डेटा वेअरहाऊस आणि ईआरपी | मध्यवर्ती डेटा संग्रह: इतिहास आणि विकास

संग्रह डेटा मध्यवर्ती: इतिहास आणि उत्क्रांती

90 च्या दशकातील कॉर्पोरेट तंत्रज्ञानाच्या दोन प्रमुख थीम आहेत
राज्ये i डेटा वेअरहाऊस आणि ईआरपी. बराच काळ हे दोघे शक्तिशाली
वर्तमान हे कधीही न करता कॉर्पोरेट आयटीचे भाग आहेत
छेदनबिंदू ते जवळजवळ मॅटर आणि अँटी मॅटर असल्यासारखे होते. परंतु
दोन्ही घटनांची वाढ अपरिहार्यपणे एक झाली
त्यांचे छेदनबिंदू. आज, कंपन्यांची समस्या भेडसावत आहे
ईआरपीचे काय करावे e डेटा वेअरहाऊस. हा लेख स्पष्ट करेल
समस्या काय आहेत आणि कंपन्यांद्वारे त्या कशा सोडवल्या जातात.
सुरूवातीला…
सुरुवातीला तेथे होते डेटा वेअरहाऊस. डेटा गोदाम साठी जन्माला आला
व्यवहार प्रक्रिया ऍप्लिकेशन प्रणालीचा प्रतिकार करा.
सुरुवातीच्या काळात चे memorization dati ते व्हायचे होते
संगणक प्रक्रिया अनुप्रयोगांसाठी फक्त एक काउंटरपॉइंट
व्यवहार पण आजकाल बरेच परिष्कृत दृश्ये आहेत
काय a डेटा वेअरहाऊस. आजच्या जगात द
डेटा वेअरहाऊस ते असू शकते अशा संरचनेत घातले जाते
कॉर्पोरेट माहिती कारखाना म्हणतात.
कॉर्पोरेट माहिती कारखाना
(सीआयएफ)
कॉर्पोरेट माहिती कारखान्यात वास्तुशास्त्रीय घटक आहेत
मानक: कोड परिवर्तन आणि एकत्रीकरणाची पातळी
जे समाकलित करते i dati जेव्हा मी dati ते वातावरणातून हलतात
च्या पर्यावरणासाठी अर्ज डेटा वेअरहाऊस कंपनीच्या; a
डेटा वेअरहाऊस कंपनीचे जेथे dati
तपशीलवार आणि एकत्रित इतिहास. द डेटा वेअरहाऊस कंपनीचे म्हणून काम करते
पाया ज्यावर इतर सर्व भाग बांधले जाऊ शकतात
पर्यावरणाचे डेटा वेअरहाऊस; ऑपरेशनल डेटा स्टोअर (ODS).
ODS ही एक संकरित रचना आहे ज्यामध्ये डेटाचे काही पैलू असतात
गोदाम आणि OLTP वातावरणाचे इतर पैलू; डेटा मार्ट्स, जेथे आय
वेगवेगळ्या विभागांकडे डेटाची स्वतःची आवृत्ती असू शकते
कोठार a डेटा वेअरहाऊस अन्वेषणाचे ज्यामध्ये i
कंपनी "तत्वज्ञानी" त्यांचे प्रश्न सबमिट करू शकतात
वर हानिकारक प्रभावाशिवाय 72 तास डेटा वेअरहाऊस; आणि एक स्मृती
रेषा जवळ, कुठे dati जुने आणि dati मोठ्या प्रमाणात तपशील असू शकतात
स्वस्तात साठवले.
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,
मध्ये समाकलित आणि लोड केले जातात डेटा वेअरहाऊस कंपनीच्या. द
ईआरपी आणि सीआयएफ आणि ओडीएस मधील युनियनचा दुसरा मुद्दा. खरं तर, अनेक
वातावरणात ERP चा वापर क्लासिक ODS म्हणून केला जातो.
जर ईआरपीचा वापर कोर अॅप्लिकेशन म्हणून केला जात असेल तर
समान ERP CIF मध्ये ODS म्हणून देखील वापरता येते. मध्ये
कोणत्याही परिस्थितीत, जर दोन्ही भूमिकांमध्ये ईआरपी वापरायची असेल तर
दोन संस्थांमध्ये स्पष्ट फरक असणे आवश्यक आहे. दुसऱ्या शब्दात,
जेव्हा ईआरपी मूलभूत अनुप्रयोग आणि ओडीएसची भूमिका बजावते, तेव्हा
दोन वास्तुशास्त्रीय घटक वेगळे असले पाहिजेत. एकल तर
ईआरपी लागू करणे दोन्ही भूमिका पूर्ण करण्याचा प्रयत्न करते
त्याच वेळी अपरिहार्यपणे समस्या असतील
या संरचनेची रचना आणि अंमलबजावणी.
ओडीएस आणि मूलभूत अनुप्रयोग वेगळे करा
अशी अनेक कारणे आहेत ज्यामुळे घटकांचे विभाजन होते
आर्किटेक्चरल वेगळे करण्यासाठी कदाचित सर्वात वाक्प्रचार प्रश्न
आर्किटेक्चरचे वेगवेगळे घटक म्हणजे प्रत्येक घटक
आर्किटेक्चरचा स्वतःचा दृष्टिकोन आहे. बेसलाइन अर्ज आवश्यक आहे
ODS पेक्षा वेगळ्या उद्देशासाठी. ओव्हरलॅप करण्याचा प्रयत्न करा
ODS च्या जगावर आधारभूत अनुप्रयोग दृश्य किंवा त्याउलट
काम करण्याचा हा योग्य मार्ग नाही.
परिणामी, CIF मधील ERP ची पहिली समस्या आहे
बेसलाइन अॅप्लिकेशन्स आणि मध्ये फरक आहे का ते तपासा
ओडीएस.
कॉर्पोरेटमधील डेटा मॉडेल्स
माहिती कारखाना
विविध घटकांमधील सुसंवाद साधण्यासाठी
CIF आर्किटेक्चरचे एक मॉडेल असणे आवश्यक आहे dati. मी
चे मॉडेल dati ते विविध घटकांमधील दुवा म्हणून काम करतात
बेसलाइन अॅप्लिकेशन्स आणि ODS सारख्या आर्किटेक्चरचे. द
चे मॉडेल dati असणे "बौद्धिक रोड मॅप" बनणे
CIF च्या विविध आर्किटेक्चरल घटकांमधून योग्य अर्थ.
या कल्पनेला हाताशी धरून पुढे जावे, असा विचार मनात येतो
चे उत्कृष्ट आणि अद्वितीय मॉडेल व्हा dati. अर्थात त्याला करावे लागेल
एक आदर्श व्हा dati प्रत्येक घटकासाठी आणि तेथे देखील
विविध मॉडेल्सना जोडणारा तो एक समंजस मार्ग असावा.
आर्किटेक्चरचा प्रत्येक घटक - ODS, बेसलाइन ऍप्लिकेशन्स,
डेटा वेअरहाऊस कंपनीचे, आणि असेच.. – स्वतःची गरज आहे
चे मॉडेल dati. आणि म्हणून एक अचूक व्याख्या असणे आवश्यक आहे
या मॉडेल्सप्रमाणे dati ते एकमेकांशी संवाद साधतात.
हलवा I डेटा DATE मध्ये ERP च्या
सावधान
ची उत्पत्ती असल्यास dati बेसलाइन अॅप्लिकेशन आणि/किंवा ODS आहे, तेव्हा
ईआरपी समाविष्ट करते i dati नेल डेटा वेअरहाऊस, हे समाविष्ट करणे आवश्यक आहे
"ग्रॅन्युलॅरिटी" च्या सर्वात खालच्या स्तरावर उद्भवते. संक्षेप किंवा
फक्त एकत्रित i dati जसे ते बाहेर येतात
ERP बेसलाइन ऍप्लिकेशन किंवा ERP ODS कडून नाही
करणे योग्य गोष्ट. द dati डेटामध्ये तपशील आवश्यक आहेत
DSS प्रक्रियेचा आधार तयार करण्यासाठी गोदाम. अशा dati
डेटा मार्ट्स आणि एक्सप्लोरेशनद्वारे त्यांचा अनेक प्रकारे आकार बदलला जाईल
अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस.
चे विस्थापन dati बेसलाइन ऍप्लिकेशन वातावरणातून
पर्यावरणासाठी ERP चे डेटा वेअरहाऊस कंपनीचे a मध्ये केले जाते
वाजवी आरामशीर रीतीने. ती शिफ्ट त्यानंतर होते
ERP मध्ये अद्यतन किंवा निर्मितीपासून अंदाजे 24 तास. ची वस्तुस्थिती
ची "आळशी" हालचाल आहे dati नेल डेटा वेअरहाऊस
कंपनी परवानगी देते dati ERP वरून "डिपॉझिट" वर येत आहे.
एकदा मी dati बेसलाइन ऍप्लिकेशनमध्ये साठवले जातात,
नंतर आपण सुरक्षितपणे हलवू शकता dati ERP च्या
कंपनी मध्ये. चळवळीमुळे आणखी एक ध्येय साध्य करणे शक्य आहे
"आळशी" देवता dati ऑपरेशनल प्रक्रिया आणि दरम्यान स्पष्ट वर्णन आहे
डीएसएस. च्या “जलद” हालचालीसह dati विभाजन रेखा
DSS आणि ऑपरेशनल दरम्यान अस्पष्ट राहते.
ची चळवळ dati ERP ODS पासून ते डेटा वेअरहाऊस
कंपनीचे सहसा वेळोवेळी केले जाते
साप्ताहिक किंवा मासिक. या प्रकरणात च्या हालचाली
dati हे जुने "स्वच्छ" करण्याच्या गरजेवर आधारित आहे dati इतिहासकार
अर्थात, ODS मध्ये i dati जे बरेच अलीकडील आहेत
संबंधित dati मध्ये इतिहासकार सापडले डेटा वेअरहाऊस.
चे विस्थापन dati नेल डेटा वेअरहाऊस ते जवळजवळ कधीच केले जात नाही
"घाऊक" (घाऊक व्यापारी पद्धतीने). टेबल कॉपी करा
ERP वातावरणापासून ते डेटा वेअरहाऊस याचा काही अर्थ निघत नाही. एक दृष्टीकोन
च्या निवडलेल्या युनिट्सची हालचाल अधिक वास्तववादी आहे dati.
फक्त dati जे डेटाच्या शेवटच्या अपडेटपासून बदलले आहे
वेअरहाऊस असे आहेत जे डेटामध्ये हलवले पाहिजेत
कोठार कोणते हे जाणून घेण्याचा एक मार्ग dati ते सुधारित केले आहेत
च्या टाइमस्टॅम्प पाहण्यासाठी शेवटच्या अपडेटपासून आहे dati
ERP वातावरणात आढळते. डिझायनर सर्व बदल निवडतो
जे शेवटच्या अपडेटपासून दिसून आले आहे. दुसरा दृष्टिकोन
बदल संपादन तंत्र वापरणे आहे dati. सह
ही तंत्रे नोंदी आणि जर्नल टेपचे विश्लेषण करतात
कोणते ते ठरवा dati ERP वातावरणातून येथे हलविले जाणे आवश्यक आहे
त्या डेटा वेअरहाऊस. ही तंत्रे सर्वोत्तम आहेत
ईआरपी फाइल्समधून किती लॉग आणि जर्नल टेप वाचता येतात
इतर ईआरपी संसाधनांवर अधिक परिणाम न करता.
इतर गुंतागुंत
CIF मधील ERP मधील समस्यांपैकी एक म्हणजे इतरांना काय होते
अनुप्रयोग स्रोत किंवा एआय dati ज्या ODS मध्ये योगदान देणे आवश्यक आहे
डेटा वेअरहाऊस परंतु ते ERP वातावरणाचा भाग नाहीत. दिले
ईआरपीचे बंद स्वरूप, विशेषत: एसएपी, समाकलित करण्याचा प्रयत्न
च्या बाह्य स्त्रोतांकडून कळा dati मी सह dati जे ERP वरून येतात
हलवण्याची वेळ i dati नेल डेटा वेअरहाऊस, हे एक मोठे आव्हान आहे.
आणि नक्की काय संभाव्यता आहेत की i dati अनुप्रयोग किंवा
ERP वातावरणाबाहेरील ODS डेटामध्ये एकत्रित केले जाईल
गोदाम? शक्यता प्रत्यक्षात खूप जास्त आहेत.
शोधणे डेटा ERP कडून ऐतिहासिक
आय सह आणखी एक समस्या dati ERP ची परिणामी एक आहे
असणे आवश्यक आहे पासून dati आत इतिहासकार डेटा वेअरहाऊस.
सहसा डेटा वेअरहाऊस गरजा dati इतिहासकार आणि
ईआरपी तंत्रज्ञान सहसा हे संचयित करत नाही dati
ऐतिहासिक, किमान डेटामध्ये आवश्यक असलेल्या बिंदूपर्यंत नाही
कोठार जेव्हा मोठ्या प्रमाणात dati इतिहासकार सुरू करतात
ERP वातावरणात जोडले जावे, हे वातावरण असणे आवश्यक आहे
साफ केले. उदाहरणार्थ, समजा की ए डेटा वेअरहाऊस हे केलेच पाहिजे
पाच वर्षांनी लोड करा dati ऐतिहासिक तर ईआरपी ठेवते
यापैकी जास्तीत जास्त सहा महिने dati. जोपर्यंत कंपनी समाधानी आहे
चा संच गोळा करा dati जसजसा काळ जातो तसतसे इतिहासकार,
नंतर स्रोत म्हणून ईआरपी वापरण्यात कोणतीही अडचण नाही
डेटा वेअरहाऊस. पण जेव्हा द डेटा वेअरहाऊस जाणे आवश्यक आहे
वेळेत परत आणि देव घ्या dati जे इतिहासकार नव्हते
पूर्वी ERP द्वारे संकलित आणि जतन केलेले, नंतर ERP वातावरण
अकार्यक्षम बनते.
ईआरपी आणि मेटाडेटा
ERP बद्दल आणखी एक विचार करा e डेटा वेअरहाऊस ते आहे का
ERP वातावरणातील विद्यमान मेटाडेटा वर. तसेच मेटाडेटा
ईआरपी वातावरणातून आयटी वातावरणात जा डेटा वेअरहाऊस, मी
मेटाडेटा त्याच प्रकारे हलविला जाणे आवश्यक आहे. शिवाय, आय
मेटाडेटा फॉरमॅट आणि स्ट्रक्चरमध्ये बदलणे आवश्यक आहे
च्या पायाभूत सुविधांसाठी आवश्यक आहे डेटा वेअरहाऊस. एक मोठा आहे
ऑपरेशनल मेटाडेटा आणि डीएसएस मेटाडेटामधील फरक. मेटाडेटा
कार्यरत प्रामुख्याने विकासकासाठी आणि साठी आहेत
प्रोग्रामर DSS मेटाडेटा प्रामुख्याने वापरकर्त्यासाठी आहे
अंतिम ERP अनुप्रयोग किंवा ODS मध्ये विद्यमान मेटाडेटा
त्यांचे रूपांतर करणे आवश्यक आहे आणि हे रूपांतरण नेहमीच सोपे नसते
आणि थेट.
ईआरपी डेटा सोर्सिंग
जर ईआरपीचा प्रदाता म्हणून वापर केला असेल dati प्रति आयएल डेटा वेअरहाऊस ci
i हलवणारा ठोस इंटरफेस असणे आवश्यक आहे dati पर्यावरण पासून
पर्यावरणाला ERP डेटा वेअरहाऊस. इंटरफेस आवश्यक आहे:
▪ वापरण्यास सोपे असावे
▪ मध्ये प्रवेश करण्याची परवानगी द्या dati ERP च्या
▪ चा अर्थ घ्या dati जे हलवले जाणार आहेत
नेल डेटा वेअरहाऊस
▪ मध्ये उद्भवू शकणाऱ्या ERP च्या मर्यादा जाणून घ्या
जेव्हा dati ERP चे:
▪ संदर्भात्मक अखंडता
▪ श्रेणीबद्ध संबंध
▪ निहित तार्किक संबंध
▪ अर्ज अधिवेशन
▪ च्या सर्व संरचना dati ERP द्वारे समर्थित, आणि असेच…
▪ प्रवेश करण्यात सक्षम व्हा dati, प्रदान करून:
▪ थेट हालचाल dati
▪ बदलाचे संपादन dati
▪ वेळेवर प्रवेशासाठी समर्थन 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:
▪ SAS
▪ प्रिम्स सोल्युशन्स
▪ D2k, आणि असेच…
एकाधिक ईआरपी तंत्रज्ञान
ईआरपी पर्यावरणाला एकच तंत्रज्ञान असल्यासारखे वागवणे म्हणजे अ
मोठी चूक. अनेक ईआरपी तंत्रज्ञान आहेत, प्रत्येकाचे स्वतःचे आहे
शक्ती बाजारातील सर्वात प्रसिद्ध विक्रेते आहेत:
▪ SAP
▪ ओरॅकल फायनान्शियल
▪ पीपलसॉफ्ट
▪ जेडी एडवर्ड्स
▪ बान
सॅप
SAP हे सर्वात मोठे आणि संपूर्ण ERP सॉफ्टवेअर आहे. अर्ज
SAP च्या अनेक क्षेत्रांमध्ये अनेक प्रकारच्या अनुप्रयोगांचा समावेश आहे. SAP आहे
असण्याची प्रतिष्ठा:
▪ खूप मोठे
▪ अंमलबजावणी करणे खूप कठीण आणि महाग आहे
▪ अनेक लोक आणि सल्लागार असणे आवश्यक आहे
लागू केले
▪ अंमलबजावणीसाठी विशेष लोकांची आवश्यकता आहे
▪ अंमलबजावणी करण्यासाठी बराच वेळ लागतो
याव्यतिरिक्त, SAP ची स्वतःची साठवण करण्यासाठी प्रतिष्ठा आहे dati molto
काळजीपूर्वक, एखाद्याला ते प्रवेश करणे कठीण बनवते
SAP क्षेत्राबाहेरील व्यक्ती. SAP ची ताकद आहे ती असणे
मोठ्या प्रमाणात कॅप्चर आणि संचयित करण्यास सक्षम dati.
नुकतेच SAP ने विस्तार करण्याचा आपला इरादा जाहीर केला
त्याचे अनुप्रयोग डेटा वेअरहाऊस. अनेक साधक आणि बाधक आहेत
पुरवठादार म्हणून SAP वापरताना 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 झोप
अनेक: SAP ला जगात कोणताही अनुभव नाही डेटा वेअरहाऊस
जर SAP चा पुरवठादार असेल डेटा वेअरहाऊस, "बाहेर काढणे" आवश्यक आहे
i dati SAP पासून ते डेटा वेअरहाऊस. तारीख SAP चा ट्रॅक रेकॉर्ड
बंद प्रणाली, एसएपी मधून प्रवेश करणे सोपे असण्याची शक्यता नाही
ते (???). अनेक वारसा वातावरण आहेत जे SAP ला शक्ती देतात,
जसे की IMS, VSAM, ADABAS, ORACLE, DB2, आणि असेच.
SAP "येथे शोध लावला नाही" दृष्टिकोनावर आग्रह धरतो. SAP ला ते नको आहे
वापरण्यासाठी किंवा तयार करण्यासाठी इतर विक्रेत्यांसह सहयोग करा डेटा वेअरहाऊस.
SAP स्वतःचे सर्व सॉफ्टवेअर तयार करण्याचा आग्रह धरतो.
SAP ही मोठी आणि शक्तिशाली कंपनी असली तरी वस्तुस्थिती आहे
ELT, OLAP, प्रशासनाचे तंत्रज्ञान पुन्हा लिहिण्याचा प्रयत्न
प्रणाली आणि अगदी कोर कोड डीबीएमएस तो फक्त वेडा आहे.
पुरवठादारांशी सहकार्याची वृत्ती न बाळगता
di डेटा वेअरहाऊस दीर्घकाळापासून, SAP ने त्या दृष्टिकोनाचे अनुसरण केले आहे
त्यांना "चांगले माहित आहे". ही वृत्ती यशाची गती कमी करते
SAP च्या क्षेत्रात असू शकते डेटा वेअरहाऊस.
बाह्य विक्रेत्यांना प्रवेश देण्यास SAP चा नकार
त्यांना त्वरित आणि कृपापूर्वक dati. वापरण्याचे अगदी सार
un डेटा वेअरहाऊस सहज प्रवेश आहे dati. सॅपची संपूर्ण कथा आहे
प्रवेश करणे कठीण बनविण्यावर आधारित dati.
च्या मोठ्या खंडांशी व्यवहार करताना SAP चा अनुभवाचा अभाव dati;
च्या क्षेत्रात डेटा वेअरहाऊस च्या खंड आहेत dati तेव्हापासून कधीही पाहिले नाही
SAP आणि या मोठ्या प्रमाणात व्यवस्थापित करण्यासाठी dati आपल्याकडे एक असणे आवश्यक आहे
योग्य तंत्रज्ञान. SAP ला याची माहिती दिलेली नाही
डेटा फील्डमध्ये प्रवेश करण्यासाठी अस्तित्वात असलेला तांत्रिक अडथळा
कोठार
SAP ची कॉर्पोरेट संस्कृती: SAP ने एक व्यवसाय तयार केला आहे
i प्राप्त करण्यामध्ये dati प्रणाली पासून. परंतु हे करण्यासाठी आपल्याकडे असणे आवश्यक आहे
एक वेगळी मानसिकता. परंपरेने, सॉफ्टवेअर कंपन्या होते
वातावरणात डेटा मिळवणे चांगले नाही
इतर मार्गाने जाण्यासाठी डेटा मिळवणे. जर SAP या प्रकारची करू शकते
असे करणारी switch ही पहिली कंपनी असेल.
थोडक्यात, कंपनी निवडावी की नाही हा प्रश्नच आहे
पुरवठादार म्हणून SAP डेटा वेअरहाऊस. खूप गंभीर धोके आहेत
एकीकडे आणि दुसरीकडे फारच कमी बक्षिसे. पण अजून एक आहे
डेटा पुरवठादार म्हणून SAP ची निवड करण्यास परावृत्त करणारे कारण
कोठार कारण प्रत्येक कंपनीची तारीख सारखीच असावी
इतर सर्व कंपन्यांचे गोदाम? द डेटा वेअरहाऊस ते हृदय आहे
स्पर्धात्मक फायदा. जर प्रत्येक कंपनीने असाच अवलंब केला
डेटा वेअरहाऊस अशक्य नसले तरी अवघड असेल,
स्पर्धात्मक फायदा मिळवा. SAP असे वाटते की ए
डेटा वेअरहाऊस कुकी म्हणून पाहिले जाऊ शकते आणि ते आहे a
त्यांच्या "डेटा मिळवा" अनुप्रयोग मानसिकतेचे पुढील चिन्ह
मध्ये"
इतर कोणताही ईआरपी विक्रेता SAP सारखा प्रबळ नाही.
SAP च्या मार्गावर चालणाऱ्या कंपन्या असतील यात शंका नाही
त्यांच्यासाठी डेटा वेअरहाऊस पण बहुधा या तारखा
SAP गोदामे मोठी, महाग आणि मागणी असलेली असतील
त्यांच्या निर्मितीसाठी वेळ.
या वातावरणात बँक टेलर प्रोसेसिंगसारख्या क्रियाकलापांचा समावेश आहे,
एअरलाइन आरक्षण प्रक्रिया, तक्रारी प्रक्रिया
विमा, इ. व्यवहार प्रणाली अधिक कार्यक्षम होती,
ऑपरेशनल आणि प्रक्रिया यांच्यातील पृथक्करणाची गरज अधिक स्पष्ट होती
डीएसएस (निर्णय समर्थन प्रणाली). तथापि, संसाधन प्रणालीसह
मानवी आणि वैयक्तिक, आपण स्वत: ला कधीही मोठ्या प्रमाणात चेहर्याचा शोधू शकत नाही
व्यवहार आणि, अर्थातच, जेव्हा एखादी व्यक्ती नियुक्त केली जाते
किंवा कंपनी सोडल्यास हा व्यवहाराचा रेकॉर्ड आहे.
परंतु इतर प्रणालींच्या तुलनेत, मानव संसाधन प्रणाली आणि
वैयक्तिक लोकांकडे जास्त व्यवहार नसतात. म्हणून, मध्ये
मानवी संसाधने आणि कर्मचारी प्रणाली आहे हे पूर्णपणे स्पष्ट नाही
डेटावेअरहाऊस आवश्यक आहे. अनेक प्रकारे या प्रणाली
DSS प्रणालींचे विलीनीकरण दर्शवते.
परंतु आणखी एक घटक आहे ज्याचा विचार करणे आवश्यक असल्यास
डेटा वेअरहाऊस आणि PeopleSoft सह करा. अनेक वातावरणात, i dati
व्यवसायासाठी मानवी आणि वैयक्तिक संसाधने दुय्यम आहेत
कंपनीचे प्रमुख. बहुतेक कंपन्या पार पाडतात
उत्पादन, विक्री, सेवा प्रदान करणे इ. द
मानव संसाधन आणि कर्मचारी प्रणाली सहसा दुय्यम असतात (किंवा
समर्थन) कंपनीच्या मुख्य व्यवसाय लाइनला. त्यामुळे, ते आहे
विवादास्पद आणि गैरसोयीचे डेटा वेअरहाऊस साठी वेगळे
मानवी आणि वैयक्तिक संसाधनांसाठी समर्थन.
पीपलसॉफ्ट या बाबतीत SAP पेक्षा खूप वेगळे आहे. SAP सह, ते आहे
अनिवार्य आहे की अ डेटा वेअरहाऊस. PeopleSoft सह, असे नाही
मग इतके स्पष्ट. पीपलसॉफ्टसह डेटा वेअरहाऊस पर्यायी आहे.
i साठी सर्वात चांगली गोष्ट म्हणता येईल dati पीपलसॉफ्ट हा डेटा आहे
गोदाम संग्रहित करण्यासाठी वापरले जाऊ शकते dati संबंधित
जुनी मानवी आणि वैयक्तिक संसाधने. साठी दुसरे कारण
कंपनीला कोणता वापरायचा आहे डेटा वेअरहाऊस a
पीपलसॉफ्ट पर्यावरणाचे नुकसान म्हणजे प्रवेशास परवानगी देणे आणि
विश्लेषण साधनांमध्ये विनामूल्य प्रवेश, ai dati PeopleSoft द्वारे. परंतु
या कारणांव्यतिरिक्त, अशी काही प्रकरणे असू शकतात जिथे ते न करणे श्रेयस्कर आहे
साठी डेटा कोठार आहे dati पीपलसॉफ्ट.
सारांश
डेटा तयार करण्याबाबत अनेक कल्पना आहेत
ईआरपी सॉफ्टवेअरमध्ये गोदाम.
यापैकी काही आहेत:
▪ हे असणे अर्थपूर्ण आहे डेटा वेअरहाऊस जे कोणत्याही सारखे आहे
उद्योगात आणखी काही?
▪ ERP किती लवचिक आहे डेटा वेअरहाऊस सॉफ्टवेअर
▪ एक ERP डेटा वेअरहाऊस सॉफ्टवेअरची मात्रा हाताळू शकते
dati जे a मध्ये स्थित आहेडेटा वेअरहाऊस रिंगण"?
▪ ईआरपी विक्रेता जे ट्रेस लॉगिंग करतो ते काय आहे
सोप्या आणि स्वस्त, वेळेच्या दृष्टीने, ai dati? (काय
ईआरपी विक्रेते स्वस्त डिलिव्हरी वर ट्रॅक रेकॉर्ड आहे
वेळ, डेटामध्ये प्रवेश करणे सोपे आहे?)
▪ तुम्हाला DSS आर्किटेक्चरची काय समज आहे आणि
ईआरपी विक्रेत्याकडून "कॉर्पोरेट माहिती कारखाना"?
▪ ERP विक्रेते कसे साध्य करायचे हे समजतात dati च्या आत
पर्यावरणाचे, पण ते कसे निर्यात करायचे ते देखील समजून घ्या?
▪ ईआरपी विक्रेता आजपर्यंत किती खुला आहे
गोदाम?
हे सर्व विचार निर्धारित करताना केले पाहिजेत
कुठे ठेवायचे डेटा वेअरहाऊस जे होस्ट करेल i dati ईआरपी आणि इतर
dati. सर्वसाधारणपणे, कोणतेही सक्तीचे कारण नसल्यास
अन्यथा करा, बांधण्याची शिफारस केली जाते डेटा वेअरहाऊस बाहेर
ईआरपी विक्रेत्याच्या वातावरणातून.
प्रकरण १
BI संस्थेचे विहंगावलोकन
महत्त्वाचे मुद्दे:
माहिती भांडार उलट कार्य करतात
व्यवसाय बुद्धिमत्ता (BI) आर्किटेक्चरसाठी:
कॉर्पोरेट संस्कृती आणि आयटी यश मर्यादित करू शकतात
BI संस्था तयार करणे.
BI संस्थांसाठी तंत्रज्ञान आता मर्यादित घटक राहिलेले नाही. द
वास्तुविशारद आणि प्रकल्प नियोजकांसाठी समस्या आहे की नाही
तंत्रज्ञान अस्तित्वात आहे, परंतु जर ते प्रभावीपणे अंमलात आणू शकतील
उपलब्ध तंत्रज्ञान.
अनेक कंपन्यांसाठी ए डेटा वेअरहाऊस हे गोदामापेक्षा थोडे अधिक आहे
निष्क्रिय जे वितरण करते i dati ज्या वापरकर्त्यांना त्याची गरज आहे. द dati
ते स्त्रोत प्रणालींमधून काढले जातात आणि लक्ष्य संरचनांमध्ये समाविष्ट केले जातात
di डेटा वेअरहाऊस. मी dati ते देखील सर्व साफ केले जाऊ शकतात
दैव तथापि कोणतेही अतिरिक्त मूल्य जोडलेले नाही
द्वारे गोळा केले dati या प्रक्रियेदरम्यान.
मूलत:, निष्क्रिय Dw, सर्वोत्तम, वितरित करते
फक्त मी dati वापरकर्ता संघटनांसाठी स्वच्छ आणि कार्यरत. तेथे
माहिती निर्मिती आणि विश्लेषणात्मक समज अवलंबून असते
पूर्णपणे वापरकर्त्यांद्वारे. DW (डेटा गोदाम) आहे
यश व्यक्तिनिष्ठ आहे. जर आपण यशाचा न्याय केला तर
कार्यक्षमतेने गोळा करणे, एकत्रित करणे आणि स्वच्छ करण्याची क्षमता i dati
अंदाजानुसार कॉर्पोरेट, नंतर होय, DW यशस्वी आहे.
दुसरीकडे, जर आपण संग्रह, एकत्रीकरण आणि लो
संपूर्ण संस्थेच्या माहितीचे शोषण
DW अयशस्वी आहे. A DW थोडे किंवा कोणतेही मूल्य प्रदान करते
माहिती परिणामी, वापरकर्त्यांना हे करण्यास भाग पाडले जाते,
अशा प्रकारे माहिती silos तयार. हा अध्याय सादर करतो
BI(व्यवसाय.) च्या आर्किटेक्चरचा सारांश देण्यासाठी संपूर्ण दृष्टी
कंपनीची बुद्धिमत्ता). चला BI e च्या वर्णनाने सुरुवात करूया
मग आपण डिझाइनबद्दल चर्चा करू
माहिती विकसित करणे, फक्त प्रदान करण्याच्या विरूद्ध i dati
वापरकर्त्यांना. त्यानंतरच्या गणनेवर चर्चा केंद्रित केली जाते
तुमच्या BI प्रयत्नांचे मूल्य. आम्ही IBM कसे परिभाषित करून निष्कर्ष काढतो
तुमच्या संस्थेच्या BI आर्किटेक्चरल आवश्यकता पूर्ण करते.
च्या आर्किटेक्चरचे वर्णन
BI संस्था
आता शक्तिशाली व्यवहाराभिमुख माहिती प्रणाली आहेत
प्रत्येक मोठ्या उपक्रमात सामान्य आहे, जसे की ते स्तर
जगभरातील कॉर्पोरेशनसाठी प्रभावीपणे खेळाचे मैदान.
तथापि, स्पर्धात्मक राहण्यासाठी आता विश्लेषणात्मक प्रणालीची आवश्यकता आहे
ज्या दिशेने ed पुन्हा शोधून कंपनीच्या क्षमतेत क्रांती घडवू शकते
त्यांच्याकडे आधीपासून असलेली माहिती वापरणे. या प्रणाली
च्या समृद्धतेच्या आकलनातून विश्लेषणे प्राप्त होतात dati
उपलब्ध. BI सर्व माहितीवर कार्यप्रदर्शन सुधारू शकते
कंपनीच्या. कंपन्या ग्राहक ते ग्राहक संबंध सुधारू शकतात
पुरवठादार, उत्पादने आणि सेवांचा नफा सुधारतात, व्युत्पन्न करतात
नवीन आणि चांगल्या ऑफर, तुमची जोखीम नियंत्रित करा आणि इतर अनेक
कमाई नाटकीयरित्या खर्च कमी करते. BI तुमचा
कंपनी शेवटी ग्राहक माहिती वापरण्यास सुरुवात करते
ची उद्दिष्टे असलेल्या अनुप्रयोगांना स्पर्धात्मक चांगले धन्यवाद म्हणून
बाजार
योग्य व्यवसाय असणे म्हणजे निश्चित उत्तरे असणे
मुख्य प्रश्न जसे की:
▪ आमचे कोणते ग्राहकांना ते आम्हाला अधिक कमावतात, किंवा आम्ही
ते नुकसान करतात का?
▪ जिथे आमचे सर्वोत्तम राहतात ग्राहकांना संबंधात दुकान/
गोदाम ते वारंवार?
▪ आमची कोणती उत्पादने आणि सेवा अधिक विकली जाऊ शकतात
प्रभावीपणे आणि कोणाला?
▪ कोणती उत्पादने सर्वात प्रभावीपणे आणि कोणाला विकली जाऊ शकतात?
▪ कोणती विक्री मोहीम सर्वात यशस्वी आहे आणि का?
▪ कोणत्या उत्पादनांसाठी कोणते विक्री चॅनेल सर्वात प्रभावी आहेत?
▪ आपण आपल्या सर्वोत्तम लोकांशी संबंध कसे सुधारू शकतो ग्राहकांना?
बहुतेक कंपन्यांकडे आहे dati उत्तर देण्यासाठी उग्र
हे प्रश्न.
ऑपरेशनल सिस्टीम मोठ्या प्रमाणात उत्पादन तयार करतात
ग्राहक आणि dati विक्रीचे ठिकाण, आरक्षणे,
ग्राहक सेवा आणि तांत्रिक समर्थन प्रणालींद्वारे. आव्हान आहे
ही माहिती काढा आणि त्याचा फायदा घ्या.
बऱ्याच कंपन्या फक्त त्यांच्या छोट्या अंशातून नफा मिळवतात dati
धोरणात्मक विश्लेषणासाठी.
I dati उर्वरित, अनेकदा i सह सामील झाले dati जसे की बाह्य स्त्रोतांपासून उद्भवणारे
"सरकारी अहवाल", आणि इतर खरेदी केलेली माहिती, एक आहे
सोन्याची खाण फक्त शोधण्याची वाट पाहत आहे, ई dati हे केलेच पाहिजे
फक्त तुमच्या माहितीच्या संदर्भात परिष्कृत करा
संस्था
हे ज्ञान वेगवेगळ्या प्रकारे, भिन्नतेने लागू केले जाऊ शकते
एकूण कॉर्पोरेट धोरण तयार करण्यापासून ते
पुरवठादारांशी वैयक्तिक संवाद, कॉल सेंटरद्वारे,
बीजक, इंटरनेट आणि इतर मुद्दे. आजचे व्यावसायिक वातावरण ठरवते
की DW आणि संबंधित BI सोल्यूशन्स पलीकडे विकसित होतात
पारंपारिक संरचनांची अंमलबजावणी dati जे i dati साठी सामान्यीकृत
अणु-स्तर आणि “स्टार/क्यूब फार्म्स”.
स्पर्धात्मक राहण्यासाठी काय आवश्यक आहे ते एक संलयन आहे
समर्थन करण्याच्या प्रयत्नात पारंपारिक आणि प्रगत तंत्रज्ञान a
विशाल विश्लेषणात्मक लँडस्केप.
निष्कर्ष काढण्यासाठी, सामान्य वातावरणाने ज्ञान वाढवले ​​पाहिजे
संपूर्णपणे कंपनीची, कृती केल्याची खात्री करून
आयोजित विश्लेषणाचा परिणाम म्हणून उपयुक्त आहेत जेणेकरून प्रत्येकजण करू शकेल
फायदा.
उदाहरणार्थ, समजा तुम्ही तुमचे वर्गीकरण करा ग्राहकांना श्रेणींमध्ये
उच्च किंवा कमी धोका.
जर ही माहिती एक्सट्रॅक्टिंग मॉडेलमधून व्युत्पन्न केली असेल किंवा
इतर माध्यम, Dw मध्ये ठेवले पाहिजे आणि ते प्रवेशयोग्य केले पाहिजे
कोणीही, कोणत्याही प्रवेश साधनाद्वारे, जसे की i
मध्ये स्थिर अहवाल, स्प्रेडशीट, सारण्या किंवा विश्लेषणात्मक प्रक्रिया
ओळ (OLAP).
तथापि, सध्या या प्रकारची बरीच माहिती आहे
सायलोमध्ये रहा dati त्यांनी व्युत्पन्न केलेल्या व्यक्ती किंवा विभागांचे
विश्लेषण संपूर्णपणे, संस्थेची दृश्यमानता कमी किंवा नाही
आकलनासाठी. फक्त या प्रकारच्या सामग्रीचे मिश्रण करणे
तुमच्या कंपनी DW मधील माहिती तुम्ही सिलो काढून टाकू शकता
माहिती आणि आपले DW वातावरण उन्नत करा.
संस्थेच्या विकासात दोन मोठे अडथळे आहेत
BI च्या.
प्रथम, आम्हाला संस्थेची समस्या आहे
संबंधित विषयातील.
जरी आम्ही धोरण बदलांसाठी मदत करू शकत नसलो तरीही
संस्थेचे घटक समजून घेण्यात मदत करू शकतो
BI संस्था, तिची रचना आणि कसे
IBM तंत्रज्ञान त्याचा विकास सुलभ करते.
दूर करण्यात येणारा दुसरा अडथळा म्हणजे तंत्रज्ञानाचा अभाव
एकात्मिक आणि संपूर्ण जागा आठवणाऱ्या पद्धतीचे ज्ञान
फक्त एका लहान घटकाच्या विरूद्ध BI चे.
आयबीएम तंत्रज्ञानातील बदलांना सामोरे जात आहे
च्या एकात्मिक. डिझाइन प्रदान करणे ही तुमची जबाबदारी आहे
स्वत: ला जागरूक. या वास्तूसह विकसित करणे आवश्यक आहे
एकात्मतेसाठी निवडलेले तंत्रज्ञान निर्बंधांशिवाय, किंवा किमान सह
तंत्रज्ञान जे खुल्या मानकांचे पालन करते. शिवाय, तुमचे
कंपनी व्यवस्थापनाने द्वि एंटरप्राइझ असल्याची खात्री करणे आवश्यक आहे
कार्यक्रमानुसार चालते आणि परवानगी देऊ नये
सेल्फ सर्व्हिंगच्या परिणामी माहिती सायलोचा विकास
अजेंडा किंवा उद्दिष्टे.
याचा अर्थ असा नाही की BI वातावरण संवेदनशील नाही
वेगवेगळ्या वापरकर्त्यांच्या विविध गरजा आणि आवश्यकतांवर प्रतिक्रिया; त्याऐवजी, याचा अर्थ
त्या वैयक्तिक गरजा आणि आवश्यकतांची अंमलबजावणी आहे
संपूर्ण BI संस्थेच्या फायद्यासाठी केले.
BI संस्थेच्या आर्किटेक्चरचे वर्णन करू शकता
आकृती 9 मध्ये पृष्ठ 1.1 वर पहा. वास्तुकला प्रदर्शित करते
तंत्रज्ञान आणि तंत्रांचे समृद्ध मिश्रण.
पारंपारिक दृष्टिकोनातून, आर्किटेक्चरमध्ये खालील घटक समाविष्ट आहेत
गोदामाचे
अणु स्तर.
हा पाया आहे, संपूर्ण Dw चे हृदय आणि म्हणून
धोरणात्मक अहवाल.
I dati येथे संग्रहित ऐतिहासिक अखंडता, संबंध टिकवून ठेवेल
dati आणि व्युत्पन्न मेट्रिक्स, तसेच स्वच्छ असणे समाविष्ट करा,
एक्स्ट्रॅक्टिंग मॉडेल्सचा वापर करून एकत्रित आणि संग्रहित.
या सर्व पुढील वापर dati आणि संबंधित माहिती आहे
या रचना पासून साधित केलेली. साठी हा एक उत्कृष्ट स्त्रोत आहे
च्या उतारा 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 साठी विशेषतः डिझाइन केलेले
तांत्रिक अहवाल.
I dati संग्रहित आणि या संरचना शेवटी अहवाल करू शकता
संस्था झोन (स्टेजिंग
क्षेत्र), जेथे ते धोरणात्मक सिग्नलिंगसाठी वापरले जाऊ शकते.
स्टेजिंग क्षेत्र.
बहुतेकांसाठी पहिला थांबा dati पर्यावरणासाठी हेतू
गोदाम हे संस्थेचे क्षेत्र आहे.
येथे आय dati ते समाकलित, स्वच्छ आणि रूपांतरित केले जातात dati उपयुक्त आहे
वेअरहाऊसची रचना तयार करेल
डेटा मार्ट्स.
आर्किटेक्चरचा हा भाग संरचनेचे प्रतिनिधित्व करतो dati वापरले
विशेषतः OLAP साठी. डेटामार्टची उपस्थिती, जर i dati झोप
ओव्हरलॅपिंग स्टार स्कीमामध्ये संग्रहित dati
रिलेशनल वातावरणात किंवा फाइलिंग कॅबिनेटमध्ये बहुआयामी
di 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
जे म्हणून ओळखले जातात:
अवकाशीय विश्लेषण
स्पेस हे विश्लेषकांसाठी माहितीचा एक मोठा प्रवाह आहे आणि
रिझोल्यूशन पूर्ण करण्यासाठी महत्वाचे आहे. जागा करू शकता
एखाद्या विशिष्ट ठिकाणी राहणाऱ्या लोकांबद्दल माहिती दर्शवते
स्थान, तसेच ते स्थान कोठे आहे याबद्दल माहिती
शारीरिकदृष्ट्या उर्वरित जगाच्या तुलनेत.
हे विश्लेषण पार पाडण्यासाठी, आपण आपले स्वतःचे बांधून प्रारंभ करणे आवश्यक आहे
अक्षांश आणि रेखांश समन्वयांवर माहिती. म्हणजे काय
"जिओकोडिंग" म्हणून संदर्भित आणि निष्कर्षणाचा भाग असणे आवश्यक आहे,
परिवर्तन, आणि लोडिंग प्रक्रिया (ETL) स्तरावर
तुमच्या कोठाराचा अणू.
डेटा खाण.
च्या उतारा dati आमच्या कंपन्यांना वाढू देते
संख्या ग्राहकांना, विक्री ट्रेंडचा अंदाज लावण्यासाठी आणि सक्षम करण्यासाठी
i सह संबंध व्यवस्थापित करणे ग्राहकांना (सी आर एम), च्या इतर उपक्रमांमध्ये
BI.
च्या उतारा dati म्हणून ते च्या संरचनेसह एकत्रित केले पाहिजे
dati Dwhouse चे आणि गोदाम प्रक्रियेद्वारे समर्थित
तंत्रज्ञानाचा प्रभावी आणि कार्यक्षम वापर सुनिश्चित करणे आणि
संबंधित तंत्रे.
BI आर्किटेक्चरमध्ये सांगितल्याप्रमाणे, ची अणु पातळी
Dwhouse, तसेच datamarts, एक उत्कृष्ट स्रोत आहे dati
काढण्यासाठी. त्या समान रचना देखील असणे आवश्यक आहे
ची उपलब्धता सुनिश्चित करण्यासाठी निष्कर्षण परिणाम प्राप्तकर्ते
सर्वात मोठे प्रेक्षक (विस्तृत प्रेक्षक).
एजंट्स.
प्रत्येक बिंदूसाठी ग्राहकाची तपासणी करण्यासाठी विविध "एजंट" आहेत जसे की, i
कंपनी ऑपरेटिंग सिस्टम आणि समान dw. हे एजंट करू शकतात
प्रगत न्यूरल नेटवर्कबद्दल जाणून घेण्यासाठी प्रशिक्षित व्हा
प्रत्येक बिंदूचे ट्रेंड, जसे की उत्पादनाची भविष्यातील मागणी आधारित
विक्री जाहिरातींवर, प्रतिक्रिया देण्यासाठी नियम-आधारित इंजिन
un डेटा परिस्थिती संच, किंवा अगदी साधे एजंट कोण
ते "उच्च अधिकाऱ्यांना" अपवाद नोंदवतात. या प्रक्रिया होय
सामान्यतः रिअल टाइममध्ये सादर करा आणि म्हणूनच, आवश्यक आहे
त्यांच्या हालचालींशी जवळून जोडले जा dati.
च्या या सर्व संरचना dati, तंत्रज्ञान आणि तंत्र हमी
ची संघटना निर्माण करण्यात तुम्ही रात्र घालवणार नाही
तुमचा BI.
हा क्रियाकलाप वाढीव, लहान चरणांमध्ये विकसित केला जाईल
गुण.
प्रत्येक पायरी हा एक स्वतंत्र प्रकल्प प्रयत्न असतो आणि त्याचा अहवाल दिला जातो
तुमच्या DW किंवा BI उपक्रमात पुनरावृत्ती म्हणून. पुनरावृत्ती
साठी नवीन तंत्रज्ञानाची अंमलबजावणी समाविष्ट असू शकते
नवीन संरचना जोडून नवीन तंत्रांसह प्रारंभ करा dati ,
लोड करत आहे i dati पूरक , किंवा विश्लेषणाच्या विस्तारासह
आपले वातावरण. या परिच्छेदावर अधिक चर्चा केली आहे
अध्याय 3 मध्ये खोलवर.
डीडब्ल्यू आणि बीआय टूल्सच्या पारंपारिक संरचनांव्यतिरिक्त इतरही आहेत
तुमच्या BI संस्थेची कार्ये ज्यासाठी तुम्हाला आवश्यक आहे
डिझाइन, जसे की:
ग्राहक स्पर्श बिंदू (ग्राहक स्पर्श
गुण).
सर्व आधुनिक संस्थेप्रमाणेच अनेक आहेत
ग्राहक टचपॉइंट्स जे अनुभव कसा घ्यावा हे सूचित करतात
तुमच्यासाठी सकारात्मक ग्राहकांना. पारंपारिक वाहिन्या आहेत जसे की i
व्यापारी, स्विचबोर्ड ऑपरेटर, डायरेक्ट मेल, मल्टीमीडिया आणि प्रिंटिंग
जाहिरात, तसेच सर्वात वर्तमान चॅनेल जसे की ईमेल आणि वेब, i dati
काही टच पॉइंट असलेली उत्पादने घेणे आवश्यक आहे,
वाहतूक, साफ, प्रक्रिया आणि नंतर सुविधांमध्ये प्रसिध्द dati डेला
BI.
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
झोप dati पारंपारिक जे एकत्र आणले पाहिजे आणि विलीन केले पाहिजे dati che
आवश्यकतेची पूर्तता करण्यासाठी संपर्क बिंदूंमधून प्रवाह
माहिती
विश्लेषक. (विश्लेषक)
BI पर्यावरणाचा प्राथमिक लाभार्थी विश्लेषक आहे. तो एक आहे जो
च्या वर्तमान उतारा पासून फायदे dati कार्यरत, सह एकत्रित
च्या विविध स्त्रोत dati , विश्लेषणासारख्या वैशिष्ट्यांसह संवर्धित
भौगोलिक (जिओकोडिंग) आणि BI तंत्रज्ञानामध्ये सादर केले जाते
तुम्हाला अर्क, OLAP, प्रगत SQL अहवाल आणि विश्लेषण करण्याची परवानगी देते
भौगोलिक च्या पर्यावरणासाठी विश्लेषकासाठी प्राथमिक इंटरफेस
अहवाल देणे हे BI पोर्टल आहे.
तथापि, विश्लेषक केवळ एकच नाही ज्याच्या आर्किटेक्चरचा फायदा होतो
BI.
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. एक तत्व
च्या सतत संरचनांना परवानगी देणे हे विकासाचे वैशिष्ट्य आहे dati
वापरलेले BI तंत्रज्ञान वापरून आणि कृतींद्वारे अद्यतनित करणे
वापरकर्ता उपक्रम. चे मूल्यमापन हे एक उदाहरण आहे
ग्राहक (ग्राहक स्कोअरिंग).
विक्री विभाग खाण मॉडेल चालते तर
नवीन सेवा वापरण्यासाठी ग्राहकाच्या स्कोअरची, नंतर
विक्री विभाग हा केवळ लाभार्थी गट नसावा
सेवेचे.
त्याऐवजी, अर्क मॉडेल एक भाग म्हणून चालते पाहिजे
कंपनी आणि ग्राहकांच्या स्कोअरमधील नैसर्गिक डेटा प्रवाह
च्या माहिती संदर्भाचा एक एकीकृत भाग बनला पाहिजे
गोदाम, सर्व वापरकर्त्यांसाठी दृश्यमान. द्वि-द्वि-केंद्रित IBM सुट
DB2 UDB, DB2 OLAP सर्व्हरचा समावेश आहे
आकृतीमध्ये परिभाषित केलेल्या महत्त्वाच्या तंत्रज्ञान घटकांचा भाग
1.1.
आम्ही आर्किटेक्चर वापरतो जसे ते पुस्तकातून या आकृतीमध्ये दिसते
आम्हाला सातत्य पातळी द्या आणि प्रत्येक उत्पादन कसे दाखवा
IBM कडून BI च्या सामान्य पॅटर्नमध्ये बसते.
माहिती सामग्री प्रदान करणे (प्रदान करणे
माहिती सामग्री)
आपल्या BI वातावरणाची रचना, विकास आणि अंमलबजावणी करणे हे आहे
एक कठीण ऑपरेशन. डिझाईन दोन्ही आलिंगन करणे आवश्यक आहे
वर्तमान आणि भविष्यातील व्यवसाय आवश्यकता. आर्किटेक्चरची रचना
आढळलेले सर्व निष्कर्ष समाविष्ट करण्यासाठी पूर्ण असणे आवश्यक आहे
डिझाइन टप्प्यात. अंमलबजावणी कायम राहिली पाहिजे
एकाच उद्देशासाठी वचनबद्ध: BI आर्किटेक्चर विकसित करणे
रेखांकनात औपचारिकपणे सादर केल्याप्रमाणे आणि च्या आवश्यकतांवर आधारित
व्यवसाय.
शिस्त याची खात्री करेल असा युक्तिवाद करणे विशेषतः कठीण आहे
सापेक्ष यश.
हे सोपे आहे कारण तुम्ही संपूर्ण BI वातावरण विकसित करत नाही
अचानक, परंतु कालांतराने लहान चरणांमध्ये केले जाते.
तथापि, आपल्या आर्किटेक्चरचे BI घटक ओळखणे आहे
दोन कारणांसाठी महत्त्वाचे: तुम्ही पुढील सर्व निर्णयांचे मार्गदर्शन कराल
आर्किटेक्चरल तंत्र.
तुम्ही तंत्रज्ञानाच्या विशिष्ट वापराची जाणीवपूर्वक योजना करू शकाल
जरी तुम्हाला आवश्यक असलेली पुनरावृत्ती मिळणार नाही
अनेक महिने तंत्रज्ञान.
तुमच्या व्यवसायाच्या गरजा पुरेशा प्रमाणात समजून घेतल्याने प्रकारावर परिणाम होईल
तुम्ही तुमच्या आर्किटेक्चरसाठी घेणाऱ्या उत्पादनांची.
आपल्या आर्किटेक्चरची रचना आणि विकास सुनिश्चित करते
तुमचे कोठार आहे
यादृच्छिक घटना नाही, तर एक "सुविचार"
काळजीपूर्वक तयार केलेली जाहिरात संगीत नाटक च्या मोज़ेक सारखी कला
मिश्र तंत्रज्ञान.
माहिती सामग्री डिझाइन करा
सर्व प्रारंभिक नियोजन लक्ष केंद्रित करणे आणि ओळखणे आवश्यक आहे
मुख्य BI घटक जे पर्यावरणाला आवश्यक असतील
आता आणि भविष्यात सामान्य.
व्यवसायाच्या गरजा जाणून घेणे महत्त्वाचे आहे.
सर्व पारंपरिक नियोजन सुरू होण्यापूर्वीच द
प्रकल्प नियोजक अनेकदा एक किंवा दोन ओळखू शकतात
घटक लगेच.
घटकांचे संतुलन ज्यासाठी आवश्यक असू शकते
आपली वास्तुकला मात्र सहजासहजी सापडत नाही.
डिझाइन टप्प्यात, आर्किटेक्चरचा मुख्य भाग
ऍप्लिकेशन डेव्हलपमेंट (जेएडी) सत्राला शोधाशी जोडते
व्यवसाय आवश्यकता ओळखण्यासाठी.
कधीकधी या आवश्यकता साधनांवर सोपवल्या जाऊ शकतात
प्रश्न आणि अहवाल.
उदाहरणार्थ, वापरकर्ते सांगतात की त्यांना स्वयंचलित करायचे असल्यास
सध्या समाकलित करून स्वहस्ते अहवाल तयार करावा लागतो
दोन वर्तमान गुणोत्तर आणि वरून काढलेली गणना जोडणे
चे संयोजन dati.
जरी ही आवश्यकता सोपी असली तरी ती निश्चितपणे परिभाषित करते
वैशिष्ट्याची कार्यक्षमता जी तुम्ही केव्हा समाविष्ट करणे आवश्यक आहे
तुमच्या संस्थेसाठी अहवाल साधने खरेदी करा.
डिझाइनरने यासाठी अतिरिक्त आवश्यकता देखील पूर्ण केल्या पाहिजेत
संपूर्ण चित्र मिळवा. वापरकर्ते सदस्यता घेऊ इच्छितात
हा अहवाल?
अहवालाचे उपसंच व्युत्पन्न केले जातात आणि विविधांना ईमेलद्वारे पाठवले जातात
वापरकर्ते? त्यांना कंपनी पोर्टलवर हा अहवाल पाहायचा आहे का?
या सर्व आवश्यकता साध्या गरजेचा भाग आहेत
वापरकर्त्यांनी विनंती केल्यानुसार मॅन्युअल अहवाल बदला. फायदा
या प्रकारच्या आवश्यकतांपैकी प्रत्येकाला, वापरकर्ते आणि डिझायनर्सना असतात
अहवालाच्या संकल्पनेची समज.
तथापि, इतर प्रकारचे व्यवसाय आहेत ज्यासाठी आम्हाला योजना आखणे आवश्यक आहे.
जेव्हा व्यवसाय आवश्यकता या स्वरूपात नमूद केल्या जातात
व्यवसाय धोरणात्मक प्रश्न, तज्ञ डिझायनरसाठी ते सोपे आहे
मोजमाप/तथ्य आणि मितीय आवश्यकता ओळखा.
आकृती 1.2 a चे मोजमाप आणि मितीय घटक स्पष्ट करते
व्यवसाय समस्या.
JAD वापरकर्त्यांना त्यांच्या आवश्यकता कशा घोषित करायच्या हे माहित नसल्यास
व्यावसायिक समस्येच्या रूपात, डिझाइनर अनेकदा प्रदान करेल
संकलन सत्र वगळण्यासाठी काही उदाहरणे
आवश्यकता.
तज्ञ डिझायनर वापरकर्त्यांना फक्त समजून घेण्यास मदत करू शकतात
धोरणात्मक व्यापार, पण ते कसे तयार करावे.
आवश्यकता गोळा करण्याच्या पद्धतीची चर्चा धडा 3 मध्ये केली आहे; च्या साठी
आता आम्ही फक्त प्रत्येकासाठी डिझाइन करण्याची गरज दर्शवू इच्छितो
BI आवश्यकतांचे प्रकार
एक धोरणात्मक व्यवसाय समस्या आहे, फक्त एक आवश्यकता नाही
व्यवसाय, पण एक डिझाइन संकेत देखील. उत्तर द्यावं लागलं तर
बहुआयामी प्रश्नासाठी, नंतर तुम्हाला लक्षात ठेवावे लागेल,
उपस्थित i dati मितीय, आणि आपण संचयित करणे आवश्यक असल्यास
dati बहुआयामी, तुम्हाला कोणत्या प्रकारचे तंत्रज्ञान किंवा ते ठरवावे लागेल
तंत्र तुम्ही वापरणार आहात.
तुम्ही आरक्षित क्यूब स्टार स्कीमा किंवा दोन्ही लागू करता?
जसे आपण पाहू शकता, अगदी एक साधी व्यवसाय समस्या
डिझाइनवर लक्षणीय परिणाम करू शकतात. तथापि
या प्रकारच्या व्यवसाय आवश्यकता सामान्य आणि समजण्यासारख्या आहेत, किमान
प्रकल्प अनुभवासह डिझाइनर आणि नियोजकांद्वारे.
चे तंत्रज्ञान आणि समर्थन याबद्दल पुरेशी चर्चा झाली आहे
OLAP, आणि उपायांची विस्तृत श्रेणी उपलब्ध आहे. आतापर्यंत
आम्ही i सह साधे रिपोर्टिंग एकत्र आणण्याची गरज नमूद केली
व्यवसायाच्या आयामी आवश्यकता आणि या आवश्यकता कशा
तांत्रिक स्थापत्य निर्णयांवर प्रभाव पाडणे.
पण अशा कोणत्या गरजा आहेत ज्या सहज कळत नाहीत
वापरकर्त्यांद्वारे किंवा DW टीमद्वारे? तुम्हाला कधी विश्लेषणाची गरज पडेल
अवकाशीय (विश्लेषण स्थानिक)?
च्या अर्क मॉडेल dati ते तुमच्यासाठी आवश्यक भाग असतील
भविष्य? कुणास ठाऊक?
हे लक्षात घेणे महत्वाचे आहे की या प्रकारचे तंत्रज्ञान फारसे नाहीत
सामान्य वापरकर्ते आणि कार्यसंघ सदस्यांच्या समुदायांद्वारे ओळखले जाते
Dw, अंशतः, हे घडू शकते कारण ते सामान्यतः
काही अंतर्गत किंवा तृतीय-पक्ष तांत्रिक तज्ञांद्वारे उपचार केले जातात. हे ए
या प्रकारच्या तंत्रज्ञानामुळे निर्माण होणाऱ्या समस्यांचे अत्यंत प्रकरण. स्व
वापरकर्ते व्यवसाय आवश्यकतांचे वर्णन करू शकत नाहीत किंवा त्यांना फ्रेम करू शकत नाहीत
डिझाइनरना मार्गदर्शक तत्त्वे प्रदान करण्यासाठी, हे करू शकतात
लक्ष न दिला गेला किंवा, वाईट, फक्त दुर्लक्ष केले.
जेव्हा डिझायनर आणि विकसक तसे करत नाहीत तेव्हा ते अधिक समस्याप्रधान होते
यापैकी एकाचा अर्ज ओळखू शकतो पण
गंभीर तंत्रज्ञान.
जसे आपण अनेकदा डिझायनर्सना असे म्हणताना ऐकले आहे, “ठीक आहे, कारण
ही दुसरी गोष्ट मिळेपर्यंत आपण ती बाजूला ठेवू नये का?
“त्यांना खरोखरच प्राधान्यक्रमांमध्ये स्वारस्य आहे किंवा ते त्यांना टाळतात
गरजा त्यांना समजत नाहीत? हे बहुधा शेवटचे गृहितक आहे.
समजा तुमच्या विक्री कार्यसंघाने एक आवश्यकता सांगितली आहे
व्यवसायाचे, आकृती 1.3 मध्ये सांगितल्याप्रमाणे, तुम्ही पाहू शकता, द
गरज व्यवसाय समस्येच्या स्वरूपात तयार केली जाते. तेथे
ही समस्या आणि ठराविक मितीय समस्या यातील फरक आहे
अंतर. या प्रकरणात, विक्री संघाला जाणून घ्यायचे आहे,
मासिक आधारावर, उत्पादनांची एकूण विक्री, गोदामे आणि
ग्राहकांना जे गोदामाच्या ५ मैलांच्या आत राहतात
ते खरेदी करतात.
दुर्दैवाने, डिझाइनर किंवा आर्किटेक्ट हे करू शकतात
"आमच्याकडे ग्राहक आहे, असे सांगून अवकाशीय घटकाकडे दुर्लक्ष करा
उत्पादन आणि आय dati ठेवीचे. पर्यंत अंतर ठेवूया
आणखी एक पुनरावृत्ती.
"चुकीचे उत्तर. या प्रकारची व्यावसायिक समस्या चिंताजनक आहे
संपूर्णपणे BI. ची सखोल समज दर्शवते
आमचा व्यवसाय आणि आमच्या विश्लेषकांसाठी एक मजबूत विश्लेषणात्मक जागा.
BI साध्या क्वेरी किंवा मानक अहवालाच्या पलीकडे आहे, किंवा
अगदी OLAP. हे असे म्हणायचे नाही की हे तंत्रज्ञान नाही
ते तुमच्या BI साठी महत्त्वाचे आहेत, परंतु ते स्वतःच प्रतिनिधित्व करत नाहीत
BI वातावरण.
माहिती संदर्भासाठी डिझाइन
(माहिती सामग्रीसाठी डिझाइन करणे)
आता आम्ही विशिष्ट व्यवसाय आवश्यकता ओळखल्या आहेत
रेखांकनामध्ये विविध मूलभूत घटक समाविष्ट करणे आवश्यक आहे
सामान्य आर्किटेक्चरल. BI चे काही घटक भाग आहेत
आमच्या सुरुवातीच्या प्रयत्नांची, तर काहींची अंमलबजावणी केली जाणार नाही
अनेक महिने.
तथापि, सर्व ज्ञात आवश्यकता डिझाइनमध्ये प्रतिबिंबित होतात जेणेकरून
जेव्हा आम्हाला एखाद्या विशिष्ट तंत्रज्ञानाची अंमलबजावणी करायची असते, तेव्हा आम्ही असतो
ते करण्यास तयार व्हा. प्रकल्पाबद्दल काहीतरी विचार प्रतिबिंबित करेल
पारंपारिक.
उदाहरणार्थ, अध्यायाच्या सुरुवातीला आकृती 1.1, डेटा दर्शविते
मार्ट जे ठेवते मी dati मितीय
चा हा संच dati च्या नंतरच्या वापरांना समर्थन देण्यासाठी वापरले जाते
dati मितीय परिमाणे व्यवसाय समस्यांद्वारे चालविले जाते की
आम्ही ओळखले आहे. जशी अतिरिक्त कागदपत्रे आहेत
व्युत्पन्न, जसे की डिझाइन विकास dati, आम्ही
आम्ही कसे i dati ते वातावरणात पसरतात.
आम्ही i चे प्रतिनिधित्व करण्याची गरज पडताळून पाहिली आहे dati तर
मितीय, त्यांना उपविभाजित करणे (विशिष्ट गरजांनुसार
निर्धारित) डेटा मार्ट्सवर.
उत्तर देण्यासाठी पुढील प्रश्नः ते कसे बांधले जातील
हे डेटा मार्ट्स?
तुम्ही क्यूब्सला आधार देण्यासाठी तारे बांधता का, की फक्त क्यूब्स, की फक्त तारे?
(किंवा उजवे चौकोनी तुकडे, किंवा उजवे तारे). डेटा आर्किटेक्चर व्युत्पन्न करा
अवलंबित मार्ट्स ज्यांना 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
किंवा तुम्हाला तुमच्या नॅशनल सेल्स फोर्सच्या क्यूब्सची गरज आहे
साप्ताहिक आधारावर किंवा दोन्ही? एक शक्तिशाली आयटम तयार करा
जसे की DB2 OLAP Server for Finance किंवा Cognos cubes
पॉवरप्ले तुमच्या विक्री संस्थेसाठी की दोन्हीसाठी?
हे मोठे आर्किटेक्चरल डिझाइन निर्णय आहेत जे
इथून पुढे तुमच्या BI वातावरणावर परिणाम होईल. होय,
तुम्ही OLAP ची गरज प्रस्थापित केली आहे. आता तुम्ही ते कसे पार पाडाल
तंत्र आणि तंत्रज्ञानाचा प्रकार?
काही सर्वात प्रगत तंत्रज्ञानाचा तुमच्यावर कसा परिणाम होतो
रेखाचित्रे? तुम्ही गरज ओळखली आहे असे आम्ही गृहीत धरतो
तुमच्या संस्थेतील जागा. आता तुम्हाला आठवावे लागेल
अनियोजित असले तरीही आर्किटेक्चरल ड्रॉइंग समस्या
अनेक महिने जागा घटक अमलात आणणे. वास्तुविशारद पाहिजे
आज काय आवश्यक आहे यावर आधारित डिझाइन करा. च्या गरजेचा अंदाज लावा
व्युत्पन्न, संचयित, कार्यप्रदर्शन आणि प्रदान करणारे अवकाशीय विश्लेषण
मध्ये प्रवेश dati अवकाशीय हे यामधून म्हणून सर्व्ह करावे
तंत्रज्ञान आणि वैशिष्ट्यांच्या प्रकाराबाबत मर्यादा
आपण सध्या विचार करू शकता सॉफ्टवेअर प्लॅटफॉर्म. च्या साठी
उदाहरणार्थ, प्रशासन प्रणाली डेटा बेस संबंध
(RDBMS) जे तुम्ही तुमच्या अणु स्तरासाठी करता ते असणे आवश्यक आहे
एक मजबूत अवकाशीय विस्तार उपलब्ध आहे. हे निश्चित करेल
भूमिती आणि वस्तू वापरताना कमाल कार्यक्षमता
तुमच्या विश्लेषणात्मक अनुप्रयोगांमध्ये जागा. जर तुमचा RDBMS नसेल
मी हाताळू शकतो dati (स्थानिक-केंद्रित) अंतर्गत, म्हणून तुम्हाला ते करावे लागेल
स्थिर करा डेटा बेस (स्थानिक-केंद्रित) बाह्य. यामुळे गुंतागुंत होते
समस्या व्यवस्थापन आणि तुमच्या एकूण कामगिरीशी तडजोड,
तुमच्यासाठी निर्माण केलेल्या अतिरिक्त समस्यांचा उल्लेख करू नका
DBAs, कारण त्यांना कदाचित किमान समज आहे
च्या पाया dati स्थानिक तसेच. दुसरीकडे, जर तुमचे इंजिन
RDMBS सर्व अवकाशीय घटक आणि संबंधित हाताळते
ऑप्टिमायझरला विशेष गरजांची जाणीव आहे (उदाहरणार्थ,
इंडेक्सिंग) अवकाशीय वस्तूंचे, नंतर तुमचे DBA त्यांना हाताळू शकतात
समस्या त्वरित व्यवस्थापित करा आणि आपण त्यांना उन्नत करू शकता
कामगिरी
याव्यतिरिक्त, आपल्याला स्टेजिंग क्षेत्र आणि स्तर समायोजित करण्याची आवश्यकता आहे
ॲड्रेस क्लीनअप समाविष्ट करण्यासाठी अणू वातावरण (a
स्थानिक विश्लेषणासाठी मुख्य घटक), तसेच खालील
जागा वस्तू वाचवणे. च्या आवृत्त्यांचा क्रम
आम्ही साफसफाईची संकल्पना आणली आहे तेव्हा चित्र काढणे सुरू आहे
पत्ता. एक तर, हा अनुप्रयोग प्रकार ठरवेल
तुमच्या ETL प्रयत्नांसाठी आवश्यक सॉफ्टवेअर.
तुम्हाला पत्ता देण्यासाठी तुम्हाला Trillium सारख्या उत्पादनांची आवश्यकता आहे
स्वच्छ, किंवा तुम्ही ते प्रदान करण्यासाठी निवडलेला ETL प्रदाता
कार्यक्षमता?
आत्तासाठी हे महत्वाचे आहे की तुम्ही डिझाइनच्या पातळीचे कौतुक करा
तुम्ही तुमची कामगिरी सुरू करण्यापूर्वी पूर्ण करणे आवश्यक आहे
पर्यावरण (गोदाम). वरील उदाहरणे असावीत
अनेक डिझाइन निर्णयांचे प्रदर्शन करा जे अनुसरण करणे आवश्यक आहे
कोणत्याही विशिष्ट व्यवसाय आवश्यकतांची ओळख. केले तर
योग्यरित्या, हे डिझाइन निर्णय पुढे जातात
आपल्या पर्यावरणाच्या भौतिक संरचनांमधील परस्परावलंबन,
वापरलेल्या तंत्रज्ञानाची निवड आणि प्रसाराचा प्रवाह
माहिती सामग्री. या पारंपरिक वास्तूविना
BI च्या, तुमची संस्था मिश्रणाच्या अधीन असेल
विद्यमान तंत्रज्ञानाचा गोंधळ, सर्वोत्तम, एक प्रकारे एकत्र
स्पष्ट स्थिरता प्रदान करण्यासाठी अचूक नाही.
माहिती सामग्री राखून ठेवा
आपल्या संस्थेला माहितीचे मूल्य आणणे आहे
एक अतिशय कठीण ऑपरेशन. पुरेशा आकलनाशिवाय
आणि अनुभव, किंवा पुरेसे नियोजन आणि रेखाचित्र, अगदी
चांगले संघ अपयशी ठरतील. दुसरीकडे, जर तुमच्याकडे मोठे असेल
अंतर्ज्ञान आणि तपशीलवार नियोजन परंतु त्यासाठी कोणतीही शिस्त नाही
अंमलबजावणी, तुम्ही फक्त तुमचा पैसा आणि वेळ वाया घालवला
कारण तुमचा प्रयत्न अयशस्वी होणार आहे. संदेश पाहिजे
स्पष्ट व्हा: जर तुम्ही यापैकी एक किंवा अधिक गमावत असाल
कौशल्ये, समज/अनुभव किंवा नियोजन/रेखाचित्र किंवा
अंमलबजावणी शिस्त, यामुळे पक्षाघात होईल किंवा
BI संस्थेची इमारत नष्ट करा.
तुमचा संघ पुरेसा तयार आहे का? तुमच्यावर कोणीतरी आहे
BI टीम जी उपलब्ध विशाल विश्लेषणात्मक लँडस्केप समजते
BI वातावरणात, आवश्यक तंत्रे आणि तंत्रज्ञानामध्ये
त्या लँडस्केप अमलात आणण्यासाठी? तुमच्या टीममध्ये कोणीतरी आहे
जे प्रगत मधील अनुप्रयोग फरक ओळखू शकते
स्टॅटिक रिपोर्टिंग आणि OLAP, किंवा ROLAP आणि OLAP मधील फरक? यापैकी एक
आपल्या कार्यसंघाचे सदस्य स्पष्टपणे मार्ग ओळखतात
अर्क आणि त्याचा गोदामावर कसा परिणाम होऊ शकतो किंवा कसा होतो
गोदाम खाणकामाची कामगिरी टिकवून ठेवू शकेल का? सदस्य
संघाचे मूल्य समजते dati जागा किंवा तंत्रज्ञान
एजंट-आधारित? तुमच्याकडे कोणीतरी आहे का जो अनन्य अनुप्रयोगाची प्रशंसा करतो
ईटीएल टूल्स विरुद्ध ब्रोकर तंत्रज्ञान
संदेश? तुमच्याकडे नसेल तर एक मिळवा. BI जास्त आहे
सामान्यीकृत अणु स्तराचा मोठा, OLAP चा, योजनांचा a
तारा आणि एक ODS.
आवश्यकता ओळखण्यासाठी समज आणि अनुभव घ्या
BI आणि त्यांचे निराकरण तुमच्या क्षमतेसाठी आवश्यक आहे
वापरकर्त्याच्या गरजा आणि डिझाइन योग्यरित्या औपचारिक करा
आणि त्यांचे उपाय अंमलात आणा. तुमच्या वापरकर्ता समुदायाकडे असल्यास
आवश्यकतांचे वर्णन करण्यात अडचण, हे संघाचे कार्य आहे
गोदाम त्या समज प्रदान. पण जर संघ
गोदाम
BI चे विशिष्ट अनुप्रयोग ओळखत नाही - उदाहरणार्थ, डेटा
खाणकाम- मग BI वातावरणात ही सर्वोत्तम गोष्ट नाही
अनेकदा स्वतःला निष्क्रिय ठेवीपुरते मर्यादित ठेवतात. तथापि, याकडे दुर्लक्ष करा
तंत्रज्ञानामुळे त्यांचे महत्त्व आणि त्यांचा प्रभाव कमी होत नाही
तुमच्या व्यावसायिक बुद्धिमत्तेच्या शक्यतांच्या उदयावर
संस्था, तसेच तुम्ही डिझाइन केलेली माहिती संरचना
जाहिरात करणे.
नियोजनामध्ये रेखांकनाची कल्पना समाविष्ट करणे आवश्यक आहे, एड
दोघांनाही सक्षम व्यक्तीची आवश्यकता आहे. शिवाय, नियोजन
संघ वेअरहाऊस तत्त्वज्ञान आणि निरीक्षण आवश्यक आहे
मानकांचे. उदाहरणार्थ, जर तुमच्या कंपनीने ए
मानक प्लॅटफॉर्म किंवा तुम्ही विशिष्ट RDBMS ओळखले आहे
संपूर्ण प्लॅटफॉर्मवर प्रमाणित करायचे आहे, ते आमच्यावर कर्तव्य आहे
संघातील प्रत्येकजण त्या मानकांचे पालन करतो. साधारणपणे एक
कार्यसंघ सामान्यीकरणाची आवश्यकता उघड करते (वापरकर्त्याला
समुदाय), परंतु संघ स्वतः सामील होण्यास तयार नाही
कंपनीमधील इतर क्षेत्रांमध्ये किंवा कदाचित अगदी मध्ये देखील मानके स्थापित केली गेली आहेत
तत्सम कंपन्या. हे केवळ दांभिकच नाही तर कंपनी करत नाही याची खात्री देते
विद्यमान संसाधने आणि गुंतवणूकीचे शोषण करण्यास सक्षम आहे. याचा अर्थ असा नाही
प्लॅटफॉर्म किंवा ए.ची हमी देणारी कोणतीही परिस्थिती नाही
अप्रमाणित तंत्रज्ञान; तथापि, कोठार प्रयत्न
पर्यंतच्या एंटरप्राइझच्या मानकांचे त्यांनी ईर्ष्याने संरक्षण केले पाहिजे
की व्यवसाय आवश्यकता अन्यथा हुकूम देत नाहीत.
BI तयार करण्यासाठी आवश्यक तिसरा प्रमुख घटक
संघटना ही शिस्त आहे.
हे संपूर्णपणे, व्यक्ती आणि पर्यावरणावर तितकेच अवलंबून असते.
प्रकल्प नियोजक, प्रायोजक, आर्किटेक्ट आणि वापरकर्त्यांनी कौतुक केले पाहिजे
कंपनीची माहिती संरचना तयार करण्यासाठी आवश्यक शिस्त.
डिझायनरांनी त्यांचे डिझाइन प्रयत्न अशा प्रकारे निर्देशित केले पाहिजेत
समाजातील इतर आवश्यक प्रयत्न पूर्ण करा.
उदाहरणार्थ, तुमची कंपनी तयार करते असे समजा
ईआरपी ऍप्लिकेशन ज्यामध्ये वेअरहाऊस घटक आहे.
त्यामुळे ईआरपी डिझायनर्सना सहकार्य करण्याची जबाबदारी आहे
गोदाम पर्यावरण संघ स्पर्धा करू नये म्हणून किंवा
आधीच सुरू केलेले काम डुप्लिकेट करा.
शिस्त हा देखील एक विषय आहे ज्याची काळजी घेणे आवश्यक आहे
संपूर्ण संस्थेद्वारे आणि सहसा स्थापित आणि सोपविले जाते a
कार्यकारी स्तर.
व्यवस्थापक डिझाइन केलेल्या दृष्टिकोनाचे पालन करण्यास इच्छुक आहेत का? ए
माहिती सामग्री तयार करण्याचे वचन देणारा दृष्टिकोन
शेवट व्यवसायाच्या सर्व क्षेत्रांमध्ये मूल्य आणेल, परंतु कदाचित
हे वैयक्तिक किंवा विभागीय अजेंडांशी तडजोड करते का? म्हण लक्षात ठेवा
"फक्त एका गोष्टीबद्दल विचार करण्यापेक्षा प्रत्येक गोष्टीचा विचार करणे अधिक महत्त्वाचे आहे."
ही म्हण BI संस्थांसाठी खरी आहे.
दुर्दैवाने, अनेक गोदामे त्यांचे प्रयत्न केंद्रित करतात
एखाद्या विशिष्ट विभागाला लक्ष्य करण्याचा आणि मूल्य आणण्याचा प्रयत्न करणे किंवा
विशिष्ट वापरकर्ते, मधील संस्थेच्या संदर्भात थोडेसे
सामान्य समजा व्यवस्थापकाने संघाकडून मदतीची विनंती केली
कोठार संघ 90 दिवस चाललेल्या नोकरीसह प्रतिसाद देतो जे
द्वारे परिभाषित केलेल्या अधिसूचना आवश्यकतांचे वितरण समाविष्ट नाही
व्यवस्थापक पण याची खात्री करतो dati बेस लेयरमध्ये मिसळले जातात
क्यूब तंत्रज्ञानात आणण्यापूर्वी अणू
प्रस्ताव
या अभियांत्रिकी जोडणीची हमी सुनिश्चित करते
वेअरहाऊसचा फायदा होईल dati व्यवस्थापकासाठी आवश्यक.
तथापि, कार्यकारी अधिकारी बाहेरील सल्लागार कंपन्यांशी बोलले की
4 पेक्षा कमी वेळेत वितरणासह समान अर्ज प्रस्तावित केला आहे
आठवडे
अंतर्गत वेअरहाऊस संघ सक्षम आहे असे गृहीत धरून, द
व्यवस्थापकाला पर्याय आहे. च्या शिस्तीचे समर्थन कोण करू शकते
मालमत्ता वाढवण्यासाठी अतिरिक्त अभियांत्रिकी आवश्यक आहे
माहितीपूर्ण व्यवसाय किंवा तुम्ही तुमचे स्वतःचे तयार करणे निवडू शकता
त्वरीत उपाय. शेवटचा खऱ्या अर्थाने निवडलेला दिसतो
खूप वेळा आणि फक्त माहिती कंटेनर तयार करण्यासाठी कार्य करते
ज्याचा फायदा फक्त काही लोकांना किंवा व्यक्तींना होतो.
अल्प आणि दीर्घकालीन उद्दिष्टे
वास्तुविशारद आणि प्रकल्प डिझायनर यांनी औपचारिकपणे अ
एकूण आर्किटेक्चरची दीर्घकालीन दृष्टी आणि त्यासाठी योजना
BI संस्थेत वाढ. चे हे संयोजन
अल्पकालीन लाभ आणि दीर्घकालीन नियोजन
BI प्रयत्नांच्या दोन बाजूंचे प्रतिनिधित्व करा. अल्पकालीन नफा
डेडलाइन ही BI चे पैलू आहे जी च्या पुनरावृत्तीशी संबंधित आहे
तुमचे कोठार.
येथेच नियोजक, आर्किटेक्ट आणि प्रायोजक लक्ष केंद्रित करतात
विशिष्ट व्यवसाय आवश्यकता पूर्ण करा. हे या स्तरावर आहे जेथे द
भौतिक संरचना बांधल्या जातात, तंत्रज्ञान विकत घेतले जाते आणि
तंत्रे अंमलात आणली जातात. ते अजिबात हाताळण्यासाठी केलेले नाहीत
विशिष्ट वापरकर्ता समुदायांद्वारे परिभाषित केलेल्या विशिष्ट आवश्यकता.
विशिष्ट परिभाषित आवश्यकता पूर्ण करण्यासाठी सर्व काही केले जाते
एका विशिष्ट समुदायाकडून.
तथापि, दीर्घकालीन नियोजन हा दुसरा पैलू आहे
BI च्या. येथेच योजना आणि प्रकल्पांनी याची खात्री केली
कोणतीही भौतिक रचना, निवडलेले तंत्रज्ञान आणि
एंटरप्राइझकडे लक्ष देऊन बनवलेल्या तंत्रांची जाणीव झाली. आणि ते
एकसंधता प्रदान करणारे दीर्घकालीन नियोजन
व्यवसायाचे फायदे सर्वांना मिळतील याची खात्री करणे आवश्यक आहे
अल्पकालीन नफा सापडला.
तुमच्या BI प्रयत्नांचे समर्थन करा
Un डेटा वेअरहाऊस स्वतःच त्याचे कोणतेही मूळ मूल्य नाही. इतर मध्ये
शब्द, च्या तंत्रज्ञानामध्ये कोणतेही मूळ मूल्य नाही
गोदाम आणि अंमलबजावणी तंत्र.
कोणत्याही गोदामाच्या प्रयत्नांचे मूल्य कृतींमध्ये आढळते
गोदाम वातावरण आणि सामग्रीचे पालन केले जाते
माहितीपूर्ण कालांतराने लागवड. हे समजून घेण्यासाठी एक गंभीर मुद्दा आहे
च्या कोणत्याही उपक्रमाच्या मूल्याचा अंदाज लावण्याचा प्रयत्न करण्यापूर्वी
जेथे घर.
बऱ्याचदा, आर्किटेक्ट आणि डिझाइनर मूल्य लागू करण्याचा प्रयत्न करतात
वेअरहाऊसचे भौतिक आणि तांत्रिक घटक जेव्हा वस्तुतः मूल्य असते
व्यवसाय प्रक्रियांवर आधारित आहे ज्याचा सकारात्मक परिणाम होतो
गोदाम आणि चांगली माहिती.
येथे BI स्थापन करण्याचे आव्हान आहे: तुम्ही गुंतवणुकीचे समर्थन कसे करता?
व्हेअरहाऊसचे स्वतःचे कोणतेही आंतरिक मूल्य नसल्यास, डिझाइनर
प्रकल्पाने फायदे तपासणे, परिभाषित करणे आणि औपचारिक करणे आवश्यक आहे
ज्या लोकांसाठी गोदाम वापरतील त्या व्यक्तींनी साध्य केले
विशिष्ट व्यवसाय प्रक्रिया किंवा मूल्य सुधारणे
संरक्षित माहिती किंवा दोन्ही.
गुंतागुंतीच्या बाबी, कोणतीही व्यवसाय प्रक्रिया
वेअरहाऊसच्या प्रयत्नांमुळे प्रभावित झालेले फायदे देऊ शकतात
"लहान" किंवा "थोडे". लक्षणीय फायदे प्रदान करतात a
गुंतवणुकीवर परतावा (ROI) मोजण्यासाठी मूर्त मेट्रिक - उदा
उदाहरणार्थ, कालावधी दरम्यान इन्व्हेंटरीला अतिरिक्त वेळ देणे
विशिष्ट किंवा प्रति शिपमेंट कमी शिपिंग खर्चासाठी. ते अधिक आहे
सुधारित प्रवेशासारखे थोडे फायदे परिभाषित करणे कठीण आहे
माहिती, मूर्त मूल्याच्या दृष्टीने.
बद्दल जाणून घेण्यासाठी तुमचा प्रकल्प कनेक्ट करा
व्यवसाय विनंत्या
बर्याचदा, प्रकल्प डिझाइनर मूल्य कनेक्ट करण्याचा प्रयत्न करतात
अनाकार कंपनीच्या उद्दिष्टांसह वेअरहाऊसचे. असे जाहीर करत
“वेअरहाऊसचे मूल्य आमच्या क्षमतेवर आधारित आहे
धोरणात्मक विनंत्या पूर्ण करा” आम्ही उघडतो
भाषण पण हे एकट्याने ठरवणे पुरेसे नाही
इन्व्हेंटरीमध्ये गुंतवणूक करणे अर्थपूर्ण आहे. पुनरावृत्ती कनेक्ट करणे चांगले आहे
विशिष्ट आणि ज्ञात व्यवसाय विनंत्यांसह गोदामांची.
ROI मोजत आहे
वेअरहाऊस सेटिंगमध्ये ROI ची गणना करणे असू शकते
विशेषतः कठीण. फायदा असल्यास विशेषतः कठीण आहे
विशिष्ट पुनरावृत्तीचे मुख्य म्हणजे काहीतरी अमूर्त किंवा
मोजण्यासाठी सोपे. एका अभ्यासात असे आढळून आले की वापरकर्त्यांना ते जाणवते
BI उपक्रमांचे दोन मुख्य फायदे:
▪ निर्णय घेण्याची क्षमता निर्माण करा
▪ माहितीसाठी प्रवेश तयार करा
हे फायदे मऊ (किंवा सौम्य) फायदे आहेत. हे पाहणे सोपे आहे
हार्ड लीडवर (किंवा
मोठे) जसे की वाहतूक खर्च कमी करणे, परंतु कसे
आपण चांगले निर्णय घेण्याची क्षमता मोजतो का?
हे निश्चितपणे प्रकल्प डिझाइनर्ससाठी एक आव्हान आहे तेव्हा
ते कंपनीला एका विशिष्ट गुंतवणूकीसाठी पटवून देण्याचा प्रयत्न करत आहेत
कोठार प्रयत्न. विक्री वाढवणे किंवा खर्च कमी करणे
ते यापुढे मध्यवर्ती थीम नाहीत जे BI वातावरण चालवतात.
त्याऐवजी, आपण प्रवेशासाठी व्यवसाय विनंत्या पहात आहात
माहितीसाठी सर्वोत्तम जेणेकरून विशिष्ट विभाग करू शकेल
जलद निर्णय घ्या. हे धोरणात्मक ड्रायव्हर्स आहेत
जे व्यवसायासाठी तितकेच महत्वाचे आहेत परंतु आहेत
अधिक अस्पष्ट आणि मूर्त मेट्रिकमध्ये व्यक्तिचित्रण करणे अधिक कठीण.
या प्रकरणात, ROI ची गणना करणे अप्रासंगिक नसल्यास, दिशाभूल करणारे असू शकते.
प्रकल्प डिझाइनर मूल्य प्रदर्शित करण्यास सक्षम असणे आवश्यक आहे
गुंतवणूक करायची की नाही हे ठरवण्यासाठी अधिका-यांना मूर्त
विशिष्ट पुनरावृत्ती लागू होते. तथापि, आम्ही नवीन प्रस्तावित करणार नाही
ROI ची गणना करण्याची पद्धत, किंवा आम्ही किंवा साठी कोणताही युक्तिवाद करणार नाही
च्या विरुद्ध.
यासाठी मूलभूत गोष्टींवर चर्चा करणारे अनेक लेख आणि पुस्तके उपलब्ध आहेत
ROI ची गणना करा. मूल्य म्हणून विशेष मूल्य प्रस्ताव आहेत
गुंतवणुकीवर (VOI), गार्टनर सारख्या गटांद्वारे ऑफर केले जाते, जे तुम्ही करू शकता
संशोधन. त्याऐवजी, आम्ही कोणत्याही मुख्य पैलूंवर लक्ष केंद्रित करू
ROI किंवा इतर मूल्य प्रस्ताव ज्यांचा तुम्ही विचार करणे आवश्यक आहे.
ROI लागू करत आहे
"हार्ड" फायदे वि. "सॉफ्ट" फायदे युक्तिवादाच्या पलीकडे
BI च्या प्रयत्नांशी संबंधित इतर मुद्दे विचारात घेण्यासारखे आहेत
जेव्हा आम्ही ROI लागू करतो. उदाहरणार्थ:
येणाऱ्या DW प्रयत्नांना बऱ्याच बचतीचे श्रेय द्या
कोणत्याही परिस्थितीत
समजा तुमची कंपनी आर्किटेक्चरमधून गेली आहे
वितरित UNIX वातावरणात मेनफ्रेम. त्यामुळे कोणत्याही
बचत जी त्या प्रयत्नातून प्राप्त होऊ शकते (किंवा कदाचित नाही).
विशेषत: (?), तर श्रेय दिले जाऊ नये
कोठार
प्रत्येक गोष्टीचा हिशेब न ठेवणे महागात पडते. आणि करण्यासारख्या अनेक गोष्टी आहेत
खात्यात घेणे. खालील यादीचा विचार करा:
▪ स्टार्ट-अप खर्च, व्यवहार्यतेसह.
▪ संबंधित स्टोरेजसह समर्पित हार्डवेअरची किंमत ई
संप्रेषणे
▪ व्यवस्थापनासह सॉफ्टवेअरची किंमत dati आणि विस्तार
क्लायंट/सर्व्हर, ईटीएल सॉफ्टवेअर, डीएसएस तंत्रज्ञान, साधने
व्हिज्युअलायझेशन, प्रोग्रामिंग आणि प्रवाह अनुप्रयोग
कार्य आणि निरीक्षण सॉफ्टवेअर, .
▪ स्ट्रक्चर डिझाइनची किंमत dati, जाणीव सह, आणि
चे ऑप्टिमायझेशन
▪ सॉफ्टवेअर डेव्हलपमेंटचा खर्च थेट प्रयत्नांशी संबंधित आहे
BI
▪ च्या ऑप्टिमायझेशनसह गृह समर्थनाची किंमत
सॉफ्टवेअर आवृत्ती नियंत्रणासह कार्यप्रदर्शन आणि
मदत ऑपरेशन्स
"बिग-बँग" ROI लागू करा.
एकल आणि अवाढव्य प्रयत्न म्हणून गोदामाची निर्मिती
अयशस्वी होण्यास बांधील आहे, म्हणून पुढाकारासाठी ROI देखील मोजा
मोठ्या उपक्रमाची ऑफर आश्चर्यकारक आहे आणि डिझाइनर
संपूर्ण मूल्याचा अंदाज लावण्याचे कमकुवत प्रयत्न करणे सुरू ठेवा
प्रयत्न
कारण डिझाइनर आर्थिक मूल्य देण्याचा प्रयत्न करतात
व्यवसायाच्या पुढाकारावर जर ते व्यापकपणे ज्ञात आणि स्वीकारले गेले असेल तर
विशिष्ट प्रतिनिधींचा अंदाज लावणे कठीण आहे का? हे कसे शक्य आहे? तो नाही
काही अपवादांसह शक्य. ते करू नका.
आता आम्ही गणना करताना काय करू नये हे स्थापित केले आहे
ROI, येथे काही मुद्दे आहेत जे आम्हाला परिभाषित करण्यात मदत करतील
तुमच्या BI प्रयत्नांच्या मूल्याचा अंदाज लावण्यासाठी एक विश्वसनीय प्रक्रिया.
ROI एकमत प्राप्त करणे. तुमची पर्वा न करता
तुमच्या BI प्रयत्नांच्या मूल्याचा अंदाज घेण्यासाठी तंत्राची निवड करणे आवश्यक आहे
प्रोजेक्ट डिझायनर्ससह सर्व पक्षांनी मान्य केले पाहिजे,
प्रायोजक आणि कंपनीचे अधिकारी.
ROI ओळखण्यायोग्य भागांमध्ये कमी करा. दिशेने एक आवश्यक पाऊल
ROI ची वाजवी गणना म्हणजे ती गणना a वर केंद्रित करणे
विशिष्ट प्रकल्प. हे नंतर तुम्हाला मूल्याचा अंदाज लावू देते
पूर्ण केलेल्या विशिष्ट व्यवसाय आवश्यकतांवर आधारित
खर्चाची व्याख्या करा. नमूद केल्याप्रमाणे, असंख्य खर्च असणे आवश्यक आहे
मानले. शिवाय, खर्चामध्ये केवळ संबंधित खर्चांचा समावेश नसावा
एकल पुनरावृत्तीसाठी परंतु संबंधित खर्चासाठी देखील
कंपनीच्या मानकांचे पालन सुनिश्चित करण्यासाठी.
फायदे परिभाषित करा. ROI ला आवश्यकतांशी स्पष्टपणे लिंक करणे
विशिष्ट व्यवसाय, आम्ही ओळखण्यास सक्षम असावे
फायदे ज्यामुळे गरजा पूर्ण होतील.
नजीकच्या नफ्यात खर्च आणि फायदे कमी करा. तो मार्ग आहे
तुमचे मूल्यांकन निव्वळ वर्तमान मूल्यावर आधारित करणे उत्तम
(NPV) मध्ये भविष्यातील मूल्याचा अंदाज लावण्याच्या प्रयत्नांच्या विरूद्ध
भविष्यातील कमाई.
तुमचा ROI कमीत कमी विभाजित करण्याची वेळ ठेवा. आणि'
ते तुमच्यामध्ये वापरल्या गेलेल्या दीर्घ कालावधीत चांगले दस्तऐवजीकरण केलेले आहे
आरओआय
एकापेक्षा जास्त ROI सूत्र वापरा. साठी असंख्य पद्धती आहेत
ROI अंदाज आणि आपण एक वापरायचे की नाही याची योजना करावी
तसेच, निव्वळ वर्तमान मूल्यासह, परताव्याचा अंतर्गत वेग
(IRR) आणि पुनर्प्राप्ती.
पुनरावृत्ती करण्यायोग्य प्रक्रिया परिभाषित करा. गणना करण्यासाठी हे महत्त्वपूर्ण आहे
कोणतेही दीर्घकालीन मूल्य. ते दस्तऐवजीकरण केले पाहिजे अ
सर्व प्रकल्पाच्या पुढील भागांसाठी एकच पुनरावृत्ती करण्यायोग्य प्रक्रिया अ
अनुसरण करा
सूचीबद्ध समस्या तज्ञांनी परिभाषित केलेल्या सर्वात सामान्य समस्या आहेत
वेअरहाऊस वातावरणाचा. च्या व्यवस्थापनाचा आग्रह आहे
"बिग-बँग" ROI वितरित करणे खूप गोंधळात टाकणारे आहे. आपण सर्व सुरू केल्यास
तुमची ROI गणना ओळखण्यायोग्य आणि मूर्त तुकड्यांमध्ये कमी करून, तुमच्याकडे आहे
अचूक ROI मूल्यांकनाचा अंदाज लावण्याची चांगली संधी.
ROI लाभांबाबत प्रश्न
तुमचे फायदे कोणतेही असोत, मऊ किंवा कठोर, तुम्ही ते वापरू शकता
त्यांचे मूल्य निश्चित करण्यासाठी काही मूलभूत प्रश्न. ला
उदाहरणार्थ, 1 ते 10 पर्यंत, एक साधी स्केलिंग प्रणाली वापरून
आपण खालील वापरून कोणत्याही प्रयत्नांच्या प्रभावाचा मागोवा घेऊ शकता
प्रश्नः
▪ तुम्ही समजून घेणे कसे रेट कराल dati याचे अनुसरण करत आहे
तुमच्या कंपनीचा प्रकल्प?
▪ परिणामी प्रक्रियेतील सुधारणांचा तुम्ही अंदाज कसा लावाल
हा प्रकल्प?
▪ तुम्ही आता नवीन अंतर्दृष्टी आणि अनुमानांचा प्रभाव कसा मोजाल
या पुनरावृत्तीद्वारे उपलब्ध करून दिले
▪ नवीन संगणक वातावरणाचा काय परिणाम झाला आहे ई
जे शिकले होते त्याचा परिणाम म्हणून कामगिरी करत आहे?
या प्रश्नांची उत्तरे कमी असतील तर ते शक्य आहे
कंपनी केलेल्या गुंतवणुकीची किंमत नाही. उच्च सह प्रश्न
महत्त्वपूर्ण मूल्य नफ्याकडे स्कोअर पॉइंट आणि पाहिजे
पुढील तपासासाठी मार्गदर्शक म्हणून काम करा.
उदाहरणार्थ, प्रक्रिया सुधारणेसाठी उच्च गुण
याने डिझायनर्सना प्रक्रिया कशा आहेत याचे परीक्षण करायला हवे
सुधारित केले आहे. काही किंवा सर्व नफा तुम्हाला मिळतात
ते मूर्त आहेत आणि त्यामुळे आर्थिक मूल्य सहज मिळू शकते
लागू
च्या पहिल्या पुनरावृत्तीमधून जास्तीत जास्त मिळवणे
गोदाम
तुमच्या व्यवसायाच्या प्रयत्नांचा सर्वात मोठा परिणाम अनेकदा मध्ये असतो
पहिली काही पुनरावृत्ती. परंपरेने हे पहिले प्रयत्न
लोकांसाठी सर्वात उपयुक्त माहिती सामग्री स्थापित करा आणि
त्यानंतरच्या लोकांसाठी तंत्रज्ञान फाउंडेशन मदत स्थापित करते
BI अर्ज.
च्या सामान्यतः प्रत्येक त्यानंतरच्या पुढील dati प्रकल्पाचे
गोदामे कंपनीला कमी आणि कमी अतिरिक्त मूल्य आणतात
सामान्य आपण पुनरावृत्ती करत नसल्यास हे विशेषतः खरे आहे
नवीन विषय जोडते किंवा नवीनच्या गरजा पूर्ण करत नाही
वापरकर्त्यांचा समुदाय.
संचयित करण्याचे हे वैशिष्ट्य बॅटरीवर देखील लागू होते
ची वाढ होत आहे 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 झोप
अनेकदा म्हणतात dati सुप्त आणि त्यांना ठेवणे नेहमीच महाग असते कारण
ते जवळजवळ कधीही वापरले जात नाहीत.
प्रकल्प प्रायोजकांसाठी याचा अर्थ काय आहे? मूलत:, i
सुरुवातीच्या प्रायोजकांना गुंतवणुकीची किंमत किती आहे याचा अधिक वाटा असतो.
हे प्राथमिक आहे कारण ते स्तर स्थापित करण्यासाठी प्रेरणा आहेत
विस्तृत तांत्रिक वातावरण आणि कोठार संसाधने,
सेंद्रिय समावेश.
परंतु ही पहिली पायरी सर्वोच्च मूल्य आणते आणि म्हणून डिझाइनर
प्रकल्पांना अनेकदा गुंतवणुकीचे समर्थन करावे लागते.
तुमच्या BI पुढाकारानंतर केलेल्या प्रकल्पांना कदाचित किंमत असू शकते
निकृष्ट (पहिल्या तुलनेत) आणि थेट, परंतु कमी मूल्य आणा
कंपनीला.
आणि संस्था मालकांनी विचार सुरू करणे आवश्यक आहे
च्या जमा फेकून द्या dati आणि कमी संबंधित तंत्रज्ञान.
डेटा खनन: निष्कर्षण Dati
असंख्य आर्किटेक्चरल घटकांना भिन्नतेची आवश्यकता असते
डेटा मायनिंग तंत्रज्ञान आणि तंत्र-
उदाहरणार्थ, विविध "एजंट" च्या स्वारस्याच्या मुद्यांचे परीक्षण करण्यासाठी
ग्राहकांना, कंपनीची कार्यप्रणाली आणि स्वतः dw साठी. या
एजंट प्रशिक्षित न्यूरल नेटवर्क असू शकतात
पॉट ट्रेंड, जसे की भविष्यातील उत्पादनाची मागणी यावर आधारित
विक्री जाहिराती; साठी नियम-आधारित इंजिन
सेटवर प्रतिक्रिया द्या डेटा परिस्थितीनुसार, उदाहरणार्थ, निदान
वैद्यकीय आणि उपचार शिफारसी; किंवा अगदी साधे एजंट
वरिष्ठ व्यवस्थापकांना अपवाद अहवाल देण्याच्या भूमिकेसह (शीर्ष
अधिकारी). साधारणपणे या निष्कर्षण प्रक्रिया dati si
वास्तविक वेळेत सत्यापित करा; त्यामुळे ते एकत्र आले पाहिजेत
च्या हालचालीसह पूर्णपणे dati स्टेसी
ऑनलाइन विश्लेषणात्मक प्रक्रिया प्रक्रिया
ऑनलाइन विश्लेषण
स्लाइस, फासे, रोल, ड्रिल डाउन करण्याची क्षमता
आणि विश्लेषण करा
काय-जर, संचाच्या कार्यक्षेत्रात आहे, उद्दिष्ट
IBM तंत्रज्ञान. उदाहरणार्थ, विश्लेषणात्मक प्रक्रिया कार्ये
DB2 साठी ऑनलाइन (OLAP) अस्तित्वात आहे जे मध्ये आयामी विश्लेषण आणते
चे इंजिन डेटाबेस त्याच .
फंक्शन्स एसक्यूएलमध्ये डायमेंशनल युटिलिटी जोडतात
ते DB2 चा नैसर्गिक भाग असल्याच्या सर्व फायद्यांचा फायदा घेतात. दुसरा
OLAP एकत्रीकरणाचे उदाहरण म्हणजे एक्सट्रॅक्शन टूल, DB2
OLAP सर्व्हर विश्लेषक. हे तंत्रज्ञान चौकोनी तुकडे करण्यास परवानगी देते
DB2 OLAP सर्व्हर जलद आणि आपोआप असेल
ची मूल्ये ओळखण्यासाठी आणि अहवाल देण्यासाठी विश्लेषण केले dati असामान्य किंवा अनपेक्षित
संपूर्ण क्यूबमध्ये व्यवसाय विश्लेषक. आणि शेवटी, ची कार्ये
डीडब्ल्यू सेंटर वास्तुविशारदांना तपासण्यासाठी साधन प्रदान करते
इतर गोष्टी, एक भाग म्हणून DB2 OLAP सर्व्हर क्यूबचे प्रोफाइल
ईटीएल प्रक्रियेचे नैसर्गिक स्वरूप.
अवकाशीय विश्लेषण अवकाशीय विश्लेषण
स्पेस विश्लेषणात्मक अँकर (लीड्स) च्या अर्ध्या भागाचे प्रतिनिधित्व करते.
पॅनोरामासाठी आवश्यक
विश्लेषणात्मक विस्तृत (वेळ इतर अर्ध्या भागाचे प्रतिनिधित्व करते). आण्विक पातळी
गोदामाचे (अणु-स्तर), आकृती 1.1 मध्ये प्रस्तुत केले आहे,
वेळ आणि जागा दोन्हीसाठी पाया समाविष्ट आहे. रेकॉर्डिंग
वेळ आणि पत्ता माहितीसाठी वेळ अँकर विश्लेषण
अँकर अंतराळातून विश्लेषण करते. टाइमस्टॅम्प
ते वेळेवर विश्लेषण करतात आणि माहितीची दिशा ठरते
जागेनुसार विश्लेषण. आकृती जिओकोडिंग-प्रक्रिया दर्शवते
नकाशावरील बिंदू किंवा अंतराळातील बिंदूंमध्ये पत्ते रूपांतरित करणे
जेणेकरून अंतर आणि आत/बाहेरच्या संकल्पना असू शकतात
विश्लेषणामध्ये वापरले जाते-अणु स्तरावर आणि अवकाशीय विश्लेषण केले जाते
जे विश्लेषकाला उपलब्ध करून दिले आहे. IBM विस्तार प्रदान करते
पर्यावरण प्रणाली संशोधन संस्था (ESRI) सह विकसित केलेली जागा,
al डेटाबेस DB2 जेणेकरून स्पेस ऑब्जेक्ट्स असू शकतात
चा सामान्य भाग म्हणून संग्रहित डेटाबेस संबंधीत. DB2
अवकाशीय विस्तारक, यासाठी सर्व SQL विस्तार देखील प्रदान करतात
अवकाशीय विश्लेषणाचा उपयोग करा. उदाहरणार्थ, पासून SQL विस्तार
बद्दल प्रश्न
पत्त्यांमधील अंतर किंवा बिंदू क्षेत्राच्या आत किंवा बाहेर आहे
परिभाषित बहुभुज, अवकाशीय सह विश्लेषणात्मक मानक आहेत
विस्तारक. अधिक माहितीसाठी धडा 16 पहा.
डेटाबेस-निवासी साधने साधने डेटाबेस-
निवासी
DB2 मध्ये अनेक BI-निवासी SQL वैशिष्ट्ये आहेत जी मदत करतात
विश्लेषण क्रिया मध्ये. यात समाविष्ट:
▪ विश्लेषण करण्यासाठी पुनरावृत्ती कार्ये, जसे की “शोधा
पासून सर्व संभाव्य उड्डाण मार्ग सॅन फ्रान्सिस्को a न्यू यॉर्क".
▪ क्रमवारीसाठी विश्लेषणात्मक कार्ये, संचयी कार्ये, घन
आणि सामान्यपणे होणारी कार्ये सुलभ करण्यासाठी रोलअप
केवळ OLAP तंत्रज्ञानासह, ते आता नैसर्गिक भाग आहेत
चे इंजिन डेटाबेस
▪ परिणाम असलेली तक्ते तयार करण्याची क्षमता
च्या विक्रेते डेटाबेस नेते BI क्षमतेपेक्षा जास्त मिसळतात
नेल डेटाबेस त्याच.
चे मुख्य पुरवठादार डेटा बेस पेक्षा जास्त मिसळत आहेत
मध्ये BI कार्यक्षमता डेटाबेस त्याच.
हे तुमच्यासाठी चांगले कार्यप्रदर्शन आणि अधिक धावण्याचे पर्याय प्रदान करते
BI उपाय.
DB2 V8 ची वैशिष्ट्ये आणि कार्ये चर्चा केली आहेत
पुढील प्रकरणांमध्ये तपशीलवार:
तांत्रिक आर्किटेक्चर आणि डेटा मॅनेजमेंट फाउंडेशन
(अध्याय))
▪ DB2 BI मूलभूत तत्त्वे (धडा 6)
▪ DB2 मटेरिअलाइज्ड क्वेरी टेबल
Tables) (Chapter 7)
▪ DB2 Funzioni OLAP (OLAP Functions) (Chapter 13)
▪ DB2 Caratteristiche e funzioni potenziate di BI (Enhanced BI
Features and Functions) (Chapter 15)
सरलीकृत डेटा वितरण प्रणाली
ची वितरण प्रणाली dati सरलीकृत
L’architettura rappresentata nella figura 1.1 include numerose
तार dati शारीरिक एक गोदाम आहे dati कार्यरत
Generalmente, un ODS è un oggetto orientato (subject oriented),
integrato e corrente. Costruireste un ODS per sostenere, ad
esempio, l’ufficio vendite. Le vendite ODS integrerebbero dati
provenienti da numerosi sistemi diversi ma manterrebbe solo, ad
esempio, le transazioni di oggi. L’ODS può essere aggiornato
anche molte volte al giorno. Contemporaneamente, i processi
spingono i dati integrati in altre applicazioni. Questa struttura è
progettata specificatamente per integrare dati correnti e dinamici e
sarebbe un candidato probabile a sostenere analisi in tempo reale,
come fornire ad agenti di servizio ग्राहकांना le informazioni di vendite
correnti di un cliente estraendo informazioni di tendenza di vendite
dal magazzino stesso. Un’altra struttura mostrata nella figura 1.1 è
uno stato formale per il dw. Non solo questo è il luogo per
l’esecuzione della necessaria integrazione, della qualità di dati, ई
della trasformazione dei dati di magazzino in arrivo, ma è anche
un’area di deposito affidabile e provvisoria per dati replicati che
potrebbero essere utilizzati in analisi in tempo reale. Se decidete di
utilizzare un ODS o una zona di organizzazione (staging area), uno
dei migliori strumenti per popolare queste strutture dati वापरत आहे
diverse sorgenti operative è la query distribuita eterogenea di DB2.
Questa capacità è consegnata dalla caratteristica opzionale di DB2
chiamata DB2 Relational Connect (solo query) e attraverso DB2
DataJoiner (un prodotto separato che consegna la domanda,
l’inserto, l’aggiornamento e la possibilità di cancellazione a
RDBMSs distribuito eterogeneo).
हे तंत्रज्ञान वास्तुविशारदांना परवानगी देते dati बांधणे dati di
produzione con processi analitici. Non solo può la tecnologia
adattarsi virtualmente a una qualunque delle richieste di replica che
potrebbero presentarsi con l’analisi in tempo reale, ma esso
possono anche collegare ad un’ampia varietà delle basi di dati अधिक
popolari, compreso DB2, Oracle, Sybase, assistente di SQL,
Informix ed altri. DB2 DataJoiner può essere utilizzato per popolare
एक रचना dati formale come un ODS o anche una tabella
permanente rappresentata nel magazzino progettata per ripristino
rapido di aggiornamenti istantanei o per vendita. Naturalmente,
queste stesse strutture dati वापरून लोकसंख्या केली जाऊ शकते
च्या प्रतिकृतीसाठी डिझाइन केलेले आणखी एक महत्त्वाचे तंत्रज्ञान dati, आयबीएम
DataPropagator Relational. (DataPropagator è un prodotto separato
per sistemi centrali. DB2 UNIX, Linux, Windows e OS/2 includono
servizi di replica di dati मानक वैशिष्ट्य म्हणून).
हलविण्यासाठी दुसरी पद्धत dati operativi intorno
all’impresa è un integratore di applicazione di impresa altrimenti
noto come message broker(mediatore del messaggio).Questa
tecnologia unica permette controllo impareggiabile per centrare
(targeting) e spostare dati intorno all’impresa. IBM ha il mediatore
del messaggio più ampiamente usato, MQSeries, o una variazione
del prodotto che comprende i requisiti di ई-कॉमर्स, आयबीएम
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
operativi centrati (targeted) reclutati per soluzioni della BI. La
tecnologia MQ è stata integrata e impacchettata in UDB V8, il che
significa che le code dei messaggi possono ora essere gestite
come se esse fossero tabelle DB2. Il concetto di saldatura dei
messaggi in coda e dell’universo di डेटाबेस relazionale si dirige
verso un ambiente potente di consegna di dati.
शून्य-विलंब शून्य विलंब
L’obiettivo strategico finale per IBM è analisi di latenza nulla (zerolatency).
Come definito da
Gartner, un sistema BI deve essere in grado di dedurre, assimilare
e fornire informazioni per analisti su richiesta. La sfida,
naturalmente, sta nel come mescolare dati correnti e in tempo reale
con informazioni storiche necessarie, quali i dati relativi modello/di
tendenza, o la comprensione estratta, come delineamento del
ग्राहक
अशा माहितीमध्ये, उदाहरणार्थ, ची ओळख समाविष्ट आहे ग्राहकांना ad
alto o basso rischio o quali prodotti i ग्राहकांना acquisteranno molto
probabilmente se essi hanno già del formaggio nei loro carrelli di
acquisti.
Ottenere latenza nulla è effettivamente dipendente da due
meccanismi fondamentali:
▪ Unione completa dei dati che vengono analizzati con le
tecniche stabilite e con gli strumenti realizzati dalla BI
▪ Un sistema di consegna di dati efficiente per assicurare che
l’analisi in tempo reale sia realmente disponibile
Questi prerequisiti per latenza nulla non sono differenti dai due
obiettivi stabiliti da IBM e descritti precedentemente.
L’accoppiamento stretto dei dati fa parte del programma di
integrazione senza cuciture disposto dalla IBM. E creare un sistema
di consegna di dati efficiente è completamente dipendente dalla
tecnologia disponibile che semplifica il processo di consegna di
dati. Di conseguenza, due dei tre obiettivi di IBM sono fondamentali
a realizzare il terzo. IBM sta sviluppando coscientemente la sua
tecnologia per assicurare che la latenza nulla sia una realtà per gli
sforzi del magazzino.
सारांश / संश्लेषण
L’organizzazione della BI fornisce una mappa di strada per
realizzare il vostro ambiente
iterativamente. Deve essere regolato per riflettere le necessità dei
vostri affari, sia attuali che futuri. Senza una visione architettonica
larga, le ripetizioni di magazzino sono poco più che delle
implementazioni casuali del magazzino centrale che fanno poco per
creare un’impresa larga, informativa.
Il primo ostacolo per i responsabili di progetto è come giustificare gli
investimenti necessari per lo sviluppo dell’organizzazione della BI.
Benché il calcolo del ROI sia rimasto un sostegno principale per
realizzazioni di magazzino, esso sta diventando più difficile da
predire esattamente. Questo ha condotto ad altri metodi per la
determinazione se state ottenendo il valore del vostro denaro. Il
valore sull’ investmento2 (VOI), ad esempio, viene procacciato
come una soluzione.
È incombente sugli architetti di dati e sui pianificatori di progetto
generare e fornire deliberatamente informazioni alle associazioni di
utenti e non dare semplicemente un servizio sui dati. C’è una
differenza enorme fra i due. L’informazione è qualcosa che fa una
differenza nei processi decisionali e nell’efficacia; relativamente, i
dati ती माहिती मिळवण्यासाठी ते बिल्डिंग ब्लॉक्स बनवत आहेत.
जरी मी स्त्रोताची टीका करत असलो तरी dati per indirizzare richieste
commerciali, l’ambiente BI dovrebbero servire un ruolo più grande
nella creazione di contenuto delle informazioni. Dobbiamo prendere
le misure supplementari per pulire, integrare, trasformare o
diversamente creare un contenuto di informazioni secondo cui gli
utenti possano agire, e quindi dobbiamo assicurarci che quelle
azioni e quelle decisioni, dove ragionevole, abbiano un riscontro
nell’ambiente BI. Se releghiamo il magazzino a servire solo su dati,
è assicurato che le associazioni di utenti creeranno il contenuto
delle informazioni necessarie per agire. Questo assicura che la loro
comunità sarà in grado di prendere decisioni migliori, ma l’impresa
soffre della mancanza di conoscenza che essi hanno utilizzato.
तारीख che gli architetti e i pianificatori di progetto iniziano i progetti
specifici nell’ambiente BI, essi rimangono responsabili all’impresa
nell’insieme. Un esempio semplice di questa caratteristica a due
facce delle iterazioni della BI è trovato nella sorgente dati. सर्व
dati ricevuti per richieste commerciali specifiche devono essere
popolati nel primo strato atomico. Questo garantisce lo sviluppo del
bene di informazioni aziendale, così come gestire, indirizzare le
richieste specifiche di utente definite nella iterazione.

W h a t i s a D a t a W a r e h o u s e ?
डेटा गोदाम è il cuore dell’architettura dei sistemi informative
dal 1990 e supporta i processi informativi offrendo una solida
piattaforma integrata di dati storici presi come base per successive
analisi. I डेटा वेअरहाऊस offrono la facilità di integrazione in un
mondo di sistemi applicativi non compatibili tra loro. Data
warehouse si è evoluto fino a diventare una moda. डेटा गोदाम
संघटित आणि संग्रहित करा i dati necessari per processi informativi e
analitici sulla base di una lunga prospettiva storica temporale. Tutto
ciò comporta un notevole e costante impegno nella costruzione e
nel mantenimento del डेटा वेअरहाऊस.
तर काय आहे ए डेटा वेअरहाऊस? ए डेटा वेअरहाऊस आणि:
▪ orientato ai soggetti
▪ sistema integrato
▪ tempo variante
▪ non volatile ( non si cancella )
चा संग्रह dati usati in supporto a decisioni manageriali nella
realizzazione dei processi.
I dati मध्ये घातले डेटा वेअरहाऊस derivano nella maggior parte dei
casi da ambienti operazionali. Il डेटा वेअरहाऊस è realizzato da una
unità di memorizzazione, fisicamente separata dal resto del
sistema, che contiene dati precedentemente trasformati dalle
applicazioni che operano sulle informazioni derivanti dall’ambiente
कार्यरत
a ची शाब्दिक व्याख्या डेटा वेअरहाऊस merita un’approfondita
spiegazione poichè esistono importanti motivazioni e significati di
fondo che descrivono le caratteristiche di una warehouse.
विषय ओरिएंटेशन ओरिएंटेशन
थीमॅटिक
चे पहिले वैशिष्ट्य डेटा वेअरहाऊस è che è orientato ai
maggior soggetti di un’impresa. La giuda dei processi attraverso i
dati è in contrasto con il più classico metodo che prevede
l’orientamento delle applicazioni verso i processi e le funzioni,
metodo per la maggior parte condiviso dalla maggior parte dei
meno recenti sistemi direzionali.
Il mondo operativo è progettato intorno ad applicazioni e a funzioni
quali prestiti, risparmi, bankcard e la fiducia per un’istituzione
finanziaria. Il mondo del dw è organizzato intorno a soggetti
principali quali il cliente, il venditore, il prodotto e l’attività.
L’allineamento intorno ad argomenti influisce sulla progettazione e
sulla realizzazione dei dati trovati nel dw. In modo più rilevante,
l’argomento principale influisce sulla parte più importante della
struttura chiave.
Il mondo del applicazione è influenzato sia dal disegno del data
base che dal disegno del processo (Process design). Il mondo del
dw è concentrato esclusivamente sulla modellazione dei dati ते चालू आहे
disegno del डेटाबेस. Il disegno del processo (nella sua forma
classica) non fa parte dell’ambiente del dw.
Le differenze fra la scelta di applicazione processo/funzione e
scelta per subject si rivelano anche come differenze nel contenuto
देई dati तपशीलवार स्तरावर. द dati dw मध्ये i समाविष्ट नाही dati che
non saranno usati per il processo di DSS, mentre applicazioni
ऑपरेशनल ओरिएंटेड dati i समाविष्टीत आहे dati per soddisfare
immediatamente i requisiti funzionale/elaborazione che possono o
meno avere qualsiasi uso per l’analista di DSS.
Un altro modo importante in cui applicazioni operazionali orientate
ai dati पेक्षा वेगळे dati dw च्या dei अहवालात आहे dati. मी dati
operativi mantengono un rapporto continuo tra due o più tabelle
basato su una regola commerciale che è attiva. I dati di dw
attraversano uno spettro di tempo e i rapporti trovati nel dw sono
molti. Molte regole commerciali ( e corrispondentemente, molti
rapporti di dati ) च्या वेअरहाऊसमध्ये दर्शविले जातात dati tra due o
più tabelle.
(मधील संबंध कसे आहेत याच्या तपशीलवार स्पष्टीकरणासाठी dati झोप
gestiti nel DW, facciamo riferimento al Tech Topic su quella
questione.)
Da nessuna altra prospettiva che quella della differenza
fondamentale tra una scelta di applicazione functional/process e
una scelta subject, c’è una maggiore differenza tra i sistemi
operativi e i dati आणि DW.
एकत्रीकरण एकत्रीकरण
dw पर्यावरणाचा सर्वात महत्वाचा पैलू म्हणजे i dati trovati
all’interno del dw sono integrati facilmente. SEMPRE. SENZA
ECCEZIONI. L’essenza stessa dell’ambiente del dw è che i dati
वेअरहाऊसच्या मर्यादेत समाविष्ट आहेत.
L’integrazione si rivela in molti modi differenti – nelle convenzioni
identificate consistenti, nella misura di variabili consistenti, nelle
strutture codificate consistenti, negli attributi fisici dei dati
सुसंगत, आणि असेच.
Nel corso degli anni i progettisti di diverse applicazioni hanno fatto
possesso di molte decisioni su come un’applicazione dovrebbe
essere sviluppata. Lo stile e le decisioni progettuali individualizzate
delle applicazioni dei progettisti si rivelano in cento modi: nelle
differenze di codifica, struttura chiave, caratteristiche fisiche,
identificazione convenzioni, e così via. La capacità collettiva di molti
progettisti di applicazione di generare le applicazioni contradditorie
è leggendaria. La figura 3 espone alcune delle differenze più
importanti nei modi in cui le applicazioni sono progettate.
एन्कोडिंग: एन्कोडिंग:
I progettisti di applicazioni hanno scelto la codifica del campo –
sesso- in diversi modi. Un progettista rappresenta il sesso come
una “m” e “f”. Un altro progettista rappresenta il sesso come un “1”
e uno “0”. Un altro progettista rappresenta il sesso come una “x” e
“y”. Un altro progettista rappresenta il sesso come “maschio” e
“femmina”. Non importa molto come il sesso arriva nel DW. La “M”
e la “F” sono probabilmente buone quanto tutta la
rappresentazione.
Cosa importa è che da qualunque origine derivi il campo sesso,
quel campo arriva nel DW in uno stato integrato consistente. Di
conseguenza quando il campo è caricato nel DW da
un’applicazione dove esso è stato rappresentato fuori nel formato
“M” e “F”, i dati DW स्वरूपात रूपांतरित करणे आवश्यक आहे.
गुणधर्मांचे मोजमाप: चे मोजमाप
विशेषता:
I progettisti di applicazione hanno scelto di misurare la conduttura in
una varietà di modi nel corso
degli anni. Un progettista memorizza i dati della conduttura in
centimetri. Un altro progettista di applicazione memorizza i dati
della conduttura in termini di pollici. Un altro progettista di
applicazione memorizza i dati della conduttura in milione piedi cubi
al secondo. E un altro progettista memorizza le informazioni della
conduttura in termini di iarde. Qualunque sia la fonte, quando le
informazioni della conduttura arrivano nel DW esse devono essere
misurate nello stesso modo.
Secondo le indicazioni di figura 3 le questioni di integrazione
interessano quasi ogni aspetto del progetto – le caratteristiche
fisiche dei dati, एकापेक्षा जास्त स्त्रोत असण्याची कोंडी dati, ला
questione di campioni identificati inconsistenti, formati dei dati
विसंगत, आणि असेच.
Qualunque sia l’argomento di progettazione, il risultato è lo stesso –
i dati devono essere memorizzati nel DW in una singolare e
globalmente accettabile maniera anche quando i sistemi operativi di
fondo memorizzano diversamente i dati.
Quando l’analista DSS guarda il DW, l’obbiettivo dell’analista
dovrebbe essere lo sfruttamento dei dati जे गोदामात आहेत,
ची विश्वासार्हता किंवा सातत्य याबद्दल आश्चर्य करण्याऐवजी
dati.
वेळेची भिन्नता
सर्व dati nel DW sono precisi in qualche momento in tempo.
Questa caratteristica base dei dati DW मध्ये ते त्यापेक्षा खूप वेगळे आहे dati
ऑपरेटिंग वातावरणात आढळते. द dati dell’ambiente operativo sono
precisi come nel momento dell’accesso. In altre parole,
nell’ambiente operativo quando si accede ad una unità dati, ci si
attendete che rifletterà valori precisi come nel momento di accesso.
मी का dati nel DW siano precisi come in qualche momento nel
tempo (cioè, non “proprio adesso”), si dice che i dati trovati nel DW
sono “time variancy”.
च्या वेळेचा फरक dati DW द्वारे अनेक प्रकारे संदर्भित केले जाते.
सर्वात सोपा मार्ग म्हणजे i dati एक DW प्रतिनिधित्व dati त्याचे एक
lungo orizzonte di tempo – da cinque a dieci anni. L’orizzonte
temporale rappresentato per l’ambiente operativo è molto più breve
▪ dai valori correnti di oggi da fino a sessanta novanta
Le applicazioni che devono funzionare bene e devono essere
disponibili per l’elaborazione delle transazioni devono portare la
quantità minima di dati se esse ammettono qualsiasi grado di
flessibilità. Quindi le applicazioni operative hanno un orizzonte
temporale breve, come un argomento di progettazione di
applicazioni audio.
Il secondo modo in cui ‘time variancy’ compare nel DW è nella
struttura chiave. Ogni struttura chiave nel DW contiene,
implicitamente o esplicitamente, un elemento di tempo, come
giorno, settimana, mese, ecc. L’elemento di tempo è quasi sempre
in fondo alla chiave concatenata trovata nel DW. In queste
occasioni, l’elemento di tempo esisterà implicitamente, come il caso
dove un intero file è duplicato alla fine del mese o del quarto.
तिसरा मार्ग टाइम व्हेरियंस प्रदर्शित केला जातो तो म्हणजे i dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना
DW, appena correttamente registrati, non possono essere
aggiornati. I dati del DW sono, per tutti gli scopi pratici, una lunga
serie di snapshots(istantanea). Naturalmente se la snapshots è
stata presa non correttamente, allora le snapshots possono essere
modificate. Ma assumendo che le snapshots siano fatte
correttamente, esse non vengono modificate appena fatte. In alcuni
casi può essere immorale o anche non valido che le snapshots nel
DW siano modificate. I dati operativi, essendo precisi come nel
momento di accesso, possono essere aggiornati come si presenta
la necessità.
नॉन-व्हॉलाटाइल
DW चे चौथे महत्वाचे वैशिष्ट्य म्हणजे ते अस्थिर आहे.
Gli aggiornamenti, inserimenti, cancellazioni e modifiche, sono fatte
regolarmente per gli ambienti operazionali record per record. Ma la
manipolazione di base dei dati che occorrono nel DW è molto più
semplice. Ci sono solo due generi di operazioni che si verificano nel
DW – il caricamento iniziale dei dati आणि प्रवेश dati. Non c’è
alcun aggiornamento dei dati (nel senso generale di
aggiornamento) nel DW come normale operazione di elaborazione.
Ci sono alcune conseguenze molto potenti di questa differenza di
base fra elaborazione operativa ed elaborazione del DW. Al livello
di progettazione, la necessità di essere cauti sull’aggiornamento
anomalo non è fattore nel DW, poiché l’aggiornamento di dati ते नाही
effettuato. Questo significa che a livello fisico di progettazione,
possono essere prese delle libertà per ottimizzare l’accesso ai dati,
in particolare nell’occuparsi degli argomenti di normalizzazione e di
denormalizzazione fisica. Un’altra conseguenza della semplicità
delle operazioni di DW è nella tecnologia sottostante utilizzata per
eseguire l’ambiente di DW. Dovendo supportare aggiornamenti
record per record in linea (così come è spesso il caso con
elaborazione operativa) si richiede che la tecnologia abbia delle
fondamenta molto complesse sotto una apparente semplicità.
La tecnologia che supporta copie di riserva e recupero, transazioni
e integrità dei dati e la scoperta e il rimedio di condizione di stallo è
abbastanza complessa e non necessaria per elaborazione di DW.
Le caratteristiche di un DW, orientamento di progettazione,
integrazione di dati all’interno del DW, time variancy e la semplicità
di gestione dei dati, tutto induce ad un ambiente che è molto, molto
diverso dall’ambiente operativo classico. La sorgente di quasi tutti i
dati di DW sono l’ambiente operativo. È una tentazione pensare
che ci sia una ridondanza massiccia di dati दोन वातावरणात.
Infatti la prima impressione che molte persone hanno è quella di
grande ridondanza di dati ऑपरेटिंग वातावरण आणि ऑपरेटिंग वातावरण दरम्यान
DW. Una tale interpretazione è superficiale e dimostra una
mancanza nel capire che cosa accade nel DW.
किंबहुना कमीत कमी रिडंडंसी आहे dati tra l’ambiente operativo
एड मी dati del DW. Consideriamo quanto segue:
▪ I dati ते फिल्टर केले जातात डेटा che si passa dall’ambiente operativo
all’ambiente DW. Molti dati non passano mai fuori
dall’ambiente operativo. Solo che i dati che sono necessari per
l’elaborazione DSS trovano la loro direzione nell’ambiente
▪ l’orizzonte temporale dei dati è molto diverso da un ambiente
all’altro. I dati ऑपरेटिंग वातावरणात ते खूप थंड आहेत. द dati
nel DW sono molto più vecchi. Solo dalla prospettiva
dell’orizzonte temporale, c’è la sovrapposizione molto piccola
tra l’ambiente operativo e il DW.
▪ Il DW contiene dati di riepilogo che non si trovano mai
वातावरणात
▪ I dati subiscono una trasformazione fondamentale dal
momento che passano al La figura 3 illustra che la maggior
parte dei dati sono significativamente modificati a condizione
di essere selezionati e spostati nel DW. Detto in altro modo, la
maggior parte dei dati viene modificata fisicamente e
radicalmente come viene spostata nel DW. Dal punto di vista
dell’integrazione non sono gli stessi dati che risiedono
nell’ambiente operativo.
Alla luce di questi fattori, la ridondanza di dati tra i due ambienti è
un evento raro, che porta a meno dell’ 1% di ridondanza tra i due
ambienti.
गोदामाची रचना
I DWs hanno una struttura distinta. Ci sono vari livelli riassuntivi e di
dettaglio che demarcano i DWs.
DW चे विविध घटक आहेत:
▪ Metadata
▪ Dati वर्तमान तपशील
▪ Dati जुन्या तपशीलांचे
▪ Dati थोडेसे सारांशित
▪ Dati अत्यंत सारांशित
आतापर्यंत मुख्य चिंता साठी आहे dati di dettaglio
correnti. È la preoccupazione principale perché:
▪ I dati di dettaglio correnti riflettono gli avvenimenti più recenti,
che sono sempre di grande interesse e
▪ i dati di dettaglio correnti sono voluminosi perché è
memorizzato al livello più basso di granularità e
▪ i dati di dettaglio correnti sono memorizzati quasi sempre su
memoria su disco, il quale è veloce ad accedere, ma caro e
complesso da
I dati तपशिलानुसार ते जुने आहेत dati che sono memorizzati su
qualche memoria di वस्तुमान. Ha accesso sporadicamente ed è
memorizzato a un livello di dettaglio compatibile con dati तपशीलवार
correnti. Mentre non è obbligatorio memorizzare su un supporto di
memoria alternativo, a causa del grande volume di dati uniti con
l’accesso sporadico dei dati, साठी मेमरी समर्थन dati di
dettaglio più vecchi non è di solito memorizzato su disco.
I dati थोडक्यात सारांश आहे dati che sono distillati dal basso
livello di dettaglio trovato al corrente livello di dettaglio. Questo
livello del DW è memorizzato quasi sempre su memoria su disco. I
problemi della progettazione che si presentano all’architetto dei dati
DW च्या या स्तराच्या बांधकामात आहेत:
▪ Quale unità di tempo è la summarization fatta sopra
▪ Quali contenuti, attributi riassumeranno leggermente il
contenuto dei dati
ची पुढील पातळी dati DW मध्ये आढळले की आहे dati अत्यंत
riassunti. I dati altamente riassunti sono compatti e facilmente
accessibili. I dati altamente riassunti sono talvolta trovati
nell’ambiente DW e in altri casi i dati altamente riassunti sono
trovati fuori dalle pareti immediate della tecnologia che ospita il DW.
(in ogni caso, i dati altamente riassunti fanno parte del DW
indipendentemente da dove i dati sono alloggiati fisicamente).
Il componente finale del DW è quello dei metadata. Per molti aspetti
i metadata siedono in una dimensione diversa rispetto ad altri dati
DW चे, कारण मेटाडेटामध्ये कोणताही समावेश नाही डेटा थेट
preso dall’ambiente operativo. I metadata hanno un ruolo speciale e
molto importante nel DW. I metadata sono utilizzati come:
▪ una directory per aiutare l’analista DSS ad individuare il
contenuto del DW,
▪ una guida alla mappatura dei dati कसे मी dati ते होते
trasformati dall’ambiente operativo all’ambiente di DW,
▪ una guida agli algoritmi usati per la summarization tra i dati di
dettaglio correnti e i dati थोडेसे सारांशित, i dati अत्यंत
riassunti,
I metadata giocano un ruolo molto più importante nell’ambiente DW
rispetto a quello che hanno mai avuto nell’ambiente operativo
जुने तपशील स्टोरेज माध्यम
चुंबकीय टेप अशा प्रकारची साठवण्यासाठी वापरली जाऊ शकते
dati. Infatti c’è una larga varietà di strumenti di memorizzazione che
dovrebbero essere considerati per la conservazione di vecchi dati di
dettaglio.
A seconda del volume dei dati, la frequenza di accesso, il costo
degli strumenti e il tipo di accesso, esso è completamente probabile
che altri strumenti avranno bisogno del vecchio livello di dettaglio
nel DW.
डेटाचा प्रवाह
चा एक सामान्य आणि अंदाजे प्रवाह आहे dati DW च्या आत.
I dati entrano nel DW dall’ambiente operativo. (NOTA: ci sono
alcune eccezioni molto interessanti a questa regola. Tuttavia, quasi
सर्व dati ऑपरेटिंग वातावरणातून DW प्रविष्ट करा). तारीख की मी dati
entrano nel DW dall’ambiente operativo, è trasformato come è stato
descritto prima. A condizione di entrare nel DW, i dati entrano nel
corrente livello di dettaglio, come mostrato. Risiede là ed è utilizzato
finché uno dei tre eventi si verifica:
▪ è purificato,
▪ è riassunto, e/o
▪ è
Il processo obsoleto dentro un DW sposta i dati 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. आहेत
alcune eccezioni al flusso mostrato (sarà discusso più tardi).
Tuttavia, di solito, per la vasta maggioranza dei dati trovati
all’interno di un DW, il flusso di dati ते चित्रित केल्याप्रमाणे आहे.
डेटावेअरहाऊस वापरणे
च्या विविध स्तरांवर आश्चर्याची गोष्ट नाही dati all’interno del DW non
ricevono differenti livelli di utilizzo. Di regola, più è alto livello di
summarization, più i dati ते वापरले जातात.
मध्ये अनेक उपयोग होतात dati अत्यंत सारांशित, तर जुने
dati di dettaglio sono utilizzati quasi mai. C’è una buona ragione nel
spostare l’organizzazione al paradigma in utilizzo di risorsa. Più ha
riassunto i dati, वर जाणे जितके जलद आणि अधिक कार्यक्षम आहे dati. स्वत:
un दुकान trova che fa molti processi a livello di dettaglio dei DW,
allora una grande quantità corrispondente di risorse di macchina
viene consumato. È nei migliori interessi di ognuno processare
come in un alto livello di summarization appena possibile.
बर्याच दुकानांसाठी, पूर्व-डीडब्ल्यू वातावरणातील डीएसएस विश्लेषक वापरला आहे
dati तपशील स्तरावर. येथे आगमन अनेक बाबतीत dati तपशीलवार
somiglia a una coperta di sicurezza, anche quando sono disponibili
altri livelli di summarization. Una delle attività dell’architetto di dati è
disabituare l’utente DSS da un utilizzo costante di dati al livello più
basso di dettaglio. Ci sono due motivazioni a disposizione
dell’architetto di dati:
▪ installando un sistema chargeback, dove l’utente finale paga le
risorse consumate e
▪ che indicano che il tempo di risposta molto buono può essere
ottenuto quando il comportamento con i dati è ad un alto livello
di summarization, mentre il tempo di risposta povero deriva dal
comportamento dei dati कमी पातळीवर
इतर मंजूरी
Ci sono alcune altre considerazioni di costruzione e gestione del
डीडब्ल्यू.
पहिला विचार म्हणजे निर्देशांकांचा. द dati ai livelli più alti di
summarization possono essere liberamente indicizzati, mentre i dati
ai livelli inferiori di dettaglio sono così voluminosi che può essere
indicizzato frugalmente. Dallo stesso token, i dati agli alti livelli di
dettaglio possono essere relativamente ristrutturati facilmente,
mentre il volume di dati खालच्या स्तरावर ते इतके मोठे आहे की i dati नॉन
possono essere ristrutturati facilmente. Di conseguenza, il modello
देई dati e il lavoro formale fatto dalla progettazione pongono la
fondazione per il DW applicata quasi esclusivamente al livello
corrente di dettaglio. In altre parole, le attività di modellazione dei
dati non si applicano ai livelli di summarization, in quasi ogni caso.
Un’altra considerazione strutturale è quella della suddivisione dei
dati DW द्वारे.
विभाजन दोन स्तरांवर केले जाऊ शकते - च्या स्तरावर डीबीएमएस आणि अल
livello di applicazione. Nella divisione al livello डीबीएमएसतो डीबीएमएस è
informato delle divisioni e le controlla di conseguenza. Nel caso di
divisione a livello applicazione, soltanto il programmatore è
informato delle divisioni e la responsabilità della loro
amministrazione è lasciata a lui
पातळी खाली डीबीएमएस, molto lavoro è fatto automaticamente. C’è
molta inflessibilità connessa con l’amministrazione automatica delle
divisioni. Nel caso delle divisione a livello applicazione dei dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना
डेटा वेअरहाऊस, molto lavoro grava sul programmatore, ma il
risultato finale è la flessibilità nell’amministrazione dei dati nel data
गोदाम
ALTRE विसंगती
च्या घटक असताना डेटा वेअरहाऊस funzionano come descritto
per quasi tutti i dati, ci sono alcune eccezioni utili che devono
essere discusse. Un’eccezione è quella dei dati sommari pubblici
(public summary data). Questi sono dati sommari che sono stati
calcolati fuori dal डेटा वेअरहाऊस पण ते समाज वापरतात. द dati
मध्ये सार्वजनिक सारांश संग्रहित आणि व्यवस्थापित केले जातात डेटा वेअरहाऊस,
anche se come detto precedentemente sono calcolati fuori. I
ragionieri lavorano per produrre trimestralmente tali dati म्हणून
reddito, le spese trimestrali, profitto trimestrale, e così via. Il lavoro
fatto dai ragionieri è esterno al डेटा वेअरहाऊस. तथापि, आय dati झोप
usati “internamente” alla società – dal विपणन, dalle vendite, ecc.
Un’altra anomalia, di cui non si parlerà, è quella dei dati बाह्य
आणखी एक अपवादात्मक प्रकार dati che si possono trovare in un data
warehouse è quello dei permanent detail data. Questi provocano la
necessità di memorizzare in modo permanente i dati ad un livello
dettagliato per i motivi etici o legali. Se una società sta esponendo i
relativi operai a sostanze pericolose c’ è un’esigenza di dati
dettagliati e permanenti . Se una società produce un prodotto che
coinvolge la sicurezza pubblica, quali parti di un aeroplano, c’è
l’esigenza di dati dettagliati permanenti, così come se una società
stipula contratti pericolosi.
La società non può permettersi di trascurare i particolari perché
durante i prossimi anni, nel caso di una causa, di un richiamo, di un
difetto di costruzione disputato, ecc. l’esposizione dell’azienda
potrebbe essere grande. Di conseguenza c’è un tipo unico di dati
कायम तपशील डेटा म्हणून ओळखले जाते.
सारांश
Un डेटा वेअरहाऊस è un oggetto orientato, integrato, variante di
tempo, una raccolta di dati non volatile a sostegno dei bisogni di
decisione dell’amministrazione. Ciascuna delle funzioni salienti di
un डेटा वेअरहाऊस ha le relative implicazioni. In più ci sono quattro
livelli di dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस:
▪ Old detail
▪ Current detail
▪ Dati किंचित संक्षेप
▪ Dati altamente ricapitolati
I metadati sono inoltre una parte importante del डेटा वेअरहाऊस.
गोषवारा
च्या स्टोरेजची संकल्पना dati recentemente ha ricevuto
molte attenzioni ed è diventato una tendenza degli anni 90. Ciò è
dovuto alla capacità di un डेटा वेअरहाऊस di sormontare le
limitazioni dei sistemi di supporto dell’amministrazione quali i
sistemi di ausilio decisionale (DSS) ed i sistemi d’informazione
esecutivi (EIS).
Anche se il concetto del डेटा वेअरहाऊस sembra promettente,
implementare i डेटा वेअरहाऊस può essere problematico a causa
dei processi d’immagazzinamento su larga scala. Malgrado la
complessità dei progetti d’immagazzinamento di dati, molti fornitori
e consulenti che immagazzinano dati त्यांचा असा दावा आहे
l’immagazzinamento di dati attuali non comporta problemi.
Tuttavia, all’inizio di questo progetto di ricerca, quasi nessuna
ricerca indipendente, rigorosa e sistematica era stata effettuata. Di
conseguenza è difficile dire, che cosa realmente accade
nell’industria quando si costruiscono डेटा वेअरहाऊस.
Questo studio ha esplorato la pratica d’immagazzinamento di dati
contemporanei che punta a sviluppare una comprensione più ricca
della pratica australiana. L’analisi della letteratura ha fornito il
contesto ed il fondamento per lo studio empirico.
Ci sono un certo numero di risultati da questa ricerca. In primo
luogo, questo studio ha rivelato le attività che si sono presentate
durante lo sviluppo del डेटा वेअरहाऊस. अनेक क्षेत्रात, आय dati जमले
hanno confermato la pratica segnalata nella letteratura. In secondo
luogo, le edizioni ed i problemi che possono avere effetto sullo
sviluppo del डेटा वेअरहाऊस sono stati identificati da questo studio.
Infine, benefici tratti dalle organizzazioni australiane connesse con
l’uso dei डेटा वेअरहाऊस उघड झाले आहेत.
अध्याय 1
संशोधन संदर्भ
Il concetto del data warehousing ha ricevuto una diffusa
esposizione e si è trasformato in una tendenza emergente negli
anni 90 (McFadden 1996, TDWI 1996, Shah e Milstein 1997,
Shanks ed altri. 1997, Eckerson 1998, Adelman e Oates 2000). Ciò
può essere visto dal numero crescente di articoli sul data
warehousing nelle pubblicazioni commerciali (Little e Gibson 1999).
Molti articoli (vedere, per esempio, Fisher 1995, Hackathorn 1995,
Morris 1995a, Bramblett e re 1996, Graham ed altri. 1996,
Sakaguchi e Frolick 1996, Alvarez 1997, Brousell 1997, Clarke
1997, McCarthy 1997, O’ Donnell 1997, Edwards 1998, TDWI
1999) hanno segnalato notevoli benefici tratti dalle organizzazioni
che implementano i 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%.
Gran parte della letteratura attuale, tuttavia, ha trascurato le
complessità coinvolte nell’intraprendere tali progetti. I progetti di
डेटा वेअरहाऊस sono normalmente complesso e su grande scala e
quindi implicano un’alta probabilità di non riuscire se non sono
controllati con attenzione (Shah e Milstein 1997, Eckerson 1997,
Foley 1997b, Zimmer 1997, Bort 1998, Gibbs e Clymer 1998, Rao
1998). Essi richiedono i vasti importi sia di risorse umane che
finanziarie e, tempo e sforzo per costruirli (Hill 1998, Crofts 1998). Il
tempo tipico ed i mezzi finanziari necessari sono rispettivamente di
circa due anni e di due o tre milioni di dollari (Braly 1995, Foley
1997b, Bort 1998, Humphries ed altri. 1999). Questi tempi e mezzi
finanziari sono richiesti per controllare e consolidare molti aspetti
differenti del data warehousing (Cafasso 1995, Hill 1998). A lato
delle considerazioni hardware e software, altre funzioni, che variano
dall’estrazione di dati च्या लोडिंग प्रक्रियेसाठी datiपासून
capacità di memoria per gestire gli aggiornamenti e dai meta 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
necessitano di essere effettuati per estendere la conoscenza
generale riguardo l’implementazione dei डेटा वेअरहाऊस e
serviranno come base per un futuro studio di ricerca (Shanks ed
altri. 1997, Little e Gibson 1999).
Lo scopo di questo studio, quindi, è studiare che cosa realmente
accade quando le organizzazioni effettuano ed usano i data
warehouse in Australia. Specificamente, questo studio coinvolgerà
un’analisi di un intero processo di sviluppo di un डेटा वेअरहाऊस,
iniziando dall’iniziazione e progettazione attraverso il design e
l’inplementazione e il successivo uso all’interno delle organizzazioni
australiane. In più, lo studio inoltre contribuirà al la pratica attuale
identificando le aree in cui la pratica può essere ulteriormente
migliorata e le inefficienze e i rischi possono essere minimizzati o
evitati. Inoltre, servirà da base per altri studi sui डेटा वेअरहाऊस in
Australia e colmerà il gap attualmente esistente in letteratura.
संशोधन प्रश्न
L’obiettivo di questa ricerca è studiare le attività coinvolte
nell’implementazione dei 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?"
Per rispondere efficacemente a questo problema, sono richieste un
certo numero di domande sussidarie di ricerca. In particolare, tre
sotto-domande sono state identificate dalla letteratura, che è
presentata nel capitolo 2, per guidare questo progetto di ricerca:
Come sono implementati i डेटा वेअरहाऊस dalle organizzazioni
australiane? Quali sono i problemi incontrati?
अनुभव काय फायदे आहेत?
Nel rispondere a queste domande, è stato usato un disegno
esplorativo di ricerca che impiega un’indagine. Come studio
esplorativo, le risposte alle suddette domande non sono complete
(Shanks ed altri. 1993, Denscombe 1998). In questo caso, è
richiesta una triangolazione per migliorare le risposte a queste
domande. Tuttavia, l’indagine fornirà un solido fondamento per
futuri lavori che esaminano queste domande. Una dettagliata
discussione sulla giustificazione del metodo di ricerca e sul design
è presentata nel capitolo 3.
संशोधन प्रकल्पाची रचना
Questo progetto di ricerca è diviso in due parti: lo studio contestuale
del concetto di datawarehousing e la ricerca empirica (si veda
figura 1.1), ciascuno dei quali è discusso qui di seguito.
भाग I: संदर्भात्मक अभ्यास
La prima parte della ricerca è consistita nella riesaminazione della
letteratura attuale sui vari tipi di data warehousing compresi i
sistemi di ausilio decisionale (DSS), i sistemi d’informazione
esecutivi (EIS), i case study di डेटा वेअरहाऊस ed i concetti di data
warehouse. Inoltre, i risultati dei foum sui डेटा वेअरहाऊस आणि देव
gruppi di incontro per esperti e professionisti condotti dal gruppo di
ricerca Monash DSS, hanno contribuito a questa fase dello studio
che è stato inteso per ottenere le informazioni sulla pratica dei data
warehouse e per identificare i rischi coinvolti nella loro adozione.
Durante questo periodo di studio contestuale, la comprensione
dell’area del problema è stata stabilita per fornire la conoscenza di
base per le successive investigazioni empiriche. Tuttavia, questo
era un processo continuo durante lo svolgimento dello studio di
संशोधन.
भाग II: अनुभवजन्य संशोधन
Il concetto relativamente nuovo del data warehousing, specialmente
in Australia, ha creato la necessità di eseguire un’indagine per
ottenere una vasta immagine dell’esperienza di utilizzo. Questa
parte è stata effettuata una volta che il dominio del problema fosse
stato stabilito attraverso vasta revisione della letteratura. Il concetto
di data-warehousing formato durante la fase di studio contestuale è
stato usato come input per il questionario iniziale di questo studio.
Dopo questo, il questionario è stato esaminato. Sei esperti di data
warehouse hanno partecipato al test. Lo scopo del test del
questionario iniziale era controllare la completezza e la precisione
delle domande. Sulla base dei risultati del test, il questionario è
stato modificato e la versione modificata è stata spedita ai
partecipanti all’indagine. I questionari restituiti allora sono stati
analizzati per i dati सारण्या, आकृत्या आणि इतर स्वरूपांमध्ये. द
चे विश्लेषण परिणाम dati formano una fotografia istantanea della
pratica del data warehousing in Australia.
डेटा वेअरहाऊसिंग विहंगावलोकन
Il concetto di data warehousing si è evoluto con i miglioramenti
della tecnologia dei computer.
Esso è finalizzato a superare i problemi incontrati dai gruppi di
supporto delle applicazioni come Decision Support System (DSS) e
Executive Information System (EIS).
Nel passato il maggiore ostacolo di queste applicazioni è stata
l’incapacità di queste applicazioni di fornire una 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
fondamentali per queste applicazioni devono essere in grado di
cambiare rapidamente a seconda della parte da trattare.
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
समाकलित करणे dati जटिल आणि विविध स्त्रोतांकडून.
Il resto di questa sezione presenta una panoramica del concetto di
data warehousing e tratta di come il डेटा वेअरहाऊस può superare i
problemi dei gruppi di supporto delle applicazioni.
संज्ञा “डेटा वेअरहाउस” fu diffuso da William Inmon nel 1990.
La sua spesso citata definizione vede il डेटा वेअरहाउस आले
collezione di dati orientati al soggetto,integrati,non volatili,e variabili
col tempo,in supporto alle decisioni dirigenziali.
ही व्याख्या वापरून Inmon हायलाइट करते की i dati निवासी
आत मधॆ डेटा वेअरहाऊस devono possedere le seguenti 4
वैशिष्ट्ये:
▪ Orientati al soggetto
▪ Integrati
▪ Non volatili
▪ Variabili col tempo
Per Orientati al soggetto Inmon intende che i dati nel data
warehouse 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 relativi ai prodotti sono contenuti nell’area soggetto
PRODOTTI.
इंटिग्रेटेड इनमॉनद्वारे म्हणजे i dati provenienti da differenti
piattaforme,sistemi e locazioni sono combinate e immagazzinate in
unico posto. Di conseguenza dati similari devono essere trasformati
in formati consistenti in modo da essere aggiunti e comparati
सहज
Per esempio il genere maschile e femminile sono rappresentati
dalle lettere M e F in un sistema,e con 1 e 0 in un altro. Per
integrarli nella maniera giusta,uno o tutti e due i formati devono
essere trasformati in modo che i due formati siano uguali. In questo
caso potremmo cambiare M in 1 e F in 0 o viceversa. Orientati al
soggetto e Integrati indicano che il डेटा वेअरहाऊस è progettato per
fornire una funzionale e trasversale visione dei dati बाजूला
कंपनीच्या.
नॉन-अस्थिरतेने त्याचा अर्थ असा की i dati नेल डेटा वेअरहाऊस रहा
consistenti e l’aggiornamento dei dati non occorre. Invece,ogni
cambiamento nei dati मध्ये मूळ जोडले आहे डेटाबेस del data
warehouse. Questo significa che lo storico dei dati मध्ये समाविष्ट आहे
डेटा वेअरहाऊस.
वेळेसह व्हेरिएबल्ससाठी Inmon सूचित करते की i dati नेल डेटा वेअरहाऊस
नेहमी ei वेळ निर्देशक असतात dati सामान्य
attraversano un certo orizzonte temporale. Per esempio un
डेटा वेअरहाऊस ची 5 वर्षांची ऐतिहासिक मूल्ये असू शकतात ग्राहकांना डाळ
1993 al 1997. La disponibilità dello storico e di una serie temporale
देई dati आपल्याला ट्रेंडचे विश्लेषण करण्यास अनुमती देते.
Un डेटा वेअरहाऊस तो स्वत: गोळा करू शकतो dati da dei sistemi
OLTP;da origini dati esterne all’organizzazione e/o da altri speciali
progetti di sistema di cattura dati.
I dati estratti possono passare attraverso un processo di pulizia,in
questo caso i dati vengono trasformati ed integrati prima di essere
immagazzinati nel डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस. मग, आय dati
मधील रहिवासी डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस sono resi disponibili
agli accessi degli utenti finali e agli strumenti di recupero. Usando
questi strumenti l’utente finale può accedere alla vista integrata
dell’organizzazione dei dati.
I dati मधील रहिवासी डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस झोप
immagazzinati sia dettagliatamente che in formati riassuntivi.
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.
संचयित करण्याव्यतिरिक्त i dati स्वत:, अ डेटा वेअरहाऊस देखील करू शकता
immagazzinare un differente tipo di डेटा chiamato METADATI che
descrivono i dati त्याच्यामधील रहिवासी डेटाबेस.
Ci sono due tipi di metadati: metadati di sviluppo e metadati di
analisi.
I metadati di sviluppo sono utilizzati per gestire ed automatizzare i
processi di estrazione,pulizia,mappatura e caricamento dei dati नेल
डेटा वेअरहाऊस.
L’informazione contenuta nei metadati di sviluppo può contenere
dettagli di sistemi operativi,dettagli degli elementi da estrarre,il
टेम्पलेट dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस e le regole aziendali per la
चे रूपांतरण dati.
Il secondo tipo di metadati,conosciuti come metadati di analisi
rende in grado l’utente finale di esplorare il contenuto del data
warehouse per trovare i dati disponibili e il loro significato in termini
chiari e non tecnici.
Perciò i metadati di analisi funzionano come un ponte tra il data
warehouse e le applicazioni degli utenti finali. Questo metadata può
contenere il modello aziendale, le descrizioni dei dati corrispondenti
al modello aziendale,interrogazioni (queries) pre-definite e report,
informazioni per gli accessi degli utenti e l’indice.
I metadati di analisi e sviluppo devono essere combinati in un unico
integrato metadata di contenimento per funzionare correttamente.
Sfortunatamente molti degli strumenti esistenti hanno il proprio
metadata e attualmente non ci sono degli standard esistenti che
permettono agli strumenti di data warehousing di integrare questi
metadati. Per rimediare a questa situazione molti commercianti dei
principali strumenti di data warehousing hanno formato il Meta Data
Council divenuto poi Meta Data Coalition.
Lo scopo di questa coalizione è di costruire un set di metadati
standard che permette a differenti strumenti di data warehousing di
convertire i metadati
I loro sforzi hanno avuto come esito quello della nascita del Meta
Data Interchange Specification (MDIS) che permetterà lo scambio
di informazioni tra gli archivi Microsoft e i relativi MDIS files.
चे अस्तित्व dati sia riassunti/indicizzati che dettagliati dà
all’utente la possibilità di effettuare un DRILL DROWN
(trapanamento) dai dati indicizzati a quelli dettagliati e viceversa.
चे अस्तित्व dati storici dettagliati permette la realizzazione di
analisi di trend nel tempo. In aggiunta i metadati di analisi possono
essere usati come directory del डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस प्रति
aiutare gli utenti finali a localizzare i dati आवश्यक
In confronto ai sistemi OLTP,con la loro capacità di supportare
analisi di 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.
डेटा वेअरहाऊस OLTP सिस्टीम विरुद्ध
Molti dei sistemi di informazione all’interno delle organizzazioni
hanno lo scopo di supportare le operazioni giornaliere. Questi
sistemi conosciuti come SISTEMI OLTP, catturano le transazioni
giornaliere continuamente aggiornate.
I dati all’interno di questi sistemi sono spesso modificati,aggiunti o
cancellati. Per esempio un indirizzo di un cliente cambia appena
egli si sposta da un luogo all’altro. In questo caso il nuovo indirizzo
sarà registrato modificando il campo indirizzo del डेटाबेस.
L’obiettivo principale di questi sistemi è quello di ridurre i costi delle
transazioni e allo stesso tempo di ridurre in tempi di elaborazione.
Esempi di Sistemi OLTP includono azioni critiche come scritture
contabili di ordini,libri paga,fatture,fabbricazione,servizi ai ग्राहकांना.
A differenza dei sistemi OLTP,che sono stati creati per processi
basati su transazioni ed eventi, i डेटा वेअरहाऊस sono stati creati
per fornire supporto ai processi basati su analisi di dati ई सु
processi di decisione.
हे साधारणपणे i समाकलित करून साध्य केले जाते dati da vari sistemi
OLTP ed esterni in un unico “contenitore” di dati,come discusso
nella sezione precedente.
मोनाश डेटा वेअरहाउसिंग प्रक्रिया मॉडेल
साठी प्रक्रिया मॉडेल डेटा वेअरहाऊस Monashè stato sviluppato dai
ricercatori del Monash DSS Research Group, è basato sulla
letterature dei डेटा वेअरहाऊस, sull’esperienza nel supporto allo
sviluppo di campi di sistemi, su discussioni con vendors di
applicazioni per l’uso su डेटा वेअरहाऊस, su di un gruppo di esperti
nell’uso di डेटा वेअरहाऊस.
Le fasi sono: Inizio, Pianificazione, Sviluppo, Operazioni e
Spiegazioni. Il diagramma spiega la natura iterativa o
evoluzionistica dello sviluppo di un डेटा वेअरहाऊस process usando
frecce a doppio senso collocate tra le diverse fasi. In questo
contesto “iterativo” e “evoluzionistico” significano che, ad ogni
passo del processo, le attività di implementazione si possono
sempre propagare all’indietro verso la fase precedente. Questo è
dovuto alla natura del progetto di un डेटा वेअरहाऊस नेल क्वेल
subentrano in ogni momento richieste addizionali da parte
dell’utente finale. Per sempio, durante la fase di sviluppo di un
प्रक्रिया 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
I dw tendono a essere molto grandi in dimensione e a crescere
molto velocemente (Best 1995, Rudin 1997a) a seguito della
ची किंमत dati storici che essi conservano dalla loro durata. La
crescita può essere causata anche da dati aggiuntivi richiesti dagli
utenti per aumentare il valore dei dati che essi hanno già. Di
conseguenza, i requisiti di immagazzinamento per dati करू शकता
essere significativamente potenziati (Eckerson 1997). Così, è
essenziale assicurare, conducendo una pianificazione della
capacità, che il sistema per essere costruito può crescere con la
crescita delle necessità(Best 1995, LaPlante 1996, Lang 1997,
Eckerson 1997, Rudin 1997a, Foley 1997a).
Nella pianificazione per scalabilità del dw, uno deve conoscere la
crescita attesa della dimensione del magazzino, i tipi di domande
probabili da effettuare, e il numero di utenti finali sostenuti(Best
1995, Rudin 1997b, Foley 1997a). Costruire applicazioni scalabili
richiede una combinazione di tecnologie server scalabili e tecniche
di progettazione di applicazioni scalabili (Best 1995, Rudin 1997b.
Entrambe sono necessarie nella creazione di un’applicazione
estremamente scalabile. Le tecnologie server scalabili possono
renderlo facile e vantaggioso per aggiungere deposito, memoria e
CPU senza degradare le prestazioni (Lang 1997, Telephony 1997).
Ci sono due tecnologie server scalabili principali: elaborazione
multipla simmetrica (SMP) ed elaborazione in maniera massiccia
parallela (MPP) ) (IDC 1997, Humphries et al. 1999). Un server
SMP normalmente ha più processori che condividono una memoria,
sistema bus e altre risorse (IDC 1997, Humphries et al. 1999).
Processori supplementari possono essere aggiunti per aumentare
तिला पोटेंझा संगणकीय वाढवण्याची दुसरी पद्धत
पोटेंझा computazionale del server SMP, è combinare numerose
macchine SMP. Questa tecnica è nota come clustering (Humphries
et al. 1999). Un server MPP, d’altra parte, ha più processori ognuno
con una propria memoria, sistema bus e altre risorse (IDC 1997,
Humphries et al. 1999). Ogni processore è chiamato nodo. Un
मध्ये वाढ पोटेंझा संगणकीय साध्य करता येते
aggiungendo nodi supplementari ai server MPP (Humphries et al.
1999).
Una debolezza dei server SMP è che troppe operazioni input-output
(I/O) possono congestionare il sistema bus (IDC 1997). Questo
problema non si verifica all’interno dei server MPP poiché ogni
processore ha il proprio sistema di bus. Tuttavia, le interconnessioni
fra ogni nodo generalmente sono molto più lente del sistema bus
dei SMP. Inoltre, i server MPP possono aggiungere un livello
supplementare di complessità agli sviluppatori di applicazioni (IDC
1997). Così, la scelta tra server SMP e MPP può essere influenzata
da molti fattori, tra cui la complessità delle domande, il rapporto
prezzo/prestazioni, la capacità di trattamento richiesta, le
applicazioni dw prevenute e l’aumento in dimensione dei डेटाबेस
dw आणि अंतिम वापरकर्त्यांच्या संख्येत.
Numerose tecniche di progettazione di applicazione scalabile
possono essere impiegate nella pianificazione della capacità. Uno
utilizza vari periodi di notifica come giorni, settimane, mesi e anni.
Avendo vari periodi di notifica, il डेटाबेस può essere diviso in
pezzi raggruppati maneggevolmente (Inmon et al. 1997). Un’altra
tecnica è utilizzare tabelle riepilogative che sono costruite
riassumendo dati da dati तपशीलवार. म्हणून मी dati riassunti sono più
compatti del dettagliato, il quale richiede meno spazio di memoria.
Quindi i dati di dettaglio possono essere archiviati in un’unità di
memorizzazione meno cara, la quale salva ancora più deposito.
Benché utilizzare tabelle riepilogative possa salvare spazio di
memoria, essi richiedono molto sforzo per mantenerli aggiornati e in
linea con le necessità commerciali. Tuttavia, questa tecnica è
ampiamente utilizzata e spesso utilizzata insieme alla tecnica
precedente(Best 1995, Inmon 1996a, Chauduri and Dayal
1997).
व्याख्या करीत आहे डेटा वेअरहाउस तांत्रिक
Architectures Definizione delle tecniche di
architetture di dw
Iniziali adottanti di data warehousing concepivano principalmente
un’implementazione centralizzata del dw in cui tutti i datiयासह
i 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 माध्यमातून
l’organizzazione, che significa che c’è solo una versione o
definizione per ogni terminologia utilizzata nel dw deposito
(reposity) metadata (Flanagan and Safdie 1997, Ovum 1998). Lo
svantaggio di questo approccio, d’altra parte, è che è caro e difficile
da costruire (Flanagan and Safdie 1997, Ovum 1998, Inmon et al.
1998). Non molto dopo che l’architettura d’immagazzinamento dati
centralizzata divenne popolare, si evolse il concetto di estrazione
dei sottoinsiemi più piccoli dei dati per sostenere i bisogni di
applicazioni specifiche (Varney 1996, IDC 1997, Berson e Smith
1997, peacock 1998). Questi piccoli sistemi sono derivati dal più
मोठा डेटा वेअरहाऊस centralizzato. Sono denominati data
warehouse dipartimentali dipendenti o data marts dipendenti.
L’architettura del data mart dipendente è conosciuta come
architettura tre-tiered in cui la prima fila consiste del data
warehouse centralizzato, la seconda consiste dei depositi di 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
centralizzato è stato costruito per rispondere alle esigenze delle
specifiche unità(White 1995, Varney 1996).
डेटा मार्ट्स साठवतात dati molto rilevanti relativi a particolari
unità (Inmon ed altri. 1997, Inmon ed altri. 1998, IA 1998).
या पद्धतीचा फायदा असा आहे की नाही डेटा नॉन
integrato e che i dati saranno meno ridondanti all’interno dei data
marts poiché tutti i dati ते गोदामातून येतात dati integrato.
Un altro vantaggio è che ci saranno pochi collegamenti fra ogni
data mart e le relative fonti di dati perché ogni data mart ha soltanto
una fonte di dati. In più con questa architettura sul posto, gli utenti
finali possono ancora accedere alla panoramica dei dati
organizzativi aziendali. Questo metodo è conosciuto come il
metodo top-down, in cui i data marts sono costruiti dopo il data
warehouse (peacock 1998, Goff 1998).
Aumentando la necessità di mostrare presto i risultati, alcune
organizzazioni hanno cominciato costruire data marts indipendenti
(Flanagan e Safdie 1997, White 2000). In questo caso, i data marts
prendono i loro dati च्या मूलभूत गोष्टींपासून थेट dati OLTP e non dal
deposito centralizzato e integrato, eliminando così l’esigenza di
avere il deposito centrale sul posto.
Ogni data mart richiede almeno un collegamento alle relative fonti
di dati. Uno svantaggio di avere collegamenti multipli per ogni data
mart è che, confrontato alle due architetture precedenti, la
sovrabbondanza di dati लक्षणीय वाढते.
प्रत्येक डेटा मार्टने सर्व संग्रहित करणे आवश्यक आहे dati richiesti localmente per
non avere effetto sui sistemi di OLTP. Questo provoca che i dati
sono immagazzinati in differenti data marts (Inmon ed altri. 1997).
Un altro svantaggio di questa architettura è che conduce alla
creazione di complesse interconnessioni fra i data marts e le loro
fonti di dati che sono difficili da effettuare e controllare (Inmon ed
altri. 1997).
Un altro svantaggio è che gli utenti finali non possono potere
accedere alla panoramica delle informazioni aziendali poiché i dati
विविध डेटा मार्ट समाकलित केलेले नाहीत (ओव्हम 1998).
Ancora un altro svantaggio è che potrebbe esistere più di una
definizione per ogni terminologia usata nei data marts che genera
inconsistenze di dati 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).
Esaminando il prototipo, gli utenti finali e l’amministrazione possono
decidere se continuare o fermare il progetto (Flanagan e Safdie
1997).
Se la decisione è di continuare, i data marts per altri settori
dovrebbero essere costruiti una alla volta. Ci sono due opzioni per
gli utenti finali basate sui loro bisogni nella costruzione dei data
matrs indipendenti: integrated/federated ed unintegrated (Ovum
1998)
Nel primo metodo, ogni nuovo data mart dovrebbe essere costruito
basandosi sui data marts attuali e sul modello dati utilizzato
dall’impresa (Varney 1996, Berson e Smith 1997, Peacock 1998).
La necessità di usare il modello dati dell’impresa fa si che bisogna
accertarsi che esista soltanto una definizione per ogni terminologia
usata attraverso i data marts, questo anche per accertarsi che data
marts differenti possano essere uniti per dare una panoramica delle
informazioni aziendali (Bresnahan 1996). Questo metodo è
denominato il bottom-up ed è il migliore quando c’è un vincolo sui
mezzi finanziari e sul tempo (Flanagan e Safdie 1997, Ovum 1998,
peacock 1998, Goff 1998). Nel secondo metodo, i data marts
costruiti possono soddisfare soltanto i bisogni di un’unità specifica.
Una variante del federated data mart è il डेटा वेअरहाऊस वितरित
ज्यात डेटाबेस middleware hub server è utilizzato per unire molti
data marts in un singolo deposito di dati distribuito (White 1995). In
questo caso, i dati aziendali sono distribuiti in parecchi data marts.
Le richieste dell’utente finale sono trasmesse al डेटाबेस
सर्व्हर हब मिडलवेअर, जे सर्व काढते dati richiesti dai data
marts e ritorna i risultati alle applicazioni dell’utente finale. Questo
metodo fornisce le informazioni aziendali agli utenti finali. Tuttavia,
ancora non vengono eliminati i problemi dei data marts
indipendenti. C’è un’altra architettura che può essere usata che è
chiamata il 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 dagli utenti finali sono passate sopra ai
sistemi di OLTP che restituiscono i risultati dopo l’elaborazione delle
richieste di utente. Anche se questa architettura permette agli utenti
finali di generare i rapporti e formulare le richieste, non può fornire i
dati कंपनीच्या माहितीचे ऐतिहासिक आणि विहंगावलोकन i dati
dai differenti sistemi di OLTP non sono integrati. Quindi, questa
architettura non può soddisfare l’analisi di dati complessa quale ad
esempio previsioni.
Selezione dell’applicativi di accesso e di
recupero dei dati
बांधण्याचा उद्देश ए डेटा वेअरहाऊस è di trasmettere
informazioni agli utenti finali (Inmon ed altri 1997, Poe 1996,
McFadden 1996, Shanks ed altri 1997, Hammergren 1998); uno o
più applicativi di accesso e recupero dati devono essere forniti. Ad
oggi, esiste un’ampia varietà di questi applicativi tra cui l’utente può
scegliere (Hammergren 1998, Humphries ed altri 1999). Gli
applicativi selezionati determinano il successo dello sforzo
d’immagazzinamento di dati in un’organizzazione perché gli
applicativi sono la parte più visibile del डेटा वेअरहाऊस all’utente
finale (Inmon ed altri 1997, Poe 1996). Per aver successo un data
warehouse, deve potere sostenere le attività di analisi dei dati
dell’utente finale (Poe 1996, Seddon e Benjamin 1998, Eckerson
1999). Quindi il “livello” di ciò che l’utente finale vuole deve essere
identificato (Poe 1996, Mattison 1996, Inmon ed altri 1997,
Humphries ed altri 1999).
In generale, gli utenti finali possono essere raggruppati in tre
categorie: executive users, business analysts e power user (Poe
1996, Humphries ed altri 1999). Gli executive users necessitano di
un facile accesso ad insiemi predefiniti di rapporti (Humphries ed
altri 1999). Questi rapporti possono essere raggiunti facilmente con
la navigazione dei menu (Poe 1996). In più, i rapporti dovrebbero
presentare le informazioni usando la rappresentazione grafica
come le tabelle ed i modelli per trasportare rapidamente le
informazioni (Humphries ed altri 1999). I business analyst, che non
possono avere le possibilità tecniche per sviluppare i rapporti da
zero da soli, necessitano di potere modificare i rapporti attuali per
soddisfare i loro bisogni specifici (Poe 1996, Humphries ed altri
1999). I power user, d’altra parte, sono il tipo di utilizzatori finali che
hanno la capacità di generare e scrivere le richieste ed i rapporti da
zero (Poe 1996, Humphries ed altri 1999). Sono quelli che
sviluppano i rapporti per gli altri tipi di utenti (Poe 1996, Humphries
ed altri 1999).
Una volta determinati i requisiti dell’utente finale deve essere fatta
una selezione degli applicativi di accesso e recupero dati tra tutti
quelli disponibili (Poe 1996, Inmon ed altri 1997).
मध्ये प्रवेश dati e gli strumenti di retrieval possono essere
classificati in 4 tipi: OLAP tool, EIS/DSS tool, tool di query e
reporting e tool di data mining.
I tool OLAP permettono agli utenti di creare query ad hoc così come
quelle fatte sul डेटाबेस अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना डेटा वेअरहाऊस. Inoltre questi prodotti
consentono agli utenti di fare drill-down dai dati generali a quelli
dettagliati.
I tool EIS/DSS forniscono reporting esecutivi come analisi “what if”
e accessi ai reports organizzati a menu. I report devono essere
predefiniti e uniti ai menu per una navigazione più facile.
I tool di query e reporting permettono agli utenti di produrre report
predefiniti e specifici.
I tool di data mining sono usati per identificare relazioni che
potrebbero fare nuova luce sulle operazioni dimenticate nei dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना
datawarehouse.
Accanto all’ottimizzazione dei requisiti di ogni tipologia di utenti, i
tool selezionati devono essere intuitivi, efficienti e di facile utilizzo.
Inoltre devono essere compatibili con le altre parti dell’architettura e
in grado di lavorare con i sistemi esistenti. È inoltre suggerito di
scegliere data access e tool di retrieval con prezzi e performance
ragionevoli. Altri criteri da considerare includono l’impegno del
venditore del tool nel sostenere il loro prodotto e gli sviluppi che lo
stesso avrà nelle future release. Per garantire l’impegno degli utenti
nell’utilizzo del datawarehouse, il team di sviluppo coinvolge gli
utenti nel processo della selezione del tool. In questo caso
dovrebbe essere effettuata una valutazione pratica dell’utente.
Per migliorare il valore del datawarehouse il team di sviluppo può
fornire anche un accesso web ai loro datawarehouse. Un
datawarehouse web-enabled permette agli utenti di accedere ai dati
दुर्गम ठिकाणाहून किंवा प्रवास करताना. अधिक माहिती करू शकता
essere fornite a costi più bassi mediante una diminuzione dei costi
di प्रशिक्षण.
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 del datawarehouse
devono essere refreshati periodicamente per riprodurre i
cambiamenti effettuati sui dati originali. Bisogna quindi decidere
quando fare il refresh, ogni quanto tempo deve essere schedulato il
refresh e come eseguire il refresh dei dati. Viene suggerito di fare il
refresh dei dati quando il sistema può essere messo off- line. La
frequenza del refresh è determinata dal team di sviluppo basandosi
sui requisiti degli utenti. Ci sono due approcci per fare il refresh del
datawarehouse: il refresh completo e il caricamento continuo dei
बदल
Il primo approccio, il refresh completo, richiede il ricaricamento di
सर्व 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.
Un approccio alternativo è quello di caricare continuamente i
cambiamenti. Questo aggiunge i dati che sono stati cambiati
dall’ultimo ciclo di refresh del datawarehouse. L’identificazione di
records nuovi o modificati riduce significativamente la quantità di
dati che devono essere propagati al datawarehouse in ogni
aggiornamento poiché solo questi dati मध्ये जोडले जाईल डेटाबेस
डेटा वेअरहाऊसचे.
Ci sono almeno 5 approcci che possono essere usati per prelevare
i dati nuovi o modificati. Per ottenere un’efficiente strategia di
refresh dei dati può essere utile un misto di questi approcci che
preleva tutti i cambiamenti nel sistema.
Il primo approccio, che usa i timestamp, suppone che viene
assegnato a tutti i dati modificati e aggiornati un timestamp in modo
da potere identificare facilmente tutti i dati modificati e nuovi.
Questo approccio, però, non è stato molto usato nella maggior
parte degli odierni sistemi operativi.
Il secondo approccio è quello di usare un delta file generato da
un’applicazione che contiene soltanto i cambiamenti fatti ai dati.
या फाईलचा वापर केल्याने अपडेट सायकल देखील वाढवते.
Tuttavia, anche questo metodo, non è stato usato in molte
अनुप्रयोग.
Il terzo approccio è quello di fare uno scan su un file di log, che
fondamentalmente contiene informazioni simili al delta file. L’unica
differenza è che un log file è creato per il processo di recovery e
può essere difficile da capire.
Il quarto approccio è quello di modificare il codice dell’applicazione.
Tuttavia la maggior parte del codice delle applicazioni è vecchio e
fragile; perciò questa tecnica dovrebbe essere evitata.
शेवटचा दृष्टिकोन तुलना करणे आहे dati sorgenti con il file
principale dei dati.
डेटा वेअरहाऊस क्रियाकलापांचे नियंत्रण
Una volta che il datawarehouse è stato rilasciato agli utenti, è
necessario monitorarlo nel tempo. In questo caso, l’amministratore
del datawarehouse può impiegare uno o più tool di gestione e
controllo per monitorare l’uso del datawarehouse. In particolare
possono essere raccolte informazioni sulle persone e sul tempo in
cui accedono al datawarehouse. Dai dati raccolti può essere creato
un profilo del lavoro effettuato che può essere usato come input
nell’implementazione del chargeback dell’utente. Il Chargeback
permette agli utenti di essere informati sul costo di elaborazione del
datawarehouse.
Inoltre, il controllo del datawarehouse può anche essere usato per
identificare i tipi di query, la loro grandezza, il numero di query al
giorno, i tempi di reazione alla query, i settori raggiunti e la quantità
di dati processati. Un altro scopo di fare il controllo del
datawarehouse è identificare i dati जे वापरात नाहीत. या dati
वेळ सुधारण्यासाठी ते डेटा वेअरहाऊसमधून काढले जाऊ शकतात
क्वेरी अंमलबजावणी प्रतिसाद आणि च्या वाढीचे निरीक्षण करा
dati च्या आत राहतात डेटा बेस डेटा वेअरहाऊसचे.
डेटा वेअरहाऊस सुरक्षा व्यवस्थापन
डेटा वेअरहाऊसमध्ये समाविष्ट आहे dati integrati, critici, sensibili che
possono essere raggiunti facilmente. Per questo motivo dovrebbe
essere protetto dagli utenti non autorizzati. Un modo per
implementare la sicurezza è quello di usare la funzione del 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 prima di presentare i
risultati agli utenti.
2.4.4 डेटा वेअरहाउस उपयोजन टप्पा
È l’ultima fase nel ciclo di implementazione del datawarehouse. Le
attività da effettuare in questa fase includono l’addestramento degli
utenti per utilizzare il datawarehouse e la realizzazione di reviews
डेटा वेअरहाऊसचे.
वापरकर्ता प्रशिक्षण
L’addestramento degli utenti dovrebbe essere fatto prima
dell’accesso ai dati del datawarehouse e dell’uso dei tool di
retrieval. Generalmente, le sessioni dovrebbero iniziare con
l’introduzione al concetto dell’immagazzinamento di datiयेथे
contenuto del datawarehouse, ai meta dati ed alle features di base
dei tool. Poi, gli utenti più avanzati potrebbero inoltre studiare le
tabelle fisiche e le features degli utenti dei data access e dei tool di
retrieval.
Ci sono molti approcci per fare l’addestramento degli utenti. Uno di
questi prevede una selezione di molti utenti o analisti scelti da un
insieme di utenti, basandosi sulla loro leadership e abilità di
comunicazione. Questi vengono addestrati a titolo personale su
tutto quello che devono sapere per prendere confidenza con il
sistema. Finito l’addestramento, questi ritornano al loro lavoro e
iniziano a insegnare agli altri utenti come utilizzare il sistema. Sulla
base di quanto hanno imparato, gli altri utenti possono iniziare ad
esplorare il datawarehouse.
Un altro approccio è quello di addestrare molti utenti nello stesso
tempo, come se si stesse facendo un corso in aula. Questo metodo
è adatto quando ci sono molti utenti che devono essere addestrati
allo stesso tempo. Un altro metodo ancora è quello di addestrare
individualmente ogni utente, ad uno ad uno. Questo metodo è
adatto quando ci sono pochi utenti.
Lo scopo dell’addestramento degli utenti è quello di familiarizzare
con l’accesso ai dati e i tool di retrieval così come i contenuti del
datawarehouse. Tuttavia, alcuni utenti possono essere sopraffatti
dalla quantità di informazioni fornita durante la sessione di
addestramento. Quindi devono essere fatte un certo numero di
sessioni di aggiornamento l’assistenza continua e per rispondere
alle domande specifiche. In alcuni casi viene formato un gruppo di
utenti per fornire questo tipo di supporto.
अभिप्राय गोळा करणे
Una volta che il datawarehouse è stato rolled out, gli utenti possono
usare i dati che risiedono nel datawarehouse per vari scopi.
Principalmente, gli analisti o gli utenti utilizzano i dati नेल
datawarehouse per:
1 Identificare le tendenze dell’azienda
2 Analizzare i profili d’acquisto dei ग्राहकांना
3 Suddividere i ग्राहकांना एड मी
4 Fornire i servizi migliori ai ग्राहकांना - सेवा सानुकूलित करा
5 Formulare strategie di विपणन
6 Effettuare preventivi competitivi per cost analyses e help
नियंत्रण
7 Supportare decision-making strategiche
8 Identificare occasioni per emergere
9 Migliorare la qualità degli attuali business process
10 Controllare il profitto
Seguendo la direzione di sviluppo del datawarehouse, si potrebbero
condurre una serie di revisioni al sistema per ottenere dei feddback
sia da parte del team di sviluppo che da parte della comunità degli
utenti finali.
I risultati ottenuti possono essere presi in considerazione per il
prossimo ciclo di sviluppo.
Dal momento che il datawarehouse ha un approccio incrementale,
è fondamentale imparare dai successi e dagli errori dei precedenti
sviluppi.
2.5 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 माहिती प्रणाली मध्ये संशोधन
La ricerca nei sistemi informativi non si limita semplicemente
all’ambito tecnologico ma deve essere anche estesa per includere
fini riguardanti il comportamento e l’organizzazione.
Questo lo dobbiamo alle tesi di varie discipline che vanno dalle
scienze sociali a quelle naturali; questo porta alla necessità di un
certo spettro di metodi di ricerca che coinvolgono metodi quantitativi
e qualitativi da utilizzare per i sistemi informativi.
Tutti i metodi di ricerca disponibili sono importanti, infatti svariati
ricercatori come Jenkins (1985), Nunamaker et al. (1991), e Galliers
(1992) sostengono che non esista un metodo specifico universale
per condurre ricerche nei vari campi dei sistemi informativi; infatti
un metodo può essere adatto per una particolare ricerca ma non
per altre. Questo ci porta la necessità di selezionare un metodo che
sia adatto alla nostro particolare progetto di ricerca: per questa
scelta Benbasat et al. (1987) affermano che si debbano considerare
la natura e il fine della ricerca.
3.1.1 संशोधनाचे स्वरूप
I vari metodi basati sulla natura della ricerca possono essere
classificati in tre tradizioni ampiamente conosciuti nella scienza
dell’informazione: positivista, interpretativa e ricerca critica.
१.१.१.१ सकारात्मक संशोधन
La ricerca positivista è anche conosciuta come studio scientifico o
empirico. Essa cerca di: “spiegare e prevedere cosa succederà nel
mondo sociale guardando alle regolarità e alle relazioni causaeffetto
tra gli elementi che lo costituiscono” (Shanks et al 1993).
La ricerca positivista è inoltre caratterizzata da ripetibilità ,
semplificazioni e confutazioni. Inoltre la ricerca positivista ammette
l’esistenza di relazioni a priori tra i fenomeni studiati.
Secondo Galliers(1992) la tassonomia è un metodo di ricerca
incluso nel paradigma positivista, che però non è limitato a questa,
infatti sussistono esperimenti di laboratorio, esperimenti sul campo,
casi di studio, dimostrazioni di teoremi, previsioni e simulazioni.
Utilizzando questi metodi i ricercatori ammettono che i fenomeni
studiati possano essere osservati oggettivamente e rigorosamente.
3.1.1.2 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.
Questo metodo comprende studi soggettivo/argomentativi, azioni di
ricerca, studi descrittivo/interpretativi, ricerche future e giochi di
ruolo. In aggiunta a questi indagini e casi di studio possono essere
inclusi in questo approccio in quanto essi concernono gli studi degli
individui o delle organizzazioni all’interno di complesse situazioni
वास्तविक जगाचा
3.1.1.3 गंभीर संशोधन
La ricerca critica è l’approccio meno conosciuto nelle scienze
sociali ma di recente ha ricevuto l’attenzione dei ricercatori
nell’ambito dei sistemi informativi. L’assunzione filosofica che la
realtà sociale è storicamente prodotta e riprodotta dalle persone,
così come i sistemi sociali con le loro azioni ed interazioni. La loro
abilità, comunque, è mediata da un certo numero di considerazione
sociali, culturali e politiche.
Cosi come la ricerca interpretativa, quella critica sostiene che la
ricerca positivista non c’entra con il contesto sociale ed ignora la
sua influenza sulle azioni umane.
La ricerca critica, d’altra parte, critica la ricerca interpretativa per
essere troppo soggettiva e perché non si propone di aiutare le
persone a migliorare le proprie vite. La più grossa differenza tra la
ricerca critica e gli altri due approcci è la sua dimensione valutativa.
Mentre l’oggettività delle tradizioni positivista ed interpretativa, è per
predire o spiegare lo status quo o la realtà sociale, la ricerca critica
punta a valutare criticamente e trasformare la realtà sociale sotto
स्टुडिओ
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 संशोधनाचा उद्देश
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
La ricerca esplorativa è finalizzata nell’investigare un argomento
totalmente nuovo e formulare domande e ipotesi per la ricerca
futura. Questo tipo di ricerca è utilizzato nella costruzione della
teoria per ottenere dei riferimenti iniziali in una nuova area.
Normalmente si utilizzano metodi di ricerca qualitativa, come i casi
di studio o gli studi fenomenonologici.
Tuttavia è anche possibile impiegare tecniche quantitative come
indagini esplorative od esperimenti.
3.1.3.3 वर्णनात्मक संशोधन
La ricerca descrittiva è finalizzata ad analizzare e descrivere in gran
dettaglio una particolare situazione o pratica organizzativa. Questa
è appropriata per costruire teorie e può essere anche usata per
confermare o contestare ipotesi. La ricerca descrittiva solitamente
comprende l’uso di misure e campioni. I metodi di ricerca più adatti
comprendono indagini e analisi di antecedenti.
3.1.2.3 स्पष्टीकरणात्मक संशोधन
La ricerca esplicativa cerca di spiegare perché succedono le cose.
Essa è costruita su fatti che sono già stati studiati e cerca di trovare
i perché di tali fatti.
Quindi la ricerca esplicativa è normalmente costruita sulla ricerca
esplorativa o descrittiva ed è accessoria al fine di testare ed affinare
le teorie. La ricerca esplicativa normalmente impiega casi di studio
o metodi di ricerca basati sulle indagini.
3.1.2.4 प्रतिबंधात्मक संशोधन
La ricerca preventiva punta a predire gli eventi e i comportamenti
sotto osservazione che si stanno studiando (Marshall and Rossman
1995). La previsione è il test scientifico standard della verità.
Questo tipo di ricerca generalmente impiega indagini o analisi dei
dati इतिहासकार (यिन १९८९)
La suddetta discussione dimostra che c’è un certo numero di
possibili metodi di ricerca che possono essere usati in uno studio
particolare. Tuttavia, ci deve essere un metodo specifico più adatto
degli altri per un tipo particolare di progetto di ricerca. (Galliers
1987, Yin 1989, De Vaus 1991). Ogni ricercatore, quindi, ha
bisogno di valutare con attenzione i punti di forza e le debolezze di
vari metodi, per arrivare ad adottare il metodo di ricerca più adatto e
compatibile col progetto di ricerca. (Jenkins 1985, Pervan e Klass
1992, Bonomia 1985, Yin 1989, Himilton and Ives 1992).
३.२. संभाव्य संशोधन पद्धती
L’obiettivo di questo progetto era studiare l’esperienza nelle
organizzazioni australiane con i dati immagazzinati con uno
च्या विकास 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.
Dopo un rigoroso esame dei metodi disponibili, sono stati identificati
due possibili metodi di ricerca: indagini (surveys) e casi di studio
(case studies), che possono essere usati per una ricerca
esplorativa (Shanks et al. 1993). Galliers (1992) sostiene che
l’idoneità di questi due metodi per questo particolare studio nella
sua tassonomia rivisitata dicendo che sono adatti per la costruzione
teorica. Le seguenti due sottosezioni discutono ogni metodo in
dettaglio.
3.2.1 सर्वेक्षण संशोधन पद्धत
Il metodo di ricerca d’indagine proviene dall’antico metodo del
censimento. Un censimento consta nel collezionare informazioni da
un’intera popolazione. Questo metodo è costoso e poco pratico, in
particolare se la popolazione è elevata. Quindi, rispetto al
censimento, una indagine normalmente è concentrata sul
collezionare informazioni per un piccolo numero, o campione, dei
rappresentanti della popolazione (Fowler 1988, Neuman 1994). Un
campione riflette la popolazione da cui è disegnato, con differenti
livelli di accuratezza, secondo la struttura del campione, la
dimensione e il metodo di selezione utilizzato (Fowler 1988, Babbie
1982, Neuman 1994).
Il metodo d’indagine è definito come “snapshots of practices,
situations or views at a particular point in time, undertaken using
questionnaires or interviews, from which inferences may be
made” (Galliers 1992:153) [fotografia istentanea delle pratiche,
situazioni o viste in particolare punto temporale, intrapreso usando
questionari o interviste, da cui possono essere fatte inferenze]. Le
indagini si occupano della raccolta di informazioni su alcuni aspetti
dello studio, da un certo numero di partecipanti, facendo delle
domande (Fowler 1988). Anche questi questionari e interviste, che
includono le interviste faccia a faccia al telefono e quelle strutturate,
sono le tecniche di collezione di dati più comuni impiegate nelle
indagini (Blalock 1970, Nachmias and Nachmias 1976, Fowler
1988), possono essere utilizzate osservazioni ed analisi (Gable
1994). Di tutti questi metodi di collezione dei dati, l’uso del
questionario è la tecnica più popolare, poiché assicura che i dati
collezionati siano strutturati e formattati, e quindi facilita la
classificazione delle informazioni (Hwang 1987, de Vaus 1991).
विश्लेषण करताना i dati, una strategia d’indagine impiega spesso le
tecniche quantitative, come l’analisi statistica, ma possono essere
impiegate anche tecniche qualitative (Galliers 1992, Pervan
आणि क्लास 1992, गॅबल 1994). साधारणपणे, आय dati raccolti sono
usati per analizzare le distribuzioni e i modelli delle associazioni
(Fowler 1988).
Anche se le indagini sono generalmente appropriate per ricerche
che si occupano della domanda ‘che cosa?’ (what) o da essa
derivanti, quali ‘quanto’(how much) e ‘quant’è’ (how many), esse
possono essere poste tramite la domanda ‘perché’ (Sonquist and
Dunkelberg 1977, Yin 1989). Secondo Sonquist e Dunkelberg
(1977), l’indagine di ricerca punta ad ipotesi difficili, programme di
valutazione, descrivendo la popolazione e sviluppando modelli del
comportamento umano. Inoltre, le indagini possono essere usate
per studiare un’opinione certa della popolazione, condizioni,
opinioni, caratteristiche, aspettative e anche comportamenti passati
o presenti(Neuman 1994).
Le indagini permettono al ricercatore di scoprire i rapporti tra la
popolazione ed i risultato sono normalmente più generici rispetto ad
altri metodi (Sonquist and Dunkelberg 1977, Gable 1994). Le
indagini permettono ai ricercatori di riguardare una zona geografica
più larga e di raggiungere tantissimi dichiaranti (Blalock 1970,
Sonquist and Dunkelberg 1977, Hwang and Lin 1987, Gable 1994,
Neuman 1994). Infine, le indagini possono fornire le informazioni
che non sono disponibili altrove o nella forma richiesta per le analisi
(Fowler 1988).
Ci sono, tuttavia, alcune limitazioni nell’eseguire un’indagine. Uno
svantaggio è che il ricercatore non può ottenere molte informazioni
a riguardo dell’oggetto studiato. Questo è dovuto al fatto che le
indagini sono eseguite soltanto in un momento particolare e, quindi,
c’è un numero limitato di variabili e di persone che il ricercatore può
studiare (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998).
Un altro svantaggio è quello che esegue un’indagine può essere
molto costoso in termini di tempo e risorse, particolarmente se
coinvolge le interviste faccia a faccia (Fowler 1988).
३.२.२. चौकशी संशोधन पद्धत
Il metodo di ricerca di inchiesta coinvolge lo studio approfondito su
una particolare situazione all’interno del relativo contesto reale in un
periodo di tempo definito, senza alcun intervento da parte del
ricercatore (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985).
Principalmente questo metodo è usato per descrivere i rapporti fra
le variabili che si stanno studiando in una situazione particolare
(Galliers 1992). Le inchieste possono coinvolgere singoli casi o
multipli, a seconda del fenomeno analizzato (Franz e Robey 1987,
Eisenhardt 1989, Yin 1989).
Il metodo di ricerca di inchiesta è definito come “un’inchiesta
empirica che studia un fenomeno contemporaneo all’interno del
relativo contesto reale, usando le fonti multiple raccolte da una o
più entità quali la gente, i gruppi, o le organizzazioni” (Yin 1989).
Non c’è netta separazione fra il fenomeno ed il relativo contesto e
non c’è controllo o manipolazione sperimentale delle variabili (Yin
1989, Benbasat ed altri 1987).
गोळा करण्यासाठी विविध तंत्रे आहेत dati ते करू शकतात
essere impiegate nel metodo di inchiesta, che includono le
osservazioni dirette, revisioni di record di archivi, questionari,
revisione della documentazione ed interviste strutturate. Avendo
una gamma varia di tecniche della raccolta di dati, le inchieste
permettono ai ricercatori di occuparsi sia dei dati qualitativi che
quantitativi allo stesso tempo (Bonoma 1985, Eisenhardt 1989, Yin
1989, Gable 1994). Com’è il caso con il metodo di indagine, un
ricercatore di inchiesta funge da osservatore o ricercatore e non
come partecipante attivo all’organizzazione allo studio.
Benbasat ed altri (1987) asseriscono che il metodo di inchiesta è
particolarmente adatto per la costruzione della teoria di ricerca, che
comincia con una domanda di ricerca e continua con la formazione
संकलन प्रक्रियेदरम्यान एक सिद्धांत dati. अस्तित्व
adatto anche per la fase
della costruzione di teoria, Franz e Robey (1987) suggeriscono che
il metodo di inchiesta può anche essere utilizzato per la complessa
fase di teoria. In questo caso, basandosi sulle prove raccolte, una
data teoria o ipotesi viene verificata o confutata. In più, l’inchiesta è
anche adatta per ricerca che si occupa delle domande ‘come’ o
‘perché’ (Yin 1989).
Rispetto ad altri metodi, le inchieste permettono al ricercatore di
catturare le informazioni essenziali più nel particolare (Galliers
1992, Shanks ed altri 1993). Inoltre, le inchieste permettono al
ricercatore di capire la natura e la complessità dei processi studiati
(Benbasat ed altri 1987).
Ci sono quattro svantaggi principali connessi con il metodo di
inchiesta. Il primo è la mancanza di deduzioni controllate. La
soggettività del ricercatore può alterare i risultati e le conclusioni
dello studio (Yin 1989). Il secondo svantaggio è la mancanza di
osservazione controllata. A differenza dei metodi sperimentali, il
ricercatore di inchiesta non può controllare i fenomeni studiati
poiché sono esaminati nel loro contesto naturale (Gable 1994). Il
terzo svantaggio è la mancanza di replicabilità. Ciò è dovuto al fatto
che il ricercatore ha poca probabilità di osservare gli stessi eventi, e
non può verificare i risultati di un particolare studio (Lee 1989).
Infine, come conseguenza della non replicabilità, è difficile
generalizzare i risultati ottenuti da una o più inchieste (Galliers
1992, Shanks ed altri 1993). Tutti questi problemi, tuttavia, non
sono insormontabili e possono, infatti, essere minimizzati dal
ricercatore applicando azioni appropriate (Lee 1989).
३.३. संशोधन पद्धतीचे समर्थन करा
दत्तक
Dai due metodi di ricerca possibili per questo studio, il metodo di
indagine è considerato come il più adatto. Quello di inchiesta è
stato scartato in seguito ad un attenta considerazione dei relativi
meriti e debolezze. La convenienza o l’inappropriatezza di ogni
metodo per questo studio è discussa in seguito.
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
Quando questa ricerca è stata condotta, la pratica di datawarehousing
non era stata ampiamente adottata dalle
organizzazioni australiane. Quindi, non c’erano molte informazioni
per quanto riguarda la loro implementazione all’interno delle
organizzazioni australiane. Le informazioni disponibili provenivano
dalle organizzazioni che avevano implementato o utilizzato un data
warehouse. In questo caso, il metodo di ricerca di indagine è il più
adatto poiché permette di ottenere le informazioni che non sono
disponibili altrove o nella forma richiesta per analisi (Fowler 1988).
In più, il metodo di ricerca di indagine permette al ricercatore di
ottenere una buona visione delle pratiche, delle situazioni, o delle
viste in un determinato momento (Galliers 1992, Denscombe 1998).
Una veduta d’insieme era stata richiesta per aumentare la
conoscenza circa l’esperienza australiana di data warehousing.
Ancora, Sonquist e Dunkelberg (1977) dichiarano che i risultati di
ricerca di indagine sono più generali di altri metodi.
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 che immagazzinano e,
pertanto, potrebbe fornire le informazioni utili per questo studio. La
popolazione obiettivo è stata identificata con un’indagine iniziale di
tutti i membri australiani del ‘The Data Warehousing Institute’ (Tdwiaap).
Questa sezione discute il disegno della fase di ricerca
empirica di questo studio.
३.४.१. कापणी तंत्र dati
Dalle tre tecniche usate comunemente nella ricerca di indagine
(cioè questionario via posta, intervista del telefono ed intervista
personale) (Nachmias 1976, Fowler 1988, de Vaus 1991), per
questo studio è stato adottato il questionario via posta. Il primo
motivo per l’adozione di quest’ultimo è che può raggiungere una
popolazione sparsa geograficamente (Blalock 1970, Nachmias e
Nachmias 1976, Hwang e Lin 1987, de Vaus 1991, Gable 1994).
Secondariamente, il questionario via posta è adatto a partecipanti
altamente istruiti (Fowler 1988). Il questionario via posta per questo
studio è stato indirizzato ai project sponsors del data warehousing,
direttori e/o responsabili di progetto. In terzo luogo, i questionari via
posta sono adatti quando si ha a disposizione una lista sicura di
indirizzi (Salant e Dilman 1994). TDWI, in questo caso, una
associazione fidata di data warehousing ha fornito la lista di indirizzi
dei relativi membri australiani. Un altro vantaggio del questionario
via posta rispetto al questionario via telefono o alle interviste
personali è che permette ai dichiaranti di rispondere con maggior
esattezza, particolarmente quando i dichiaranti devono consultare
le annotazioni o discutere le domande con altra gente (Fowler
1988).
Uno svantaggio potenziale può essere il tempo richiesto per
condurre i questionari via posta. Normalmente, un questionario via
posta è condotto in questa sequenza: spedire le lettere, aspettare le
risposte e mandare la conferma(Fowler 1988, Bainbridge 1989).
Quindi, il tempo totale può essere più lungo del tempo richiesto per
le interviste personali o per le interviste al telefono. Tuttavia, il
tempo totale può essere conosciuto in anticipo (Fowler 1988,
Denscombe 1998). Il tempo speso per condurre le interviste
personali non può essere conosciuto in anticipo poiché varia da
un’intervista all’altra (Fowler 1988). Le interviste telefoniche
possono essere più rapide dei questionari via posta e delle
interviste personali ma possono avere un alto tasso di mancanza di
risposta dovuto all’indisponibilità di alcune persone (Fowler 1988).
In più, le interviste telefoniche sono limitate generalmente a liste di
domande relativamente corte (Bainbridge 1989).
Un’altra debolezza di un questionario via posta è l’alto tasso di
mancanza di risposta (Fowler 1988, Bainbridge 1989, Neuman
1994). Tuttavia, sono state prese delle contromisure, associando
questo studio con un’istituzione fidata nel campo del data
warehousing (cioè TDWI) (Bainbridge 1989, Neuman 1994), la
quale trasmette due lettere di sollecito ai chi non ha risposto
(Fowler 1988, Neuman 1994) ed include inoltre una lettera
aggiuntiva che spiega lo scopo dello studio (Neuman 1994).
३.४.२. विश्लेषणाचे एकक
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. मध्ये
seguito vengono intestate le singole organizzazioni. Il questionario
via posta è stato spedito alle organizzazioni interessate all’adozione
di डेटा वेअरहाऊस. Questo metodo garantisce che le informazioni
raccolte provengano dalle risorse più adatte di ogni organizzazione
partecipante.
३.४.३. सर्वेक्षण नमुना
La “mailing list” dei partecipanti all’indagine è stata ottenuta da
TDWI. A partire da questa lista, 3000 organizzazioni australiane
sono state selezionate come base per il campionamento. Una
lettera di aggiuntiva spiegava il progetto e lo scopo dell’indagine,
insieme ad una scheda per le risposte e una busta prepagata per
rinviare il questionario compilato sono state inviate al campione.
Delle 3000 organizzazioni, 198 hanno accettato di partecipare allo
studio. Era previsto un così piccolo numero di risposte डेटा il
grande numero di organizzazioni australiane che allora avevano
abbracciato o stavano abbracciando la strategia di data
warehousing all’interno delle loro organizzazioni. Quindi, la
popolazione obiettivo per questo studio consiste di sole 198
organizzazioni.
३.४.४. प्रश्नावलीची सामग्री
La struttura del questionario è stata basata sul modello di data
warehousing Monash (discusso precedentemente nella parte 2.3). Il
contenuto del questionario è stato basato sull’analisi della
letteratura presentata nel capitolo 2. Una copia del questionario
spedito ai partecipanti all’indagine può essere trovata
nell’appendice B. Il questionario è composto da sei sezioni, che
seguono le fasi del modello trattato. I seguenti sei paragrafi
brevemente ricapitolano il contenuto di ogni sezione.
विभाग A: संस्थेबद्दल मूलभूत माहिती
Questa sezione contiene le domande relative al profilo delle
organizzazioni partecipanti. In più, alcune delle domande sono
relative alla condizione del progetto di data warehousing del
partecipante. Le informazioni confidenziali quale il nome
dell’organizzazione non sono state rivelate nell’analisi di indagine.
विभाग ब: सुरुवात
Le domande in questa sezione sono relative all’attività di inizio di
data warehousing. Le domande sono state fatte per quanto
riguarda gli iniziatori di progetto, garanti, abilità e conoscenza
richieste, gli obiettivi dello sviluppo di data warehousing e le
aspettative degli utilizzatori finali.
विभाग सी: डिझाइन
Questa sezione contiene le domande relative alle attività di
pianificazione del 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.
विभाग ड: विकास
Nella sezione di sviluppo ci sono le domande relative alle attività di
sviluppo del डेटा वेअरहाऊस: raccolta di requisiti dell’utilizzatore
finale, le fonti di dati, चे तार्किक मॉडेल dati, prototipi, la
pianificazione di capienza, architetture tecniche e selezione dei
tools di sviluppo del data warehousing.
विभाग ई: ऑपरेशन
Domande di funzionamento relative al funzionamento ed
all’estensibilità del डेटा वेअरहाऊस, come si evolve nella
successiva fase di sviluppo. La डेटा गुणवत्ता, le strategie di
refresh dei dati, चे ग्रॅन्युलॅरिटी dati, scalabilità del data
warehouse ed i problemi di sicurezza del डेटा वेअरहाऊस erano fra
le tipologie di domande fatte.
विभाग F: विकास
Questa sezione contiene le domande relative all’utilizzo del data
warehouse da parte degli utenti finali. Il ricercatore era interessato
allo scopo e all’utilità del डेटा वेअरहाऊस, la revisione e le strategie
di addestramento adottati e la strategia di controllo del data
warehouse adottata.
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
Tasso di risposta =
——————————————————————————– X 100
Numero totale di questionari spediti
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 (एक्सएनयूएमएक्स). मध्ये
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.
३.४.७. द्वारे विश्लेषण पद्धती Dati
I dati di indagine raccolti dai questionari a domanda chiusa sono
stati analizzati usando un pacchetto di programmi statistico
denominato SPSS. Molte delle risposte sono state analizzate
usando le statistiche descrittive. Un certo numero di questionari
sono ritornati incompleti. Questi sono stati trattati con maggiore
attenzione per accertarsi che i dati mancanti non fossero una
conseguenza degli errori di data entry, ma perché le domande non
erano adatte per il dichiarante, o il dichiarante ha deciso non
rispondere ad una o più domande specifiche. Queste risposte
mancanti sono state ignorate durante l’analisi dei dati e sono state
codificate come ‘- 9’ per accertare la loro esclusione dal processo di
analisi.
Nel preparare il questionario, le domande chiuse sono state
precodificate assegnando un numero ad ogni opzione. Il numero
allora è stato usato per preparare i dati durante l’analisi
(Denscombe 1998, Sapsford e Jupp 1996). Per esempio, c’erano
sei opzioni elencate nella domanda 1 della sezione B: consiglio
d’amministrazione, esecutivo ad alto livello, dipartimento IT , unità
di affari, i consulenti ed altro. Nello schedario di dati di SPSS, è
stata generata una variabile per indicare ‘l’iniziatore di progetto’,
con sei etichette di valore: ‘1’ per il ‘consiglio d’amministrazione’, ‘2’
per ‘l’esecutivo ad alto livello’ e così via. L’uso della scala di Likertin
in alcune delle domande chiuse inoltre ha permesso
un’identificazione che non richiede sforzo visto l’utilizzo dei valori
numerici corrispondenti inseriti in SPSS. Per le domande con le
risposte non esaustive, che non erano reciprocamente esclusive,
ogni opzione è stata trattata come una singola variabile con due
etichette di valore: ‘1 ‘ per ‘segnata’ e ‘2 ‘ per ‘non segnata’.
Le domande aperte sono state trattate diversamente dalle domande
chiuse. Le risposte a queste domande non sono state inserite in
SPSS. Al contrario, sono state analizzate a mano. L’uso di questo
tipo di domande permette di acquisire informazioni circa le idee
liberamente espresse e le esperienze personali nei dichiaranti
(Bainbridge 1989, Denscombe 1998). Dove possibile, è stata fatta
una categorizzazione delle risposte.
च्या विश्लेषणासाठी dati, sono usati metodi di semplice analisi statistica,
come la frequenza delle risposte, la media, la scarto quadratico
medio e la mediana (Argyrous 1996, Denscombe 1998).
Il Gamma test era performante per ottenere misure quantitative
delle associazioni tra dati ordinali (Norusis 1983, Argyrous 1996).
Questi test erano appropriati perché le scale ordinali usate non
avevano molte categorie e potevano essere mostrate in una tabella
(Norusis 1983).
3.5 सारांश
In questo capitolo, sono stati discussi la metodologia di ricerca e il
design adottati per questo studio.
La selezione del più appropriato metodo di ricerca per un
particolare studio prende in
considerazione un certo numero di regole, inclusa la natura e il tipo
della ricerca, così come i meriti e le debolezze di ogni possibile
metodo(Jenkins 1985, Benbasat et al. 1097,Galliers e Land 1987,
yin 1989, Hamilton e ives 1992, Galliers 1992, neuman 1994). Vista
la mancanza di conoscenza e teoria esistenti a proposito
dell’adozione di data warehousing in Australia, questo studio di
ricerca richiede un metodo di ricerca interpretativo con una abilità
esplorativa per esplorare le esperienze delle organizzazioni
australiane. Il metodo di ricerca prescelto è stato selezionato per
raccogliere informazioni riguardanti l’adozione del concetto di data
ware-housing da parte delle organizzazioni australiane. Un
questionario postale è stato scelto come tecnica di raccolta dati. ले
giustificazioni per il metodo di ricerca e la tecnica di raccolta dati
selezionati saranno fornite in questo capitolo. Inoltre è stata
presentata una discussione sull’unità di analisi,il campione
utilizzato, le percentuali di risposte, il contenuto del questionario, il
pre test del questionario e il metdo di analisi dei dati.

रचना डेटा वेअरहाउस:
एंटिटी रिलेशनशिप आणि डायमेंशनल मॉडेलिंग एकत्र करणे
सार
साठवण i dati è un problema attuale importante per molte
organizzazioni. Un problema chiave nello sviluppo
dell’immagazzinamento dei dati त्याची रचना आहे.
Il disegno deve sostenere il rilevamento di concetti nel data
warehouse a legacy system e le altre fonti di dati ed anche una
facile comprensione ed efficienza nell’implementazione di data
कोठार
च्या स्टोरेज साहित्याचा बराचसा dati शिफारस केली
l’uso di entity relationship modelling or dimensional modelling per
rappresentare il disegno di डेटा वेअरहाऊस.
In questo giornale noi mostriamo come entrambe le
rappresentazioni possono essere combinate in un approccio per il
disegno di 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 di solito è definito come un “subject-oriented,
integrated, time-variant, and nonvolatile collection of data in support
of management’s decisions” (Inmon and Hackathorn, 1994).
Subject-oriented and integrated indica che il डेटा वेअरहाऊस è
progettato per attraversare i confini funzionali dei legaci system per
offrire una prospettiva integrata dei dati.
टाइम-व्हेरिएंटचा ऐतिहासिक किंवा वेळ-मालिका स्वरूप प्रभावित होतो dati in
un डेटा वेअरहाऊस, la quale abilita trend per essere analizzati.
Non-volatile indica che il डेटा वेअरहाऊस non è continuamente
aggiornato come un डेटाबेस di OLTP. Piuttosto è aggiornato
periodicamente, con dati अंतर्गत आणि बाह्य स्त्रोतांकडून येत आहे. द
डेटा वेअरहाऊस specificatamente è disegnato per la ricerca
piuttosto che per l’integrità degli aggiornamenti e le prestazioni delle
operazioni.
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 che abilita dirigenti d’azienda ad accedere facilmente alla vista
देई dati.
चे सामान्य आर्किटेक्चर ए डेटा वेअरहाऊस ची भूमिका अधोरेखित करते
डेटा वेअरहाऊस nel supporto alla gestione. Oltre ad offrire
l’infrastruttura dati EIS आणि DSS साठी, al डेटा वेअरहाऊस शक्य आहे
accedervi direttamente attraverso le query. I dati inclusi in un data
warehouse si basano su un’analisi dei requisiti di informazioni di
gestione e sono ottenuti da tre fonti: internal legacy systems,
special purpose data capture systems and external data sources. I
dati negli internal legacy systems sono frequentemente ridondanti,
inconsistenti, di bassa qualità, e immagazzinati in diversi formati
quindi devono essere riconciliati e puliti prima di poterli caricare nel
डेटा वेअरहाऊस (इनमोन, 1992; मॅकफॅडन, 1996). द dati provenienti
da sistemi di immagazzinamento 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 per EIS e DSS (Graham 1996, McFadden
1996).
Un recente studio empirico ha scoperto, in media, un ritorno degli
investimenti per i डेटा वेअरहाऊस del 401% dopo tre anni (Graham,
1996). Comunque, gli altri studi empirici di डेटा वेअरहाऊस आहे
trovato significanti problemi incluso la difficoltà nel misurare ed
assegnare benefici, mancanza di un scopo chiaro, sottovalutando lo
scopo e la complessità del processo di immagazzinare i datiमध्ये
particolare quanto riguarda le fonti e la pulizia dei dati.
साठवण i dati può essere considerato come una soluzione
al problema di gestione dei dati fra le organizzazioni. La
manipolazione dei dati come risorsa sociale è rimasto uno dei
problemi chiave nella gestione di sistemi di informazioni in tutto il
mondo per molti anni (Brancheau et al. 1996, Galliers et al. 1994,
Niederman et al. 1990, Pervan 1993).
व्यवस्थापित करण्यासाठी एक लोकप्रिय दृष्टीकोन dati negli anni ottanta era
lo sviluppo di un modello dati सामाजिक मॉडेल dati sociale fu
pensato per offrire una base stabile per lo sviluppo di nuovi sistemi
applicativi e डेटाबेस e la ricostruzione e l’integrazione di legacy
systems (Brancheau et al.
1989, Goodhue et al. 1988:1992, Kim and Everest 1994).
Comunque, ci sono molti problemi con questo approccio, in
particolare, la complessità e il costo di ogni task, ed il lungo tempo
richiesto per avere risultati tangibili (Beynon-Davies 1994, Earl
1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997).
Il डेटा वेअरहाऊस è un databse separato che co-esiste coi legacy
databases piuttosto che sostituirli. Esso perciò consente di
indirizzare la gestione dei dati ed evitare la costosa ricostruzione
dei legacy systems.
डेटा डिझाइनसाठी विद्यमान दृष्टिकोन
सावधान
इमारत आणि परिपूर्ण करण्याची प्रक्रिया अ डेटा वेअरहाऊस
va compreso più come un processo evolutivo piuttosto che un
lifecycle di sviluppo di sistemi tradizionali (देसिओ, 1995, Shanks,
O’Donnell and Arnott 1997a ). Ci sono molti processi coinvolti in un
चा प्रकल्प डेटा वेअरहाऊस come inizializzazione, pianificazione;
informazioni acquisite dai requisiti chieste ai dirigenti d’azienda;
fonti, trasformazioni, pulizia dei dati e di sincronizzazione da legacy
systems e le altre fonti di dati; sistemi di consegna in sviluppo;
monitoraggio dei डेटा वेअरहाऊस; e insensatezza del processo
evolutivo e di costruzione di un डेटा वेअरहाऊस (Stinchi, O’Donnell
ed Arnott 1997b). In questo giornale, noi focalizziamo su come
disegnare i dati immagazzinati nel contesto di questi altri processi.
Ci sono un numero di approcci proposti per l’architettura dei data
warehouse nella letteratura (Inmon 1994, Ives 1995, Kimball 1994
McFadden 1996). Ognuna di queste metodologie ha una breve
rassegna con un’analisi dei loro punti di forza e non.
Inmon's (1994) साठी दृष्टीकोन डेटा वेअरहाउस
डिझाईन
Inmon (1994) propose quattro passi iterativi per disegnare un data
warehouse (veda Figura 2). Il primo passo è progettare un modello
dati मी कसे समजून घेण्यासाठी सामाजिक dati possono essere integrati
attraverso aree funzionali all’interno di un’organizzazione
suddividendo i dati भागात साठवा. मॉडेल dati ते बनविलेले आहे
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 per l’area soggetta, pone
particolare attenzione a includere appropriati livelli di granularità.
Inmon raccomanda di usare il modello entità e relazioni. Il quarto
passo è identificare sistemi di fonti dati richiesti e sviluppare
processi di trasformazione per acquisire, pulire e formattare i dati.
इनमॉनच्या दृष्टिकोनाची ताकद ही मॉडेल आहे dati सामाजिक
offre la base per l’integrazione di dati all’interno dell’organizzazione
e pianificazione di supporti per lo sviluppo iterativo di data
warehouse. Le sue pecche sono la difficoltà e il costo nel disegnare
मॉडेल dati sociale, la difficoltà nel capire modelli di entità e
relazioni usati in ambo i modelli, quello dati सामाजिक आणि ते dati
विषय क्षेत्र, आणि च्या योग्यतेनुसार संग्रहित dati अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना
disegno di डेटा वेअरहाऊस च्या प्राप्तीसाठी डेटाबेस
रिलेशनल पण साठी नाही डेटाबेस बहुआयामी.
Ives' (1995) दृष्टिकोन डेटा वेअरहाउस
डिझाईन
Ives (1995) propone un approccio di quattro passi per disegnare un
sistema informativo che lui ritiene applicabile al disegno di un data
warehouse (veda Figura 3). L’approccio è molto basato sull’
Information Engineering per lo sviluppo di sistemi di informazioni
(Martin 1990). Il primo passo è determinare gli obiettivi, i fattori
critici e di successo e gli indicatori chiave delle prestazioni. I
processi chiave di business e le informazioni necessarie sono
modellate per condurci ad un modello dati sociale. Il secondo passo
comporta lo sviluppo di un architettura che definisce dati
क्षेत्रांद्वारे संग्रहित, डेटाबेस di डेटा वेअरहाऊस, i componenti
di tecnologia che sono richiesti, l’insieme di supporto organizzativo
richiesto per implementare ed operare con डेटा वेअरहाऊस. Il terzo
passo include la selezione di pacchetti software e attrezzi richiesti.
Il quarto passo è il disegno particolareggiato e la costruzione del
डेटा वेअरहाऊस. Ives लक्षात ठेवा की संचयित dati è un vincolato
processo iterativo.
La forza dell’approccio di Ives sono l’uso di specifiche tecniche per
determinare i requisiti d’informazione, l’uso di uno strutturato
processo per sostenere l’integrazione dei डेटा वेअरहाऊस,
l’opportuna selezione hardware e software, e l’uso di molteplici
tecniche di rappresentazione per il डेटा वेअरहाऊस. Le sue pecche
sono inerenti alla complessità. Altre includono la difficoltà nello
sviluppare molti livelli di डेटाबेस च्या आत डेटा वेअरहाऊस in
tempi e costi ragionevoli.
किमबॉलचा (1994) दृष्टिकोन डेटा वेअरहाउस
डिझाईन
Kimball (1994) propose cinque passi iterativi per disegnare un data
warehouse (vedi Figuri 4). Il suo approccio è particolarmente
dedicato sul disegno di un solo डेटा वेअरहाऊस e sull’uso di modelli
dimensionali in preferenza a modelli di entità e relazioni. Kimball
analizza quei modelli dimensionali perché è più facile capire per i
dirigenti d’azienda gli affari, è più efficiente quando si trattano
consultazioni complesse, e il disegno di डेटाबेस fisico è più
efficiente (Kimball 1994). Kimball riconosce che lo sviluppo di un
डेटा वेअरहाऊस ते पुनरावृत्ती आहे, आणि ते डेटा वेअरहाऊस separati possono
essere integrati attraverso la ripartizione in tavole di dimensioni
सामान्य
Il primo passo è identificare la particolare area soggetto per essere
perfezionato. Il secondo e terzo passo concernono modellatura
dimensionale. Nel secondo passo le misure identificano cose di
interesse nell’area soggetto e raggruppate in una tabella dei fatti.
Per esempio, in un’area di soggetto di vendite le misure di interesse
potrebbero includere l’ammontare di articoli venduto ed il dollaro
come valuta di vendite. Il terzo passo comporta l’identificazione di
dimensioni che sono i modi nei quali possono essere raggruppati i
fatti. In un’area di soggetto di vendite, dimensioni attinenti
potrebbero includere articolo, ubicazione e tempo periodo. La
tabella dei fatti ha una chiave multi- part per collegarla ad ognuna
delle tabelle di dimensione e tipicamente contiene un numero molto
grande di fatti. In contrasto, tavole di dimensione contengono
descrittive informazioni sulle dimensioni e gli altri attributi che
possono essere usati per raggruppare i fatti. La tabella dei fatti e
dimensioni associata proposta forma quello che è chiamato uno
schema a stella a causa della sua forma. Il quarto passo comporta
la costruzione di un डेटाबेस multidimensionale per perfezionare lo
schema della stella. Il passo finale è identificare sistemi di fonti dati
richiesti e sviluppare processi di trasformazione per acquisire, pulire
e formattare i dati.
Le forze dell’approccio di Kimball includono l’uso di modelli
dimensionali per rappresentare i dati immagazzinati che lo rendono
facile da capire e conduce ad un disegno fisico efficiente. Un
modello dimensionale che usa prontamente anche entrambi i
च्या प्रणाली 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 आणि
difficoltà di progettare dall’estrema struttura denormalizzata in un
modello dimensionale a dati वारसा प्रणाली मध्ये.
मॅकफॅडनचा (1996) डेटाकडे दृष्टीकोन
वेअरहाऊस डिझाइन
McFadden (1996) propone un approccio di cinque passi per
disegnare un डेटा वेअरहाऊस (चित्र 5 पहा).
Il suo approccio è basato su una sintesi delle idee dalla letteratura
ed è focalizzato sul disegno di un solo डेटा वेअरहाऊस. पहिला
passo comporta un’analisi dei requisiti. Anche se le specifiche
tecniche non sono prescritte, le note di McFadden identificano le
अस्तित्व dati specifiche ed i loro attributi, e si riferisce ai lettori Watson
e Frolick (1993) per l’acquisizione dei requisiti.
दुस-या चरणात, घटक संबंध मॉडेलसाठी डिझाइन केले आहे
डेटा वेअरहाऊस e poi convalidato dai dirigenti d’azienda. Il terzo
passo comprende la determinazione del mapping da legacy system
e fonti esterne di डेटा वेअरहाऊस. Il quarto passo comporta
processi in sviluppo, la distribuzione e sincronizzazione di dati नेल
डेटा वेअरहाऊस. Nel passo finale, la consegna del sistema è
sviluppata con particolare enfasi su un’interfaccia utente.
McFadden fa notare che il processo di disegno è generalmente
iterativo.
Le forze dell’approccio di McFadden puntano sulla partecipazione
da parte dei dirigenti d’azienda nel determinare i requisiti ed anche
l’importanza delle risorse dati, la loro pulizia e raccolta. Le sue
pecche riguardano la mancanza di un processo per suddividere un
grande progetto di डेटा वेअरहाऊस अनेक एकात्मिक टप्प्यात, आणि
च्या डिझाइनमध्ये वापरलेले अस्तित्व आणि नातेसंबंध मॉडेल समजून घेण्यात अडचण
डेटा वेअरहाऊस.

प्रशासन मुख्य कार्यकारी अधिकारी

👍ऑनलाइन वेब एजन्सी | डिजिटल मार्केटिंग आणि SEO मधील वेब एजन्सी तज्ञ. वेब एजन्सी ऑनलाइन ही वेब एजन्सी आहे. Agenzia वेब ऑनलाइनसाठी डिजिटल परिवर्तनातील यश आयर्न एसइओ आवृत्ती 3 च्या पायावर आधारित आहे. वैशिष्ट्ये: सिस्टम इंटिग्रेशन, एंटरप्राइझ ऍप्लिकेशन इंटिग्रेशन, सर्व्हिस ओरिएंटेड आर्किटेक्चर, क्लाउड कॉम्प्युटिंग, डेटा वेअरहाऊस, व्यवसाय बुद्धिमत्ता, बिग डेटा, पोर्टल्स, इंट्रानेट, वेब ऍप्लिकेशन रिलेशनल आणि बहुआयामी डेटाबेसचे डिझाइन आणि व्यवस्थापन डिजिटल मीडियासाठी इंटरफेस डिझाइन करणे: उपयोगिता आणि ग्राफिक्स. ऑनलाइन वेब एजन्सी कंपन्यांना खालील सेवा देतात: -Google, Amazon, Bing, Yandex वर एसईओ; -वेब विश्लेषण: Google Analytics, Google Tag Manager, Yandex Metrica; -वापरकर्ता रूपांतरणे: Google Analytics, Microsoft स्पष्टता, Yandex Metrica; - Google, Bing, Amazon जाहिरातींवर SEM; -सोशल मीडिया मार्केटिंग (फेसबुक, लिंक्डइन, यूट्यूब, इंस्टाग्राम).

संपूर्ण Bio पहा

डिजिटल मार्केटिंग डेटाबेस डीबीएमएस डेटा वेअरहाउस डेटा विज्ञान ऑनलाइन जाहिरात माहिती तंत्रज्ञान वेब एजन्सी जाहिरात एजन्सी विपणन