Skladišče podatkov in ERP | ARHIV CENTRALNIH PODATKOV: ZGODOVINA IN EVOLUCIJE

ARHIV PODATKI CENTRAL: ZGODOVINA IN EVOLUCIJE

Dve prevladujoči temi korporativne tehnologije v devetdesetih letih sta
navaja i podatkovno skladišče in ERP. Že dolgo ta dva mogočna
tokovi so bili del korporacijske informacijske tehnologije, ne da bi to kdaj imeli
križišča. Bilo je skoraj tako, kot da gre za snov in proti snovi. Ampak
rast obeh pojavov je neizogibno privedla do enega
njihovo presečišče. Danes se podjetja soočajo s problemom
kaj storiti z ERP e podatkovno skladišče. Ta članek bo ponazoril
kakšne so težave in kako jih podjetja rešujejo.
NA ZAČETKU…
Na začetku je bil podatkovno skladišče. Skladišče podatkov je bil rojen za
sistem za obdelavo transakcij.
V zgodnjih dneh se je spominjanje Podatki tako naj bi bilo
samo kontrapunkt za obdelavo aplikacij
transakcij. Dandanes pa obstajajo veliko bolj dovršene vizije
tega, kar lahko naredi podatkovno skladišče. V današnjem svetu je
podatkovno skladišče je vstavljen znotraj strukture, ki je lahko
imenovana Corporate Information Factory.
KORPORATIVNA INFORMACIJSKA TOVARNICA
(CIF)
Tovarna korporativnih informacij ima arhitekturne komponente
standard: raven preoblikovanja in integracije kode
ki integrira i Podatki medtem ko jaz Podatki se preselijo iz okolja
nanašanje na okolje podatkovno skladišče družbe; a
podatkovno skladišče podjetja, kjer je Podatki
podrobni in integrirani zgodovinarji. The podatkovno skladišče podjetja služi kot
temelj, na katerem se lahko gradijo vsi drugi deli
okolja podatkovno skladišče; shramba operativnih podatkov (ODS).
ODS je hibridna struktura, ki vsebuje nekatere vidike podatkov
skladišče in drugi vidiki okolja OLTP; podatkovne oznake, v katerih i
različni oddelki imajo lahko svojo različico podatkov
skladišče; a podatkovno skladišče raziskovanja, v katerem i
Podjetja "misleci" lahko predstavijo svoja vprašanja
72 ur brez škodljivih učinkov na podatkovno skladišče; in spomin
blizu črte, v kateri Podatki stara in Podatki razsuti detajli so lahko
poceni shranjeni.
KJE SE ERP kombinira z
KORPORATIVNA INFORMACIJSKA TOVARNICA
ERP se na dveh mestih združi s tovarno korporativnih informacij.
Najprej kot osnovna aplikacija (osnova), ki zagotavlja
Podatki vloge za podatkovno skladišče. V tem primeru i Podatki,
ki nastane kot stranski produkt transakcijskega procesa,
so integrirani in naloženi v podatkovno skladišče družbe. The
druga točka povezave med ERP in CIF ter ODS. Dejansko mnogi
okoljih se ERP uporablja kot klasični ODS.
Če se ERP uporablja kot glavna aplikacija, se
isti ERP se lahko uporablja tudi v CIF kot ODS. V
če pa bo ERP uporabljen v obeh vlogah, tam
med obema entitetama je treba jasno razlikovati. Z drugimi besedami,
kadar ERP igra vlogo jedrne aplikacije in ODS,
dve arhitekturni entiteti se morata razlikovati. Če samski
izvajanje ERP poskuša igrati obe vlogi
hkrati pa bodo v EU neizogibno težave
načrtovanje in izvedba te strukture.
LOČENE ODS IN OSNOVNE UPORABE
Razlogov, ki vodijo do delitve komponent, je veliko
arhitekturni. Morda najbolj zgovorno vprašanje za ločevanje
različnih komponent arhitekture je, da vsaka komponenta
arhitekture ima svoj pogled. Potrebna je osnovna aplikacija
za drugačen namen kot ODS. Poskusite se prekrivati
osnovni pogled aplikacije na svet ODS ali obratno
to ni pravi način dela.
Posledično je prva težava ERP v CIF problem
preverite, ali obstaja razlika med osnovnimi aplikacijami in
cilji trajnostnega razvoja.
VZORCI PODATKOV V PODJETJU
TOVARNICA INFORMACIJ
Da bi dosegli kohezijo med različnimi komponentami
arhitekture CIF mora obstajati model Podatki.
modeli Podatki služijo kot povezava med različnimi komponentami
arhitektura, kot so osnovne aplikacije in ODS. THE
modeli Podatki postati "intelektualni načrt", da bi imeli
pravi pomen različnih arhitekturnih komponent CIF.
Skupaj s tem pojmom je ideja, da bi moralo biti
biti odličen in edinstven model Podatki. Očitno mora
biti model Podatki za vsako komponento in še več
to mora biti smiselna pot, ki povezuje različne modele.
Vsaka komponenta arhitekture - ODS, osnovne aplikacije,
podatkovno skladišče podjetja, in tako naprej .. – potrebuje svoje
model Podatki. In zato mora obstajati natančna opredelitev
kot ti modeli Podatki med seboj se povezujejo.
PREMAKI I PODATKI DATUMA ERP
SKLADIŠČE
Če je izvor Podatki je osnovna aplikacija in / ali ODS, kadar
ERP vložki i Podatki v podatkovno skladišče, ta vnos mora
pojavljajo na najnižji ravni "razdrobljenosti". Povzetek oz
preprosto agregat i Podatki ko pridejo ven
od izhodiščne uporabe ERP ali ODS ERP ni
prava stvar. THE Podatki podrobnosti so potrebne v datumu
osnovo procesa DSS. Taka Podatki
v mnogih pogledih jih bodo preoblikovali podatki in raziskave
od podatkovno skladišče.
Premik Podatki iz osnovnega okolja aplikacije
ERP v okolje podatkovno skladišče podjetja se izvaja v a
dokaj sproščeno. Ta premik se zgodi po tem
približno 24 ur od posodobitve ali ustvarjanja v ERP. Dejstvo
imajo "leno" gibanje bogov Podatki v podatkovno skladišče
podjetja dovoljuje Podatki prihajajo iz ERP, da se "poravnajo".
Ko sem enkrat Podatki deponirani v osnovni prijavi,
potem lahko varno premaknete i Podatki ERP
v podjetju. Še en cilj, dosegljiv zaradi gibanja
"Leni" bogovi Podatki je jasno razmejitev med operativnimi procesi in
DSS. S "hitrim" premikanjem Podatki ločnica
med DSS in operativnimi ostaja nejasna.
Gibanje Podatki od ODS ERP do podatkovno skladišče
podjetja opravljajo občasno, običajno
tedensko ali mesečno. V tem primeru gibanje
Podatki temelji na potrebi po "čiščenju" starega Podatki zgodovinarji.
Seveda ODS vsebuje i Podatki ki so veliko novejše
spoštovanje do Podatki zgodovinarji našli v podatkovno skladišče.
Premik Podatki v podatkovno skladišče se skoraj nikoli ne dela
"Prodaja na debelo" (na debelo). Kopirajte tabelo
iz okolja ERP v podatkovno skladišče to nima smisla. En pristop
veliko bolj realno je premik izbranih enot Podatki.
Samo Podatki ki so se spremenile od zadnje posodobitve datuma
skladišče so tiste, ki jih je treba premakniti v podatke
skladišče. Eden od načinov, kako vedeti, katere Podatki so bili spremenjeni
od zadnje posodobitve je pogled na časovne žige Podatki
najdemo v okolju ERP. Oblikovalec izbere vse spremembe
ki so se zgodile od zadnje posodobitve. Drug pristop
je uporaba tehnik pridobivanja sprememb Podatki. Z
te tehnike se analizirajo z dnevnimi in dnevnimi trakovi
določite, katere Podatki je treba premakniti iz okolja ERP v
To od podatkovno skladišče. Te tehnike so najboljše pri
koliko dnevnikov in trakov z dnevniki je mogoče prebrati iz datotek ERP
brez nadaljnjih učinkov na druge vire ERP.
DRUGI ZAPLETI
Ena od težav z ERP v CIF je, kaj se dogaja z drugimi
viri aplikacij ali ai Podatki ODS, ki mora prispevati k
podatkovno skladišče vendar niso del okolja ERP. Datum
zaprta narava ERP, zlasti SAP, poskus integracije
tipke iz zunanjih virov Podatki z i Podatki ki prihajajo iz ERP v
čas za premik i Podatki v podatkovno skladišče, to je velik izziv.
In koliko natančno je verjetnosti, da i Podatki prijav oz
ODS zunaj ERP okolja bodo vključeni v podatke
skladišče? Verjetnosti so dejansko zelo visoke.
NAJTI PODATKI ZGODOVINE IZ ERP
Druga težava z Podatki ERP je rezultat
od potrebe, da bi imeli Podatki zgodovinarji znotraj podatkovno skladišče.
Običajno podatkovno skladišče potrebe Podatki zgodovinarji. JE
običajno jih tehnologija ERP ne shrani Podatki
zgodovinski, vsaj ne do točke, ko je to potrebno na datum
skladišče. Ko je velika količina Podatki zgodovinarji začnejo
je treba dodati v okolje ERP, takšno okolje mora biti
počiščeno. Denimo, da a podatkovno skladišče mora
biti naložen s petimi leti Podatki zgodovinsko, medtem ko ERP drži
največ šest mesecev od tega Podatki. Dokler je podjetje z
zbirajo različne Podatki zgodovinski, ko čas mineva,
potem ni nobenih težav pri uporabi ERP kot vira za
podatkovno skladišče. Toda ko je podatkovno skladišče moram iti
nazaj v čas in si vzemi bogove Podatki zgodovinarji, ki še niso bili
ki jih je prej zbral in shranil ERP, nato okolje ERP
postane neučinkovit.
ERP IN METADATA
Še en premislek, ki ga je treba upoštevati pri ERP e podatkovno skladišče je to
o obstoječih metapodatkih v okolju ERP. Pa tudi metapodatki
se iz okolja ERP preselijo v del podatkovno skladišče,
metapodatke je treba premikati na enak način. Nadalje, tj
metapodatke je treba preoblikovati v obliki in strukturi
zahteva infrastruktura podatkovno skladišče. Tam je velik
razlika med operativnimi metapodatki in metapodatki DSS. Metapodatki
operativni so v glavnem za razvijalce in za
programer. Metapodatki DSS so namenjeni predvsem uporabniku
konec. Obstoječi metapodatki v aplikacijah ERP ali ODS
treba jih je pretvoriti in ta pretvorba ni vedno enostavna
in neposredno.
VIR ERP PODATKOV
Če se ERP uporablja kot ponudnik Podatki za podatkovno skladišče ci
to mora biti trden vmesnik, ki premika i Podatki iz okolja
ERP do okolja podatkovno skladišče. Vmesnik mora:
▪ biti enostaven za uporabo
▪ omogočiti dostop do Podatki ERP
▪ razumeti pomen Podatki ki se bodo kmalu premaknili
v podatkovno skladišče
▪ poznati omejitve ERP, ki bi lahko nastale leta
čas, ko se prijavite v Podatki ERP:
▪ referenčna integriteta
▪ hierarhični odnosi
▪ implicitni logični odnosi
▪ konvencija o prijavi
▪ vse strukture Podatki podpira ERP in tako naprej ...
▪ biti učinkovit pri dostopu Podatki, z zagotavljanjem:
▪ neposredno premikanje Podatki
▪ pridobitev sprememb Podatki
▪ podpirati pravočasen dostop do Podatki
▪ razumeti obliko Podatki, in tako naprej…
VMESNIK SAP
Vmesnik je lahko dve vrsti, domači ali komercialni.
Nekateri glavni komercialni vmesniki vključujejo:
▪ SAS
▪ Prims rešitve
▪ D2k in tako naprej ...
VEČ ERP TEHNOLOGIJ
Obravnavanje ERP okolja, kot da gre za eno samo tehnologijo, je a
velika napaka. Obstaja veliko ERP tehnologij, vsaka s svojo
prednosti. Najbolj znani prodajalci na trgu so:
▪ SAP
▪ Oracle Financials
▪ PeopleSoft
JD Edwards
▪ Baans
SAP
SAP je največja in najbolj popolna ERP programska oprema. Aplikacije
SAP zajemajo številne vrste aplikacij na številnih področjih. SAP je
sloves:
▪ zelo velik
▪ zelo težko in drago za izvedbo
▪ potrebuje veliko ljudi in svetovalcev
izvedeno
▪ za izvajanje potrebuje strokovnjake
▪ dolgo se izvaja
Poleg tega ima SAP sloves, da si sam zapomni Podatki zelo
previdno, tako da človek težko dostopa do njih
oseba zunaj območja SAP. Moč SAP-a mora biti
sposobni zajeti in shraniti veliko količino Podatki.
SAP je pred kratkim napovedal svojo namero razširitve
njegove aplikacije za podatkovno skladišče. Obstaja veliko prednosti in slabosti
pri uporabi SAP kot ponudnika podatkovno skladišče.
Ena od prednosti je, da je SAP že nameščen in da večina
svetovalci že poznajo SAP.
Slabosti, če imate SAP kot dobavitelja podatkovno skladišče sta
mnogi: SAP nima izkušenj v svetu podatkovno skladišče
Če je SAP dobavitelj podatkovno skladišče, je treba "vzeti ven"
i Podatki od SAP do podatkovno skladišče. Datum SAP-ov doslej
zaprti sistem, je malo verjetno, da bi i iz SAP-a prišel v
to (???). Obstaja veliko podedovanih okolij, ki poganjajo SAP,
kot so IMS, VSAM, ADABAS, ORACLE, DB2 itd.
SAP vztraja pri pristopu "tukaj ni izumljeno". SAP noče
sodelovati z drugimi prodajalci pri uporabi ali ustvarjanju podatkovno skladišče.
SAP vztraja, da mora vso svojo programsko opremo ustvariti sam.
Čeprav je SAP veliko in močno podjetje, dejstvo
poskuša prepisati tehnologijo ELT, OLAP, upravljanje
sistem in celo osnovno kodo dbms to je preprosto noro.
Namesto da bi sprejeli odnos sodelovanja z dobavitelji
di podatkovno skladišče že dolgo je SAP sledil pristopu, ki
"vedo več". Ta odnos zadržuje uspeh, ki ga
SAP ima morda na območju podatkovno skladišče.
SAP-ova zavrnitev dovoljenja dostopa zunanjim dobaviteljem
jim takoj in graciozno Podatki. Bistvo uporabe
un podatkovno skladišče je enostaven dostop Podatki. Celotna zgodba SAP-a je
temelji na oteževanju dostopa Podatki.
Pomanjkanje izkušenj SAP-a pri obravnavanju velikih količin Podatki;
na področju podatkovno skladišče obstajajo količine Podatki od takrat še nikoli videna
SAP in za obdelavo teh velikih količin Podatki moraš ga imeti
primerna tehnologija. SAP se tega očitno ne zaveda
tehnološka ovira, ki obstaja za vstop v podatkovno polje
skladišče.
Korporativna kultura družbe SAP: SAP je ustvaril podjetje
pri pridobivanju i Podatki iz sistema. Toda za to morate imeti
drugačna miselnost. Tradicionalno so podjetja s programsko opremo, ki so bila
dober pri vnosu podatkov v okolje ni bil dober
pridobivanje podatkov, da gredo v drugo smer. Če lahko SAP to stori
Switch bo prvo podjetje, ki bo to storilo.
Skratka, vprašljivo je, ali naj podjetje izbere
SAP kot dobavitelj podatkovno skladišče. Obstajajo zelo resna tveganja
na eni strani in zelo malo nagrad na drugi strani. Obstaja pa še ena
razlog, ki odvrača izbiro družbe SAP za dobavitelja datumov
skladišče. Ker bi moralo imeti vsako podjetje enak datum
skladišče vseh drugih podjetij? The podatkovno skladišče to je srce
konkurenčna prednost. Če bi vsaka družba sprejela enako
podatkovno skladišče bi bilo težko, čeprav ne nemogoče,
doseči konkurenčno prednost. Zdi se, da SAP meni, da a
podatkovno skladišče lahko vidimo kot piškot in to je a
nadaljnji znak njihovega »pridobivanja podatkov
v ".
Noben drug ponudnik ERP ni tako prevladujoč kot SAP.
Nedvomno bodo podjetja, ki bodo sledila poti SAP
za njihovo podatkovno skladišče a domnevno ti datumi
SAP-ova skladišča bodo velika, draga in zelo zahtevna
čas za njihovo ustvarjanje.
Ta okolja vključujejo dejavnosti, kot so "obdelava bančnih blagajn",
postopki za rezervacije letalskih družb, postopki za pritožbe
zavarovanje itd. Bolj uspešen je bil sistem transakcij,
bolj očitna je bila potreba po ločitvi med operativnim procesom in
DSS (sistem za podporo odločanju). Vendar pri sistemih virov
človeški in osebni, se nikoli ne soočate z velikimi količinami
transakcij. In seveda, ko osebo zaposlijo
ali zapustite podjetje, to je zapis transakcije.
Toda v primerjavi z drugimi sistemi, sistemi s človeškimi viri in
osebni preprosto nimajo veliko transakcij. Zato je v
sistemov človeških virov in osebnih virov ni povsem očitno, da obstajajo
potrebujete DataWarehouse. V mnogih pogledih ti sistemi
predstavljajo združitev sistemov DSS.
Toda če je to treba storiti, je treba upoštevati še en dejavnik
opraviti s datawarehouse in PeopleSoft. V mnogih okoljih, tj Podatki
človeških in osebnih virov so za posel drugotni
primarno podjetje. Večina podjetij deluje
proizvodnja, prodaja, zagotavljanje storitev itd. THE
sistemi človeških in osebnih virov so običajno sekundarni (ali
podporo) za osnovno poslovno področje podjetja. Zato je
dvoumno in neprijetno a podatkovno skladišče ločeno za
podpora človeškim in osebnim virom.
PeopleSoft se v tem pogledu zelo razlikuje od SAP-a. S SAP je
obvezno, da obstaja a podatkovno skladišče. Pri PeopleSoftu ni tako
potem tako jasno. Skladišče podatkov pri PeopleSoft ni obvezno.
Najboljša stvar, ki jo lahko rečem za Podatki PeopleSoft je, da so podatki
skladišče se lahko uporablja za shranjevanje i Podatki glede
stari človeški in osebni viri. Drugi razlog za
ki bi jih podjetje želelo uporabiti a podatkovno skladišče a
v škodo okolja PeopleSoft je omogočiti dostop in
prost dostop do analiznih orodij, ai Podatki avtor PeopleSoft. Ampak
poleg teh razlogov so lahko tudi primeri, ko je zaželeno, da ne
imeti skladišče podatkov za Podatki PeopleSoft.
V povzetku
Obstaja veliko vpogledov v sestavo datuma
skladišče znotraj programske opreme ERP.
Nekateri od teh so:
▪ Smiselno je imeti a podatkovno skladišče ki je videti kot katera koli
drugače v industriji?
▪ Kako prilagodljiv je ERP podatkovno skladišče programsko opremo?
▪ ERP podatkovno skladišče programska oprema zmore količino
Podatki ki se nahaja v apodatkovno skladišče arena"?
▪ Kakšen je dosežek, ki ga navaja prodajalec ERP
soočanje enostavno in poceni, časovno, ai Podatki? (kaj
je prodajalec ERP doslej dosegel poceni dobavo,
enostaven dostop do podatkov?)
▪ Kakšno je razumevanje arhitekture DSS in
»Tovarna informacij o podjetjih« s strani prodajalca ERP?
▪ Dobavitelji ERP razumejo, kako priti do njih Podatki znotraj
okolje, pa tudi razumeti, kako jih izvoziti?
▪ Kako odprti so dosedanji instrumenti ponudnika ERP
skladiščenje?
Vsi ti premisleki morajo biti upoštevani pri določanju
kam postaviti podatkovno skladišče ki bo gostil i Podatki ERP in drugi
Podatki. Na splošno, razen če za to obstaja prepričljiv razlog
drugače je priporočljivo graditi podatkovno skladišče ven
iz okolja prodajalca ERP.
POGLAVJE 1
Pregled organizacije BI
Ključne točke:
Skladišča informacij delujejo obratno
do arhitekture poslovne inteligence (BI):
Korporativna kultura in IT lahko omejujeta uspeh v
gradnja organizacij BI.
Tehnologija ni več omejevalni dejavnik za organizacije BI. The
problem za arhitekte in načrtovalce projektov ni, če
tehnologija obstaja, vendar če lahko učinkovito izvajajo
razpoložljiva tehnologija.
Za številna podjetja a podatkovno skladišče je malo več kot depozit
pasivno razdeljevanje i Podatki uporabnikom, ki jo potrebujejo. THE Podatki
izvlečeni so iz izvornih sistemov in naseljeni v ciljne strukture
di podatkovno skladišče. Podatki lahko jih očistite tudi s celoto
sreča. Vendar pa tudi dodatna vrednost ni dodana
zbral Podatki med tem postopkom.
V bistvu pasivni DW v najboljšem primeru prinaša
samo i Podatki čista in operativna za združenja uporabnikov. Tam
ustvarjanje informacij in analitično razumevanje sta odvisna
v celoti s strani uporabnikov. Če presodim, ali je DW (Skladišče podatkov) je
uspeh je subjektiven. Če ocenjujemo uspeh na
sposobnost učinkovitega zbiranja, vključevanja in čiščenja i Podatki
podjetja na predvidljivi osnovi, potem ja, DW je uspeh.
Po drugi strani pa, če pogledamo zbirko, konsolidacijo in to
izkoriščanje informacij organizacija kot celota, torej
DW je okvara. DW zagotavlja malo ali nič vrednosti vrednosti
informacije. Posledično so uporabniki prisiljeni,
tako ustvarjajo informacijske silose. To poglavje predstavlja
popolna vizija povzetka arhitekture BI (Business
Obveščanje) podjetij. Začnimo z opisom BI in
potem bomo prešli na razprave o oblikovanju in
informacijski razvoj, v nasprotju s preprostim zagotavljanjem i Podatki
uporabnikom. Razprave so nato osredotočene na izračun
vrednost vaših prizadevanj za BI. Zaključimo z opredelitvijo, kako IBM
obravnava arhitekturne BI zahteve vaše organizacije.
Opis arhitekture
organizacija BI
Zdaj so močni transakcijsko usmerjeni informacijski sistemi
na dnevnem redu v vsakem velikem podjetju, ko se uravnava
učinkovito igrišče za podjetja po vsem svetu.
Da bi ostali konkurenčni, pa zdaj sistemi potrebujejo analitično
usmerjena k temu, da lahko revolucijo v sposobnosti podjetja s ponovnim odkrivanjem in
z uporabo informacij, ki jih že imajo. Ti sistemi
analitika izhaja iz razumevanja iz bogastva Podatki
na voljo. BI lahko izboljša delovanje vseh informacij
podjetja. Podjetja lahko izboljšajo odnose s strankami in
dobavitelji, izboljšajo dobiček izdelkov in storitev, ustvarijo
nove in najboljše ponudbe, nadzor tveganj in med mnogimi drugimi
zaslužek drastično zmanjšal porabo. Z BI vašim
podjetje končno začne uporabljati podatke o strankah
kot konkurenčno sredstvo, zahvaljujoč aplikacijam, katerih cilji so:
trgu.
Imeti pravi posel pomeni imeti dokončne odgovore na
ključna vprašanja, kot so:
▪ Kateri od naših stranke zaradi njih zaslužimo več, ali tam
pošiljajo z izgubo?
▪ Kje živijo naši najboljši stranke v povezavi z trgovina/
skladišče, ki ga pogostijo?
▪ Katere naše izdelke in storitve je mogoče prodati največ
in komu?
▪ Katere izdelke je mogoče najučinkoviteje prodati in komu?
▪ Katera prodajna akcija je bila najuspešnejša in zakaj?
▪ Kateri prodajni kanali so za katere izdelke najučinkovitejši?
▪ Kako lahko izboljšamo odnose z najboljšimi stranke?
Večina podjetij jih ima Podatki grobo odgovoriti
ta vprašanja.
Operativni sistemi ustvarjajo velike količine izdelkov,
kupec in Podatki trg s prodajnih mest, rezervacij,
iz sistemov za podporo strankam in tehnično podporo. Izziv je
izvlecite in izkoristite te informacije.
Mnoga podjetja izkoristijo le majhne dele svojega Podatki
za strateške analize.
I Podatki preostali, pogosto združeni z i Podatki ki izhajajo iz zunanjih virov, kot je i
"Vladna poročila" in druge kupljene informacije so eno
rudnik zlata, ki samo čaka na raziskovanje, ei Podatki mora
izpopolnite samo v informativnem kontekstu vašega
organizacija.
To znanje lahko uporabimo na različne načine, različno
od oblikovanja splošne korporativne strategije do
osebna komunikacija z dobavitelji prek klicnih centrov,
fakturiranje, Internet in druge točke. Današnje poslovno okolje narekuje
da se DW in z njim povezane rešitve BI še naprej razvijajo
izvajanje tradicionalnih struktur v Ljubljani Podatki kar i Podatki normalizirano na
atomske ravni in "zvezde / kocke".
Za ohranitev konkurenčnosti je potrebna združitev
tradicionalne in napredne tehnologije, da bi podprli a
prostrana analitična pokrajina.
Končno mora splošno okolje izboljšati znanje
celotnega podjetja, pri čemer se prepričajte, da so bili sprejeti ukrepi
kot posledica opravljenih analiz so koristne za vsakogar
korist.
Recimo, na primer, da uvrstite svojega stranke v kategorijah
visoko ali nizko tveganje.
Če te informacije generira rudarski model oz
drugače ga je treba vnesti v DW in omogočiti dostop do njega
kdor koli s kakršnimi koli sredstvi dostopa, kot je i
statična poročila, preglednice, tabele ali analitična obdelava v
črta (OLAP).
Vendar pa je trenutno veliko tovrstnih informacij
ostanejo v silosih Podatki posameznikov ali oddelkov, ki jih ustvarjajo
analizo. Organizacija kot celota ima malo vidnosti ali pa je sploh ni
za razumevanje. Že z mešanjem te vrste vsebine
Podatke v vašem podjetju DW lahko odstranite iz silosa
informacije in dvignite svoje okolje Dw.
Obstajata dve glavni oviri za razvoj organizacije
BI.
Najprej imamo problem same organizacije
s tem povezanih predpisov.
Čeprav si ne moremo pomagati s spremembami politike
organizacije, vam lahko pomagamo razumeti komponente
organizacija BI, njena arhitektura in kako
IBM-ova tehnologija olajša njen razvoj.
Druga ovira, ki jo je treba premagati, je pomanjkanje tehnologije
integrirano in poznavanje metode, ki opozarja na celoten prostor
BI v nasprotju z le majhno komponento.
IBM se odziva na spremembe v tehnologiji
integracije. Vaša naloga je zagotoviti načrt
samozavesten. To arhitekturo je treba razviti z
tehnologija, izbrana za integracijo brez omejitev ali vsaj z
tehnologija, ki se drži odprtih standardov. Tudi vaš
vodstvo podjetja mora zagotoviti, da je podjetje Bi
izvedeno po urniku in ne dovoliti
razvoj informacijskih silosov, ki izhajajo iz samopostrežnih storitev
dnevni redi ali cilji.
To ne pomeni, da okolje BI ni občutljivo na
odzvati se na različne potrebe in zahteve različnih uporabnikov; namesto tega pomeni
da je izvajanje teh individualnih potreb in zahtev
v korist celotne BI organizacije.
Opis arhitekture BI organizacije lahko
najdete na strani 9 na sliki 1.1
bogata mešanica tehnologij in tehnik.
Po tradicionalnem pogledu arhitektura vključuje naslednje komponente
skladišča
Atomska plast.
To je temelj, srce celotnega DW in s tem tudi
strateško poročanje.
I Podatki shranjeni tukaj bodo ohranili zgodovinsko celovitost, poročajo o
Podatki in vključujejo izpeljano metriko, pa tudi biti čist,
integriran in shranjen z uporabo izvlečenih predlog.
Vsa nadaljnja uporaba le-teh Podatki in s tem povezane informacije so
ki izhajajo iz te strukture. To je odličen vir za
pridobivanje Podatki in za poročila s strukturiranimi poizvedbami SQL
Operativni depozit v višini Podatki ali poročilo o
Podatki(Operativno shranjevanje podatkov (ODS) ali poročanje
Baza podatkov.)
To je struktura Podatki posebej zasnovan za
tehnično poročanje.
I Podatki shranjene in prenesene čez te strukture, lahko končno
razmnožujejo v skladišču skozi organizacijsko cono (uprizoritev
območje), kjer bi ga lahko uporabili za strateško poročanje.
Uprizoritveno območje.
Prva postaja za večino Podatki namenjeno okolju v Ljubljani
skladišče je organizacijsko območje.
Tukaj i Podatki so integrirani, očiščeni in preoblikovani v Podatki koristno, da
bo zapolnila strukturo skladišča
Datumski marki.
Ta del arhitekture predstavlja strukturo Podatki rabljen
posebej za OLAP. Prisotnost podatkovnih oznak, če i Podatki sta
shranjeni v shemi zvezd, ki se prekrivajo Podatki
večdimenzionalni v relacijskem okolju ali v arhivih
di Podatki zaščitena s posebno tehnologijo OLAP, kot je
Strežnik DB2 OLAP ni pomemben.
Edina omejitev je, da arhitektura olajša uporabo Podatki
večdimenzionalni.
Arhitektura vključuje tudi kritične tehnologije in tehnike Bi
ki jih ločimo kot:
Prostorska analiza
Prostor je za analitika in nepričakovano bogastvo informacij
ključnega pomena je popolna razrešitev. Vesolje lahko
predstavljajo informacije ljudi, ki živijo v določenem
lokacije, kot tudi informacije o tem, kje je ta lokacija
fizično v primerjavi s preostalim svetom.
Za izvedbo te analize morate najprej vezati svojo
informacije na koordinatah zemljepisne širine in dolžine. To je to
imenovano "geokodiranje" in mora biti del pridobivanja,
in postopek nalaganja (ETL) na ravni
atomsko vašega skladišča.
Podatkovno rudarjenje.
Pridobivanje Podatki omogoča našim podjetjem, da rastejo
število stranke, da napove prodajne trende in dopusti
upravljanje odnosov z i stranke (CRM), med drugimi pobudami v
BI.
Pridobivanje Podatki zato ga je treba integrirati s strukturami EU
Podatki DWHouse in podprto s skladiščnimi procesi za
ugotovijo učinkovito in uspešno uporabo tehnologije in
povezane tehnike.
Kot je navedeno v arhitekturi BI, je atomska raven
Dwhouse je, tako kot datamarts, odličen vir Podatki
za ekstrakcijo. Te iste strukture morajo biti tudi
prejemniki rezultatov ekstrakcije, da preverijo razpoložljivost
najširše občinstvo.
Agenti.
Obstajajo različni agenti, ki stranko pregledajo za vsako točko, npr
operacijski sistemi podjetja in isti dw. Ti agenti lahko
biti napredne nevronske mreže, usposobljene za učenje
trendi vsake točke, na primer prihodnje povpraševanje po izdelku
o pospeševanju prodaje, mehanizmih, ki temeljijo na pravilih, da se odzovejo
un datotek splet okoliščin ali celo preprosti agenti, ki
o izjemam poročajo "najvišjim direktorjem". Ti procesi se
na splošno prisoten v realnem času in ga zato mora
biti tesno povezan z gibanjem istega Podatki.
Vse te strukture Podatki, tehnologije in tehnike zagotavljajo
da ne boste preživeli noči in ustvarili organizacijo
vaš BI.
Ta dejavnost se bo razvijala postopoma za majhne
točk.
Vsak korak je neodvisen projektni projekt in se o njem poroča
kot ponovitev v vaši pobudi dw ali BI. Ponovitve
lahko vključuje izvajanje novih tehnologij, za
začnite z novimi tehnikami z dodajanjem novih struktur Podatki ,
nakladanje i Podatki dodatnega ali s širitvijo analize
okolju. Ta odstavek je obravnavan več
poglobljeno v 3. poglavju.
Poleg tradicionalnih struktur Dw in orodij Bi obstajajo še druge
funkcije vaše BI organizacije, za katero ste dolžni
oblikovanje, kot so:
Dotične točke kupca (Dotik kupca
točke).
Kot pri vsaki sodobni organizaciji obstajajo številni
stične točke kupcev, ki kažejo, kako imeti izkušnjo
pozitivno za vaše stranke. Obstajajo tradicionalni kanali, kot je i
trgovci, upravljavci stikalnih plošč, neposredna pošta, večpredstavnost in tiskanje
oglaševanje, pa tudi najnovejše kanale, kot sta e-pošta in splet, tj Podatki
je treba pridobiti izdelke z določeno kontaktno točko,
prevoženi, očiščeni, preoblikovani in nato naseljeni v zgradbah Podatki od
BI.
Osnove Podatki operativna in uporabniška združenja (
zbirke podatkov in uporabniške skupnosti).
Na koncu kontaktnih točk stranke našli boste osnove Podatki
uporaba družbenih in uporabniških skupnosti. THE Podatki obstoječe
sta Podatki tradicionalno, ki jo je treba združiti in združiti z Podatki da
pretok iz kontaktnih točk, da izpolni potrebno
informacije.
Analitiki. (Analitiki)
Primarni upravičenec okolja BI je analitik. On je tisti, ki
koristi sedanjega pridobivanja Podatki operativno, integrirano z
različnih virov Podatki , dopolnjen s funkcijami, kot je analiza
geografsko (geokodiranje) in predstavljeno v BI tehnologijah, ki
omogočajo ekstrahiranje, OLAP, napredno poročanje in analizo SQL
geografsko. Primarni vmesnik analitika do okolja
poročanje je portal BI.
Vendar pa analitik ni edini, ki ima koristi od arhitekture
BI.
Vodstvo, velika združenja uporabnikov in celo partnerji, dobavitelji in i
stranke koristi bi morali najti v poslovnem BI.
Povratna povratna zanka.
Arhitektura BI je učno okolje. Načelo
značilnost razvoja je omogočiti obstojne strukture Podatki
posodobiti s pomočjo uporabljene tehnologije BI in z dejanji
uporabnik intrapese. Primer je ocena
stranka (točkovanje strank).
Če prodajni oddelek izdela rudarski model
strankinih ocen za uporabo nove storitve, nato
oddelek prodaje ne bi smel biti edina skupina upravičencev
storitve.
Namesto tega bi moral biti del rudarskega modela
naravni pretok podatkov znotraj podjetja in ocene stranke
postati bi moral sestavni del informacijskega okolja EU
skladišče, vidno vsem uporabnikom. Bi-bi-centric IBM Suite
vključno z DB2 UDB, strežnik DB2 OLAP vključuje večino
del pomembnih komponent tehnologije, opredeljenih na sliki
1.1.
Uporabljamo arhitekturo, kot je prikazana v tej knjigi za
dajte nam raven kontinuitete in pokažite, kako vsak izdelek
IBM-a se prilega splošnemu okviru BI.
Zagotavljanje informacijske vsebine (zagotavljanje
Vsebina informacij)
Oblikovanje, razvoj in izvajanje vašega BI okolja je
težka operacija. Zasnova mora zajemati toliko
sedanje in prihodnje poslovne zahteve. Zasnova arhitekture
vključiti mora vse ugotovitve
v fazi načrtovanja. Izvršitev mora ostati
zavezan enemu samemu namenu: razvoju arhitekture BI
kot je formalno predstavljeno na risbi in temelji na zahtevah
posel.
Še posebej težko je trditi, da bo disciplina zagotovila
relativni uspeh.
To je preprosto, ker ne razvijete celotnega BI okolja
kar naenkrat, a sčasoma poteka v majhnih korakih.
Vendar je prepoznavanje komponent BI v vaši arhitekturi
pomembno iz dveh razlogov: Vodili boste pri vseh nadaljnjih odločitvah
arhitekturne tehnike.
Zavestno boste lahko zasnovali določeno uporabo tehnologije
čeprav morda ne boste dobili predstavnika, ki potrebuje
več mesecev.
Zadostno razumevanje vaših poslovnih zahtev bo vplivalo na vrsto
izdelkov, ki jih boste pridobili za svojo arhitekturo.
Zasnova in razvoj vaše arhitekture zagotavljata
da je vaše skladišče
ne naključen dogodek, temveč "dobro premišljen",
skrbno sestavljen oglas deluje umetnosti kot mozaik
mešana tehnologija.
Oblikujte informacijsko vsebino
Vsa začetna načrtovanja se morajo osredotočiti in prepoznati
glavne komponente BI, ki jih bo okolje potrebovalo
splošno v sedanjosti in prihodnosti.
Poznavanje poslovnih zahtev je pomembno.
Še preden se začne vse običajno načrtovanje,
načrtovalec projekta lahko pogosto prepozna enega ali dva
komponento takoj.
Ravnotežje komponent, ki so morda potrebne za
vaše arhitekture pa ni mogoče zlahka najti.
V fazi načrtovanja glavni del arhitekture
veže sejo za razvoj aplikacij (JAD) na iskanje
opredeliti poslovne zahteve.
Včasih je mogoče te zahteve oddati zunanjim izvajalcem
poizvedbe in poročanje.
Na primer, uporabniki to izjavijo, če želijo avtomatizirati
trenutno je treba poročilo ročno ustvariti z integracijo
dva trenutna razmerja in dodajanje izračunov, izvedenih iz
kombinacija Podatki.
Čeprav je ta zahteva enostavna, opredeljuje določeno
funkcionalnost funkcije, ki jo morate vključiti, ko
kupite orodja za poročanje za svojo organizacijo.
Oblikovalec mora upoštevati tudi dodatne zahteve za
dobite popolno sliko. Uporabniki se želijo naročiti
to poročilo?
Podmnožice poročila so ustvarjene in poslane različnim
uporabniki? Želite to poročilo videti na portalu podjetja?
Vse te zahteve so del preproste potrebe po
zamenjajte ročno poročilo, kot to zahtevajo uporabniki. Korist
teh vrst zahtev, ki jih imajo vsi, uporabniki in oblikovalci
razumevanje koncepta poročil.
Obstajajo pa tudi druge vrste podjetij, ki jih moramo načrtovati.
Ko so poslovne zahteve navedene v obliki
Poslovna strateška vprašanja, za sezonskega oblikovalca je enostavno
zaznati mere / dejstva in dimenzijske zahteve.
Slika 1.2 prikazuje merilne in dimenzijske komponente a
Poslovni problem.
Če uporabniki JAD ne znajo prijaviti svojih zahtev
v obliki poslovne težave bo oblikovalec pogosto ponudil
primeri preskoči zagon zbirke
zahteve.
Strokovni oblikovalec lahko uporabnikom pomaga razumeti ne samo
strateško trgovino, ampak tudi kako jo usposobiti.
Pristop zbiranja zahtev je obravnavan v 3. poglavju; za
zdaj želimo navesti le potrebo po oblikovanju za vse
vrste zahtev BI
Strateški poslovni problem ni le pogoj
Posel, a tudi oblikovalski namig. Če moraš odgovoriti
na večdimenzionalno vprašanje, potem si morate zapomniti,
predloži i Podatki dimenzije in če si morate zapomniti
Podatki večdimenzionalni, se moraš odločiti, kakšno tehnologijo oz
tehniko, ki jo boste uporabili.
Ali izvajate shemo rezervirane zvezde kocke ali oboje?
Kot lahko vidite, tudi preprost poslovni problem
lahko bistveno vpliva na oblikovanje. Vendar
te vrste poslovnih zahtev so običajne in seveda vsaj
izkušeni oblikovalci in načrtovalci projektov.
Dovolj je bilo razprave o tehnologijah in podpori
Na voljo je OLAP in široka paleta rešitev. Do sedaj
omenili smo, da je treba preprosto poročanje kombinirati z i
dimenzijske zahteve zasedenosti in kako te zahteve
vplivajo na tehnične arhitekturne odločitve.
Katere pa so zahteve, ki niso zlahka razumljive
s strani uporabnikov ali ekipe DW? Analize ne boste nikoli potrebovali
prostorski (prostorska analiza)?
Rudarski modeli Podatki bodo nujni del vašega
prihodnost? Kdo ve?
Pomembno je omeniti, da tovrstnih tehnologij ni veliko
poznajo splošne uporabniške skupnosti in člani skupine
Dw, deloma bi se to lahko zgodilo, ker tipično
z njimi skrbijo nekateri notranji ali neodvisni tehnični strokovnjaki. Je
skrajni primer težav, ki jih povzročajo te vrste tehnologij. Jaz
uporabniki ne morejo opisati poslovnih zahtev ali jih oblikovati
tako da lahko oblikovalcem dajo smernice, lahko
ostanite neopaženi ali, še huje, preprosto prezrti.
Bolj problematično postane, ko oblikovalec in razvijalec ne uspeta
morda prepoznajo uporabo enega od teh naprednih, vendar
kritične tehnologije.
Kot smo pogosto slišali, da so oblikovalci rekli: »no, zakaj
Ali ga ne postavimo na stran, dokler ne dobimo te druge stvari?
»Ali jih resnično zanimajo prioritete, ali se preprosto izogibajo i
zahteve, ki jih ne razumejo? To je najverjetneje zadnja hipoteza.
Recimo, da je vaša prodajna ekipa sporočila zahtevo
kot je prikazano na sliki 1.3, kot vidite,
zahteva je oblikovana v obliki poslovnega problema. Tam
razlika med tem problemom in tipičnim dimenzijskim problemom je
razdalja. V tem primeru prodajna skupina želi vedeti,
mesečno, celotna prodaja izdelkov, skladišč in
stranke ki živijo manj kot 5 milj od skladišča, v katerem so
kupujejo.
Na žalost oblikovalci ali arhitekti preprosto lahko
prezreti prostorsko komponento z besedami: "imamo stranko,
izdelek in i Podatki pologa. Držimo se razdalje do
drugo ponovitev.
"Napačen odgovor. Ta vrsta poslovnih težav zadeva
popolnoma BI. Predstavlja globlje razumevanje
naše poslovanje in močan analitični prostor za naše analitike.
BI presega preprosto poizvedbo ali standardno poročanje ali
celo OLAP. To ne pomeni, da te tehnologije ne
so pomembni za vaš BI, vendar sami po sebi ne predstavljajo
okolju BI.
Zasnova za informacijski kontekst
(Oblikovanje za informacijsko vsebino)
Zdaj, ko smo prepoznali poslovne zahteve, ki jih ločujejo
v risbo morajo biti vključeni različni temeljni sestavni deli
splošno arhitekturno. Nekatere komponente BI so del
naših začetnih prizadevanj, medtem ko se nekatera ne bodo izvajala za
nekaj mesecev.
Vse znane zahteve pa se odražajo v zasnovi tako, da
ko moramo uvesti določeno tehnologijo, smo
pripravite se na to. Nekaj ​​o projektu bo odražalo razmišljanje
tradicionale.
Na primer, slika 1.1 na začetku poglavja prikazuje datum
mart, ki ohranja Podatki dimenzionalni.
Ta sklop Podatki se uporablja za podporo poznejši uporabi
Podatki dimenzij, ki jih vodijo poslovna vprašanja, ki
smo ugotovili. Kot so dodatni dokumenti
ustvaril, kot je razvoj zasnove Podatki, mi
začeli bomo formalizirati, kako i Podatki širijo se v okolju.
Ugotovili smo, da je treba zastopati Podatki torej
dimenzionalni, ki jih deli (glede na posebne potrebe
določena) na martih.
Naslednje vprašanje, na katero je treba odgovoriti, je: kako bodo zgrajene
ti podatki?
Ali gradite zvezde, ki podpirajo kocke, ali samo kocke ali samo zvezde?
(ali desne kocke ali desne zvezde). Ustvari arhitekturo za podatke
odvisne države, ki potrebujejo atomsko plast za vse Podatki
pridobiti? Omogoči pridobivanje neodvisnih podatkovnih kart Podatki
neposredno iz operacijskih sistemov?
Katero tehnologijo kock boste poskušali standardizirati?
Imate ogromne količine bogov Podatki potreben za dimenzijsko analizo
ali potrebujete nacionalne kocke prodajne sile na enem
tedensko ali oboje? Zgradite močan predmet
kot DB2 OLAP Server za finance ali Cognos kocke
PowerPlay za prodajno organizacijo ali oboje?
To so odlične arhitekturne odločitve
bo vplivalo na vaše BI okolje od tu naprej. Ja,
ste ugotovili potrebo po OLAP. Zdaj, kako boste to izvedli
vrsta tehnike in tehnologije?
Kako nekatere naprednejše tehnologije vplivajo na vašo
risbe? Predpostavimo, da ste ugotovili potrebo
prostora v vaši organizaciji. Zdaj morate poklicati
izdaje arhitekturnih risb, čeprav nenačrtovane
več mesecev izvajati vesoljske komponente. Arhitekt mora
danes oblikujte na podlagi tega, kar je potrebno. Predvidite potrebo po
prostorska analiza, ki ustvarja, shranjuje, izvaja in zagotavlja
dostop do Podatki vesolja. To pa naj bi služilo kot
omejitev glede vrste tehnologije in specifikacij
programsko platformo, ki jo trenutno lahko upoštevate. Za
na primer upravni sistem baza podatkov relacijska
(RDBMS), ki ga morate izvesti za atomsko plast
na voljo robustna prostorska razširitev. To bi zagotovilo
največja zmogljivost pri uporabi geometrije in predmetov
prostora v vaših analitičnih aplikacijah. Če vaš RDBMS ne
zmorem i Podatki (prostorsko osredotočena) notranje, tako da boste morali
stabilna una baza podatkov (prostorskocentrični) zunanji. To otežuje
upravljanje z izdajami in ogrožanje celotne uspešnosti,
da ne omenjam dodatnih težav, ustvarjenih za vaše
DBA, saj se verjetno malo razumejo
osnov Podatki prostora tudi. Po drugi strani pa, če je vaš
RDMBS obravnava vse prostorske in sorodne komponente
optimizator se zaveda posebnih potreb (na primer
indeksiranje) prostorskih objektov, potem lahko upravljajo vaši DBA
takoj upravljajte z izdajami in lahko dvignete
izvedba.
Prav tako morate prilagoditi območje uprizoritve in sloj
atomsko okolje, da vključuje čiščenje naslovov (a
ključni element prostorske analize), pa tudi naslednje
prihranek vesoljskih predmetov. Zaporedje izdaj
oblikovanje se nadaljuje zdaj, ko smo uvedli pojem čiščenja
naslov. Za začetek bo ta aplikacija narekovala vrsto
programsko opremo, ki jo potrebujete za ETL.
Za naslov potrebujete izdelke, kot je Trillium
ali ponudnik ETL, ki ste ga izbrali za to
funkcionalnost?
Za zdaj je pomembno, da cenite raven oblikovanja, kakršen ste
izpolniti ga je treba, preden začnete izdelovati svoje
okolje (skladišče). Zgornji primeri bi morali
pokazati množico oblikovalskih odločitev, ki jim morajo slediti
opredelitev katere koli posebne poslovne zahteve. Če je končano
pravilno, te oblikovalske odločitve spodbujajo
soodvisnost med fizičnimi strukturami vašega okolja,
izbira uporabljene tehnologije in pretok razmnoževanja
informacijske vsebine. Brez te običajne arhitekture
BI, bo vaša organizacija predmet mešanice
kaotičnost obstoječih tehnologij, v najboljšem primeru združena na nek način
ni natančen za zagotavljanje navidezne stabilnosti.
Vzdrževanje informacijske vsebine
Vrednost informacij prinaša vaši organizaciji
zelo težka operacija. Brez zadostnega razumevanja
in izkušnje ali pravilno načrtovanje in risanje, tudi
propadle bi boljše ekipe. Po drugi strani pa, če imate velikega
intuicija in podrobna zasnova, vendar zanjo ni discipline
izvršitev, pravkar ste zapravili svoj denar in svoj čas
ker je vaš trud obsojen na neuspeh. Sporočilo bi moralo
bodite jasni: če vam manjka ena ali več teh
spretnosti, razumevanje / izkušnje ali načrtovanje / risanje o
disciplina izvajanja, bo to vodilo v hrom oz
uničiti konstrukcijo BI organizacije.
Je vaša ekipa dovolj pripravljena? Na tvojem je nekdo
BI skupina, ki razume široko razpoložljivo analitično pokrajino
v BI okoljih, v potrebnih tehnikah in tehnologijah
izvesti to pokrajino? V vaši ekipi je nekdo
ki lahko prepozna aplikacijsko razliko med naprednimi
statično poročanje in OLAP ali razlike med ROLAP in OLAP? Eden od
člani vaše ekipe jasno prepoznajo pot
izvleček in kako lahko vpliva na skladišče ali kako
lahko skladišče podpira rudarske zmogljivosti? Član
ekipe razume vrednost Podatki vesolja ali tehnologije
na osnovi agentov? Ali imate koga, ki ceni edinstveno aplikacijo
orodij ETL v primerjavi s posredniško tehnologijo
sporočilo? Če ga nimate, si ga priskrbite. BI je veliko več
velik normalizirane atomske plasti OLAP shem a
zvezda in ODS.
Imeti razumevanje in izkušnje za prepoznavanje zahtev
BI in njihove rešitve so bistvenega pomena za vaše sposobnosti
pravilno formalizirati potrebe uporabnikov in oblikovati
in izvajajo njihove rešitve. Če ima vaša uporabniška skupnost
pri opisovanju zahtev je naloga ekipe
skladišče zagotoviti ta vpogled. Ampak, če ekipa
skladišče
ne prepozna posebne uporabe BI - na primer podano
rudarstvo - potem to ni najboljša stvar, ki jo počnejo BI okolja
pogosto omejeni na pasivne vloge. Vendar jih prezrite
tehnologije ne zmanjšuje njihovega pomena in učinka, ki ga imajo
o pojavu vaših možnosti poslovne inteligence
organizacijo, pa tudi informacijsko strukturo, ki jo oblikujete
promovirati.
Oblika mora vključevati pojem oblikovanja, ur
oba zahtevata kompetentnega posameznika. Poleg tega oblikovanje
zahteva timsko filozofijo in opazovanje
standardi. Na primer, če ga je vaše podjetje ustanovilo
standardno platformo ali je identificiral določen RDBMS, ki ste ga
želijo poenotiti po celotni platformi, se zdi, da je to
vsi v ekipi se držijo teh standardov. Na splošno ena
ekipa izpostavlja potrebo po normalizaciji (uporabniku
communites), vendar se sama ekipa ne želi pridružiti
standardi, uveljavljeni tudi na drugih področjih v podjetju ali morda celo v
podobna podjetja. Ta ne samo da je hipokritičen, ampak zagotavlja, da ga podjetje ne
je sposoben izkoristiti obstoječe vire in naložbe. To ne pomeni
da ni situacij, ki bi zagotavljale platformo ali eno
nestandardna tehnologija; pa prizadevanja skladišča
naj ljubosumno varujejo standarde podjetja do
da poslovne zahteve ne narekujejo drugače.
Tretja ključna komponenta, potrebna za izdelavo BI-ja
organizacija je disciplina.
Odvisno je v celoti, enako od posameznikov in okolja.
Načrtovalci projektov, sponzorji, arhitekti in uporabniki morajo to ceniti
disciplina, potrebna za oblikovanje informacijske strukture podjetja.
Oblikovalci morajo svoja projektna prizadevanja usmerjati tako, da
dokončati druga potrebna prizadevanja v družbi.
Denimo, da vaše podjetje gradi a
ERP aplikacija, ki ima komponento skladišča.
Zato je odgovornost oblikovalcev ERP, da sodelujejo z
skladiščnega okolja, da tudi ne bi tekmovali
dvojnik že začetega dela.
Tudi disciplina je predmet, ki ga je treba zasesti
s strani celotne organizacije in je običajno ustanovljena in zaupana a
izvršilni ravni.
Ali so vodstveni delavci pripravljeni upoštevati zasnovan pristop? A
pristop, ki obljublja ustvarjanje informacijske vsebine, ki bo
konec bo prinesel vrednost na vseh področjih podjetja, vendar morda
ogroža posameznike ali dnevni red oddelkov? Ne pozabite na rek
"Razmišljanje o vsem je bolj pomembno kot razmišljanje o eni stvari."
Ta rek velja za organizacije BI.
Na žalost veliko skladišč usmerja svoja prizadevanja
poskušam nagovoriti in prinesti vrednost določenemu oddelku ali
določenih uporabnikov, z malo pozornosti na organizacijo v
splošno. Recimo, da izvršni direktor prosi za pomoč
hišica Ekipa odgovori z 90-dnevnim delom, ki
ne vključuje le dostave zahtev za obveščanje, opredeljenih v
izvršni, vendar zagotavlja, da vsi Podatki osnove se mešajo v nivoju
pred uvedbo v tehnologijo kock
snubitev.
Ta inženirski dodatek zagotavlja, da podjetje
werehouse bo imel koristi Podatki potrebno za upravitelja.
Vendar je izvršni direktor to povedal zunanjim svetovalnim podjetjem
so predlagali podobno vlogo z dostavo v manj kot 4
tednov.
Ob predpostavki, da je interna ekipa hišnih hišic usposobljena,
izvršni direktor ima izbiro. Kdo lahko podpira disciplino
dodaten inženiring, potreben za gojenje dobrega
informacijsko podjetje ali pa se odločijo za lastno
rešitev hitro. Slednje se zdi izbrano zares
prepogosto in služi le za ustvarjanje vsebnikov informacij
od česar imajo koristi nekateri ali posamezniki.
Kratkoročni in dolgoročni cilji
Arhitekti in načrtovalci projektov morajo formalizirati a
dolgoročno vizijo celotne arhitekture in načrte za
rasti v organizaciji BI. Ta kombinacija
kratkoročni dobiček in dolgoročno načrtovanje
predstavljata dva obraza prizadevanj BI. Kratkoročni dobiček
iztek je vidik BI, ki je povezan s ponovitvami
vaše skladišče.
Na to se osredotočajo načrtovalci, arhitekti in sponzorji
izpolnjujejo posebne poslovne zahteve. Na tej ravni je
so zgrajene fizične strukture, kupljena tehnologija in
tehnike se izvajajo. Nikakor niso narejeni za obraz
posebne zahteve, kot jih opredelijo posamezne uporabniške skupnosti.
Vse je narejeno tako, da se izpolnijo opredeljene specifične zahteve
iz določene skupnosti.
Dolgoročno načrtovanje pa je drugi vidik
od BI. To so zagotovili načrti in zasnove
zgradili katero koli fizično strukturo, izbrane tehnologije in
realizirane tehnike, narejene s pogledom na podjetje. In
dolgoročno načrtovanje, ki zagotavlja kohezijo
potrebno za zagotovitev, da imajo poslovne koristi vsi
ugotovljene kratkoročne dobičke.
Upravičite svoj BI trud
Un podatkovno skladišče samo po sebi nima inherentne vrednosti. V drugem
povedano, teh tehnologijah ni lastne vrednosti
skladiščne in izvedbene tehnike.
Vrednost vsakega skladiščnega truda je v dejanjih
izvedeno kot posledica skladiščnega okolja in vsebine
informacije, ki so se gojile skozi čas. To je kritična točka za razumevanje
preden poskusite oceniti vrednost katere koli pobude
wherehouse.
Arhitekti in načrtovalci prepogosto poskušajo uporabiti vrednost
skladiščne fizične in tehnične komponente, ko je dejansko vrednost
ustanovi s poslovnimi procesi, na katere pozitivno vpliva
skladišče in dobro pridobljene informacije.
Tukaj je izziv za ustanovitev BI: Kako upravičite naložbo?
Če hiša sama po sebi nima prave vrednosti, so oblikovalci
projekt mora raziskati, opredeliti in formalizirati koristi
dosegli tisti posamezniki, ki bodo skladišče uporabljali za
izboljšati določene poslovne procese ali vrednost
zaščitene informacije ali oboje.
Zakomplicirati teme, vsak poslovni proces
na katere vplivajo skladiščna prizadevanja, lahko prinese koristi
»precejšen« ali »neznaten«. Precejšnje prednosti zagotavljajo a
oprijemljiva metrika za merjenje donosnosti naložbe (ROI) – npr
na primer obrniti zalogo še enkrat v določenem obdobju
specifične ali za nižje stroške transporta na pošiljko. Je več
Težko je opredeliti manjše prednosti, kot je izboljšan dostop do
informacije v smislu opredmetene vrednosti.
Povežite svoj projekt, če želite izvedeti
poslovne zahteve
Oblikovalci projektov prepogosto poskušajo povezati vrednost
skladišča z amorfnimi cilji podjetja. ki navaja, da
»Vrednost skladišča temelji na naši sposobnosti
zadovoljiti strateške zahteve« prijetno odpremo
govor. Vendar samo to ni dovolj, da bi ugotovili, ali
investicija v skladišče je smiselna. Bolje je povezati ponovitve
skladišča s posebnimi komercialnimi zahtevami in opombami.
Izmerite ROI
Izračun ROI v okolju skladišča je lahko
še posebej težko. Še posebej težko je, če vodi
glavnica določene ponovitve je nekaj neotipljivega oz
enostaven za merjenje. Študija je pokazala, da uporabniki zaznavajo
Dve glavni prednosti pobud BI:
▪ Ustvarite sposobnost odločanja
▪ Ustvarite dostop do informacij
Te koristi so mehke (ali blage). To je enostavno videti
kako lahko izračunamo ROI na podlagi trdega roba (o
večje), kot je znižanje stroškov prevoza, ampak kako
ali merimo sposobnost sprejemanja boljših odločitev?
To je vsekakor izziv za načrtovalce projektov, ko
poskušajo prepričati podjetje, da investira v eno posebno
skladiščni napor. Povečanje prodaje ali zmanjšanje stroškov
niso več osrednje teme, ki poganjajo BI okolje.
Namesto tega iščete dostop v poslovnih zahtevah
najboljše do informacij, tako da lahko določen oddelek
sprejemati odločitve hitreje. To so strateška gonila a
ki so za podjetje enako pomembni, vendar so
bolj dvoumen in ga je težje opredeliti v oprijemljivi meritvi.
V tem primeru je izračun ROI lahko zavajajoč, če ne celo nepomemben.
Oblikovalci projektov morajo biti sposobni dokazati vrednost
oprijemljivo, da se vodstveni delavci odločijo, ali bo naložba v
posamezna ponovitev šteje. Ne bomo pa predlagali novega
metodo za izračun donosnosti naložbe, prav tako ne bomo dajali nobenega zagovora ali argumenta
proti temu.
Na voljo je veliko člankov in knjig, ki obravnavajo osnove za
izračunajte ROI. Obstajajo posebni predlogi vrednosti, kot je vrednost
o naložbah (VOI), ki jih ponujajo skupine, kot je Gartner, da lahko
raziskovati. Namesto tega se bomo osredotočili na bistvene vidike katerega koli
Donosnost naložbe ali druge vrednosti, ki jih morate upoštevati.
Uporaba ROI
Poleg argumenta o "trdih" koristih proti "mehkim" koristim
V zvezi s prizadevanji za poslovno inteligenco je treba upoštevati še druga vprašanja
ko uporabimo ROI. Na primer:
Pripisovanje preveč prihrankov prizadevanjem za DW, ki bi prišla
v vsakem primeru
Recimo, da je vaše podjetje prešlo iz arhitekture
velikega računalnika v porazdeljeno okolje UNIX. Torej katerikoli
prihranke, ki se lahko (ali ne) dosežejo s tem prizadevanjem
ne bi smeli pripisovati izključno, če vsem (?), na
skladišče.
Če ne upoštevate vsega, je drago. In obstaja veliko stvari
upoštevaj. Razmislite o naslednjem seznamu:
▪ Stroški zagona, vključno z izvedljivostjo.
▪ Stroški namenske strojne opreme s pripadajočim pomnilnikom e
komunikacije
▪ Stroški programske opreme, vključno z upravljanjem Podatki in razširitve
odjemalec/strežnik, programska oprema ETL, tehnologije DSS, orodja
aplikacije za vizualizacijo, razporejanje in pretok
programska oprema za delo in sledenje, .
▪ Stroški načrtovanja konstrukcije Podatki, z realizacijo, in
optimizacija
▪ Stroški razvoja programske opreme, neposredno povezani s trudom
BI
▪ Stroški domače podpore, vključno z optimizacijo
zmogljivost, vključno z nadzorom različic programske opreme e
pomoč pri operacijah
Uporabite "Big-Bang" ROI.
Realizacija skladišča kot en sam in velikanski napor
zagotovo ne bo uspelo, zato izračunajte tudi donosnost naložbe za pobudo
velikega podjetja Ponudba preseneča, in da oblikovalci
še naprej slabotno poskuša oceniti vrednost celote
trud.
Ker oblikovalci poskušajo dati denarno vrednost
na pobudo podjetja, če je to splošno znano in sprejeto
ali je ocenjevanje specifičnih ponovitev težko? kako je možno Ni
mogoče z redkimi izjemami. Ne počni tega.
Zdaj, ko smo ugotovili, česa ne smemo storiti pri izračunu
ROI, tukaj je nekaj točk, ki nam bodo pomagale pri opredelitvi
zanesljiv postopek za ocenjevanje vrednosti vaših BI prizadevanj.
Pridobitev soglasja ROI. Ne glede na vašo
izbiro tehnike za oceno vrednosti vaših prizadevanj za poslovno inteligenco
strinjajo vse strani, vključno z načrtovalci projekta,
korporativni sponzorji in direktorji.
Razdelite ROI na prepoznavne dele. Nujen korak k notri
razumen izračun donosnosti naložbe je ta izračun osredotočiti na a
konkreten projekt. To vam nato omogoči oceno vrednosti
na podlagi posebnih poslovnih zahtev, ki so izpolnjene
Določite stroške. Kot že omenjeno, morajo biti številni stroški
upoštevati. Poleg tega stroški ne smejo vključevati le povezanih stroškov
na posamezno ponovitev, ampak tudi na s tem povezane stroške
zagotoviti skladnost s korporativnimi standardi.
Določite ugodnosti. Z jasno povezavo ROI z zahtevami
posebne posle, bi morali biti sposobni prepoznati
koristi, ki bodo vodile k izpolnjevanju zahtev.
Zmanjšajte stroške in koristi v neizbežnih dobičkih. To je pot
najboljši način za utemeljitev vaših vrednotenj na neto sedanji vrednosti
(NPV) za razliko od poskusov napovedovanja prihodnje vrednosti v
prihodnji zaslužek.
Naj bo čas za razdelitev donosnosti naložbe minimalen. IN'
dobro dokumentiran v dolgem času uporabe v vašem
ROI
Uporabite več kot eno formulo ROI. Obstajajo številne metode za
Napoved donosnosti naložbe in načrtujte, ali boste uporabili eno ali
plus, vključno z neto sedanjo vrednostjo, notranja hitrost povratne informacije
(IRR) in okrevanje.
Določite ponovljivi proces. To je ključnega pomena za izračun
kakršno koli dolgoročno vrednost. Treba je dokumentirati a
en ponovljiv proces za vse podzaporedje projekta a
slediti.
Naštete težave so najpogostejše, ki jih opredeljujejo strokovnjaki
bivalnega okolja. Vztrajanje vodstva pri
Donosnost naložbe »Big-Bang« je zelo zmedena. Če začnete vse
svoje izračune donosnosti naložbe tako, da jih razdelite na prepoznavne, oprijemljive dele
dobra priložnost za oceno natančne ocene donosnosti naložbe.
Vprašanja o prednostih ROI
Ne glede na vaše prednosti, mehke ali trde, jih lahko uporabite
nekaj temeljnih vprašanj za določitev njihove vrednosti. Za
na primer z uporabo preprostega sistema lestvic, od 1 do 10, vi
lahko spremljate učinek kakršnega koli truda z naslednjim
zahteve:
▪ Kako bi ocenili razumevanje Podatki po tem
projekt vašega podjetja?
▪ Kako bi ocenili izboljšave procesov kot rezultat
ta projekt?
▪ Kako bi zdaj izmerili vpliv novih spoznanj in sklepanj
na voljo s to ponovitvijo
▪ Kakšen je bil vpliv novih računalniških okolij e
uspešnosti kot rezultat naučenega?
Če je odgovorov na ta vprašanja malo, je možno, da
podjetje ni vredno vložene naložbe. Vprašanja z visoko
rezultat kažejo na pomembne pridobitve vrednosti in bi morali
služijo kot vodila za nadaljnjo preiskavo.
Na primer, visoka ocena za izboljšave procesov
načrtovalce bi moralo usmeriti v to, kako potekajo procesi
izboljšan. Morda boste ugotovili, da so nekateri ali vsi dobički doseženi
so oprijemljivi in ​​zato lahko dobijo denarno vrednost
uporabljeno.
Kako čim bolje izkoristiti prvo ponovitev
skladišče
Največji rezultat vašega poslovnega truda je pogosto v
prvih nekaj ponovitev. Ta zgodnja prizadevanja tradicionalno
vzpostaviti najbolj uporabno informacijsko vsebino za javnost e
vzpostavlja pomoč za temelje tehnologije za pozneje
BI aplikacije.
Običajno vsako naslednje zaporedje Podatki projekta od
skladišča prinašajo vse manj dodatne vrednosti podjetju
splošno. To še posebej velja, če ponovitev ne uspe
dodaja nove argumente ali ne izpolnjuje potrebe po novem
skupnosti uporabnikov.
Ta funkcija shranjevanja velja tudi za sklade
raste z Podatki zgodovinarji. Ker kasnejši napori zahtevajo več
Podatki in še kako Podatki se sčasoma zlijejo v skladišče, večina
Podatki postane manj pomemben za uporabljeno analizo. te Podatki sta
pogosto imenovani Podatki spi in jih je vedno drago obdržati, ker
se skoraj nikoli ne uporabljajo.
Kaj to pomeni za sponzorje projekta? V bistvu, i
prvi sponzorji delijo več kot stroške naložbe.
To je primarno, ker so spodbuda za ustanovitev plasti
velika skladiščna sredstva in tehnološko okolje,
vključno z organskimi.
Toda ti prvi koraki imajo največjo vrednost in s tem oblikovalci
projekta mora pogosto upravičiti naložbo.
Projekti, izvedeni po vaši pobudi za poslovno inteligenco, imajo lahko stroške
slabši (v primerjavi s prvim) in neposredni, vendar imajo manjšo vrednost
podjetju.
In lastniki organizacij morajo začeti razmišljati
metati kopičenje Podatki in manj relevantne tehnologije.
Podatkovno rudarjenje: ekstrakcija Podarite
Številne arhitekturne komponente zahtevajo različice
tehnologije in tehnike podatkovnega rudarjenja—
na primer različni "agenti" za preučevanje zanimivih točk
stranke, operacijske sisteme podjetja in za isti dw. te
agente je mogoče usposobiti za napredne nevronske mreže
pot trendov, kot je prihodnje povpraševanje po izdelku, ki temelji na
pospeševanje prodaje; motorji, ki temeljijo na pravilih za
reagirati na niz datotek okoliščin, na primer diagnoze
medicinska priporočila in priporočila za zdravljenje; ali celo preprosti agenti
z vlogo poročanja o izjemah višjim menedžerjem (vrh
vodilni delavci). Na splošno ti postopki ekstrakcije Podatki si
preverjanje v realnem času; zato morajo biti enotni
popolnoma z gibanjem Podatki sebe.
Spletna analitična obdelava Obdelava
Spletna analitika
Sposobnost rezanja, kocke, valjanja, vrtanja
in opravite analizo
kaj-če je znotraj obsega, cilj zbirke
IBM tehnologija. Na primer funkcije analitične obdelave
na spletu (OLAP) obstaja za DB2, ki prinaša dimenzijsko analizo v
motor od Baza podatkov enako .
Funkcije dodajajo dimenzionalno uporabnost SQL medtem
izkoristite vse prednosti naravnega dela DB2. Še ena
primer integracije OLAP je orodje za ekstrakcijo DB2
Strežnik OLAP Analyzer. Ta tehnologija omogoča kocke
Strežnik DB2 OLAP naj bo hitro in samodejno
analizirati za iskanje in poročanje o vrednostih Podatki nenavaden ali nepričakovan
za vse kocke analitiku trgovanja. In končno, funkcije
DW Center arhitektom med drugim nudi sredstva za preverjanje
druge stvari, profilirajte kocko strežnika DB2 OLAP kot del
narava procesov ETL.
Prostorska analiza Prostorska analiza
Prostor predstavlja polovico analitičnih sider (prevodov).
potrebno za panoramo
široko analitično (čas predstavlja drugo polovico). Atomski nivo
(atomski nivo) skladišča, predstavljenega na sliki 1.1,
vključuje osnove za čas in prostor. Posnetki
Analiza sidra na podlagi časa za informacije o času in naslovu
analiza sidra iz vesolja. Časovni žigi
pravočasno opravite analizo in naslovite informacije
prostorska analiza. Diagram prikazuje postopek geokodiranja
pretvorbo naslovov v točke na zemljevidu ali točke v prostoru
tako da so pojmi, kot sta razdalja in znotraj/zunaj, lahko
uporabljena v analizi – izvedena na atomski ravni in prostorska analiza
ki je na voljo analitiku. IBM ponuja razširitve
prostor, razvit z Inštitutom za raziskovanje okoljskih sistemov (ESRI),
al Baza podatkov DB2, tako da so lahko prostorski objekti
ohraniti kot običajen del Baza podatkov relacijski. db2
Spatial Extenders, nudijo tudi vse razširitve SQL za
izkoristi prostorske analize. Na primer razširitve SQL iz
vprašanje o
razdalja med naslovi ali če je točka znotraj ali zunaj območja
opredeljeni poligonalni, so analitični standard s prostorsko
podaljški. Za več informacij glejte 16. poglavje.
Baze podatkov-Rezidentna orodja Orodja Baze podatkov-
Rezident
DB2 ima veliko funkcij za pomoč pri SQL BI
v akciji analize. Tej vključujejo:
▪ Rekurzijske funkcije za izvajanje analize, kot je »najdi
vse možne poti letenja iz San Francisco a NY".
▪ Analitične funkcije za rangiranje, kumulativne funkcije, kocka
in združevanja za olajšanje opravil, ki se običajno pojavljajo
samo s tehnologijo OLAP, so zdaj naravni del
motor od Baza podatkov
▪ Sposobnost ustvarjanja tabel, ki vsebujejo rezultate
Prodajalci od Baza podatkov vodje mešajo več kot zmogljivosti poslovne inteligence
v Baza podatkov enako.
Glavni dobavitelji baza podatkov mešajo več kot
funkcionalnosti BI v Baza podatkov enako.
To zagotavlja najboljšo zmogljivost in več možnosti izvajanja datotek
BI rešitve.
Obravnavane so značilnosti in funkcije DB2 V8
podrobno v naslednjih poglavjih:
Tehnična arhitektura in osnove upravljanja podatkov
(5. poglavje)
▪ Osnove DB2 BI (6. poglavje)
▪ Tabele materializiranih poizvedb DB2 (Materializirana poizvedba
tabele) (7. poglavje)
▪ Funkcije DB2 OLAP (13. poglavje)
▪ DB2 Enhanced BI lastnosti in funkcije (Enhanced BI
Lastnosti in funkcije) (15. poglavje)
Poenostavljen sistem dostave podatkov
Sistem dostave Podatki poenostavljeno
Arhitektura, prikazana na sliki 1.1, vključuje več
opornica Podatki fizično. Eno je skladišče Podatki operativni.
Na splošno je ODS objektno usmerjen,
integrirano in aktualno. Ali bi zgradili ODS za podporo, npr
na primer prodajna pisarna. Prodaja ODS bi dopolnila Podatki
iz številnih različnih sistemov, ampak bi ohranili le npr
na primer današnje transakcije. ODS je mogoče posodobiti
tudi večkrat na dan. Hkrati pa procesi
potisni i Podatki integriran v druge aplikacije. Ta objekt je
posebej zasnovan za integracijo Podatki trenutni in dinamični e
bi bil verjeten kandidat za podporo analitike v realnem času,
kako zagotoviti servisne agente stranke informacije o prodaji
tokove strank z pridobivanjem informacij o prodajnih trendih
iz samega skladišča. Druga struktura, prikazana na sliki 1.1, je
formalni status za dw. Ne samo, da je to kraj za
izvedba potrebne integracije, kakovost Podatki, In
preoblikovanja Podatki na zalogi, vendar je tudi
zanesljivo in začasno skladišče za Podatki to repliciral
se lahko uporablja v analitiki v realnem času. Če se odločite za
uporabite ODS ali prostor za pripravo, eno
najboljših orodij za poselitev teh struktur Podatki uporabo
različnih operativnih virov je heterogena porazdeljena poizvedba DB2.
To zmožnost zagotavlja izbirna funkcija DB2
imenovan DB2 Relational Connect (samo poizvedbe) in prek DB2
DataJoiner (ločen izdelek, ki dostavi vprašanje,
vložek, posodobitev in možnost preklica a
heterogeno porazdeljene RDBMS).
Ta tehnologija arhitektom omogoča Podatki vezati Podatki di
proizvodnja z analitičnimi postopki. Ne samo tehnologija
prilagoditi tako rekoč kateri koli zahtevi za replikacijo, ki
morda bodo prišli do analize v realnem času, vendar
lahko se povežejo tudi z najrazličnejšimi bazami Podatki več
priljubljena, vključno z DB2, Oracle, Sybase, SQL Server,
Informix in drugi. DB2 DataJoiner lahko uporabite za zapolnitev
struktura Podatki formalno kot ODS ali celo miza
stalno zastopano v skladišču, namenjenem obnovi
hitre takojšnje posodobitve ali naprodaj. seveda,
te iste strukture Podatki se lahko napolni z uporabo
še ena pomembna tehnologija, namenjena podvajanju Podatki, IBM
DataPropagator Relational. (DataPropagator je ločen izdelek
za centralne sisteme. DB2 UNIX, Linux, Windows in OS/2 vključujejo
storitve replikacije Podatki kot standardna funkcija).
Druga metoda premikanja Podatki deluje naokoli
za podjetje je sicer integrator poslovnih aplikacij
znan kot posrednik sporočil. To
Edinstvena tehnologija omogoča neprekosljiv nadzor središča
(ciljanje) in premakniti Podatki okoli podjetja. IBM ima posrednika
najbolj razširjenega sporočila, MQSeries ali njegove različice
izdelka, ki vključuje zahteve za e-trgovina, IBM
WebSphere MQ.
Za več razprav o tem, kako izkoristiti MQ za podporo a
skladišče in BI okolje, ogled spletna stran knjige. Za zdaj je
dovolj je reči, da je ta tehnologija odličen medij za
zajem in transformacija (z uporabo MQSeries Integrator) Podatki
ciljno usmerjeni delavci, zaposleni za rešitve poslovne inteligence. tam
Tehnologija MQ je bila integrirana in zapakirana v UDB V8, ki
pomeni, da je zdaj mogoče upravljati čakalne vrste sporočil
kot da bi bile tabele DB2. Koncept varjenja
sporočila v čakalni vrsti in vesolje Baza podatkov relacijske glave
proti zmogljivemu okolju dostave Podatki.
Ničelna zakasnitev Ničelna zakasnitev
Končni strateški cilj za IBM je analiza ničelne zakasnitve.
Kot je opredeljeno z
Gartner, BI sistem mora biti sposoben sklepati, asimilirati
in zagotavljanje informacij analitikom na zahtevo. Izziv,
seveda je v tem, kako mešati Podatki trenutno in v realnem času
s potrebnimi zgodovinskimi podatki, kot je i Podatki sorodni model/od
težnjo ali izluščeno razumevanje kot razmejitev
stranka
Take informacije vključujejo na primer identifikacijo stranke ad
visoko ali nizko tveganje ali kateri izdelki i stranke kupovali bodo veliko
verjetno če že imajo kaj sira v vozičkih
pridobitve.
Doseganje ničelne zakasnitve je dejansko odvisno od dveh
temeljni mehanizmi:
▪ Popolna združitev Podatki ki so razčlenjeni z
z uveljavljenimi tehnikami in z orodji, ki jih je razvil BI
▪ Sistem dostave Podatki učinkovito zagotoviti to
analiza v realnem času je dejansko na voljo
Ti predpogoji za ničelno zakasnitev se ne razlikujejo od obeh
cilje, ki jih je postavil IBM in so opisani zgoraj.
Tesna povezanost Podatki je del programa
brezhibno integracijo, ki jo je uredil IBM. In ustvarite sistem
dostave Podatki učinkovit je popolnoma odvisen od
razpoložljiva tehnologija, ki poenostavlja postopek dostave
Podatki. Posledično sta dva od treh IBM-ovih ciljev kritična
narediti tretjega. IBM zavestno razvija svoje
tehnologija za zagotavljanje ničelne zakasnitve je realnost za
skladiščna prizadevanja.
Povzetek / Sinteza
Organizacija BI zagotavlja načrt za
ustvarite svoje okolje
iterativno. Prilagoditi ga je treba tako, da odraža potrebe
vaše podjetje, sedanje in prihodnje. Brez arhitekturne vizije
širok, stalež predstavnikov je malo več kot
naključne implementacije centralnega skladišča, ki malo prispevajo k
ustvarite široko informacijsko podjetje.
Prva ovira za vodje projektov je, kako utemeljiti
investicije, potrebne za razvoj BI organizacije.
Čeprav je izračun donosnosti naložbe ostal temelj za
skladišče dosežkov postaja vse težje
natančno napovedati. To je vodilo do drugih metod za
odločnost, če dobivate svoj denar. The
vrednost naložbe2 (VOI), na primer
kot rešitev.
To je dolžnost arhitektov Podatki in pri načrtovalcih projektov
namerno ustvarjajo in posredujejo informacije združenjem
uporabnikom in ne le nuditi storitev sui Podatki. Obstaja a
velika razlika med obema. Informacije so nekaj, kar človek počne
razlika v procesih odločanja in učinkovitosti; relativno, i
Podatki so gradniki za pridobivanje teh informacij.
Tudi če je kritičen do vira Podatki obravnavati zahteve
bi moralo imeti okolje poslovne inteligence večjo vlogo
pri ustvarjanju informacijskih vsebin. Moramo vzeti
dodatne ukrepe za čiščenje, integracijo, preoblikovanje oz
sicer ustvariti informativno vsebino, po kateri se
uporabniki lahko ukrepajo, zato moramo zagotoviti, da ti
dejanja in te odločitve, kjer so razumne, imajo povratne informacije
v okolju BI. Če skladišče prestavimo v službo samo na Podatki,
Zagotovljeno je, da bodo združenja uporabnikov ustvarila vsebino
informacije, potrebne za ukrepanje. To zagotavlja njihovo
skupnost bo lahko sprejemala boljše odločitve, vendar podjetje
trpi zaradi pomanjkanja znanja, ki so ga uporabili.
Datum da arhitekti in načrtovalci projektov dajejo pobudo za projekte
specifični za okolje BI, ostajajo odgovorni podjetju
na splošno. Preprost primer te funkcije za dvoje
obrazov ponovitev BI najdemo v viru Podatki. Vse
Podatki prejete za posebne komercialne zahteve
naseljen v prvi atomski plasti. To zagotavlja razvoj
korporativno informacijsko sredstvo, kot tudi upravljanje, usmerjanje
posebne zahteve uporabnikov, opredeljene v ponovitvi.

W hatisa D data W arehouse ?
Skladišče podatkov je srce arhitekture informacijskih sistemov
od leta 1990 in podpira informacijske procese s ponudbo trdne
integrirana platforma Podatki zgodovinsko vzeto kot podlago za poznejše
analize. THE podatkovno skladišče ponuja enostavno integracijo v a
svet nekompatibilnih aplikacijskih sistemov. Datum
skladiščenje se je razvilo v modno muho. Skladišče podatkov
organizirati in zapomniti i Podatki potrebni za informacijske procese e
analitično na podlagi dolge zgodovinske časovne perspektive. Vse
to vključuje znatne in stalne napore pri gradnji in
pri vzdrževanju podatkovno skladišče.
Kaj je torej a podatkovno skladišče? podatkovno skladišče je:
▪ predmetno usmerjenost
▪ integriran sistem
▪ časovna sprememba
▪ nehlapen (ne prekliče)
zbirka Podatki uporablja v podporo menedžerskim odločitvam v
izvajanje procesov.
I Podatki vstavljen v podatkovno skladišče nastanejo v večini
primerov iz operativnih okolij. The podatkovno skladišče izdeluje eden
skladiščna enota, fizično ločena od ostalega
sistem, ki vsebuje Podatki predhodno obdelal
aplikacije, ki delujejo na podlagi informacij iz okolja
operativni.
Dobesedna definicija a podatkovno skladišče zasluži temeljito preiskavo
razlago, saj obstajajo pomembni motivi in ​​pomeni
sklad, ki opisuje značilnosti skladišča.
PREDMETNA ORIENTACIJA ORIENTACIJA
TEMATSKI
Prva značilnost a podatkovno skladišče je, da je namenjeno
glavni igralci v podjetju. Vodnik procesov skozi
Podatki je v nasprotju z bolj klasično metodo, ki predvideva
usmerjenost aplikacij k procesom in funkcijam,
metoda, ki jo večinoma deli večina
starejših smernih sistemov.
Operacijski svet je zasnovan okoli aplikacij in funkcij
kot so posojila, prihranki, bančne kartice in skrbništvo za institucijo
finančni. Svet dw je organiziran okoli predmetov
kot so stranka, prodajalec, izdelek in dejavnost.
Usklajevanje okoli tem vpliva na oblikovanje in
pri izdelavi Podatki najdeno v dw. Predvsem,
glavna tema vpliva na najpomembnejši del
ključna struktura.
Na svet aplikacije vpliva tako zasnova podatkov
osnovi kot iz zasnove procesa. Svet od
dw je osredotočen izključno na video modeliranje Podatki Vklopljeno je
risanje Baza podatkov. Zasnova procesa (v svoji obliki
classical) ni del okolja dw.
Razlike med izbiro aplikacije procesa/funkcije in
izbira predmeta se pokažejo tudi kot vsebinske razlike
za Podatki na podrobni ravni. THE Podatki del dw ne vključujejo i Podatki da
ne bodo uporabljeni za proces DSS, medtem ko aplikacije
operativno usmerjeni Podatki vsebujejo i Podatki zadovoljiti
takoj funkcionalne/obdelovalne zahteve, ki lahko o
imajo najmanj koristi od analitika DSS.
Drug pomemben način, na katerega so operativno usmerjene aplikacije
ai Podatki razlikovati od Podatki dw je v poročilih Podatki. Podatki
operativci vzdržujejo stalen odnos med dvema ali več tabelami
na podlagi poslovnega pravila, ki je aktivno. THE Podatki od dw
obsegajo spekter časa in razmerja v dw so
veliko. Veliko trgovinskih pravil (in ustrezno veliko
poročila o Podatki ) so zastopani v zalogi Podatki med dvema oz
več tabel.
(Za podrobno razlago, kako so razmerja med Podatki sta
ki se upravlja v DW, se o tem sklicujemo na tehnično temo
vprašanje.)
Z nobene druge perspektive kot z vidika drugačnosti
bistvenega pomena med izbiro funkcije/postopka in aplikacije
izbira predmeta je večja razlika med sistemi
operativni in Podatki in DW.
INTEGRACIJA INTEGRACIJA
Najpomembnejši vidik okolja dw je, da i Podatki našel
znotraj dw se zlahka integrirajo. NENEHNO. BREZ
IZJEME. Samo bistvo dw okolja je, da i Podatki
v mejah skladišča so integrirani.
Integracija se razkriva na veliko različnih načinov – v konvencijah
identificirali konsistentne, v obsegu konsistentnih spremenljivk, v
dosledne kodificirane strukture v fizičnih lastnostih Podatki
dosledno in tako naprej.
V preteklih letih so oblikovalci več aplikacij to naredili
lastništvo številnih odločitev o tem, kako naj aplikacija
razviti. Slog in individualizirane oblikovalske odločitve
aplikacij oblikovalcev se razkriva na sto načinov: v
kodirne razlike, ključna struktura, fizične značilnosti,
identifikacijske konvencije itd. Skupna zmogljivost mnogih
oblikovalci aplikacij za ustvarjanje nedoslednih aplikacij
to je legendarno. Slika 3 razkriva nekatere od več razlik
pomembna pri oblikovanju aplikacij.
Kodiranje: Kodiraj:
Oblikovalci aplikacij so izbrali kodiranje polja –
spol - na različne načine. Oblikovalec predstavlja seks kot
"m" in "f". Drugi oblikovalec predstavlja spol kot "1"
in "0". Drugi oblikovalec predstavlja spol kot "x" in
"y". Drugi oblikovalec predstavlja spol kot "moški" in
"ženska". Resnično ni pomembno, kako seks pride v DW. Njim"
in "F" sta verjetno tako dobra kot vsi
reprezentanca.
Pomembno je, da iz katerega koli izvora izhaja spolno polje,
to polje prispe v DW v konsistentnem integriranem stanju. Od
posledica, ko je polje naloženo v DW iz
aplikacijo, kjer je bila razložena v formatu
"M" in "F", tj Podatki je treba pretvoriti v format DW.
Merjenje atributov: Merjenje
Lastnosti:
Oblikovalci aplikacije so se odločili za merjenje cevovoda
različne načine tekom tečaja
Nekaj ​​let. Oblikovalska trgovina i Podatki cevovoda v
centimetrov. Drug oblikovalec aplikacij shrani Podatki
cevovoda v palcih. Še en oblikovalec
trgovine z aplikacijami i Podatki cevovoda v milijonih kubičnih čevljev
na sekundo. In drug oblikovalec hrani informacije o
cevovod v smislu dvorišč. Ne glede na vir, ko
informacije o cevovodu prispejo v DW, morajo biti
merjeno na enak način.
Glede na navedbe slike 3 so težave z integracijo
vplivajo na skoraj vse vidike oblikovanja – lastnosti
fizični bogovi Podatki, dilema imeti več kot en vir Podatki,
gre za nedosledne ugotovljene vzorce, formate Podatki
nedosledno in tako naprej.
Ne glede na oblikovni argument je rezultat enak –
i Podatki mora biti shranjen v DW v ednini e
globalno sprejemljiv način tudi pri operacijskih sistemih
skladišče skladov drugače i Podatki.
Ko analitik DSS pogleda DW, analitikova leča
bi moralo biti izkoriščanje Podatki ki so v skladišču,
namesto da bi se spraševali o verodostojnosti ali doslednosti
Podatki.
ČASOVNA VARIANCA
vsi Podatki v DW so točni do nekega trenutka.
Ta osnovna lastnost Podatki v DW se zelo razlikuje od Podatki
najdemo v delovnem okolju. THE Podatki delovnega okolja so
točni v času dostopa. Z drugimi besedami,
v delovnem okolju, ko dostopate do enote Podatki, Pa tudi
počakajte, da prikaže točne vrednosti kot v času dostopa.
Zakaj jaz Podatki v DW so točni kot nekoč v
čas (tj. ne »trenutno«), tj Podatki najdete v DW
so »časovna razlika«.
Časovno odstopanje od Podatki DW se omenja na številne načine.
Najenostavnejši način je, da i Podatki predstavljajo DW Podatki je
dolgo časovno obdobje – pet do deset let. Obzorje
čas, predstavljen za delovno okolje, je veliko krajši
▪ od današnjih trenutnih vrednosti od do šestdeset devetdeset
Aplikacije, ki morajo dobro delovati in morajo biti
na voljo za obdelavo transakcij mora prinesti
najmanjši znesek Podatki če priznajo kakršno koli diplomo
prilagodljivost. Operativne aplikacije imajo torej obzorje
kratek časovni okvir kot argument za oblikovanje
zvočne aplikacije.
Drugi način, kako se 'časovna varianca' pojavi v DW, je v
ključna struktura. Vsaka ključna struktura v DW vsebuje,
implicitno ali eksplicitno, časovni element, kot npr
dan, teden, mesec itd. Element časa je skoraj vedno
na dnu povezanega ključa, ki ga najdete v DW. V teh
ob priložnostih bo element časa obstajal implicitno, na primer naključje
kjer se na koncu meseca ali četrtletja podvoji celotna datoteka.
Tretji način prikaza časovne variance je, da i Podatki od
DW, samo pravilno registriran, ne more biti
posodobljeno. THE Podatki DW so za vse praktične namene dolgi
serija posnetkov (snapshot). Seveda če so posnetki
posneti nepravilno, so lahko posnetki
spremenjeno. Toda ob predpostavki, da so posnetki narejeni
pravilno, ne spremenijo se takoj, ko so narejeni. V nekaterih
primerih je lahko neetično ali celo neveljavno, da posnetki v
DW so spremenjeni. THE Podatki operativen, natančen kot v
trenutku dostopa, jih je mogoče posodobiti, ko se prikažejo
nuja.
NI HLAPLJIV
Četrta pomembna značilnost DW je, da je nehlapen.
Izvajajo se posodobitve, vstavitve, izbrisi in spremembe
redno za operativna okolja od zapisa do zapisa. Toda
osnovna manipulacija Podatki potrebnih v DW je veliko več
preprosto. Obstajata samo dve vrsti operacij, ki se pojavljata v
DW – začetno nalaganje Podatki in dostop do Podatki. Tukaj ni
brez posodobitve Podatki (v splošnem pomenu
posodobitev) v DW kot običajna operacija obdelave.
Obstaja nekaj zelo močnih posledic te razlike
osnovo med operativno obdelavo in obdelavo DW. Na nivoju
zaradi zasnove je treba biti pri nadgradnji previden
nenormalno ni dejavnik v DW, od posodobitve Podatki ni
izvede. To pomeni, da na fizični ravni oblikovanja,
si je mogoče privoščiti optimizacijo dostopa Podatki,
zlasti pri obravnavi tem standardizacije in
fizična denormalizacija. Še ena posledica preprostosti
delovanja DW je v osnovni tehnologiji, ki se uporablja za
zaženite okolje DW. Potreba po podpori posodobitev
zapis za zapisom v vrstici (kot se pogosto zgodi pri
operativna obdelava) tehnologija mora imeti nekaj
zelo zapletene temelje pod navidezno preprostostjo.
Tehnologija, ki podpira varnostno kopiranje in obnovitev, transakcije
in celovitost Podatki in odkritje in zdravilo zastoja je
precej zapleten in ni potreben za obdelavo DW.
Značilnosti DW, usmeritev oblikovanja,
integracija Podatki znotraj DW, časovna varianca in preprostost
upravljanja z Podatki, vse vodi v okolje, ki je zelo zelo
drugačen od klasičnega operacijskega okolja. Vir skoraj vseh
Podatki DW so delovno okolje. Mamljivo je razmišljati
da obstaja velika odvečnost Podatki med obema okoljema.
Pravzaprav je prvi vtis, ki ga ima marsikdo, ta
velika redundanca Podatki med delovnim okoljem in okoljem
DW razširitev. Takšna razlaga je površna in dokazuje a
pomanjkanje razumevanja, kaj se dogaja v DW.
Dejansko obstaja minimalna odvečnost Podatki med operacijskim okoljem
in i Podatki od DW. Upoštevamo naslednje:
▪ Jaz Podatki so filtrirani datotek ki jih prenesete iz operacijskega okolja
v okolje DW. Mnogi Podatki nikoli se ne onesvestijo
iz operacijskega okolja. Samo da i Podatki ki so potrebni za
DSS obdelava najde svojo usmeritev v okolju
▪ časovni horizont Podatki se zelo razlikuje od okolja
drugemu. THE Podatki v delovnem okolju so zelo sveži. THE Podatki
v DW so veliko starejši. Samo iz perspektive
časovnega obzorja je zelo malo prekrivanja
med operacijskim okoljem in DW.
▪ DW vsebuje Podatki povzetkov, ki jih nikoli ne najdemo
v okolju
▪ Jaz Podatki od takrat doživeti temeljno preobrazbo
trenutek, ko preidejo na Slika 3 ponazarja, da najbolj
del Podatki se bistveno spremenijo
ki jih želite izbrati in premakniti v DW. Z drugimi besedami,
večina Podatki je fizično spremenjen e
radikalno, ko se premakne v DW. Z vidika
integracije niso enaki Podatki ki prebivajo
v delovnem okolju.
Glede na te dejavnike je odvečnost Podatki med obema okoljema je
redek pojav, ki vodi do manj kot 1 % redundance med obema
okoljih.
STRUKTURA SKLADIŠČA
DW imajo izrazito strukturo. Obstajajo različne ravni povzetka in
podrobnosti, ki razmejujejo DW.
Različne komponente DW so:
▪ Metapodatki
▪ Podarite trenutne podrobnosti
▪ Podarite starih detajlov
▪ Podarite rahlo povzeto
▪ Podarite zelo povzeto
Daleč glavna skrb je za i Podatki podrobnosti
tokovi. To je glavna skrb, ker:
▪ Jaz Podatki trenutne podrobnosti odražajo najnovejše dogodke,
za katere je vedno veliko zanimanja in
▪ i Podatki trenutne podrobnosti so obsežne, ker je
shranjeno na najnižji stopnji zrnatosti e
▪ i Podatki trenutne podrobnosti so skoraj vedno shranjene na
diskovni pomnilnik, do katerega lahko dostopate hitro, a drago in
kompleks iz
I Podatki podrobnosti so starejše Podatki ki so shranjeni na
nekaj spomina na massa. Ima občasen dostop in je
shranjeni na ravni podrobnosti, ki je združljiva z Podatki podrobno
tokovi. Čeprav ni obvezno shranjevanje na medij
alternativni pomnilnik, zaradi velikega obsega Podatki združeni z
sporadičen dostop do Podatki, medij za shranjevanje Podatki di
starejše podrobnosti običajno niso shranjene na disku.
I Podatki rahlo povzeti so Podatki ki so destilirane na dnu
raven podrobnosti, najdena na trenutni ravni podrobnosti. to
Raven DW je skoraj vedno shranjena v pomnilniku diska. THE
probleme oblikovanja, ki se postavljajo pred arhitekta Podatki
pri konstrukciji te ravni DW so:
▪ V kateri časovni enoti je zgornji povzetek
▪ Katera vsebina, atributi bodo nekoliko povzeli
vsebina Podatki
Naslednja stopnja Podatki v DW je tisto od Podatki zelo
povzeto. THE Podatki visoko povzeti so kompaktni in enostavni
dostopen. THE Podatki včasih najdemo zelo povzete
v okolju DW in v drugih primerih i Podatki zelo povzeti so
najdemo zunaj neposrednih sten tehnologije, v kateri je DW.
(v vsakem primeru, tj Podatki zelo povzeti so del DW
ne glede na to kje i Podatki so fizično nastanjeni).
Zadnja komponenta DW je komponenta metapodatkov. V mnogih pogledih
metapodatki so v drugačni dimenziji kot drugi Podatki
DW, ker metapodatki ne vsebujejo nobenega datotek neposredno
vzeti iz delovnega okolja. Metapodatki imajo posebno vlogo e
zelo pomembno v DW. Metapodatki se uporabljajo kot:
▪ imenik za pomoč analitiku DSS pri iskanju
DW vsebina,
▪ vodnik za kartiranje Podatki kako jaz Podatki Oni so bili
preoblikovati iz operacijskega okolja v okolje DW,
▪ vodnik po algoritmih, ki se uporabljajo za povzemanje med i Podatki di
trenutna podrobnost ei Podatki rahlo povzeto, tj Podatki zelo
povzeto,
Metapodatki igrajo veliko večjo vlogo v okolju DW
v primerjavi s tem, kar so kadarkoli imeli v operacijskem okolju
STAR DETAJL SHRANJEVALNI MEDIJA
Za shranjevanje te vrste lahko uporabite magnetni trak
Podatki. Dejansko obstaja veliko različnih medijev za shranjevanje
je treba upoštevati pri ohranjanju starega Podatki di
podrobnosti.
Odvisno od količine Podatki, frekvenca dostopa, stroški
orodij in vrste dostopa je povsem verjetno
da bodo druga orodja potrebovala staro raven podrobnosti
v DW.
PRETOK PODATKOV
Obstaja normalen in predvidljiv tok Podatki znotraj DW.
I Podatki v DW vstopajo iz operacijskega okolja. (OPOMBA: obstajajo
nekaj zelo zanimivih izjem od tega pravila. Vendar skoraj
vse Podatki vnesite DW iz operacijskega okolja). Datum da i Podatki
vstopijo v DW iz operacijskega okolja, se preoblikuje, kot je bilo
opisano prej. Če vnesete DW, tj Podatki vstopajo v
trenutna raven podrobnosti, kot je prikazano. Tam prebiva in se uporablja
dokler se ne zgodi eden od treh dogodkov:
▪ je prečiščen,
▪ je povzetek in/ali
▪ je
Zastareli proces znotraj DW se premakne i Podatki trenutne podrobnosti
a Podatki podrobnosti staro, glede na starost Podatki. Postopek
povzemanje uporablja podrobnosti Podatki za izračun Podatki
rahlo povzete in zelo povzete ravni Podatki. Obstajajo
nekaj izjem od prikazanega poteka (o katerih bomo razpravljali kasneje).
Vendar pa običajno za veliko večino Podatki našel
znotraj DW, tok Podatki je tako, kot je predstavljeno.
UPORABA PODATKOVNEGA SKLADIŠČA
Ni presenetljivo, da so različne ravni Podatki znotraj DW ne
prejemajo različne ravni uporabe. Praviloma višja kot je stopnja
povzetek, plus i Podatki se uporabljajo.
Številne uporabe se pojavljajo v Podatki zelo povzeto, medtem ko star
Podatki podrobnosti se skoraj nikoli ne uporabljajo. Obstaja dober razlog v
premakniti organizacijo na paradigmo uporabe virov. Več ima
povzetek i Podatki, hitreje in učinkoviteje ga je mogoče doseči Podatki. To
un trgovina ugotovil, da veliko obdela DW na ravni podrobnosti,
potem ustrezno veliko količino strojnih virov
se porabi. V interesu vseh je, da gremo na sojenje
kot v visoki stopnji povzemanja čim prej.
Za številne trgovine je analitik DSS v okolju pred DW uporabil
Podatki na ravni podrobnosti. V mnogih pogledih prihod na Podatki podrobno
spominjajo na varnostno odejo, tudi ko so na voljo
druge stopnje povzemanja. Ena od dejavnosti arhitekta Podatki è
odvadite uporabnika DSS stalne uporabe Podatki na ravni plus
nizke podrobnosti. Na voljo sta dva razloga
arhitekta iz Podatki:
▪ namestitev sistema povratnih stroškov, kjer končni uporabnik plača
porabljeni viri e
▪ nakazuje, da je odzivni čas lahko zelo dober
dobljeno, ko je vedenje z i Podatki je na visokem standardu
povzemanja, medtem ko je slab odzivni čas posledica
obnašanje Podatki na nizki ravni
DRUGA OBVESTILA
Obstaja še nekaj drugih vidikov gradnje in upravljanja
DW razširitev.
Prvi vidik so indeksi. THE Podatki na najvišjih ravneh
povzemanje je mogoče prosto indeksirati, medtem ko i Podatki
pri nižjih ravneh podrobnosti so lahko tako zajetni
skopo indeksirano. Iz istega leksema, tj Podatki na visokih ravneh
podrobnosti je mogoče relativno enostavno obnoviti,
medtem ko je obseg Podatki na nižjih ravneh je tako velik, da i Podatki ne
jih je mogoče enostavno obnoviti. Posledično model
za Podatki in formalno delo, ki ga je opravila zasnova
podlaga za DW se uporablja skoraj izključno za raven
podrobnosti trenutne. Z drugimi besedami, manekenske dejavnosti
Podatki skoraj v vsakem primeru ne veljajo za ravni povzemanja.
Drug strukturni premislek je podrazdelitev
Podatki od DW.
Razdelitev je možna na dveh ravneh – na ravni dbms in al
ravni uporabe. V diviziji na ravni dbms, dbms è
obveščen o delitvah in jih ustrezno nadzoruje. V primeru
delitev na aplikativni ravni je samo programer
obveščeni o delitvah in njihovi odgovornosti
upravljanje je prepuščeno njemu
Pod nivojem dbms, je veliko dela opravljenega samodejno. Tukaj je
velika neprilagodljivost, povezana s samodejnim upravljanjem
divizije. V primeru delitev na ravni aplikacije oz Podatki od
podatkovno skladišče, programerja bremeni veliko dela, a
končni rezultat je prožnost pri upravljanju Podatki v datumu
skladišče
DRUGE ANOMALIJE
Medtem ko sestavni deli podatkovno skladišče Delujejo kot je opisano
za skoraj vse Podatki, obstaja nekaj uporabnih izjem, ki morajo
razpravljati. Izjema je pri Podatki javni povzetki
(javni zbirni podatki). To so Podatki povzetki, ki so bili
izračunano iz podatkovno skladišče uporablja pa jih družba. THE Podatki
javni povzetki se hranijo in upravljajo v podatkovno skladišče,
čeprav so, kot je bilo že omenjeno, izračunane. THE
računovodje delajo, da jih pripravijo četrtletno Podatki kot
prihodki, četrtletni stroški, četrtletni dobiček itd. Delo
opravili računovodje, je zunaj podatkovno skladišče. Vendar, i Podatki sta
uporablja “interno” znotraj podjetja – od trženje, prodaja itd.
Druga anomalija, o kateri ne bomo razpravljali, je Podatki zunanji.
Še ena izjemna vrsta Podatki ki jih je mogoče najti v danem
skladišče je skladišče stalnih podrobnih podatkov. Te povzročajo
potrebno trajno shraniti i Podatki na eni ravni
iz etičnih ali pravnih razlogov. Če podjetje razstavlja i
povezovanje delavcev z nevarnimi snovmi, ki jih potrebujejo Podatki
podrobno in trajno. Če podjetje proizvaja izdelek, ki
vključuje javno varnost, kateri deli letala obstajajo
potreba po Podatki podrobno trajno, pa tudi če podjetje
sklepa nevarne pogodbe.
Družba si ne more privoščiti spregledanja podrobnosti, ker
v naslednjih letih, v primeru tožbe odpoklic, a
sporna gradbena napaka itd. izpostavljenost podjetja
lahko bi bilo veliko. Posledično obstaja edinstvena vrsta Podatki
znani kot trajni podrobni podatki.
POVZETEK
Un podatkovno skladišče je objektno usmerjena, integrirana različica
čas, zbirka Podatki nehlapen za podporo potrebam
odločitev uprave. Vsaka od najpomembnejših funkcij
un podatkovno skladišče ima svoje posledice. Poleg tega so štirje
ravni Podatki od podatkovno skladišče:
▪ Star detajl
▪ Trenutne podrobnosti
▪ Podarite rahlo povzeto
▪ Podarite zelo povzeto
Metapodatki so prav tako pomemben del podatkovno skladišče.
POVZETEK
Koncept shranjevanja Podatki nedavno prejeto
veliko pozornosti in je postal trend 90. To je
zaradi zmogljivosti a podatkovno skladišče jih premagati
omejitve administrativnih podpornih sistemov, kot je i
sistemi za podporo odločanju (DSS) in informacijski sistemi
izvršni (EIS).
Tudi če je koncept podatkovno skladišče izgleda obetavno,
izvajati i podatkovno skladišče je lahko problematično zaradi
obsežnih skladiščnih procesov. Kljub
kompleksnost skladiščnih projektov Podatki, veliko dobaviteljev
in svetovalci za skladiščenje Podatki trdijo, da
shranjevanje Podatki tok ne povzroča nobenih težav.
Vendar pa na začetku tega raziskovalnega projekta skoraj nič
izvedene so bile neodvisne, stroge in sistematične raziskave. Od
Posledično je težko reči, kaj se v resnici zgodi
v industriji, ko so zgrajeni podatkovno skladišče.
Ta študija je raziskala prakso shranjevanja Podatki
sodobnikov, ki želi razviti bogatejše razumevanje
avstralske prakse. Analiza literature je zagotovila
kontekst in temelj za empirično študijo.
Obstajajo številne ugotovitve te raziskave. najprej
kraju je ta študija razkrila dejavnosti, ki so se zgodile
med razvojem podatkovno skladišče. Na številnih področjih, tj Podatki zbrani
potrdil prakso, opisano v literaturi. Drugič
mestu, težave in težave, ki lahko vplivajo na
razvoj podatkovno skladišče jih je ugotovila ta študija.
Nazadnje, koristi, pridobljene od avstralskih organizacij, povezanih z
uporaba podatkovno skladišče so bile razkrite.
1. poglavje
Kontekst iskanja
Koncept skladiščenja podatkov je bil splošno priznan
izpostavljenosti in se je spremenila v nastajajoči trend v
90. (McFadden 1996, TDWI 1996, Shah in Milstein 1997,
Shanks idr. 1997, Eckerson 1998, Adelman in Oates 2000). To je
je razvidno iz vse večjega števila člankov o podatkih
skladiščenje v strokovnih publikacijah (Little in Gibson 1999).
Številni članki (glej na primer Fisher 1995, Hackathorn 1995,
Morris 1995a, Bramblett in King 1996, Graham et al. 1996,
Sakaguchi in Frolick 1996, Alvarez 1997, Brousell 1997, Clarke
1997, McCarthy 1997, O' Donnell 1997, Edwards 1998, TDWI
1999) so poročali o pomembnih koristih, ki izhajajo iz organizacij
ki izvajajo i podatkovno skladišče. Podprli so svojo teorijo
z anekdotičnimi dokazi o uspešnih implementacijah, visok donos
o podatkih o naložbah (ROI) in tudi o zagotavljanju smernic
reference ali metodologije za razvoj podatkovno skladišče
(Shanks et al. 1997, Seddon in Benjamin 1998, Little in Gibson
1999). V skrajnem primeru so Graham et al. (1996) imajo
poročali o povprečni donosnosti triletne naložbe v višini 401 %.
Velik del trenutne literature pa je zanemaril
zapletenost, povezana z izvajanjem takih projektov. Projekti za
podatkovno skladišče običajno so zapleteni in obsežni ter
zato pomenijo veliko verjetnost neuspeha, če niso
skrbno nadzorovani (Shah in Milstein 1997, Eckerson 1997,
Foley 1997b, Zimmer 1997, Bort 1998, Gibbs in Clymer 1998, Rao
1998). Zahtevajo ogromno tako človeških kot virov
finančni ter čas in trud za njihovo izgradnjo (Hill 1998, Crofts 1998). The
običajen čas in potrebna finančna sredstva
približno dve leti in dva ali tri milijone dolarjev (Braly 1995, Foley
1997b, Bort 1998, Humphries et al. 1999). Ti časi in sredstva
finančne institucije morajo nadzorovati in konsolidirati številne vidike
razlike v skladiščenju podatkov (Cafasso 1995, Hill 1998). Na strani
strojne in programske opreme, druge funkcije, ki se razlikujejo
od pridobivanja Podatki na postopke nalaganja Podatki, od
zmogljivost pomnilnika za upravljanje posodobitev in meta podatkov Podatki
za usposabljanje uporabnikov, je treba upoštevati.
V času, ko se je začel ta raziskovalni projekt, je bilo tega zelo malo
akademske raziskave na področju podatkovnih skladišč,
predvsem v Avstraliji. To je bilo razvidno iz pomanjkanja predmetov
o skladiščenju podatkov objavili časopisi ali drugi zapisi
akademiki tistega časa. Številni akademski spisi
na voljo je opisal izkušnjo ZDA. Pomanjkanje
akademske raziskave na področju sl podatkovnega skladiščenja so povzročile
zahtevajo stroge raziskave in empirične študije (McFadden 1996,
Shanks idr. 1997, Little in Gibson 1999). Zlasti študije
raziskav o procesu izvajanja podatkovno skladišče
je treba izvesti za razširitev znanja
splošno glede izvajanja podatkovno skladišče e
bo služil kot podlaga za prihodnjo raziskovalno študijo (Shanks ed
drugi. 1997, Little in Gibson 1999).
Namen te študije je torej preučiti, kaj pravzaprav
To se zgodi, ko organizacije vzdržujejo in uporabljajo podatke
skladišče v Avstraliji. Natančneje, ta študija bo vključevala
analiza celotnega razvojnega procesa a podatkovno skladišče,
začenši od začetka in načrtovanja do oblikovanja in
izvajanje in poznejša uporaba v organizacijah
avstralski. Poleg tega bo študija prispevala tudi k sedanji praksi
opredelitev področij, kjer je prakso mogoče nadalje razvijati
izboljšati in zmanjšati neučinkovitosti ter tveganja oz
izogibajte se. Poleg tega bo služil kot osnova za druge študije o podatkovno skladišče in
Avstraliji in bo zapolnil vrzel, ki trenutno obstaja v literaturi.
Raziskovalna vprašanja
Cilj te raziskave je preučiti vključene dejavnosti
pri izvajanju podatkovno skladišče in njihovo uporabo
avstralske organizacije. Še posebej se preučujejo elementi
glede načrtovanja projekta, razvoja,
delovanje, uporabo in povezana tveganja. Torej vprašanje
te raziskave je:
»Kakšna je trenutna praksa podatkovno skladišče v Avstraliji?"
Da bi se učinkovito odzvali na to težavo, a
določeno število pomožnih raziskovalnih vprašanj. Zlasti trije
iz literature so bila ugotovljena podvprašanja, ki je
predstavljeno v 2. poglavju za vodenje tega raziskovalnega projekta:
Kako se izvajajo i podatkovno skladišče po organizacijah
avstralski? Na katere težave ste naleteli?
Kakšne so izkušnje?
Pri odgovorih na ta vprašanja je bila uporabljena risba
raziskovalno raziskovanje, ki uporablja anketo. Kako študiram
raziskovalno, odgovori na zgornja vprašanja niso popolni
(Shanks et al. 1993, Denscombe 1998). V tem primeru je
za izboljšanje odzivov nanje je potrebna triangulacija
zahteve. Vendar bo preiskava zagotovila trdne temelje za
prihodnje delo pri preučevanju teh vprašanj. Enega podrobnega
razprava o utemeljitvi in ​​zasnovi raziskovalne metode
je predstavljen v 3. poglavju.
Struktura raziskovalnega projekta
Ta raziskovalni projekt je razdeljen na dva dela: kontekstualno študijo
koncepta skladiščenja podatkov in empiričnih raziskav (glej
slika 1.1), od katerih je vsaka obravnavana spodaj.
I. del: Kontekstualna študija
Prvi del raziskave je obsegal ponovno preučevanje
trenutna literatura o različnih vrstah shranjevanja podatkov, vključno z i
sistemi za podporo odločanju (DSS), informacijski sistemi
Executive (EIS), študije primerov podatkovno skladišče in koncepti datuma
skladišče. Poleg tega rezultati forumov podatkovno skladišče in
srečanje skupin za strokovnjake in strokovnjake, ki jih izvaja skupina
Raziskava Monash DSS je prispevala k tej fazi študije
ki je bil namenjen pridobivanju informacij o praksi podatkov
skladišče in prepoznati tveganja, povezana z njihovim sprejetjem.
V tem obdobju kontekstualnega študija, razumevanja
problemskega področja je bilo vzpostavljeno za zagotavljanje znanja o
osnova za nadaljnje empirične raziskave. Vendar pa to
to je bil stalen proces, medtem ko je študija potekala
raziskave.
Del II: Empirične raziskave
Relativno nov koncept skladiščenja podatkov, zlasti
v Avstraliji, ustvarila treba opraviti preiskavo za
pridobite široko sliko izkušenj uporabe. to
del je bil izveden, ko je bila problematična domena
je bila ustanovljena z obsežnim pregledom literature. Koncept
podatkovnega skladišča, oblikovanega med fazo kontekstualne študije, je
je bil uporabljen kot vnos za začetni vprašalnik te študije.
Po tem je bil vprašalnik pregledan. Ste strokovnjaki za zmenke
skladišče sodelovalo pri testu. Namen testa
Začetni vprašalnik je bil namenjen preverjanju popolnosti in točnosti
nekatera vprašanja. Na podlagi rezultatov testiranja je vprašalnik
je bila spremenjena in spremenjena različica je bila poslana na
sodelujočih v raziskavi. Takrat vrnjeni vprašalniki so bili
analizirano za i Podatki v tabelah, diagramih in drugih oblikah. THE
rezultati analize Podatki ustvarite takojšnjo fotografijo
praksa skladiščenja podatkov v Avstraliji.
PREGLED SKLADIŠČA PODATKOV
Koncept skladiščenja podatkov se je razvil z izboljšavami
računalniške tehnologije.
Namenjen je premagovanju težav, s katerimi se srečujejo skupine
podpora aplikacijam, kot je sistem za podporo odločanju (DSS) e
Izvršni informacijski sistem (EIS).
V preteklosti je bila glavna ovira teh aplikacij
nezmožnost teh aplikacij, da zagotovijo a baza podatkov
potrebno za analizo.
To je predvsem posledica narave dela
upravljanje. Interesi vodstva podjetja so različni
stalno glede na tretirano področje. Zato i Podatki
bistvenega pomena za te aplikacije mora biti sposoben
hitro spremenijo glede na del, ki ga je treba zdraviti.
To pomeni, da i Podatki morajo biti na voljo v obliki
ustrezna za zahtevane analize. Pravzaprav podporne skupine
aplikacij je bilo v preteklosti zelo težko zbrati ed
integracija Podatki iz kompleksnih in raznolikih virov.
Preostali del tega razdelka predstavlja pregled koncepta
skladiščenje podatkov in se ukvarja s tem, kako podatkovno skladišče lahko premaga
Težave s skupino za podporo aplikacij.
Izraz „Podatkovno skladišče” je leta 1990 izdal William Inmon.
Njegova pogosto citirana definicija vidi Podatkovno skladišče kako
zbirka Podatki predmetno usmerjen, integriran, nehlapen in spremenljiv
sčasoma v podporo odločitvam vodstva.
Z uporabo te definicije Inmon poudarja, da i Podatki prebivališča
v a podatkovno skladišče mora imeti naslednje 4
Lastnosti:
▪ Predmetno usmerjen
▪ Integrirano
▪ Nehlapen
▪ Spremenljivo skozi čas
Pod predmetno usmerjen Inmon pomeni, da i Podatki v datumu
skladišče v največjih organizacijskih področjih, ki so bila
določeno v modelu Podatki. Na primer vse Podatki glede i stranke
so v predmetnem področju STRANKE. Prav tako vse
Podatki ki se nanašajo na izdelke, so vsebovane v predmetnem področju
IZDELKI.
Integrirani Inmon pomeni, da i Podatki ki prihajajo iz različnih
platforme, sistemi in lokacije so združeni in shranjeni v
eno samo mesto. Posledično Podatki podobno je treba preoblikovati
v doslednih oblikah, tako da jih je mogoče dodajati in primerjati
enostavno.
Zastopana sta na primer moški in ženski spol
s črkama M in F v enem sistemu ter z 1 in 0 v drugem. Za
integrirati na pravi način, morata eden ali oba formata
preoblikovati tako, da sta formata enaka. V tem
primeru lahko spremenimo M v 1 in F v 0 ali obratno. Usmerjen proti
predmet in Integrated kažejo, da je podatkovno skladišče zasnovan je za
zagotavlja funkcionalno in transverzalno vizijo Podatki stran
družbe.
Z nehlapnim misli, da i Podatki v podatkovno skladišče ostanejo
dosledno in posodabljanje Podatki ni potrebno. Namesto tega vsak
spremeniti se Podatki izvirniki so dodani Baza podatkov datuma
skladišče. To pomeni, da zgodovinski dei Podatki je vsebovan v
podatkovno skladišče.
Za spremenljivke s časom Inmon kaže, da i Podatki v podatkovno skladišče
vedno vsebujejo indikatorje tempa, npr Podatki normalmente
prečkati določen časovni horizont. Na primer a
podatkovno skladišče lahko vsebuje 5 let zgodovinskih vrednosti stranke Dal
1993 do 1997. Dostopnost zgodovine in časovne vrste
za Podatki omogoča analizo trendov.
Un podatkovno skladišče lahko zbira svoje Podatki iz sistemov
OLTP;iz izvora Podatki zunaj organizacije in/ali drugi strokovnjaki
zajemanje sistemskih projektov Podatki.
I Podatki izvlečki lahko gredo skozi proces čiščenja, v
ta primer i Podatki so preoblikovani in integrirani, preden so
shranjeno v Baza podatkov od podatkovno skladišče. Potem jaz Podatki
ki prebiva znotraj Baza podatkov od podatkovno skladišče so na voljo
do orodij za dostop in obnovitev končnega uporabnika. Uporaba
s temi orodji lahko končni uporabnik dostopa do integriranega pogleda
organizacije Podatki.
I Podatki ki prebiva znotraj Baza podatkov od podatkovno skladišče sta
shranjeni v obliki podrobnosti in povzetkov.
Raven povzetka je lahko odvisna od narave Podatki. Podatki
podrobno lahko vsebuje Podatki trenutni in Podatki zgodovinarji
I Podatki pravi niso vključeni v podatkovno skladišče dokler jaz Podatki
v podatkovno skladišče se ponovno posodobijo.
Poleg shranjevanja Podatki sami, a podatkovno skladišče lahko tudi
shranite drugo vrsto datotek imenovan METADATOK ki
opiši i Podatki ki prebiva v njegovem Baza podatkov.
Obstajata dve vrsti metapodatkov: razvojni metapodatki in razvojni metapodatki
analize.
Razvojni metapodatki se uporabljajo za upravljanje in avtomatizacijo
postopki ekstrakcije, čiščenja, kartiranja in nalaganja Podatki v
podatkovno skladišče.
Informacije, ki jih vsebujejo razvojni metapodatki, lahko vsebujejo
podrobnosti o operacijskih sistemih, podrobnosti o elementih za ekstrahiranje,
model Podatki od podatkovno skladišče in pravila podjetja za
pretvorba Podatki.
Druga vrsta metapodatkov, znana kot analitični metapodatki
omogoča končnemu uporabniku raziskovanje vsebine podatkov
skladišče, da bi našli Podatki na voljo in kaj pomenijo v smislu
jasno in netehnično.
Zato analitični metapodatki delujejo kot most med podatki
aplikacije za skladišča in končne uporabnike. Ti metapodatki lahko
vsebujejo poslovni model, opise Podatki dopisniki
na poslovni model, vnaprej določene poizvedbe in poročila,
informacije za uporabniške dostope in indeks.
Analiza in razvojni metapodatki morajo biti združeni v enega
integrirano zadrževanje metapodatkov za pravilno delovanje.
Na žalost ima veliko obstoječih orodij svoja
metapodatkov in trenutno ni obstoječih standardov, ki bi
omogočajo orodjem za shranjevanje podatkov, da jih integrirajo
metapodatki. Da bi popravili to situacijo, mnogi trgovci z
glavna orodja za shranjevanje podatkov so oblikovali Meta Data
Svet, ki je kasneje postal Meta Data Coalition.
Namen te koalicije je zgraditi nabor metapodatkov
standard, ki omogoča različnim orodjem za shranjevanje podatkov
pretvori metapodatke
Njihova prizadevanja so privedla do rojstva Mete
Specifikacija izmenjave podatkov (MDIS), ki bo omogočila izmenjavo
informacij med Microsoftovimi arhivi in ​​povezanimi datotekami MDIS.
Obstoj oz Podatki tako povzeti/indeksirani kot podrobni podatki
uporabniku možnost izvedbe SVADANJA
(vrtanje) pridi Podatki indeksirane v podrobne in obratno.
Obstoj oz Podatki podrobne zgodovine omogočajo ustvarjanje
analiza trendov skozi čas. Poleg tega lahko metapodatki analize
uporabiti kot imenik Baza podatkov od podatkovno skladišče za
pomoč končnim uporabnikom pri iskanju i Podatki potrebno.
V primerjavi s sistemi OLTP, z njihovo sposobnostjo podpore
analiza Podatki in poročanje, podatkovno skladišče se vidi kot sistem
primernejši za informacijske procese, kot sta izdelava in
odgovarjati na vprašanja in pripravljati poročila. Naslednji del
bo podrobno izpostavil razlike med obema sistemoma.
PODATKOVNO SKLADIŠČE PROTI SISTEMOM OLTP
Veliko informacijskih sistemov v organizacijah
Namenjeni so podpori vsakodnevnega delovanja. te
sistemi, znani kot OLTP SYSTEMS, zajem transakcij
nenehno posodablja dnevno.
I Podatki znotraj teh sistemov se pogosto spreminjajo, dodajajo oz
izbrisano. Na primer, naslov stranke se skoraj ne spremeni
se seli iz enega kraja v drugega. V tem primeru novi naslov
bo registriran s spremembo naslovnega polja Baza podatkov.
Glavni cilj teh sistemov je zmanjšanje stroškov
transakcij in hkrati skrajša čas obdelave.
Primeri sistemov OLTP vključujejo kritična dejanja, kot je pisanje
obračunavanje naročil, obračun plač, računi, proizvodnja, AI storitve stranke.
Za razliko od sistemov OLTP, ki so bili ustvarjeni na proces
na podlagi transakcij in dogodkov, tj podatkovno skladišče so bile ustvarjene
za zagotavljanje podpore procesom, ki temeljijo na analitiki Podatki je U
procesi odločanja.
To se običajno doseže z integracijo i Podatki iz različnih sistemov
OLTP in zunanji v enem "vsebniku". Podatki,kot dogovorjeno
v prejšnjem razdelku.
Model procesa skladiščenja podatkov Monash
Procesni model za podatkovno skladišče Monash je razvil
raziskovalci iz Monash DSS Research Group, temelji na
književnosti podatkovno skladišče, o izkušnjah pri podpori
razvoj sistemskih področij, o pogovorih s prodajalci
aplikacije za uporabo na podatkovno skladišče, o skupini strokovnjakov
v uporabi podatkovno skladišče.
Faze so: začetek, načrtovanje, razvoj in delovanje
Pojasnila. Diagram pojasnjuje iterativno naravo oz
evolucijski razvoj a podatkovno skladišče postopek z uporabo
dvosmerne puščice med različnimi fazami. V tem
»iterativni« in »evolucijski« kontekst pomenita, da pri vsakem
koraku postopka se lahko izvajajo aktivnosti izvajanja
vedno širi nazaj proti prejšnji fazi. To je
zaradi narave projekta a podatkovno skladišče v katerem
dodatne zahteve se pojavijo kadar koli
končnega uporabnika. Na primer, med razvojno fazo a
proces oz podatkovno skladišče, enega zahteva končni uporabnik
novo dimenzijo ali predmetno področje, ki ni sodilo v
originalni načrt, je treba to dodati v sistem. to
povzroči spremembo v projektu. Rezultat je, da je ekipa
oblikovanje mora spremeniti zahteve do sedaj izdelanih dokumentov
med fazo načrtovanja. V mnogih primerih je trenutno stanje
projekt se mora vrniti v fazo načrtovanja, kjer
novo zahtevo je treba dodati in dokumentirati. Uporabnik
končni mora biti omogočen vpogled v določeno pregledano dokumentacijo in i
spremembe, ki so nastale v fazi razvoja. Na koncu
v tem razvojnem ciklu mora projekt dobiti odlične povratne informacije
obe ekipi, razvojna ekipa in uporabniška ekipa. THE
povratne informacije se nato ponovno uporabijo za izboljšanje prihodnjega projekta.
Načrtovanje zmogljivosti
Dw so ponavadi zelo velike in rastejo
zelo hitro (Best 1995, Rudin 1997a) po
količina Podatki zgodovine, ki jih ohranijo od svojega trajanja. tam
rast lahko povzroči tudi Podatki dodatne elemente, ki jih zahteva
uporabnikov za povečanje vrednosti Podatki ki jih že imajo. Od
posledično zahteve za shranjevanje Podatki lahko
znatno povečati (Eckerson 1997). Tako je
nujno zagotoviti z načrtovanjem
zmogljivost, s katero lahko raste sistem, ki ga je treba zgraditi
rast potreb (Best 1995, LaPlante 1996, Lang 1997,
Eckerson 1997, Rudin 1997a, Foley 1997a).
Pri načrtovanju razširljivosti dw je treba poznati
pričakovana rast obsega inventarja, vrste vprašanj
ki bo verjetno izveden, in število podprtih končnih uporabnikov (Najboljše
1995, Rudin 1997b, Foley 1997a). Zgradite razširljive aplikacije
zahteva kombinacijo razširljivih strežniških tehnologij in tehnik
oblikovanja razširljivih aplikacij (Best 1995, Rudin 1997b.
Oboje je potrebno pri ustvarjanju aplikacije
izjemno razširljiv. Razširljive strežniške tehnologije lahko
omogoča preprosto in koristno dodajanje prostora za shranjevanje, pomnilnik in
CPE brez poslabšanja zmogljivosti (Lang 1997, Telefonija 1997).
Obstajata dve glavni razširljivi strežniški tehnologiji: računalništvo
simetrično večkratno (SMP) in masivno procesiranje
vzporedno (MPP)) (IDC 1997, Humphries et al. 1999). Strežnik
SMP ima običajno več procesorjev, ki si delijo en pomnilnik,
avtobusnega sistema in drugih virov (IDC 1997, Humphries et al. 1999).
Dodatni procesorji se lahko dodajo za razširitev
njegovega morda računski. Druga metoda za povečanje
morda računske moči strežnika SMP, je združevanje številnih
SMP stroji. Ta tehnika je znana kot združevanje v gruče (Humphries
et al. 1999). Strežnik MPP pa ima vsak več procesorjev
z lastnim pomnilnikom, sistemom vodil in drugimi viri (IDC 1997,
Humphries et al. 1999). Vsak procesor se imenuje vozlišče. A
povečanje v morda mogoče pridobiti računsko
dodajanje dodatnih vozlišč strežnikom MPP (Humphries et al.
1999).
Slabost strežnikov SMP je preveč vhodno-izhodnih operacij
(I/O) lahko obremeni sistem vodila (IDC 1997). to
Težava se ne pojavi v strežnikih MPP, saj vsak
procesor ima svoj sistem vodil. Vendar medsebojne povezave
med vsakim vozliščem so na splošno veliko počasnejši kot sistem vodila
SMP-jev. Poleg tega lahko strežniki MPP dodajo plast
dodatna zapletenost za razvijalce aplikacij (IDC
1997). Tako je mogoče vplivati ​​na izbiro med strežniki SMP in MPP
številnimi dejavniki, tudi kompleksnostjo vprašanj, odnosom
cena/zmogljivost, zahtevana zmogljivost obdelave,
preprečil aplikacije dw in povečanje velikosti Baza podatkov
dw in v številu končnih uporabnikov.
Številne razširljive tehnike oblikovanja aplikacij
se lahko uporablja pri načrtovanju zmogljivosti. ena
uporablja različna obdobja obveščanja, kot so dnevi, tedni, meseci in leta.
Ob različnih rokih obveščanja, Baza podatkov lahko razdelimo na
kosi zlahka združeni (Inmon et al. 1997). Še en
tehnika je uporaba tabel povzetkov, ki so izdelane
povzetek Podatki da Podatki podrobno. Tako, i Podatki povzetkov je več
kompakten kot podroben, kar zahteva manj pomnilniškega prostora.
Torej Podatki podrobnosti lahko shranite v enoti
cenejše shranjevanje, kar prihrani še več prostora za shranjevanje.
Čeprav lahko uporaba tabel s povzetki prihrani prostor
pomnilnik, zahtevajo veliko truda, da jih posodabljajo in izvajajo
v skladu s komercialnimi potrebami. Vendar pa je ta tehnika
široko uporabljena in pogosto uporabljena v povezavi s tehniko
prejšnji (Best 1995, Inmon 1996a, Chauduri in Dayal
1997).
Določitev Podatkovno skladišče tehnični
Arhitekture Opredelitev tehnik
dw arhitekture
Prvi uporabniki podatkovnega skladiščenja so si zamislili predvsem
centralizirana izvedba dw, v kateri so vsi Podatki, vključeno
i Podatki zunanje, bile povezane v enotno,
fizični repozitorij (Inmon 1996a, Bresnahan 1996, Peacock 1998).
Glavna prednost tega pristopa je, da končni uporabniki
Lahko dostopam do pogleda v podjetniškem merilu
(pogled celotnega podjetja) dei Podatki organizacijski (Ovum 1998). Še ena
prednost je, da ponuja standardizacijo Podatki skozi
organizacija, kar pomeni, da obstaja le ena različica oz
definicijo za vsako terminologijo, uporabljeno v depozitu dw
(reposity) metapodatki (Flanagan in Safdie 1997, Ovum 1998). The
Slabost tega pristopa pa je, da je drag in težaven
ki jih je treba zgraditi (Flanagan in Safdie 1997, Ovum 1998, Inmon et al.
1998). Kmalu po arhitekturi shranjevanja Podatki
centralizirano je postalo priljubljeno, koncept ekstrakcije se je razvil
najmanjših podmnožic Podatki za podporo potrebam
posebne aplikacije (Varney 1996, IDC 1997, Berson in Smith
1997, pav 1998). Ti majhni sistemi izhajajo iz več
veliko podatkovno skladišče centralizirano. Imenujejo se datum
odvisna oddelčna skladišča ali odvisni podatkovni trgi.
Odvisna arhitektura podatkovnega trga je znana kot
trinivojska arhitektura, kjer prvi nivo sestavljajo podatki
centralizirano skladišče, drugo sestavljajo skladišča Podatki
oddelčni, tretjo pa sestavlja dostop do Podatki in iz orodij
analiza (Demarest 1994, Inmon et al. 1997).
Podatkovne tržnice so običajno zgrajene po podatkovno skladišče
centralizirano je bilo zgrajeno za zadovoljevanje potreb
posebne enote (White 1995, Varney 1996).
Podatkovne trgovine i Podatki zelo relevantno v zvezi s podatki
enotnost (Inmon et al. 1997, Inmon et al. 1998, IA 1998).
Prednost te metode je, da ne bo datotek ne
integrirano in da i Podatki v podatkih bodo manj odvečni
marts saj vse Podatki prihajajo iz depozita v višini Podatki integrirano.
Druga prednost je, da bo med obema malo povezav
podatkovne tržnice in sorodni viri Podatki ker ima vsak podatkovni boks samo
vir Podatki. Poleg tega s to arhitekturo uporabniki
finale lahko še vedno dostopate do pregleda Podatki
korporativne organizacije. Ta metoda je znana kot
metoda od zgoraj navzdol, pri kateri so podatkovne vitrine zgrajene po podatkih
skladišče (pav 1998, Goff 1998).
Povečanje potrebe po zgodnjem prikazovanju rezultatov, nekateri
organizacije so začele graditi neodvisne podatkovne borze
(Flanagan in Safdie 1997, White 2000). V tem primeru podatkovne tržnice
vzamejo svoje Podatki naravnost iz osnov Podatki OLTP in ne iz
centralizirano in integrirano shranjevanje, s čimer se odpravi potreba po
imajo centralno shrambo na mestu.
Vsak podatkovni boks zahteva vsaj eno povezavo do svojih virov
di Podatki. Ena pomanjkljivost več povezav za vsak datum
mart je, da je v primerjavi s prejšnjima dvema arhitekturama
preobilje Podatki znatno poveča.
Vsaka podatkovna trgovina mora hraniti vse Podatki zahteva lokalno za
ne vpliva na sisteme OLTP. To povzroči, da i Podatki
shranjeni so v različnih skladiščih podatkov (Inmon et al. 1997).
Druga pomanjkljivost te arhitekture je, da vodi do
ustvarjanje kompleksnih medsebojnih povezav med podatkovnimi marcami in njihovimi
viri Podatki ki jih je težko izvajati in nadzorovati (Inmon ur
drugi. 1997).
Druga pomanjkljivost je, da končni uporabniki ne morejo napajati
dostop do pregleda informacij podjetja kot i Podatki
različnih podatkovnih vitrin niso integrirani (Ovum 1998).
Še ena pomanjkljivost je, da jih je lahko več
definicijo za vsako terminologijo, uporabljeno v podatkovnih marcah, ki jih ustvari
nedoslednosti Podatki v organizaciji (Ovum 1998).
Kljub zgoraj omenjenim pomanjkljivostim neodvisni trgi podatkov
še vedno pritegnejo zanimanje številnih organizacij (IDC 1997).
Eden od dejavnikov, zaradi katerih so privlačni, je, da se hitreje razvijejo
ter zahtevajo manj časa in sredstev (Bresnahan 1996, Berson e
Smith 1997, Ovum 1998). V skladu s tem služijo predvsem
kot testni projekti, ki jih je mogoče uporabiti za identifikacijo
hitro prednosti in/ali nepopolnosti v projektu (Parsaye
1995, Braly 1995, Newing 1996). V tem primeru je del iz
izvajati v pilotnem projektu mora biti majhen, a pomemben
za organizacijo (Newing 1996, Mansell-Lewis 1996).
S pregledom prototipa lahko končni uporabniki in administracija
odločiti, ali boste projekt nadaljevali ali ustavili (Flanagan in Safdie
1997).
Če je odločitev za nadaljevanje, podatkovni trgi za druge sektorje
zgraditi jih je treba eno za drugo. Obstajata dve možnosti za
končnim uporabnikom glede na njihove potrebe pri gradnji podatkov
neodvisne matice: integrirane/zvezne in neintegrirane (Ovum
1998)
Pri prvi metodi je treba zgraditi vsako novo podatkovno borzo
temelji na trenutnih podatkovnih marcah in modelu Podatki uporablja
s strani podjetja (Varney 1996, Berson in Smith 1997, Peacock 1998).
Potreba po uporabi modela Podatki podjetja je potrebno
zagotoviti, da obstaja samo ena definicija za vsako terminologijo
ki se uporabljajo prek podatkovnih marsov, je to tudi za zagotovitev, da podatki
Različne marce je mogoče združiti, da dobite pregled
korporativne informacije (Bresnahan 1996). Ta metoda je
se imenuje od spodaj navzgor in je najboljši, ko obstaja omejitev
finančna sredstva in čas (Flanagan in Safdie 1997, Ovum 1998,
pav 1998, Goff 1998). Pri drugi metodi, podatkovne marce
zgrajena lahko zadovolji samo potrebe določene enote.
Različica zveznega podatkovnega trga je podatkovno skladišče distribuito
v katerem je Baza podatkov vmesna programska oprema za strežnik zvezdišča se uporablja za združevanje številnih
podatkovne borze v enem samem repozitoriju Podatki porazdeljeno (White 1995). notri
ta primer, i Podatki podjetja so razdeljena v več podatkovnih borzih.
Zahteve končnih uporabnikov se posredujejo na Baza podatkov
vmesna programska oprema strežnika zvezdišča, ki ekstrahira vse Podatki ki jih zahtevajo podatki
marts in vrne rezultate aplikacijam končnih uporabnikov. to
zagotavlja poslovne informacije končnim uporabnikom. vendar
Težave podatkovnih borz še vedno niso odpravljene
neodvisen. Obstaja še ena arhitektura, ki jo je mogoče uporabiti
pokliči podatkovno skladišče virtualno (White 1995). Vendar pa to
arhitektura, ki je opisana na sliki 2.9, ni arhitektura
skladiščenja Podatki pravi, saj ne premika bremena
od sistemov OLTP do podatkovno skladišče (Demarest 1994).
Pravzaprav zahteve za Podatki s strani končnih uporabnikov so prešli na
Sistemi OLTP, ki vrnejo rezultate po obdelavi
zahteve uporabnikov. Čeprav ta arhitektura omogoča uporabnikom
finale za ustvarjanje poročil in oblikovanje zahtev, ne more zagotoviti i
Podatki zgodovina in pregled informacij podjetja od i Podatki
iz različnih sistemov OLTP niso integrirani. Torej, ta
arhitektura ne more zadovoljiti analize Podatki kompleks, kot npr
primer napovedi.
Izbira dostopa in
okrevanje od Podatki
Namen gradnje a podatkovno skladišče je prenašati
informacije končnim uporabnikom (Inmon et al 1997, Poe 1996,
McFadden 1996, Shanks et al 1997, Hammergren 1998); eno oz
aplikacije za večkratni dostop in obnovitev Podatki je treba zagotoviti. Za
Danes je na voljo široka paleta teh aplikacij, med katerimi lahko uporabnik izbira
izberite (Hammergren 1998, Humphries et al. 1999). The
izbrane aplikacije določajo uspeh prizadevanja
skladiščenja Podatki v organizaciji, ker
aplikacije so najbolj viden del podatkovno skladišče uporabniku
končno (Inmon et al. 1997, Poe 1996). Za uspeh na zmenku
skladišče, mora biti sposobno podpirati analitske dejavnosti Podatki
končnega uporabnika (Poe 1996, Seddon in Benjamin 1998, Eckerson
1999). Torej mora biti »raven« tega, kar želi končni uporabnik
identificirali (Poe 1996, Mattison 1996, Inmon et al 1997,
Humphries et al. 1999).
Na splošno lahko končne uporabnike razdelimo v tri skupine
kategorije: izvršni uporabniki, poslovni analitiki in napredni uporabniki (Poe
1996, Humphries et al. 1999). Izvršni uporabniki potrebujejo
enostaven dostop do vnaprej določenih nizov poročil (Humphries ed
drugi 1999). Ta poročila je mogoče enostavno doseči z
navigacija po meniju (Poe 1996). Poleg tega bi morala poročila
predstaviti informacije z uporabo grafične predstavitve
kot so tabele in predloge za hiter transport
informacije (Humphries et al. 1999). Poslovni analitiki, ki ne
morda imajo tehnične možnosti za razvoj odnosov
nič sami, morajo biti sposobni spremeniti trenutne odnose
zadovoljijo svoje specifične potrebe (Poe 1996, Humphries et al
1999). Po drugi strani pa so napredni uporabniki vrsta končnih uporabnikov, ki
imeti možnost ustvarjanja in pisanja zahtev in poročil iz
nič (Poe 1996, Humphries et al. 1999). Oni so tisti, ki
razvijati poročila za druge vrste uporabnikov (Poe 1996, Humphries
in drugi 1999).
Ko so zahteve končnega uporabnika določene, je to treba storiti
izbor aplikacij za dostop in obnovitev Podatki med vsemi
tiste, ki so na voljo (Poe 1996, Inmon et al. 1997).
Dostop do Podatki in orodja za iskanje so lahko
razvrščeni v 4 vrste: orodje OLAP, orodje EIS/DSS, orodje za poizvedovanje in
orodja za poročanje in podatkovno rudarjenje.
Orodja OLAP uporabnikom omogočajo ustvarjanje ad hoc poizvedb
tiste narejene na Baza podatkov od podatkovno skladišče. Poleg teh izdelkov
uporabnikom omogočiti vrtanje navzdol Podatki splošno za tiste
podrobno.
Orodja EIS/DSS zagotavljajo izvršno poročanje kot analizo »kaj če«.
in dostop do menijsko organiziranih poročil. Poročila morajo biti
vnaprej določen in združen z meniji za lažjo navigacijo.
Orodja za poizvedovanje in poročanje uporabnikom omogočajo izdelavo poročil
vnaprej določeno in specifično.
Orodja za rudarjenje podatkov se uporabljajo za prepoznavanje odnosov, ki
bi lahko osvetlili pozabljene operacije v Podatki od
podatkovno skladišče.
Poleg optimizacije zahtev vsakega tipa uporabnika, tj
Izbrana orodja morajo biti intuitivna, učinkovita in enostavna za uporabo.
Poleg tega morajo biti združljivi z drugimi deli arhitekture, npr
sposobni delati z obstoječimi sistemi. Predlaga se tudi, da
izberite orodja za dostop in iskanje podatkov s cenami in zmogljivostjo
razumno. Druga merila, ki jih je treba upoštevati, vključujejo zavezanost
prodajalca orodja pri podpori njihovega izdelka in razvoja, ki ga prinaša
enako bo v prihodnjih izdajah. Za zagotovitev sodelovanja uporabnikov
pri uporabi podatkovnega skladišča razvojna ekipa vključuje
uporabnike v procesu izbire orodja. V tem primeru
Izvesti je treba praktično oceno uporabnika.
Za izboljšanje vrednosti podatkovnega skladišča lahko razvojna ekipa
omogočajo tudi spletni dostop do svojih podatkovnih skladišč. A
Spletno podatkovno skladišče omogoča uporabnikom dostop do Podatki
iz oddaljenih krajev ali med potovanjem. Tudi informacije lahko
zagotoviti z nižjimi stroški z znižanjem stroškov
di usposabljanje.
2.4.3 Podatkovno skladišče Faza delovanja
Ta faza je sestavljena iz treh dejavnosti: Opredelitev datumskih strategij
osveževanje, nadzor nad dejavnostmi podatkovnega skladišča in upravljanje z
varnost podatkovnega skladišča.
Opredelitev strategij osveževanja podatkov
Po začetnem nalaganju, tj Podatki v Baza podatkov podatkovnega skladišča
je treba občasno osvežiti za predvajanje
spremembe narejene na Podatki originali. Zato se moramo odločiti
kdaj osvežiti, kako pogosto
osveži in kako osvežiti Podatki. Priporoča se, da se
osveži dei Podatki ko je mogoče sistem preklopiti brez povezave. tam
Hitrost osveževanja določi razvojna skupina
na zahteve uporabnikov. Obstajata dva pristopa za osvežitev
podatkovno skladišče: popolna osvežitev in neprekinjeno nalaganje
spremembe.
Prvi pristop, popolna osvežitev, zahteva ponovno nalaganje
vse Podatki iz nič. To pomeni, da vse Podatki potrebno mora
ekstrahirati, očistiti, preoblikovati in integrirati pri vsaki osvežitvi. to
pristopu se je treba, kolikor je mogoče, izogibati, ker
Zahteva veliko časa in sredstev.
Alternativni pristop je neprekinjeno nalaganje i
spremembe. To doda i Podatki ki so bili spremenjeni
od zadnjega cikla osveževanja podatkovnega skladišča. Identifikacija
novih ali spremenjenih zapisov bistveno zmanjša količino
Podatki ki jih je treba posredovati v podatkovno skladišče v vsakem
posodobitev, saj le te Podatki bo dodano Baza podatkov
podatkovnega skladišča.
Obstaja vsaj 5 pristopov, ki jih je mogoče uporabiti za umik
i Podatki nov ali spremenjen. Za pridobitev učinkovite strategije
osveži dei Podatki mešanica teh pristopov je lahko koristna
pobere vse spremembe v sistemu.
Prvi pristop, ki uporablja časovne žige, predvideva, da prihaja
dodeljeno vsem Podatki uredil in posodobil časovni žig tako
da bi lahko zlahka identificirali vse Podatki spremenjeno in novo.
Vendar ta pristop v večini ni bil široko uporabljen
del današnjih operacijskih sistemov.
Drugi pristop je uporaba datoteke delta, ki jo ustvari
aplikacija, ki vsebuje samo spremembe v Podatki.
Uporaba te datoteke tudi poveča cikel posodabljanja.
Vendar tudi ta metoda ni bila uporabljena v mnogih
aplikacije.
Tretji pristop je skeniranje dnevniške datoteke, ki
v bistvu vsebuje podobne informacije kot datoteka delta. Edini
razlika je v tem, da se za postopek obnovitve ustvari dnevniška datoteka in
lahko je težko razumeti.
Četrti pristop je spreminjanje kode aplikacije.
Vendar je večina programske kode stare in
krhek; zato se je treba tej tehniki izogibati.
Zadnji pristop je primerjava i Podatki vire z datoteko
glavni bogovi Podatki.
Spremljanje dejavnosti podatkovnega skladišča
Ko je podatkovno skladišče izdano uporabnikom, je
ga je potrebno spremljati skozi čas. V tem primeru skrbnik
podatkovnega skladišča lahko uporablja eno ali več orodij za upravljanje in
nadzor nad uporabo podatkovnega skladišča. Še posebej
se lahko zbirajo informacije o ljudeh in vremenu
do katerega dostopajo do podatkovnega skladišča. pridi no Podatki se lahko ustvarijo pridelki
profil opravljenega dela, ki se lahko uporabi kot vhod
pri izvajanju povratne bremenitve uporabnika. Povratna bremenitev
uporabnikom omogoča obveščenost o stroških obdelave
podatkovno skladišče.
Poleg tega se lahko uporablja tudi nadzor podatkovnega skladišča
prepoznati vrste poizvedb, njihovo velikost, število poizvedb na
dan, odzivni časi na poizvedbo, doseženi sektorji in količina
di Podatki obdelan. Drug namen preverjanja
podatkovno skladišče je identificirati Podatki ki niso v uporabi. te Podatki
jih je mogoče odstraniti iz podatkovnega skladišča, da izboljšajo čas
odziva na izvedbo poizvedbe in nadzirati rast
Podatki ki prebivajo znotraj baza podatkov podatkovnega skladišča.
Upravljanje varnosti podatkovnega skladišča
Skladišče podatkov vsebuje Podatki integriran, kritičen, občutljiv, ki
lahko dosežete. Iz tega razloga bi moralo
zaščititi pred nepooblaščenimi uporabniki. En način za
izvajanje varnosti je uporaba funkcije del DBMS
za dodelitev različnih privilegijev različnim vrstam uporabnikov. V tem
tako je treba vzdrževati profil za vsako vrsto uporabnika
dostop. Drug način za zaščito vašega podatkovnega skladišča je šifriranje
kot piše v baza podatkov podatkovnega skladišča. Dostop do
Podatki in orodja za iskanje morajo dešifrirati Podatki pred oddajo i
rezultate uporabnikom.
2.4.4 Podatkovno skladišče Faza uvajanja
Je zadnja faza v ciklu implementacije podatkovnega skladišča. The
dejavnosti, ki jih je treba izvesti v tej fazi, vključujejo usposabljanje
uporabniki za uporabo podatkovnega skladišča in ustvarjanje pregledov
podatkovnega skladišča.
Usposabljanje uporabnikov
Najprej je treba opraviti usposabljanje uporabnikov
dostopa do Podatki podatkovnega skladišča in uporabo orodij
iskanje. Na splošno se morajo seje začeti z
uvod v koncept shranjevanja Podatki, al
vsebina podatkovnega skladišča, ai meta Podatki in osnovne lastnosti
orodij. Nato bi lahko naprednejši uporabniki preučevali tudi
fizične tabele in uporabniške funkcije dostopa do podatkov in orodij
iskanje.
Obstaja veliko pristopov k usposabljanju uporabnikov. Eden od
to vključuje izbor številnih uporabnikov ali analitikov, ki jih izbere a
skupino uporabnikov na podlagi njihovega vodstva in sposobnosti
komunikacije. Ti se osebno usposabljajo na
vse, kar morajo vedeti, da se seznanijo z
sistem. Ko je usposabljanje končano, se vrnejo k svojemu delu in
začnejo učiti druge uporabnike, kako uporabljati sistem. Na
na podlagi tega, kar so se naučili, lahko drugi uporabniki začnejo
raziščite podatkovno skladišče.
Drug pristop je usposabljanje več uporabnikov za isto
časa, kot če bi obiskovali tečaj v učilnici. Ta metoda
Primeren je, ko je veliko uporabnikov, ki jih je treba usposobiti
ob istem času. Še ena metoda je usposabljanje
vsakega uporabnika posebej, enega za drugim. Ta metoda je
primeren, ko je malo uporabnikov.
Namen usposabljanja uporabnikov je, da vas seznanimo
z dostopom do Podatki in orodja za iskanje ter vsebino
podatkovno skladišče. Vendar pa lahko nekateri uporabniki postanejo preobremenjeni
glede na količino informacij, posredovanih med sejo
usposabljanje. Zato je treba narediti nekaj stvari
osvežitvene ure, stalna pomoč in odziv
na konkretna vprašanja. V nekaterih primerih se oblikuje skupina
uporabnikom zagotoviti tovrstno podporo.
Zbiranje povratnih informacij
Ko je podatkovno skladišče uvedeno, lahko uporabniki
uporabite i Podatki ki se nahajajo v podatkovnem skladišču za različne namene.
Večinoma analitiki ali uporabniki uporabljajo i Podatki v
podatkovno skladišče za:
1 Prepoznajte trende podjetja
2. Analizirajte nakupovalne profile stranke
3 Razdelite i stranke in i
4 Zagotovite najboljše storitve za stranke – prilagodite storitve
5 Oblikujte strategije trženje
6 Zagotovite konkurenčne ponudbe za analizo stroškov in pomoč
nadzor
7 Podpora strateškemu odločanju
8 Prepoznajte priložnosti, da izstopate
9 Izboljšati kakovost tekočih poslovnih procesov
10 Preverite dobiček
Po smeri razvoja podatkovnega skladišča bi lahko
Izvedite vrsto pregledov sistema, da pridobite povratne informacije
tako iz razvojne ekipe kot iz skupnosti
končnim uporabnikom.
Dobljene rezultate je mogoče upoštevati pri
naslednji razvojni cikel.
Ker ima podatkovno skladišče postopen pristop,
bistveno se je učiti iz uspehov in napak prejšnjih
razvoj dogodkov.
2.5 Povzetek
V tem poglavju so bili obravnavani pristopi, ki so prisotni v
literature. V 1. razdelku je bil obravnavan koncept
podatkovno skladišče in njegova vloga v odločitveni znanosti. V
razdelek 2 glavne razlike med
podatkovno skladišče in OLTP sistemi. V 3. razdelku smo razpravljali o
Uporabljen je bil model podatkovnega skladišča Monash
v razdelku 4 za opis dejavnosti, vključenih v proces
razvojem podatkovnega skladišča, te teze niso temeljile
stroge raziskave. Kar se zgodi v resnici, je lahko
zelo drugačen od tistega, kar poroča literatura, vendar te
rezultate je mogoče uporabiti za ustvarjanje osnovne prtljage, ki
poudarjajo koncept podatkovnega skladišča za to raziskavo.
3. poglavje
Raziskovalne in oblikovalske metode
To poglavje obravnava metode raziskovanja in oblikovanja za
ta študija. Prvi del prikazuje splošen pogled na metode
raziskav, ki so na voljo za pridobivanje informacij
obravnavana so merila za izbiro najboljše metode za enega
posebna študija. Dve metodi sta nato obravnavani v 2. razdelku
izbrani po pravkar navedenih merilih; izmed teh bodo izbrani in
sprejel eno z razlogi, navedenimi v 3. razdelku, kjer so
pojasnjeni so tudi razlogi za izključitev drugega kriterija. tam
razdelek 4 predstavlja načrt raziskave, razdelek 5 pa ga predstavlja
zaključki.
3.1 Raziskovanje informacijskih sistemov
Raziskovanje informacijskih sistemov ni le omejeno
na tehnološko področje, vendar ga je treba razširiti tudi na vključevanje
cilje glede vedenja in organizacije.
To dolgujemo tezam različnih disciplin, od
družboslovje v naravoslovje; to vodi do potrebe po a
določen spekter raziskovalnih metod, ki vključujejo kvantitativne metode
in kvalitativne za uporabo v informacijskih sistemih.
Pomembne so vse razpoložljive raziskovalne metode, pravzaprav več
raziskovalci, kot so Jenkins (1985), Nunamaker et al. (1991) in Galliers
(1992) trdijo, da ne obstaja posebna univerzalna metoda
izvajati raziskave na različnih področjih informacijskih sistemov; Prav zares
metoda je lahko primerna za določeno raziskavo, vendar ne
za druge. To nas pripelje do potrebe po izbiri metode, ki
je primeren za naš poseben raziskovalni projekt: za to
izbira Benbasat et al. (1987) trdijo, da jih je treba upoštevati
naravo in namen raziskave.
3.1.1 Narava raziskave
Možne so različne metode, ki temeljijo na naravi raziskave
razvrščeni v tri v znanosti splošno znane tradicije
informacij: pozitivistične, interpretativne in kritične raziskave.
3.1.1.1 Pozitivistične raziskave
Pozitivistično raziskovanje poznamo tudi kot znanstveno preučevanje oz
empirično. Poskuša: »razložiti in napovedati, kaj se bo zgodilo v
družbenega sveta s pogledom na zakonitosti in vzročno-posledične odnose
med elementi, ki ga sestavljajo« (Shanks et al 1993).
Za pozitivistične raziskave je značilna tudi ponovljivost,
poenostavitve in zavrnitve. Poleg tega pozitivistične raziskave priznavajo
obstoj apriornih razmerij med proučevanimi pojavi.
Po Galliersu (1992) je taksonomija raziskovalna metoda
vključena v pozitivistično paradigmo, ki pa ni omejena na to,
dejansko obstajajo laboratorijski poskusi, terenski poskusi,
študije primerov, dokazi izrekov, napovedi in simulacije.
Z uporabo teh metod raziskovalci priznavajo, da pojavi
je mogoče objektivno in natančno opazovati.
3.1.1.2 Interpretativne raziskave
Interpretativno raziskovanje, ki ga pogosto imenujemo fenomenologija oz
Neuman (1994) opisuje antipozitivizem kot »analizo
sistematičnost družbenega pomena delovanja skozi neposredno in
podrobno opazovanje ljudi v naravnih razmerah, po red
priti do razumevanja in razlage, kako
ljudje ustvarjajo in vzdržujejo svoj družbeni svet." Študije
interpretativne metode zavračajo domnevo, da opazovani pojavi
mogoče opazovati objektivno. Pravzaprav temeljijo
na subjektivne interpretacije. Poleg tega interpretativni raziskovalci ne
pojavim, ki jih preučujejo, vsiljujejo apriorne pomene.
Ta metoda vključuje subjektivne/argumentativne študije, dejanja
raziskave, deskriptivne/interpretativne študije, raziskave prihodnosti in igre
vlogo. Poleg teh preiskav in študij primerov so lahko
vključeni v ta pristop, saj zadevajo študije
posamezniki ali organizacije v zapletenih situacijah
resničnega sveta.
3.1.1.3 Kritično raziskovanje
Kritično raziskovanje je najmanj znan pristop v znanosti
družbena, vendar je nedavno prejela pozornost raziskovalcev
na področju informacijskih sistemov. Filozofska predpostavka, da je
družbeno realnost zgodovinsko proizvajajo in reproducirajo ljudje,
kot tudi družbeni sistemi s svojimi dejanji in interakcijami. Njihovo
sposobnost pa je posredovana z določeno mero obzirnosti
družbeni, kulturni in politični.
Tako kot interpretativne raziskave tudi kritične raziskave trdijo, da
pozitivistične raziskave nimajo nobene zveze z družbenim kontekstom in ga ignorirajo
njegov vpliv na človeška dejanja.
Kritične raziskave pa kritizirajo interpretativne raziskave za
biti preveč subjektiven in ker ni namenjen pomoči
ljudi, da si izboljšajo življenje. Največja razlika med
kritičnega raziskovanja in drugih dveh pristopov je njegova evalvativna dimenzija.
Medtem ko je objektivnost pozitivistične in interpretativne tradicije za
napovedati ali pojasniti status quo ali družbeno realnost, kritično raziskovanje
želi kritično ovrednotiti in preoblikovati temeljno družbeno realnost
studio.
Kritični raziskovalci običajno nasprotujejo statusu quo, da bi
odpraviti socialne razlike in izboljšati socialne razmere. tam
kritična raziskava je zavezana procesualnemu pogledu
zanimivih pojavov in je zato običajno longitudinalen.
Primeri raziskovalnih metod so dolgoročne zgodovinske študije in
etnografske študije. Kritičnih raziskav pa ni bilo
široko uporablja pri raziskavah informacijskih sistemov
3.1.2 Namen raziskave
Skupaj z naravo iskanja je mogoče uporabiti njegov namen
voditi raziskovalca pri izbiri določene metode
raziskovanje. Namen raziskovalnega projekta je tesno povezan
na položaj iskanja glede na iskalni cikel, ki ga sestavlja
tri faze: izgradnja teorije, testiranje teorije in izpopolnjevanje teorije
teorija. Torej, na podlagi zagona glede na iskalni cikel, a
raziskovalni projekt ima lahko pojasnjevalni, opisni namen
raziskovalno ali napovedno.
3.1.2.1 Raziskovalne raziskave
Raziskovalna raziskava je namenjena raziskovanju neke teme
popolnoma novo in oblikovati raziskovalna vprašanja in hipoteze
prihodnost. Ta vrsta raziskav se uporablja pri gradnji
teorije za pridobitev začetnih referenc na novem področju.
Običajno se uporabljajo kvalitativne raziskovalne metode, kot so primeri
študijskih ali fenomenoloških študij.
Vendar pa je mogoče uporabiti tudi kvantitativne tehnike, kot je npr
raziskovalne preiskave ali poskuse.
3.1.3.3 Opisno iskanje
Deskriptivna raziskava je v veliki meri namenjena analizi in opisovanju
podrobnosti o določeni situaciji ali organizacijski praksi. to
je primeren za gradnjo teorije in se lahko uporablja tudi za
potrdi ali oporeka hipotezam. Običajno deskriptivna raziskava
vključuje uporabo meritev in vzorcev. Najprimernejše raziskovalne metode
vključujejo preiskave in analize predhodnikov.
3.1.2.3 Razlagalne raziskave
Razlagalne raziskave poskušajo razložiti, zakaj se stvari dogajajo.
Zgrajena je na dejstvih, ki so bila že preučena in jih poskuša najti
razloge za ta dejstva.
Razlagalne raziskave so torej običajno zgrajene na raziskavah
raziskovalno ali opisno in je pomožno pri testiranju in izpopolnjevanju
teorije. Razlagalne raziskave običajno uporabljajo študije primerov
ali raziskovalne metode, ki temeljijo na raziskavah.
3.1.2.4 Preventivne raziskave
Preventivne raziskave so namenjene napovedovanju dogodkov in vedenja
pod opazovanjem, ki se preučujejo (Marshall in Rossman
1995). Napoved je standardni znanstveni test resnice.
Ta vrsta raziskav običajno uporablja ankete ali analize
Podatki zgodovinarji. (Yin 1989)
Zgornja razprava kaže, da jih je več
možne raziskovalne metode, ki jih je mogoče uporabiti v študiji
posebno. Vendar mora obstajati posebna metoda, ki je primernejša
drugih za določeno vrsto raziskovalnega projekta. (Galerji
1987, Yin 1989, De Vaus 1991). Vsak raziskovalec ima torej
je treba skrbno oceniti prednosti in slabosti
različne metode, da pridejo do sprejetja najprimernejše raziskovalne metode e
združljiv z raziskovalnim projektom. (Jenkins 1985, Pervan in Klass
1992, Bonomia 1985, Yin 1989, Himilton in Ives 1992).
3.2. Možni načini iskanja
Cilj tega projekta je bil preučiti izkušnje v
Avstralske organizacije z i Podatki shranjen z enim
razvoj podatkovno skladišče. Datum ki trenutno obstaja ena
pomanjkanje raziskav na področju shranjevanja podatkov v Avstraliji,
ta raziskovalni projekt je še v teoretični fazi cikla
raziskovanje in ima raziskovalni namen. Raziskovanje izkušenj v
Avstralske organizacije, ki sprejemajo shranjevanje podatkov
zahteva interpretacijo resnične družbe. Posledično je
sledi filozofska predpostavka, na kateri temelji raziskovalni projekt
tradicionalno razlago.
Po temeljitem pregledu razpoložljivih metod so bili identificirani
dve možni raziskovalni metodi: ankete in študije primerov
(študije primerov), ki jih lahko uporabimo za raziskovanje
raziskovalno (Shanks et al. 1993). Galliers (1992) trdi, da
primernost teh dveh metod za to posebno študijo v
njena revidirana taksonomija pravi, da so primerni za gradnjo
teoretično. Naslednja dva pododdelka obravnavata vsako metodo v
podrobnosti.
3.2.1 Anketna raziskovalna metoda
Anketna raziskovalna metoda izhaja iz starodavne metode
popis prebivalstva. Popis je sestavljen iz zbiranja informacij iz
celotno populacijo. Ta metoda je draga in nepraktična
še posebej, če je populacija velika. Torej, v primerjavi z
popisu prebivalstva, je raziskava običajno osredotočena na
zbrati informacije za majhno število ali vzorec
predstavniki prebivalstva (Fowler 1988, Neuman 1994). A
vzorec odraža populacijo, iz katere je vzet, z različnimi
ravni natančnosti, glede na strukturo vzorca,
velikost in uporabljena metoda izbire (Fowler 1988, Babbie
1982, Neuman 1994).
Preiskovalna metoda je opredeljena kot "posnetki praks,
situacije ali pogledi v določenem trenutku, izvedeni z uporabo
vprašalnike ali intervjuje, iz katerih je mogoče sklepati
narejeno« (Galliers 1992:153) [takojšnja fotografija praks,
situacije ali pogledi v določenem trenutku, izvedeni z uporabo
vprašalniki ali intervjuji, iz katerih je mogoče sklepati]. The
preiskave se ukvarjajo z zbiranjem informacij o določenih vidikih
študije z določenim številom udeležencev, izdelavo
vprašanja (Fowler 1988). Tudi ti vprašalniki intervjuji, ki
vključujejo telefonske in strukturirane intervjuje iz oči v oči,
so tehnike zbiranja Podatki najpogosteje uporablja v
preiskave (Blalock 1970, Nachmias in Nachmias 1976, Fowler
1988), se lahko uporabijo opazovanja in analize (Gable
1994). Od vseh teh načinov zbiranja Podatki, uporaba
vprašalnik je najbolj priljubljena tehnika, saj zagotavlja, da i Podatki
zbrani so strukturirani in oblikovani ter zato olajšajo
klasifikacija informacij (Hwang 1987, de Vaus 1991).
Pri analizi i Podatki, preiskovalna strategija pogosto uporablja
kvantitativne tehnike, kot je statistična analiza, lahko pa so
uporabljajo se tudi kvalitativne tehnike (Galliers 1992, Pervan
in Klass 1992, Gable 1994). Običajno, i Podatki zbrani so
uporablja za analizo distribucij in vzorcev povezav
(Fowler 1988).
Čeprav so ankete na splošno primerne za raziskovanje
ki se ukvarjajo z vprašanjem 'kaj?' (kaj) oz
izpeljavo, kot sta 'quanto' (koliko) in 'quant'è' (koliko), oni
se lahko zastavi z vprašanjem "zakaj" (Sonquist in
Dunkelberg 1977, Yin 1989). Po Sonquistu in Dunkelbergu
(1977), raziskovalna preiskava cilja na težke hipoteze, program
vrednotenje, opisovanje populacije in razvijanje modelov
človeško vedenje. Poleg tega se lahko uporabljajo ankete
preučiti določeno mnenje prebivalstva, razmere,
mnenja, značilnosti, pričakovanja in celo pretekla vedenja
ali sedanjost (Neuman 1994).
Preiskave omogočajo raziskovalcu, da odkrije razmerja med
populacijo in rezultati so običajno bolj splošni kot
druge metode (Sonquist in Dunkelberg 1977, Gable 1994). The
raziskave omogočajo raziskovalcem, da pokrijejo geografsko območje
širše in doseči veliko prijaviteljev (Blalock 1970,
Sonquist in Dunkelberg 1977, Hwang in Lin 1987, Gable 1994,
Neuman 1994). Nazadnje lahko informacije zagotovijo ankete
ki niso na voljo drugje ali v obliki, ki je potrebna za analize
(Fowler 1988).
Vendar pa obstajajo nekatere omejitve pri izvedbi ankete. ena
slabost je, da raziskovalec ne more dobiti veliko informacij
glede preučevanega predmeta. To je posledica dejstva, da
preiskave se izvajajo samo ob določenem času in zato
obstaja omejeno število spremenljivk in ljudi, ki jih lahko raziskovalec
študija (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998).
Druga pomanjkljivost je, kaj je lahko izvajanje ankete
zelo drago v smislu časa in sredstev, zlasti če
vključuje intervjuje iz oči v oči (Fowler 1988).
3.2.2. Poizvedovalna raziskovalna metoda
Poizvedovalna raziskovalna metoda vključuje poglobljeno preučevanje
določena situacija v njenem realnem kontekstu v a
določenem časovnem obdobju, brez posredovanja s strani
raziskovalec (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985).
V glavnem se ta metoda uporablja za opis odnosov med
spremenljivke, ki se preučujejo v določeni situaciji
(Galliers 1992). Preiskave lahko vključujejo posamezne primere oz
več, odvisno od analiziranega pojava (Franz in Robey 1987,
Eisenhardt 1989, Yin 1989).
Poizvedovalna raziskovalna metoda je opredeljena kot »poizvedovanje
empirična študija, ki proučuje sodobni pojav znotraj
relativni realni kontekst, z uporabo več virov, zbranih iz enega oz
več subjektov, kot so ljudje, skupine ali organizacije« (Yin 1989).
Med pojavom in njegovim kontekstom ni jasne ločitve e
ni nadzora ali eksperimentalne manipulacije spremenljivk (Yin
1989, Benbasat et al. 1987).
Obstajajo različne tehnike zbiranja bogov Podatki da lahko
biti zaposleni v metodi poizvedovanja, ki vključuje
neposredna opazovanja, pregledi arhivskih zapisov, vprašalniki,
pregled dokumentacije in strukturirani intervjuji. imeti
pester nabor tehnik žetve Podatki, preiskave
omogočajo raziskovalcem, da se ukvarjajo z obema Podatki kvalitativno tisto
količinah hkrati (Bonoma 1985, Eisenhardt 1989, Yin
1989, Gable 1994). Kot v primeru anketne metode, a
poizvedovalni raziskovalec deluje kot opazovalec ali raziskovalec in ne
kot aktivni udeleženec proučevane organizacije.
Benbasat in drugi (1987) trdijo, da je raziskovalna metoda
še posebej primeren za teoretično gradnjo raziskav, ki
začnite z raziskovalnim vprašanjem in nadaljujte z usposabljanjem
teorije med postopkom zbiranja Podatki. Biti
primerna tudi za na oder
gradnje teorije Franz in Robey (1987) menita, da
Metoda povpraševanja se lahko uporablja tudi za kompleks
teorijska faza. V tem primeru na podlagi zbranih dokazov eno
dana teorija ali hipoteza preverjena ali ovržena. Plus, preiskava je
primeren tudi za raziskave, ki se ukvarjajo z vprašanji "kako" ali "kako".
'zakaj' (Yin 1989).
V primerjavi z drugimi metodami ankete raziskovalcu omogočajo
podrobneje zajeti bistvene informacije (Galliers
1992, Shanks et al 1993). Poleg tega preiskave omogočajo
raziskovalec razumeti naravo in kompleksnost proučevanih procesov
(Benbasat et al. 1987).
Z metodo so povezane štiri glavne pomanjkljivosti
preiskava. Prvi je pomanjkanje nadzorovanih odbitkov. tam
subjektivnost raziskovalca lahko spremeni rezultate in zaključke
študije (Yin 1989). Druga pomanjkljivost je pomanjkanje
nadzorovano opazovanje. Za razliko od eksperimentalnih metod,
raziskovalec ne more nadzorovati preučevanih pojavov
kot so preučeni v njihovem naravnem kontekstu (Gable 1994). The
tretja pomanjkljivost je pomanjkanje ponovljivosti. To je posledica dejstva
da raziskovalec verjetno ne bo opazoval istih dogodkov in
ne more preveriti rezultatov določene študije (Lee 1989).
Nazadnje, zaradi neponovljivosti je težko
posplošiti rezultate, pridobljene z eno ali več raziskavami (Galliers
1992, Shanks et al 1993). Vse te težave pa ne
so nepremostljive in jih je dejansko mogoče zmanjšati
raziskovalec uporablja ustrezne ukrepe (Lee 1989).
3.3. Utemelji raziskovalno metodologijo
sprejeti
Od dveh možnih raziskovalnih metod za to študijo je metoda
preiskava velja za najprimernejšo. To preiskave je
je bil po skrbnem premisleku ustreznih zavržen
prednosti in slabosti. Priročnost ali neprimernost vsakega
Metoda za to študijo je obravnavana spodaj.
3.3.1. Neprimerna raziskovalna metoda
poizvedbe
Metoda poizvedovanja zahteva poglobljeno študijo o enem
posebna situacija v eni ali več organizacijah za a
časovno obdobje (Eisenhardt 1989). V tem primeru lahko obdobje
preseči časovni okvir, določen za to študijo. Še ena
razlog za nesprejemanje anketne metode so rezultati
lahko trpijo zaradi pomanjkanja strogosti (Yin 1989). Subjektivnost
raziskovalca lahko vpliva na rezultate in zaključke. Še ena
razlog je v tem, da je ta metoda bolj primerna za raziskovanje vprašanj
tipa 'kako' ali 'zakaj' (Yin 1989), medtem ko raziskovalno vprašanje
za to študijo je tipa "kaj". Ne nazadnje
Pomembno pa je, da je težko posploševati ugotovitve le iz enega oz
nekaj raziskav (Galliers 1992, Shanks et al 1993). Na podlagi
ta racionalna razlaga raziskovalna metoda ni
je bil izbran, ker ni bil primeren za to študijo.
3.3.2. Priročnost metode iskanja
preiskavo
Ko je bila ta raziskava izvedena, je praksa skladiščenja podatkov
ni bil široko sprejet
avstralske organizacije. Torej ni bilo veliko informacij
glede njihovega izvajanja v okviru
avstralske organizacije. Prišle so razpoložljive informacije
od organizacij, ki so implementirale ali uporabljale podatke
skladišče. V tem primeru je najbolj anketna raziskovalna metoda
primeren, saj omogoča pridobivanje informacij, ki niso
na voljo drugje ali v obliki, ki je potrebna za analizo (Fowler 1988).
Poleg tega anketna raziskovalna metoda omogoča raziskovalcu, da
dobili dober vpogled v prakse, situacije, oz
viden ob določenem času (Galliers 1992, Denscombe 1998).
Za povečanje je bil potreben splošni pogled
poznavanje avstralskih izkušenj s shranjevanjem podatkov.
Ponovno Sonquist in Dunkelberg (1977) trdita, da so rezultati
Anketne raziskave so bolj splošne kot druge metode.
3.4. Raziskovalno načrtovanje ankete
Preiskava prakse skladiščenja podatkov je bila izvedena leta 1999.

Ciljno populacijo so sestavljale organizacije
Avstralci so se zanimali za študije o skladiščenju podatkov
verjetno že obveščen o i Podatki ki jih shranjujejo in,
zato bi lahko zagotovil koristne informacije za to študijo. tam
ciljna populacija je bila opredeljena z začetno raziskavo
vsi avstralski člani 'The Data Warehousing Institute' (Tdwiaap).
Ta razdelek obravnava zasnovo raziskovalne faze
empirični dokazi te študije.
3.4.1. Tehnika zbiranja Podatki
Iz treh tehnik, ki se običajno uporabljajo v anketnih raziskavah
(tj. vprašalnik po pošti, telefonski intervju in intervju
osebno) (Nachmias 1976, Fowler 1988, de Vaus 1991), za
ta študija je sprejela vprašalnik po pošti. Prvi
razlog za sprejetje slednjega je, da lahko doseže a
geografsko razpršeno prebivalstvo (Blalock 1970, Nachmias e
Nachmias 1976, Hwang in Lin 1987, de Vaus 1991, Gable 1994).
Drugič, poštni vprašalnik je primeren za udeležence
visoko izobražen (Fowler 1988). Vprašalnik po pošti za to
študija je bila naslovljena na sponzorje projekta skladiščenja podatkov,
direktorji in/ali vodje projektov. Tretjič, vprašalniki stran
pošte so primerni, če imate varen seznam
naslove (Salant in Dilman 1994). TDWI, v tem primeru ena
združenje za zaupanja vredno skladiščenje podatkov je zagotovilo seznam naslovov
svojih avstralskih članov. Še ena prednost vprašalnika
po pošti v primerjavi s telefonskim vprašalnikom ali razgovori
osebno je, da registrantom omogoča več odgovorov
natančnost, zlasti ko se morajo registracijski zavezanci posvetovati
zapiske ali razpravljajte o vprašanjih z drugimi ljudmi (Fowler
1988).
Morebitna pomanjkljivost je lahko čas, potreben za
izvajajo vprašalnike po pošti. Običajno vprašalnik stran
pošta poteka v tem zaporedju: pošljite pisma, počakajte
odgovori in pošlji potrditev (Fowler 1988, Bainbridge 1989).
Tako je lahko skupni čas daljši od časa, potrebnega za
osebne razgovore ali za telefonske razgovore. Vendar pa je
skupni čas je lahko znan vnaprej (Fowler 1988,
Denscombe 1998). Čas, porabljen za vodenje intervjujev
osebnih podatkov ni mogoče poznati vnaprej, saj se razlikujejo od
en intervju drugemu (Fowler 1988). Telefonski intervjuji
je lahko hitrejši od poštnih vprašalnikov in
osebnih razgovorih, vendar je lahko visoka stopnja manjkajočih
odziv zaradi nedosegljivosti nekaterih ljudi (Fowler 1988).
Poleg tega so telefonski razgovori na splošno omejeni na sezname
razmeroma kratka vprašanja (Bainbridge 1989).
Druga slabost vprašalnika po pošti je visoka stopnja
pomanjkanje odziva (Fowler 1988, Bainbridge 1989, Neuman
1994). Vendar so bili sprejeti protiukrepi, povezovanje
to študijo z zaupanja vredno institucijo na področju podatkov
skladiščenje (t.i. TDWI) (Bainbridge 1989, Neuman 1994),
ki pošlje dve opomini tistim, ki se niso odzvali
(Fowler 1988, Neuman 1994) in vključuje tudi pismo
dodatek, ki pojasnjuje namen raziskave (Neuman 1994).
3.4.2. Enota za analizo
Namen te študije je pridobiti informacije o
implementacijo podatkovnega skladišča in njegovo uporabo
znotraj avstralskih organizacij. Ciljna populacija
sestavljajo vse avstralske organizacije, ki imajo
izvajajo ali izvajajo, tj podatkovno skladišče. v
posamezne organizacije se nato registrirajo. Vprašalnik
po pošti je bilo poslano organizacijam, ki se zanimajo za posvojitev
di podatkovno skladišče. Ta metoda zagotavlja, da informacije
zbrani izvirajo iz najprimernejših virov vsake organizacije
udeleženec.
3.4.3. Anketni vzorec
“Dopisni seznam” udeležencev ankete je bil pridobljen iz
TDWI. S tega seznama je 3000 avstralskih organizacij
so bili izbrani kot osnova za vzorčenje. A
dodatni dopis pojasnil projekt in namen preiskave,
skupaj z listom za odgovore in vnaprej plačano ovojnico za
pošlji nazaj izpolnjen vprašalnik so poslali vzorcu.
Od 3000 organizacij jih je 198 privolilo v sodelovanje
študija. Tako majhno število odzivov je bilo pričakovano datotek il
veliko število avstralskih organizacij, ki so jih takrat imeli
sprejeli ali so sprejeli datumsko strategijo
skladiščenje znotraj svojih organizacij. Torej
Ciljna populacija za to študijo je sestavljena iz samo 198
organizacije.
3.4.4. Vsebina vprašalnika
Struktura vprašalnika je temeljila na datumskem modelu
Monash skladiščenje (prej obravnavano v delu 2.3). The
Vsebina vprašalnika je temeljila na analizi
literatura, predstavljena v 2. poglavju. Kopija vprašalnika
poslano udeležencem ankete, najdete
v prilogi B. Vprašalnik je sestavljen iz šestih delov, ki
sledijo faze obravnavanega modela. Naslednjih šest odstavkov
na kratko povzemajo vsebino posameznega razdelka.
Razdelek A: Osnovne informacije o organizaciji
Ta razdelek vsebuje vprašanja v zvezi s profilom
sodelujočih organizacij. Poleg tega so nekatera vprašanja
v zvezi s stanjem projekta skladiščenja podatkov
udeleženec. Zaupne informacije, kot je vaše ime
organizacije niso bile razkrite v analizi ankete.
Odsek B: Začetek
Vprašanja v tem delu so povezana z začetno dejavnostjo
skladiščenje podatkov. Zastavljena so bila vprašanja, kako dolgo
zadeva pobudnike projekta, garante, sposobnosti in znanja
zahteve, cilje razvoja podatkovnega skladišča in
pričakovanja končnih uporabnikov.
Oddelek C: Oblikovanje
Ta razdelek vsebuje vprašanja v zvezi z dejavnostmi
načrtovanje podatkovno skladišče. Zlasti so vprašanja
navedite obseg izvedbe, trajanje projekta, stroške
projekta in analizo stroškov in koristi.
Oddelek D: Razvoj
V razdelku o razvoju so vprašanja v zvezi z dejavnostmi
razvoj podatkovno skladišče: zbirka zahtev uporabnikov
končno, viri Podatki, logični model Podatki, prototipi,
načrtovanje zmogljivosti, tehnične arhitekture in izbira
razvojna orodja za shranjevanje podatkov.
Oddelek E: Delovanje
Operacijska vprašanja v zvezi z operacijo ed
do razširljivosti podatkovno skladišče, kako se razvija v
naslednjo fazo razvoja. tam kakovosti podatkov, strategije
osveži dei Podatki, zrnatost Podatki, razširljivost podatkov
skladišče in varnostne težave podatkovno skladišče sta bila med
vrste zastavljenih vprašanj.
Oddelek F: Razvoj
Ta razdelek vsebuje vprašanja v zvezi z uporabo podatkov
skladišče s strani končnih uporabnikov. Raziskovalca je zanimalo
na namen in uporabnost podatkovno skladišče, pregled in strategije
sprejetega usposabljanja in strategije nadzora podatkov
skladišče sprejet.
3.4.5. Stopnja odziva
Čeprav so ankete po pošti kritizirane zaradi stopnje
nizek odziv, so bili sprejeti ukrepi za povečanje
stopnja donosa (kot je bilo delno obravnavano prej
3.4.1). Izraz "stopnja odziva" se nanaša na odstotek
ljudi v določenem vzorcu raziskave, ki so odgovorili na
vprašalnik (Denscombe 1998). Uporabljeno je bilo naslednje
formula za izračun stopnje odziva za to študijo:
Število ljudi, ki so se odzvali
Stopnja odziva =
——————————————————————————– X 100
Skupno število poslanih vprašalnikov
3.4.6. Testni pilot
Preden se vprašalnik pošlje vzorcu, so vprašanja
pregledali z izvajanjem pilotnih testov, kot je predlagal Luck
in Rubin (1987), Jackson (1988) in de Vaus (1991). Namen
pilotnih testov je razkriti vse nerodne, dvoumne in izraze
vprašanja, ki jih je težko interpretirati, razjasniti kakršna koli
uporabljenih definicij in izrazov ter za prepoznavanje približnega časa
potrebno izpolniti vprašalnik (Warwick in Lininger 1975,
Jackson 1988, Salant in Dilman 1994). Pilotni testi so bili
izvajajo z izbiro predmetov s podobnimi značilnostmi
končnih predmetov, kot je predlagal Davis e Cosenza (1993). V
v tej študiji je sodelovalo šest strokovnjakov za shranjevanje podatkov
izbrani kot pilotni predmeti. Po vsakem pilotskem preizkusu so
potrebni popravki. Iz izvedenih pilotnih testov, tj
udeleženci pomagali preoblikovati in ponastaviti
končna različica vprašalnika.
3.4.7. Metode analize Podarite
I Podatki raziskave, zbrane iz zaprtih vprašalnikov, so
so bili analizirani s statističnim programskim paketom
imenovan SPSS. Veliko odgovorov je bilo analiziranih
uporabo deskriptivne statistike. Določeno število vprašalnikov
so vrnili nepopolne. Ti so bili zdravljeni z večjim
pozornost, da se prepričam, da i Podatki pogrešanih ni bilo niti enega
posledica napak pri vnosu podatkov, zakaj pa vprašanja ne
so bile za prijavitelja primerne ali pa se je prijavitelj odločil, da ne bodo
odgovori na eno ali več konkretnih vprašanj. Ti odgovori
manjkajoče so bile med analizo prezrte Podatki in so bili
kodirani kot '- 9', da se zagotovi njihova izključitev iz postopka
analize.
Pri pripravi vprašalnika so bila vprašanja zaprta
vnaprej kodiran z dodelitvijo številke vsaki možnosti. Število
nato so jo uporabili za pripravo i Podatki med analizo
(Denscombe 1998, Sapsford in Jupp 1996). Na primer, bili so
šest možnosti, navedenih v vprašanju 1 razdelka B: nasvet
upravni odbor, višji izvršni direktor, IT oddelek, enota
podjetij, svetovalcev in več. V datoteki Podatki SPSS, je
ustvarjena je bila spremenljivka, ki označuje "pobudnika projekta",
s šestimi vrednostnimi oznakami: '1' za 'upravni odbor', '2'
za "izvršilnega delavca na visoki ravni" in tako naprej. Uporaba Likertinove lestvice
pri nekaterih zaprtih vprašanjih tudi dovolil
identifikacija, ki glede na uporabo vrednot ne zahteva nobenega napora
ustrezne številke, vnesene v SPSS. Za vprašanja z
neizčrpne odgovore, ki se med seboj niso izključevali,
vsaka možnost je bila obravnavana kot ena spremenljivka z dvema
oznake vrednosti: '1 ' za 'označeno' in '2 ' za 'neoznačeno'.
Odprta vprašanja so bila obravnavana drugače kot vprašanja
zaprto. Odgovori na ta vprašanja niso bili vključeni
SPSS. Namesto tega so jih analizirali ročno. Uporaba tega
vrsta vprašanj vam omogoča pridobivanje informacij o idejah
svobodno izražene in osebne izkušnje anketirancev
(Bainbridge 1989, Denscombe 1998). Kjer je bilo mogoče, je bilo storjeno
kategorizacijo odgovorov.
Za analizo Podatki, uporabljajo se preproste metode statistične analize,
kot so pogostost odgovorov, povprečje, standardna deviacija
povprečje in mediana (Argyrous 1996, Denscombe 1998).
Gamma test je bil učinkovit za pridobivanje kvantitativnih meritev
povezav med Podatki ordinali (Norusis 1983, Argyrous 1996).
Ti testi so bili ustrezni, ker uporabljene ordinalne lestvice niso bile
imeli so veliko kategorij in jih je bilo mogoče prikazati v tabeli
(Norusis 1983).
3.5 Povzetek
V tem poglavju sta raziskovalna metodologija in
modelov, sprejetih za to študijo.
Izbira najprimernejše metode iskanja za a
posebna študija vključuje
upoštevanje številnih pravil, vključno z naravo in vrsto
raziskav, pa tudi prednosti in slabosti vsakega možnega
metoda (Jenkins 1985, Benbasat et al. 1097, Galliers in Land 1987,
yin 1989, Hamilton in ives 1992, Galliers 1992, neuman 1994). Pogled
pomanjkanje obstoječega znanja in teorije o tem
sprejetja skladiščenja podatkov v Avstraliji, ta študija avtorja
raziskava zahteva interpretativno raziskovalno metodo z veščino
raziskovalni za raziskovanje izkušenj organizacij
avstralski. Izbrana raziskovalna metoda je bila izbrana za
zbiranje informacij v zvezi s sprejetjem koncepta datuma
skladiščenje avstralskih organizacij. A
kot tehnika zbiranja je bil izbran poštni vprašalnik Podatki.
utemeljitve raziskovalne metode in tehnike zbiranja Podatki
izbrani bodo navedeni v tem poglavju. Tudi je bilo
predstavil razpravo o analizni enoti, vzorcu
uporabljeno, odstotke odgovorov, vsebino vprašalnika,
predtestiranje vprašalnika in metoda analize Podatki.

Oblikovanje a Podatkovno skladišče:
Združevanje odnosov entitet in dimenzijskega modeliranja
POVZETEK
Trgovina i Podatki Za mnoge je to trenutno glavno vprašanje
organizacije. Ključni problem v razvoju
shranjevanja Podatki to je njegov dizajn.
Zasnova mora podpirati zaznavanje konceptov v podatkih
skladišča v stari sistem in druge vire Podatki in tudi enega
enostavno razumevanje in učinkovitost pri implementaciji podatkov
skladišče.
Velik del literature o shranjevanju Podatki priporočljivo
uporabo modeliranja odnosov med entitetami ali dimenzijskega modeliranja za
predstavljajo oblikovanje podatkovno skladišče.
V tem članku prikazujemo, kako oboje
predstavitve je mogoče združiti v en pristop za
risanje podatkovno skladišče. Uporabljen pristop je sistematičen
preučen v študiji primera in je identificiran v številnih
pomembne posledice s strokovnjaki.
SKLADIŠČENJE PODATKOV
Un podatkovno skladišče je običajno opredeljen kot »predmetno usmerjen,
integrirano, časovno spremenljivo in nehlapno zbiranje podatkov v podporo
odločitev vodstva« (Inmon in Hackathorn, 1994).
Predmetno usmerjeno in integrirano kaže, da je podatkovno skladišče è
zasnovan tako, da prestopa funkcionalne meje podedovanih sistemov za
ponujajo celostno perspektivo Podatki.
Časovna različica se ukvarja z zgodovinsko ali časovno serijsko naravo videa Podatki in
un podatkovno skladišče, ki omogoča analizo trendov.
Nehlapno pomeni, da je podatkovno skladišče ni neprekinjeno
posodobljen kot a Baza podatkov OLTP. Namesto tega je posodobljen
občasno, z Podatki iz notranjih in zunanjih virov. The
podatkovno skladišče zasnovan je posebej za raziskave
namesto za celovitost posodobitev in delovanje
operacije.
Zamisel o shranjevanju i Podatki ni novost, je bil eden od namenov
upravljanja z Podatki od šestdesetih (Il Martin, 1982).
I podatkovno skladišče ponujajo infrastrukturo Podatki za upravljanje
podporni sistemi. Sistemi za podporo upravljanju vključujejo odločanje
podporni sistemi (DSS) in izvršni informacijski sistemi (EIS).
DSS je računalniško podprt informacijski sistem, ki je
zasnovan tako, da izboljša proces in posledično oprijem
človeška odločitev. EIS je običajno sistem dostave
Podatki ki vodstvenim delavcem omogoča enostaven dostop do pogleda
za Podatki.
Splošna arhitektura a podatkovno skladišče izpostavlja vlogo
podatkovno skladišče v podporo vodstvu. Poleg ponudbe
infrastrukturo Podatki za EIS in DSS, al podatkovno skladišče je možno
do njega dostopate neposredno prek poizvedb. THE Podatki vključeno v datum
skladišča temeljijo na analizi informacijskih potreb
upravljanja in so pridobljeni iz treh virov: notranjih podedovanih sistemov,
sistemi za zajem podatkov za posebne namene in zunanji viri podatkov. THE
Podatki v notranjih podedovanih sistemih so pogosto odveč,
nedosleden, nizke kakovosti in shranjen v več formatih
zato jih je treba uskladiti in očistiti, preden jih lahko naložite v
podatkovno skladišče (Inmon, 1992; McFadden, 1996). THE Podatki od
iz sistemov za shranjevanje Podatki ad hoc in iz virov Podatki
zunanji se pogosto uporabljajo za povečanje (posodobitev, zamenjavo) i
Podatki iz podedovanih sistemov.
Obstaja veliko tehtnih razlogov za razvoj a podatkovno skladišče,
ki vključujejo boljše odločanje z uporabo
učinkovito več informacij (Ives 1995), podpora za fokus
o celotnem poslovanju (Graham 1996) in znižanju stroškov oz
zagotavljanje Podatki za EIS in DSS (Graham 1996, McFadden
1996).
Nedavna empirična študija je v povprečju pokazala donosnost
investicije za i podatkovno skladišče za 401 % po treh letih (Graham,
1996). Vendar pa druge empirične študije o podatkovno skladišče imajo
odkril znatne težave, vključno s težavami pri merjenju ed
pripisovanje koristi, pomanjkanje jasnega namena, podcenjevanje le-tega
namen in zahtevnost procesa shranjevanja i Podatkiv
zlasti glede virov in čistosti Podatki.
Trgovina i Podatki lahko obravnavamo kot rešitev
na problem upravljanja z Podatki med organizacijami. tam
manipulacija z Podatki kot družbeni vir je ostal eden izmed
ključna vprašanja pri upravljanju informacijskih sistemov v celotnem
svetu že vrsto let (Brancheau et al. 1996, Galliers et al. 1994,
Niederman et al. 1990, Pervan 1993).
Priljubljen pristop k upravljanju premoženja Podatki v osemdesetih je bilo
razvoj modela Podatki socialni. Model Podatki socialna je bila
zasnovan tako, da ponuja stabilno podlago za razvoj novih sistemov
aplikacije e Baza podatkov ter obnovo in integracijo dediščine
sistemi (Brancheau et al.
1989, Goodhue et al. 1988:1992, Kim in Everest 1994).
Vendar pa je s tem pristopom veliko težav, v
zlasti kompleksnost in stroški vsake naloge ter dolgotrajnost
morajo imeti oprijemljive rezultate (Beynon-Davies 1994, Earl
1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997).
Il podatkovno skladišče gre za ločeno bazo podatkov, ki obstaja sočasno s podedovanimi
baze podatkov, namesto da bi jih nadomestili. Zato vam omogoča, da
usmerjati upravljanje Podatki in se izognili dragi rekonstrukciji
podedovanih sistemov.
OBSTOJEČI PRISTOPI K OBLIKOVANJU PODATKOV
SKLADIŠČE
Proces gradnje in izpopolnjevanja a podatkovno skladišče
je treba razumeti bolj kot evolucijski proces in ne kot
življenjski cikel razvoja tradicionalnih sistemov (Desio, 1995, Shanks,
O'Donnell in Arnott 1997a). Pri a
projekt oz podatkovno skladišče kot je inicializacija, načrtovanje;
informacije, pridobljene na podlagi zahtev, zastavljenih vodjem podjetij;
viri, transformacije, čiščenje Podatki in sinhronizacijo iz podedovanja
sistemov in drugih virov Podatki; sistemi dostave v razvoju;
spremljanje podatkovno skladišče; in nesmiselnost postopka
evolucijski in konstrukcija a podatkovno skladišče (Smrdi, O'Donnell
in Arnott 1997b). V tej reviji se osredotočamo na to, kako
nariši i Podatki shranjeni v kontekstu teh drugih procesov.
Za arhitekturo podatkov je predlaganih več pristopov
skladišče v literaturi (Inmon 1994, Ives 1995, Kimball 1994
McFadden 1996). Vsaka od teh metodologij ima povzetek
pregled z analizo njihovih prednosti in slabosti.
Inmonov (1994) pristop k Podatkovno skladišče
Oblikovanje
Inmon (1994) je predlagal štiri iterativne korake za risanje podatkov
skladišče (glej sliko 2). Prvi korak je oblikovanje predloge
Podatki socialno, da razumem, kako sem Podatki se lahko integrira
na funkcionalnih področjih znotraj organizacije
delitev i Podatki hranite na območjih. Model Podatki je narejen za
shraniti Podatki ki se nanašajo na odločanje, vključno z Podatki
zgodovinski in vključeni Podatki odšteti in sešteti. Drugi korak je
opredeliti področja izvajanja. Te temeljijo
na prioritete, ki jih določi določena organizacija. Tretji
korak vključuje risanje a Baza podatkov za predmetno področje, poze
posebno pozornost posvetite vključitvi ustreznih ravni razdrobljenosti.
Inmon priporoča uporabo modela entitet in odnosov. Četrtič
korak je identificirati izvorne sisteme Podatki potrebno in razvijati
procesi preoblikovanja za zajemanje, čiščenje in formatiranje i Podatki.
Prednosti Inmonovega pristopa so, da model Podatki socialne
ponuja osnovo za integracijo Podatki znotraj organizacije
in podpira načrtovanje za iterativni razvoj podatkov
skladišče. Njegove pomanjkljivosti so težavnost in stroški risanja
model Podatki socialne, težave pri razumevanju modelov entitet in
razmerja, uporabljena v obeh modelih, to Podatki socialno in to od Podatki
shranjenih po tematskih področjih in ustreznosti Podatki od
risanje podatkovno skladišče za uresničitev Baza podatkov
relacijski, vendar ne za Baza podatkov večdimenzionalen.
Ives' (1995) Pristop k Podatkovno skladišče
Oblikovanje
Ives (1995) predlaga štiristopenjski pristop k oblikovanju a
informacijski sistem, za katerega meni, da je primeren za oblikovanje podatkov
skladišče (glej sliko 3). Pristop zelo temelji na
Informacijski inženiring za razvoj informacijskih sistemov
(Martin 1990). Prvi korak je določitev ciljev, dejavnikov
kritični in uspešni ter ključni kazalniki uspešnosti. THE
ključni poslovni procesi in potrebne informacije so
modeliran, da nas pripelje do modela Podatki socialni. Drugi korak
vključuje razvoj definirajoče arhitekture Podatki
shranjeno po območjih, Baza podatkov di podatkovno skladišče, komponente
tehnologije, ki je potrebna, nabor organizacijske podpore
potrebno za izvajanje in delovanje podatkovno skladišče. Tretji
korak vključuje izbiro potrebnih programskih paketov in orodij.
Četrti korak je podrobna zasnova in izdelava
podatkovno skladišče. Ives ugotavlja, da trgovina Podatki on je vezan človek
iterativni proces.
Moč Ivesovega pristopa je uporaba posebnih tehnik za
določiti informacijske zahteve, uporabo strukturiranega
proces za podporo integracije podatkovno skladišče,
ustrezno izbiro strojne in programske opreme ter uporabo več
reprezentančne tehnike za podatkovno skladišče. Njegove pomanjkljivosti
so neločljivo povezani s kompleksnostjo. Druge vključujejo težave pri
razvijejo številne ravni Baza podatkov all'interno del podatkovno skladišče in
razumne čase in stroške.
Kimballov (1994) pristop k Podatkovno skladišče
Oblikovanje
Kimball (1994) je predlagal pet ponavljajočih se korakov za risanje podatkov
skladišče (glej sliko 4). Njegov pristop je še posebej
namenjen oblikovanju samo enega podatkovno skladišče in o uporabi modelov
dimenzionalni namesto modelov entitet in odnosov. Kimball
analiziram te dimenzionalne modele, ker jih lažje razumem
vodilni poslovni posli, je učinkovitejši pri poslovanju
kompleksna svetovanja in oblikovanje Baza podatkov fizično je več
učinkovit (Kimball 1994). Kimball priznava, da je razvoj a
podatkovno skladišče je iterativno in to podatkovno skladišče ločeni lahko
vključiti z razdelitvijo v dimenzijske tabele
običajni.
Prvi korak je opredelitev določenega predmetnega področja
izpopolnjena. Drugi in tretji korak se nanašata na oblikovanje
dimenzijski. V drugem koraku meritve identificirajo stvari
zanimanje za predmetno področje in združeni v tabelo dejstev.
Na primer, na predmetnem področju prodaje meritve obresti
lahko vključuje količino prodanih predmetov in dolar
kot prodajno valuto. Tretji korak vključuje identifikacijo
dimenzije, ki so načini, na katere jih je mogoče združiti i
dejstva. Na prodajnem predmetnem področju ustrezne dimenzije
lahko vključuje predmet, lokacijo in časovno obdobje. tam
tabela dejstev ima večdelni ključ za povezavo do vsakega
dimenzijskih tabel in običajno vsebuje zelo veliko število
poln dejstev. Nasprotno pa dimenzijske tabele vsebujejo
opisne informacije o dimenzijah in drugih atributih, ki
se lahko uporablja za združevanje dejstev. Tabela dejstev e
dimenzije, povezane s predlogom, tvorijo tako imenovano eno
zvezdast vzorec zaradi svoje oblike. Četrti korak vključuje
gradnja a Baza podatkov večdimenzionalen, da ga izpopolni
zvezdasti vzorec. Zadnji korak je identifikacija izvornih sistemov Podatki
potrebni in razvijajo procese preoblikovanja za pridobivanje, čiščenje
in format i Podatki.
Prednosti Kimballovega pristopa vključujejo uporabo modelov
dimenzionalno predstavljati i Podatki shranjeni, zaradi česar je
enostaven za razumevanje in vodi k učinkoviti fizični zasnovi. A
dimenzionalni model, ki prav tako zlahka uporablja oboje
sistemi Baza podatkov relacijski se lahko izpopolnijo ali sistemi
Baza podatkov večdimenzionalen. Njegove pomanjkljivosti vključujejo pomanjkanje
nekaterih tehnik za lažje načrtovanje ali integracijo
veliko zvezdnih vzorcev v enem podatkovno skladišče in
težave pri načrtovanju iz skrajne denormalizirane strukture v a
dimenzijski model a Podatki v podedovanih sistemih.
McFaddenov (1996) pristop k podatkom
Oblikovanje skladišča
McFadden (1996) predlaga pristop v petih korakih
pripravi a podatkovno skladišče (glej sliko 5).
Njegov pristop temelji na sintezi idej iz literature
in je osredotočen na oblikovanje samo enega podatkovno skladišče. Prvi
korak vključuje analizo zahtev. Čeprav posebnosti
tehnike niso predpisane, McFaddenove opombe identificirajo
entiteta Podatki specifikacije in njihove lastnosti ter se nanaša na bralnike Watson
in Frolick (1993) za zajemanje zahtev.
V drugem koraku se nariše model odnosa entitete
podatkovno skladišče in nato potrdijo vodje podjetij. Tretji
korak vključuje določanje preslikave iz starega sistema
in zunanji viri podatkovno skladišče. Četrti korak vključuje
procesov pri razvoju, uvajanju in sinhronizaciji Podatki v
podatkovno skladišče. V zadnjem koraku je sistem dostavljen
razvit s posebnim poudarkom na uporabniškem vmesniku.
McFadden poudarja, da je postopek risanja na splošno
iterativno.
Prednosti McFaddenovega pristopa kažejo na sodelovanje
vodje podjetij pri določanju zahtev in tudi
pomen virov Podatki, njihovo čiščenje in prevzem. Njo
pomanjkljivosti se nanašajo na pomanjkanje postopka za delitev a
odličen projekt avtorja podatkovno skladišče v številnih integriranih fazah in tam
težave z razumevanjem modelov entitet in odnosov, uporabljenih pri oblikovanju
podatkovno skladišče.

admin CEO

👍Spletna spletna agencija | Spletna agencija strokovnjak za digitalni marketing in SEO. Spletna agencija Online je spletna agencija. Za Agenzia Web Online uspeh pri digitalni transformaciji temelji na temeljih Iron SEO različice 3. Posebnosti: sistemska integracija, integracija poslovnih aplikacij, storitveno usmerjena arhitektura, računalništvo v oblaku, podatkovno skladišče, poslovna inteligenca, veliki podatki, portali, intraneti, spletne aplikacije Oblikovanje in upravljanje relacijskih in večdimenzionalnih baz podatkov Oblikovanje vmesnikov za digitalne medije: uporabnost in grafika. Spletna spletna agencija ponuja podjetjem naslednje storitve: -SEO na Google, Amazon, Bing, Yandex; - Spletna analitika: Google Analytics, Google Tag Manager, Yandex Metrica; -Konverzije uporabnikov: Google Analytics, Microsoft Clarity, Yandex Metrica; -SEM na Google, Bing, Amazon Ads; - Trženje na družbenih medijih (Facebook, Linkedin, Youtube, Instagram).

Oglejte si celotno biografijo

Digitalni marketing Baze podatkov DBMS Podatkovno skladišče Znanost podatki spletno oglaševanje Informacijska tehnologija Spletna agencija Oglaševalska agencija Trženje