डेटा वेअरहाऊसिंग आणि एंटरप्राइझ रिसोर्स प्लॅनिंग | DWH आणि ERP

संग्रह डेटा सेंट्रल: हिस्ट्री ईडी उत्क्रांती

90 च्या दशकात कॉर्पोरेट तंत्रज्ञानाच्या दोन प्रमुख थीम होत्या i डेटा वेअरहाऊस आणि ईआरपी. बर्याच काळापासून हे दोन शक्तिशाली प्रवाह कधीही छेदन न करता कॉर्पोरेट आयटीचे भाग आहेत. ते जवळजवळ मॅटर आणि अँटी मॅटर असल्यासारखे होते. परंतु दोन्ही घटनांच्या वाढीमुळे अपरिहार्यपणे त्यांचे छेदनबिंदू झाले. आज कंपन्यांना ईआरपीचे काय करायचे हा प्रश्न भेडसावत आहे डेटा वेअरहाऊस. या लेखात समस्या काय आहेत आणि कंपन्या त्या कशा सोडवत आहेत हे स्पष्ट करेल.

सुरूवातीला…

सुरुवातीला तेथे होते डेटा वेअरहाऊस. डेटा गोदाम व्यवहार प्रक्रिया अनुप्रयोग प्रणालीचा प्रतिकार करण्यासाठी तयार केले गेले. सुरुवातीच्या काळात चे memorization dati ते व्यवहार प्रक्रिया अनुप्रयोगांसाठी फक्त एक काउंटरपॉईंट म्हणून होते. पण आजकाल काय अत्याधुनिक दृष्टीकोन आहेत डेटा वेअरहाऊस. आजच्या जगात द डेटा वेअरहाऊस कॉर्पोरेट इन्फॉर्मेशन फॅक्टरी म्हणता येईल अशा संरचनेत ते समाविष्ट केले आहे.

कॉर्पोरेट माहिती कारखाना (सीआयएफ)

कॉर्पोरेट माहिती फॅक्टरीमध्ये मानक वास्तुशास्त्रीय घटक आहेत: परिवर्तनाचा स्तर आणि कोड एकत्रीकरण जे समाकलित करते dati जेव्हा मी dati ते ऍप्लिकेशन वातावरणातून पर्यावरणाकडे जातात डेटा वेअरहाऊस कंपनीच्या; a डेटा वेअरहाऊस कंपनीचे जेथे dati तपशीलवार आणि एकत्रित इतिहास. द डेटा वेअरहाऊस कंपनीचा पाया म्हणून काम करते ज्यावर कंपनीच्या पर्यावरणाचे इतर सर्व भाग बांधले जाऊ शकतात डेटा वेअरहाऊस; ऑपरेशनल डेटा स्टोअर (ODS). ODS ही एक संकरित रचना आहे ज्यामध्ये काही पैलू असतात डेटा वेअरहाऊस आणि OLTP वातावरणाचे इतर पैलू; डेटा मार्ट, जेथे विविध विभागांची स्वतःची आवृत्ती असू शकते डेटा वेअरहाऊस; अ डेटा वेअरहाऊस अन्वेषणाचे ज्यामध्ये कंपनीचे "तत्वज्ञानी" त्यांच्या 72-तासांच्या प्रश्नांना हानीकारक परिणाम न करता सबमिट करू शकतात डेटा वेअरहाऊस; आणि जवळची ओळ मेमरी, ज्यामध्ये dati जुने आणि dati मोठ्या प्रमाणात तपशील स्वस्तात साठवले जाऊ शकतात.

जेथे ERP LA सह सामील होते कॉर्पोरेट माहिती कारखाना

ईआरपी कॉर्पोरेट माहिती कारखान्यात दोन ठिकाणी विलीन होते. प्रथम मूलभूत अनुप्रयोग (बेसलाइन) म्हणून जे प्रदान करते i dati च्या अर्जाचा डेटा वेअरहाऊस. या प्रकरणात आय dati, व्यवहार प्रक्रियेचे उप-उत्पादन म्हणून व्युत्पन्न केलेले, समाकलित आणि लोड केले जातात डेटा वेअरहाऊस कंपनीच्या. ईआरपी आणि सीआयएफ आणि ओडीएसमधील युनियनचा दुसरा मुद्दा. खरं तर, बर्‍याच वातावरणात ERP चा वापर क्लासिक ODS म्हणून केला जातो.

जर ईआरपी मूळ ऍप्लिकेशन म्हणून वापरली जात असेल, तर तीच ईआरपी सीआयएफमध्ये ओडीएस म्हणून देखील वापरली जाऊ शकते. कोणत्याही परिस्थितीत, जर दोन्ही भूमिकांमध्ये ERP वापरायचे असेल तर, दोन घटकांमध्ये स्पष्ट फरक असणे आवश्यक आहे. दुसऱ्या शब्दांत, जेव्हा ईआरपी मूलभूत अनुप्रयोग आणि ओडीएसची भूमिका बजावते, तेव्हा दोन आर्किटेक्चरल घटकांमध्ये फरक करणे आवश्यक आहे. जर एकाच ERP अंमलबजावणीने दोन्ही भूमिका एकाच वेळी पार पाडण्याचा प्रयत्न केला तर त्या संरचनेच्या डिझाइन आणि अंमलबजावणीमध्ये अपरिहार्यपणे समस्या निर्माण होतील.

ओडीएस आणि मूलभूत अनुप्रयोग वेगळे करा

अनेक कारणे आहेत ज्यामुळे वास्तुशास्त्रीय घटकांचे विभाजन होते. आर्किटेक्चरचे वेगवेगळे घटक वेगळे करण्यासाठी कदाचित सर्वात महत्त्वाची समस्या म्हणजे आर्किटेक्चरच्या प्रत्येक घटकाचे स्वतःचे दृश्य आहे. बेसलाइन ऍप्लिकेशन ODS पेक्षा वेगळ्या उद्देशाने काम करते. ओव्हरलॅप करण्याचा प्रयत्न करा

ODS च्या जगावर बेसलाइन ऍप्लिकेशन दृश्य किंवा त्याउलट काम करण्याचा योग्य मार्ग नाही.

परिणामी, CIF मधील ERP ची पहिली समस्या म्हणजे बेसलाइन ऍप्लिकेशन्स आणि ODS मध्ये फरक आहे की नाही हे सत्यापित करणे.

कॉर्पोरेटमधील डेटा मॉडेल्स माहिती कारखाना

सीआयएफ आर्किटेक्चरच्या विविध घटकांमधील एकसंधता प्राप्त करण्यासाठी, एक मॉडेल असणे आवश्यक आहे dati. च्या मॉडेल्स dati ते बेसलाइन ऍप्लिकेशन्स आणि ODS सारख्या आर्किटेक्चरच्या विविध घटकांमधील दुवा म्हणून काम करतात. च्या मॉडेल्स dati CIF च्या विविध वास्तुशास्त्रीय घटकांमधून योग्य अर्थ मिळवण्यासाठी ते “बौद्धिक मार्ग नकाशा” बनतात.

या कल्पनेला हाताशी धरून, कल्पना अशी आहे की एक मोठे आणि एकच मॉडेल असावे dati. साहजिकच एक मॉडेल असावे dati प्रत्येक घटकासाठी आणि विविध मॉडेल्सना जोडणारा एक समंजस मार्गही असावा. आर्किटेक्चरचा प्रत्येक घटक - ODS, बेसलाइन ऍप्लिकेशन्स, डेटा वेअरहाऊस कंपनीचे, आणि असेच.. - स्वतःचे मॉडेल आवश्यक आहे dati. आणि म्हणून हे मॉडेल कसे आहेत याची अचूक व्याख्या असणे आवश्यक आहे dati ते एकमेकांशी संवाद साधतात.

हलवा I डेटा DATE मध्ये ERP च्या सावधान

ची उत्पत्ती असल्यास dati एक बेसलाइन अॅप्लिकेशन आणि/किंवा ODS आहे, जेव्हा ERP समाविष्ट करते i dati नेल डेटा वेअरहाऊस, हे समाविष्ट करणे "ग्रॅन्युलॅरिटी" च्या सर्वात खालच्या स्तरावर होणे आवश्यक आहे. फक्त सारांश किंवा एकत्रित करा i dati कारण ते ERP बेसलाइन ऍप्लिकेशनमधून बाहेर पडतात किंवा ERP ODS ही योग्य गोष्ट नाही. द dati मध्ये तपशील आवश्यक आहेत डेटा वेअरहाऊस DSS प्रक्रियेचा आधार तयार करण्यासाठी. अशा dati डेटा मार्ट्स आणि एक्सप्लोरेशन द्वारे अनेक प्रकारे आकार बदलला जाईल डेटा वेअरहाऊस.

चे विस्थापन dati ERP बेसलाइन ऍप्लिकेशन वातावरणापासून ते डेटा वेअरहाऊस कंपनीचे काम वाजवी आरामात केले जाते. ही हालचाल ERP मध्‍ये अपडेट किंवा निर्माण झाल्यानंतर साधारण 24 तासांनंतर होते. च्या "आळशी" चळवळ असण्याची वस्तुस्थिती dati नेल डेटा वेअरहाऊस कंपनी परवानगी देते dati ERP वरून "डिपॉझिट" वर येत आहे. एकदा मी dati बेसलाइन ऍप्लिकेशनमध्ये संग्रहित केले जातात, नंतर आपण सुरक्षितपणे हलवू शकता dati कंपनीतील ERP चे. च्या "आळशी" हालचालीमुळे साध्य करण्यायोग्य आणखी एक ध्येय dati हे ऑपरेशनल प्रक्रिया आणि DSS मधील स्पष्ट वर्णन आहे. च्या “जलद” हालचालीसह dati DSS आणि ऑपरेशनल यांच्यातील विभाजन रेषा अस्पष्ट राहते.

ची चळवळ dati ERP ODS पासून ते डेटा वेअरहाऊस कंपनीचे नियमितपणे केले जाते, सहसा साप्ताहिक किंवा मासिक. या प्रकरणात च्या हालचाली dati हे जुने "स्वच्छ" करण्याच्या गरजेवर आधारित आहे dati इतिहासकार अर्थात, ODS मध्ये i dati जे पेक्षा खूपच अलीकडील आहेत dati मध्ये इतिहासकार सापडले डेटा वेअरहाऊस.

चे विस्थापन dati नेल डेटा वेअरहाऊस हे जवळजवळ कधीच "घाऊक" (घाऊक व्यापारी पद्धतीने) केले जात नाही. ईआरपी वातावरणातील टेबल कॉपी करा डेटा वेअरहाऊस याचा काही अर्थ निघत नाही. च्या निवडलेल्या युनिट्स हलवणे हा अधिक वास्तववादी दृष्टीकोन आहे dati. फक्त द dati जे च्या शेवटच्या अपडेट पासून बदलले आहे डेटा वेअरहाऊस ते मध्ये हलविले पाहिजे की आहेत डेटा वेअरहाऊस. कोणते हे जाणून घेण्याचा एक मार्ग dati च्या टाइमस्टॅम्प पाहण्यासाठी शेवटचे अद्यतन बदलले आहे dati ERP वातावरणात आढळते. डिझायनर शेवटच्या अपडेटपासून झालेले सर्व बदल निवडतो. दुसरा दृष्टिकोन बदल कॅप्चर तंत्र वापरणे आहे dati. या तंत्रांसह, कोणते हे निर्धारित करण्यासाठी लॉग आणि जर्नल टेपचे विश्लेषण केले जाते dati ईआरपी वातावरणातून त्यामध्ये हलविले जाणे आवश्यक आहे डेटा वेअरहाऊस. ही तंत्रे सर्वोत्कृष्ट आहेत कारण लॉग आणि जर्नल टेप ईआरपी फायलींमधून इतर ईआरपी संसाधनांवर परिणाम न करता वाचता येतात.

इतर गुंतागुंत

CIF मधील ERP समस्यांपैकी एक म्हणजे इतर ऍप्लिकेशन स्त्रोतांचे किंवा ते काय होते dati ज्या ODS मध्ये योगदान देणे आवश्यक आहे डेटा वेअरहाऊस परंतु ते ERP वातावरणाचा भाग नाहीत. ईआरपीचे बंद स्वरूप लक्षात घेता, विशेषत: एसएपी, च्या बाह्य स्त्रोतांकडून कळा एकत्रित करण्याचा प्रयत्न dati मी सह dati जे हलवताना ERP मधून येतात dati नेल डेटा वेअरहाऊस, हे एक मोठे आव्हान आहे. आणि नक्की काय संभाव्यता आहेत की i dati ERP वातावरणाच्या बाहेरील अनुप्रयोग किंवा ODS मध्ये एकत्रित केले जातील डेटा वेअरहाऊस? शक्यता प्रत्यक्षात खूप जास्त आहेत.

शोधणे डेटा ERP कडून ऐतिहासिक

आय सह आणखी एक समस्या dati ईआरपी हे असण्याची गरज आहे dati आत इतिहासकार डेटा वेअरहाऊस. सहसा द डेटा वेअरहाऊस गरजा dati इतिहासकार आणि ईआरपी तंत्रज्ञान सहसा हे संग्रहित करत नाही dati ऐतिहासिक, किमान त्या बिंदूपर्यंत नाही जिथे ते आवश्यक आहे डेटा वेअरहाऊस. जेव्हा मोठ्या प्रमाणात dati ईआरपी वातावरणात इतिहास जोडणे सुरू होते, ते वातावरण स्वच्छ करणे आवश्यक आहे. उदाहरणार्थ, समजा की ए डेटा वेअरहाऊस पाच वर्षांनी लोड करणे आवश्यक आहे dati ऐतिहासिक डेटा तर ईआरपी जास्तीत जास्त सहा महिने ठेवते dati. जोपर्यंत कंपनी मालिका गोळा करण्यात समाधानी आहे dati जसजसा वेळ जातो तसतसे इतिहासकार, नंतर ईआरपीचा स्त्रोत म्हणून वापर करण्यात कोणतीही अडचण येत नाही डेटा वेअरहाऊस. पण जेव्हा द डेटा वेअरहाऊस त्याला वेळेत परत जावे लागेल आणि देव मिळवावे लागतील dati पूर्वी ERP द्वारे संग्रहित आणि जतन न केलेले इतिहास, नंतर ERP वातावरण अकार्यक्षम होते.

ईआरपी आणि मेटाडेटा

ERP बद्दल आणखी एक विचार करा e डेटा वेअरहाऊस ईआरपी वातावरणात अस्तित्वात असलेल्या मेटाडेटावरील एक आहे. जसा मेटाडेटा ईआरपी वातावरणातून आयटी वातावरणात जातो डेटा वेअरहाऊस, मेटाडेटा त्याच प्रकारे हलविला जाणे आवश्यक आहे. शिवाय, मेटाडेटाला पायाभूत सुविधांद्वारे आवश्यक स्वरूप आणि संरचनेत रूपांतरित करणे आवश्यक आहे. डेटा वेअरहाऊस. ऑपरेशनल मेटाडेटा आणि DSS मेटाडेटामध्ये मोठा फरक आहे. ऑपरेशनल मेटाडेटा प्रामुख्याने विकसक आणि

प्रोग्रामर DSS मेटाडेटा मुख्यतः अंतिम वापरकर्त्यासाठी आहे. ERP अनुप्रयोग किंवा ODS मध्ये विद्यमान मेटाडेटा रूपांतरित करणे आवश्यक आहे आणि हे रूपांतरण नेहमीच सोपे आणि सरळ नसते.

ईआरपी डेटा सोर्सिंग

जर ईआरपीचा प्रदाता म्हणून वापर केला असेल dati प्रति आयएल डेटा वेअरहाऊस हलवणारा ठोस इंटरफेस असणे आवश्यक आहे dati ERP वातावरणापासून पर्यावरणापर्यंत डेटा वेअरहाऊस. इंटरफेस आवश्यक आहे:

• ▪  वापरण्यास सोपे असावे
• ▪  ला प्रवेश द्या dati ERP च्या
• ▪  चा अर्थ मिळवा dati कडे हलविण्यात येणार आहेत डेटा वेअरहाऊस
• ▪  अॅक्सेस करताना उद्भवू शकणार्‍या ERP मर्यादा जाणून घ्या dati ERP चे:
• ▪  संदर्भ अखंडता
• ▪ पदानुक्रमित संबंध
• ▪  निहित तार्किक संबंध
• ▪  अर्ज अधिवेशन
• ▪  सर्व संरचना dati ERP द्वारे समर्थित, आणि असेच…
• ▪  प्रवेश करण्यात सक्षम व्हा dati, प्रदान करून:
• ▪  ची थेट हालचाल dati
• ▪  बदलाचे संपादन dati
• ▪  समर्थन वेळेवर प्रवेश dati
• ▪  चे स्वरूप समजून घ्या dati, आणि असेच… SAP सह इंटरफेसिंग इंटरफेस दोन प्रकारचे असू शकते, घरगुती किंवा व्यावसायिक. काही प्रमुख ट्रेडिंग इंटरफेसमध्ये हे समाविष्ट आहे:

• ▪  एसएएस
• ▪ प्रिम्स सोल्युशन्स
• ▪  D2k, आणि असेच… एकाधिक ईआरपी तंत्रज्ञान ERP पर्यावरणाला एकच तंत्रज्ञान असल्यासारखे वागवणे ही एक मोठी चूक आहे. अनेक ईआरपी तंत्रज्ञान आहेत, प्रत्येकाची स्वतःची ताकद आहे. बाजारातील सर्वात प्रसिद्ध विक्रेते आहेत:

• ▪  एसएपी
• ▪ ओरॅकल फायनान्शियल
• ▪  PeopleSoft
• ▪  जेडी एडवर्ड्स
• ▪  बान सॅप SAP हे सर्वात मोठे आणि संपूर्ण ERP सॉफ्टवेअर आहे. SAP ऍप्लिकेशन्समध्ये अनेक क्षेत्रांमध्ये अनेक प्रकारच्या ऍप्लिकेशन्सचा समावेश होतो. SAP ची अशी प्रतिष्ठा आहे:

• ▪  खूप मोठी
• ▪  अंमलात आणणे खूप कठीण आणि महाग आहे
• ▪  अंमलबजावणीसाठी अनेक लोक आणि सल्लागारांची आवश्यकता आहे
• ▪  ला अंमलबजावणीसाठी विशेष लोकांची आवश्यकता आहे
• ▪  अंमलबजावणीसाठी बराच वेळ लागतो शिवाय, SAP ची स्वतःची आठवण ठेवण्याची प्रतिष्ठा आहे dati अत्यंत सावधगिरीने, SAP क्षेत्राबाहेरील व्यक्तीला त्यांच्यामध्ये प्रवेश करणे कठीण होते. एसएपीची ताकद अशी आहे की ते मोठ्या प्रमाणात कॅप्चर आणि संचयित करण्यास सक्षम आहे dati. अलीकडेच SAP ने आपले अर्ज वाढवण्याचा आपला इरादा जाहीर केला डेटा वेअरहाऊस. विक्रेता म्हणून SAP वापरण्याचे अनेक साधक आणि बाधक आहेत डेटा वेअरहाऊस. एक फायदा असा आहे की SAP आधीच स्थापित आहे आणि बहुतेक सल्लागारांना आधीच SAP माहित आहे.
  पुरवठादार म्हणून SAP असण्याचे तोटे डेटा वेअरहाऊस अनेक आहेत: SAP च्या जगात अनुभव नाही डेटा वेअरहाऊस जर SAP चा पुरवठादार असेल डेटा वेअरहाऊस, "बाहेर काढणे" आवश्यक आहे i dati SAP पासून ते डेटा वेअरहाऊस. तारीख बंद सिस्टीमचा SAP चा ट्रॅक रेकॉर्ड, SAP मधून i (???) मध्ये आणणे सोपे होईल अशी शक्यता नाही. IMS, VSAM, ADABAS, ORACLE, DB2, आणि यासारख्या SAP ला सामर्थ्य देणारे अनेक परंपरागत वातावरण आहेत. SAP "येथे शोध लावला नाही" दृष्टिकोनावर आग्रह धरतो. SAP वापरण्यासाठी किंवा तयार करण्यासाठी इतर विक्रेत्यांसह भागीदारी करू इच्छित नाही डेटा वेअरहाऊस. SAP स्वतःचे सर्व सॉफ्टवेअर तयार करण्याचा आग्रह धरतो.

SAP ही एक मोठी आणि शक्तिशाली कंपनी असली तरी, ELT, OLAP, सिस्टीम अॅडमिनिस्ट्रेशन आणि अगदी मुख्य कोडचे तंत्रज्ञान पुन्हा लिहिण्याचा प्रयत्न करत आहे. डीबीएमएस तो फक्त वेडा आहे. च्या पुरवठादारांशी सहकार्याची वृत्ती घेण्याऐवजी डेटा वेअरहाऊस दीर्घकाळापासून, SAP ने "त्यांना सर्वोत्तम माहिती आहे" या दृष्टिकोनाचे अनुसरण केले आहे. ही वृत्ती SAP च्या क्षेत्रात मिळू शकणार्‍या यशात अडथळा आणते डेटा वेअरहाऊस.
SAP चा नकार बाह्य विक्रेत्यांना त्यांच्या विक्रेत्यांना त्वरित आणि कृपापूर्वक प्रवेश करण्यास अनुमती देण्यास dati. ए वापरण्याचे सार डेटा वेअरहाऊस सहज प्रवेश आहे dati. SAP चा संपूर्ण इतिहास प्रवेश करणे कठीण करण्यावर आधारित आहे dati.
च्या मोठ्या खंडांशी व्यवहार करताना SAP चा अनुभवाचा अभाव dati; च्या क्षेत्रात डेटा वेअरहाऊस च्या खंड आहेत dati SAP द्वारे कधीही पाहिले नाही आणि या मोठ्या प्रमाणात व्यवस्थापित करण्यासाठी dati आपल्याकडे योग्य तंत्रज्ञान असणे आवश्यक आहे. च्या क्षेत्रात प्रवेश करण्यासाठी अस्तित्वात असलेल्या या तांत्रिक अडथळ्याबद्दल SAP ला स्पष्टपणे माहिती नाही डेटा वेअरहाऊस.
SAP ची कॉर्पोरेट संस्कृती: SAP ने मिळवून एक व्यवसाय केला आहे dati प्रणाली पासून. पण हे करण्यासाठी तुमची मानसिकता वेगळी असावी लागते. पारंपारिकपणे, सॉफ्टवेअर कंपन्या ज्या वातावरणात डेटा मिळवण्यात चांगल्या होत्या त्या इतर मार्गाने डेटा मिळवण्यात चांगल्या नाहीत. SAP ने या प्रकारचा स्विच बनवल्यास, असे करणारी ती पहिली कंपनी असेल.

थोडक्यात, कंपनीने पुरवठादार म्हणून SAP निवडावे की नाही हे शंकास्पद आहे डेटा वेअरहाऊस. एकीकडे खूप गंभीर धोके आहेत आणि दुसरीकडे फारच कमी बक्षिसे आहेत. परंतु आणखी एक कारण आहे जे पुरवठादार म्हणून SAP निवडण्यास परावृत्त करते डेटा वेअरहाऊस. कारण प्रत्येक कंपनी सारखीच असावी डेटा वेअरहाऊस इतर सर्व कंपन्यांचे? द डेटा वेअरहाऊस हे स्पर्धात्मक फायद्याचे हृदय आहे. जर प्रत्येक कंपनीने असाच अवलंब केला डेटा वेअरहाऊस स्पर्धात्मक फायदा मिळवणे अशक्य असले तरी अवघड असेल. SAP असे वाटते की ए डेटा वेअरहाऊस हे कुकी म्हणून पाहिले जाऊ शकते आणि हे त्यांच्या अनुप्रयोगांच्या "डेटा मिळवा" च्या मानसिकतेचे आणखी एक चिन्ह आहे.

इतर कोणताही ईआरपी विक्रेता SAP सारखा प्रबळ नाही. निःसंशयपणे अशा कंपन्या असतील ज्या त्यांच्यासाठी SAP च्या मार्गाचे अनुसरण करतील डेटा वेअरहाऊस पण बहुधा या डेटा वेअरहाऊस SAP तयार करण्यासाठी मोठा, महाग आणि वेळ घेणारा असेल.

या वातावरणात बँक टेलर प्रक्रिया, एअरलाइन आरक्षण प्रक्रिया, विमा दाव प्रक्रिया इत्यादीसारख्या क्रियाकलापांचा समावेश होतो. व्यवहार प्रणाली जितकी अधिक कार्यक्षम होती, तितकीच ऑपरेशनल प्रक्रिया आणि DSS (निर्णय समर्थन प्रणाली) यांच्यात विभक्त होण्याची गरज अधिक स्पष्ट होती. तथापि, एचआर आणि कर्मचारी प्रणालीसह, तुम्हाला कधीही मोठ्या प्रमाणात व्यवहारांचा सामना करावा लागत नाही. आणि, अर्थातच, जेव्हा एखादी व्यक्ती कामावर घेतली जाते किंवा कंपनी सोडते तेव्हा हा व्यवहाराचा रेकॉर्ड असतो. परंतु इतर प्रणालींच्या तुलनेत, HR आणि कर्मचारी प्रणालींमध्ये फक्त जास्त व्यवहार नसतात. म्हणून, एचआर आणि कर्मचारी प्रणालींमध्ये हे पूर्णपणे स्पष्ट नाही की डेटावेअरहाऊसची आवश्यकता आहे. अनेक प्रकारे या प्रणाली DSS प्रणालींचे एकत्रीकरण दर्शवतात.

परंतु आणखी एक घटक आहे ज्याचा विचार केला पाहिजे जर तुम्ही डेटा वेअरहाऊस आणि पीपलसॉफ्टशी व्यवहार करत असाल. अनेक वातावरणात, i dati कंपनीच्या प्राथमिक व्यवसायासाठी मानवी आणि वैयक्तिक संसाधने दुय्यम आहेत. बर्‍याच कंपन्या उत्पादन, विक्री, सेवा प्रदान करणे इत्यादींमध्ये व्यस्त असतात. मानवी संसाधने आणि कर्मचारी प्रणाली सहसा कंपनीच्या व्यवसायाच्या मुख्य ओळीत (किंवा समर्थन) दुय्यम असतात. म्हणून, ते विवादास्पद आणि गैरसोयीचे आहे डेटा वेअरहाऊस मानवी संसाधने आणि कर्मचारी समर्थनासाठी वेगळे.

पीपलसॉफ्ट या बाबतीत SAP पेक्षा खूप वेगळे आहे. SAP सह, हे अनिवार्य आहे की ए डेटा वेअरहाऊस. PeopleSoft सह, हे इतके स्पष्ट नाही. पीपलसॉफ्टसह डेटा वेअरहाऊस पर्यायी आहे.

i साठी सर्वात चांगली गोष्ट म्हणता येईल dati पीपलसॉफ्ट म्हणजे द डेटा वेअरहाऊस संग्रहित करण्यासाठी वापरले जाऊ शकते i dati जुन्या मानवी आणि वैयक्तिक संसाधनांशी संबंधित. कंपनी का वापरू इच्छिते याचे दुसरे कारण a डेटा वेअरहाऊस a

पीपलसॉफ्ट पर्यावरणाचे नुकसान म्हणजे प्रवेश आणि विश्लेषण साधनांना विनामूल्य प्रवेश देणे dati PeopleSoft द्वारे. परंतु या कारणांच्या पलीकडे, अशी काही प्रकरणे असू शकतात ज्यासाठी डेटा वेअरहाऊस नसणे श्रेयस्कर आहे dati पीपलसॉफ्ट.

सारांश

ए च्या बांधकामाबाबत अनेक कल्पना आहेत डेटा वेअरहाऊस ईआरपी सॉफ्टवेअरमध्ये.
यापैकी काही आहेत:

• ▪  असण्यात अर्थ आहे डेटा वेअरहाऊस उद्योगातील इतर कोणाशी ते समान आहे?
• ▪  ईआरपी किती लवचिक आहे डेटा वेअरहाऊस सॉफ्टवेअर
• ▪  एक ERP डेटा वेअरहाऊस सॉफ्टवेअरची मात्रा हाताळू शकते dati जे a मध्ये स्थित आहेडेटा वेअरहाऊस रिंगण"?
• ▪  ईआरपी विक्रेता हे ट्रेस रेकॉर्डिंग काय आहे जे सोपे आणि स्वस्त, वेळेच्या दृष्टीने, dati? (ईआरपी विक्रेते स्वस्त, वेळेवर, डेटा ऍक्सेस करण्यास सुलभ वितरणाचा ट्रॅक रेकॉर्ड काय आहे?)
• ▪  DSS आर्किटेक्चर आणि कॉर्पोरेट माहिती फॅक्टरीबद्दल ERP विक्रेत्याची समज काय आहे?
• ▪  ईआरपी विक्रेत्यांना कसे साध्य करायचे हे समजते dati वातावरणात, परंतु त्यांना ते कसे निर्यात करायचे हे देखील समजते का?
• ▪  डेटा वेअरहाउसिंग टूल्ससाठी ERP विक्रेता किती खुला आहे?
  कोठे ठेवायचे हे ठरवताना हे सर्व विचार करणे आवश्यक आहे डेटा वेअरहाऊस जे होस्ट करेल i dati ईआरपी आणि इतर dati. सर्वसाधारणपणे, अन्यथा करण्याचे सक्तीचे कारण नसल्यास, इमारत बांधण्याची शिफारस केली जाते डेटा वेअरहाऊस ईआरपी विक्रेत्याच्या वातावरणाच्या बाहेर. प्रकरण १ BI संस्थेचे विहंगावलोकन प्रमुख मुद्दे:
  माहिती भांडार व्यवसाय बुद्धिमत्ता (BI) आर्किटेक्चरच्या उलट कार्य करतात:
  कॉर्पोरेट संस्कृती आणि आयटी BI संस्था तयार करण्यात यश मर्यादित करू शकतात.

BI संस्थांसाठी तंत्रज्ञान आता मर्यादित घटक राहिलेले नाही. वास्तुविशारद आणि प्रकल्प नियोजकांसाठी प्रश्न हे तंत्रज्ञान अस्तित्वात आहे की नाही हा नसून ते उपलब्ध तंत्रज्ञानाची प्रभावीपणे अंमलबजावणी करू शकतात का हा आहे.

अनेक कंपन्यांसाठी ए डेटा वेअरहाऊस हे वितरीत करणार्‍या निष्क्रिय ठेवीपेक्षा थोडे अधिक आहे dati ज्या वापरकर्त्यांना त्याची गरज आहे. द dati ते स्त्रोत प्रणालींमधून काढले जातात आणि लक्ष्य संरचनांमध्ये समाविष्ट केले जातात डेटा वेअरहाऊस. मी dati ते कोणत्याही नशिबाने देखील साफ केले जाऊ शकतात. तथापि कोणतेही अतिरिक्त मूल्य जोडलेले किंवा गोळा केलेले नाही dati या प्रक्रियेदरम्यान.

मूलत:, निष्क्रिय Dw, सर्वोत्तम, फक्त i प्रदान करते dati वापरकर्ता संघटनांसाठी स्वच्छ आणि कार्यरत. माहिती निर्मिती आणि विश्लेषणात्मक समज पूर्णपणे वापरकर्त्यांवर अवलंबून आहे. DW (डेटा गोदाम) यश व्यक्तिनिष्ठ आहे. जर आम्ही कार्यक्षमतेने गोळा, समाकलित आणि स्वच्छ करण्याच्या क्षमतेवर यशाचा न्याय केला dati अंदाजानुसार कॉर्पोरेट, नंतर होय, DW यशस्वी आहे. दुसरीकडे, जर आपण संपूर्ण संस्थेतील माहितीचे संकलन, एकत्रीकरण आणि शोषण पाहिल्यास, DW अपयशी आहे. DW माहितीचे थोडे किंवा कोणतेही मूल्य प्रदान करते. परिणामी, वापरकर्त्यांना डू करण्यास भाग पाडले जाते, अशा प्रकारे माहिती सिलो तयार केली जाते. हा धडा कंपनीच्या BI (बिझनेस इंटेलिजन्स) आर्किटेक्चरचा सारांश देण्यासाठी एक व्यापक दृष्टीकोन सादर करतो. आम्ही BI च्या वर्णनाने सुरुवात करतो आणि नंतर फक्त माहिती देण्याच्या विरोधात, माहिती डिझाइन आणि विकासाच्या चर्चेकडे जातो. dati वापरकर्त्यांना. चर्चा नंतर तुमच्या BI प्रयत्नांचे मूल्य मोजण्यावर लक्ष केंद्रित करतात. IBM तुमच्या संस्थेच्या BI आर्किटेक्चरल आवश्यकता कशा पूर्ण करते हे परिभाषित करून आम्ही निष्कर्ष काढतो.

च्या आर्किटेक्चरचे वर्णन BI संस्था

जगभरातील कॉर्पोरेशन्ससाठी प्रभावीपणे खेळाचे क्षेत्र समतल करून, प्रत्येक मोठ्या एंटरप्राइझमध्ये शक्तिशाली व्यवहार-देणारं माहिती प्रणाली आता सामान्य आहे.

तथापि, स्पर्धात्मक राहण्यासाठी आता विश्‍लेषणाभिमुख प्रणालींची आवश्यकता आहे जी कंपनीच्या त्यांच्याकडे आधीपासून असलेली माहिती पुन्हा शोधण्याच्या आणि वापरण्याच्या क्षमतेत क्रांती घडवू शकते. ची समृद्धता समजून घेण्यापासून या विश्लेषणात्मक प्रणाली प्राप्त होतात dati उपलब्ध. BI संपूर्ण एंटरप्राइझमध्ये कार्यप्रदर्शन सुधारू शकते. कंपन्या ग्राहक-पुरवठादार संबंध सुधारू शकतात, उत्पादने आणि सेवांची नफा सुधारू शकतात, नवीन आणि चांगल्या ऑफर निर्माण करू शकतात, जोखीम नियंत्रित करू शकतात आणि इतर अनेक नफ्यांमध्ये नाटकीयरित्या खर्च कमी करू शकतात. BI सह तुमची कंपनी शेवटी ग्राहकांची माहिती एक स्पर्धात्मक मालमत्ता म्हणून वापरण्यास सुरुवात करते, ज्यांचे बाजार उद्दिष्टे असलेले अनुप्रयोग आहेत.

योग्य व्यवसाय साधने असणे म्हणजे मुख्य प्रश्नांची निश्चित उत्तरे असणे जसे की:

• ▪  आमच्यापैकी कोणते ग्राहकांना ते आम्हाला अधिक कमावतात किंवा ते आमचे पैसे गमावतात?
• ▪  जिथे आमचे सर्वोत्तम राहतात ग्राहकांना संबंधात दुकान/ गोदाम ते वारंवार?
• ▪  आमची कोणती उत्पादने आणि सेवा सर्वात प्रभावीपणे आणि कोणाला विकली जाऊ शकतात?
• ▪ कोणती उत्पादने सर्वात प्रभावीपणे आणि कोणाला विकली जाऊ शकतात?
• ▪ कोणती विक्री मोहीम सर्वाधिक यशस्वी आहे आणि का?
• ▪ कोणते विक्री चॅनेल कोणत्या उत्पादनांसाठी सर्वात प्रभावी आहेत?
• ▪  आम्ही आमच्या सर्वोत्तम लोकांशी संबंध कसे सुधारू शकतो ग्राहकांना? बहुतेक कंपन्यांकडे आहे dati या प्रश्नांची उत्तरे देण्यासाठी कठोर मार्ग.
  ऑपरेशनल सिस्टम मोठ्या प्रमाणात उत्पादन, ग्राहक आणि तयार करतात dati विक्री बिंदू, आरक्षणे, ग्राहक सेवा आणि तांत्रिक समर्थन प्रणाली पासून बाजार. ही माहिती काढणे आणि त्याचा फायदा घेणे हे आव्हान आहे. बर्‍याच कंपन्या फक्त त्यांच्या छोट्या अंशातून नफा मिळवतात dati धोरणात्मक विश्लेषणासाठी.
  I dati उर्वरित, अनेकदा i सह सामील झाले dati सरकारी अहवाल आणि इतर खरेदी केलेली माहिती यांसारख्या बाह्य स्रोतांमधून मिळवलेली सोन्याची खाण फक्त शोधण्याची वाट पाहत आहे आणि dati त्यांना फक्त तुमच्या संस्थेच्या माहितीच्या संदर्भात परिष्कृत करणे आवश्यक आहे.

हे ज्ञान एकंदर कॉर्पोरेट धोरण तयार करण्यापासून ते पुरवठादारांशी वैयक्तिक संप्रेषणापर्यंत, कॉल सेंटरद्वारे, इनव्हॉइसिंगद्वारे, अनेक प्रकारे लागू केले जाऊ शकते. इंटरनेट आणि इतर मुद्दे. आजचे व्यावसायिक वातावरण असे ठरवते की DW आणि संबंधित BI सोल्यूशन्स पारंपारिक व्यवसाय संरचना चालवण्यापलीकडे विकसित होतात. dati जे i dati अणु स्तरावर आणि "स्टार/क्यूब फार्म्स" वर सामान्यीकृत.

स्पर्धात्मक राहण्यासाठी जे आवश्यक आहे ते एक विशाल विश्लेषणात्मक लँडस्केपला समर्थन देण्यासाठी पारंपारिक आणि प्रगत तंत्रज्ञानाचे मिश्रण आहे.
निष्कर्ष काढण्यासाठी, सामान्य वातावरणाने संपूर्णपणे कंपनीचे ज्ञान सुधारले पाहिजे, हे सुनिश्चित केले पाहिजे की केलेल्या विश्लेषणाच्या परिणामी केलेल्या कृती उपयुक्त आहेत जेणेकरून प्रत्येकाला फायदा होईल.

उदाहरणार्थ, समजा तुम्ही तुमचे वर्गीकरण करा ग्राहकांना उच्च किंवा कमी जोखीम श्रेणींमध्ये.
जर ही माहिती मॉडेल एक्स्ट्रॅक्टर किंवा इतर माध्यमांद्वारे व्युत्पन्न केली गेली असेल, तर ती DW मध्ये टाकली जाणे आवश्यक आहे आणि स्टॅटिक रिपोर्ट्स, स्प्रेडशीट्स, टेबल्स किंवा ऑनलाइन विश्लेषणात्मक प्रक्रिया (OLAP) सारख्या कोणत्याही प्रवेश साधनाद्वारे कोणालाही प्रवेशयोग्य करणे आवश्यक आहे. .

तथापि, सध्या या प्रकारची बरीचशी माहिती सायलोमध्ये राहते dati विश्लेषण निर्माण करणाऱ्या व्यक्ती किंवा विभागांचे. संस्था, एकंदरीत, समजण्यासाठी कमी किंवा दृश्यमानता नाही. केवळ तुमच्या एंटरप्राइझ DW मध्ये या प्रकारच्या माहिती सामग्रीचे मिश्रण करून तुम्ही माहितीचे सिलो काढून टाकू शकता आणि तुमचे DW वातावरण उन्नत करू शकता.
BI संस्था विकसित करण्यात दोन प्रमुख अडथळे आहेत.
प्रथम, आपल्याला स्वतः संस्थेची आणि तिच्या शिस्तीची समस्या आहे.
आम्ही संस्थात्मक धोरणातील बदलांमध्ये मदत करू शकत नसलो तरी, आम्ही संस्थेच्या BI चे घटक, त्याची रचना आणि IBM तंत्रज्ञान त्याचा विकास कसा सुलभ करते हे समजून घेण्यात मदत करू शकतो.
मात करण्यासाठी दुसरा अडथळा म्हणजे एकात्मिक तंत्रज्ञानाचा अभाव आणि एका लहान घटकाच्या विरूद्ध संपूर्ण BI जागा समाविष्ट असलेल्या पद्धतीचे ज्ञान.

IBM इंटिग्रेशन तंत्रज्ञानातील बदलांसह पकड घेत आहे. विचारपूर्वक डिझाइन प्रदान करणे ही आपली जबाबदारी आहे. हे आर्किटेक्चर अनियंत्रित एकीकरणासाठी निवडलेल्या तंत्रज्ञानासह किंवा अगदी कमीत कमी, खुल्या मानकांचे पालन करणाऱ्या तंत्रज्ञानासह विकसित केले जाणे आवश्यक आहे. शिवाय, तुमच्या कंपनी व्यवस्थापनाने हे सुनिश्चित केले पाहिजे की BI उपक्रम योजनेनुसार पार पाडला जातो आणि सेल्फ-सर्व्हिंग अजेंडा किंवा उद्दिष्टांमधून उद्भवलेल्या माहितीच्या सायलोच्या विकासास परवानगी देऊ नये.
याचा अर्थ असा नाही की BI वातावरण वेगवेगळ्या वापरकर्त्यांच्या विविध गरजा आणि आवश्यकतांवर प्रतिक्रिया देण्यास संवेदनशील नाही; त्याऐवजी, याचा अर्थ असा की त्या वैयक्तिक गरजा आणि आवश्यकतांची अंमलबजावणी संपूर्ण BI संस्थेच्या फायद्यासाठी केली जाते.
BI संस्था आर्किटेक्चरचे वर्णन आकृती 9 मधील पृष्ठ 1.1 वर आढळू शकते. आर्किटेक्चर तंत्रज्ञान आणि तंत्रांचे समृद्ध मिश्रण प्रदर्शित करते.
पारंपारिक दृष्टिकोनातून, आर्किटेक्चरमध्ये खालील गोदाम घटक समाविष्ट आहेत

अणु स्तर.

हा पाया आहे, संपूर्ण DW चे हृदय आणि म्हणूनच धोरणात्मक अहवालाचा.
I dati येथे संग्रहित ऐतिहासिक अखंडता, संबंध टिकवून ठेवेल dati आणि व्युत्पन्न मेट्रिक्स, तसेच काढलेल्या मॉडेल्सचा वापर करून साफ ​​करणे, एकत्रित करणे आणि संग्रहित करणे समाविष्ट करा.
या सर्व पुढील वापर dati आणि संबंधित माहिती या संरचनेतून मिळविली जाते. खाणकामासाठी हा उत्तम स्रोत आहे dati आणि संरचित SQL क्वेरींसह अहवालांसाठी

चे ऑपरेशनल डेपो dati किंवा त्यावर आधारित अहवाल dati(ऑपरेशनल डेटा स्टोअर (ODS) किंवा रिपोर्टिंग डेटाबेस.)

ची ही रचना आहे dati विशेषतः तांत्रिक अहवालासाठी डिझाइन केलेले.

I dati संग्रहित आणि वर नोंदवलेल्या या संरचना शेवटी स्टेजिंग क्षेत्राद्वारे वेअरहाऊसमध्ये प्रसारित होऊ शकतात, जेथे ते धोरणात्मक सिग्नलिंगसाठी वापरले जाऊ शकते.

स्टेजिंग क्षेत्र.

बहुतेकांसाठी पहिला थांबा dati वेअरहाऊस पर्यावरणासाठी अभिप्रेत संस्था क्षेत्र आहे.
येथे आय dati ते समाकलित, स्वच्छ आणि रूपांतरित केले जातात dati नफा जे वेअरहाऊस संरचना तयार करेल

डेटा मार्ट्स.

आर्किटेक्चरचा हा भाग संरचनेचे प्रतिनिधित्व करतो dati विशेषतः OLAP साठी वापरले जाते. डेटामार्टची उपस्थिती, जर i dati ओव्हरलॅपिंग स्टार स्कीमामध्ये संग्रहित केले जातात dati रिलेशनल वातावरणात किंवा च्या फायलींमध्ये बहुआयामी dati विशिष्ट OLAP तंत्रज्ञानाद्वारे वापरलेले गोपनीय, जसे की DB2 OLAP सर्व्हर, संबंधित नाही.

फक्त अडचण अशी आहे की आर्किटेक्चर वापरण्यास सुलभ करते dati बहुआयामी.
आर्किटेक्चरमध्ये गंभीर BI तंत्रज्ञान आणि तंत्रे देखील समाविष्ट आहेत जी खालीलप्रमाणे आहेत:

अवकाशीय विश्लेषण

विश्लेषकासाठी स्पेस ही माहितीचा विंडफॉल आहे आणि पूर्ण रिझोल्यूशनसाठी ती महत्त्वाची आहे. स्पेस एखाद्या विशिष्ट ठिकाणी राहणार्‍या लोकांबद्दलची माहिती तसेच इतर जगाच्या तुलनेत ते स्थान भौतिकदृष्ट्या कोठे आहे याबद्दलची माहिती दर्शवू शकते.

हे विश्लेषण करण्यासाठी, तुम्ही तुमची माहिती अक्षांश आणि रेखांश निर्देशांकांशी जोडून सुरुवात केली पाहिजे. याला "जिओकोडिंग" म्हणून संबोधले जाते आणि ते तुमच्या वेअरहाऊसच्या अणू स्तरावरील अर्क, ट्रान्सफॉर्म आणि लोड (ETL) प्रक्रियेचा भाग असणे आवश्यक आहे.

डेटा खाण.

च्या उतारा dati आमच्या कंपन्यांची संख्या वाढू देते ग्राहकांना, विक्रीच्या ट्रेंडचा अंदाज लावण्यासाठी आणि सह संबंधांचे व्यवस्थापन करण्यास अनुमती देण्यासाठी ग्राहकांना (सी आर एम), इतर BI उपक्रमांमध्ये.

च्या उतारा dati म्हणून ते च्या संरचनेसह एकत्रित केले पाहिजे dati DWhouse चे आणि तंत्रज्ञान आणि संबंधित तंत्रांचा प्रभावी आणि कार्यक्षम वापर सुनिश्चित करण्यासाठी वेअरहाऊस प्रक्रियेद्वारे समर्थित.

BI आर्किटेक्चरमध्ये दर्शविल्याप्रमाणे, Dwhouse ची अणु पातळी, तसेच डेटामार्ट्स, एक उत्कृष्ट स्त्रोत आहे dati काढण्यासाठी. त्या समान सुविधा देखील विस्तृत प्रेक्षकांसाठी उपलब्धता सुनिश्चित करण्यासाठी निष्कर्ष निकालांचे प्राप्तकर्ते असणे आवश्यक आहे.

एजंट्स.

प्रत्येक बिंदूसाठी ग्राहकाची तपासणी करण्यासाठी विविध "एजंट" आहेत जसे की, कंपनीच्या कार्यप्रणाली आणि स्वतः dw. हे एजंट प्रगत न्यूरल नेटवर्क्स असू शकतात जे प्रत्येक टप्प्यावर ट्रेंडबद्दल जाणून घेण्यासाठी प्रशिक्षित आहेत, जसे की विक्रीच्या जाहिरातींवर आधारित भविष्यातील उत्पादनाची मागणी, एखाद्याला प्रतिक्रिया देण्यासाठी नियम-आधारित इंजिन डेटा परिस्थितीचा संच, किंवा अगदी साधे एजंट जे "उच्च अधिकाऱ्यांना" अपवाद नोंदवतात. या प्रक्रिया सामान्यतः रिअल टाइममध्ये घडतात आणि म्हणूनच, त्यांच्या हालचालींशी जवळून जोडल्या गेल्या पाहिजेत dati. च्या या सर्व संरचना dati, तंत्रज्ञान आणि तंत्रे हमी देतात की तुम्ही तुमच्या BI ची संस्था तयार करण्यात रात्र घालवणार नाही.

हा क्रियाकलाप लहान मुद्द्यांसाठी वाढीव चरणांमध्ये विकसित केला जाईल.
प्रत्येक पायरी हा एक स्वतंत्र प्रकल्प प्रयत्न असतो आणि आपल्या DW किंवा BI उपक्रमामध्ये पुनरावृत्ती म्हणून संदर्भित केला जातो. पुनरावृत्तीमध्ये नवीन तंत्रज्ञान लागू करणे, नवीन तंत्रांसह प्रारंभ करणे, नवीन संरचना जोडणे समाविष्ट असू शकते dati , लोड होत आहे i dati अतिरिक्त, किंवा आपल्या पर्यावरणाच्या विश्लेषणाच्या विस्तारासह. या परिच्छेदाची 3 व्या अध्यायात अधिक सखोल चर्चा केली आहे.

पारंपारिक DW स्ट्रक्चर्स आणि BI टूल्स व्यतिरिक्त तुमच्या BI संस्थेची इतर कार्ये आहेत ज्यासाठी तुम्हाला डिझाइन करणे आवश्यक आहे, जसे की:

ग्राहक स्पर्श बिंदू (ग्राहक स्पर्श गुण).

कोणत्याही आधुनिक संस्थेप्रमाणेच अनेक ग्राहक टचपॉइंट्स आहेत जे तुमच्यासाठी सकारात्मक अनुभव कसा घ्यावा हे सूचित करतात ग्राहकांना. किरकोळ विक्रेते, स्विचबोर्ड ऑपरेटर, डायरेक्ट मेल, मल्टीमीडिया आणि प्रिंट जाहिराती, तसेच ईमेल आणि वेब यांसारख्या अधिक वर्तमान चॅनेल आहेत. dati काही संपर्क बिंदू असलेली उत्पादने अधिग्रहित करणे, वाहतूक करणे, साफ करणे, प्रक्रिया करणे आणि नंतर सुविधांमध्ये पॉप्युलेट करणे आवश्यक आहे dati BI च्या.

च्या मुलभूत गोष्टी dati ऑपरेशनल आणि यूजर असोसिएशन (ऑपरेशनल

डेटाबेस आणि वापरकर्ता समुदाय).
च्या संपर्क बिंदूंच्या शेवटी ग्राहकांना च्या पाया सापडतात dati कंपनीचा अनुप्रयोग आणि वापरकर्ता समुदाय. द dati विद्यमान आहेत dati पारंपारिक जे एकत्र आणले पाहिजे आणि विलीन केले पाहिजे dati आवश्यक माहिती पूर्ण करण्यासाठी संपर्क बिंदूंमधून प्रवाह.

विश्लेषक. (विश्लेषक)

BI पर्यावरणाचा प्राथमिक लाभार्थी विश्लेषक आहे. च्या वर्तमान उतारा पासून फायदा तो आहे dati कार्यरत, विविध स्त्रोतांसह एकत्रित dati , भौगोलिक विश्लेषण (जिओकोडिंग) सारख्या वैशिष्ट्यांसह संवर्धित आणि BI तंत्रज्ञानामध्ये सादर केले जे एक्स्ट्रक्शन, OLAP, प्रगत SQL रिपोर्टिंग आणि भौगोलिक विश्लेषण सक्षम करते. अहवाल वातावरणासाठी प्राथमिक विश्लेषक इंटरफेस BI पोर्टल आहे.

तथापि, BI आर्किटेक्चरचा फायदा घेणारा विश्लेषक एकमेव नाही.
व्यवस्थापक, मोठ्या वापरकर्ता संघटना आणि अगदी सदस्य, पुरवठादार आणि ग्राहकांना त्यांना एंटरप्राइझ BI मध्ये फायदे मिळायला हवेत.

बॅक-फीड लूप.

BI आर्किटेक्चर हे शिकण्याचे वातावरण आहे. च्या सतत संरचनांना परवानगी देणे हे विकासाचे वैशिष्ट्यपूर्ण तत्त्व आहे dati वापरलेल्या BI तंत्रज्ञानाद्वारे आणि वापरकर्त्याने केलेल्या कृतींद्वारे अद्यतनित केले जावे. ग्राहक स्कोअरिंग हे एक उदाहरण आहे.

जर विक्री विभाग नवीन सेवा वापरण्यासाठी ग्राहकांच्या स्कोअरचे मॉडेल तयार करत असेल, तर सेवेचा लाभ घेणारा एकमेव गट विक्री विभाग नसावा.

त्याऐवजी, एंटरप्राइझमधील डेटा प्रवाहाचा नैसर्गिक भाग म्हणून मॉडेल एक्सट्रॅक्शन केले जावे आणि ग्राहक स्कोअर सर्व वापरकर्त्यांसाठी दृश्यमान, वेअरहाऊस माहिती संदर्भाचा एक एकीकृत भाग बनला पाहिजे. DB2 UDB, DB2 OLAP सर्व्हरसह IBM च्या द्वि-द्वि-केंद्रित सूटमध्ये आकृती 1.1 मध्ये परिभाषित केलेले बहुतेक प्रमुख तंत्रज्ञान घटक समाविष्ट आहेत.

पुस्तकातील या चित्रात दिसते त्याप्रमाणे आम्ही आर्किटेक्चरचा वापर आम्हाला सातत्य पातळी देण्यासाठी आणि प्रत्येक IBM उत्पादन एकूण BI योजनेमध्ये कसे बसते हे दाखवण्यासाठी करतो.

माहिती सामग्री प्रदान करणे (प्रदान करणे माहिती सामग्री)

तुमच्या BI वातावरणाची रचना, विकास आणि अंमलबजावणी करणे हे एक कठीण काम आहे. डिझाईनमध्ये सध्याच्या आणि भविष्यातील अशा दोन्ही प्रकारच्या व्यवसाय आवश्यकतांचा समावेश करणे आवश्यक आहे. डिझाइन टप्प्यात सापडलेल्या सर्व निष्कर्षांचा समावेश करण्यासाठी आर्किटेक्चरल रेखांकन पूर्ण असणे आवश्यक आहे. अंमलबजावणी एकाच उद्देशासाठी वचनबद्ध राहणे आवश्यक आहे: औपचारिकपणे डिझाइनमध्ये सादर केल्याप्रमाणे आणि व्यावसायिक आवश्यकतांनुसार BI आर्किटेक्चर विकसित करणे.

शिस्त सापेक्ष यश सुनिश्चित करेल असा युक्तिवाद करणे विशेषतः कठीण आहे.
हे सोपे आहे कारण तुम्ही एकाच वेळी BI वातावरण विकसित करत नाही, परंतु तुम्ही ते कालांतराने छोट्या चरणांमध्ये करता.

तथापि, तुमच्या आर्किटेक्चरचे BI घटक ओळखणे दोन कारणांसाठी महत्त्वाचे आहे: तुम्ही पुढील सर्व तांत्रिक आर्किटेक्चर निर्णयांचे मार्गदर्शन कराल.
अनेक महिन्यांपर्यंत तंत्रज्ञानाची आवश्यकता असताना तुम्हाला पुनरावृत्ती मिळणार नसली तरीही तुम्ही जाणीवपूर्वक तंत्रज्ञानाच्या विशिष्ट वापराचे नियोजन करू शकाल.

तुमच्‍या व्‍यवसाय आवश्‍यकता पुरेशा प्रमाणात समजून घेण्‍यामुळे तुम्‍ही तुमच्‍या आर्किटेक्‍चरसाठी कोणत्‍या प्रकारची उत्‍पादने घेता यावर परिणाम होईल.
आपल्या आर्किटेक्चरची रचना आणि विकास करणे हे सुनिश्चित करते की आपले कोठार आहे

एक यादृच्छिक घटना नाही, तर एक काळजीपूर्वक तयार केलेला "सुविचार" आहे. संगीत नाटक मिश्र तंत्रज्ञानाचे मोज़ेक म्हणून कला.

माहिती सामग्री डिझाइन करा

सर्व प्रारंभिक डिझाईनमध्ये आता आणि भविष्यात एकूण वातावरणासाठी आवश्यक असणार्‍या मुख्य BI घटकांवर लक्ष केंद्रित करणे आणि ओळखणे आवश्यक आहे.
व्यवसायाच्या गरजा जाणून घेणे महत्त्वाचे आहे.

कोणतीही औपचारिक रचना सुरू होण्यापूर्वीच, प्रकल्प नियोजक अनेकदा एक किंवा दोन घटक लगेच ओळखू शकतो.
तथापि, आपल्या आर्किटेक्चरसाठी आवश्यक असलेल्या घटकांचा समतोल सहज सापडत नाही. डिझाइन टप्प्यात, आर्किटेक्चरचा मुख्य भाग व्यावसायिक आवश्यकता ओळखण्यासाठी संशोधनावर ऍप्लिकेशन डेव्हलपमेंट (जेएडी) सत्राशी जोडतो.

कधीकधी या आवश्यकता क्वेरी आणि रिपोर्टिंग साधनांवर सोपवल्या जाऊ शकतात.
उदाहरणार्थ, वापरकर्ते सांगतात की जर त्यांना वर्तमान अहवाल स्वयंचलित करायचा असेल तर त्यांनी ते दोन वर्तमान अहवाल एकत्रित करून स्वहस्ते व्युत्पन्न केले पाहिजे आणि dati.
जरी ही आवश्यकता सोपी असली तरी, ती वैशिष्ट्याची विशिष्ट कार्यक्षमता परिभाषित करते जी तुम्ही तुमच्या संस्थेसाठी अहवाल साधने खरेदी करताना समाविष्ट केली पाहिजे.

संपूर्ण चित्र मिळविण्यासाठी डिझायनरने अतिरिक्त आवश्यकता देखील पूर्ण केल्या पाहिजेत. वापरकर्ते या अहवालाची सदस्यता घेऊ इच्छिता?
अहवाल उपसंच तयार केले जातात आणि विविध वापरकर्त्यांना ईमेल केले जातात? त्यांना कंपनी पोर्टलवर हा अहवाल पाहायचा आहे का? या सर्व आवश्यकता वापरकर्त्यांनी विनंती केल्यानुसार मॅन्युअल अहवाल बदलण्याच्या साध्या गरजेचा भाग आहेत. या प्रकारच्या आवश्यकतांचा फायदा असा आहे की प्रत्येकजण, वापरकर्ते आणि डिझाइनर यांना अहवालाच्या संकल्पनेची समज आहे.

तथापि, इतर प्रकारचे व्यवसाय आहेत ज्यासाठी आम्हाला योजना आखणे आवश्यक आहे. जेव्हा व्यवसायाच्या आवश्यकता धोरणात्मक व्यवसाय प्रश्नांच्या स्वरूपात सांगितल्या जातात, तेव्हा तज्ञ डिझायनरला मोजमाप/तथ्य आणि आयामी आवश्यकता ओळखणे सोपे होते.

JAD वापरकर्त्यांना व्यावसायिक समस्येच्या रूपात त्यांच्या आवश्यकता कशा सांगायच्या हे माहित नसल्यास, डिझायनर अनेकदा आवश्यकता गोळा करण्याचे सत्र उडी मारण्यासाठी उदाहरणे देईल.
तज्ञ डिझायनर वापरकर्त्यांना केवळ धोरणात्मक व्यापारच नव्हे तर ते कसे तयार करावे हे देखील समजण्यास मदत करू शकतात.
आवश्यकता गोळा करण्याच्या पद्धतीची चर्चा धडा 3 मध्ये केली आहे; आत्ता आम्ही फक्त सर्व प्रकारच्या BI आवश्यकतांसाठी डिझाइन करण्याची आवश्यकता दर्शवू इच्छितो.

धोरणात्मक व्यवसाय समस्या ही केवळ व्यवसायाची आवश्यकता नाही, तर डिझाइन क्लू देखील आहे. जर तुम्हाला बहुआयामी प्रश्नाचे उत्तर द्यायचे असेल, तर तुम्हाला लक्षात ठेवावे लागेल, सादर करा i dati मितीय, आणि आपण संचयित करणे आवश्यक असल्यास dati बहुआयामी, तुम्ही कोणत्या प्रकारचे तंत्रज्ञान किंवा तंत्र वापरणार आहात हे तुम्ही ठरवले पाहिजे.

तुम्ही आरक्षित क्यूब स्टार स्कीमा किंवा दोन्ही लागू करता? जसे आपण पाहू शकता, अगदी साधी व्यावसायिक समस्या देखील डिझाइनवर लक्षणीय परिणाम करू शकते. परंतु या प्रकारच्या व्यवसाय आवश्यकता सामान्य आहेत आणि समजल्या जातात, किमान प्रकल्प अनुभव असलेल्या डिझाइनर आणि नियोजकांना.

OLAP तंत्रज्ञान आणि समर्थनाविषयी पुरेशी चर्चा झाली आहे आणि समाधानाची विस्तृत श्रेणी उपलब्ध आहे. आत्तापर्यंत आम्ही व्यवसायाच्या आयामी आवश्यकतांसह साधे अहवाल एकत्र आणण्याची गरज नमूद केली आहे आणि या आवश्यकता तांत्रिक स्थापत्य निर्णयांवर कसा प्रभाव पाडतात.

पण अशा कोणत्या आवश्यकता आहेत ज्या वापरकर्त्यांना किंवा Dw टीमला सहज समजत नाहीत? तुम्हाला कधी अवकाशीय विश्लेषणाची गरज भासेल का?
च्या अर्क मॉडेल dati ते तुमच्या भविष्याचा आवश्यक भाग असतील का? कुणास ठाऊक?

हे लक्षात घेणे महत्त्वाचे आहे की या प्रकारचे तंत्रज्ञान सामान्य वापरकर्ता समुदाय आणि Dw टीम सदस्यांद्वारे चांगले ओळखले जात नाहीत, काही प्रमाणात, हे असे असू शकते कारण ते विशेषत: काही अंतर्गत किंवा तृतीय-पक्ष तांत्रिक तज्ञ हाताळतात. या प्रकारच्या तंत्रज्ञानामुळे निर्माण होणाऱ्या समस्यांचे हे अत्यंत टोकाचे प्रकरण आहे. जर वापरकर्ते व्यवसायाच्या आवश्यकतांचे वर्णन करू शकत नसतील किंवा डिझाइनरना मार्गदर्शन प्रदान करतील अशा प्रकारे त्यांना फ्रेम करू शकत नसतील, तर त्यांच्याकडे दुर्लक्ष केले जाऊ शकते किंवा वाईट म्हणजे फक्त दुर्लक्ष केले जाऊ शकते.

जेव्हा डिझायनर आणि विकसक यापैकी एका प्रगत परंतु गंभीर तंत्रज्ञानाचा वापर ओळखू शकत नाहीत तेव्हा ते अधिक समस्याप्रधान बनते.
जसे आपण अनेकदा डिझायनर्सना असे म्हणताना ऐकले आहे, “बरं, ही दुसरी गोष्ट मिळेपर्यंत आपण ती बाजूला का ठेवू नये? “त्यांना खरोखरच प्राधान्यक्रमांमध्ये स्वारस्य आहे किंवा ते फक्त त्यांना समजत नसलेल्या आवश्यकता टाळत आहेत? हे बहुधा शेवटचे गृहितक आहे. आकृती 1.3 मध्ये म्हटल्याप्रमाणे तुमच्या विक्री संघाने व्यवसायाची गरज सांगितली आहे असे समजा, तुम्ही बघू शकता, ही आवश्यकता व्यावसायिक समस्येच्या स्वरूपात तयार केली आहे. ही समस्या आणि ठराविक मितीय समस्या यातील फरक म्हणजे अंतर. या प्रकरणात, विक्री संघाला जाणून घ्यायचे आहे, मासिक आधारावर, उत्पादने, गोदामे आणि स्टोअरमधील एकूण विक्री ग्राहकांना जे ते खरेदी करत असलेल्या गोदामाच्या ५ मैलांच्या आत राहतात.

दुर्दैवाने, डिझायनर किंवा वास्तुविशारद केवळ असे सांगून अवकाशीय घटकाकडे दुर्लक्ष करू शकतात, “आमच्याकडे ग्राहक, उत्पादन आणि dati ठेवीचे. दुसरी पुनरावृत्ती होईपर्यंत अंतर ठेवूया.

"चुकीचे उत्तर. या प्रकारची व्यवसाय समस्या सर्व BI बद्दल आहे. हे आमच्या व्यवसायाची सखोल समज आणि आमच्या विश्लेषकांसाठी एक मजबूत विश्लेषणात्मक जागा दर्शवते. BI साध्या क्वेरी किंवा मानक अहवाल किंवा अगदी OLAP च्या पलीकडे आहे. याचा अर्थ असा नाही की हे तंत्रज्ञान तुमच्या BI साठी महत्त्वाचे नाहीत, परंतु ते स्वतःच BI पर्यावरणाचे प्रतिनिधित्व करत नाहीत.

माहिती संदर्भासाठी डिझाइन (माहिती सामग्रीसाठी डिझाइन करणे)

आता आम्ही विविध मूलभूत घटकांमध्ये फरक करणार्‍या व्यावसायिक आवश्यकता ओळखल्या आहेत, त्या संपूर्ण आर्किटेक्चरल डिझाइनमध्ये समाविष्ट केल्या पाहिजेत. काही BI घटक आमच्या सुरुवातीच्या प्रयत्नांचा भाग आहेत, तर काही अनेक महिने लागू केले जाणार नाहीत.

तथापि, सर्व ज्ञात आवश्यकता डिझाईनमध्ये परावर्तित केल्या जातात जेणेकरुन जेव्हा आम्हाला एखाद्या विशिष्ट तंत्रज्ञानाची अंमलबजावणी करण्याची आवश्यकता असते तेव्हा आम्ही तसे करण्यास तयार असतो. प्रकल्पाबद्दल काहीतरी पारंपारिक विचार प्रतिबिंबित करेल.

चा हा संच dati च्या नंतरच्या वापरांना समर्थन देण्यासाठी वापरले जाते dati आम्ही ओळखलेल्या व्यवसाय समस्यांद्वारे आयामी मार्गदर्शित. अतिरिक्त दस्तऐवज तयार केले जातात, जसे की डिझाइन विकास dati, आम्ही कसे i dati ते वातावरणात पसरतात. आम्ही i चे प्रतिनिधित्व करण्याची गरज पडताळून पाहिली आहे dati मितीय मार्गाने, त्यांना (विशिष्ट विशिष्ट गरजांनुसार) डेटा मार्टमध्ये विभागणे.

उत्तर देण्यासाठी पुढील प्रश्न आहे: हे डेटा मार्ट कसे तयार केले जातील?
तुम्ही क्यूब्सला आधार देण्यासाठी तारे बांधता का, की फक्त क्यूब्स, की फक्त तारे? (किंवा उजवे चौकोनी तुकडे, किंवा उजवे तारे). आश्रित डेटा मार्टसाठी आर्किटेक्चर व्युत्पन्न करा ज्यासाठी सर्वांसाठी अणु स्तर आवश्यक आहे dati मिळवले? स्वतंत्र डेटा मार्ट्सना संपादन करण्याची परवानगी द्या i dati थेट ऑपरेटिंग सिस्टमवरून?

तुम्ही कोणते घन तंत्रज्ञान प्रमाणित करण्याचा प्रयत्न कराल?

आपल्याकडे मोठ्या प्रमाणात आहे dati मितीय विश्लेषणासाठी आवश्यक आहे किंवा तुम्हाला तुमच्या राष्ट्रीय विक्री दलाकडून साप्ताहिक आधारावर किंवा दोन्ही क्यूब्सची आवश्यकता आहे का? तुम्ही वित्तासाठी DB2 OLAP सर्व्हर किंवा तुमच्या विक्री संस्थेसाठी कॉग्नोस पॉवरप्ले क्यूब्स किंवा दोन्हीसारखे शक्तिशाली काहीतरी तयार करता? हे मोठे आर्किटेक्चरल डिझाइन निर्णय आहेत जे इथून पुढे तुमच्या BI वातावरणावर परिणाम करतील. होय, तुम्ही OLAP ची गरज प्रस्थापित केली आहे. आता तो प्रकार आणि तंत्रज्ञान कसे पार पाडणार?

काही सर्वात प्रगत तंत्रज्ञानाचा तुमच्या डिझाईन्सवर कसा परिणाम होतो? समजा तुम्ही तुमच्या संस्थेमध्ये जागेची गरज ओळखली आहे. आपण अनेक महिन्यांपासून अवकाशीय घटक बनवण्याची योजना करत नसला तरीही आपल्याला आता आर्किटेक्चरल ड्रॉईंग आवृत्त्या आठवल्या पाहिजेत. वास्तुविशारदाने आज आवश्यक असलेल्या गोष्टींवर आधारित रचना करणे आवश्यक आहे. व्युत्पन्न, संचयित, कार्यप्रदर्शन आणि प्रवेश प्रदान करणार्‍या अवकाशीय विश्लेषणाच्या गरजेचा अंदाज लावा dati अवकाशीय या बदल्यात आपण सध्या विचारात घेऊ शकता अशा सॉफ्टवेअर तंत्रज्ञानाच्या प्रकार आणि प्लॅटफॉर्म वैशिष्ट्यांशी संबंधित एक मर्यादा म्हणून काम केले पाहिजे. उदाहरणार्थ, प्रशासन प्रणाली डेटा बेस रिलेशनल लेयर (RDBMS) जो तुम्ही तुमच्या अणु लेयरसाठी करता त्यात मजबूत अवकाशीय विस्तार उपलब्ध असणे आवश्यक आहे. हे तुमच्या विश्लेषणात्मक ऍप्लिकेशन्समध्ये भूमिती आणि अवकाशीय वस्तू वापरताना जास्तीत जास्त कामगिरी सुनिश्चित करेल. तुमचे RDBMS हाताळू शकत नसल्यास dati (स्थानिक-केंद्रित) अंतर्गत, म्हणून तुम्हाला ए स्थापित करावे लागेल डेटा बेस (स्थानिक-केंद्रित) बाह्य. हे समस्यांचे व्यवस्थापन गुंतागुंतीचे करते आणि तुमच्या एकूण कार्यक्षमतेशी तडजोड करते, तुमच्या डीबीएसाठी निर्माण केलेल्या अतिरिक्त समस्यांचा उल्लेख करू नका, कारण त्यांना कदाचित मूलभूत गोष्टींची किमान समज आहे. dati स्थानिक तसेच. दुसरीकडे, जर तुमचे RDMBS इंजिन सर्व अवकाशीय घटक हाताळत असेल आणि त्याच्या ऑप्टिमायझरला अवकाशीय वस्तूंच्या विशेष गरजांची (उदाहरणार्थ, अनुक्रमणिका) जाणीव असेल, तर तुमचे DBAs समस्यांचे व्यवस्थापन सहजतेने हाताळू शकतात आणि तुम्ही कामगिरी वाढवू शकता.

याव्यतिरिक्त, पत्ता क्लीनअप समाविष्ट करण्यासाठी तुम्हाला स्टेजिंग क्षेत्र आणि अणु पर्यावरण स्तर समायोजित करण्याची आवश्यकता आहे

अवकाशीय विश्लेषणासाठी मुख्य घटक), तसेच स्पेस ऑब्जेक्ट्सची त्यानंतरची बचत. आवृत्त्या काढण्याचा क्रम आता सुरू आहे कारण आम्ही स्पष्ट दिशेची कल्पना मांडली आहे. एक तर, हा अनुप्रयोग तुमच्या ETL प्रयत्नांसाठी आवश्यक असलेल्या सॉफ्टवेअरचा प्रकार ठरवेल.

तुम्हाला Trillium सारखी उत्पादने स्वच्छ पत्त्यासह किंवा ती कार्यक्षमता प्रदान करण्यासाठी तुमच्या पसंतीच्या ETL विक्रेत्याची गरज आहे का?
आत्तासाठी हे महत्वाचे आहे की तुम्ही तुमचे वेअरहाऊस अंमलात आणण्याआधी पूर्ण केलेल्या डिझाइनच्या पातळीचे कौतुक करा. वरील उदाहरणांनी अनेक डिझाईन निर्णयांचे प्रदर्शन केले पाहिजे जे कोणत्याही विशिष्ट व्यवसाय आवश्यकतांचे पालन करणे आवश्यक आहे. योग्यरित्या घेतल्यास, हे डिझाइन निर्णय आपल्या पर्यावरणाची भौतिक संरचना, वापरलेल्या तंत्रज्ञानाची निवड आणि माहिती सामग्रीच्या प्रसाराचा प्रवाह यांच्यातील परस्परावलंबनास प्रोत्साहन देतात. या पारंपारिक BI आर्किटेक्चरशिवाय, तुमची संस्था विद्यमान तंत्रज्ञानाच्या गोंधळाच्या अधीन असेल, स्पष्टपणे स्थिरता प्रदान करण्यासाठी सर्वोत्तमपणे एकत्र जोडलेली असेल.

माहिती सामग्री राखून ठेवा

आपल्या संस्थेला माहितीचे मूल्य आणणे हे खूप कठीण काम आहे. पुरेशी समज आणि अनुभव, किंवा योग्य नियोजन आणि डिझाइनशिवाय, सर्वोत्तम संघ देखील अयशस्वी होतील. दुसरीकडे, जर तुमच्याकडे उत्तम अंतर्ज्ञान आणि तपशीलवार नियोजन असेल परंतु अंमलबजावणीसाठी कोणतीही शिस्त नसेल, तर तुम्ही फक्त तुमचा पैसा आणि वेळ वाया घालवला आहे कारण तुमचा प्रयत्न अयशस्वी होणार आहे. संदेश स्पष्ट असावा: जर तुमच्याकडे यापैकी एक किंवा अधिक कौशल्ये, समज/अनुभव किंवा नियोजन/डिझाइन किंवा अंमलबजावणी शिस्त नसेल, तर ते BI संस्थेच्या इमारतीला अपंग किंवा नष्ट करेल.

तुमचा संघ पुरेसा तयार आहे का? तुमच्या BI टीममध्ये BI वातावरणात उपलब्ध असलेले विशाल विश्लेषणात्मक लँडस्केप आणि त्या लँडस्केपची देखरेख करण्यासाठी आवश्यक तंत्रे आणि तंत्रज्ञान समजणारे कोणी आहे का? तुमच्या टीममध्ये कोणीतरी आहे जो अॅडव्हान्समधील अॅप्लिकेशन फरक ओळखू शकेल

स्टॅटिक रिपोर्टिंग आणि OLAP, किंवा ROLAP आणि OLAP मधील फरक? तुमच्या कार्यसंघ सदस्यांपैकी एक स्पष्टपणे कसे काढायचे आणि त्याचा वेअरहाऊसवर कसा परिणाम होऊ शकतो किंवा वेअरहाऊस काढण्याच्या कामगिरीला कसे समर्थन देऊ शकते हे स्पष्टपणे ओळखतो का? कार्यसंघ सदस्याचे मूल्य समजते dati जागा किंवा एजंट-आधारित तंत्रज्ञान? मेसेज ब्रोकर टेक्नॉलॉजी विरुद्ध ईटीएल टूल्सच्या अद्वितीय अनुप्रयोगाची प्रशंसा करणारे कोणीतरी तुमच्याकडे आहे का? तुमच्याकडे नसल्यास, एक मिळवा. BI सामान्यीकृत अणु स्तर, OLAP, तारा स्कीमा आणि ODS पेक्षा खूप मोठा आहे.

BI आवश्यकता आणि त्यांचे निराकरण ओळखण्यासाठी समजून घेणे आणि अनुभव असणे हे वापरकर्त्याच्या गरजा योग्यरित्या औपचारिक करण्यासाठी आणि त्यांचे निराकरण डिझाइन आणि अंमलबजावणी करण्याच्या आपल्या क्षमतेसाठी आवश्यक आहे. तुमच्या वापरकर्ता समुदायाला आवश्यकतांचे वर्णन करण्यात अडचण येत असल्यास, ती समज प्रदान करणे हे वेअरहाऊस टीमचे काम आहे. पण जर गोदाम संघ

BI चे विशिष्ट ऍप्लिकेशन ओळखत नाही - उदाहरणार्थ, डेटा मायनिंग - मग ही सर्वोत्तम गोष्ट नाही की BI वातावरण बहुतेक वेळा निष्क्रिय भांडार असण्यापुरते मर्यादित असते. तथापि, या तंत्रज्ञानाकडे दुर्लक्ष केल्याने त्यांचे महत्त्व कमी होत नाही आणि तुमच्या संस्थेच्या व्यावसायिक बुद्धिमत्ता क्षमता, तसेच तुम्ही वाढवण्याची योजना करत असलेल्या माहितीच्या लँडस्केपवर त्यांचा प्रभाव कमी होत नाही.

नियोजनामध्ये रेखांकनाची कल्पना समाविष्ट असणे आवश्यक आहे आणि दोन्हीसाठी सक्षम व्यक्ती आवश्यक आहे. याव्यतिरिक्त, डिझायनिंगसाठी टीम वेअरहाऊस तत्त्वज्ञान आणि मानकांचे निरीक्षण आवश्यक आहे. उदाहरणार्थ, जर तुमच्या कंपनीने एक मानक प्लॅटफॉर्म स्थापित केला असेल किंवा तुम्ही प्लॅटफॉर्मवर प्रमाणित करू इच्छित असा विशिष्ट RDBMS ओळखला असेल, तर त्या मानकांचे पालन करण्याची जबाबदारी टीममधील प्रत्येकावर आहे. सामान्यत: संघ मानकीकरणाची गरज (वापरकर्ता समुदायांना) उघड करतो, परंतु संघ स्वतः कंपनीमधील इतर क्षेत्रांमध्ये किंवा कदाचित तत्सम कंपन्यांमध्ये देखील स्थापित केलेल्या मानकांचे पालन करण्यास तयार नाही. हे केवळ दांभिकच नाही तर हे स्थापित करते की कंपनी विद्यमान संसाधने आणि गुंतवणुकीचे शोषण करण्यास अक्षम आहे. याचा अर्थ असा नाही की अ-मानक प्लॅटफॉर्म किंवा तंत्रज्ञानाची हमी देणारी कोणतीही परिस्थिती नाही; तथापि, कोठार प्रयत्न

व्यवसायाच्या गरजा अन्यथा ठरवत नाही तोपर्यंत त्यांनी कंपनीच्या मानकांचे ईर्ष्याने संरक्षण केले पाहिजे.

BI संस्था तयार करण्यासाठी आवश्यक असलेला तिसरा महत्त्वाचा घटक म्हणजे शिस्त.
हे संपूर्णपणे, व्यक्ती आणि पर्यावरणावर तितकेच अवलंबून असते. प्रकल्प नियोजक, प्रायोजक, आर्किटेक्ट आणि वापरकर्त्यांनी कंपनीची माहिती संरचना तयार करण्यासाठी आवश्यक असलेल्या शिस्तीचे कौतुक केले पाहिजे. डिझायनरांनी त्यांच्या डिझाइन प्रयत्नांना समाजातील इतर आवश्यक प्रयत्नांना पूरक अशा प्रकारे निर्देशित केले पाहिजे.

उदाहरणार्थ, समजा तुमची कंपनी एक ईआरपी ऍप्लिकेशन तयार करते ज्यामध्ये वेअरहाऊस घटक आहे.
त्यामुळे आधीच सुरू झालेल्या कामाशी स्पर्धा होऊ नये किंवा डुप्लिकेट होऊ नये म्हणून वेअरहाऊस पर्यावरण संघाशी सहयोग करणे ERP डिझाइनर्सची जबाबदारी आहे.

शिस्त हा देखील एक विषय आहे ज्याला संपूर्ण संस्थेने संबोधित केले पाहिजे आणि सहसा स्थापित केले जाते आणि कार्यकारी स्तरावर सोपवले जाते.
व्यवस्थापक डिझाइन केलेल्या दृष्टिकोनाचे पालन करण्यास इच्छुक आहेत का? एक दृष्टीकोन जो माहिती सामग्री तयार करण्याचे वचन देतो जे शेवटी एंटरप्राइझच्या सर्व क्षेत्रांसाठी मूल्य आणेल, परंतु कदाचित वैयक्तिक किंवा विभागीय कार्यक्रमांशी तडजोड करेल? "फक्त एका गोष्टीबद्दल विचार करण्यापेक्षा प्रत्येक गोष्टीबद्दल विचार करणे अधिक महत्त्वाचे आहे" ही म्हण लक्षात ठेवा. ही म्हण BI संस्थांसाठी खरी आहे.

दुर्दैवाने, बर्‍याच गोदामांनी त्यांचे प्रयत्न एका विशिष्ट विभागाला किंवा विशिष्ट वापरकर्त्यांना लक्ष्य करण्याच्या आणि मूल्य आणण्याच्या प्रयत्नावर केंद्रित केले आहेत, मोठ्या प्रमाणावर संस्थेचा फारसा संबंध नाही. समजा कार्यकारिणीने वेअरहाऊस टीमकडून मदतीची विनंती केली आहे. कार्यसंघ 90-दिवसांच्या प्रयत्नांसह प्रतिसाद देतो ज्यामध्ये व्यवस्थापकाद्वारे परिभाषित केलेल्या सूचना आवश्यकता केवळ वितरित करणेच नाही तर सर्व dati प्रस्तावित क्यूब तंत्रज्ञानामध्ये आणण्यापूर्वी बेस अणू स्तरावर मिसळले जातात.
या अभियांत्रिकी जोडणीचा वेअरहाऊस एंटरप्राइझला फायदा होईल याची खात्री होते dati व्यवस्थापकासाठी आवश्यक.
तथापि, एक्झिक्युटिव्ह बाहेरील सल्लागार कंपन्यांशी बोलले ज्यांनी 4 आठवड्यांपेक्षा कमी कालावधीत डिलिव्हरीसह समान अर्ज प्रस्तावित केला.

अंतर्गत वेअरहाऊस टीम सक्षम आहे असे गृहीत धरून, कार्यकारिणीला पर्याय आहे. कोण माहिती मालमत्ता एंटरप्राइझ विकसित करण्यासाठी आवश्यक असलेल्या अतिरिक्त अभियांत्रिकी शाखेचे समर्थन करू शकते किंवा त्वरीत स्वतःचे समाधान तयार करणे निवडू शकते. शेवटचा एक बर्‍याच वेळा निवडलेला दिसतो आणि केवळ काही लोकांना किंवा व्यक्तींना फायदा होणारा माहितीचा कंटेनर तयार करतो.

अल्प आणि दीर्घकालीन उद्दिष्टे

वास्तुविशारद आणि प्रकल्प डिझायनर यांनी एकंदर आर्किटेक्चरची दीर्घकालीन दृष्टी आणि BI संस्थेतील वाढीसाठी योजनांची औपचारिकता करणे आवश्यक आहे. अल्पकालीन लाभ आणि दीर्घकालीन नियोजनाचे हे संयोजन BI प्रयत्नांच्या दोन बाजूंचे प्रतिनिधित्व करते. अल्पकालीन लाभ हा BI चा पैलू आहे जो तुमच्या वेअरहाऊसच्या पुनरावृत्तीशी संबंधित आहे.

येथेच नियोजक, आर्किटेक्ट आणि प्रायोजक विशिष्ट व्यावसायिक आवश्यकता पूर्ण करण्यावर लक्ष केंद्रित करतात. या स्तरावर भौतिक संरचना तयार केल्या जातात, तंत्रज्ञान खरेदी केले जाते आणि तंत्रे लागू केली जातात. विशिष्ट वापरकर्ता समुदायांद्वारे परिभाषित केलेल्या विशिष्ट आवश्यकतांचे निराकरण करण्यासाठी ते कोणत्याही प्रकारे तयार केलेले नाहीत. विशिष्ट समुदायाद्वारे परिभाषित केलेल्या विशिष्ट आवश्यकतांचे निराकरण करण्यासाठी सर्व काही केले जाते.
तथापि, दीर्घकालीन नियोजन हे BI चे दुसरे पैलू आहे. येथेच योजना आणि डिझाईन्स हे सुनिश्चित करतात की कोणतीही भौतिक रचना तयार केली गेली आहे, तंत्रज्ञानाची निवड केली गेली आहे आणि एंटरप्राइझकडे लक्ष देऊन अंमलबजावणी केली गेली आहे. हे दीर्घकालीन नियोजन आहे जे मिळालेल्या कोणत्याही अल्प-मुदतीच्या नफ्यातून व्यावसायिक फायदे उद्भवतील याची खात्री करण्यासाठी आवश्यक असलेली एकसंधता प्रदान करते.

तुमच्या BI प्रयत्नांचे समर्थन करा

Un डेटा वेअरहाऊस स्वतःच त्याचे कोणतेही मूळ मूल्य नाही. दुसऱ्या शब्दांत, वेअरहाऊस तंत्रज्ञान आणि अंमलबजावणी तंत्रांमध्ये कोणतेही मूळ मूल्य नाही.

कोणत्याही गोदामाच्या प्रयत्नांचे मूल्य वेअरहाऊसच्या वातावरणाचा परिणाम म्हणून केलेल्या कृतींमध्ये आढळते आणि कालांतराने तयार केलेली माहिती सामग्री. तुम्ही कोणत्याही व्हेअरहाऊस उपक्रमाच्या मूल्याचा अंदाज घेण्याचा प्रयत्न करण्यापूर्वी हा एक महत्त्वाचा मुद्दा आहे.

बर्‍याचदा, वास्तुविशारद आणि डिझाइनर वेअरहाऊसच्या भौतिक आणि तांत्रिक घटकांवर मूल्य लागू करण्याचा प्रयत्न करतात जेव्हा खरेतर मूल्य हे वेअरहाऊस आणि चांगल्या प्रकारे मिळवलेल्या माहितीद्वारे सकारात्मकरित्या प्रभावित झालेल्या व्यावसायिक प्रक्रियांवर आधारित असते.

येथे BI स्थापन करण्याचे आव्हान आहे: तुम्ही गुंतवणुकीचे समर्थन कसे करता? व्हेअरहाऊसचे स्वतःचे कोणतेही आंतरिक मूल्य नसल्यास, प्रकल्प डिझाइनरांनी त्या व्यक्तींनी प्राप्त केलेल्या फायद्यांची तपासणी करणे, परिभाषित करणे आणि औपचारिक करणे आवश्यक आहे जे विशिष्ट व्यवसाय प्रक्रिया किंवा संरक्षित माहितीचे मूल्य किंवा दोन्ही सुधारण्यासाठी वेअरहाऊसचा वापर करतील.

गुंतागुतीच्या बाबींसाठी, गोदामांच्या प्रयत्नांमुळे प्रभावित होणारी कोणतीही व्यावसायिक प्रक्रिया "बऱ्यापैकी" किंवा "थोडे" फायदे प्रदान करू शकते. लक्षणीय फायदे गुंतवणुकीवरील परतावा (ROI) मोजण्यासाठी एक मूर्त मेट्रिक प्रदान करतात - उदाहरणार्थ, विशिष्ट कालावधीत इन्व्हेंटरीमध्ये अतिरिक्त वेळ बदलणे किंवा प्रति शिपमेंट कमी वाहतूक खर्चासाठी. मूर्त मूल्याच्या दृष्टीने माहितीचा सुधारित प्रवेश यासारखे सूक्ष्म फायदे परिभाषित करणे कठीण आहे.

बद्दल जाणून घेण्यासाठी तुमचा प्रकल्प कनेक्ट करा व्यवसाय विनंत्या

बर्‍याचदा, प्रकल्प नियोजक गोदाम मूल्य अनाकार एंटरप्राइझ उद्दिष्टांशी जोडण्याचा प्रयत्न करतात. "वेअरहाऊसचे मूल्य हे धोरणात्मक विनंत्या पूर्ण करण्याच्या आमच्या क्षमतेवर आधारित आहे" असे घोषित करून आम्ही चर्चा आनंददायी पद्धतीने उघडतो. परंतु केवळ इन्व्हेंटरीमध्ये गुंतवणूक करणे अर्थपूर्ण आहे की नाही हे निर्धारित करणे पुरेसे नाही. विशिष्ट, ज्ञात व्यावसायिक मागण्यांसह वेअरहाऊस पुनरावृत्ती लिंक करणे सर्वोत्तम आहे.

ROI मोजत आहे

वेअरहाऊस सेटिंगमध्ये ROI ची गणना करणे विशेषतः कठीण असू शकते. फायदा असल्यास विशेषतः कठीण आहे

विशिष्ट पुनरावृत्तीची मुख्य गोष्ट म्हणजे मूर्त किंवा मोजण्यास सोपी नसलेली गोष्ट. एका अभ्यासात असे दिसून आले आहे की वापरकर्त्यांना BI उपक्रमांचे दोन मुख्य फायदे जाणवतात:

• ▪  निर्णय घेण्याची क्षमता निर्माण करा
• ▪  माहितीमध्ये प्रवेश तयार करा
  हे फायदे मऊ (किंवा सौम्य) फायदे आहेत. कमी झालेल्या वाहतूक खर्चासारख्या कठीण (किंवा मोठ्या) फायद्यावर आधारित आम्ही ROI कसे मोजू शकतो हे पाहणे सोपे आहे, परंतु आम्ही चांगले निर्णय घेण्याची क्षमता कशी मोजू?
  प्रकल्प नियोजकांसाठी हे निश्चितच एक आव्हान आहे जेव्हा ते कंपनीला विशिष्ट वेअरहाऊस प्रयत्नात गुंतवणूक करण्यास पटवून देण्याचा प्रयत्न करतात. वाढती विक्री किंवा कमी होणारा खर्च यापुढे BI वातावरणाला चालना देणारी केंद्रीय थीम राहिलेली नाही.
  त्याऐवजी, तुम्ही माहितीमध्ये अधिक चांगल्या प्रवेशासाठी व्यवसाय विनंत्या पाहत आहात जेणेकरुन विशिष्ट विभाग जलद निर्णय घेऊ शकेल. हे धोरणात्मक ड्रायव्हर्स आहेत जे एंटरप्राइझसाठी तितकेच महत्त्वाचे आहेत परंतु मूर्त मेट्रिकमध्ये ते अधिक अस्पष्ट आणि अधिक कठीण आहेत. या प्रकरणात, ROI ची गणना करणे अप्रासंगिक नसल्यास, दिशाभूल करणारे असू शकते.
  एखाद्या विशिष्ट पुनरावृत्तीमधील गुंतवणूक योग्य आहे की नाही हे ठरवण्यासाठी प्रकल्प डिझाइनर अधिका-यांसाठी मूर्त मूल्य प्रदर्शित करण्यास सक्षम असले पाहिजेत. तथापि, आम्ही ROI ची गणना करण्यासाठी नवीन पद्धत प्रस्तावित करणार नाही किंवा आम्ही त्याच्या बाजूने किंवा विरुद्ध कोणताही युक्तिवाद करणार नाही.
  ROI ची गणना करण्याच्या मूलभूत गोष्टींवर चर्चा करणारे अनेक लेख आणि पुस्तके उपलब्ध आहेत. गार्टनर सारख्या गटांद्वारे ऑफर केलेल्या गुंतवणुकीवर मूल्य (VOI) सारखे विशेष मूल्य प्रस्ताव आहेत, ज्यावर तुम्ही संशोधन करू शकता. त्याऐवजी, आम्ही कोणत्याही ROI किंवा इतर मूल्य प्रस्तावांच्या मुख्य पैलूंवर लक्ष केंद्रित करू ज्यांचा तुम्ही विचार करणे आवश्यक आहे. ROI लागू करत आहे BI प्रयत्नांशी संबंधित "हार्ड" फायदे विरुद्ध "सॉफ्ट" फायदे या वादाच्या पलीकडे ROI लागू करताना विचारात घेण्यासारखे इतर मुद्दे आहेत. उदाहरणार्थ:

तरीही येणार्‍या DW प्रयत्नांना बर्‍याच बचतीचे श्रेय द्या
समजा तुमची कंपनी मेनफ्रेम आर्किटेक्चरमधून वितरित UNIX वातावरणात गेली आहे. त्यामुळे त्या प्रयत्नातून होणारी (किंवा नसावी) कोणतीही बचत केवळ गोदामालाच (?) दिली जाऊ नये.

प्रत्येक गोष्टीचा हिशेब न ठेवणे महागात पडते. आणि खात्यात घेण्यासारख्या अनेक गोष्टी आहेत. खालील यादीचा विचार करा:

• ▪  प्रारंभ खर्च, व्यवहार्यतेसह.
• ▪  संबंधित स्टोरेज आणि संप्रेषणांसह समर्पित हार्डवेअरची किंमत
• ▪  सॉफ्टवेअरची किंमत, च्या व्यवस्थापनासह dati आणि क्लायंट/सर्व्हर विस्तार, ईटीएल सॉफ्टवेअर, डीएसएस तंत्रज्ञान, व्हिज्युअलायझेशन टूल्स, शेड्यूलिंग आणि वर्कफ्लो अॅप्लिकेशन्स आणि मॉनिटरिंग सॉफ्टवेअर, .
• ▪  संरचना डिझाइनची किंमत dati, च्या निर्मिती आणि ऑप्टिमायझेशनसह
• ▪  सॉफ्टवेअर डेव्हलपमेंटचा खर्च थेट BI प्रयत्नाशी संबंधित आहे
• ▪  परफॉर्मन्स ऑप्टिमायझेशनसह, सॉफ्टवेअर आवृत्ती नियंत्रण आणि मदत ऑपरेशन्ससह होम सपोर्टची किंमत "बिग-बँग" ROI लागू करा. वेअरहाऊस एक एकल, अवाढव्य प्रयत्न म्हणून तयार करणे अयशस्वी ठरेल, त्यामुळे मोठ्या-उद्योग उपक्रमासाठी ROI ची गणना देखील करा ही ऑफर आश्चर्यकारक आहे आणि नियोजक संपूर्ण प्रयत्नांच्या मूल्याचा अंदाज लावण्याचे कमकुवत प्रयत्न करत राहतात. विशिष्‍ट पुनरावृत्तीचा अंदाज लावणे कठिण आहे हे सर्वत्र ज्ञात आणि स्‍वीकारलेल्‍यास नियोजक व्‍यवसाय उपक्रमावर आर्थिक मुल्‍य ठेवण्‍याचा प्रयत्‍न का करतात? हे कसे शक्य आहे? काही अपवाद वगळता ते शक्य नाही. ते करू नका. आता आम्ही ROI ची गणना करताना काय करू नये हे स्थापित केले आहे, येथे काही मुद्दे आहेत जे आम्हाला तुमच्या BI प्रयत्नांच्या मूल्याचा अंदाज घेण्यासाठी एक विश्वासार्ह प्रक्रिया स्थापित करण्यात मदत करतील.

ROI एकमत प्राप्त करणे. तुमच्या BI प्रयत्नांच्या मूल्याचा अंदाज लावण्यासाठी तुम्ही निवडलेल्या तंत्राची पर्वा न करता, प्रकल्प डिझायनर, प्रायोजक आणि व्यावसायिक अधिकारी यांच्यासह सर्व पक्षांनी त्यावर सहमती दर्शविली पाहिजे.

ROI ओळखण्यायोग्य भागांमध्ये कमी करा. ROI ची वाजवी गणना करण्याच्या दिशेने एक आवश्यक पाऊल म्हणजे ती गणना एका विशिष्ट प्रकल्पावर केंद्रित करणे. हे तुम्हाला विशिष्ट व्यवसाय आवश्यकता पूर्ण केल्याच्या आधारावर मूल्याचा अंदाज लावू देते

खर्चाची व्याख्या करा. नमूद केल्याप्रमाणे, असंख्य खर्चांचा विचार करणे आवश्यक आहे. शिवाय, खर्चामध्ये केवळ एकल पुनरावृत्तीशी संबंधित नसून कंपनीच्या मानकांचे पालन सुनिश्चित करण्याशी संबंधित खर्च देखील समाविष्ट करणे आवश्यक आहे.

फायदे परिभाषित करा. विशिष्ट व्यवसाय आवश्यकतांशी ROI ला स्पष्टपणे जोडून, ​​आम्ही आवश्यकतेची पूर्तता करणारे फायदे ओळखण्यास सक्षम असले पाहिजे.

नजीकच्या नफ्यात खर्च आणि फायदे कमी करा. भविष्यातील कमाईमध्ये भविष्यातील मूल्याचा अंदाज लावण्याच्या विरोधात निव्वळ वर्तमान मूल्यावर (NPV) आपले मूल्यांकन आधारित करण्याचा हा सर्वोत्तम मार्ग आहे.

तुमचा ROI कमीत कमी विभाजित करण्याची वेळ ठेवा. हे आपल्या ROI मध्ये वापरल्या गेलेल्या दीर्घ कालावधीत चांगले दस्तऐवजीकरण केलेले आहे.

एकापेक्षा जास्त ROI सूत्र वापरा. ROI ची भविष्यवाणी करण्यासाठी अनेक पद्धती आहेत आणि निव्वळ वर्तमान मूल्य, अंतर्गत परताव्याचा दर (IRR) आणि परतावा यासह त्यापैकी एक किंवा अधिक वापरायचे की नाही याची योजना आखली पाहिजे.

पुनरावृत्ती करण्यायोग्य प्रक्रिया परिभाषित करा. कोणत्याही दीर्घकालीन मूल्याची गणना करण्यासाठी हे महत्त्वपूर्ण आहे. त्यानंतरच्या सर्व प्रकल्पांसाठी एकच पुनरावृत्ती करण्यायोग्य प्रक्रियेचे दस्तऐवजीकरण केले जावे.

वेअरहाऊस वातावरणातील तज्ञांनी परिभाषित केलेल्या समस्या सर्वात सामान्य आहेत. "बिग-बॅंग" ROI वितरीत करण्याचा व्यवस्थापनाचा आग्रह खूप अस्वस्थ करणारा आहे. तुम्ही तुमची सर्व ROI गणना ओळखण्यायोग्य, मूर्त तुकड्यांमध्ये मोडून सुरू केल्यास, तुमच्याकडे अचूक ROI रेटिंगचा अंदाज घेण्याची चांगली संधी आहे.

ROI लाभांबाबत प्रश्न

तुमचे फायदे कोणतेही असोत, मऊ किंवा कठिण, तुम्ही त्यांचे मूल्य निश्चित करण्यासाठी काही मूलभूत प्रश्न वापरू शकता. उदाहरणार्थ, 1 ते 10 पर्यंत साध्या स्केलिंग प्रणालीचा वापर करून, तुम्ही खालील प्रश्नांचा वापर करून कोणत्याही प्रयत्नाचा प्रभाव मोजू शकता:

• आपण समजून घेणे कसे रेट कराल dati तुमच्या कंपनीच्या या प्रकल्पाचे अनुसरण करता?
• या प्रकल्पाच्या परिणामी प्रक्रियेतील सुधारणांचा अंदाज कसा घ्याल?
• आता या पुनरावृत्तीद्वारे उपलब्ध केलेल्या नवीन अंतर्दृष्टी आणि अनुमानांचा प्रभाव तुम्ही कसा मोजाल
• जे शिकले होते त्याचा परिणाम म्हणून नवीन, उच्च-कार्यक्षमता संगणकीय वातावरणाचा काय परिणाम झाला? जर या प्रश्नांची उत्तरे कमी असतील, तर हे शक्य आहे की कंपनी केलेली गुंतवणूक योग्य नाही. उच्च-स्कोअरिंग प्रश्न महत्त्वपूर्ण मूल्य नफ्याकडे निर्देश करतात आणि पुढील तपासणीसाठी मार्गदर्शक म्हणून काम करतात. उदाहरणार्थ, प्रक्रिया सुधारण्यासाठी उच्च स्कोअर डिझायनर्सना प्रक्रिया कशा सुधारल्या गेल्या आहेत हे तपासण्यासाठी नेले पाहिजे. तुम्हाला असे आढळून येईल की काही किंवा सर्व नफा मूर्त आहेत आणि म्हणून एक आर्थिक मूल्य सहजपणे लागू केले जाऊ शकते. च्या पहिल्या पुनरावृत्तीमधून जास्तीत जास्त मिळवणे गोदाम तुमच्या एंटरप्राइझच्या प्रयत्नांचा सर्वात मोठा परिणाम बहुतेक वेळा पहिल्या काही पुनरावृत्तीमध्ये असतो. हे प्रारंभिक प्रयत्न पारंपारिकपणे लोकांसाठी सर्वात उपयुक्त माहिती सामग्री स्थापित करतात आणि त्यानंतरच्या BI अनुप्रयोगांसाठी तंत्रज्ञानाचा पाया स्थापित करण्यात मदत करतात. च्या सामान्यतः प्रत्येक त्यानंतरच्या पुढील dati गोदामांचे प्रकल्प सर्वसाधारणपणे कंपनीला कमी आणि कमी अतिरिक्त मूल्य आणतात. हे विशेषतः खरे आहे जर पुनरावृत्ती नवीन विषय जोडत नाही किंवा नवीन वापरकर्ता समुदायाच्या गरजा पूर्ण करत नाही.

हे स्टोरेज वैशिष्ट्य वाढत्या स्टॅकवर देखील लागू होते dati इतिहासकार त्यानंतरच्या प्रयत्नांना अधिक आवश्यक आहे dati आणि आणखी किती dati कालांतराने गोदामात ओतले जातात, बहुतेक dati वापरलेल्या विश्लेषणाशी कमी संबंधित होते. या dati त्यांना अनेकदा म्हणतात dati सुप्त असतात आणि त्यांना ठेवणे नेहमीच महाग असते कारण ते जवळजवळ कधीही वापरले जात नाहीत.

प्रकल्प प्रायोजकांसाठी याचा अर्थ काय आहे? मूलत:, सुरुवातीचे प्रायोजक गुंतवणुकीच्या खर्चापेक्षा जास्त शेअर करतात. हे प्राथमिक आहे कारण ते वेअरहाऊसचे विस्तृत तांत्रिक वातावरण आणि सेंद्रियसह संसाधन स्तर स्थापित करण्यासाठी प्रेरणा आहेत.

परंतु ही पहिली पायरी सर्वोच्च मूल्य आणते आणि म्हणून प्रकल्प डिझाइनरना अनेकदा गुंतवणुकीचे समर्थन करावे लागते.
तुमच्‍या BI पुढाकारानंतर केलेल्‍या प्रकल्‍पांची कमी (पहिल्‍याच्‍या तुलनेत) आणि थेट किंमत असू शकते, परंतु कंपनीला कमी किंमत मिळते.

आणि संस्थेच्या मालकांनी संचय फेकून देण्याचा विचार सुरू करणे आवश्यक आहे dati आणि कमी संबंधित तंत्रज्ञान.

डेटा खनन: निष्कर्षण Dati

असंख्य आर्किटेक्चरल घटकांना डेटा मायनिंग तंत्रज्ञान आणि तंत्रांमध्ये फरक आवश्यक असतो-
उदाहरणार्थ, विविध "एजंट" च्या स्वारस्याच्या मुद्यांचे परीक्षण करण्यासाठी ग्राहकांना, कंपनीची कार्यप्रणाली आणि स्वतः dw साठी. हे एजंट पीओटी ट्रेंडवर प्रशिक्षित प्रगत न्यूरल नेटवर्क असू शकतात, जसे की विक्रीच्या जाहिरातींवर आधारित भविष्यातील उत्पादनाची मागणी; सेटवर प्रतिक्रिया देण्यासाठी नियम-आधारित इंजिन डेटा परिस्थितीनुसार, उदाहरणार्थ, वैद्यकीय निदान आणि उपचार शिफारसी; किंवा अगदी साधे एजंट्स ज्यात उच्च अधिकाऱ्यांना अपवाद नोंदवण्याची भूमिका आहे. साधारणपणे या निष्कर्षण प्रक्रिया dati si

वास्तविक वेळेत सत्यापित करा; म्हणून, ते च्या चळवळीशी पूर्णपणे एकत्र असले पाहिजेत dati स्टेसी

ऑनलाइन विश्लेषणात्मक प्रक्रिया प्रक्रिया

ऑनलाइन विश्लेषण

स्लाइस, फासे, रोल, ड्रिल डाउन आणि विश्लेषण करण्याची क्षमता
काय-जर, कार्यक्षेत्रात आहे, IBM तंत्रज्ञान सूटचा फोकस. उदाहरणार्थ, DB2 साठी ऑनलाइन विश्लेषणात्मक प्रक्रिया (OLAP) कार्ये अस्तित्वात आहेत जी सॉफ्टवेअर इंजिनमध्ये आयामी विश्लेषण आणते. डेटाबेस त्याच .

DB2 चा नैसर्गिक भाग असण्याच्या सर्व फायद्यांचा फायदा घेत फंक्शन्स SQL ​​मध्ये आयामी उपयुक्तता जोडतात. OLAP एकत्रीकरणाचे आणखी एक उदाहरण म्हणजे एक्सट्रॅक्शन टूल, DB2 OLAP सर्व्हर विश्लेषक. हे तंत्रज्ञान DB2 OLAP सर्व्हर क्यूब्सचे द्रुतगतीने आणि स्वयंचलितपणे विश्लेषण करण्यास अनुमती देते आणि मूल्य मूल्ये शोधून त्यावर अहवाल देतात. dati व्यवसाय विश्‍लेषकासाठी संपूर्ण क्यूबमध्ये असामान्य किंवा अनपेक्षित. आणि शेवटी, DW केंद्र वैशिष्ट्ये आर्किटेक्ट्सना इतर गोष्टींबरोबरच, ETL प्रक्रियेचा नैसर्गिक भाग म्हणून DB2 OLAP सर्व्हर क्यूबचे प्रोफाइल नियंत्रित करण्यासाठी एक साधन प्रदान करतात.

अवकाशीय विश्लेषण अवकाशीय विश्लेषण

जागा पॅनोरामासाठी आवश्यक असलेल्या विश्लेषणात्मक अँकरच्या (लीड्स) अर्ध्या भागाचे प्रतिनिधित्व करते
विस्तृत विश्लेषणात्मक (वेळ इतर अर्ध्या भागाचे प्रतिनिधित्व करते). आकृती 1.1 मध्ये चित्रित केलेल्या वेअरहाऊसच्या अणु-स्तरामध्ये वेळ आणि स्थान दोन्ही मूलभूत गोष्टींचा समावेश आहे. टाइम स्टॅम्प अँकर वेळेनुसार विश्लेषण करते आणि पत्ता माहिती अँकर जागेनुसार विश्लेषण करते. टाइमस्टॅम्प वेळेनुसार विश्लेषण करतात आणि पत्त्याची माहिती जागेनुसार विश्लेषण करते. आकृती जिओकोडिंग दर्शवते - पत्ते नकाशामधील बिंदूंमध्ये किंवा अंतराळातील बिंदूंमध्ये रूपांतरित करण्याची प्रक्रिया जेणेकरून अंतर आणि आत/बाहेरच्या संकल्पना विश्लेषणामध्ये वापरल्या जाऊ शकतात - अणु स्तरावर आयोजित केले जाते आणि स्थानिक विश्लेषण जे उपलब्ध केले जाते विश्लेषक IBM पर्यावरणीय प्रणाली संशोधन संस्था (ESRI) सह विकसित केलेले अवकाशीय विस्तार प्रदान करते. डेटाबेस DB2 जेणेकरून स्पेस ऑब्जेक्ट्सचा एक सामान्य भाग म्हणून संग्रहित केला जाऊ शकतो डेटाबेस संबंधीत. DB2

अवकाशीय विस्तारक, अवकाशीय विश्लेषणाचे शोषण करण्यासाठी सर्व SQL विस्तार देखील प्रदान करतात. उदाहरणार्थ, विरुद्ध क्वेरी करण्यासाठी SQL विस्तार
पत्त्यांमधील अंतर किंवा एखादा बिंदू परिभाषित बहुभुज क्षेत्राच्या आत किंवा बाहेर आहे, हे अवकाशीय विस्तारक असलेले विश्लेषणात्मक मानक आहेत. अधिक माहितीसाठी धडा 16 पहा.

डेटाबेस-निवासी साधने साधने डेटाबेस-रहिवासी

DB2 मध्ये अनेक BI-निवासी SQL वैशिष्ट्ये आहेत जी विश्लेषण क्रियेत मदत करतात. यात समाविष्ट:

• विश्लेषण करण्यासाठी पुनरावृत्ती कार्ये, जसे की " येथून सर्व संभाव्य उड्डाण मार्ग शोधणे सॅन फ्रान्सिस्को a न्यू यॉर्क".
• रँकिंगसाठी विश्लेषणात्मक कार्ये, संचयी कार्ये, घन आणि रोलअप कार्ये सुलभ करण्यासाठी जी सामान्यत: केवळ OLAP तंत्रज्ञानाने होतात, आता इंजिनचा एक नैसर्गिक भाग आहे. डेटाबेस
• परिणाम असलेली सारणी तयार करण्याची क्षमता
  च्या विक्रेते डेटाबेस नेते मध्ये अधिक BI क्षमता मिसळतात डेटाबेस त्याच.
  चे मुख्य पुरवठादार डेटा बेस ते मध्ये अधिक BI क्षमता मिसळत आहेत डेटाबेस त्याच.
  हे BI सोल्यूशन्ससाठी चांगले कार्यप्रदर्शन आणि अधिक अंमलबजावणी पर्याय प्रदान करते.
  DB2 V8 ची वैशिष्ट्ये आणि कार्ये खालील प्रकरणांमध्ये तपशीलवार चर्चा केली आहेत:
  तांत्रिक आर्किटेक्चर आणि डेटा मॅनेजमेंट फाउंडेशन्स (धडा 5)

• DB2 BI मूलभूत तत्त्वे (धडा 6)
• DB2 मटेरिअलाइज्ड क्वेरी टेबल (धडा 7)
• DB2 OLAP फंक्शन्स (धडा 13)
• DB2 वर्धित BI वैशिष्ट्ये आणि कार्ये (धडा 15) सरलीकृत डेटा वितरण प्रणाली ची वितरण प्रणाली dati सरलीकृत

आकृती 1.1 मध्ये चित्रित केलेल्या आर्किटेक्चरमध्ये असंख्य संरचनांचा समावेश आहे dati शारीरिक एक गोदाम आहे dati कार्यरत सामान्यतः, ODS ही विषयाभिमुख, एकात्मिक आणि वर्तमान वस्तू असते. तुम्ही समर्थन करण्यासाठी एक ODS तयार कराल, उदाहरणार्थ, विक्री कार्यालय. ODS विक्री पूरक होईल dati असंख्य भिन्न प्रणालींमधून परंतु केवळ टिकवून ठेवेल, उदाहरणार्थ, आजचे व्यवहार. ODS देखील दिवसातून अनेक वेळा अद्यतनित केले जाऊ शकते. त्याच वेळी, प्रक्रिया ढकलतात dati इतर अनुप्रयोगांमध्ये एकत्रित. ही रचना विशेषतः एकत्रित करण्यासाठी डिझाइन केलेली आहे dati वर्तमान आणि गतिमान आणि रिअल-टाइम विश्लेषणास समर्थन देण्यासाठी संभाव्य उमेदवार असेल, जसे की सेवा एजंटना प्रदान करणे ग्राहकांना वेअरहाऊसमधूनच विक्रीच्या ट्रेंडची माहिती काढून ग्राहकाची सध्याची विक्री माहिती. आकृती 1.1 मध्ये दर्शविलेली दुसरी रचना dw साठी एक औपचारिक अवस्था आहे. ची गुणवत्ता, आवश्यक एकात्मतेच्या अंमलबजावणीसाठी हे स्थान नाही dati, आणि च्या परिवर्तनाचे dati इनकमिंग वेअरहाऊसचे, परंतु ते एक विश्वासार्ह आणि तात्पुरते स्टोरेज क्षेत्र देखील आहे dati रिअल-टाइम विश्लेषणामध्ये वापरल्या जाऊ शकणार्‍या प्रतिकृती. आपण ODS किंवा स्टेजिंग क्षेत्र वापरण्याचे ठरविल्यास, या संरचनांना भरण्यासाठी सर्वोत्तम साधनांपैकी एक dati भिन्न परिचालन स्रोत वापरणे ही DB2 ची विषम वितरित क्वेरी आहे. ही क्षमता DB2 रिलेशनल कनेक्ट (केवळ क्वेरी) नावाच्या पर्यायी DB2 वैशिष्ट्याद्वारे आणि DB2 डेटाजॉइनरद्वारे (एक वेगळे उत्पादन जे विषम वितरित RDBMSs साठी क्वेरी, समाविष्ट, अद्यतन आणि हटविण्याची क्षमता प्रदान करते) द्वारे वितरित केले जाते.

हे तंत्रज्ञान वास्तुविशारदांना परवानगी देते dati बांधणे dati विश्लेषणात्मक प्रक्रियेसह उत्पादन. तंत्रज्ञान केवळ रिअल-टाइम अॅनालिटिक्ससह उद्भवू शकणार्‍या कोणत्याही प्रतिकृती मागण्यांशी जुळवून घेऊ शकत नाही, परंतु ते विविध प्रकारच्या बेसशी देखील जोडू शकते. dati DB2, Oracle, Sybase, SQL Server, Informix आणि इतरांसह सर्वात लोकप्रिय. DB2 DataJoiner रचना तयार करण्यासाठी वापरला जाऊ शकतो dati ओडीएस म्हणून औपचारिक किंवा तात्काळ अद्यतनांच्या द्रुत पुनर्प्राप्तीसाठी किंवा विक्रीसाठी डिझाइन केलेले वेअरहाऊसमध्ये प्रतिनिधित्व केलेले कायमचे टेबल. अर्थात, या समान संरचना dati वापरून लोकसंख्या केली जाऊ शकते

च्या प्रतिकृतीसाठी डिझाइन केलेले आणखी एक महत्त्वाचे तंत्रज्ञान dati, IBM डेटाप्रोपेगेटर रिलेशनल. (डेटाप्रोपगेटर हे केंद्रीय प्रणालींसाठी एक वेगळे उत्पादन आहे. DB2 UNIX, Linux, Windows आणि OS/2 मध्ये डेटा प्रतिकृती सेवा समाविष्ट आहे dati मानक वैशिष्ट्य म्हणून).
हलविण्यासाठी दुसरी पद्धत dati एंटरप्राइजच्या आसपास एक एंटरप्राइझ ऍप्लिकेशन इंटिग्रेटर आहे अन्यथा संदेश ब्रोकर म्हणून ओळखले जाते. हे अद्वितीय तंत्रज्ञान लक्ष्यीकरण आणि हलविण्यासाठी अतुलनीय नियंत्रणास अनुमती देते dati कंपनीच्या आसपास. IBM कडे सर्वात मोठ्या प्रमाणावर वापरले जाणारे संदेश ब्रोकर, MQSeries किंवा उत्पादनाची भिन्नता आहे ज्यात आवश्यकता समाविष्ट आहे ई-कॉमर्स, IBM WebSphere MQ.
Per più discussione su come sfruttare MQ per sostenere un magazzino e un ambiente BI, visitare संकेतस्थळ del libro. Per ora, è sufficiente dire che questa tecnologia è un mezzo eccellente per catturare e trasformare (utilizzando MQSeries Integrator) dati BI सोल्यूशन्ससाठी भरती केंद्रीत (लक्ष्यित) ऑपरेटर. MQ तंत्रज्ञान एकत्रित केले गेले आहे आणि UDB V8 मध्ये पॅकेज केले आहे, म्हणजे संदेश रांग आता DB2 टेबल्स असल्याप्रमाणे व्यवस्थापित केल्या जाऊ शकतात. वेल्डिंग रांगेत संदेश आणि च्या विश्वाची संकल्पना डेटाबेस च्या शक्तिशाली वितरण वातावरणाकडे रिलेशनल डोके dati.

शून्य-विलंब शून्य विलंब

IBM साठी अंतिम धोरणात्मक ध्येय शून्य-विलंबता विश्लेषण आहे. द्वारे परिभाषित केल्याप्रमाणे
गार्टनर, BI प्रणाली मागणीनुसार विश्लेषकांना माहिती काढण्यास, आत्मसात करण्यास आणि प्रदान करण्यास सक्षम असणे आवश्यक आहे. आव्हान, अर्थातच, कसे मिसळावे dati आवश्यक ऐतिहासिक माहितीसह वर्तमान आणि वास्तविक वेळ, जसे की i dati संबंधित पॅटर्न/ट्रेंड, किंवा काढलेली समज, जसे की ग्राहक प्रोफाइलिंग.

अशा माहितीमध्ये, उदाहरणार्थ, ची ओळख समाविष्ट आहे ग्राहकांना उच्च किंवा कमी धोका किंवा कोणती उत्पादने i ग्राहकांना त्यांच्या शॉपिंग कार्टमध्ये आधीच चीज असल्यास ते बहुधा खरेदी करतील.

शून्य विलंबता प्राप्त करणे प्रत्यक्षात दोन मूलभूत यंत्रणेवर अवलंबून आहे:

• चे पूर्ण संघटन dati ज्याचे विश्लेषण BI द्वारे तयार केलेल्या प्रस्थापित तंत्र आणि साधनांसह केले जाते
• ची वितरण प्रणाली dati रिअल-टाइम विश्लेषणे खरोखर उपलब्ध आहेत याची खात्री करण्यासाठी कार्यक्षम. शून्य विलंबतेसाठी या पूर्व-आवश्यकता IBM ने सेट केलेल्या आणि वर वर्णन केलेल्या दोन लक्ष्यांपेक्षा भिन्न नाहीत. च्या क्लोज कपलिंग dati हा IBM च्या सीमलेस इंटिग्रेशन प्रोग्रामचा एक भाग आहे. आणि ची वितरण प्रणाली तयार करा dati कार्यक्षम हे उपलब्ध तंत्रज्ञानावर पूर्णपणे अवलंबून आहे जे वितरण प्रक्रिया सुलभ करते dati. परिणामी, IBM च्या तीनपैकी दोन उद्दिष्टे तिसरे साध्य करण्यासाठी महत्त्वपूर्ण आहेत. गोदामाच्या प्रयत्नांसाठी शून्य लेटन्सी हे वास्तव आहे याची खात्री करण्यासाठी IBM जाणीवपूर्वक त्याचे तंत्रज्ञान विकसित करत आहे. सारांश / संश्लेषण BI संस्था तुमचे वातावरण तयार करण्यासाठी रोड मॅप प्रदान करते
  पुनरावृत्तीने. आपल्या व्यवसायाच्या, वर्तमान आणि भविष्यातील दोन्ही गरजा प्रतिबिंबित करण्यासाठी ते समायोजित केले जाणे आवश्यक आहे. विस्तृत वास्तुशास्त्रीय दृष्टीशिवाय, गोदामाची पुनरावृत्ती केंद्रीय वेअरहाऊसच्या अव्यवस्थित अंमलबजावणीपेक्षा थोडी अधिक आहे जी एक व्यापक, माहितीपूर्ण उपक्रम तयार करण्यासाठी फारसे काही करत नाही. BI संस्था विकसित करण्यासाठी आवश्यक असलेल्या गुंतवणुकीचे समर्थन कसे करावे हा प्रकल्प व्यवस्थापकांसाठी पहिला अडथळा आहे. ROI गणना हा वेअरहाऊस अंमलबजावणीचा मुख्य आधार राहिला आहे, परंतु अचूकपणे अंदाज लावणे अधिक कठीण होत आहे. यामुळे तुम्हाला तुमच्या पैशाची किंमत आहे की नाही हे ठरवण्यासाठी इतर पद्धती उपलब्ध झाल्या आहेत. गुंतवणूक 2 (VOI) वर मूल्य, उदाहरणार्थ, एक उपाय म्हणून प्रोत्साहन दिले जाते. च्या वास्तुविशारदांवर जबाबदारी आहे dati आणि प्रकल्प नियोजक जाणूनबुजून व्युत्पन्न करतात आणि वापरकर्ता संघटनांना माहिती देतात आणि त्यांना फक्त सेवा प्रदान करत नाहीत dati. दोघांमध्ये खूप फरक आहे. माहिती अशी गोष्ट आहे जी निर्णय प्रक्रियेत आणि परिणामकारकतेमध्ये फरक करते; तुलनेने, i dati ती माहिती मिळवण्यासाठी ते बिल्डिंग ब्लॉक्स बनवत आहेत.

जरी मी स्त्रोताची टीका करत असलो तरी dati व्यवसायाच्या विनंत्या संबोधित करण्यासाठी, BI वातावरणाने माहिती सामग्री तयार करण्यात मोठी भूमिका बजावली पाहिजे. वापरकर्ते कृती करू शकतील अशी माहिती सामग्री स्वच्छ, समाकलित, रूपांतरित करण्यासाठी किंवा अन्यथा तयार करण्यासाठी आम्ही अतिरिक्त पावले उचलली पाहिजेत आणि नंतर आम्ही हे सुनिश्चित केले पाहिजे की त्या कृती आणि निर्णय, जेथे वाजवी असतील, BI वातावरणात प्रतिबिंबित होतात. आम्ही फक्त वर सेवा करण्यासाठी गोदाम relegate तर dati, हे सुनिश्चित केले जाते की वापरकर्ता संघटना कारवाई करण्यासाठी आवश्यक असलेली माहिती सामग्री तयार करतील. हे सुनिश्चित करते की त्यांचा समुदाय अधिक चांगले निर्णय घेण्यास सक्षम असेल, परंतु कंपनीला त्यांनी वापरलेल्या ज्ञानाच्या कमतरतेचा त्रास होतो. तारीख वास्तुविशारद आणि प्रकल्प नियोजक BI वातावरणात विशिष्ट प्रकल्प सुरू करतात, ते संपूर्णपणे एंटरप्राइझला जबाबदार असतात. BI पुनरावृत्तीच्या या द्वि-बाजूच्या वैशिष्ट्याचे एक साधे उदाहरण स्त्रोतामध्ये आढळते dati. सर्व dati विशिष्‍ट व्‍यवसाय विनंत्‍यासाठी मिळालेल्‍या पहिल्या अणु लेयरमध्‍ये भरलेले असले पाहिजे. हे एंटरप्राइझ माहिती मालमत्तेचा विकास सुनिश्चित करते, तसेच पुनरावृत्तीमध्ये परिभाषित केलेल्या विशिष्ट वापरकर्त्याच्या विनंत्या व्यवस्थापित करते.

डेटा वेअरहाऊस काय आहे?

डेटा गोदाम हे 1990 पासून माहिती प्रणाली आर्किटेक्चरचे केंद्र आहे आणि एक ठोस एकात्मिक प्लॅटफॉर्म ऑफर करून माहिती प्रक्रियेस समर्थन देते dati त्यानंतरच्या विश्लेषणासाठी आधार म्हणून घेतलेला ऐतिहासिक डेटा. द डेटा वेअरहाऊस ते विसंगत ऍप्लिकेशन सिस्टीमच्या जगात सहजतेने एकत्रीकरण देतात. डेटा गोदाम तो एक ट्रेंड मध्ये विकसित झाला आहे. डेटा गोदाम संघटित आणि संग्रहित करा i dati दीर्घ ऐतिहासिक ऐहिक दृष्टीकोनावर आधारित माहिती आणि विश्लेषणात्मक प्रक्रियांसाठी आवश्यक. हे सर्व बांधकाम आणि देखभाल मध्ये एक सिंहाचा आणि सतत वचनबद्धता आवश्यक आहे डेटा वेअरहाऊस.

तर काय आहे ए डेटा वेअरहाऊस? ए डेटा वेअरहाऊस आणि:

• ▪ विषयाभिमुख
• ▪  एकात्मिक प्रणाली
• ▪  वेरिएंट वेळ
• ▪  अ-अस्थिर (मिटवत नाही)

चा संग्रह dati प्रक्रियांच्या अंमलबजावणीमध्ये व्यवस्थापकीय निर्णयांना समर्थन देण्यासाठी वापरले जाते.
I dati मध्ये घातले डेटा वेअरहाऊस बहुतेक प्रकरणांमध्ये ते ऑपरेशनल वातावरणातून प्राप्त होतात. द डेटा वेअरहाऊस हे एका स्टोरेज युनिटद्वारे तयार केले जाते, जे त्यात समाविष्ट असलेल्या उर्वरित सिस्टमपासून भौतिकरित्या वेगळे केले जाते dati ऑपरेटिंग वातावरणातून मिळविलेल्या माहितीवर कार्य करणार्‍या अनुप्रयोगांद्वारे पूर्वी बदललेले.

a ची शाब्दिक व्याख्या डेटा वेअरहाऊस एका सखोल स्पष्टीकरणास पात्र आहे कारण गोदामाच्या वैशिष्ट्यांचे वर्णन करणारे महत्त्वपूर्ण प्रेरणा आणि अंतर्निहित अर्थ आहेत.

विषय ओरिएंटेशन ओरिएंटेशन थीमॅटिक

चे पहिले वैशिष्ट्य डेटा वेअरहाऊस ते कंपनीतील प्रमुख खेळाडूंकडे केंद्रित आहे. च्या माध्यमातून चाचण्यांचे मार्गदर्शक dati हे अधिक क्लासिक पद्धतीच्या विरुद्ध आहे ज्यामध्ये प्रक्रिया आणि कार्ये यांच्याकडे ऍप्लिकेशनचे अभिमुखता समाविष्ट असते, ही पद्धत बहुतेक कमी अलीकडील व्यवस्थापन प्रणालींद्वारे सामायिक केली जाते.

कर्ज, बचत, बँककार्ड आणि वित्तीय संस्थेसाठी ट्रस्ट यांसारख्या ऍप्लिकेशन्स आणि फंक्शन्सच्या आसपास ऑपरेशनल जग तयार केले गेले आहे. dw चे जग ग्राहक, विक्रेता, उत्पादन आणि क्रियाकलाप यासारख्या मुख्य विषयांभोवती आयोजित केले जाते. विषयांभोवतीचे संरेखन डिझाइन आणि अंमलबजावणीवर परिणाम करते dati dw मध्ये आढळले. अधिक महत्त्वाचे म्हणजे, मुख्य विषय मुख्य संरचनेच्या सर्वात महत्वाच्या भागावर परिणाम करतो.

डेटाबेसची रचना आणि प्रक्रिया डिझाइन या दोहोंवर अनुप्रयोगाच्या जगाचा प्रभाव पडतो. dw चे जग केवळ मॉडेलिंगवर केंद्रित आहे dati आणि च्या डिझाइनवर डेटाबेस. प्रक्रिया डिझाइन (त्याच्या क्लासिक स्वरूपात) dw वातावरणाचा भाग नाही.

प्रक्रिया/फंक्शन ऍप्लिकेशनची निवड आणि विषयाची निवड यामधील फरक देखील सामग्रीमधील फरक म्हणून प्रकट होतो. dati तपशीलवार स्तरावर. द dati dw मध्ये i समाविष्ट नाही dati जे अर्ज करताना DSS प्रक्रियेसाठी वापरले जाणार नाही

ऑपरेशनल ओरिएंटेड dati i समाविष्टीत आहे dati DSS विश्लेषकासाठी उपयोग नसलेल्या किंवा नसलेल्या कार्यात्मक/प्रोसेसिंग आवश्यकता त्वरित पूर्ण करण्यासाठी.
आणखी एक महत्त्वाचा मार्ग ज्यामध्ये ऑपरेशनल-देणारं अनुप्रयोग dati पेक्षा वेगळे dati dw च्या dei अहवालात आहे dati. मी dati ऑपरेशन्स सक्रिय असलेल्या व्यवसाय नियमाच्या आधारावर दोन किंवा अधिक सारण्यांमध्ये सतत संबंध ठेवतात. द dati dw चा काळाचा स्पेक्ट्रम ओलांडला जातो आणि dw मध्ये आढळणारे संबंध बरेच आहेत. अनेक व्यापार नियम (आणि त्या अनुषंगाने, अनेक संबंध dati ) च्या वेअरहाऊसमध्ये दर्शविले जातात dati दोन किंवा अधिक टेबल्स दरम्यान.

(मधील संबंध कसे आहेत याच्या तपशीलवार स्पष्टीकरणासाठी dati DW मध्ये हाताळले जातात, आम्ही त्या विषयावरील टेक विषयाचा संदर्भ घेतो.)
फंक्शनल/प्रोसेस ऍप्लिकेशन निवड आणि विषय निवड यांच्यातील मूलभूत फरकापेक्षा इतर कोणत्याही दृष्टीकोनातून, ऑपरेटिंग सिस्टम आणि dati आणि DW.

एकत्रीकरण एकत्रीकरण

dw पर्यावरणाचा सर्वात महत्वाचा पैलू म्हणजे i dati dw मध्ये आढळणारे सहजपणे एकत्रित केले जातात. नेहमी. अपवादाशिवाय. dw पर्यावरणाचे सार हे आहे की i dati वेअरहाऊसच्या मर्यादेत समाविष्ट आहेत.

एकात्मता स्वतःला अनेक प्रकारे प्रकट करते - सुसंगत ओळखल्या जाणार्‍या परंपरांमध्ये, सुसंगत चल मापनात, सुसंगत कोडेड संरचनांमध्ये, भौतिक गुणधर्मांमध्ये dati सुसंगत, आणि असेच.

गेल्या काही वर्षांमध्ये, विविध अॅप्लिकेशन्सच्या डिझायनर्सनी अॅप्लिकेशन कसे विकसित करावे याबद्दल अनेक निर्णय घेतले आहेत. डिझायनर्सच्या ऍप्लिकेशन्सची शैली आणि वैयक्तिक डिझाइन निर्णय स्वतःला शंभर मार्गांनी प्रकट करतात: कोडिंगमधील फरक, मुख्य संरचना, भौतिक वैशिष्ट्ये, ओळख पटवणे इ. विसंगत अनुप्रयोग तयार करण्यासाठी अनेक अनुप्रयोग डिझाइनरची सामूहिक क्षमता पौराणिक आहे. आकृती 3 अनुप्रयोगांची रचना करण्याच्या पद्धतींमधले काही महत्त्वाचे फरक मांडते.

एन्कोडिंग: एन्कोडिंग:

ऍप्लिकेशन डिझायनर्सनी फील्डचे एन्कोडिंग - सेक्स - वेगवेगळ्या प्रकारे निवडले आहे. डिझायनर सेक्सला "m" आणि "f" म्हणून दर्शवतो. दुसरा डिझायनर "1" आणि "0" म्हणून लिंग दर्शवतो. दुसरा डिझायनर लिंग "x" आणि "y" म्हणून दर्शवतो. दुसरा डिझायनर लिंग "पुरुष" आणि "स्त्री" म्हणून प्रतिनिधित्व करतो. DW मध्ये लिंग कसे येते हे महत्त्वाचे नाही. "M" आणि "F" कदाचित संपूर्ण नाटकासारखेच चांगले आहेत.

महत्त्वाचे हे आहे की लैंगिक क्षेत्राच्या उत्पत्तीपासून ते क्षेत्र सुसंगत एकात्मिक अवस्थेत DW मध्ये येते. परिणामी, जेव्हा ते "M" आणि "F" फॉर्मेटमध्ये दर्शविल्या गेलेल्या ऍप्लिकेशनमधून DW मध्ये फील्ड लोड केले जाते, तेव्हा dati DW स्वरूपात रूपांतरित करणे आवश्यक आहे.

गुणधर्मांचे मोजमाप: चे मोजमाप विशेषता:

ॲप्लिकेशन डिझायनर्सनी गेल्या काही वर्षांत पाइपलाइनचे विविध प्रकारे मोजमाप करणे निवडले आहे. डिझायनर स्टोअर करतो dati पाइपलाइनचे सेंटीमीटरमध्ये. दुसरा अनुप्रयोग डिझायनर स्टोअर करतो dati इंच च्या दृष्टीने पाइपलाइन. दुसरा अॅप्लिकेशन डिझायनर स्टोअर करतो dati दशलक्ष घनफूट प्रति सेकंदात पाइपलाइन. आणि दुसरा डिझायनर यार्ड्सच्या दृष्टीने पाइपलाइन माहिती संग्रहित करतो. स्रोत काहीही असो, जेव्हा पाइपलाइन माहिती DW मध्ये येते तेव्हा ती त्याच प्रकारे मोजली जाणे आवश्यक आहे.

आकृती 3 मधील संकेतांनुसार, एकत्रीकरण समस्या प्रकल्पाच्या जवळजवळ प्रत्येक पैलूवर परिणाम करतात - ची भौतिक वैशिष्ट्ये dati, एकापेक्षा जास्त स्त्रोत असण्याची कोंडी dati, विसंगत ओळखल्या गेलेल्या नमुन्यांची समस्या, चे स्वरूप dati विसंगत, आणि असेच.

डिझाईन विषय कोणताही असो, परिणाम एकच असतो – i dati DW मध्ये एकवचनी आणि जागतिक स्तरावर स्वीकार्य रीतीने संग्रहित केले जाणे आवश्यक आहे जरी अंतर्निहित ऑपरेटिंग सिस्टम त्यांना वेगळ्या प्रकारे संग्रहित करतात dati.

जेव्हा DSS विश्लेषक DW कडे पाहतो तेव्हा विश्लेषकाचे उद्दिष्ट शोषण हे असले पाहिजे dati जे गोदामात आहेत,

ची विश्वासार्हता किंवा सातत्य याबद्दल आश्चर्य करण्याऐवजी dati.

वेळेची भिन्नता

सर्व dati DW मध्ये ते काही काळापर्यंत अचूक असतात. चे हे मूलभूत वैशिष्ट्य dati DW मध्ये ते त्यापेक्षा खूप वेगळे आहे dati ऑपरेटिंग वातावरणात आढळते. द dati ऑपरेटिंग वातावरण प्रवेशाच्या क्षणी तितकेच अचूक आहेत. दुसऱ्या शब्दांत, ऑपरेटिंग वातावरणात जेव्हा ड्राइव्हमध्ये प्रवेश केला जातो dati, हे अपेक्षित आहे की ते प्रवेशाच्या वेळी तंतोतंत मूल्ये दर्शवेल. कारण मी dati DW मध्ये काही वेळेस तंतोतंत आहेत (म्हणजे "आत्ता" नाही), असे म्हटले जाते की मी dati DW मध्ये आढळलेले "वेळ भिन्नता" आहेत.
च्या वेळेचा फरक dati DW द्वारे अनेक प्रकारे संदर्भित केले जाते.
सर्वात सोपा मार्ग म्हणजे i dati एक DW प्रतिनिधित्व dati दीर्घ काळ क्षितिज - पाच ते दहा वर्षे. ऑपरेटिंग वातावरणासाठी दर्शविलेले वेळ क्षितिज आजच्या वर्तमान मूल्यांपेक्षा साठ नव्वद पर्यंत खूपच लहान आहे
ज्या अनुप्रयोगांमध्ये चांगले कार्य करणे आवश्यक आहे आणि व्यवहार प्रक्रियेसाठी उपलब्ध असणे आवश्यक आहे त्यांची किमान रक्कम असणे आवश्यक आहे dati जर ते कोणत्याही प्रमाणात लवचिकतेस परवानगी देतात. त्यामुळे ऑपरेशनल अॅप्लिकेशन्समध्ये ऑडिओ अॅप्लिकेशन डिझाइन विषयाप्रमाणे कमी वेळ असतो.
DW मध्ये 'वेळ भिन्नता' दिसण्याचा दुसरा मार्ग म्हणजे मुख्य रचना. DW मधील प्रत्येक मुख्य संरचनेत, अव्यक्त किंवा स्पष्टपणे, एक वेळ घटक असतो, जसे की दिवस, आठवडा, महिना इ. वेळ घटक जवळजवळ नेहमीच DW मध्ये सापडलेल्या संकलित कीच्या तळाशी असतो. या प्रसंगी, वेळेचा घटक अस्पष्टपणे अस्तित्वात असेल, जसे की महिना किंवा तिमाहीच्या शेवटी संपूर्ण फाइल डुप्लिकेट केली जाते.
तिसरा मार्ग टाइम व्हेरियंस प्रदर्शित केला जातो तो म्हणजे i dati DW चे, एकदा योग्यरित्या नोंदणीकृत झाल्यानंतर, अद्यतनित केले जाऊ शकत नाही. द dati DW चे, सर्व व्यावहारिक हेतूंसाठी, स्नॅपशॉट्सची एक लांबलचक मालिका आहे. अर्थात स्नॅपशॉट्स चुकीचे घेतले असतील तर स्नॅपशॉट्समध्ये बदल करता येऊ शकतात. परंतु स्नॅपशॉट्स बरोबर घेतले आहेत असे गृहीत धरून, ते घेतल्याबरोबर ते बदलले जात नाहीत. काहींमध्ये

काही प्रकरणांमध्ये ते अनैतिक किंवा अवैध देखील असू शकते DW मधील स्नॅपशॉट्समध्ये बदल करणे. द dati कार्यान्वित, प्रवेशाच्या क्षणी तंतोतंत असल्याने, आवश्यकतेनुसार ते अद्यतनित केले जाऊ शकतात.

नॉन-व्हॉलाटाइल

DW चे चौथे महत्वाचे वैशिष्ट्य म्हणजे ते अस्थिर आहे.
रेकॉर्ड-बाय-रेकॉर्ड आधारावर ऑपरेशनल वातावरणात अद्यतने, समाविष्ट करणे, हटवणे आणि बदल नियमितपणे केले जातात. पण मूळ फेरफार dati जे DW मध्ये आवश्यक आहे ते बरेच सोपे आहे. DW मध्ये फक्त दोन प्रकारची ऑपरेशन्स आहेत - प्रारंभिक लोडिंग dati आणि प्रवेश dati. चे कोणतेही अपडेट नाही dati (अपडेट करण्याच्या सामान्य अर्थाने) सामान्य प्रक्रिया ऑपरेशन म्हणून DW मध्ये. ऑपरेशनल प्रोसेसिंग आणि डीडब्ल्यू प्रोसेसिंगमधील या मूलभूत फरकाचे काही अतिशय शक्तिशाली परिणाम आहेत. डिझाईन स्तरावर, विसंगत अद्ययावत करण्याबाबत सावध राहण्याची गरज DW मध्ये एक घटक नाही, कारण अपडेटिंग dati चालवले जात नाही. याचा अर्थ भौतिक डिझाइन स्तरावर, प्रवेशास अनुकूल करण्यासाठी स्वातंत्र्य घेतले जाऊ शकते dati, विशेषतः शारीरिक सामान्यीकरण आणि विकृतीकरण या विषयांवर व्यवहार करताना. DW ऑपरेशन्सच्या साधेपणाचा आणखी एक परिणाम DW पर्यावरण चालविण्यासाठी वापरल्या जाणार्‍या अंतर्निहित तंत्रज्ञानामध्ये आहे. इनलाइन रेकॉर्ड-बाय-रेकॉर्ड अद्यतनांचे समर्थन करणे (जसे की ऑपरेशनल प्रक्रियेच्या बाबतीत अनेकदा घडते) तंत्रज्ञानाला स्पष्ट साधेपणाच्या खाली एक अतिशय जटिल पाया असणे आवश्यक आहे.
बॅकअप आणि पुनर्प्राप्ती, व्यवहार आणि अखंडतेला समर्थन देणारे तंत्रज्ञान dati आणि डेडलॉक स्थिती शोधणे आणि त्यावर उपाय करणे हे खूपच गुंतागुंतीचे आहे आणि DW प्रक्रियेसाठी आवश्यक नाही. डीडब्ल्यूची वैशिष्ट्ये, डिझाइन अभिमुखता, एकत्रीकरण dati DW मध्ये, वेळेत फरक आणि व्यवस्थापनाची साधेपणा dati, प्रत्येक गोष्ट क्लासिक ऑपरेटिंग वातावरणापेक्षा खूप भिन्न असलेल्या वातावरणाकडे घेऊन जाते. जवळजवळ सर्व स्त्रोत dati DW चे ऑपरेटिंग वातावरण आहे. च्या मोठ्या प्रमाणावर रिडंडंसी आहे असा विचार करणे मोहक आहे dati दोन वातावरणात.
किंबहुना, बर्‍याच लोकांवर पहिली छाप पडते ती म्हणजे अतिरेक dati ऑपरेटिंग वातावरण आणि ऑपरेटिंग वातावरण दरम्यान

DW. अशी व्याख्या वरवरची आहे आणि DW मध्ये काय घडते हे समजून घेण्याची कमतरता दर्शवते.
किंबहुना कमीत कमी रिडंडंसी आहे dati ऑपरेटिंग वातावरण आणि i दरम्यान dati DW च्या. खालील गोष्टींचा विचार करा: I dati ते फिल्टर केले जातात डेटा जे ऑपरेटिंग वातावरणातून DW वातावरणात जाते. अनेक dati ते ऑपरेटिंग वातावरणाच्या बाहेर कधीही जात नाहीत. ते सोडून i dati जे डीएसएस प्रक्रियेसाठी आवश्यक आहेत ते वातावरणात त्यांची दिशा शोधतात

▪  चे वेळ क्षितिज dati ते एका वातावरणापासून दुसऱ्या वातावरणात खूप वेगळे आहे. द dati ऑपरेटिंग वातावरणात ते खूप थंड आहेत. द dati DW मध्ये ते खूप जुने आहेत. केवळ वेळ क्षितिजाच्या दृष्टीकोनातून, ऑपरेशनल वातावरण आणि DW मध्ये फारच कमी ओव्हरलॅप आहे.

▪  DW मध्ये समाविष्ट आहे dati सारांश जे वातावरणात कधीही आढळत नाही

▪ मी dati आकृती 3 मध्ये संक्रमण करताना मूलभूत परिवर्तन घडते dati जर ते निवडले गेले आणि DW वर हलवले गेले तर लक्षणीयरीत्या सुधारित केले आहेत. दुसरा मार्ग ठेवा, बहुतेक dati ते DW मध्ये हलवल्यामुळे ते शारीरिक आणि आमूलाग्र बदलले आहे. एकीकरणाच्या दृष्टिकोनातून ते एकसारखे नाहीत dati जे ऑपरेटिंग वातावरणात राहतात. या घटकांच्या प्रकाशात, च्या रिडंडंसी dati दोन वातावरणांमधील एक दुर्मिळ घटना आहे, ज्यामुळे दोन वातावरणांमध्ये 1% पेक्षा कमी रिडंडंसी होते. गोदामाची रचना DW ची एक वेगळी रचना आहे. DW चे सीमांकन करणारे सारांश आणि तपशीलाचे विविध स्तर आहेत.
DW चे विविध घटक आहेत:

• मेटाडेटा
• Dati वर्तमान तपशील
• Dati जुन्या तपशीलांचे
• Dati थोडेसे सारांशित
• Dati अत्यंत सारांशित

आतापर्यंत मुख्य चिंता साठी आहे dati वर्तमान तपशील. ही मुख्य चिंता आहे कारण:

• I dati वर्तमान तपशील सर्वात अलीकडील घटना प्रतिबिंबित करतात, जे नेहमीच खूप स्वारस्यपूर्ण असतात आणि
• i dati सध्याचा तपशील मोठा आहे कारण तो ग्रॅन्युलॅरिटीच्या सर्वात कमी स्तरावर संग्रहित केला जातो आणि
• i dati वर्तमान तपशील जवळजवळ नेहमीच डिस्क मेमरीमध्ये संग्रहित केले जातात, जे ऍक्सेस करण्यासाठी द्रुत आहे, परंतु वापरण्यासाठी महाग आणि जटिल आहे dati तपशिलानुसार ते जुने आहेत dati जे काही मेमरीमध्ये साठवले जातात वस्तुमान. ते तुरळकपणे ऍक्सेस केले जाते आणि त्याच्याशी सुसंगत तपशीलाच्या स्तरावर संग्रहित केले जाते dati वर्तमान तपशील. च्या मोठ्या प्रमाणामुळे, पर्यायी स्टोरेज माध्यमावर संग्रहित करणे अनिवार्य नाही dati च्या तुरळक प्रवेशासह एकत्रित dati, साठी मेमरी समर्थन dati जुना तपशील डेटा सहसा डिस्कवर संग्रहित केला जात नाही. द dati थोडक्यात सारांश आहे dati जे तपशीलाच्या कमी पातळीपासून तपशीलाच्या वर्तमान स्तरापर्यंत डिस्टिल्ड केले जातात. डीडब्ल्यूचा हा स्तर जवळजवळ नेहमीच डिस्क स्टोरेजवर संग्रहित केला जातो. वास्तुविशारदासाठी डिझाइन समस्या उद्भवतात dati DW च्या या स्तराच्या बांधकामात आहेत:

• वर दिलेला सारांश वेळेचे कोणते एकक आहे
• कोणती सामग्री, विशेषता किंचित सामग्रीचा सारांश देईल dati ची पुढील पातळी dati DW मध्ये आढळले की आहे dati अत्यंत सारांशित. द dati अत्यंत संक्षिप्त आणि सहज उपलब्ध आहेत. द dati अत्यंत सारांशित काहीवेळा DW वातावरणात आढळतात आणि इतर प्रकरणांमध्ये i dati DW असलेल्या तंत्रज्ञानाच्या तात्काळ भिंतींच्या बाहेर अत्यंत सारांशित आढळतात. (कोणत्याही परिस्थितीत, i dati आय dati शारीरिकरित्या ठेवलेले आहेत). DW चा अंतिम घटक मेटाडेटा आहे. अनेक बाबतीत मेटाडेटा इतरांपेक्षा वेगळ्या परिमाणात बसतो dati DW चे, कारण मेटाडेटामध्ये कोणताही समावेश नाही डेटा थेट ऑपरेटिंग वातावरणातून घेतले. मेटाडेटा DW मध्ये एक विशेष आणि अतिशय महत्वाची भूमिका आहे. मेटाडेटा वापरला जातो:

• DSS विश्लेषकाला DW ची सामग्री ओळखण्यात मदत करण्यासाठी निर्देशिका,
• मॅपिंग करण्यासाठी मार्गदर्शक dati कसे मी dati ऑपरेशनल वातावरणातून डीडब्ल्यू वातावरणात बदलले गेले आहे,
• दरम्यान सारांश करण्यासाठी वापरल्या जाणार्‍या अल्गोरिदमसाठी मार्गदर्शक dati वर्तमान तपशील आणि i dati थोडेसे सारांशित, i dati अत्यंत सारांशित, मेटाडेटा DW वातावरणात ऑपरेशनल वातावरणापेक्षा खूप मोठी भूमिका बजावते जुने तपशील स्टोरेज माध्यम चुंबकीय टेप अशा प्रकारची साठवण्यासाठी वापरली जाऊ शकते dati. खरं तर स्टोरेज मीडियाची विविधता आहे जी जुन्या स्टोरेजसाठी विचारात घेतली पाहिजे dati तपशीलवार. च्या व्हॉल्यूमवर अवलंबून dati, प्रवेशाची वारंवारता, साधनांची किंमत आणि प्रवेशाचा प्रकार, इतर साधनांना DW मधील जुन्या स्तरावरील तपशीलांची आवश्यकता असण्याची शक्यता आहे. डेटाचा प्रवाह चा एक सामान्य आणि अंदाजे प्रवाह आहे dati DW च्या आत.
  I dati ऑपरेटिंग वातावरणातून DW प्रविष्ट करा. (सूचना: या नियमात काही अतिशय मनोरंजक अपवाद आहेत. तथापि, जवळजवळ सर्व dati ऑपरेटिंग वातावरणातून DW प्रविष्ट करा). तारीख की मी dati ऑपरेटिंग वातावरणातून DW प्रविष्ट करा, ते आधी वर्णन केल्याप्रमाणे बदलले आहे. DW मध्ये प्रवेश करण्याच्या अटीवर, i dati दाखवल्याप्रमाणे तपशीलाची वर्तमान पातळी प्रविष्ट करा. ते तिथे राहते आणि तीनपैकी एक घटना घडेपर्यंत वापरले जाते:

• शुद्ध आहे,
• सारांशित आहे, आणि/किंवा ▪è DW मधील अप्रचलित प्रक्रिया i dati वर्तमान तपशील a dati जुने तपशील, वयाच्या आधारावर dati. प्रक्रिया

सारांश चा तपशील वापरते dati गणना करण्यासाठी i dati च्या किंचित सारांशित आणि अत्यंत सारांशित स्तर dati. दर्शविलेल्या प्रवाहात काही अपवाद आहेत (नंतर चर्चा केली जाईल). तथापि, सहसा, बहुसंख्य साठी dati एक DW मध्ये आढळले, च्या प्रवाह dati ते चित्रित केल्याप्रमाणे आहे.

डेटावेअरहाऊस वापरणे

च्या विविध स्तरांवर आश्चर्याची गोष्ट नाही dati DW मध्ये त्यांना वापराचे वेगवेगळे स्तर मिळत नाहीत. नियमानुसार, सारांशाची पातळी जितकी जास्त असेल तितकी i dati ते वापरले जातात.
मध्ये अनेक उपयोग होतात dati अत्यंत सारांशित, तर जुने dati तपशील जवळजवळ कधीच वापरले जात नाहीत. संस्थेला संसाधनाच्या वापराच्या उदाहरणाकडे नेण्याचे एक चांगले कारण आहे. अधिक सारांश i dati, वर जाणे जितके जलद आणि अधिक कार्यक्षम आहे dati. जर ए दुकान ते DW च्या तपशील स्तरावर अनेक प्रक्रिया करते असे आढळते, त्यानंतर मोठ्या प्रमाणात मशीन संसाधने वापरली जातात. शक्य तितक्या लवकर उच्च स्तरीय सारांश प्रक्रिया करणे प्रत्येकाच्या हिताचे आहे.

बर्याच दुकानांसाठी, पूर्व-डीडब्ल्यू वातावरणातील डीएसएस विश्लेषक वापरला आहे dati तपशील स्तरावर. येथे आगमन अनेक बाबतीत dati तपशीलवार सारांश सुरक्षा ब्लँकेट सारखा दिसतो, जरी सारांशाचे इतर स्तर उपलब्ध असले तरीही. आर्किटेक्टच्या क्रियाकलापांपैकी एक dati DSS वापरकर्त्याला सतत वापरण्यापासून मुक्त करणे आहे dati तपशीलाच्या सर्वात खालच्या स्तरावर. च्या आर्किटेक्टसाठी दोन प्रेरणा उपलब्ध आहेत dati:

• चार्जबॅक सिस्टम स्थापित करून, जिथे अंतिम वापरकर्ता वापरलेल्या संसाधनांसाठी पैसे देतो e
• जे सूचित करते की i सह वर्तन करताना खूप चांगला प्रतिसाद वेळ मिळू शकतो dati सारांशाच्या उच्च पातळीवर आहे, तर खराब प्रतिसाद वेळ च्या वर्तनातून येतो dati कमी पातळीवर इतर मंजूरी काही इतर DW बांधकाम आणि व्यवस्थापन विचार आहेत.
  पहिला विचार म्हणजे निर्देशांकांचा. द dati सारांशीकरणाच्या उच्च स्तरावर ते मुक्तपणे अनुक्रमित केले जाऊ शकतात, तर i dati

तपशिलांच्या खालच्या स्तरावर ते इतके अवजड आहेत की ते काटकसरीने अनुक्रमित केले जाऊ शकतात. त्याच टोकनवरून, आय dati तपशील उच्च स्तरावर तुलनेने सहज पुनर्रचना केली जाऊ शकते, तर खंड dati खालच्या स्तरावर ते इतके मोठे आहे की i dati ते सहजपणे नूतनीकरण केले जाऊ शकत नाहीत. परिणामी, चे मॉडेल dati आणि डिझाईनद्वारे केलेल्या औपचारिक कामाने DW चा पाया रचला जो सध्याच्या तपशीलाच्या पातळीवर जवळजवळ पूर्णपणे लागू केला गेला आहे. दुसऱ्या शब्दांत, च्या मॉडेलिंग क्रियाकलाप dati ते जवळजवळ प्रत्येक बाबतीत, सारांश स्तरांवर लागू होत नाहीत. आणखी एक संरचनात्मक विचार म्हणजे उपविभागाचा dati DW द्वारे.

विभाजन दोन स्तरांवर केले जाऊ शकते - च्या स्तरावर डीबीएमएस आणि अनुप्रयोग स्तरावर. स्तरावरील विभागामध्ये डीबीएमएसतो डीबीएमएस विभागांची माहिती दिली जाते आणि त्यानुसार त्यांचे नियंत्रण केले जाते. अनुप्रयोग स्तरावर विभाजनाच्या बाबतीत, केवळ प्रोग्रामरला विभागांची माहिती दिली जाते आणि त्यांच्या प्रशासनाची जबाबदारी त्याच्यावर सोडली जाते.

पातळी खाली डीबीएमएस, बरेच काम आपोआप होते. स्वयंचलित विभागीय प्रशासनाशी संबंधित बरीच लवचिकता आहे. च्या अर्ज स्तरावर विभाजनांच्या बाबतीत dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस, प्रोग्रामरवर खूप कामाचे वजन असते, परंतु अंतिम परिणाम म्हणजे प्रशासनातील लवचिकता dati नेल डेटा वेअरहाऊस

ALTRE विसंगती

च्या घटक असताना डेटा वेअरहाऊस ते जवळजवळ सर्वांसाठी वर्णन केल्याप्रमाणे कार्य करतात dati, काही उपयुक्त अपवाद आहेत ज्यांची चर्चा करणे आवश्यक आहे. याला अपवाद आहे dati सार्वजनिक सारांश डेटा. हे आहेत dati मधून मोजले गेलेले सारांश डेटा वेअरहाऊस पण ते समाज वापरतात. द dati मध्ये सार्वजनिक सारांश संग्रहित आणि व्यवस्थापित केले जातात डेटा वेअरहाऊस, जरी आधी नमूद केल्याप्रमाणे त्यांची गणना केली जाते. लेखापाल अशा त्रैमासिक निर्मितीचे काम करतात dati जसे की उत्पन्न, त्रैमासिक खर्च, त्रैमासिक नफा इ. लेखापालांनी केलेले काम हे बाह्य आहे डेटा वेअरहाऊस. तथापि, आय dati कंपनीमध्ये “अंतर्गत” वापरले जातात – पासून विपणन, विक्री इ. आणखी एक विसंगती, ज्याची चर्चा केली जाणार नाही, ती आहे dati बाह्य

आणखी एक अपवादात्मक प्रकार dati a मध्ये आढळू शकते डेटा वेअरहाऊस कायम तपशील डेटा आहे. यामुळे कायमस्वरूपी साठवण्याची गरज निर्माण होते dati ad un livello dettagliato per i motivi etici o legali. Se una società sta esponendo i relativi operai a sostanze pericolose c’ è un’esigenza di dati तपशीलवार आणि कायम. जर एखाद्या कंपनीने सार्वजनिक सुरक्षिततेचा समावेश असलेले उत्पादन तयार केले, जसे की विमानाचे भाग, तर ते आवश्यक आहे dati कायमस्वरूपी तपशील, तसेच एखाद्या कंपनीने धोकादायक करार केल्यास.

कंपनीला तपशीलांकडे दुर्लक्ष करणे परवडणारे नाही कारण पुढील काही वर्षांमध्ये, खटला, रिकॉल, विवादित बांधकाम दोष इ. कंपनीचे एक्सपोजर मोठे असू शकते. परिणामी एक अद्वितीय प्रकार आहे dati कायम तपशील डेटा म्हणून ओळखले जाते.

सारांश

Un डेटा वेअरहाऊस एक ऑब्जेक्ट ओरिएंटेड, इंटिग्रेटेड, टाइम व्हेरिएंट, चा संग्रह आहे dati प्रशासनाच्या निर्णय घेण्याच्या गरजा पूर्ण करण्यासाठी अस्थिर. ची प्रत्येक ठळक कार्ये a डेटा वेअरहाऊस ha le relative implicazioni. In più ci sono quattro livelli di dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस:

• Old detail
• वर्तमान तपशील
• Dati किंचित संक्षेप
• Dati altamente ricapitolati I metadati sono inoltre una parte importante del डेटा वेअरहाऊस. गोषवारा च्या स्टोरेजची संकल्पना dati अलीकडे याकडे खूप लक्ष दिले गेले आहे आणि 90 च्या दशकातील एक ट्रेंड बनला आहे डेटा वेअरहाऊस निर्णय समर्थन प्रणाली (DSS) आणि कार्यकारी माहिती प्रणाली (EIS) सारख्या व्यवस्थापन समर्थन प्रणालीच्या मर्यादांवर मात करण्यासाठी. जरी संकल्पना डेटा वेअरहाऊस आशादायक दिसते, अंमलबजावणी करा i डेटा वेअरहाऊस मोठ्या प्रमाणात गोदाम प्रक्रियांमुळे समस्या येऊ शकते. गोदाम प्रकल्पांची जटिलता असूनही dati, अनेक पुरवठादार आणि सल्लागार जे स्टॉक करतात dati च्या स्टोरेजचा दावा करतात dati विद्युत प्रवाहामुळे कोणतीही समस्या उद्भवत नाही. तथापि, या संशोधन प्रकल्पाच्या सुरूवातीस, जवळजवळ कोणतेही स्वतंत्र, कठोर आणि पद्धतशीर संशोधन केले गेले नव्हते. परिणामी, ते बांधले जातात तेव्हा उद्योगात प्रत्यक्षात काय होते हे सांगणे कठीण आहे डेटा वेअरहाऊस. या अभ्यासाने गोदाम पद्धतीचा शोध घेतला dati समकालीन जे ऑस्ट्रेलियन सराव अधिक समृद्ध समज विकसित करण्याचा उद्देश आहे. साहित्य समीक्षेने अनुभवजन्य अभ्यासासाठी संदर्भ आणि पाया प्रदान केला. या संशोधनातून अनेक निष्कर्ष समोर आले आहेत. प्रथम, या अभ्यासाने विकासादरम्यान उद्भवलेल्या क्रियाकलाप उघड केले डेटा वेअरहाऊस. अनेक क्षेत्रात, आय dati riuniti hanno confermato la pratica segnalata nella letteratura. In secondo luogo, le edizioni ed i problemi che possono avere effetto sullo sviluppo del डेटा वेअरहाऊस या अभ्यासाद्वारे ओळखले गेले. शेवटी, च्या वापराशी संबंधित ऑस्ट्रेलियन संस्थांनी मिळवलेले फायदे डेटा वेअरहाऊस उघड झाले आहेत.

अध्याय 1

संशोधन संदर्भ

डेटा वेअरहाऊसिंगच्या संकल्पनेला व्यापक प्रदर्शन मिळाले आणि 90 च्या दशकात एक उदयोन्मुख ट्रेंड बनला (मॅकफॅडन 1996, TDWI 1996, शाह आणि मिल्स्टीन 1997, शँक्स एट अल. 1997, एकरसन 1998, एडेलमन आणि ओट्स 2000). हे व्यापार प्रकाशनांमध्ये डेटा वेअरहाउसिंगवरील लेखांच्या वाढत्या संख्येवरून दिसून येते (लिटल आणि गिब्सन 1999). अनेक लेख (उदाहरणार्थ, फिशर 1995, हॅकथॉर्न 1995, मॉरिस 1995a, ब्रॅम्बलेट आणि किंग 1996, ग्रॅहम एट अल. 1996, साकागुची आणि फ्रॉलिक 1996, अल्वारेझ 1997, ब्राउसेल 1997, डॉन 1997, डॉन 1997 ७, एडवर्ड्स 1997, TDWI 1998) ने i ची अंमलबजावणी करणाऱ्या संस्थांनी मिळवलेले महत्त्वपूर्ण फायदे नोंदवले आहेत. डेटा वेअरहाऊस. Hanno sostenuto la loro teoria con la prova aneddotale delle implementazioni riuscite, l’alto ritorno sulle figure di investimento (ROI) e, anche, fornendo la guida di riferimento o le metodologie per lo sviluppo dei डेटा वेअरहाऊस

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

तथापि, सध्याच्या बहुतेक साहित्याने असे प्रकल्प हाती घेण्यात गुंतलेल्या गुंतागुंतांकडे दुर्लक्ष केले आहे. चे प्रकल्प डेटा वेअरहाऊस ते सामान्यत: गुंतागुंतीचे आणि मोठ्या प्रमाणात असतात आणि त्यामुळे त्यांचे काळजीपूर्वक नियंत्रण न केल्यास अपयशाची उच्च संभाव्यता असते (शाह आणि मिल्स्टीन 1997, एकर्सन 1997, फॉली 1997b, झिमर 1997, बोर्ट 1998, गिब्स आणि क्लायमर 1998, राव 1998). त्यांना मोठ्या प्रमाणात मानवी आणि आर्थिक संसाधने आणि ते तयार करण्यासाठी वेळ आणि मेहनत आवश्यक आहे (हिल 1998, क्रॉफ्ट्स 1998). आवश्यक ठराविक वेळ आणि आर्थिक साधने अनुक्रमे अंदाजे दोन वर्षे आणि दोन ते तीन दशलक्ष डॉलर्स आहेत (Braly 1995, Foley 1997b, Bort 1998, Humphries et al. 1999). डेटा वेअरहाऊसिंगच्या विविध पैलूंवर नियंत्रण आणि एकत्रीकरण करण्यासाठी हा वेळ आणि आर्थिक साधने आवश्यक आहेत (Cafasso 1995, Hill 1998). हार्डवेअर आणि सॉफ्टवेअरच्या विचारांबरोबरच, इतर कार्ये, जी काढण्यापासून बदलतात dati ai processi di caricamento di dati, अद्यतने आणि मेटा व्यवस्थापित करण्यासाठी मेमरी क्षमता dati वापरकर्ता प्रशिक्षणासाठी, विचारात घेणे आवश्यक आहे.

Ai tempi dell’inizio di questo progetto di ricerca, c’era pochissima ricerca accademica condotta nel campo del data warehousing, specialmente in Australia. Ciò era evidente dalla penuria di articoli pubblicati sul data warehousing da giornali o altre scritture accademiche del tempo. Molte delle scritture accademiche disponibili descrivevano l’esperienza statunitense. La mancanza di ricerca accademica nella zona sl data warehousing ha causato la richiesta di ricerca rigorosa e studi empirici (McFadden 1996, Shanks ed altri. 1997, Little e Gibson 1999). In particolare, gli studi di ricerca sul processo di implementazione dei डेटा वेअरहाऊस च्या अंमलबजावणीबाबत सामान्य ज्ञानाचा विस्तार करणे आवश्यक आहे डेटा वेअरहाऊस आणि भविष्यातील संशोधन अभ्यासासाठी आधार म्हणून काम करेल (शँक्स एट अल. 1997, लिटल आणि गिब्सन 1999).

म्हणून, या अभ्यासाचा उद्देश, संस्था राबवतात आणि i वापरतात तेव्हा प्रत्यक्षात काय होते याचा अभ्यास करणे हा आहे डेटा वेअरहाऊस ऑस्ट्रेलिया मध्ये. विशेषतः, या अभ्यासात संपूर्ण विकास प्रक्रियेचे विश्लेषण समाविष्ट असेल डेटा वेअरहाऊस, डिझाईन आणि अंमलबजावणीद्वारे दीक्षा आणि नियोजनापासून सुरुवात करून आणि त्यानंतरच्या ऑस्ट्रेलियन संस्थांमध्ये वापर. या व्यतिरिक्त, अभ्यासामध्ये आणखी सुधारणा करता येतील आणि अकार्यक्षमता आणि जोखीम कमी करता येतील किंवा टाळता येतील अशी क्षेत्रे ओळखून सध्याच्या सरावातही योगदान मिळेल. शिवाय, ते इतर अभ्यासांसाठी आधार म्हणून काम करेल डेटा वेअरहाऊस in Australia e colmerà il gap attualmente esistente in letteratura.

Domande di ricerca

च्या अंमलबजावणीमध्ये गुंतलेल्या उपक्रमांचा अभ्यास करणे हा या संशोधनाचा उद्देश आहे डेटा वेअरहाऊस e il loro uso da parte delle organizzazioni australiane. In particolare, sono studiati gli elementi riguardo alla pianificazione di progetto, allo sviluppo, al funzionamento, all’uso ed ai rischi in questione. Quindi la domanda di questa ricerca è:

"सध्याची प्रथा काय आहे डेटा वेअरहाऊस ऑस्ट्रेलियात?"

या प्रश्नाचे प्रभावीपणे उत्तर देण्यासाठी, अनेक उपकंपनी संशोधन प्रश्नांची आवश्यकता आहे. विशेषतः, या संशोधन प्रकल्पाचे मार्गदर्शन करण्यासाठी, साहित्यातून तीन उप-प्रश्न ओळखले गेले, जे अध्याय 2 मध्ये सादर केले गेले आहेत: कसे आहेत डेटा वेअरहाऊस ऑस्ट्रेलियन संस्थांकडून? तुम्हाला कोणत्या समस्या आल्या आहेत?

अनुभव काय फायदे आहेत?
या प्रश्नांची उत्तरे देताना, सर्वेक्षणाचा उपयोग करणारी शोधक संशोधन रचना वापरली गेली. अन्वेषणात्मक अभ्यास म्हणून, वरील प्रश्नांची उत्तरे पूर्ण नाहीत (शँक्स एट अल. 1993, डेन्सकॉम्बे 1998). या प्रकरणात, या प्रश्नांची उत्तरे सुधारण्यासाठी त्रिकोणाची आवश्यकता आहे. तथापि, या प्रश्नांची तपासणी करणाऱ्या भविष्यातील कामासाठी तपास भक्कम पाया प्रदान करेल. संशोधन पद्धतीचे औचित्य आणि रचना यावर तपशीलवार चर्चा प्रकरण 3 मध्ये सादर केली आहे.

संशोधन प्रकल्पाची रचना

हा संशोधन प्रकल्प दोन भागांमध्ये विभागलेला आहे: डेटा वेअरहाऊसिंग संकल्पनेचा संदर्भात्मक अभ्यास आणि अनुभवजन्य संशोधन (आकृती 1.1 पहा), यापैकी प्रत्येकाची खाली चर्चा केली आहे.

भाग I: संदर्भात्मक अभ्यास

संशोधनाच्या पहिल्या भागात निर्णय समर्थन प्रणाली (DSS), एक्झिक्युटिव्ह इन्फॉर्मेशन सिस्टम (EIS), केस स्टडीजसह विविध प्रकारच्या डेटा वेअरहाउसिंगवरील वर्तमान साहित्याचे पुनरावलोकन करणे समाविष्ट होते. डेटा वेअरहाऊस आणि च्या संकल्पना डेटा वेअरहाऊस. Inoltre, i risultati dei foum sui डेटा वेअरहाऊस आणि मोनाश डीएसएस रिसर्च टीमच्या नेतृत्वाखालील तज्ञ आणि अभ्यासक मीटिंग गटांनी अभ्यासाच्या या टप्प्यात योगदान दिले ज्याचा उद्देश डेटा वेअरहाऊस आणि त्यांच्या दत्तक घेण्यामध्ये गुंतलेली जोखीम ओळखणे. या संदर्भीय अभ्यास कालावधी दरम्यान, त्यानंतरच्या अनुभवजन्य तपासणीसाठी पार्श्वभूमी ज्ञान प्रदान करण्यासाठी समस्या क्षेत्राची समज स्थापित केली गेली. तथापि, संशोधन अभ्यासाच्या दरम्यान ही एक सतत प्रक्रिया होती.

भाग II: अनुभवजन्य संशोधन

डेटा वेअरहाउसिंगच्या तुलनेने नवीन संकल्पनेने, विशेषत: ऑस्ट्रेलियामध्ये, वापरकर्त्याच्या अनुभवाचे विस्तृत चित्र मिळविण्यासाठी सर्वेक्षणाची आवश्यकता निर्माण केली आहे. हा भाग विस्तृत साहित्य समीक्षेद्वारे समस्या डोमेन स्थापित केल्यावर केला गेला. या अभ्यासाच्या प्रारंभिक प्रश्नावलीसाठी संदर्भित अभ्यासाच्या टप्प्यात तयार केलेली डेटा-वेअरहाऊसिंग संकल्पना इनपुट म्हणून वापरली गेली. यानंतर प्रश्नावलीची तपासणी करण्यात आली. तुम्ही तज्ञ आहात डेटा वेअरहाऊस hanno partecipato al test. Lo scopo del test del questionario iniziale era controllare la completezza e la precisione delle domande. Sulla base dei risultati del test, il questionario è stato modificato e la versione modificata è stata spedita ai partecipanti all’indagine. I questionari restituiti allora sono stati analizzati per i dati सारण्या, आकृत्या आणि इतर स्वरूपांमध्ये. द

risultati di analisi di dati ते ऑस्ट्रेलियातील डेटा वेअरहाउसिंग सरावाचा स्नॅपशॉट तयार करतात.

PANORAMICA DEL DATA WAREHOUSING

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

भूतकाळात या अर्जांचा सर्वात मोठा अडथळा म्हणजे हे अर्ज प्रदान करण्यास असमर्थता आहे डेटा बेस विश्लेषणासाठी आवश्यक.
Questo è principalmente causato dalla natura del lavoro della dirigenza. Gli interessi della dirigenza di una società variano costantemente a seconda dell’area trattata. Perciò i dati या ऍप्लिकेशन्ससाठी मूलभूत म्हणजे ते उपचार करण्याच्या भागावर अवलंबून त्वरीत बदलण्यास सक्षम असणे आवश्यक आहे.
याचा अर्थ असा की आय dati devono essere disponibili nella forma adeguata per le analisi richieste. Infatti i gruppi di supporto delle applicazioni trovarono molte difficoltà in passato a raccogliere ed integrare dati जटिल आणि विविध स्त्रोतांकडून.

या विभागाचा उर्वरित भाग डेटा वेअरहाऊसिंगच्या संकल्पनेचे विहंगावलोकन सादर करतो आणि ते कसे यावर चर्चा करतो डेटा वेअरहाऊस अनुप्रयोग समर्थन गटांच्या समस्यांवर मात करू शकतात.
संज्ञा “डेटा वेअरहाउस1990 मध्ये विल्यम इनमॉन यांनी लोकप्रिय केले होते डेटा वेअरहाउस चा संग्रह म्हणून dati व्यवस्थापन निर्णयांच्या समर्थनार्थ विषय-देणारं, एकात्मिक, नॉन-अस्थिर आणि कालांतराने परिवर्तनशील.

ही व्याख्या वापरून Inmon हायलाइट करते की i dati a मध्ये राहणारे डेटा वेअरहाऊस devono possedere le seguenti 4 caratteristiche:

• ▪  Orientati al soggetto
• ▪ एकात्मिक
• ▪ अस्थिर
• ▪ विषयाभिमुख इनमॉननुसार कालांतराने परिवर्तनशील म्हणजे i dati नेल डेटा वेअरहाऊस nelle più grandi aree organizzative che sono state

मॉडेल मध्ये परिभाषित dati. उदाहरणार्थ सर्व dati विषयी ग्राहकांना विषय क्षेत्रात समाविष्ट आहेत ग्राहक. त्याचप्रमाणे सर्व dati उत्पादनांशी संबंधित उत्पादने विषय क्षेत्रामध्ये समाविष्ट आहेत.

Per Integrati Inmon intende che i dati वेगवेगळ्या प्लॅटफॉर्मवरून येणारे, सिस्टीम आणि स्थाने एकत्रित आणि एकाच ठिकाणी संग्रहित केले जातात. परिणामी dati similari devono essere trasformati in formati consistenti in modo da essere aggiunti e comparati facilmente.
उदाहरणार्थ, नर आणि मादी लिंग एका सिस्टीममध्ये M आणि F या अक्षरांनी आणि दुसऱ्या सिस्टीममध्ये 1 आणि 0 द्वारे दर्शविले जाते. त्यांना योग्यरित्या समाकलित करण्यासाठी, एक किंवा दोन्ही स्वरूपांचे रूपांतर करणे आवश्यक आहे जेणेकरून दोन्ही स्वरूप एकसारखे असतील. या प्रकरणात आपण M ला 1 आणि F ला 0 किंवा त्याउलट बदलू शकतो. विषयाभिमुख आणि एकात्मिक सूचित करतात की डेटा वेअरहाऊस चे कार्यात्मक आणि ट्रान्सव्हर्सल दृष्टी प्रदान करण्यासाठी डिझाइन केलेले आहे dati कंपनी द्वारे.

Per Non volatile intende che i dati नेल डेटा वेअरहाऊस च्या सुसंगत आणि अद्यतनित रहा dati non occorre. Invece,ogni cambiamento nei dati मध्ये मूळ जोडले आहे डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस. याचा अर्थ ऐतिहासिक दै dati मध्ये समाविष्ट आहे डेटा वेअरहाऊस.

Per Variabili col tempo Inmon indica che i dati नेल डेटा वेअरहाऊस contengono sempre gli indicatori di tempo e i dati normalmente attraversano un certo orizzonte temporale. Per esempio un
डेटा वेअरहाऊस può contenere 5 anni di valori storici dei ग्राहकांना 1993 ते 1997 पर्यंत. इतिहासाची उपलब्धता आणि वेळ मालिका dati permette di analizzare dei trend.

Un डेटा वेअरहाऊस तो स्वत: गोळा करू शकतो dati स्रोतांकडून OLTP प्रणाली; dati संस्थेच्या बाह्य आणि/किंवा इतर विशेष कॅप्चर सिस्टम प्रकल्पांद्वारे dati.
I dati estratti possono passare attraverso un processo di pulizia,in questo caso i dati vengono trasformati ed integrati prima di essere immagazzinati nel डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस. मग, आय dati

मधील रहिवासी डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस अंतिम वापरकर्ता लॉगिन आणि पुनर्प्राप्ती साधने उपलब्ध करून दिली आहेत. या साधनांचा वापर करून अंतिम वापरकर्ता संस्थेच्या एकात्मिक दृश्यात प्रवेश करू शकतो dati.

I dati मधील रहिवासी डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस ते तपशील आणि सारांश स्वरूपात दोन्ही संग्रहित केले जातात.
सारांश पातळीच्या स्वरूपावर अवलंबून असू शकते dati. मी dati तपशीलवार समाविष्ट असू शकते dati वर्तमान ई dati इतिहासकार
I dati रॉयल्टी मध्ये समाविष्ट नाहीत डेटा वेअरहाऊस मी पर्यंत dati नेल डेटा वेअरहाऊस अद्यतनित केले जातात.
Oltre ad immagazzinare i dati स्वत:, अ डेटा वेअरहाऊस ते वेगळ्या प्रकारचे देखील संचयित करू शकते डेटा चे वर्णन करणारा मेटाडेटा म्हणतात dati residenti nel suo डेटाबेस.
मेटाडेटाचे दोन प्रकार आहेत: विकास मेटाडेटा आणि विश्लेषण मेटाडेटा.
डेव्हलपमेंट मेटाडेटाचा वापर एक्सट्रॅक्शन, क्लीनिंग, मॅपिंग आणि लोडिंग प्रक्रिया व्यवस्थापित करण्यासाठी आणि स्वयंचलित करण्यासाठी केला जातो. dati नेल डेटा वेअरहाऊस.
डेव्हलपमेंट मेटाडेटामध्ये समाविष्ट असलेल्या माहितीमध्ये ऑपरेटिंग सिस्टमचे तपशील, काढण्यासाठी घटकांचे तपशील, मॉडेल असू शकतात. dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस आणि रूपांतर करण्यासाठी व्यवसाय नियम dati.

विश्लेषण मेटाडेटा म्हणून ओळखला जाणारा दुसरा प्रकारचा मेटाडेटा, अंतिम वापरकर्त्याला डेटा वेअरहाऊस शोधण्यासाठी dati उपलब्ध आणि स्पष्ट, गैर-तांत्रिक शब्दात त्यांचा अर्थ.

म्हणून विश्लेषण मेटाडेटा दरम्यान एक पूल म्हणून काम करते डेटा वेअरहाऊस आणि अंतिम वापरकर्ता अनुप्रयोग. या मेटाडेटामध्ये व्यवसाय मॉडेल, वर्णने असू शकतात dati व्यवसाय मॉडेलशी संबंधित, पूर्व-परिभाषित क्वेरी आणि अहवाल, वापरकर्ता प्रवेशासाठी माहिती आणि निर्देशांक.

विश्लेषण आणि डेव्हलपमेंट मेटाडेटा योग्यरितीने कार्य करण्‍यासाठी एकाच इंटिग्रेटेड कंटेन्मेंट मेटाडेटामध्ये एकत्र करणे आवश्यक आहे.

दुर्दैवाने अनेक विद्यमान साधनांचा स्वतःचा मेटाडेटा आहे आणि त्यासाठी सध्या कोणतेही विद्यमान मानक नाहीत

हा मेटाडेटा एकत्रित करण्यासाठी डेटा वेअरहाउसिंग साधनांना अनुमती द्या. या परिस्थितीवर उपाय म्हणून, मुख्य डेटा वेअरहाउसिंग साधनांच्या अनेक व्यापाऱ्यांनी मेटा डेटा कौन्सिलची स्थापना केली जी नंतर मेटा डेटा कोलिशन बनली.

या युतीचे ध्येय एक मानक मेटाडेटा संच तयार करणे आहे जे विविध डेटा वेअरहाउसिंग साधनांना मेटाडेटा रूपांतरित करण्यास अनुमती देते
त्यांच्या प्रयत्नांमुळे मेटा डेटा इंटरचेंज स्पेसिफिकेशन (MDIS) चा जन्म झाला ज्यामुळे मायक्रोसॉफ्ट आर्काइव्ह आणि संबंधित MDIS फाइल्समधील माहितीची देवाणघेवाण होऊ शकेल.

चे अस्तित्व dati सारांशित/अनुक्रमित आणि तपशीलवार दोन्ही वापरकर्त्याला ड्रिल ड्राउन (ड्रिलिंग) करण्याची शक्यता देते dati तपशीलवार आणि त्याउलट अनुक्रमित. चे अस्तित्व dati तपशीलवार इतिहास कालांतराने ट्रेंड विश्लेषणे तयार करण्यास अनुमती देतात. याव्यतिरिक्त विश्लेषण मेटाडेटा ची निर्देशिका म्हणून वापरली जाऊ शकते डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस अंतिम वापरकर्त्यांना शोधण्यात मदत करण्यासाठी dati आवश्यक

OLTP प्रणालीच्या तुलनेत, त्यांच्या विश्लेषणास समर्थन देण्याच्या क्षमतेसह dati आणि रिपोर्टिंग, द डेटा वेअरहाऊस è visto come un sistema più appropriato per processi di informazione come effettuare e rispondere a queries e produrre report. La prossima sezione evidenzierà le differenze dei due sistemi dettagliatamente.

DATA WAREHOUSE CONTRO SISTEMI OLTP

संस्थांमधील अनेक माहिती प्रणाली दैनंदिन कार्यांना समर्थन देण्यासाठी आहेत. ओएलटीपी प्रणाली म्हणून ओळखल्या जाणाऱ्या या प्रणाली, सतत अपडेट केलेले दैनंदिन व्यवहार कॅप्चर करतात.

I dati all’interno di questi sistemi sono spesso modificati,aggiunti o cancellati. Per esempio un indirizzo di un cliente cambia appena egli si sposta da un luogo all’altro. In questo caso il nuovo indirizzo sarà registrato modificando il campo indirizzo del डेटाबेस. या प्रणालींचा मुख्य उद्देश व्यवहार खर्च कमी करणे आणि त्याच वेळी प्रक्रियेच्या वेळा कमी करणे हा आहे. ओएलटीपी सिस्टमच्या उदाहरणांमध्ये ऑर्डर एंट्री, पेरोल, इनव्हॉइस, उत्पादन, ग्राहक सेवा यासारख्या गंभीर क्रियांचा समावेश होतो ग्राहकांना.

OLTP सिस्टीमच्या विपरीत, ज्या व्यवहारासाठी तयार केल्या गेल्या- आणि इव्हेंट-आधारित प्रक्रिया, i डेटा वेअरहाऊस विश्लेषण-आधारित प्रक्रियांसाठी समर्थन प्रदान करण्यासाठी तयार केले गेले dati आणि निर्णय घेण्याची प्रक्रिया.

हे साधारणपणे i समाकलित करून साध्य केले जाते dati च्या एकाच “कंटेनर” मध्ये विविध OLTP आणि बाह्य प्रणालींमधून datiमागील विभागात चर्चा केल्याप्रमाणे.

मोनाश डेटा वेअरहाउसिंग प्रक्रिया मॉडेल

साठी प्रक्रिया मॉडेल डेटा वेअरहाऊस मोनाश हे मोनाश डीएसएस रिसर्च ग्रुपच्या संशोधकांनी विकसित केले होते आणि ते साहित्यावर आधारित आहे डेटा वेअरहाऊस, सिस्टीम फील्डच्या विकासास समर्थन देण्याच्या अनुभवावर, वापरासाठी ऍप्लिकेशन्सच्या विक्रेत्यांशी झालेल्या चर्चेवर डेटा वेअरहाऊस, च्या वापरातील तज्ञांच्या गटावर डेटा वेअरहाऊस.

टप्पे आहेत: आरंभ, नियोजन, विकास, ऑपरेशन्स आणि स्पष्टीकरण. आकृती a च्या विकासाचे पुनरावृत्ती किंवा उत्क्रांती स्वरूप स्पष्ट करते डेटा वेअरहाऊस वेगवेगळ्या टप्प्यांमध्ये ठेवलेल्या द्वि-मार्ग बाणांचा वापर करून प्रक्रिया. या संदर्भात, "पुनरावृत्ती" आणि "उत्क्रांतीवादी" चा अर्थ असा आहे की, प्रक्रियेच्या प्रत्येक टप्प्यावर, अंमलबजावणी क्रियाकलाप नेहमी मागील टप्प्याकडे पाठीमागे पसरू शकतात. हे प्रकल्पाच्या स्वरूपामुळे आहे डेटा वेअरहाऊस ज्यामध्ये अंतिम वापरकर्त्याकडून कोणत्याही वेळी अतिरिक्त विनंत्या उद्भवतात. उदाहरणार्थ, प्रक्रियेच्या विकासाच्या टप्प्यात डेटा वेअरहाऊस, viene richiesta dall’utente finale una nuova dimensione o area di soggetto, che non faceva perte del piano originale, questa deve essere aggiunta al sistema. Questo causa un cambiamento nel progetto. Il risultato è che il team di progettazione deve cambiare i requisiti dei documenti creati finora durante la fase di progettazione. In molti casi, il corrente stato del progetto deve tornare indietro fino alla fase di progettazione dove deve essere aggiunta la nuova richiesta e documentarla. L’utente finale deve poter vedere la documentazione specifica revisionata e i cambiamenti che sono stati fatti nella fase di sviluppo. Alla fine di questo ciclo di sviluppo il progetto deve ottenere ottimi feedback da entrambi i team, quello di sviluppo e quello degli utilizzatori. I feedback sono poi riutilizzati per migliorare un progetto futuro.

क्षमता नियोजन
Dw आकाराने खूप मोठा असतो आणि खूप लवकर वाढतो (सर्वोत्तम 1995, रुडिन 1997a) dati इतिहास जे ते त्यांच्या कालावधीपासून राखून ठेवतात. मुळे देखील वाढ होऊ शकते dati aggiuntivi richiesti dagli utenti per aumentare il valore dei dati जे त्यांच्याकडे आधीच आहे. त्यानुसार, साठी स्टोरेज आवश्यकता dati लक्षणीयरित्या वर्धित केले जाऊ शकते (Eckerson 1997). अशाप्रकारे, क्षमतेचे नियोजन करून, गरजा वाढत असताना तयार होत असलेली प्रणाली विकसित होऊ शकते याची खात्री करणे आवश्यक आहे (बेस्ट 1995, लाप्लांटे 1996, लँग 1997, एकरसन 1997, रुडिन 1997a, फॉली 1997a).
Nella pianificazione per scalabilità del dw, uno deve conoscere la crescita attesa della dimensione del magazzino, i tipi di domande probabili da effettuare, e il numero di utenti finali sostenuti(Best 1995, Rudin 1997b, Foley 1997a). Costruire applicazioni scalabili richiede una combinazione di tecnologie server scalabili e tecniche di progettazione di applicazioni scalabili (Best 1995, Rudin 1997b. Entrambe sono necessarie nella creazione di un’applicazione estremamente scalabile. Le tecnologie server scalabili possono renderlo facile e vantaggioso per aggiungere deposito, memoria e CPU senza degradare le prestazioni (Lang 1997, Telephony 1997).

दोन मुख्य स्केलेबल सर्व्हर तंत्रज्ञान आहेत: सिमेट्रिक मल्टिपल प्रोसेसिंग (SMP) आणि मोठ्या प्रमाणात समांतर प्रक्रिया (MPP) (IDC 1997, Humphries et al. 1999). SMP सर्व्हरमध्ये सामान्यत: मेमरी, सिस्टम बस आणि इतर संसाधने (IDC 1997, Humphries et al. 1999) सामायिक करणारे एकाधिक प्रोसेसर असतात. ते वाढवण्यासाठी अतिरिक्त प्रोसेसर जोडले जाऊ शकतात पोटेंझा संगणकीय वाढवण्याची दुसरी पद्धत पोटेंझा SMP सर्व्हरचे, असंख्य SMP मशीन एकत्र करणे आहे. हे तंत्र क्लस्टरिंग (Humphries et al. 1999) म्हणून ओळखले जाते. दुसरीकडे, MPP सर्व्हरमध्ये स्वतःची मेमरी, बस सिस्टीम आणि इतर संसाधनांसह अनेक प्रोसेसर असतात (IDC 1997, Humphries et al. 1999). प्रत्येक प्रोसेसरला नोड म्हणतात. मध्ये वाढ पोटेंझा संगणकीय साध्य करता येते

MPP सर्व्हरमध्ये अतिरिक्त नोड्स जोडणे (Humphries et al. 1999).

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

क्षमतेच्या नियोजनामध्ये असंख्य स्केलेबल ऍप्लिकेशन डिझाइन तंत्रांचा वापर केला जाऊ शकतो. दिवस, आठवडे, महिने आणि वर्षे अशा विविध सूचना कालावधी वापरतात. विविध अधिसूचना कालावधी असणे, द डेटाबेस ते आटोपशीरपणे गटबद्ध तुकड्यांमध्ये विभागले जाऊ शकते (Inmon et al. 1997). दुसरे तंत्र म्हणजे सारांश सारण्यांचा वापर करणे जे सारांश करून तयार केले जाते dati da dati तपशीलवार. म्हणून मी dati सारांश तपशीलापेक्षा अधिक संक्षिप्त आहेत, ज्यासाठी कमी मेमरी स्पेस आवश्यक आहे. त्यामुळे द dati तपशील कमी खर्चिक स्टोरेज युनिटमध्ये संग्रहित केला जाऊ शकतो, जे आणखी स्टोरेज वाचवते. जरी सारांश सारण्यांचा वापर केल्याने मेमरी स्पेस वाचू शकते, परंतु त्यांना अद्ययावत ठेवण्यासाठी आणि व्यवसायाच्या गरजा पूर्ण करण्यासाठी खूप प्रयत्न करावे लागतील. तथापि, हे तंत्र मोठ्या प्रमाणावर वापरले जाते आणि बऱ्याचदा मागील तंत्राच्या संयोगाने वापरले जाते (बेस्ट 1995, इनमोन 1996a, चौधरी आणि दयाल
1997).

व्याख्या करीत आहे डेटा वेअरहाउस तांत्रिक वास्तुकला dw आर्किटेक्चर तंत्राची व्याख्या

डेटा वेअरहाउसिंगच्या सुरुवातीच्या अवलंबकर्त्यांनी प्रामुख्याने dw च्या केंद्रीकृत अंमलबजावणीची कल्पना केली ज्यामध्ये सर्व dati, मी समावेश dati बाह्य, एकल मध्ये एकत्रित केले होते,
भौतिक संचयन (Inmon 1996a, Bresnahan 1996, Peacock 1998).

Il vantaggio principale di questo approccio è che gli utenti finali sono in grado di accedere alla vista su scala imprenditoriale (enterprise-wide view) dei dati organizzativi (Ovum 1998). Un altro vantaggio è che offre standardizzazione di dati संस्थेद्वारे, म्हणजे dw रेपॉजिटरी (मेटाडेटा) (फ्लानागन आणि सफडी 1997, ओव्हम 1998) मध्ये वापरलेल्या प्रत्येक शब्दावलीसाठी फक्त एक आवृत्ती किंवा व्याख्या आहे. दुसरीकडे, या दृष्टिकोनाचा तोटा असा आहे की ते महाग आणि बांधणे कठीण आहे (फ्लानागन आणि सफडी 1997, ओव्हम 1998, इनमोन एट अल. 1998). स्टोरेज आर्किटेक्चर नंतर फार काळ नाही dati केंद्रीकृत लोकप्रिय झाले, उत्क्रांतीचे छोटे उपसमूह काढण्याची संकल्पना dati per sostenere i bisogni di applicazioni specifiche (Varney 1996, IDC 1997, Berson e Smith 1997, peacock 1998). Questi piccoli sistemi sono derivati dal più grande डेटा वेअरहाऊस centralizzato. Sono denominati डेटा वेअरहाऊस अवलंबून विभागीय किंवा अवलंबून डेटा मार्ट्स. अवलंबित डेटा मार्ट आर्किटेक्चरला तीन-स्तरीय आर्किटेक्चर म्हणून ओळखले जाते जेथे पहिल्या स्तरामध्ये डेटा वेअरहाऊस centralizzato, la seconda consiste dei depositi di dati विभागीय आणि तिसऱ्यामध्ये प्रवेश असतो dati e dai tools di analisi (Demarest 1994, Inmon ed altri. 1997).

डेटा मार्ट सामान्यतः नंतर बांधले जातात डेटा वेअरहाऊस केंद्रीकृत विशिष्ट युनिट्सच्या गरजा पूर्ण करण्यासाठी बांधले गेले (व्हाइट 1995, वॉर्नी 1996).
I data marts memorizzano i dati विशिष्ट युनिट्सशी संबंधित अतिशय संबंधित (इनमोन एट अल. 1997, इनमोन एट अल. 1998, IA 1998).

या पद्धतीचा फायदा असा आहे की नाही डेटा समाकलित नाही आणि ते i dati saranno meno ridondanti all’interno dei data marts poiché tutti i dati ते गोदामातून येतात dati एकात्मिक आणखी एक फायदा असा आहे की प्रत्येक डेटा मार्ट आणि त्याच्या स्त्रोतांमध्ये काही कनेक्शन असतील dati कारण प्रत्येक डेटा मार्टचा एकच स्रोत असतो dati. तसेच या आर्किटेक्चरसह, अंतिम वापरकर्ते अद्याप विहंगावलोकन ऍक्सेस करू शकतात dati

कॉर्पोरेट संस्था. ही पद्धत टॉप-डाउन पद्धत म्हणून ओळखली जाते, जिथे डेटा मार्ट नंतर तयार केले जातात डेटा वेअरहाऊस (मोर 1998, गोफ 1998).
परिणाम लवकर दाखवण्याची गरज वाढवून, काही संस्थांनी स्वतंत्र डेटा मार्ट तयार करण्यास सुरुवात केली आहे (फ्लानागन आणि सॅफडी 1997, व्हाईट 2000). या प्रकरणात, डेटा मार्ट्स त्यांचे स्वतःचे प्राप्त करतात dati च्या मूलभूत गोष्टींपासून थेट dati OLTP केंद्रीकृत आणि एकात्मिक वेअरहाऊसमधून नाही, त्यामुळे साइटवर केंद्रीय गोदाम असण्याची गरज नाहीशी होते.

प्रत्येक डेटा मार्टला त्याच्या स्त्रोतांसाठी किमान एक लिंक आवश्यक आहे dati. प्रत्येक डेटा मार्टसाठी एकाधिक कनेक्शन असण्याचा एक तोटा म्हणजे, मागील दोन आर्किटेक्चरच्या तुलनेत, dati लक्षणीय वाढते.

Ogni data mart deve memorizzare tutti i dati OLTP सिस्टीमवर कोणताही परिणाम न होण्यासाठी स्थानिक पातळीवर आवश्यक. यामुळे आय dati ते वेगवेगळ्या डेटा मार्ट्समध्ये साठवले जातात (Inmon et al. 1997). या आर्किटेक्चरचा आणखी एक तोटा असा आहे की यामुळे डेटा मार्ट्स आणि त्यांच्या डेटा स्रोतांमधील जटिल इंटरकनेक्शन्स तयार होतात. dati जे अमलात आणणे आणि नियंत्रित करणे कठीण आहे (Inmon et al. 1997).

आणखी एक तोटा असा आहे की अंतिम वापरकर्ते कंपनीच्या माहितीचे विहंगावलोकन करू शकत नाहीत कारण i dati विविध डेटा मार्ट समाकलित केलेले नाहीत (ओव्हम 1998).
आणखी एक तोटा असा आहे की डेटा मार्ट्समध्ये वापरल्या जाणाऱ्या प्रत्येक शब्दावलीसाठी एकापेक्षा जास्त व्याख्या असू शकतात ज्यामुळे विसंगती निर्माण होते. dati संस्थेमध्ये (ओव्हम 1998).
Malgrado gli svantaggi discussi sopra, i data marts indipendenti attraggono ancora l’interesse di molte organizzazioni (IDC 1997). Un fattore che li rende attraenti è che sono più rapidi da sviluppare e richiedono meno tempo e risorse (Bresnahan 1996, Berson e Smith 1997, Ovum 1998). Di conseguenza, servono principalmente come progetti-prova che possono essere usati per identificare rapidamente i benefici e/o le imperfezioni nel progetto (Parsaye 1995, Braly 1995, Newing 1996). In questo caso, la parte da implementare nel progetto pilota deve essere piccola ma importante per l’organizzazione (Newing 1996, Mansell-Lewis 1996).

प्रोटोटाइपचे परीक्षण करून, अंतिम वापरकर्ते आणि प्रशासन प्रकल्प सुरू ठेवायचा की थांबवायचा हे ठरवू शकतात (Flanagan and Safdie 1997).
निर्णय पुढे चालू ठेवायचा असेल तर, इतर उद्योगांसाठी डेटा मार्ट्स एकावेळी बांधले पाहिजेत. अंतिम वापरकर्त्यांसाठी स्वतंत्र डेटा मॅट्रिक्स तयार करण्यासाठी त्यांच्या गरजांवर आधारित दोन पर्याय आहेत: एकात्मिक/संघीय आणि अखंडित (ओव्हम 1998)

Nel primo metodo, ogni nuovo data mart dovrebbe essere costruito basandosi sui data marts attuali e sul modello dati कंपनीने वापरले (वार्नी 1996, बर्सन आणि स्मिथ 1997, पीकॉक 1998). मॉडेल वापरण्याची गरज dati कंपनीचा अर्थ असा आहे की डेटा मार्ट्समध्ये वापरल्या जाणाऱ्या प्रत्येक शब्दावलीसाठी फक्त एकच व्याख्या आहे याची खात्री करणे आवश्यक आहे, कंपनी माहितीचे विहंगावलोकन देण्यासाठी भिन्न डेटा मार्ट एकत्र केले जाऊ शकतात याची खात्री करणे देखील आवश्यक आहे (Bresnahan 1996). या पद्धतीला बॉटम-अप असे म्हणतात आणि आर्थिक साधन आणि वेळेवर मर्यादा असल्यास सर्वोत्तम आहे (फ्लानागन आणि सफडी 1997, ओव्हम 1998, पीकॉक 1998, गॉफ 1998). दुस-या पद्धतीत, तयार केलेले डेटा मार्ट केवळ विशिष्ट युनिटच्या गरजा पूर्ण करू शकतात. फेडरेशन डेटा मार्टचा एक प्रकार आहे डेटा वेअरहाऊस वितरित ज्यामध्ये डेटाबेस हब सर्व्हर मिडलवेअरचा वापर अनेक डेटा मार्ट्स एकाच भांडारात विलीन करण्यासाठी केला जातो dati वितरित (व्हाइट 1995). या प्रकरणात, आय dati कंपन्या अनेक डेटा मार्टमध्ये वितरित केल्या जातात. अंतिम वापरकर्त्याच्या विनंत्या यांना अग्रेषित केल्या जातात डेटाबेस middleware hub server , che estrae tutti i dati डेटा मार्टद्वारे विनंती केली जाते आणि अंतिम-वापरकर्ता अनुप्रयोगांना परिणाम परत करते. ही पद्धत अंतिम वापरकर्त्यांना व्यवसाय माहिती प्रदान करते. तथापि, स्वतंत्र डेटा मार्टच्या समस्या अजूनही दूर झालेल्या नाहीत. आणखी एक आर्किटेक्चर आहे ज्याचा वापर केला जाऊ शकतो ज्याला म्हणतात डेटा वेअरहाऊस virtuale (White 1995). Tuttavia, questa architettura, che è descritta nella figura 2.9, non è un’architettura d’immagazzinamento di dati reali poiché non sposta il caricamento dai sistemi OLTP al डेटा वेअरहाऊस (Demarest 1994).

खरं तर, च्या विनंत्या dati अंतिम वापरकर्त्यांकडून ओएलटीपी सिस्टमकडे पाठवले जाते जे वापरकर्त्याच्या विनंतीवर प्रक्रिया केल्यानंतर परिणाम परत करतात. जरी हे आर्किटेक्चर अंतिम वापरकर्त्यांना अहवाल व्युत्पन्न करण्यास आणि विनंत्या करण्यास अनुमती देते, तरीही ते प्रदान करू शकत नाही

dati कंपनीच्या माहितीचे ऐतिहासिक आणि विहंगावलोकन i dati विविध ओएलटीपी प्रणालींमधून एकत्रित केलेले नाहीत. त्यामुळे या वास्तूच्या विश्लेषणाचे समाधान होऊ शकत नाही dati कॉम्प्लेक्स जसे की अंदाज.

प्रवेश आणि पुनर्प्राप्ती अनुप्रयोगांची निवड dati

बांधण्याचा उद्देश ए डेटा वेअरहाऊस अंतिम वापरकर्त्यांपर्यंत माहिती पोहोचवणे (इनमोन एट अल. 1997, पो 1996, मॅकफॅडन 1996, शँक्स एट अल. 1997, हॅमरग्रेन 1998); एक किंवा अधिक प्रवेश आणि पुनर्प्राप्ती अनुप्रयोग dati प्रदान करणे आवश्यक आहे. आजपर्यंत, या ऍप्लिकेशन्सची विविधता आहे ज्यामधून वापरकर्ता निवडू शकतो (हॅमरग्रेन 1998, हम्फ्रीज एट अल. 1999). तुम्ही निवडलेले ॲप्लिकेशन तुमच्या वेअरहाउसिंगच्या प्रयत्नांचे यश ठरवतात dati एखाद्या संस्थेमध्ये कारण अनुप्रयोग हे सर्वात दृश्यमान भाग आहेत डेटा वेअरहाऊस all’utente finale (Inmon ed altri 1997, Poe 1996). Per aver successo un डेटा वेअरहाऊस, च्या विश्लेषण क्रियाकलापांना समर्थन देण्यास सक्षम असणे आवश्यक आहे dati अंतिम वापरकर्त्याचे (Poe 1996, Seddon and Benjamin 1998, Eckerson 1999). अशा प्रकारे अंतिम वापरकर्त्याला काय हवे आहे याची “स्तर” ओळखली जाणे आवश्यक आहे (Poe 1996, Mattison 1996, Inmon et al. 1997, Humphries et al. 1999).

सर्वसाधारणपणे, अंतिम वापरकर्त्यांना तीन श्रेणींमध्ये गटबद्ध केले जाऊ शकते: कार्यकारी वापरकर्ते, व्यवसाय विश्लेषक आणि ऊर्जा वापरकर्ते (Poe 1996, Humphries et al. 1999). कार्यकारी वापरकर्त्यांना अहवालांच्या पूर्वनिर्धारित संचांमध्ये सहज प्रवेश आवश्यक आहे (हंफ्रीज एट अल. 1999). हे गुणोत्तर मेनू नेव्हिगेशन (Poe 1996) सह सहज प्रवेश करता येतात. या व्यतिरिक्त, माहिती त्वरीत पोहोचवण्यासाठी तक्ते आणि टेम्पलेट्स सारख्या ग्राफिकल प्रतिनिधित्वाचा वापर करून अहवाल सादर केला पाहिजे (हंफ्रीज एट अल. 1999). व्यवसाय विश्लेषक, ज्यांच्याकडे सुरवातीपासून अहवाल विकसित करण्याची तांत्रिक क्षमता नसू शकते, त्यांना त्यांच्या विशिष्ट गरजा पूर्ण करण्यासाठी वर्तमान अहवाल सुधारित करण्यास सक्षम असणे आवश्यक आहे (Poe 1996, Humphries et al. 1999). दुसरीकडे, उर्जा वापरकर्ते हे अंतिम वापरकर्त्यांचे प्रकार आहेत ज्यांच्याकडे सुरवातीपासून विनंत्या आणि अहवाल तयार करण्याची आणि लिहिण्याची क्षमता आहे (Poe 1996, Humphries et al. 1999). तेच आहेत जे

ते इतर प्रकारच्या वापरकर्त्यांसाठी अहवाल विकसित करतात (Poe 1996, Humphries et al. 1999).

एकदा अंतिम वापरकर्ता आवश्यकता निर्धारित केल्यावर, प्रवेश आणि पुनर्प्राप्ती अनुप्रयोगांची निवड करणे आवश्यक आहे dati उपलब्ध असलेल्या सर्वांमध्ये (Poe 1996, Inmon et al. 1997).
मध्ये प्रवेश dati आणि पुनर्प्राप्ती साधने 4 प्रकारांमध्ये वर्गीकृत केली जाऊ शकतात: OLAP टूल्स, EIS/DSS टूल्स, क्वेरी आणि रिपोर्टिंग टूल्स आणि डेटा मायनिंग टूल्स.

OLAP टूल्स वापरकर्त्यांना तदर्थ क्वेरी तसेच वर केलेल्या क्वेरी तयार करण्याची परवानगी देतात डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस. याव्यतिरिक्त, ही उत्पादने वापरकर्त्यांना येथून ड्रिल डाउन करण्याची परवानगी देतात dati generali a quelli dettagliati.

EIS/DSS साधने कार्यकारी अहवाल प्रदान करतात जसे की "काय तर" विश्लेषण आणि मेनू-चालित अहवालांमध्ये प्रवेश. सुगम नेव्हिगेशनसाठी अहवाल पूर्वनिर्धारित आणि मेनूमध्ये विलीन केले पाहिजेत.
क्वेरी आणि अहवाल साधने वापरकर्त्यांना पूर्वनिर्धारित आणि विशिष्ट अहवाल तयार करण्यास अनुमती देतात.

डेटा मायनिंग टूल्सचा वापर संबंध ओळखण्यासाठी केला जातो जे विसरलेल्या ऑपरेशन्सवर नवीन प्रकाश टाकू शकतात. dati डेटा वेअरहाऊसचे.

प्रत्येक प्रकारच्या वापरकर्त्याच्या गरजा अनुकूल करण्याबरोबरच, निवडलेली साधने अंतर्ज्ञानी, कार्यक्षम आणि वापरण्यास सुलभ असणे आवश्यक आहे. ते आर्किटेक्चरच्या इतर भागांशी सुसंगत आणि विद्यमान सिस्टमसह कार्य करण्यास सक्षम असणे देखील आवश्यक आहे. वाजवी किंमती आणि कार्यप्रदर्शनासह डेटा प्रवेश आणि पुनर्प्राप्ती साधने निवडण्याची देखील शिफारस केली जाते. विचारात घेण्याच्या इतर निकषांमध्ये साधन विक्रेत्याची त्यांच्या उत्पादनास समर्थन देण्याची वचनबद्धता आणि भविष्यातील प्रकाशनांमध्ये ते कसे विकसित होईल याचा समावेश आहे. डेटा वेअरहाऊस वापरताना वापरकर्त्याची प्रतिबद्धता सुनिश्चित करण्यासाठी, विकास कार्यसंघ वापरकर्त्यांना साधन निवड प्रक्रियेत सामील करतो. या प्रकरणात, एक व्यावहारिक वापरकर्ता मूल्यांकन केले पाहिजे.

डेटा वेअरहाऊसचे मूल्य सुधारण्यासाठी विकास कार्यसंघ त्यांच्या डेटा वेअरहाऊसमध्ये वेब प्रवेश देखील प्रदान करू शकतो. वेब-सक्षम डेटा वेअरहाऊस वापरकर्त्यांना प्रवेश करण्यास अनुमती देते dati दुर्गम ठिकाणाहून किंवा प्रवास करताना. अधिक माहिती करू शकता

प्रशिक्षण खर्च कमी करून कमी खर्चात प्रदान केले जाईल.

2.4.3 डेटा वेअरहाउस ऑपरेशन टप्पा

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

डेटा रिफ्रेश धोरणांची व्याख्या

प्रारंभिक लोडिंग नंतर, i dati नेल डेटाबेस डेटा वेअरहाऊसमध्ये केलेले बदल पुनरुत्पादित करण्यासाठी वेळोवेळी रीफ्रेश करणे आवश्यक आहे dati मूळ त्यामुळे कधी रिफ्रेश करायचे, किती वेळा रिफ्रेश करायचे आणि डेटा कसा रिफ्रेश करायचा हे तुम्ही ठरवले पाहिजे. dati. रीफ्रेश करण्याची शिफारस केली जाते dati जेव्हा सिस्टम ऑफलाइन घेतली जाऊ शकते. रिफ्रेश वारंवारता वापरकर्त्याच्या आवश्यकतांवर आधारित विकास कार्यसंघाद्वारे निर्धारित केली जाते. डेटा वेअरहाऊस रीफ्रेश करण्यासाठी दोन पद्धती आहेत: संपूर्ण रिफ्रेश आणि बदलांचे सतत लोडिंग.

प्रथम दृष्टीकोन, पूर्ण रीफ्रेश, सर्व रीलोड करणे आवश्यक आहे dati शून्यापासून. याचा अर्थ असा की सर्व dati richiesti devono essere estratti, puliti, trasformati ed integrati in ogni refresh. Questo approccio dovrebbe essere, per quanto possibile, evitato perché richiede molto tempo e risorse.

एक पर्यायी दृष्टीकोन म्हणजे सतत बदल अपलोड करणे. हे जोडते i dati जे शेवटच्या डेटा वेअरहाऊस रिफ्रेश सायकलपासून बदलले गेले आहेत. नवीन किंवा सुधारित रेकॉर्ड ओळखणे लक्षणीय प्रमाणात कमी करते dati जे प्रत्येक अपडेटमध्ये डेटा वेअरहाऊसमध्ये प्रसारित केले जाणे आवश्यक आहे dati मध्ये जोडले जाईल डेटाबेस डेटा वेअरहाऊसचे.

कमीत कमी 5 पध्दती आहेत ज्यांचा वापर i काढण्यासाठी केला जाऊ शकतो dati नवीन किंवा सुधारित. एक कार्यक्षम डेटा रिफ्रेश धोरण प्राप्त करण्यासाठी dati प्रणालीतील सर्व बदल कॅप्चर करणाऱ्या या पद्धतींचे मिश्रण उपयुक्त ठरू शकते.

पहिला दृष्टिकोन, जो टाइमस्टॅम्प वापरतो, असे गृहीत धरतो की सर्व नियुक्त केले आहेत dati टाइमस्टॅम्प संपादित आणि अद्यतनित केला आहे जेणेकरून आपण सर्व सहजपणे ओळखू शकता dati सुधारित आणि नवीन. हा दृष्टीकोन, तथापि, आजच्या बहुतेक ऑपरेटिंग सिस्टममध्ये मोठ्या प्रमाणावर वापरला जात नाही.
दुसरा दृष्टीकोन म्हणजे अनुप्रयोगाद्वारे व्युत्पन्न केलेली डेल्टा फाइल वापरणे ज्यामध्ये केवळ केलेले बदल आहेत dati. या फाईलचा वापर केल्याने अपडेट सायकल देखील वाढवते. तथापि, ही पद्धत अनेक अनुप्रयोगांमध्ये वापरली गेली नाही.
Il terzo approccio è quello di fare uno scan su un file di log, che fondamentalmente contiene informazioni simili al delta file. L’unica differenza è che un log file è creato per il processo di recovery e può essere difficile da capire.
चौथा दृष्टिकोन म्हणजे ऍप्लिकेशन कोडमध्ये बदल करणे. तथापि, बहुतेक अनुप्रयोग कोड जुना आणि नाजूक आहे; त्यामुळे हे तंत्र टाळावे.
शेवटचा दृष्टिकोन तुलना करणे आहे dati मुख्य dei फाइलसह स्रोत dati.

डेटा वेअरहाऊस क्रियाकलापांचे नियंत्रण

एकदा डेटा वेअरहाऊस वापरकर्त्यांसाठी सोडले गेले की, कालांतराने त्याचे निरीक्षण करणे आवश्यक आहे. या प्रकरणात, डेटा वेअरहाऊस प्रशासक डेटा वेअरहाऊसच्या वापरावर लक्ष ठेवण्यासाठी एक किंवा अधिक व्यवस्थापन आणि नियंत्रण साधने नियुक्त करू शकतो. विशेषतः, लोक आणि ते डेटा वेअरहाऊसमध्ये प्रवेश करतात त्या वेळेबद्दल माहिती गोळा केली जाऊ शकते. या dati raccolti può essere creato un profilo del lavoro effettuato che può essere usato come input nell’implementazione del chargeback dell’utente. Il Chargeback permette agli utenti di essere informati sul costo di elaborazione del datawarehouse.

Inoltre, il controllo del datawarehouse può anche essere usato per identificare i tipi di query, la loro grandezza, il numero di query al giorno, i tempi di reazione alla query, i settori raggiunti e la quantità di dati processati. Un altro scopo di fare il controllo del datawarehouse è identificare i dati che non sono in uso. Questi dati वेळ सुधारण्यासाठी ते डेटा वेअरहाऊसमधून काढले जाऊ शकतात

क्वेरी अंमलबजावणी प्रतिसाद आणि च्या वाढीचे निरीक्षण करा dati che risiedono all’interno della डेटा बेस डेटा वेअरहाऊसचे.

डेटा वेअरहाऊस सुरक्षा व्यवस्थापन

डेटा वेअरहाऊसमध्ये समाविष्ट आहे dati एकात्मिक, गंभीर, संवेदनशील ज्यापर्यंत सहज पोहोचता येते. या कारणास्तव ते अनधिकृत वापरकर्त्यांपासून संरक्षित केले पाहिजे. सुरक्षा लागू करण्याचा एक मार्ग म्हणजे del फंक्शन वापरणे डीबीएमएस per assegnare i diversi privilegi ai diversi tipi di utenti. In questo modo, deve essere mantenuto per ogni tipo di utenti un profilo di accesso. Un altro modo per assicurare il datawarehouse è cifrarlo come è scritto nella डेटा बेस डेटा वेअरहाऊसचे. मध्ये प्रवेश dati आणि पुनर्प्राप्ती साधने डिक्रिप्ट करणे आवश्यक आहे dati वापरकर्त्यांना परिणाम सादर करण्यापूर्वी.

2.4.4 डेटा वेअरहाउस उपयोजन टप्पा

डेटा वेअरहाऊस अंमलबजावणी चक्रातील हा शेवटचा टप्पा आहे. या टप्प्यात केल्या जाणाऱ्या क्रियाकलापांमध्ये वापरकर्त्यांना डेटा वेअरहाऊस वापरण्यासाठी प्रशिक्षण देणे आणि डेटा वेअरहाऊसचे पुनरावलोकन करणे समाविष्ट आहे.

वापरकर्ता प्रशिक्षण

प्रवेश करण्यापूर्वी वापरकर्ता प्रशिक्षण केले पाहिजे dati del datawarehouse e dell’uso dei tool di retrieval. Generalmente, le sessioni dovrebbero iniziare con l’introduzione al concetto dell’immagazzinamento di dati, डेटा वेअरहाऊसची सामग्री, मेटा dati आणि साधनांची मूलभूत वैशिष्ट्ये. त्यानंतर, अधिक प्रगत वापरकर्ते डेटा प्रवेश आणि पुनर्प्राप्ती साधनांच्या भौतिक सारण्या आणि वापरकर्ता वैशिष्ट्यांचा देखील अभ्यास करू शकतात.

वापरकर्ता प्रशिक्षण करण्याचे अनेक मार्ग आहेत. यापैकी एकामध्ये अनेक वापरकर्ते किंवा विश्लेषकांची निवड समाविष्ट असते, जे वापरकर्त्यांच्या संचामधून निवडले जातात, त्यांच्या नेतृत्व आणि संप्रेषण कौशल्यांवर आधारित. सिस्टमशी परिचित होण्यासाठी त्यांना माहित असणे आवश्यक असलेल्या प्रत्येक गोष्टीबद्दल त्यांना वैयक्तिकरित्या प्रशिक्षण दिले जाते. प्रशिक्षण संपल्यानंतर, ते त्यांच्या नोकरीवर परत येतात आणि इतर वापरकर्त्यांना सिस्टम कसे वापरायचे ते शिकवू लागतात. वर

त्यांनी शिकलेल्या गोष्टींवर आधारित, इतर वापरकर्ते डेटा वेअरहाऊस एक्सप्लोर करणे सुरू करू शकतात.
दुसरा दृष्टिकोन म्हणजे एकाच वेळी अनेक वापरकर्त्यांना प्रशिक्षित करणे, जसे की तुम्ही वर्ग अभ्यासक्रम घेत आहात. जेव्हा अनेक वापरकर्ते एकाच वेळी प्रशिक्षित करणे आवश्यक असते तेव्हा ही पद्धत योग्य आहे. आणखी एक पद्धत म्हणजे प्रत्येक वापरकर्त्याला वैयक्तिकरित्या प्रशिक्षण देणे. काही वापरकर्ते असताना ही पद्धत योग्य आहे.

वापरकर्ता प्रशिक्षणाचा उद्देश तुम्हाला ऍक्सेस करण्यासाठी परिचित करणे हा आहे dati आणि पुनर्प्राप्ती साधने तसेच डेटा वेअरहाऊसची सामग्री. तथापि, प्रशिक्षण सत्रादरम्यान प्रदान केलेल्या माहितीच्या प्रमाणात काही वापरकर्ते भारावून जाऊ शकतात. त्यामुळे, चालू असलेल्या सहाय्यासाठी आणि विशिष्ट प्रश्नांची उत्तरे देण्यासाठी ठराविक संख्येने रीफ्रेशर सत्रे चालवणे आवश्यक आहे. काही प्रकरणांमध्ये या प्रकारचे समर्थन देण्यासाठी वापरकर्ता गट तयार केला जातो.

अभिप्राय गोळा करणे

Una volta che il datawarehouse è stato rolled out, gli utenti possono usare i dati जे विविध कारणांसाठी डेटा वेअरहाऊसमध्ये राहतात. बहुतेक, विश्लेषक किंवा वापरकर्ते i वापरतात dati डेटा वेअरहाऊसमध्ये यासाठी:

1. 1 कंपनीचे ट्रेंड ओळखा
2. 2 च्या खरेदी प्रोफाइलचे विश्लेषण करा ग्राहकांना
3. 3 भागा i ग्राहकांना एड मी
4. 4  Fornire i servizi migliori ai ग्राहकांना - सेवा सानुकूलित करा
5. 5 धोरणे तयार करा विपणन
6. 6 खर्चाचे विश्लेषण आणि नियंत्रणास मदत करण्यासाठी स्पर्धात्मक कोट प्रदान करा
7. 7  Supportare decision-making strategiche
8. 8  Identificare occasioni per emergere
9. 9 सध्याच्या व्यवसाय प्रक्रियेची गुणवत्ता सुधारा
10. 10 नफा तपासा

डेटा वेअरहाऊसच्या विकासाच्या दिशेचे अनुसरण करून, फीडबॅक मिळविण्यासाठी सिस्टमला पुनरावलोकनांची मालिका आयोजित केली जाऊ शकते.

दोन्ही विकास कार्यसंघ आणि अंतिम वापरकर्ता समुदायाकडून.
प्राप्त परिणाम पुढील विकास चक्रासाठी विचारात घेतले जाऊ शकतात.

डेटा वेअरहाऊसमध्ये वाढीव दृष्टीकोन असल्याने, मागील घडामोडींच्या यश आणि चुकांमधून शिकणे महत्त्वाचे आहे.

2.5 सारांश

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

अध्याय 3

संशोधन आणि डिझाइन पद्धती

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

3.1 Ricerca nei sistemi informativi

माहिती प्रणालीतील संशोधन हे केवळ तांत्रिक क्षेत्रापुरते मर्यादित नाही तर वर्तणूक आणि संस्थात्मक उद्देशांचा समावेश करण्यासाठी त्याचा विस्तार करणे आवश्यक आहे.
सामाजिक ते नैसर्गिक विज्ञानापर्यंतच्या विविध विषयांच्या शोधनिबंधांचे आम्ही ऋणी आहोत; यामुळे माहिती प्रणालीसाठी वापरल्या जाणाऱ्या परिमाणात्मक आणि गुणात्मक पद्धतींचा समावेश असलेल्या संशोधन पद्धतींच्या विशिष्ट स्पेक्ट्रमची आवश्यकता निर्माण होते.
सर्व उपलब्ध संशोधन पद्धती महत्त्वाच्या आहेत, किंबहुना अनेक संशोधक जसे की जेनकिन्स (1985), नुनामाकर इ. (1991), आणि गॅलियर्स (1992) असा युक्तिवाद करतात की माहिती प्रणालीच्या विविध क्षेत्रात संशोधन करण्यासाठी कोणतीही विशिष्ट सार्वत्रिक पद्धत नाही; खरं तर एखादी पद्धत विशिष्ट संशोधनासाठी योग्य असू शकते परंतु इतरांसाठी नाही. हे आम्हाला आमच्या विशिष्ट संशोधन प्रकल्पासाठी योग्य अशी पद्धत निवडण्याची आवश्यकता आणते: या निवडीसाठी Benbasat et al. (1987) असे नमूद केले आहे की संशोधनाचे स्वरूप आणि हेतू विचारात घेणे आवश्यक आहे.

3.1.1 संशोधनाचे स्वरूप

संशोधनाच्या स्वरूपावर आधारित विविध पद्धतींचे तीन परंपरांमध्ये वर्गीकरण केले जाऊ शकते ज्यांना माहिती विज्ञानामध्ये व्यापकपणे ओळखले जाते: सकारात्मकतावादी, व्याख्यात्मक आणि गंभीर संशोधन.

3.1.1.1 Ricerca positivista

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

सकारात्मक संशोधन देखील पुनरावृत्ती, सरलीकरण आणि खंडन द्वारे दर्शविले जाते. शिवाय, सकारात्मकतावादी संशोधनाने अभ्यास केलेल्या घटनांमधील प्राधान्य संबंधांचे अस्तित्व मान्य केले आहे.
गॅलियर्स (1992) नुसार वर्गीकरण ही सकारात्मकतावादी प्रतिमानामध्ये समाविष्ट केलेली एक संशोधन पद्धत आहे, जी मात्र एवढ्यापुरती मर्यादित नाही, प्रत्यक्षात प्रयोगशाळेतील प्रयोग, क्षेत्रीय प्रयोग, केस स्टडी, प्रमेयांचे प्रात्यक्षिक, अंदाज आणि सिम्युलेशन आहेत. या पद्धतींचा वापर करून, संशोधक कबूल करतात की अभ्यास केलेल्या घटना वस्तुनिष्ठपणे आणि कठोरपणे पाहिल्या जाऊ शकतात.

3.1.1.2 व्याख्यात्मक संशोधन

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

या पद्धतीमध्ये व्यक्तिनिष्ठ/वादात्मक अभ्यास, कृती संशोधन, वर्णनात्मक/व्याख्यात्मक अभ्यास, भविष्यातील संशोधन आणि भूमिका वठवणे यांचा समावेश होतो. या सर्वेक्षणांव्यतिरिक्त आणि केस स्टडीज या दृष्टिकोनामध्ये समाविष्ट केले जाऊ शकतात कारण ते जटिल वास्तविक-जगातील परिस्थितींमधील व्यक्ती किंवा संस्थांच्या अभ्यासाशी संबंधित आहेत.

3.1.1.3 गंभीर संशोधन

गंभीर चौकशी हा सामाजिक विज्ञानातील सर्वात कमी ज्ञात दृष्टीकोन आहे परंतु अलीकडे माहिती प्रणाली संशोधकांकडून लक्ष वेधले गेले आहे. सामाजिक वास्तव ऐतिहासिकदृष्ट्या लोकांद्वारे तसेच त्यांच्या कृती आणि परस्परसंवादांसह सामाजिक प्रणालीद्वारे निर्माण आणि पुनरुत्पादित केले जाते ही तात्विक धारणा. तथापि, त्यांची क्षमता अनेक सामाजिक, सांस्कृतिक आणि राजकीय विचारांनी मध्यस्थी केली जाते.

व्याख्यात्मक संशोधनाप्रमाणे, गंभीर संशोधन असे ठेवते की सकारात्मकतावादी संशोधनाचा सामाजिक संदर्भाशी काहीही संबंध नाही आणि मानवी कृतींवर त्याचा प्रभाव दुर्लक्षित केला जातो.
गंभीर संशोधन, दुसरीकडे, व्याख्यात्मक संशोधनावर खूप व्यक्तिनिष्ठ असल्याबद्दल आणि लोकांचे जीवन सुधारण्यात मदत करण्याचे उद्दिष्ट नसल्याबद्दल टीका करते. गंभीर संशोधन आणि इतर दोन दृष्टिकोनांमधील सर्वात मोठा फरक म्हणजे त्याचे मूल्यमापनात्मक परिमाण. सकारात्मकतावादी आणि व्याख्यात्मक परंपरेची वस्तुनिष्ठता ही स्थिती किंवा सामाजिक वास्तवाचा अंदाज लावणे किंवा स्पष्ट करणे आहे, परंतु गंभीर संशोधनाचा उद्देश अभ्यासाधीन सामाजिक वास्तवाचे गंभीरपणे मूल्यांकन करणे आणि परिवर्तन करणे हे आहे.

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

3.1.2 Scopo della ricerca

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

3.1.2.1 अन्वेषणात्मक संशोधन

अन्वेषण संशोधनाचे उद्दिष्ट पूर्णपणे नवीन विषयाची चौकशी करणे आणि भविष्यातील संशोधनासाठी प्रश्न आणि गृहितके तयार करणे हे आहे. नवीन क्षेत्रातील प्रारंभिक संदर्भ प्राप्त करण्यासाठी या प्रकारच्या संशोधनाचा उपयोग सिद्धांत बिल्डिंगमध्ये केला जातो. सामान्यतः, गुणात्मक संशोधन पद्धती वापरल्या जातात, जसे की केस स्टडी किंवा अभूतपूर्व अभ्यास.

तथापि, शोध सर्वेक्षण किंवा प्रयोगांसारख्या परिमाणात्मक तंत्रांचा वापर करणे देखील शक्य आहे.

3.1.3.3 वर्णनात्मक संशोधन

वर्णनात्मक संशोधनाचा उद्देश एखाद्या विशिष्ट संस्थात्मक परिस्थितीचे किंवा सरावाचे विश्लेषण करणे आणि त्याचे तपशीलवार वर्णन करणे होय. हे सिद्धांत तयार करण्यासाठी योग्य आहे आणि ते गृहितकांची पुष्टी करण्यासाठी किंवा आव्हान देण्यासाठी देखील वापरले जाऊ शकते. वर्णनात्मक संशोधनामध्ये सामान्यतः उपाय आणि नमुने यांचा समावेश असतो. सर्वात योग्य संशोधन पद्धतींमध्ये सर्वेक्षण आणि पूर्ववर्तींचे विश्लेषण समाविष्ट आहे.

3.1.2.3 स्पष्टीकरणात्मक संशोधन

स्पष्टीकरणात्मक संशोधन गोष्टी का घडतात हे स्पष्ट करण्याचा प्रयत्न करतात. हे तथ्यांवर आधारित आहे ज्यांचा आधीच अभ्यास केला गेला आहे आणि या तथ्यांची कारणे शोधण्याचा प्रयत्न केला आहे.
अशा प्रकारे स्पष्टीकरणात्मक संशोधन हे सामान्यतः अन्वेषणात्मक किंवा वर्णनात्मक संशोधनावर आधारित असते आणि ते सिद्धांत तपासण्यासाठी आणि परिष्कृत करण्यासाठी सहायक असते. स्पष्टीकरणात्मक संशोधन सामान्यतः केस स्टडीज किंवा सर्वेक्षण-आधारित संशोधन पद्धती वापरतात.

3.1.2.4 Ricerca preventiva

प्रतिबंधात्मक संशोधनाचा उद्देश अभ्यास केला जात असलेल्या निरीक्षणाखाली घटना आणि वर्तणुकीचा अंदाज लावणे (मार्शल आणि रॉसमन 1995). भविष्यवाणी ही सत्याची प्रमाणित वैज्ञानिक चाचणी आहे. या प्रकारच्या संशोधनामध्ये सामान्यतः सर्वेक्षण किंवा विश्लेषण वापरले जाते dati इतिहासकार (यिन १९८९)

वरील चर्चा दर्शविते की विशिष्ट अभ्यासात वापरल्या जाऊ शकतात अशा अनेक संभाव्य संशोधन पद्धती आहेत. तथापि, एक विशिष्ट पद्धत असावी जी विशिष्ट प्रकारच्या संशोधन प्रकल्पासाठी इतरांपेक्षा अधिक योग्य असेल. (गॅलियर्स 1987, यिन 1989, डी व्हॉस 1991). त्यामुळे प्रत्येक संशोधकाने संशोधन प्रकल्पासाठी सर्वात योग्य आणि सुसंगत संशोधन पद्धतीचा अवलंब करण्यासाठी विविध पद्धतींची ताकद आणि कमकुवतपणाचे काळजीपूर्वक मूल्यांकन करणे आवश्यक आहे. (जेनकिन्स 1985, परवान आणि क्लास 1992, बोनोमिया 1985, यिन 1989, हिमिल्टन आणि इव्हस 1992).

३.२. संभाव्य संशोधन पद्धती

या प्रकल्पाचा उद्देश ऑस्ट्रेलियन संस्थांमधील अनुभवाचा अभ्यास करणे हा होता dati च्या विकासासह संग्रहित डेटा वेअरहाऊस. तारीख che, attualmente, c’è una mancanza di ricerca nell’area di data warehousing in Australia, questo progetto di ricerca è ancora nella fase teorica del ciclo di ricerca ed ha uno scopo esplorativo. Esplorando l’esperienza nelle organizzazioni australiane che adottano il data warehousing richiede l’interpretazione della società reale. Di conseguenza, il l’assunzione filosofica alla base del progetto di ricerca segue l’interpretazione tradizionale.

उपलब्ध पद्धतींच्या कठोर परीक्षणानंतर, दोन संभाव्य संशोधन पद्धती ओळखल्या गेल्या: सर्वेक्षण आणि केस स्टडीज, ज्याचा उपयोग शोध संशोधनासाठी केला जाऊ शकतो (शँक्स एट अल. 1993). गॅलियर्स (1992) यांनी आपल्या सुधारित वर्गीकरणामध्ये या विशिष्ट अभ्यासासाठी या दोन पद्धतींच्या योग्यतेसाठी तर्क मांडला आहे की ते सिद्धांत उभारणीसाठी योग्य आहेत. पुढील दोन उपविभाग प्रत्येक पद्धतीची तपशीलवार चर्चा करतात.

3.2.1 सर्वेक्षण संशोधन पद्धत

सर्वेक्षण संशोधन पद्धत ही प्राचीन जनगणना पद्धतीतून आली आहे. जनगणनेमध्ये संपूर्ण लोकसंख्येची माहिती गोळा केली जाते. ही पद्धत महाग आणि अव्यवहार्य आहे, विशेषतः जर लोकसंख्या मोठी असेल. अशाप्रकारे, जनगणनेच्या तुलनेत, सर्वेक्षण सामान्यत: लोकसंख्येच्या प्रतिनिधींच्या अल्प संख्येसाठी किंवा नमुन्यासाठी माहिती गोळा करण्यावर लक्ष केंद्रित करते (फॉलर 1988, न्यूमन 1994). नमुना रचना, आकार आणि वापरलेल्या निवड पद्धतीनुसार (फॉलर 1988, बॅबी 1982, न्यूमन 1994) अचूकतेच्या विविध स्तरांसह, ज्या लोकसंख्येवरून तो काढला जातो ती लोकसंख्या प्रतिबिंबित करते.

Il metodo d’indagine è definito come “snapshots of practices, situations or views at a particular point in time, undertaken using questionnaires or interviews, from which inferences may be
made” (Galliers 1992:153) [fotografia istentanea delle pratiche, situazioni o viste in particolare punto temporale, intrapreso usando questionari o interviste, da cui possono essere fatte inferenze]. Le indagini si occupano della raccolta di informazioni su alcuni aspetti dello studio, da un certo numero di partecipanti, facendo delle domande (Fowler 1988). Anche questi questionari e interviste, che includono le interviste faccia a faccia al telefono e quelle strutturate, sono le tecniche di collezione di dati सामान्यतः तपासांमध्ये (ब्लॅक 1970, नॅचमियास आणि नॅचमियास 1976, फॉलर 1988), निरीक्षणे आणि विश्लेषणे वापरली जाऊ शकतात (गेबल 1994). गोळा करण्याच्या या सर्व पद्धतींपैकी dati, प्रश्नावलीचा वापर हे सर्वात लोकप्रिय तंत्र आहे, कारण ते सुनिश्चित करते की i dati

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

विश्लेषण करताना i dati, एक तपास धोरण सहसा संख्यात्मक तंत्रे वापरते, जसे की सांख्यिकीय विश्लेषण, परंतु गुणात्मक तंत्रे देखील वापरली जाऊ शकतात (गॅलियर्स 1992, पेर्वन

आणि क्लास 1992, गॅबल 1994). साधारणपणे, आय dati संकलित केलेले वितरण आणि संघटनांचे नमुने विश्लेषित करण्यासाठी वापरले जातात (Fowler 1988).

जरी 'काय?' (काय) किंवा त्यातून व्युत्पन्न, जसे की 'किती' आणि 'किती', त्यांना 'का' (Sonquist and Dunkelberg 1977, Yin 1989) या प्रश्नाद्वारे विचारले जाऊ शकते. Sonquist आणि Dunkelberg (1977) च्या मते, चौकशी संशोधनाचे उद्दिष्ट आव्हानात्मक गृहितके, कार्यक्रमांचे मूल्यांकन, लोकसंख्येचे वर्णन आणि मानवी वर्तनाचे मॉडेल विकसित करणे हे आहे. शिवाय, सर्वेक्षणाचा उपयोग विशिष्ट लोकसंख्येचे मत, परिस्थिती, मते, वैशिष्ट्ये, अपेक्षा आणि अगदी भूतकाळातील किंवा वर्तमान वर्तनाचा अभ्यास करण्यासाठी केला जाऊ शकतो (न्यूमन 1994).

सर्वेक्षणे संशोधकाला लोकसंख्येमधील संबंध शोधण्याची परवानगी देतात आणि परिणाम सामान्यतः इतर पद्धतींपेक्षा अधिक सामान्य असतात (Sonquist आणि Dunkelberg 1977, Gable 1994). सर्वेक्षणे संशोधकांना मोठे भौगोलिक क्षेत्र कव्हर करू देतात आणि अनेक प्रतिसादकर्त्यांपर्यंत पोहोचतात (ब्लॅक 1970, सोनक्विस्ट आणि डंकेलबर्ग 1977, ह्वांग आणि लिन 1987, गेबल 1994, न्यूमन 1994). शेवटी, सर्वेक्षणे अशी माहिती देऊ शकतात जी इतरत्र उपलब्ध नाही किंवा विश्लेषणासाठी आवश्यक असलेल्या फॉर्ममध्ये (फॉलर 1988).

तथापि, सर्वेक्षण पार पाडण्यासाठी काही मर्यादा आहेत. एक गैरसोय म्हणजे संशोधक अभ्यास केलेल्या वस्तूबद्दल जास्त माहिती मिळवू शकत नाही. हे या वस्तुस्थितीमुळे आहे की सर्वेक्षणे केवळ एका विशिष्ट वेळीच केली जातात आणि म्हणूनच, संशोधक करू शकतील अशा व्हेरिएबल्स आणि लोकांची मर्यादित संख्या आहे.

अभ्यास (यिन 1989, डी व्हॉस 1991, गॅबल 1994, डेन्सकॉम्बे 1998). आणखी एक तोटा असा आहे की सर्वेक्षण करणे वेळ आणि संसाधनांच्या दृष्टीने खूप महाग असू शकते, विशेषतः जर त्यात समोरासमोर मुलाखतींचा समावेश असेल (Fowler 1988).

3.2.2. Metodo Di Ricerca Di Inchiesta

चौकशी संशोधन पद्धतीमध्ये संशोधकाच्या कोणत्याही हस्तक्षेपाशिवाय एखाद्या विशिष्ट परिस्थितीचा त्याच्या वास्तविक-जगातील संदर्भातील विशिष्ट कालावधीत सखोल अभ्यास केला जातो (शँक्स आणि सी. 1993, आयझेनहार्ट 1989, जेनकिन्स 1985). मुख्यतः ही पद्धत विशिष्ट परिस्थितीत अभ्यासल्या जाणाऱ्या चलांमधील संबंधांचे वर्णन करण्यासाठी वापरली जाते (Galliers 1992). विश्लेषण केलेल्या घटनेवर (फ्रांझ आणि रॉबे 1987, आयझेनहार्ट 1989, यिन 1989) अवलंबून, तपासणीमध्ये एकल किंवा एकाधिक प्रकरणे समाविष्ट असू शकतात.

चौकशी संशोधन पद्धतीची व्याख्या "एक अनुभवजन्य चौकशी जी समकालीन घटनेचा त्याच्या वास्तविक संदर्भात अभ्यास करते, लोक, गट किंवा संस्था यांसारख्या एक किंवा अधिक संस्थांकडून संकलित केलेल्या एकाधिक स्त्रोतांचा वापर करून" (यिन 1989). इंद्रियगोचर आणि त्याच्या संदर्भामध्ये कोणतेही स्पष्ट पृथक्करण नाही आणि व्हेरिएबल्सचे कोणतेही प्रायोगिक नियंत्रण किंवा फेरफार नाही (यिन 1989, बेनबसात एट अल. 1987).

गोळा करण्यासाठी विविध तंत्रे आहेत dati che possono essere impiegate nel metodo di inchiesta, che includono le osservazioni dirette, revisioni di record di archivi, questionari, revisione della documentazione ed interviste strutturate. Avendo una gamma varia di tecniche della raccolta di dati, तपासामुळे संशोधकांना दोन्ही गोष्टींचा सामना करण्याची परवानगी मिळते dati एकाच वेळी गुणात्मक आणि परिमाणात्मक (बोनोमा 1985, आयसेनहार्ट 1989, यिन 1989, गॅबल 1994). सर्वेक्षण पद्धतीप्रमाणेच, एक सर्वेक्षण संशोधक एक निरीक्षक किंवा संशोधक म्हणून काम करतो आणि अभ्यासाधीन संस्थेमध्ये सक्रिय सहभागी म्हणून नाही.

बेनबासट एट अल (1987) असे प्रतिपादन करतात की संशोधन सिद्धांत तयार करण्यासाठी चौकशी पद्धत विशेषतः योग्य आहे, जी संशोधन प्रश्नापासून सुरू होते आणि शिक्षणासह चालू राहते.

संकलन प्रक्रियेदरम्यान एक सिद्धांत dati. स्टेजसाठी देखील योग्य असणे

थिअरी बिल्डिंग, फ्रान्झ आणि रॉबे (1987) सुचविते की जटिल सिद्धांत टप्प्यासाठी चौकशी पद्धत देखील वापरली जाऊ शकते. या प्रकरणात, गोळा केलेल्या पुराव्याच्या आधारे, दिलेला सिद्धांत किंवा गृहितक सत्यापित किंवा खंडन केले जाते. याव्यतिरिक्त, सर्वेक्षण 'कसे' किंवा 'का' प्रश्न (यिन 1989) हाताळण्यासाठी संशोधनासाठी देखील योग्य आहे.

इतर पद्धतींच्या तुलनेत, सर्वेक्षणे संशोधकाला आवश्यक माहिती अधिक तपशीलवार कॅप्चर करण्यास अनुमती देतात (गॅलियर्स 1992, शँक्स एट अल. 1993). शिवाय, सर्वेक्षणे संशोधकाला अभ्यास केलेल्या प्रक्रियेचे स्वरूप आणि जटिलता समजून घेण्यास अनुमती देतात (बेनबसॅट एट अल. 1987).

सर्वेक्षण पद्धतीशी संबंधित चार मुख्य तोटे आहेत. प्रथम नियंत्रित कपातीचा अभाव आहे. संशोधकाची व्यक्तिनिष्ठता अभ्यासाचे परिणाम आणि निष्कर्ष बदलू शकते (यिन 1989). दुसरा तोटा म्हणजे नियंत्रित निरीक्षणाचा अभाव. प्रायोगिक पद्धतींच्या विपरीत, चौकशी संशोधक अभ्यास केलेल्या घटनांवर नियंत्रण ठेवू शकत नाही कारण ते त्यांच्या नैसर्गिक संदर्भात तपासले जातात (Gable 1994). तिसरा तोटा म्हणजे प्रतिकृतीचा अभाव. याचे कारण असे की संशोधक समान घटनांचे निरीक्षण करू शकत नाही आणि विशिष्ट अभ्यासाचे परिणाम सत्यापित करू शकत नाही (ली 1989). शेवटी, प्रतिकृती नसल्याचा परिणाम म्हणून, एक किंवा अधिक तपासांमधून मिळालेल्या परिणामांचे सामान्यीकरण करणे कठीण आहे (Galliers 1992, Shanks et al. 1993). या सर्व समस्या, तथापि, दुराग्रही नाहीत आणि खरेतर, संशोधकाद्वारे योग्य कृती (ली 1989) लागू करून कमी केल्या जाऊ शकतात.

३.३. संशोधन पद्धतीचे समर्थन करा दत्तक

या अभ्यासासाठी दोन संभाव्य संशोधन पद्धतींपैकी सर्वेक्षण पद्धत सर्वात योग्य मानली जाते. संबंधितांचा काळजीपूर्वक विचार करून तपास रद्द करण्यात आला

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

३.३.१. संशोधन पद्धतीची अयोग्यता तपास

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

३.३.२. च्या शोध पद्धतीची सोय तपास

जेव्हा हे संशोधन केले गेले तेव्हा ऑस्ट्रेलियन संस्थांनी डेटा वेअरहाऊसिंगचा सराव मोठ्या प्रमाणावर स्वीकारला नव्हता. त्यामुळे, ऑस्ट्रेलियन संस्थांमध्ये त्यांच्या अंमलबजावणीबाबत फारशी माहिती नव्हती. उपलब्ध माहिती ज्या संस्थांनी अंमलात आणली किंवा वापरली होती त्यांच्याकडून आली डेटा वेअरहाऊस. या प्रकरणात, सर्वेक्षण संशोधन पद्धत ही सर्वात योग्य आहे कारण ती इतरत्र उपलब्ध नसलेली किंवा विश्लेषणासाठी आवश्यक असलेल्या स्वरूपात माहिती मिळविण्यास अनुमती देते (Fowler 1988). याव्यतिरिक्त, सर्वेक्षण संशोधन पद्धत संशोधकाला विशिष्ट वेळी पद्धती, परिस्थिती किंवा दृश्यांमध्ये चांगली अंतर्दृष्टी प्राप्त करण्यास अनुमती देते (Galliers 1992, Denscombe 1998). ऑस्ट्रेलियन डेटा वेअरहाउसिंग अनुभवाबद्दल ज्ञान वाढवण्यासाठी विहंगावलोकन आवश्यक होते.

शिवाय, Sonquist and Dunkelberg (1977) असे सांगतात की सर्वेक्षण संशोधनाचे परिणाम इतर पद्धतींपेक्षा अधिक सामान्य आहेत.

३.४. सर्वेक्षण संशोधन डिझाइन

L’indagine circa la pratica di data warehousing è stata eseguita nel 1999. La popolazione obiettivo era formata da organizzazioni australiane interessate agli studi di data warehousing, poiché erano probabilmente già informati circa i dati की ते संग्रहित करतात आणि म्हणूनच, या अभ्यासासाठी उपयुक्त माहिती प्रदान करू शकतात. डेटा वेअरहाऊसिंग इन्स्टिट्यूट (Tdwi-aap) च्या सर्व ऑस्ट्रेलियन सदस्यांच्या प्रारंभिक सर्वेक्षणाद्वारे लक्ष्यित लोकसंख्या ओळखली गेली. हा विभाग या अभ्यासाच्या प्रायोगिक संशोधन टप्प्याच्या रचनेची चर्चा करतो.

३.४.१. कापणी तंत्र dati

सर्वेक्षण संशोधनामध्ये सामान्यतः वापरल्या जाणाऱ्या तीन तंत्रांमधून (म्हणजे मेल प्रश्नावली, टेलिफोन मुलाखत आणि वैयक्तिक मुलाखत) (नॅचमियास 1976, फॉलर 1988, डी व्हॉस 1991) या अभ्यासासाठी मेल प्रश्नावलीचा अवलंब करण्यात आला. नंतरचा अवलंब करण्याचे पहिले कारण म्हणजे ते भौगोलिकदृष्ट्या विखुरलेल्या लोकसंख्येपर्यंत पोहोचू शकते (ब्लॅक 1970, नॅचमियास आणि नाचमियास 1976, ह्वांग आणि लिन 1987, डी व्हॉस 1991, गेबल 1994). दुसरे म्हणजे, मेल प्रश्नावली उच्च शिक्षित सहभागींसाठी योग्य आहे (Fowler 1988). या अभ्यासासाठी मेल प्रश्नावली डेटा वेअरहाउसिंग प्रकल्प प्रायोजक, संचालक आणि/किंवा प्रकल्प व्यवस्थापकांना संबोधित करण्यात आली होती. तिसरे, सुरक्षित मेलिंग सूची उपलब्ध असताना मेल प्रश्नावली योग्य असते (सलंट आणि दिलमन 1994). TDWI, या प्रकरणात, विश्वसनीय डेटा वेअरहाउसिंग असोसिएशनने त्यांच्या ऑस्ट्रेलियन सदस्यांची मेलिंग सूची प्रदान केली आहे. टेलिफोन प्रश्नावली किंवा वैयक्तिक मुलाखतींवर मेल प्रश्नावलीचा आणखी एक फायदा असा आहे की ते उत्तरदात्यांना अधिक अचूकपणे प्रतिसाद देण्यास अनुमती देते, विशेषत: जेव्हा उत्तरदात्यांनी नोट्सचा सल्ला घ्यावा किंवा इतर लोकांशी प्रश्नांवर चर्चा केली पाहिजे (फॉलर 1988).

संभाव्य गैरसोय हा मेलद्वारे प्रश्नावली आयोजित करण्यासाठी लागणारा वेळ असू शकतो. साधारणपणे, मेल सर्वेक्षण या क्रमाने केले जाते: मेल पत्रे, प्रतिसादांची प्रतीक्षा करा आणि पुष्टीकरण पाठवा (फॉलर 1988, बेनब्रिज 1989). अशा प्रकारे, एकूण वेळ वैयक्तिक मुलाखती किंवा टेलिफोन मुलाखतीसाठी आवश्यक असलेल्या वेळेपेक्षा जास्त असू शकतो. तथापि, एकूण वेळ अगोदरच कळू शकते (Fowler 1988, Denscombe 1998). वैयक्तिक मुलाखती घेण्यात किती वेळ घालवला गेला हे आधीच कळू शकत नाही कारण ते एका मुलाखतीत बदलते (फॉलर 1988). पोस्टल प्रश्नावली आणि वैयक्तिक मुलाखतींपेक्षा दूरध्वनी मुलाखती जलद असू शकतात परंतु काही लोकांच्या अनुपलब्धतेमुळे उच्च गैर-प्रतिसाद दर असू शकतो (फॉलर 1988). याव्यतिरिक्त, टेलिफोन मुलाखती सामान्यत: प्रश्नांच्या तुलनेने लहान सूचीपुरत्या मर्यादित असतात (बेनब्रिज 1989).

मेल प्रश्नावलीची आणखी एक कमजोरी म्हणजे उच्च नॉन-रिस्पॉन्स रेट (फॉलर 1988, बेनब्रिज 1989, न्यूमन 1994). तथापि, या अभ्यासाला विश्वासार्ह डेटा वेअरहाउसिंग संस्था (म्हणजे TDWI) (बेनब्रिज 1989, न्यूमन 1994) सोबत जोडून प्रतिकारक उपाय केले गेले आहेत, जे प्रतिसाद न देणाऱ्यांना दोन स्मरणपत्रे पाठवते (फॉलर 1988, न्यूमन 1994) आणि त्यात अतिरिक्त पत्र देखील समाविष्ट आहे. अभ्यासाचा उद्देश स्पष्ट करणे (न्यूमन 1994).

3.4.2. Unità di analisi

Lo scopo di questo studio è ottenere le informazioni circa l’implementazione del data warehousing e l’utilizzo dello stesso all’interno delle organizzazioni australiane. La popolazione obiettivo è costituita da tutte le organizzazioni australiane che hanno implementato, o stanno implementando, i डेटा वेअरहाऊस. त्यानंतर वैयक्तिक संस्था नावावर नोंदवल्या जातात. प्रश्नावली दत्तक घेण्यास इच्छुक असलेल्या संस्थांना मेलद्वारे पाठवण्यात आली होती डेटा वेअरहाऊस. ही पद्धत सुनिश्चित करते की गोळा केलेली माहिती प्रत्येक सहभागी संस्थेच्या सर्वात योग्य संसाधनांमधून येते.

३.४.३. सर्वेक्षण नमुना

सर्वेक्षण सहभागींची “मेलिंग लिस्ट” TDWI कडून प्राप्त केली गेली. या यादीतून, 3000 ऑस्ट्रेलियन संस्थांना नमुन्यासाठी आधार म्हणून निवडण्यात आले. सर्वेक्षणाचा प्रकल्प आणि उद्देश स्पष्ट करणारे एक अतिरिक्त पत्र, प्रतिसाद पत्रक आणि पूर्ण केलेली प्रश्नावली परत करण्यासाठी प्री-पेड लिफाफा नमुन्याला पाठविण्यात आले. 3000 संस्थांपैकी 198 संस्थांनी या अभ्यासात सहभागी होण्याचे मान्य केले. इतक्या कमी संख्येने प्रतिसाद अपेक्षित होते डेटा मोठ्या संख्येने ऑस्ट्रेलियन संस्था ज्यांनी नंतर त्यांच्या संस्थांमध्ये डेटा वेअरहाउसिंग धोरण स्वीकारले होते किंवा स्वीकारले होते. अशा प्रकारे, या अभ्यासासाठी लक्ष्यित लोकसंख्येमध्ये केवळ 198 संस्थांचा समावेश आहे.

३.४.४. प्रश्नावलीची सामग्री

प्रश्नावलीची रचना मोनाश डेटा वेअरहाउसिंग मॉडेलवर आधारित होती (आधी भाग २.३ मध्ये चर्चा केली होती). प्रश्नावलीची सामग्री धडा 2.3 मध्ये सादर केलेल्या साहित्य विश्लेषणावर आधारित होती. सर्वेक्षणातील सहभागींना पाठवलेल्या प्रश्नावलीची एक प्रत परिशिष्ट B मध्ये आढळू शकते. प्रश्नावलीमध्ये सहा विभाग आहेत, जे समाविष्ट केलेल्या मॉडेलच्या टप्प्यांचे अनुसरण करतात. खालील सहा परिच्छेद प्रत्येक विभागातील मजकुराचा थोडक्यात सारांश देतात.

विभाग A: संस्थेबद्दल मूलभूत माहिती
या विभागात सहभागी संस्थांच्या प्रोफाइलशी संबंधित प्रश्न आहेत. याव्यतिरिक्त, काही प्रश्न सहभागींच्या डेटा वेअरहाउसिंग प्रकल्प स्थितीशी संबंधित आहेत. सर्वेक्षण विश्लेषणात संस्थेच्या नावासारखी गोपनीय माहिती उघड झाली नाही.

विभाग ब: सुरुवात
या विभागातील प्रश्न डेटा वेअरहाउसिंग सुरू करण्याच्या कार्याशी संबंधित आहेत. प्रोजेक्ट इनिशिएटर्स, गॅरंटर्स, आवश्यक कौशल्ये आणि ज्ञान, डेटा वेअरहाऊसिंग डेव्हलपमेंटची उद्दिष्टे आणि अंतिम वापरकर्त्याच्या अपेक्षांबाबत प्रश्न विचारण्यात आले.

Sezione C: Progettazione
या विभागात नियोजन उपक्रमांशी संबंधित प्रश्न आहेत डेटा वेअरहाऊस. In particolare, le domande sono state circa la portata di esecuzione, la durata del progetto, il costo del progetto e l’analisi di costi/benefici.

Sezione D: Sviluppo
विकास विभागात विकास उपक्रमांशी संबंधित प्रश्न आहेत डेटा वेअरहाऊस: raccolta di requisiti dell’utilizzatore finale, le fonti di dati, चे तार्किक मॉडेल dati, प्रोटोटाइप, क्षमता नियोजन, तांत्रिक आर्किटेक्चर आणि डेटा वेअरहाउसिंग डेव्हलपमेंट टूल्सची निवड.

Sezione E: Funzionamento
च्या ऑपरेशन आणि विस्तारिततेशी संबंधित ऑपरेशनल प्रश्न डेटा वेअरहाऊस, विकासाच्या पुढील टप्प्यात ते कसे विकसित होते. तेथे डेटा गुणवत्ता, च्या रीफ्रेश धोरणे dati, la granularità dei dati, ची स्केलेबिलिटी डेटा वेअरहाऊस आणि सुरक्षा समस्या डेटा वेअरहाऊस विचारलेल्या प्रश्नांच्या प्रकारांपैकी होते.

Sezione F: Sviluppo
या विभागात वापरण्याशी संबंधित प्रश्न आहेत डेटा वेअरहाऊस अंतिम वापरकर्त्यांद्वारे. च्या उद्देश आणि उपयुक्ततेमध्ये संशोधकाला रस होता डेटा वेअरहाऊस, पुनरावलोकन आणि प्रशिक्षण धोरण स्वीकारले आणि नियंत्रण धोरण डेटा वेअरहाऊस दत्तक.

३.४.५. प्रतिसाद दर

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

प्रतिसाद देणाऱ्या लोकांची संख्या
प्रतिसाद दर = —————————————————————————– X 100 एकूण पाठवलेल्या प्रश्नावलींची संख्या

३.४.६. पायलट चाचणी

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

3.4.7. Metodi di Analisi Di Dati

I dati di indagine raccolti dai questionari a domanda chiusa sono stati analizzati usando un pacchetto di programmi statistico denominato SPSS. Molte delle risposte sono state analizzate usando le statistiche descrittive. Un certo numero di questionari sono ritornati incompleti. Questi sono stati trattati con maggiore attenzione per accertarsi che i dati गहाळ हा डेटा एंट्री त्रुटींचा परिणाम नव्हता, परंतु प्रश्न नोंदणीकर्त्यासाठी योग्य नसल्यामुळे किंवा नोंदणीकर्त्याने एक किंवा अधिक विशिष्ट प्रश्नांची उत्तरे न देण्याचा निर्णय घेतला. विश्लेषणादरम्यान या गहाळ प्रतिसादांकडे दुर्लक्ष केले गेले dati e sono state codificate come ‘- 9’ per accertare la loro esclusione dal processo di analisi.

प्रश्नावली तयार करताना प्रत्येक पर्यायाला एक क्रमांक देऊन बंद केलेले प्रश्न प्रीकोड केलेले होते. त्यानंतर संख्या तयार करण्यासाठी वापरली गेली dati विश्लेषणादरम्यान (Denscombe 1998, Sapsford आणि Jupp 1996). उदाहरणार्थ, विभाग B च्या प्रश्न 1 मध्ये सहा पर्याय सूचीबद्ध आहेत: संचालक मंडळ, वरिष्ठ कार्यकारी, आयटी विभाग, व्यवसाय युनिट, सल्लागार आणि इतर. च्या फाइलमध्ये dati SPSS चे, 'प्रोजेक्ट इनिशिएटर' दर्शविण्यासाठी एक व्हेरिएबल व्युत्पन्न केले गेले, ज्यात सहा मूल्य लेबले आहेत: '1' 'बोर्ड ऑफ डायरेक्टर्स', '2' 'सीनियर एक्झिक्युटिव्ह' आणि असेच. काही बंद केलेल्या प्रश्नांमध्ये लिकर्टिन स्केलचा वापर SPSS मध्ये प्रविष्ट केलेल्या संबंधित संख्यात्मक मूल्यांचा वापर करून सहज ओळखण्यासाठी देखील परवानगी दिली. नॉन-एक्स्क्लुझिव्ह उत्तरांसह प्रश्नांसाठी, जे परस्पर अनन्य नव्हते, प्रत्येक पर्यायाला दोन मूल्य लेबलांसह एकल व्हेरिएबल मानले गेले: 'चिन्हांकित' साठी '1' आणि 'चिन्हांकित नाही' साठी '2'.

खुल्या प्रश्नांना बंद प्रश्नांपेक्षा वेगळ्या पद्धतीने हाताळले गेले. या प्रश्नांची उत्तरे SPSS मध्ये प्रविष्ट केलेली नाहीत. त्याऐवजी, त्यांचे हाताने विश्लेषण केले गेले. या प्रकारच्या प्रश्नाचा वापर केल्याने आम्हाला प्रतिसादकर्त्यांच्या मुक्तपणे व्यक्त केलेल्या कल्पना आणि वैयक्तिक अनुभवांबद्दल माहिती मिळवता येते (बेनब्रिज 1989, डेन्सकॉम्बे 1998). जेथे शक्य असेल तेथे प्रतिसादांचे वर्गीकरण करण्यात आले.

च्या विश्लेषणासाठी dati, सोप्या सांख्यिकीय विश्लेषण पद्धती वापरल्या जातात, जसे की प्रतिसाद वारंवारता, सरासरी, मानक विचलन आणि मध्यक (Argyrous 1996, Denscombe 1998).
मधील संघटनांचे परिमाणवाचक उपाय मिळविण्यासाठी गामा चाचणी चांगली कामगिरी करत होती dati ordinals (Norusis 1983, Argyrous 1996). या चाचण्या योग्य होत्या कारण वापरल्या जाणाऱ्या ऑर्डिनल स्केलमध्ये अनेक श्रेण्या नसल्या आणि त्या टेबलमध्ये दाखवल्या जाऊ शकतात (Norusis 1983).

3.5 सारांश

या प्रकरणात, या अभ्यासासाठी अवलंबलेल्या संशोधन पद्धती आणि डिझाइनची चर्चा करण्यात आली.

एखाद्या विशिष्ट अभ्यासासाठी सर्वात योग्य संशोधन पद्धती निवडणे विचारात घेते
संशोधनाचे स्वरूप आणि प्रकार, तसेच प्रत्येक संभाव्य पद्धतीचे गुण आणि कमकुवतता यासह अनेक नियमांचा विचार (जेनकिन्स 1985, बेनबसॅट एट अल. 1097, गॅलियर्स आणि लँड 1987, यिन 1989, हॅमिल्टन आणि आयव्हस 1992, गॅलियर्स 1992, न्यूमन 1994). ऑस्ट्रेलियामध्ये डेटा वेअरहाऊसिंग दत्तक घेण्याबाबत विद्यमान ज्ञान आणि सिद्धांताचा अभाव लक्षात घेता, या संशोधन अभ्यासासाठी ऑस्ट्रेलियन संस्थांचे अनुभव एक्सप्लोर करण्याच्या क्षमतेसह व्याख्यात्मक संशोधन पद्धतीची आवश्यकता आहे. ऑस्ट्रेलियन संस्थांद्वारे डेटा वेअरहाउसिंग संकल्पना स्वीकारण्यासंबंधी माहिती गोळा करण्यासाठी निवडलेली संशोधन पद्धत निवडण्यात आली. संकलन तंत्र म्हणून पोस्टल प्रश्नावली निवडली गेली dati. संशोधन पद्धती आणि संकलन तंत्राचे औचित्य dati निवडलेल्या गोष्टी या प्रकरणात प्रदान केल्या जातील. शिवाय, विश्लेषणाचे एकक, वापरलेला नमुना, प्रतिसादांची टक्केवारी, प्रश्नावलीची सामग्री, प्रश्नावलीची पूर्व-चाचणी आणि विश्लेषणाची पद्धत यावर चर्चा मांडण्यात आली. dati.

रचना डेटा वेअरहाउस:

एंटिटी रिलेशनशिप आणि डायमेंशनल मॉडेलिंग एकत्र करणे

सार
Immagazzinare i dati बऱ्याच संस्थांसाठी एक प्रमुख वर्तमान समस्या आहे. संगणक संचयनाच्या विकासातील एक महत्त्वाची समस्या dati त्याची रचना आहे.
मधील संकल्पना शोधण्यासाठी डिझाइनने समर्थन केले पाहिजे डेटा वेअरहाऊस वारसा प्रणाली आणि इतर स्त्रोतांकडे dati आणि अंमलबजावणीमध्ये सुलभ समज आणि कार्यक्षमता देखील डेटा वेअरहाऊस.
Molta della letteratura di immagazzinamento dei dati raccomanda l’uso di entity relationship modelling or dimensional modelling per rappresentare il disegno di डेटा वेअरहाऊस.
या पेपरमध्ये आम्ही दाखवतो की रेखांकनासाठी दोन्ही प्रतिनिधित्व एकाच दृष्टिकोनात कसे एकत्र केले जाऊ शकतात डेटा वेअरहाऊस. वापरलेला दृष्टीकोन पद्धतशीर आहे

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

डेटा वेअरहाऊसिंग

Un डेटा वेअरहाऊस हे सहसा "विषय-देणारं, एकात्मिक, वेळ-वेरिएंट, आणि व्यवस्थापनाच्या निर्णयांच्या समर्थनार्थ डेटाचे अस्थिर संकलन" (इनमॉन आणि हॅकथॉर्न, 1994) म्हणून परिभाषित केले जाते. विषयाभिमुख आणि समाकलित सूचित करते की डेटा वेअरहाऊस è progettato per attraversare i confini funzionali dei legaci system per offrire una prospettiva integrata dei dati.
Time-variant interessa lo storico o la natura time-series dei dati आत मधॆ डेटा वेअरहाऊस, जे ट्रेंडचे विश्लेषण करण्यास सक्षम करते. नॉन-अस्थिर सूचित करते की द डेटा वेअरहाऊस non è continuamente aggiornato come un डेटाबेस OLTP चे. त्याऐवजी ते वेळोवेळी अद्यतनित केले जाते, सह dati अंतर्गत आणि बाह्य स्त्रोतांकडून येत आहे. द डेटा वेअरहाऊस हे विशेषत: अखंडता आणि ऑपरेशन कार्यप्रदर्शन अद्यतनित करण्याऐवजी शोधासाठी डिझाइन केलेले आहे.
साठवण्याची कल्पना आय dati non è nuova, è stato uno degli scopi di gestione dei dati साठच्या दशकापासून (द मार्टिन, 1982).
I डेटा वेअरहाऊस ते पायाभूत सुविधा देतात dati per management support systems. Management support systems includono decision support systems (DSS) and executive information systems (EIS). Un DSS è un sistema di informazioni computer-based che è progettato per migliorare il processo e di conseguenza la presa di decisione umana. Un EIS è tipicamente un sistema di consegna di dati जे व्यावसायिक नेत्यांच्या दृश्यात सहज प्रवेश करण्यास सक्षम करते dati.
L’architettura generale di un डेटा वेअरहाऊस evidenzia il ruolo del डेटा वेअरहाऊस व्यवस्थापन समर्थन मध्ये. तसेच पायाभूत सुविधा देतात dati EIS आणि DSS साठी, al डेटा वेअरहाऊस प्रश्नांद्वारे थेट प्रवेश केला जाऊ शकतो. द dati a मध्ये समाविष्ट डेटा वेअरहाऊस व्यवस्थापन माहिती आवश्यकतांच्या विश्लेषणावर आधारित आहेत आणि तीन स्त्रोतांकडून प्राप्त केल्या जातात: अंतर्गत वारसा प्रणाली, विशेष उद्देश डेटा कॅप्चर सिस्टम आणि बाह्य डेटा स्रोत. द dati अंतर्गत वारसा प्रणालींमध्ये ते वारंवार निरर्थक, विसंगत, कमी गुणवत्तेचे आणि भिन्न स्वरूपांमध्ये संग्रहित केले जातात म्हणून ते मध्ये लोड होण्यापूर्वी ते सामंजस्य आणि साफ केले पाहिजेत.

डेटा वेअरहाऊस (इनमोन, 1992; मॅकफॅडन, 1996). द dati स्टोरेज सिस्टममधून येत आहे dati तदर्थ आणि स्त्रोतांकडून dati बाह्य अनेकदा वाढवण्यासाठी (अपडेट, बदलणे) वापरले जातात i dati वारसा प्रणाली पासून.

विकसित होण्याची अनेक आकर्षक कारणे आहेत डेटा वेअरहाऊस, che includono una migliore presa di decisione attraverso l’uso effettivo di più informazioni (Ives 1995), il supporto per un focus sugli affari completi (Graham 1996), e la riduzione in costi di provvedimento di dati EIS आणि DSS साठी (ग्रॅहम 1996, मॅकफॅडन 1996).

अलीकडील अनुभवजन्य अभ्यासात, सरासरी, गुंतवणुकीवर परतावा आढळला डेटा वेअरहाऊस तीन वर्षांनंतर 401% ने (ग्रॅहम, 1996). तथापि, च्या इतर अनुभवजन्य अभ्यास डेटा वेअरहाऊस फायदे मोजण्यात आणि नियुक्त करण्यात अडचण, स्पष्ट हेतू नसणे, उद्देश कमी लेखणे आणि फायदे साठवण्याच्या प्रक्रियेची जटिलता यासह महत्त्वपूर्ण समस्या आढळल्या. dati, विशेषतः स्त्रोत आणि स्वच्छतेबद्दल dati. साठवण i dati può essere considerato come una soluzione al problema di gestione dei dati संघटना दरम्यान. च्या फेरफार dati एक सामाजिक संसाधन म्हणून ती अनेक वर्षांपासून जगभरातील माहिती प्रणाली व्यवस्थापित करण्याच्या प्रमुख समस्यांपैकी एक आहे (Brancheau et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993).

व्यवस्थापित करण्यासाठी एक लोकप्रिय दृष्टीकोन dati ऐंशीच्या दशकात हा एक मॉडेलचा विकास होता dati सामाजिक मॉडेल dati सोशल नवीन ऍप्लिकेशन सिस्टम्सच्या विकासासाठी एक स्थिर आधार देण्यासाठी डिझाइन केले होते आणि डेटाबेस आणि लेगसी सिस्टम्सची पुनर्रचना आणि एकत्रीकरण (ब्रांचो एट अल.

1989, Goodhue et al. 1988:1992, किम आणि एव्हरेस्ट 1994). तथापि, या दृष्टिकोनामध्ये अनेक समस्या आहेत, विशेषतः, प्रत्येक कार्याची जटिलता आणि किंमत, आणि मूर्त परिणाम देण्यासाठी लागणारा दीर्घ कालावधी (बेनॉन-डेव्हिस 1994, अर्ल 1993, गुडह्यू एट अल. 1992, पेरियासामी 1994, शँक्स 1997 ).

Il डेटा वेअरहाऊस è un databse separato che co-esiste coi legacy databases piuttosto che sostituirli. Esso perciò consente di indirizzare la gestione dei dati आणि वारसा प्रणालीची महाग पुनर्रचना टाळा.

डेटा डिझाइनसाठी विद्यमान दृष्टिकोन

सावधान

इमारत आणि परिपूर्ण करण्याची प्रक्रिया अ डेटा वेअरहाऊस हे पारंपारिक प्रणालींच्या विकासाच्या जीवनचक्रापेक्षा एक उत्क्रांती प्रक्रिया म्हणून समजले पाहिजे (देसिओ, 1995, शँक्स, ओ'डोनेल आणि अर्नॉट 1997a). प्रकल्पामध्ये अनेक प्रक्रियांचा समावेश होतो डेटा वेअरहाऊस जसे की आरंभिकरण, नियोजन; कंपनी व्यवस्थापकांकडून विचारलेल्या आवश्यकतांमधून मिळवलेली माहिती; स्रोत, परिवर्तन, साफसफाई dati आणि लेगसी सिस्टम आणि इतर स्त्रोतांकडून सिंक्रोनाइझेशन dati; sistemi di consegna in sviluppo; monitoraggio dei डेटा वेअरहाऊस; आणि उत्क्रांती प्रक्रियेची संवेदनाहीनता आणि ए डेटा वेअरहाऊस (Stinchi, O'Donnell आणि Arnott 1997b). या जर्नलमध्ये, आम्ही कसे काढायचे यावर लक्ष केंद्रित करतो dati या इतर प्रक्रियांच्या संदर्भात संग्रहित. आर्किटेक्चरसाठी अनेक प्रस्तावित दृष्टिकोन आहेत डेटा वेअरहाऊस साहित्यात (Inmon 1994, Ives 1995, Kimball 1994 McFadden 1996). या प्रत्येक पद्धतीचा त्यांच्या सामर्थ्य आणि कमकुवतपणाच्या विश्लेषणासह एक संक्षिप्त पुनरावलोकन आहे.

Inmon's (1994) साठी दृष्टीकोन डेटा वेअरहाउस डिझाईन

इनमॉन (1994) ने डिझाईन करण्यासाठी चार पुनरावृत्ती पायऱ्या प्रस्तावित केल्या डेटा वेअरहाऊस (चित्र 2 पहा). पहिली पायरी म्हणजे टेम्पलेट डिझाइन करणे dati मी कसे समजून घेण्यासाठी सामाजिक dati त्यांना विभाजित करून संस्थेतील कार्यात्मक क्षेत्रांमध्ये एकत्रित केले जाऊ शकते dati भागात साठवा. मॉडेल dati è fatto per immagazzinare dati निर्णय घेण्याशी संबंधित, यासह dati इतिहासकार, आणि समाविष्ट dati dedotti ed aggregati. Il secondo passo è identificare aree soggette per la realizzazione. Questi sono basati su priorità determinate da una particolare organizzazione. Il terzo passo comporta il disegno di un डेटाबेस विषय क्षेत्रासाठी, ग्रॅन्युलॅरिटीच्या योग्य स्तरांसह विशेष लक्ष द्या. Inmon संस्था आणि नातेसंबंध मॉडेल वापरण्याची शिफारस करतो. चौथी पायरी म्हणजे स्त्रोत प्रणाली ओळखणे dati कॅप्चर, क्लीन आणि फॉरमॅट करण्यासाठी परिवर्तन प्रक्रिया आवश्यक आणि विकसित करा i dati.

इनमॉनच्या दृष्टिकोनाची ताकद ही मॉडेल आहे dati सामाजिक एकीकरणासाठी आधार प्रदान करते dati च्या पुनरावृत्ती विकासासाठी संघटना आणि समर्थनांचे नियोजन डेटा वेअरहाऊस. मॉडेल डिझाइन करण्यात अडचण आणि खर्च ही त्याची कमतरता आहे dati सामाजिक, दोन्ही मॉडेल्समध्ये वापरलेले घटक आणि नातेसंबंधांचे मॉडेल समजून घेण्यात अडचण, ते dati सामाजिक आणि ते dati विषय क्षेत्र, आणि च्या योग्यतेनुसार संग्रहित dati च्या रेखाचित्र च्या डेटा वेअरहाऊस च्या प्राप्तीसाठी डेटाबेस रिलेशनल पण साठी नाही डेटाबेस बहुआयामी.

Ives’ (1995) Approach to डेटा वेअरहाउस डिझाईन

Ives (1995) propone un approccio di quattro passi per disegnare un sistema informativo che lui ritiene applicabile al disegno di un डेटा वेअरहाऊस (आकृती 3 पहा). माहिती प्रणालीच्या विकासासाठी माहिती अभियांत्रिकी (मार्टिन 1990) वर आधारित दृष्टीकोन खूप जास्त आहे. पहिली पायरी म्हणजे उद्दिष्टे, गंभीर आणि यशाचे घटक आणि प्रमुख कामगिरी निर्देशक निश्चित करणे. मुख्य व्यवसाय प्रक्रिया आणि आवश्यक माहिती आम्हाला मॉडेलकडे नेण्यासाठी तयार केली आहे dati सामाजिक दुस-या पायरीमध्ये एक परिभाषित आर्किटेक्चर विकसित करणे समाविष्ट आहे dati क्षेत्रांद्वारे संग्रहित, डेटाबेस di डेटा वेअरहाऊस, आवश्यक असलेले तंत्रज्ञान घटक, अंमलबजावणी आणि ऑपरेट करण्यासाठी आवश्यक असलेल्या संस्थात्मक समर्थनाचा संच डेटा वेअरहाऊस. तिसऱ्या पायरीमध्ये आवश्यक सॉफ्टवेअर पॅकेजेस आणि टूल्स निवडणे समाविष्ट आहे. चौथी पायरी म्हणजे तपशीलवार रचना आणि बांधकाम डेटा वेअरहाऊस. Ives लक्षात ठेवा की संचयित dati ही एक प्रतिबंधित पुनरावृत्ती प्रक्रिया आहे.

Ives दृष्टिकोनाची ताकद म्हणजे माहितीची आवश्यकता निश्चित करण्यासाठी विशिष्ट तंत्रांचा वापर, एकीकरणास समर्थन देण्यासाठी संरचित प्रक्रियेचा वापर. डेटा वेअरहाऊस, योग्य हार्डवेअर आणि सॉफ्टवेअर निवड, आणि अनेक प्रतिनिधित्व तंत्रांचा वापर डेटा वेअरहाऊस. त्याचे दोष जटिलतेमध्ये अंतर्निहित आहेत. इतरांमध्ये अनेक स्तर विकसित करण्यात अडचण समाविष्ट आहे डेटाबेस च्या आत डेटा वेअरहाऊस in tempi e costi ragionevoli.

किमबॉलचा (1994) दृष्टिकोन डेटा वेअरहाउस डिझाईन

किमबॉल (1994) ने डिझाईन करण्यासाठी पाच पुनरावृत्ती पायऱ्या प्रस्तावित केल्या डेटा वेअरहाऊस (आकडे 4 पहा). त्याचा दृष्टीकोन विशेषतः सोलोच्या डिझाइनवर समर्पित आहे डेटा वेअरहाऊस आणि अस्तित्व आणि नातेसंबंध मॉडेल्सच्या प्राधान्याने आयामी मॉडेल्सच्या वापरावर. किमबॉल त्या आयामी मॉडेल्सचे विश्लेषण करते कारण व्यावसायिक नेत्यांना व्यवसाय समजून घेणे सोपे आहे, जटिल सल्लामसलत करताना ते अधिक कार्यक्षम आहे आणि डेटाबेस fisico è più efficiente (Kimball 1994). Kimball riconosce che lo sviluppo di un डेटा वेअरहाऊस è iterativo, e che डेटा वेअरहाऊस विभक्त सारण्यांना समान परिमाणांच्या सारण्यांमध्ये विभागून एकत्रित केले जाऊ शकते.

पहिली पायरी म्हणजे परिपूर्ण होण्यासाठी विशिष्ट विषय क्षेत्र ओळखणे. दुसरी आणि तिसरी पायरी मितीय मॉडेलिंगशी संबंधित आहे. दुस-या चरणात उपाय विषय क्षेत्रातील स्वारस्य असलेल्या गोष्टी ओळखतात आणि वस्तुस्थिती सारणीमध्ये गटबद्ध करतात. उदाहरणार्थ, विक्री विषय क्षेत्रामध्ये व्याजाच्या उपायांमध्ये विकल्या गेलेल्या वस्तूंची रक्कम आणि विक्री चलन म्हणून डॉलर यांचा समावेश असू शकतो. तिसऱ्या पायरीमध्ये तथ्ये कोणत्या मार्गाने एकत्रित करता येतील हे ओळखणे समाविष्ट आहे. विक्री विषय क्षेत्रामध्ये, संबंधित परिमाणांमध्ये आयटम, स्थान आणि कालावधी समाविष्ट असू शकतो. तथ्य सारणीमध्ये प्रत्येक आयाम सारणीशी लिंक करण्यासाठी एक बहु-भाग की असते आणि त्यात सामान्यत: मोठ्या प्रमाणात तथ्ये असतात. याउलट, परिमाण सारण्यांमध्ये परिमाण आणि इतर गुणधर्मांबद्दल वर्णनात्मक माहिती असते जी तथ्ये गट करण्यासाठी वापरली जाऊ शकते. संबंधित प्रस्तावित वस्तुस्थिती आणि परिमाण सारणी बनते ज्याला त्याच्या आकारामुळे तारा स्कीमा म्हणतात. चौथ्या पायरीमध्ये ए बांधणे समाविष्ट आहे डेटाबेस तारा नमुना परिपूर्ण करण्यासाठी बहुआयामी. अंतिम टप्पा म्हणजे स्त्रोत प्रणाली ओळखणे dati कॅप्चर, क्लीन आणि फॉरमॅट करण्यासाठी परिवर्तन प्रक्रिया आवश्यक आणि विकसित करा i dati.

किमबॉलच्या दृष्टिकोनातील सामर्थ्यांमध्ये प्रतिनिधित्व करण्यासाठी आयामी मॉडेल्सचा वापर समाविष्ट आहे dati immagazzinati che lo rendono facile da capire e conduce ad un disegno fisico efficiente. Un modello dimensionale che usa prontamente anche entrambi i sistemi di डेटाबेस रिलेशनल परिपूर्ण किंवा प्रणाली असू शकते डेटाबेस multidimensionali. Le sue pecche includono la mancanza di alcune tecniche per facilitare la pianificazione o l’integrazione di molti schemi della stella all’interno di un डेटा वेअरहाऊस e la difficoltà di progettare dall’estrema struttura denormalizzata in un modello dimensionale a dati in legacy system.

McFadden’s (1996) Approach to Data Warehouse Design

मॅकफॅडन (1996) डिझाइन करण्यासाठी पाच-चरण दृष्टिकोन प्रस्तावित करते डेटा वेअरहाऊस (vedi Figura 5).
त्याचा दृष्टीकोन साहित्यातील कल्पनांच्या संश्लेषणावर आधारित आहे आणि एकलच्या रचनेवर केंद्रित आहे डेटा वेअरहाऊस. पहिल्या चरणात आवश्यकतांचे विश्लेषण समाविष्ट आहे. जरी तांत्रिक वैशिष्ट्ये विहित केलेली नसली तरी, मॅकफॅडनच्या नोट्स संस्था ओळखतात dati वैशिष्ट्ये आणि त्यांचे गुणधर्म, आणि आवश्यकता कॅप्चर करण्यासाठी वाचकांना वॉटसन आणि फ्रॉलिक (1993) संदर्भित करते.
दुस-या चरणात, घटक संबंध मॉडेलसाठी डिझाइन केले आहे डेटा वेअरहाऊस आणि नंतर व्यावसायिक नेत्यांनी प्रमाणित केले. तिसऱ्या पायरीमध्ये लेगसी सिस्टीम आणि बाह्य स्त्रोतांकडून मॅपिंग निश्चित करणे समाविष्ट आहे डेटा वेअरहाऊस. चौथ्या टप्प्यात विकास, उपयोजन आणि सिंक्रोनाइझेशनमधील प्रक्रियांचा समावेश आहे dati नेल डेटा वेअरहाऊस. अंतिम टप्प्यात, वापरकर्ता इंटरफेसवर विशेष भर देऊन सिस्टम वितरण विकसित केले जाते. मॅकफॅडन नोंदवतात की रेखाचित्र प्रक्रिया सामान्यतः पुनरावृत्तीची असते.

Le forze dell’approccio di McFadden puntano sulla partecipazione da parte dei dirigenti d’azienda nel determinare i requisiti ed anche l’importanza delle risorse dati, त्यांची स्वच्छता आणि संकलन. त्याच्या त्रुटींमध्ये मोठा प्रकल्प खंडित करण्यासाठी प्रक्रियेचा अभाव समाविष्ट आहे डेटा वेअरहाऊस अनेक एकात्मिक टप्प्यात, आणि

च्या डिझाइनमध्ये वापरलेले अस्तित्व आणि नातेसंबंध मॉडेल समजून घेण्यात अडचण डेटा वेअरहाऊस.

आम्ही केवळ आपल्या जवळच्या लोकांद्वारेच निवडले जात नाही.