mempertahankan lanskap tersebut? Apakah ada orang di tim Anda yang dapat membedakan penerapan tingkat lanjut

pelaporan statis dan OLAP, atau perbedaan antara ROLAP dan OLAP? Apakah salah satu anggota tim Anda mengenali dengan jelas cara penambangan dan bagaimana pengaruhnya terhadap gudang atau bagaimana gudang dapat mendukung kinerja penambangan? Seorang anggota tim memahami nilai dari memberikan teknologi berbasis ruang atau agen? Apakah Anda memiliki seseorang yang menghargai aplikasi alat unik dari teknologi ETL vs Message Broker? Jika Anda tidak memilikinya, dapatkan satu. BI jauh lebih besar daripada lapisan atom yang dinormalisasi, OLAP, skema bintang, dan ODS.

Memiliki pemahaman dan pengalaman untuk mengenali persyaratan BI dan solusinya sangat penting untuk kemampuan Anda memformalkan kebutuhan pengguna dengan benar dan merancang serta mengimplementasikan solusinya. Jika komunitas pengguna Anda mengalami kesulitan dalam menjelaskan persyaratan, terserah kepada tim gudang untuk memberikan pemahaman tersebut. Tetapi jika tim gudang

tidak mengenali aplikasi spesifik BI - misalnya, penambangan data - maka bukan hal terbaik bahwa lingkungan BI sering kali terbatas pada repositori pasif. Namun, mengabaikan teknologi ini tidak mengurangi pentingnya dan pengaruhnya terhadap munculnya kemampuan intelijen bisnis organisasi Anda, serta aset informasi yang Anda rencanakan untuk dipromosikan.

Desain harus mencakup pengertian menggambar, dan keduanya membutuhkan individu yang kompeten. Selain itu, perencanaan membutuhkan filosofi gudang tim dan kepatuhan terhadap standar. Misalnya, jika perusahaan Anda telah menetapkan standar platform atau telah mengidentifikasi RDBMS tertentu yang ingin distandarisasi di seluruh platform, setiap orang dalam tim harus mematuhi standar tersebut. Umumnya sebuah tim menyatakan perlunya standardisasi (kepada komunitas pengguna), tetapi tim itu sendiri tidak mau mematuhi standar yang ditetapkan di area lain perusahaan atau bahkan mungkin di perusahaan serupa. Ini tidak hanya munafik, tetapi juga menetapkan perusahaan tidak mampu mengeksploitasi sumber daya dan investasi yang ada. Itu tidak berarti tidak ada situasi yang menjamin platform atau teknologi yang tidak standar; Namun, upaya gudang

mereka harus dengan hati-hati menjaga standar perusahaan sampai persyaratan bisnis menentukan sebaliknya.

Komponen kunci ketiga yang diperlukan untuk membangun organisasi BI adalah disiplin.
Itu tergantung secara total, baik pada individu maupun pada lingkungan. Perencana proyek, sponsor, arsitek, dan pengguna harus menghargai disiplin yang diperlukan untuk membangun aset informasi perusahaan. Desainer harus mengarahkan upaya desain mereka untuk melengkapi upaya lain yang dibutuhkan dalam masyarakat.

Misalnya, perusahaan Anda membangun aplikasi ERP yang memiliki komponen gudang.
Oleh karena itu tanggung jawab desainer ERP untuk berkolaborasi dengan tim lingkungan gudang agar tidak bersaing atau menduplikasi pekerjaan yang sudah dimulai.

Disiplin juga merupakan topik yang perlu ditangani oleh seluruh organisasi dan biasanya ditetapkan dan diamanatkan di tingkat eksekutif.
Apakah eksekutif bersedia untuk mematuhi pendekatan yang dirancang? Suatu pendekatan yang menjanjikan untuk membuat konten informasi yang pada akhirnya akan memberikan nilai ke semua area perusahaan, tetapi mungkin mengkompromikan agenda individu atau departemen? Ingat pepatah "Memikirkan segalanya lebih penting daripada memikirkan satu hal". Pepatah ini benar untuk organisasi BI.

Sayangnya, banyak gudang memfokuskan upaya mereka untuk mencoba menargetkan dan memberikan nilai kepada departemen tertentu atau pengguna tertentu, dengan sedikit memperhatikan organisasi pada umumnya. Misalkan manajer meminta bantuan dari tim gudang. Tim merespons dengan upaya 90 hari yang mencakup tidak hanya menyampaikan persyaratan pemberitahuan yang ditentukan oleh eksekutif tetapi juga memastikan bahwa semua memberikan dasar dicampur ke dalam tingkat atom sebelum diperkenalkan ke dalam teknologi kubus yang diusulkan.
Penambahan teknik ini memastikan bahwa perusahaan gudang akan mendapat manfaat dari memberikan dibutuhkan oleh manajer.
Namun, eksekutif tersebut berbicara dengan perusahaan konsultan luar yang mengusulkan aplikasi serupa dengan pengiriman kurang dari 4 minggu.

Dengan asumsi tim gudang internal kompeten, eksekutif memiliki pilihan. Siapa yang dapat mendukung disiplin teknik tambahan yang diperlukan untuk menumbuhkan aset informasi perusahaan atau dapat memilih untuk membangun solusi mereka sendiri dengan cepat. Yang terakhir tampaknya terlalu sering dipilih dan hanya berfungsi untuk menciptakan wadah informasi yang bermanfaat bagi segelintir orang atau individu.

Tujuan jangka pendek dan jangka panjang

Arsitek dan perencana proyek harus memformalkan visi jangka panjang dari keseluruhan arsitektur dan rencana untuk menumbuhkan organisasi BI. Kombinasi keuntungan jangka pendek dan perencanaan jangka panjang ini merupakan dua sisi dari upaya BI. Pendapatan jangka pendek adalah aspek BI yang dikaitkan dengan iterasi gudang Anda.

Di sinilah perencana, arsitek, dan sponsor fokus untuk memenuhi persyaratan bisnis tertentu. Pada level inilah struktur fisik dibangun, teknologi dibeli dan teknik diimplementasikan. Mereka sama sekali tidak dibuat untuk memenuhi persyaratan khusus seperti yang ditentukan oleh komunitas pengguna tertentu. Semuanya dilakukan dengan tujuan memenuhi persyaratan khusus yang ditentukan oleh komunitas tertentu.
Namun demikian, perencanaan jangka panjang merupakan segi lain dari BI. Di sinilah rencana dan desain memastikan bahwa setiap struktur fisik dibangun, teknologi yang dipilih, dan teknik yang dicapai dibuat dengan memperhatikan perusahaan. Ini adalah perencanaan jangka panjang yang memberikan kohesi yang diperlukan untuk memastikan bahwa keuntungan perusahaan berasal dari keuntungan jangka pendek yang ditemukan.

Justifikasi upaya BI Anda

Un data warehouse dengan sendirinya tidak memiliki nilai yang melekat. Dengan kata lain, tidak ada nilai yang melekat antara teknologi gudang dan teknik implementasi.

Nilai dari setiap upaya gudang ditemukan dalam tindakan yang dilakukan sebagai hasil dari lingkungan gudang dan konten informasi yang dikembangkan dari waktu ke waktu. Ini adalah poin penting untuk dipahami sebelum Anda mencoba memperkirakan nilai dari setiap inisiatif tempat tinggal.

Terlalu sering, arsitek dan perencana berusaha menerapkan nilai pada komponen fisik dan teknis gudang padahal sebenarnya nilai didasarkan pada proses bisnis yang secara positif dipengaruhi oleh gudang dan informasi yang ditangkap dengan baik.

Di sinilah letak tantangan untuk mendirikan BI: Bagaimana Anda menjustifikasi investasi? Jika wherehouse itu sendiri tidak memiliki nilai intrinsik, perencana proyek harus menyelidiki, mendefinisikan, dan memformalkan manfaat bagi individu yang akan menggunakan gudang untuk meningkatkan proses bisnis tertentu atau nilai informasi yang dilindungi, atau keduanya.

Untuk memperumit masalah, setiap proses bisnis yang dipengaruhi oleh upaya gudang dapat memberikan manfaat "substansial" atau "ringan". Manfaat yang signifikan memberikan metrik yang nyata untuk mengukur laba atas investasi (ROI) – misalnya, perputaran persediaan pada waktu tambahan selama periode tertentu atau untuk biaya transportasi per pengiriman yang lebih rendah. Lebih sulit untuk mendefinisikan manfaat halus, seperti peningkatan akses ke informasi, dalam hal nilai nyata.

Hubungkan proyek Anda untuk mengetahui permintaan bisnis

Terlalu sering, perencana proyek berusaha menghubungkan nilai gudang dengan tujuan perusahaan yang tidak jelas. Dengan menyatakan bahwa "nilai gudang didasarkan pada kemampuan kami untuk memenuhi permintaan strategis", kami membuka diskusi dengan cara yang menyenangkan. Tapi itu saja tidak cukup untuk menentukan apakah berinvestasi di gudang itu masuk akal. Yang terbaik adalah menghubungkan perwakilan gudang dengan pertanyaan dan catatan bisnis tertentu.

Ukur ROI

Menghitung ROI dalam pengaturan gudang bisa sangat sulit. Ini sangat sulit jika memimpin

pengulangan tertentu adalah sesuatu yang tidak berwujud atau mudah diukur. Satu studi menemukan bahwa pengguna merasakan dua manfaat utama dari inisiatif BI:

• ▪ Menciptakan kemampuan untuk mengambil keputusan
• ▪ Menciptakan akses informasi
  Manfaat ini adalah manfaat lunak (atau ringan). Sangat mudah untuk melihat bagaimana kami dapat menghitung ROI berdasarkan manfaat yang sulit (atau lebih besar) seperti pengurangan biaya pengiriman, tetapi bagaimana kami mengukur kemampuan untuk membuat keputusan yang lebih baik?
  Ini jelas merupakan tantangan bagi perencana proyek ketika mereka mencoba membuat perusahaan berinvestasi dalam upaya gudang tertentu. Peningkatan penjualan atau penurunan biaya tidak lagi menjadi tema utama yang mendorong lingkungan BI.
  Sebaliknya, Anda mencari permintaan bisnis untuk akses informasi yang lebih baik sehingga departemen tertentu dapat membuat keputusan lebih cepat. Ini adalah penggerak strategis yang kebetulan sama pentingnya bagi perusahaan tetapi lebih ambigu dan lebih sulit untuk dicirikan dalam metrik yang nyata. Dalam hal ini, menghitung ROI bisa menyesatkan, bahkan tidak relevan.
  Perancang proyek harus dapat menunjukkan nilai yang nyata bagi para eksekutif untuk memutuskan apakah investasi dalam iterasi tertentu sepadan. Namun, kami tidak akan mengusulkan metode baru untuk menghitung ROI, kami juga tidak akan membuat argumen yang mendukung atau menentangnya.
  Ada banyak artikel dan buku yang tersedia yang membahas dasar-dasar penghitungan ROI. Ada proposisi nilai khusus seperti nilai investasi (VOI), yang ditawarkan oleh grup seperti Gartner, yang dapat Anda teliti. Sebaliknya, kami akan berfokus pada aspek inti dari ROI atau proposisi nilai lainnya yang perlu Anda pertimbangkan. Menerapkan ROI Di luar argumen tentang manfaat "keras" versus "lunak" yang terkait dengan upaya BI, ada masalah lain yang perlu dipertimbangkan saat menerapkan ROI. Misalnya:

Menghubungkan terlalu banyak penghematan pada upaya DW yang akan datang
Katakanlah perusahaan Anda berpindah dari arsitektur mainframe ke lingkungan UNIX terdistribusi. Jadi penghematan apa pun yang mungkin (atau mungkin tidak) direalisasikan dari upaya itu tidak boleh dikaitkan semata-mata, jika sama sekali (?), ke gudang.

Tidak memperhitungkan semuanya itu mahal. Dan ada banyak hal yang harus diperhatikan. Pertimbangkan daftar berikut:

• ▪ Biaya awal, termasuk kelayakan.
• ▪ Biaya perangkat keras khusus dengan penyimpanan dan komunikasi terkait
• ▪ Biaya perangkat lunak, termasuk pengelolaan memberikan dan ekstensi klien/server, perangkat lunak ETL, teknologi DSS, alat visualisasi, aplikasi penjadwalan dan alur kerja, dan perangkat lunak pemantauan, .
• ▪ Biaya desain struktur memberikan, dengan pembuatan, dan pengoptimalan
• ▪ Biaya pengembangan perangkat lunak yang terkait langsung dengan upaya BI
• ▪ Biaya dukungan rumah, termasuk pengoptimalan kinerja, termasuk kontrol versi perangkat lunak dan pengoperasian bantuan Terapkan ROI “Big-Bang”. Membangun gudang sebagai satu upaya raksasa pasti akan gagal, demikian juga menghitung ROI untuk inisiatif perusahaan besar Tawaran itu mengejutkan, dan para perencana terus melakukan upaya yang lemah untuk memperkirakan nilai seluruh upaya. Mengapa perencana mencoba memberi nilai uang pada inisiatif bisnis jika diketahui dan diterima secara luas bahwa memperkirakan iterasi spesifik itu sulit? Bagaimana itu mungkin? Itu tidak mungkin dengan beberapa pengecualian. Jangan lakukan itu. Sekarang setelah kami menetapkan apa yang tidak boleh dilakukan saat menghitung ROI, berikut adalah beberapa poin yang akan membantu Anda membuat proses yang andal untuk memperkirakan nilai upaya BI Anda.

Memperoleh persetujuan ROI. Terlepas dari teknik pilihan Anda untuk memperkirakan nilai upaya BI Anda, itu harus disetujui oleh semua pihak, termasuk perencana proyek, sponsor, dan eksekutif perusahaan.

Memecah ROI menjadi bagian-bagian yang dapat diidentifikasi. Langkah penting menuju perhitungan ROI yang masuk akal adalah memfokuskan perhitungan tersebut pada proyek tertentu. Ini kemudian memungkinkan Anda untuk memperkirakan nilai berdasarkan persyaratan bisnis tertentu yang dipenuhi

Tentukan biayanya. Seperti disebutkan, banyak biaya perlu dipertimbangkan. Selain itu, biaya harus mencakup tidak hanya biaya yang terkait dengan iterasi individu tetapi juga biaya yang terkait dengan memastikan kepatuhan terhadap standar perusahaan.

Tentukan manfaat. Dengan secara jelas menghubungkan ROI dengan persyaratan bisnis tertentu, kita harus dapat mengidentifikasi manfaat yang akan mengarah pada pemenuhan persyaratan tersebut.

Mengurangi biaya dan manfaat dalam keuntungan yang akan segera terjadi. Ini adalah cara terbaik untuk mendasarkan valuasi Anda pada net present value (NPV) sebagai lawan dari mencoba memprediksi nilai masa depan dalam pendapatan masa depan.

Pertahankan waktu untuk membagi ROI Anda seminimal mungkin. Ini didokumentasikan dengan baik dalam jangka panjang telah digunakan dalam ROI Anda.

Gunakan lebih dari satu rumus ROI. Ada banyak metode untuk memprediksi ROI, dan Anda harus merencanakan untuk menggunakan satu atau lebih metode tersebut, termasuk nilai sekarang bersih, tingkat pengembalian internal (IRR), dan pengembalian.

Tentukan proses berulang. Ini sangat penting untuk menghitung nilai jangka panjang apa pun. Satu proses berulang harus didokumentasikan untuk semua sub-urutan proyek selanjutnya.

Masalah yang tercantum adalah yang paling umum yang didefinisikan oleh pakar lingkungan gudang. Desakan manajemen untuk memberikan ROI "Big-Bang" sangat membingungkan. Jika Anda memulai semua perhitungan ROI Anda dengan memecahnya menjadi bagian-bagian yang dapat diidentifikasi dan nyata, Anda memiliki peluang bagus untuk memperkirakan perkiraan ROI yang akurat.

Pertanyaan tentang manfaat ROI

Apa pun keuntungan Anda, lunak atau keras, Anda dapat menggunakan beberapa pertanyaan dasar untuk menentukan nilainya. Misalnya, dengan menggunakan sistem skala sederhana, dari 1 hingga 10, Anda dapat mengukur dampak upaya apa pun dengan menggunakan pertanyaan berikut:

• Bagaimana Anda menilai pemahaman tentang memberikan mengikuti proyek perusahaan Anda ini?
• Bagaimana Anda menilai peningkatan proses sebagai hasil dari proyek ini?
• Bagaimana Anda mengukur dampak wawasan dan kesimpulan baru yang kini tersedia melalui iterasi ini
• Apa dampak dari lingkungan komputer yang baru dan lebih baik sebagai hasil dari apa yang telah dipelajari? Jika jawaban atas pertanyaan-pertanyaan ini sedikit, mungkin perusahaan tidak sebanding dengan investasi yang dilakukan. Pertanyaan dengan skor tinggi menunjukkan keuntungan nilai yang signifikan dan harus berfungsi sebagai panduan untuk penyelidikan lebih lanjut. Misalnya, skor tinggi untuk peningkatan proses harus mengarahkan desainer untuk memeriksa bagaimana proses ditingkatkan. Anda mungkin menemukan bahwa beberapa atau semua keuntungan yang diperoleh nyata dan oleh karena itu nilai moneter dapat diterapkan dengan mudah. Mendapatkan hasil maksimal dari iterasi pertama dari gudang Hasil terbesar dari upaya perusahaan Anda seringkali dalam beberapa iterasi pertama. Upaya awal ini secara tradisional membangun konten informasi yang paling berguna bagi publik dan membantu membangun landasan teknologi untuk aplikasi BI selanjutnya. Biasanya setiap urutan berikutnya dari memberikan proyek gudang membawa nilai tambah yang semakin berkurang bagi perusahaan secara keseluruhan. Ini terutama benar jika iterasi tidak menambah topik baru atau memenuhi kebutuhan komunitas pengguna baru.

Fitur penyimpanan ini juga berlaku untuk tumpukan yang terus bertambah memberikan sejarawan. Karena upaya selanjutnya membutuhkan lebih banyak memberikan dan berapa banyak lagi memberikan dituangkan ke dalam gudang dari waktu ke waktu, sebagian besar memberikan menjadi kurang relevan dengan analisis yang digunakan. Ini memberikan mereka sering dipanggil memberikan tidak aktif dan selalu mahal untuk menyimpannya karena hampir tidak pernah digunakan.

Apa artinya ini bagi sponsor proyek? Intinya, sponsor pertama berbagi lebih dari biaya investasi. Ini adalah yang utama karena mereka adalah pendorong untuk mendirikan lapisan lingkungan teknologi dan sumber daya gudang yang luas, termasuk organik.

Tetapi langkah-langkah pertama ini membawa nilai terbesar dan oleh karena itu perencana proyek seringkali harus membenarkan investasi tersebut.
Proyek yang diselesaikan setelah inisiatif BI Anda mungkin memiliki biaya yang lebih rendah (dibandingkan dengan yang pertama) dan langsung, tetapi memberikan nilai yang lebih kecil bagi perusahaan.

Dan pemilik organisasi harus mulai mempertimbangkan untuk membuang penumpukan memberikan dan teknologi yang kurang relevan.

Penambangan Data: Ekstraksi Memberikan

Banyak komponen arsitektur memerlukan variasi teknologi dan teknik penambangan data—
misalnya, "agen" yang berbeda untuk memeriksa tempat menarik dari pelanggan, sistem operasi perusahaan dan untuk dw yang sama. Agen-agen ini dapat berupa jaringan saraf canggih yang dilatih tentang tren pot, seperti permintaan produk di masa mendatang berdasarkan promosi penjualan; mesin berbasis aturan untuk bereaksi terhadap suatu himpunan dato keadaan, misalnya diagnosis medis dan rekomendasi perawatan; atau bahkan agen sederhana dengan peran melaporkan pengecualian kepada eksekutif puncak. Umumnya proses ekstraksi ini memberikan si

verifikasi secara real time; oleh karena itu, mereka harus bersatu sepenuhnya dengan gerakan itu memberikan diri.

Pemrosesan Pemrosesan Analitik Online

Analitik daring

Kemampuan untuk mengiris, memotong dadu, menggulung, menelusuri, dan melakukan analisis
bagaimana-jika, berada dalam ruang lingkup, ruang lingkup rangkaian teknologi IBM. Misalnya, fungsi pemrosesan analitik online (OLAP) ada untuk DB2 yang membawa analisis dimensi ke dalam mesin Database sama .

Fungsi menambahkan utilitas dimensi ke SQL sambil menuai semua manfaat menjadi bagian alami dari DB2. Contoh lain integrasi OLAP adalah alat ekstraktor, DB2 OLAP Analyzer Server. Teknologi ini memungkinkan kubus DB2 OLAP Server dipindai dengan cepat dan otomatis untuk menemukan dan melaporkan nilai-nilai memberikan tidak biasa atau tidak terduga untuk setiap kubus untuk analis perdagangan. Dan terakhir, fungsi DW Center menyediakan sarana bagi arsitek untuk memeriksa, antara lain, profil server kubus DB2 OLAP sebagai bagian alami dari proses ETL.

Analisis Spasial Analisis Spasial

Ruang mewakili setengah dari jangkar analitis (konduksi) yang diperlukan untuk sebuah panorama
analitik luas (waktu mewakili separuh lainnya). Tingkat atom gudang, yang ditunjukkan pada Gambar 1.1, mencakup fondasi ruang dan waktu. Analisis jangkar stempel waktu berdasarkan waktu dan analisis jangkar informasi alamat berdasarkan ruang. Stempel waktu melakukan analisis berdasarkan waktu, dan informasi alamat melakukan analisis berdasarkan ruang. Diagram menunjukkan geocoding–proses mengubah alamat menjadi titik di peta atau titik di ruang sehingga konsep seperti jarak dan di dalam/di luar dapat digunakan dalam analisis–dilakukan pada tingkat atom dan analisis spasial tersedia untuk analis. IBM menyediakan ekstensi spasial, dikembangkan dengan Environmental System Research Institute (ESRI), al Database DB2 sehingga objek spasial dapat dipertahankan sebagai bagian normal dari Database relasional. db2

Extender Spasial, juga menyediakan semua ekstensi SQL untuk memanfaatkan analisis spasial. Misalnya, ekstensi SQL untuk kueri
jarak antara alamat atau apakah suatu titik berada di dalam atau di luar area poligonal yang ditentukan, merupakan standar analitik dengan Spatial Extender. Lihat bab 16 untuk informasi lebih lanjut.

Basis Data-Peralatan Penduduk Basis Data-Penduduk

DB2 memiliki banyak fitur residen SQL BI yang membantu dalam tindakan parsing. Ini termasuk:

• Fungsi rekursi untuk melakukan analisis, seperti “menemukan semua kemungkinan jalur penerbangan dari San Fransisco a NY".
• Fungsi analitik untuk fungsi peringkat, kumulatif, kubus, dan rollup untuk memfasilitasi tugas yang biasanya hanya terjadi dengan teknologi OLAP, kini menjadi bagian alami dari mesin mesin Database
• Kemampuan untuk membuat tabel yang berisi hasil
  Penjual dari Database pemimpin menggabungkan lebih banyak fitur BI di Database itu sendiri.
  Pemasok utama basis data mereka menggabungkan lebih banyak fitur BI di Database itu sendiri.
  Ini memberikan kinerja yang lebih baik dan opsi eksekusi yang lebih banyak untuk solusi BI.
  Fitur dan fungsi DB2 V8 dibahas secara rinci dalam bab-bab berikut:
  Fondasi Arsitektur Teknis dan Manajemen Data (Bab 5)

• Dasar-Dasar DB2 BI (Bab 6)
• Tabel Permintaan Terwujud DB2 (Bab 7)
• Fungsi DB2 OLAP (Bab 13)
• Fitur dan Fungsi BI DB2 yang Disempurnakan (Bab 15) Sistem Pengiriman Data Sederhana Sistem pengiriman dari memberikan disederhanakan

Arsitektur yang digambarkan pada Gambar 1.1 mencakup banyak struktur memberikan fisik. Salah satunya adalah gudang memberikan Pengoperasian. Secara umum, ODS berorientasi objek, terintegrasi, dan terkini. Anda akan membangun ODS untuk mendukung, misalnya, kantor penjualan. Penjualan ODS akan menambah memberikan dari banyak sistem yang berbeda tetapi hanya akan menyimpan, misalnya, transaksi hari ini. ODS juga dapat diperbarui berkali-kali dalam sehari. Secara bersamaan, proses mendorong i memberikan terintegrasi dengan aplikasi lain. Struktur ini dirancang khusus untuk berintegrasi memberikan saat ini dan dinamis dan kemungkinan akan menjadi kandidat untuk mendukung analitik real-time, seperti menyediakan agen layanan pelanggan informasi penjualan pelanggan saat ini dengan mengekstraksi informasi tren penjualan dari inventaris itu sendiri. Struktur lain yang ditunjukkan pada gambar 1.1 adalah keadaan formal untuk dw. Tidak hanya ini tempat pelaksanaan integrasi yang diperlukan, kualitas memberikan, dan transformasi dari memberikan gudang masuk, tetapi juga merupakan tempat penyimpanan yang andal dan sementara untuk memberikan ulangan yang dapat digunakan dalam analisis real-time. Jika Anda memutuskan untuk menggunakan ODS atau staging area, salah satu alat terbaik untuk mengisi struktur ini memberikan menggunakan sumber operasional yang berbeda adalah kueri terdistribusi heterogen DB2. Kemampuan ini diberikan oleh fitur DB2 opsional yang disebut DB2 Relational Connect (queries only) dan melalui DB2 DataJoiner (produk terpisah yang memberikan kemampuan query, insert, update, dan delete ke RDBMS terdistribusi heterogen).

Teknologi ini memungkinkan arsitek untuk memberikan untuk mengikat memberikan produksi dengan proses analitis. Teknologi tidak hanya dapat beradaptasi dengan hampir semua permintaan replikasi yang mungkin muncul dengan analitik real-time, tetapi juga dapat terhubung ke berbagai memberikan paling populer, termasuk DB2, Oracle, Sybase, SQL Server, Informix dan lainnya. DB2 DataJoiner dapat digunakan untuk mengisi struktur memberikan formal seperti ODS atau bahkan meja permanen yang diwakili di gudang yang dirancang untuk pemulihan cepat dari pembaruan instan atau untuk dijual. Tentu saja, struktur ini sendiri memberikan dapat diisi dengan menggunakan

teknologi penting lainnya yang dirancang untuk replikasi memberikan, Relasional DataPropagator IBM. (DataPropagator adalah produk terpisah untuk sistem pusat. DB2 UNIX, Linux, Windows, dan OS/2 menyertakan layanan replikasi dari memberikan sebagai fitur standar).
Metode lain untuk bergerak memberikan beroperasi di sekitar perusahaan adalah integrator aplikasi perusahaan atau dikenal sebagai perantara pesan. Teknologi unik ini memungkinkan kontrol tak tertandingi untuk penargetan dan pemindahan memberikan sekitar perusahaan. IBM memiliki broker pesan yang paling banyak digunakan, MQSeries, atau variasi produk yang mencakup persyaratan untuk e-commerce, IBM WebSphere MQ.
Per più discussione su come sfruttare MQ per sostenere un magazzino e un ambiente BI, visitare situs web del libro. Per ora, è sufficiente dire che questa tecnologia è un mezzo eccellente per catturare e trasformare (utilizzando MQSeries Integrator) memberikan operator yang ditargetkan direkrut untuk solusi BI. Teknologi MQ telah terintegrasi dan dikemas dalam UDB V8, yang berarti bahwa antrian pesan kini dapat dikelola seolah-olah mereka adalah tabel DB2. Konsep pesan antrian las dan semesta Database relasional mengarahkan menuju lingkungan pengiriman yang kuat memberikan.

Nol-Latensi Nol latensi

Sasaran strategis utama IBM adalah analisis latensi nol. Seperti yang didefinisikan oleh
Gartner, sistem BI harus dapat menyimpulkan, menyerap, dan memberikan informasi untuk analis sesuai permintaan. Tantangannya, tentu saja, adalah bagaimana memadukannya memberikan terkini dan real-time dengan informasi historis yang diperlukan, seperti i memberikan tren/pola terkait, atau wawasan yang diekstraksi, seperti profil pelanggan.

Informasi tersebut termasuk, misalnya, identifikasi pelanggan berisiko tinggi atau rendah atau produk yang mana i pelanggan mereka kemungkinan besar akan membeli jika mereka sudah memiliki keju di keranjang belanja mereka.

Mendapatkan latensi nol sebenarnya bergantung pada dua mekanisme mendasar:

• Persatuan lengkap dari memberikan yang dianalisis dengan teknik yang telah ditetapkan dan dengan alat yang dibuat oleh BI
• Sebuah sistem pengiriman dari memberikan efisien untuk memastikan bahwa analitik real-time benar-benar tersedia Prasyarat untuk latensi nol ini tidak berbeda dengan dua sasaran yang ditetapkan oleh IBM dan dijelaskan di atas. Kopling ketat dari memberikan itu adalah bagian dari program integrasi tanpa batas IBM. Dan membuat sistem pengiriman memberikan efisien sepenuhnya tergantung pada teknologi yang tersedia yang menyederhanakan proses pengiriman memberikan. Akibatnya, dua dari tiga tujuan IBM sangat penting untuk mencapai yang ketiga. IBM secara sadar mengembangkan teknologinya untuk memastikan latensi nol menjadi kenyataan untuk upaya pergudangan. Ringkasan / Sintesis Organisasi BI Anda menyediakan peta jalan untuk membangun lingkungan Anda
  secara iteratif. Itu harus disesuaikan untuk mencerminkan kebutuhan bisnis Anda, baik saat ini maupun masa depan. Tanpa visi arsitektur yang luas, iterasi gudang tidak lebih dari implementasi serampangan gudang pusat yang tidak banyak membantu menciptakan perusahaan yang besar dan informatif. Rintangan pertama bagi pemimpin proyek adalah bagaimana membenarkan investasi yang dibutuhkan untuk menumbuhkan organisasi BI. Sementara perhitungan ROI tetap menjadi andalan pencapaian inventaris, semakin sulit untuk diprediksi secara tepat. Hal ini menyebabkan metode lain untuk menentukan apakah Anda mendapatkan nilai uang Anda. Value on Investment2 (VOI), misalnya, diperoleh sebagai solusi. Itu adalah kewajiban para arsitek dari memberikan dan pada perencana proyek dengan sengaja menghasilkan dan memberikan informasi kepada asosiasi pengguna dan tidak hanya memberikan layanan pada memberikan. Ada perbedaan besar antara keduanya. Informasi adalah sesuatu yang membuat perbedaan dalam pengambilan keputusan dan efektivitas; relatif, saya memberikan mereka membangun blok untuk mendapatkan informasi itu.

Bahkan jika kritis terhadap sumbernya memberikan untuk mengatasi tuntutan bisnis, lingkungan BI harus berperan lebih besar dalam menciptakan konten informasi. Kita harus mengambil langkah ekstra untuk membersihkan, mengintegrasikan, mengubah, atau membuat konten informasi yang dapat ditindaklanjuti oleh pengguna, dan kemudian kita harus memastikan bahwa tindakan dan keputusan tersebut, jika wajar, tercermin dalam lingkungan BI. Jika kami menurunkan gudang hanya untuk melayani memberikan, yakinlah bahwa asosiasi pengguna akan membuat konten informasi yang diperlukan untuk mengambil tindakan. Hal ini memastikan bahwa komunitas mereka akan dapat membuat keputusan yang lebih baik, tetapi perusahaan menderita karena kurangnya pengetahuan yang telah mereka manfaatkan. Mengingat bahwa arsitek dan perencana proyek memulai proyek tertentu di lingkungan BI, mereka tetap bertanggung jawab kepada perusahaan secara keseluruhan. Contoh sederhana fitur dua sisi iterasi BI ini ditemukan di sumbernya memberikan. Semua memberikan diterima untuk permintaan komersial tertentu harus diisi di lapisan atom pertama. Ini memastikan pengembangan aset informasi perusahaan, serta mengelola, mengatasi permintaan pengguna tertentu yang ditentukan dalam iterasi.

Apa itu Gudang Data?

Gudang data telah menjadi jantung arsitektur sistem informasi sejak tahun 1990 dan mendukung proses informasi dengan menawarkan platform terintegrasi yang solid memberikan sejarah diambil sebagai dasar untuk analisis selanjutnya. ITU data warehouse mereka menawarkan kemudahan integrasi ke dunia sistem aplikasi yang tidak kompatibel. Gudang data itu telah berkembang menjadi mode. Gudang data mengatur dan menyimpan i memberikan diperlukan untuk informasi dan proses analitis berdasarkan perspektif temporal historis yang panjang. Semua ini melibatkan upaya yang cukup besar dan konstan dalam pembangunan dan pemeliharaan data warehouse.

Jadi apa itu a data warehouse? A data warehouse dan:

• ▪ berorientasi subjek
• ▪ sistem terintegrasi
• ▪ variasi waktu
• ▪ non-volatile (tidak membatalkan)

sebuah koleksi dari memberikan digunakan untuk mendukung keputusan manajerial dalam pelaksanaan proses.
I memberikan dimasukkan ke dalam data warehouse mereka berasal dalam banyak kasus dari lingkungan operasional. Itu data warehouse itu dibuat dari unit penyimpanan, secara fisik terpisah dari sistem lainnya, yang dikandungnya memberikan sebelumnya diubah oleh aplikasi yang beroperasi pada informasi yang berasal dari lingkungan operasi.

Definisi harfiah dari a data warehouse perlu penjelasan menyeluruh karena ada motivasi penting dan makna mendasar yang menggambarkan karakteristik gudang.

ORIENTASI SUBYEK ORIENTASI TEMATIK

Ciri pertama a data warehouse adalah bahwa itu berorientasi pada mata pelajaran utama perusahaan. Panduan proses melalui memberikan itu berbeda dengan metode yang lebih klasik yang memberikan orientasi aplikasi terhadap proses dan fungsi, metode yang sebagian besar digunakan oleh sebagian besar sistem manajemen yang lebih baru.

Dunia operasi dirancang di sekitar aplikasi dan fungsi seperti pinjaman, tabungan, kartu bank, dan kepercayaan untuk lembaga keuangan. Dunia dw diatur seputar subjek utama seperti pelanggan, penjual, produk, dan aktivitas. Penyelarasan di sekitar topik memengaruhi desain dan implementasi memberikan ditemukan di dw. Yang terpenting, topik utama memengaruhi bagian terpenting dari struktur kunci.

Dunia aplikasi dipengaruhi oleh desain database dan desain proses. Dunia dw hanya berfokus pada pemodelan video memberikan dan pada desain dari Database. Desain proses (dalam bentuk klasiknya) bukan bagian dari lingkungan dw.

Perbedaan antara pilihan aplikasi proses/fungsi dan pilihan subjek juga terungkap sebagai perbedaan isi materi memberikan pada tingkat rinci. ITU memberikan del dw tidak termasuk i memberikan yang tidak akan digunakan untuk memproses DSS saat aplikasi

berorientasi operasional memberikan mengandung saya memberikan untuk segera memenuhi persyaratan fungsional/pemrosesan yang mungkin atau mungkin tidak berguna bagi analis DSS.
Cara penting lainnya untuk aplikasi berorientasi operasional memberikan berbeda dari memberikan dari dw dalam laporan memberikan. Saya memberikan koperasi mempertahankan hubungan yang berkelanjutan antara dua atau lebih tabel berdasarkan aturan bisnis yang aktif. ITU memberikan dari dw rentang waktu dan laporan yang ditemukan di dw banyak. Banyak aturan perdagangan (dan dengan demikian, banyak laporan tentang memberikan ) diwakili dalam stok memberikan antara dua atau lebih tabel.

(Untuk penjelasan rinci tentang bagaimana hubungan antara memberikan dikelola di DW, silakan merujuk ke Topik Teknologi tentang hal itu.)
Tidak ada perspektif lain selain dari perbedaan mendasar antara pilihan aplikasi fungsional/proses dan pilihan subjek, apakah ada perbedaan besar antara sistem operasi dan memberikan dan DW.

INTEGRASI INTEGRASI

Aspek terpenting dari lingkungan dw adalah i memberikan ditemukan dalam dw terintegrasi dengan mudah. SELALU. TANPA PENGECUALIAN. Inti dari lingkungan dw adalah bahwa i memberikan terdapat dalam batas gudang yang terintegrasi.

Integrasi mengungkapkan dirinya dalam banyak cara yang berbeda - dalam konvensi teridentifikasi yang konsisten, dalam pengukuran variabel yang konsisten, dalam struktur kode yang konsisten, dalam atribut fisik dari memberikan konsisten, dan sebagainya.

Selama bertahun-tahun para perancang aplikasi yang berbeda telah membuat banyak keputusan tentang bagaimana sebuah aplikasi harus dikembangkan. Gaya dan keputusan desain individual dari aplikasi desainer terungkap dalam ratusan cara: perbedaan dalam pengkodean, struktur kunci, karakteristik fisik, konvensi identifikasi, dan sebagainya. Kemampuan kolektif dari banyak desainer aplikasi untuk membuat aplikasi yang tidak konsisten sudah melegenda. Gambar 3 memaparkan beberapa perbedaan terpenting dalam cara aplikasi dirancang.

Pengkodean: Pengkodean:

Perancang aplikasi telah memilih bidang pengkodean – jenis kelamin – dalam beberapa cara. Seorang desainer merepresentasikan gender sebagai "m" dan "f". Desainer lain merepresentasikan gender sebagai "1" dan "0". Desainer lain merepresentasikan gender sebagai "x" dan "y." Desainer lain merepresentasikan gender sebagai "laki-laki" dan "perempuan". Tidak masalah bagaimana seks masuk ke DW. "M" dan "F" mungkin sama bagusnya dengan representasi apa pun.

Yang penting adalah dari mana pun sumber bidang seks itu berasal, bidang itu tiba di DW dalam keadaan terintegrasi yang konsisten. Akibatnya ketika bidang dimuat ke dalam DW dari aplikasi yang telah direpresentasikan di luar dalam format "M" dan "F", memberikan harus dikonversi ke format DW.

Pengukuran Atribut: Pengukuran Atribut:

Perancang aplikasi telah memilih untuk mengukur jalur pipa dengan berbagai cara selama bertahun-tahun. Toko desainer i memberikan pipa dalam sentimeter. Perancang aplikasi lain menyimpan memberikan pipa dalam hal inci. Perancang aplikasi lain menyimpan memberikan pipa dalam juta kaki kubik per detik. Dan desainer lain menyimpan informasi saluran pipa dalam bentuk yard. Apapun sumbernya, ketika informasi jalur pipa tiba di DW, itu harus diukur dengan cara yang sama.

Seperti yang ditunjukkan pada Gambar 3, masalah integrasi mempengaruhi hampir setiap aspek proyek – karakteristik fisik proyek memberikan, dilema memiliki lebih dari satu sumber memberikan, masalah sampel yang diidentifikasi tidak konsisten, format memberikan tidak konsisten, dan sebagainya.

Apapun argumen desainnya, hasilnya sama – i memberikan harus disimpan di DW dengan cara yang unik dan dapat diterima secara global bahkan ketika sistem operasi yang mendasari menyimpan i memberikan.

Ketika analis DSS melihat DW, fokus analis seharusnya adalah eksploitasi memberikan yang ada di gudang,

daripada bertanya-tanya tentang kredibilitas atau konsistensi dari memberikan.

VARIANSI WAKTU

Semua memberikan di DW mereka akurat untuk beberapa saat. Fitur dasar dari memberikan di DW sangat berbeda dari memberikan ditemukan di lingkungan operasi. ITU memberikan lingkungan operasi seakurat pada saat akses. Dengan kata lain, di lingkungan operasi saat sebuah unit diakses memberikan, diharapkan mencerminkan nilai seakurat pada saat akses. Kenapa aku memberikan di DW akurat di beberapa titik waktu (yaitu, bukan "sekarang"), i memberikan ditemukan di DW adalah "variasi waktu".
Varian waktu dari memberikan oleh DW disebut dalam berbagai cara.
Cara paling sederhana adalah i memberikan dari perwakilan DW memberikan dalam jangka waktu yang lama - lima sampai sepuluh tahun. Cakrawala waktu yang digambarkan untuk lingkungan operasi jauh lebih pendek dari nilai saat ini hingga enam puluh sembilan puluh
Aplikasi yang perlu berfungsi dengan baik dan harus tersedia untuk pemrosesan transaksi harus membawa jumlah minimum memberikan jika mereka memungkinkan untuk setiap tingkat fleksibilitas. Jadi aplikasi operasional memiliki horizon waktu yang singkat, seperti topik desain aplikasi audio.
Cara kedua 'variasi waktu' muncul di DW adalah dalam struktur kunci. Setiap struktur kunci dalam DW mengandung, baik secara implisit maupun eksplisit, elemen waktu, seperti hari, minggu, bulan, dll. Elemen waktu hampir selalu berada di bagian bawah kunci gabungan yang ditemukan di DW. Pada kesempatan ini, elemen waktu akan ada secara implisit, seperti kasus di mana seluruh file digandakan pada akhir bulan atau kuartal.
Varian waktu cara ketiga ditampilkan adalah i memberikan dari DW, hanya terdaftar dengan benar, tidak dapat diperbarui. ITU memberikan dari DW, untuk semua tujuan praktis, rangkaian foto yang panjang. Tentu saja jika pengambilan snapshot salah, maka snapshot dapat dimodifikasi. Tetapi dengan asumsi snapshot diambil dengan benar, snapshot tidak diubah segera setelah diambil. Dalam beberapa

kasus mungkin tidak etis atau bahkan tidak valid bahwa snapshot di DW dimodifikasi. ITU memberikan operasional, seakurat pada saat akses, dapat diperbarui sesuai kebutuhan.

TIDAK VOLATIL

Karakteristik penting keempat DW adalah tidak mudah menguap.
Pembaruan, penyisipan, penghapusan, dan perubahan dilakukan secara teratur pada lingkungan operasional berdasarkan catatan demi catatan. Tapi manipulasi dasar dari memberikan dibutuhkan di DW jauh lebih mudah. Hanya ada dua jenis operasi yang terjadi di DW – pemuatan awal memberikan dan akses ke memberikan. Tidak ada pembaruan dari memberikan (dalam pengertian umum memperbarui) di DW sebagai operasi pemrosesan normal. Ada beberapa konsekuensi yang sangat kuat dari perbedaan mendasar antara pemrosesan operasional dan pemrosesan DW ini. Pada tingkat desain, kebutuhan untuk berhati-hati tentang update crash bukan merupakan faktor dalam DW, karena update dari memberikan itu tidak dilakukan. Ini berarti bahwa pada tingkat desain fisik, kebebasan dapat diambil untuk mengoptimalkan akses memberikan, khususnya dalam membahas topik normalisasi dan denormalisasi fisik. Konsekuensi lain dari kesederhanaan operasi DW adalah teknologi dasar yang digunakan untuk menjalankan lingkungan DW. Harus mendukung pembaruan record-by-record online (seperti yang sering terjadi pada pemrosesan operasional) membutuhkan teknologi untuk memiliki fondasi yang sangat kompleks di bawah kesederhanaan yang tampak.
Teknologi yang mendukung pencadangan dan pemulihan, transaksi, dan integritas data memberikan dan deteksi dan perbaikan kebuntuan cukup rumit dan tidak diperlukan untuk pemrosesan DW. Karakteristik DW, orientasi desain, integrasi memberikan dalam DW, varians waktu dan kemudahan pengelolaan memberikan, itu semua mengarah ke lingkungan yang sangat-sangat berbeda dari lingkungan operasi klasik. Sumber dari hampir semua memberikan DW adalah lingkungan operasi. Sangat menggoda untuk berpikir bahwa ada redundansi besar-besaran memberikan antara dua lingkungan.
Memang kesan pertama yang dimiliki banyak orang adalah redundansi yang besar memberikan antara lingkungan operasi dan lingkungan perusahaan

ekstensi DW. Penafsiran seperti itu dangkal dan menunjukkan kurangnya pemahaman tentang apa yang terjadi di DW.
Memang ada redundansi minimum memberikan antara lingkungan operasi dan i memberikan dari DW. Perhatikan hal berikut:I memberikan mereka disaring dato bahwa Anda beralih dari lingkungan pengoperasian ke lingkungan DW. Banyak memberikan mereka tidak pernah keluar dari lingkungan operasi. Hanya itu saya memberikan yang diperlukan untuk pemrosesan DSS menemukan arahnya di lingkungan

▪ cakrawala waktu memberikan sangat berbeda dari satu lingkungan ke lingkungan lainnya. ITU memberikan di lingkungan operasi mereka sangat segar. ITU memberikan di DW mereka jauh lebih tua. Hanya dari perspektif cakrawala waktu, hanya ada sedikit tumpang tindih antara lingkungan operasi dan DW.

▪ DW berisi memberikan ringkasan yang tidak pernah ada di lingkungan

▪ saya memberikan mengalami transformasi mendasar saat mereka beralih ke Gambar 3 menggambarkan bahwa sebagian besar memberikan dimodifikasi secara signifikan asalkan mereka dipilih dan dipindahkan ke DW. Dengan kata lain, sebagian besar memberikan itu secara fisik dan radikal berubah saat dipindahkan ke DW. Dari sudut pandang integrasi mereka tidak sama memberikan bertempat tinggal di lingkungan operasi. Mengingat faktor-faktor ini, redundansi dari memberikan antara dua lingkungan adalah kejadian langka, menyebabkan redundansi kurang dari 1% antara dua lingkungan. STRUKTUR GUDANG DW memiliki struktur yang berbeda. Ada berbagai tingkat ringkasan dan detail yang membatasi DW.
Berbagai komponen DW adalah:

• Metadata
• Memberikan rincian saat ini
• Memberikan detail lama
• Memberikan sedikit diringkas
• Memberikan sangat diringkas

Sejauh ini perhatian utama adalah untuk i memberikan rincian saat ini. Ini menjadi perhatian utama karena:

• I memberikan Detail terkini mencerminkan peristiwa terkini, yang selalu menarik dan
• i memberikan data detail saat ini sangat banyak karena disimpan pada tingkat granularitas terendah dan
• i memberikan detail saat ini hampir selalu disimpan dalam memori disk, yang cepat diakses, tetapi mahal dan rumit dari I memberikan detail lebih tua memberikan yang disimpan pada beberapa memori massa. Itu diakses secara sporadis dan disimpan pada tingkat detail yang kompatibel dengan memberikan rincian saat ini. Meskipun tidak wajib disimpan pada media penyimpanan alternatif, karena volumenya yang besar memberikan bersatu dengan akses sporadis dari memberikan, media penyimpanan untuk memberikan detail yang lebih lama biasanya tidak disimpan di disk. ITU memberikan ringan diringkas mereka memberikan yang disaring dari tingkat detail rendah yang ditemukan hingga tingkat detail saat ini. Tingkat DW ini hampir selalu disimpan dalam memori disk. Masalah desain yang hadir sendiri untuk arsitek memberikan dalam pembangunan tingkat DW ini adalah:

• Satuan waktu apa yang dilakukan peringkasan di atas
• Konten apa, atribut akan sedikit meringkas konten memberikan Tingkat berikutnya memberikan ditemukan di DW adalah bahwa memberikan sangat diringkas. ITU memberikan sangat diringkas kompak dan mudah diakses. ITU memberikan sangat diringkas kadang-kadang ditemukan di lingkungan DW dan kasus lain i memberikan sangat abstrak ditemukan di luar dinding langsung dari teknologi hosting DW. (dalam hal apapun, i memberikan sangat diringkas adalah bagian dari DW terlepas dari di mana i memberikan secara fisik ditempatkan). Komponen terakhir dari DW adalah komponen metadata. Dalam banyak hal, metadata berada di dimensi yang berbeda dari yang lain memberikan dari DW, karena metadata tidak mengandung apapun dato langsung diambil dari lingkungan operasi. Metadata memiliki peran khusus dan sangat penting dalam DW. Metadata digunakan sebagai:

• direktori untuk membantu analis DSS menemukan konten DW,
• panduan pemetaan memberikan tentang bagaimana saya memberikan telah diubah dari lingkungan operasi ke lingkungan DW,
• panduan untuk algoritma yang digunakan untuk peringkasan antara i memberikan rincian saat ini ei memberikan sedikit diringkas, i memberikan sangat diringkas, Metadata memainkan peran yang jauh lebih besar di lingkungan DW daripada yang pernah dilakukannya di lingkungan operasional MEDIUM PENYIMPANAN DETAIL LAMA Pita magnetik dapat digunakan untuk menyimpan semacam itu memberikan. Memang ada berbagai macam media penyimpanan yang harus diperhatikan untuk menyimpan yang lama memberikan detail. Tergantung pada volume memberikan, frekuensi akses, biaya alat, dan jenis akses, kemungkinan besar alat lain akan memerlukan tingkat detail yang lama di DW. ARUS DATA Ada aliran yang normal dan dapat diprediksi memberikan dalam DW.
  I memberikan mereka memasuki DW dari lingkungan operasi. (CATATAN: Ada beberapa pengecualian yang sangat menarik untuk aturan ini. Namun, hampir semuanya memberikan masukkan DW dari lingkungan operasi). Mengingat bahwa memberikan mereka memasuki DW dari lingkungan operasi, itu diubah seperti dijelaskan di atas. Asalkan Anda memasukkan DW, i memberikan masukkan tingkat detail saat ini, seperti yang ditunjukkan. Itu berada di sana dan digunakan sampai salah satu dari tiga peristiwa terjadi:

• dimurnikan,
• dirangkum, dan/atau ▪adalah Proses usang di dalam DW bergerak i memberikan rincian saat ini a memberikan detail tua, sesuai dengan usia memberikan. Proses

summarization menggunakan detail dari memberikan untuk menghitung memberikan tingkat yang diringkas sedikit dan sangat diringkas memberikan. Ada beberapa pengecualian untuk alur yang ditampilkan (akan dibahas nanti). Namun, biasanya, untuk sebagian besar memberikan ditemukan dalam DW, aliran memberikan itu seperti yang diwakili.

MENGGUNAKAN RUMAH DATA

Tidak mengherankan berbagai tingkatan memberikan dalam DW mereka tidak menerima tingkat penggunaan yang berbeda. Biasanya, semakin tinggi tingkat peringkasan, semakin banyak i memberikan mereka digunakan.
Banyak kegunaan terjadi di memberikan sangat diringkas, sementara yang lama memberikan detail hampir tidak pernah digunakan. Ada alasan bagus untuk menggeser organisasi ke paradigma pemanfaatan sumber daya. Lebih disimpulkan i memberikan, semakin cepat dan efisien untuk sampai memberikan. Jika sebuah toko menemukan bahwa ia melakukan banyak pemrosesan DW tingkat detail, maka sejumlah besar sumber daya mesin dikonsumsi. Merupakan kepentingan terbaik setiap orang untuk memproses ringkasan tingkat tinggi secepat mungkin.

Untuk banyak toko, analis DSS di lingkungan pra-DW telah digunakan memberikan pada tingkat detail. Dalam banyak hal kedatangan di memberikan detail terlihat seperti selimut keamanan, bahkan ketika tingkat peringkasan lain tersedia. Salah satu kegiatan arsitek dari memberikan adalah menghentikan pengguna DSS dari penggunaan terus-menerus memberikan pada tingkat detail terendah. Ada dua motivasi yang tersedia untuk arsitek memberikan:

• menginstal sistem tolak bayar, di mana pengguna akhir membayar sumber daya yang dikonsumsi e
• yang menunjukkan bahwa waktu respon yang sangat baik dapat diperoleh ketika perilaku dengan i memberikan berada pada tingkat peringkasan yang tinggi, sedangkan waktu respons yang buruk berasal dari perilaku pengguna memberikan pada tingkat rendah PERTIMBANGAN LAINNYA Ada beberapa pertimbangan konstruksi dan manajemen DW lainnya.
  Pertimbangan pertama adalah indeks. ITU memberikan pada tingkat peringkasan yang lebih tinggi mereka dapat diindeks secara bebas, sedangkan i memberikan

pada tingkat detail yang lebih rendah mereka sangat banyak sehingga dapat diindeks dengan hemat. Dari token yang sama, i memberikan pada tingkat detail yang tinggi dapat direstrukturisasi dengan relatif mudah, sementara volumenya memberikan pada tingkat yang lebih rendah sangat besar sehingga i memberikan mereka tidak dapat diperbaharui dengan mudah. Akibatnya, model dari memberikan dan pekerjaan formal yang dilakukan oleh desain meletakkan dasar untuk DW yang diterapkan hampir secara eksklusif pada tingkat detail saat ini. Dengan kata lain, kegiatan pemodelan dari memberikan mereka tidak berlaku untuk tingkat peringkasan, di hampir setiap kasus. Pertimbangan struktural lainnya adalah subdivisi dari memberikan oleh DW.

Partisi dapat dilakukan pada dua tingkat – pada tingkat dbm dan pada tingkat aplikasi. Di divisi di tingkat dbm, yang dbm diberitahu tentang divisi-divisi dan mengendalikan mereka sesuai dengan itu. Dalam kasus divisi tingkat aplikasi, hanya pemrogram yang mengetahui divisi tersebut dan tanggung jawab untuk administrasinya diserahkan kepadanya.

Di bawah tingkat dbm, banyak pekerjaan dilakukan secara otomatis. Ada banyak ketidakfleksibelan yang terkait dengan administrasi divisi sendiri. Dalam kasus aplikasi tingkat divisi dari memberikan itu data warehouse, banyak pekerjaan jatuh pada programmer, tetapi hasil akhirnya adalah fleksibilitas dalam administrasi memberikan di data warehouse

ALTRE ANOMALI

Sedangkan komponen dari data warehouse bekerja seperti yang dijelaskan untuk hampir semua memberikan, ada beberapa pengecualian berguna yang perlu didiskusikan. Pengecualian adalah dari memberikan ringkasan publik (data ringkasan publik). Ini adalah memberikan ringkasan yang telah dihitung dari data warehouse tetapi digunakan oleh masyarakat. ITU memberikan ringkasan publik disimpan dan dikelola di data warehouse, meskipun seperti yang disebutkan di atas, mereka sudah tahu. Akuntan bekerja untuk menghasilkan triwulanan tersebut memberikan seperti pendapatan, biaya triwulanan, laba triwulanan, dan sebagainya. Pekerjaan yang dilakukan oleh akuntan bersifat eksternal data warehouse. Namun, saya memberikan digunakan “secara internal” di dalam perusahaan – dari pemasaran, penjualan, dll. Anomali lain yang tidak akan dibahas adalah anomali memberikan luar.

Jenis lain yang luar biasa dari memberikan yang dapat ditemukan di a data warehouse adalah data detail permanen. Ini menyebabkan kebutuhan untuk menyimpan secara permanen memberikan pada tingkat rinci untuk alasan etis atau hukum. Jika sebuah perusahaan memaparkan para pekerjanya pada zat-zat berbahaya, maka hal itu perlu dilakukan memberikan rinci dan permanen. Jika sebuah perusahaan memproduksi produk yang melibatkan keselamatan publik, seperti suku cadang untuk pesawat terbang, maka hal itu perlu dilakukan memberikan rincian permanen, serta jika perusahaan mengadakan kontrak berbahaya.

Perusahaan tidak dapat mengabaikan detailnya karena selama beberapa tahun ke depan, jika terjadi gugatan, penarikan kembali, cacat konstruksi yang disengketakan, dll. eksposur perusahaan bisa besar. Akibatnya ada jenis yang unik memberikan dikenal sebagai data detail permanen.

RINGKASAN

Un data warehouse itu adalah varian berorientasi objek, terintegrasi, tegang, kumpulan memberikan non-volatile dalam mendukung kebutuhan pengambilan keputusan administrasi. Setiap fungsi yang menonjol dari a data warehouse memiliki implikasinya. Selain itu ada empat tingkat memberikan itu data warehouse:

• Detail lama
• Detil saat ini
• Memberikan sedikit diringkas
• Memberikan Metadata yang sangat diringkas juga merupakan bagian penting dari data warehouse. ABSTRAK Konsep penyimpanan dari memberikan belakangan ini banyak mendapat perhatian dan menjadi trend tahun 90-an. data warehouse untuk mengatasi keterbatasan sistem pendukung manajemen seperti sistem pendukung keputusan (DSS) dan sistem informasi eksekutif (EIS). Meskipun konsep dari data warehouse terlihat menjanjikan, implementasikan i data warehouse dapat bermasalah karena proses pergudangan berskala besar. Terlepas dari kompleksitas proyek pergudangan memberikan, banyak supplier dan konsultan yang stok memberikan berpendapat bahwa penyimpanan memberikan hadir tidak ada masalah. Namun, pada awal proyek penelitian ini, hampir tidak ada penelitian independen, ketat, dan sistematis yang dilakukan. Akibatnya sulit untuk mengatakan, apa yang sebenarnya terjadi di industri ketika dibangun data warehouse. Studi ini mengeksplorasi praktik pergudangan memberikan sezaman yang bertujuan untuk mengembangkan pemahaman yang lebih kaya tentang praktik Australia. Tinjauan literatur memberikan konteks dan dasar untuk studi empiris. Ada beberapa hasil dari penelitian ini. Pertama, penelitian ini mengungkap aktivitas yang terjadi selama pengembangan data warehouse. Di banyak daerah, i memberikan dikumpulkan mengkonfirmasi praktik yang dilaporkan dalam literatur. Kedua, isu dan masalah yang dapat berdampak pada perkembangan data warehouse diidentifikasi oleh penelitian ini. Terakhir, manfaat yang diperoleh oleh organisasi Australia terkait dengan penggunaan data warehouse telah terungkap.

Bab 1

konteks pencarian

Konsep pergudangan data menerima paparan luas dan menjadi tren yang muncul pada 90-an (McFadden 1996, TDWI 1996, Shah dan Milstein 1997, Shanks et al. 1997, Eckerson 1998, Adelman dan Oates 2000). Hal ini terlihat dari semakin banyaknya artikel tentang data warehousing dalam publikasi perdagangan (Little and Gibson 1999). Banyak artikel (lihat, misalnya, Fisher 1995, Hackathorn 1995, Morris 1995a, Bramblett dan King 1996, Graham et al. 1996, Sakaguchi dan Frolick 1996, Alvarez 1997, Brousell 1997, Clarke 1997, McCarthy 1997, O' Donnell 1997, Edwards 1998, TDWI 1999) telah melaporkan manfaat yang signifikan bagi organisasi yang menerapkannya data warehouse. Mereka mendukung teori mereka dengan bukti anekdot tentang implementasi yang berhasil, angka laba atas investasi (ROI) yang tinggi, dan, juga, dengan memberikan panduan atau metodologi untuk mengembangkan data warehouse

(Shanks et al. 1997, Seddon dan Benjamin 1998, Little dan Gibson 1999). Dalam kasus ekstrim, Graham et al. (1996) melaporkan pengembalian rata-rata investasi tiga tahun sebesar 401%.

Namun, sebagian besar literatur saat ini telah mengabaikan kerumitan yang terlibat dalam pelaksanaan proyek semacam itu. Proyek dari data warehouse mereka biasanya rumit dan berskala besar dan oleh karena itu membawa kemungkinan kegagalan yang tinggi jika tidak dikontrol dengan hati-hati (Shah dan Milstein 1997, Eckerson 1997, Foley 1997b, Zimmer 1997, Bort 1998, Gibbs dan Clymer 1998, Rao 1998). Mereka membutuhkan banyak sumber daya manusia dan keuangan, waktu dan usaha untuk membangunnya (Hill 1998, Crofts 1998). Waktu dan kemampuan finansial yang dibutuhkan masing-masing sekitar dua tahun dan dua hingga tiga juta dolar (Braly 1995, Foley 1997b, Bort 1998, Humphries et al. 1999). Waktu dan sarana keuangan diperlukan untuk mengontrol dan mengkonsolidasikan berbagai aspek pergudangan data (Cafasso 1995, Hill 1998). Di samping pertimbangan perangkat keras dan perangkat lunak, fungsi lain, yang berbeda dari ekstraksi memberikan untuk proses pemuatan memberikan, kapasitas memori untuk mengelola pembaruan dan meta memberikan untuk pelatihan pengguna, harus dipertimbangkan.

Pada saat proyek penelitian ini dimulai, sangat sedikit penelitian akademik yang dilakukan di bidang pergudangan data, khususnya di Australia. Hal ini terlihat dari minimnya artikel yang dipublikasikan di data warehousing oleh jurnal atau tulisan akademis lainnya pada masa itu. Banyak tulisan akademik yang tersedia menggambarkan pengalaman AS. Kurangnya penelitian akademik di bidang pergudangan data telah menyebabkan permintaan untuk penelitian yang ketat dan studi empiris (McFadden 1996, Shanks et al. 1997, Little and Gibson 1999). Secara khusus, studi penelitian tentang proses implementasi data warehouse perlu dilakukan untuk memperluas pengetahuan umum tentang implementasi data warehouse dan akan berfungsi sebagai dasar untuk penelitian masa depan (Shanks et al. 1997, Little dan Gibson 1999).

Oleh karena itu, tujuan dari penelitian ini adalah untuk menyelidiki apa yang sebenarnya terjadi ketika organisasi menerapkan dan menggunakan i data warehouse di Australia. Secara khusus, penelitian ini akan melibatkan analisis dari seluruh proses pengembangan a data warehouse, dimulai dengan inisiasi dan desain melalui desain dan implementasi dan penggunaan selanjutnya dalam organisasi Australia. Selain itu, studi ini juga akan berkontribusi pada praktik saat ini dengan mengidentifikasi bidang-bidang di mana praktik dapat lebih ditingkatkan dan inefisiensi serta risiko dapat diminimalkan atau dihindari. Selain itu, akan menjadi dasar untuk penelitian lain tentang data warehouse di Australia dan akan mengisi kesenjangan yang saat ini ada dalam literatur.

Pertanyaan penelitian

Tujuan dari penelitian ini adalah untuk mempelajari kegiatan yang terlibat dalam implementasi data warehouse dan penggunaannya oleh organisasi Australia. Secara khusus, unsur-unsur mengenai perencanaan proyek, pengembangan, pengoperasian, penggunaan dan risiko yang terlibat dipelajari. Jadi pertanyaan dari penelitian ini adalah:

“Bagaimana praktek saat ini data warehouse di Australia?"

Untuk menjawab pertanyaan ini secara efektif, sejumlah pertanyaan penelitian tambahan diperlukan. Secara khusus, tiga sub-pertanyaan telah diidentifikasi dari literatur, yang disajikan dalam bab 2, untuk memandu proyek penelitian ini: Bagaimana data warehouse oleh organisasi Australia? Apa masalah yang dihadapi?

Apa manfaat yang dialami?
Untuk menjawab pertanyaan-pertanyaan ini, desain penelitian eksplorasi menggunakan survei digunakan. Sebagai studi eksplorasi, jawaban atas pertanyaan di atas tidak lengkap (Shanks et al. 1993, Denscombe 1998). Dalam hal ini, beberapa triangulasi diperlukan untuk memperbaiki jawaban atas pertanyaan-pertanyaan tersebut. Namun, penyelidikan akan memberikan dasar yang kuat untuk pekerjaan masa depan memeriksa pertanyaan-pertanyaan ini. Pembahasan rinci mengenai justifikasi dan desain metode penelitian disajikan pada bab 3.

Struktur proyek penelitian

Proyek penelitian ini dibagi menjadi dua bagian: studi kontekstual konsep pergudangan data dan penelitian empiris (lihat Gambar 1.1), yang masing-masing dibahas di bawah ini.

Bagian I: Studi kontekstual

Bagian pertama dari penelitian terdiri dari tinjauan literatur saat ini pada berbagai jenis pergudangan data termasuk sistem pendukung keputusan (DSS), sistem informasi eksekutif (EIS), studi kasus data warehouse dan konsep dari data warehouse. Juga, hasil forum di data warehouse dan kelompok pertemuan pakar dan praktisi yang dipimpin oleh kelompok riset Monash DSS, berkontribusi pada fase studi ini yang dimaksudkan untuk mendapatkan wawasan tentang praktik data warehouse dan untuk mengidentifikasi risiko yang terlibat dalam adopsi mereka. Selama periode studi kontekstual ini, pemahaman tentang bidang masalah dibentuk untuk memberikan basis pengetahuan untuk penyelidikan empiris selanjutnya. Namun, ini adalah proses yang berkelanjutan karena studi penelitian dilakukan.

Bagian II: Penelitian empiris

Konsep pergudangan data yang relatif baru, terutama di Australia, telah menciptakan kebutuhan akan survei untuk mendapatkan gambaran luas tentang pengalaman penggunaan. Bagian ini dilakukan setelah domain masalah ditetapkan melalui tinjauan literatur yang ekstensif. Konsep data warehousing yang terbentuk selama fase studi kontekstual digunakan sebagai input kuesioner awal penelitian ini. Setelah itu, kuesioner diperiksa. Apakah Anda ahli dalam data warehouse berpartisipasi dalam tes. Tujuan pengujian kuesioner awal adalah untuk memeriksa kelengkapan dan ketepatan pertanyaan. Berdasarkan hasil tes, kuesioner dimodifikasi dan versi modifikasi dikirimkan kepada peserta survei. Kuesioner yang dikembalikan kemudian dianalisis untuk i memberikan dalam tabel, diagram, dan format lainnya. ITU

hasil analisis dari memberikan membentuk potret praktik pergudangan data di Australia.

GAMBARAN GUDANG DATA

Konsep pergudangan data telah berkembang dengan peningkatan teknologi komputer.
Hal ini bertujuan untuk mengatasi masalah yang dihadapi oleh kelompok pendukung aplikasi seperti Sistem Pendukung Keputusan (DSS) dan Sistem Informasi Eksekutif (EIS).

Di masa lalu, kendala terbesar dari aplikasi ini adalah ketidakmampuan aplikasi ini untuk menyediakan a basis data diperlukan untuk analisis.
Ini terutama disebabkan oleh sifat pekerjaan manajemen. Kepentingan manajemen perusahaan bervariasi secara konstan tergantung pada area yang dicakup. Oleh karena itu, saya memberikan mendasar untuk aplikasi ini harus dapat berubah dengan cepat tergantung pada bagian yang akan dirawat.
Ini berarti bahwa saya memberikan harus tersedia dalam bentuk yang sesuai untuk analisis yang diperlukan. Bahkan, kelompok pendukung aplikasi merasa sangat sulit di masa lalu untuk mengumpulkan dan mengintegrasikan memberikan dari sumber yang kompleks dan beragam.

Sisa dari bagian ini menyajikan ikhtisar konsep pergudangan data dan membahas bagaimana data warehouse dapat mengatasi masalah kelompok pendukung aplikasi.
Istilah "Gudang datadipopulerkan oleh William Inmon pada tahun 1990. Definisinya yang sering dikutip melihat Gudang data sebagai kumpulan dari memberikan berorientasi pada subjek, terintegrasi, tidak berubah-ubah, dan bervariasi dari waktu ke waktu, untuk mendukung keputusan manajemen.

Menggunakan definisi ini Inmon menunjukkan bahwa i memberikan bertempat tinggal di a data warehouse harus memiliki 4 ciri sebagai berikut:

• ▪ Berorientasi subjek
• ▪ Terintegrasi
• ▪ Tidak stabil
• ▪ Variabel dari waktu ke waktu Dengan Inmon berorientasi subjek berarti bahwa i memberikan di data warehouse di area organisasi terbesar yang pernah ada

didefinisikan dalam model memberikan. Misalnya semua memberikan tentang i pelanggan terkandung dalam bidang mata pelajaran PELANGGAN. Demikian pula semua memberikan berkaitan dengan produk yang terkandung dalam area subjek PRODUK.

Yang dimaksud dengan Inmon Terintegrasi adalah i memberikan dari platform yang berbeda, sistem dan lokasi digabungkan dan disimpan di satu tempat. Akibatnya memberikan yang serupa harus diubah menjadi format yang konsisten agar dapat ditambahkan dan dibandingkan dengan mudah.
Misalnya, jenis kelamin maskulin dan feminin diwakili oleh huruf M dan F dalam satu sistem, dan dengan 1 dan 0 di sistem lainnya. Untuk mengintegrasikannya dengan benar, salah satu atau kedua format harus diubah sehingga kedua format tersebut sama. Dalam hal ini kita bisa mengubah M menjadi 1 dan F menjadi 0 atau sebaliknya. Berorientasi subjek dan Terintegrasi menunjukkan bahwa data warehouse dirancang untuk memberikan visi fungsional dan transversal memberikan dari perusahaan.

Yang dimaksud dengan Non-volatile adalah i memberikan di data warehouse tetap konsisten dan update dari memberikan itu tidak perlu. Sebaliknya, setiap perubahan dalam memberikan asli ditambahkan ke Database itu data warehouse. Ini berarti bahwa sejarawan dari memberikan terkandung dalam data warehouse.

Untuk Variabel dengan waktu Inmon menunjukkan bahwa i memberikan di data warehouse selalu mengandung indikator tempo ei memberikan mereka biasanya melintasi cakrawala waktu tertentu. Misalnya a
data warehouse dapat memuat 5 tahun nilai sejarah dari pelanggan dari tahun 1993 hingga 1997. Ketersediaan sejarah dan rangkaian waktu dari memberikan memungkinkan Anda menganalisis tren.

Un data warehouse dia bisa mengumpulkannya sendiri memberikan dari sistem OLTP; dari asal memberikan eksternal ke organisasi dan/atau dari proyek sistem perangkap khusus lainnya memberikan.
I memberikan ekstrak dapat melalui proses pembersihan, dalam hal ini i memberikan diubah dan diintegrasikan sebelum disimpan di Database itu data warehouse. Lalu, saya memberikan

bertempat tinggal di dalam Database itu data warehouse dibuat tersedia untuk login pengguna akhir dan alat pemulihan. Dengan menggunakan alat ini, pengguna akhir dapat mengakses tampilan terintegrasi dari organisasi memberikan.

I memberikan bertempat tinggal di dalam Database itu data warehouse mereka disimpan dalam format terperinci dan ringkasan.
Tingkat ringkasan mungkin tergantung pada sifat dari memberikan. Saya memberikan rinci dapat terdiri dari memberikan saat ini dan memberikan cerita
I memberikan nyata tidak termasuk dalam data warehouse sampai saya memberikan di data warehouse diperbarui kembali.
Selain menyimpan memberikan diri mereka sendiri, a data warehouse itu juga dapat menyimpan jenis yang berbeda dato disebut METADATA menjelaskan i memberikan bertempat tinggal di miliknya Database.
Ada dua jenis metadata: metadata pengembangan dan metadata analisis.
Metadata pengembangan digunakan untuk mengelola dan mengotomatiskan proses penggalian, pembersihan, pemetaan, dan pengunggahan memberikan di data warehouse.
Informasi yang terkandung dalam metadata pengembangan dapat berisi detail sistem operasi, detail elemen yang akan diekstrak, modelnya memberikan itu data warehouse dan aturan bisnis untuk mengonversi data memberikan.

Jenis metadata kedua, yang dikenal sebagai metadata analitik, memungkinkan pengguna akhir menjelajahi konten data warehouse untuk menemukan saya memberikan tersedia dan artinya dalam istilah non-teknis yang jelas.

Dengan demikian metadata analitik berfungsi sebagai jembatan antara data warehouse dan aplikasi pengguna akhir. Metadata ini dapat berisi model bisnis, deskripsi memberikan sesuai dengan model bisnis, kueri dan laporan yang telah ditentukan sebelumnya, informasi untuk akses pengguna dan indeks.

Metadata analisis dan pengembangan harus digabungkan menjadi satu metadata penahanan terintegrasi agar berfungsi dengan baik.

Sayangnya banyak alat yang ada memiliki metadata sendiri dan saat ini tidak ada standar yang ada

izinkan alat pergudangan data untuk mengintegrasikan metadata ini. Untuk memperbaiki situasi ini, banyak vendor alat pergudangan data terkemuka membentuk Meta Data Council yang kemudian menjadi Meta Data Coalition.

Tujuan dari koalisi ini adalah untuk membangun kumpulan metadata standar yang memungkinkan alat pergudangan data yang berbeda untuk mengubah metadata
Upaya mereka menghasilkan lahirnya Spesifikasi Pertukaran Data Meta (MDIS) yang akan memungkinkan pertukaran informasi antara arsip Microsoft dan file MDIS terkait.

keberadaan memberikan baik dirangkum/diindeks dan dirinci, ini memberi pengguna kemungkinan untuk melakukan DRILL DROWN (pengeboran) dari memberikan diindeks ke yang terperinci dan sebaliknya. Keberadaan memberikan riwayat terperinci memungkinkan pembuatan analisis tren dari waktu ke waktu. Selain itu, metadata analisis dapat digunakan sebagai direktori del Database itu data warehouse untuk membantu pengguna akhir menemukan i memberikan perlu.

Dibandingkan dengan sistem OLTP, dengan kemampuannya untuk mendukung analisis memberikan dan pelaporan, yang data warehouse itu dilihat sebagai sistem yang lebih tepat untuk proses informasi seperti membuat dan menjawab pertanyaan dan menghasilkan laporan. Bagian selanjutnya akan menyoroti perbedaan kedua sistem secara rinci.

GUDANG DATA TERHADAP SISTEM OLTP

Banyak dari sistem informasi dalam organisasi dimaksudkan untuk mendukung operasi sehari-hari. Sistem ini dikenal sebagai SISTEM OLTP, menangkap transaksi harian yang terus diperbarui.

I memberikan dalam sistem ini mereka sering dimodifikasi, ditambahkan atau dihapus. Misalnya, alamat pelanggan berubah saat dia berpindah dari satu tempat ke tempat lain. Dalam hal ini alamat baru akan didaftarkan dengan memodifikasi bidang alamat Database. Tujuan utama dari sistem ini adalah untuk mengurangi biaya transaksi dan pada saat yang sama mengurangi waktu pemrosesan. Contoh Sistem OLTP termasuk tindakan kritis seperti penjurnalan pesanan, penggajian, faktur, manufaktur, layanan pelanggan pelanggan.

Tidak seperti sistem OLTP, yang dibuat untuk proses berbasis transaksi dan peristiwa, i data warehouse dibuat untuk memberikan dukungan proses berbasis analitik memberikan dan pada proses pengambilan keputusan.

Ini biasanya dicapai dengan mengintegrasikan i memberikan dari berbagai OLTP dan sistem eksternal dalam satu “kontainer”. memberikan, seperti yang dibahas pada bagian sebelumnya.

Model Proses Pergudangan Data Monash

Model proses untuk data warehouse Monash dikembangkan oleh para peneliti di Monash DSS Research Group dan didasarkan pada literatur data warehouse, pengalaman dalam bidang sistem pendukung pengembangan, diskusi dengan vendor aplikasi untuk digunakan data warehouse, pada sekelompok ahli dalam penggunaan data warehouse.

Fase-fase tersebut adalah: Inisiasi, Perencanaan, Pengembangan, Operasi dan Penjelasan. Diagram menjelaskan sifat iteratif atau evolusioner dari pengembangan a data warehouse proses menggunakan panah dua arah yang ditempatkan di antara tahapan yang berbeda. Dalam konteks ini “iteratif” dan “evolusioner” berarti bahwa pada setiap langkah proses, kegiatan implementasi selalu dapat merambat mundur ke tahap sebelumnya. Ini karena sifat proyek data warehouse di mana permintaan tambahan oleh pengguna akhir terjadi kapan saja. Misalnya, selama fase pengembangan suatu proses data warehouseJika ukuran atau area subjek baru diminta oleh pengguna akhir, yang bukan bagian dari rencana awal, itu harus ditambahkan ke sistem. Ini menyebabkan perubahan dalam proyek. Hasilnya adalah tim desain harus mengubah persyaratan dokumen yang dibuat selama fase desain. Dalam banyak kasus, keadaan proyek saat ini harus kembali ke fase desain di mana persyaratan baru harus ditambahkan dan didokumentasikan. Pengguna akhir harus dapat melihat dokumentasi spesifik yang ditinjau dan perubahan yang telah dibuat dalam tahap pengembangan. Di akhir siklus pengembangan ini, proyek perlu mendapatkan umpan balik yang baik dari tim pengembangan dan pengguna. Umpan balik tersebut kemudian digunakan kembali untuk meningkatkan proyek masa depan.

Perencanaan kapasitas
dw cenderung berukuran sangat besar dan tumbuh sangat cepat (Best 1995, Rudin 1997a) karena jumlah memberikan historis yang mereka pertahankan dari durasinya. Pertumbuhan juga dapat disebabkan oleh memberikan add-on yang diminta oleh pengguna untuk meningkatkan nilai memberikan yang sudah mereka miliki. Akibatnya, persyaratan penyimpanan untuk memberikan dapat ditingkatkan secara signifikan (Eckerson 1997). Oleh karena itu, sangat penting untuk memastikan, dengan melakukan perencanaan kapasitas, bahwa sistem yang akan dibangun dapat berkembang sesuai kebutuhan (Best 1995, LaPlante 1996, Lang 1997, Eckerson 1997, Rudin 1997a, Foley 1997a).
Dalam merencanakan skalabilitas gudang data, seseorang harus mengetahui pertumbuhan yang diharapkan dalam ukuran gudang, jenis pertanyaan yang mungkin dibuat, dan jumlah pengguna akhir yang didukung (Best 1995, Rudin 1997b, Foley 1997a). Membangun aplikasi yang dapat diskalakan memerlukan kombinasi teknologi server yang dapat diskalakan dan teknik desain aplikasi yang dapat diskalakan (Best 1995, Rudin 1997b. Keduanya diperlukan dalam membangun aplikasi yang sangat dapat diskalakan. Teknologi server yang dapat diskalakan dapat memudahkan dan menghemat biaya untuk menambahkan penyimpanan, memori, dan CPU tanpa merendahkan kinerja (Lang 1997, Telephony 1997).

Ada dua teknologi server skalabel utama: symmetric multiple processing (SMP) dan massively parallel processing (MPP) ) (IDC 1997, Humphries et al. 1999). Server SMP biasanya memiliki banyak prosesor yang berbagi memori, bus sistem, dan sumber daya lainnya (IDC 1997, Humphries et al. 1999). Prosesor tambahan dapat ditambahkan untuk meningkatkannya potenza komputasional. Metode lain untuk meningkatkan potenza perhitungan server SMP, adalah menggabungkan banyak mesin SMP. Teknik ini dikenal sebagai pengelompokan (Humphries et al. 1999). Server MPP, di sisi lain, memiliki banyak prosesor, masing-masing dengan memori, sistem bus, dan sumber daya lainnya sendiri (IDC 1997, Humphries et al. 1999). Setiap prosesor disebut node. Peningkatan di potenza komputasi dapat diperoleh

menambahkan node tambahan ke server MPP (Humphries et al. 1999).

Kelemahan server SMP adalah terlalu banyak operasi input-output (I/O) yang dapat membuat sistem bus padat (IDC 1997). Masalah ini tidak terjadi di dalam server MPP karena setiap prosesor memiliki sistem busnya sendiri. Namun, interkoneksi antara setiap node umumnya jauh lebih lambat daripada sistem bus SMP. Selain itu, server MPP dapat menambah lapisan kompleksitas ekstra untuk pengembang aplikasi (IDC 1997). Dengan demikian, pilihan antara server SMP dan MPP dapat dipengaruhi oleh banyak faktor, termasuk kompleksitas aplikasi, rasio harga/performa, throughput yang diperlukan, aplikasi dw yang dicegah, dan peningkatan ukuran server. Database dari dw dan jumlah pengguna akhir.

Sejumlah teknik desain aplikasi terukur dapat digunakan dalam perencanaan kapasitas. Satu menggunakan berbagai periode pelaporan seperti hari, minggu, bulan dan tahun. Memiliki berbagai periode notifikasi, the Database dapat dibagi menjadi bagian-bagian yang dapat dikelompokkan (Inmon et al. 1997). Teknik lain adalah dengan menggunakan tabel ringkasan yang dibangun dengan meringkas memberikan da memberikan terperinci. Jadi, saya memberikan abstrak lebih ringkas daripada detail, yang membutuhkan lebih sedikit ruang memori. Sehingga memberikan detail dapat diarsipkan ke unit penyimpanan yang lebih murah, yang bahkan lebih menghemat penyimpanan. Meskipun menggunakan tabel ringkasan dapat menghemat ruang penyimpanan, tabel ringkasan memerlukan banyak upaya untuk menjaganya tetap terkini dan sejalan dengan kebutuhan bisnis. Namun, teknik ini digunakan secara luas dan sering digunakan bersamaan dengan teknik sebelumnya (Best 1995, Inmon 1996a, Chauduri and Dayal
1997).

Mendefinisikan Gudang data Arsitektur Teknis Definisi teknik arsitektur dw

Pengadopsi awal pergudangan data terutama membayangkan implementasi gudang data terpusat di mana semua memberikan, termasuk i memberikan eksternal, diintegrasikan menjadi satu,
repositori fisik (Inmon 1996a, Bresnahan 1996, Peacock 1998).

Manfaat utama dari pendekatan ini adalah pengguna akhir dapat mengakses tampilan perusahaan secara keseluruhan memberikan organisasi (Ovum 1998). Kelebihan lainnya adalah ia menawarkan standardisasi memberikan lintas organisasi, yang berarti bahwa hanya ada satu versi atau definisi untuk setiap terminologi yang digunakan dalam metadata repositori (Flanagan dan Safdie 1997, Ovum 1998). Kerugian dari pendekatan ini, di sisi lain, adalah mahal dan sulit untuk dibangun (Flanagan dan Safdie 1997, Ovum 1998, Inmon et al. 1998). Tidak lama kemudian arsitektur penyimpanan memberikan terpusat menjadi populer, konsep menambang himpunan dewa terkecil berkembang memberikan untuk mendukung kebutuhan aplikasi tertentu (Varney 1996, IDC 1997, Berson dan Smith 1997, peacock 1998). Sistem kecil ini berasal dari yang lebih besar data warehouse terpusat. Mereka diberi nama data warehouse departemen karyawan atau data mart karyawan. Arsitektur dependen data mart dikenal sebagai arsitektur tiga tingkat dimana tingkat pertama terdiri dari data warehouse terpusat, yang kedua terdiri dari deposito memberikan departemen dan yang ketiga terdiri dari akses ke memberikan dan dengan alat analisis (Demarest 1994, Inmon et al. 1997).

Data mart biasanya dibangun setelah data warehouse terpusat dibangun untuk memenuhi kebutuhan unit tertentu (White 1995, Varney 1996).
Penyimpanan data mart i memberikan relevan dengan unit tertentu (Inmon et al. 1997, Inmon et al. 1998, IA 1998).

Keuntungan dari metode ini adalah tidak akan ada dato tidak terintegrasi dan bahwa i memberikan akan kurang redundan dalam data mart karena semua memberikan berasal dari deposito memberikan terintegrasi. Keuntungan lainnya adalah akan ada lebih sedikit tautan antara setiap data mart dan sumbernya memberikan karena setiap data mart hanya memiliki satu sumber memberikan. Ditambah dengan arsitektur ini, pengguna akhir masih dapat mengakses memberikan

organisasi perusahaan. Metode ini dikenal dengan metode top-down, dimana data mart dibangun setelah data warehouse (merak 1998, Goff 1998).
Meningkatnya kebutuhan untuk menunjukkan hasil lebih awal, beberapa organisasi telah mulai membangun data mart independen (Flanagan dan Safdie 1997, White 2000). Dalam hal ini, data mart mendapatkan milik mereka memberikan langsung dari dasar memberikan OLTP dan non-OLTP dari repositori terpusat dan terintegrasi, sehingga menghilangkan kebutuhan akan repositori pusat.

Setiap data mart memerlukan setidaknya satu tautan ke sumbernya memberikan. Salah satu kelemahan memiliki banyak tautan ke setiap data mart adalah, dibandingkan dengan dua arsitektur sebelumnya, kelebihan memberikan meningkat secara signifikan.

Setiap data mart harus menyimpan semua memberikan diperlukan secara lokal agar tidak berdampak pada sistem OLTP. Hal ini menyebabkan i memberikan mereka disimpan di data mart yang berbeda (Inmon et al. 1997). Kerugian lain dari arsitektur ini adalah mengarah pada pembuatan interkoneksi yang kompleks antara data mart dan sumber datanya. memberikan yang sulit untuk diterapkan dan dikendalikan (Inmon et al. 1997).

Kerugian lainnya adalah pengguna akhir mungkin tidak dapat mengakses ikhtisar informasi perusahaan karena i memberikan dari data mart yang berbeda tidak terintegrasi (Ovum 1998).
Kelemahan lain adalah bahwa mungkin ada lebih dari satu definisi untuk setiap terminologi yang digunakan dalam data mart yang menghasilkan inkonsistensi data. memberikan dalam organisasi (Ovum 1998).
Terlepas dari kerugian yang dibahas di atas, data mart yang berdiri sendiri masih menarik minat banyak organisasi (IDC 1997). Salah satu faktor yang membuatnya menarik adalah bahwa mereka lebih cepat berkembang dan membutuhkan lebih sedikit waktu dan sumber daya (Bresnahan 1996, Berson dan Smith 1997, Ovum 1998). Konsekuensinya, mereka berfungsi terutama sebagai desain pengujian yang dapat digunakan untuk dengan cepat mengidentifikasi manfaat dan/atau kekurangan dalam desain (Parsaye 1995, Braly 1995, Newing 1996). Dalam hal ini, bagian yang akan dilaksanakan dalam proyek percontohan harus kecil tetapi penting bagi organisasi (Newing 1996, Mansell-Lewis 1996).

Dengan memeriksa prototipe, pengguna akhir dan manajemen dapat memutuskan apakah melanjutkan atau menghentikan proyek (Flanagan dan Safdie 1997).
Jika keputusan dilanjutkan, data mart untuk industri lain harus dibangun satu per satu. Ada dua pilihan bagi pengguna akhir berdasarkan kebutuhan mereka dalam membangun matriks data independen: terintegrasi/federasi dan tidak terintegrasi (Ovum 1998)

Pada metode pertama, setiap data mart baru harus dibangun berdasarkan model dan data mart saat ini memberikan digunakan oleh perusahaan (Varney 1996, Berson dan Smith 1997, Peacock 1998). Kebutuhan untuk menggunakan model memberikan perusahaan berarti bahwa seseorang harus memastikan bahwa hanya ada satu definisi untuk setiap terminologi yang digunakan di seluruh data mart, juga untuk memastikan bahwa data mart yang berbeda dapat digabungkan untuk memberikan gambaran tentang informasi perusahaan (Bresnahan 1996). Metode ini disebut metode bottom-up dan paling baik digunakan bila ada kendala dana dan waktu (Flanagan dan Safdie 1997, Ovum 1998, peacock 1998, Goff 1998). Pada metode kedua, data mart yang dibangun hanya dapat memenuhi kebutuhan unit tertentu. Varian dari federasi data mart adalah data warehouse didistribusikan di mana Database hub server middleware digunakan untuk menggabungkan banyak data mart ke dalam satu repositori memberikan didistribusikan (Putih 1995). Dalam hal ini, saya memberikan bisnis didistribusikan di beberapa data mart. Permintaan pengguna akhir diteruskan ke Database hub server middleware, yang mengekstrak semua memberikan diminta oleh data mart dan mengumpankan hasilnya kembali ke aplikasi pengguna akhir. Metode ini memberikan informasi bisnis kepada pengguna akhir. Namun, masalah data mart independen masih belum teratasi. Ada arsitektur lain yang bisa digunakan yang disebut data warehouse maya (Putih 1995). Namun, arsitektur ini, yang digambarkan pada Gambar 2.9, bukanlah arsitektur penyimpanan data memberikan nyata karena tidak memindahkan beban dari sistem OLTP ke data warehouse (Demarest 1994).

Bahkan, permintaan untuk memberikan oleh pengguna akhir mereka diteruskan ke sistem OLTP yang mengembalikan hasil setelah memproses permintaan pengguna. Meskipun arsitektur ini memungkinkan pengguna akhir untuk membuat laporan dan membuat permintaan, arsitektur ini tidak dapat menyediakan i

memberikan sejarah dan ikhtisar informasi perusahaan sejak i memberikan karena sistem OLTP yang berbeda tidak terintegrasi. Oleh karena itu, arsitektur ini tidak dapat memenuhi analisis memberikan seperti prediksi.

Pemilihan akses dan aplikasi pemulihan data memberikan

Tujuan membangun a data warehouse adalah menyampaikan informasi kepada pengguna akhir (Inmon et al. 1997, Poe 1996, McFadden 1996, Shanks et al. 1997, Hammergren 1998); satu atau lebih akses dan aplikasi pemulihan memberikan harus disediakan. Sampai saat ini, ada berbagai macam aplikasi untuk dipilih pengguna (Hammergren 1998, Humphries et al. 1999). Aplikasi yang dipilih menentukan keberhasilan usaha pergudangan memberikan dalam sebuah organisasi karena aplikasi adalah bagian yang paling terlihat dari data warehouse ke pengguna akhir (Inmon et al. 1997, Poe 1996). Menjadi sukses a data warehouse, harus dapat mendukung kegiatan analisis data memberikan pengguna akhir (Poe 1996, Seddon dan Benjamin 1998, Eckerson 1999). Jadi "tingkat" dari apa yang diinginkan pengguna akhir harus diidentifikasi (Poe 1996, Mattison 1996, Inmon et al. 1997, Humphries et al. 1999).

Secara umum, pengguna akhir dapat dikelompokkan ke dalam tiga kategori: pengguna eksekutif, analis bisnis, dan pengguna yang kuat (Poe 1996, Humphries et al. 1999). Pengguna eksekutif memerlukan akses mudah ke kumpulan laporan yang telah ditentukan sebelumnya (Humphries et al. 1999). Laporan ini dapat diakses dengan mudah dengan navigasi menu (Poe 1996). Selain itu, laporan harus menyajikan informasi menggunakan representasi grafis seperti tabel dan template untuk menyampaikan informasi dengan cepat (Humphries et al. 1999). Analis bisnis, yang mungkin tidak memiliki kemampuan teknis untuk mengembangkan laporan dari awal sendiri, harus mampu memodifikasi laporan saat ini untuk memenuhi kebutuhan khusus mereka (Poe 1996, Humphries et al. 1999). Power user, di sisi lain, adalah tipe pengguna akhir yang memiliki kemampuan untuk menghasilkan dan menulis permintaan dan laporan dari awal (Poe 1996, Humphries et al. 1999). Merekalah yang

mereka membangun hubungan untuk tipe pengguna lain (Poe 1996, Humphries et al. 1999).

Setelah persyaratan pengguna akhir ditentukan, pemilihan akses dan aplikasi pemulihan harus dilakukan memberikan di antara semua yang tersedia (Poe 1996, Inmon et al. 1997).
Akses ke memberikan dan alat pengambilan dapat diklasifikasikan menjadi 4 jenis: alat OLAP, alat EIS/DSS, alat kueri dan pelaporan, dan alat penambangan data.

Alat OLAP memungkinkan pengguna untuk membuat kueri ad hoc serta yang dibuat di Database itu data warehouse. Selain itu, produk ini memungkinkan pengguna untuk menelusuri dari memberikan umum ke rinci.

Alat EIS/DSS menyediakan pelaporan eksekutif seperti analisis “bagaimana jika” dan akses ke laporan berbasis menu. Laporan harus ditentukan sebelumnya dan digabungkan dengan menu untuk navigasi yang lebih mudah.
Alat kueri dan pelaporan memungkinkan pengguna untuk menghasilkan laporan yang ditentukan sebelumnya dan spesifik.

Alat penambangan data digunakan untuk mengidentifikasi hubungan yang dapat memberi penerangan baru pada operasi yang terlupakan memberikan dari gudang data.

Selain mengoptimalkan kebutuhan setiap jenis pengguna, alat yang dipilih harus intuitif, efisien, dan mudah digunakan. Mereka juga harus kompatibel dengan bagian lain dari arsitektur dan mampu bekerja dengan sistem yang ada. Juga disarankan untuk memilih alat akses dan pengambilan data dengan harga dan kinerja yang wajar. Kriteria lain yang perlu dipertimbangkan termasuk komitmen vendor alat untuk mendukung produk mereka dan pengembangan yang akan dilakukannya di rilis mendatang. Untuk memastikan keterlibatan pengguna dalam menggunakan gudang data, tim pengembangan melibatkan pengguna dalam proses pemilihan alat. Dalam hal ini, evaluasi praktis terhadap pengguna harus dilakukan.

Untuk meningkatkan nilai gudang data, tim pengembangan juga dapat menyediakan akses web ke gudang data mereka. Gudang data yang mendukung web memungkinkan pengguna untuk mengakses memberikan dari tempat-tempat terpencil atau saat bepergian. Informasinya juga bisa

disediakan dengan biaya lebih rendah melalui penurunan biaya pelatihan.

2.4.3 Gudang data Fase Operasi

Fase ini terdiri dari tiga aktivitas: definisi strategi penyegaran data, pengendalian aktivitas gudang data, dan pengelolaan keamanan gudang data.

Definisi strategi penyegaran data

Setelah pemuatan awal, i memberikan di Database gudang data harus disegarkan secara berkala untuk mereproduksi perubahan yang dilakukan pada memberikan asli. Jadi, Anda harus memutuskan kapan akan menyegarkan, seberapa sering pembaruan harus dijadwalkan, dan bagaimana cara menyegarkannya memberikan. Disarankan untuk me-refresh memberikan ketika sistem dapat diambil offline. Kecepatan penyegaran ditentukan oleh tim pengembangan berdasarkan kebutuhan pengguna. Ada dua pendekatan untuk me-refresh data warehouse: full refresh dan continuous upload of changes.

Pendekatan pertama, penyegaran penuh, membutuhkan pemuatan ulang semua memberikan dari awal. Ini berarti bahwa semua memberikan diperlukan harus diekstraksi, dibersihkan, diubah, dan diintegrasikan ke dalam setiap penyegaran. Pendekatan ini harus dihindari sebisa mungkin karena memakan waktu dan sumber daya.

Pendekatan alternatif adalah terus mengunggah perubahan. Ini menambahkan saya memberikan yang telah berubah sejak siklus penyegaran gudang data terakhir. Mengidentifikasi catatan baru atau yang diubah secara signifikan mengurangi jumlah memberikan yang harus disebarkan ke gudang data di setiap pembaruan hanya sebagai ini memberikan akan ditambahkan ke Database dari gudang data.

Setidaknya ada 5 pendekatan yang dapat digunakan untuk penarikan i memberikan baru atau dimodifikasi. Untuk mencapai strategi penyegaran video yang efisien memberikan campuran dari pendekatan ini yang mengambil semua perubahan dalam sistem mungkin berguna.

Pendekatan pertama, yang menggunakan stempel waktu, mengasumsikan bahwa setiap orang ditugaskan memberikan mengedit dan memperbarui stempel waktu sehingga Anda dapat dengan mudah mengidentifikasi semuanya memberikan dimodifikasi dan baru. Namun, pendekatan ini belum banyak digunakan di sebagian besar sistem operasi saat ini.
Pendekatan kedua adalah menggunakan file delta yang dibuat oleh aplikasi yang hanya berisi perubahan yang dilakukan pada file memberikan. Menggunakan file ini juga memperkuat siklus pembaruan. Namun, bahkan metode ini belum digunakan di banyak aplikasi.
Pendekatan ketiga adalah memindai file log, yang pada dasarnya berisi informasi yang mirip dengan file delta. Satu-satunya perbedaan adalah file log dibuat untuk proses pemulihan dan mungkin sulit untuk dipahami.
Pendekatan keempat adalah memodifikasi kode aplikasi. Namun, sebagian besar kode aplikasi sudah tua dan rapuh; oleh karena itu teknik ini harus dihindari.
Pendekatan terakhir adalah membandingkan i memberikan sumber dengan file utama dei memberikan.

Pemantauan aktivitas gudang data

Setelah gudang data dirilis ke pengguna, data tersebut perlu dipantau dari waktu ke waktu. Dalam hal ini, administrator gudang data dapat menggunakan satu atau lebih alat manajemen dan kontrol untuk memantau penggunaan gudang data. Secara khusus, informasi dapat dikumpulkan pada orang-orang dan waktu mereka mengakses data warehouse. Ayo memberikan dikumpulkan, profil pekerjaan yang dilakukan dapat dibuat yang dapat digunakan sebagai masukan untuk implementasi tolak bayar pengguna. Chargeback memungkinkan pengguna untuk diberitahu tentang biaya pemrosesan gudang data.

Selain itu, audit gudang data juga dapat digunakan untuk mengidentifikasi jenis kueri, ukurannya, jumlah kueri per hari, waktu reaksi kueri, jangkauan sektor, dan jumlah memberikan diproses. Tujuan lain dari melakukan audit gudang data adalah untuk mengidentifikasi memberikan yang tidak digunakan. Ini memberikan mereka dapat dihapus dari gudang data untuk meningkatkan waktu

respons eksekusi kueri dan mengontrol pertumbuhan memberikan yang berada di dalam basis data dari gudang data.

Manajemen keamanan gudang data

Gudang data berisi memberikan terintegrasi, kritis, sensitif yang dapat dijangkau dengan mudah. Untuk alasan ini harus dilindungi dari pengguna yang tidak sah. Salah satu cara untuk mengimplementasikan keamanan adalah dengan menggunakan fungsi del DBMS untuk menetapkan hak istimewa yang berbeda untuk berbagai jenis pengguna. Dengan cara ini, profil akses harus dipertahankan untuk setiap jenis pengguna. Cara lain untuk mengamankan gudang data adalah dengan mengenkripsinya seperti yang tertulis di basis data dari gudang data. Akses ke memberikan dan alat pengambilan harus mendekripsi memberikan sebelum mempresentasikan hasilnya kepada pengguna.

2.4.4 Gudang data Fase Penerapan

Ini adalah tahap terakhir dalam siklus implementasi gudang data. Kegiatan yang akan dilakukan pada fase ini antara lain melatih pengguna untuk menggunakan data warehouse dan melakukan review terhadap data warehouse.

Pelatihan pengguna

Pelatihan pengguna harus dilakukan sebelum mengakses memberikan gudang data dan penggunaan alat pengambilan. Umumnya, sesi harus dimulai dengan pengenalan konsep penyimpanan memberikan, konten gudang data, meta memberikan dan fitur dasar alat. Kemudian, pengguna yang lebih mahir juga dapat mempelajari tabel fisik dan fitur pengguna akses data dan alat pengambilan.

Ada banyak pendekatan untuk melakukan pelatihan pengguna. Salah satunya melibatkan pemilihan banyak pengguna atau analis yang dipilih dari kumpulan pengguna, berdasarkan keterampilan kepemimpinan dan komunikasi mereka. Ini secara pribadi dilatih tentang segala hal yang perlu mereka ketahui untuk menjadi terbiasa dengan sistem. Setelah pelatihan, mereka kembali ke pekerjaan mereka dan mulai mengajari pengguna lain cara menggunakan sistem. Di

Berdasarkan apa yang telah mereka pelajari, pengguna lain dapat mulai menjelajahi gudang data.
Pendekatan lain adalah melatih banyak pengguna pada saat yang sama, seolah-olah Anda sedang berlatih di ruang kelas. Metode ini cocok bila ada banyak pengguna yang perlu dilatih pada waktu yang bersamaan. Metode lainnya adalah melatih setiap pengguna secara individual, satu per satu. Metode ini cocok bila penggunanya sedikit.

Tujuan dari pelatihan pengguna adalah untuk membiasakan diri Anda dengan mengakses memberikan dan alat pengambilan serta isi gudang data. Namun, beberapa pengguna mungkin kewalahan dengan banyaknya informasi yang diberikan selama sesi pelatihan. Kemudian sejumlah sesi penyegaran perlu dilakukan untuk dukungan berkelanjutan dan untuk menjawab pertanyaan spesifik. Dalam beberapa kasus, kelompok pengguna dibentuk untuk menyediakan jenis dukungan ini.

Mengumpulkan umpan balik

Setelah gudang data diluncurkan, pengguna dapat menggunakan i memberikan berada di gudang data untuk berbagai tujuan. Sebagian besar, analis atau pengguna menggunakan i memberikan di gudang data untuk:

1. 1 Mengidentifikasi tren perusahaan
2. 2 Analisis profil pembelian dari pelanggan
3. 3 Terbagi i pelanggan dan
4. 4 Memberikan pelayanan terbaik kepada pelanggan – menyesuaikan layanan
5. 5 Merumuskan strategi pemasaran
6. 6 Buat penawaran kompetitif untuk analisis biaya dan kontrol bantuan
7. 7 Mendukung pengambilan keputusan strategis
8. 8 Mengidentifikasi peluang untuk muncul
9. 9 Meningkatkan kualitas proses bisnis saat ini
10. 10 Periksa keuntungannya

Mengikuti arah pengembangan gudang data, serangkaian tinjauan sistem dapat dilakukan untuk mendapatkan umpan balik

baik oleh tim pengembangan maupun oleh komunitas pengguna akhir.
Hasil yang diperoleh dapat diperhitungkan untuk siklus pengembangan selanjutnya.

Karena gudang data memiliki pendekatan inkremental, penting untuk belajar dari keberhasilan dan kesalahan pengembangan sebelumnya.

2.5 Ringkasan

Dalam bab ini pendekatan hadir dalam literatur telah dibahas. Pada bagian 1 konsep gudang data dan perannya dalam ilmu keputusan dibahas. Bagian 2 menjelaskan perbedaan utama antara gudang data dan sistem OLTP. Bagian 3 membahas model gudang data Monash yang digunakan di bagian 4 untuk menjelaskan aktivitas yang terlibat dalam proses pengembangan gudang data, klaim ini tidak didasarkan pada penelitian yang ketat. Apa yang terjadi pada kenyataannya bisa sangat berbeda dari apa yang dilaporkan literatur, namun hasil ini dapat digunakan untuk membuat bagan dasar yang menggarisbawahi konsep gudang data untuk penelitian ini.

Bab 3

Metode penelitian dan desain

Bab ini membahas metode penelitian dan desain untuk penelitian ini. Bagian pertama menunjukkan pandangan umum dari metode penelitian yang tersedia untuk pencarian informasi, selanjutnya kriteria untuk memilih metode terbaik untuk studi tertentu dibahas. Pada bagian 2 dua metode yang dipilih dengan kriteria di atas kemudian dibahas; salah satunya akan dipilih dan diadopsi untuk alasan yang ditetapkan dalam bagian 3 di mana alasan pengecualian kriteria lainnya juga ditetapkan. Bagian 4 menyajikan proyek penelitian dan bagian 5 kesimpulan.

3.1 Penelitian dalam sistem informasi

Penelitian sistem informasi tidak hanya terbatas pada bidang teknologi tetapi juga harus diperluas untuk mencakup tujuan perilaku dan organisasi.
Kami berutang ini pada tesis dari berbagai disiplin ilmu mulai dari ilmu sosial hingga ilmu alam; Hal ini menyebabkan perlunya spektrum metode penelitian tertentu yang melibatkan metode kuantitatif dan kualitatif yang akan digunakan untuk sistem informasi.
Semua metode penelitian yang tersedia adalah penting, bahkan beberapa peneliti seperti Jenkins (1985), Nunamaker et al. (1991), dan Galliers (1992) berpendapat bahwa tidak ada metode universal khusus untuk melakukan penelitian di berbagai bidang sistem informasi; sebenarnya metode mungkin cocok untuk penelitian tertentu tetapi tidak untuk orang lain. Hal ini membawa kita pada kebutuhan untuk memilih metode yang sesuai untuk proyek penelitian khusus kami: untuk pilihan ini Benbasat et al. (1987) menyatakan bahwa sifat dan tujuan penelitian harus diperhatikan.

3.1.1 Sifat penelitian

Berbagai metode penelitian berbasis alam dapat diklasifikasikan menjadi tiga tradisi yang dikenal luas dalam ilmu informasi: positivis, interpretatif, dan penelitian kritis.

3.1.1.1 Penelitian positivis

Penelitian positivis juga dikenal sebagai studi ilmiah atau empiris. Ini berusaha untuk: "menjelaskan dan memprediksi apa yang akan terjadi di dunia sosial dengan melihat keteraturan dan hubungan sebab-akibat antara unsur-unsur yang menyusunnya" (Shanks et al 1993).

Penelitian positivis juga ditandai dengan pengulangan, penyederhanaan, dan sanggahan. Selanjutnya, penelitian positivis mengakui adanya hubungan apriori antara fenomena yang diteliti.
Menurut Galliers (1992) taksonomi adalah metode penelitian yang termasuk dalam paradigma positivis, namun tidak terbatas pada ini, sebenarnya ada percobaan laboratorium, percobaan lapangan, studi kasus, demonstrasi teorema, prediksi dan simulasi. Dengan menggunakan metode tersebut, peneliti mengakui bahwa fenomena yang diteliti dapat diamati secara objektif dan teliti.

3.1.1.2 Penelitian interpretatif

Penelitian interpretatif, yang sering disebut fenomenologi atau anti-positivisme dijelaskan oleh Neuman (1994) sebagai “analisis sistematis tentang makna sosial dari tindakan melalui pengamatan langsung dan terperinci terhadap orang-orang dalam situasi alami, untuk sampai pada pemahaman dan interpretasi tentang bagaimana orang menciptakan dan mempertahankan dunia sosial mereka”. Kajian interpretatif menolak anggapan bahwa fenomena yang diamati dapat diamati secara objektif. Bahkan mereka didasarkan pada interpretasi subyektif. Selanjutnya, peneliti interpretatif tidak memaksakan makna apriori pada fenomena yang mereka pelajari.

Metode ini meliputi penelitian subyektif/argumentatif, penelitian tindakan, penelitian deskriptif/interpretatif, penelitian masa depan, dan permainan peran. Selain itu, survei dan studi kasus dapat dimasukkan dalam pendekatan ini karena berkaitan dengan studi individu atau organisasi dalam situasi dunia nyata yang kompleks.

3.1.1.3 Penelitian kritis

Pencarian kritis adalah pendekatan yang paling tidak dikenal dalam ilmu sosial tetapi baru-baru ini mendapat perhatian para peneliti di arena sistem informasi. Asumsi filosofis bahwa realitas sosial secara historis diproduksi dan direproduksi oleh manusia, serta sistem sosial dengan tindakan dan interaksinya. Kemampuan mereka, bagaimanapun, dimediasi oleh sejumlah pertimbangan sosial, budaya dan politik.

Seperti penelitian interpretatif, penelitian kritis berpendapat bahwa penelitian positivis tidak ada hubungannya dengan konteks sosial dan mengabaikan pengaruhnya terhadap tindakan manusia.
Penelitian kritis, di sisi lain, mengkritik penelitian interpretatif karena terlalu subyektif dan tidak bertujuan untuk membantu orang meningkatkan kehidupan mereka. Perbedaan terbesar antara penelitian kritis dan dua pendekatan lainnya adalah dimensi evaluatifnya. Sementara objektivitas tradisi positivis dan interpretatif adalah untuk memprediksi atau menjelaskan status quo atau realitas sosial, penelitian kritis bertujuan untuk mengevaluasi secara kritis dan mengubah realitas sosial yang diteliti.

Peneliti kritis biasanya menentang status quo untuk menghilangkan perbedaan sosial dan memperbaiki kondisi sosial. Penelitian kritis memiliki komitmen untuk melihat proses dari fenomena yang menarik dan, oleh karena itu, biasanya bersifat longitudinal. Contoh metode penelitian adalah studi sejarah jangka panjang dan studi etnografi. Pencarian kritis, bagaimanapun, belum banyak digunakan dalam penelitian sistem informasi

3.1.2 Tujuan penelitian

Bersama dengan sifat penelitian, tujuannya dapat digunakan untuk memandu peneliti dalam memilih metode penelitian tertentu. Cakupan proyek penelitian sangat erat kaitannya dengan posisi penelitian dalam kaitannya dengan siklus penelitian yang terdiri dari tiga tahap: theory building, theory testing, dan theory refinement. Dengan demikian, berdasarkan momentum sehubungan dengan siklus penelitian, sebuah proyek penelitian dapat memiliki tujuan penjelasan, deskriptif, eksplorasi, atau prediktif.

3.1.2.1 Penelitian eksplorasi

Penelitian eksplorasi ditujukan untuk menyelidiki topik yang sama sekali baru dan merumuskan pertanyaan dan hipotesis untuk penelitian masa depan. Jenis penelitian ini digunakan dalam membangun teori untuk mendapatkan referensi awal di daerah baru. Biasanya metode penelitian kualitatif yang digunakan, seperti studi kasus atau studi fenomenologis.

Namun, juga memungkinkan untuk menggunakan teknik kuantitatif seperti survei eksplorasi atau eksperimen.

3.1.3.3 Pencarian deskriptif

Penelitian deskriptif dirancang untuk menganalisis dan menggambarkan dengan sangat rinci situasi atau praktik organisasi tertentu. Ini sesuai untuk membangun teori dan juga dapat digunakan untuk mengkonfirmasi atau menantang hipotesis. Penelitian deskriptif biasanya melibatkan penggunaan pengukuran dan sampel. Metode penelitian yang cocok meliputi survei dan analisis latar belakang.

3.1.2.3 Penelitian penjelasan

Explanatory research mencoba untuk menjelaskan mengapa sesuatu terjadi. Itu dibangun di atas fakta-fakta yang telah dipelajari dan mencoba menemukan mengapa fakta-fakta itu.
Jadi penelitian penjelasan biasanya dibangun di atas penelitian eksplorasi atau deskriptif dan tambahan untuk menguji dan menyempurnakan teori. Penelitian penjelasan biasanya menggunakan studi kasus atau metode penelitian berbasis survei.

3.1.2.4 Penelitian pendahuluan

Penelitian preemptive bertujuan untuk memprediksi kejadian yang diamati dan perilaku yang sedang dipelajari (Marshall dan Rossman 1995). Prediksi adalah tes kebenaran ilmiah standar. Jenis penelitian ini umumnya menggunakan survei atau analisis data memberikan sejarawan. (Yin 1989)

Pembahasan di atas menunjukkan bahwa ada beberapa kemungkinan metode penelitian yang dapat digunakan dalam penelitian tertentu. Namun, harus ada metode khusus yang lebih cocok dari yang lain untuk jenis proyek penelitian tertentu. (Gallier 1987, Yin 1989, De Vaus 1991). Oleh karena itu, setiap peneliti perlu secara hati-hati mengevaluasi kekuatan dan kelemahan dari berbagai metode, untuk mengadopsi metode penelitian yang paling sesuai dengan proyek penelitian. (Jenkins 1985, Pervan dan Klass 1992, Bonomia 1985, Yin 1989, Himilton dan Ives 1992).

3.2. Metode pencarian yang memungkinkan

Tujuan dari proyek ini adalah untuk mempelajari pengalaman organisasi Australia dengan i memberikan disimpan dengan pengembangan data warehouse. Mengingat bahwa saat ini masih kurangnya penelitian di bidang data warehousing di Australia, proyek penelitian ini masih dalam tahap teoretis dari siklus penelitian dan memiliki tujuan eksplorasi. Menjelajahi pengalaman dalam organisasi Australia yang mengadopsi pergudangan data membutuhkan interpretasi masyarakat nyata. Akibatnya, asumsi filosofis yang mendasari proyek penelitian mengikuti interpretasi tradisional.

Setelah pemeriksaan ketat terhadap metode yang tersedia, dua kemungkinan metode penelitian telah diidentifikasi: survei dan studi kasus, yang dapat digunakan untuk penelitian eksplorasi (Shanks et al. 1993). Galliers (1992) berpendapat kesesuaian kedua metode ini untuk studi khusus ini dalam taksonomi yang telah direvisi dengan mengatakan bahwa keduanya cocok untuk konstruksi teoretis. Dua subbagian berikut membahas masing-masing metode secara rinci.

3.2.1 Metode penelitian survei

Metode penelitian survei berasal dari metode sensus kuno. Sensus adalah tentang mengumpulkan informasi dari seluruh populasi. Metode ini mahal dan tidak praktis, terutama jika populasinya besar. Jadi, dibandingkan dengan sensus, survei biasanya difokuskan pada pengumpulan informasi untuk sejumlah kecil, atau sampel, perwakilan populasi (Fowler 1988, Neuman 1994). Sebuah sampel mencerminkan populasi dari mana ia diambil, dengan berbagai tingkat akurasi, tergantung pada struktur sampel, ukuran, dan metode pemilihan yang digunakan (Fowler 1988, Babbie 1982, Neuman 1994).

Metode survei didefinisikan sebagai "snapshot dari praktek, situasi atau pandangan pada titik waktu tertentu, dilakukan dengan menggunakan kuesioner atau wawancara, dari mana kesimpulan dapat diambil.
dibuat” (Gallier 1992:153) [foto potret praktik, situasi atau pandangan pada titik waktu tertentu, diambil dengan menggunakan kuesioner atau wawancara, dari mana kesimpulan dapat dibuat]. Survei berkaitan dengan pengumpulan informasi tentang aspek-aspek tertentu dari studi dari sejumlah peserta dengan mengajukan pertanyaan (Fowler 1988). Kuesioner dan wawancara ini, yang meliputi wawancara telepon tatap muka dan wawancara terstruktur, juga merupakan teknik pengumpulan memberikan digunakan dalam survei (Blalock 1970, Nachmias dan Nachmias 1976, Fowler 1988), pengamatan dan analisis dapat digunakan (Gable 1994). Dari semua metode pengumpulan dewa ini memberikan, penggunaan kuesioner adalah teknik yang paling populer, karena memastikan bahwa i memberikan

dikumpulkan terstruktur dan diformat, dan dengan demikian memfasilitasi klasifikasi informasi (Hwang 1987, de Vaus 1991).

Dalam menganalisis i memberikan, strategi survei sering menggunakan teknik kuantitatif, seperti analisis statistik, tetapi teknik kualitatif juga dapat digunakan (Gallier 1992, Pervan

dan Klass 1992, Gable 1994). Biasanya, saya memberikan dikumpulkan digunakan untuk menganalisis distribusi dan pola asosiasi (Fowler 1988).

Meskipun survei umumnya cocok untuk penelusuran yang berkaitan dengan pertanyaan 'apa?' (apa) atau berasal dari itu, seperti 'quanto' (berapa banyak) dan 'quant'è' (berapa banyak), mereka dapat ditanyakan melalui pertanyaan 'mengapa' (Sonquist dan Dunkelberg 1977, Yin 1989). Menurut Sonquist dan Dunkelberg (1977), penyelidikan penelitian bertujuan keras hipotesis, program evaluasi, menggambarkan populasi dan mengembangkan model perilaku manusia. Selain itu, survei dapat digunakan untuk mempelajari pendapat, kondisi, kepercayaan, karakteristik, harapan, dan bahkan perilaku populasi tertentu di masa lalu atau sekarang (Neuman 1994).

Survei memungkinkan peneliti menemukan hubungan populasi dan hasilnya biasanya lebih umum daripada metode lain (Sonquist dan Dunkelberg 1977, Gable 1994). Survei memungkinkan peneliti untuk mencakup wilayah geografis yang lebih luas dan menjangkau sejumlah besar responden (Blalock 1970, Sonquist dan Dunkelberg 1977, Hwang dan Lin 1987, Gable 1994, Neuman 1994). Terakhir, survei dapat memberikan informasi yang tidak tersedia di tempat lain atau dalam bentuk yang diperlukan untuk analisis (Fowler 1988).

Namun, ada beberapa keterbatasan untuk melakukan survei. Kelemahannya adalah peneliti tidak dapat memperoleh banyak informasi tentang objek yang diteliti. Hal ini disebabkan fakta bahwa survei dilakukan hanya pada waktu tertentu dan, oleh karena itu, ada sejumlah variabel dan orang yang peneliti dapat lakukan.

belajar (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). Kelemahan lain adalah bahwa melakukan survei bisa sangat mahal dalam hal waktu dan sumber daya, terutama jika melibatkan wawancara tatap muka (Fowler 1988).

3.2.2. Metode Penelitian Inkuiri

Metode penelitian inkuiri melibatkan studi mendalam tentang situasi tertentu dalam konteks aktualnya selama periode waktu tertentu, tanpa intervensi apa pun dari pihak peneliti (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). Terutama metode ini digunakan untuk menggambarkan hubungan antara variabel yang sedang dipelajari dalam situasi tertentu (Galiers 1992). Investigasi dapat melibatkan satu atau beberapa kasus, tergantung pada fenomena yang dianalisis (Franz dan Robey 1987, Eisenhardt 1989, Yin 1989).

Metode penelitian inkuiri didefinisikan sebagai "inkuiri empiris yang menyelidiki fenomena kontemporer dalam konteks aktualnya, menggunakan banyak sumber yang diambil dari satu atau lebih entitas seperti orang, kelompok, atau organisasi" (Yin 1989). Tidak ada pemisahan yang jelas antara fenomena dan konteksnya dan tidak ada kontrol atau manipulasi eksperimental terhadap variabel (Yin 1989, Benbasat et al. 1987).

Ada berbagai teknik untuk mengumpulkan dewa memberikan yang dapat digunakan dalam metode inkuiri, yang meliputi observasi langsung, telaah catatan arsip, angket, telaah dokumentasi, dan wawancara terstruktur. Memiliki teknik pemanenan yang beragam memberikan, survei memungkinkan peneliti untuk menangani keduanya memberikan kualitatif dan kuantitatif pada saat yang sama (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). Seperti halnya dengan metode survei, seorang peneliti survei berfungsi sebagai pengamat atau peneliti dan bukan sebagai peserta aktif dalam organisasi yang diteliti.

Benbasat et al (1987) menegaskan bahwa metode inkuiri sangat cocok untuk konstruksi teori penelitian, yang dimulai dengan pertanyaan penelitian dan dilanjutkan dengan pelatihan.

teori selama proses pengumpulan memberikan. Menjadi juga cocok untuk panggung

dari teori bangunan, Franz dan Robey (1987) menyarankan bahwa metode inkuiri juga dapat digunakan untuk tahap teori yang kompleks. Dalam hal ini, berdasarkan bukti yang dikumpulkan, teori atau hipotesis tertentu diverifikasi atau dibantah. Selain itu, inkuiri juga cocok untuk penelitian yang berhubungan dengan pertanyaan 'bagaimana' atau 'mengapa' (Yin 1989).

Dibandingkan dengan metode lain, survei memungkinkan peneliti menangkap informasi penting secara lebih rinci (Galliers 1992, Shanks et al. 1993). Selain itu, investigasi memungkinkan peneliti untuk memahami sifat dan kompleksitas proses yang dipelajari (Benbasat et al. 1987).

Ada empat kelemahan utama yang terkait dengan metode inkuiri. Yang pertama adalah kurangnya deduksi yang terkontrol. Subjektivitas peneliti dapat mengubah hasil dan kesimpulan penelitian (Yin 1989). Kerugian kedua adalah kurangnya observasi terkontrol. Tidak seperti metode eksperimental, peneliti inkuiri tidak dapat mengendalikan fenomena yang dipelajari karena diperiksa dalam konteks alaminya (Gable 1994). Kerugian ketiga adalah kurangnya replikasi. Ini karena peneliti tidak mungkin mengamati kejadian yang sama, dan tidak dapat memverifikasi hasil penelitian tertentu (Lee 1989). Akhirnya, sebagai konsekuensi dari tidak dapat direplikasi, sulit untuk menggeneralisasi hasil yang diperoleh dari satu atau lebih survei (Galliers 1992, Shanks et al. 1993). Semua masalah ini, bagaimanapun, tidak dapat diatasi dan sebenarnya dapat diminimalkan oleh peneliti dengan menerapkan tindakan yang tepat (Lee 1989).

3.3. Membenarkan metodologi penelitian diadopsi

Dari dua kemungkinan metode penelitian untuk penelitian ini, metode survei dianggap paling cocok. Yang investigasi ditolak setelah pertimbangan yang cermat terkait

kelebihan dan kelemahan. Kenyamanan atau ketidaksesuaian masing-masing metode untuk penelitian ini dibahas di bawah ini.

3.3.1. Metode penelitian yang tidak tepat pertanyaan

Metode inkuiri membutuhkan studi mendalam tentang situasi tertentu dalam satu atau lebih organisasi selama periode waktu tertentu (Eisenhardt 1989). Dalam hal ini, periode dapat melebihi kerangka waktu yang diberikan untuk penelitian ini. Alasan lain untuk tidak mengadopsi metode inkuiri adalah bahwa hasilnya mungkin kurang teliti (Yin 1989). Subjektivitas peneliti dapat mempengaruhi hasil dan kesimpulan. Alasan lain adalah bahwa metode ini lebih cocok untuk pertanyaan penelitian jenis 'bagaimana' atau 'mengapa' (Yin 1989), sedangkan pertanyaan penelitian untuk penelitian ini adalah jenis 'apa'. Last but not least, sulit untuk menggeneralisasi temuan hanya dari satu atau beberapa survei (Galliers 1992, Shanks et al. 1993). Berdasarkan pemikiran tersebut, metode penelitian survei tidak dipilih karena tidak cocok untuk penelitian ini.

3.3.2. Kenyamanan metode pencarian penyelidikan

Saat penelitian ini dilakukan, praktik pergudangan data belum diadopsi secara luas oleh organisasi Australia. Oleh karena itu, tidak banyak informasi mengenai penerapannya dalam organisasi Australia. Informasi yang tersedia berasal dari organisasi yang telah menerapkan atau menggunakan a data warehouse. Dalam hal ini, metode penelitian survei adalah yang paling cocok karena memungkinkan diperolehnya informasi yang tidak tersedia di tempat lain atau dalam bentuk yang diperlukan untuk analisis (Fowler 1988). Selain itu, metode penelitian inkuiri memungkinkan peneliti memperoleh wawasan yang baik ke dalam praktik, situasi, atau pandangan pada waktu tertentu (Galliers 1992, Denscombe 1998). Gambaran umum diminta untuk meningkatkan kesadaran akan pengalaman pergudangan data Australia.

Lebih lanjut, Sonquist dan Dunkelberg (1977) menyatakan bahwa hasil penelitian survei bersifat lebih umum dibandingkan dengan metode lainnya.

3.4. Desain Penelitian Survei

Survei praktik pergudangan data dilakukan pada tahun 1999. Populasi target terdiri dari organisasi Australia yang tertarik dengan studi pergudangan data, karena mereka mungkin sudah mengetahui memberikan yang mereka simpan dan, oleh karena itu, dapat memberikan informasi yang berguna untuk penelitian ini. Populasi target diidentifikasi dengan survei awal dari semua anggota Australia dari 'The Data Warehousing Institute' (Tdwi-aap). Bagian ini membahas rancangan fase penelitian empiris dari penelitian ini.

3.4.1. Teknik pengumpulan memberikan

Dari tiga teknik yang biasa digunakan dalam penelitian survei (yaitu kuesioner surat, wawancara telepon dan wawancara pribadi) (Nachmias 1976, Fowler 1988, de Vaus 1991), kuesioner surat diadopsi untuk penelitian ini. Alasan pertama untuk mengadopsi yang terakhir adalah dapat menjangkau populasi yang tersebar secara geografis (Blalock 1970, Nachmias dan Nachmias 1976, Hwang dan Lin 1987, de Vaus 1991, Gable 1994). Kedua, kuesioner surat cocok untuk peserta berpendidikan tinggi (Fowler 1988). Kuesioner surat untuk penelitian ini ditujukan kepada sponsor proyek pergudangan data, direktur dan/atau manajer proyek. Ketiga, kuesioner pos sesuai jika tersedia daftar alamat yang aman (Salant dan Dilman 1994). TDWI, dalam hal ini, asosiasi pergudangan data tepercaya menyediakan milis anggotanya di Australia. Keuntungan lain dari kuesioner melalui surat dibandingkan kuesioner telepon atau wawancara pribadi adalah memungkinkan responden untuk merespons lebih akurat, terutama ketika responden perlu berkonsultasi dengan catatan atau mendiskusikan pertanyaan dengan orang lain (Fowler 1988).

Kerugian potensial mungkin adalah waktu yang diperlukan untuk melakukan kuesioner melalui surat. Biasanya, kuesioner surat dilakukan dalam urutan ini: surat surat, menunggu tanggapan, dan mengirim konfirmasi (Fowler 1988, Bainbridge 1989). Dengan demikian, total waktu mungkin lebih lama dari waktu yang dibutuhkan untuk wawancara tatap muka atau wawancara telepon. Namun total waktunya dapat diketahui sebelumnya (Fowler 1988, Denscombe 1998). Waktu yang dihabiskan untuk melakukan wawancara pribadi tidak dapat diketahui sebelumnya karena bervariasi dari satu wawancara ke wawancara lainnya (Fowler 1988). Wawancara telepon bisa lebih cepat daripada kuesioner surat dan wawancara pribadi tetapi dapat memiliki tingkat tidak terjawab yang tinggi karena tidak tersedianya beberapa orang (Fowler 1988). Selain itu, wawancara telepon umumnya terbatas pada daftar pertanyaan yang relatif pendek (Bainbridge 1989).

Kelemahan lain dari kuesioner yang dikirimkan adalah tingginya tingkat non-respons (Fowler 1988, Bainbridge 1989, Neuman 1994). Namun, penanggulangan diambil dengan menghubungkan penelitian ini dengan lembaga pergudangan data terpercaya (yaitu TDWI) (Bainbridge 1989, Neuman 1994), yang mengeluarkan dua surat pengingat untuk non-responden (Fowler 1988, Neuman 1994) dan juga menyertakan surat tambahan yang menjelaskan tujuan penelitian (Neuman 1994).

3.4.2. Satuan analisis

Tujuan dari studi ini adalah untuk mendapatkan informasi tentang implementasi data warehousing dan penggunaannya dalam organisasi Australia. Populasi sasaran adalah semua organisasi Australia yang telah menerapkan, atau sedang menerapkan, i data warehouse. Masing-masing organisasi kemudian didaftarkan. Kuesioner dikirimkan ke organisasi yang tertarik untuk mengadopsi data warehouse. Metode ini memastikan bahwa informasi yang dikumpulkan berasal dari sumber daya yang paling sesuai dari setiap organisasi yang berpartisipasi.

3.4.3. Sampel survei

Milis peserta survei diperoleh dari TDWI. Dari daftar ini, 3000 organisasi Australia dipilih sebagai dasar pengambilan sampel. Surat tindak lanjut yang menjelaskan proyek dan tujuan survei, bersama dengan formulir tanggapan dan amplop prabayar untuk mengembalikan kuesioner yang telah diisi dikirim ke sampel. Dari 3000 organisasi, 198 setuju untuk berpartisipasi dalam penelitian ini. Sejumlah kecil tanggapan diharapkan dato sejumlah besar organisasi Australia yang kemudian memeluk atau merangkul strategi pergudangan data dalam organisasi mereka. Dengan demikian, populasi sasaran penelitian ini hanya terdiri dari 198 organisasi.

3.4.4. Isi kuesioner

Desain kuesioner didasarkan pada model pergudangan data Monash (dibahas sebelumnya di bagian 2.3). Isi kuesioner didasarkan pada tinjauan pustaka yang disajikan dalam Bab 2. Salinan kuesioner yang dikirimkan kepada peserta survei dapat ditemukan di Lampiran B. Kuesioner terdiri dari enam bagian, yang mengikuti langkah-langkah model yang dibahas . Enam paragraf berikut meringkas secara singkat isi dari setiap bagian.

Bagian A: Informasi dasar tentang organisasi
Bagian ini berisi pertanyaan yang berkaitan dengan profil organisasi yang berpartisipasi. Selain itu, beberapa pertanyaan terkait dengan status proyek pergudangan data peserta. Informasi rahasia seperti nama organisasi tidak diungkapkan dalam analisis survei.

Bagian B: Mulai
Pertanyaan di bagian ini terkait dengan memulai pergudangan data. Pertanyaan diajukan mengenai pemrakarsa proyek, sponsor, keterampilan dan pengetahuan yang dibutuhkan, tujuan pengembangan pergudangan data dan harapan pengguna akhir.

Bagian C: Desain
Bagian ini memuat pertanyaan-pertanyaan yang berkaitan dengan kegiatan perencanaan data warehouse. Secara khusus, pertanyaannya adalah tentang ruang lingkup implementasi, durasi proyek, biaya proyek dan analisis biaya/manfaat.

Bagian D: Pengembangan
Pada bagian pengembangan terdapat pertanyaan yang berkaitan dengan kegiatan pengembangan data warehouse: kumpulan kebutuhan pengguna akhir, sumber dari memberikan, model logis dari memberikan, prototipe, perencanaan kapasitas, arsitektur teknis, dan pemilihan alat pengembangan pergudangan data.

Bagian E: Operasi
Pertanyaan operasional terkait dengan operasi dan ekstensibilitas dari data warehouse, karena berkembang pada tahap perkembangan berikutnya. Di sana kualitas data, strategi penyegaran dari memberikan, perincian dari memberikan, skalabilitas dari data warehouse dan masalah keamanan data warehouse termasuk jenis pertanyaan yang diajukan.

Bagian F: Pengembangan
Bagian ini berisi pertanyaan yang berkaitan dengan penggunaan data warehouse oleh pengguna akhir. Peneliti tertarik pada tujuan dan kegunaan dari data warehouse, strategi peninjauan dan pelatihan yang diadopsi dan strategi pengendalian data warehouse diadopsi.

3.4.5. Tingkat respons

Meskipun survei surat dikritik karena memiliki tingkat tanggapan yang rendah, langkah-langkah telah diambil untuk meningkatkan tingkat pengembalian (seperti dibahas di bagian 3.4.1). Istilah 'tingkat respons' mengacu pada persentase orang dalam sampel survei tertentu yang merespons kuesioner (Denscombe 1998). Rumus berikut digunakan untuk menghitung tingkat respons untuk penelitian ini:

Jumlah orang yang merespons
Response rate = —————————————————————————– X 100 Total jumlah kuesioner yang dikirim

3.4.6. Tes pilot

Sebelum kuesioner dikirim ke sampel, pertanyaan diuji dengan melakukan uji coba percontohan, seperti yang disarankan oleh Luck dan Rubin (1987), Jackson (1988), dan de Vaus (1991). Tujuan uji coba percontohan adalah untuk mengungkap ekspresi canggung, ambigu, dan pertanyaan yang sulit ditafsirkan, untuk mengklarifikasi definisi dan istilah yang digunakan, dan untuk mengidentifikasi perkiraan waktu yang diperlukan untuk menyelesaikan kuesioner (Warwick dan Lininger 1975, Jackson 1988, Salant dan Dilman 1994). Uji coba percontohan dilakukan dengan memilih subjek dengan karakteristik yang mirip dengan subjek akhir, seperti yang disarankan oleh Davis e Cosenza (1993). Dalam penelitian ini, enam profesional pergudangan data dipilih sebagai subjek percontohan. Setelah setiap uji coba, koreksi yang diperlukan dilakukan. Dari uji coba yang dilakukan, para peserta berkontribusi untuk merombak dan mengatur ulang versi final kuesioner.

3.4.7. Metode Analisis Dari Memberikan

I memberikan Data survei yang dikumpulkan dari kuesioner tertutup dianalisis menggunakan paket perangkat lunak statistik yang disebut SPSS. Banyak tanggapan dianalisis menggunakan statistik deskriptif. Sejumlah kuesioner kembali tidak lengkap. Ini telah diperlakukan lebih hati-hati untuk memastikan bahwa i memberikan hilang bukan karena kesalahan entri data, tetapi karena pertanyaan tidak cocok untuk pendaftar, atau pendaftar memutuskan untuk tidak menjawab satu atau beberapa pertanyaan tertentu. Jawaban yang hilang ini diabaikan saat menguraikan data memberikan dan diberi kode '-9' untuk memastikan pengecualian mereka dari proses analisis.

Dalam menyiapkan kuesioner, pertanyaan tertutup diberi kode sebelumnya dengan memberikan nomor pada setiap opsi. Nomor tersebut kemudian digunakan untuk melatih i memberikan selama analisis (Denscombe 1998, Sapsford dan Jupp 1996). Misalnya, ada enam opsi yang tercantum dalam pertanyaan 1 bagian B: dewan direksi, eksekutif senior, departemen TI, unit bisnis, konsultan, dan lainnya. Dalam file dari memberikan SPSS, sebuah variabel dihasilkan untuk 'inisiator proyek', dengan enam label nilai: '1' untuk 'papan', '2' untuk 'eksekutif senior', dan seterusnya Street. Penggunaan skala Likertin di beberapa pertanyaan tertutup juga memungkinkan identifikasi yang mudah dengan menggunakan nilai numerik yang sesuai yang dimasukkan ke dalam SPSS. Untuk pertanyaan dengan jawaban tidak lengkap, yang tidak eksklusif satu sama lain, setiap opsi diperlakukan sebagai satu variabel dengan dua label nilai: '1 ' untuk 'dicentang' dan '2 ' untuk 'tidak dicentang'.

Pertanyaan terbuka diperlakukan berbeda dari pertanyaan tertutup. Jawaban atas pertanyaan tersebut belum dimasukkan ke dalam SPSS. Sebaliknya, mereka dianalisis dengan tangan. Penggunaan jenis pertanyaan ini memungkinkan untuk memperoleh informasi tentang ide-ide yang diungkapkan secara bebas dan pengalaman pribadi responden (Bainbridge 1989, Denscombe 1998). Jika memungkinkan, kategorisasi tanggapan dibuat.

Untuk analisis dari memberikanmetode analisis statistik sederhana digunakan, seperti frekuensi tanggapan, mean, standar deviasi dan median (Argyrous 1996, Denscombe 1998).
Tes Gamma dilakukan untuk mendapatkan ukuran kuantitatif dari hubungan antara memberikan ordinal (Norusis 1983, Argyrous 1996). Uji ini sesuai karena skala ordinal yang digunakan tidak memiliki banyak kategori dan dapat ditampilkan dalam bentuk tabel (Norusis 1983).

3.5 Sommari

Dalam bab ini, metodologi penelitian dan desain diadopsi untuk penelitian ini dibahas.

Memilih metode penelitian yang paling tepat untuk studi tertentu
pertimbangan sejumlah aturan, termasuk sifat dan jenis penelitian, serta kelebihan dan kelemahan dari setiap metode yang mungkin (Jenkins 1985, Benbasat et al. 1097, Galliers dan Land 1987, yin 1989, Hamilton dan ives 1992, Galliers 1992, neuman 1994). Mengingat kurangnya pengetahuan dan teori yang ada mengenai adopsi pergudangan data di Australia, studi penelitian ini membutuhkan metode penelitian interpretatif dengan kemampuan eksplorasi untuk mengeksplorasi pengalaman organisasi Australia. Metode penelitian yang dipilih dipilih untuk mengumpulkan informasi mengenai penerapan konsep pergudangan data oleh organisasi Australia. Kuesioner pos dipilih sebagai teknik pengumpulan memberikan. Pembenaran untuk metode penelitian dan teknik pengumpulan memberikan pilihan akan diberikan dalam bab ini. Selanjutnya dipaparkan pembahasan mengenai unit analisis, sampel yang digunakan, persentase jawaban, isi kuesioner, pre-test kuesioner dan metode analisis kuesioner. memberikan.

Merancang a Gudang data:

Menggabungkan Hubungan Entitas dan Pemodelan Dimensi

ABSTRAK
toko i memberikan adalah masalah utama saat ini bagi banyak organisasi. Masalah utama dalam pengembangan pergudangan memberikan itu adalah desainnya.
Gambar harus mendukung pendeteksian konsep dalam data warehouse ke sistem warisan dan sumber lain dari memberikan serta kemudahan pemahaman dan efisiensi dalam pelaksanaannya data warehouse.
Banyak literatur pergudangan memberikan merekomendasikan penggunaan pemodelan hubungan entitas atau pemodelan dimensi untuk mewakili desain data warehouse.
Dalam makalah ini kami menunjukkan bagaimana kedua representasi dapat digabungkan dalam pendekatan desain data warehouse. Pendekatan yang digunakan adalah sistematis

diperiksa dalam studi kasus dan diidentifikasi dalam sejumlah implikasi penting dengan para profesional.

PERGUDANGAN DATA

Un data warehouse itu biasanya didefinisikan sebagai "pengumpulan data yang berorientasi subjek, terintegrasi, time-variant, dan nonvolatile untuk mendukung keputusan manajemen" (Inmon dan Hackathorn, 1994). Berorientasi subjek dan terintegrasi menunjukkan bahwa data warehouse dirancang untuk melintasi batas fungsional sistem warisan untuk menawarkan perspektif terintegrasi memberikan.
Time-variant berkaitan dengan sifat historis atau time-series dari video memberikan di data warehouse, yang memungkinkan tren untuk dianalisis. Non-volatile menunjukkan bahwa data warehouse itu tidak terus diperbarui seperti a Database dari OLTP. Melainkan diperbarui secara berkala, dengan memberikan dari sumber internal dan eksternal. Itu data warehouse itu secara khusus dirancang untuk penelitian daripada memperbarui integritas dan kinerja operasi.
Gagasan menyimpan i memberikan bukanlah hal baru, itu adalah salah satu tujuan manajemen memberikan sejak tahun enam puluhan (Il Martin, 1982).
I data warehouse mereka menawarkan infrastruktur memberikan untuk sistem pendukung manajemen. Sistem pendukung manajemen termasuk sistem pendukung keputusan (DSS) dan sistem informasi eksekutif (EIS). DSS adalah sistem informasi berbasis komputer yang dirancang untuk meningkatkan proses dan akibatnya pengambilan keputusan manusia. EIS biasanya merupakan sistem pengiriman memberikan yang memungkinkan eksekutif bisnis untuk dengan mudah mengakses tampilan memberikan.
Arsitektur umum a data warehouse menyoroti peran dari data warehouse dalam dukungan manajemen. Selain menawarkan infrastruktur memberikan untuk EIS dan DSS, al data warehouse itu dapat diakses langsung melalui kueri. ITU memberikan termasuk dalam a data warehouse didasarkan pada analisis persyaratan informasi manajemen dan diperoleh dari tiga sumber: sistem warisan internal, sistem pengambilan data tujuan khusus, dan sumber data eksternal. ITU memberikan dalam sistem warisan internal seringkali redundan, tidak konsisten, berkualitas rendah, dan disimpan dalam format yang berbeda sehingga harus direkonsiliasi dan dibersihkan sebelum dapat dimuat ke dalam

data warehouse (Inmon, 1992; McFadden, 1996). ITU memberikan dari sistem penyimpanan memberikan ad hoc dan dari sumber memberikan external sering digunakan untuk augment (update, replace) i memberikan dari sistem warisan.

Ada banyak alasan kuat untuk mengembangkan a data warehouse, yang mencakup pengambilan keputusan yang lebih baik melalui penggunaan lebih banyak informasi secara efektif (Ives 1995), dukungan untuk fokus pada keseluruhan urusan (Graham 1996), dan pengurangan biaya pengambilan keputusan memberikan untuk EIS dan DSS (Graham 1996, McFadden 1996).

Studi empiris baru-baru ini menemukan, rata-rata, laba atas investasi untuk i data warehouse sebesar 401% setelah tiga tahun (Graham, 1996). Namun, studi empiris lainnya tentang data warehouse menemukan masalah yang signifikan termasuk kesulitan dalam mengukur dan mengalokasikan manfaat, kurangnya tujuan yang jelas, meremehkan ruang lingkup dan kompleksitas proses penyimpanan memberikan, terutama mengenai sumber dan kebersihannya memberikan. toko i memberikan dapat dianggap sebagai solusi untuk masalah manajemen memberikan antar organisasi. Manipulasi dari memberikan sebagai sumber daya sosial tetap menjadi salah satu masalah utama dalam mengelola sistem informasi di seluruh dunia selama bertahun-tahun (Brancheau et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993).

Pendekatan populer untuk manajemen aset memberikan pada tahun delapan puluhan adalah pengembangan model memberikan sosial. Model memberikan social dirancang untuk menawarkan dasar yang stabil untuk pengembangan sistem aplikasi baru e Database dan rekonstruksi dan integrasi sistem warisan (Brancheau et al.

1989, Goodhue dkk. 1988:1992, Kim dan Everest 1994). Namun, ada beberapa masalah dengan pendekatan ini, khususnya kompleksitas dan biaya setiap tugas, dan waktu yang lama diperlukan untuk mencapai hasil yang nyata (Beynon-Davies 1994, Earl 1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997 ).

Il data warehouse itu adalah database terpisah yang ada bersama dengan database lama daripada menggantikannya. Oleh karena itu memungkinkan Anda untuk mengarahkan pengelolaan memberikan dan menghindari pembangunan kembali sistem warisan yang mahal.

PENDEKATAN YANG ADA PADA DESAIN DATA

GUDANG

Proses membangun dan menyempurnakan a data warehouse harus dipahami lebih sebagai proses evolusi daripada siklus hidup pengembangan sistem tradisional (Desio, 1995, Shanks, O'Donnell dan Arnott 1997a). Ada banyak proses yang terlibat dalam sebuah proyek data warehouse seperti inisialisasi, penjadwalan; informasi yang diperoleh dari persyaratan yang diminta dari manajer perusahaan; sumber, transformasi, pembersihan memberikan dan sinkronkan dari sistem lawas dan sumber lainnya memberikan; sistem pengiriman dalam pengembangan; pemantauan dari data warehouse; dan kesia-siaan proses evolusi dan pembangunan a data warehouse (Stinchi, O'Donnell dan Arnott 1997b). Dalam jurnal ini, kami fokus pada cara menggambar i memberikan disimpan dalam konteks proses lain ini. Ada sejumlah pendekatan yang diusulkan untuk arsitektur video data warehouse dalam literatur (Inmon 1994, Ives 1995, Kimball 1994, McFadden 1996). Masing-masing metodologi ini memiliki ulasan singkat dengan analisis kekuatan dan kelemahannya.

Pendekatan Inmon (1994) untuk Gudang data Mendesain

Inmon (1994) mengusulkan empat langkah berulang untuk merancang a data warehouse (lihat Gambar 2). Langkah pertama adalah mendesain template memberikan sosial untuk memahami bagaimana i memberikan dapat diintegrasikan lintas area fungsional dalam suatu organisasi dengan membagi i memberikan simpan di daerah. Model memberikan itu dibuat untuk penyimpanan memberikan berkaitan dengan pengambilan keputusan, termasuk memberikan sejarah, dan termasuk memberikan dikurangi dan dijumlahkan. Langkah kedua adalah mengidentifikasi bidang studi untuk implementasi. Ini didasarkan pada prioritas yang ditentukan oleh organisasi tertentu. Langkah ketiga melibatkan menggambar a Database untuk bidang subjek, berikan perhatian khusus untuk menyertakan tingkat perincian yang sesuai. Inmon merekomendasikan penggunaan model entitas dan relasi. Langkah keempat adalah mengidentifikasi sistem sumber memberikan diperlukan dan mengembangkan proses transformasi untuk menangkap, membersihkan dan memformat i memberikan.

Kekuatan pendekatan Inmon adalah modelnya memberikan sosial menawarkan dasar untuk integrasi memberikan dalam organisasi dan dukungan perencanaan untuk pengembangan iteratif data warehouse. Kelemahannya adalah kesulitan dan biaya merancang model memberikan sosial, kesulitan dalam memahami model entitas dan hubungan yang digunakan dalam kedua model tersebut, yaitu memberikan sosial dan itu memberikan disimpan oleh area subjek, dan kesesuaian dari memberikan dari menggambar data warehouse untuk terwujudnya Database relasional tetapi tidak untuk Database multidimensi.

Pendekatan Ives (1995) terhadap Gudang data Mendesain

Ives (1995) mengusulkan pendekatan empat langkah untuk merancang sistem informasi yang ia yakini dapat diterapkan pada desain sistem informasi. data warehouse (lihat Gambar 3). Pendekatannya sangat didasarkan pada Rekayasa Informasi untuk pengembangan sistem informasi (Martin 1990). Langkah pertama adalah menentukan tujuan, keberhasilan dan faktor kritis, serta indikator kinerja utama. Proses bisnis utama dan informasi yang diperlukan dimodelkan untuk mengarahkan kita ke model memberikan sosial. Langkah kedua melibatkan pengembangan arsitektur yang menentukan memberikan disimpan berdasarkan wilayah, Database di data warehouse, komponen teknologi yang diperlukan, rangkaian dukungan organisasi yang diperlukan untuk mengimplementasikan dan mengoperasikannya data warehouse. Langkah ketiga mencakup pemilihan paket dan alat perangkat lunak yang diperlukan. Langkah keempat adalah desain rinci dan konstruksi dari data warehouse. Ives mencatat toko itu memberikan itu adalah proses iteratif yang dibatasi.

Kekuatan pendekatan Ives adalah penggunaan spesifikasi teknis untuk menentukan persyaratan informasi, penggunaan proses terstruktur untuk mendukung integrasi data warehouse, pemilihan perangkat keras dan perangkat lunak yang sesuai, dan penggunaan beberapa teknik representasi untuk data warehouse. Kekurangannya melekat dalam kompleksitas. Lainnya termasuk kesulitan mengembangkan banyak tingkatan Database dalam data warehouse dalam waktu dan biaya yang wajar.

Pendekatan Kimball (1994) untuk Gudang data Mendesain

Kimball (1994) mengusulkan lima langkah berulang untuk merancang a data warehouse (lihat Gambar 4). Pendekatannya secara khusus didedikasikan untuk menggambar solo data warehouse dan pada penggunaan model dimensi dalam preferensi untuk model entitas dan hubungan. Kimball menganalisis model dimensi tersebut karena lebih mudah bagi pemimpin bisnis untuk memahami bisnis, lebih efisien saat menangani konsultasi yang kompleks, dan desain Database fisik lebih efisien (Kimball 1994). Kimball mengakui bahwa mengembangkan a data warehouse iteratif, dan itu data warehouse dipisahkan dapat diintegrasikan melalui pembagian ke dalam tabel dimensi umum.

Langkah pertama adalah mengidentifikasi bidang studi tertentu yang akan disempurnakan. Langkah kedua dan ketiga melibatkan pembentukan dimensi. Pada langkah kedua langkah-langkah mengidentifikasi hal-hal yang menarik di bidang subjek dan mengelompokkannya ke dalam tabel fakta. Misalnya, dalam area subjek penjualan, ukuran bunga mungkin mencakup jumlah item yang terjual dan dolar sebagai mata uang penjualan. Langkah ketiga melibatkan identifikasi dimensi yang merupakan cara di mana fakta dapat dikelompokkan. Di area subjek penjualan, dimensi yang relevan mungkin mencakup item, lokasi, dan jangka waktu. Tabel fakta memiliki kunci multi-bagian untuk menautkannya ke setiap tabel dimensi dan biasanya berisi sejumlah besar fakta. Sebaliknya, tabel dimensi berisi informasi deskriptif tentang dimensi dan atribut lain yang dapat digunakan untuk mengelompokkan fakta. Tabel fakta dan dimensi terkait yang diusulkan membentuk apa yang disebut skema bintang karena bentuknya. Langkah keempat melibatkan membangun a Database multidimensi untuk menyempurnakan pola bintang. Langkah terakhir adalah mengidentifikasi sistem sumber memberikan diperlukan dan mengembangkan proses transformasi untuk menangkap, membersihkan dan memformat i memberikan.

Kekuatan pendekatan Kimball meliputi penggunaan model dimensi untuk merepresentasikan i memberikan disimpan yang membuatnya mudah dipahami dan mengarah ke desain fisik yang efisien. Model dimensi yang juga siap menggunakan kedua sistem Database relasional dapat disempurnakan atau sistem Database multidimensi. Kelemahannya termasuk kurangnya beberapa teknik untuk memfasilitasi perencanaan atau integrasi dari banyak skema bintang dalam a data warehouse dan kesulitan mendesain dari struktur denormalisasi ekstrim dalam model dimensi a memberikan dalam sistem warisan.

Pendekatan Data McFadden (1996). Desain Gudang

McFadden (1996) mengusulkan pendekatan lima langkah untuk menggambar a data warehouse (lihat Gambar 5).
Pendekatannya didasarkan pada sintesis ide dari literatur dan difokuskan pada desain tunggal data warehouse. Langkah pertama melibatkan analisis kebutuhan. Sementara spesifikasi teknis tidak ditentukan, catatan McFadden mengidentifikasi entitas memberikan spesifikasi dan atributnya, dan merujuk pembaca Watson dan Frolick (1993) untuk menangkap persyaratan.
Pada langkah kedua, model hubungan entitas dibuat data warehouse dan kemudian divalidasi oleh eksekutif perusahaan. Langkah ketiga melibatkan penentuan pemetaan dari sistem warisan dan sumber eksternal data warehouse. Langkah keempat melibatkan proses dalam pengembangan, penerapan, dan sinkronisasi memberikan di data warehouse. Pada langkah terakhir, penyampaian sistem dikembangkan dengan penekanan pada antarmuka pengguna. McFadden mencatat bahwa proses menggambar umumnya berulang.

Kekuatan pendekatan McFadden adalah keterlibatan pemimpin bisnis dalam menentukan persyaratan serta pentingnya sumber daya memberikanpembersihan dan pengumpulan mereka. Kekurangannya adalah kurangnya proses untuk membagi proyek besar data warehouse dalam banyak tahap terintegrasi, dan di sana

kesulitan memahami entitas dan model hubungan yang digunakan dalam desain data warehouse.

Tidak hanya mereka yang dekat dengan kita yang memilih kita.