Dátové sklady a ERP | CENTRÁLNY ARCHÍV ÚDAJOV: HISTÓRIA A VÝVOJ

ARCHÍV ÚDAJE CENTRÁL: HISTÓRIA A VÝVOJ

Dve dominantné témy podnikových technológií v 90. rokoch sú
uvádza i dátový sklad a ERP. Po dlhú dobu títo dvaja mocní
aktuálne boli súčasťou podnikového IT bez toho, aby ich kedy mali
križovatky. Bolo to skoro, ako keby to boli hmota a antihmota. ale
rast oboch javov nevyhnutne viedol k jednému
ich priesečník. Dnes sa firmy stretávajú s problémom
čo robiť s ERP e dátový sklad. Tento článok bude ilustrovať
aké sú problémy a ako ich firmy riešia.
NA ZAČIATKU…
Na začiatku bolo dátový sklad. Dátový sklad sa narodil
pôsobiť proti aplikačnému systému spracovania transakcií.
V prvých dňoch zapamätanie dať bolo to myslené
len protipól k aplikáciám na počítačové spracovanie
transakcií. Ale v súčasnosti existujú oveľa sofistikovanejšie názory
z čoho a dátový sklad. V dnešnom svete
dátový sklad je vložená do štruktúry, ktorá môže byť
s názvom Corporate Information Factory.
FIREMNÁ INFORMAČNÁ fabrika
(CIF)
Corporate Information Factory má architektonické komponenty
štandard: úroveň transformácie a integrácie kódu
ktorý integruje i dať kým dať sa sťahujú z prostredia o
aplikácie voči životnému prostrediu dátový sklad spoločnosti; a
dátový sklad spoločnosti, kde je dať
podrobné a integrované histórie. The dátový sklad spoločnosti slúži ako
základ, na ktorom môžu byť postavené všetky ostatné časti
životného prostredia dátový sklad; prevádzkový dátový sklad (ODS).
ODS je hybridná štruktúra, ktorá obsahuje niektoré aspekty údajov
sklad a ďalšie aspekty prostredia OLTP; data marts, kde i
Rôzne oddelenia môžu mať svoju vlastnú verziu údajov
sklad; a dátový sklad prieskumu, pri ktorom i
„Filozofi“ spoločnosti môžu predkladať svoje otázky
72 hodín bez škodlivého účinku na dátový sklad; a spomienka
blízka čiara, kde dať staré a dať hromadný detail môže byť
skladované lacno.
KDE SA ERP SPOJE S LA
FIREMNÁ INFORMAČNÁ fabrika
ERP sa na dvoch miestach spája s Corporate Information Factory.
Najprv ako základná aplikácia (základná línia), ktorá poskytuje i
dať žiadosti na dátový sklad. V tomto prípade i dať,
generované ako vedľajší produkt procesu transakcie,
sú integrované a načítané do dátový sklad spoločnosti. The
druhý bod spojenia medzi ERP a CIF a ODS. V skutočnosti veľa
prostrediach sa ERP používa ako klasický ODS.
V prípade, že sa ERP používa ako základná aplikácia, je
rovnaký ERP sa môže použiť aj v CIF ako ODS. In
V každom prípade, ak sa má ERP používať v oboch rolách, tam
medzi týmito dvoma entitami musí byť jasný rozdiel. Inými slovami,
keď ERP hrá úlohu základnej aplikácie a ODS,
dve architektonické entity musia byť odlišné. Ak slobodný
implementácia ERP sa snaží splniť obe úlohy
zároveň budú nevyhnutne problémy v
návrh a realizácia tejto konštrukcie.
SAMOSTATNÉ ODSTRAŇOVANIE A ZÁKLADNÉ APLIKÁCIE
Existuje mnoho dôvodov, ktoré vedú k rozdeleniu komponentov
architektonický. Možno najvýrečnejšia otázka na oddelenie
rôzne komponenty architektúry je, že každý komponent
architektúra má svoj vlastný pohľad. Je potrebná základná aplikácia
za iným účelom ako má ODS. Skúste sa prekrývať
základný aplikačný pohľad na svet ODS alebo naopak
Nie je to správny spôsob práce.
V dôsledku toho je prvým problémom ERP v CIF problém
skontrolujte, či existuje rozdiel medzi základnými aplikáciami a aplikáciami
SDGs.
DÁTOVÉ MODELY V KORPORÁTE
INFORMAČNÁ fabrika
Na dosiahnutie súdržnosti medzi rôznymi zložkami
architektúry CIF, musí existovať model dať. Ja
modely z dať Slúžia ako spojenie medzi rôznymi komponentmi
architektúry, ako sú základné aplikácie a ODS. THE
modely z dať stať sa „intelektuálnou cestovnou mapou“ mať
z rôznych architektonických komponentov CIF.
Ruka v ruke s týmto pojmom ide o myšlienku, že by tam malo byť
byť skvelým a jedinečným modelom dať. Samozrejme, že musí
byť vzorom dať pre každú zo zložiek a tiež tam
musí to byť rozumná cesta, ktorá spája rôzne modely.
Každý komponent architektúry – ODS, základné aplikácie,
dátový sklad spoločnosti a pod.. – potrebuje svoje
model dať. A preto musí existovať presná definícia
ako tieto modely dať sa navzájom prepájajú.
POHYB I ÚDAJE AKTUÁLNEHO ERP
WAREHOUSE
Ak pôvod dať je základná aplikácia a/alebo ODS, keď
vložky ERP i dať v dátový sklad, toto vloženie musí
vyskytujú na najnižšej úrovni "zrnitosti". Rekapitulácia resp
jednoducho agregovať i dať ako vychádzajú
zo základnej aplikácie ERP alebo z ERP ODS nie je
správna vec. THE dať podrobnosti sú potrebné v údajoch
sklad tvoriť základ procesu DSS. Takéto dať
budú v mnohých smeroch pretvorené pomocou dátových obchodov a prieskumov
del dátový sklad.
Vytesnenie dať zo základného prostredia aplikácie
ERP voči životnému prostrediu dátový sklad spoločnosti sa vykonáva v a
primerane uvoľneným spôsobom. Ten posun nastane potom
približne 24 hodín od aktualizácie alebo vytvorenia v ERP. Skutočnosť
mať „lenivý“ pohyb dať v dátový sklad
spoločnosti umožňuje dať prichádzajúce z ERP do „zálohy“.
Raz i dať sú uložené v základnej aplikácii,
potom ho môžete bezpečne presunúť dať ERP
vo firme. Ďalší cieľ dosiahnuteľný vďaka pohybu
„leniví“ bohovia dať je jasné vymedzenie medzi prevádzkovými procesmi a
DSS. S „rýchlym“ pohybom dať deliaca čiara
medzi DSS a operačným zostáva nejasné.
Pohyb o dať z ERP ODS do dátový sklad
spoločnosti sa zvyčajne vykonáva pravidelne
týždenne alebo mesačne. V tomto prípade pohyb
dať vychádza z potreby „upratovania“ starého dať historikov.
Samozrejme, ODS obsahuje i dať ktoré sú oveľa novšie
rešpekt k dať historici našli v dátový sklad.
Vytesnenie dať v dátový sklad takmer nikdy sa to nerobí
„veľkoobchod“ (veľkoobchodným spôsobom). Skopírujte tabuľku
z prostredia ERP do dátový sklad nedáva to zmysel. Jeden prístup
oveľa realistickejší je pohyb vybraných jednotiek dať.
Len dať ktoré sa od poslednej aktualizácie údajov zmenili
sklad sú tie, ktoré by sa mali presunúť do dát
sklad. Jeden spôsob, ako zistiť, ktoré dať boli upravené
od poslednej aktualizácie je pozrieť sa na časové pečiatky dať
nachádza v prostredí ERP. Dizajnér vyberie všetky zmeny
ktoré sa objavili od poslednej aktualizácie. Iný prístup
je použiť techniky získavania zmien dať. S
Tieto techniky analyzujú protokoly a žurnálové pásky
určiť, ktoré dať je potrebné presunúť z prostredia ERP do
To z dátový sklad. Tieto techniky sú najlepšie
koľko protokolov a žurnálových pások je možné prečítať zo súborov ERP
bez ďalších vplyvov na ostatné zdroje ERP.
INÉ KOMPLIKÁCIE
Jedným z problémov ERP v CIF je to, čo sa stane iným
aplikačné zdroje alebo ai dať ODS, ktorá musí prispieť
dátový sklad ale nie sú súčasťou prostredia ERP. Vzhľadom na
uzavretý charakter ERP, najmä SAP, pokus o integráciu
kľúčov z externých zdrojov dať s i dať ktoré pochádzajú z ERP do
čas na pohyb i dať v dátový sklad, je to veľká výzva.
A presne aké sú pravdepodobnosti, že i dať aplikácií resp
ODS mimo prostredia ERP budú integrované do údajov
sklad? Šance sú v skutočnosti veľmi vysoké.
NÁJSŤ ÚDAJE HISTORICKÉ Z ERP
Ďalší problém s i dať ERP je výsledná
z potreby mať dať historici v rámci dátový sklad.
Zvyčajne dátový sklad potreby dať historikov. A
Technológia ERP ich zvyčajne neuchováva dať
historické, aspoň nie do takej miery, že je to potrebné v údajoch
sklad. Pri veľkom množstve dať historici začínajú
do prostredia ERP, toto prostredie musí byť
uprataný. Predpokladajme napríklad, že a dátový sklad musieť
byť zaťažený piatimi rokmi dať historické, zatiaľ čo ERP uchováva
z toho maximálne šesť mesiacov dať. Pokiaľ je spoločnosť spokojná
zbierať sadu dať historici, ako plynie čas,
potom nie sú problémy s používaním ERP ako zdroja pre
dátový sklad. Ale keď dátový sklad musím ísť
späť v čase a vezmite si bohov dať historikov, ktorí neboli
predtým zhromaždené a uložené v ERP, potom v prostredí ERP
sa stáva neefektívnym.
ERP A METADÁTA
Ďalšia úvaha o ERP e dátový sklad je to tak
o existujúcich metadátach v prostredí ERP. Rovnako ako metadáta
prejsť z prostredia ERP do prostredia IT dátový skladsa
metadáta sa musia presúvať rovnakým spôsobom. Ďalej, i
metadáta musia byť transformované vo formáte a štruktúre
vyžaduje infraštruktúra dátový sklad. Je tam jeden veľký
rozdiel medzi prevádzkovými metaúdajmi a metaúdajmi DSS. Metadáta
prevádzkové sú predovšetkým pre vývojárov a pre
programátor. Metadáta DSS sú primárne pre používateľa
finálny. Existujúce metadáta v aplikáciách ERP alebo ODS
musia byť konvertované a táto konverzia nie je vždy jednoduchá
a priamy.
ZÍSKAVANIE ÚDAJOV ERP
Ak sa ERP používa ako poskytovateľ dať per il dátový sklad ci
musí to byť pevné rozhranie, ktoré sa pohybuje i dať z prostredia
ERP voči životnému prostrediu dátový sklad. Rozhranie musí:
▪ byť ľahko použiteľný
▪ povoliť prístup k dať ERP
▪ pochopiť význam dať ktoré sa majú presunúť
v dátový sklad
▪ poznať obmedzenia ERP, ktoré môžu vzniknúť v
keď dať z ERP:
▪ referenčná integrita
▪ hierarchické vzťahy
▪ implicitné logické vzťahy
▪ aplikačná konvencia
▪ všetky štruktúry dať podporované ERP a tak ďalej...
▪ byť efektívny v prístupe dať, poskytovaním:
▪ priamy pohyb dať
▪ získanie zmeny dať
▪ podporovať včasný prístup k dať
▪ porozumieť formátu dať, a tak ďalej…
PREPOJENIE SO SAPOM
Rozhranie môže byť dvoch typov, domáce alebo komerčné.
Niektoré z hlavných obchodných rozhraní zahŕňajú:
▪ SAV
▪ Prims Solutions
▪ D2k a tak ďalej…
VIAC TECHNOLÓGIÍ ERP
Zaobchádzať s prostredím ERP, ako keby to bola jedna technológia, je a
veľká chyba. Existuje mnoho technológií ERP, z ktorých každá má svoju vlastnú
silné stránky. Najznámejší predajcovia na trhu sú:
▪ SAP
▪ Oracle Financials
▪ PeopleSoft
▪ JD Edwards
▪ Baan
SAP
SAP je najväčší a najkompletnejší ERP softvér. Aplikácie
SAP zahŕňa mnoho typov aplikácií v mnohých oblastiach. SAP má
povesť bytia:
▪ veľmi veľký
▪ implementácia je veľmi náročná a nákladná
▪ potrebuje veľa ľudí a konzultantov
implementovaná
▪ vyžaduje špecializovaných ľudí na implementáciu
▪ implementácia trvá dlho
Okrem toho má SAP povesť, že ukladá svoje vlastné dať veľmi
opatrne, čo sťažuje prístup k nim
osoba mimo oblasti SAP. Sila SAP je v bytí
schopné zachytiť a uložiť veľké množstvo dať.
Nedávno spoločnosť SAP oznámila svoj zámer rozšíriť túto službu
jeho aplikácie dátový sklad. Existuje veľa pre a proti
pri používaní SAP ako dodávateľa dátový sklad.
Výhodou je, že SAP je už nainštalovaný a väčšina z nich
konzultanti už poznajú SAP.
Nevýhody mať SAP ako dodávateľa dátový sklad sú
mnoho: SAP nemá žiadne skúsenosti vo svete dátový sklad
Ak je SAP dodávateľom dátový sklad, je potrebné „vytiahnuť“
i dať zo SAP do dátový sklad. Dato záznam spoločnosti SAP
uzavretý systém, je nepravdepodobné, že bude ľahké dostať sa do systému SAP
to (???). Existuje mnoho starších prostredí, ktoré poháňajú SAP,
ako IMS, VSAM, ADABAS, ORACLE, DB2 atď.
SAP trvá na prístupe „nevynájdené tu“. SAP to nechce
spolupracovať s inými predajcami na použití alebo vytvorení dátový sklad.
SAP trvá na tom, že si všetok svoj softvér vytvorí sám.
Hoci je SAP veľká a silná spoločnosť, skutočnosť
pokus o prepísanie technológie ELT, OLAP, správy
systém a dokonca aj základný kód dbms je to proste šialené.
Namiesto kooperatívneho postoja s dodávateľmi
di dátový sklad SAP sa dlhodobo drží prístupu, ktorý
oni „vedia lepšie“. Tento postoj spomaľuje úspech
SAP môže mať v oblasti dátový sklad.
Odmietnutie spoločnosti SAP umožniť externým dodávateľom prístup
okamžite a s gráciou dať. Samotná podstata používania
un dátový sklad je ľahký prístup dať. Celý príbeh SAP je
založené na sťažení prístupu dať.
Nedostatok skúseností spoločnosti SAP pri riešení veľkých objemov dať;
v oblasti dátový sklad existujú objemy dať odvtedy nikdy nevidel
SAP a spravovať tieto veľké množstvá dať musíte mať jeden
vhodná technológia. SAP o tom zrejme nie je informovaný
technologická bariéra, ktorá existuje na vstup do dátového poľa
sklad.
Firemná kultúra SAP: SAP vytvoril podnik
pri získavaní i dať zo systému. Ale na to musíte mať
iná mentalita. Tradične softvérové ​​spoločnosti, ktoré boli
dobré v získavaní údajov do prostredia neboli dobré
získavanie údajov ísť iným smerom. Ak SAP dokáže tento druh
switch bude prvou spoločnosťou, ktorá tak urobí.
Je skrátka otázne, či má firma selektovať
SAP ako dodávateľ dátový sklad. Existujú veľmi vážne riziká
na jednej strane a veľmi málo odmien na strane druhej. Ale je tu ďalší
dôvod, ktorý odrádza od výberu SAP ako dodávateľa údajov
sklad. Pretože každá firma by mala mať rovnaký dátum
sklad všetkých ostatných spoločností? The dátový sklad je to srdce
konkurenčnej výhody. Keby každá spoločnosť prijala to isté
dátový sklad bolo by to ťažké, aj keď nie nemožné,
dosiahnuť konkurenčnú výhodu. Zdá sa, že SAP si myslí, že a
dátový sklad môže byť videný ako cookie a to je a
ďalší znak ich aplikačnej mentality „získať údaje“.
v“.
Žiadny iný dodávateľ ERP nie je taký dominantný ako SAP.
Nepochybne sa nájdu spoločnosti, ktoré budú nasledovať cestu SAP
pre ich dátový sklad ale pravdepodobne tieto dátumy
Sklady SAP budú veľké, drahé a náročné
čas na ich tvorbu.
Tieto prostredia zahŕňajú také činnosti, ako je spracovanie bankových pokladníkov,
procesy rezervácie leteckých spoločností, procesy sťažností
poistenie a pod. Transakčný systém bol výkonnejší,
zrejmejšia bola potreba oddelenia medzi prevádzkou a procesom
DSS (systém podpory rozhodovania). Avšak so zdrojovými systémami
ľudské a osobné, nikdy sa neocitnete tvárou v tvár veľkým objemom
transakcií. A samozrejme, keď je človek najatý
alebo opustí spoločnosť ide o záznam o transakcii.
Ale vo vzťahu k iným systémom, systémom ľudských zdrojov a
personalisti jednoducho nemajú veľa transakcií. Preto v
ľudských zdrojov a personálnych systémov nie je úplne zrejmé, že existuje
potrebujete DataWarehouse. V mnohých ohľadoch tieto systémy
predstavujú spájanie systémov DSS.
Ale je tu ešte jeden faktor, ktorý treba zvážiť, ak musíte
robiť s dátovým skladom a PeopleSoftom. V mnohých prostrediach, t.j dať
ľudské a osobné zdroje sú pre podnikanie až na druhom mieste
šéf spoločnosti. Väčšina spoločností vykonáva
výroba, predaj, poskytovanie služieb a pod. THE
HR a personálne systémy sú zvyčajne sekundárne (resp
podpora) do hlavnej obchodnej línie spoločnosti. Preto je
nejednoznačné a nepohodlné dátový sklad oddelené pre
podpora ľudských a osobných zdrojov.
PeopleSoft je v tomto ohľade veľmi odlišný od SAP. So systémom SAP áno
povinné, že existuje a dátový sklad. S PeopleSoft to tak nie je
potom je to jasné. S PeopleSoftom je dátový sklad voliteľný.
To najlepšie, čo sa dá povedať o i dať PeopleSoft sú tieto údaje
sklad možno použiť na archiváciu dať týkajúci sa
staré ľudské a osobné zdroje. Druhý dôvod
ktorý by spoločnosť chcela použiť a dátový sklad a
škodou prostredia PeopleSoft je umožnenie prístupu a
voľný prístup k analytickým nástrojom, napr dať od PeopleSoft. ale
Okrem týchto dôvodov môžu nastať prípady, kedy je lepšie nerobiť
mať dátový sklad pre dať PeopleSoft.
V súhrne
Existuje veľa nápadov týkajúcich sa konštrukcie údajov
sklad v ERP softvéri.
Niektoré z nich sú:
▪ Má zmysel mať a dátový sklad ktorý sa podobá na akékoľvek
v inom odvetví?
▪ Ako flexibilné je ERP dátový sklad softvér?
▪ ERP dátový sklad softvér zvládne množstvo
dať ktorá sa nachádza v adátový sklad aréna“?
▪ Aké je protokolovanie sledovania, ktoré robí dodávateľ ERP
čeliť ľahkým a časovo nenáročným ai dať? (čo
je záznam dodávateľov ERP o dodávke lacných, na
čas, ľahký prístup k údajom?)
▪ Ako rozumiete architektúre DSS a
„firemná informačná továreň“ od dodávateľa ERP?
▪ Predajcovia ERP rozumejú tomu, ako to dosiahnuť dať all'interno
životného prostredia, ale tiež pochopiť, ako ich exportovať?
▪ Ako otvorený je dodávateľ ERP k aktuálnym nástrojom
skladovanie?
Všetky tieto úvahy musia byť zohľadnené pri určovaní
kam dať dátový sklad ktorý bude hostiť i dať ERP a iné
dať. Vo všeobecnosti, pokiaľ na to neexistuje pádny dôvod
urobiť inak, odporúča sa postaviť dátový sklad von
z prostredia dodávateľa ERP.
KAPITOLA 1
Prehľad organizácie BI
Kľúčové body:
Informačné úložiská fungujú opačne
na architektúru business intelligence (BI):
Firemná kultúra a IT môžu obmedziť úspech v
budovanie BI organizácií.
Technológia už nie je limitujúcim faktorom pre BI organizácie. The
problémom pre architektov a projektantov nie je to, či
technológia existuje, ale ak ich dokážu efektívne implementovať
dostupnú technológiu.
Pre mnohé spoločnosti a dátový sklad je to niečo viac ako sklad
pasívny, ktorý rozdeľuje i dať používateľom, ktorí to potrebujú. THE dať
sú extrahované zo zdrojových systémov a sú naplnené do cieľových štruktúr
di dátový sklad. Ja dať dajú sa čistiť aj so všetkými
bohatstvo. Nie je však pridaná žiadna pridaná hodnota
zbieral dať počas tohto procesu.
V podstate pasívne Dw v najlepšom prípade prináša
iba ja dať čisté a funkčné pre združenia užívateľov. Tam
tvorba informácií a analytické chápanie závisia
výlučne používateľmi. Posúďte, či DW (Dátový sklad) je
úspech je subjektívny. Ak posudzujeme úspech podľa
schopnosť efektívne zbierať, integrovať a čistiť i dať
korporátne na predvídateľnom základe, potom áno, DW je úspech.
Na druhej strane, ak sa pozrieme na zber, konsolidáciu a lo
využívanie informácií organizácia ako celok, teda
DW je zlyhanie. DW poskytuje malú alebo žiadnu hodnotu
informácie. V dôsledku toho sú používatelia nútení urobiť
čím vznikajú informačné silá. Táto kapitola predstavuje
kompletnú víziu zhrňujúcu architektúru BI (Business
inteligencia) spoločnosti. Začnime popisom BI e
potom prejdeme do diskusií o dizajne a
rozvoj informácií, na rozdiel od jednoduchého poskytovania i dať
používateľom. Diskusie sú potom zamerané na výpočet
hodnotu vášho úsilia v oblasti BI. Na záver definujeme, ako IBM
rieši architektonické požiadavky vašej organizácie na BI.
Popis architektúry
Organizácia BI
Výkonné transakčne orientované informačné systémy sú teraz
samozrejmosťou v každom veľkom podniku, ako sú na úrovni
efektívne hracie pole pre korporácie po celom svete.
Udržanie konkurencieschopnosti si však teraz vyžaduje systémy analyticky
orientované na ktoré môže spôsobiť revolúciu v schopnosti firmy znovuobjavením ed
pomocou informácií, ktoré už majú. Tieto systémy
analýzy pochádzajú z pochopenia z bohatstva dať
k dispozícii. BI môže zlepšiť výkon všetkých informácií
spoločnosti. Spoločnosti môžu zlepšiť vzťahy medzi zákazníkmi
dodávatelia, zlepšovať zisk produktov a služieb, generovať
nové a lepšie ponuky, kontrolovať svoje riziko a medzi mnohými ďalšími
príjmy dramaticky znížili výdavky. S vaším BI
spoločnosť konečne začína využívať informácie o zákazníkoch
ako konkurenčný tovar vďaka aplikáciám, ktoré majú ciele
trhu.
Mať správne podnikanie znamená mať definitívne odpovede
kľúčové otázky ako:
▪ Ktorý z našich zákazníci nútia nás zarábať viac, alebo my
robia stratu?
▪ Kde žijú naši najlepší zákazníci vo vzťahu k predajňa/
sklad, ktorý často navštevujú?
▪ Ktoré z našich produktov a služieb sa môžu predávať viac
efektívne a komu?
▪ Ktoré produkty možno predávať najefektívnejšie a komu?
▪ Ktorá predajná kampaň je najúspešnejšia a prečo?
▪ Ktoré predajné kanály sú pre ktoré produkty najefektívnejšie?
▪ Ako môžeme zlepšiť vzťahy s našimi najlepšími ľuďmi zákazníci?
Väčšina spoločností má dať ťažko odpovedať
tieto otázky.
Operačné systémy generujú veľké množstvá produktov, napr
zákazníka a dať trh z predajných miest, rezervácie,
prostredníctvom systémov zákazníckeho servisu a technickej podpory. Výzvou je
extrahovať a využívať tieto informácie.
Mnohé spoločnosti profitujú len z ich malých zlomkov dať
pre strategické analýzy.
I dať zostávajúce, často spojené s i dať vznikajúce z externých zdrojov ako napr
„vládne správy“ a ďalšie zakúpené informácie sú jedným
zlatá baňa len čaká na preskúmanie, napr dať musieť
spresňujte len v informačnom kontexte vášho
Organizácia.
Tieto poznatky možno aplikovať rôznymi spôsobmi, obmenami
od návrhu celkovej firemnej stratégie až po
osobná komunikácia s dodávateľmi cez call centrá,
fakturácia, Internet a ďalšie body. Dnešné podnikateľské prostredie diktuje
že DW a súvisiace BI riešenia sa vyvíjajú ďalej
realizácia tradičných štruktúr dať ktorý i dať normalizované na
na atómovej úrovni a „hviezdne/kockové farmy“.
Na to, aby sme zostali konkurencieschopní, je potrebná fúzia
tradičné a pokročilé technológie v snahe podporiť a
rozľahlá analytická krajina.
Na záver, všeobecné prostredie musí zlepšiť vedomosti
spoločnosti ako celku, zabezpečujúc, že ​​prijaté opatrenia
ako dôsledok vykonaných analýz sú užitočné, aby ich mohol každý
prospech.
Povedzme napríklad, že klasifikujete svoje zákazníci v kategóriách
vysoké alebo nízke riziko.
Ak sú tieto informácie generované z extrakčného modelu resp
inými prostriedkami, musia byť umiestnené v Dw a sprístupnené
ktokoľvek, pomocou akéhokoľvek prístupového nástroja, ako napr
statické zostavy, tabuľky, tabuľky alebo analytické spracovanie v
linka (OLAP).
V súčasnosti však existuje veľa informácií tohto typu
zostať v silách dať jednotlivcov alebo oddelení, ktoré vytvárajú
analýzu. Organizácia ako celok má malú alebo žiadnu viditeľnosť
pre pochopenie. Stačí miešať tento typ obsahu
informácií vo vašej spoločnosti DW môžete eliminovať silá
informácie a pozdvihnite svoje prostredie DW.
Existujú dve hlavné prekážky rozvoja organizácie
BI.
Po prvé, máme problém samotnej organizácie
príslušnej disciplíny.
Aj keď nemôžeme pomôcť so zmenami politiky
organizácie, môžeme pomôcť pochopiť zložky
BI organizácia, jej architektúra a ako
Technológia IBM uľahčuje jeho vývoj.
Druhou prekážkou, ktorú treba prekonať, je nedostatok technológií
integrovaná a znalosť metódy, ktorá pripomína celý priestor
BI na rozdiel od len malého komponentu.
IBM sa vyrovnáva so zmenami v technológii
integrovaných. Je vašou zodpovednosťou poskytnúť dizajn
sebavedomý. Táto architektúra musí byť vyvinutá s
technológia vybraná na integráciu bez obmedzení alebo aspoň s
technológia, ktorá dodržiava otvorené štandardy. Navyše, tvoj
Vedenie spoločnosti musí zabezpečiť, aby podnik Bi bol
vykonávané podľa programu a nepovoliť to
rozvoj informačných síl vyplývajúci zo samoúčelnosti
agendy alebo ciele.
To neznamená, že prostredie BI nie je citlivé
reagovať na rôzne potreby a požiadavky rôznych používateľov; namiesto toho to znamená
že realizácia týchto individuálnych potrieb a požiadaviek je
v prospech celej organizácie BI.
Opis architektúry organizácie BI môže
nájdete na strane 9 na obrázku 1.1. Architektúra demonštruje
bohatá zmes technológií a techník.
Z tradičného pohľadu architektúra zahŕňa nasledujúce komponenty
skladu
Atómová vrstva.
Toto je základ, srdce celého Dw a teda
strategické podávanie správ.
I dať uložené tu si zachovajú historickú celistvosť, vzťahy z
dať a zahŕňajú odvodené metriky, ako aj čisté,
integrované a uložené pomocou extrakčných modelov.
Všetky ich následné použitie dať a súvisiace informácie sú
odvodené od tejto štruktúry. Toto je vynikajúci zdroj pre
extrakcia dať a pre zostavy so štruktúrovanými SQL dotazmi
Prevádzkové depo o dať alebo nahlásiť na základe
dať(Prevádzkové úložisko dát (ODS) alebo reporting
databázy.)
Toto je štruktúra dať špeciálne navrhnuté pre
technické výkazníctvo.
I dať uložené a hlásené cez tieto štruktúry môžu konečne
propagovať do skladu cez organizačnú zónu (staging
oblasť), kde by sa mohla použiť na strategickú signalizáciu.
Oblasť inscenácie.
Prvá zastávka pre väčšinu dať určené pre životné prostredie
sklad je oblasťou organizácie.
Tu som dať sú integrované, čistené a transformované na dať užitočné, že
vyplní štruktúru skladu
Dátové trhy.
Táto časť architektúry predstavuje štruktúru dať použitý
špeciálne pre OLAP. Prítomnosť datamartov, ak i dať sú
uložené v prekrývajúcich sa hviezdicových schémach dať
multidimenzionálne v vzťahovom prostredí, alebo v kartotékach
di dať dôverné používané špecifickou technológiou OLAP, ako je napr
Server DB2 OLAP, nie je relevantný.
Jediným obmedzením je, že architektúra uľahčuje používanie dať
viacrozmerný.
Architektúra zahŕňa aj kritické technológie a techniky BI
ktoré sa rozlišujú ako:
Priestorová analýza
Vesmír predstavuje pre analytikov množstvo informácií
je rozhodujúce pre úplné rozlíšenie. Priestor môže
predstavujú informácie o ľuďoch žijúcich na určitom mieste
miesto, ako aj informácie o tom, kde sa toto miesto nachádza
fyzicky v porovnaní so zvyškom sveta.
Ak chcete vykonať túto analýzu, musíte začať tým, že si uviažete svoje vlastné
informácie o súradniciach zemepisnej šírky a dĺžky. Znamená čo
označované ako „geokódovanie“ a musí byť súčasťou ťažby,
transformácie a procesu načítania (ETL) na úrovni
atómový vášho skladu.
Dolovanie dát.
Extrakcia dať umožňuje našim spoločnostiam rásť
číslo di zákaznícipredpovedať trendy predaja a umožniť
riadenie vzťahov s i zákazníci (CRM), okrem iných iniciatív
BI.
Extrakcia dať musí byť preto integrovaný so štruktúrami
dať Dwhouse a podporované skladovými procesmi pre
zabezpečiť efektívne a efektívne využívanie technológií a
súvisiace techniky.
Ako je uvedené v architektúre BI, atómová úroveň
Dwhouse, rovnako ako datamarts, je vynikajúcim zdrojom dať
na extrakciu. Tie isté štruktúry musia byť tiež
príjemcov výsledkov ťažby, aby sa zabezpečila dostupnosť pre
najväčšie publikum (najširšie publikum).
Agenti.
Existujú rôzni „agenti“, ktorí skúmajú zákazníka pre každý bod, ako napr
firemné operačné systémy a rovnaké dw. Títo agenti môžu
byť pokročilé neurónové siete trénované tak, aby sa o nich učili
trendy každého bodu, ako napríklad budúci dopyt po produkte
o podpore predaja, motoroch založených na pravidlách, na ktoré treba reagovať
un daný súbor okolností, alebo aj jednoduchých agentov, ktorí
hlásia výnimky „vrcholovým manažérom“. Tieto procesy áno
prítomný vo všeobecnosti v reálnom čase, a preto musí
byť úzko späté s ich pohybom dať.
Všetky tieto štruktúry dať, technológie a techniky zaručujú
že nestrávite noc vytváraním organizácie
váš BI.
Táto činnosť sa bude rozvíjať postupne, v malých krokoch
bodov.
Každý krok je nezávislým projektovým úsilím a je zaznamenaný
ako iteráciu vo vašej iniciatíve DW alebo BI. Iterácie
môže zahŕňať implementáciu nových technológií, napr
začať s novými technikami, pridávať nové štruktúry dať ,
zaťaženie i dať doplnkové alebo s rozšírením analýzy
vaše prostredie. O tomto odseku sa diskutuje viac
do hĺbky v kapitole 3.
Okrem tradičných štruktúr DW a BI nástrojov existujú aj iné
funkcie vašej organizácie BI, pre ktoré musíte
dizajn, ako napríklad:
Dotykové body zákazníka (dotyk zákazníka
body).
Rovnako ako u všetkých moderných organizácií existuje niekoľko
kontaktné body zákazníka, ktoré naznačujú, ako zažiť zážitok
pozitívne pre vás zákazníci. Existujú tradičné kanály, ako napr
obchodníci, operátori ústrední, direct mail, multimédiá a tlač
reklama, ako aj najaktuálnejšie kanály ako e-mail a web, t.j dať
je potrebné získať produkty s určitým kontaktným bodom,
prepravené, vyčistené, spracované a následne osídlené do zariadení dať z
BI.
Základy dať prevádzkové a užívateľské združenia (operačné
databázy a komunity používateľov).
Na konci kontaktných bodov zákazníci sa nachádzajú základy dať
aplikačných a používateľských komunít spoločnosti. THE dať existujúce
sú dať tradičné, ktoré sa musia spojiť a zlúčiť s dať že
tok z kontaktných bodov na uspokojenie nevyhnutného
informácie.
Analytici. (Analytici)
Primárnym príjemcom prostredia BI je analytik. On je ten, kto
ťaží zo súčasnej ťažby dať funkčný, integrovaný s
rôzne zdroje dať , rozšírený o funkcie, ako je analytika
geografické (geokódovanie) a prezentované v BI technológiách, ktoré
vám umožní extrahovať, OLAP, pokročilé správy a analýzy SQL
geografické. Primárne rozhranie pre analytika pre prostredie
reporting je portál BI.
Analytik však nie je jediný, kto profituje z architektúry
BI.
Manažéri, veľké užívateľské združenia a dokonca aj členovia, dodávatelia a
zákazníci mali by nájsť výhody v podnikovej BI.
Slučka spätného prívodu.
Architektúra BI je vzdelávacie prostredie. Princíp
charakteristické pre rozvoj je umožniť pretrvávajúce štruktúry dať
aktualizovať pomocou použitej technológie BI a prostredníctvom akcií
užívateľské podniky. Príkladom je hodnotenie
zákazník (zákaznícke skóre).
Ak obchodné oddelenie vykonáva model ťažby
skóre zákazníka pri používaní novej služby, potom
Obchodné oddelenie by nemalo byť jedinou skupinou príjemcov
služby.
Namiesto toho by sa mal extrakčný model vykonávať ako súčasť
prirodzený tok dát v rámci spoločnosti a skóre zákazníka
by sa mali stať integrovanou súčasťou informačného kontextu
sklad, viditeľný pre všetkých používateľov. IBM Suite zameraný na Bi-bI
vrátane DB2 UDB, DB2 OLAP Server obsahuje väčšinu
časť dôležitých technologických komponentov, definovaných na obrázku
1.1.
Používame architektúru tak, ako sa objavuje na tomto obrázku z knihy do
dajte nám úroveň kontinuity a ukážte, ako každý produkt
od IBM zodpovedajú všeobecnému vzoru BI.
Poskytovanie informačného obsahu (poskytovanie
Informačný obsah)
Navrhovanie, vývoj a implementácia vášho BI prostredia je
náročná operácia. Dizajn musí zahŕňať oboje
súčasné a budúce obchodné požiadavky. Dizajn architektúry
musí byť úplný, aby zahŕňal všetky zistené závery
vo fáze návrhu. Exekúcia musí zostať
zaviazala sa k jedinému účelu: vývoj architektúry BI
ako je formálne uvedené na výkrese a na základe požiadaviek
business.
Je obzvlášť ťažké tvrdiť, že disciplína zabezpečí
relatívny úspech.
Je to jednoduché, pretože nevyvíjate celé prostredie BI
náhle, ale v priebehu času sa to robí malými krokmi.
Identifikácia komponentov BI vašej architektúry však áno
dôležité z dvoch dôvodov: Budete usmerňovať všetky nasledujúce rozhodnutia
architektonické techniky.
Budete si môcť vedome naplánovať konkrétne využitie technológie
aj keď možno nedostanete opakovanie, ktoré potrebujete
technológie niekoľko mesiacov.
Dostatočné pochopenie vašich obchodných požiadaviek ovplyvní typ
produktov, ktoré získate pre svoju architektúru.
Návrh a vývoj vašej architektúry zaisťuje
že váš sklad je
nie náhodná udalosť, ale skôr „dobre premyslená“,
starostlivo zostavená reklama obsluhovať umenia ako mozaika
zmiešaná technológia.
Navrhnite obsah informácií
Každé počiatočné plánovanie sa musí zamerať a identifikovať
hlavné komponenty BI, ktoré bude prostredie potrebovať
všeobecne teraz a v budúcnosti.
Je dôležité poznať obchodné požiadavky.
Ešte predtým, ako sa začne všetko konvenčné plánovanie,
plánovač projektu často dokáže identifikovať jeden alebo dva
komponent okamžite.
Rovnováha komponentov, ktoré môžu byť potrebné
Vaša architektúra sa však nedá ľahko nájsť.
Vo fáze návrhu hlavná časť architektúry
spája reláciu vývoja aplikácií (JAD) s vyhľadávaním
identifikovať obchodné požiadavky.
Niekedy môžu byť tieto požiadavky zverené nástrojom
otázky a správy.
Používatelia napríklad uvádzajú, že ak chcú automatizovať
v súčasnosti je potrebné zostavu generovať manuálne integráciou
dvoch aktuálnych pomerov a pripočítaním výpočtov odvodených z
kombinácia dať.
Hoci je táto požiadavka jednoduchá, definuje určité
funkčnosť funkcie, ktorú musíte zahrnúť, keď
kúpiť nástroje na vytváranie prehľadov pre vašu organizáciu.
Projektant musí sledovať aj ďalšie požiadavky na
získať úplný obraz. Používatelia sa chcú prihlásiť na odber
táto správa?
Podmnožiny prehľadu sa generujú a odosielajú e-mailom rôznym
používateľov? Chcú vidieť túto správu na firemnom portáli?
Všetky tieto požiadavky sú súčasťou jednoduchej potreby
nahradiť manuálnu správu podľa požiadaviek používateľov. Výhoda
z týchto typov požiadaviek má každý, používatelia aj dizajnéri
pochopenie konceptu správ.
Existujú však aj iné typy podnikov, ktoré musíme plánovať.
Keď sú obchodné požiadavky uvedené vo forme
Obchodno-strategické otázky, to je pre expertného dizajnéra jednoduché
Rozlišujte mieru/skutočnosť a požiadavky na rozmery.
Obrázok 1.2 znázorňuje meranie a rozmerové komponenty a
Obchodný problém.
Ak používatelia JAD nevedia, ako deklarovať svoje požiadavky
v podobe obchodného problému, projektant často zabezpečí
niekoľko príkladov na preskočenie-spustenie relácie zberu
Požiadavky.
Odborný dizajnér môže pomôcť používateľom pochopiť nielen to
strategický obchod, ale aj ako ho formovať.
Prístup zhromažďovania požiadaviek je diskutovaný v kapitole 3; Pre
teraz chceme len poukázať na potrebu dizajnu pre každého
typy požiadaviek BI
Strategický obchodný problém nie je len požiadavka
Obchodná, ale aj dizajnová stopa. Ak musíte odpovedať
na multidimenzionálnu otázku, potom si musíte zapamätať,
prítomný i dať rozmerné, a ak potrebujete uložiť
dať multidimenzionálne, musíte sa rozhodnúť, aký druh technológie resp
techniku, ktorú budete používať.
Implementujete vyhradenú hviezdnu schému kocky alebo oboje?
Ako vidíte, dokonca aj jednoduchý obchodný problém
môže výrazne ovplyvniť dizajn. Avšak
Tieto typy obchodných požiadaviek sú prinajmenšom bežné a zrozumiteľné
od dizajnérov a projektantov so skúsenosťami s projektmi.
O technológiách a podpore bolo dosť debát
K dispozícii je OLAP a široká škála riešení. Do teraz
spomenuli sme potrebu spojiť jednoduché vykazovanie s i
požiadavky na obchodné rozmery a ako tieto požiadavky
ovplyvniť technické architektonické rozhodnutia.
Ale aké sú požiadavky, ktoré nie sú ľahko pochopiteľné
používateľmi alebo tímom DW? Budete niekedy potrebovať analytiku
priestorová (analýza spacei)?
Extrakčné modely dať budú vašou nevyhnutnou súčasťou
budúcnosť? Kto vie?
Je dôležité poznamenať, že tieto typy technológií nie sú veľmi
známy komunitami všeobecných používateľov a členov tímu
Dw, čiastočne sa to môže stať, pretože zvyčajne
sú ošetrené niektorými internými technickými odborníkmi alebo odborníkmi tretích strán. Je to a
extrémnym prípadom problémov, ktoré tieto typy technológií vytvárajú. Seba
používatelia nemôžu opísať obchodné požiadavky ani ich zarámovať
s cieľom poskytnúť pokyny pre dizajnérov, tieto môžu
zostať nepovšimnutý alebo, čo je horšie, jednoducho ignorovaný.
Problematickejšie sa stáva, keď to neurobí dizajnér a vývojár
dokáže rozpoznať aplikáciu jedného z týchto pokročilých ale
kritických technológií.
Ako sme často počuli dizajnérov povedať: „No, pretože
Nedáme to bokom, kým nedostaneme túto ďalšiu vec?
„Skutočne ich zaujímajú priority, alebo sa im len vyhýbajú
požiadavky, ktorým nerozumejú? S najväčšou pravdepodobnosťou je to posledná hypotéza.
Povedzme, že váš predajný tím oznámil požiadavku
podnikania, ako je uvedené na obrázku 1.3, ako vidíte,
požiadavka je rámcovaná vo forme obchodného problému. Tam
rozdiel medzi týmto problémom a typickým rozmerovým problémom je
vzdialenosť. V tomto prípade chce predajný tím vedieť,
na mesačnej báze celkové tržby z produktov, skladov a
zákazníci ktorí bývajú do 5 míľ od skladu, kde sa nachádzajú
kupujú.
Žiaľ, dizajnéri či architekti jednoducho môžu
ignorujte priestorový komponent tým, že poviete: „Máme zákazníka, ten
produkt a i dať vkladu. Udržujme vzdialenosť až do
ďalšia iterácia.
"Zlá odpoveď. Tento typ obchodných problémov sa týka
BI úplne. Predstavuje hlbšie pochopenie
naše podnikanie a robustný analytický priestor pre našich analytikov.
BI je nad rámec jednoduchého dotazovania alebo štandardného reportingu, príp
dokonca aj OLAP. To neznamená, že tieto technológie nie
sú dôležité pre vašu BI, ale samy o sebe nereprezentujú
prostredie BI.
Dizajn pre informačný kontext
(Navrhovanie pre informačný obsah)
Teraz, keď sme identifikovali obchodné požiadavky, ktoré vynikajú
do výkresu musia byť zahrnuté rôzne základné komponenty
všeobecná architektúra. Niektoré komponenty BI sú súčasťou
nášho počiatočného úsilia, pričom niektoré z nich nebudú realizované
niekoľko mesiacov.
Všetky známe požiadavky sa však premietajú do dizajnu tak, že
keď potrebujeme implementovať konkrétnu technológiu, sme
priprav sa na to. Niečo o projekte bude odrážať myšlienku
tradičné.
Napríklad obrázok 1.1 na začiatku kapitoly zobrazuje údaje
mart, ktorý drží i dať rozmerový.
Táto sada dať sa používa na podporu následného použitia
dať rozmerové dimenzie poháňané obchodnými problémami, ktoré
sme identifikovali. Ako sú dodatočné dokumenty
vytvorený, ako je vývoj dizajnu dať, my
začneme formalizovať ako i dať šíria sa v prostredí.
Zistili sme potrebu zastupovať i dať tak, aby
rozmerové, ich rozčlenenie (podľa špecifických potrieb
určené) na dátových trhoch.
Ďalšia otázka na zodpovedanie je: ako budú postavené
tieto data marts?
Staviate hviezdy na podporu kociek, alebo len kocky, alebo len hviezdy?
(alebo pravé kocky, alebo pravé hviezdy). Vytvorte dátovú architektúru
závislé trhy, ktoré vyžadujú atómovú vrstvu pre všetkých dať
získané? Umožnite nezávislým dátovým trhom získavať i dať
priamo z operačných systémov?
Akú technológiu kocky sa pokúsite štandardizovať?
Máte obrovské množstvo dať potrebné na rozmerovú analýzu
alebo potrebujete kocky národnej predajnej sily na jednej
týždenne alebo oboje? Postavte silný predmet
ako napríklad DB2 OLAP Server pre financie alebo kocky Cognos
PowerPlay pre vašu predajnú organizáciu alebo oboje?
Toto sú veľké architektonické rozhodnutia
ovplyvní vaše prostredie BI odteraz. Áno,
potvrdili ste potrebu OLAP. Ako to teraz zrealizujete
typ techniky a technológie?
Ako niektoré z najpokročilejších technológií ovplyvňujú vaše
kresby? Predpokladáme, že ste identifikovali potrebu
priestor vo vašej organizácii. Teraz si musíte pripomenúť
problémy s architektonickým výkresom, aj keď neplánované
vykonávať vesmírne komponenty niekoľko mesiacov. Architekt musí
navrhnúť dnes na základe toho, čo je potrebné. Predpovedajte potrebu
priestorová analýza, ktorá generuje, ukladá, vykonáva a poskytuje
prístup k dať priestorové. To by zase malo slúžiť ako
obmedzenia týkajúce sa typu technológie a špecifikácií
softvérovú platformu, ktorú môžete v súčasnosti zvážiť. Pre
napríklad administratívny systém databázy relačné
(RDBMS), ktoré musíte mať pre svoju atómovú vrstvu
k dispozícii robustné priestorové rozšírenie. Tým by sa zistilo
maximálny výkon pri použití geometrie a objektov
priestor vo vašich analytických aplikáciách. Ak váš RDBMS nie
zvládne i dať (priestorovo-centrické) interne, takže budete musieť
založiť a databázy (priestorovo-centrické) vonkajšie. Toto komplikuje
správa problémov a ohrozuje váš celkový výkon,
nehovoriac o ďalších problémoch vytvorených pre vás
DBA, keďže asi majú minimálne pochopenie
zo základov dať aj priestorové. Na druhej strane, ak váš motor
RDMBS zvláda všetky priestorové komponenty a súvisiace
Optimalizátor si je vedomý špeciálnych potrieb (napr.
indexovanie) priestorových objektov, potom ich vaše DBA zvládne
rýchlo riešte problémy a môžete ich povýšiť
výkon.
Okrem toho musíte upraviť plochu a vrstvu
atómové prostredie, ktoré zahŕňa čistenie adries (a
kľúčový prvok priestorovej analýzy), ako aj nasledujúce
šetrenie vesmírnych objektov. Postupnosť vydaní
kreslenie pokračuje teraz, keď sme zaviedli pojem čistenie
adresu. Po prvé, táto aplikácia bude diktovať typ
softvér potrebný pre vaše ETL úsilie.
Potrebujete produkty ako Trillium, aby vám dali adresu
čisté, alebo poskytovateľ ETL, ktorého sa rozhodnete poskytnúť
funkčnosť?
Zatiaľ je dôležité, aby ste ocenili úroveň dizajnu
musia byť dokončené predtým, ako začnete vykonávať svoje
prostredie (sklad). Vyššie uvedené príklady by mali
demonštrovať množstvo návrhových rozhodnutí, ktoré musia nasledovať
identifikáciu akejkoľvek konkrétnej obchodnej požiadavky. Ak je hotovo
Správne, tieto dizajnové rozhodnutia napredujú
vzájomná závislosť medzi fyzickými štruktúrami vášho prostredia,
výber použitej technológie a tok propagácie
informačný obsah. Bez tejto konvenčnej architektúry
BI, vaša organizácia bude podliehať zmiešaniu
chaotické existujúcich technológií, prinajlepšom istým spôsobom spojené
nie je presný, aby poskytoval zdanlivú stabilitu.
Udržujte informačný obsah
Priniesť hodnotu informácií do vašej organizácie je
veľmi náročná operácia. Bez dostatočného pochopenia
a skúsenosti, či adekvátne plánovanie a kreslenie, aj to
lepšie tímy by neuspeli. Na druhej strane, ak máte veľkú
intuícia a podrobné plánovanie, ale žiadna disciplína pre
exekúcie, len ste zbytočne vyhodili peniaze a čas
pretože vaše úsilie je odsúdené na neúspech. Správa by mala
buďte jasní: Ak vám chýba jedna alebo viacero z nich
zručnosti, porozumenie/skúsenosť alebo plánovanie/kreslenie resp
realizačná disciplína, to povedie k paralyzovaniu resp
zničiť budovu organizácie BI.
Je váš tím dostatočne pripravený? Niekto je na tebe
BI tím, ktorý rozumie rozsiahlemu dostupnému analytickému prostrediu
v prostrediach BI, v potrebných technikách a technológiách
realizovať tú krajinu? Vo vašom tíme je niekto
ktorý dokáže rozpoznať aplikačný rozdiel medzi pokročilými
statické výkazníctvo a OLAP, alebo rozdiely medzi ROLAP a OLAP? Jeden z
členovia vášho tímu jasne rozpoznávajú cestu
výpis a ako by to mohlo ovplyvniť sklad alebo ako
Dokáže sklad udržať ťažobný výkon? Člen
tímu chápe hodnotu dať priestor alebo technológie
na základe agenta? Máte niekoho, kto oceňuje jedinečnú aplikáciu
nástrojov ETL oproti technológii brokerov
správu? Ak ho nemáte, zaobstarajte si ho. BI je oveľa viac
veľká z normalizovanej atómovej vrstvy, OLAP, zo schém a
hviezda a ODS.
Majte pochopenie a skúsenosti na rozpoznanie požiadaviek
BI a ich riešení je nevyhnutné pre vašu schopnosť
správne formalizovať potreby a dizajn používateľov
a implementovať ich riešenia. Ak má vaša komunita používateľov
ťažkosti s popisom požiadaviek, to je úlohou tímu
sklad poskytnúť toto pochopenie. Ale ak tím z
sklad
nepozná konkrétnu aplikáciu BI - napr
ťažba - potom to nie je to najlepšie, čo prostredia BI robia
sú často obmedzené na pasívne vklady. Tieto však ignorujte
technológie neznižuje ich význam a účinok, ktorý majú
o vzniku vašich možností business intelligence
organizáciu, ako aj informačnú štruktúru, ktorú navrhujete
povýšiť.
Plánovanie musí obsahovať pojem kreslenie, vyd
obe vyžadujú kompetentnú osobu. Navyše plánovanie
vyžaduje tímovú filozofiu a pozorovanie
noriem. Napríklad, ak vaša spoločnosť založila a
štandardnú platformu alebo identifikoval konkrétny RDBMS, ktorý ste
chceme štandardizovať na celej platforme, je to na nás
všetci v tíme dodržiavajú tieto normy. Vo všeobecnosti jeden
tím odhaľuje potrebu normalizácie (používateľovi
communites), ale samotný tím nie je ochotný sa pripojiť
štandardy stanovené aj v iných oblastiach v spoločnosti alebo možno aj v
podobné spoločnosti. Nielenže je to pokrytecké, ale zaisťuje to, že spoločnosť nie
dokáže využiť existujúce zdroje a investície. to neznamená
že neexistujú situácie, ktoré zaručujú platformu alebo a
neštandardizovaná technológia; však skladové úsilie
mali by žiarlivo chrániť normy podniku až do
že obchodné požiadavky neurčujú inak.
Tretí kľúčový komponent potrebný na vybudovanie BI
Organizácia je disciplína.
Závisí to celkovo, rovnako od jednotlivcov a prostredia.
Projektanti, sponzori, architekti a používatelia to musia oceniť
disciplína potrebná na vybudovanie informačnej štruktúry podniku.
Dizajnéri musia nasmerovať svoje dizajnérske úsilie takým spôsobom, aby
dokončiť ďalšie potrebné úsilie v spoločnosti.
Povedzme napríklad, že vaša spoločnosť stavia a
ERP aplikácia, ktorá má komponent skladu.
Preto je zodpovednosťou dizajnérov ERP spolupracovať s
tím skladového prostredia, aby si nekonkurovali resp
duplikovať už začatú prácu.
Aj disciplína je téma, ktorej sa treba venovať
celou organizáciou a spravidla je zriadený a poverený a
výkonnej úrovni.
Sú manažéri ochotní dodržiavať navrhnutý prístup? A
prístup, ktorý sľubuje vytvorenie informačného obsahu, ktorý k
koniec prinesie hodnotu do všetkých oblastí podnikania, ale možno
Ohrozuje individuálnu alebo rezortnú agendu? Pamätajte na príslovie
"Premýšľať o všetkom je dôležitejšie ako myslieť len na jednu vec."
Toto príslovie platí pre organizácie BI.
Bohužiaľ, veľa skladov sústreďuje svoje úsilie
snažia sa zacieliť a priniesť hodnotu konkrétnemu oddeleniu resp
konkrétnych používateľov, s malým ohľadom na organizáciu v
všeobecný. Predpokladajme, že manažér požiada tím o pomoc
obytný dom. Tím odpovedá úlohou, ktorá trvala 90 dní
zahŕňa nielen doručenie notifikačných požiadaviek definovaných v
manažér, ale zabezpečuje, že všetko dať základ sa primieša do vrstvy
atómová pred zavedením do technológie kocky
návrh.
Tento inžiniersky doplnok zabezpečuje, že podnik
washouse bude mať prospech dať potrebné pre manažéra.
Výkonný riaditeľ však hovoril s externými poradenskými spoločnosťami
navrhli podobnú žiadosť s doručením za menej ako 4
týždňov.
Za predpokladu, že interný tím ubytovne je kompetentný,
manažér má na výber. Kto môže podporovať disciplínu o
dodatočné inžinierstvo potrebné na rast aktíva
informačný obchod alebo si môžete vytvoriť vlastný
riešenie rýchlo. Zdá sa, že posledný je skutočne vybraný
príliš často a slúži len na vytváranie informačných kontajnerov
z čoho má úžitok len málokto alebo jednotlivec.
Krátkodobé a dlhodobé ciele
Architekti a projektanti musia formalizovať a
dlhodobú víziu celkovej architektúry a plánov pre
rast v organizácii BI. Táto kombinácia
krátkodobý zisk a dlhodobé plánovanie
predstavujú dve strany úsilia BI. Krátkodobý zisk
termín je aspekt BI, ktorý je spojený s iteráciami
váš sklad.
Na to sa zameriavajú plánovači, architekti a sponzori
spĺňať špecifické obchodné požiadavky. Práve na tejto úrovni je
stavajú sa fyzické stavby, nakupuje sa technológia a
techniky. Vôbec nie sú stvorení na to, aby sa s nimi zaoberali
špecifické požiadavky definované konkrétnymi používateľskými komunitami.
Všetko sa robí s cieľom riešiť konkrétne definované požiadavky
z konkrétnej komunity.
Dlhodobé plánovanie je však druhým aspektom
z BI. Tu to plány a projekty zabezpečili
postavil akúkoľvek fyzickú štruktúru, vybrané technológie a
realizované techniky vyrobené s ohľadom na podnik. A
dlhodobé plánovanie, ktoré poskytuje súdržnosť
potrebné, aby sa zabezpečilo, že obchodné výhody budú mať všetci
zistené krátkodobé zisky.
Zdôvodnite svoje úsilie BI
Un dátový sklad sama o sebe nemá žiadnu vlastnú hodnotu. V inom
slovami, medzi technológiami neexistuje žiadna inherentná hodnota
skladové a implementačné techniky.
Hodnota každého skladového úsilia sa nachádza v akciách
vykonávané podľa prostredia a obsahu skladu
informatívny kultivovaný časom. Toto je kritický bod na pochopenie
predtým, než sa vôbec pokúsite odhadnúť hodnotu akejkoľvek iniciatívy
kde dom.
Architekti a dizajnéri sa príliš často pokúšajú aplikovať hodnotu
fyzické a technické komponenty skladu, keď v skutočnosti ide o hodnotu
je založená na podnikových procesoch, ktoré sú pozitívne ovplyvnené
sklad a dobre získané informácie.
V tom spočíva výzva založenia BI: Ako zdôvodníte investíciu?
Ak samotný dom nemá žiadnu vnútornú hodnotu, dizajnéri z
projekt musí preskúmať, definovať a formalizovať prínosy
dosiahnuté tými jednotlivcami, ktorí budú sklad využívať na
zlepšiť konkrétne obchodné procesy alebo hodnotu
chránené informácie alebo oboje.
Aby sa veci skomplikovali, akýkoľvek obchodný proces
ovplyvnené skladovým úsilím by mohli priniesť výhody
„značné“ alebo „mierne“. Značné výhody poskytujú a
hmatateľná metrika na meranie návratnosti investícií (ROI) – napr
Napríklad obrat zásob dodatočne počas určitého obdobia
špecifické alebo za nižšie prepravné náklady na zásielku. Je to viac
Je ťažké definovať drobné výhody, ako napríklad lepší prístup k
informácie, pokiaľ ide o hmotnú hodnotu.
Pripojte svoj projekt a dozviete sa viac o
Obchodné požiadavky
Návrhári projektov sa príliš často pokúšajú spojiť hodnotu
skladu s amorfnými firemnými cieľmi. Vyhlasujúc to
„Hodnota skladu je založená na našej schopnosti
uspokojiť strategické požiadavky“ otvárame
reč. Ale to samo o sebe nestačí určiť, či
investovanie do zásob má zmysel. Je lepšie spájať opakovania
skladov so špecifickými a známymi obchodnými požiadavkami.
Meranie ROI
Výpočet ROI v nastavení skladu môže byť
obzvlášť ťažké. Je obzvlášť ťažké, ak výhodu
princípom konkrétneho opakovania je niečo nehmotné resp
ľahko merať. Štúdia zistila, že používatelia vnímajú
dve hlavné výhody BI iniciatív:
▪ Vytvorte schopnosť vytvárať rozhodnutia
▪ Vytvoriť prístup k informáciám
Tieto výhody sú mäkké (alebo mierne) výhody. Je to jednoducho vidieť
ako môžeme vypočítať ROI na základe tvrdého potenciálu (alebo
väčšie), ako je zníženie nákladov na dopravu, ale ako
meriame schopnosť robiť lepšie rozhodnutia?
To je určite výzva pre projektantov, keď
snažia sa presvedčiť firmu, aby investovala do konkrétneho
skladové úsilie. Zvýšenie predaja alebo zníženie nákladov
už nie sú ústrednými témami, ktoré riadia prostredie BI.
Namiesto toho sa pozeráte na obchodné žiadosti o prístup
najlepšie k informáciám, ktoré môže konkrétne oddelenie
robiť rýchlejšie rozhodnutia. Toto sú strategické hnacie sily a
ktoré sú pre podnikanie rovnako dôležité, ale sú
nejednoznačnejšie a ťažšie charakterizovateľné v konkrétnej metrike.
V tomto prípade môže byť výpočet ROI zavádzajúci, ak nie irelevantný.
Projektanti musia byť schopní preukázať hodnotu
hmatateľné pre manažérov, aby sa rozhodli, či investovať
platí osobitné opakovanie. Nový však nenavrhneme
metóda na výpočet ROI, ani nebudeme uvádzať žiadne argumenty pre alebo
proti tomu.
Existuje veľa článkov a kníh, ktoré pojednávajú o základoch
vypočítať ROI. Ako hodnota existujú špeciálne hodnotové návrhy
o investovaní (VOI), ktoré ponúkajú skupiny ako Gartner, ktoré môžete
skúmať. Namiesto toho sa zameriame na kľúčové aspekty akéhokoľvek
ROI alebo iné hodnotové návrhy, ktoré musíte zvážiť.
Uplatňuje sa návratnosť investícií
Okrem argumentu „tvrdé“ verzus „mäkké“ výhody
v súvislosti s úsilím BI je potrebné zvážiť aj ďalšie otázky
keď aplikujeme ROI. Napríklad:
Pripisujte príliš veľa úspor úsiliu DW, ktoré by prišlo
v každom prípade
Povedzme, že vaša spoločnosť prešla z architektúry
mainframe do distribuovaného prostredia UNIX. Takže akékoľvek
úspory, ktoré sa môžu (ale nemusia) dosiahnuť týmto úsilím
by sa nemalo pripisovať výlučne, ak vôbec (?), komu
sklad.
Neúčtovať všetko je nákladné. A je tu veľa vecí, ktoré treba robiť
vziať do úvahy. Zvážte nasledujúci zoznam:
▪ Počiatočné náklady vrátane realizovateľnosti.
▪ Náklady na vyhradený hardvér so súvisiacim úložiskom e
komunikácia
▪ Náklady na softvér vrátane správy dať a rozšírenia
klient/server, ETL softvér, DSS technológie, nástroje
vizualizácia, programovanie a tokové aplikácie
pracovný a monitorovací softvér, .
▪ Náklady na návrh konštrukcie dať, s realizáciou, a
optimalizácia
▪ Náklady na vývoj softvéru priamo spojené s úsilím
BI
▪ Náklady na domácu podporu vrátane optimalizácie
výkon, vrátane kontroly verzie softvéru a
pomocné operácie
Použite ROI „Big-Bang“.
Vytvorenie skladu ako jediné a obrovské úsilie
musí zlyhať, takže vypočítajte aj ROI pre iniciatívu
veľkého podniku Ponuka je prekvapivá, a to, že dizajnéri
pokračovať v chabých pokusoch odhadnúť hodnotu celku
úsilie.
Pretože dizajnéri sa snažia dať peňažnú hodnotu
o podnikateľskej iniciatíve, ak je to všeobecne známe a akceptované
Je ťažké odhadnúť konkrétne opakovania? Ako je to možné? To nieje
možné až na pár výnimiek. Nerob to.
Teraz, keď sme stanovili, čo nerobiť pri výpočte
ROI, je tu niekoľko bodov, ktoré nám pomôžu pri definovaní
spoľahlivý proces na odhadnutie hodnoty vášho úsilia v oblasti BI.
Získanie konsenzu ROI. Bez ohľadu na váš
výber techniky na odhadnutie hodnoty vášho úsilia v oblasti BI je nevyhnutný
byť odsúhlasené všetkými stranami, vrátane projektantov,
sponzorov a konateľov spoločnosti.
Znížte ROI na identifikovateľné časti. Nevyhnutný krok k
rozumným výpočtom ROI je zamerať tento výpočet na a
konkrétny projekt. To vám potom umožňuje odhadnúť hodnotu
na základe špecifických obchodných požiadaviek, ktoré sú splnené
Definujte náklady. Ako už bolo spomenuté, musí to byť veľa nákladov
zvážiť. Okrem toho náklady musia zahŕňať nielen súvisiace náklady
na jednu iteráciu, ale aj na súvisiace náklady
na zabezpečenie dodržiavania firemných štandardov.
Definujte výhody. Jasné prepojenie ROI s požiadavkami
konkrétne podniky, mali by sme byť schopní identifikovať
výhody, ktoré povedú k uspokojeniu požiadaviek.
Znížiť náklady a prínosy v hroziacich ziskoch. Je to cesta
najlepšie založiť svoje ocenenia na čistej súčasnej hodnote
(NPV) na rozdiel od pokusu predpovedať budúcu hodnotu v
budúce zárobky.
Udržujte načasovanie rozdelenia návratnosti investícií na minimum. AND'
dobre zdokumentované počas dlhého obdobia, kedy sa používa vo vašom
ROI.
Použite viac ako jeden vzorec ROI. Na to existuje množstvo metód
Predikcia ROI a mali by ste si naplánovať, či použijete jeden resp
plus, vrátane čistej súčasnej hodnoty, vnútorná rýchlosť návratnosti
(IRR) a zotavenie.
Definujte opakovateľný proces. To je rozhodujúce pre výpočet
akúkoľvek dlhodobú hodnotu. Malo by byť zdokumentované a
jeden opakovateľný proces pre všetky podsekvencie projektu a
sledovať.
Uvedené problémy sú najčastejšie definované odborníkmi
prostredia ubytovne. Naliehanie zo strany vedenia o
dodanie ROI „veľkého tresku“ je veľmi mätúce. Ak začnete všetky
vaše výpočty návratnosti investícií tým, že ich rozdelíte na identifikovateľné a hmatateľné časti, máte
dobrá šanca odhadnúť presné ocenenie návratnosti investícií.
Otázky týkajúce sa výhod návratnosti investícií
Nech sú vaše výhody akékoľvek, mäkké alebo tvrdé, môžete ich využiť
niekoľko základných otázok na určenie ich hodnoty. Komu
napríklad pomocou jednoduchého škálovacieho systému, od 1 do 10, vy
môžete sledovať dopad akéhokoľvek úsilia pomocou nasledujúceho
otázky:
▪ Ako by ste ohodnotili pochopenie dať po tomto
projekt vašej spoločnosti?
▪ Ako by ste odhadli zlepšenia procesov ako výsledok?
tento projekt?
▪ Ako by ste teraz zmerali vplyv nových poznatkov a záverov?
sprístupnené touto iteráciou
▪ Aký bol vplyv nových počítačových prostredí e
výkon ako výsledok toho, čo ste sa naučili?
Ak je odpovedí na tieto otázky málo, je to možné
spoločnosť nestojí za investíciu. Otázky s vysokým
skóre poukazujú na významné zisky hodnoty a mali by
slúžiť ako návod na ďalšie skúmanie.
Napríklad vysoké skóre za zlepšenie procesov
mala by viesť dizajnérov k tomu, aby preskúmali, aké sú procesy
bolo vylepšené. Možno zistíte, že niektoré alebo všetky zisky získate
sú hmotné, a preto sa dá ľahko získať peňažná hodnota
aplikované.
Vyťaženie maxima z prvej iterácie
sklad
Najväčší výsledok vášho obchodného úsilia je často v
prvých pár iterácií. Tieto prvé snahy tradične
vytvoriť čo najužitočnejší informačný obsah pre verejnosť a
vytvára technologickú základnú pomoc pre ďalšie
BI aplikácie.
Zvyčajne každá ďalšia následná sekvencia dať projektu
sklady prinášajú spoločnosti čoraz menšiu pridanú hodnotu
všeobecný. To platí najmä vtedy, ak neopakujete
pridáva nové témy alebo nevyhovuje potrebám novej
komunita užívateľov.
Táto vlastnosť skladovania platí aj pre batérie
rastúce z dať historikov. Keďže následné úsilie si vyžaduje viac
dať a ako viac dať sa v priebehu času naleje do skladu väčšina
dať sa stáva menej relevantným pre použitú analýzu. Títo dať sú
často nazývaný dať spiace a je vždy drahé ich držať, pretože
takmer vôbec sa nepoužívajú.
Čo to znamená pre sponzorov projektu? V podstate, t.j
Prví sponzori sa viac delia o to, koľko stojí investícia.
To je primárne, pretože sú impulzom pre založenie vrstvy
široké technologické prostredie a skladové zdroje,
vrátane organických.
Ale tieto prvé kroky prinášajú najvyššiu hodnotu a teda dizajnéri
projekty musia často odôvodňovať investíciu.
Projekty realizované po vašej iniciatíve BI môžu mať náklady
podradné (v porovnaní s prvým) a priame, no prinášajú menšiu hodnotu
do spoločnosti.
A majitelia organizácií musia začať zvažovať
zahodiť nahromadenie dať a menej relevantné technológie.
Data mining: Extrakcia dati
Početné architektonické prvky vyžadujú variácie
technológie a techniky dolovania údajov –
napríklad rôzni „agenti“ na skúmanie bodov záujmu
zákazníci, operačné systémy spoločnosti a pre samotný dw. Títo
agentmi môžu byť trénované pokročilé neurónové siete
pot trendy, ako je budúci dopyt po produktoch založený na
podpora predaja; motory založené na pravidlách pre
reagovať na súpravu daný okolností, napríklad diagnózy
lekárske a liečebné odporúčania; alebo dokonca jednoduchých agentov
s úlohou nahlasovania výnimiek vyšším manažérom (top
vedúci pracovníci). Vo všeobecnosti tieto extrakčné procesy dať si
overiť v reálnom čase; preto musia byť zjednotení
úplne s pohybom dať sami.
Online analytické spracovanie
Online Analytics
Schopnosť krájať, krájať, kotúľať, vŕtať
a vykonať analýzu
čo-ak, je v rámci rozsahu, cieľa balíka
Technológia IBM. Napríklad funkcie analytického spracovania
online (OLAP) existujú pre DB2, ktoré prinášajú dimenzionálnu analýzu do
motor z databázy rovnaký .
Funkcie pridávajú rozmerový nástroj do SQL while
využívajú všetky výhody toho, že sú prirodzenou súčasťou DB2. Ďalší
Príkladom integrácie OLAP je extrakčný nástroj DB2
OLAP Server Analyzer. Táto technológia umožňuje kocky o
DB2 OLAP server rýchlo a automaticky
analyzované s cieľom identifikovať a podávať správy o hodnotách dať nezvyčajné alebo neočakávané
v celej kocke obchodnému analytikovi. A nakoniec funkcie
DW Center poskytuje architektom prostriedky na kontrolu, medzi
iné veci, profil kocky servera DB2 OLAP ako súčasť
prirodzený charakter procesov ETL.
Priestorová analýza Priestorová analýza
Priestor predstavuje polovicu analytických kotiev (zvodov).
potrebné pre panorámu
analytický široký (čas predstavuje druhú polovicu). Atómová úroveň
(atómová úroveň) skladu, znázorneného na obrázku 1.1,
zahŕňa základy pre čas aj priestor. Nahrávky
Analýza časovej kotvy pre informácie o čase a adrese
kotevné analýzy z vesmíru. Časové pečiatky
vykonávajú analýzu včas a informácie o smere vedú
analýza podľa priestoru. Diagram ukazuje proces geokódovania
prevod adries na body na mape alebo body v priestore
takže pojmy ako vzdialenosť a vnútro/vonku môžu byť
používa sa pri analýze – vykonávanej na atómovej úrovni a priestorovej analýze
ktorý je sprístupnený analytikom. IBM poskytuje rozšírenia
vesmír, vyvinutý v spolupráci s Environmental System Research Institute (ESRI),
al databázy DB2, takže priestor objekty môžu byť
uložené ako bežná súčasť databázy vzťahový. DB2
Priestorové rozšírenia tiež poskytujú všetky rozšírenia SQL
využívať priestorovú analýzu. Napríklad rozšírenia SQL z
otázka o
vzdialenosť medzi adresami alebo či je bod vnútri alebo mimo oblasti
definované polygonálne, sú analytickým štandardom s priestorom
Predlžovače. Viac informácií nájdete v kapitole 16.
databázy-Nástroje rezidentných nástrojov databázy-
rezident
DB2 má mnoho BI-rezidentných funkcií SQL, ktoré pomáhajú
v analytickej akcii. Tie obsahujú:
▪ Funkcie rekurzie na vykonanie analýzy, ako napríklad „nájsť
všetky možné trasy letu z San Francisco a New York".
▪ Analytické funkcie pre klasifikáciu, kumulatívne funkcie, kocka
a súhrny na uľahčenie úloh, ktoré sa bežne vyskytujú
len s technológiou OLAP sú teraz prirodzenou súčasťou
motor z databázy
▪ Schopnosť vytvárať tabuľky, ktoré obsahujú výsledky
Predajcovia z databázy lídri kombinujú viac ako len schopnosti BI
v databázy to isté.
Hlavnými dodávateľmi databázy miešajú viac ako
Funkcia BI v databázy to isté.
To vám poskytuje lepší výkon a viac možností behu
BI riešenia.
Sú prediskutované vlastnosti a funkcie DB2 V8
podrobne v nasledujúcich kapitolách:
Základy technickej architektúry a správy údajov
(kapitola 5)
▪ Základy DB2 BI (kapitola 6)
▪ Tabuľky materializovaných dotazov DB2
Tabuľky) (kapitola 7)
▪ Funkcie DB2 OLAP (kapitola 13)
▪ Rozšírené funkcie BI DB2 (Enhanced BI
Vlastnosti a funkcie) (kapitola 15)
Zjednodušený systém doručovania údajov
Systém doručenia dať zjednodušené
Architektúra znázornená na obrázku 1.1 obsahuje množstvo
štruktúry dať fyzické. Jedným z nich je sklad dať funkčné.
Vo všeobecnosti je ODS objektovo orientovaný,
integrované a aktuálne. Postavili by ste ODS na podporu napr
napríklad predajná kancelária. Predaje ODS by doplnili dať
pochádzajúce z mnohých rôznych systémov, ale zachovali by si len napr
napríklad dnešné transakcie. ODS je možné aktualizovať
aj mnohokrát za deň. Zároveň procesy
tlačia na dať integrované do iných aplikácií. Táto štruktúra je
špeciálne navrhnuté na integráciu dať aktuálne a dynamické e
by bol pravdepodobným kandidátom na podporu analýzy v reálnom čase,
ako poskytnúť servisných agentov zákazníci informácie o predaji
aktuálne trendy zákazníka extrahovaním informácií o trendoch predaja
zo samotného skladu. Ďalšia štruktúra znázornená na obrázku 1.1 je
formálny status pre dw. Nielen pre toto je to miesto
vykonanie potrebnej integrácie, kvalitu daťA
o transformácii dať zásoby čoskoro, ale je to tiež
spoľahlivý a dočasný úložný priestor pre dať odpovedz na to
možno použiť pri analýze v reálnom čase. Ak sa rozhodnete
použite ODS alebo oblasť prechodu, jedna
z najlepších nástrojov na osídlenie týchto štruktúr dať použitím
rôznymi prevádzkovými zdrojmi je heterogénny distribuovaný dotaz DB2.
Túto schopnosť poskytuje voliteľná funkcia DB2
s názvom DB2 Relational Connect (len dotaz) a cez DB2
DataJoiner (samostatný produkt, ktorý dodáva aplikáciu,
vkladanie, aktualizácia a možnosť vymazania a
Heterogénne distribuované RDBMS).
Táto technológia umožňuje architektom dať zviazať dať di
výroba s analytickými procesmi. Nielen technológia môže
prispôsobiť sa prakticky každej replikačnej požiadavke
môžu sa zobraziť pomocou analýzy v reálnom čase, ale to
Môžu sa tiež pripojiť k rôznym základniam dať viac
populárne, vrátane DB2, Oracle, Sybase, SQL Server,
Informix a ďalšie. Na vyplnenie možno použiť DB2 DataJoiner
štruktúra dať formálne ako ODS alebo dokonca stôl
trvalo zastúpené v sklade určenom na reštaurovanie
rýchle na okamžité aktualizácie alebo na predaj. prirodzene,
tieto isté štruktúry dať možno osídliť pomocou
ďalšia dôležitá technológia určená na replikáciu dať, IBM
DataPropagator Relational. (DataPropagator je samostatný produkt
pre centrálne systémy. DB2 UNIX, Linux, Windows a OS/2 zahŕňajú
replikačné služby dať ako štandardná funkcia).
Ďalší spôsob pohybu dať pôsobiaci okolo
k podniku je v opačnom prípade integrátor podnikových aplikácií
známy ako sprostredkovateľ správ.Toto
Jedinečná technológia umožňuje bezkonkurenčné ovládanie centrovania
(zacielenie) a pohyb dať okolo firmy. IBM má sprostredkovateľa
z najpoužívanejších správ, MQSeries alebo variácie
produktu, ktorý zahŕňa požiadavky e-commerce, IBM
WebSphere MQ.
Pre viac diskusií o tom, ako využiť MQ na podporu a
sklad a prostredie BI, návšteva webové stránky knihy. Zatiaľ áno
stačí povedať, že táto technológia je výborným prostriedkom na
zachytiť a transformovať (pomocou integrátora MQSeries) dať
centrovaní (cielení) operátori prijatí pre BI riešenia. Tam
Technológia MQ bola integrovaná a zabalená do UDB V8, ktorý
znamená, že fronty správ je teraz možné spravovať
ako keby to boli tabuľky DB2. Koncept zvárania
správy vo fronte a vesmír databázy vzťahová je riadená
smerom k výkonnému doručovaciemu prostrediu dať.
Zero-Latency Nulová latencia
Konečným strategickým cieľom pre IBM je analýza nulovej latencie (nulovej latencie).
Podľa definície
Gartner, BI systém musí byť schopný odvodiť, asimilovať
a poskytnúť informácie pre analytikov na požiadanie. Výzva,
samozrejme, je to v tom, ako namiešať dať aktuálne a v reálnom čase
s potrebnými historickými informáciami, ako napr dať súvisiaci model(y).
tendencia, alebo extrahované chápanie, ako vymedzenie
Zákazník.
Medzi takéto informácie patrí napríklad identifikácia zákazníci ad
vysoké alebo nízke riziko alebo ktoré produkty i zákazníci budú kupovať veľa
asi ak už majú vo vozíkoch syr
akvizícií.
Získanie nulovej latencie je v skutočnosti závislé od dvoch
základné mechanizmy:
▪ Kompletné spojenie dať ktoré sa analyzujú s
zavedené techniky a nástroje vytvorené BI
▪ Systém poskytovania dať efektívne zabezpečiť
analýza v reálnom čase je skutočne dostupná
Tieto predpoklady pre nulovú latenciu sa nelíšia od týchto dvoch
ciele stanovené IBM a opísané vyššie.
Blízke párenie dať je súčasťou programu
bezproblémová integrácia zo strany IBM. A vytvorte si systém
doručenia dať efektívnosť je úplne závislá od
dostupnú technológiu, ktorá zjednodušuje proces dodávania
dať. V dôsledku toho sú dva z troch cieľov IBM rozhodujúce
urobiť tretiu. IBM vedome vyvíja svoje vlastné
technológia na zabezpečenie nulovej latencie je pre používateľov realitou
skladové úsilie.
Zhrnutie / Syntéza
Organizácia BI poskytuje plán pre
vytvorte si svoje prostredie
iteratívne. Musí byť upravený tak, aby odrážal potreby
vaše podnikanie, súčasné aj budúce. Bez architektonickej vízie
široký, skladové opakovania sú o niečo viac ako
náhodné implementácie centrálneho skladu, ktoré robia málo
vytvoriť široký, informatívny podnik.
Prvou prekážkou pre projektových manažérov je, ako zdôvodniť
investície potrebné pre rozvoj organizácie BI.
Hoci výpočet ROI zostal hlavnou podporou
skladové úspechy, je stále ťažšie
presne predpovedať. To viedlo k ďalším metódam pre
určiť, či máte svoje peniaze. The
napríklad hodnota investície2 (VOI).
ako riešenie.
Je to povinnosťou architektov z dať a projektových plánovačov
zámerne generovať a poskytovať informácie združeniam
používateľov a nielen im poskytovať službu dať. Existuje a
obrovský rozdiel medzi nimi. Informácie sú niečo, čo človek robí
rozdiel v rozhodovacích procesoch a efektívnosti; relatívne, t.j
dať sú stavebnými kameňmi na odvodenie týchto informácií.
Aj keď som kritický voči zdroju dať riešiť požiadavky
komerčné, BI prostredie by malo zohrávať väčšiu úlohu
pri tvorbe informačného obsahu. Musíme vziať
dodatočné opatrenia na čistenie, integráciu, transformáciu resp
inak vytvárať informačný obsah, podľa ktorého sa
používatelia môžu konať, a preto sa musíme uistiť, že tieto
činy a rozhodnutia, ak sú primerané, sú podporované
v prostredí BI. Ak sklad odsunieme, aby slúžil iba ďalej dať,
je zaručené, že obsah vytvoria združenia používateľov
informácie potrebné na prijatie opatrení. To zaisťuje, že ich
komunita bude môcť robiť lepšie rozhodnutia, ale podnik
trpí nedostatkom vedomostí, ktoré použili.
Dato že architekti a projektanti iniciujú projekty
špecifické pre prostredie BI, zostávajú zodpovedné voči podniku
celkovo. Jednoduchý príklad týchto dvoch funkcií
tváre iterácií BI sa nachádzajú v zdroji dať. Všetko
dať na konkrétne komerčné požiadavky
osídlené v prvej atómovej vrstve. To zabezpečuje rozvoj
aktíva podnikových informácií, ako aj spravovať, riadiť
Požiadavky špecifické pre používateľa definované v iterácii.

W hatisa D ata W arehouse ?
Dátový sklad je srdcom architektúry informačných systémov
od roku 1990 a podporuje informačné procesy ponukou solídnych
integrovaná platforma dať historikov za základ pre nasledujúce
analýzy. THE dátový sklad ponúkajú jednoduchú integráciu do a
sveta aplikačných systémov, ktoré nie sú navzájom kompatibilné. Dátum
sklad sa vyvinul do trendu. Dátový sklad
organizovať a skladovať i dať potrebné pre informačné procesy e
analytické založené na dlhej historickej časovej perspektíve. Všetky
to zahŕňa značné a neustále úsilie o výstavbu a
pri údržbe dátový sklad.
Čo je teda a dátový sklad? dátový sklad A:
▪ zameraná na predmet
▪ integrovaný systém
▪ variantný čas
▪ neprchavé (nedá sa vymazať)
zbierka dať používa sa na podporu manažérskych rozhodnutí v
implementácia procesov.
I dať vložené do dátový sklad vznikajú vo väčšine
prípady z prevádzkových prostredí. The dátový sklad robí ho jeden
úložná jednotka, fyzicky oddelená od zvyšku
systém, ktorý obsahuje dať predtým premenený
aplikácie, ktoré fungujú na informáciách odvodených z prostredia
funkčné.
Doslovná definícia a dátový sklad si zaslúži hĺbkovú štúdiu
vysvetlenie, pretože existujú dôležité motivácie a významy
pozadia, ktoré popisujú vlastnosti skladu.
PREDMETOVÁ ORIENTÁCIA ORIENTÁCIA
TEMATICKÝ
Prvá charakteristika a dátový sklad je, že je orientovaný na
hlavných hráčov v spoločnosti. Sprievodca skúškami cez
dať je v kontraste s klasickejšou metódou, ktorú poskytuje
orientácia aplikácií na procesy a funkcie,
metóda väčšinou zdieľaná väčšinou
staršie systémy riadenia.
Operačný svet je navrhnutý okolo aplikácií a funkcií
ako sú pôžičky, úspory, bankové karty a dôvera pre inštitúciu
finančné. Svet dw je organizovaný okolo predmetov
princípy ako zákazník, predajca, produkt a obchod.
Zarovnanie okolo tém ovplyvňuje dizajn a
o realizácii dať nájdené v dw. Dolezitejsie,
hlavná téma ovplyvňuje najdôležitejšiu časť
kľúčová štruktúra.
Svet aplikácie je ovplyvnený dizajnom dát
na základe návrhu procesu. Svet
dw sa zameriava výlučne na modelovanie dať a ďalej
kreslenie databázy. Návrh procesu (v jeho forme
classic) nie je súčasťou prostredia dw.
Rozdiely medzi výberom procesu/funkcie a aplikácie
výber podľa predmetu sa prejavuje aj ako rozdiely v obsahu
z dať na podrobnej úrovni. THE dať z dw nezahŕňajú i dať že
nebudú použité pre proces DSS počas aplikácií
prevádzkovo orientovaný dať obsahujú i dať uspokojiť
okamžite funkčné/spracovateľské požiadavky, ktoré môžu o
menej majú pre analytika DSS využitie.
Ďalším dôležitým spôsobom, akým prevádzkovo orientované aplikácie
ai dať líšiť sa od dať dw je v správach dei dať. Ja dať
prevádzkové udržiavať nepretržitý vzťah medzi dvoma alebo viacerými tabuľkami
na základe obchodného pravidla, ktoré je aktívne. THE dať od dw
pokrývajú spektrum času a vzťahy nájdené v dw sú
veľa. Mnoho obchodných pravidiel (a zodpovedajúcim spôsobom veľa
správy o dať ) sú zastúpené v sklade o dať medzi dvoma o
viaceré tabuľky.
(Pre podrobné vysvetlenie toho, ako sú vzťahy medzi dať sú
spracované v DW, odkazujeme na technickú tému
otázka.)
Zo žiadnej inej perspektívy ako z pohľadu rozdielnosti
základom medzi výberom funkčnej/procesnej aplikácie a
pri výbere predmetu je medzi systémami väčší rozdiel
prevádzkový ei dať a DW.
INTEGRÁCIA INTEGRÁCIA
Najdôležitejším aspektom prostredia dw je, že i dať nájdené
v rámci dw sú jednoducho integrované. VŽDY. BEZ
VÝNIMKY. Samotná podstata prostredia dw je v tom, že i dať
v rámci skladových limitov sú integrované.
Integrácia sa prejavuje mnohými rôznymi spôsobmi – v konvenciách
identifikované konzistentné, pri meraní konzistentných premenných, v
kodifikované štruktúry pozostávajúce z fyzikálnych atribútov dať
konzistentné a tak ďalej.
V priebehu rokov tak urobili dizajnéri rôznych aplikácií
veľa rozhodnutí o tom, ako by mala byť aplikácia
rozvíjať. Individuálne rozhodnutia o štýle a dizajne
z aplikácií dizajnérov sa odhaľujú na sto spôsobov: v
rozdiely v kódovaní, štruktúra kľúča, fyzikálne vlastnosti,
identifikácia konvencií a pod. Kolektívna kapacita mnohých
Návrhári aplikácií vytvárajú nekonzistentné aplikácie
je legendárny. Obrázok 3 uvádza niektoré z viacerých rozdielov
dôležité v spôsoboch navrhovania aplikácií.
Kódovanie: Kódovanie:
Dizajnéri aplikácií si vybrali kódovanie v teréne –
sex - rôznymi spôsobmi. Dizajnér predstavuje sex ako
„m“ a „f“. Ďalší dizajnér predstavuje sex ako „1“
a „0“. Ďalší dizajnér predstavuje sex ako „x“ a
„y“. Ďalší dizajnér predstavuje sex ako „mužský“ a
"Žena". Nezáleží na tom, ako sa sex dostane do DW. "M"
a „F“ sú pravdepodobne rovnako dobré ako všetky ostatné
zastupovanie.
Dôležité je, že z akéhokoľvek pôvodu pochádza oblasť sexu,
toto pole prichádza do DW v konzistentnom integrovanom stave. Od
dôsledok, keď je pole načítané do DW z
aplikácia, v ktorej bol zastúpený vo formáte
„M“ a „F“, t.j dať musí byť prevedený do formátu DW.
Meranie atribútov: Meranie
Vlastnosti:
Dizajnéri aplikácie sa rozhodli zmerať potrubie v
rôznymi spôsobmi v kurze
Niekoľko rokov. Dizajnér ukladá dať potrubia v
centimetre. Ďalší návrhár aplikácií ukladá súbor dať
potrubia z hľadiska palcov. Ďalší dizajnér z
obchody s aplikáciami i dať potrubia v miliónoch kubických stôp
za sekundu. A ďalší dizajnér ukladá informácie o
potrubia z hľadiska yardov. Bez ohľadu na zdroj, keď
informácie o potrubí prichádzajú do DW, to musí byť
merané rovnakým spôsobom.
Podľa údajov na obrázku 3 ide o problémy s integráciou
ovplyvňujú takmer každý aspekt projektu – vlastnosti
fyzickí bohovia dať, dilema mať viac ako jeden zdroj daťv
problém nejednotných identifikovaných vzoriek, formátov dať
nekonzistentné a pod.
Bez ohľadu na tému dizajnu, výsledok je rovnaký –
i dať musia byť uložené v DW v jednotnom e
celosvetovo prijateľným spôsobom aj pri operačných systémoch
dno ukladajú inak i dať.
Keď sa analytik DSS pozrie na DW, cieľ analytika
malo by ísť o využitie dať ktoré sú v sklade,
skôr než sa zaujímať o dôveryhodnosť alebo konzistentnosť
dať.
ČASOVÁ VARIANTA
všetko dať v DW sú presné do určitého bodu v čase.
Táto základná charakteristika dať v DW je veľmi odlišný od tých dať
nájdené v operačnom prostredí. THE dať operačného prostredia sú
presne ako v momente prístupu. Inými slovami,
v operačnom prostredí pri prístupe k jednotke dať, Ale tiež
počkajte, kým nebude odrážať presné hodnoty ako v čase prístupu.
Prečo ja dať v DW sú také presné ako v určitom bode v
času (t. j. nie „práve teraz“), hovorí sa, že i dať nájdené v DW
sú to „časové odchýlky“.
Časový rozptyl dať DW sa označuje mnohými spôsobmi.
Najjednoduchší spôsob je, že i dať DW predstavuje dať jeho a
dlhý časový horizont – päť až desať rokov. Horizont
časový rámec reprezentovaný pre operačné prostredie je oveľa kratší
▪ z dnešných aktuálnych hodnôt až šesťdesiatdeväťdesiat
Aplikácie, ktoré musia dobre fungovať a musia byť
k dispozícii na spracovanie transakcií musí priniesť
minimálne množstvo dať ak pripustia nejaký stupeň
flexibilita. Operačné aplikácie teda majú horizont
krátky časový horizont, ako téma dizajnu
audio aplikácie.
Druhý spôsob, akým sa „časový rozptyl“ objavuje v DW, je v
kľúčová štruktúra. Každá kľúčová štruktúra v DW obsahuje,
implicitne alebo explicitne, prvok času, ako napr
deň, týždeň, mesiac atď. Prvok času je tu takmer vždy
v spodnej časti zreťazeného kľúča nájdeného v DW. V týchto
pri príležitostiach bude prvok času existovať implicitne, napríklad náhoda
kde je celý súbor duplikovaný na konci mesiaca alebo štvrťroka.
Tretí spôsob zobrazenia časového rozptylu je, že i dať del
DW, akonáhle je riadne zaregistrovaný, nemôže byť
aktualizované. THE dať DW sú zo všetkých praktických dôvodov dlhé
séria momentiek. Samozrejme, ak sú snímky
boli urobené nesprávne, potom môžu byť snímky
upravené. Ale za predpokladu, že sú urobené snímky
správne, nezmenia sa hneď po ich zhotovení. V niektorých
prípadoch môže byť neetické alebo dokonca neplatné, že snímky v
DW sú upravené. THE dať operatívne, pričom sú presné ako v
prihlásenia, môžu byť aktualizované, keď prídu
potreba.
NEPRCHAVÝ
Štvrtou dôležitou charakteristikou DW je, že je neprchavý.
Vykonávajú sa aktualizácie, vkladanie, mazanie a úpravy
pravidelne pre prevádzkové prostredia záznam po zázname. Ale
základná manipulácia dať ktoré sú potrebné v DW je oveľa viac
jednoduché. Existujú iba dva druhy operácií, ktoré sa vyskytujú v
DW – počiatočné načítanie dať a prístup k dať. Nie je
žiadna aktualizácia dať (vo všeobecnom zmysle
update) v DW ako bežnú operáciu spracovania.
Tento rozdiel má niekoľko veľmi silných dôsledkov
medzi operačným spracovaním a spracovaním DW. Na úrovni
podľa návrhu je potrebné byť opatrný pri inovácii
abnormálne nie je žiadnym faktorom v DW, pretože aktualizácia dať to nieje
uskutočnené. To znamená, že na úrovni fyzického dizajnu
na optimalizáciu prístupu k nim dať,
najmä pri riešení tém normalizácie a
fyzická denormalizácia. Ďalší dôsledok jednoduchosti
operácií DW je v základnej technológii, na ktorú sa používa
spustiť prostredie DW. Potreba podporovať aktualizácie
záznam po zázname inline (ako je to často v prípade
prevádzkové spracovanie) vyžaduje sa, aby technológia mala nejaké
veľmi zložité základy pri zjavnej jednoduchosti.
Technológia, ktorá podporuje zálohovanie a obnovu, transakcie
a integrita dať a detekcia a náprava stavu uviaznutia je
pomerne zložitý a nie je potrebný na spracovanie DW.
Vlastnosti DW, orientácia na dizajn,
integrácia dať v rámci DW, časový rozptyl a jednoduchosť
riadenia dať, všetko smeruje k prostrediu, ktoré je veľmi, veľmi
odlišné od klasického operačného prostredia. Zdroj takmer všetkých
dať DW sú operačné prostredie. Zvádza k zamysleniu
že existuje masívna nadbytočnosť dať medzi dvoma prostrediami.
V skutočnosti je prvý dojem, ktorý majú mnohí ľudia
veľká nadbytočnosť dať medzi operačným prostredím a operačným prostredím
DW. Takýto výklad je povrchný a preukazuje ho
nepochopenie toho, čo sa deje v DW.
V skutočnosti je tu minimum redundancie dať medzi operačným prostredím
ed i dať z DW. Zvážme nasledovné:
▪ I dať sú filtrované daný ktorý prechádza z operačného prostredia
do prostredia DW. Veľa dať nikdy neprejdú von
z operačného prostredia. Okrem toho, že i dať ktoré sú potrebné pre
Spracovanie DSS nachádza svoje smerovanie v prostredí
▪ časový horizont dať je veľmi odlišný od prostredia
tomu druhému. THE dať v prevádzkovom prostredí sú veľmi cool. THE dať
v DW sú oveľa staršie. Len z perspektívy
časového horizontu sa veľmi málo prekrýva
medzi operačným prostredím a DW.
▪ DW obsahuje dať zhrnutia, ktoré sa nikdy nenašli
v prostredí
▪ I dať prejsť zásadnou premenou z
moment prechodu na obrázok 3 ilustruje, že väčšina
časť dať sa výrazne zmenil stav
vybrať a presunúť do DW. Inak povedané,
väčšina z nich dať je fyzicky upravený a
radikálne, ako sa presúva do DW. Z pohľadu
integrácie nie sú rovnaké dať ktorí bývajú
v operačnom prostredí.
Vo svetle týchto faktorov je nadbytočnosť dať medzi týmito dvoma prostrediami je
zriedkavá udalosť, ktorá vedie k redundancii menej ako 1 % medzi nimi
prostredia.
ŠTRUKTÚRA SKLADU
DW majú výraznú štruktúru. Existujú rôzne úrovne súhrnu a
detail, ktorý ohraničuje DW.
Rôzne komponenty DW sú:
▪ Metadáta
▪ dati aktuálne detaily
▪ dati starých detailov
▪ dati mierne zhrnuté
▪ dati vysoko zhrnuté
Zďaleka hlavnou starosťou je o dať detailov
prúdy. Ide o hlavný problém, pretože:
▪ I dať aktuálne podrobnosti odrážajú najnovšie udalosti,
o ktoré je vždy veľký záujem a
▪ i dať aktuálnych detailov sú objemné, pretože je
uložené na najnižšej úrovni zrnitosti e
▪ i dať Aktuálne detaily sú takmer vždy uložené na
diskové úložisko, ku ktorému je rýchly prístup, no zároveň je drahé
komplex od
I dať detailov, čím sú staršie dať ktoré sú uložené na
nejaké spomienky hmota. Má prístup sporadicky a je
uložené na úrovni detailov kompatibilnej s dať podrobne
prúdy. Aj keď to nie je povinné ukladať na médium
alternatívneho skladovania, vzhľadom na veľký objem dať zjednotený s
sporadický prístup dať, podpora pamäte pre dať di
Staršie detaily sa zvyčajne neukladajú na disk.
I dať mierne zhrnuté sú dať ktoré sa destilujú odspodu
úroveň podrobností zistená na aktuálnej úrovni podrobností. Toto
Úroveň DW je takmer vždy uložená na disku. THE
konštrukčné problémy, ktoré architektovi vzniknú dať
pri konštrukcii tejto úrovne DW sú:
▪ Aká časová jednotka je zhrnutie urobené vyššie
▪ Ktorý obsah, atribúty mierne zhrnú
obsah z dať
Ďalšia úroveň dať nájdený v DW je ten z dať vysoko
súhrny. THE dať vysoko zhrnuté sú kompaktné a jednoduché
prístupný. THE dať niekedy sa nachádzajú vysoko zhrnuté
v prostredí DW a v iných prípadoch i dať vysoko zhrnuté sú
nachádza mimo bezprostredných stien technológie, v ktorej je umiestnený DW.
(v každom prípade, t.j dať vysoko zhrnuté sú súčasťou DW
bez ohľadu na to, kde i dať sú fyzicky umiestnené).
Posledným komponentom DW sú metadáta. V mnohých ohľadoch
metadáta sú v inej dimenzii ako ostatné dať
DW, pretože metadáta neobsahujú žiadne daný priamo
prevzaté z operačného prostredia. Metadáta majú osobitnú úlohu, napr
veľmi dôležité v DW. Metadáta sa používajú ako:
▪ adresár, ktorý pomôže analytikovi DSS nájsť
obsah DW,
▪ sprievodca mapovaním dať ako som dať Oni boli
transformované z operačného prostredia do prostredia DW,
▪ sprievodca algoritmami používanými na sumarizáciu medzi nimi dať di
aktuálny detail ei dať mierne zhrnuté, t.j dať vysoko
zhrnutia,
Metadáta hrajú v prostredí DW oveľa väčšiu úlohu
než kedy mali v operačnom prostredí
STARÉ ÚLOŽNÉ MÉDIUM DETAIL
Magnetická páska môže byť použitá na uloženie tohto druhu
dať. V skutočnosti existuje široká škála nástrojov na ukladanie dát
mali by sa zvážiť pri zachovaní starých dať di
detail.
V závislosti od objemu dať, frekvencia prístupu, náklady
nástrojov a typu prístupu je úplne pravdepodobný
že ostatné nástroje budú potrebovať starú úroveň detailov
v DW.
TOK DÁT
Existuje normálny a predvídateľný tok dať vnútri DW.
I dať vstupujú do DW z operačného prostredia. (POZNÁMKA: existujú
niekoľko veľmi zaujímavých výnimiek z tohto pravidla. Avšak takmer
všetko dať zadajte DW z operačného prostredia). Dato že i dať
vstupujú do DW z operačného prostredia, je transformovaný tak, ako bol
popísané skôr. Pod podmienkou vstupu do DW, t.j dať vstupujú do
aktuálna úroveň detailov, ako je znázornené. Tam býva a používa sa
kým nenastane jedna z troch udalostí:
▪ je čistený,
▪ je zhrnutá a/alebo
▪ je
Zastaraný proces vo vnútri pohybov DW i dať aktuálne detaily
a dať starých detailov na základe veku dať. Proces
zhrnutie využíva detail dať vypočítať i dať
mierne zhrnuté a vysoko zhrnuté úrovne dať. Existujú
niektoré výnimky z uvedeného toku (budú prediskutované neskôr).
Zvyčajne však pre veľkú väčšinu dať nájdené
v rámci DW, tok dať je to ako na obrázku.
POUŽÍVANIE DATOVÉHO SKLADU
Niet divu, že rôzne úrovne dať v rámci DW nie
získať rôzne úrovne využitia. Spravidla platí, čím vyššia je úroveň
zhrnutie plus i dať sú používané.
Mnoho použití sa vyskytuje v dať vysoko zhrnuté, kým tie staré
dať detailov sa takmer nepoužívajú. Existuje dobrý dôvod v
presunúť organizáciu do paradigmy využívania zdrojov. O to viac má
zhrnutie i dať, tým rýchlejšie a efektívnejšie je dostať sa do dať, sa
un predajňa zistíte, že robí veľa spracovania na úrovni detailov DW,
potom zodpovedajúce veľké množstvo strojových zdrojov
sa spotrebuje. Trestné stíhanie je v najlepšom záujme každého
ako vo vysokej úrovni sumarizácie čo najskôr.
V mnohých obchodoch použil analytik DSS v prostredí pred DW
dať na úrovni detailov. V mnohých ohľadoch príchod na dať podrobne
pripomína bezpečnostnú prikrývku, aj keď sú k dispozícii
ďalšie úrovne súhrnu. Jedna z architektových činností dať è
odnaučiť používateľa DSS od neustáleho používania dať na najvyššej úrovni
nízke detaily. K dispozícii sú dva dôvody
architekta dať:
▪ inštalácia systému vrátenia platieb, kde koncový používateľ platí
spotrebované zdroje e
▪ čo naznačuje, že čas odozvy môže byť veľmi dobrý
získané, keď správanie s i dať je na vysokej úrovni
zhrnutie, zatiaľ čo zlá doba odozvy pochádza z
správanie dať na nízkej úrovni
ĎALŠIE ÚVAHY
Existuje niekoľko ďalších aspektov výstavby a riadenia
DW.
Prvou úvahou sú indexy. THE dať na najvyšších úrovniach
sumár je možné voľne indexovať, pričom i dať
pri nižších úrovniach detailov sú také objemné, ako len môžu byť
striedmo indexované. Z toho istého tokenu, t.j dať na vysokých úrovniach
detail sa dá pomerne ľahko zrenovovať,
kým objem dať na nižších úrovniach je taká veľká, že i dať nie
dajú sa ľahko zrenovovať. Podľa toho model
z dať a formálna práca vykonaná dizajnom predstavuje
základ pre DW aplikovaný takmer výlučne na úroveň
detailný prúd. Inými slovami, modelovacie aktivity o
dať takmer v každom prípade sa nevzťahujú na úrovne sumarizácie.
Ďalším štrukturálnym aspektom je rozčlenenie
dať od DW.
Rozdelenie je možné vykonať na dvoch úrovniach – na úrovni dbms a kol
úroveň aplikácie. V divízii na úrovni dbmssa dbms è
informuje o divíziách a podľa toho ich monitoruje. V prípade
divízie na aplikačnej úrovni je len programátor
informovaní o divíziách a ich zodpovednosti
administratíva je ponechaná na neho
Pod úrovňou dbms, veľa práce sa robí automaticky. Existuje
veľa nepružnosti spojené s automatickou správou
divízií. V prípade divízií na aplikačnej úrovni dať del
dátový sklad, veľa práce zaváži programátora, ale ten
konečným výsledkom je flexibilita v správe dať v dátume
sklad
ALTRE ANOMÁLIE
Zatiaľ čo zložky dátový sklad Fungujú podľa popisu
pre takmer všetkých dať, existuje niekoľko užitočných výnimiek, ktoré musia
prediskutovať. Výnimkou je dať verejné súhrny
(verejné súhrnné údaje). Toto sú dať súhrny, ktoré boli
vypočítané z dátový sklad ale spoločnosť ich používa. THE dať
Verejné súhrny sú uložené a spravované v dátový sklad,
aj keď, ako už bolo uvedené, sú vypočítané. THE
účtovníci pracujú na ich produkcii štvrťročne dať ako
príjmy, štvrťročné výdavky, štvrťročný zisk a pod. Práca
vykonávané účtovníkmi je externé dátový sklad. Avšak i dať sú
používané „interne“ v rámci spoločnosti – od marketing, predaj atď.
Ďalšou anomáliou, o ktorej nebude reč, je anomália dať externé.
Ďalší výnimočný druh dať ktoré možno nájsť v danom
sklad je skladom trvalých podrobných údajov. Tieto spôsobujú
potreba trvalo uchovávať i dať na jednej úrovni
z etických alebo právnych dôvodov. Ak spoločnosť vystavuje i
príbuzných pracovníkov s nebezpečnými látkami dať
podrobné a trvalé. Ak spoločnosť vyrába produkt, ktorý
zahŕňa verejnú bezpečnosť, aké časti lietadla tam sú
potreba dať podrobne trvala, ako aj keby spolocnost
uzatvára nebezpečné zmluvy.
Spoločnosť si nemôže dovoliť prehliadať detaily, pretože
v priebehu niekoľkých rokov, v prípade súdneho sporu, odvolania, a
sporná konštrukčná chyba a pod. expozície spoločnosti
môže to byť veľké. Výsledkom je jedinečný druh dať
známe ako trvalé podrobné údaje.
PREHĽAD
Un dátový sklad je objektovo orientovaný, integrovaný variant
čas, zbierka dať nevolatilné na podporu potrieb
administratívne rozhodnutie. Každá z najdôležitejších funkcií
un dátový sklad má svoje dôsledky. Navyše sú štyri
úrovne dať del dátový sklad:
▪ Starý detail
▪ Aktuálny detail
▪ dati mierne rekapitulované
▪ dati vysoko zhrnuté
Metadáta sú tiež dôležitou súčasťou dátový sklad.
ABSTRAKT
Koncept skladovania dať nedávno prijaté
veľa pozornosti a stal sa trendom 90. rokov
vzhľadom na kapacitu a dátový sklad prekonať ich
obmedzenia systémov podpory administrácie, ako napr
systémy na podporu rozhodovania (DSS) a informačné systémy
výkonný (EIS).
Aj keď koncept o dátový sklad vyzerá sľubne,
implementovať i dátový sklad môže byť problematické kvôli
veľkokapacitných skladových procesov. Napriek
zložitosť projektov skladovania dať, veľa dodávateľov
a skladových poradcov dať tvrdia to
skladovanie dať prúd nespôsobuje žiadne problémy.
Na začiatku tohto výskumného projektu však takmer žiadny
sa uskutočnil nezávislý, rigorózny a systematický výskum. Od
V dôsledku toho je ťažké povedať, čo sa skutočne stalo
v priemysle, keď sú postavené dátový sklad.
Táto štúdia skúmala prax skladovania dať
súčasníkov, ktorých cieľom je rozvíjať bohatšie porozumenie
austrálskej praxe. Literárna analýza poskytla
kontext a základ pre empirickú štúdiu.
Z tohto výskumu vyplýva množstvo poznatkov. najprv
miesto, táto štúdia odhalila aktivity, ktoré sa vyskytli
počas vývoja dátový sklad. V mnohých oblastiach, t.j dať zhromaždené
potvrdili prax uvádzanú v literatúre. Po druhé
stránky, problémy a problémy, ktoré môžu ovplyvniť
vývoj dátový sklad boli identifikované touto štúdiou.
Napokon, výhody získané od austrálskych organizácií spojených s
použitie dátový sklad boli odhalené.
Kapitola 1
Výskumný kontext
Koncept dátového skladu získal široké uznanie
expozície a zmenil sa na vznikajúci trend v
90. roky (McFadden 1996, TDWI 1996, Shah a Milstein 1997,
Shanks a kol. 1997, Eckerson 1998, Adelman a Oates 2000). Teda
možno vidieť z rastúceho počtu článkov o údajoch
skladovanie v obchodných publikáciách (Little a Gibson 1999).
Mnohé články (pozri napr. Fisher 1995, Hackathorn 1995,
Morris 1995a, Bramblett a King 1996, Graham a kol. 1996,
Sakaguchi a Frolick 1996, Alvarez 1997, Brousell 1997, Clarke
1997, McCarthy 1997, O' Donnell 1997, Edwards 1998, TDWI
1999) uvádzali významné výhody vyplývajúce z organizácií
ktoré implementujú i dátový sklad. Podporili svoju teóriu
s neoficiálnymi dôkazmi o úspešných implementáciách, vysoká návratnosť
o investičných číslach (ROI) a tiež o poskytovaní usmernení
referenčné alebo metodológie na vývoj dátový sklad
(Shanks a kol. 1997, Seddon a Benjamin 1998, Little a Gibson
1999). V extrémnom prípade Graham a spol. (1996) majú
vykázala priemernú návratnosť trojročnej investície 401 %.
Veľká časť súčasnej literatúry však zanedbáva
zložitosti spojené s realizáciou takýchto projektov. Projekty z
dátový sklad zvyčajne sú zložité a rozsiahle a
preto implikujú vysokú pravdepodobnosť zlyhania, ak nie sú
starostlivo kontrolované (Shah a Milstein 1997, Eckerson 1997,
Foley 1997b, Zimmer 1997, Bort 1998, Gibbs a Clymer 1998, Rao
1998). Vyžadujú obrovské množstvo ľudí aj zdrojov
finančné a čas a úsilie na ich vybudovanie (Hill 1998, Crofts 1998). The
typický čas a potrebné finančné prostriedky sú resp
asi dva roky a dva alebo tri milióny dolárov (Braly 1995, Foley
1997b, Bort 1998, Humphries a kol. 1999). Tieto časy a prostriedky
finančné inštitúcie sú povinné kontrolovať a konsolidovať mnohé aspekty
rozdiely v skladovaní údajov (Cafasso 1995, Hill 1998). Na strane
hardvéru a softvéru, iné funkcie, ktoré sa líšia
z ťažby dať k procesom načítania dať, od
kapacita pamäte na správu aktualizácií a metaúdajov dať
na školenie používateľov, treba zvážiť.
V čase, keď sa tento výskumný projekt začal, toho bolo veľmi málo
akademický výskum uskutočnený v oblasti dátového skladu,
najmä v Austrálii. Bolo to zrejmé z nedostatku predmetov
zverejnené v dátovom sklade v novinách alebo iných spisoch
akademikov tej doby. Mnohé z akademických spisov
dostupné popísané skúsenosti z USA. Nedostatok
akademický výskum v oblasti sl dátových skladov spôsobil
vyžadujú rigorózny výskum a empirické štúdie (McFadden 1996,
Shanks a kol. 1997, Little a Gibson 1999). Najmä štúdie
výskumu o procese implementácie dátový sklad
je potrebné vykonať na rozšírenie vedomostí
všeobecne o implementácii dátový sklad e
bude slúžiť ako základ pre budúcu výskumnú štúdiu (Shanks ed
iní. 1997, Little a Gibson 1999).
Účelom tejto štúdie je preto skúmať, čo vlastne
Stáva sa to, keď organizácie udržiavajú a používajú údaje
sklad v Austrálii. Konkrétne bude táto štúdia zahŕňať
analýza celého procesu vývoja a dátový sklad,
od iniciácie a plánovania cez návrh a
implementáciu a následné využitie v rámci organizácií
austrálsky. Štúdium navyše prispeje aj k súčasnej praxi
identifikovanie oblastí, v ktorých je možné prax ďalej rozvíjať
zlepšiť a neefektívnosť a riziká možno minimalizovať resp
vyhnúť sa. Okrem toho bude slúžiť ako základ pre ďalšie štúdie o dátový sklad in
Austrália a vyplní medzeru, ktorá v súčasnosti existuje v literatúre.
Výskumné otázky
Cieľom tohto výskumu je študovať príslušné činnosti
pri realizácii dátový sklad a ich použitie
austrálske organizácie. Študujú sa najmä prvky
čo sa týka plánovania projektov, vývoja,
prevádzka, používanie a súvisiace riziká. Takže otázka
tohto výskumu je:
„Aká je súčasná prax dátový sklad v Austrálii?"
Ak chcete efektívne reagovať na tento problém, a
určitý počet pomocných výskumných otázok. Najmä tri
podotázky boli identifikované z literatúry, čo je
uvedené v kapitole 2, aby sme usmernili tento výskumný projekt:
Ako sú implementované i dátový sklad organizáciami
austrálsky? S akými problémami ste sa stretli?
Aké sú skúsenosti?
Pri odpovedi na tieto otázky bola použitá kresba
exploračný výskum využívajúci prieskum. Ako študujem
prieskumné, odpovede na vyššie uvedené otázky nie sú úplné
(Shanks a kol. 1993, Denscombe 1998). V tomto prípade je to tak
na zlepšenie reakcií na ne je potrebná triangulácia
žiadosti. Vyšetrovanie však poskytne pevný základ
budúca práca skúmajúca tieto otázky. Detailný
diskusia o odôvodnení a návrhu výskumnej metódy
je uvedený v kapitole 3.
Štruktúra výskumného projektu
Tento výskumný projekt je rozdelený na dve časti: kontextovú štúdiu
konceptu dátového skladu a empirického výskumu (pozri
obrázok 1.1), pričom každý z nich je popísaný nižšie.
Časť I: Kontextová štúdia
Prvá časť výskumu spočívala v opätovnom preskúmaní
súčasná literatúra o rôznych typoch skladovania údajov vrátane i
systémy na podporu rozhodovania (DSS), informačné systémy
exekutívy (EIS), prípadové štúdie dátový sklad a pojmy dátum
sklad. Ďalej výsledky fór dátový sklad a bohov
stretnutie skupín pre odborníkov a odborníkov, ktoré vedie skupina
Výskum Monash DSS prispel k tejto fáze štúdie
ktorý bol určený na získanie informácií o praxi dát
a identifikovať riziká spojené s ich prijatím.
Počas tohto obdobia kontextuálneho štúdia, porozumenia
problémovej oblasti bola zriadená na poskytovanie vedomostí
základ pre následné empirické výskumy. Avšak, toto
bol to pokračujúci proces, kým prebiehala štúdia
výskum.
Časť II: Empirický výskum
Relatívne nový koncept dátového skladu, napr
v Austrálii, vyvolalo potrebu uskutočniť prieskum pre
získať široký obraz o skúsenostiach s používaním. Toto
časť bola vykonaná, keď bola problémová doména
bola stanovená na základe rozsiahleho prehľadu literatúry. Koncept
dátového skladu vytvoreného počas fázy kontextovej štúdie
bol použitý ako vstup pre počiatočný dotazník tejto štúdie.
Potom bol dotazník preskúmaný. Ste experti na rande
sklad sa zúčastnil testu. Účel testu
Prvotný dotazník mal skontrolovať úplnosť a presnosť
nejaké otázky. Na základe výsledkov testov je dotazník
bola upravená a upravená verzia bola odoslaná na
účastníkov prieskumu. Potom boli vrátené dotazníky
analyzované pre i dať v tabuľkách, diagramoch a iných formátoch. THE
výsledky analýzy dať vytvoriť okamžitú fotografiu
prax dátového skladu v Austrálii.
PREHĽAD ÚDAJOVÝCH SKLADOV
Koncept dátového skladu sa vyvinul s vylepšeniami
výpočtovej techniky.
Je zameraná na prekonávanie problémov, s ktorými sa stretávajú skupiny
podpora aplikácií, ako je systém na podporu rozhodovania (DSS) e
Výkonný informačný systém (EIS).
V minulosti bola hlavnou prekážkou týchto aplikácií
neschopnosť týchto aplikácií poskytnúť a databázy
potrebné na analýzu.
Je to spôsobené najmä charakterom práce
zvládanie. Záujmy vedenia spoločnosti sa líšia
neustále v závislosti od ošetrovanej oblasti. Preto i dať
tieto aplikácie musia byť schopné
rýchlo meniť v závislosti od ošetrovanej časti.
To znamená, že i dať musí byť k dispozícii vo forme
primerané pre požadované analýzy. V skutočnosti podporné skupiny
aplikácie sa v minulosti veľmi ťažko zbierali ed
integrácia dať z komplexných a rôznorodých zdrojov.
Zvyšok tejto časti predstavuje prehľad konceptu
dátové sklady a zaoberá sa tým, ako dátový sklad môže prekonať
Problémy skupiny podpory aplikácií.
Výraz „Dátový sklad“ vydal William Inmon v roku 1990.
Jeho často citovaná definícia vidí Dátový sklad Prísť
kolekcia dať vecne orientované, integrované, neprchavé a variabilné
v priebehu času na podporu rozhodnutí manažmentu.
Použitím tejto definície Inmon zdôrazňuje, že i dať rezidenti
v dátový sklad musí mať nasledujúce 4
Vlastnosti:
▪ Predmetovo orientované
▪ Integrované
▪ Neprchavé
▪ Časovo premenlivé
Predmetovo orientovaný Inmon znamená, že i dať v dátume
sklad v najväčších organizačných priestoroch, ktoré boli
definované v modeli dať. Napríklad všetky dať týkajúci sa i zákazníci
sú obsiahnuté v predmetnej oblasti ZÁKAZNÍCI. Rovnako aj všetky
dať týkajúce sa produktov sú obsiahnuté v predmetnej oblasti
PRODUKTY.
Integrovaný Inmon znamená, že i dať pochádzajúce z rôznych
platformy, systémy a miesta sú kombinované a uložené
jediné miesto. V dôsledku toho dať podobné sa musia transformovať
v konzistentných formátoch, aby sa dali pridávať a porovnávať
ľahko.
Zastúpené sú napríklad mužské a ženské pohlavie
písmenami M a F v jednom systéme a s 1 a 0 v inom. Pre
integrovať ich správnym spôsobom, musí jeden alebo oba formáty
transformovať tak, aby boli tieto dva formáty rovnaké. V tomto
V prípade môžeme zmeniť M na 1 a F na 0 alebo naopak. Orientovaný na
predmet a Integrovaný naznačujú, že dátový sklad je určený pre
poskytujú funkčné a priečne videnie dať stranou
spoločnosti.
Pod pojmom Neprchavý rozumie, že i dať v dátový sklad zostávajú
konzistentné a aktualizované dať nie je to potrebné. Namiesto toho každý
zmeniť v dať originály sa pridávajú k databázy dátumu
sklad. To znamená, že historické dei dať je obsiahnutá v
dátový sklad.
Pre premenné s časom Inmon uvádza, že i dať v dátový sklad
vždy obsahujú časové ukazovatele a i dať normalmente
prekročiť určitý časový horizont. Napríklad a
dátový sklad môže obsahovať 5 rokov historických hodnôt zákazníci Dal
1993 až 1997. Dostupnosť histórie a časového radu
z dať umožňuje analyzovať trendy.
Un dátový sklad môže zbierať svoje vlastné dať zo systémov
OLTP;od pôvodu dať mimo organizácie a/alebo inými špecialistami
projekty zachytávacieho systému dať.
I dať výťažky môžu prejsť čistiacim procesom, v
tento prípad i dať sú transformované a integrované pred bytím
uložené v databázy del dátový sklad. Potom som dať
obyvateľov v rámci databázy del dátový sklad sú sprístupnené
na prístup koncových používateľov a nástroje na obnovu. Použitím
tieto nástroje má koncový používateľ prístup k integrovanému pohľadu
organizácie dať.
I dať obyvateľov v rámci databázy del dátový sklad sú
uložené v podrobných aj súhrnných formátoch.
Úroveň súhrnu môže závisieť od povahy dať. Ja dať
podrobné môžu pozostávať z dať aktuálny e dať historikov
I dať autorské poplatky nie sú zahrnuté v dátový sklad kým i dať
v dátový sklad sú aktualizované.
Okrem uloženia i dať seba, a dátový sklad môže tiež
uložiť iný typ daný s názvom METADÁTA, ktorá
opísať i dať obyvateľov v jeho databázy.
Existujú dva typy metaúdajov: vývojové metaúdaje a vývojové metaúdaje
analýzy.
Metadáta vývoja sa používajú na správu a automatizáciu
procesy extrakcie, čistenia, mapovania a nakladania dať v
dátový sklad.
Informácie obsiahnuté v metaúdajoch vývoja môžu obsahovať
podrobnosti o operačných systémoch, podrobnosti o prvkoch na extrahovanie,
modello dať del dátový sklad a firemné pravidlá pre
conversione dei dať.
Druhý typ metadát, známy ako analytické metadáta
umožňuje koncovému používateľovi preskúmať obsah údajov
sklad nájsť dať dostupné a čo znamenajú
jasné a netechnické.
Analytické metadáta preto fungujú ako most medzi údajmi
skladové aplikácie a aplikácie pre koncových užívateľov. Tieto metadáta môžu
obsahovať obchodný model, popis dať korešpondentov
na obchodný model, preddefinované dotazy a zostavy,
informácie o prihlásení používateľov a index.
Metadáta analýzy a vývoja musia byť spojené do jedného
aby správne fungovali integrované metaúdaje.
Bohužiaľ, mnohé z existujúcich nástrojov majú svoje vlastné
metaúdaje av súčasnosti neexistujú žiadne existujúce štandardy
umožňujú nástrojom na skladovanie údajov ich integrovať
metaúdaje. Na nápravu tejto situácie mnohí obchodníci
hlavné nástroje na skladovanie údajov vytvorili Meta dáta
Rada, z ktorej sa neskôr stala koalícia Meta Data.
Účelom tejto koalície je vytvoriť súbor metadát
štandard, ktorý umožňuje rôzne nástroje na skladovanie údajov
konvertovať metadáta
Ich úsilie vyústilo do zrodu Meta
Data Interchange Specification (MDIS), ktorá umožní výmenu
informácií medzi archívmi spoločnosti Microsoft a súvisiacimi súbormi MDIS.
Existencia dať súhrnné/indexované aj podrobné údaje
užívateľ možnosť vykonať VŔTANIE UTOPENIE
(vŕtanie) no tak dať indexované na podrobné a naopak.
Existencia dať podrobné histórie umožňujú vytváranie
analýza trendov v čase. Okrem toho môžu metaúdaje analýzy
použiť ako adresár databázy del dátový sklad za
pomôcť koncovým používateľom nájsť i dať nevyhnutné.
V porovnaní so systémami OLTP s ich schopnosťou podporovať
analýza dať a spravodajstvo, dátový sklad je vnímaný ako systém
vhodnejšie pre informačné procesy, ako je tvorba a
odpovedať na otázky a vytvárať správy. Ďalšia sekcia
podrobne poukáže na rozdiely medzi týmito dvoma systémami.
DÁTOVÝ SKLAD PROTI SYSTÉMOM OLTP
Mnohé z informačných systémov v rámci organizácií
Sú určené na podporu každodennej prevádzky. Títo
systémy známe ako OLTP SYSTEMS, zachytávajúce transakcie
priebežne denne aktualizované.
I dať v rámci týchto systémov sa často upravujú, dopĺňajú resp
vymazané. Napríklad adresa zákazníka sa takmer nezmení
presúva sa z jedného miesta na druhé. V tomto prípade nová adresa
sa zaregistruje úpravou poľa adresy databázy.
Hlavným cieľom týchto systémov je zníženie nákladov
transakcií a zároveň skrátiť čas spracovania.
Príklady systémov OLTP zahŕňajú kritické akcie, ako napríklad zápisy
účtovníctvo objednávok, mzdy, faktúry, výroba, ai služby zákazníci.
Na rozdiel od systémov OLTP, ktoré boli vytvorené podľa procesu
na základe transakcií a udalostí, t.j dátový sklad boli vytvorené
poskytovať podporu procesom založeným na analýze dať a ďalej
rozhodovacie procesy.
To sa bežne dosiahne integráciou i dať z rôznych systémov
OLTP a externé v jedinom „kontajneri“. dať, ako sa diskutovalo
v predchádzajúcej časti.
Monash Data Warehousing Process Model
Procesný model pre dátový sklad Monash bol vyvinutý spoločnosťou
výskumníkov z Monash DSS Research Group, vychádza z
literatúry z dátový sklad, o skúsenostiach s podporou
vývoj oblastí systémov, na diskusiách s predajcami
aplikácie na použitie na dátový sklad, na skupine odborníkov
pri používaní dátový sklad.
Fázy sú: založenie, plánovanie, vývoj a prevádzka
Vysvetlenia. Diagram vysvetľuje iteratívny charakter resp
evolučný vývoj a dátový sklad proces s použitím
obojsmerné šípky umiestnené medzi rôznymi fázami. V tomto
„iteratívny“ a „evolučný“ kontext znamená, že pri každom
krok procesu je možné vykonať implementačné činnosti
vždy propagovať späť do predchádzajúcej fázy. Toto je
vzhľadom na charakter projektu a dátový sklad v ktorom
kedykoľvek vzniknú dodatočné požiadavky
koncového užívateľa. Napríklad počas vývojovej fázy a
proces dátový sklad, jeden požaduje koncový používateľ
nová dimenzia alebo tematická oblasť, ktorá nepatrila do
pôvodný plán, treba to pridať do systému. Toto
spôsobí zmenu v projekte. Výsledkom je, že tím o
dizajn musí zmeniť požiadavky doteraz vytvorených dokumentov
vo fáze návrhu. V mnohých prípadoch súčasný stav
projekt sa musí vrátiť do fázy návrhu, kde
nová žiadosť musí byť pridaná a zdokumentovaná. Používateľ
final musí mať možnosť vidieť konkrétnu kontrolovanú dokumentáciu ei
zmeny, ktoré boli vykonané vo fáze vývoja. Na konci
z tohto vývojového cyklu musí projekt získať skvelú spätnú väzbu
oba tímy, tím vývojárov a tím používateľov. THE
spätná väzba sa potom znova použije na zlepšenie budúceho projektu.
Plánovanie kapacity
Dw majú tendenciu byť veľmi veľké a rastú
veľmi rýchlo (Best 1995, Rudin 1997a) po tom
množstvo dať histórie, ktoré si uchovávajú od svojho trvania. Tam
rast môže byť spôsobený aj dať ďalšie položky požadované
používateľov zvýšiť hodnotu dať že už majú. Od
následne požiadavky na skladovanie dať moci
výrazne zvýšiť (Eckerson 1997). Tak to je
nevyhnutné zabezpečiť prostredníctvom plánovania
kapacitu, s ktorou môže budovaný systém rásť
rast potrieb (Best 1995, LaPlante 1996, Lang 1997,
Eckerson 1997, Rudin 1997a, Foley 1997a).
Pri plánovaní škálovateľnosti dw je potrebné poznať
očakávaný rast veľkosti zásob, typy otázok
sa pravdepodobne uskutoční a počet podporovaných koncových používateľov (najlepšie
1995, Rudin 1997b, Foley 1997a). Vytvárajte škálovateľné aplikácie
vyžaduje kombináciu škálovateľných serverových technológií a techník
navrhovania škálovateľných aplikácií (Best 1995, Rudin 1997b.
Oboje je potrebné pri vytváraní aplikácie
mimoriadne škálovateľné. Škálovateľné serverové technológie môžu
uľahčí a prospeje pridávanie úložného priestoru, pamäte a
CPU bez zníženia výkonu (Lang 1997, Telephony 1997).
Existujú dve hlavné škálovateľné serverové technológie: výpočtové
symetrický násobok (SMP) a masívne spracovanie
paralelný (MPP)) (IDC 1997, Humphries a kol. 1999). Server
SMP má zvyčajne viacero procesorov zdieľajúcich jednu pamäť,
zbernicový systém a iné zdroje (IDC 1997, Humphries et al. 1999).
Pre rozšírenie je možné pridať ďalšie procesory
La Sua energie výpočtový. Ďalšia metóda na zvýšenie
energie výpočtový výkon SMP servera, je kombinovať mnohé
SMP stroje. Táto technika je známa ako zhlukovanie (Humphries
a kol. 1999). Na druhej strane server MPP má každý viac procesorov
s vlastnou pamäťou, zbernicovým systémom a inými zdrojmi (IDC 1997,
Humphries a kol. 1999). Každý procesor sa nazýva uzol. A
zvýšenie v energie výpočtové možno dosiahnuť
pridanie ďalších uzlov na servery MPP (Humphries et al.
1999).
Slabinou SMP serverov je príliš veľa vstupno-výstupných operácií
(I/O) môže zahltiť zbernicový systém (IDC 1997). Toto
problém sa nevyskytuje na serveroch MPP, pretože každý
procesor má vlastný zbernicový systém. Avšak vzájomné prepojenia
medzi každým uzlom sú vo všeobecnosti oveľa pomalšie ako zbernicový systém
z SMP. Servery MPP môžu navyše pridať vrstvu
dodatočná zložitosť pre vývojárov aplikácií (IDC
1997). Takto možno ovplyvniť výber medzi servermi SMP a MPP
mnohými faktormi, vrátane zložitosti otázok, vzťahu
cena/výkon, požadovaná kapacita spracovania,
zabránili aplikáciám dw a zvýšeniu veľkosti databázy
dw a v počte koncových užívateľov.
Množstvo škálovateľných techník návrhu aplikácií
možno použiť pri plánovaní kapacity. Jeden
používa rôzne oznamovacie lehoty, ako sú dni, týždne, mesiace a roky.
Majú rôzne oznamovacie lehoty, databázy možno rozdeliť na
kusy sa ľahko zoskupili (Inmon et al. 1997). Ďalší
technikou je použitie súhrnných tabuliek, ktoré sú skonštruované
zhrnutie dať da dať podrobne. Takže ja dať súhrnov je viac
kompaktné ako podrobné, čo vyžaduje menej miesta v pamäti.
Takže dať podrobnosti môžu byť uložené na jednotke
lacnejšie skladovanie, ktoré ušetrí ešte viac skladovania.
Aj keď používanie súhrnných tabuliek môže ušetriť miesto
pamäť, vyžadujú si veľa úsilia, aby boli aktuálne a aktuálne
v súlade s obchodnými potrebami. Táto technika však áno
široko používané a často používané v spojení s technikou
predchádzajúce (Najlepší 1995, Inmon 1996a, Chauduri a Dayal
1997).
definovanie Dátový sklad Technický
Architektúry Definícia techník
dw architektúry
Skorí používatelia dátových skladov primárne koncipovali
centralizovaná implementácia dw, kde sú všetky dať, vrátane
i dať externé, boli integrované do jedného,
fyzického skladovania (Inmon 1996a, Bresnahan 1996, Peacock 1998).
Hlavnou výhodou tohto prístupu je, že koncoví používatelia
Mám prístup k pohľadu v podnikateľskom meradle
(celopodnikový pohľad) dei dať organizačné (Ovum 1998). Ďalší
výhodou je, že ponúka štandardizáciu dať cez
organizácie, čo znamená, že existuje len jedna verzia resp
definícia pre každú terminológiu použitú v dw vklade
(repozitár) metadáta (Flanagan a Safdie 1997, Ovum 1998). The
nevýhodou tohto prístupu na druhej strane je, že je drahý a náročný
ktoré sa majú postaviť (Flanagan a Safdie 1997, Ovum 1998, Inmon a kol.
1998). Nie dlho po architektúre úložiska dať
centralizovaná sa stala populárnou, vyvinul sa koncept extrakcie
z najmenších podmnožín dať na podporu potrieb
špecifické aplikácie (Varney 1996, IDC 1997, Berson a Smith
1997, páv 1998). Tieto malé systémy sú odvodené od viac
skvelý dátový sklad centralizované. Nazývajú sa dátum
sklady závislých oddelení alebo závislé dátové obchody.
Závislá architektúra dátového trhu je známa ako
trojvrstvová architektúra, kde prvá vrstva pozostáva z údajov
centralizovaný sklad, druhý tvoria sklady dať
rezortný a tretí pozostáva z prístupu k dať a z nástrojov z
analýza (Demarest 1994, Inmon a kol. 1997).
Dátové predajne sú zvyčajne postavené po dátový sklad
centralizovaná bola postavená tak, aby vyhovovala potrebám o
špecifických jednotiek (White 1995, Varney 1996).
Dátové trhy ukladajú dať veľmi dôležité, pokiaľ ide o podrobnosti
jednota (Inmon a kol. 1997, Inmon a kol. 1998, IA 1998).
Výhodou tejto metódy je, že nebude žiadne daný nie
integrovaný a že i dať budú v rámci údajov menej nadbytočné
marts od všetkých dať pochádzajú zo skladu dať integrovaný.
Ďalšou výhodou je, že medzi nimi bude len málo spojení
dátové trhy a súvisiace zdroje dať pretože každý dátový trh má iba
zdrojom dať. Navyše s touto architektúrou na mieste aj používatelia
finále majú stále prístup k prehľadu dať
firemné organizácie. Táto metóda je známa ako
metóda zhora nadol, v ktorej sa po údajoch vytvárajú dátové trhy
sklad (páv 1998, Goff 1998).
Zvýšená potreba ukázať výsledky včas, niektoré
organizácie začali budovať nezávislé dátové trhy
(Flanagan a Safdie 1997, White 2000). V tomto prípade data marts
berú si svoje dať priamo od základov dať OLTP a nie z
centralizované a integrované úložisko, čím sa eliminuje potreba
mať centrálny sklad na mieste.
Každý dátový trh vyžaduje aspoň jeden odkaz na jeho zdroje
di dať. Jedna nevýhoda viacerých odkazov pre každý dátum
mart je, že v porovnaní s dvoma predchádzajúcimi architektúrami,
nadbytok dať výrazne zvyšuje.
Každý dátový obchod musí uchovávať všetky dať žiadané miestne pre
nemajú žiadny vplyv na systémy OLTP. To spôsobuje, že i dať
sú uložené v rôznych dátových trhoch (Inmon et al. 1997).
Ďalšou nevýhodou tejto architektúry je, že vedie k
vytváranie zložitých prepojení medzi dátovými trhmi a ich
zdrojov dať ktoré sa ťažko vykonávajú a kontrolujú (Inmon ed
iní. 1997).
Ďalšou nevýhodou je, že koncoví používatelia nemôžu napájať
prístup k prehľadu informácií o spoločnosti ako i dať
z rôznych dátových trhov nie sú integrované (Ovum 1998).
Ďalšou nevýhodou je, že ich môže byť viac
definíciu pre každú terminológiu používanú v dátových trhoch, ktoré generuje
nezrovnalosti dať v organizácii (Ovum 1998).
Napriek vyššie uvedeným nevýhodám existujú nezávislé dátové trhy
stále priťahujú záujem mnohých organizácií (IDC 1997).
Jedným z faktorov, ktorý ich robí atraktívnymi, je to, že sa rýchlejšie rozvíjajú
a vyžadujú menej času a zdrojov (Bresnahan 1996, Berson e
Smith 1997, Ovum 1998). Podľa toho hlavne slúžia
ako testovacie projekty, ktoré možno použiť na identifikáciu
rýchlo výhody a/alebo nedokonalosti projektu (Parsaye
1995, Braly 1995, Newing 1996). V tomto prípade časť z
implementovať do pilotného projektu musí byť malé, ale dôležité
pre organizáciu (Newing 1996, Mansell-Lewis 1996).
Skúmaním prototypu môžu koncoví používatelia a administratíva
rozhodnúť, či pokračovať alebo zastaviť projekt (Flanagan a Safdie
1997).
Ak má rozhodnutie pokračovať, údaje o predaji pre iné sektory
mali by byť postavené jeden po druhom. Existujú dve možnosti pre
koncovým používateľom na základe ich potrieb pri konštrukcii údajov
nezávislé matrs: integrované/federované a neintegrované (Ovum
1998)
V prvej metóde by sa mal vytvoriť každý nový dátový trh
na základe aktuálnych dátových trhov a modelov dať použitý
firmou (Varney 1996, Berson a Smith 1997, Peacock 1998).
Potreba použiť model dať spoločnosti to vyžaduje
zabezpečiť, aby pre každú terminológiu existovala len jedna definícia
používané prostredníctvom dátových trhov, je to aj preto, aby sa zabezpečilo, že dáta
Rôzne trhy môžu byť zlúčené, aby ste získali prehľad
podnikové informácie (Bresnahan 1996). Táto metóda je
nazýva sa zdola nahor a je najlepší, keď existuje obmedzenie
finančné prostriedky a čas (Flanagan a Safdie 1997, Ovum 1998,
páv 1998, Goff 1998). V druhej metóde, data marts
postavený môže uspokojiť len potreby konkrétnej jednotky.
Variantom federatívneho dátového trhu je dátový sklad distribuované
v ktorom je databázy middleware hub serverov sa používa na pripojenie mnohých
dátové trhy v jedinom úložisku dať distribuovaný (White 1995). In
tento prípad, t.j dať spoločnosti sú distribuované v niekoľkých dátových trhoch.
Žiadosti koncových používateľov sa preposielajú na databázy
middleware serverového hubu, ktorý extrahuje všetky dať požadované údajmi
marts a vráti výsledky do aplikácií koncových používateľov. Toto
poskytuje obchodné informácie koncovým používateľom. však
Problémy dátových obchodov stále nie sú odstránené
nezávislý. Existuje ďalšia architektúra, ktorú možno použiť, a to je
zavolajte na dátový sklad virtuálne (White 1995). Avšak, toto
architektúra, ktorá je opísaná na obrázku 2.9, nie je architektúra
skladovania dať skutočné, pretože nepresúva záťaž
zo systémov OLTP do dátový sklad (Demarest 1994).
V skutočnosti žiadosti o dať koncovými používateľmi prešli na
Systémy OLTP, ktoré po spracovaní vrátia výsledky
požiadavky používateľov. Aj keď táto architektúra umožňuje používateľom
finále na generovanie správ a formulovanie požiadaviek, nemôže poskytnúť i
dať historické a prehľadové informácie o firme ako i dať
z rôznych systémov OLTP nie sú integrované. Takže tento
architektúra nemôže uspokojiť analýzu dať komplexné ako napr
príklady predpovedí.
Výber prístupových a prístupových aplikácií
zotavenie z dať
Účelom výstavby a dátový sklad je prenášať
informácie pre koncových používateľov (Inmon a kol. 1997, Poe 1996,
McFadden 1996, Shanks a kol. 1997, Hammergren 1998); jeden resp
viacnásobný prístup a aplikácie na obnovu dať musia byť poskytnuté. Komu
Dnes existuje široká škála týchto aplikácií, z ktorých si používateľ môže vybrať
vybrať (Hammergren 1998, Humphries et al. 1999). The
vybrané aplikácie určujú úspešnosť úsilia
skladovania dať v organizácii, pretože
aplikácie sú najviditeľnejšou časťou dátový sklad používateľovi
finále (Inmon a kol. 1997, Poe 1996). Úspech na rande
sklad, musí byť schopný podporovať analytické činnosti dať
koncového používateľa (Poe 1996, Seddon a Benjamin 1998, Eckerson
1999). Takže „úroveň“ toho, čo koncový používateľ chce, musí byť
identifikované (Poe 1996, Mattison 1996, Inmon a kol. 1997,
Humphries a kol.
Vo všeobecnosti možno koncových používateľov rozdeliť do troch skupín
kategórie: výkonní používatelia, obchodní analytici a výkonní používatelia (Poe
1996, Humphries a kol. Výkonní používatelia potrebujú
jednoduchý prístup k preddefinovaným súborom správ (Humphries ed
ostatné 1999). Tieto správy možno ľahko dosiahnuť pomocou
navigácia v menu (Poe 1996). Navyše, správy by mali
prezentovať informácie pomocou grafického znázornenia
ako sú tabuľky a šablóny na rýchlu prepravu
informácie (Humphries et al. 1999). Obchodní analytici, ktorí nie
môžu mať technické možnosti na rozvíjanie vzťahov
nulové, musia byť schopné upraviť súčasné vzťahy na
uspokojiť ich špecifické potreby (Poe 1996, Humphries et al
1999). Na druhej strane pokročilí používatelia sú typ koncových používateľov, ktorí
mať schopnosť generovať a písať požiadavky a správy z
nula (Poe 1996, Humphries et al. 1999). Sú to tí, ktorí
vytvárať správy pre iné typy používateľov (Poe 1996, Humphries
a ďalšie 1999).
Po určení musia byť splnené požiadavky koncového používateľa
výber aplikácií na prístup a obnovu dať medzi všetkými
dostupné (Poe 1996, Inmon et al. 1997).
Prístup k dať a vyhľadávacie nástroje môžu byť
rozdelené do 4 typov: nástroj OLAP, nástroj EIS/DSS, dotazovací nástroj a
nástroje na reporting a data mining.
Nástroje OLAP umožňujú používateľom vytvárať aj ad hoc dotazy
tie vyrobené na databázy del dátový sklad. Plus tieto produkty
umožňujú používateľom hĺbkovú analýzu dať všeobecné k tým
podrobne.
Nástroje EIS/DSS poskytujú výkonný reporting ako analýzu „čo ak“.
a prístup k prehľadom organizovaným v menu. Správy musia byť
preddefinované a spojené s ponukami pre jednoduchšiu navigáciu.
Dotazovacie nástroje a nástroje na vytváranie prehľadov umožňujú používateľom vytvárať prehľady
vopred definované a špecifické.
Nástroje na dolovanie údajov sa používajú na identifikáciu vzťahov, ktoré
by mohla vrhnúť nové svetlo na zabudnuté operácie v dať del
dátový sklad.
Popri optimalizácii požiadaviek každého typu užívateľa, t.j
Vybrané nástroje musia byť intuitívne, efektívne a ľahko použiteľné.
Musia byť tiež kompatibilné s ostatnými časťami architektúry, napr
schopný pracovať s existujúcimi systémami. Odporúča sa tiež
vyberte si nástroje na prístup a vyhľadávanie údajov s cenami a výkonom
rozumné. Medzi ďalšie kritériá, ktoré treba zvážiť, patrí záväzok
predajcu nástroja pri podpore ich produktu a jeho vývoja
to isté bude v budúcich vydaniach. Na zabezpečenie zapojenia používateľov
pri používaní dátového skladu vývojársky tím zapája
používateľov v procese výberu nástroja. V tomto prípade
malo by sa vykonať praktické hodnotenie používateľa.
Vývojový tím môže zlepšiť hodnotu dátového skladu
tiež poskytujú webový prístup k svojim dátovým skladom. A
Webový dátový sklad umožňuje používateľom prístup k dať
zo vzdialených miest alebo počas cestovania. Ďalšie informácie môžu
poskytovať za nižšie náklady prostredníctvom zníženia nákladov
di tréning.
2.4.3 Dátový sklad Fáza prevádzky
Táto fáza pozostáva z troch aktivít: Definovanie dátumových stratégií
obnovovanie, kontrola činnosti dátového skladu a riadenie
zabezpečenie dátového skladu.
Definícia stratégií obnovy údajov
Po počiatočnom zaťažení, t.j dať v databázy dátového skladu
musíte pravidelne obnovovať, aby ste mohli hrať
zmeny vykonané dňa dať originály. Preto sa musíme rozhodnúť
kedy obnoviť, ako často
osviežiť a ako obnoviť dať. Odporúča sa urobiť
osviežiť dei dať kedy je možné systém prepnúť do režimu offline. Tam
Obnovovaciu frekvenciu určuje vývojový tím
o požiadavkách používateľov. Existujú dva prístupy k obnoveniu
dátový sklad: kompletné obnovenie a nepretržité načítanie
kambiamenti.
Prvý prístup, úplné obnovenie, vyžaduje opätovné načítanie
všetko dať od nuly. To znamená, že všetky dať požadovaný mušt
extrahovať, čistiť, transformovať a integrovať do každého obnovenia. Toto
prístupu by sa malo, pokiaľ je to možné, vyhnúť, pretože
Vyžaduje si to veľa času a zdrojov.
Alternatívnym prístupom je nepretržité zaťaženie i
zmeny. Toto pridáva i dať ktoré boli zmenené
od posledného cyklu obnovy dátového skladu. Identifikácia
nových alebo upravených záznamov výrazne znižuje množstvo
dať ktoré musia byť propagované do dátového skladu v každom z nich
aktualizovať, pretože iba tieto dať bude pridaný do databázy
dátového skladu.
Existuje najmenej 5 prístupov, ktoré možno použiť na stiahnutie
i dať nové alebo upravené. Na získanie efektívnej stratégie
osviežiť dei dať zmes týchto prístupov môže byť užitočná
preberá všetky zmeny v systéme.
Prvý prístup, ktorý používa časové pečiatky, predpokladá, že príde
pridelené všetkým dať upravil a aktualizoval časovú pečiatku tak
aby bolo možné ľahko identifikovať všetky dať upravené a nové.
Tento prístup však nebol vo väčšine prípadov široko používaný
súčasťou dnešných operačných systémov.
Druhým prístupom je použitie delta súboru vygenerovaného pomocou
aplikácia, ktorá obsahuje iba vykonané zmeny dať.
Použitie tohto súboru tiež zosilňuje cyklus aktualizácie.
Ani táto metóda však nebola v mnohých využitá
aplikácie.
Tretím prístupom je skenovanie súboru denníka, ktorý
v podstate obsahuje podobné informácie ako súbor delta. Jediný
rozdiel je v tom, že sa vytvorí protokolový súbor pre proces obnovy a
môže byť ťažké pochopiť.
Štvrtým prístupom je úprava kódu aplikácie.
Väčšina kódu aplikácie je však stará a
krehký; preto sa tejto technike treba vyhnúť.
Posledným prístupom je porovnanie dať zdrojov so súborom
hlavných bohov dať.
Kontrola činností dátového skladu
Po uvoľnení dátového skladu pre používateľov je
potrebné ho v priebehu času sledovať. V tomto prípade správca
dátového skladu môže využívať jeden alebo viac nástrojov na správu a
kontrolu na sledovanie využívania dátového skladu. Najmä
možno zbierať informácie o ľuďoch a počasí
ku ktorým pristupujú do dátového skladu. Poď dať môžu byť vytvorené plodiny
profil vykonanej práce, ktorý možno použiť ako vstup
pri implementácii vrátenia platby používateľom. Chargeback
umožňuje používateľom byť informovaní o nákladoch na spracovanie
dátový sklad.
Ďalej je možné využiť aj riadenie dátového skladu
identifikovať typy dopytov, ich veľkosť, počet dopytov na
deň, časy odozvy na dotaz, dosiahnuté sektory a množstvo
di dať spracované. Ďalším účelom vykonania kontroly
dátový sklad je identifikovať dať ktoré sa nepoužívajú. Títo dať
môžu byť odstránené z dátového skladu, aby sa zlepšil čas
odozvy na vykonanie dotazu a sledovať rast
dať ktorí bývajú v databázy dátového skladu.
Riadenie bezpečnosti dátového skladu
Dátový sklad obsahuje dať integrované, kritické, citlivé, že
dá sa ľahko dostať. Z tohto dôvodu by malo
byť chránený pred neoprávnenými používateľmi. Jeden spôsob
implementovať zabezpečenie je použiť funkciu del DBMS
na pridelenie rôznych privilégií rôznym typom používateľov. V tomto
musí byť udržiavaný profil pre každý typ používateľa
prístup. Ďalším spôsobom zabezpečenia dátového skladu je jeho šifrovanie
ako je napísané v databázy dátového skladu. Prístup k
dať a nástroje na vyhľadávanie musia dešifrovať dať pred odoslaním i
výsledky používateľom.
2.4.4 Dátový sklad Fáza nasadenia
Je to posledná fáza v cykle implementácie dátového skladu. The
aktivity, ktoré sa majú vykonať v tejto fáze, zahŕňajú školenie
používateľov používať dátový sklad a vytvárať recenzie
dátového skladu.
Školenie používateľov
Najprv by sa malo vykonať školenie používateľov
prístupu k dať dátového skladu a používania nástrojov
získavanie. Vo všeobecnosti by sa stretnutia mali začať s
úvod do pojmu skladovanie dať, do
obsah dátového skladu, ai meta dať a základné vlastnosti
nástrojov. Potom by mohli študovať aj pokročilejší používatelia
fyzických tabuliek a používateľských funkcií prístupu k údajom a nástrojov
získavanie.
Existuje mnoho prístupov k školeniu používateľov. Jeden z
tieto zahŕňajú výber mnohých používateľov alebo analytikov vybraných a
skupiny používateľov na základe ich vedenia a schopností
komunikácia. Títo sú vyškolení v osobnej spôsobilosti na
všetko, čo potrebujú vedieť, aby sa s ním oboznámili
systému. Po skončení školenia sa vrátia k svojej práci a
začnú učiť ostatných používateľov, ako systém používať. Na
na základe toho, čo sa naučili, môžu začať iní používatelia
preskúmať dátový sklad.
Ďalším prístupom je vyškoliť veľa používateľov v tom istom
času, ako keby ste chodili na kurz v triede. Táto metóda
Je vhodný, keď je veľa používateľov, ktorých treba zaškoliť
v rovnakom čase. Ďalšou metódou je trénovať
každý používateľ jednotlivo, jeden po druhom. Táto metóda je
vhodné, keď je málo používateľov.
Účelom školenia používateľov je oboznámiť vás
s prístupom k dať a nástroje na vyhľadávanie, ako aj obsah
dátový sklad. Niektorí používatelia však môžu byť preťažení
podľa množstva informácií poskytnutých počas relácie
školenia. Preto je potrebné urobiť určitý počet vecí
prebiehajúca podpora a obnovovacie stretnutia na odpoveď
na konkrétne otázky. V niektorých prípadoch sa vytvorí skupina
používateľom poskytovať tento typ podpory.
Zhromažďovanie spätnej väzby
Po zavedení dátového skladu môžu používatelia
použiť i dať ktoré sa nachádzajú v dátovom sklade na rôzne účely.
Analytici alebo používatelia väčšinou používajú i dať v
dátový sklad pre:
1 Identifikujte trendy spoločnosti
2 Analyzujte nákupné profily zákazníci
3 Rozdeliť i zákazníci ed i
4 Poskytujte tie najlepšie služby zákazníci - prispôsobenie služieb
5 Formulujte stratégie marketing
6 Poskytnite konkurenčné cenové ponuky pre analýzy nákladov a pomoc
ovládanie
7 Podpora strategického rozhodovania
8 Identifikujte príležitosti, ako vyniknúť
9 Zlepšiť kvalitu súčasných obchodných procesov
10 Skontrolujte zisk
Podľa smerovania vývoja dátového skladu by mohli
Vykonajte sériu systémových kontrol, aby ste získali spätnú väzbu
z vývojového tímu aj z komunity
koncovým používateľom.
Získané výsledky je možné vziať do úvahy pri
ďalší vývojový cyklus.
Keďže dátový sklad má inkrementálny prístup,
je nevyhnutné poučiť sa z úspechov a chýb predchádzajúcich
vývoj.
2.5 Zhrnutie
V tejto kapitole sa diskutuje o prístupoch prítomných v
literatúre. V časti 1 sa diskutovalo o koncepte
dátový sklad a jeho úloha v rozhodovacej vede. V
časti 2 hlavné rozdiely medzi
dátové sklady a systémy OLTP. V časti 3 sme diskutovali o
Použitý model dátového skladu Monash
v časti 4 opísať činnosti zahrnuté v procese
vývoj dátového skladu, z ktorých tieto tézy nevychádzajú
rigorózny výskum. Čo sa deje v skutočnosti, môže byť
veľmi odlišné od toho, čo uvádza literatúra, avšak tieto
výsledky možno použiť na vytvorenie základnej batožiny, ktorá
zdôrazniť koncept dátového skladu pre tento výskum.
Kapitola 3
Metódy výskumu a dizajnu
Táto kapitola sa zaoberá metódami výskumu a návrhu pre
táto štúdia. Prvá časť ukazuje všeobecný pohľad na metódy
výskumu dostupného na získanie informácií
sú diskutované kritériá na výber najlepšej metódy
konkrétne štúdium. Dve metódy sú potom diskutované v časti 2
vybrané podľa práve stanovených kritérií; z nich sa vyberie a
jeden s dôvodmi uvedenými v oddiele 3, kde sú
vysvetlené sú aj dôvody vylúčenia druhého kritéria. Tam
4. časť predstavuje návrh výskumu a 5. časť ho predstavuje
závery.
3.1 Výskum v informačných systémoch
Výskum v informačných systémoch nie je len obmedzený
do technologickej oblasti, ale musí byť tiež rozšírená tak, aby zahŕňala
ciele týkajúce sa správania a organizácie.
Vďačíme za to tézam rôznych disciplín od
spoločenských vied až po prírodné; to vedie k potrebe a
určité spektrum výskumných metód zahŕňajúcich kvantitatívne metódy
a kvalitatívne, ktoré sa majú použiť pre informačné systémy.
Dôležité sú všetky dostupné výskumné metódy, vlastne viaceré
výskumníci ako Jenkins (1985), Nunamaker a kol. (1991) a Galliers
(1992) tvrdia, že neexistuje žiadna špecifická univerzálna metóda
vykonávať výskum v rôznych oblastiach informačných systémov; Naozaj
metóda môže byť vhodná pre konkrétny výskum, ale nie
pre ostatných. To nám prináša potrebu vybrať metódu, ktorá
je vhodný pre náš konkrétny výskumný projekt: na tento účel
výber Benbasat a kol. (1987) uvádzajú, že by sa mali zvážiť
charakter a účel výskumu.
3.1.1 Povaha výskumu
Rôzne metódy založené na povahe výskumu môžu byť
rozdelené do troch tradícií všeobecne známych vo vede
informácií: pozitivistický, interpretačný a kritický výskum.
3.1.1.1 Pozitivistický výskum
Pozitivistický výskum je známy aj ako vedecká štúdia resp
empirický. Snaží sa: „vysvetliť a predpovedať, čo sa stane v
sociálny svet pohľadom na zákonitosti a vzťahy príčina-následok
medzi prvky, ktoré ho tvoria“ (Shanks et al 1993).
Pozitivistický výskum sa vyznačuje aj opakovateľnosťou,
zjednodušenia a vyvrátenia. Pozitivistický výskum navyše pripúšťa
existenciu apriórnych vzťahov medzi skúmanými javmi.
Podľa Galliersa (1992) je taxonómia výskumnou metódou
zahrnuté do pozitivistickej paradigmy, ktorá sa však neobmedzuje len na toto,
v skutočnosti existujú laboratórne pokusy, poľné pokusy,
prípadové štúdie, dôkazy viet, predpovede a simulácie.
Pomocou týchto metód výskumníci pripúšťajú, že javy
študované možno pozorovať objektívne a dôsledne.
3.1.1.2 Interpretačný výskum
Interpretačný výskum, ktorý sa často nazýva fenomenológia resp
Anti-pozitivizmus popisuje Neuman (1994) ako „analýzu
systematickosť sociálneho významu konania prostredníctvom priamej a
podrobné pozorovanie ľudí v prirodzených situáciách, v poriadku
dospieť k pochopeniu a interpretácii toho, ako
ľudia vytvárajú a udržiavajú svoj sociálny svet." Štúdie
interpretačné metódy odmietajú predpoklad, že pozorované javy
možno objektívne pozorovať. V skutočnosti sú založené
na subjektívnych interpretáciách. Okrem toho, interpretační výskumníci nie
javom, ktoré skúmajú, vnucujú apriórny význam.
Táto metóda zahŕňa subjektívne/argumentatívne štúdie, akcie
výskum, deskriptívne/interpretačné štúdie, budúci výskum a hry
úlohu. Okrem týchto vyšetrovaní a prípadových štúdií môžu byť
zahrnuté do tohto prístupu, pokiaľ ide o štúdie
jednotlivcov alebo organizácií v zložitých situáciách
skutočného sveta.
3.1.1.3 Kritický výskum
Kritické skúmanie je najmenej známym prístupom vo vedách
sociálne, ale nedávno si získal pozornosť výskumníkov
v oblasti informačných systémov. Filozofický predpoklad, že
sociálnu realitu historicky vytvárajú a reprodukujú ľudia,
ako aj sociálne systémy s ich činnosťami a interakciami. ich
schopnosť je však sprostredkovaná určitou dávkou ohľaduplnosti
sociálne, kultúrne a politické.
Rovnako ako interpretačný výskum, kritický výskum tvrdí, že
pozitivistický výskum nemá nič spoločné so sociálnym kontextom a ignoruje ho
jeho vplyv na ľudské činy.
Na druhej strane kritický výskum kritizuje interpretačný výskum
byť príliš subjektívny a pretože jeho cieľom nie je pomôcť
ľudí, aby zlepšili svoj život. Najväčší rozdiel medzi
kritický výskum a ďalšie dva prístupy je jeho hodnotiacim rozmerom.
Kým objektivita pozitivistickej a interpretačnej tradície je za
predpovedať alebo vysvetliť status quo alebo sociálnu realitu, kritický výskum
má za cieľ kriticky zhodnotiť a transformovať základnú sociálnu realitu
štúdio.
Kritici výskumníci sa zvyčajne stavajú proti status quo, aby mohli
odstrániť sociálne rozdiely a zlepšiť sociálne podmienky. Tam
kritický výskum má záväzok k procesuálnemu pohľadu
javy záujmu, a preto je zvyčajne pozdĺžny.
Príkladom výskumných metód sú dlhodobé historické štúdie a
etnografické štúdie. Kritický výskum však nebol
široko používaný vo výskume informačných systémov
3.1.2 Účel výskumu
Spolu s povahou vyhľadávania možno použiť aj jeho účel
usmerniť výskumníka pri výbere konkrétnej metódy
výskumu. Účel výskumného projektu spolu úzko súvisí
na pozíciu vyhľadávania vzhľadom na vyhľadávací cyklus, ktorý pozostáva z
tri fázy: budovanie teórie, testovanie teórie a zdokonaľovanie teórie
teória. Takže na základe hybnosti vzhľadom na cyklus vyhľadávania a
výskumný projekt môže mať vysvetľujúci, popisný, účel
prieskumné alebo prediktívne.
3.1.2.1 Prieskumný výskum
Prieskumný výskum je zameraný na skúmanie témy
úplne nové a formulovať výskumné otázky a hypotézy
budúcnosti. Tento typ výskumu sa používa pri konštrukcii
teóriu získať počiatočné referencie v novej oblasti.
Zvyčajne sa používajú metódy kvalitatívneho výskumu, ako sú prípady
štúdia alebo fenomenologických štúdií.
Je však možné použiť aj kvantitatívne techniky ako napr
prieskumné výskumy alebo experimenty.
3.1.3.3 Deskriptívny výskum
Deskriptívny výskum je zameraný na analýzu a popis z veľkej časti
podrobne opísať konkrétnu situáciu alebo organizačnú prax. Toto
je vhodný na budovanie teórie a možno ho použiť aj na
potvrdiť alebo vyvrátiť hypotézy. Zvyčajne deskriptívny výskum
zahŕňa použitie meraní a vzoriek. Najvhodnejšie metódy výskumu
vrátane vyšetrovania a analýzy predchodcov.
3.1.2.3 Vysvetľujúci výskum
Vysvetľujúci výskum sa snaží vysvetliť, prečo sa veci dejú.
Je postavená na už preštudovaných faktoch a snaží sa ich nájsť
dôvody týchto skutočností.
Vysvetľujúci výskum je teda zvyčajne založený na výskume
prieskumný alebo popisný a je doplnkom testovania a zdokonaľovania
teórie. Vysvetľujúci výskum zvyčajne využíva prípadové štúdie
alebo výskumné metódy založené na prieskume.
3.1.2.4 Preventívny výskum
Preventívny výskum sa zameriava na predpovedanie udalostí a správania
pod pozorovaním, ktoré sa skúmajú (Marshall a Rossman
1995). Predpoveď je štandardný vedecký test pravdy.
Tento typ výskumu vo všeobecnosti využíva prieskumy alebo analýzy
dať historikov. (Yin 1989)
Vyššie uvedená diskusia ukazuje, že existuje niekoľko
možné metódy výskumu, ktoré možno použiť v štúdii
konkrétne. Musí však existovať špecifická metóda, ktorá je vhodnejšia
iných pre konkrétny typ výskumného projektu. (Galliers
1987, Yin 1989, De Vaus 1991). Každý výskumník má teda
je potrebné starostlivo zhodnotiť silné a slabé stránky
rôzne metódy, aby sa dospelo k prijatiu najvhodnejšej výskumnej metódy e
kompatibilné s výskumným projektom. (Jenkins 1985, Pervan a Klass
1992, Bonomia 1985, Yin 1989, Himilton a Ives 1992).
3.2. Možné metódy výskumu
Cieľom tohto projektu bolo študovať skúsenosti v
Austrálske organizácie s i dať uložené s jedným
vývoj dátový sklad. Dato ktorá v súčasnosti existuje
nedostatok výskumu v oblasti skladovania údajov v Austrálii,
tento výskumný projekt je zatiaľ v teoretickej fáze cyklu
výskum a má prieskumný účel. Skúmanie skúseností v
Austrálske organizácie využívajúce dátové sklady
vyžaduje interpretáciu reálnej spoločnosti. V dôsledku toho,
nasleduje filozofický predpoklad, ktorý je základom výskumného projektu
tradičný výklad.
Po dôslednom preskúmaní dostupných metód boli identifikované
dve možné metódy výskumu: prieskumy a prípadové štúdie
(prípadové štúdie), ktoré možno použiť na výskum
prieskumné (Shanks et al. 1993). Galliers (1992) to tvrdí
vhodnosti týchto dvoch metód pre túto konkrétnu štúdiu v
jeho revidovaná taxonómia hovorí, že sú vhodné na stavbu
teoretická. Nasledujúce dve podkapitoly pojednávajú o každej metóde
detail.
3.2.1 Metóda prieskumu
Prieskumná metóda prieskumu pochádza z antickej metódy o
sčítanie ľudu. Sčítanie pozostáva zo zberu informácií z
celú populáciu. Táto metóda je drahá a nepraktická
najmä ak je populácia veľká. Takže v porovnaní s
sčítanie ľudu, prieskum sa zvyčajne zameriava na
zbierať informácie pre malý počet alebo vzorku
zástupcovia obyvateľstva (Fowler 1988, Neuman 1994). A
vzorka odráža populáciu, z ktorej je čerpaná, s rôznymi
úrovne presnosti podľa štruktúry vzorky,
veľkosť a použitá metóda výberu (Fowler 1988, Babbie
1982, Neuman 1994).
Metóda vyšetrovania je definovaná ako „snímky praktík,
situácie alebo pohľady v určitom časovom okamihu, uskutočnené pomocou
dotazníky alebo rozhovory, z ktorých možno vyvodiť závery
vyrobené“ (Galliers 1992: 153) [okamžitá fotografia praxe,
situácie alebo pohľady v určitom časovom okamihu, uskutočnené pomocou
dotazníky alebo rozhovory, z ktorých možno vyvodiť závery]. The
vyšetrovania sa zaoberajú zhromažďovaním informácií o určitých aspektoch
štúdie určitým počtom účastníkov
otázky (Fowler 1988). Aj tieto dotazníky a rozhovory, ktoré
zahŕňajú telefonické a štruktúrované rozhovory tvárou v tvár,
sú techniky zberu dať najčastejšie používané v
vyšetrovania (Blalock 1970, Nachmias a Nachmias 1976, Fowler
1988), možno použiť pozorovania a analýzy (Gable
1994). Zo všetkých týchto metód zberu dať, použitie
dotazník je najobľúbenejšou technikou, pretože zabezpečuje, že i dať
zhromaždené sú štruktúrované a formátované, a preto uľahčuje
klasifikácia informácií (Hwang 1987, de Vaus 1991).
Pri analýze i dať, stratégia vyšetrovania často využíva
kvantitatívne techniky, ako je štatistická analýza, ale môžu byť
používajú sa aj kvalitatívne techniky (Galliers 1992, Pervan
a Klass 1992, Gable 1994). Normálne, t.j dať zbierané sú
používa sa na analýzu distribúcií a vzorcov asociácií
(Fowler 1988).
Hoci prieskumy sú vo všeobecnosti vhodné na výskum
ktoré sa zaoberajú otázkou 'čo?' (čo) alebo z toho
odvodenie, ako napríklad „koľko“ a „koľko“.
možno položiť prostredníctvom otázky „prečo“ (Sonquist a
Dunkelberg 1977, Yin 1989). Podľa Sonquista a Dunkelberga
(1977), výskumné skúmanie sa zameriava na zložité hypotézy, program o
hodnotenie, popis populácie a vývoj modelov
ľudské správanie. Okrem toho je možné použiť prieskumy
študovať určitý názor obyvateľstva, podmienky,
názory, vlastnosti, očakávania a dokonca aj minulé správanie
alebo súčasnosť (Neuman 1994).
Výskumy umožňujú výskumníkovi objaviť vzťahy medzi
a výsledky sú zvyčajne všeobecnejšie ako
iné metódy (Sonquist a Dunkelberg 1977, Gable 1994). The
prieskumy umožňujú výskumníkom pokryť geografickú oblasť
širšie a osloviť mnohých deklarantov (Blalock 1970,
Sonquist a Dunkelberg 1977, Hwang a Lin 1987, Gable 1994,
Neuman 1994). Napokon, informácie môžu poskytnúť prieskumy
ktoré nie sú dostupné inde alebo vo forme požadovanej pre analýzy
(Fowler 1988).
Pri vykonávaní prieskumu však existujú určité obmedzenia. Jeden
nevýhodou je, že výskumník nemôže získať veľa informácií
ohľadom skúmaného objektu. Je to spôsobené tým, že
vyšetrovania sa vykonávajú len v určitom čase, a preto
existuje obmedzený počet premenných a ľudí, ktorých výskumník môže
štúdia (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998).
Ďalšou nevýhodou je, čo môže byť spustenie prieskumu
veľmi drahé z hľadiska času a zdrojov, najmä ak
zahŕňa osobné rozhovory (Fowler 1988).
3.2.2. Metóda prieskumu prieskumu
Metóda prieskumu zahŕňa hĺbkové štúdium
konkrétna situácia v jej reálnom kontexte v a
vymedzené časové obdobie, bez akéhokoľvek zásahu zo strany spoločnosti
výskumník (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985).
Táto metóda sa používa hlavne na opis vzťahov medzi
premenné, ktoré sa skúmajú v konkrétnej situácii
(Galliers 1992). Vyšetrovania môžu zahŕňať jednotlivé prípady resp
viacnásobné, v závislosti od analyzovaného javu (Franz a Robey 1987,
Eisenhardt 1989, Yin 1989).
Metóda prieskumu je definovaná ako „vyšetrovanie
empirická štúdia, ktorá študuje súčasný fenomén v rámci
relatívny reálny kontext s použitím viacerých zdrojov zhromaždených z jedného resp
viaceré entity, ako sú ľudia, skupiny alebo organizácie“ (Yin 1989).
Neexistuje jasné oddelenie medzi javom a jeho kontextom, napr
neexistuje žiadna kontrola alebo experimentálna manipulácia s premennými (Yin
1989, Benbasat a kol., 1987).
Existuje množstvo techník zbierania bohov dať že môžu
byť použité v metóde zisťovania, ktorá zahŕňa
priame pozorovania, prehľady archívnych záznamov, dotazníky,
preskúmanie dokumentácie a štruktúrované rozhovory. Majúce
pestrú škálu techník zberu dať, vyšetrovania
umožniť výskumníkom zaoberať sa oboma dať kvalitatívne, že
množstvá v rovnakom čase (Bonoma 1985, Eisenhardt 1989, Yin
1989, Gable 1994). Ako je to v prípade metódy prieskumu, a
výskumný pracovník koná ako pozorovateľ alebo výskumník a nie
ako aktívny účastník v skúmanej organizácii.
Benbasat a kol. (1987) tvrdia, že metóda skúmania je
obzvlášť vhodné pre výskum budovania teórie, ktorý
začnite výskumnou otázkou a pokračujte v tréningu
teórie počas procesu zberu dať. Byť
vhodné aj na javisko
o budovaní teórie, Franz a Robey (1987) to naznačujú
Metóda dopytovania môže byť použitá aj pre komplex
fáza teórie. V tomto prípade na základe zhromaždených dôkazov jeden
daná teória alebo hypotéza je overená alebo vyvrátená. Navyše, vyšetrovanie je
vhodné aj pre výskum zaoberajúci sa otázkami „ako“ alebo „ako“.
„prečo“ (Yin 1989).
V porovnaní s inými metódami prieskumy výskumníkovi umožňujú
zachyťte podstatné informácie podrobnejšie (Galliers
1992, Shanks a kol. 1993). Okrem toho vyšetrovania umožňujú
výskumník pochopiť povahu a zložitosť skúmaných procesov
(Benbasat a kol. 1987).
Metóda má štyri hlavné nevýhody
vyšetrovanie. Prvým je nedostatok kontrolovaných odpočtov. Tam
Subjektivita výskumníka môže zmeniť výsledky a závery
štúdie (Yin 1989). Druhou nevýhodou je nedostatok
riadené pozorovanie. Na rozdiel od experimentálnych metód,
výskumný pracovník nemôže kontrolovať skúmané javy
ako sú skúmané v ich prirodzenom kontexte (Gable 1994). The
treťou nevýhodou je nedostatočná replikovateľnosť. Je to spôsobené skutočnosťou
že výskumník pravdepodobne nebude pozorovať rovnaké udalosti a
nemôže overiť výsledky konkrétnej štúdie (Lee 1989).
Napokon, v dôsledku nereplikovateľnosti je to ťažké
zovšeobecniť výsledky získané z jedného alebo viacerých výskumov (Galliers
1992, Shanks a kol. 1993). Všetky tieto problémy však nie
sú neprekonateľné a možno ich v skutočnosti minimalizovať
výskumník uplatňujúci vhodné opatrenia (Lee 1989).
3.3. Zdôvodnite metodiku výskumu
prijali
Z dvoch možných výskumných metód pre túto štúdiu je metóda o
prieskum sa považuje za najvhodnejší. To je vyšetrovanie
bol vyradený po dôkladnom zvážení relevantných
prednosti a slabosti. Pohodlie alebo nevhodnosť každého z nich
metóda pre túto štúdiu je popísaná nižšie.
3.3.1. Nevhodnosť výskumnej metódy
vyšetrovania
Metóda pátrania si vyžaduje hĺbkovú štúdiu o jednom
konkrétna situácia v rámci jednej alebo viacerých organizácií pre a
časové obdobie (Eisenhardt 1989). V tomto prípade môže lehota
prekročiť časový rámec stanovený pre túto štúdiu. Ďalší
dôvodom neprijatia metódy prieskumu sú výsledky
môžu trpieť nedostatkom prísnosti (Yin 1989). Subjektivita
výskumníka môže ovplyvniť výsledky a závery. Ďalší
Dôvodom je, že táto metóda je vhodnejšia na výskum otázok
typu „ako“ alebo „prečo“ (Yin 1989), kým výskumná otázka
pre túto štúdiu je to typu „aký“. V neposlednom rade
Dôležité je, že je ťažké zovšeobecniť zistenia len z jedného resp
málo výskumov (Galliers 1992, Shanks a kol. 1993). Na základe
toto racionálne vysvetlenie, výskumná metóda skúmania nie je
bol vybraný, pretože nebol vhodný pre túto štúdiu.
3.3.2. Pohodlie spôsobu vyhľadávania
vyšetrovanie
Keď bol tento výskum vykonaný, prax dátového skladu
nebol široko prijatý
austrálske organizácie. Informácií teda nebolo veľa
o ich implementácii v rámci
austrálske organizácie. Prišli dostupné informácie
od organizácií, ktoré implementovali alebo použili údaje
sklad. V tomto prípade je metóda prieskumu najviac
vhodné, pretože vám umožňuje získať informácie, ktoré nie sú
dostupné inde alebo vo forme potrebnej na analýzu (Fowler 1988).
Okrem toho výskumná metóda prieskumu umožňuje výskumníkovi
získať dobrý prehľad o praktikách, situáciách, príp
videný v určitom čase (Galliers 1992, Denscombe 1998).
Na zvýšenie bol potrebný celkový pohľad
Znalosti o skúsenostiach s austrálskym skladovaním údajov.
Sonquist a Dunkelberg (1977) opäť uvádzajú, že výsledky o
Prieskumy sú všeobecnejšie ako iné metódy.
3.4. Návrh prieskumu
Vyšetrovanie praxe ukladania údajov sa uskutočnilo v roku 1999.

Cieľovú populáciu tvorili organizácie
Austrálčania sa zaujímali o štúdie skladovania údajov
pravdepodobne už informovali o i dať ktoré skladujú a
preto by mohla poskytnúť užitočné informácie pre túto štúdiu. Tam
cieľová populácia bola identifikovaná prvotným prieskumom
všetci austrálski členovia „The Data Warehousing Institute“ (Tdwiaap).
Táto časť sa zaoberá návrhom fázy výskumu
empirické dôkazy tejto štúdie.
3.4.1. Technika zberu dať
Z troch techník bežne používaných v prieskumnom výskume
(t. j. poštový dotazník, telefonický rozhovor a rozhovor
osobné) (Nachmias 1976, Fowler 1988, de Vaus 1991), za
táto štúdia prijala poštový dotazník. Prvý
dôvodom na prijatie druhého menovaného je, že môže dosiahnuť a
geograficky rozptýlené obyvateľstvo (Blalock 1970, Nachmias e
Nachmias 1976, Hwang a Lin 1987, de Vaus 1991, Gable 1994).
Po druhé, poštový dotazník je vhodný pre účastníkov
vysoko vzdelaný (Fowler 1988). K tomu mailový dotazník
štúdia bola určená sponzorom projektu skladovania údajov,
riaditeľov a/alebo projektových manažérov. Po tretie, dotazníky preč
pošty sú vhodné, ak máte zabezpečený zoznam
adresy (Salant a Dilman 1994). TDWI, v tomto prípade jeden
dôveryhodné združenie pre skladovanie údajov poskytlo zoznam adries
svojich austrálskych členov. Ďalšou výhodou dotazníka
prostredníctvom pošty verzus telefonického dotazníka alebo rozhovorov
osobné je, že umožňuje registrujúcim viac odpovedať
presnosť, najmä keď registrujúci potrebujú konzultovať
poznámky alebo diskusiu o otázkach s inými ľuďmi (Fowler
1988).
Potenciálnou nevýhodou môže byť čas potrebný na
vypracovávať dotazníky poštou. Normálne, dotazník preč
pošta prebieha v tomto poradí: posielajte listy, čakajte
odpovede a poslať potvrdenie (Fowler 1988, Bainbridge 1989).
Celkový čas teda môže byť dlhší ako čas potrebný
osobné pohovory alebo telefonické pohovory. Avšak,
celkový čas môže byť známy vopred (Fowler 1988,
Denscombe 1998). Čas strávený vedením rozhovorov
osobné údaje nie je možné poznať vopred, pretože sa líšia od
jeden rozhovor s druhým (Fowler 1988). Telefonické rozhovory
môžu byť rýchlejšie ako poštové dotazníky a
osobné pohovory, ale môžu mať vysokú mieru chýbajúcich
odozvy z dôvodu nedostupnosti niektorých ľudí (Fowler 1988).
Okrem toho sú telefonické rozhovory vo všeobecnosti obmedzené na zoznamy
relatívne krátke otázky (Bainbridge 1989).
Ďalšou slabinou poštového dotazníka je vysoká miera
nedostatok odozvy (Fowler 1988, Bainbridge 1989, Neuman
1994). Boli však prijaté protiopatrenia, združovanie
túto štúdiu s dôveryhodnou inštitúciou v oblasti údajov
skladovanie (t.j. TDWI) (Bainbridge 1989, Neuman 1994),
ktorý posiela dva upomienky tým, ktorí neodpovedali
(Fowler 1988, Neuman 1994) a obsahuje aj list
doplnok vysvetľujúci účel štúdie (Neuman 1994).
3.4.2. Jednotka analýzy
Cieľom tejto štúdie je získať informácie o
implementácia dátového skladu a jeho využitie
v rámci austrálskych organizácií. Cieľová populácia
tvoria všetky austrálske organizácie, ktoré majú
implementovali, alebo realizujú, t.j dátový sklad, v
jednotlivé organizácie sa potom zaregistrujú. Dotazník
bola zaslaná poštou organizáciám, ktoré mali záujem o adopciu
di dátový sklad. Táto metóda zabezpečuje, že informácie
zozbierané pochádzajú z najvhodnejších zdrojov každej organizácie
účastník.
3.4.3. Vzorka prieskumu
„Zoznam adresátov“ účastníkov prieskumu bol získaný z
TDWI. Z tohto zoznamu 3000 austrálskych organizácií
boli vybrané ako základ pre odber vzoriek. A
dodatočný list vysvetlil projekt a účel vyšetrovania,
spolu s odpoveďovým hárkom a predplatenou obálkou na
poslať späť vyplnený dotazník boli zaslané vzorke.
Z 3000 organizácií súhlasilo s účasťou 198
štúdium. Očakával sa taký malý počet odpovedí daný il
veľké množstvo austrálskych organizácií, ktoré vtedy mali
prijali alebo prijali stratégiu dátumu
skladovanie v rámci svojich organizácií. Takže
Cieľovú populáciu pre túto štúdiu tvorí iba 198
organizácií.
3.4.4. Obsah dotazníka
Štruktúra dotazníka bola založená na dátumovom modeli
Skladovanie Monash (diskutované predtým v časti 2.3). The
obsah dotazníka bol založený na analýze
literatúre uvedenej v kapitole 2. Kópia dotazníka
možno nájsť účastníkov prieskumu
v prílohe B. Dotazník pozostáva zo šiestich častí, ktoré
nasledujú fázy diskutovaného modelu. Nasledujúcich šesť odsekov
stručne zhŕňajú obsah každej časti.
Časť A: Základné informácie o organizácii
Táto časť obsahuje otázky týkajúce sa profilu
zúčastnených organizácií. Navyše, niektoré otázky sú
týkajúce sa stavu projektu dátového skladu
účastník. Dôverné informácie, ako napríklad vaše meno
organizácie neboli v analýze prieskumu odhalené.
Časť B: Začiatok
Otázky v tejto časti súvisia so začiatočnou aktivitou
Skladovanie údajov. Otázky boli položené na ako dlho
sa týka iniciátorov projektov, garantov, zručností a vedomostí
požiadavky, ciele rozvoja dátových skladov a
očakávania koncových používateľov.
Časť C: Dizajn
Táto časť obsahuje otázky súvisiace s činnosťou spoločnosti
plánovanie dátový sklad. Najmä otázky sú
uveďte rozsah realizácie, trvanie projektu, náklady
projektu a analýzy nákladov a výnosov.
Sekcia D: Rozvoj
V sekcii vývoja sú otázky týkajúce sa činnosti
vývoj dátový sklad: zbierka požiadaviek používateľov
konečné, zdroje dať, logický model dať, prototypy,
plánovanie kapacít, technické architektúry a výber
nástroje na vývoj dátových skladov.
Časť E: Prevádzka
Prevádzkové otázky súvisiace s prevádzkou vyd
na rozšíriteľnosť dátový sklad, ako sa to vyvíja
ďalšia fáza vývoja. Tam kvalita údajov, stratégie
osviežiť dei dať, zrnitosť dať, škálovateľnosť údajov
sklad a bezpečnostné problémy dátový sklad boli medzi
typy kladených otázok.
Sekcia F: Rozvoj
Táto časť obsahuje otázky týkajúce sa používania údajov
sklad koncovými užívateľmi. Výskumníka to zaujímalo
na účel a užitočnosť dátový sklad, prehľad a stratégie
školenia a stratégie kontroly údajov
sklad prijatý.
3.4.5. Rýchlosť odpovede
Hoci poštové prieskumy sú kritizované za to, že majú mieru
nízka odozva, boli prijaté opatrenia na zvýšenie
miera návratnosti (ako bolo sčasti diskutované vyššie
3.4.1). Pojem „miera odozvy“ sa vzťahuje na percento
ľudí v konkrétnej vzorke prieskumu odpovedajúcich na
dotazník (Denscombe 1998). Použilo sa nasledovné
vzorec na výpočet miery odozvy pre túto štúdiu:
Počet ľudí, ktorí odpovedali
Miera odozvy =
———————————————————————————– X 100
Celkový počet odoslaných dotazníkov
3.4.6. Pilotný test
Pred odoslaním dotazníka vzorke sú otázky
boli preskúmané vykonaním pilotných testov, ako navrhol Luck
a Rubin (1987), Jackson (1988) a de Vaus (1991). Účel
pilotné testy má odhaliť všetky trápne, nejednoznačné a výrazy
otázky, ktoré je ťažké interpretovať, objasniť akékoľvek
použité definície a pojmy a na určenie približného času
potrebné vyplniť dotazník (Warwick a Lininger 1975,
Jackson 1988, Salant a Dilman 1994). Pilotné testy boli
uskutočnené výberom subjektov s vlastnosťami podobnými tým
záverečných predmetov, ako navrhol Davis e Cosenza (1993). v
v tejto štúdii bolo šesť odborníkov na skladovanie údajov
vybrané ako pilotné predmety. Po každom pilotnom teste sú
boli vykonané potrebné opravy. Z uskutočnených pilotných testov, t.j
účastníci pomohli pretvoriť a resetovať
konečná verzia dotazníka.
3.4.7. Analytické metódy By dati
I dať z dotazníkov s uzavretými otázkami
boli analyzované pomocou štatistického softvérového balíka
s názvom SPSS. Mnohé z odpovedí boli analyzované
pomocou deskriptívnej štatistiky. Určitý počet dotazníkov
vrátili neúplné. Tieto boli liečené väčšími
pozor, aby ste sa uistili, že i dať chýbal ani jeden
dôsledok chýb pri zadávaní údajov, ale prečo otázky nie
boli pre vyhlasovateľa vhodné, alebo sa vyhlasovateľ rozhodol, že nie
odpovedať na jednu alebo viac konkrétnych otázok. Tieto odpovede
chýbajúce boli počas analýzy ignorované dať a boli
kódované ako „- 9“, aby sa zabezpečilo ich vylúčenie z procesu
analýzy.
Pri príprave dotazníka boli otázky uzavreté
predkódované priradením čísla každej možnosti. Číslo
potom sa použil na prípravu i dať počas analýzy
(Denscombe 1998, Sapsford a Jupp 1996). Napríklad tam boli
šesť možností uvedených v otázke 1 oddielu B: poradenstvo
predstavenstvo, vedúci pracovník, oddelenie IT, jednotka
podnikania, konzultantov a ďalších. V súbore dať spoločnosti SPSS, je
bola vygenerovaná premenná na označenie „iniciátora projektu“,
so šiestimi štítkami hodnôt: „1“ pre „predstavenstvo“, „2“
pre „vysokého výkonného pracovníka“ atď. Použitie Likertinovej stupnice
v niektorých uzavretých otázkach to aj umožnilo
identifikácia, ktorá vzhľadom na použitie hodnôt nevyžaduje žiadne úsilie
zodpovedajúce čísla zadané do SPSS. Pre otázky s
nevyčerpávajúce odpovede, ktoré sa navzájom nevylučujú,
každá možnosť sa považovala za jednu premennú s dvomi
štítky hodnôt: „1“ pre „označené“ a „2“ pre „neoznačené“.
S otvorenými otázkami sa zaobchádzalo inak ako s otázkami
ZATVORENÉ. Odpovede na tieto otázky neboli zadané
SPSS. Namiesto toho boli analyzované ručne. Použitie tohto
typ otázok vám umožňuje získať informácie o nápadoch
voľne vyjadrené a osobné skúsenosti respondentov
(Bainbridge 1989, Denscombe 1998). Tam, kde to bolo možné, sa tak stalo
kategorizácia odpovedí.
Na analýzu daťpoužívajú sa jednoduché metódy štatistickej analýzy,
ako je frekvencia odpovedí, priemer, štandardná odchýlka
priemer a medián (Argyrous 1996, Denscombe 1998).
Gamma test bol účinný na získanie kvantitatívnych meraní
asociácií medzi dať 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 Zhrnutie
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 dať.
giustificazioni per il metodo di ricerca e la tecnica di raccolta dať
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 dať.

Navrhovanie a Dátový sklad:
Kombinácia vzťahu entít a dimenzionálneho modelovania
Abstrakt
Ukladanie i dať è un problema attuale importante per molte
organizzazioni. Un problema chiave nello sviluppo
dell’immagazzinamento dei dať je to jeho dizajn.
Il disegno deve sostenere il rilevamento di concetti nel data
warehouse a legacy system e le altre fonti di dať ed anche una
facile comprensione ed efficienza nell’implementazione di data
sklad.
Veľká časť skladovacej literatúry z dať odporúča
l’uso di entity relationship modelling or dimensional modelling per
rappresentare il disegno di dátový sklad.
In questo giornale noi mostriamo come entrambe le
rappresentazioni possono essere combinate in un approccio per il
disegno di dátový sklad. Použitý prístup je systematický
esaminato in un caso di studio ed è identificato in un numero di
importanti implicazioni con professionisti.
SKLADOVANIE ÚDAJOV
Un dátový sklad 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 dátový sklad è
progettato per attraversare i confini funzionali dei legaci system per
offrire una prospettiva integrata dei dať.
Časový variant ovplyvňuje historický alebo časový rad dať in
un dátový sklad, la quale abilita trend per essere analizzati.
Non-volatile indica che il dátový sklad non è continuamente
aggiornato come un databázy di OLTP. Piuttosto è aggiornato
periodicamente, con dať pochádzajúce z interných a externých zdrojov. The
dátový sklad specificatamente è disegnato per la ricerca
piuttosto che per l’integrità degli aggiornamenti e le prestazioni delle
operazioni.
Myšlienka uloženia i dať non è nuova, è stato uno degli scopi
riadenia dať od šesťdesiatych rokov (Martin, 1982).
I dátový sklad ponúkajú infraštruktúru dať 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
dať che abilita dirigenti d’azienda ad accedere facilmente alla vista
z dať.
Všeobecná architektúra a dátový sklad zdôrazňuje úlohu
dátový sklad nel supporto alla gestione. Oltre ad offrire
l’infrastruttura dať pre EIS a DSS, spol dátový sklad je možné
accedervi direttamente attraverso le query. I dať 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
dať 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
dátový sklad (Inmon, 1992; McFadden, 1996). THE dať provenienti
da sistemi di immagazzinamento dať ad hoc a zo zdrojov dať
externé sa často používajú na rozšírenie (aktualizáciu, nahradenie) i
dať zo starších systémov.
Existuje mnoho presvedčivých dôvodov na rozvoj a dátový sklad,
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 dať per EIS e DSS (Graham 1996, McFadden
1996).
Un recente studio empirico ha scoperto, in media, un ritorno degli
investimenti per i dátový sklad del 401% dopo tre anni (Graham,
1996). Comunque, gli altri studi empirici di dátový sklad mať
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 dať
particolare quanto riguarda le fonti e la pulizia dei dať.
Ukladanie i dať può essere considerato come una soluzione
al problema di gestione dei dať fra le organizzazioni. La
manipolazione dei dať 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).
Populárny prístup k riadeniu dať negli anni ottanta era
lo sviluppo di un modello dať sociálna. Model dať sociale fu
pensato per offrire una base stabile per lo sviluppo di nuovi sistemi
applicativi e databázy 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 dátový sklad è un databse separato che co-esiste coi legacy
databases piuttosto che sostituirli. Esso perciò consente di
indirizzare la gestione dei dať ed evitare la costosa ricostruzione
dei legacy systems.
EXISTUJÚCE PRÍSTUPY K NÁVRHU ÚDAJOV
WAREHOUSE
Proces budovania a zdokonaľovania a dátový sklad
va compreso più come un processo evolutivo piuttosto che un
lifecycle di sviluppo di sistemi tradizionali (Desio, 1995, Shanks,
O’Donnell and Arnott 1997a ). Ci sono molti processi coinvolti in un
projekt z dátový sklad come inizializzazione, pianificazione;
informazioni acquisite dai requisiti chieste ai dirigenti d’azienda;
fonti, trasformazioni, pulizia dei dať e di sincronizzazione da legacy
systems e le altre fonti di dať; sistemi di consegna in sviluppo;
monitoraggio dei dátový sklad; e insensatezza del processo
evolutivo e di costruzione di un dátový sklad (Stinchi, O’Donnell
ed Arnott 1997b). In questo giornale, noi focalizziamo su come
disegnare i dať immagazzinati nel contesto di questi altri processi.
Ci sono un numero di approcci proposti per l’architettura dei data
warehouse nella letteratura (Inmon 1994, Ives 1995, Kimball 1994
McFadden 1996). Ognuna di queste metodologie ha una breve
rassegna con un’analisi dei loro punti di forza e non.
Inmon's (1994) Approach for Dátový sklad
dizajn
Inmon (1994) propose quattro passi iterativi per disegnare un data
warehouse (veda Figura 2). Il primo passo è progettare un modello
dať sociálne pochopiť, ako i dať possono essere integrati
attraverso aree funzionali all’interno di un’organizzazione
suddividendo i dať skladovať v priestoroch. Model dať je stvorený pre
immagazzinare dať týkajúce sa rozhodovania, vrátane dať
historikov a vrátane dať 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 databázy 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 dať richiesti e sviluppare
processi di trasformazione per acquisire, pulire e formattare i dať.
Silnou stránkou Inmonovho prístupu je model dať sociálne
offre la base per l’integrazione di dať 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
podľa vzoru dať sociale, la difficoltà nel capire modelli di entità e
relazioni usati in ambo i modelli, quello dať sociálne a to dať
uložené podľa predmetnej oblasti a vhodnosti dať del
disegno di dátový sklad na realizáciu databázy
vzťahové, ale nie pre databázy viacrozmerný.
Ivesov (1995) Prístup k Dátový sklad
dizajn
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 dať sociale. Il secondo passo
comporta lo sviluppo di un architettura che definisce dať
uložené podľa oblastí, databázy di dátový sklad, i componenti
di tecnologia che sono richiesti, l’insieme di supporto organizzativo
richiesto per implementare ed operare con dátový sklad. Il terzo
passo include la selezione di pacchetti software e attrezzi richiesti.
Il quarto passo è il disegno particolareggiato e la costruzione del
dátový sklad. Ives poznamenáva, že ukladanie dať 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 dátový sklad,
l’opportuna selezione hardware e software, e l’uso di molteplici
tecniche di rappresentazione per il dátový sklad. Le sue pecche
sono inerenti alla complessità. Altre includono la difficoltà nello
sviluppare molti livelli di databázy all'interno del dátový sklad in
tempi e costi ragionevoli.
Kimballov (1994) Approach to Dátový sklad
dizajn
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 dátový sklad 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 databázy fisico è più
efficiente (Kimball 1994). Kimball riconosce che lo sviluppo di un
dátový sklad je iteratívny a to dátový sklad separati possono
essere integrati attraverso la ripartizione in tavole di dimensioni
bežné.
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 databázy multidimensionale per perfezionare lo
schema della stella. Il passo finale è identificare sistemi di fonti dať
richiesti e sviluppare processi di trasformazione per acquisire, pulire
e formattare i dať.
Le forze dell’approccio di Kimball includono l’uso di modelli
dimensionali per rappresentare i dať immagazzinati che lo rendono
facile da capire e conduce ad un disegno fisico efficiente. Un
modello dimensionale che usa prontamente anche entrambi i
systémov databázy relačné možno zdokonaliť alebo systémy
databázy 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 dátový sklad a
difficoltà di progettare dall’estrema struttura denormalizzata in un
modello dimensionale a dať v starom systéme.
McFaddenov (1996) Approach to Data
Dizajn skladu
McFadden (1996) propone un approccio di cinque passi per
disegnare un dátový sklad (pozri obrázok 5).
Il suo approccio è basato su una sintesi delle idee dalla letteratura
ed è focalizzato sul disegno di un solo dátový sklad. Prvý
passo comporta un’analisi dei requisiti. Anche se le specifiche
tecniche non sono prescritte, le note di McFadden identificano le
subjekt dať specifiche ed i loro attributi, e si riferisce ai lettori Watson
e Frolick (1993) per l’acquisizione dei requisiti.
V druhom kroku je navrhnutý model vzťahov entít
dátový sklad e poi convalidato dai dirigenti d’azienda. Il terzo
passo comprende la determinazione del mapping da legacy system
e fonti esterne di dátový sklad. Il quarto passo comporta
processi in sviluppo, la distribuzione e sincronizzazione di dať v
dátový sklad. 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 dať, la loro pulizia e raccolta. Le sue
pecche riguardano la mancanza di un processo per suddividere un
grande progetto di dátový sklad v mnohých integrovaných štádiách a
ťažkosti s pochopením modelov entity a vzťahov použitých pri návrhu
dátový sklad.

admin Generálny riaditeľ

👍Online webová agentúra | Odborník webovej agentúry v oblasti digitálneho marketingu a SEO. Web Agency Online je webová agentúra. Úspech Agenzia Web Online v digitálnej transformácii je založený na základoch Iron SEO verzie 3. Špecializácie: Systémová integrácia, integrácia podnikových aplikácií, architektúra orientovaná na služby, cloud computing, dátový sklad, business intelligence, veľké dáta, portály, intranety, webové aplikácie Návrh a správa relačných a viacrozmerných databáz Navrhovanie rozhraní pre digitálne médiá: použiteľnosť a grafika. Online Web Agency ponúka spoločnostiam nasledujúce služby: -SEO na Google, Amazon, Bing, Yandex; -Webová analýza: Google Analytics, Správca značiek Google, Yandex Metrica; -Konverzie používateľov: Google Analytics, Microsoft Clarity, Yandex Metrica; -SEM na Google, Bing, Amazon Ads; - Marketing na sociálnych sieťach (Facebook, Linkedin, Youtube, Instagram).

Pozrite si celý životopis

Digitálny marketing databázy DBMS Dátový sklad dáta Science online reklama Informačné technológie Web Agency Reklamná agentúra Marketing