Gagnahús og auðlindaáætlun fyrirtækja | DWH og ERP

SKJALASAFN GÖGN CENTRAL: SAGA ED ÞRÓUN

Tvö ráðandi þemu fyrirtækjatækninnar á tíunda áratugnum voru m.a gagnageymsla og ERP. Í langan tíma hafa þessir tveir öflugu straumar verið hluti af upplýsingatækni fyrirtækja án þess að hafa nokkurn tíma gatnamót. Það var næstum eins og þeir væru efni og and-efni. En vöxtur beggja fyrirbæra hefur óhjákvæmilega leitt til þess að þau skerast. Í dag standa fyrirtæki frammi fyrir því vandamáli hvað á að gera við ERP og gagnageymsla. Þessi grein mun útskýra hver vandamálin eru og hvernig þeim er brugðist við af fyrirtækjum.

Í BYRJUN…

Í upphafi var gagnageymsla. Gagnageymsla það fæddist til að vinna gegn umsóknarkerfi viðskiptavinnslu. Í árdaga minnið á dati það átti að vera bara mótvægi við umsóknir um vinnslu færslu. En nú á dögum eru miklu flóknari sýn á hvað a gagnageymsla. Í heiminum í dag er gagnageymsla það er sett inn í mannvirki sem kalla má upplýsingaverksmiðju fyrirtækja.

FYRIRTÆKJAUPPLÝSINGASMIÐJA (CIF)

Fyrirtækjaupplýsingaverksmiðjan hefur staðlaða byggingarhluta: kóðasamþættingu og umbreytingarlag sem samþættir m.a dati meðan ég dati þeir fara úr umsóknarumhverfinu yfir í umhverfið gagnageymsla félagsins; a gagnageymsla fyrirtækisins þar sem dati ítarlegum og samþættum sagnfræðingum. The gagnageymsla fyrirtækisins þjónar sem grunnur sem hægt er að byggja alla aðra hluta umhverfisins á gagnageymsla; rekstrargagnageymslu (ODS). ODS er blendingsbygging sem inniheldur einhvern þátt af gagnageymsla og aðrir þættir OLTP umhverfisins; gagnamars, þar sem mismunandi deildir geta haft sína eigin útgáfu af gagnageymsla; a gagnageymsla könnun þar sem hugsuðir fyrirtækja geta sent inn 72 tíma fyrirspurnir sínar án skaðlegra áhrifa á gagnageymsla; og nærlínuminni, þar sem dati gamall og dati Hægt er að geyma magnupplýsingar á ódýran hátt.

HVAR SAMMENNINGAR ERP MEÐ FYRIRTÆKJAUPPLÝSINGASMIÐJA

ERP sameinast Corporate Information Factory á tveimur stöðum. Fyrst og fremst sem grunnforrit sem veitir m.a dati umsóknarinnar til gagnageymsla. Í þessu tilviki i dati, sem myndast sem aukaafurð viðskiptaferlis, eru samþætt og hlaðin inn í gagnageymsla félagsins. Önnur hlekkurinn á milli ERP og CIF er ODS. Reyndar, í mörgum umhverfi er ERP notað sem klassískt ODS.

Ef ERP er notað sem grunnforrit er einnig hægt að nota sama ERP í CIF sem ODS. Í öllum tilvikum, ef nota á ERP í báðum hlutverkum, verður að vera skýr greinarmunur á milli þessara tveggja eininga. Með öðrum orðum, þegar ERP gegnir hlutverki grunnforrits og ODS, verður að greina á milli byggingareininganna tveggja. Ef ein útfærsla á ERP reynir að uppfylla bæði hlutverkin samtímis verða óhjákvæmilega vandamál við hönnun og útfærslu á þeirri uppbyggingu.

AÐSKILD STJÓRNAR OG GRUNNLEININGAR

Það eru margar ástæður sem leiða til skiptingar byggingarhluta. Kannski er það helsta atriðið við að aðgreina mismunandi þætti byggingarlistar að hver hluti byggingarlistarinnar hefur sína eigin skoðun. Grunnforritið þjónar öðrum tilgangi en ODS. Reyndu að skarast

grunnlínu umsóknarsýn á heim ODS eða öfugt er ekki sanngjörn leið til að vinna.

Þar af leiðandi er fyrsta vandamál ERP í CIF að sannreyna hvort það sé greinarmunur á grunnlínuforritum og ODS.

Gagnalíkön í fyrirtækinu UPPLÝSINGASMIÐJA

Til að ná samheldni milli mismunandi þátta CIF arkitektúrsins verður að vera fyrirmynd af dati. Líkönin af dati þau þjóna sem tengill milli hinna ýmsu þátta arkitektúrsins eins og grunnlínuforritanna og ODS. Líkönin af dati þau verða „vitsmunalega vegakortið“ til að fá rétta merkingu frá mismunandi byggingarþáttum CIF.

Samhliða þessari hugmynd er hugmyndin að það eigi að vera eitt stórt og eitt mynstur dati. Augljóslega verður að vera til mynstur dati fyrir hvern íhlut og ennfremur verður að vera skynsamleg leið sem tengir mismunandi gerðir. Hver hluti arkitektúrsins - ODS, grunnlínuforrit, gagnageymsla fyrirtækisins, og svo framvegis.. – þarf sitt eigið líkan af dati. Og svo þarf að vera nákvæm skilgreining á því hvernig þessi líkön af dati þeir tengjast hver öðrum.

FLYTTA I GÖGN ERP Í GÖGNUM Vöruhús

Ef uppruni dati er grunnlínuforrit og/eða ODS, þegar ERP setur inn i dati í gagnageymsla, verður þessi innsetning að eiga sér stað á lægsta stigi "kornunar". Einfaldlega rifja upp eða safna saman i dati þegar þeir koma út úr ERP grunnlínuforritinu eða ERP ODS er ekki rétt að gera. THE dati upplýsingar eru nauðsynlegar í gagnageymsla til að leggja grunninn að DSS ferlinu. Svona dati þau verða endurmótuð á margan hátt með gagnamars og könnun gagnageymsla.

Flutningur á dati frá ERP grunnlínu umsóknarumhverfinu til gagnageymsla félagsins er gert með sæmilega slaka hætti. Þessi hreyfing á sér stað um það bil 24 klukkustundum eftir uppfærslu eða stofnun í ERP. Sú staðreynd að hafa "latur" hreyfingu á dati í gagnageymsla félagsins leyfir dati koma frá ERP til að "setjast". Einu sinni i dati eru geymdar í grunnlínuforritinu, þá geturðu örugglega fært dati af ERP í fyrirtækinu. Annað markmið sem hægt er að ná þökk sé "leti" hreyfingu dati er skýr afmörkun milli rekstrarferla og DSS. Með „hröðri“ hreyfingu á dati mörkin milli DSS og aðgerða eru enn óljós.

Hreyfingin á dati frá ODS ERP til gagnageymsla félagsins er gert reglulega, venjulega vikulega eða mánaðarlega. Í þessu tilviki hreyfing á dati það er byggt á þörfinni á að "hreinsa" þá gömlu dati sagnfræðingar. Auðvitað inniheldur ODS i dati sem eru miklu nýrri en dati sagnfræðingar sem finnast í gagnageymsla.

Flutningur á dati í gagnageymsla það er nánast aldrei gert "heildsölu" (á heildsala hátt). Afritaðu töflu úr ERP umhverfi til gagnageymsla það er ekkert vit í því. Miklu raunsærri nálgun er að færa valdar einingar af dati. Aðeins dati sem hafa breyst frá síðustu uppfærslu á gagnageymsla eru þær sem ætti að flytja inn í gagnageymsla. Ein leið til að vita hvaða dati hafa breyst frá síðustu uppfærslu er að skoða tímastimpla á dati finnast í ERP umhverfinu. Hönnuður velur allar breytingar sem hafa átt sér stað frá síðustu uppfærslu. Önnur aðferð er að nota tækni til að fanga breytingar dati. Með þessum aðferðum eru annálar og dagbókarspólur greindar til að ákvarða hvaða dati verður að færa úr ERP umhverfinu yfir í það gagnageymsla. Þessar aðferðir eru bestar þar sem hægt er að lesa annála og dagbókarspólur úr ERP skrám án frekari áhrifa á önnur ERP auðlindir.

AÐRAR KVIKKYNNINGAR

Eitt af ERP vandamálunum í CIF er það sem gerist með öðrum forritaheimildum eða ai dati af ODS sem þeir þurfa að leggja sitt af mörkum til gagnageymsla en þeir eru ekki hluti af ERP umhverfinu. Í ljósi lokaðs eðlis ERP, sérstaklega SAP, reynir að samþætta lykla frá utanaðkomandi aðilum dati við i dati sem koma frá ERP þegar flutt er i dati í gagnageymsla, það er mikil áskorun. Og hverjar eru nákvæmlega líkurnar á því að i dati af forritum eða ODS utan ERP umhverfisins verður samþætt í gagnageymsla? Líkurnar eru reyndar mjög miklar.

FINNA GÖGN SÖGULEGT FRÁ ERP

Annað vandamál með i dati ERP er það sem stafar af þörfinni á að hafa dati sagnfræðingar innan gagnageymsla. Venjulega er gagnageymsla þarfir dati sagnfræðingar. Og ERP tækni geymir þetta venjulega ekki dati sögulegt, að minnsta kosti ekki að því marki sem það er nauðsynlegt í gagnageymsla. Þegar mikið magn af dati logs byrja að bætast upp í ERP umhverfinu, það umhverfi þarf að hreinsa upp. Segjum til dæmis að a gagnageymsla ætti að vera hlaðinn með fimm árum af dati sögulegt á meðan ERP geymir að hámarki sex mánuði af þessu dati. Svo framarlega sem fyrirtækið er sátt við að safna fjölda dati sögulegt þegar tíminn líður, þá er ekkert vandamál að nota ERP sem uppspretta fyrir gagnageymsla. En þegar gagnageymsla verður að fara aftur í tímann og taka guði dati sögu sem hefur ekki áður verið safnað og vistað af ERP, þá verður ERP umhverfið óhagkvæmt.

ERP OG METADATA

Annað sem þarf að huga að varðandi ERP e gagnageymsla er sá á núverandi lýsigögnum í ERP umhverfinu. Rétt eins og lýsigögn færast úr ERP umhverfinu yfir í gagnageymsla, lýsigögnin verða að vera flutt á sama hátt. Auk þess þarf að umbreyta lýsigögnum í það snið og uppbyggingu sem grunngerðin krefst gagnageymsla. Það er mikill munur á rekstrarlýsigögnum og DSS lýsigögnum. Rekstrarlýsigögn eru aðallega fyrir þróunaraðila og fyrir

forritari. DSS lýsigögn eru fyrst og fremst fyrir endanotandann. Það þarf að breyta núverandi lýsigögnum í ERP forritum eða ODS og þessi umbreyting er ekki alltaf auðveld og einföld.

UPPHAFI ERP GÖGNIN

Ef ERP er notað sem birgir af dati á il gagnageymsla það verður að vera traust viðmót sem hreyfist i dati frá ERP umhverfi til umhverfisins gagnageymsla. Viðmótið verður að:

• ▪ vera auðveld í notkun
• ▪ leyfa aðgang að dati af ERP
• ▪ taka upp merkingu dati sem verið er að flytja til gagnageymsla
• ▪ þekkja takmarkanir ERP sem gætu komið upp þegar aðgangur er að dati ERP:
• ▪ tilvísunarheiðarleiki
• ▪ stigveldistengsl
• ▪ óbein rökfræðileg tengsl
• ▪ Umsóknarsamningur
• ▪ öll mannvirki í dati studd af ERP, og svo framvegis…
• ▪ vera duglegur að nálgast dati, með því að veita:
• ▪ bein hreyfing á dati
• ▪ kaup á breytingu dati
• ▪ styðja tímanlegan aðgang að dati
• ▪ skilja sniðið á dati, og svo framvegis… VIÐVITI VIÐ SAP Viðmótið getur verið tvenns konar, heimaræktað eða viðskiptalegt. Sum helstu viðskiptaviðmótin eru:

• ▪ SAS
• ▪ Fyrstu lausnir
• ▪ D2k, og svo framvegis... FJÖLGA ERP TÆKNI Að meðhöndla ERP umhverfið eins og það væri eina tækni eru stór mistök. Það eru margar ERP tækni, hver með sína styrkleika. Þekktustu söluaðilarnir á markaðnum eru:

• ▪ SAP
• ▪ Oracle Financials
• ▪ PeopleSoft
• JD Edwards
• ▪ Bans SAP SAP er stærsti og umfangsmesti ERP hugbúnaðurinn. SAP forrit innihalda margar tegundir af forritum á mörgum sviðum. SAP hefur orð á sér fyrir að vera:

• ▪ mjög stór
• ▪ Mjög erfitt og dýrt í framkvæmd
• ▪ þarf marga menn og ráðgjafa til að innleiða
• ▪ þarf sérhæft fólk við innleiðinguna
• ▪ þarf mikinn tíma til að innleiða SAP hefur líka orð á sér fyrir að leggja á minnið dati náið, sem gerir það erfitt fyrir einhvern utan SAP-svæðisins að fá aðgang að þeim. Styrkur SAP er að það er fær um að fanga og geyma mikið magn af dati. SAP tilkynnti nýlega að þeir hygðust framlengja umsóknir sínar til gagnageymsla. Það eru margir kostir og gallar við að nota SAP sem söluaðila gagnageymsla. Kosturinn er sá að SAP er þegar uppsett og flestir ráðgjafar þekkja SAP.
  Ókostirnir við að hafa SAP sem birgir á gagnageymsla eru margir: SAP hefur enga reynslu í heimi gagnageymsla Ef SAP er birgir af gagnageymsla, það er nauðsynlegt að "taka út" i dati frá SAP til gagnageymsla. Gögn afrekaskrá SAP af lokuðu kerfi, það er ólíklegt að auðvelt sé að fá i frá SAP í það (???). Það eru mörg eldri umhverfi sem knýja SAP, eins og IMS, VSAM, ADABAS, ORACLE, DB2, og svo framvegis. SAP krefst þess að „ekki fundin upp hér“ nálgun. SAP vill ekki eiga samstarf við aðra söluaðila til að nota eða búa til gagnageymsla. SAP krefst þess að búa til allan sinn eigin hugbúnað sjálft.

Þrátt fyrir að SAP sé stórt og öflugt fyrirtæki er sú staðreynd að reyna að endurskrifa tækni ELT, OLAP, kerfisstjórnun og jafnvel kóðagrunn dbms það er bara geðveikt. Í stað þess að taka samvinnu við birgjana gagnageymsla SAP hefur um langt skeið fylgt þeirri nálgun sem þeir „þekkja best“. Þetta viðhorf heldur aftur af þeim árangri sem SAP gæti náð á sviði gagnageymsla.
Neitun SAP á að leyfa ytri söluaðilum að fá aðgang að sínum strax og með þokkabót dati. Kjarninn í því að nota a gagnageymsla er auðvelt aðgengi að dati. Öll sagan af SAP byggist á því að gera það erfitt aðgengi dati.
Skortur á reynslu SAP í að takast á við mikið magn af dati; á sviði gagnageymsla það eru bindi af dati aldrei séð frá SAP og til að höndla þetta mikla magn af dati þú þarft að hafa rétta tækni. SAP er greinilega ekki meðvituð um þessa tæknilegu hindrun sem er til staðar til að komast inn á sviði gagnageymsla.
Fyrirtækjamenning SAP: SAP hefur byggt upp fyrirtæki í því að fá i dati úr kerfinu. En til að gera þetta þarftu að hafa annað hugarfar. Hefð er fyrir því að hugbúnaðarfyrirtæki sem voru góð í að koma gögnum inn í umhverfi hafa ekki verið góð í að fá gögn til að fara í hina áttina. Ef SAP tekst að skipta um þessa tegund verður það fyrsta fyrirtækið sem gerir það.

Í stuttu máli er spurning hvort fyrirtæki ætti að velja SAP sem birgja gagnageymsla. Það eru mjög alvarlegar áhættur annars vegar og mjög fáar umbun hins vegar. En það er önnur ástæða sem dregur úr því að velja SAP sem birgja gagnageymsla. Vegna þess að hvert fyrirtæki ætti að hafa það sama gagnageymsla af öllum hinum fyrirtækjum? The gagnageymsla það er hjarta samkeppnisforskots. Ef hvert fyrirtæki tæki upp það sama gagnageymsla það væri erfitt, þó ekki ómögulegt, að ná samkeppnisforskoti. SAP virðist halda að a gagnageymsla er hægt að líta á það sem kex og þetta er enn eitt merki um hugarfar þeirra að „koma gögnunum í“ forrit.

Enginn annar ERP söluaðili er eins ráðandi og SAP. Án efa verða til fyrirtæki sem munu fara SAP leiðina fyrir sína gagnageymsla en væntanlega þessar gagnageymsla SAP verður stór, dýr og tímafrekt að búa til.

Þetta umhverfi felur í sér starfsemi eins og afgreiðslu bankagjaldkera, pöntunarferli flugfélaga, ferlar vegna tryggingakvartana og svo framvegis. Því betur sem viðskiptakerfið skilaði sér, því augljósari var þörfin fyrir aðskilnað á milli rekstrarferlisins og DSS (Decision Support System). Hins vegar, með starfsmanna- og starfsmannakerfum, stendur þú aldrei frammi fyrir miklu magni viðskipta. Og auðvitað, þegar maður er ráðinn eða hættir hjá fyrirtækinu er þetta skrá yfir viðskipti. En miðað við önnur kerfi hafa starfsmanna- og starfsmannakerfi einfaldlega ekki mörg viðskipti. Því í starfsmanna- og starfsmannakerfum er ekki alveg augljóst að þörf sé fyrir DataWarehouse. Á margan hátt eru þessi kerfi sameining DSS kerfa.

En það er annar þáttur sem þarf að hafa í huga þegar fjallað er um gagnavöruhús og PeopleSoft. Í mörgum hringjum, þ.e dati HR og persónuleg auðlindir eru aukaatriði fyrir aðalstarfsemi fyrirtækisins. Flest fyrirtækin eru að framleiða, selja, veita þjónustu og svo framvegis. HR og starfsmannakerfi eru venjulega aukaatriði (eða styðja við) meginviðskipti fyrirtækisins. Þess vegna er það tvísýnt og óþægilegt a gagnageymsla aðskilið fyrir HR og persónulegan stuðning.

PeopleSoft er mjög ólíkt SAP hvað þetta varðar. Með SAP er skylt að það sé a gagnageymsla. Með PeopleSoft er það ekki allt svo ljóst. Gagnahús er valfrjálst með PeopleSoft.

Það besta sem hægt er að segja um dati PeopleSoft er að gagnageymsla hægt að nota til að geyma i dati tengjast gömlum mannauði og persónulegum auðlindum. Önnur ástæða fyrir því að fyrirtæki myndi vilja nota a gagnageymsla a

ókostur PeopleSoft umhverfisins er að leyfa aðgang og ókeypis aðgang að greiningartækjum, ai dati eftir PeopleSoft. En umfram þessar ástæður geta verið tilvik þar sem æskilegt er að hafa ekki gagnageymslu fyrir dati PeopleSoft.

Í stuttu máli

Það eru margar hugmyndir sem snúa að byggingu a gagnageymsla inni í ERP hugbúnaði.
Sum þessara eru:

• ▪ Það er skynsamlegt að hafa a gagnageymsla hver lítur út eins og hver annar í greininni?
• ▪ Hversu sveigjanlegt ERP er gagnageymsla hugbúnaður?
• ▪ ERP gagnageymsla hugbúnaður getur séð um magn af dati sem er staðsett í agagnageymsla vettvangur"?
• ▪ Hver er rekjaskráningin sem ERP söluaðilinn gerir í ljósi auðvelds og ódýrs, tímafrekts, dati? (hvert er afrekaskrá ERP-framleiðenda við afhendingu ódýrra gagna á réttum tíma og auðvelt að nálgast?)
• ▪ Hver er skilningur ERP söluaðilans á DSS arkitektúrnum og fyrirtækjaupplýsingaverksmiðjunni?
• ▪ ERP söluaðilar skilja hvernig á að fá dati innan umhverfisins, en skilur líka hvernig á að flytja þá út?
• ▪ Hversu opinn er ERP-seljandinn fyrir gagnageymsluverkfærum?
  Öll þessi sjónarmið verða að hafa í huga þegar ákvarðað er hvar á að setja gagnageymsla sem mun hýsa i dati ERP og annarra dati. Almennt, nema rík ástæða sé til annars, er mælt með byggingu gagnageymsla utan ERP söluaðila umhverfisins. KAFLI 1 Yfirlit yfir BI stofnunina Lykilatriði:
  Upplýsingageymslur virka á öfugan hátt við viðskiptagreind (BI) arkitektúr:
  Fyrirtækjamenning og upplýsingatækni geta takmarkað árangur við að byggja upp BI stofnanir.

Tæknin er ekki lengur takmarkandi þátturinn fyrir BI stofnanir. Vandamál arkitekta og verkefnaskipuleggjenda er ekki hvort tæknin sé til, heldur hvort þeir geti í raun innleitt þá tækni sem til er.

Fyrir mörg fyrirtæki a gagnageymsla er lítið annað en aðgerðalaus innborgun sem dreifir m.a dati til notenda sem þurfa á því að halda. THE dati eru unnar úr upprunakerfum og eru byggðar inn í markskipulag af gagnageymsla. Ég dati það er líka hægt að þrífa þau með einhverri heppni. Hins vegar er engin viðbótarvirði bætt við eða safnað af dati meðan á þessu ferli stendur.

Í meginatriðum veitir óvirkur dw, í besta falli, aðeins i dati hreinn og starfhæfur til notendasamtaka. Upplýsingasköpun og greiningarskilningur er algjörlega háð notendum. Að dæma hvort DW (Gagnageymsla) hvort árangur sé huglægur. Ef við metum árangur á getu til að safna, samþætta og þrífa á skilvirkan hátt i dati fyrirtæki á fyrirsjáanlegum grundvelli, þá já, DW er farsælt. Á hinn bóginn, ef við lítum á söfnun, sameiningu og hagnýtingu upplýsinga fyrir stofnunina í heild, þá er DW bilun. DW veitir lítið sem ekkert upplýsingagildi. Þess vegna neyðast notendur til að láta sér nægja og búa þannig til upplýsingasíló. Þessi kafli kynnir yfirgripsmikla sýn til að rifja upp BI (Business Intelligence) arkitektúr fyrirtækisins. Við byrjum á lýsingu á BI og förum síðan yfir í umræður um upplýsingahönnun og þróun, í stað þess að veita einfaldlega dati til notenda. Umræður beinast síðan að því að reikna út verðmæti BI viðleitni þinnar. Við lokum með því að skilgreina hvernig IBM tekur á BI byggingarkröfum fyrirtækisins.

Byggingarlistarlýsing á BI stofnun

Öflug viðskiptamiðuð upplýsingakerfi eru nú daglegt brauð í hverju stóru fyrirtæki, sem jafnar í raun aðstöðu fyrirtækja um allan heim.

Til að vera áfram samkeppnishæf þarf nú greiningarmiðuð kerfi sem geta gjörbylt getu fyrirtækisins til að enduruppgötva og nota þær upplýsingar sem þeir hafa þegar. Þessi greiningarkerfi eru sprottin af skilningi frá auði dati laus. BI getur bætt árangur í öllum upplýsingum um fyrirtækið. Fyrirtæki geta bætt samskipti viðskiptavina og birgja, bætt arðsemi vöru og þjónustu, búið til ný og betri samninga, stjórnað áhættu og meðal margra annarra ávinninga dregið verulega úr útgjöldum. Með BI byrjar fyrirtækið þitt loksins að nota upplýsingar um viðskiptavini sem samkeppniseign þökk sé forritum sem hafa markaðsmarkmið.

Að hafa rétt viðskiptatæki þýðir að hafa endanleg svör við lykilspurningum eins og:

• ▪ Hver okkar viðskiptavinir Gera þeir okkur til að græða meira, eða láta þeir okkur tapa peningum?
• ▪ Þar sem okkar bestu búa viðskiptavinir í tengslum við búð/ vöruhús sem þeir oft?
• ▪ Hvaða af vörum okkar og þjónustu er hægt að selja á skilvirkasta hátt og hverjum?
• ▪ Hvaða vörur er best að selja og hverjum?
• ▪ Hvaða söluherferð er árangursríkari og hvers vegna?
• ▪ Hvaða söluleiðir eru skilvirkustu fyrir hvaða vörur?
• ▪ Hvernig við getum bætt samskipti við okkar bestu viðskiptavinir? Flest fyrirtæki hafa dati gróft að svara þessum spurningum.
  Rekstrarkerfi framleiða mikið magn af vöru, viðskiptavinum og kostnaði dati frá sölustöðum, pöntunum, þjónustu við viðskiptavini og tæknilega aðstoð. Áskorunin er að draga út og nýta þessar upplýsingar. Mörg fyrirtæki hagnast aðeins á litlum hluta þeirra dati fyrir stefnumótandi greiningar.
  I dati eftir, oft ásamt i dati að afla utanaðkomandi heimilda eins og skýrslur stjórnvalda og aðrar keyptar upplýsingar eru gullnáma sem bara bíður þess að verða könnuð og dati þau þurfa bara að vera betrumbætt í upplýsingasamhengi fyrirtækisins þíns.

Þessari þekkingu er hægt að beita á nokkra vegu, allt frá því að hanna heildarstefnu fyrirtækisins til persónulegra samskipta við birgja, í gegnum símaver, reikningagerð, internet og önnur atriði. Viðskiptaumhverfi nútímans segir til um að DW og tengdar BI lausnir þróist umfram það að reka hefðbundið viðskiptaskipulag. dati eins og ég dati atómstigi eðlileg og „stjörnu-/kubbabú“.

Það sem þarf til að vera samkeppnishæft er samruni hefðbundinnar og háþróaðrar tækni í viðleitni til að styðja við breitt greiningarlandslag.
Að lokum þarf almennt umhverfi að bæta þekkingu á fyrirtækinu í heild og tryggja að aðgerðir sem gripið er til vegna greininga sem gerðar eru komi að gagni þannig að allir hagnast.

Segjum til dæmis að þú raðar þínum eigin viðskiptavinir í háum eða lágum áhættuflokkum.
Hvort sem þessar upplýsingar eru búnar til með námulíkani eða á annan hátt, þá verður að setja þær inn í DW og gera þær aðgengilegar hverjum sem er, með hvaða aðgangstæki sem er, eins og kyrrstæðar skýrslur, töflureikna, töflur eða greiningarvinnslu á netinu (OLAP ).

Hins vegar er mikið af þessari tegund upplýsinga enn í sílóum dati þeirra einstaklinga eða deilda sem búa til greininguna. Samtökin í heild hafa lítinn eða engan sýnileika fyrir skilning. Aðeins með því að blanda þessari tegund af upplýsingaefni inn í DW fyrirtækis þíns geturðu útrýmt upplýsingasílóum og lyft DW umhverfi þínu.
Það eru tvær helstu hindranir við að þróa BI stofnun.
Í fyrsta lagi höfum við vandamál stofnunarinnar sjálfrar og aga hennar.
Þó að við getum ekki aðstoðað við stefnubreytingar skipulagsheilda getum við hjálpað til við að skilja þætti BI fyrirtækis, arkitektúr þess og hvernig tækni IBM auðveldar þróun þess.
Önnur hindrunin sem þarf að yfirstíga er skortur á samþættri tækni og þekkingu á aðferð sem kallar allt BI rýmið öfugt við aðeins lítinn hluta.

IBM er að bregðast við breytingum á samþættingu tækni. Það er á þína ábyrgð að veita meðvitaða hönnun. Þróa verður þennan arkitektúr með tækni sem er valin fyrir óhefta samþættingu, eða að minnsta kosti með tækni sem fylgir opnum stöðlum. Einnig verða stjórnendur fyrirtækis þíns að tryggja að Bi-fyrirtækið sé framkvæmt á áætlun en ekki að leyfa þróun upplýsingasílóa sem stafa af sjálfseignaráætlunum eða markmiðum.
Þetta er ekki þar með sagt að BI umhverfið sé ekki viðkvæmt fyrir því að bregðast við mismunandi þörfum og kröfum mismunandi notenda; Þess í stað þýðir það að innleiðing á þessum einstaklingsþörfum og kröfum er unnin í þágu allrar BI stofnunarinnar.
Lýsingu á arkitektúr BI stofnunarinnar er að finna á síðu 9 á mynd 1.1. Arkitektúrinn sýnir ríka blöndu af tækni og tækni.
Frá hefðbundnu sjónarhorni inniheldur arkitektúrinn eftirfarandi vöruhúshluta

Atómlag (atómalag).

Þetta er grunnurinn, hjarta alls Dw og því stefnumótandi skýrslugerð.
I dati geymd hér mun halda sögulegum heilindum, skýrslur um dati og innihalda afleidd mæligildi, auk þess að vera hreinsuð, samþætt og geymd með því að nota námulíkön.
Öll síðari notkun þessara dati og tengdar upplýsingar eru fengnar úr þessari uppbyggingu. Þetta er frábær uppspretta fyrir námuvinnslu dati og fyrir skýrslur með skipulögðum SQL fyrirspurnum

Rekstrargeymsla á dati eða skýrslugrunnur af dati(Operational Data Store (ODS) eða skýrslur gagnagrunnur.)

Þetta er uppbygging á dati sérstaklega hannað fyrir tæknilega skýrslugerð.

I dati geymd og tilkynnt fyrir ofan þessi mannvirki geta að lokum breiðst út inn í vöruhúsið í gegnum sviðssvæðið, þar sem það gæti verið notað til stefnumótandi merkja.

Sviðssvæði.

Fyrsta stopp fyrir flesta dati ætlað fyrir vöruhús umhverfi er skipulag svæði.
Hér er ég dati eru samþætt, hreinsuð og umbreytt í dati hagnað sem mun byggja upp vöruhúsabygginguna

Dagsetning mars.

Þessi hluti arkitektúrsins táknar uppbyggingu dati notað sérstaklega fyrir OLAP. Tilvist gagnamerkja, ef ég dati þau eru geymd í stjörnuskemanum sem þau liggja yfir dati fjölvídd í tengslaumhverfi, eða í skrám af dati séreign sem notuð er af tiltekinni OLAP tækni, eins og DB2 OLAP Server, á ekki við.

Eina þvingunin er að arkitektúrinn auðveldar notkun dati fjölvíddar.
Arkitektúrinn inniheldur einnig mikilvæga Bi tækni og tækni sem eru aðgreindar sem:

Staðbundin greining

Rými er óviðjafnanleg upplýsingagjöf fyrir sérfræðinginn og er mikilvægt fyrir fullkomna upplausn. Rými getur táknað upplýsingar um fólkið sem býr á ákveðnum stað, sem og upplýsingar um hvar þessi staðsetning er líkamlega í tengslum við umheiminn.

Til að framkvæma þessa greiningu verður þú að byrja á því að binda upplýsingarnar þínar við breiddar- og lengdargráðuhnit. Þetta er kallað „landkóðun“ og verður að vera hluti af útdráttar-, umbreytingar- og hleðsluferlinu (ETL) á atómstigi vöruhússins þíns.

Gagnanám.

Útdráttur á dati gerir fyrirtækjum okkar kleift að fjölga viðskiptavinir, til að spá fyrir um söluþróun og gera tengslastjórnun við i viðskiptavinir (CRM), meðal annarra verkefna BI.

Útdráttur á dati það verður því að vera samþætt við mannvirki í dati vöruhús og studd af vöruhúsaferlum til að ganga úr skugga um bæði skilvirka og skilvirka notkun tækni og tengdrar tækni.

Eins og fram kemur í BI arkitektúrnum er atómstigið Dwhouse, sem og datamart, frábær uppspretta af dati til útdráttar. Þessar sömu eignir verða einnig að fá útdráttarniðurstöður til að tryggja aðgengi fyrir sem breiðasta markhópinn.

Umboðsmenn.

Það eru ýmsir "umboðsmenn" til að skoða viðskiptavininn fyrir hvaða atriði sem er eins og stýrikerfi fyrirtækisins og dw sjálft. Þessir umboðsmenn geta verið háþróuð taugakerfi sem eru þjálfuð til að læra um þróun á hverjum stað, svo sem eftirspurn eftir vörum í framtíðinni sem byggist á sölukynningum, reglubundnar vélar til að bregðast við dagsetning aðstæður, eða jafnvel einfaldar umboðsmenn sem tilkynna undantekningar til æðstu stjórnenda. Þessi ferli eiga sér stað almennt í rauntíma og verða því að vera þétt tengd við hreyfingu ferlanna dati. Öll þessi mannvirki af dati, tækni og tækni tryggja að þú eyðir ekki nóttinni í að búa til skipulag á BI.

Þessi starfsemi verður þróuð í þrepum, fyrir litla punkta.
Hvert skref er sjálfstætt verkefnaátak og er vísað til sem endurtekning í BI dw eða frumkvæði þínu. Endurtekningar geta falið í sér að innleiða nýja tækni, byrja á nýrri tækni, bæta nýjum ramma við dati , hleðsla i dati viðbótar, eða með greiningu stækkun umhverfisins. Nánar er fjallað um þessa málsgrein í 3. kafla.

Til viðbótar við hefðbundna DW ramma og BI verkfæri eru aðrir þættir BI stofnunarinnar sem þú þarft að hanna fyrir, svo sem:

Snertipunktar viðskiptavina (snerting viðskiptavina stig).

Eins og með öll nútímafyrirtæki eru nokkrir snertipunktar viðskiptavina sem gefa til kynna hvernig eigi að hafa jákvæða upplifun fyrir þína viðskiptavinir. Það eru hefðbundnar rásir eins og kaupmenn, skiptiborðsstjórar, beinpóstur, margmiðlunar- og prentauglýsingar, auk núverandi rása eins og tölvupóstur og vefur, dati vörur sem hafa einhvern snertipunkt verður að afla, flytja, hreinsa, vinna og síðan byggja á aðstöðu dati BI.

Byggir á dati rekstrar- og notendasamtök (Operational

gagnagrunna og notendasamfélög).
Í lok tengiliða viðskiptavinir grunnurinn er fundinn dati af forrita- og notendasamfélögum fyrirtækisins. THE dati núverandi eru dati hefðbundið sem verður að sameina og sameinast dati streymir frá snertipunktum til að mæta nauðsynlegum upplýsingum.

Sérfræðingar. (Greinendur)

Aðalávinningurinn af BI umhverfinu er sérfræðingur. Það er hann sem hagnast á núverandi útdrætti dati rekstrarlegt , samþætt við mismunandi aðilum dati , aukið með eiginleikum eins og landfræðilegri greiningu (landkóðun) og kynnt í BI tækni sem gerir ráð fyrir námuvinnslu, OLAP, háþróaðri SQL skýrslugerð og landfræðilegri greiningu. Aðalviðmót sérfræðingsins við skýrslugerðarumhverfið er BI gáttin.

Hins vegar er sérfræðingur ekki sá eini sem hefur hag af BI arkitektúrnum.
Stjórnendur, stór notendasamtök og jafnvel félagsmenn, birgjar og i viðskiptavinir ætti að finna ávinning í fyrirtæki BI.

Bakmatarlykkja.

BI arkitektúr er námsumhverfi. Einkennandi meginregla þróunar er að gera ráð fyrir viðvarandi uppbyggingu dati að vera uppfærð með BI tækni sem notuð er og með aðgerðum notenda. Dæmi er einkunn viðskiptavina.

Ef söludeildin gerir námulíkan af stigum viðskiptavina eins og að nota nýja þjónustu, þá ætti söludeildin ekki að vera eini hópurinn sem nýtur góðs af þjónustunni.

Þess í stað ætti módelnám að fara fram sem eðlilegur hluti af gagnaflæðinu innan fyrirtækisins og skor viðskiptavina ætti að verða samþættur hluti af samhengi vöruhúsaupplýsinga, sýnilegt öllum notendum. Bi-bI-miðlæg IBM Suite þar á meðal DB2 UDB, DB2 OLAP Server inniheldur mikilvægustu tæknihluta, skilgreinda á mynd 1.1.

Við notum arkitektúrinn eins og hann birtist í þessari mynd úr bókinni til að gefa okkur samfellustig og sýna hvernig hver af vörum IBM passar inn í heildarkerfi BI.

Að útvega upplýsingaefni (veita upplýsingaefni)

Það er erfitt verkefni að hanna, þróa og innleiða BI umhverfið þitt. Hönnunin verður að taka bæði núverandi og framtíðarkröfur viðskipta. Arkitektúrteikningin verður að vera yfirgripsmikil til að innihalda allar ályktanir sem fundust á hönnunarstigi. Framkvæmd verður að vera áfram skuldbundin til eins tilgangs: að þróa BI arkitektúrinn eins og hann er formlega kynntur í hönnuninni og byggir á viðskiptakröfum.

Það er sérstaklega erfitt að halda því fram að agi tryggi hlutfallslegan árangur.
Þetta er einfalt vegna þess að þú þróar ekki BI umhverfi í einu, heldur í litlum skrefum með tímanum.

Hins vegar er mikilvægt að bera kennsl á BI hluti arkitektúrsins þíns af tveimur ástæðum: Þú munt keyra allar síðari ákvarðanir um tækniarkitektúr.
Þú munt meðvitað geta skipulagt ákveðna notkun tækninnar jafnvel þó að þú gætir ekki fengið endurtekningu sem þarfnast tækninnar í nokkra mánuði.

Að skilja kröfur fyrirtækisins nægilega mun hafa áhrif á hvers konar vörur þú kaupir fyrir arkitektúrinn þinn.
Hönnun og þróun arkitektúrs þíns tryggir að vöruhúsið þitt sé það

ekki tilviljunarkenndur atburður heldur frekar úthugsuð, vandlega unnin auglýsing ópera listarinnar sem mósaík blandaðrar tækni.

Hönnun upplýsingaefnis

Öll frumhönnun verður að einbeita sér að og bera kennsl á helstu BI hluti sem þarf í heildarumhverfinu nú og í framtíðinni.
Það er mikilvægt að þekkja kröfur fyrirtækisins.

Jafnvel áður en formleg áætlanagerð er hafin getur verkefnaskipuleggjandinn oft borið kennsl á einn eða tvo þætti strax.
Samt sem áður er ekki auðvelt að finna jafnvægi íhlutanna sem kunna að vera nauðsynlegar fyrir arkitektúrinn þinn. Á hönnunarstiginu bindur meginhluti arkitektúrsins umsóknarþróunarlotuna (JAD) við rannsókn til að bera kennsl á viðskiptakröfur.

Stundum er hægt að fela þessum kröfum fyrirspurna- og skýrslutólum.
Til dæmis segja notendur að ef þeir vilja gera núverandi skýrslu sjálfvirka verða þeir að búa til handvirkt með því að samþætta tvær núverandi skýrslur og bæta við útreikningum sem fengnir eru úr samsetningu dati.
Þó að þessi krafa sé einföld, skilgreinir hún ákveðna eiginleika virkni sem þú verður að hafa með þegar þú kaupir skýrslutæki fyrir fyrirtæki þitt.

Hönnuður verður einnig að fylgja viðbótarkröfum til að fá heildarmynd. Vilja notendur gerast áskrifendur að þessari skýrslu?
Eru undirmengi skýrslna mynduð og send í tölvupósti til ýmissa notenda? Viltu sjá þessa skýrslu í fyrirtækjagáttinni? Allar þessar kröfur eru hluti af þeirri einföldu þörf á að skipta um handvirka skýrslu eins og notendur krefjast. Ávinningurinn af þessum kröfum er að allir, notendur og hönnuðir, kannast við hugtakið skýrslur.

Það eru hins vegar aðrar tegundir fyrirtækja sem við þurfum að skipuleggja fyrir. Þegar viðskiptakröfur eru settar fram í formi stefnumótandi viðskiptaspurninga er auðvelt fyrir reyndan skipuleggjandi að greina víddar- og mælingar/staðreyndarkröfur.

Ef JAD notendur vita ekki hvernig á að setja fram kröfur sínar í formi viðskiptavanda, mun hönnuður oft koma með dæmi til að sleppa því að hefja kröfusafnunarlotuna.
Sérfræðingur skipuleggjandi getur hjálpað notendum að skilja ekki aðeins stefnumótandi viðskipti, heldur einnig hvernig á að móta það.
Fjallað er um kröfuröflunaraðferðina í kafla 3; í bili viljum við bara benda á nauðsyn þess að hanna fyrir alls kyns BI kröfur.

Stefnumótandi viðskiptavandamál er ekki aðeins viðskiptakrafa heldur einnig hönnunarmerki. Ef þú þarft að svara margvíða spurningu, þá þarftu að leggja á minnið, kynna dati víddar, og ef þú þarft að leggja á minnið dati fjölvíddar, þú þarft að ákveða hvers konar tækni eða tækni þú ætlar að nota.

Innleiðir þú frátekið teningsstjörnuskema, eða bæði? Eins og þú sérð getur jafnvel einfalt viðskiptamál haft mikil áhrif á hönnunina. En þessar tegundir viðskiptakrafna eru algengar og auðvitað, að minnsta kosti af reyndum verkefnaskipuleggjendum og hönnuðum.

Það hefur verið nóg umræða um OLAP tækni og stuðning og fjölbreytt úrval lausna er í boði. Hingað til höfum við komið inn á nauðsyn þess að sameina einfalda skýrslugerð með víddarviðskiptakröfum og hvernig þessar kröfur hafa áhrif á ákvarðanir um tæknilega byggingarlist.

En hverjar eru kröfurnar sem notendur eða Dw teymið skilja ekki auðveldlega? Munt þú einhvern tíma þurfa staðbundna greiningu (rýmisgreiningu)?
Námuvinnslulíkönin af dati Verða þeir nauðsynlegur hluti af framtíð þinni? Hver veit?

Það er mikilvægt að hafa í huga að þessi tegund af tækni er ekki vel þekkt af almennum notendasamfélögum og DW liðsmönnum, að hluta til gæti þetta verið vegna þess að þeir eru venjulega meðhöndlaðir af innri eða þriðja aðila tæknisérfræðingum. Það er forskot á vandamálunum sem þessi tegund tækni skapar. Ef notendur geta ekki lýst viðskiptakröfum eða sett þær í ramma til að veita hönnuðum leiðbeiningar, geta þeir farið óséðir eða, það sem verra er, einfaldlega hunsað.

Það verður erfiðara þegar hönnuður og verktaki geta ekki viðurkennt beitingu einnar af þessum háþróuðu en mikilvægu tækni.
Eins og við höfum oft heyrt hönnuðina segja: „Jæja, af hverju leggjum við það ekki frá okkur þangað til við fáum þennan annan hlut? „Hafa þeir virkilega áhuga á forgangsröðun eða forðast þeir einfaldlega kröfur sem þeir skilja ekki? Líklegast er það síðari forsendan. Segjum að söluteymið þitt hafi komið á framfæri viðskiptakröfu, eins og fram kemur á mynd 1.3, eins og þú sérð, er krafan sett inn í formi viðskiptaútgáfu. Munurinn á þessu vandamáli og dæmigerðu víddarvandamálinu er fjarlægð. Í þessu tilviki vill söluteymið vita, mánaðarlega, heildarsölu frá vörum, vöruhúsum og viðskiptavinir sem búa í innan við 5 mílna fjarlægð frá vöruhúsinu þar sem þeir versla.

Því miður geta hönnuðir eða arkitektar einfaldlega hunsað rýmisþáttinn með því að segja: „Við höfum viðskiptavininn, vöruna og dati af innborguninni. Höldum fjarlægðinni þangað til önnur endurtekning.

"Rangt svar. Þessi tegund viðskiptavanda snýst allt um BI. Það táknar dýpri skilning á viðskiptum okkar og öflugt greiningarrými fyrir greinendur okkar. BI er umfram einfaldar fyrirspurnir eða staðlaða skýrslugerð, eða jafnvel OLAP. Það er ekki þar með sagt að þessi tækni sé ekki mikilvæg fyrir BI þinn, en hún í sjálfu sér táknar ekki BI umhverfið.

Hönnun fyrir upplýsingasamhengi (Hönnun fyrir upplýsingaefni)

Nú þegar við höfum greint viðskiptakröfurnar sem aðgreina ýmsa kjarnaþætti, þurfa þær að vera með í heildarbyggingarteikningu. Sumir BI hlutanna eru hluti af fyrstu viðleitni okkar, á meðan sumir verða ekki innleiddir í nokkra mánuði.

Hins vegar endurspeglast allar þekktar kröfur í hönnuninni þannig að þegar við þurfum að innleiða tiltekna tækni erum við reiðubúin að gera það. Eitthvað við verkefnið mun endurspegla hefðbundna hugsun.

Þetta sett af dati er notað til að styðja síðar notkun á dati víddar knúin áfram af viðskiptavandamálum sem við höfum bent á. Eftir því sem viðbótarskjöl eru búin til, svo sem þróun verkefna dati, við byrjum á því að formgera eins og i dati þau dreifast í umhverfinu. Við höfum gengið úr skugga um nauðsyn þess að vera fulltrúi i dati á víddarhátt og skipta þeim (samkvæmt sérstökum þörfum) í gagnamars.

Næsta spurning til að svara er: Hvernig verða þessi gagnamars byggð upp?
Byggir þú stjörnurnar til að styðja við teningana, eða bara teninga, eða bara stjörnurnar? (eða hægri teningur, eða hægri stjörnur). Búðu til arkitektúr fyrir háð gagnamar sem krefjast atómlags fyrir alla dati eignast þú? Leyfa óháðum gagnamerkjum að afla i dati beint úr stýrikerfum?

Hvaða Cube Technology ætlar þú að reyna að staðla?

Þú átt gríðarlegt magn af guðum dati krafist fyrir víddargreiningu eða þarftu teninga af landssöluliði þínu vikulega eða bæði? Byggir þú öflugan hlut eins og DB2 OLAP Server fyrir fjármál eða Cognos PowerPlay teninga fyrir sölufyrirtækið þitt eða bæði? Þetta eru stóru byggingarhönnunarákvarðanir sem munu hafa áhrif á BI umhverfið þitt áfram. Já, þú hefur bent á þörf fyrir OLAP. Hvernig ætlarðu nú að framkvæma slíka tækni og tækni?

Hvaða áhrif hefur sum fullkomnari tækni á hönnun þína? Gerum ráð fyrir að þú hafir greint staðbundna þörf í fyrirtækinu þínu. Nú þarftu að rifja upp byggingarteikningaútgáfurnar jafnvel þótt þú ætlir ekki að búa til staðbundna hluti í nokkra mánuði. Arkitektinn verður að hanna í dag út frá því sem þarf. Gerðu ráð fyrir þörfinni fyrir staðbundna greiningu sem býr til, geymir, viðheldur og veitir aðgang að dati staðbundin. Þetta ætti aftur á móti að þjóna sem þvingun varðandi þá tegund hugbúnaðartækni og vettvangslýsingu sem þú getur íhugað núna. Til dæmis, stjórnsýslukerfi á gagnagrunn Vensla (RDBMS) sem þú viðheldur fyrir frumeindalagið þitt verður að hafa öflugt staðbundið umfang tiltækt. Þetta myndi tryggja hámarksafköst þegar þú notar rúmfræði og staðbundna hluti í greiningarforritum þínum. Ef RDBMS þitt ræður ekki við dati (rýmismiðlæg) innbyrðis, svo þú verður að koma á a gagnagrunn (rýmismiðlægur) ytri. Þetta flækir málefnastjórnun og skerðir heildarframmistöðu þína, svo ekki sé minnst á viðbótarvandamálin sem það skapar fyrir DBA-fyrirtækin þín, þar sem þeir hafa líklega lágmarks skilning á grunnatriðum dati rýmis líka. Á hinn bóginn, ef RDMBS vélin þín meðhöndlar alla staðbundna hluti og fínstillingu hennar er meðvituð um sérstakar þarfir (til dæmis, flokkun) landhluta, þá geta DBAs þínir auðveldlega séð um stjórnunarvandamál og þú getur hámarkað afköst.

Einnig þarftu að stilla sviðssvæðið og atómumhverfislag til að innihalda heimilisfangsþrif (a

lykilatriði í staðbundinni greiningu), sem og vistun landhluta í kjölfarið. Röð hönnunarútgáfu heldur áfram nú þegar við höfum kynnt hugmyndina um hreinleika heimilisfanga. Fyrir það fyrsta mun þetta forrit segja til um hvers konar hugbúnað þú þarft fyrir ETL viðleitni þína.

Þarftu vörur eins og Trillium til að veita þér hreint heimilisfang, eða ETL söluaðila að eigin vali til að veita þá virkni?
Í bili er mikilvægt að þú metir hönnunarstigið sem þarf að ljúka áður en þú byrjar að viðhalda vöruhúsinu þínu. Dæmin hér að ofan ættu að sýna fram á fjölda hönnunarákvarðana sem verða að fylgja auðkenningu á sérhverri tiltekinni viðskiptakröfu. Þegar þær eru teknar á réttan hátt stuðla þessar hönnunarákvarðanir að innbyrðis háð milli eðlisfræðilegra uppbygginga umhverfisins þíns, vals á tækni sem notuð er og útbreiðsluflæðis upplýsingaefnis. Án þessa hefðbundna BI arkitektúr mun fyrirtæki þitt verða fyrir óskipulegri blöndu af núverandi tækni, í besta falli lauslega prjónuð saman til að veita augljósan stöðugleika.

Halda upplýsingainnihaldi

Það er mjög erfitt verkefni að koma með gildi upplýsinga til fyrirtækis þíns. Án nægilegs skilnings og reynslu, eða réttrar verkfræði og hönnunar, myndu jafnvel bestu liðin mistakast. Á hinn bóginn, ef þú hefur frábært innsæi og ítarlega hönnun en engan aga til að framkvæma, hefurðu bara sóað peningum þínum og tíma vegna þess að viðleitni þín er dæmd til að mistakast. Skilaboðin ættu að vera skýr: Ef þig skortir eina eða fleiri af þessum færni, skilningi/reynslu eða skipulags-/hönnunar- eða framkvæmdaaga, mun það leiða til þess að lamandi eða eyðileggur byggingu BI stofnunarinnar.

Er liðið þitt nægilega undirbúið? Skilur einhver í BI teyminu þínu hið mikla greiningarlandslag sem er í boði í BI umhverfi, og þá tækni og tækni sem þarf til að viðhalda því landslagi? Er einhver í teyminu þínu sem getur greint muninn á því að sækja um lengra komna

kyrrstöðuskýrslur og OLAP, eða munurinn á ROLAP og OLAP? Kannast einn af liðsmönnum þínum greinilega hvernig námuvinnslu er háttað og hvernig það gæti haft áhrif á vöruhúsið eða hvernig vöruhúsið getur stutt afköst námuvinnslu? Liðsmaður skilur gildi þess dati rými eða tækni sem byggir á umboðsmönnum? Áttu einhvern sem kann að meta einstaka verkfærabeitingu ETL vs Message Broker tækni? Ef þú átt það ekki, fáðu þér einn. BI er miklu stærra en eðlilegt atómlag, OLAP, stjörnuskemur og ODS.

Að hafa skilning og reynslu til að þekkja BI kröfur og lausnir þeirra er nauðsynlegt fyrir getu þína til að formfesta þarfir notenda á réttan hátt og til að hanna og innleiða lausnir þeirra. Ef notendasamfélagið þitt á í erfiðleikum með að lýsa kröfum, er það undir vöruhúsateyminu komið að veita þann skilning. En ef liðið af vöruhúsi

kannast ekki við sérstaka beitingu BI - til dæmis gagnavinnslu - þá er ekki best að BI umhverfi takmarkast oft við að vera óvirkar geymslur. Hins vegar, að hunsa þessa tækni, dregur ekki úr mikilvægi þeirra og áhrifum sem hún hefur á tilkomu viðskiptagreindargetu fyrirtækisins þíns, sem og upplýsingaeignina sem þú ætlar að kynna.

Hönnun verður að fela í sér hugmyndina um teikningu og bæði krefjast hæfs einstaklings. Að auki, áætlanagerð krefst hugmyndafræði teymisins og samræmi við staðla. Til dæmis, ef fyrirtæki þitt hefur komið á fót vettvangsstaðli eða hefur bent á tiltekið RDBMS sem það vill staðla yfir vettvanginn, er mikilvægt að allir í teyminu fylgi þeim stöðlum. Almennt lýsir teymi þörfinni fyrir stöðlun (til notendasamfélaga), en teymið sjálft er ekki tilbúið til að fylgja þeim stöðlum sem settir eru á öðrum sviðum fyrirtækisins eða jafnvel í svipuðum fyrirtækjum. Þetta er ekki aðeins hræsni heldur staðfestir það að fyrirtækið sé ekki fær um að nýta núverandi auðlindir og fjárfestingar. Það þýðir ekki að það séu ekki aðstæður sem réttlæta óstaðlaðan vettvang eða tækni; þó viðleitni vöruhússins

þeir ættu af öfundsverði að standa vörð um staðla fyrirtækisins þar til viðskiptakröfur segja til um annað.

Þriðji lykilþátturinn sem þarf til að byggja upp BI stofnun er agi.
Það fer í heildina jafnt eftir einstaklingum og umhverfi. Verkefnaskipuleggjendur, styrktaraðilar, arkitektar og notendur verða að meta þann aga sem þarf til að byggja upp upplýsingaeignir fyrirtækisins. Hönnuðir verða að beina hönnunarviðleitni sinni til að bæta við annað sem þarf í samfélaginu.

Segjum til dæmis að fyrirtækið þitt byggi ERP forrit sem hefur vöruhúsahluta.
Þannig er það á ábyrgð ERP hönnuða að vinna með vöruhúsumhverfisteyminu til að keppa ekki eða afrita þá vinnu sem þegar er hafin.

Agi er einnig viðfangsefni sem þarf að taka á öllum stofnuninni og er venjulega sett og boðað á framkvæmdastigi.
Eru stjórnendur tilbúnir til að fylgja hönnuðum nálgun? Nálgun sem lofar að búa til upplýsingaefni sem mun á endanum skila gildi til allra sviða fyrirtækisins, en kannski skerða dagskrá einstaklinga eða deilda? Mundu orðatiltækið "Að hugsa um allt er mikilvægara en að hugsa um eitt". Þetta orðatiltæki á við um BI stofnanir.

Því miður einbeita mörg vöruhús kröftum sínum að því að reyna að miða og skila virði til ákveðinnar deildar eða tiltekinna notenda, með litlum tillits til stofnunarinnar í heild. Segjum sem svo að framkvæmdastjórinn óski eftir aðstoð frá vöruhúsateyminu. Teymið bregst við með 90 daga átaki sem felur ekki aðeins í sér að skila tilkynningakröfum sem skilgreindar eru af framkvæmdastjóranum heldur að tryggja að allir dati basa er blandað inn í atómstigið áður en það er kynnt í fyrirhugaðri teningatækni.
Þessi verkfræðiviðbót tryggir að vöruhúsafyrirtækið muni njóta góðs af dati sem stjórnandinn þarfnast.
Hins vegar ræddi framkvæmdastjórinn við utanaðkomandi ráðgjafafyrirtæki sem lögðu til svipaða umsókn með afhendingu innan 4 vikna.

Að því gefnu að innra vöruhústeymið sé hæft, hefur framkvæmdastjórinn val. Hver getur stutt þá viðbótarverkfræðigrein sem þarf til að auka upplýsingaeign fyrirtækisins eða geta valið að byggja sína eigin lausn fljótt. Hið síðarnefnda virðist allt of oft valið og er einungis til þess fallið að búa til gáma upplýsinga sem gagnast fáum eða einstaklingnum.

Skamm- og langtímamarkmið

Arkitektar og verkefnaskipuleggjendur verða að formfesta langtímasýn á heildararkitektúr og áætlanir um að vaxa BI stofnun. Þessi samsetning skammtímaávinnings og langtímaáætlanagerðar eru tvær hliðar BI viðleitni. Skammtímatekjur eru hlið BI sem er tengd við endurtekningar á vöruhúsi þínu.

Þetta er þar sem skipuleggjendur, arkitektar og styrktaraðilar einbeita sér að því að uppfylla sérstakar viðskiptakröfur. Það er á þessu stigi þar sem líkamleg mannvirki eru byggð, tækni er keypt og tækni innleidd. Þær eru alls ekki gerðar til að mæta sérstökum kröfum eins og þær eru skilgreindar af sérstökum notendasamfélögum. Allt er gert með það að markmiði að takast á við sérstakar kröfur sem tiltekið samfélag skilgreinir.
Langtíma áætlanagerð er hins vegar hinn þáttur BI. Þetta er þar sem áætlanir og hönnun tryggðu að hvers kyns líkamlegt mannvirki væri byggt, tæknin valin og tæknin sem framkvæmd var með auga fyrir fyrirtækinu. Það er langtímaáætlanagerð sem veitir nauðsynlega samheldni til að tryggja að ákveðinn ávinningur sé fenginn af hvers kyns skammtímaávinningi sem finnst.

Rökstyðjið BI viðleitni þína

Un gagnageymsla í sjálfu sér hefur það ekkert eðlislegt gildi. Með öðrum orðum, það er ekkert eðlislægt gildi á milli vöruhúsatækni og innleiðingartækni.

Gildi hvers kyns vöruhúsaátaks er að finna í aðgerðum sem gerðar eru vegna vöruhúsaumhverfisins og upplýsingainnihalds sem hefur verið ræktað með tímanum. Þetta er mikilvægur punktur til að skilja áður en þú reynir nokkurn tíma að áætla verðmæti hvers konar frumkvæðis í heimahúsi.

Of oft reyna arkitektar og skipuleggjendur að beita gildi á efnislega og tæknilega hluti vöruhússins þegar gildið er í raun byggt á viðskiptaferlunum sem hafa jákvæð áhrif af vöruhúsinu og vel fengnum upplýsingum.

Hér liggur áskorunin við stofnun BI: Hvernig réttlætir þú fjárfestinguna? Ef hvar húsið sjálft hefur ekkert innra gildi, verða verkefnaskipuleggjendur að rannsaka, skilgreina og formfesta ávinninginn fyrir þá einstaklinga sem munu nota vöruhúsið til að auka tiltekna viðskiptaferla eða gildi verndaðra upplýsinga, eða hvort tveggja.

Til að flækja málin gætu öll viðskiptaferli sem verða fyrir áhrifum af vöruhúsaviðleitni veitt „verulegan“ eða „vægan“ ávinning. Verulegur ávinningur veitir áþreifanlega mælikvarða til að mæla arðsemi fjárfestingar (ROI) - til dæmis, velta birgðum til viðbótar á tilteknu tímabili eða fyrir lægri flutningskostnað á hverja sendingu. Það er erfiðara að skilgreina fíngerða kosti, svo sem bættan aðgang að upplýsingum, með tilliti til áþreifanlegs verðmætis.

Tengdu verkefnið þitt til að þekkja viðskiptabeiðnir

Of oft reyna verkefnaskipuleggjendur að tengja vöruhúsaverðmæti við myndlaus fyrirtækismarkmið. Með því að lýsa því yfir að „verðmæti vöruhúss byggist á getu okkar til að fullnægja stefnumótandi beiðnum“ opnum við umræðuna á skemmtilegan hátt. En það eitt og sér er ekki nóg til að ákvarða hvort skynsamlegt sé að fjárfesta í vöruhúsinu. Best er að tengja vöruhúsafulltrúa við sérstakar viðskiptafyrirspurnir og athugasemdir.

Mældu arðsemi

Það getur verið sérstaklega erfitt að reikna út arðsemi í vöruhúsum. Það er sérstaklega erfitt ef forystu

af tiltekinni endurtekningu er eitthvað óáþreifanlegt eða auðvelt að mæla. Ein rannsókn leiddi í ljós að notendur skynja tvo helstu kosti BI frumkvæðis:

• ▪ Skapa getu til að taka ákvarðanir
• ▪ Búðu til aðgang að upplýsingum
  Þessir kostir eru mjúkir (eða vægir) kostir. Það er auðvelt að sjá hvernig við getum reiknað út arðsemi út frá erfiðum (eða meiri) ávinningi eins og minni fraktkostnaði, en hvernig mælum við getu til að taka betri ákvarðanir?
  Þetta er örugglega áskorun fyrir verkefnaskipuleggjendur þegar þeir eru að reyna að fá fyrirtækið til að fjárfesta í tilteknu vöruhúsaátaki. Vaxandi sala eða lækkandi kostnaður er ekki lengur meginþemað sem knýr BI umhverfið áfram.
  Þess í stað ertu að leita að viðskiptabeiðnum um betri aðgang að upplýsingum svo tiltekin deild geti tekið ákvarðanir hraðar. Þetta eru stefnumótandi drifkraftar sem eru fyrirtækinu jafn mikilvægir en eru óljósari og erfiðara að lýsa þeim í áþreifanlegum mælikvarða. Í þessu tilviki getur útreikningur á arðsemi verið villandi, ef ekki óviðkomandi.
  Verkefnahönnuðir verða að geta sýnt fram á áþreifanlegt gildi fyrir stjórnendur til að ákveða hvort fjárfestingin í tiltekinni endurtekningu sé þess virði. Hins vegar munum við ekki leggja til nýja aðferð til að reikna út arðsemi, né færa nein rök með eða á móti henni.
  Það eru margar greinar og bækur í boði sem fjalla um grundvallaratriði við útreikning á arðsemi. Það eru sérstakar gildistillögur eins og virði á fjárfestingu (VOI), í boði hjá hópum eins og Gartner, sem þú getur rannsakað. Þess í stað munum við einbeita okkur að kjarnaþáttum hvers kyns arðsemi eða annarra verðmætatillögur sem þú þarft að hafa í huga. Að beita arðsemi Fyrir utan rökin um „harða“ á móti „mjúkum“ ávinningi sem tengjast BI viðleitni, þá eru önnur atriði sem þarf að huga að þegar beitt er arðsemi. Til dæmis:

Að rekja of mikinn sparnað til DW viðleitni sem myndi koma hvort sem er
Segjum að fyrirtækið þitt hafi færst úr stórtölvuarkitektúr yfir í dreifð UNIX umhverfi. Þannig að hvers kyns sparnað sem gæti (eða kannski ekki) orðið af þeirri viðleitni ætti ekki að rekja eingöngu, ef yfirleitt (?), til vöruhússins.

Það er dýrt að gera ekki grein fyrir öllu. Og það er margt sem þarf að taka tillit til. Íhugaðu eftirfarandi lista:

• ▪ Kostnaður við gangsetningu, þar á meðal hagkvæmni.
• ▪ Kostnaður við sérstakan vélbúnað með tilheyrandi geymslu og fjarskiptum
• ▪ Kostnaður við hugbúnaðinn, þ.mt stjórnun á dati og biðlara/miðlara viðbætur, ETL hugbúnaður, DSS tækni, sjónræn verkfæri, tímasetningar- og verkflæðisforrit og eftirlitshugbúnaður, .
• ▪ Byggingarhönnunarkostnaður dati, með stofnun og hagræðingu á
• ▪ Hugbúnaðarþróunarkostnaður sem tengist beint BI átakinu
• ▪ Kostnaður við heimilisaðstoð, þar á meðal hagræðingu afkasta, þar á meðal hugbúnaðarútgáfustýring og hjálparaðgerðir Notaðu „Big-Bang“ arðsemi. Að byggja vöruhúsið sem eitt risastórt átak er dæmt til að mistakast, svo reiknaðu líka arðsemi fyrir stórt framtaksverkefni. Tilboðið kemur á óvart og að skipuleggjendur halda áfram að gera veikburða tilraunir til að meta verðmæti allrar viðleitninnar. Hvers vegna reyna skipuleggjendur að leggja peningalegt gildi á frumkvæði fyrirtækja ef það er almennt þekkt og viðurkennt að erfitt sé að áætla sérstakar endurtekningar? Hvernig er það hægt? Það er ekki hægt með fáum undantekningum. Ekki gera það. Nú þegar við höfum komist að því hvað á ekki að gera við útreikning á arðsemi, hér eru nokkur atriði sem munu hjálpa þér að koma á áreiðanlegu ferli til að meta gildi BI viðleitni þinnar.

Að fá samþykki fyrir arðsemi. Burtséð frá vali þínu á tækni til að meta gildi BI viðleitni þinnar, þá verða allir aðilar að samþykkja hana, þar með talið verkefnaskipuleggjendur, styrktaraðila og stjórnendur fyrirtækja.

Skiptu arðsemi í auðkennanlega hluta. Nauðsynlegt skref í átt að sanngjörnum útreikningi á arðsemi er að einbeita þeim útreikningum að tilteknu verkefni. Þetta gerir þér síðan kleift að meta gildi út frá sérstökum viðskiptakröfum sem eru uppfylltar

Skilgreindu kostnaðinn. Eins og fram hefur komið þarf að huga að fjölmörgum kostnaði. Að auki verður kostnaður að innihalda ekki aðeins þann sem tengist einstökum endurtekningu heldur einnig kostnað sem tengist því að tryggja samræmi við fyrirtækisstaðla.

Skilgreindu kosti. Með því að tengja arðsemi á skýran hátt við sérstakar viðskiptakröfur ættum við að geta greint ávinninginn sem mun leiða til þess að uppfylla kröfurnar.

Draga úr kostnaði og ávinningi í yfirvofandi hagnaði. Það er besta leiðin til að byggja verðmat þitt á hreinu núvirði (NPV) í stað þess að reyna að spá fyrir um framtíðarvirði í framtíðartekjum.

Haltu tímanum til að skipta arðsemi þinni í lágmarki. Það er vel skjalfest til lengri tíma litið sem það hefur verið notað í arðsemi þinni.

Notaðu fleiri en eina arðsemisformúlu. Það eru fjölmargar aðferðir til að spá fyrir um arðsemi og þú ættir að ætla að nota eina eða fleiri þeirra, þar á meðal hreint núvirði, innri ávöxtun (IRR) og endurgreiðslu.

Skilgreindu endurtekið ferli. Þetta er mikilvægt til að reikna út hvers kyns langtímaverðmæti. Eitt endurtekið ferli ætti að vera skjalfest fyrir allar síðari undirraðir verkefnisins.

Vandamálin sem talin eru upp eru þau algengustu sem eru skilgreind af sérfræðingum í umhverfinu í varhúsum. Krafa stjórnenda um að skila „Big-Bang“ arðsemi er mjög ruglingsleg. Ef þú byrjar alla útreikninga á arðsemi þinni með því að skipta þeim niður í auðkennanlega, áþreifanlega hluta, hefurðu góða möguleika á að áætla nákvæma arðsemisáætlun.

Spurningar um ávinning af arðsemi

Hver sem ávinningurinn þinn er, mjúkur eða harður, geturðu notað nokkrar grunnspurningar til að ákvarða gildi þeirra. Til dæmis, með því að nota einfalt kvarðakerfi, frá 1 til 10, geturðu mælt áhrif hvers kyns átaks með því að nota eftirfarandi spurningar:

• Hvernig myndir þú meta skilning á dati fylgja þessu verkefni fyrirtækis þíns?
• Hvernig myndir þú meta endurbætur á ferlinu vegna þessa verkefnis?
• Hvernig myndir þú mæla áhrif nýrrar innsýnar og ályktana sem nú eru aðgengilegar með þessari endurtekningu
• Hvaða áhrif hafði nýtt og betra tölvuumhverfi vegna þess sem lærðist? Ef svörin við þessum spurningum eru fá, er mögulegt að fyrirtækið sé ekki þess virði að fjárfesta. Hátt stigaspurningar benda til verulegs verðmætaávinnings og ættu að vera leiðarvísir fyrir frekari rannsóknir. Til dæmis ætti hátt stig fyrir endurbætur á ferlum að leiða hönnuði til að skoða hvernig ferlar hafa verið bættir. Þú gætir komist að því að einhver eða allur ávinningurinn sem þú færð er áþreifanlegur og því er auðvelt að nota peningalegt gildi. Að fá sem mest út úr fyrstu endurtekningu á vörugeymsla Stærsta ávinningurinn af fyrirtækinu þínu er oft í fyrstu endurtekningunum. Þessar fyrstu viðleitni koma venjulega upp gagnlegasta upplýsingainnihaldi fyrir almenning og hjálpa til við að koma á tæknigrunni fyrir síðari BI umsóknir. Venjulega hver síðari framhald af dati af vöruhúsaverkefnum færa fyrirtækinu í heild minni og minna aukavirði. Þetta á sérstaklega við ef endurtekningin bætir ekki við nýjum viðfangsefnum eða uppfyllir þarfir nýs notendasamfélags.

Þessi geymsluaðgerð á einnig við um vaxandi stafla af dati sagnfræðingar. Þar sem síðari viðleitni krefst meira dati og hvernig meira dati er hellt inn í vöruhúsið með tímanum, flestum dati það verður minna viðeigandi fyrir greininguna sem notuð er. Þessar dati þeir eru oft kallaðir dati liggja í dvala og það er alltaf dýrt að geyma þau því þau eru varla notuð.

Hvað þýðir þetta fyrir styrktaraðila verkefnisins? Í meginatriðum deila fyrstu styrktaraðilar meira en fjárfestingarkostnaði. Þetta er fyrst og fremst vegna þess að þeir eru hvatinn að því að stofna breitt tækni- og auðlindaumhverfislag vöruhússins, þar á meðal lífrænt.

En þessi fyrstu skref bera mestu gildi og því þurfa verkefnastjórar oft að réttlæta fjárfestinguna.
Verkefni sem unnin eru eftir BI frumkvæði þitt kunna að hafa lægri (samanborið við það fyrsta) og beinan kostnað, en skila minna virði fyrir fyrirtækið.

Og eigendur fyrirtækja þurfa að fara að íhuga að henda uppbyggingunni dati og minna viðeigandi tækni.

Gagnanám: Útdráttur Dati

Margir byggingarhlutar krefjast afbrigða af gagnavinnslutækni og -tækni—
til dæmis, mismunandi "umboðsmenn" til að skoða áhugaverða staði viðskiptavinir, stýrikerfi félagsins og fyrir sama dw. Þessir umboðsmenn geta verið háþróuð taugakerfi sem eru þjálfuð í pottaþróun, svo sem eftirspurn eftir vörum í framtíðinni sem byggist á sölukynningum; reglubundnar vélar til að bregðast við setti dagsetning um aðstæður, til dæmis, læknisfræðilega greiningu og ráðleggingar um meðferð; eða jafnvel einfaldir umboðsmenn með það hlutverk að tilkynna undantekningar til æðstu stjórnenda. Almennt þessi útdráttarferli dati si

staðfesta í rauntíma; því verða þeir að sameinast algjörlega með hreyfingu dati sjálfir.

Greiningarvinnsla á netinu

Greining á netinu

Hæfni til að sneiða, teninga, rúlla, bora niður og framkvæma greiningu
hvað-ef, er innan umfangs, gildissviðs IBM tæknisvítunnar. Til dæmis eru netgreiningarvinnsluaðgerðir (OLAP) til fyrir DB2 sem færir víddargreiningu inn í vél gagnagrunnur sama.

Aðgerðir bæta víddar gagnsemi við SQL á meðan þeir uppskera allan ávinninginn af því að vera náttúrulegur hluti af DB2. Annað dæmi um OLAP samþættingu er útdráttartólið, DB2 OLAP Analyzer Server. Þessi tækni gerir kleift að skanna DB2 OLAP Server teninga fljótt og sjálfkrafa til að finna og tilkynna um gildi dati óvenjulegt eða óvænt fyrir hvaða tening sem er fyrir viðskiptasérfræðinginn. Og að lokum, DW Center aðgerðir veita arkitektum leið til að athuga, meðal annars, snið DB2 OLAP teningaþjóns sem eðlilegur hluti af ETL ferlum.

Staðbundin greining Staðbundin greining

Rýmið táknar helming þeirra greiningarakkera (leiðni) sem nauðsynleg eru fyrir víðmynd
breið greining (tíminn táknar hinn helminginn). Atómstig vöruhússins, sem sýnt er á mynd 1.1, inniheldur grunn fyrir bæði tíma og rúm. Tímastimplar akkeri greiningar eftir tíma og fjalla um greiningar á upplýsingum akkeri eftir rúmi. Tímastimplar framkvæma greininguna eftir tíma og heimilisfangsupplýsingar framkvæma greininguna eftir rúmi. Skýringarmyndin sýnir landkóðun – ferlið við að umbreyta heimilisföngum í punkta á korti eða punkta í geimnum þannig að hægt sé að nota hugtök eins og fjarlægð og inni/úti í greiningunni – framkvæmt á atómstigi og staðbundin greining er gerð aðgengileg sérfræðingnum. IBM veitir staðbundnar viðbætur, þróaðar með Environmental System Research Institute (ESRI), al gagnagrunnur DB2 þannig að hægt sé að viðhalda staðbundnum hlutum sem eðlilegum hluta af gagnagrunnur tengsl. db2

Spatial Extenders, veita einnig allar SQL viðbætur til að nýta staðbundna greiningu. Til dæmis, SQL viðbætur til að spyrjast fyrir um
fjarlægð milli vistfönga eða hvort punktur er innan eða utan skilgreinds marghyrningssvæðis, eru greiningarstaðall með Spatial Extender. Sjá kafla 16 fyrir frekari upplýsingar.

Gagnasafn-Resident Tools Tools Gagnasafn-Íbúi

DB2 hefur marga SQL BI-búa eiginleika sem aðstoða við þáttunaraðgerðina. Þar á meðal eru:

• Endurtekin aðgerðir til að framkvæma greiningu, svo sem „finna allar mögulegar flugleiðir frá San Francisco a Nýja Jórvík".
• Greiningaraðgerðir fyrir röðun, uppsöfnun, teninga- og uppröðunaraðgerðir til að auðvelda verkefni sem venjulega eiga sér stað með OLAP tækni, eru nú eðlilegur hluti af vélinni í gagnagrunnur
• Hæfni til að búa til töflur sem innihalda niðurstöður
  Seljendur á gagnagrunnur leiðtogar blanda fleiri af BI eiginleikum í gagnagrunnur sama.
  Helstu birgjar gagnagrunn þeir eru að blanda meira af BI eiginleikum í gagnagrunnur sama.
  Þetta veitir betri afköst og fleiri framkvæmdarmöguleika fyrir BI lausnir.
  Fjallað er ítarlega um eiginleika og virkni DB2 V8 í eftirfarandi köflum:
  Tæknileg arkitektúr og gagnastjórnunargrunnur (5. kafli)

• Grundvallaratriði DB2 BI (6. kafli)
• DB2 efnislegar fyrirspurnatöflur (7. kafli)
• DB2 OLAP aðgerðir (13. kafli)
• DB2 Enhanced BI eiginleikar og aðgerðir (kafli 15) Einfaldað gagnaafhendingarkerfi Afhendingarkerfi af dati einfölduð

Arkitektúrinn sem sýndur er á mynd 1.1 inniheldur fjölmörg mannvirki dati líkamlegt. Eitt er vöruhús á dati starfandi. Almennt séð er ODS hlutbundinn, samþættur og núverandi. Þú myndir smíða ODS til að styðja td söluskrifstofuna. ODS sala myndi bæta við dati úr mörgum mismunandi kerfum en myndi aðeins halda til dæmis viðskiptum í dag. Einnig er hægt að uppfæra ODS oft á dag. Samtímis ýta ferlarnir i dati samþætt í önnur forrit. Þessi uppbygging er sérstaklega hönnuð til að samþætta dati núverandi og kraftmikið og væri líklegur kandídat til að styðja við rauntímagreiningu, svo sem að veita þjónustuaðilum viðskiptavinir núverandi söluupplýsingar viðskiptavinar með því að draga upplýsingar um söluþróun úr birgðum sjálfum. Önnur uppbygging sem sýnd er á mynd 1.1 er formlegt ástand fyrir dw. Ekki aðeins er þetta staðurinn fyrir framkvæmd nauðsynlegrar samþættingar, gæði dati, og umbreytingu á dati af komandi vöruhúsi, en er einnig áreiðanlegt og tímabundið geymslusvæði fyrir dati endurtekningar sem hægt væri að nota í rauntímagreiningu. Ef þú ákveður að nota ODS eða sviðssvæði, eitt besta verkfæri til að byggja upp þessi mannvirki dati með því að nota mismunandi rekstrarheimildir er misleit dreifð fyrirspurn DB2. Þessi hæfileiki er afhentur með valfrjálsu DB2 eiginleikanum sem kallast DB2 Relational Connect (aðeins fyrirspurnir) og í gegnum DB2 DataJoiner (aðskilin vara sem skilar fyrirspurnum, innsetningu, uppfærslu og eyðingu til misleitra dreifðra RDBMS).

Þessi tækni gerir arkitektum kleift að dati að binda dati framleiðslu með greiningarferlum. Tæknin getur ekki aðeins lagað sig að nánast hvaða afritunarkröfum sem gæti komið upp með rauntímagreiningum heldur getur hún einnig tengst margs konar dati vinsælustu, þar á meðal DB2, Oracle, Sybase, SQL Server, Informix og fleiri. DB2 DataJoiner er hægt að nota til að fylla út mannvirki dati formlegt eins og ODS eða jafnvel varanleg borð sem er fulltrúi í vöruhúsinu sem er hannað til að endurheimta tafarlausar uppfærslur eða til sölu. Auðvitað, þessi mannvirki sjálf dati hægt að byggja með því

önnur mikilvæg tækni hönnuð til að afrita dati, IBM DataPropagator Relational. (DataPropagator er sérstök vara fyrir miðlæg kerfi. DB2 UNIX, Linux, Windows og OS/2 innihalda afritunarþjónustu af dati sem staðalbúnaður).
Önnur aðferð til að flytja dati sem starfar í kringum fyrirtækið er samþættari fyrirtækjaforrita, annars þekktur sem skilaboðamiðlari. Þessi einstaka tækni gerir óviðjafnanlega stjórn á miðun og hreyfingu dati í kringum fyrirtækið. IBM er með mest notaða skilaboðamiðlarann, MQSeries, eða afbrigði af vörunni sem inniheldur kröfur um E-verslun, IBM WebSphere MQ.
Fyrir frekari umræður um hvernig á að nýta MQ til að styðja við vöruhús og BI umhverfi, heimsækja vefsíðu bókarinnar. Í bili er nóg að segja að þessi tækni er frábær leið til að fanga og umbreyta (með því að nota MQSeries Integrator) dati markvissir starfsmenn ráðnir fyrir BI lausnir. MQ tækni hefur verið samþætt og pakkað inn í UDB V8, sem þýðir að nú er hægt að stjórna skilaboðaröðum eins og þær væru DB2 töflur. Hugmyndin um suðu biðröð skilaboð og alheimurinn af gagnagrunnur vensla beinir í átt að öflugu umhverfi afhendingar á dati.

Núll leynd Núll leynd

Endanlegt stefnumarkandi markmið IBM er núll-töf greining. Eins og skilgreint er af
Gartner, BI kerfi verður að geta ályktað um, tekið inn og veitt upplýsingar fyrir greiningaraðila eftir beiðni. Áskorunin er auðvitað hvernig á að blanda saman dati núverandi og rauntíma með nauðsynlegum sögulegum upplýsingum, eins og i dati tengd stefna/mynstur, eða útdregin innsýn, svo sem viðskiptavinasnið.

Slíkar upplýsingar fela til dæmis í sér auðkenningu á viðskiptavinir mikil eða lítil áhætta eða hvaða vörur i viðskiptavinir þeir munu líklegast kaupa ef þeir eru nú þegar með ost í innkaupakörfunum sínum.

Að fá núll leynd er í raun háð tveimur grundvallaraðferðum:

• Algjör sameining á dati sem eru greind með viðurkenndri tækni og með þeim tækjum sem BI hefur búið til
• Sendingarkerfi af dati skilvirkt til að tryggja að rauntímagreiningar séu raunverulega tiltækar. Þessar forsendur fyrir núll leynd eru ekkert frábrugðnar markmiðunum tveimur sem IBM setti fram og lýst er hér að ofan. The þétt tenging á dati það er hluti af óaðfinnanlegu samþættingaráætlun IBM. Og búa til afhendingarkerfi af dati skilvirkt er algjörlega háð tiltækri tækni sem einfaldar afhendingarferlið dati. Þar af leiðandi eru tvö af þremur markmiðum IBM mikilvæg til að ná því þriðja. IBM er meðvitað að þróa tækni sína til að tryggja að núll leynd sé að veruleika fyrir vöruhúsaviðleitni. Samantekt / Samantekt BI stofnunin þín veitir vegvísi til að byggja upp umhverfið þitt
  ítrekað. Það verður að aðlaga til að endurspegla þarfir fyrirtækis þíns, bæði núverandi og framtíðar. Án víðtækrar byggingarsýnar eru endurtekningar vöruhúsa lítið annað en tilviljunarkenndar útfærslur á miðlæga vöruhúsinu sem gera lítið til að skapa stórt, upplýsandi fyrirtæki. Fyrsta hindrunin fyrir verkefnastjóra er hvernig á að réttlæta þá fjárfestingu sem þarf til að vaxa BI stofnunina. Þó að útreikningar á arðsemi hafi verið meginstoð birgðaafreks, þá er orðið erfiðara að spá nákvæmlega fyrir um. Þetta hefur leitt til annarra aðferða til að ákvarða hvort þú færð peningana þína. Value on Investment2 (VOI) er til dæmis keypt sem lausn. Það er í höndum arkitekta dati og um verkefni skipuleggjendur vísvitandi búa til og veita upplýsingar til notendasamtaka og ekki einfaldlega veita þjónustu á dati. Það er mikill munur á þessu tvennu. Upplýsingar eru eitthvað sem skiptir máli í ákvarðanatöku og skilvirkni; tiltölulega, þ dati þeir eru byggingareiningar til að afla þeirra upplýsinga.

Jafnvel þótt gagnrýni sé á heimildina dati til að mæta viðskiptakröfum ætti BI umhverfið að gegna stærra hlutverki við að búa til upplýsingaefni. Við verðum að grípa til aukaráðstafana til að hreinsa, samþætta, umbreyta eða á annan hátt búa til upplýsingaefni sem notendur geta brugðist við og síðan verðum við að tryggja að þessar aðgerðir og ákvarðanir, þar sem þær eru sanngjarnar, endurspeglast í BI umhverfinu. Ef við víkjum vöruhúsinu til að þjóna aðeins á dati, vertu viss um að notendasamtök muni búa til það upplýsingaefni sem þarf til að grípa til aðgerða. Þetta tryggir að samfélag þeirra geti tekið betri ákvarðanir, en fyrirtækið þjáist af skorti á þekkingu sem þeir hafa nýtt sér. Gögn að arkitektar og verkefnaskipuleggjendur hafi frumkvæði að sérstökum verkefnum í BI umhverfinu, þeir eru áfram ábyrgir gagnvart fyrirtækinu í heild. Einfalt dæmi um þennan tvíhliða eiginleika BI endurtekningar er að finna í heimildinni dati. Öll dati sem berast vegna sérstakra viðskiptabeiðna verður að vera í fyrsta lotulaginu. Þetta tryggir þróun fyrirtækjaupplýsingaeignarinnar, sem og stjórna, takast á við sérstakar notendabeiðnir sem skilgreindar eru í endurtekningu.

Hvað er gagnavöruhús?

Gagnageymsla hefur verið hjarta upplýsingakerfaarkitektúrs síðan 1990 og styður upplýsingaferli með því að bjóða upp á traustan samþættan vettvang dati saga tekin til grundvallar síðari greiningum. THE gagnageymsla þau bjóða upp á auðvelda samþættingu inn í heim ósamrýmanlegra forritakerfa. Gagnageymsla það hefur þróast í að verða tíska. Gagnageymsla skipuleggja og leggja á minnið i dati nauðsynleg fyrir upplýsinga- og greiningarferli á grundvelli löngu sögulegu tímasjónarhorns. Allt felur þetta í sér töluvert og stöðugt átak í byggingu og viðhaldi gagnageymsla.

Svo hvað er a gagnageymsla? A gagnageymsla og:

• ▪ efnismiðað
• ▪ samþætt kerfi
• ▪ tímabreytingar
• ▪ óstöðugt (hættir ekki við)

safn af dati notað til að styðja stjórnunarákvarðanir við innleiðingu ferla.
I dati sett inn gagnageymsla þær koma í flestum tilfellum frá rekstrarumhverfi. The gagnageymsla það er búið til úr geymslueiningu, líkamlega aðskilið frá restinni af kerfinu, sem það inniheldur dati áður umbreytt með forritum sem starfa á upplýsingum sem koma frá rekstrarumhverfinu.

Bókstafleg skilgreining á a gagnageymsla það á skilið ítarlega útskýringu þar sem það eru mikilvægar hvatir og undirliggjandi merkingar sem lýsa eiginleikum vöruhúss.

EFNISHÁTTUNARSTÆÐING ÞEMAÐI

Fyrsti eiginleiki a gagnageymsla er að það miðar að helstu viðfangsefnum fyrirtækis. Leiðarvísir ferlanna í gegnum dati það er í mótsögn við klassískari aðferðina sem gerir ráð fyrir stefnumörkun forrita í átt að ferlum og aðgerðum, aðferð sem er að mestu leyti sameiginleg með flestum minna nýlegum stjórnunarkerfum.

Rekstrarheimurinn er hannaður í kringum forrit og aðgerðir eins og lán, sparnað, bankakort og traust fyrir fjármálastofnun. Heimur dw er skipulagður í kringum helstu viðfangsefni eins og viðskiptavininn, seljandann, vöruna og starfsemina. Samræming í kringum efni hefur áhrif á hönnun og útfærslu á dati finnast í dw. Mikilvægast er að meginviðfangsefnið hefur áhrif á mikilvægasta hluta lykilskipulagsins.

Heimur umsókna er undir áhrifum bæði af hönnun gagnagrunna og ferlihönnun. Heimur dw beinist eingöngu að myndbandsgerð dati og um hönnun á gagnagrunnur. Ferlishönnun (í sinni klassísku mynd) er ekki hluti af dw umhverfinu.

Munurinn á vali á ferli/aðgerð umsókn og vali á viðfangsefni kemur einnig í ljós sem munur á innihaldi dati á ítarlegu stigi. THE dati del dw innihalda ekki i dati sem verður ekki notað til að vinna úr DSS á meðan forrit eru

rekstrarmiðað dati innihalda i dati til að fullnægja tafarlaust kröfum um virkni/vinnslu sem kunna að hafa gagn eða ekki fyrir DSS sérfræðinginn.
Önnur mikilvæg leið sem rekstrarmiðaðar umsóknir um dati er öðruvísi en dati af dw er í skýrslum um dati. Ég dati rekstraraðilar viðhalda áframhaldandi sambandi milli tveggja eða fleiri borða sem byggjast á viðskiptareglu sem er virk. THE dati af dw spannar litróf af tíma og skýrslurnar sem finnast í dw eru margar. Margar viðskiptareglur (og samsvarandi margar skýrslur um dati ) eru fulltrúar í lager af dati á milli tveggja eða fleiri borða.

(Til að fá nákvæma útskýringu á því hvernig tengslin milli dati er stjórnað í DW, vinsamlegast skoðaðu tækniefnið um það mál.)
Frá engu öðru sjónarhorni en grundvallarmuninum á vali á virkni-/ferliforriti og efnisvali, er mikill munur á stýrikerfum og dati og DW.

SAMTÖKING SAMBANDI

Mikilvægasti þátturinn í dw umhverfinu er að i dati sem finnast innan dw eru samþættar auðveldlega. ALLTAF. UNDANTEKNINGAR. Kjarninn í dw umhverfinu er að i dati sem eru innan marka vöruhússins eru samþætt.

Samþætting sýnir sig á marga mismunandi vegu - í samræmdum skilgreindum venjum, í samræmdum mælingum á breytum, í samræmdum kóðaða byggingum, í eðlisfræðilegum eiginleikum dati samkvæmur og svo framvegis.

Í gegnum árin hafa hönnuðir mismunandi forrita tekið margar ákvarðanir um hvernig forrit ætti að þróa. Stíllinn og einstaklingsbundnar hönnunarákvarðanir umsókna hönnuðanna koma í ljós á hundrað vegu: í mismun á kóðun, lykilbyggingu, eðliseiginleikum, auðkenningarvenjum og svo framvegis. Sameiginleg hæfni margra forritahönnuða til að búa til ósamræmd forrit er goðsagnakennd. Mynd 3 sýnir nokkurn af mikilvægustu mununum á því hvernig forrit eru hönnuð.

Kóðun: Kóðun:

Forritshönnuðir hafa valið sviðskóðun – kyn – á nokkra vegu. Hönnuður táknar kyn sem „m“ og „f“. Annar hönnuður táknar kyn sem „1“ og „0“. Annar hönnuður táknar kyn sem „x“ og „y“. Annar hönnuður táknar kyn sem „karl“ og „kona“. Það skiptir í raun ekki máli hvernig kynlífið kemst inn í DW. „M“ og „F“ eru líklega eins góð og hver framsetning.

Það sem skiptir máli er að hvaða uppruna sem kynlífssviðið kemur frá, þá kemur það svæði til DW í samfelldu samþættu ástandi. Þar af leiðandi þegar reiturinn er hlaðinn inn í DW frá forriti þar sem hann hefur verið sýndur utan á sniðinu „M“ og „F“, dati verður að breyta í DW snið.

Mæling á eiginleikum: Mæling á Eiginleikar:

Forritshönnuðir hafa valið að mæla leiðslur á margvíslegan hátt í gegnum árin. A hönnuður verslanir i dati leiðslunnar í sentimetrum. Annar forritshönnuður geymir dati leiðslunnar miðað við tommur. Annar forritshönnuður geymir dati af leiðslunni í milljónum rúmfetum á sekúndu. Og annar hönnuður geymir upplýsingar um leiðslur hvað varðar metra. Hver sem uppruninn er, þegar leiðsluupplýsingar berast í DW verða þær að vera mældar á sama hátt.

Eins og sýnt er á mynd 3, hafa samþættingarvandamál áhrif á næstum alla þætti verkefnisins - eðliseiginleika dati, vandamálið að hafa fleiri en eina uppsprettu dati, útgáfu ósamræmis auðkennd sýni, snið af dati ósamræmi og svo framvegis.

Hver sem hönnunarröksemdirnar eru, þá er niðurstaðan sú sama - þ.e dati verður að vera geymt í DW á einstakan og alþjóðlega viðunandi hátt, jafnvel þegar undirliggjandi stýrikerfi geyma i dati.

Þegar DSS sérfræðingur lítur á DW ætti áhersla sérfræðingsins að vera nýting á dati sem eru í vöruhúsinu,

frekar en að velta fyrir sér trúverðugleika eða samkvæmni dati.

TÍMAFRAMKVÆMD

Allir dati í DW eru þeir nákvæmir að einhverju augnabliki. Þessi grunnþáttur í dati í DW er mjög ólíkur dati finnast í rekstrarumhverfinu. THE dati rekstrarumhverfisins eru eins nákvæmar og á þeim tíma sem aðgangur var veittur. Með öðrum orðum, í rekstrarumhverfinu þegar eining er opnuð dati, er gert ráð fyrir að það endurspegli gildi eins nákvæm og á þeim tíma sem aðgangur var veittur. Afhverju ég dati í DW eru nákvæmar eins og á einhverjum tímapunkti (þ.e. ekki "núna"), þ.e dati sem finnast í DW eru "tímafrávik".
Tímabilið á dati eftir DW er vísað til á fjölmarga vegu.
Einfaldasta leiðin er að i dati af DW tákna dati yfir langan tíma – fimm til tíu ár. Tímabilið sem lýst er fyrir rekstrarumhverfið er mun styttra en núverandi gildi um allt að sextíu og níutíu
Umsóknir sem þurfa að virka vel og þurfa að vera tiltækar fyrir færsluvinnslu þurfa að bera lágmarksupphæð dati ef þeir leyfa einhvers konar sveigjanleika. Þannig að rekstrarforrit hafa stuttan tíma, svo sem hönnunarefni fyrir hljóðforrit.
Önnur leiðin sem „tímafrávik“ birtist í DW er í lykilskipulaginu. Hvert lykilskipulag í DW inniheldur, óbeint eða beinlínis, tímaþátt, eins og dagur, vika, mánuður osfrv. Tímaþátturinn er næstum alltaf neðst á sambyggða lyklinum sem finnast í DW. Við þessi tækifæri mun tímaþátturinn vera til óbeint, svo sem þegar heil skrá er afrituð í lok mánaðar eða ársfjórðungs.
Þriðja leiðin sem tímafrávik birtist er að i dati af DW, bara rétt skráð, er ekki hægt að uppfæra. THE dati af DW eru, í öllum hagnýtum tilgangi, löng röð af skyndimyndum. Auðvitað ef skyndimyndin var tekin rangt, þá er hægt að breyta myndunum. En að því gefnu að myndirnar séu teknar rétt er þeim ekki breytt um leið og þær eru teknar. Í sumum

Tilfellum getur það verið siðlaust eða jafnvel ógilt að skyndimyndum í DW sé breytt. THE dati rekstrarlegt, sem er eins nákvæmt og á þeim tíma sem aðgangur var veittur, er hægt að uppfæra eftir þörfum.

EKKI rokgjarnt

Fjórða mikilvæga einkenni DW er að það er óstöðugt.
Uppfærslur, innsetningar, eyðingar og breytingar eru gerðar reglulega á rekstrarumhverfinu á skrá fyrir skrá. En undirstöðu meðferð á dati sem þarf í DW er miklu auðveldara. Það eru aðeins tvenns konar aðgerðir sem eiga sér stað í DW - upphafshleðsla á dati og aðgangur að dati. Það er engin uppfærsla á dati (í almennum skilningi uppfærslu) í DW sem venjulega vinnsluaðgerð. Það eru nokkrar mjög öflugar afleiðingar af þessum grunnmun á rekstrarvinnslu og DW vinnslu. Á hönnunarstigi er þörfin á að vera varkár varðandi hrunuppfærslu ekki þáttur í DW, þar sem uppfærsla á dati það er ekki framkvæmt. Þetta þýðir að á líkamlegu stigi hönnunar er hægt að taka frelsi til að hámarka aðgang að dati, sérstaklega þegar kemur að því að takast á við efni normalization og líkamlega afnormalization. Önnur afleiðing af einfaldleika DW í rekstri er í undirliggjandi tækni sem notuð er til að keyra DW umhverfið. Að þurfa að styðja við skráningaruppfærslur á netinu (eins og oft er raunin með rekstrarvinnslu) krefst þess að tæknin hafi mjög flókinn grunn undir augljósum einfaldleika.
Tæknin sem styður öryggisafrit og endurheimt, viðskipti og gagnaheilleika dati og deadlock uppgötvun og úrræði er frekar flókið og óþarft fyrir DW vinnslu. Eiginleikar DW, hönnunarstefnu, samþættingu dati innan DW, tímafrávik og auðveld stjórnun á dati, það leiðir allt til umhverfi sem er mjög, mjög ólíkt hinu klassíska rekstrarumhverfi. Uppspretta nánast allra dati af DW eru rekstrarumhverfi. Það er freistandi að halda að það sé gríðarleg offramboð á dati milli þessara tveggja umhverfis.
Reyndar er fyrsta sýn sem margir hafa er mikil offramboð dati milli rekstrarumhverfis og umhverfis

DW framlenging. Slík túlkun er yfirborðskennd og sýnir skort á skilningi á því sem er að gerast í DW.
Reyndar er lágmarks offramboð dati milli rekstrarumhverfis og i dati af DW. Hugleiddu eftirfarandi: I dati þau eru síuð dagsetning að þú skiptir úr rekstrarumhverfinu yfir í DW umhverfið. Margir dati þeir fara aldrei út fyrir rekstrarumhverfið. Aðeins að i dati sem þarf til DSS vinnslu finna stefnu sína í umhverfinu

▪ Tímabilið á dati það er mjög mismunandi frá einu umhverfi til annars. THE dati í rekstrarumhverfinu eru þeir mjög ferskir. THE dati í DW eru þeir miklu eldri. Bara frá sjónarhóli tímans er mjög lítil skörun á milli rekstrarumhverfisins og DW.

▪ DW inniheldur dati samantekt sem er aldrei í umhverfinu

▪ i dati gangast undir grundvallarbreytingu þegar þeir fara yfir í mynd 3 sýnir að flestir dati eru verulega breyttar að því tilskildu að þeir séu valdir og færðir í DW. Með öðrum hætti, flestir dati það er líkamlega og róttækt breytt þegar það er flutt inn í DW. Frá sjónarhóli samþættingar eru þau ekki þau sömu dati búa í rekstrarumhverfinu. Í ljósi þessara þátta, offramboð á dati milli þessara tveggja umhverfi er sjaldgæfur atburður, sem leiðir til minna en 1% offramboðs á milli þessara tveggja umhverfi. UPPBYGGING VÖRUHÚSSINS DWs hafa sérstaka uppbyggingu. Það eru ýmis stig samantektar og smáatriði sem afmarka DWs.
Hinir ýmsu þættir DW eru:

• Lýsigögn
• Dati núverandi upplýsingar
• Dati af gömlum smáatriðum
• Dati örlítið í stuttu máli
• Dati mjög í stuttu máli

Lang helsta áhyggjuefnið er í dati núverandi upplýsingar. Það er aðal áhyggjuefnið vegna þess að:

• I dati Núverandi upplýsingar endurspegla nýjustu atburði, sem eru alltaf mjög áhugaverðir og
• i dati núverandi smáatriði eru fyrirferðarmikil vegna þess að þau eru geymd á lægsta stigi nákvæmni og
• i dati núverandi upplýsingar eru næstum alltaf geymdar í diskaminni, sem er fljótlegt að nálgast, en dýrt og flókið frá I dati smáatriði eru eldri dati sem eru geymdar á einhverju minni um massa. Það er aðgengilegt af og til og geymt á smáatriði sem er samhæft við dati núverandi upplýsingar. Þó það sé ekki skylt að geyma á öðrum geymslumiðli, vegna mikils magns dati sameinast stöku aðgangi dati, geymslumiðillinn fyrir dati af eldri smáatriðum er venjulega ekki geymt á diski. THE dati létt saman eru þau dati sem eru eimaðar frá því að finna lága smáatriði yfir í núverandi smáatriði. Þetta stig af DW er næstum alltaf geymt í diskaminni. Hönnunarvandamálin sem koma fram hjá arkitektinum dati við byggingu þessa stigs DW eru:

• Hvaða tímaeining er samantektin gerð hér að ofan
• Hvaða efni, eiginleikar munu draga aðeins saman innihald dati Næsta stig af dati finnast í DW er að af dati mjög í stuttu máli. THE dati mjög samandregin eru fyrirferðarlítil og aðgengileg. THE dati mjög samandregin er stundum að finna í DW umhverfinu og öðrum tilfellum i dati mjög óhlutbundin eru að finna utan næsta veggja tækninnar sem hýsir DW. (í öllum tilvikum, þ dati mjög samandregin eru hluti af DW óháð því hvar i dati eru líkamlega hýst). Lokahluti DW er lýsigagnahlutinn. Lýsigögn eru að mörgu leyti í annarri vídd en önnur dati af DW, vegna þess að lýsigögnin innihalda engin dagsetning beint úr rekstrarumhverfinu. Lýsigögn hafa sérstakt og mjög mikilvægt hlutverk í DW. Lýsigögn eru notuð sem:

• möppu til að hjálpa DSS sérfræðingnum að finna innihald DW,
• leiðbeiningar um kortlagningu dati af því hvernig ég dati hefur verið breytt úr rekstrarumhverfi í DW umhverfi,
• leiðbeiningar um reiknirit sem notuð eru til að draga saman milli i dati núverandi upplýsingar ei dati örlítið í stuttu máli, þ.e dati mjög samantekt, Lýsigögn gegna miklu stærra hlutverki í DW umhverfinu en þau gerðu nokkru sinni í rekstrarumhverfinu GAMLT DETAIL GEYMSLUMÁL Hægt er að nota segulband til að geyma svoleiðis dati. Reyndar er til mikið úrval af geymslumiðlum sem ætti að íhuga til að geyma gamla dati af smáatriðum. Það fer eftir rúmmáli dati, tíðni aðgangs, kostnaður við verkfæri og tegund aðgangs, það er alveg líklegt að önnur verkfæri þurfi gamla smáatriðin í DW. FLÆÐI gagna Það er eðlilegt og fyrirsjáanlegt flæði á dati innan DW.
  I dati þeir koma inn í DW frá rekstrarumhverfinu. (ATH: Það eru nokkrar mjög áhugaverðar undantekningar frá þessari reglu. Hins vegar næstum allar dati sláðu inn DW frá rekstrarumhverfinu). Gögn að ég dati þeir fara inn í DW frá rekstrarumhverfinu, það er umbreytt eins og lýst er hér að ofan. Að því gefnu að þú slærð inn DW, þ.e dati sláðu inn núverandi smáatriði eins og sýnt er. Það býr þar og er notað þar til einn af þremur atburðum á sér stað:

• er hreinsað,
• er dregið saman, og/eða ▪er úrelt ferlið inni í DW hreyfist i dati núverandi upplýsingar a dati af smáatriðum gamall, eftir aldri dati. Árangurinn

samantekt notar smáatriði af dati að reikna út dati örlítið samantekt og mjög samandregin stig af dati. Það eru nokkrar undantekningar frá flæðinu sem sýnt er (sem verður rætt síðar). Hins vegar, venjulega, fyrir langflest dati finnast innan DW, the stream of dati það er eins og sýnt er.

NOTKUN GAGNAHÚSIÐ

Ekki kemur á óvart að mismunandi stigum dati innan DW fá þeir ekki mismunandi notkunarstig. Að jafnaði, því hærra sem samantekt er, því meira i dati þau eru notuð.
Mörg notkun eiga sér stað í dati mjög í stuttu máli, en hið gamla dati smáatriði eru nánast aldrei notuð. Það er full ástæða til að færa stofnunina yfir á auðlindanýtingu. Meira dregið saman i dati, því fljótlegra og skilvirkara er að komast á dati. Ef að búð kemst að því að það gerir mikla vinnslu á smáatriðum á DW, þá er samsvarandi miklu af vélaauðlindum neytt. Það er öllum fyrir bestu að afgreiða svo hátt yfirlit eins fljótt og auðið er.

Fyrir margar verslanir hefur DSS sérfræðingur í pre-DW umhverfi notað dati á smáatriðum. Að mörgu leyti komu kl dati ítarlegt lítur út eins og öryggisteppi, jafnvel þegar önnur samantektarstig eru tiltæk. Ein af starfsemi arkitektsins dati er að venja DSS notanda frá stöðugri notkun á dati á lægsta smáatriði. Það eru tvær hvatir í boði fyrir arkitektinn dati:

• uppsetningu endurgreiðslukerfis, þar sem endanlegur notandi greiðir fyrir það fjármagn sem neytt er e
• sem benda til þess að hægt sé að fá mjög góðan viðbragðstíma þegar hegðun með i dati er á háu stigi samantektar, en lélegur viðbragðstími kemur frá hegðun dati á lágu stigi ÖNNUR TILGANGUR Það eru nokkur önnur DW byggingar- og stjórnunarsjónarmið.
  Fyrsta hugleiðingin er vísitölur. THE dati á hærra stigum samantektar er hægt að verðtryggja þær frjálslega, á meðan i dati

í lægri smáatriðum eru þau svo fyrirferðarmikil að hægt er að verðtryggja þau sparlega. Af sömu rökum, þ dati á miklu smáatriði er hægt að endurskipuleggja tiltölulega auðveldlega, en rúmmál dati á neðri hæðunum er það svo stórt að i dati ekki er hægt að endurnýja þær auðveldlega. Þar af leiðandi er líkanið af dati og formlega vinnan við hönnunina leggur grunninn að því að DW er nánast eingöngu beitt á núverandi smáatriði. Með öðrum orðum, líkanastarfsemi dati þau eiga ekki við um samantektarstig, í næstum öllum tilvikum. Annað skipulagslegt sjónarmið er að deiliskipting á dati eftir DW.

Skipting er hægt að gera á tveimur stigum - á stigi dbms og á umsóknarstigi. Í deildinni á stigi dbms, Í dbms er upplýst um deildirnar og stýrir þeim í samræmi við það. Þegar um er að ræða deild á umsóknarstigi er aðeins forritarinn meðvitaður um deildirnar og ábyrgðin á stjórnun þeirra er í höndum hans.

Fyrir neðan stigi dbms, mikil vinna er unnin sjálfkrafa. Það er mikill ósveigjanleiki tengdur sjálfstjórn sviða. Þegar um er að ræða beitingu á deildarstigi dati del gagnageymsla, mikið af vinnunni fellur á forritarann, en niðurstaðan er sveigjanleiki í stjórnun á dati í gagnageymsla

ÖNNUR frávik

Þó að íhlutir í gagnageymsla vinna eins og lýst er fyrir næstum alla dati, það eru nokkrar gagnlegar undantekningar sem þarf að ræða. Undantekning er sú af dati opinberar samantektir (opinber samantektargögn). Þetta eru dati samantektir sem hafa verið reiknaðar út úr gagnageymsla en þeir eru notaðir af samfélaginu. THE dati opinberar samantektir eru geymdar og stjórnað í gagnageymsla, þó að eins og getið er hér að ofan séu þeir útskýrðir. Endurskoðendur vinna að því að framleiða slíkt ársfjórðungslega dati eins og tekjur, ársfjórðungsleg gjöld, ársfjórðungslegur hagnaður og svo framvegis. Starf endurskoðenda er utanaðkomandi gagnageymsla. Hins vegar, i dati eru notaðar „innbyrðis“ innan fyrirtækisins – frá markaðssetningu, sölu o.s.frv. Annað frávik, sem ekki verður fjallað um, er það dati ytri.

Önnur framúrskarandi tegund af dati sem finna má í a gagnageymsla er um varanleg smáatriði. Þetta veldur því að þörf er á að geyma varanlega dati á ítarlegu stigi af siðferðilegum eða lagalegum ástæðum. Ef fyrirtæki er að útsetja starfsmenn sína fyrir hættulegum efnum er þörf á því dati ítarleg og varanleg. Ef fyrirtæki framleiðir vöru sem felur í sér almannaöryggi, svo sem varahluti í flugvél, er þörf á því dati varanlegar upplýsingar, svo og ef fyrirtæki gerir hættulega samninga.

Fyrirtækið hefur ekki efni á að líta framhjá smáatriðunum vegna þess að á næstu árum, komi til málssókn, innköllun, umdeildur byggingargalli o.fl. áhættuskuldbinding fyrirtækisins gæti verið mikil. Þar af leiðandi er einstök tegund af dati þekkt sem varanleg smáatriði.

SAMANTEKT

Un gagnageymsla það er hlutbundið, samþætt, spennt afbrigði, safn af dati óstöðug til stuðnings ákvarðanatökuþörfum stjórnsýslunnar. Hvert áberandi hlutverk a gagnageymsla hefur sínar afleiðingar. Að auki eru fjögur stig af dati del gagnageymsla:

• Gömul smáatriði
• Núverandi smáatriði
• Dati örlítið í stuttu máli
• Dati mjög samandregin Lýsigögn eru einnig mikilvægur hluti af gagnageymsla. ÁSTANDUR Hugmyndin um geymslu á dati það hefur nýlega fengið mikla athygli og hefur orðið tísku 90. Þetta er vegna getu a gagnageymsla til að sigrast á takmörkunum stuðningskerfa stjórnenda eins og ákvarðanastuðningskerfa (DSS) og upplýsingakerfa stjórnenda (EIS). Þótt hugmyndin um gagnageymsla lítur lofandi út, framkvæma i gagnageymsla getur verið vandamál vegna stórfelldra vöruhúsaferla. Þrátt fyrir flókið vöruhúsaverkefni á dati, margir birgjar og ráðgjafar sem hafa birgðir dati halda því fram að geymsla á dati bjóða upp á ekkert vandamál. Í upphafi þessa rannsóknarverkefnis hafði hins vegar varla verið gerðar sjálfstæðar, strangar og kerfisbundnar rannsóknir. Þar af leiðandi er erfitt að segja til um hvað gerist í greininni þegar þau eru byggð gagnageymsla. Þessi rannsókn kannaði vörugeymsluaðferðir dati samtímamenn sem miðar að því að þróa ríkari skilning á áströlskum starfsháttum. Bókmenntaskoðunin gaf samhengið og grunninn að reynslurannsókninni. Það eru ýmsar niðurstöður úr þessari rannsókn. Í fyrsta lagi leiddi þessi rannsókn í ljós starfsemina sem átti sér stað við þróun gagnageymsla. Á mörgum sviðum, þ dati safnað staðfesti framkvæmdina sem greint er frá í bókmenntum. Í öðru lagi, þau mál og vandamál sem geta haft áhrif á þróun gagnageymsla voru auðkennd af þessari rannsókn. Að lokum, ávinningur sem ástralsk samtök hafa fengið í tengslum við notkun gagnageymsla hafa komið í ljós.

Kafli 1

Leitarsamhengi

Hugmyndin um vörugeymsla gagna fékk víðtæka útsetningu og varð vaxandi stefna á tíunda áratugnum (McFadden 90, TDWI 1996, Shah og Milstein 1996, Shanks o.fl. 1997, Eckerson 1997, Adelman og Oates 1998). Þetta má sjá af vaxandi fjölda greina um vörugeymsla gagna í viðskiptaútgáfum (Little og Gibson 2000). Margar greinar (sjá t.d. Fisher 1999, Hackathorn 1995, Morris 1995a, Bramblett og King 1995, Graham o.fl. 1996, Sakaguchi og Frolick 1996, Alvarez 1996, Brousell 1997, Clarke 1997, Don McCarthy 1997, 1997 O. Edwards 1997, TDWI 1998) hafa greint frá verulegum ávinningi fyrir stofnanir sem innleiða gagnageymsla. Þeir studdu kenningu sína með sönnunargögnum um árangursríkar útfærslur, háa arðsemi fjárfestinga (ROI) og einnig með því að útvega leiðbeiningar eða aðferðafræði til að þróa gagnageymsla

(Shanks o.fl. 1997, Seddon og Benjamin 1998, Little og Gibson 1999). Í öfgafullu tilviki, Graham o.fl. (1996) greindi frá meðalávöxtun þriggja ára fjárfestingar upp á 401%.

Mikið af núverandi bókmenntum hefur hins vegar horft framhjá þeim margbreytileika sem fylgja slíkum verkefnum. Verkefnin hjá gagnageymsla þau eru yfirleitt flókin og umfangsmikil og hafa því miklar líkur á bilun ef þeim er ekki vel stjórnað (Shah og Milstein 1997, Eckerson 1997, Foley 1997b, Zimmer 1997, Bort 1998, Gibbs og Clymer 1998, Rao 1998). Þeir krefjast mikils magns af bæði mannafla og fjármagni, tíma og fyrirhöfn til að byggja þá upp (Hill 1998, Crofts 1998). Dæmigerður tími og fjárhagsleg úrræði sem krafist er eru um tvö ár og tvær til þrjár milljónir dollara, í sömu röð (Braly 1995, Foley 1997b, Bort 1998, Humphries o.fl. 1999). Þessi tími og fjárhagsleg ráðstöfun er nauðsynleg til að stjórna og styrkja marga mismunandi þætti gagnageymslu (Cafasso 1995, Hill 1998). Samhliða vélbúnaðar- og hugbúnaðarsjónarmiðum, aðrar aðgerðir, sem eru mismunandi frá útdrætti dati til hleðsluferla á dati, minnisgetan til að stjórna uppfærslum og meta dati til notendaþjálfunar, verður að hafa í huga.

Á þeim tíma sem þetta rannsóknarverkefni hófst var mjög lítið um fræðilegar rannsóknir á sviði gagnageymslu, sérstaklega í Ástralíu. Þetta var augljóst af fáum greinum sem birtar voru um gagnavörslu í tímaritum eða öðrum fræðilegum skrifum þess tíma. Mörg tiltækra fræðirita lýstu reynslu Bandaríkjanna. Skortur á fræðilegum rannsóknum á sviði gagnageymslu hefur valdið eftirspurn eftir ströngum rannsóknum og reynslurannsóknum (McFadden 1996, Shanks o.fl. 1997, Little og Gibson 1999). Einkum rannsóknarrannsóknir á innleiðingarferli gagnageymsla þarf að gera til að auka almenna þekkingu um framkvæmd á gagnageymsla og mun þjóna sem grunnur að framtíðarrannsóknarrannsókn (Shanks o.fl. 1997, Little og Gibson 1999).

Tilgangur þessarar rannsóknar er því að kanna hvað raunverulega gerist þegar stofnanir innleiða og nota i gagnageymsla í Ástralíu. Nánar tiltekið mun þessi rannsókn fela í sér greiningu á heilu þróunarferli a gagnageymsla, frá upphafi og hönnun í gegnum hönnun og útfærslu og síðari notkun innan áströlskra stofnana. Að auki mun rannsóknin einnig stuðla að núverandi framkvæmd með því að greina svæði þar sem hægt er að bæta iðkun enn frekar og lágmarka óhagkvæmni og áhættu eða forðast. Jafnframt mun það þjóna sem grundvöllur annarra rannsókna á gagnageymsla í Ástralíu og mun fylla það skarð sem nú er í bókmenntum.

Rannsóknarspurningar

Markmið þessarar rannsóknar er að rannsaka þá starfsemi sem felst í framkvæmd gagnageymsla og notkun þeirra af áströlskum samtökum. Einkum eru skoðaðir þættir sem varða skipulagningu verkefna, þróun, rekstur, notkun og áhættu sem því fylgir. Svo spurningin um þessa rannsókn er:

„Hvernig er núverandi framkvæmd á gagnageymsla í Ástralíu?"

Til að svara þessari spurningu á áhrifaríkan hátt þarf fjöldi aukarannsóknarspurninga. Sérstaklega hafa verið tilgreindar þrjár undirspurningar úr bókmenntum, sem kynntar eru í kafla 2, til að leiðbeina þessu rannsóknarverkefni: Hvernig eru gagnageymsla af áströlskum samtökum? Hver eru vandamálin sem upp koma?

Hver er ávinningurinn sem þú hefur upplifað?
Til að svara þessum spurningum var notað könnunarrannsóknarhönnun með könnun. Sem könnunarrannsókn eru svörin við ofangreindum spurningum ekki tæmandi (Shanks o.fl. 1993, Denscombe 1998). Í þessu tilviki þarf einhverja þríhyrninga til að bæta svörin við þessum spurningum. Rannsóknin mun hins vegar leggja traustan grunn fyrir framtíðarvinnu við að skoða þessar spurningar. Ítarleg umfjöllun um rökstuðning og hönnun rannsóknaraðferða er í 3. kafla.

Uppbygging rannsóknarverkefnisins

Þetta rannsóknarverkefni skiptist í tvo hluta: samhengisrannsókn á hugtakinu gagnavörslu og reynslurannsókn (sjá mynd 1.1), sem hver um sig er rædd hér að neðan.

I. hluti: Samhengisrannsókn

Fyrsti hluti rannsóknarinnar fólst í endurskoðun á núverandi bókmenntum um ýmsar tegundir gagnavörslu, þar á meðal ákvarðanastuðningskerfi (DSS), stjórnendaupplýsingakerfi (EIS), dæmisögur um gagnageymsla og hugtökin um gagnageymsla. Einnig, niðurstöður umræðunum á gagnageymsla og fundarhópar sérfræðinga og sérfræðinga undir forystu Monash DSS rannsóknarhópsins, lögðu sitt af mörkum til þessa áfanga rannsóknarinnar sem ætlað var að fá innsýn í framkvæmd gagnageymsla og til að bera kennsl á áhættuna sem fylgir ættleiðingu þeirra. Á þessu tímabili samhengisrannsóknar var komið á skilningi á vandamálasvæðinu til að skapa þekkingargrunn fyrir síðari reynslurannsóknir. Hins vegar var þetta áframhaldandi ferli þar sem rannsóknin var framkvæmd.

II. hluti: Reynslurannsóknir

Tiltölulega nýja hugmyndin um vörugeymsla gagna, sérstaklega í Ástralíu, hefur skapað þörf fyrir könnun til að fá víðtæka mynd af notkunarupplifuninni. Þessi hluti var gerður þegar vandamálasviðið hafði verið komið á fót með víðtækri ritrýni. Gagnageymsluhugtakið sem myndaðist á meðan á samhengisrannsókninni stóð var notað sem inntak fyrir upphaflega spurningalista þessarar rannsóknar. Að þessu loknu var farið yfir spurningalistann. Ert þú sérfræðingur í gagnageymsla tók þátt í prófinu. Tilgangurinn með því að prófa upphaflega spurningalistann var að kanna hvort spurningarnar væru tæmandi og nákvæmar. Byggt á niðurstöðum prófsins var spurningalistanum breytt og breytt útgáfa var send til þátttakenda í könnuninni. Spurningalistarnir sem skiluðu voru síðan greindir fyrir m.a dati í töflum, skýringarmyndum og öðrum sniðum. THE

greiningarniðurstöður af dati mynda skyndimynd af gagnageymsluaðferðum í Ástralíu.

GAGNAVÖRUN YFIRLIT

Hugmyndin um vörugeymsla gagna hefur þróast með endurbótum í tölvutækni.
Það miðar að því að sigrast á vandamálum sem stuðningshópar umsókna eins og Decision Support System (DSS) og Executive Information System (EIS) lenda í.

Í fortíðinni hefur stærsta hindrun þessara forrita verið vanhæfni þessara forrita til að veita a gagnagrunn nauðsynlegt fyrir greininguna.
Þetta stafar einkum af eðli vinnu stjórnenda. Hagsmunir stjórnenda fyrirtækis eru stöðugt mismunandi eftir því hvaða svið er fjallað um. Því i dati grundvallaratriði í þessum forritum verða að geta breyst hratt eftir því hvaða hluta á að meðhöndla.
Þetta þýðir að i dati verður að vera tiltækt á viðeigandi formi fyrir nauðsynlegar greiningar. Reyndar áttu stuðningshópar umsókna mjög erfitt áður fyrr að safna og samþætta dati úr flóknum og fjölbreyttum áttum.

Það sem eftir er af þessum hluta sýnir yfirlit yfir hugtakið vörugeymsla gagna og fjallar um hvernig gagnageymsla geta sigrast á vandamálum stuðningshópa umsókna.
Hugtakið „Gagnavöruhúsvar vinsæll af William Inmon árið 1990. Oft tilvitnuð skilgreining hans sér Gagnavöruhús sem safn af dati efnismiðuð, samþætt, óstöðug og breytileg yfir tíma, til stuðnings stjórnunarákvörðunum.

Með því að nota þessa skilgreiningu bendir Inmon á að i dati búsettur í a gagnageymsla verður að hafa eftirfarandi 4 eiginleika:

• ▪ Efnismiðað
• ▪ Innbyggt
• ▪ Óstöðugt
• ▪ Breytilegt yfir tíma Með efnismiðuðu Inmon þýðir að i dati í gagnageymsla á stærstu skipulagssviðum sem verið hafa

skilgreind í líkaninu dati. Til dæmis allt dati varðandi i viðskiptavinir eru að finna á málefnasviðinu VIÐSKIPTAVINIR. Eins allar dati sem tengjast vörunum er að finna í efnissviðinu VÖRUR.

Með Integrated Inmon þýðir að i dati frá mismunandi kerfum eru kerfi og staðsetningar sameinuð og geymd á einum stað. Þar af leiðandi dati svipuðum verður að breyta í samræmd snið til að hægt sé að bæta þeim við og bera saman auðveldlega.
Til dæmis eru karlkyns og kvenkyns táknuð með bókstöfunum M og F í einu kerfi og með 1 og 0 í öðru. Til að samþætta þau rétt verður að umbreyta einu eða báðum sniðunum þannig að sniðin tvö séu jöfn. Í þessu tilviki gætum við breytt M í 1 og F í 0 eða öfugt. Efnismiðuð og samþætt gefa til kynna að gagnageymsla er hannað til að veita virka og þverlæga sýn á dati af fyrirtækinu.

Með Óstöðugleika á hann við að m.a dati í gagnageymsla vera stöðug og uppfærsla á dati það er ekki nauðsynlegt. Þess í stað, allar breytingar á dati frumritum er bætt við gagnagrunnur del gagnageymsla. Þetta þýðir að sagnfræðingur á dati er að finna í gagnageymsla.

Fyrir breytur með tíma gefur Inmon til kynna að i dati í gagnageymsla innihalda alltaf taktvísana ei dati þeir fara venjulega yfir ákveðinn tíma. Til dæmis a
gagnageymsla getur innihaldið 5 ára söguleg verðmæti af viðskiptavinir frá 1993 til 1997. Framboð á sögulegu og tímaröð af dati gerir þér kleift að greina þróun.

Un gagnageymsla hann getur safnað sínum eigin dati frá OLTP kerfum; frá uppruna dati utan stofnunarinnar og/eða frá öðrum sérstökum gildrukerfisverkefnum dati.
I dati útdrættir geta farið í gegnum hreinsunarferli, í þessu tilviki þ.e dati eru umbreytt og samþætt áður en þau eru geymd í gagnagrunnur del gagnageymsla. Svo ég dati

búsettur innan gagnagrunnur del gagnageymsla eru gerð aðgengileg fyrir innskráningu notenda og endurheimtarverkfæri. Með því að nota þessi verkfæri getur endanlegur notandi fengið aðgang að samþættri sýn á skipulagningu dati.

I dati búsettur innan gagnagrunnur del gagnageymsla þau eru geymd bæði í ítarlegu og yfirlitssniði.
Stig yfirlitsins getur verið háð eðli þess dati. Ég dati nákvæmar geta falist í dati núverandi og dati sagnfræðingar
I dati alvöru eru ekki innifalin í gagnageymsla þangað til i dati í gagnageymsla eru enduruppfærðar.
Auk þess að geyma dati sjálfir, a gagnageymsla það getur líka geymt annars konar dagsetning kallast METADATA sem lýsir i dati búsettur í hans gagnagrunnur.
Það eru tvær tegundir af lýsigögnum: þróunarlýsigögn og greiningarlýsigögn.
Lýsigögn þróunar eru notuð til að stjórna og gera sjálfvirkan ferla við útdrátt, hreinsun, kortlagningu og upphleðslu dati í gagnageymsla.
Upplýsingarnar í þróunarlýsigögnunum geta innihaldið upplýsingar um stýrikerfi, upplýsingar um þá þætti sem á að draga út, líkanið dati del gagnageymsla og viðskiptareglur um umbreytingu gagna dati.

Önnur tegund lýsigagna, þekkt sem greiningarlýsigögn, gerir endanotandanum kleift að kanna innihald lýsigagna gagnageymsla að finna i dati fyrirliggjandi og merkingu þeirra í skýrum, ótæknilegum skilmálum.

Þannig virka greiningarlýsigögnin sem brú á milli gagnageymsla og notendaforrit. Þessi lýsigögn geta innihaldið viðskiptamódelið, lýsingar á dati sem samsvarar viðskiptamódeli, fyrirfram skilgreindum fyrirspurnum og skýrslum, upplýsingum fyrir notendaaðgang og vísitölu.

Greining og þróun lýsigögn verða að vera sameinuð í eitt samþætt innilokunarlýsigögn til að virka rétt.

Því miður hafa mörg núverandi verkfæri sín eigin lýsigögn og eins og er eru engir staðlar sem fyrir eru

leyfa gagnageymsluverkfærum að samþætta þessi lýsigögn. Til að ráða bót á þessu ástandi stofnuðu margir framleiðendur leiðandi gagnageymslutækja Meta Data Council sem síðar varð Meta Data Coalition.

Markmið þessarar bandalags er að byggja upp staðlað lýsigagnasett sem gerir mismunandi gagnageymsluverkfærum kleift að umbreyta lýsigögnum
Viðleitni þeirra leiddi til fæðingar Meta Data Interchange Specification (MDIS) sem gerir kleift að skiptast á upplýsingum milli Microsoft skjalasafna og tengdra MDIS skráa.

Tilvist dati bæði samantekt/verðtryggð og ítarleg, það gefur notandanum möguleika á að framkvæma DRILLDROKKUN (borun) frá dati verðtryggð með ítarlegum og öfugt. Tilvist dati nákvæm saga gerir kleift að búa til þróunargreiningar með tímanum. Að auki er hægt að nota lýsigögn greiningar sem del möppu gagnagrunnur del gagnageymsla til að hjálpa endanotendum að finna i dati nauðsynlegar.

Í samanburði við OLTP kerfi, með getu þeirra til að styðja greiningu á dati og skýrslugerð, the gagnageymsla litið er á það sem hentugra kerfi fyrir upplýsingaferla eins og gerð og svörun fyrirspurna og gerð skýrslna. Næsti hluti mun varpa ljósi á muninn á kerfunum tveimur í smáatriðum.

GAGNAVÖRUHÚS GEGN OLTP KERFI

Mörgum upplýsingakerfum innan stofnana er ætlað að styðja við daglegan rekstur. Þessi kerfi, þekkt sem OLTP KERFI, fanga dagleg viðskipti sem eru stöðugt uppfærð.

I dati innan þessara kerfa er þeim oft breytt, bætt við eða eytt. Til dæmis breytist heimilisfang viðskiptavinar eftir því sem hann fer á milli staða. Í þessu tilviki verður nýja heimilisfangið skráð með því að breyta heimilisfangsreitnum á gagnagrunnur. Meginmarkmið þessara kerfa er að draga úr viðskiptakostnaði og á sama tíma stytta afgreiðslutíma. Dæmi um OLTP kerfi eru mikilvægar aðgerðir eins og pöntunardagbók, launaskrá, reikninga, framleiðsla, þjónustu við viðskiptavini viðskiptavinir.

Ólíkt OLTP kerfum, sem voru búin til fyrir færslu- og atburðabundna ferla, þ.e gagnageymsla voru búnar til til að veita greiningartengdan ferlistuðning dati og ákvarðanatökuferli.

Þetta er venjulega náð með því að samþætta i dati frá ýmsum OLTP og ytri kerfum í einum „íláti“ af dati, eins og fjallað var um í fyrri kafla.

Monash Data Warehousing Process Model

Ferlislíkanið fyrir gagnageymsla Monash var þróað af vísindamönnum hjá Monash DSS rannsóknarhópnum og er byggt á bókmenntum um gagnageymsla, reynslu á sviði þróunarstuðningskerfa, viðræður við framleiðendur forrita til notkunar á gagnageymsla, um hóp sérfræðinga í notkun á gagnageymsla.

Áfangarnir eru: Upphaf, áætlanagerð, þróun, rekstur og skýring. Skýringarmyndin útskýrir endurtekið eða þróunarlegt eðli þess að þróa a gagnageymsla ferli með því að nota tvíhliða örvar sem eru settar á milli mismunandi fasa. Í þessu samhengi þýðir „endurtekið“ og „þróunarkennt“ að í hverju skrefi ferlisins getur framkvæmdastarfsemi alltaf breiðst aftur á bak til fyrra stigs. Þetta er vegna eðlis verkefnis gagnageymsla þar sem viðbótarbeiðnir frá endanlegum notanda koma fram hvenær sem er. Til dæmis á þróunarstigi ferlis gagnageymslaEf óskað er eftir nýrri myndstærð eða svæði af notanda, sem var ekki hluti af upphaflegri áætlun, þarf að bæta því við kerfið. Þetta veldur breytingum á verkefninu. Niðurstaðan er sú að hönnunarteymið þarf að breyta kröfum skjala sem búið er til hingað til á hönnunarstigi. Í mörgum tilfellum þarf núverandi ástand verkefnisins að fara alla leið aftur í hönnunarstigið þar sem nýju kröfunni þarf að bæta við og skjalfesta. Endanlegur notandi verður að geta séð tiltekið skjöl yfirfarið og þær breytingar sem hafa verið gerðar á þróunarstigi. Í lok þessarar þróunarlotu þarf verkefnið að fá góð viðbrögð bæði frá þróunarteymi og notendateymi. Endurgjöf er síðan endurnýtt til að bæta framtíðarverkefni.

Skipulagsgeta
dw hafa tilhneigingu til að vera mjög stór að stærð og vaxa mjög hratt (Best 1995, Rudin 1997a) vegna magns af dati söguleg sem þeir varðveita frá endingu sinni. Vöxtur getur einnig stafað af dati viðbætur sem notendur óska ​​eftir til að auka verðmæti dati sem þeir hafa nú þegar. Þar af leiðandi eru geymslukröfur fyrir dati hægt að auka verulega (Eckerson 1997). Þannig er nauðsynlegt að tryggja, með því að framkvæma afkastagetuáætlun, að kerfið sem á að byggja geti vaxið eftir því sem þarfir vaxa (Best 1995, LaPlante 1996, Lang 1997, Eckerson 1997, Rudin 1997a, Foley 1997a).
Við áætlanagerð um sveigjanleika gagnavöruhúsa verður maður að vita væntanlegur vöxtur í stærð vöruhúsa, hvers konar spurningar sem líklegt er að verði gerðar og fjölda notenda sem styðja (Best 1995, Rudin 1997b, Foley 1997a). Að byggja upp skalanlegt forrit krefst blöndu af stigstæranlegum miðlaratækni og skalanlegum forritahönnunartækni (Best 1995, Rudin 1997b. Hvort tveggja er nauðsynlegt til að byggja upp mjög stigstærð forrit. Skalanleg netþjónatækni getur gert það auðvelt og hagkvæmt að bæta við geymslu, minni og CPU án niðrandi frammistaða (Lang 1997, Telephony 1997).

Það eru tvær megin stigstærðar miðlaratækni: samhverf margvinnsla (SMP) og massíf samhliða vinnsla (MPP) ) (IDC 1997, Humphries o.fl. 1999). SMP þjónn hefur venjulega marga örgjörva sem deila minni, kerfisrútum og öðrum auðlindum (IDC 1997, Humphries o.fl. 1999). Hægt er að bæta við fleiri örgjörvum til að auka það máttur reiknifræðilega. Önnur aðferð til að auka máttur útreikningur á SMP þjóninum, er að sameina fjölmargar SMP vélar. Þessi tækni er þekkt sem þyrping (Humphries o.fl. 1999). MPP þjónn hefur aftur á móti marga örgjörva, hver með sínu minni, strætókerfi og öðrum auðlindum (IDC 1997, Humphries o.fl. 1999). Hver örgjörvi er kallaður hnútur. Aukning á máttur er hægt að fá útreikninga

bæta við viðbótarhnútum við MPP netþjóna (Humphries o.fl. 1999).

Veikleiki SMP netþjóna er að of margar inntak-úttak (I/O) aðgerðir geta teppt strætókerfið (IDC 1997). Þetta vandamál kemur ekki fram innan MPP netþjóna þar sem hver örgjörvi hefur sitt eigið strætókerfi. Hins vegar eru samtengingar milli hvers hnúts almennt mun hægari en SMP strætókerfið. Ennfremur geta MPP netþjónar bætt við auknu flóknu lagi við forritara (IDC 1997). Þannig getur valið á milli SMP og MPP netþjóna verið undir áhrifum af mörgum þáttum, þar á meðal hversu flókið forritin eru, verð/afköst hlutfall, afköst sem krafist er, dw forritin sem koma í veg fyrir og aukningu á stærð gagnagrunnur af dw og í fjölda endanotenda.

Hægt er að nota fjölda stigstærðra forritahönnunaraðferða við skipulagningu afkastagetu. Maður notar ýmis skýrslutímabil eins og daga, vikur, mánuði og ár. Með ýmsum tilkynningarfresti, sem gagnagrunnur er hægt að skipta í hæfilega flokkaða hluta (Inmon o.fl. 1997). Önnur tækni er að nota yfirlitstöflur sem eru smíðaðar með því að draga saman dati da dati ítarleg. Þannig, i dati útdrættir eru þéttari en ítarlegar, sem krefst minna minnisrýmis. Svo dati Hægt er að geyma upplýsingar í ódýrari geymslueiningu, sem sparar enn meira geymslupláss. Þó að nota yfirlitstöflur geti sparað geymslupláss krefjast þær mikillar fyrirhafnar til að halda þeim núverandi og í samræmi við þarfir fyrirtækisins. Hins vegar er þessi tækni mikið notuð og oft notuð í tengslum við fyrri tækni (Best 1995, Inmon 1996a, Chauduri og Dayal
1997).

Skilgreina Gagnavöruhús Tæknileg arkitektúr Skilgreining á dw arkitektúrtækni

Fyrstu notendur gagnavöruhúss sáu fyrst og fremst fyrir sér miðlæga gagnavöruhúsaútfærslu þar sem allir dati, þar á meðal i dati ytri, voru samþætt í einn,
líkamleg geymsla (Inmon 1996a, Bresnahan 1996, Peacock 1998).

Helsti kosturinn við þessa nálgun er að endanotendur geta fengið aðgang að heildarsýn yfir fyrirtækið dati skipulagsheild (Ovum 1998). Annar plús er að það býður upp á stöðlun á dati yfir stofnunina, sem þýðir að það er aðeins ein útgáfa eða skilgreining fyrir hvert hugtök sem notuð eru í lýsigögnum geymslunnar (Flanagan og Safdie 1997, Ovum 1998). Ókosturinn við þessa nálgun er hins vegar sá að hún er dýr og erfið í smíðum (Flanagan og Safdie 1997, Ovum 1998, Inmon o.fl. 1998). Ekki löngu eftir geymsluarkitektúrinn dati miðstýrð varð vinsæl, hugmyndin um námuvinnslu á minnstu undirhópum guða þróaðist dati til að styðja við þarfir sérstakra forrita (Varney 1996, IDC 1997, Berson og Smith 1997, Peacock 1998). Þessi litlu kerfi eru unnin úr því stærri gagnageymsla miðstýrt. Þeir eru nefndir gagnageymsla starfsmannadeildar eða starfsmannagagnamar. Hinn háði gagnamarkaðsarkitektúr er þekktur sem þriggja hæða arkitektúr þar sem fyrsta stigið samanstendur af gagnageymsla miðstýrt, annað samanstendur af innlánum af dati deildar og sú þriðja felur í sér aðgang að dati og með greiningartækjum (Demarest 1994, Inmon o.fl. 1997).

Gagnamars eru venjulega smíðaðir eftir gagnageymsla miðlæg var byggð til að mæta þörfum sérstakra eininga (White 1995, Varney 1996).
Gagnaverslun i dati sem eiga við sérstakar einingar (Inmon o.fl. 1997, Inmon o.fl. 1998, IA 1998).

Kosturinn við þessa aðferð er að það verður engin dagsetning ekki samþætt og að i dati verður minna óþarfi innan gagnamars þar sem öll dati koma frá innborgun á dati samþætt. Annar kostur er að það verða færri tengingar á milli hverrar gagnavöruverslunar og heimilda hennar dati vegna þess að hver gagnamarkaður hefur aðeins eina uppsprettu dati. Auk þess með þennan arkitektúr á sínum stað geta endanotendur enn fengið aðgang að dati

fyrirtækjasamtaka. Þessi aðferð er þekkt sem ofan-niður aðferðin, þar sem gagnamars eru byggðir eftir gagnageymsla (páfugl 1998, Goff 1998).
Með því að auka þörfina á að sýna niðurstöður snemma, hafa sumar stofnanir byrjað að byggja upp sjálfstæða gagnamars (Flanagan og Safdie 1997, White 2000). Í þessu tilviki fá gagnamars sitt dati beint frá grunnatriði dati OLTP og ekki OLTP frá miðlægu og samþættu geymslunni, þannig að útrýma þörfinni fyrir miðlæga geymsluna til staðar.

Hver gagnamarkaður þarf að minnsta kosti einn tengil á heimildir sínar dati. Einn ókostur við að hafa marga tenginga við hverja gagnavöruverslun er sá að, samanborið við fyrri arkitektúrana tvo, er ofgnótt af dati hækkar verulega.

Sérhver gagnaverslun verður að geyma öll dati krafist á staðnum til að hafa engin áhrif á OLTP kerfi. Þetta veldur i dati þau eru geymd í mismunandi gagnamörkum (Inmon o.fl. 1997). Annar ókostur við þessa arkitektúr er að hann leiðir til þess að mynda flóknar samtengingar milli gagnamars og gagnagjafa þeirra. dati sem erfitt er að útfæra og stjórna (Inmon o.fl. 1997).

Annar ókostur er að endanotendur geta hugsanlega ekki nálgast yfirlit fyrirtækjaupplýsinga vegna þess að m.a dati af mismunandi gagnamörkum eru ekki samþætt (Ovum 1998).
Enn annar ókostur er að það geta verið fleiri en ein skilgreining fyrir hvert hugtök sem notuð eru í gagnamars sem framkallar ósamræmi í gögnum. dati í skipulagi (Ovum 1998).
Þrátt fyrir ókostina sem fjallað er um hér að ofan, vekja sjálfstæðar gagnamar enn áhuga margra stofnana (IDC 1997). Einn þáttur sem gerir þær aðlaðandi er að þær eru fljótari að þróast og þurfa minni tíma og fjármagn (Bresnahan 1996, Berson og Smith 1997, Ovum 1998). Þar af leiðandi þjóna þær fyrst og fremst sem prófunarhönnun sem hægt er að nota til að greina fljótt kosti og/eða galla í hönnuninni (Parsaye 1995, Braly 1995, Newing 1996). Í þessu tilviki verður sá hluti sem á að innleiða í tilraunaverkefninu að vera lítill en mikilvægur fyrir stofnunina (Newing 1996, Mansell-Lewis 1996).

Með því að skoða frumgerðina geta notendur og stjórnendur ákveðið hvort halda eigi verkefninu áfram eða hætta (Flanagan og Safdie 1997).
Ef ákvörðunin verður haldið áfram ætti að byggja gagnamars fyrir aðrar atvinnugreinar einn í einu. Það eru tveir valkostir fyrir notendur út frá þörfum þeirra við að búa til sjálfstæðar gagnagrunnar: samþætt/samþætt og ósamþætt (Ovum 1998)

Í fyrstu aðferðinni ætti að byggja hvert nýtt gagnamart út frá núverandi gagnamart og líkani dati notað af fyrirtækinu (Varney 1996, Berson og Smith 1997, Peacock 1998). Nauðsyn þess að nota líkanið dati fyrirtækis þýðir að tryggja verður að það sé aðeins ein skilgreining fyrir hvert hugtök sem notuð eru yfir gagnamars, einnig til að tryggja að hægt sé að sameina mismunandi gagnamars til að gefa yfirsýn yfir upplýsingar fyrirtækja (Bresnahan 1996). Þessi aðferð er kölluð botn-upp aðferðin og er best notuð þegar skortur er á fjárhag og tíma (Flanagan og Safdie 1997, Ovum 1998, peacock 1998, Goff 1998). Í annarri aðferðinni getur innbyggða gagnamarsinn aðeins fullnægt þörfum tiltekinnar einingar. Afbrigði af sameinuðu gagnamarkaðnum er gagnageymsla dreift þar sem gagnagrunnur miðlara miðlara miðlara er notaður til að sameina mörg gagnamar í eina geymslu dati dreift (White 1995). Í þessu tilviki, þ dati Viðskiptum er dreift í nokkra gagnamars. Beiðnir endanotenda eru sendar til gagnagrunnur miðlara miðlara miðlara, sem dregur út allt dati beðið um af gagnasafni og færa niðurstöðurnar aftur til notendaforrita. Þessi aðferð veitir endanotendum viðskiptaupplýsingar. Hins vegar er vandamálum óháðra gagnamarkaða enn ekki eytt. Það er annar arkitektúr sem hægt er að nota sem er kallaður gagnageymsla sýndarmynd (White 1995). Hins vegar er þessi arkitektúr, sem sýnd er á mynd 2.9, ekki gagnageymsluarkitektúr dati raunverulegt þar sem það færir ekki álagið frá OLTP kerfum til gagnageymsla (Demarest 1994).

Reyndar eru beiðnir um dati af notendum eru þær sendar til OLTP kerfa sem skila niðurstöðum eftir að hafa unnið úr notendabeiðnum. Þó að þessi arkitektúr gerir endanotendum kleift að búa til skýrslur og gera beiðnir, getur hann ekki veitt m.a

dati sögu og yfirlit yfir fyrirtækisupplýsingar síðan i dati þar sem mismunandi OLTP kerfin eru ekki samþætt. Þess vegna getur þessi arkitektúr ekki fullnægt greiningu á dati eins og spár.

Val á aðgangs- og gagnabataforritum dati

Tilgangurinn með byggingu a gagnageymsla er að miðla upplýsingum til endanotenda (Inmon o.fl. 1997, Poe 1996, McFadden 1996, Shanks o.fl. 1997, Hammergren 1998); eitt eða fleiri aðgangs- og endurheimtarforrit dati þarf að veita. Hingað til er mikið úrval slíkra forrita fyrir notandann að velja úr (Hammergren 1998, Humphries o.fl. 1999). Valin forrit ákvarða árangur vöruhúsaátaksins dati í stofnun vegna þess að umsóknirnar eru sýnilegasti hluti af gagnageymsla til endanotanda (Inmon o.fl. 1997, Poe 1996). Til að ná árangri a gagnageymsla, verður að geta stutt við gagnagreiningarstarfsemi dati endanotandans (Poe 1996, Seddon og Benjamin 1998, Eckerson 1999). Þannig þarf að bera kennsl á „stig“ þess sem endanlegur notandi vill (Poe 1996, Mattison 1996, Inmon o.fl. 1997, Humphries o.fl. 1999).

Almennt séð er hægt að flokka endanotendur í þrjá flokka: yfirnotendur, viðskiptafræðinga og stórnotendur (Poe 1996, Humphries o.fl. 1999). Framkvæmdanotendur þurfa greiðan aðgang að fyrirfram skilgreindum skýrslum (Humphries o.fl. 1999). Auðvelt er að nálgast þessar skýrslur með valmyndaleiðsögn (Poe 1996). Að auki ættu skýrslur að birta upplýsingar með því að nota myndræna framsetningu eins og töflur og sniðmát til að koma upplýsingum fljótt á framfæri (Humphries o.fl. 1999). Viðskiptasérfræðingar, sem hafa kannski ekki tæknilega hæfileika til að þróa skýrslur frá grunni á eigin spýtur, þurfa að geta breytt núverandi skýrslum til að mæta sérstökum þörfum þeirra (Poe 1996, Humphries o.fl. 1999). Stórnotendur eru aftur á móti sú tegund endanotenda sem hefur getu til að búa til og skrifa beiðnir og skýrslur frá grunni (Poe 1996, Humphries o.fl. 1999). Það eru þeir sem

þeir byggja upp tengsl fyrir aðrar tegundir notenda (Poe 1996, Humphries o.fl. 1999).

Þegar kröfur endanlegra notenda hafa verið ákvarðaðar verður að gera úrval aðgangs- og endurheimtarforrita dati meðal allra þeirra sem til eru (Poe 1996, Inmon o.fl. 1997).
Aðgangur að dati og öflunarverkfæri er hægt að flokka í 4 gerðir: OLAP tól, EIS/DSS tól, fyrirspurnar- og skýrslutól og gagnavinnsluverkfæri.

OLAP verkfæri gera notendum kleift að búa til sérstakar fyrirspurnir sem og þær sem gerðar eru á gagnagrunnur del gagnageymsla. Að auki leyfa þessar vörur notendum að bora niður frá dati almennt til ítarlegra.

EIS/DSS verkfæri veita stjórnendaskýrslu eins og „hvað ef“ greiningu og aðgang að valmyndarknúnum skýrslum. Skýrslur ættu að vera fyrirfram skilgreindar og sameinast valmyndum til að auðvelda flakk.
Fyrirspurnar- og skýrslutól gera notendum kleift að framleiða fyrirfram skilgreindar og sérstakar skýrslur.

Gagnavinnsluverkfæri eru notuð til að bera kennsl á tengsl sem gætu varpað nýju ljósi á gleymdar aðgerðir dati gagnageymslunnar.

Samhliða því að hagræða kröfum hverrar tegundar notenda, verða verkfærin sem valin eru að vera leiðandi, skilvirk og auðveld í notkun. Þeir þurfa einnig að vera samhæfðir öðrum hlutum arkitektúrsins og geta unnið með núverandi kerfi. Einnig er lagt til að velja gagnaaðgang og öflunartæki með sanngjörnu verði og afköstum. Aðrar forsendur sem þarf að hafa í huga fela í sér skuldbindingu verkfærasöluaðila um að styðja vöru sína og þróunina sem hún mun hafa í framtíðarútgáfum. Til að tryggja þátttöku notenda við notkun gagnavöruhússins tekur þróunarteymið notendur með í verkfæravalsferlinu. Í þessu tilviki ætti að gera hagnýtt mat á notandanum.

Til að auka verðmæti gagnavöruhússins getur þróunarteymið einnig veitt vefaðgang að gagnavöruhúsum sínum. Vefvirkt gagnavöruhús gerir notendum kleift að fá aðgang að dati frá afskekktum stöðum eða á ferðalögum. Einnig upplýsingarnar geta

veitt með lægri kostnaði með lækkun á þjálfunarkostnaði.

2.4.3 Gagnavöruhús Aðgerðaráfangi

Þessi áfangi samanstendur af þremur aðgerðum: skilgreiningu á endurnýjunaraðferðum gagna, eftirlit með starfsemi gagnavöruhúsa og stjórnun á öryggi gagnageymslu.

Skilgreining á gagnahressunaraðferðum

Eftir fyrstu hleðslu, þ dati í gagnagrunnur gagnavöruhússins verður að endurnýja reglulega til að endurskapa breytingarnar sem gerðar eru á dati frumrit. Svo þú verður að ákveða hvenær á að endurnýja, hversu oft á að tímasetja endurnýjunina og hvernig á að endurnýja dati. Lagt er til að endurnýja dati þegar hægt er að taka kerfið offline. Uppfærslutíðnin er ákvörðuð af þróunarteymi út frá kröfum notenda. Það eru tvær aðferðir við að endurnýja gagnageymsluna: full endurnýjun og stöðug upphleðsla breytinga.

Fyrsta aðferðin, full endurnýjun, krefst þess að endurhlaða allt dati frá grunni. Þetta þýðir að öll dati þarf að draga út, hreinsa, umbreyta og samþætta í hverja endurnýjun. Þessa nálgun ætti að forðast þegar mögulegt er þar sem hún er tímafrek og auðlindafrek.

Önnur aðferð er að hlaða upp breytingum stöðugt. Þetta bætir i dati sem hafa breyst frá síðustu endurnýjunarlotu gagnavöruhúss. Að bera kennsl á nýjar eða breyttar skrár dregur verulega úr magni dati sem ber að dreifa til gagnageymslunnar í hverri uppfærslu sem aðeins þessir dati verður bætt við gagnagrunnur gagnageymslunnar.

Það eru að minnsta kosti 5 aðferðir sem hægt er að nota til að afturkalla i dati ný eða breytt. Til að ná fram skilvirkri uppfærslustefnu fyrir myndband dati blanda af þessum aðferðum sem ná í allar breytingar á kerfinu gæti verið gagnleg.

Fyrsta aðferðin, sem notar tímastimpla, gerir ráð fyrir að öllum sé úthlutað dati breytt og uppfært tímastimpil svo þú getir auðveldlega borið kennsl á allt dati breytt og nýtt. Hins vegar hefur þessi aðferð ekki verið mikið notuð í flestum stýrikerfum í dag.
Önnur aðferðin er að nota forritsmyndaða delta skrá sem inniheldur aðeins þær breytingar sem gerðar eru á dati. Notkun þessarar skráar eykur einnig uppfærsluferilinn. Hins vegar hefur jafnvel þessi aðferð ekki verið notuð í mörgum forritum.
Þriðja aðferðin er að skanna annálaskrá, sem inniheldur í grundvallaratriðum upplýsingar svipaðar deltaskránni. Eini munurinn er sá að annálaskrá er búin til fyrir bataferlið og getur verið erfitt að skilja.
Fjórða aðferðin er að breyta forritskóðanum. Hins vegar er flest forritskóðinn gamall og brothættur; því ætti að forðast þessa tækni.
Síðasta aðferðin er að bera saman i dati heimildir með aðalskránni dei dati.

Eftirlit með starfsemi gagnageymslu

Þegar gagnageymslunni hefur verið gefið út til notenda þarf að fylgjast með því með tímanum. Í þessu tilviki getur stjórnandi gagnavöruhúss notað eitt eða fleiri stjórnunar- og eftirlitstæki til að fylgjast með notkun gagnavöruhússins. Sérstaklega er hægt að safna upplýsingum um fólk og hvenær það nálgast gagnageymsluna. Láttu ekki svona dati safnað er hægt að búa til prófíl yfir framkvæmt verk sem hægt er að nota sem inntak í endurgreiðsluútfærslu notandans. Endurgreiðslu gerir notendum kleift að fá upplýsingar um vinnslukostnað gagnavöruhúss.

Að auki er einnig hægt að nota endurskoðun gagnavöruhúsa til að bera kennsl á gerðir fyrirspurna, stærð þeirra, fjölda fyrirspurna á dag, viðbragðstíma fyrirspurna, geira sem náðst hefur og magn af dati unnið. Annar tilgangur þess að gera úttekt á vöruhúsum gagna er að bera kennsl á dati sem ekki eru í notkun. Þessar dati Hægt er að fjarlægja þau úr gagnageymslunni til að bæta tíma

af framkvæmd fyrirspurn svar og stjórna vexti af dati sem búa innan gagnagrunn gagnageymslunnar.

Öryggisstjórnun gagnageymslu

Gagnahús inniheldur dati samþætt, gagnrýnið, viðkvæmt sem auðvelt er að ná í. Af þessum sökum ætti að verja það fyrir óviðkomandi notendum. Ein leið til að innleiða öryggi er að nota del aðgerðina DBMS að úthluta mismunandi réttindi til mismunandi tegunda notenda. Þannig þarf að viðhalda aðgangssniði fyrir hverja tegund notenda. Önnur leið til að tryggja gagnageymsluna er að dulkóða það eins og skrifað er í gagnagrunn gagnageymslunnar. Aðgangur að dati og endurheimtartækin verða að afkóða dati áður en niðurstöðurnar eru kynntar fyrir notendum.

2.4.4 Gagnavöruhús Uppsetningaráfangi

Það er síðasta stigið í innleiðingarferli gagnavöruhúss. Aðgerðirnar sem á að framkvæma í þessum áfanga felur í sér að þjálfa notendur í að nota gagnageymsluna og framkvæma endurskoðun á gagnageymslunni.

Notendaþjálfun

Notendaþjálfun ætti að fara fram áður en aðgangur er kominn dati gagnageymslunnar og notkun gagnaheimilda. Almennt ættu fundir að byrja með kynningu á hugtakinu geymslu dati, innihald gagnageymslunnar, meta dati og grunneiginleika verkfæranna. Síðan gætu fullkomnari notendur einnig rannsakað efnislegar töflur og eiginleika notenda gagnaaðgangs og öflunarverkfæra.

Það eru margar aðferðir til að gera notendaþjálfun. Eitt af þessu felur í sér úrval margra notenda eða greinenda sem valdir eru úr hópi notenda, byggt á leiðtoga- og samskiptahæfileikum þeirra. Þeir eru persónulega þjálfaðir í öllu sem þeir þurfa að vita til að kynnast kerfinu. Eftir þjálfun fara þeir aftur í vinnuna sína og byrja að kenna öðrum notendum hvernig á að nota kerfið. Á

Byggt á því sem þeir hafa lært geta aðrir notendur byrjað að kanna gagnageymsluna.
Önnur aðferð er að þjálfa marga notendur á sama tíma, eins og þú værir að þjálfa í kennslustofunni. Þessi aðferð hentar vel þegar það eru margir notendur sem þarf að þjálfa á sama tíma. Önnur aðferð er að þjálfa hvern notanda fyrir sig, einn í einu. Þessi aðferð hentar vel þegar notendur eru fáir.

Tilgangur notendaþjálfunar er að kynna þér aðgang dati og öflunarverkfæri sem og innihald gagnavöruhúsa. Hins vegar gætu sumir notendur verið óvart með magn upplýsinga sem veittar eru á þjálfunarlotunni. Síðan þarf að fara í nokkra endurmenntunartíma til að halda áfram stuðningi og svara ákveðnum spurningum. Í sumum tilfellum er notendahópur stofnaður til að veita þessa tegund af stuðningi.

Að safna viðbrögðum

Þegar gagnageymslunni hefur verið komið í notkun geta notendur notað i dati búsettur í gagnageymslunni í ýmsum tilgangi. Aðallega nota sérfræðingar eða notendur i dati í gagnageymslunni fyrir:

1. 1 Þekkja þróun fyrirtækja
2. 2 Greindu innkaupasnið fyrir viðskiptavinir
3. 3 Skipta i viðskiptavinir og af
4. 4 Veittu bestu þjónustu við viðskiptavinir - sérsníða þjónustu
5. 5 Móta aðferðir markaðssetningu
6. 6 Gerðu samkeppnishæf tilboð fyrir kostnaðargreiningar og aðstoðaðu við stjórn
7. 7 Styðja stefnumótandi ákvarðanatöku
8. 8 Finndu tækifæri til að koma fram
9. 9 Bættu gæði núverandi viðskiptaferla
10. 10 Athugaðu hagnaðinn

Í kjölfar þróunarstefnu gagnavöruhússins gæti farið fram röð endurskoðunar á kerfinu til að fá endurgjöf

bæði af þróunarteymi og af notendasamfélagi.
Hægt er að taka tillit til niðurstaðna sem fengust fyrir næstu þróunarlotu.

Þar sem gagnavöruhúsið hefur stigvaxandi nálgun er nauðsynlegt að læra af árangri og mistökum fyrri þróunar.

2.5 Samantekt

Í þessum kafla hefur verið fjallað um þær aðferðir sem eru til staðar í bókmenntum. Í kafla 1 var fjallað um hugtakið gagnageymslu og hlutverk þess í ákvarðanafræði. Hluti 2 lýsti helstu muninum á gagnavöruhúsum og OLTP kerfum. Hluti 3 fjallaði um Monash gagnavöruhús líkanið sem var notað í kafla 4 til að lýsa starfseminni sem tekur þátt í ferlinu við að þróa gagnavöruhús, þessar fullyrðingar voru ekki byggðar á ströngum rannsóknum. Það sem gerist í raunveruleikanum getur verið mjög frábrugðið því sem bókmenntir segja frá, hins vegar er hægt að nota þessar niðurstöður til að búa til grunnfarangur sem undirstrikar hugmyndina um gagnageymslu fyrir þessar rannsóknir.

Kafli 3

Rannsóknar- og hönnunaraðferðir

Í þessum kafla er fjallað um rannsóknar- og hönnunaraðferðir þessarar rannsóknar. Fyrsti hlutinn sýnir almenna sýn á þær rannsóknaraðferðir sem til eru við upplýsingaleit, ennfremur er fjallað um forsendur fyrir vali á bestu aðferð fyrir tiltekna rannsókn. Í kafla 2 er síðan fjallað um tvær aðferðir sem valdar voru með ofangreindum forsendum; annar þeirra verður valinn og samþykktur af þeim ástæðum sem tilgreindar eru í 3. lið þar sem ástæðurnar fyrir útilokun hinnar viðmiðunar eru einnig tilgreindar. Í 4. kafla eru rannsóknarverkefnið kynnt og í 5. kafla niðurstöður.

3.1 Rannsóknir í upplýsingakerfum

Rannsóknir á upplýsingakerfum takmarkast ekki eingöngu við tæknisviðið heldur verður að útvíkka þær þannig að þær nái yfir hegðunar- og skipulagsmarkmið.
Við eigum þetta að þakka ritgerðum ýmissa greina, allt frá félagsvísindum til náttúruvísinda; þetta leiðir til þess að þörf er á ákveðnu sviði rannsóknaraðferða sem fela í sér megindlegar og eigindlegar aðferðir til að nota fyrir upplýsingakerfi.
Allar tiltækar rannsóknaraðferðir eru mikilvægar, reyndar nokkrir vísindamenn eins og Jenkins (1985), Nunamaker o.fl. (1991) og Galliers (1992) halda því fram að engin sérstök alhliða aðferð sé til til að stunda rannsóknir á hinum ýmsu sviðum upplýsingakerfa; í raun getur aðferð hentað tilteknum rannsóknum en ekki öðrum. Þetta leiðir til þess að við þurfum að velja aðferð sem hentar tilteknu rannsóknarverkefni okkar: fyrir þetta val Benbasat o.fl. (1987) kemur fram að huga beri að eðli og tilgangi rannsóknarinnar.

3.1.1 Eðli rannsókna

Hægt er að flokka hinar ýmsu náttúrutengdu rannsóknaraðferðir í þrjár þekktar hefðir í upplýsingafræði: pósitífískar, túlkandi og gagnrýnar rannsóknir.

3.1.1.1 Pósitífískar rannsóknir

Pósitífískar rannsóknir eru einnig þekktar sem vísindalegar eða empirískar rannsóknir. Það leitast við að: "útskýra og spá fyrir um hvað muni gerast í félagslegum heimi með því að skoða reglusemi og orsök-áhrif tengsl á milli þeirra þátta sem mynda hann" (Shanks o.fl. 1993).

Pósitívistískar rannsóknir einkennast einnig af endurtekningarhæfni, einföldun og afsönnun. Jafnframt viðurkenna pósitífískar rannsóknir að til séu fyrirfram tengsl milli fyrirbæranna sem rannsökuð voru.
Samkvæmt Galliers (1992) er flokkunarfræði rannsóknaraðferð sem er innifalin í pósitífískri hugmyndafræði, sem þó er ekki bundin við þetta, í raun eru tilraunir á rannsóknarstofu, vettvangstilraunir, dæmisögur, sýnikennsla á setningum, spár og eftirlíkingar. Með því að nota þessar aðferðir viðurkenna vísindamenn að hægt sé að skoða fyrirbærin sem rannsökuð eru á hlutlægan og strangan hátt.

3.1.1.2 Túlkunarrannsóknir

Túlkunarrannsóknir, sem oft eru kallaðar fyrirbærafræði eða and-pósitívismi, er lýst af Neuman (1994) sem „kerfisbundinni greiningu á félagslegri merkingu athafna með beinni og nákvæmri athugun á fólki í náttúrulegum aðstæðum, til að komast að skilningi og túlkun á því hvernig fólk skapar og viðheldur félagslegum heimi sínum“. Túlkunarrannsóknir hafna þeirri forsendu að hægt sé að horfa á fyrirbæri sem hafa sést á hlutlægan hátt. Í raun eru þær byggðar á huglægum túlkunum. Ennfremur leggja túlkunarfræðingar ekki fyrirfram merkingu á fyrirbærin sem þeir rannsaka.

Þessi aðferð felur í sér huglægar/rökræðarannsóknir, aðgerðarannsóknir, lýsandi/túlkandi rannsóknir, framtíðarrannsóknir og hlutverkaleiki. Til viðbótar við þessar kannanir og dæmisögur geta verið innifalin í þessari nálgun þar sem þær varða rannsóknir á einstaklingum eða stofnunum í flóknum raunverulegum aðstæðum.

3.1.1.3 Gagnrýndar rannsóknir

Gagnrýnin leit er minnst þekkta aðferðin í félagsvísindum en hefur nýlega hlotið athygli rannsakenda á sviði upplýsingakerfa. Heimspekileg forsenda að félagslegur veruleiki sé sögulega framleiddur og endurskapaður af fólki, sem og félagslegum kerfum með gjörðum þeirra og samskiptum. Hæfni þeirra er hins vegar miðlað af ýmsum félagslegum, menningarlegum og pólitískum sjónarmiðum.

Eins og túlkunarrannsóknir halda gagnrýnnar rannsóknir því fram að pósitífískar rannsóknir hafi ekkert með félagslegt samhengi að gera og hunsar áhrif þeirra á gjörðir mannsins.
Gagnrýnar rannsóknir gagnrýna hins vegar túlkunarrannsóknir fyrir að vera of huglægar og fyrir að hafa ekki lagt upp með að hjálpa fólki að bæta líf sitt. Stærsti munurinn á gagnrýnum rannsóknum og hinum tveimur aðferðunum er matsvídd hennar. Þó að hlutlægni pósitívistískra og túlkunarhefða sé að spá fyrir um eða útskýra óbreytt ástand eða félagslegan veruleika, miða gagnrýnin rannsókn að því að meta gagnrýnt og umbreyta þeim félagslega veruleika sem verið er að rannsaka.

Gagnrýnir rannsakendur eru venjulega á móti óbreyttu ástandi til að fjarlægja félagslegan mun og bæta félagslegar aðstæður. Gagnrýnar rannsóknir hafa skuldbindingu um ferlisýn á fyrirbæri sem vekja áhuga og eru því venjulega lengdar. Dæmi um rannsóknaraðferðir eru langtímasögurannsóknir og þjóðfræðirannsóknir. Gagnrýnin leit hefur hins vegar ekki verið mikið notuð í upplýsingakerfarannsóknum

3.1.2 Tilgangur rannsóknarinnar

Samhliða eðli rannsóknarinnar er hægt að nota tilgang hennar til að leiðbeina rannsakanda við val á tiltekinni rannsóknaraðferð. Umfang rannsóknarverkefnis er nátengt stöðu rannsóknarinnar með tilliti til rannsóknarlotunnar sem samanstendur af þremur áföngum: kenningasmíði, kenningaprófun og fræðilegri betrumbót. Þannig, byggt á skriðþunga með tilliti til rannsóknarlotunnar, getur rannsóknarverkefni haft skýringar-, lýsandi, könnunar- eða forspártilgang.

3.1.2.1 Könnunarrannsóknir

Könnunarrannsóknir miða að því að rannsaka algerlega nýtt efni og móta spurningar og tilgátur fyrir framtíðarrannsóknir. Þessi tegund rannsókna er notuð í fræðibyggingu til að fá fyrstu tilvísanir á nýju svæði. Venjulega eru eigindlegar rannsóknaraðferðir notaðar, svo sem dæmisögur eða fyrirbærafræðilegar rannsóknir.

Hins vegar er einnig hægt að beita megindlegum aðferðum eins og könnunarkönnunum eða tilraunum.

3.1.3.3 Lýsandi leit

Lýsandi rannsókn er hönnuð til að greina og lýsa í smáatriðum tilteknum aðstæðum eða skipulagi. Þetta er viðeigandi til að byggja upp kenningar og er einnig hægt að nota til að staðfesta eða mótmæla tilgátum. Lýsandi rannsóknir fela venjulega í sér notkun mælinga og sýna. Hentugar rannsóknaraðferðir eru kannanir og bakgrunnsgreiningar.

3.1.2.3 Skýringarrannsóknir

Skýringarrannsóknir reyna að útskýra hvers vegna hlutirnir gerast. Það byggir á staðreyndum sem þegar hafa verið rannsakaðar og reynir að finna hvers vegna þessar staðreyndir.
Þannig eru skýringarrannsóknir venjulega byggðar ofan á könnunar- eða lýsandi rannsóknir og eru aukaatriði við að prófa og betrumbæta kenningar. Skýringarrannsóknir nota venjulega dæmisögur eða rannsóknaraðferðir sem byggja á könnunum.

3.1.2.4 Fyrirbyggjandi rannsóknir

Fyrirbyggjandi rannsóknir miða að því að spá fyrir um atburði og hegðun sem sést sem verið er að rannsaka (Marshall og Rossman 1995). Spá er staðlað vísindalegt próf sannleikans. Þessi tegund rannsókna notar almennt kannanir eða gagnagreiningu dati sagnfræðingar. (Yin 1989)

Ofangreind umfjöllun sýnir að það eru ýmsar mögulegar rannsóknaraðferðir sem hægt er að nota í tiltekinni rannsókn. Hins vegar verður að vera til ákveðin aðferð sem hentar betur en hinar fyrir ákveðna tegund rannsóknarverkefnis. (Galliers 1987, Yin 1989, De Vaus 1991). Þess vegna þarf sérhver rannsakandi að meta vandlega styrkleika og veikleika ýmissa aðferða til að tileinka sér hentugustu rannsóknaraðferðina sem samrýmist rannsóknarverkefninu. (Jenkins 1985, Pervan og Klass 1992, Bonomia 1985, Yin 1989, Himilton og Ives 1992).

3.2. Mögulegar leitaraðferðir

Markmið þessa verkefnis var að kanna reynslu áströlskra stofnana af m.a dati geymd með þróun á gagnageymsla. Gögn að eins og er skortur á rannsóknum á sviði gagnageymslu í Ástralíu, þetta rannsóknarverkefni er enn í fræðilegum áfanga rannsóknarlotunnar og hefur könnunartilgang. Til að kanna reynsluna í áströlskum stofnunum sem taka upp gagnageymslu þarf að túlka hið raunverulega samfélag. Þar af leiðandi fylgir hin heimspekilegu forsenda sem liggur að baki rannsóknarverkefninu hefðbundinni túlkun.

Eftir stranga athugun á tiltækum aðferðum hafa tvær mögulegar rannsóknaraðferðir verið nefndar: kannanir og dæmisögur, sem hægt er að nota til könnunarrannsókna (Shanks o.fl. 1993). Galliers (1992) heldur því fram að þessar tvær aðferðir henti fyrir þessa tilteknu rannsókn í endurskoðaðri flokkunarfræði sinni með því að segja að þær henti til fræðilegrar smíði. Eftirfarandi tveir undirkaflar fjalla ítarlega um hverja aðferð.

3.2.1 Könnunarrannsóknaraðferð

Könnunarrannsóknaraðferðin kemur frá fornu manntalsaðferðinni. Manntal snýst um að safna upplýsingum frá heilum þýði. Þessi aðferð er dýr og óframkvæmanleg, sérstaklega ef íbúafjöldinn er stór. Í samanburði við manntal beinist könnun því yfirleitt að því að safna upplýsingum fyrir fáan fjölda, eða úrtak, fulltrúa íbúa (Fowler 1988, Neuman 1994). Úrtak endurspeglar þýðið sem það er dregið úr, með mismikilli nákvæmni, allt eftir uppbyggingu úrtaks, stærð og valaðferð sem notuð er (Fowler 1988, Babbie 1982, Neuman 1994).

Könnunaraðferðin er skilgreind sem „skynmyndir af starfsháttum, aðstæðum eða skoðunum á tilteknum tímapunkti, gerðar með spurningalistum eða viðtölum, sem ályktanir geta verið
gert“ (Galliers 1992:153) [myndataka af venjum, aðstæðum eða skoðunum á ákveðnum tímapunkti, tekin með spurningalistum eða viðtölum, sem hægt er að draga ályktanir af]. Kannanir snúast um að afla upplýsinga um ákveðna þætti rannsóknarinnar frá fjölda þátttakenda með því að spyrja spurninga (Fowler 1988). Þessir spurningalistar og viðtöl, sem innihalda augliti til auglitis símaviðtöl og skipulögð viðtöl, eru einnig söfnunaraðferðir dati notað í könnunum (Blalock 1970, Nachmias og Nachmias 1976, Fowler 1988), er hægt að nota athuganir og greiningar (Gable 1994). Af öllum þessum aðferðum við að safna guðum dati, notkun spurningalistans er vinsælasta tæknin þar sem hún tryggir að m.a dati

safnað er uppbyggt og sniðið og auðveldar þannig flokkun upplýsinga (Hwang 1987, de Vaus 1991).

Við greiningu i dati, könnunarstefna notar oft megindlegar aðferðir, svo sem tölfræðilega greiningu, en einnig er hægt að beita eigindlegum aðferðum (Galliers 1992, Pervan

og Klass 1992, Gable 1994). Venjulega, i dati safnað er notað til að greina dreifingu og mynstur félaga (Fowler 1988).

Þó að kannanir séu almennt viðeigandi fyrir leitir sem fjalla um spurninguna "hvað?" (hvað) eða leiðir af því, eins og 'quanto' (hversu mikið) og 'quant'è' (hversu margir), má spyrja þau með spurningunni 'af hverju' (Sonquist og Dunkelberg 1977, Yin 1989). Samkvæmt Sonquist og Dunkelberg (1977) miðar rannsóknarrannsóknir að erfiðum tilgátum, matsáætlunum, lýsingu á íbúafjölda og að þróa líkön um mannlega hegðun. Ennfremur er hægt að nota kannanir til að rannsaka álit ákveðins íbúa, aðstæður, skoðanir, eiginleika, væntingar og jafnvel hegðun í fortíð eða nútíð (Neuman 1994).

Kannanir gera rannsakanda kleift að uppgötva íbúatengsl og eru niðurstöðurnar yfirleitt almennari en aðrar aðferðir (Sonquist og Dunkelberg 1977, Gable 1994). Kannanir gera rannsakendum kleift að ná yfir víðara landsvæði og ná til fjölda svarenda (Blalock 1970, Sonquist og Dunkelberg 1977, Hwang og Lin 1987, Gable 1994, Neuman 1994). Loks geta kannanir veitt upplýsingar sem ekki eru tiltækar annars staðar eða á því formi sem krafist er fyrir greiningar (Fowler 1988).

Það eru þó nokkrar takmarkanir á því að gera könnun. Ókostur er sá að rannsakandinn getur ekki fengið miklar upplýsingar um hlutinn sem rannsakaður er. Þetta er vegna þess að kannanirnar eru aðeins gerðar á ákveðnum tíma og því er takmarkaður fjöldi breyta og fólks sem rannsakandinn getur

rannsókn (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). Annar ókostur er að framkvæmd könnunar getur verið mjög kostnaðarsöm hvað varðar tíma og fjármagn, sérstaklega ef hún felur í sér augliti til auglitis viðtöl (Fowler 1988).

3.2.2. Fyrirspurnarrannsóknaraðferð

Fyrirspurnarrannsóknaraðferðin felur í sér ítarlega rannsókn á tilteknum aðstæðum innan raunverulegs samhengis þess yfir ákveðið tímabil, án nokkurrar íhlutunar af hálfu rannsakanda (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). Aðallega er þessi aðferð notuð til að lýsa tengslum milli breyta sem verið er að rannsaka í tilteknum aðstæðum (Galliers 1992). Rannsóknirnar geta falið í sér einstök eða fleiri tilvik, allt eftir því fyrirbæri sem greint er (Franz og Robey 1987, Eisenhardt 1989, Yin 1989).

Rannsóknarrannsóknaraðferðin er skilgreind sem „reynslurannsókn sem rannsakar fyrirbæri samtímans innan raunverulegs samhengis, með því að nota margar heimildir sem unnar eru frá einum eða fleiri aðilum eins og fólki, hópum eða samtökum“ (Yin 1989). Það er enginn skýr aðskilnaður á milli fyrirbærisins og samhengis þess og engin stjórn eða tilraunameðferð á breytunum (Yin 1989, Benbasat o.fl. 1987).

Það er margvísleg tækni til að safna guðum dati sem hægt er að nota í fyrirspurnaraðferðinni, sem felur í sér beinar athuganir, endurskoðun skjalagagna, spurningalistum, yfirferð gagna og skipulögð viðtöl. Að hafa fjölbreytt úrval af uppskerutækni dati, gera kannanir vísindamönnum kleift að takast á við hvort tveggja dati eigindleg og megindleg á sama tíma (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). Eins og á við um könnunaraðferðina þjónar könnunarrannsakandi sem áheyrnarfulltrúi eða rannsakandi en ekki sem virkur þátttakandi í stofnuninni sem verið er að rannsaka.

Benbasat o.fl. (1987) fullyrða að fyrirspurnaraðferðin henti sérlega vel við gerð rannsóknarkenninga, sem byrjar á rannsóknarspurningu og heldur áfram með þjálfun.

af kenningu á meðan á söfnunarferlinu stendur dati. Að vera líka hentugur fyrir svið

af kenningasmíði benda Franz og Robey (1987) á að einnig megi nota fyrirspurnaraðferðina fyrir flókna kenningastigið. Í þessu tilviki, á grundvelli safnaðra sönnunargagna, er tiltekin kenning eða tilgáta staðfest eða afsönnuð. Að auki hentar fyrirspurnir einnig til rannsókna sem fjalla um „hvernig“ eða „af hverju“ spurningar (Yin 1989).

Í samanburði við aðrar aðferðir gera kannanir rannsakanda kleift að fanga nauðsynlegar upplýsingar nánar (Galliers 1992, Shanks o.fl. 1993). Ennfremur gera rannsóknir rannsakanda kleift að skilja eðli og flókið ferla sem rannsakað er (Benbasat o.fl. 1987).

Það eru fjórir helstu ókostir tengdir fyrirspurnaraðferðinni. Í fyrsta lagi er skortur á stjórnuðum frádráttum. Huglægni rannsakandans getur breytt niðurstöðum og niðurstöðum rannsóknarinnar (Yin 1989). Annar ókosturinn er skortur á stýrðri athugun. Ólíkt tilraunaaðferðum getur rannsakandi ekki stjórnað fyrirbærunum sem rannsökuð eru þar sem þau eru skoðuð í sínu náttúrulega samhengi (Gable 1994). Þriðji ókosturinn er skortur á endurtekningarhæfni. Þetta er vegna þess að ólíklegt er að rannsakandinn muni fylgjast með sömu atburðum og getur ekki sannreynt niðurstöður tiltekinnar rannsóknar (Lee 1989). Að lokum, vegna þess að ekki er hægt að endurtaka, er erfitt að alhæfa niðurstöður sem fengnar eru úr einni eða fleiri könnunum (Galliers 1992, Shanks o.fl. 1993). Öll þessi vandamál eru hins vegar ekki óyfirstíganleg og rannsakandinn getur í raun lágmarkað þau með því að beita viðeigandi aðgerðum (Lee 1989).

3.3. Rökstyðjið rannsóknaraðferðina Ættleiddur

Af tveimur mögulegum rannsóknaraðferðum fyrir þessa rannsókn er könnunaraðferðin talin henta best. Rannsóknarnefndinni var hafnað eftir vandlega athugun á því sem skyldi

kosti og veikleika. Hér að neðan er fjallað um hentugleika eða óviðeigandi hverja aðferð fyrir þessa rannsókn.

3.3.1. Óviðeigandi rannsóknaraðferð af fyrirspurn

Fyrirspurnaraðferðin krefst ítarlegrar rannsóknar á tilteknum aðstæðum innan einnar eða fleiri stofnana yfir ákveðið tímabil (Eisenhardt 1989). Í þessu tilviki getur tímabilið farið yfir þann tíma sem gefinn er fyrir þessa rannsókn. Önnur ástæða fyrir því að taka ekki upp fyrirspurnaraðferðina er að niðurstöðurnar gætu þjáðst af skorti á strangleika (Yin 1989). Huglægni rannsakanda getur haft áhrif á niðurstöður og niðurstöður. Önnur ástæða er sú að þessi aðferð hentar betur fyrir rannsóknarspurningar af gerðinni „hvernig“ eða „af hverju“ (Yin 1989), en rannsóknarspurningin fyrir þessa rannsókn er „hvað“. Síðast en ekki síst er erfitt að alhæfa niðurstöður úr aðeins einni eða fáum könnunum (Galliers 1992, Shanks o.fl. 1993). Út frá þessum rökstuðningi var könnunarrannsóknaraðferðin ekki valin þar sem hún hentaði ekki þessari rannsókn.

3.3.2. Þægindi af leitaraðferð af rannsókn

Þegar þessar rannsóknir voru framkvæmdar höfðu áströlsk samtök ekki tekið almennilega upp gagnageymslu. Þess vegna voru ekki miklar upplýsingar um framkvæmd þeirra innan áströlskra stofnana. Upplýsingarnar sem tiltækar voru komu frá stofnunum sem höfðu innleitt eða notað a gagnageymsla. Í þessu tilviki hentar könnunarrannsóknaraðferðin best þar sem hún gerir kleift að afla upplýsinga sem ekki eru tiltækar annars staðar eða á því formi sem þarf til greiningar (Fowler 1988). Að auki gerir fyrirspurnarrannsóknaraðferðin rannsakanda kleift að öðlast góða innsýn í starfshætti, aðstæður eða skoðanir á tilteknum tíma (Galliers 1992, Denscombe 1998). Óskað var eftir yfirliti til að vekja athygli á reynslu ástralskrar gagnageymslu.

Ennfremur segja Sonquist og Dunkelberg (1977) að niðurstöður könnunarrannsókna séu almennari en aðrar aðferðir.

3.4. Hönnun könnunarrannsókna

Könnun gagnavörugeymsla var gerð árið 1999. Markhópurinn samanstóð af áströlskum stofnunum sem höfðu áhuga á gagnavörslurannsóknum, þar sem þau voru líklega þegar meðvituð um dati sem þeir geyma og gætu því veitt gagnlegar upplýsingar fyrir þessa rannsókn. Markhópurinn var auðkenndur með fyrstu könnun meðal allra ástralskra meðlima „The Data Warehousing Institute“ (Tdwi-aap). Í þessum kafla er fjallað um hönnun reynslurannsóknarstigs þessarar rannsóknar.

3.4.1. Söfnunartækni dati

Úr þeim þremur aðferðum sem almennt eru notaðar í könnunarrannsóknum (þ.e. póstspurningalisti, símaviðtal og persónulegt viðtal) (Nachmias 1976, Fowler 1988, de Vaus 1991), var póstspurningalistinn notaður fyrir þessa rannsókn. Fyrsta ástæðan fyrir því að taka upp hið síðarnefnda er að það getur náð til landfræðilega dreifðs íbúa (Blalock 1970, Nachmias og Nachmias 1976, Hwang og Lin 1987, de Vaus 1991, Gable 1994). Í öðru lagi hentar póstspurningalistinn hámenntuðum þátttakendum (Fowler 1988). Spurningalistinn í pósti fyrir þessa rannsókn var sendur til styrktaraðila, framkvæmdastjóra og/eða verkefnastjóra gagnavörsluverkefnisins. Í þriðja lagi eru spurningalistar með pósti viðeigandi þegar öruggur listi yfir heimilisföng er til staðar (Salant og Dilman 1994). TDWI, í þessu tilviki, útvegaði traust gagnavörslufélag póstlista yfir ástralska meðlimi sína. Annar kostur póstspurningalistans umfram símaspurningarlista eða persónuleg viðtöl er að hann gerir svarendum kleift að svara nákvæmari, sérstaklega þegar svarendur þurfa að skoða skrár eða ræða spurningar við annað fólk (Fowler 1988).

Mögulegur ókostur getur verið tíminn sem þarf til að framkvæma spurningalista í pósti. Venjulega er spurningalisti í pósti framkvæmdur í þessari röð: sendu bréf, bíddu eftir svörum og sendu staðfestingu (Fowler 1988, Bainbridge 1989). Þannig getur heildartíminn verið lengri en tíminn sem þarf til augliti til auglitis viðtala eða símaviðtala. Hins vegar er hægt að vita heildartímann fyrirfram (Fowler 1988, Denscombe 1998). Tíminn sem fer í persónuleg viðtöl er ekki hægt að vita fyrirfram þar sem hann er mismunandi eftir viðtölum (Fowler 1988). Símaviðtöl geta verið fljótari en spurningalistar í pósti og persónuleg viðtöl en geta haft hátt hlutfall ósvaraðs vegna þess að sumt fólk er ekki tiltækt (Fowler 1988). Auk þess eru símaviðtöl almennt takmörkuð við tiltölulega stutta spurningalista (Bainbridge 1989).

Annar veikleiki spurningalista sem sent er í pósti er hátt hlutfall svarleysis (Fowler 1988, Bainbridge 1989, Neuman 1994). Hins vegar var gripið til mótvægisaðgerða með því að tengja þessa rannsókn við trausta gagnageymslustofnun (þ.e. TDWI) (Bainbridge 1989, Neuman 1994), sem gefur út tvö áminningarbréf til þeirra sem ekki svara (Fowler 1988, Neuman 1994) og inniheldur einnig viðbótarbréf sem útskýrir tilgangur rannsóknarinnar (Neuman 1994).

3.4.2. Greiningareining

Tilgangur þessarar rannsóknar er að afla upplýsinga um innleiðingu gagnavörslu og notkun þeirra innan áströlskra stofnana. Markhópurinn er öll áströlsk samtök sem hafa innleitt, eða eru að innleiða, þ.e gagnageymsla. Einstök samtök eru síðan skráð. Spurningalistinn var sendur til þeirra stofnana sem höfðu áhuga á að samþykkja gagnageymsla. Þessi aðferð tryggir að upplýsingarnar sem safnað er komi frá hentugustu auðlindum hverrar þátttökustofnunar.

3.4.3. Könnunarsýni

Póstlisti þátttakenda í könnuninni var fenginn frá TDWI. Af þessum lista voru 3000 áströlsk samtök valin sem grunnur fyrir sýnatöku. Framhaldsbréf sem útskýrir verkefnið og tilgang könnunarinnar ásamt svareyðublaði og fyrirframgreitt umslag til að skila útfylltum spurningalistanum var sent til úrtaksins. Af 3000 stofnunum samþykktu 198 að taka þátt í rannsókninni. Búist var við svo fáum svörum dagsetning fjölda áströlskra stofnana sem þá höfðu tekið eða voru að taka upp gagnageymslustefnuna innan sinna stofnana. Þannig samanstendur markhópurinn fyrir þessa rannsókn af aðeins 198 stofnunum.

3.4.4. Efni spurningalistans

Hönnun spurningalistans var byggð á Monash gagnavöruhúsalíkani (sem fjallað var um áður í hluta 2.3). Efni spurningalistans var byggt á bókmenntarannsókninni sem kynnt er í kafla 2. Afrit af spurningalistanum sem sendur var til þátttakenda í könnuninni er að finna í viðauka B. Spurningalistinn er samsettur úr sex köflum sem fylgja skrefum líkansins sem fjallað er um. Eftirfarandi sex málsgreinar draga stuttlega saman innihald hvers hluta.

Hluti A: Grunnupplýsingar um stofnunina
Þessi hluti inniheldur spurningar sem varða uppsetningu þeirra stofnana sem taka þátt. Að auki tengjast sumar spurninganna stöðu gagnavörsluverkefnis þátttakanda. Trúnaðarupplýsingar eins og nafn stofnunarinnar voru ekki birtar í könnuninni.

Kafli B: Byrja
Spurningarnar í þessum hluta tengjast því að byrja á gagnavörslu. Spurt var um frumkvöðla verkefnisins, styrktaraðila, tilskilda færni og þekkingu, markmið þróunar gagnageymslu og væntingar notenda.

Kafli C: Hönnun
Þessi kafli inniheldur spurningar sem tengjast skipulagsstarfsemi gagnageymsla. Einkum var spurt um umfang framkvæmda, tímalengd verkefnisins, kostnað við verkefnið og kostnaðar/ábatagreiningu.

Kafli D: Þróun
Í þróunarhlutanum eru spurningar sem tengjast þróunarstarfsemi gagnageymsla: safn af notendakröfum, heimildir um dati, rökrétt líkan af dati, frumgerðir, afkastagetuáætlun, tæknileg arkitektúr og val á þróunarverkfærum fyrir vörugeymsla gagna.

Kafli E: Rekstur
Rekstrarspurningar sem tengjast rekstri og stækkanleika gagnageymsla, eins og það þróast á næsta stigi þróunar. Þarna gagna gæðum, hressa áætlanir um dati, granularity af dati, sveigjanleiki á gagnageymsla og öryggismál gagnageymsla voru meðal þeirra spurninga sem spurt var.

Kafli F: Þróun
Þessi hluti inniheldur spurningar sem tengjast notkun gagnageymsla af notendum. Rannsakandi hafði áhuga á tilgangi og notagildi gagnageymsla, endurskoðunar- og þjálfunaráætlanir samþykktar og eftirlitsáætlun gagnageymsla Ættleiddur.

3.4.5. Svarhlutfall

Jafnvel þó að póstkannanir séu gagnrýndar fyrir lágt svarhlutfall hafa verið gerðar ráðstafanir til að auka ávöxtunina (eins og fjallað var um hér að ofan í kafla 3.4.1). Hugtakið „svarhlutfall“ vísar til hlutfalls fólks í tilteknu könnunarúrtaki sem svarar spurningalistanum (Denscombe 1998). Eftirfarandi formúla var notuð til að reikna út svarhlutfall fyrir þessa rannsókn:

Fjöldi fólks sem svaraði
Svarhlutfall = —————————————————————————– X 100 Heildarfjöldi sendra spurningalista

3.4.6. Prófflugmaður

Áður en spurningalistinn var sendur til úrtaksins voru spurningarnar prófaðar með tilraunum, eins og Luck og Rubin (1987), Jackson (1988) og de Vaus (1991) stungu upp á. Tilgangur tilrauna tilrauna er að leiða í ljós hvers kyns óþægilega, óljós orð og spurningar sem erfitt er að túlka, til að skýra hvers kyns skilgreiningar og hugtök sem notuð eru og að finna áætlaða tíma sem þarf til að fylla út spurningalistann (Warwick og Lininger 1975, Jackson 1988, Salant og Dilman 1994). Tilraunirnar voru gerðar með því að velja viðfangsefni með svipuð einkenni og lokaviðfangsefnin, eins og Davis e lagði til. Cosenza (1993). Í þessari rannsókn voru sex sérfræðingar í gagnavörslu valdir sem tilraunaviðfangsefni. Eftir hvert flugpróf voru nauðsynlegar leiðréttingar gerðar. Úr tilraunaprófunum sem gerðar voru lögðu þátttakendur sitt af mörkum til að endurgerð og endurstilla lokaútgáfu spurningalistans.

3.4.7. Aðferðir við greiningu á Dati

I dati Könnunargögnin sem safnað var úr lokuðu spurningalistunum voru greind með tölfræðilegum hugbúnaðarpakka sem kallast SPSS. Mörg svaranna voru greind með lýsandi tölfræði. Nokkrir spurningalistar skiluðu sér ófullnægjandi. Þetta hefur verið meðhöndlað betur til að tryggja að i dati sem vantaði voru ekki afleiðing villna við innslátt gagna, heldur vegna þess að spurningarnar hentuðu ekki skráningaraðila eða skráningaraðili ákvað að svara ekki einni eða fleiri tilteknum spurningum. Þessi svör sem vantaði voru hunsuð við þáttun gagna dati og voru kóðaðar sem „-9“ til að tryggja útilokun þeirra frá greiningarferlinu.

Við gerð spurningalistans voru lokuðu spurningarnar forkóðar með því að gefa númeri við hvern valmöguleika. Númerið var síðan notað til að þjálfa i dati við greiningu (Denscombe 1998, Sapsford og Jupp 1996). Til dæmis voru sex valkostir taldir upp í spurningu 1 í hluta B: Stjórn, æðsti stjórnandi, upplýsingatæknideild, rekstrareining, ráðgjafar og aðrir. Í skránni á dati af SPSS var breyta búin til fyrir „verkefni frumkvöðull“, með sex gildismerkjum: „1“ fyrir „stjórn“, „2“ fyrir „æðstu stjórnendur“ og svo framvegis Street. Notkun Likertin kvarðans í sumum lokuðu spurningunum gerði einnig kleift að bera kennsl á áreynslulausa með því að nota samsvarandi tölugildi sem færð voru inn í SPSS. Fyrir spurningar með ótæmandi svör, sem ekki útilokuðu hvorn annan, var farið með hver valmöguleika sem eina breytu með tveimur gildismerkjum: '1 ' fyrir 'merkt' og '2 ' fyrir 'ómerkt'.

Opnar spurningar voru meðhöndlaðar á annan hátt en lokaðar spurningar. Svörin við þessum spurningum hafa ekki verið færð inn í SPSS. Þess í stað voru þau handgreind. Notkun þessarar tegundar spurninga gerir kleift að afla upplýsinga um frjálsar hugmyndir og persónulega reynslu hjá svarendum (Bainbridge 1989, Denscombe 1998). Þar sem hægt var var gerð svörun flokkuð.

Til greiningar á datiNotaðar eru aðferðir einfaldrar tölfræðilegrar greiningar eins og tíðni svara, meðaltal, staðalfrávik og miðgildi (Argyrous 1996, Denscombe 1998).
Gamma prófið var framkvæmanlegt til að fá megindlegar mælingar á tengslin á milli dati ordinals (Norusis 1983, Argyrous 1996). Þessar prófanir voru viðeigandi vegna þess að raðkvarðarnir sem notaðir voru höfðu ekki marga flokka og hægt var að sýna þær í töflu (Norusis 1983).

3.5 Samantekt

Í þessum kafla var fjallað um rannsóknaraðferðafræði og hönnun sem tekin var fyrir þessa rannsókn.

Að velja viðeigandi rannsóknaraðferð fyrir tiltekna rannsókn tekur
tillit til fjölda reglna, þar á meðal eðlis og tegundar rannsókna, sem og kostum og veikleikum hverrar mögulegrar aðferðar (Jenkins 1985, Benbasat o.fl. 1097, Galliers and Land 1987, yin 1989, Hamilton og ives 1992, Galliers. 1992, Neuman 1994). Í ljósi skorts á núverandi þekkingu og kenningum varðandi upptöku gagnageymslu í Ástralíu, kallar þessi rannsókn á túlkandi rannsóknaraðferð með könnunarhæfni til að kanna reynslu áströlskra stofnana. Valin rannsóknaraðferð var valin til að safna upplýsingum um innleiðingu ástralskra stofnana á hugmyndavörugeymsla gagna. Póstspurningalisti var valinn sem söfnunartækni dati. Rökstuðningur fyrir rannsóknaraðferð og söfnunartækni dati val verður veitt í þessum kafla. Jafnframt var fjallað um greiningareiningu, úrtak sem notað var, prósentutölur svara, innihald spurningalistans, forprófun spurningalistans og greiningaraðferð dati.

Hönnun a Gagnavöruhús:

Að sameina einingatengsl og víddarlíkanagerð

ÁGRIP
Geyma i dati er stórt viðfangsefni margra stofnana. Lykilvandamál í þróun vörugeymsla dati það er hans hönnun.
Teikningin verður að styðja við uppgötvun hugtaka í gagnageymsla til arfleifðarkerfis og annarra heimilda um dati og einnig auðveldur skilningur og skilvirkni í framkvæmd gagnageymsla.
Mikið af lagerbókmenntum dati mælir með notkun einingatengslalíkana eða víddarlíkana til að tákna hönnun gagnageymsla.
Í þessari grein sýnum við hvernig hægt er að sameina báðar framsetningarnar í nálgun við hönnun gagnageymsla. Aðferðin sem notuð er er kerfisbundin

skoðað í tilviksrannsókn og er greint í ýmsum mikilvægum afleiðingum með fagfólki.

GAGNAVÖRUHÚS

Un gagnageymsla það er venjulega skilgreint sem „viðfangsmiðað, samþætt, tímabreytilegt og óstöðugt safn gagna til stuðnings ákvörðunum stjórnenda“ (Inmon og Hackathorn, 1994). Efnismiðuð og samþætt gefur til kynna að gagnageymsla er hannað til að fara yfir virknimörk eldri kerfa til að bjóða upp á samþætt sjónarhorn á dati.
Tímafbrigði snýst um sögulegt eða tímaraðar eðli myndbands dati í gagnageymsla, sem gerir kleift að greina þróun. Óstöðugleiki gefur til kynna að gagnageymsla það er ekki stöðugt uppfært eins og a gagnagrunnur af OLTP. Frekar er það uppfært reglulega, með dati frá innri og ytri aðilum. The gagnageymsla það er sérstaklega hannað fyrir rannsóknir frekar en uppfærsluheilleika og rekstrarafköst.
Hugmyndin um að geyma i dati er ekki nýtt, það var einn af tilgangi stjórnenda dati frá sjöunda áratugnum (Il Martin, 1982).
I gagnageymsla þeir bjóða upp á innviðina dati fyrir stoðkerfi stjórnenda. Stuðningskerfi stjórnenda fela í sér ákvarðanastuðningskerfi (DSS) og upplýsingakerfi stjórnenda (EIS). DSS er tölvubundið upplýsingakerfi sem er hannað til að bæta ferli og þar af leiðandi mannlega ákvarðanatöku. EIS er venjulega afhendingarkerfi dati sem gerir stjórnendum fyrirtækja kleift að nálgast sýn á auðveldlega dati.
Almennur arkitektúr a gagnageymsla undirstrikar hlutverk gagnageymsla í stjórnendastuðningi. Auk þess að bjóða upp á innviðina dati fyrir EIS og DSS, al gagnageymsla það er hægt að nálgast það beint í gegnum fyrirspurnir. THE dati innifalinn í a gagnageymsla byggjast á greiningu á kröfum stjórnendaupplýsinga og eru fengnar úr þremur aðilum: innri arfleifðarkerfum, sérstökum gagnatökukerfum og ytri gagnaveitum. THE dati í innri eldri kerfum eru oft óþarfar, ósamkvæmar, af lágum gæðum og geymdar á mismunandi sniði svo þau verða að samræma og hreinsa upp áður en hægt er að hlaða þeim inn í

gagnageymsla (Inmon, 1992; McFadden, 1996). THE dati frá geymslukerfum dati ad hoc og frá heimildum dati ytri eru oft notuð til að auka (uppfæra, skipta út) i dati úr eldri kerfum.

Það eru margar sannfærandi ástæður fyrir því að þróa a gagnageymsla, sem fela í sér bætta ákvarðanatöku með skilvirkri notkun meiri upplýsinga (Ives 1995), stuðning við að einbeita sér að heildarmálum (Graham 1996) og lækkun á kostnaði við ákvarðanatöku. dati fyrir EIS og DSS (Graham 1996, McFadden 1996).

Nýleg empírísk rannsókn fann að meðaltali arðsemi af fjárfestingu fyrir i gagnageymsla um 401% eftir þrjú ár (Graham, 1996). Hins vegar eru aðrar reynslurannsóknir á gagnageymsla fannst veruleg vandamál, þar á meðal erfiðleikar við að mæla og úthluta ávinningi, skortur á skýrum tilgangi, vanmeta umfang og flókið geymsluferli dati, sérstaklega varðandi heimildir og hreinleika dati. Geyma i dati má líta á sem lausn á stjórnunarvandanum dati milli stofnana. Meðhöndlun á dati sem félagsleg auðlind hefur hún verið eitt af lykilvandamálum við stjórnun upplýsingakerfa um allan heim í mörg ár (Brancheau o.fl. 1996, Galliers o.fl. 1994, Niederman o.fl. 1990, Pervan 1993).

Vinsæl nálgun við eignastýringu dati á níunda áratugnum var þróun líkans dati félagslegt. Fyrirmynd dati social var hannað til að bjóða upp á stöðugan grunn fyrir þróun nýrra umsóknarkerfa e gagnagrunnur og endurbyggingu og samþættingu eldri kerfa (Brancheau o.fl.

1989, Goodhue o.fl. 1988:1992, Kim og Everest 1994). Hins vegar eru nokkur vandamál við þessa nálgun, einkum hversu flókið og kostnaður hvers verkefnis er, og langur tími sem þarf til að ná áþreifanlegum árangri (Beynon-Davies 1994, Earl 1993, Goodhue o.fl. 1992, Periasamy 1994, Shanks 1997 ).

Il gagnageymsla það er sérstakur gagnagrunnur sem er samhliða eldri gagnagrunnum frekar en að koma í stað þeirra. Það gerir þér því kleift að stýra stjórnun á dati og forðast kostnaðarsama endurbyggingu eldri kerfa.

NÚVERANDI AÐFERÐIR AÐ GAGNAHÖNNUN

Vöruhús

Ferlið við að byggja og fullkomna a gagnageymsla ætti frekar að skilja sem þróunarferli frekar en hefðbundið kerfisþróunarlífsferli (Löngun, 1995, Shanks, O'Donnell og Arnott 1997a). Það eru mörg ferli sem taka þátt í verkefni gagnageymsla svo sem frumstilling, tímasetningu; upplýsingar sem aflað er af kröfum sem beðið er um frá stjórnendum fyrirtækja; heimildir, umbreytingar, hreinsun á dati og samstilla frá eldri kerfum og öðrum aðilum dati; afhendingarkerfi í þróun; eftirlit með gagnageymsla; og tilgangsleysi í þróunarferlinu og að byggja upp a gagnageymsla (Stinchi, O'Donnell og Arnott 1997b). Í þessari dagbók leggjum við áherslu á hvernig á að teikna i dati geymd í samhengi við þessa aðra ferla. Það eru nokkrar fyrirhugaðar aðferðir við myndbandsarkitektúr gagnageymsla í bókmenntum (Inmon 1994, Ives 1995, Kimball 1994, McFadden 1996). Hver þessara aðferðafræði hefur stutta umfjöllun með greiningu á styrkleikum þeirra og veikleikum.

Nálgun Inmon (1994) fyrir Gagnavöruhús hönnun

Inmon (1994) lagði til fjögur ítrekuð skref til að hanna a gagnageymsla (sjá mynd 2). Fyrsta skrefið er að hanna sniðmát dati félagslegt að skilja hvernig ég dati hægt að samþætta þvert á starfræn svæði innan stofnunar með því að skipta i dati geyma á svæðum. Fyrirmynd dati það er gert til geymslu dati sem lúta að ákvarðanatöku, þ.m.t dati söguleg, og innifalin dati dregið frá og lagt saman. Annað skrefið er að greina efnissvið til innleiðingar. Þetta er byggt á forgangsröðun sem ákveðin stofnun hefur ákveðið. Þriðja skrefið felur í sér að teikna a gagnagrunnur fyrir viðfangsefnið, gæta þess sérstaklega að innihalda viðeigandi magn af nákvæmni. Inmon mælir með því að nota einingar- og tengslalíkanið. Fjórða skrefið er að bera kennsl á upprunakerfi dati krafist og þróa umbreytingarferli til að fanga, hreinsa og forsníða i dati.

Styrkleikar nálgunar Inmon eru þeir að líkanið dati félagslegt býður grunninn að samþættingu dati innan skipulags og skipulags styður við endurtekna þróun á gagnageymsla. Gallar þess eru erfiðleikar og kostnaður við að hanna líkanið dati félagslega, erfiðleika við að skilja líkön af einingum og samböndum sem notuð eru í báðum líkönum, að dati félagslegt og það af dati geymd eftir efnissviði, og viðeigandi dati af teikningu af gagnageymsla fyrir gerð gagnagrunnur tengsl en ekki fyrir gagnagrunnur fjölvíddar.

Nálgun Ives (1995) til Gagnavöruhús hönnun

Ives (1995) leggur til fjögurra þrepa nálgun við hönnun upplýsingakerfis sem hann telur eiga við við hönnun á gagnageymsla (sjá mynd 3). Nálgunin byggir að miklu leyti á Upplýsingaverkfræði við þróun upplýsingakerfa (Martin 1990). Fyrsta skrefið er að ákvarða markmið þín, árangur og mikilvæga þætti og lykilframmistöðuvísa. Lykilviðskiptaferli og nauðsynlegar upplýsingar eru mótaðar til að leiða okkur að fyrirmynd dati félagslega. Annað skrefið felur í sér að þróa skilgreinandi arkitektúr dati geymt eftir svæðum, gagnagrunnur di gagnageymsla, tæknihlutar sem krafist er, hópur skipulagsstuðnings sem þarf til að innleiða og starfa með gagnageymsla. Þriðja skrefið felur í sér val á nauðsynlegum hugbúnaðarpökkum og verkfærum. Fjórða skrefið er nákvæm hönnun og smíði gagnageymsla. Ives tekur eftir þeirri verslun dati það er takmarkað endurtekið ferli.

Styrkleikar Ives nálgunarinnar eru notkun tækniforskrifta til að ákvarða upplýsingakröfur, notkun skipulegs ferlis til að styðja við samþættingu gagnageymsla, viðeigandi val á vélbúnaði og hugbúnaði, og notkun margra framsetningartækni fyrir gagnageymsla. Gallar þess eru fólgnir í margbreytileika. Aðrir eru erfiðleikar við að þróa mörg stig af gagnagrunnur innan gagnageymsla á hæfilegum tíma og kostnaði.

Nálgun Kimballs (1994) til Gagnavöruhús hönnun

Kimball (1994) lagði til fimm endurtekningarskref til að hanna a gagnageymsla (sjá myndir 4). Nálgun hans er sérstaklega helguð teikningum einleiks gagnageymsla og um notkun víddarmódela fram yfir eininga- og tengslalíkön. Kimball greinir þessi víddarlíkön vegna þess að það er auðveldara fyrir leiðtoga fyrirtækja að skilja viðskipti, það er skilvirkara þegar tekist er á við flókið samráð og hönnun gagnagrunnur líkamlegt er skilvirkara (Kimball 1994). Kimball viðurkennir að þróa a gagnageymsla er endurtekið, og það gagnageymsla aðskilin er hægt að samþætta með skiptingu í töflur með sameiginlegar stærðir.

Fyrsta skrefið er að bera kennsl á tiltekið efnissvið sem á að fullkomna. Annað og þriðja skrefið felur í sér víddarmótun. Í öðru skrefi greina mælingarnar áhugaverða hluti á málefnasviðinu og flokka þá í staðreyndatöflu. Til dæmis, á sölusviði gætu vextirnir falið í sér magn seldra hluta og dollar sem sölugjaldmiðil. Þriðja skrefið felur í sér að greina víddir sem eru þær leiðir sem hægt er að flokka staðreyndir á. Á söluefnissviði gætu viðeigandi víddir falið í sér vöru, staðsetningu og tímabil. Staðreyndataflan hefur marga hluta lykil til að tengja hana við hverja víddartöflu og inniheldur venjulega mjög mikinn fjölda staðreynda. Aftur á móti innihalda víddartöflur lýsandi upplýsingar um víddir og aðra eiginleika sem hægt er að nota til að flokka staðreyndir. Fyrirhuguð tengd staðreynda- og víddartafla myndar það sem kallast stjörnuskema vegna lögunar þess. Fjórða skrefið felur í sér að byggja a gagnagrunnur margvídd til að fullkomna mynstur stjörnunnar. Lokaskrefið er að bera kennsl á upprunakerfi dati krafist og þróa umbreytingarferli til að fanga, hreinsa og forsníða i dati.

Styrkleikar nálgunar Kimballs eru meðal annars notkun víddarlíkana til að tákna m.a dati geymd sem gerir það auðvelt að skilja og leiðir til skilvirkrar líkamlegrar hönnunar. Víddarlíkan sem einnig notar bæði kerfin auðveldlega gagnagrunnur tengsl geta verið fullkomin eða kerfi gagnagrunnur fjölvíddar. Gallar þess eru meðal annars skortur á sumum aðferðum til að auðvelda skipulagningu eða samþættingu margra stjörnukerfa innan gagnageymsla og erfiðleikar við að hanna út frá öfgafullri eðlilegri uppbyggingu í víddarlíkani a dati í eldri kerfum.

McFadden's (1996) Approach to Data Vöruhús hönnun

McFadden (1996) leggur til fimm þrepa nálgun við að teikna a gagnageymsla (sjá mynd 5).
Nálgun hans byggir á samruna hugmynda úr bókmenntum og beinist að hönnun smáskífu gagnageymsla. Fyrsta skrefið felur í sér kröfugreiningu. Þó að tækniforskriftir séu ekki ávísaðar, auðkenna skýringar McFadden aðila dati forskriftir og eiginleika þeirra, og vísar lesendum Watson og Frolick (1993) til að fanga kröfurnar.
Í öðru skrefi er teiknað fyrir einingatengslalíkan gagnageymsla og síðan staðfest af stjórnendum fyrirtækja. Þriðja skrefið felur í sér að ákvarða kortlagningu frá eldri kerfum og utanaðkomandi aðilum gagnageymsla. Fjórða skrefið felur í sér ferla í þróun, dreifingu og samstillingu dati í gagnageymsla. Í lokaskrefinu er afhending kerfisins þróuð með áherslu á notendaviðmót. McFadden bendir á að teikniferlið sé almennt endurtekið.

Styrkleikar nálgunar McFadden eru aðkomu leiðtoga fyrirtækja í að ákvarða kröfur sem og mikilvægi fjármagns. datihreinsun þeirra og söfnun. Gallar þess eru skortur á ferli til að skipta stóru verkefni gagnageymsla í mörgum samþættum áföngum, og þar

erfiðleikar við að skilja eininguna og tengslalíkönin sem notuð eru við hönnun á gagnageymsla.

Það eru ekki aðeins þeir sem eru nálægt okkur sem velja okkur.