Data Warehousing jeung Enterprise Resource Planning | DWH sareng ERP

ARSIP DATA PUSAT: SEJARAH ED EVOLUSI

Dua téma dominan tina téhnologi perusahaan di 90s éta i data gudang jeung ERP. Pikeun lila dua arus anu kuat ieu mangrupikeun bagian tina IT perusahaan tanpa aya persimpangan. Éta ampir saolah-olah éta jirim sareng anti-materi. Tapi tumuwuhna duanana fenomena geus inevitably ngarah ka simpang maranéhanana. Pausahaan dinten ieu nyanghareupan masalah naon anu kudu dipigawé kalayan ERP na data gudang. Tulisan ieu bakal ngajelaskeun naon masalahna sareng kumaha perusahaan ngabéréskeunana.

DI MULAI…

Dina awalna aya nu data gudang. Gudang data dijieun pikeun counteract sistem aplikasi processing transaksi. Dina poé mimiti memorization tina dati ieu dimaksudkan ngan hiji counterpoint kana aplikasi processing urus. Tapi ayeuna aya visi anu langkung canggih ngeunaan naon a data gudang. Di dunya dinten ieu teh data gudang Éta diselapkeun dina struktur anu tiasa disebut Pabrik Informasi Perusahaan.

PABRIK INFORMASI KORPORAT (CIF)

Pabrik Informasi Perusahaan gaduh komponén arsitéktur standar: tingkat transformasi sareng integrasi kode anu ngahijikeun dati sedengkeun kuring dati aranjeunna mindahkeun tina lingkungan aplikasi nuju lingkungan tina data gudang pausahaan; a data gudang pausahaan mana nu dati ahli sajarah lengkep jeung terpadu. The data gudang tina perusahaan janten pondasi dimana sadaya bagian sanés lingkungan perusahaan tiasa diwangun data gudang; toko data operasional (ODS). Hiji ODS mangrupakeun struktur hibrid nu ngandung sababaraha aspék tina data gudang jeung aspék séjén lingkungan OLTP; data marts, dimana departemén béda bisa boga versi sorangan tina data gudang; a data gudang eksplorasi dimana "filosofi" perusahaan tiasa ngalebetkeun patarosan 72-jam na tanpa pangaruh ngabahayakeun kana data gudang; sarta mémori garis deukeut, di mana dati heubeul jeung dati rinci bulk bisa disimpen murah.

Dimana ERP ngagabungkeun jeung THE PABRIK INFORMASI PERUSAHAAN

ERP ngahiji sareng Pabrik Informasi Perusahaan di dua tempat. Kahiji salaku aplikasi dasar (baseline) nu nyadiakeun i dati tina aplikasi pikeun data gudang. Dina hal ieu i dati, dihasilkeun salaku hasil gigir tina prosés urus, anu terpadu jeung dimuat kana data gudang pausahaan. Titik kadua ngahiji antara ERP sareng CIF sareng ODS. Kanyataanna, dina loba lingkungan ERP dipaké salaku ODS Palasik.

Upami ERP dianggo salaku aplikasi dasar, ERP anu sami ogé tiasa dianggo dina CIF salaku ODS. Dina naon waé, upami ERP dianggo dina dua kalungguhan, kedah aya bédana anu jelas antara dua éntitas éta. Dina basa sejen, nalika ERP maénkeun peran aplikasi dasar sarta ODS, dua éntitas arsitéktur kudu dibédakeun. Lamun palaksanaan ERP tunggal nyoba nedunan duanana kalungguhan sakaligus bakal aya inevitably masalah dina rarancang jeung palaksanaan struktur éta.

ODS misah jeung APLIKASI DASAR

Aya seueur alesan anu nyababkeun pamisahan komponén arsitéktur. Panginten masalah anu paling nyarios pikeun misahkeun komponén anu béda dina arsitéktur nyaéta unggal komponén arsitéktur gaduh pandangan sorangan. Aplikasi dasar ngagaduhan tujuan anu béda ti ODS. Coba tumpang tindih

pandangan aplikasi dasar dina dunya ODS atanapi sabalikna sanés cara anu leres pikeun damel.

Akibatna, masalah mimiti hiji ERP dina CIF nyaéta pikeun pariksa naha aya bédana antara aplikasi dasar jeung ODS.

MODÉL DATA DI KORPORAT PABRIK INFORMASI

Pikeun ngahontal kohési antara komponén béda tina arsitektur CIF, kudu aya model dati. Model tina dati aranjeunna ngawula ka salaku tumbu antara rupa komponén arsitektur kayaning aplikasi dasar na ODS. Model tina dati aranjeunna jadi "peta jalan intelektual" pikeun meunangkeun harti katuhu tina komponén arsitéktur béda tina CIF.

Bade leungeun dina anggapan ieu, gagasan anu kudu aya hiji model badag tur tunggal tina dati. Jelas kudu aya model dati pikeun tiap komponén sarta ogé kudu aya jalur wijaksana nyambungkeun model béda. Unggal komponén arsitéktur - ODS, aplikasi dasar, data gudang pausahaan, jeung saterusna .. – perlu model sorangan dati. Janten kedah aya definisi anu tepat ngeunaan kumaha modél ieu dati aranjeunna panganteur saling.

MANGKEUN I DATA OF THE ERP IN DATA THE GUDANG

Lamun asal usul teh dati mangrupakeun aplikasi dasar na / atanapi ODS, nalika ERP inserts i dati nel data gudang, sisipan ieu kudu lumangsung dina tingkat panghandapna "granularity". Kantun nyimpulkeun atanapi agrégat i dati sabab kaluar tina aplikasi dasar ERP atanapi ERP ODS sanes hal anu leres. THE dati rinci diperlukeun dina data gudang pikeun ngawangun dasar prosés DSS. Sapertos dati bakal reshaped ku sababaraha cara ku data marts sarta eksplorasi tina data gudang.

The pindah tina dati ti lingkungan aplikasi dasar ERP ka data gudang perusahaan dilakukeun dina cara anu santai. Gerakan ieu lumangsung kira-kira 24 jam saatos pembaruan atanapi nyiptakeun dina ERP. Kanyataan ngabogaan gerakan "puguh" tina dati nel data gudang pausahaan ngamungkinkeun dati datang ti ERP ka "deposit". Sakali i dati disimpen dina aplikasi dasar, teras anjeun tiasa mindahkeun aman dati ERP di perusahaan. Tujuan sejen achievable berkat gerakan "puguh" tina dati eta teh delineation jelas antara prosés operasional jeung DSS. Kalayan gerakan "gancang" tina dati garis ngabagi antara DSS sarta operasional tetep samar.

Il Movimento dei dati ti ODS tina ERP ka data gudang perusahaan dilakukeun sacara périodik, biasana mingguan atanapi bulanan. Dina hal ieu gerakan tina dati eta dumasar kana kabutuhan "ngabersihan" nu heubeul dati ahli sajarah. Tangtu, ODS ngandung i dati nu leuwih anyar ti nu dati ahli sajarah kapanggih dina data gudang.

The pindah tina dati nel data gudang eta ampir pernah dilakukeun "grosir" (dina ragam wholesaler). Nyalin tabel ti lingkungan ERP ka data gudang teu asup akal. Pendekatan anu langkung realistis nyaéta mindahkeun unit anu dipilih dati. Ngan nu dati nu geus robah saprak update panungtungan tina data gudang aranjeunna anu kudu dipindahkeun kana data gudang. Hiji cara pikeun terang anu mana dati geus robah saprak update panungtungan nyaéta katingal dina timestamps tina dati kapanggih dina lingkungan ERP. Désainer milih sadaya parobihan anu kajantenan ti saprak pembaruan terakhir. Pendekatan séjén nyaéta ngagunakeun téknik change capture dati. Kalayan téknik ieu, log sareng kasét jurnal dianalisis pikeun nangtoskeun anu mana dati kudu dipindahkeun ti lingkungan ERP ka nu data gudang. Téhnik ieu pangsaéna sabab log sareng kaset jurnal tiasa dibaca tina file ERP tanpa mangaruhan langkung seueur sumber ERP anu sanés.

KOMPLIKASI LAIN

Salah sahiji masalah ERP di CIF nyaéta naon anu lumangsung ka sumber aplikasi séjén atawa ka dati tina ODS maranéhna kudu nyumbang kana data gudang tapi aranjeunna henteu bagian tina lingkungan ERP. Dibikeun sipat katutup tina ERP, utamana SAP, usaha pikeun ngahijikeun konci ti sumber éksternal tina dati sareng abdi dati nu asalna ti ERP nalika mindahkeun éta dati nel data gudang, éta tantangan badag. Jeung kahayang anu probabiliti nu i dati tina aplikasi atawa ODSs luar lingkungan ERP bakal terpadu kana data gudang? The odds sabenerna pisan tinggi.

MANGGIH DATA Sajarah ti ERP

masalah sejen kalawan i dati tina ERP nyaeta deriving ti kudu boga dati ahli sajarah dina data gudang. Biasana teh data gudang kabutuhan dati ahli sajarah. Sareng téknologi ERP biasana henteu nyimpen ieu dati sajarah, sahenteuna teu ka titik di mana perlu dina data gudang. Nalika jumlah badag dati sajarah mimiti nambahan nepi di lingkungan ERP, lingkungan nu perlu cleaned up. Contona, anggap a data gudang kudu dieusian ku lima taun dati data sajarah bari ERP ngajaga maksimum genep bulan ieu dati. Salami parusahaan wareg ku ngumpulkeun runtuyan dati sajarah salaku pas waktu, lajeng aya euweuh masalah dina ngagunakeun ERP salaku sumber pikeun data gudang. Tapi nalika éta data gudang manéhna kudu balik dina waktu jeung meunangkeun dewa dati sajarah anu saacanna henteu dikumpulkeun sareng disimpen ku ERP, teras lingkungan ERP janten teu efisien.

ERP AND METADATA

tinimbangan sejen sangkan ngeunaan ERP e data gudang nyaeta hiji dina metadata aya di lingkungan ERP. Sagampil metadata ngalirkeun ti lingkungan ERP ka lingkungan IT data gudang, metadata kudu dipindahkeun dina cara nu sarua. Salajengna, metadata kedah dirobih kana format sareng struktur anu diperyogikeun ku infrastruktur data gudang. Aya bédana gedé antara metadata operasional sareng metadata DSS. Metadata operasional utamana pikeun pamekar jeung

programer. DSS metadata utamana pikeun pamaké tungtung. Metadata anu aya dina aplikasi ERP atanapi ODS kedah dirobih, sareng konvérsi ieu henteu salawasna gampang sareng lugas.

SUMBER DATA ERP

Lamun ERP dipaké salaku supplier tina dati per il data gudang kudu aya panganteur padet nu ngalir teh dati ti lingkungan ERP ka lingkungan data gudang. Antarbeungeut kedah:

• ▪  gampang dipaké
• ▪  ngawenangkeun aksés ka dati tina ERP
• ▪  meunang hartina dati nu rék dipindahkeun ka data gudang
• ▪  nyaho watesan ERP nu bisa timbul nalika ngakses dati tina ERP:
• ▪  integritas rujukan
• ▪  hubungan hirarkis
• ▪  hubungan logis implisit
• ▪  konvénsi aplikasi
• ▪  sagala struktur tina dati dirojong ku ERP, jeung saterusna…
• ▪  éfisién dina ngaksés dati, ku nyadiakeun:
• ▪  gerakan langsung tina dati
• ▪  akuisisi parobahan dati
• ▪  ngadukung aksés tepat waktu ka dati
• ▪  ngartos format tina dati, teras salajengna… Antarmuka jeung SAP Antarbeungeut tiasa janten dua jinis, homegrown atanapi komérsial. Sababaraha interfaces dagang utama di antarana:

• ▪ SAS
• ▪  Solusi Prims
• ▪  D2k, jeung saterusna… Sababaraha téhnologi ERP Ngubaran lingkungan ERP saolah-olah éta téknologi tunggal mangrupikeun kasalahan anu ageung. Aya seueur téknologi ERP, masing-masing gaduh kaunggulan sorangan. Anu ngical paralatan anu paling terkenal di pasar nyaéta:

• ▪ SAP
• ▪ Oracle Financials
• ▪ PeopleSoft
• ▪ JD Edwards
• ▪ Baan SAP SAP mangrupikeun parangkat lunak ERP panggedéna sareng paling lengkep. Aplikasi SAP kalebet seueur jinis aplikasi dina seueur daérah. SAP ngagaduhan reputasi salaku:

• ▪  badag pisan
• ▪  hésé pisan jeung mahal pikeun dilaksanakeun
• ▪  butuh loba jalma jeung konsultan pikeun nerapkeun
• ▪  merlukeun jalma husus pikeun palaksanaan
• ▪  perlu waktu anu lila pikeun nerapkeun Satuluyna, SAP boga reputasi pikeun ngapalkeun sorangan. dati taliti pisan, sahingga hésé pikeun jalma di luar wewengkon SAP pikeun ngakses aranjeunna. Kakuatan SAP nyaéta sanggup nangkep sareng nyimpen sajumlah ageung dati. Nembe SAP ngumumkeun niat na pikeun ngalegaan aplikasi na data gudang. Aya seueur pro sareng kontra pikeun ngagunakeun SAP salaku padagang data gudang. Kauntungannana nyaéta SAP parantos dipasang sareng kalolobaan konsultan parantos terang SAP.
  The kalemahan ngabogaan SAP salaku supplier tina data gudang aya loba: SAP teu boga pangalaman di dunya data gudang Lamun SAP teh supplier tina data gudang, perlu "nyandak kaluar" i dati ti SAP ka data gudang. Kanyataan hiji catetan lagu SAP ngeunaan sistem katutup, masih aya kacangcayaan éta bakal gampang meunang i ti SAP kana eta (???). Aya seueur lingkungan warisan anu nyayogikeun SAP, sapertos IMS, VSAM, ADABAS, ORACLE, DB2, sareng sajabana. SAP insists on pendekatan "teu invented dieu". SAP henteu hoyong pasangan sareng padagang sanés pikeun nganggo atanapi nyiptakeun data gudang. SAP keukeuh dina ngahasilkeun sakabéh software na sorangan.

Sanaos SAP mangrupikeun perusahaan anu ageung sareng kuat, nyobian nyerat deui téknologi ELT, OLAP, administrasi sistem sareng bahkan kode inti dbms éta ngan gélo. Gantina nyandak sikep koperasi jeung suppliers tina data gudang lila-nangtung, SAP geus dituturkeun pendekatan "aranjeunna nyaho pangalusna". dangong ieu hinders kasuksésan anu SAP bisa mibanda di wewengkon data gudang.
Panolakan SAP pikeun ngijinkeun padagang éksternal pikeun gancang sareng anggun ngaksés aranjeunna dati. Intina pisan ngagunakeun a data gudang nyaeta aksés gampang pikeun dati. Sakabeh sajarah SAP dumasar kana nyieun hésé pikeun ngakses dati.
kurangna pangalaman SAP dina kaayaan volume badag tina dati; dina widang data gudang aya jilid tina dati pernah katempo ku SAP sarta pikeun ngatur ieu jumlah badag tina dati anjeun kedah gaduh téknologi anu cocog. SAP tétéla teu sadar panghalang téhnologis ieu nu aya pikeun asup kana widang data gudang.
Budaya perusahaan SAP: SAP parantos ngajantenkeun usaha pikeun meunangkeun dati ti sistem. Tapi pikeun ngalakukeun ieu anjeun kedah gaduh mental anu béda. Sacara tradisional, perusahaan parangkat lunak anu saé pikeun nyandak data kana lingkungan henteu saé dina nyandak data pikeun jalan anu sanés. Upami SAP tiasa ngadamel jinis saklar ieu, éta bakal janten perusahaan anu munggaran anu ngalakukeunana.

Pondokna, éta questionable naha pausahaan kudu milih SAP salaku supplier na data gudang. Aya resiko pisan serius dina hiji sisi sarta saeutik pisan ganjaran di sisi séjén. Tapi aya alesan sejen nu discourages milih SAP salaku supplier a data gudang. Sabab unggal pausahaan kudu sarua data gudang sadaya pausahaan séjén? The data gudang éta jantung kaunggulan kalapa. Lamun unggal parusahaan diadopsi sarua data gudang bakal hésé, sanajan teu mungkin, pikeun ngahontal kaunggulan kalapa. SAP sigana mikir yén a data gudang eta bisa ditempo salaku cookie sarta ieu tanda salajengna maranéhanana "meunang data dina" méntalitas aplikasi.

Henteu aya anu ngajual ERP sanés anu dominan sapertos SAP. Pasti bakal aya perusahaan anu bakal nuturkeun jalur SAP pikeun aranjeunna data gudang tapi jigana ieu data gudang SAP bakal ageung, mahal sareng nyéépkeun waktos pikeun nyiptakeun.

Lingkungan ieu kalebet kagiatan sapertos ngolah teller bank, prosés reservasi maskapai, prosés klaim asuransi, sareng sajabana. Beuki ngajalankeun sistem urus éta, beuki atra éta kabutuhan separation antara prosés operasional jeung DSS (Decision Support System). Nanging, kalayan sistem SDM sareng tanaga, anjeun henteu kantos nyanghareupan transaksi anu ageung. Sareng, tangtosna, nalika hiji jalma hired atanapi ninggalkeun perusahaan, ieu mangrupikeun catetan transaksi. Tapi relatif ka sistem sejen, HR jeung sistem tanaga ngan saukur teu boga loba transaksi. Ku alatan éta, dina SDM jeung sistem tanaga teu sagemblengna atra yén aya peryogi pikeun DataWarehouse. Dina sababaraha cara sistem ieu ngagambarkeun gabungan tina sistem DSS.

Tapi aya faktor sejen nu kudu dianggap lamun keur kaayaan gudang data jeung PeopleSoft. Dina loba lingkungan, abdi dati SDM sareng sumber daya pribadi sekundér pikeun bisnis utama perusahaan. Paling pausahaan kalibet dina manufaktur, jualan, nyadiakeun layanan, jeung saterusna. SDM sareng sistem tanaga biasana sekundér pikeun (atanapi ngadukung) garis bisnis utama perusahaan. Ku alatan éta, éta equivocal jeung teu merenah data gudang misah pikeun SDM jeung tanaga rojongan.

PeopleSoft béda pisan sareng SAP dina hal ieu. Kalawan SAP, éta wajib yén aya a data gudang. Kalayan PeopleSoft, éta henteu écés. Gudang data mangrupa pilihan jeung PeopleSoft.

Hal pangalusna anu bisa disebutkeun pikeun dati PeopleSoft nyaéta yén data gudang bisa dipaké pikeun arsip i dati patali jeung sumber daya manusa heubeul jeung pribadi. Alesan kadua naha hiji parusahaan bakal hoyong make a data gudang a

detriment lingkungan PeopleSoft nyaéta pikeun ngidinan aksés jeung aksés bébas alat analisis, ka dati ku PeopleSoft. Tapi saluareun alesan ieu, meureun aya kasus dimana eta leuwih hade teu boga gudang data pikeun dati PeopleSoft.

Ringkesanana

Aya seueur ide ngeunaan pangwangunan a data gudang dina hiji software ERP.
Sababaraha di antarana nyaéta:

• ▪  Masuk akal lamun boga a data gudang nu sarupa jeung saha wae di industri?
• ▪  Kumaha fléksibel ERP téh data gudang parangkat lunak?
• ▪  ERP data gudang software tiasa ngadamel volume dati anu perenahna di adata gudang arena"?
• ▪  Naon ngarekam jejak anu dilakukeun ku padagang ERP dina nyanghareupan gampang sareng murah, tina segi waktos, dati? (Naon catetan catetan anu ngical paralatan ERP dina pangiriman data anu murah, tepat waktu, gampang diakses?)
• ▪  Naon pamahaman vendor ERP ngeunaan arsitektur DSS jeung pabrik informasi perusahaan?
• ▪  Panyedal ERP ngartos kumaha carana ngahontal dati dina lingkungan, tapi maranéhna ogé ngarti kumaha carana ngekspor aranjeunna?
• ▪  Kumaha kabuka vendor ERP kana alat gudang data?
  Sadaya pertimbangan ieu kedah dilakukeun dina nangtukeun dimana nempatkeun éta data gudang nu bakal boga imah i dati tina ERP jeung sajabana dati. Sacara umum, iwal aya alesan compelling pikeun ngalakukeun sabalikna, wangunan dianjurkeun data gudang di luar lingkungan vendor ERP. BAB 1 Tinjauan Poin Utama Organisasi BI:
  Repositori inpormasi dianggo sabalikna kana arsitéktur intelijen bisnis (BI):
  Budaya perusahaan sareng IT tiasa ngawatesan kasuksésan dina ngawangun organisasi BI.

Téknologi henteu deui janten faktor pangwatesan pikeun organisasi BI. Patarosan pikeun arsiték sareng planners proyék sanés naha téknologina aya, tapi naha aranjeunna tiasa sacara efektif ngalaksanakeun téknologi anu sayogi.

Pikeun loba pausahaan a data gudang éta saeutik leuwih ti deposit pasip nu distributes nu dati ka pangguna anu peryogi. THE dati aranjeunna sasari tina sistem sumber sarta Asezare populata kana struktur sasaran tina data gudang. abdi dati aranjeunna ogé bisa cleaned kalawan tuah wae. Sanajan kitu euweuh nilai tambahan ditambahkeun atawa dikumpulkeun ku dati salila prosés ieu.

Intina, Dw pasip, di pangalusna, ngan nyadiakeun i dati beresih jeung operasional ka asosiasi pamaké. Nyiptakeun inpormasi sareng pamahaman analitis sadayana gumantung kana pangguna. Nangtukeun naha DW (Gudang data) nyaéta kasuksésan anu subjektif. Lamun urang nangtoskeun kasuksésan dina kamampuhan pikeun éfisién ngumpulkeun, ngahijikeun jeung ngabersihan dati perusahaan dina dasar anu bisa diprediksi, teras leres, DW suksés. Di sisi anu sanés, upami urang ningali koleksi, konsolidasi sareng eksploitasi inpormasi dina organisasi sacara gembleng, maka DW mangrupikeun gagal. A DW nyadiakeun saeutik atawa euweuh nilai informasi. Hasilna, pamaké kapaksa ngalakukeun, sahingga nyieun silos informasi. Bab ieu nunjukkeun visi komprehensif pikeun nyimpulkeun arsitéktur BI (Business Intelligence) perusahaan. Urang mimitian ku pedaran BI lajeng ngalih ka diskusi ngeunaan desain informasi sarta ngembangkeun, sabalikna ngan nyadiakeun informasi. dati ka pamaké. Diskusi teras difokuskeun kana ngitung nilai usaha BI anjeun. Kami nyimpulkeun ku netepkeun kumaha IBM nyayogikeun syarat arsitéktur BI organisasi anjeun.

Pedaran arsitektur ngeunaan organisasi BI

Sistem inpormasi anu berorientasi transaksi anu kuat ayeuna biasa di unggal perusahaan ageung, sacara efektif ngaratakeun lapangan maén pikeun korporasi di sakumna dunya.

Tetep kalapa, kumaha oge, ayeuna merlukeun sistem berorientasi analitik nu bisa revolutionize pangabisa parusahaan pikeun manggihan deui tur ngagunakeun informasi aranjeunna geus boga. Sistem analitik ieu diturunkeun tina pamahaman kabeungharan dati aya. BI tiasa ningkatkeun kinerja sakuliah perusahaan. Pausahaan bisa ningkatkeun hubungan customer-supplier, ngaronjatkeun Profitability produk jeung jasa, ngahasilkeun nawaran anyar jeung hadé, kontrol resiko na diantara loba gains séjén motong expenses nyirorot. Kalayan BI perusahaan anjeun tungtungna mimiti ngagunakeun inpormasi palanggan salaku aset kompetitif berkat aplikasi anu ngagaduhan tujuan pasar.

Gaduh alat bisnis anu leres hartosna gaduh jawaban anu pasti pikeun patarosan konci sapertos:

• ▪  Nu mana urang konsumén Naha aranjeunna ngajantenkeun urang langkung seueur, atanapi aranjeunna ngajantenkeun urang kaleungitan artos?
• ▪  Di mana urang hirup pangalusna konsumén patalina jeung toko/ gudang anu aranjeunna sering?
• ▪  Mana produk sareng jasa urang anu tiasa dijual paling efektif sareng ka saha?
• ▪  Produk naon nu bisa dijual paling éféktif jeung ka saha?
• ▪  Kampanye penjualan mana anu paling suksés sareng kunaon?
• ▪  Jalur penjualan mana anu paling efektif pikeun produk mana?
• ▪  Kumaha urang tiasa ningkatkeun hubungan sareng jalma-jalma anu pangsaéna konsumén? Paling pausahaan boga dati cara kasar pikeun ngajawab patarosan ieu.
  Sistem operasional ngahasilkeun jumlah badag produk, konsumén jeung dati pasar ti titik diobral, reservations, layanan palanggan sarta sistem rojongan teknis. Tangtanganna nyaéta ékstrak sareng mangpaatkeun inpormasi ieu. Loba pausahaan ukur untung tina fraksi leutik maranéhanana dati pikeun analisis strategis.
  I dati sésana, mindeng digabungkeun jeung i dati diturunkeun tina sumber luar sapertos laporan pamaréntah, sareng inpormasi anu dipésér sanés, mangrupikeun tambang emas anu ngantosan digali, sareng dati aranjeunna ngan perlu disampurnakeun dina konteks informasi organisasi Anjeun.

Pangaweruh ieu tiasa diterapkeun ku sababaraha cara, mimitian ti ngarancang strategi perusahaan umum pikeun komunikasi pribadi sareng supplier, ngalangkungan pusat telepon, invoice, Internet jeung titik lianna. Lingkungan bisnis ayeuna nunjukkeun yén DW sareng solusi BI anu aya hubunganana mekar saluareun ngajalankeun struktur bisnis tradisional. dati sapertos abdi dati dinormalisasi dina tingkat atom jeung "ladang béntang / kubus".

Anu diperyogikeun pikeun tetep kompetitif nyaéta gabungan téknologi tradisional sareng canggih dina upaya ngadukung bentang analitis anu lega.
Pikeun nyimpulkeun, lingkungan umum kedah ningkatkeun pangaweruh perusahaan sacara gembleng, mastikeun yén tindakan anu dilakukeun salaku hasil tina analisa anu dilaksanakeun mangpaat supados sadayana nguntungkeun.

Contona, hayu urang nyebutkeun ranking anjeun sorangan konsumén kana kategori résiko luhur atanapi rendah.
Upami inpormasi ieu dihasilkeun ku ékstraktor modél atanapi cara anu sanés, éta kedah dilebetkeun kana DW sareng tiasa diaksés ku saha waé, ku cara naon waé alat aksés, sapertos laporan statik, spreadsheet, tabel, atanapi pamrosésan analitik online (OLAP). .

Nanging, ayeuna, seueur jinis inpormasi ieu tetep aya dina silo dati individu atawa departemén ngahasilkeun analisis. Organisasi, sakabéhna, boga saeutik atawa euweuh pisibilitas pikeun pamahaman. Ngan ku nyampur jinis eusi inpormasi ieu kana DW perusahaan anjeun tiasa ngaleungitkeun silo inpormasi sareng ningkatkeun lingkungan DW anjeun.
Aya dua halangan utama pikeun mekarkeun organisasi BI.
Kahiji, urang boga masalah organisasi sorangan jeung disiplin na.
Sanaos urang teu tiasa ngabantosan parobahan kawijakan organisasi, urang tiasa ngabantosan ngartos komponén BI hiji organisasi, arsitékturna, sareng kumaha téknologi IBM ngagampangkeun pangwangunanana.
Halangan kadua pikeun diatasi nyaéta kurangna téknologi terpadu sareng pangaweruh ngeunaan metode anu ngalangkungan sakumna rohangan BI sabalikna ngan ukur komponén leutik.

IBM datang ka cekelan jeung parobahan dina téhnologi integrasi. Éta tanggung jawab anjeun pikeun nyayogikeun desain anu bijaksana. Arsitéktur ieu kudu dikembangkeun ku téhnologi dipilih pikeun integrasi unconstrained, atawa sahenteuna, kalawan téhnologi nu taat ka buka standar. Salajengna, manajemén perusahaan anjeun kedah mastikeun yén usaha BI dilaksanakeun saluyu sareng rencana sareng henteu ngijinkeun pangembangan silo inpormasi anu timbul tina agenda atanapi tujuan anu ngalayanan diri.
Ieu lain disebutkeun yen lingkungan BI teu sénsitip kana ngaréaksikeun kana kabutuhan béda jeung sarat pamaké béda; Sabalikna, éta hartina palaksanaan éta kabutuhan jeung sarat individu dipigawé pikeun kapentingan sakabéh organisasi BI.
Katerangan ngeunaan arsitéktur organisasi BI tiasa dipendakan dina kaca 9 dina Gambar 1.1 Arsitéktur nunjukkeun campuran téknologi sareng téknik anu beunghar.
Tina pandangan tradisional, arsitéktur kalebet komponén gudang di handap ieu

Lapisan atom (Atomic Layer).

Ieu yayasan, jantung sakabéh DW sarta ku kituna ngalaporkeun strategis.
I dati disimpen di dieu bakal nahan integritas sajarah, laporan ngeunaan dati sareng kalebet métrik anu diturunkeun, ogé dibersihkeun, diintegrasikeun, sareng disimpen nganggo modél anu diekstrak.
Sadaya pamakéan saterusna ieu dati sarta informasi patali diturunkeun tina struktur ieu. Ieu mangrupikeun sumber anu saé pikeun pertambangan dati jeung laporan kalawan queries SQL terstruktur

Gudang operasional tina dati atawa dasar laporan tina dati(Toko data operasional (ODS) atanapi ngalaporkeun database.)

Ieu struktur tina dati husus dirancang pikeun ngalaporkeun teknis.

I dati disimpen jeung dilaporkeun di luhur struktur ieu tungtungna bisa propagate kana gudang via wewengkon pementasan, dimana eta bisa dipaké pikeun signalling strategis.

Wewengkon pementasan.

Eureun heula pikeun kalolobaan dati dimaksudkeun pikeun lingkungan gudang nyaéta wewengkon organisasi.
Di dieu i dati anu terpadu, cleaned jeung robah jadi dati kauntungan anu bakal populate struktur gudang

Tanggal marts.

Ieu bagian tina arsitéktur ngagambarkeun struktur dati dipaké husus pikeun OLAP. Ayana datamarts, upami abdi dati disimpen dina skéma béntang tumpang tindih dati multidimensional dina lingkungan relational, atawa dina file tina dati Rahasia anu dianggo ku téknologi OLAP khusus, sapertos DB2 OLAP Server, henteu relevan.

Hijina konstrain éta arsitéktur facilitates pamakéan a dati multidimensional.
Arsitéktur ogé kalebet téknologi sareng téknik BI kritis anu menonjol salaku:

Analisis spasial

Spasi mangrupikeun windfall inpormasi pikeun analis sareng penting pikeun ngarengsekeun résolusi. Spasi bisa ngagambarkeun informasi ngeunaan jalma nu hirup di lokasi nu tangtu, kitu ogé informasi ngeunaan dimana lokasi eta sacara fisik relatif ka sakuliah dunya.

Pikeun ngalakukeun analisa ieu, anjeun kedah ngamimitian ku ngaitkeun inpormasi anjeun ka koordinat lintang sareng bujur. Ieu disebut "geocoding" sareng kedah janten bagian tina prosés ékstrak, transformasi, sareng beban (ETL) dina tingkat atom gudang anjeun.

Panambangan data.

Ékstraksi tina dati ngamungkinkeun pausahaan urang tumuwuh jumlah konsumén, pikeun ngaduga tren jualan sarta ngidinan manajemén hubungan jeung konsumén (CRM), diantara inisiatif BI lianna.

Ékstraksi tina dati kituna kudu terpadu jeung struktur tina dati tina DWhouse tur dirojong ku prosés gudang pikeun mastikeun duanana pamakéan éféktif jeung efisien tina téhnologi jeung téhnik patali.

Sakumaha anu dituduhkeun dina arsitektur BI, tingkat atom Dwhouse, ogé datamarts, mangrupikeun sumber anu saé pikeun dati pikeun ékstraksi. Fasilitas anu sami ogé kedah janten panampi hasil ékstraksi pikeun mastikeun kasadiaan ka pamiarsa anu paling lega.

Ajen.

Aya rupa-rupa "agén" pikeun nalungtik nasabah pikeun unggal titik kayaning, sistem operasi parusahaan jeung dw sorangan. Agén-agén ieu tiasa janten jaringan saraf canggih anu dilatih pikeun diajar ngeunaan tren dina unggal titik, sapertos paménta produk ka hareup dumasar kana promosi penjualan, mesin dumasar aturan pikeun ngaréaksikeun a. dato set kaayaan, atawa malah agén basajan anu ngalaporkeun pengecualian ka "top executives". Prosés ieu umumna lumangsung sacara real waktos sareng, ku kituna, kedah raket gandeng sareng gerakanna dati. Sadaya struktur ieu tina dati, téhnologi jeung téhnik ngajamin yén anjeun moal méakkeun peuting ngahasilkeun hiji organisasi BI Anjeun.

Kagiatan ieu bakal dimekarkeun dina hambalan incremental, pikeun titik leutik.
Unggal hambalan mangrupa usaha proyék bebas, sarta disebut salaku hiji Iteration dina DW atanapi BI prakarsa Anjeun. Iterasi tiasa kalebet ngalaksanakeun téknologi anyar, dimimitian ku téknik énggal, nambihan struktur énggal dati , ngamuat i dati tambahan, atawa kalayan perluasan analisis lingkungan Anjeun. Paragraf ieu dibahas langkung jero dina bab 3.

Salian struktur DW tradisional sareng alat BI, aya fungsi sanés dina organisasi BI anjeun anu anjeun kedah rancang, sapertos:

Titik kontak pelanggan (Customer touch titik).

Sapertos organisasi modéren, aya sababaraha titik kontak palanggan anu nunjukkeun kumaha gaduh pangalaman anu positif pikeun anjeun konsumén. Aya saluran tradisional sapertos pangecér, operator switchboard, surat langsung, multimedia sareng iklan citak, ogé saluran anu langkung ayeuna sapertos email sareng wéb, dati produk kalawan sababaraha titik kontak kudu kaala, diangkut, cleaned, olahan lajeng Asezare populata di fasilitas dati tina BI.

Dasar tina dati asosiasi operasional sareng pangguna (Operasional

basis data jeung komunitas pamaké).
Dina tungtung titik kontak tina konsumén yayasan kapanggih dati tina aplikasi perusahaan sareng komunitas pangguna. THE dati anu aya dati tradisional nu kudu dihijikeun jeung dihijikeun jeung dati nu ngalir ti titik kontak pikeun nyugemakeun informasi diperlukeun.

Analis. (Analis)

Penerima utama lingkungan BI nyaéta analis. Nya anjeunna anu nguntungkeun tina ékstraksi ayeuna tina dati operasional, terpadu kalayan sumber béda tina dati , ditambah ku fitur sapertos analisis geografis (geocoding) sareng dibere dina téknologi BI anu ngamungkinkeun ékstraksi, OLAP, ngalaporkeun SQL canggih sareng analisis geografis. Antarbeungeut analis primér pikeun lingkungan ngalaporkeun nyaéta portal BI.

Sanajan kitu, analis teu ngan hiji kauntungan tina arsitektur BI.
Eksekutif, asosiasi pamaké badag, komo anggota, suppliers na i konsumén kedah mendakan kauntungan dina BI perusahaan.

Eupan balik loop.

Arsitektur BI mangrupikeun lingkungan diajar. Hiji prinsip karakteristik ngembangkeun nyaéta pikeun ngidinan struktur pengkuh tina dati pikeun diropéa ku téknologi BI anu dianggo sareng ku tindakan anu dilakukeun ku pangguna. Hiji conto nyaéta nyetak customer.

Lamun departemén jualan model skor customer ngagunakeun layanan anyar, lajeng departemén jualan teu kudu hijina grup benefiting tina jasa.

Sabalikna, ékstraksi modél kedah dilakukeun salaku bagian alami tina aliran data dina perusahaan sareng skor palanggan kedah janten bagian terpadu tina kontéks inpormasi gudang, katingali ku sadaya pangguna. Suite Bi-bI-centric IBM kaasup DB2 UDB, DB2 OLAP Server ngawengku lolobana komponén téhnologi utama, didefinisikeun dina Gambar 1.1.

Urang make arsitéktur sakumaha nembongan dina ilustrasi ieu tina buku pikeun masihan kami tingkat continuity na demonstrate kumaha unggal produk IBM fits kana skéma BI sakabéh.

Nyadiakeun Eusi Inpormasi (nyadiakeun eusi informasi)

Ngarancang, ngamekarkeun sareng ngalaksanakeun lingkungan BI anjeun mangrupikeun tugas anu pikasieuneun. Desain kudu nangkeup duanana syarat bisnis ayeuna jeung nu bakal datang. Gambar arsitéktur kudu lengkep pikeun ngawengku sakabéh conclusions kapanggih salila fase desain. Palaksanaan kedah tetep komitmen kana hiji tujuan: ngembangkeun arsitéktur BI sakumaha anu disayogikeun sacara resmi dina desain sareng dumasar kana syarat bisnis.

Ieu hususna hésé ngajawab yén disiplin bakal mastikeun kasuksésan relatif.
Ieu saderhana sabab anjeun henteu ngembangkeun lingkungan BI sakaligus, tapi anjeun ngalakukeunana dina léngkah-léngkah leutik dina waktosna.

Nanging, ngaidentipikasi komponén BI tina arsitéktur anjeun penting pikeun dua alesan: Anjeun bakal nungtun sadaya kaputusan arsitéktur téknis anu salajengna.
Anjeun bakal tiasa sacara sadar ngarencanakeun pamakean téknologi khusus sanaos anjeun moal tiasa ngulang deui peryogi téknologi pikeun sababaraha bulan.

Ngartos syarat bisnis anjeun cekap bakal mangaruhan jinis produk anu anjeun pikahoyong pikeun arsitéktur anjeun.
Ngarancang sareng ngembangkeun arsitéktur anjeun mastikeun yén gudang anjeun

lain acara acak, tapi rada taliti diwangun "well-panginten-kaluar". opera seni salaku mosaik téknologi campuran.

Desain eusi informasi

Sadaya desain awal kedah difokuskeun sareng ngaidentipikasi komponén BI konci anu bakal diperyogikeun ku lingkungan umum ayeuna sareng ka hareup.
Nyaho syarat bisnis penting.

Malah saméméh sagala desain formal dimimitian, nu Ngarencana proyék mindeng bisa nangtukeun hiji atawa dua komponén langsung.
Kasaimbangan komponén anu mungkin dipikabutuh pikeun arsitéktur anjeun, kumaha ogé, henteu gampang dipendakan. Salila fase desain, bagian utama arsitéktur ngaitkeun sési pamekaran aplikasi (JAD) dina panalungtikan pikeun ngaidentipikasi syarat bisnis.

Kadang-kadang sarat ieu tiasa dipercayakeun kana alat query sareng ngalaporkeun.
Salaku conto, pangguna nyatakeun yén upami aranjeunna hoyong ngajadikeun otomatis laporan ayeuna, aranjeunna kedah ngahasilkeun sacara manual ku cara ngahijikeun dua laporan ayeuna sareng nambihan itungan anu diturunkeun tina kombinasi dati.
Sanaos sarat ieu saderhana, éta netepkeun fungsionalitas anu tangtu tina fitur anu anjeun kedah kalebet nalika mésér alat ngalaporkeun pikeun organisasi anjeun.

Désainer ogé kedah ngiringan syarat tambahan pikeun kéngingkeun gambar anu lengkep. Naha pangguna hoyong ngalanggan laporan ieu?
Dupi laporan sawaréh dihasilkeun sarta emailed ka sagala rupa pamaké? Naha aranjeunna hoyong ningali laporan ieu dina portal perusahaan? Sadaya sarat ieu mangrupikeun bagian tina kabutuhan saderhana pikeun ngagentos laporan manual anu dipénta ku pangguna. Kauntungan tina jinis syarat ieu nyaéta yén sadayana, pangguna sareng désainer, gaduh pamahaman kana konsép laporan.

Aya tipe séjén usaha, kumaha oge, urang kudu rencanana. Nalika syarat bisnis dinyatakeun dina bentuk patarosan bisnis strategis, éta gampang pikeun desainer ahli pikeun ngabédakeun ukuran / kanyataan sareng syarat dimensi.

Upami pangguna JAD henteu terang kumaha nyatakeun syaratna dina bentuk masalah bisnis, desainer bakal sering masihan conto pikeun ngamimitian sési ngumpulkeun syarat.
The ahli desainer bisa mantuan pamaké ngartos teu ukur dagang strategis, tapi ogé kumaha carana ngabentuk eta.
Pendekatan ngumpulkeun sarat dibahas dina bab 3; pikeun ayeuna urang ngan hayang nunjuk kaluar perlu ngarancang pikeun sakabéh jenis syarat BI.

Masalah bisnis strategis henteu ngan ukur sarat bisnis, tapi ogé petunjuk desain. Lamun kudu ngajawab pertanyaan multidimensional, mangka anjeun kudu ngapalkeun, hadir i dati dimensi, sarta lamun kudu ngapalkeun dina dati multidimensional, anjeun kudu mutuskeun naon jenis téhnologi atawa téhnik anjeun bade employ.

Dupi anjeun nerapkeun schema béntang kubus ditangtayungan, atawa duanana? Sakumaha anjeun tiasa tingali, sanajan masalah bisnis saderhana tiasa sacara signifikan mangaruhan desain. Tapi jinis syarat bisnis ieu biasa sareng kahartos, sahenteuna ku désainer sareng perencana anu gaduh pangalaman proyék.

Aya diskusi anu cekap ngeunaan téknologi sareng dukungan OLAP, sareng seueur solusi anu sayogi. Sajauh ieu kami parantos nyarios kedah ngahijikeun laporan saderhana sareng syarat diménsi bisnis, sareng kumaha syarat ieu mangaruhan kaputusan arsitéktur téknis.

Tapi naon sarat anu teu gampang dipikaharti ku pamaké atawa tim Dw? Dupi anjeun kantos peryogi analisis spasial?
Modél pertambangan tina dati bakal aranjeunna janten bagian perlu masa depan anjeun? Saha anu terang?

Kadé dicatet yén jenis téknologi ieu teu dipikawanoh ogé ku komunitas pamaké umum jeung anggota tim Dw, sabagian, ieu bisa jadi sabab ilaharna diatur ku sababaraha ahli teknis internal atawa pihak katilu. Ieu mangrupikeun kasus ekstrim tina masalah anu dibangkitkeun ku téknologi ieu. Lamun pamaké teu bisa ngajelaskeun syarat bisnis atawa pigura aranjeunna dina cara nu nyadiakeun hidayah ka désainer, maranéhna bisa balik unnoticed atawa, parah, saukur dipaliré.

Langkung masalah janten nalika desainer sareng pamekar henteu tiasa mikawanoh aplikasi salah sahiji téknologi canggih tapi kritis ieu.
Sakumaha urang sering nguping Désainer nyarios, "Nya, naha urang henteu nyingkirkeun éta dugi ka urang nampi hal anu sanés? "Naha aranjeunna leres-leres resep kana prioritas, atanapi aranjeunna ngan ukur ngahindarkeun syarat anu aranjeunna henteu ngartos? Ieu paling dipikaresep hipotesa panungtungan. Anggap tim jualan anjeun geus komunkasi sarat bisnis, sakumaha nyatakeun dina Gambar 1.3, anjeun tiasa ningali, sarat dipiguraan dina bentuk masalah bisnis. Beda antara masalah ieu jeung masalah dimensi has nyaeta jarak. Dina hal ieu, tim penjualan hoyong terang, unggal bulan, total penjualan tina produk, gudang sareng toko. konsumén anu cicing dina jarak 5 mil ti gudang dimana aranjeunna mésér.

Sedih, désainer atanapi arsiték ngan saukur tiasa malire komponén spasial ku nyebutkeun, "urang boga konsumén, produk jeung dati tina deposit. Hayu urang jaga jarak dugi ka iterasi anu sanés.

"Jawaban salah. Jenis masalah bisnis ieu sadayana ngeunaan BI. Éta ngagambarkeun pamahaman anu langkung jero ngeunaan bisnis urang sareng rohangan analitis anu kuat pikeun analis urang. BI saluareun querying basajan atawa ngalaporkeun baku, atawa malah OLAP. Ieu sanés hartosna yén téknologi ieu henteu penting pikeun BI anjeun, tapi nyalira henteu ngawakilan lingkungan BI.

Desain pikeun konteks informasi (Desain pikeun Eusi Émbaran)

Ayeuna urang parantos ngaidentipikasi syarat bisnis anu ngabédakeun sababaraha komponén dasar, aranjeunna kedah dilebetkeun kana desain arsitéktur umum. Sababaraha komponén BI mangrupa bagian tina usaha awal urang, sedengkeun sababaraha moal dilaksanakeun salila sababaraha bulan.

Nanging, sadaya syarat anu dipikanyaho ditingalikeun dina desain supados nalika urang kedah nerapkeun téknologi khusus, urang siap pikeun ngalakukeunana. Hal ngeunaan proyék bakal ngagambarkeun pamikiran tradisional.

set ieu dati dipaké pikeun ngarojong pamakéan engké tina dati dimensi dipandu ku isu Usaha kami geus ngaidentifikasi. Salaku dokumén tambahan dihasilkeun, kayaning ngembangkeun desain dati, urang bakal ngawitan formalize kumaha i dati aranjeunna sumebar di lingkungan. Kami geus ascertained kudu ngawakilan i dati dina cara diménsi, ngabagi aranjeunna (nurutkeun kabutuhan husus husus) kana data marts.

Patarosan salajengna pikeun ngajawab nyaéta: kumaha data mart ieu bakal diwangun?
Naha anjeun ngawangun béntang pikeun ngadukung kubus, atanapi ngan ukur kubus, atanapi ngan ukur béntang? (atawa kubus katuhu, atawa béntang katuhu). Ngahasilkeun arsitéktur pikeun data mart gumantung anu merlukeun lapisan atom pikeun sakabéh dati anjeun acquire? Ngidinan marts data bebas acquire i dati langsung tina sistem operasi?

Naon Téknologi Kubus anu anjeun badé ngabakukeun?

Anjeun gaduh jumlah dewa anu ageung dati diperlukeun pikeun analisis diménsi atawa anjeun peryogi kubus ti gaya jualan nasional anjeun dina dasar mingguan atawa duanana? Naha anjeun ngawangun anu kuat sapertos DB2 OLAP Server pikeun kauangan atanapi kubus Cognos PowerPlay pikeun organisasi penjualan anjeun, atanapi duanana? Ieu mangrupikeun kaputusan desain arsitéktur anu ageung anu bakal mangaruhan lingkungan BI anjeun ti dieu. Leres, anjeun parantos netepkeun kabutuhan OLAP. Ayeuna kumaha anjeun bakal ngalaksanakeun éta jinis téknik sareng téknologi?

Kumaha sababaraha téknologi paling canggih mangaruhan desain anjeun? Anggap anjeun parantos ngaidentipikasi kabutuhan rohangan dina organisasi anjeun. Ayeuna anjeun kedah émut édisi gambar arsitéktur sanaos anjeun henteu ngarencanakeun ngadamel komponén spasial salami sababaraha bulan. Arsiték kedah ngarancang dinten ieu dumasar kana naon anu diperyogikeun. Antisipasi kabutuhan analitik spasial anu ngahasilkeun, nyimpen, ngalaksanakeun sareng nyayogikeun aksés dati spasial. Ieu ogé kedah janten konstrain ngeunaan jinis téknologi parangkat lunak sareng spésifikasi platform anu ayeuna anjeun tiasa pertimbangkeun. Contona, sistem administrasi di basis data lapisan relasional (RDBMS) anu anjeun lakukeun pikeun lapisan atom anjeun kedah gaduh ekstensi spasial anu kuat. Ieu bakal mastikeun kinerja maksimal nalika ngagunakeun géométri sareng objék spatial dina aplikasi analitik anjeun. Lamun RDBMS Anjeun teu tiasa ngadamel dati (spasial-centric) internal, jadi Anjeun kudu ngadegkeun hiji basis data (spasial-centric) éksternal. Ieu complicates manajemén masalah jeung compromises kinerja Anjeun sakabéh, teu nyebut masalah tambahan dijieun pikeun DBAs Anjeun, saprak maranéhna meureun boga pamahaman minimal tina dasar dati spasial ogé. Di sisi anu sanés, upami mesin RDMBS anjeun tiasa ngatur sadaya komponén spasial sareng pangoptimalna sadar kana kabutuhan khusus (contona, indéks) objék spasial, maka DBA anjeun tiasa gampang ngatur manajemén masalah sareng anjeun tiasa maksimalkeun kinerja.

Salaku tambahan, anjeun kedah nyaluyukeun daérah pementasan sareng lapisan lingkungan atom pikeun kalebet ngabersihan alamat (a

elemen konci pikeun analisis spasial), kitu ogé ngahemat saterusna objék spasi. Kasuksésan édisi ngagambar diteruskeun ayeuna yén kami parantos ngenalkeun pamanggih arah anu jelas. Pikeun hiji hal, aplikasi ieu bakal ngarahkeunnana jenis software diperlukeun pikeun usaha ETL Anjeun.

Naha anjeun peryogi produk sapertos Trillium pikeun nyayogikeun alamat anu bersih, atanapi padagang ETL pilihan anjeun pikeun nyayogikeun fungsionalitas éta?
Pikeun ayeuna penting yén anjeun ngahargaan tingkat desain anu kedah réngsé sateuacan anjeun ngawitan ngalaksanakeun gudang anjeun. Conto di luhur kedah nunjukkeun seueur kaputusan desain anu kedah nuturkeun idéntifikasi sarat bisnis anu khusus. Upami dilakukeun leres, kaputusan desain ieu ngamajukeun silih gumantungna antara struktur fisik lingkungan anjeun, pilihan téknologi anu dianggo, sareng aliran panyebaran eusi inpormasi. Tanpa arsitéktur BI konvensional ieu, organisasi anjeun bakal tunduk kana campuran kacau tina téknologi anu tos aya, paling saé dijait babarengan pikeun masihan stabilitas anu jelas.

Ngajaga eusi informasi

Nyangking nilai inpormasi ka organisasi anjeun mangrupikeun tugas anu sesah. Tanpa pamahaman sareng pangalaman anu cekap, atanapi perencanaan sareng desain anu cekap, bahkan tim anu pangsaéna bakal gagal. Di sisi anu sanésna, upami anjeun gaduh intuisi anu hébat sareng perencanaan anu lengkep tapi henteu aya disiplin pikeun palaksanaan, anjeun nembé ngabuang artos sareng waktos anjeun kusabab usaha anjeun bakal gagal. Pesenna kudu jelas: Lamun kurang hiji atawa leuwih tina kaparigelan, pamahaman/pangalaman atawa tata/desain atawa disiplin pelaksanaan, bakal ngalumpuhkeun atawa ngancurkeun wangunan organisasi BI.

Naha tim anjeun cekap siap? Naha aya di tim BI anjeun anu ngartos bentang analitik anu lega anu aya di lingkungan BI, sareng téknik sareng téknologi anu diperyogikeun pikeun ngajaga bentang éta? Naha aya batur dina tim anjeun anu tiasa mikawanoh bédana aplikasi antara maju

ngalaporkeun statik sareng OLAP, atanapi bédana antara ROLAP sareng OLAP? Naha salah sahiji anggota tim anjeun terang terang kumaha nimba sareng kumaha éta tiasa mangaruhan gudang atanapi kumaha gudang tiasa ngadukung kinerja ékstrak? Hiji anggota tim understands nilai dati spasi atawa téhnologi dumasar-agén? Naha anjeun gaduh batur anu ngahargaan aplikasi unik tina alat ETL versus téknologi calo pesen? Upami anjeun teu gaduh, kéngingkeun hiji. BI langkung ageung tibatan lapisan atom anu dinormalisasi, OLAP, skéma béntang, sareng ODS.

Ngabogaan pamahaman sareng pangalaman pikeun mikawanoh syarat BI sareng solusina penting pisan pikeun kamampuan anjeun pikeun ngaformalkeun kabutuhan pangguna sareng ngarancang sareng ngalaksanakeun solusina. Upami komunitas pangguna anjeun sesah ngajelaskeun syarat, tugas tim gudang nyayogikeun pamahaman éta. Tapi lamun tim gudang

henteu mikawanoh aplikasi husus BI - contona, data mining - mangka éta lain hal pangalusna yén lingkungan BI mindeng dugi ka repositories pasip. Tapi, teu malire téknologi ieu henteu ngirangan pentingna sareng pangaruhna kana munculna kamampuan intelegensi bisnis organisasi anjeun, ogé bentang inpormasi anu anjeun rencanakeun pikeun piara.

Perencanaan kedah kalebet anggapan ngagambar, sareng duanana peryogi individu anu kompeten. Salaku tambahan, ngarancang butuh filosofi gudang tim sareng patuh kana standar. Salaku conto, upami perusahaan anjeun parantos ngadegkeun platform standar atanapi parantos ngaidentipikasi RDBMS khusus anu anjeun hoyong standarisasikeun kana platform, tanggung jawabna sadayana dina tim pikeun taat kana standar éta. Umumna hiji tim ngungkabkeun kabutuhan standarisasi (ka komunitas pamaké), tapi tim sorangan henteu daék taat kana standar ngadegkeun ogé di wewengkon séjén di parusahaan atawa malah di pausahaan sarupa. Henteu ngan ukur munafik ieu, tapi netepkeun perusahaan henteu mampuh ngamangpaatkeun sumber daya sareng investasi anu aya. Éta henteu hartosna yén teu aya kaayaan anu ngajamin platform atanapi téknologi anu henteu standar; kumaha oge, usaha gudang

aranjeunna kedah jealously ngajaga standar parusahaan dugi syarat bisnis ngarahkeunnana sabalikna.

Komponén konci katilu anu diperlukeun pikeun ngawangun organisasi BI nyaéta disiplin.
Ieu gumantung total, sarua dina individu jeung lingkungan. Perencana proyék, sponsor, arsiték, sareng pangguna kedah ngahargaan disiplin anu dipikabutuh pikeun ngawangun struktur inpormasi perusahaan. Désainer kedah ngarahkeun usaha desainna ku cara pikeun ngalengkepan usaha anu sanés di masarakat.

Contona, hayu urang nyebutkeun parusahaan anjeun ngawangun hiji aplikasi ERP nu boga komponén gudang.
Ku sabab éta tanggung jawab para desainer ERP pikeun kolaborasi sareng tim lingkungan gudang supados henteu bersaing sareng atanapi duplikat padamelan anu parantos dimimitian.

Disiplin ogé mangrupikeun topik anu kedah dibahas ku sadayana organisasi sareng biasana didirikeun sareng dipercayakeun ka tingkat eksekutif.
Naha manajer daék taat kana pendekatan anu dirancang? Hiji pendekatan anu janji pikeun nyieun eusi informasi anu pamustunganana bakal mawa nilai ka sakabeh wewengkon perusahaan, tapi sugan compromises individu atawa departemén agendas? Inget paribasa "Mikir ngeunaan sagalana leuwih penting batan mikir ngeunaan ngan hiji hal". Papatah ieu leres pikeun organisasi BI.

Hanjakalna, seueur gudang museurkeun usahana pikeun narékahan pikeun nargétkeun sareng nyangking nilai ka departemén khusus atanapi pangguna khusus, kalayan sakedik hal pikeun organisasi sacara umum. Upamana eksekutif nyuhunkeun bantosan ti tim pamondokan. Tim ngabales ku usaha 90 dinten anu kalebet henteu ngan ukur ngirimkeun syarat béwara anu ditetepkeun ku manajer tapi mastikeun yén sadaya dati basa dicampur dina tingkat atom saméméh diwanohkeun kana téhnologi kubus diusulkeun.
Tambihan rékayasa ieu ngajamin yén perusahaan rumah tangga bakal nguntungkeun dati diperlukeun ku manajer.
Tapi, eksekutif nyarios sareng firma konsultan luar anu ngusulkeun aplikasi anu sami sareng pangiriman kirang ti 4 minggu.

Anggap tim gudang internal kompeten, eksekutif boga pilihan. Saha anu tiasa ngadukung disiplin rékayasa tambahan anu diperyogikeun pikeun ngokolakeun perusahaan aset inpormasi atanapi tiasa milih ngawangun solusi sorangan gancang. Anu terakhir sigana sering dipilih sareng ngan ukur dianggo pikeun nyiptakeun wadah inpormasi anu ngan ukur nguntungkeun sababaraha atanapi individu.

Tujuan jangka pondok sareng jangka panjang

Arsiték sareng desainer proyék kedah ngarumuskeun visi jangka panjang ngeunaan arsitéktur sareng rencana pikeun kamekaran dina organisasi BI. Kombinasi kauntungan jangka pondok sareng perencanaan jangka panjang ieu ngagambarkeun dua sisi usaha BI. Keuntungan jangka pondok nyaéta facet BI anu aya hubunganana sareng iterasi gudang anjeun.

Ieu dimana planners, arsiték sarta sponsor difokuskeun minuhan sarat komérsial husus. Ieu dina tingkat ieu dimana struktur fisik diwangun, téhnologi dibeuli jeung téhnik dilaksanakeun. Éta henteu hartosna dilakukeun pikeun nyayogikeun syarat khusus anu didefinisikeun ku komunitas pangguna khusus. Sadayana dilakukeun pikeun nyumponan sarat khusus anu ditetepkeun ku komunitas khusus.
Perencanaan jangka panjang, kumaha ogé, mangrupikeun aspék sanés BI. Ieu di dieu dimana rencana sareng desain ngajamin yén struktur fisik naon waé diwangun, téknologi dipilih sareng téknik anu dilaksanakeun dilakukeun kalayan perhatian ka perusahaan. Éta perencanaan jangka panjang nu nyadiakeun kohési diperlukeun pikeun mastikeun yén kauntungan bisnis timbul tina sagala gains jangka pondok kapanggih.

Lereskeun usaha BI anjeun

Un data gudang ku sorangan teu boga nilai bawaan. Dina basa sejen, euweuh nilai alamiah antara téhnologi gudang jeung téhnik palaksanaan.

Nilai tina sagala usaha gudang kapanggih dina lampah dipigawé salaku hasil tina lingkungan gudang jeung eusi informasi dibudidayakan kana waktu. Ieu mangrupikeun titik kritis pikeun ngartos sateuacan anjeun nyobian ngira-ngira nilai tina inisiatif dimana waé.

Sering teuing, arsiték sareng désainer nyobian nerapkeun nilai kana komponén fisik sareng téknis gudang nalika kanyataanna nilaina didasarkeun kana prosés bisnis anu dipangaruhan sacara positif ku gudang sareng inpormasi anu kaala.

Di dieu aya tangtangan pikeun ngadegkeun BI: Kumaha anjeun menerkeun investasi? Lamun wherehouse sorangan teu boga nilai intrinsik, désainer proyék kudu nalungtik, nangtukeun, sarta formalize kauntungan kahontal ku jalma anu bakal ngagunakeun gudang pikeun ngaronjatkeun prosés bisnis husus atawa nilai informasi ditangtayungan, atawa duanana.

Pikeun ngahesekeun urusan, sagala prosés bisnis kapangaruhan ku usaha gudang bisa nyadiakeun "considerable" atawa "saeutik" kauntungan. Mangpaat anu lumayan nyayogikeun métrik anu nyata pikeun ngukur balik kana investasi (ROI) - contona, ngarobah inventaris waktos tambahan salami periode khusus atanapi kanggo biaya transportasi anu langkung handap per kiriman. Éta langkung hese pikeun ngartikeun kauntungan anu halus, sapertos ningkat aksés kana inpormasi, dina hal nilai nyata.

Sambungkeun proyék anjeun pikeun terang pamundut bisnis

Sering teuing, perencanaan proyék nyobian ngaitkeun nilai gudang ka tujuan perusahaan amorf. Ku nyatakeun yén "nilai gudang dumasar kana kamampuan urang pikeun nyugemakeun pamundut strategis" kami muka diskusi dina cara anu pikaresepeun. Tapi nyalira teu cukup pikeun nangtukeun naha investasi di inventory masuk akal. Hadé pisan mun éta numbu iterasi gudang jeung tungtutan bisnis husus dipikawanoh.

Ukur ROI

Ngitung ROI dina setélan gudang tiasa sesah. Ieu hususna hésé lamun kauntungan

poko tina pengulangan tangtu mangrupa hal anu teu tangible atawa gampang diukur. Hiji studi manggihan yén pamaké ngarasa dua mangpaat utama inisiatif BI:

• ▪  Nyieun kamampuh nyieun kaputusan
• ▪  Jieun aksés ka inpormasi
  Mangpaat ieu mangrupa mangpaat lemes (atawa hampang). Gampang ningali kumaha urang tiasa ngitung ROI dumasar kana kauntungan anu sesah (atanapi utama) sapertos ngirangan biaya transportasi, tapi kumaha urang ngukur kamampuan pikeun nyandak kaputusan anu langkung saé?
  Ieu pasti tantangan pikeun planners proyék nalika aranjeunna nyobian ngayakinkeun pausahaan pikeun investasi dina usaha gudang tinangtu. Ngaronjatkeun penjualan atanapi ngirangan biaya henteu deui téma sentral anu nyetir lingkungan BI.
  Sabalikna, anjeun ningali paménta bisnis pikeun aksés anu langkung saé pikeun inpormasi supados departemén khusus tiasa nyandak kaputusan anu langkung gancang. Ieu mangrupikeun panggerak strategis anu sami-sami penting pikeun perusahaan tapi langkung ambigu sareng langkung hésé dicirian dina métrik anu nyata. Dina hal ieu, ngitung ROI tiasa nyasabkeun, upami henteu relevan.
  Désainer proyék kedah tiasa nunjukkeun nilai anu nyata pikeun eksekutif pikeun mutuskeun naha investasi dina iterasi tinangtu patut. Najan kitu, urang moal ngajukeun métode anyar keur ngitung ROI, atawa urang bakal nyieun alesan naon pikeun atawa ngalawan eta.
  Aya seueur artikel sareng buku anu ngabahas dasar-dasar ngitung ROI. Aya propositions nilai husus kayaning nilai dina investasi (VOI), ditawarkeun ku grup kawas Gartner, nu bisa Anjeun panalungtikan. Gantina, urang bakal difokuskeun aspék inti sagala ROI atawa nilai propositions séjén nu peryogi mertimbangkeun. Nerapkeun ROI Saluareun argumen ngeunaan kauntungan "teuas" versus kauntungan "lemes" pakait sareng usaha BI aya isu sejenna mertimbangkeun nalika nerapkeun ROI. Salaku conto:

Atribut loba teuing tabungan pikeun usaha DW nu bakal datang atoh
Sebutkeun perusahaan anjeun pindah tina arsitektur mainframe ka lingkungan UNIX anu disebarkeun. Janten naon waé tabungan anu tiasa (atanapi henteu) diwujudkeun tina usaha éta henteu kedah dikaitkeun sacara éksklusif, upami sadayana (?), ka gudang.

Teu akuntansi pikeun sagalana mahal. Sareng aya seueur hal anu kedah dipertimbangkeun. Pertimbangkeun daptar di handap ieu:

• ▪  Biaya ngamimitian, kaasup kamungkinan.
• ▪  Biaya hardware khusus sareng panyimpenan sareng komunikasi anu aya hubunganana
• ▪  Biaya software, kaasup ngokolakeun dati sareng ekstensi klien / server, parangkat lunak ETL, téknologi DSS, alat visualisasi, jadwal sareng aplikasi alur kerja, sareng parangkat lunak ngawaskeun,.
• ▪  Biaya desain struktur dati, kalawan kreasi sarta optimasi tina
• ▪  Biaya ngembangkeun software langsung pakait jeung usaha BI
• ▪  Biaya pangrojong imah, kaasup optimasi kinerja, kaasup kontrol versi software jeung operasi bantuan Larapkeun "Big-Bang" ROI. Ngawangun gudang salaku tunggal, usaha gigantic ieu doomed gagal, jadi malah ngitung ROI pikeun inisiatif badag-perusahaan tawaran ieu héran, sarta planners neruskeun nyieun usaha lemah keur estimasi nilai sakabéh usaha . Naha planners nyobian nempatkeun nilai moneter dina prakarsa bisnis lamun geus dipikawanoh lega tur ditarima yén estimasi pangulangan husus hese? Kumaha mungkin? Teu mungkin kalawan sababaraha iwal. Ulah ngalakukeun eta. Ayeuna kami parantos netepkeun naon anu henteu kedah dilakukeun nalika ngitung ROI, ieu mangrupikeun sababaraha poin anu bakal ngabantosan kami dina ngadamel prosés anu dipercaya pikeun ngira-ngira nilai usaha BI anjeun.

Kéngingkeun konsensus ROI. Henteu paduli pilihan téknik anjeun pikeun ngira-ngira nilai usaha BI anjeun, éta kedah disatujuan ku sadaya pihak, kalebet desainer proyék, sponsor, sareng eksekutif bisnis.

Ngurangan ROI kana bagian anu tiasa diidentipikasi. Léngkah anu dipikabutuh pikeun ngitung ROI anu wajar nyaéta pikeun museurkeun itungan éta dina proyék khusus. Ieu teras ngamungkinkeun anjeun ngira-ngira nilai dumasar kana syarat bisnis khusus anu dicumponan

Nangtukeun waragad. Sakumaha anu disebatkeun, seueur biaya anu kedah dipertimbangkeun. Salajengna, biaya kedah kalebet henteu ngan ukur anu aya hubunganana sareng iterasi tunggal tapi ogé biaya anu aya hubunganana sareng mastikeun patuh standar perusahaan.

Nangtukeun kauntungan. Ku jelas linking ROI kana syarat bisnis husus, urang kudu bisa ngaidentipikasi kauntungan anu bakal ngakibatkeun minuhan sarat.

Ngurangan biaya sareng kauntungan dina kauntungan anu caket. Ieu mangrupikeun cara anu pangsaéna pikeun ngadasarkeun pangajen anjeun kana nilai ayeuna bersih (NPV) sabalikna tina nyobian ngaduga nilai kahareup dina panghasilan hareup.

Jaga waktos ngabagi ROI anjeun ka minimum. Éta ogé didokumentasikeun salami waktos anu parantos dianggo dina ROI anjeun.

Paké leuwih ti hiji rumus ROI. Aya seueur metode pikeun ngaramalkeun ROI sareng anjeun kedah ngarencanakeun naha ngagunakeun hiji atanapi langkung di antarana, kalebet nilai ayeuna bersih, tingkat balik internal (IRR), sareng payback.

Nangtukeun prosés repeatable. Ieu krusial pikeun ngitung sagala nilai jangka panjang. Hiji prosés repeatable tunggal kudu documented pikeun sakabéh subsequences proyék nuturkeun.

Masalah anu didaptarkeun mangrupikeun masalah anu paling umum didefinisikeun ku para ahli dina lingkungan rumah tangga. Keukeuh manajemen pikeun nganteurkeun ROI "Big-Bang" pisan ngabingungkeun. Upami anjeun ngamimitian sadaya itungan ROI anjeun ku ngarobih kana potongan anu tiasa diidentipikasi, nyata, anjeun gaduh kasempetan anu saé pikeun ngira-ngira rating ROI anu akurat.

Patarosan ngeunaan kauntungan ROI

Naon kauntungan anjeun, lemes atanapi teuas, anjeun tiasa nganggo sababaraha patarosan dasar pikeun nangtukeun nilai maranéhanana. Contona, ngagunakeun sistem skala basajan, ti 1 nepi ka 10, anjeun bisa ngukur dampak tina sagala usaha ku ngagunakeun patarosan di handap ieu:

• Kumaha anjeun bakal meunteun pamahaman dati nuturkeun proyék ieu perusahaan anjeun?
• Kumaha anjeun bakal ngira-ngira kamajuan prosés salaku hasil tina proyék ieu?
• Kumaha anjeun bakal ngukur dampak tina wawasan sareng kasimpulan anyar anu ayeuna disayogikeun ku iterasi ieu
• Naon dampak lingkungan komputasi anu anyar sareng kinerja luhur salaku hasil tina naon anu diajarkeun? Upami waleran kana patarosan ieu sakedik, kamungkinan yén perusahaan henteu patut investasi anu dilakukeun. Patarosan-skor luhur nunjuk ka gains nilai signifikan jeung kudu dijadikeun pituduh pikeun panalungtikan salajengna. Contona, skor luhur pikeun perbaikan prosés kedah ngakibatkeun désainer pikeun nalungtik kumaha prosés geus ningkat. Anjeun bisa manggihan yén sababaraha atawa sakabéh gains dijieun téh tangible sahingga hiji nilai moneter bisa gampang dilarapkeun. Meunangkeun mangpaat pangseueurna ti Iteration munggaran tina gudang Hasil pangbadagna tina usaha perusahaan anjeun sering dina sababaraha iterasi munggaran. Usaha awal ieu sacara tradisional netepkeun eusi inpormasi anu paling mangpaat pikeun masarakat sareng ngabantosan ngadegkeun yayasan téknologi pikeun aplikasi BI salajengna. Biasana unggal saterusna saterusna tina dati tina proyék gudang mawa kirang na kirang nilai tambahan pikeun parusahaan sacara umum. Ieu hususna leres upami iterasi henteu nambihan topik énggal atanapi nyumponan kabutuhan komunitas pangguna énggal.

fitur gudang ieu ogé lumaku pikeun tumuwuh tumpukan tina dati ahli sajarah. Salaku usaha salajengna merlukeun leuwih dati jeung kumaha deui dati anu dituang kana gudang kana waktu, lolobana dati janten kirang relevan kana analisis dipaké. Ieu dati aranjeunna mindeng disebut dati dormant sarta éta salawasna mahal pikeun nyimpen aranjeunna sabab ampir pernah dipaké.

Naon ieu hartosna pikeun sponsor proyék? Intina, sponsor awal ngabagi langkung seueur tibatan biaya investasi. Ieu utami sabab mangrupikeun dorongan pikeun ngadegkeun lingkungan téknologi lega gudang sareng lapisan sumber daya, kalebet organik.

Tapi léngkah-léngkah munggaran ieu nyangking nilai pangluhurna sahingga désainer proyék sering kedah menerkeun investasi.
Proyék anu dilakukeun saatos prakarsa BI anjeun tiasa langkung handap (dibandingkeun sareng anu munggaran) sareng biaya langsung, tapi ngirangan nilai pikeun perusahaan.

Sareng pamilik organisasi kedah mimiti mikirkeun miceun akumulasi dati sareng téknologi anu kirang relevan.

Data Mining : Ekstraksi Dati

Seueur komponén arsitéktur ngabutuhkeun variasi dina téknologi sareng téknik pertambangan data—
contona, béda "agén" pikeun examining titik dipikaresep ti konsumén, sistem operasi parusahaan jeung keur dw sorangan. Agén ieu tiasa janten jaringan saraf canggih anu dilatih dina tren POT, sapertos paménta produk kahareup dumasar kana promosi penjualan; mesin dumasar aturan pikeun diréaksikeun jeung susunan a dato tina kaayaan, contona, diagnosis médis sarta saran perlakuan; atawa malah agén basajan kalawan peran ngalaporkeun iwal mun executives luhur. Umumna prosés ékstraksi ieu dati si

pariksa sacara real waktos; kituna, aranjeunna kudu ngahiji sagemblengna kalawan gerakan dati stessi

Ngolah Pangolahan Analitik Online

analytics online

Kamampuhan pikeun nyiksikan, dadu, gulung, bor ka handap, sareng ngalakukeun analisa
kumaha-lamun, aya dina wengkuan, fokus tina suite téhnologi IBM. Contona, aya fungsi processing analitik online (OLAP) pikeun DB2 nu brings analisis diménsi kana mesin software. database sarua.

Fungsina nambihan utilitas diménsi ka SQL bari ngamangpaatkeun sagala mangpaat janten bagian alami DB2. Conto sejen tina integrasi OLAP nyaéta alat ékstraksi, DB2 OLAP Server Analyzer. Téknologi ieu ngamungkinkeun DB2 OLAP Server kubus gancang sareng otomatis dianalisis pikeun milarian sareng ngalaporkeun nilai nilai. dati mahiwal atawa teu kaduga sakuliah kubus ka analis bisnis. Sarta pamustunganana, fitur DW Center nyadiakeun sarana pikeun arsiték ngadalikeun, diantara hal séjén, profil hiji kubus server DB2 OLAP salaku bagian alam prosés ETL.

Analisis spasial Analisis spasial

Spasi ngagambarkeun satengah tina jangkar analitik (ngarah) diperlukeun pikeun panorama a
analitik lega (waktu ngagambarkeun satengah séjén). Tingkat atom tina gudang, digambarkeun dina Gambar 1.1, ngawengku duanana dasar waktu jeung spasi. Waktos perangko jangkar nganalisa ku waktu jeung alamat informasi jangkar nganalisa ku spasi. Stempel waktos ngalaksanakeun analisa ku waktos, sareng inpormasi alamat ngalaksanakeun analisa ku rohangan. Diagram nembongkeun geocoding - prosés ngarobah alamat kana titik dina peta atawa titik dina spasi sangkan konsép kayaning jarak jeung jero / luar bisa dipaké dina analisis - dilakukeun dina tingkat atom jeung analisis spasial nu disadiakeun pikeun analis. IBM nyadiakeun ekstensi spasial, dimekarkeun kalawan Lingkungan System Research Institute (ESRI), ka database DB2 ku kituna objék spasi bisa disimpen salaku bagian normal tina database relasional. db2

Extenders Spasial, ogé nyayogikeun sadaya ekstensi SQL pikeun ngamangpaatkeun analisis spasial. Contona, ekstensi SQL pikeun query ngalawan
jarak antara alamat atawa naha hiji titik aya di jero atawa di luar wewengkon polygonal tangtu, mangrupakeun standar analitik jeung Spasial Extender. Tempo bab 16 pikeun inpo nu leuwih lengkep.

database-Alat Pakakas warga database- Nyicingan

DB2 ngagaduhan seueur fitur SQL anu nyicingan BI anu ngabantosan dina tindakan analisa. Ieu kalebet:

• Fungsi rekursi pikeun ngalakukeun analisa, sapertos "nyungsi sadaya jalur penerbangan anu mungkin tina San Francisco a New York".
• Fungsi analitik pikeun ranking, fungsi kumulatif, kubus jeung rollup pikeun ngagampangkeun tugas nu ilaharna ngan lumangsung kalawan téhnologi OLAP, ayeuna bagian alam mesin. database
• Kamampuhan pikeun nyieun tabel anu ngandung hasil
  Para penjual tina database pamingpin campur deui kamampuhan BI kana database stesso
  The suppliers utama tina basis data aranjeunna nyampur deui kamampuhan BI kana database stesso
  Ieu nyayogikeun kinerja anu langkung saé sareng seueur pilihan palaksanaan pikeun solusi BI.
  Fitur sareng pungsi DB2 V8 dibahas sacara rinci dina bab-bab ieu:
  Arsitéktur Téknis sareng Yayasan Manajemén Data (Bab 5)

• Dasar DB2 BI (Bab 6)
• Tabél Query Materialized DB2 (Bab 7)
• Fungsi OLAP DB2 (Bab 13)
• DB2 Enhanced BI Fitur jeung Fungsi (Bab 15) Sistem Pangiriman Data Saderhana Sistem pangiriman tina dati disederhanakeun

Arsitéktur digambarkeun dina Gambar 1.1 ngawengku sababaraha struktur dati fisik. Salah sahijina nyaéta gudang dati operasi. Sacara umum, ODS mangrupikeun objék anu berorientasi subjek, terpadu sareng ayeuna. Anjeun bakal ngawangun ODS pikeun ngadukung, contona, kantor penjualan. Penjualan ODS bakal nambahan dati tina sababaraha sistem anu béda tapi ngan ukur nahan, contona, transaksi ayeuna. The ODS ogé bisa diropéa sababaraha kali sapoé. Dina waktos anu sami, prosés nyorong dati terpadu kana aplikasi sejenna. Struktur ieu husus dirancang pikeun ngahijikeun dati ayeuna sareng dinamis sareng bakal janten calon anu dipikaresep pikeun ngadukung analitik real-time, sapertos nyayogikeun ka agén jasa konsumén Inpormasi penjualan pelanggan ayeuna ku cara ngekstrak inpormasi tren penjualan tina gudang éta sorangan. Struktur séjén ditémbongkeun dina Gambar 1.1 mangrupakeun kaayaan formal pikeun dw. Henteu ngan ieu tempat pikeun palaksanaan integrasi perlu, kualitas dati, jeung tina transformasi tina dati tina gudang asup, tapi ogé mangrupa gudang dipercaya jeung samentara pikeun dati ulangan nu bisa dipaké dina analisis real-time. Upami anjeun mutuskeun nganggo ODS atanapi daérah pementasan, salah sahiji alat anu pangsaéna pikeun ngeusian struktur ieu dati ngagunakeun sumber operasional béda nyaéta query disebarkeun hétérogén DB2 urang. Kamampuhan ieu disayogikeun ku fitur DB2 opsional anu disebut DB2 Relational Connect (ngan ukur pamundut) sareng ngalangkungan DB2 DataJoiner (produk anu misah anu ngirimkeun pamundut, nyelapkeun, ngapdet, sareng ngahapus kamampuan pikeun RDBMS anu disebarkeun hétérogén).

Téknologi ieu ngamungkinkeun arsiték pikeun dati pikeun dasi dati produksi jeung prosés analitik. Téknologi henteu ngan ukur tiasa adaptasi sareng ampir salah sahiji tungtutan réplikasi anu tiasa timbul sareng analitik sacara real-time, tapi ogé tiasa nyambung ka rupa-rupa basa. dati pang populerna, kaasup DB2, Oracle, Sybase, SQL Server, Informix jeung sajabana. DB2 DataJoiner tiasa dianggo pikeun ngeusian struktur dati formal salaku ODS atawa malah tabel permanén digambarkeun dina gudang dirancang pikeun recovery gancang apdet instan atawa pikeun diobral. Tangtu, ieu struktur sarua dati bisa Asezare populata ngagunakeun

téhnologi penting séjén dirancang pikeun réplikasi tina dati, IBM DataPropagator Relational. (DataPropagator mangrupikeun produk anu misah pikeun sistem sentral. DB2 UNIX, Linux, Windows, sareng OS/2 kalebet jasa réplikasi data. dati salaku fitur standar).
Métode séjén pikeun mindahkeun dati sabudeureun perusahaan mangrupa integrator aplikasi perusahaan atawa katelah calo pesen. Téknologi unik ieu ngamungkinkeun kontrol unparalleled pikeun nargétkeun sarta mindahkeun. dati sabudeureun pausahaan. IBM boga calo pesen paling loba dipaké, MQSeries, atawa variasi produk nu ngawengku sarat tina e-commerce, IBM WebSphere MQ.
Pikeun langkung seueur diskusi ngeunaan cara ngungkit MQ pikeun ngadukung gudang sareng lingkungan BI, kunjungan ramatloka tina buku. Pikeun ayeuna, cekap nyarios yén téknologi ieu mangrupikeun cara anu saé pikeun moto sareng ngarobih (nganggo MQSeries Integrator) dati dipuseurkeun (sasaran) operator direkrut pikeun solusi BI. téhnologi MQ geus terpadu jeung rangkep kana UDB V8, hartina antrian pesen ayeuna bisa diatur saolah-olah éta tabel DB2. Konsep las antrian pesen jeung alam semesta tina database huluna relational nuju lingkungan pangiriman kuat tina dati.

Nol-Latency Nol latency

Tujuan strategis pamungkas pikeun IBM nyaéta analisis enol-latency. Sakumaha didefinisikeun ku
Gartner, sistem BI kudu bisa infer, asimilasi jeung nyadiakeun informasi ka analis on demand. Tangtangan, tangtosna, kumaha nyampur dati ayeuna jeung real-time kalawan informasi sajarah diperlukeun, kayaning i dati pola / trend patali, atawa sasari pamahaman, kayaning profil customer.

Inpormasi sapertos kitu kalebet, contona, idéntifikasi konsumén resiko tinggi atawa low atawa produk nu i konsumén aranjeunna paling dipikaresep bakal dibeuli lamun maranéhna geus boga kéju dina carts balanja maranéhna.

Ngahontal enol latency saleresna gumantung kana dua mékanisme dasar:

• union lengkep tina dati anu dianalisis ku téknik sareng alat anu didamel ku BI
• Hiji sistem pangiriman ti dati éfisién pikeun mastikeun yén analitik sacara real-time leres-leres sayogi. Prasarat ieu pikeun nol latency henteu béda ti dua tujuan anu ditetepkeun ku IBM sareng dijelaskeun di luhur. Gandeng nutup tina dati Éta bagian tina program integrasi mulus IBM. Sarta nyieun sistem pangiriman tina dati efisien sagemblengna gumantung kana téhnologi sadia nu simplifies prosés pangiriman tina dati. Hasilna, dua tina tilu tujuan IBM penting pikeun ngawujudkeun anu katilu. IBM sacara sadar mekarkeun téknologina pikeun mastikeun enol latency mangrupikeun kanyataan pikeun usaha gudang. Ringkesan / Sintésis Organisasi BI nyayogikeun peta jalan pikeun ngawangun lingkungan anjeun
  iteratively. Éta kedah disaluyukeun pikeun ngagambarkeun kabutuhan bisnis anjeun, boh ayeuna sareng ka hareup. Tanpa visi arsitéktur anu lega, iterations gudang sakedik langkung seueur tibatan palaksanaan haphazard tina gudang sentral anu sakedik pikeun nyiptakeun perusahaan anu lega sareng informatif. Halangan pangheulana pikeun manajer proyék nyaéta kumaha menerkeun investasi anu diperlukeun pikeun ngembangkeun organisasi BI. Nalika itungan ROI tetep janten andalan palaksanaan gudang, éta janten langkung hese pikeun diprediksi sacara akurat. Ieu nyababkeun padika sanés pikeun nangtoskeun naha anjeun nampi artos artos anjeun. Nilai on investment2 (VOI), contona, diwanohkeun salaku solusi. Éta incumbent on arsiték tina dati sarta planners proyék ngahaja ngahasilkeun sarta nyadiakeun informasi ka asosiasi pamaké sarta teu saukur nyadiakeun layanan ka aranjeunna dati. Aya bédana badag antara dua. Inpormasi mangrupikeun hal anu nyababkeun bédana dina prosés pengambilan kaputusan sareng efektivitas; rélatif, abdi dati aranjeunna ngawangun blok pikeun deriving informasi éta.

Sanajan kritis sumberna dati Pikeun nyumponan paménta bisnis, lingkungan BI kedah ngagaduhan peran anu langkung ageung dina nyiptakeun eusi inpormasi. Urang kedah nyandak léngkah-léngkah tambahan pikeun ngabersihan, ngahijikeun, ngarobih, atanapi sanés nyiptakeun kontén inpormasi anu tiasa dilampahkeun ku pangguna, teras urang kedah mastikeun yén tindakan sareng kaputusan éta, upami wajar, ditingali dina lingkungan BI. Lamun urang relegate gudang pikeun ukur ngawula on dati, geus ensured yén asosiasi pamaké bakal nyieun eusi informasi diperlukeun pikeun ngalakukeun tindakan. Ieu mastikeun yén komunitasna tiasa nyandak kaputusan anu langkung saé, tapi perusahaan kakurangan tina kurangna pangaweruh anu dianggo. Kanyataan yén arsiték jeung planners proyék initiate proyék husus di lingkungan BI, aranjeunna tetep akuntabel ka perusahaan sakabéhna. Conto saderhana ciri dua sisi tina iterasi BI ieu kapanggih dina sumberna dati. Kabéh dati narima pikeun requests bisnis husus kudu Asezare populata dina lapisan atom munggaran. Ieu ensures ngembangkeun asset informasi perusahaan, kitu ogé ngatur, alamat requests pamaké husus didefinisikeun dina iteration nu.

WhatisaDataWarehouse?

Gudang data eta geus jantung arsitektur sistem informasi saprak 1990 tur ngarojong prosés informasi ku maturan platform terpadu solid dati data sajarah dicokot salaku dadasar pikeun analisis saterusna. THE data gudang aranjeunna nawiskeun betah integrasi dina dunya sistem aplikasi sauyunan. Gudang data eta geus mekar jadi trend. Gudang data ngatur jeung ngapalkeun i dati dipikabutuh pikeun informasi jeung prosés analitik dumasar kana sudut pandang temporal sajarah panjang. Sadaya ieu merlukeun komitmen considerable tur konstan dina pangwangunan jeung perawatan data gudang.

Jadi naon a data gudang? A data gudang sareng:

• ▪  berorientasi subyek
• ▪  sistem terpadu
• ▪  varian waktos
• ▪  non-volatile (teu mupus)

kumpulan dati dipaké pikeun ngarojong kaputusan manajerial dina palaksanaan prosés.
I dati diasupkeun kana data gudang dina kalolobaan kasus aranjeunna diturunkeun tina lingkungan operasional. The data gudang eta dijieun ku Unit gudang, fisik dipisahkeun tina sesa sistem, nu ngandung dati saméméhna dirobih ku aplikasi anu ngoperasikeun inpormasi anu diturunkeun tina lingkungan operasi.

Harti literal a data gudang pantes katerangan anu jero sabab aya motivasi penting sareng hartos dasar anu ngajelaskeun karakteristik gudang.

ORIENTASI MATA PELAJARAN TEMATIK

Fitur mimiti a data gudang nyaéta yén éta berorientasi ka pamaén utama dina perusahaan. Pituduh tina percobaan ngaliwatan dati éta kontras sareng metodeu anu langkung klasik anu ngalibatkeun orientasi aplikasi kana prosés sareng fungsi, metode anu umumna dibagikeun ku kalolobaan sistem manajemén anu langkung énggal.

Dunya operasional dirancang pikeun aplikasi sareng fungsi sapertos pinjaman, tabungan, kartu bank sareng amanah pikeun lembaga keuangan. Dunya dw diatur sakitar mata pelajaran utama sapertos palanggan, penjual, produk sareng kagiatan. Alignment sabudeureun jejer mangaruhan rarancang jeung palaksanaan dati kapanggih dina dw. Anu langkung penting, topik utama mangaruhan bagian anu paling penting dina struktur konci.

Dunya aplikasi dipangaruhan ku desain database sareng desain prosés. Dunya dw museurkeun éksklusif kana modeling dati sarta dina rarancang database. Desain prosés (dina bentuk klasik na) sanes bagian tina lingkungan dw.

Bedana antara pilihan aplikasi prosés/fungsi jeung pilihan subjék ogé diungkabkeun salaku bédana dina eusi dati dina tingkat lengkep. THE dati del dw teu kaasup i dati nu moal dipaké pikeun prosés DSS bari aplikasi

berorientasi operasional dati ngandung i dati pikeun geuwat nyugemakeun fungsional / syarat processing nu bisa atawa teu boga pamakéan naon pikeun analis DSS.
Cara anu penting pikeun aplikasi anu berorientasi operasional dati béda ti dati tina dw aya dina laporan ngeunaan dati. abdi dati operasi ngajaga hubungan kontinyu antara dua atawa leuwih tabel dumasar kana aturan bisnis anu aktip. THE dati tina dw meuntas spéktrum waktu jeung hubungan kapanggih dina dw nu loba. Loba aturan dagang (jeung sasuai, loba hubungan ti dati ) diwakilan dina saham tina dati antara dua atawa leuwih tabel.

(Pikeun katerangan lengkep kumaha hubungan antara dati diurus dina DW, urang tingal Topik Tech ngeunaan masalah éta.)
Tina sudut pandang sanés sanés tina bédana dasar antara pilihan aplikasi fungsional/prosés sareng pilihan subjek, naha aya bédana anu langkung ageung antara sistem operasi sareng dati jeung DW.

INTEGRASI INTEGRASI

Aspék pangpentingna lingkungan dw éta i dati kapanggih dina dw gampang terpadu. salawasna. TANPA PENGECUALIAN. Hakekat pisan lingkungan dw nyaeta i dati dikandung dina wates gudang anu terpadu.

Integrasi nembongkeun diri ku sababaraha cara - dina konvénsi anu diidentifikasi konsisten, dina ukuran variabel konsisten, dina struktur disandi konsisten, dina atribut fisik dati konsisten, jeung saterusna.

Salila mangtaun-taun, désainer rupa-rupa aplikasi parantos ngadamel seueur kaputusan ngeunaan kumaha aplikasi kedah dikembangkeun. Gaya sareng kaputusan desain individual pikeun aplikasi désainer nembongkeun diri ku saratus cara: dina bédana dina coding, struktur konci, ciri fisik, ngidentipikasi konvénsi, sareng sajabana. Kamampuhan koléktif seueur desainer aplikasi pikeun nyiptakeun aplikasi anu teu konsisten nyaéta legendaris. Gambar 3 ngaluarkeun sababaraha béda anu paling penting dina cara aplikasi dirancang.

Encoding: Encoding:

Desainer aplikasi geus milih encoding tina widang - kelamin - dina cara béda. A désainer ngagambarkeun kelamin salaku "m" jeung "f". Desainer séjén ngagambarkeun gender salaku "1" jeung "0". Desainer séjén ngagambarkeun kelamin salaku "x" jeung "y". Desainer séjén ngagambarkeun kelamin salaku "jalu" jeung "awéwé". Henteu janten masalah kumaha jinisna asup kana DW. "M" jeung "F" meureun sakumaha alus salaku sakabeh muter.

Anu penting nyaéta tina naon waé asal-usul lapangan séks, éta lapangan dugi ka DW dina kaayaan terpadu anu konsisten. Akibatna, nalika sawah dimuat kana DW tina aplikasi anu parantos diwakilan dina format "M" sareng "F", dati kudu dirobah jadi format DW.

Pangukuran Atribut: Pangukuran Atribut:

Désainer aplikasi parantos milih ngukur pipa ku sababaraha cara salami mangtaun-taun. A toko desainer nu dati tina pipa dina séntiméter. desainer aplikasi sejen nyimpen éta dati tina pipa dina watesan inci. desainer aplikasi sejen nyimpen éta dati tina pipa dina juta kaki kubik per detik. Sareng desainer anu sanés nyimpen inpormasi saluran tina segi yard. Naon waé sumberna, nalika inpormasi pipa sumping dina DW éta kedah diukur ku cara anu sami.

Numutkeun indikasi dina gambar 3, masalah integrasi mangaruhan ampir unggal aspék proyék - ciri fisik dati, dilema ngabogaan leuwih ti hiji sumber dati, masalah sampel dicirikeun inconsistent, format tina dati inconsistent, jeung saterusna.

Naon topik desain, hasilna sarua - i dati kudu disimpen dina DW dina cara tunggal jeung bisa ditarima sacara global sanajan sistem operasi dasar nyimpen aranjeunna béda. dati.

Nalika analis DSS Sigana di DW, tujuan analis kudu eksploitasi tina dati nu aya di gudang,

tinimbang wondering ngeunaan kredibilitas atawa konsistensi tina dati.

VARIANSI WAKTU

Kabéh dati dina DW aranjeunna akurat pikeun sababaraha waktos. Ieu ciri dasar tina dati dina DW pisan béda ti dati kapanggih dina lingkungan operasi. THE dati tina lingkungan operasi anu pas sakumaha dina momen aksés. Dina basa sejen, dina lingkungan operasi nalika drive diaksés dati, diperkirakeun yén éta bakal ngagambarkeun nilai-nilai anu tepat sapertos dina waktos aksés. Kusabab kuring dati dina DW anu tepat sakumaha di sawatara titik dina jangka waktu (ie, teu "ayeuna"), eta disebutkeun yen abdi dati kapanggih dina DW anu "varian waktu".
Varian waktu tina dati ku DW disebut ku sababaraha cara.
Cara pangbasajanna nyaéta i dati tina hiji DW ngagambarkeun dati leuwih lila cakrawala - lima nepi ka sapuluh taun. Cakrawala waktos anu diwakilan pikeun lingkungan operasi langkung pondok tibatan nilai ayeuna ayeuna dugi ka genep puluh salapan puluh.
Aplikasi nu kudu fungsina ogé sarta kudu sadia pikeun ngolah urus kudu mawa jumlah minimum dati lamun aranjeunna ngidinan sagala darajat kalenturan. Janten aplikasi operasional gaduh cakrawala waktos anu pondok, sapertos topik desain aplikasi audio.
Cara kadua yén 'variansi waktos' muncul dina DW nyaéta dina struktur konci. Unggal struktur konci dina DW ngandung, sacara implisit atanapi eksplisit, unsur waktos, sapertos dinten, minggu, bulan, jsb. Unsur waktos ampir sok di handapeun konci concatenated kapanggih dina DW. Dina kasempetan ieu, unsur waktos bakal aya sacara implisit, sapertos kasus dimana file sadayana diduplikasi dina ahir bulan atanapi saparapat.
Cara katilu varian waktu dipintonkeun nyaéta yén i dati tina DW, sakali leres didaptarkeun, teu bisa diropéa. THE dati tina DW téh, pikeun sakabéh kaperluan praktis, runtuyan panjang snapshots. Tangtosna upami jepretan dicandak teu leres, maka jepretan tiasa dirobih. Tapi asumsina snapshots dicokot leres, aranjeunna moal dirobah pas aranjeunna dicandak. Dina sababaraha

Dina sababaraha kasus bisa jadi unethical atawa malah teu valid pikeun snapshots dina DW dirobah. THE dati operasional, keur persis sakumaha dina momen aksés, aranjeunna bisa diropéa sakumaha perlu timbul.

TEU VOLATILE

Karakteristik penting kaopat DW nyaéta yén éta henteu volatile.
Pembaruan, sisipan, ngahapus sareng modifikasi dilakukeun rutin ka lingkungan operasional dumasar catetan-demi-catetan. Tapi manipulasi dasar tina dati nu diperlukeun dina DW loba basajan. Aya ngan dua rupa operasi anu lumangsung dina DW - loading awal dati jeung aksés ka dati. Henteu aya pembaruan tina dati (dina rasa umum ngamutahirkeun) dina DW salaku operasi processing normal. Aya sababaraha konsékuansi anu kuat pisan tina bédana dasar ieu antara pamrosésan operasional sareng pamrosésan DW. Dina tingkat desain, kedah ati-ati ngeunaan pembaruan anomali sanés faktor DW, sabab ngamutahirkeun dati teu dilaksanakeun. Ieu ngandung harti yén dina tingkat desain fisik, liberties bisa dicokot pikeun ngaoptimalkeun aksés ka dati, khususna dina ngungkulan topik normalisasi fisik sareng denormalisasi. Konsékuansi séjén tina kesederhanaan operasi DW aya dina téhnologi dasar dipaké pikeun ngajalankeun lingkungan DW. Kedah ngadukung apdet catetan-demi-catetan inline (sapertos sering kasus sareng pamrosésan operasional) ngabutuhkeun téknologi pikeun gaduh yayasan anu kompleks pisan handapeun kesederhanaan anu katingali.
Téknologi anu ngadukung cadangan sareng pamulihan, transaksi sareng integritas dati jeung deteksi jeung ubar kaayaan deadlock cukup rumit sarta teu diperlukeun pikeun ngolah DW. Karakteristik DW a, orientasi desain, integrasi tina dati dina DW, varian waktu jeung kesederhanaan tina manajemen dati, sagalana ngarah ka lingkungan nu pisan, pisan béda ti lingkungan operasi Palasik. Sumberna ampir sadayana dati DW mangrupikeun lingkungan operasi. Ieu pikabitaeun pikeun mikir yén aya redundancy masif ti dati antara dua lingkungan.
Nyatana, kesan anu munggaran anu dipiboga ku seueur jalma nyaéta redundansi anu hébat dati antara lingkungan operasi jeung lingkungan tina

DW. Interprétasi sapertos kitu deet sareng nunjukkeun kurangna pamahaman naon anu lumangsung dina DW.
Memang aya minimum redundancy dati antara lingkungan operasi jeung i dati tina DW. Pertimbangkeun ieu di handap: I dati aranjeunna disaring dato nu ngalir ti lingkungan operasi ka lingkungan DW. loba dati aranjeunna pernah lulus luar lingkungan operasi. Iwal éta i dati anu dipikabutuh pikeun ngolah DSS manggihan arah maranéhanana di lingkungan

▪  waktu cakrawala tina dati béda pisan ti hiji lingkungan ka lingkungan séjénna. THE dati dina lingkungan operasi aranjeunna seger pisan. THE dati dina DW aranjeunna leuwih kolot. Ngan ti sudut pandang cakrawala waktu, aya saeutik pisan tumpang tindihna antara lingkungan operasional jeung DW.

▪  DW ngandung dati kasimpulan nu pernah kapanggih di lingkungan

▪  abdi dati ngalaman transformasi fundamental sabab transisi ka Gambar 3 illustrates yén paling dati dirobih sacara signifikan upami aranjeunna dipilih sareng dipindahkeun ka DW. Nempatkeun cara sejen, lolobana dati eta sacara fisik sarta radikal robah jadi dipindahkeun kana DW. Tina sudut pandang integrasi aranjeunna henteu sami dati anu cicing di lingkungan operasi. Dina lampu faktor ieu, redundancy tina dati antara dua lingkungan mangrupa kajadian langka, nu ngabalukarkeun kirang ti 1% redundancy antara dua lingkungan. STRUKTUR GUDANG DWs gaduh struktur anu béda. Aya sababaraha tingkatan kasimpulan sareng detil anu ngademarkasi DW.
Rupa-rupa komponén DW nyaéta:

• metadata
• Dati rinci ayeuna
• Dati tina rinci heubeul
• Dati rada diringkeskeun
• Dati kacida diringkeskeun

Sajauh perhatian utama nyaéta pikeun i dati rinci ayeuna. Éta mangrupikeun perhatian utama sabab:

• I dati rinci ayeuna ngagambarkeun acara panganyarna, nu salawasna dipikaresep hébat sarta
• i dati rinci ayeuna téh voluminous sabab disimpen dina tingkat panghandapna tina granularity na
• i dati Rincian ayeuna ampir sok disimpen dina mémori disk, anu gancang diakses, tapi mahal sareng rumit pikeun dianggo dati tina detil leuwih kolot dati nu disimpen dina sababaraha memori Massa. Diaksés sacara sporadis sareng disimpen dina tingkat detil anu cocog sareng dati rinci ayeuna. Bari teu wajib pikeun nyimpen dina hiji medium gudang alternatif, alatan volume badag tina dati digabungkeun jeung aksés sporadis tina dati, médium gudang pikeun dati data rinci heubeul biasana teu disimpen dina disk. THE dati enteng diringkeskeun aranjeunna dati nu sulingan ti tingkat low of jéntré kapanggih nepi ka tingkat kiwari jéntré. Tingkat DW ieu ampir sok disimpen dina panyimpenan disk. Masalah desain anu timbul pikeun arsiték dati dina pangwangunan tingkat ieu DW nyaéta:

• Naon unit waktu kasimpulan dijieun di luhur
• Naon eusi, atribut bakal rada nyimpulkeun eusi dati Tingkat salajengna tina dati kapanggih dina DW nyaeta tina dati kacida diringkeskeun. THE dati kacida diringkeskeun kompak jeung gampang diakses. THE dati kacida diringkeskeun kadang kapanggih dina lingkungan DW sarta dina kasus séjén i dati kacida diringkeskeun kapanggih di luar tembok saharita tina téhnologi nu imah DW. (dina hal naon waé, i dati kacida diringkeskeun mangrupakeun bagian tina DW paduli dimana i dati ditempatkeun sacara fisik). Komponén ahir DW nyaéta metadata. Dina loba hal metadata sits dina dimensi béda ti batur dati tina DW, sabab metadata teu ngandung nanaon dato dicokot langsung ti lingkungan operasi. Metadata boga peran husus sarta pohara penting dina DW. Metadata dianggo salaku:

• diréktori pikeun mantuan analis DSS ngaidentipikasi eusi DW,
• pituduh pikeun pemetaan nu dati kumaha i dati parantos dirobih tina lingkungan operasional ka lingkungan DW,
• pituduh pikeun algoritma dipaké pikeun summarization antara dati rinci ayeuna jeung i dati rada diringkeskeun, abdi dati kacida diringkeskeun, Metadata muterkeun hiji peran loba nu leuwih gede di lingkungan DW ti eta kantos di lingkungan operasional LENGKAP LENGKAP MEDIUM neundeun Pita magnét tiasa dianggo pikeun nyimpen jinis éta dati. Malah aya rupa-rupa média panyimpen anu kudu dipertimbangkeun pikeun neundeun heubeul dati tina detil. Gumantung kana volume dati, Frékuénsi aksés, biaya parabot jeung tipe aksés, éta sakabéhna kamungkinan yén parabot lianna bakal butuh tingkat heubeul jéntré dina DW. ALIRAN DATA Aya aliran normal jeung bisa diprediksi tina dati dina DW.
  I dati asupkeun DW ti lingkungan operasi. (CATETAN: Aya sababaraha iwal pisan metot kana aturan ieu. Tapi, ampir kabéh dati asupkeun DW ti lingkungan operasi). Kanyataan anu abdi dati asupkeun DW ti lingkungan operasi, éta robah sakumaha ditétélakeun saméméhna. Dina kaayaan ngasupkeun DW, abdi dati asupkeun tingkat detil ayeuna, sapertos anu dipidangkeun. Éta cicing di dinya sareng dianggo dugi ka salah sahiji tina tilu kajadian:

• geus disucikeun,
• diringkeskeun, jeung/atawa ▪è Prosés leungit dina hiji DW ngalir i dati rinci ayeuna a dati tina rinci heubeul, nurutkeun umur dati. Prosésna

kasimpulan ngagunakeun jéntré ngeunaan dati keur ngitung dati rada diringkeskeun jeung tingkat kasimpulan kacida tina dati. Aya sababaraha iwal mun aliran ditémbongkeun (bakal dibahas engké). Nanging, biasana, pikeun seuseueurna dati kapanggih dina hiji DW, aliran tina dati éta salaku digambarkeun.

Maké DATAWAREHOUSE

Teu heran rupa-rupa tingkatan dati dina DW aranjeunna henteu nampi tingkat béda pamakean. Sakumaha aturan, nu leuwih luhur tingkat summarization, beuki i dati aranjeunna dipaké.
Loba kagunaan lumangsung dina dati kacida diringkesna, sedengkeun heubeul dati rinci ampir pernah dipaké. Aya alesan alus pikeun mindahkeun organisasi ka paradigma utilization sumberdaya. Langkung diringkeskeun i dati, nu leuwih gancang jeung leuwih efisien éta pikeun anjog di dati. Lamun a toko mendakan yén éta ngalakukeun seueur prosés dina tingkat detil DW, teras jumlah sumberdaya mesin anu saluyu dikonsumsi. Pikeun kapentingan sadayana pikeun ngolah kasimpulan tingkat luhur sagancangna.

Pikeun seueur toko, analis DSS dina lingkungan pre-DW parantos dianggo dati dina tingkat jéntré. Dina loba hal datangna di dati kasimpulan lengkep nyarupaan simbut kaamanan, sanajan tingkat séjén kasimpulan sadia. Salah sahiji kagiatan arsitek dati nyaéta nyapih pamaké DSS tina pamakéan konstan dati dina tingkat detil panghandapna. Aya dua motivations sadia pikeun arsiték tina dati:

• ku cara masang sistem chargeback, dimana pamaké tungtung mayar sumberdaya nu dikonsumsi e
• nu nunjukkeun yén waktu respon pohara alus bisa dihontal nalika kabiasaan kalawan i dati nyaeta dina tingkat luhur summarization, sedengkeun waktu respon goréng asalna tina paripolah nu dati dina tingkat low tina KONSIDERASI LAIN Aya sababaraha pertimbangan konstruksi sareng manajemén DW anu sanés.
  Pertimbangan kahiji nyaéta indéks. THE dati dina tingkat luhur summarization maranéhna bisa kalawan bébas indéks, bari i dati

di tingkat handap detil aranjeunna jadi gede pisan yén maranéhna bisa indéks frugally. Ti token sarua, abdi dati dina tingkat luhur jéntré bisa rélatif gampang restructured, bari volume dati di tingkat handap éta jadi badag yén i dati aranjeunna teu bisa gampang direnovasi. Akibatna, modél tina dati jeung karya formal dipigawé ku desain iklas pondasi pikeun DW dilarapkeun ampir éksklusif di tingkat kiwari jéntré. Dina basa sejen, kagiatan modeling tina dati aranjeunna teu dilarapkeun ka tingkat summarization, ampir unggal kasus. tinimbangan struktural sejen nyaeta tina subdivision of dati ku DW.

Partisi tiasa dilakukeun dina dua tingkat - dina tingkat dbms sareng dina tingkat aplikasi. Dina division dina tingkat dbmseta dbms Inpormasi ngeunaan divisi-divisi sareng ngontrolana sasuai. Dina kasus divisi dina tingkat aplikasi, ngan ukur programer anu terang ngeunaan divisi sareng tanggung jawab pikeun administrasina ditinggalkeun ka anjeunna.

Di handap tingkat dbms, seueur padamelan anu dilakukeun sacara otomatis. Aya loba inflexibility pakait sareng administrasi division otomatis. Dina kasus divisi dina tingkat aplikasi tina dati éta data gudang, loba karya weighs on programmer, tapi hasil ahir nyaéta kalenturan dina administrasi dati nel data gudang

ANOMALI LAIN

Sedengkeun komponén tina data gudang Aranjeunna dianggo sakumaha anu dijelaskeun pikeun ampir sadayana dati, Aya sababaraha iwal mangpaat anu perlu dibahas. Pangecualian nyaéta tina dati data kasimpulan umum. Ieu nyaéta dati summaries nu geus diitung kaluar tina data gudang tapi dipaké ku masarakat. THE dati summaries umum disimpen na diatur dina data gudang, sanajan sakumaha disebutkeun saméméhna maranéhna diitung kaluar. Accountants dianggo pikeun ngahasilkeun quarterly misalna dati kayaning panghasilan, pengeluaran triwulanan, untung triwulanan, jeung sajabana. Karya anu dilakukeun ku akuntan nyaéta éksternal pikeun data gudang. Sanajan kitu, kuring dati dipaké "internal" dina pausahaan - ti pamasaran, jualan, jsb. anomali sejen, nu moal dibahas, nya éta dati jaba.

jenis beredar sejen tina dati nu bisa kapanggih dina a data gudang nya éta data detil permanén. Ieu ngabalukarkeun perlu pikeun nyimpen permanén dati dina tingkat anu lengkep pikeun alesan etika atanapi hukum. Upami perusahaan ngalaan para karyawanna kana zat anu bahaya, peryogi dati lengkep sareng permanén. Upami perusahaan ngahasilkeun produk anu ngalibatkeun kaamanan umum, sapertos suku cadang pesawat, peryogi dati rinci permanén, kitu ogé lamun hiji pausahaan asup kana kontrak bahaya.

Pausahaan teu tiasa mampuh mopohokeun detil sabab dina sababaraha taun ka hareup, upami aya gugatan, ngelingan, cacad konstruksi anu dibantah, jsb. paparan parusahaan bisa jadi badag. Hasilna aya tipe unik tina dati katelah data detil permanén.

SUMMARY

Un data gudang mangrupa obyék berorientasi, terpadu, varian waktos, kumpulan dati non-volatile pikeun ngarojong kaperluan-nyieun kaputusan administrasi. Masing-masing fungsi anu penting tina a data gudang boga implikasi na. Ditambah aya opat tingkatan dati éta data gudang:

• rinci heubeul
• rinci ayeuna
• Dati rada diringkeskeun
• Dati kacida diringkeskeun Metadata ogé mangrupa bagian penting tina data gudang. ABSTRAK Konsep neundeun tina dati Ieu nembe nampi loba perhatian sarta geus jadi trend di 90s. Ieu alatan kamampuhan a data gudang pikeun ngatasi keterbatasan sistem dukungan administrasi sapertos sistem pendukung kaputusan (DSS) sareng sistem inpormasi eksekutif (EIS). Malah lamun konsep data gudang Sigana ngajangjikeun, ngalaksanakeun i data gudang tiasa janten masalah kusabab prosés gudang skala ageung. Sanajan pajeulitna tina proyék gudang tina dati, loba suppliers sarta konsultan anu stock dati ngaku yén neundeun tina dati ayeuna henteu ngabalukarkeun masalah. Sanajan kitu, dina awal proyék panalungtikan ieu, ampir euweuh panalungtikan mandiri, rigorous tur sistematis kungsi dilaksanakeun. Hasilna, hese ngomong naon sabenerna kajadian di industri basa aranjeunna keur diwangun data gudang. Panaliti ieu ngajalajah prakték neundeun dati contemporaries anu boga tujuan pikeun ngamekarkeun pamahaman richer prakték Australia. Tinjauan literatur nyayogikeun kontéks sareng dasar pikeun kajian empiris. Aya sababaraha pamanggihan tina ieu panalungtikan. Kahiji, ulikan ieu ngungkabkeun kagiatan anu timbul nalika pangwangunan data gudang. Dina loba wewengkon, i dati dikumpulkeun dikonfirmasi prakték dilaporkeun dina literatur. Kadua, pasualan-pasualan jeung pasualan-pasualan anu bisa mangaruhan kana pangwangunan data gudang diidéntifikasi ku ieu panalungtikan. Tungtungna, kauntungan diala ku organisasi Australia pakait sareng pamakéan data gudang geus wangsit.

Bab 1

Konteks pilarian

Konsep gudang data narima paparan nyebar sarta jadi trend munculna dina 90s (McFadden 1996, TDWI 1996, Shah jeung Milstein 1997, Shanks et al. 1997, Eckerson 1998, Adelman jeung Oates 2000). Ieu bisa ditempo tina ngaronjatna jumlah artikel ngeunaan gudang data dina publikasi dagang (Little and Gibson 1999). Loba artikel (tingali, contona, Fisher 1995, Hackathorn 1995, Morris 1995a, Bramblett jeung Raja 1996, Graham et al. 1996, Sakaguchi jeung Frolick 1996, Alvarez 1997, Brousell 1997, 1997, O. Edwards 1997, TDWI 1997) ngalaporkeun kauntungan anu signifikan anu dimeunangkeun ku organisasi anu ngalaksanakeun data gudang. Aranjeunna ngadukung téorina kalayan bukti anekdot ngeunaan palaksanaan anu suksés, angka return on investment (ROI) anu luhur sareng, ogé, ku nyayogikeun pedoman atanapi metodologi pikeun ngembangkeun data gudang

(Shanks et al. 1997, Seddon jeung Benjamin 1998, Saeutik jeung Gibson 1999). Dina kasus ekstrim, Graham et al. (1996) ngalaporkeun rata-rata mulang dina investasi tilu taun 401%.

Loba literatur ayeuna, kumaha oge, geus overlooked complexities aub dina ngalakonan proyék misalna. Proyék tina data gudang aranjeunna biasana rumit sarta badag skala sahingga mawa kamungkinan luhur gagal lamun maranéhna teu dikawasa taliti (Shah jeung Milstein 1997, Eckerson 1997, Foley 1997b, Zimmer 1997, Bort 1998, Gibbs na Clymer 1998, Rao 1998). Aranjeunna ngabutuhkeun sajumlah ageung sumber daya manusa sareng kauangan, sareng waktos sareng usaha pikeun ngawangun aranjeunna (Hill 1998, Crofts 1998). Waktos has sareng hartosna kauangan anu diperyogikeun kirang langkung dua taun sareng dua dugi ka tilu juta dolar (Braly 1995, Foley 1997b, Bort 1998, Humphries et al. 1999). Waktos ieu sareng hartosna kauangan diperyogikeun pikeun ngontrol sareng ngahijikeun seueur aspék anu béda tina gudang data (Cafasso 1995, Hill 1998). Di sagigireun hardware jeung software tinimbangan, fungsi séjén, nu rupa-rupa ti ékstraksi tina dati kana prosés loading tina dati, kapasitas mémori pikeun ngatur apdet sareng meta dati pikeun latihan pamaké, kudu dianggap.

Dina waktu ieu proyék panalungtikan dimimitian, saeutik pisan panalungtikan akademik anu dilaksanakeun dina widang data warehousing, utamana di Australia. Ieu dibuktikeun tina kakurangan artikel anu diterbitkeun ngeunaan gudang data tina jurnal atanapi tulisan akademik sanés dina waktos éta. Seueur tulisan akademik anu sayogi ngajelaskeun pangalaman AS. Kurangna panalungtikan akademik di wewengkon gudang data geus ngabalukarkeun panggero pikeun panalungtikan rigorous jeung studi empiris (McFadden 1996, Shanks et al. 1997, Little jeung Gibson 1999). Hususna, studi panalungtikan ngeunaan prosés palaksanaan data gudang perlu dilaksanakeun pikeun manjangkeun pangaweruh umum ngeunaan palaksanaan data gudang sarta bakal dijadikeun dadasar pikeun ulikan panalungtikan kahareup (Shanks et al. 1997, Little jeung Gibson 1999).

Tujuan tina ulikan ieu, ku kituna, nyaéta pikeun ngulik naon anu sabenerna kajadian nalika organisasi ngalaksanakeun sareng ngagunakeun i data gudang di Australia. Sacara husus, ulikan ieu bakal ngalibetkeun analisis sakabéh prosés ngembangkeun a data gudang, mimitian ti inisiasi jeung perencanaan ngaliwatan rarancang jeung palaksanaan sarta pamakéan saterusna dina organisasi Australia. Salaku tambahan, pangajaran ogé bakal nyumbang kana prakték ayeuna ku cara ngidentipikasi daérah dimana prakték tiasa langkung ningkat sareng inefficiencies sareng résiko tiasa diminimalkeun atanapi dihindari. Saterusna, éta bakal dijadikeun dadasar pikeun studi séjén dina data gudang di Australia sarta bakal ngeusian gap nu ayeuna aya dina sastra.

Patarosan panalungtikan

Tujuan tina ieu panalungtikan nya éta pikeun ngulik kagiatan anu aya dina palaksanaan data gudang sarta pamakéan maranéhanana ku organisasi Australia. Khususna, unsur ngeunaan perencanaan proyék, pamekaran, operasi, pamakean sareng résiko ditaliti. Jadi sual ieu panalungtikan nya éta:

“Kumaha prak-prakanana ayeuna teh data gudang di Australia?"

Pikeun éféktif ngajawab patarosan ieu, sababaraha patarosan panalungtikan cabangna diperlukeun. Sacara khusus, tilu sub-patarosan anu diidentifikasi tina literatur, anu dipidangkeun dina bab 2, pikeun panduan ieu panalungtikan: Kumaha data gudang ti organisasi Australia? Masalah naon anu anjeun hadapi?

Naon kauntungan anu dialaman?
Dina ngajawab pertanyaan ieu, desain panalungtikan éksplorasi ngagunakeun survéy. Salaku ulikan éksplorasi, jawaban kana patarosan di luhur teu lengkep (Shanks et al. 1993, Denscombe 1998). Dina hal ieu, triangulasi diperlukeun pikeun ngaronjatkeun jawaban kana patarosan ieu. Nanging, panilitian bakal nyayogikeun dasar anu kuat pikeun padamelan anu bakal datang naliti patarosan ieu. Diskusi anu lengkep ngeunaan leresan sareng desain métode panalungtikan dipidangkeun dina Bab 3.

Struktur proyék panalungtikan

Proyék ieu panalungtikan dibagi jadi dua bagian: ulikan kontekstual ngeunaan konsép gudang data jeung panalungtikan empiris (tingali Gambar 1.1), nu masing-masing dibahas di handap.

Bagian I: Ulikan Kontékstual

Bagian kahiji tina panalungtikan diwangun ku reviewing literatur ayeuna ngeunaan rupa-rupa tipe gudang data kaasup sistem rojongan kaputusan (DSS), sistem informasi eksekutif (EIS), studi kasus ngeunaan data gudang jeung konsép tina data gudang. Saterusna, hasil tina forum data gudang sareng grup rapat ahli sareng praktisi anu dipimpin ku tim panaliti Monash DSS, nyumbang kana fase ieu pangajaran anu dimaksudkeun pikeun meunangkeun wawasan kana prakték data gudang sarta pikeun ngaidentipikasi resiko aub dina nyoko maranéhna. Salila periode ulikan kontekstual ieu, pamahaman wewengkon masalah ngadegkeun pikeun nyadiakeun pangaweruh kasang tukang pikeun panalungtikan empiris saterusna. Nanging, ieu mangrupikeun prosés anu terus-terusan salami ngalaksanakeun kajian panalungtikan.

Bagian II: Panalungtikan émpiris

Konsep gudang data anu kawilang anyar, khususna di Australia, nyiptakeun kabutuhan pikeun survey pikeun nyandak gambaran anu lega ngeunaan pangalaman pangguna. Ieu bagian dilaksanakeun sabada domain masalah geus ditetepkeun ngaliwatan kajian pustaka éksténsif. Konsep data-warehousing anu diwangun salila fase ulikan kontekstual dipaké salaku input pikeun kuesioner awal ulikan ieu. Sanggeus éta, éta angkét ditalungtik. Anjeun ahli dina data gudang milu dina tés. Tujuan nguji angkét awal nya éta pikeun mariksa kalengkepan jeung katepatan tina soal. Dumasar kana hasil tés, angkét dirobih sareng versi modifikasi dikirimkeun ka pamilon survéy. The questionnaires balik lajeng dianalisis pikeun i dati dina tabel, diagram, sareng format anu sanés. THE

hasil analisis tina dati aranjeunna ngabentuk snapshot prakték gudang data di Australia.

IKHTISAR DATA GUDANG

Konsep gudang data geus mekar kalawan kamajuan dina téhnologi komputer.
Tujuanana pikeun ngatasi masalah anu disanghareupan ku grup dukungan aplikasi sapertos Decision Support System (DSS) sareng Executive Information System (EIS).

Baheula halangan pangbadagna ti aplikasi ieu geus henteu mampuh aplikasi ieu nyadiakeun a basis data diperlukeun pikeun analisis.
Ieu utamana disababkeun ku alam karya manajemén urang. Kapentingan manajemén perusahaan terus-terusan béda-béda gumantung kana daérah anu katutupan. Ku kituna i dati dasar pikeun aplikasi ieu aranjeunna kedah tiasa robih gancang gumantung kana bagian anu dirawat.
Ieu ngandung harti yén i dati kedah sayogi dina bentuk anu pas pikeun analisa anu dipénta. Kanyataanna, grup rojongan aplikasi kapanggih hésé pisan di jaman baheula pikeun ngumpulkeun sarta ngahijikeun dati ti sumber kompléks jeung rupa-rupa.

Sésana bagian ieu nampilkeun tinjauan konsép gudang data sareng ngabahas kumaha éta data gudang bisa nungkulan masalah grup rojongan aplikasi.
Istilah "Gudang Data” dipopulérkeun ku William Inmon taun 1990. Définisi anu sering dicutat nya éta Gudang Data salaku kumpulan dati subyek-berorientasi, terpadu, non-volatile, sarta variabel kana waktu, dina ngarojong kaputusan manajemén.

Ngagunakeun harti ieu Inmon nunjuk kaluar yén i dati dumuk di a data gudang aranjeunna kedah gaduh 4 ciri ieu:

• ▪  Berorientasi subyek
• ▪  Terpadu
• ▪  Non-volatile
• ▪  Beda-benda dumasar kana waktu Ku Inmon anu berorientasi subjék hartina i dati nel data gudang di wewengkon organisasi pangbadagna nu geus

didefinisikeun dina modél dati. Contona sadayana dati ngeunaan i konsumén anu dikandung dina wewengkon subjek konsumén. Nya kitu sadayana dati patali jeung produk anu dikandung dina PRODUK wewengkon subjék.

Ku Integrated Inmon hartina i dati datang ti platform béda, sistem jeung lokasi digabungkeun jeung disimpen dina hiji tempat. Balukarna dati nu sarupa kudu dirobah jadi format konsisten ambéh maranéhanana bisa gampang ditambahkeun jeung dibandingkeun.
Contona, gender jalu jeung awewe digambarkeun ku hurup M jeung F dina hiji sistem, sarta ku 1 jeung 0 dina sistem sejen. Pikeun ngahijikeun éta leres, hiji atanapi duanana format kedah dirobih supados dua format éta sami. Dina hal ieu urang bisa ngarobah M jadi 1 jeung F jadi 0 atawa sabalikna. Subyek-berorientasi sareng Terpadu nunjukkeun yén data gudang dirancang pikeun nyadiakeun visi fungsional jeung transversal tina dati ku pausahaan.

Ku Non-volatile anjeunna hartina i dati nel data gudang tetep konsisten jeung ngamutahirkeun tina dati teu perlu. Gantina, unggal robah di dati originals ditambahkeun kana database éta data gudang. Ieu ngandung harti yén dei sajarah dati anu dikandung dina data gudang.

Pikeun Variabel kalawan waktu Inmon nunjukkeun yén i dati nel data gudang salawasna ngandung indikator témpo ei dati aranjeunna biasana meuntas cakrawala waktu nu tangtu. Contona a
data gudang tiasa ngandung 5 taun nilai sajarah konsumén ti 1993 nepi ka 1997. Kasadiaan sajarah jeung runtuyan waktu dati ngidinan Anjeun pikeun nganalisis tren.

Un data gudang anjeunna tiasa ngumpulkeun sorangan dati ti sistem OLTP; ti sumber dati jaba ka organisasi jeung / atawa ku proyék sistem newak husus sejenna dati.
I dati extracts bisa ngaliwatan prosés beberesih, dina hal ieu i dati dirobih sareng terpadu sateuacan disimpen dina database éta data gudang. Lajeng, abdi dati

residing dina database éta data gudang disayogikeun pikeun pangguna ahir login sareng alat pamulihan. Ngagunakeun parabot ieu pamaké tungtung bisa ngakses pintonan terpadu organisasi tina dati.

I dati residing dina database éta data gudang aranjeunna disimpen duanana di jéntré tur dina format kasimpulan.
Tingkat kasimpulan tiasa gumantung kana sifat tina dati. abdi dati wincik bisa diwangun ku dati ayeuna jeung dati ahli sajarah
I dati nyata teu kaasup kana data gudang dugi ka abdi dati nel data gudang anu ulang diropéa.
Salian ti nyimpen éta dati sorangan, a data gudang eta oge bisa nyimpen hiji tipe béda tina dato disebut METADATA ngajéntrékeun nu dati dumuk di na database.
Aya dua jinis metadata: metadata pamekaran sareng metadata analytics.
Metadata pamekaran dianggo pikeun ngatur sareng ngajadikeun otomatis ékstraksi, beberesih, pemetaan sareng prosés muatkeun dati nel data gudang.
Inpormasi anu aya dina metadata pamekaran tiasa ngandung detil sistem operasi, detil unsur anu bakal diekstrak, modél dati éta data gudang jeung aturan bisnis pikeun ngarobah dati.

Tipe kadua metadata, katelah metadata analytics, ngamungkinkeun pamaké tungtung ngajajah eusi data gudang pikeun manggihan nu dati sadia jeung hartina dina jelas, istilah non-teknis.

Kituna analytics metadata jalan salaku sasak antara data gudang jeung aplikasi pamaké tungtung. Metadata ieu tiasa ngandung modél bisnis, déskripsi ngeunaan dati pakait jeung model bisnis, queries pre-diartikeun sarta laporan, informasi pikeun aksés pamaké sarta indéks dina.

Analisis sareng metadata pamekaran kedah dihijikeun kana hiji metadata wadah terpadu pikeun tiasa dianggo leres.

Hanjakalna, seueur alat anu aya gaduh metadata sorangan sareng ayeuna teu aya standar anu aya pikeun éta

ngidinan parabot gudang data pikeun ngahijikeun metadata ieu. Pikeun ngalereskeun kaayaan ieu, seueur padagang alat gudang data utama ngawangun Déwan Data Meta anu engké janten Koalisi Data Meta.

Tujuan koalisi ieu nyaéta pikeun ngawangun set metadata standar anu ngamungkinkeun parangkat gudang data anu béda pikeun ngarobih metadata.
Usahana nyababkeun lahirna Meta Data Interchange Specification (MDIS) anu bakal ngamungkinkeun tukeur inpormasi antara arsip Microsoft sareng file MDIS anu aya hubunganana.

Ayana dati duanana diringkeskeun / indéks jeung detil méré pamaké kamungkinan pikeun ngalaksanakeun DRILL DROWN (pangeboran) ti dati indéks kana leuwih lengkep jeung sabalikna. Ayana dati sajarah lengkep ngamungkinkeun kreasi analisis trend kana waktu. Sajaba metadata analytics bisa dipaké salaku diréktori tina database éta data gudang pikeun mantuan pamaké tungtung maluruh éta dati diperlukeun.

Di ngabandingkeun kana sistem OLTP, kalawan kamampuhan maranéhna pikeun ngarojong analisis dati jeung ngalaporkeun, éta data gudang eta katempona sistem leuwih luyu pikeun prosés informasi kayaning nyieun jeung ngarespon kana queries sarta ngahasilkeun laporan. Bagian salajengna bakal nyorot bédana dua sistem sacara rinci.

GUDANG DATA Ngalawan OLTP SYSTEMS

Loba sistem informasi dina organisasi dimaksudkeun pikeun ngarojong operasi sapopoé. Sistem ieu katelah OLTP SYSTEMS, candak terus diropéa transaksi poean.

I dati Dina sistem ieu aranjeunna mindeng dirobah, ditambahkeun atawa dihapus. Contona, alamat palanggan robah pas anjeunna pindah ti hiji tempat ka nu sejen. Dina hal ieu alamat anyar bakal didaptarkeun ku modifying widang alamat database. Tujuan utama sistem ieu nyaéta pikeun ngirangan biaya transaksi sareng dina waktos anu sami ngirangan waktos ngolah. Conto Sistem OLTP kalebet tindakan kritis sapertos éntri pesenan, gaji, invoice, manufaktur, layanan palanggan konsumén.

Teu kawas sistem OLTP, nu dijieun pikeun transaksi- jeung prosés dumasar-acara, abdi data gudang dijieun pikeun nyadiakeun rojongan pikeun prosés basis analytics dati jeung prosés-nyieun kaputusan.

Ieu biasana dihontal ku ngahijikeun i dati ti sagala rupa OLTP sarta sistem éksternal dina "wadah" tunggal dati, sakumaha dibahas dina bagian saméméhna.

Modél Prosés Warehousing Data Monash

Modél prosés pikeun data gudang Monash dikembangkeun ku peneliti di Monash DSS Panalungtikan Grup, sarta dumasar kana literatur ngeunaan data gudang, dina pangalaman dina ngarojong ngembangkeun widang sistem, dina diskusi jeung ngical paralatan aplikasi pikeun pamakéan dina data gudang, dina grup ahli dina pamakéan data gudang.

Fase-fasena nyaéta: Inisiasi, Perencanaan, Pangembangan, Operasi sareng Penjelasan. Diagram ngajelaskeun sifat iteratif atanapi évolusionér tina pamekaran a data gudang prosés ngagunakeun panah dua arah disimpen antara fase béda. Dina kontéks ieu, "iteratif" sareng "évolusionér" hartosna yén, dina unggal léngkah prosés, kagiatan palaksanaan tiasa teras-terasan mundur ka arah fase sateuacana. Ieu alatan sipat hiji proyék data gudang nu requests tambahan ti pamaké tungtung timbul iraha wae. Contona, dina mangsa fase ngembangkeun hiji prosés data gudang, diménsi anyar atawa wewengkon subjék dipénta ku pamaké tungtung, nu ieu mah bagian tina rencana aslina, ieu kudu ditambahkeun kana sistem. Ieu ngabalukarkeun parobahan dina proyék. Hasilna nyaéta yén tim desain kedah ngarobih sarat tina dokumén anu didamel salami dina tahap desain. Dina loba kasus, kaayaan proyék ayeuna kudu balik deui ka fase desain dimana sarat anyar kudu ditambahkeun jeung documented. Pamaké ahir kedah tiasa ningali dokuméntasi khusus anu diulas sareng parobihan anu parantos dilakukeun dina tahap pangwangunan. Dina ahir siklus pamekaran ieu, proyék kedah nampi tanggapan anu saé ti tim pamekaran sareng pangguna. Eupan balik ieu lajeng dipaké deui pikeun ngaronjatkeun hiji proyék hareup.

Perencanaan kapasitas
Dw condong ageung pisan dina ukuran sareng tumuwuh gancang pisan (Best 1995, Rudin 1997a) salaku hasil tina jumlah dati sajarah anu aranjeunna tetep tina durasi maranéhanana. Tumuwuh ogé bisa disababkeun ku dati tambahan dipénta ku pamaké pikeun ngaronjatkeun nilai tina dati yen aranjeunna geus boga. Sasuai, sarat gudang pikeun dati tiasa ditingkatkeun sacara signifikan (Eckerson 1997). Ku kituna, éta penting pikeun mastikeun, ku ngalakonan perencanaan kapasitas, yén sistem keur diwangun bisa tumuwuh sakumaha kabutuhan tumuwuh (Best 1995, LaPlante 1996, Lang 1997, Eckerson 1997, Rudin 1997a, Foley 1997a).
Dina perencanaan pikeun scalability tina database, hiji kudu nyaho tumuwuhna ekspektasi dina ukuran gudang, jenis queries kamungkinan dijieun, sarta jumlah pamaké tungtung dirojong (Best 1995, Rudin 1997b, Foley 1997a). Ngawangun aplikasi scalable merlukeun kombinasi téknologi server scalable jeung téhnik desain aplikasi scalable (Best 1995, Rudin 1997b. Duanana diperlukeun dina ngawangun aplikasi kacida scalable. Téknologi server scalable bisa nyieun gampang jeung nguntungkeun pikeun nambahkeun gudang, memori jeung CPU tanpa ngahinakeun. kinerja (Lang 1997, Telephony 1997).

Aya dua téknologi server scalable utama: simetris sababaraha processing (SMP) jeung processing paralel massively (MPP) (IDC 1997, Humphries et al. 1999). Hiji server SMP ilaharna mibanda sababaraha prosesor babagi memori, beus sistem, jeung sumber sejenna (IDC 1997, Humphries et al. 1999). prosesor tambahan bisa ditambahkeun kana kanaékan na kakuatan komputasi. Métode séjén pikeun ngaronjatkeun kakuatan tina server SMP, nyaéta ngagabungkeun sababaraha mesin SMP. Téhnik ieu katelah clustering (Humphries et al. 1999). Hiji server MPP, di sisi séjén, boga sababaraha prosesor unggal kalawan memori sorangan, sistem beus, jeung sumber sejenna (IDC 1997, Humphries et al. 1999). Unggal prosésor disebut titik. Paningkatan dina kakuatan komputasi tiasa didapet

nambahkeun titik tambahan pikeun server MPP (Humphries et al. 1999).

Kalemahan server SMP nyaéta seueur teuing operasi input-output (I/O) tiasa nyepetkeun sistem beus (IDC 1997). Masalah ieu teu lumangsung dina server MPP saprak unggal processor boga sistem beus sorangan. Sanajan kitu, interkonéksi antara unggal titik umumna leuwih laun ti sistem beus SMP. Salaku tambahan, server MPP tiasa nambihan tingkat pajeulitna tambahan pikeun pamekar aplikasi (IDC 1997). Ku kituna, pilihan antara server SMP sareng MPP tiasa dipangaruhan ku sababaraha faktor, kalebet kompleksitas aplikasi, rasio harga/kinerja, kapasitas pamrosésan anu diperyogikeun, aplikasi dw anu dicegah sareng paningkatan ukuran database tina dw jeung dina jumlah pamaké tungtung.

Seueur téknik desain aplikasi anu tiasa skala tiasa dianggo dina perencanaan kapasitas. Hiji ngagunakeun sababaraha période béwara sapertos dinten, minggu, bulan sareng taun. Ngabogaan rupa-rupa période béwara, éta database eta bisa dibagi kana potongan manageably dikelompokeun (Inmon et al. 1997). Téhnik séjén nyaéta ngagunakeun tabel kasimpulan anu diwangun ku nyimpulkeun dati da dati detil. Ku kituna, i dati diringkeskeun langkung kompak tibatan detil, anu peryogi kirang rohangan mémori. Janten éta dati rinci bisa disimpen dina Unit gudang kirang mahal, nu ngaheéat malah leuwih gudang. Sanajan ngagunakeun tabel kasimpulan bisa ngahemat spasi memori, aranjeunna merlukeun loba usaha pikeun tetep nepi ka tanggal sarta dina garis kalawan kaperluan bisnis. Sanajan kitu, téhnik ieu loba dipaké sarta mindeng dipaké babarengan jeung téhnik saméméhna (Best 1995, Inmon 1996a, Chauduri jeung Dayal).
1997).

Ngartikeun Gudang Data Arsitéktur Téknis Harti téknik arsitéktur dw

Penerima awal pergudangan data utamina katimu tina palaksanaan terpusat tina dw dimana sadaya dati, kaasup i dati éksternal, dihijikeun kana hiji,
gudang fisik (Inmon 1996a, Bresnahan 1996, Merak 1998).

Kauntungan utama tina pendekatan ieu nyaéta yén pangguna akhir tiasa ngaksés panempoan perusahaan-lega dati organisasi (Ovum 1998). Kauntungan sejen nyaeta eta nawarkeun standarisasi tina dati ngaliwatan organisasi, nu hartina ngan aya hiji versi atawa harti pikeun tiap terminologi dipaké dina gudang dw (metadata) (Flanagan jeung Safdie 1997, Ovum 1998). The disadvantage pendekatan ieu, di sisi séjén, nya éta mahal jeung hésé ngawangun (Flanagan jeung Safdie 1997, Ovum 1998, Inmon et al. 1998). Teu lila sanggeus arsitéktur gudang dati terpusat janten populér, konsép extracting himpunan leutik tina évolusi dati pikeun ngarojong kaperluan aplikasi husus (Varney 1996, IDC 1997, Berson jeung Smith 1997, merak 1998). Sistem leutik ieu mangrupikeun turunan tina sistem anu langkung ageung data gudang terpusat. Aranjeunna ngaranna data gudang departemén gumantung atawa gumantung data marts. Arsitéktur data mart gumantung katelah arsitektur tilu tingkat dimana tingkat kahiji diwangun ku data gudang terpusat, kadua diwangun ku deposit tina dati departmental jeung katilu diwangun ku aksés ka dati sarta ku alat analisis (Demarest 1994, Inmon et al. 1997).

Data mart biasana diwangun saatosna data gudang terpusat diwangun pikeun minuhan kabutuhan unit husus (White 1995, Varney 1996).
toko Data marts i dati pisan relevan patali jeung unit husus (Inmon et al. 1997, Inmon et al. 1998, IA 1998).

Kauntungannana metoda ieu nyaeta moal aya dato teu terpadu jeung nu i dati bakal kirang kaleuleuwihan dina data marts saprak kabeh dati datangna ti deposit tina dati terpadu. Kauntungan sejenna nyaeta bakal aya sababaraha sambungan antara unggal data mart jeung sumber na dati sabab unggal data mart ngan boga hiji sumber dati. Ditambah ku arsitéktur ieu di tempat, pangguna akhir masih tiasa ngaksés tinjauan dati

organisasi perusahaan. Metoda ieu katelah métode top-down, dimana data marts diwangun sanggeus data gudang (Merak 1998, Goff 1998).
Ningkatkeun kabutuhan pikeun nunjukkeun hasil awal, sababaraha organisasi parantos ngamimitian ngawangun data mart mandiri (Flanagan sareng Safdie 1997, White 2000). Dina hal ieu, data mart meunang sorangan dati lempeng tina dasar tina dati OLTP teu ti gudang terpusat sarta terpadu, sahingga ngaleungitkeun kudu boga gudang sentral dina situs.

Unggal data mart merlukeun sahanteuna hiji link ka sumber na dati. Karugian tina gaduh sababaraha sambungan pikeun tiap data mart nyaéta, dibandingkeun sareng dua arsitéktur saméméhna, kaleuleuwihan dati ngaronjat sacara signifikan.

Unggal data mart kedah nyimpen sadayana dati diperlukeun sacara lokal teu boga pangaruh dina sistem OLTP. Ieu ngabalukarkeun yén i dati aranjeunna disimpen dina data mart béda (Inmon et al. 1997). Karugian sanésna tina arsitéktur ieu nyaéta nyababkeun nyiptakeun interkonéksi kompleks antara data mart sareng sumber datana. dati nu hese dilaksanakeun jeung kontrol (Inmon et al. 1997).

disadvantage sejen nyaeta pamaké tungtung teu bisa ngakses tinjauan informasi parusahaan sabab i dati tina data mart béda teu terpadu (Ovum 1998).
Karugian anu sanés nyaéta yén aya langkung ti hiji definisi pikeun tiap terminologi anu dianggo dina data marts anu ngahasilkeun inconsistencies dati dina organisasi (Ovum 1998).
Sanaos kalemahan anu dibahas di luhur, data mart mandiri masih narik minat seueur organisasi (IDC 1997). Salah sahiji faktor anu ngajantenkeun aranjeunna pikaresepeun nyaéta aranjeunna langkung gancang ngembangkeun sareng peryogi sakedik waktos sareng sumber daya (Bresnahan 1996, Berson and Smith 1997, Ovum 1998). Akibatna, aranjeunna ngawula utamana salaku proyék test nu bisa dipaké pikeun gancang ngaidentipikasi kauntungan jeung / atawa imperfections dina proyék (Parsaye 1995, Braly 1995, Newing 1996). Dina hal ieu, bagian pikeun dilaksanakeun dina pilot project kudu leutik tapi penting pikeun organisasi (Newing 1996, Mansell-Lewis 1996).

Ku examining prototipe, pamaké tungtung jeung administrasi bisa mutuskeun neruskeun atawa ngeureunkeun proyék (Flanagan jeung Safdie 1997).
Upami kaputusan diteruskeun, data mart pikeun industri sanés kedah diwangun hiji-hiji. Aya dua pilihan pikeun pamaké tungtung dumasar kana kaperluan maranéhanana dina ngawangun matriks data mandiri: terpadu / federated jeung unintegrated (Ovum 1998)

Dina metoda kahiji, unggal data mart anyar kudu diwangun dumasar kana data marts ayeuna jeung model dati dipaké ku pausahaan (Varney 1996, Berson jeung Smith 1997, Peacock 1998). Kabutuhan ngagunakeun modél dati parusahaan hartina kudu ensured yén aya ngan hiji harti pikeun tiap terminologi dipaké sakuliah data marts, ogé pikeun mastikeun yén data marts béda bisa digabungkeun pikeun masihan tinjauan informasi parusahaan (Bresnahan 1996). Metoda ieu disebut handap-up jeung pangalusna lamun aya konstrain dina sarana finansial jeung waktu (Flanagan jeung Safdie 1997, Ovum 1998, Peacock 1998, Goff 1998). Dina metodeu kadua, data mart anu diwangun ngan ukur tiasa nyugemakeun kabutuhan unit khusus. Varian tina mart data federasi nyaéta data gudang disebarkeun di nu database Middleware Hub Server dianggo pikeun ngahijikeun seueur data mart kana hiji gudang dati disebarkeun (White 1995). Dina hal ieu, abdi dati perusahaan disebarkeun di sababaraha pasar data. requests pamaké tungtung dikirimkeun ka database middleware server hub, nu extracts sadayana dati dipénta ku data marts sareng mulangkeun hasil ka aplikasi pangguna akhir. Metoda ieu nyadiakeun informasi bisnis ka pamaké tungtung. Sanajan kitu, masalah data mart bebas masih teu ngaleungitkeun. Aya deui arsitéktur anu tiasa dianggo nyaéta anu disebut data gudang maya (White 1995). Sanajan kitu, arsitéktur ieu, nu digambarkeun dina Gambar 2.9, lain arsitéktur gudang data. dati nyata sakumaha teu mindahkeun loading tina sistem OLTP ka data gudang (Demarest 1994).

Kanyataanna, requests pikeun dati ku pamaké tungtung disalurkeun kana sistem OLTP nu balik hasil sanggeus ngolah requests pamaké. Sanajan arsitéktur ieu ngamungkinkeun pamaké tungtung ngahasilkeun laporan sarta nyieun requests, teu bisa nyadiakeun

dati sajarah sareng tinjauan inpormasi perusahaan saprak i dati ti sistem OLTP béda teu terpadu. Lantaran kitu, arsitéktur ieu teu tiasa nyugemakeun analisis dati kompleks sapertos ramalan.

Pamilihan aksés sareng aplikasi pamulihan dati

Tujuan ngawangun a data gudang nyaéta pikeun nepikeun informasi ka pamaké tungtung (Inmon et al. 1997, Poe 1996, McFadden 1996, Shanks et al. 1997, Hammergren 1998); hiji atawa leuwih aksés jeung aplikasi recovery dati kudu disadiakeun. Pikeun tanggal, aya rupa-rupa aplikasi ieu ti mana pamaké bisa milih (Hammergren 1998, Humphries et al. 1999). Aplikasi anu anjeun pilih nangtukeun kasuksésan usaha gudang anjeun dati dina hiji organisasi sabab aplikasi mangrupa bagian paling katempo tina data gudang ka pamaké tungtung (Inmon et al 1997, Poe 1996). Pikeun suksés a data gudang, kudu bisa ngarojong kagiatan analisis ngeunaan dati tina pamaké tungtung (Poe 1996, Seddon jeung Benjamin 1998, Eckerson 1999). Ku alatan éta "tingkat" tina naon pamaké tungtung hayang kudu dicirikeun (Poe 1996, Mattison 1996, Inmon et al 1997, Humphries et al 1999).

Sacara umum, pamaké tungtung bisa digolongkeun kana tilu kategori: pamaké eksekutif, analis bisnis jeung pamaké kakuatan (Poe 1996, Humphries et al. 1999). Pamaké eksekutif butuh aksés gampang kana set predefined laporan (Humphries et al. 1999). Babandingan ieu tiasa diaksés kalayan gampang ku navigasi ménu (Poe 1996). Sajaba ti éta, laporan kedah nampilkeun informasi ngagunakeun ngagambarkeun grafis kayaning tabel sarta template pikeun gancang nepikeun informasi (Humphries et al. 1999). analis bisnis, anu bisa jadi teu boga kamampuhan teknis pikeun ngembangkeun laporan ti scratch sorangan, kudu bisa ngaropéa laporan ayeuna pikeun minuhan kabutuhan husus maranéhanana (Poe 1996, Humphries et al. 1999). Pamaké kakuatan, di sisi séjén, mangrupakeun tipe pamaké tungtung anu miboga kamampuh pikeun ngahasilkeun jeung nulis requests sarta laporan ti scratch (Poe 1996, Humphries et al. 1999). Maranehna anu

aranjeunna ngamekarkeun laporan pikeun tipe séjén pamaké (Poe 1996, Humphries et al. 1999).

Saatos sarat pangguna akhir parantos ditangtukeun, pilihan aksés sareng aplikasi pamulihan kedah dilakukeun dati diantara sakabeh nu sadia (Poe 1996, Inmon et al. 1997).
Aksés ka dati jeung alat retrieval bisa digolongkeun kana 4 jenis: parabot OLAP, parabot EIS/DSS, parabot query jeung ngalaporkeun sarta parabot data mining.

Alat OLAP ngamungkinkeun pamaké pikeun nyieun query ad hoc ogé nu dijieun dina database éta data gudang. Sajaba ti, produk ieu ngidinan pamaké pikeun bor turun tina dati umum nepi ka detil.

Alat EIS / DSS nyayogikeun laporan eksekutif sapertos "kumaha upami" nganalisa sareng aksés kana laporan anu didorong ku ménu. Laporan kedah tos siap sareng dihijikeun sareng ménu pikeun navigasi langkung gampang.
Alat query sareng ngalaporkeun ngamungkinkeun pangguna pikeun ngahasilkeun laporan anu tos siap sareng khusus.

Alat pertambangan data dianggo pikeun ngaidentipikasi hubungan anu tiasa masihan terang kana operasi anu hilap dina dati tina gudang data.

Salian ngaoptimalkeun sarat unggal jinis pangguna, alat anu dipilih kedah intuitif, éfisién sareng gampang dianggo. Éta ogé kedah cocog sareng bagian séjén arsitéktur sareng tiasa dianggo sareng sistem anu tos aya. Disarankeun ogé milih aksés data sareng alat panéangan kalayan harga sareng kinerja anu lumayan. Kriteria anu sanés anu kedah dipertimbangkeun kalebet komitmen anu ngical paralatan pikeun ngadukung produkna sareng pamekaran anu sami bakal aya dina rilis anu bakal datang. Pikeun mastikeun keterlibatan pangguna dina ngagunakeun gudang data, tim pamekaran ngalibatkeun pangguna dina prosés pamilihan alat. Dina hal ieu, penilaian pangguna praktis kedah dilaksanakeun.

Pikeun ningkatkeun nilai gudang data, tim pamekar ogé tiasa nyayogikeun aksés wéb kana gudang datana. Gudang data anu diaktipkeun wéb ngamungkinkeun para pangguna ngaksés éta dati ti tempat terpencil atawa bari iinditan. Ogé informasi tiasa

disayogikeun dina biaya anu langkung handap ku cara ngirangan biaya pelatihan.

2.4.3 Gudang Data Fase Operasi

Fase ieu diwangun ku tilu kagiatan: definisi strategi refresh data, kontrol kagiatan gudang data sareng manajemén kaamanan gudang data.

Harti strategi refresh data

Saatos beban awal, abdi dati nel database tina gudang data kudu refreshed périodik pikeun baranahan parobahan dijieun pikeun aranjeunna dati aslina. Ku kituna anjeun kudu mutuskeun iraha rék refresh, sabaraha sering refresh kudu dijadwalkeun jeung kumaha refresh data dati. Disarankeun pikeun nyegerkeun dati lamun sistem bisa dicokot offline. Frékuénsi refresh ditangtukeun ku tim pamekar dumasar kana syarat pangguna. Aya dua pendekatan pikeun nyegerkeun gudang data: refresh lengkep sareng parobihan anu terus-terusan.

Pendekatan kahiji, refresh pinuh, merlukeun reloading sadayana dati ti scratch. Ieu ngandung harti yén sakabéh dati diperlukeun kudu sasari, cleaned, transformasi jeung terpadu kana unggal refresh. Pendekatan ieu kedah, sajauh mungkin, dihindari sabab butuh seueur waktos sareng sumber.

Hiji pendekatan alternatif nyaeta terus unggah parobahan. Ieu nambihan i dati nu geus robah saprak panungtungan siklus refresh gudang data. Ngidentipikasi rékaman anyar atawa dirobah nyata ngurangan jumlah dati nu kudu propagated ka gudang data dina unggal update saprak ngan ieu dati bakal ditambahkeun kana database tina gudang data.

Sahenteuna aya 5 pendekatan anu tiasa dianggo pikeun mundur i dati anyar atawa dirobah. Pikeun ménta hiji strategi refresh data efisien dati campuran pendekatan ieu nu ngarebut sagala parobahan dina sistem bisa jadi mangpaat.

Pendekatan kahiji, anu ngagunakeun timestamp, nganggap yén sadayana ditugaskeun dati diédit sarta diropéa timestamp a sangkan anjeun bisa kalayan gampang ngaidentipikasi sadayana dati dirobah sarta anyar. Pendekatan ieu, kumaha oge, teu acan seueur dianggo dina kalolobaan sistem operasi ayeuna.
Pendekatan kadua ngagunakeun file délta dihasilkeun ku hiji aplikasi nu ngandung ukur parobahan dijieun pikeun dati. Ngagunakeun file ieu ogé amplifies siklus update. Sanajan kitu, malah metoda ieu teu acan dipaké dina loba aplikasi.
Pendekatan katilu nyaéta nyeken file log, anu dasarna ngandung inpormasi anu sami sareng file délta. Hijina bédana nyaéta yén file log didamel pikeun prosés pamulihan sareng tiasa sesah ngartos.
Pendekatan kaopat nyaéta ngarobih kode aplikasi. Sanajan kitu, paling kode aplikasi heubeul tur rapuh; kituna téhnik ieu kudu dihindari.
Pendekatan panungtungan nyaéta pikeun ngabandingkeun i dati sumber jeung file dei utama dati.

Ngawas kagiatan gudang data

Sakali gudang data geus dileupaskeun ka pamaké, éta kudu diawaskeun kana waktu. Dina hal ieu, administrator gudang data tiasa nganggo hiji atanapi langkung alat manajemén sareng kontrol pikeun ngawas pamakean gudang data. Khususna, inpormasi tiasa dikumpulkeun ngeunaan jalma sareng waktos aranjeunna ngaksés gudang data. Kadieu dati dikumpulkeun, profil karya dipigawé bisa dijieun nu bisa dipaké salaku input dina palaksanaan chargeback pamaké. Chargeback ngamungkinkeun pamaké pikeun jadi informed ngeunaan biaya ngolah gudang data.

Saterusna, Inok gudang data ogé bisa dipaké pikeun ngaidentipikasi jenis queries, ukuran maranéhanana, jumlah queries per poé, waktu réaksi query, séktor ngahontal jeung jumlah dati diolah. Tujuan séjén pikeun ngalakukeun auditing data warehouse nyaéta pikeun ngaidentipikasi dati nu teu dipake. Ieu dati aranjeunna tiasa dipiceun tina gudang data pikeun ningkatkeun waktos

tina respon palaksanaan query jeung kontrol tumuwuhna dati anu cicing di jero basis data tina gudang data.

Manajemén kaamanan gudang data

A gudang data ngandung dati terpadu, kritis, sénsitip nu bisa kalayan gampang ngahontal. Ku sabab kitu eta kudu ditangtayungan tina pamaké nu teu sah. Salah sahiji cara pikeun nerapkeun kaamanan nyaéta ngagunakeun fungsi del DBMS pikeun napelkeun hak husus béda ka tipena béda pamaké. Ku cara kieu, profil aksés kedah dijaga pikeun unggal jinis pangguna. Cara séjén pikeun ngamankeun gudang data nyaéta énkripsi sakumaha anu diserat dina basis data tina gudang data. Aksés ka dati jeung alat dimeunangkeun kudu ngadekrip teh dati sateuacan nampilkeun hasil ka pangguna.

2.4.4 Gudang Data Fase Panyebaran

Ieu fase panungtungan dina siklus palaksanaan gudang data. Kagiatan anu kudu dilaksanakeun dina ieu fase diantarana ngalatih pamaké ngagunakeun data warehouse jeung ngalaksanakeun tinjauan data warehouse.

palatihan pamaké

Pelatihan pangguna kedah dilakukeun sateuacan ngaksés éta dati tina gudang data sarta pamakéan parabot dimeunangkeun. Sacara umum, sesi kudu dimimitian ku bubuka kana konsép neundeun dati, eusi gudang data, meta nu dati jeung fitur dasar tina parabot. Teras, pangguna anu langkung maju ogé tiasa diajar tabel fisik sareng fitur pangguna aksés data sareng alat panéangan.

Aya seueur pendekatan pikeun ngalaksanakeun palatihan pangguna. Salah sahijina ngalibatkeun pilihan seueur pangguna atanapi analis anu dipilih tina sakumpulan pangguna, dumasar kana kamampuan kapamimpinan sareng komunikasi. Aranjeunna pribadi dilatih dina sagalana maranéhna kudu nyaho pikeun jadi akrab jeung sistem. Saatos latihan réngsé, aranjeunna balik deui ka padamelan na sareng ngawitan ngajar pangguna sanés kumaha ngagunakeun sistem éta. Dina

Dumasar naon anu aranjeunna pelajari, pangguna sanés tiasa ngamimitian ngajalajah gudang data.
Pendekatan anu sanés nyaéta ngalatih seueur pangguna dina waktos anu sami, saolah-olah anjeun nuju kursus kelas. Metoda ieu cocog nalika aya seueur pangguna anu kedah dilatih dina waktos anu sami. Métode anu sanés nyaéta ngalatih unggal pangguna masing-masing, hiji-hiji. Metoda ieu cocog lamun aya sababaraha pamaké.

Tujuan tina palatihan pangguna nyaéta pikeun ngabiasakeun anjeun ngaksés éta dati jeung alat pameunteun ogé eusi gudang data. Sanajan kitu, sababaraha pamaké bisa jadi overwhelmed ku jumlah informasi disadiakeun salila sési latihan. Ku alatan éta, sababaraha sesi refresher kudu dilaksanakeun pikeun bantuan lumangsung sarta ngajawab patarosan husus. Dina sababaraha kasus grup pamaké kabentuk pikeun nyadiakeun jenis ieu rojongan.

Ngumpulkeun eupan balik

Sakali gudang data geus digulung kaluar, pamaké bisa ngagunakeun i dati nu reside di gudang data pikeun sagala rupa kaperluan. Lolobana, analis atawa pamaké ngagunakeun i dati dina gudang data pikeun:

1. 1  Identipikasi tren perusahaan
2. 2  Analisis propil pameseran konsumén
3. 3  Bagikeun i konsumén ed abdi
4. 4  Nyadiakeun ladenan pangalusna pikeun konsumén – ngaropéa jasa
5. 5  Ngarumuskeun strategi pamasaran
6. 6  Ngahasilkeun tanda petik kompetitif pikeun analisa biaya sareng bantosan kontrol
7. 7  Rojongan kaputusan strategis
8. 8  Identipikasi kasempetan pikeun menonjol
9. 9  Ningkatkeun kualitas prosés bisnis ayeuna
10. 10  Pariksa kauntungan

Nuturkeun arah ngembangkeun gudang data, runtuyan ulasan bisa dipigawé ka sistem pikeun ménta eupan balik

boh ti tim pamekar sareng ti komunitas pangguna akhir.
Hasil anu dimeunangkeun bisa dijadikeun tinimbangan pikeun siklus pangwangunan saterusna.

Kusabab gudang data gaduh pendekatan incremental, penting pisan pikeun diajar tina kasuksésan sareng kasalahan tina kamajuan saméméhna.

2.5 Ihtisar

Dina ieu bab geus dibahas pendekatan anu aya dina karya sastra. Dina bagian 1, konsép gudang data sareng peranna dina élmu kaputusan dibahas. Bagian 2 ngajelaskeun bédana utama antara gudang data sareng sistem OLTP. Dina bagian 3 urang ngabahas model gudang data Monash anu digunakeun dina bagian 4 pikeun ngajelaskeun kagiatan aub dina prosés ngamekarkeun gudang data, ieu theses teu dumasar kana panalungtikan rigorous. Naon anu lumangsung dina kanyataanana tiasa béda pisan sareng anu dilaporkeun ku pustaka, tapi hasilna ieu tiasa dianggo pikeun nyiptakeun latar dasar anu ngagariskeun konsép gudang data pikeun ieu panalungtikan.

Bab 3

Métode panalungtikan jeung desain

Dina ieu bab medar ngeunaan métode panalungtikan jeung desain dina ieu panalungtikan. Bagian kahiji nembongkeun tempoan umum ngeunaan métode panalungtikan sadia pikeun retrieving informasi, sarta kritéria pikeun milih métode pangalusna pikeun ulikan husus dibahas. Dina bagian 2, dua métode nu dipilih jeung kritéria nu kakara kakeunaan tuluy dibahas; tina ieu, hiji bakal dipilih jeung diadopsi jeung alesan diatur dina bagian 3 dimana alesan pikeun ngaluarkeun kriteria séjén ogé diatur kaluar. Bagian 4 medar desain panalungtikan jeung bagian 5 kacindekan.

3.1 Panalungtikan dina sistem informasi

Panalungtikan dina sistem informasi henteu ngan ukur diwatesan kana widang téhnologis tapi ogé kudu dilegaan pikeun ngawengku tujuan behavioral jeung organisasi.
Urang ngahutang ieu tesis rupa-rupa disiplin mimitian ti sosial jeung élmu alam; Ieu ngakibatkeun kabutuhan spéktrum tinangtu métode panalungtikan ngalibetkeun métode kuantitatif jeung kualitatif pikeun dipaké pikeun sistem informasi.
Sadaya metode panalungtikan anu aya penting, nyatana sababaraha panalungtik sapertos Jenkins (1985), Nunamaker et al. (1991), jeung Galliers (1992) boga pamadegan yén teu aya métode universal husus pikeun ngalaksanakeun panalungtikan dina sagala rupa widang sistem informasi; nyatana hiji métode bisa jadi cocog pikeun panalungtikan nu tangtu tapi henteu pikeun batur. Ieu brings kami kudu milih métode anu cocog pikeun proyék panalungtikan husus urang: pikeun pilihan ieu Benbasat et al. (1987) nétélakeun yén sipat jeung tujuan panalungtikan kudu diperhatikeun.

3.1.1 Hakekat panalungtikan

Rupa-rupa métode dumasar kana sipat panalungtikan bisa digolongkeun kana tilu tradisi dipikawanoh lega dina elmu informasi: positivist, interpretive jeung panalungtikan kritis.

3.1.1.1 Panalungtikan positivisme

Panalungtikan positivis ogé katelah ulikan ilmiah atawa émpiris. Éta milarian: "ngajelaskeun sareng ngaduga naon anu bakal kajadian di dunya sosial ku ningali kateraturan sareng hubungan sabab-akibat antara unsur-unsur anu ngawangun éta" (Shanks et al 1993).

Panalungtikan positivis ogé dicirikeun ku repeatability, nyederhanakeun jeung refutations. Satuluyna, panalungtikan positivis ngaku ayana hubungan apriori antara fénoména anu ditalungtik.
Nurutkeun Galliers (1992) taksonomi nya éta métode panalungtikan anu kaasup kana paradigma positivis, anu kumaha ogé teu diwatesanan, malah aya ékspérimén laboratorium, ékspérimén lapangan, studi kasus, démo teorema, prediksi jeung simulasi. Ku ngagunakeun métode ieu, panalungtik ngaku yén fénoména ditalungtik bisa dititénan sacara obyektif jeung rigorously.

3.1.1.2 Panalungtikan interpretasi

Panalungtikan interpretatif, nu mindeng disebut fenomenologi atawa anti-positivism, digambarkeun ku Neuman (1994) salaku "analisis sistematis tina harti sosial tina aksi ngaliwatan observasi langsung tur detil tina jalma dina situasi alam, dina raraga ngahontal hiji pamahaman jeung kana interpretasi kumaha jalma nyiptakeun sareng ngajaga dunya sosialna". Studi interpretasi nolak anggapan yén fenomena anu dititénan tiasa dititénan sacara objektif. Kanyataanna aranjeunna dumasar kana interpretasi subjektif. Saterusna, panalungtik interpretif henteu maksakeun harti apriori kana fénoména anu ditalungtik.

Ieu métode ngawengku studi subjektif/arguméntasi, panalungtikan tindakan, studi deskriptif/interpretatif, panalungtikan kahareup jeung role-playing. Salian ti survéy ieu sareng studi kasus tiasa dilebetkeun kana pendekatan ieu sabab merhatikeun studi individu atanapi organisasi dina kaayaan dunya nyata anu kompleks.

3.1.1.3 Panalungtikan kritis

Panaliti kritis mangrupikeun pendekatan anu paling henteu dipikanyaho dina élmu sosial tapi nembe nampi perhatian ti peneliti sistem inpormasi. Anggapan filosofis yen kanyataanana sosial sajarahna dihasilkeun sarta dihasilkeun ku jalma, kitu ogé sistem sosial kalayan lampah sarta interaksi maranéhanana. Kamampuh maranéhna, kumaha oge, dimédiasi ku sababaraha pertimbangan sosial, budaya jeung pulitik.

Kawas panalungtikan interpretif, panalungtikan kritis mertahankeun yén panalungtikan positivist euweuh hubunganana jeung konteks sosial sarta ignores pangaruhna kana lampah manusa.
Panaliti kritis, di sisi anu sanés, ngritik panalungtikan interpretif kusabab teuing subjektif sareng henteu tujuanana ngabantosan jalma pikeun ningkatkeun kahirupan. Beda pangbadagna antara panalungtikan kritis jeung dua pendekatan sejenna nyaeta dimensi evaluative na. Sedengkeun objektivitas tradisi positivist jeung interpretive nyaéta pikeun ngaduga atawa ngajelaskeun status quo atawa realitas sosial, panalungtikan kritis boga tujuan pikeun kritis evaluate jeung transformasi realitas sosial dina ulikan.

Panaliti kritis biasana nentang status quo pikeun ngaleungitkeun bédana sosial sareng ningkatkeun kaayaan sosial. Panaliti kritis ngagaduhan komitmen kana pandangan prosésual tina fénoména anu dipikaresep sareng, ku kituna, biasana longitudinal. Conto métode panalungtikan nyaéta studi sajarah jangka panjang jeung studi étnografi. Panalungtikan kritis, kumaha oge, tacan loba dipaké dina panalungtikan sistem informasi

3.1.2 Tujuan Panalungtikan

Salian ti sipat panalungtikan, tujuanana bisa dijadikeun pituduh pikeun panalungtik dina milih métode panalungtikan nu tangtu. Tujuan proyék panalungtikan raket patalina jeung posisi panalungtikan patali jeung siklus panalungtikan anu diwangun ku tilu tahapan: Wangunan téori, uji téori jeung pemurnian téori. Ku kituna, dumasar kana waktu siklus panalungtikan, hiji proyék panalungtikan bisa mibanda tujuan explanatory, deskriptif, éksplorasi atawa prediktif.

3.1.2.1 Panalungtikan éksplorasi

Panalungtikan éksplorasi boga tujuan pikeun nalungtik topik nu sagemblengna anyar jeung ngarumuskeun patarosan jeung hipotesis pikeun panalungtikan kahareup. Jenis ieu panalungtikan dipaké dina wangunan téori pikeun meunangkeun rujukan awal di wewengkon anyar. Ilaharna, métode panalungtikan kualitatif digunakeun, saperti studi kasus atawa studi fénoménologis.

Nanging, éta ogé mungkin ngagunakeun téknik kuantitatif sapertos survey éksplorasi atanapi ékspérimén.

3.1.3.3 Maluruh déskriptif

Panalungtikan déskriptif miboga tujuan pikeun nganalisis jeung ngajéntrékeun sacara detil pisan kaayaan atawa prakték organisasi nu tangtu. Ieu luyu pikeun ngawangun téori sarta ogé bisa dipaké pikeun mastikeun atawa tangtangan hipotesis. Panalungtikan déskriptif biasana ngawengku ngagunakeun ukuran jeung sampel. Métode panalungtikan anu paling cocog kalebet survey sareng analisa antésédén.

3.1.2.3 Panalungtikan éksplanasi

Panalungtikan explanatory nyoba ngajelaskeun naha hal lumangsung. Éta diwangun dina kanyataan anu parantos ditaliti sareng nyobian milarian alesan pikeun kanyataan ieu.
Ku kituna, panalungtikan éksplanasi biasana diwangun dina panalungtikan éksplorasi atawa déskriptif sarta mangrupa ancillary pikeun nguji jeung nyaring téori. Panalungtikan éksplanasi biasana ngagunakeun studi kasus atawa métode panalungtikan dumasar survéy.

3.1.2.4 Panalungtikan preemptive

Panalungtikan preventif miboga tujuan pikeun ngaramalkeun kajadian jeung paripolah anu diobservasi anu keur ditalungtik (Marshall jeung Rossman 1995). Prediksi mangrupikeun tés ilmiah standar bebeneran. Jenis ieu panalungtikan umumna ngagunakeun survey atanapi analisa dati ahli sajarah. (Yin 1989)

Diskusi di luhur nunjukkeun yén aya sababaraha metode panalungtikan anu tiasa dianggo dina hiji kajian khusus. Nanging, kedah aya hiji metode khusus anu langkung cocog tibatan anu sanés pikeun jinis proyék panalungtikan anu khusus. (Galliers 1987, Yin 1989, De Vaus 1991). Unggal panalungtik, ku kituna, perlu taliti evaluate kaunggulan jeung kalemahan tina rupa-rupa métode, guna ngadopsi métode panalungtikan nu paling merenah tur cocog jeung proyék panalungtikan. (Jenkins 1985, Pervan jeung Klass 1992, Bonomia 1985, Yin 1989, Himilton jeung Ives 1992).

3.2. Métode pilarian mungkin

Tujuan proyék ieu pikeun diajar pangalaman dina organisasi Australia sareng i dati disimpen kalayan ngembangkeun data gudang. Kanyataan yén, ayeuna, aya kurangna panalungtikan di wewengkon gudang data di Australia, proyék panalungtikan ieu masih dina fase téoritis tina siklus panalungtikan sarta ngabogaan tujuan éksplorasi. Ngajalajah pangalaman dina organisasi Australia ngadopsi gudang data merlukeun interpretasi masarakat nyata. Akibatna, asumsi filosofis anu aya dina proyék panalungtikan nuturkeun interpretasi tradisional.

Saatos pamariksaan anu ketat ngeunaan metode anu sayogi, dua metode panalungtikan anu mungkin diidentifikasi: survey sareng studi kasus, anu tiasa dianggo pikeun panalungtikan éksplorasi (Shanks et al. 1993). Galliers (1992) boga pamadegan pikeun kasaluyuan dua métode ieu pikeun ulikan husus dina taksonomi na dirévisi ku nyebutkeun yen aranjeunna cocog pikeun wangunan téori. Dua subsection di handap ieu ngabahas unggal métode sacara rinci.

3.2.1 Métode panalungtikan survéy

Métode panalungtikan survéy asalna tina métode sénsus kuna. Sénsus diwangun ku ngumpulkeun informasi ti sakabéh populasi. Métode ieu mahal sareng teu praktis, khususna upami populasina ageung. Ku kituna, dibandingkeun jeung sénsus, survéy biasana museurkeun kana ngumpulkeun informasi pikeun sajumlah leutik, atawa sampel, wawakil populasi (Fowler 1988, Neuman 1994). Sampel ngagambarkeun populasi ti mana éta ditarik, kalayan tingkat akurasi anu béda, gumantung kana struktur sampel, ukuran, sareng metode pamilihan anu dianggo (Fowler 1988, Babbie 1982, Neuman 1994).

Métode survéy dihartikeun salaku "snapshots tina prakték, situasi atawa pintonan dina hiji titik dina waktu nu tangtu, dilaksanakeun ngagunakeun kuesioner atawa wawancara, ti mana inferensi bisa jadi.
dijieun" (Galliers 1992: 153) [snapshot tina prakték, situasi atawa pintonan dina titik tinangtu dina waktu, dilaksanakeun ngagunakeun questionnaires atawa wawancara, ti mana inferensi bisa dijieun]. Survey nguruskeun ngumpulkeun informasi ngeunaan sababaraha aspék ulikan, ti sajumlah pamilon, ku nanyakeun patarosan (Fowler 1988). Angkét sareng wawancara ieu, anu kalebet wawancara telepon tatap muka sareng wawancara terstruktur, ogé téknik ngumpulkeun dati paling ilahar dipake dina investigations (Blalock 1970, Nachmias na Nachmias 1976, Fowler 1988), observasi jeung nganalisa bisa dipaké (Gable 1994). Tina sakabéh métode ieu ngumpulkeun teh dati, pamakéan kuesioner teh téhnik pang populerna, sabab ensures yén i dati

dikumpulkeun téh terstruktur sarta formatna, sahingga facilitates klasifikasi informasi (Hwang 1987, de Vaus 1991).

Dina nganalisis i dati, strategi panalungtikan mindeng ngagunakeun téhnik kuantitatif, kayaning analisis statistik, tapi téhnik kualitatif ogé bisa dipaké (Galliers 1992, Pervan).

jeung Kelas 1992, Gable 1994). Biasana mah dati dikumpulkeun digunakeun pikeun nganalisis distribusi jeung pola asosiasi (Fowler 1988).

Bari inquiries umumna luyu pikeun inquiries nu alamat patarosan 'naon?', atawa timbul ti eta, kayaning 'sabaraha' jeung 'sabaraha', aranjeunna bisa ditanya via 'naha' patarosan (Sonquist jeung Dunkelberg 1977, Yin. 1989). Numutkeun Sonquist jeung Dunkelberg (1977), panalungtikan inquiry boga tujuan pikeun nangtang hipotesis, evaluating program, ngajéntrékeun populasi, sarta ngamekarkeun model kabiasaan manusa. Saterusna, survéy bisa dipaké pikeun nalungtik hiji pamadegan populasi tangtu, kaayaan, pamadegan, ciri, ekspektasi komo paripolah kaliwat atawa ayeuna (Neuman 1994).

Survey ngamungkinkeun panalungtik pikeun manggihan hubungan diantara populasi jeung hasilna biasana leuwih umum ti métode séjénna (Sonquist jeung Dunkelberg 1977, Gable 1994). Survey ngamungkinkeun panalungtik pikeun nutupan wewengkon géografis nu leuwih gede jeung ngahontal loba responden (Blalock 1970, Sonquist jeung Dunkelberg 1977, Hwang jeung Lin 1987, Gable 1994, Neuman 1994). Tungtungna, survey bisa nyadiakeun informasi nu teu sadia di tempat séjén atawa dina formulir diperlukeun pikeun nganalisa (Fowler 1988).

Nanging, aya sababaraha watesan dina ngalaksanakeun survey. Kakurangan nya éta panalungtik teu bisa meunangkeun loba informasi ngeunaan objék ditalungtik. Ieu alatan kanyataan yén survéy dilaksanakeun ngan dina waktu nu tangtu sarta, ku kituna, aya sababaraha kawates variabel jeung jalma nu panalungtik bisa.

ulikan (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). Karugian anu sanésna nyaéta ngalaksanakeun survey tiasa mahal pisan dina hal waktos sareng sumber daya, khususna upami ngalibatkeun wawancara tatap muka (Fowler 1988).

3.2.2. Métode Panalungtikan Inquiry

Métode panalungtikan inquiry ngalibatkeun ulikan teleb tina kaayaan nu tangtu dina konteks real-dunya na leuwih kurun waktu nu tangtu, tanpa aya campur dina bagian tina panalungtik (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). Utamana métode ieu dipaké pikeun ngajelaskeun hubungan antara variabel nu keur ditalungtik dina situasi nu tangtu (Galliers 1992). Investigations bisa ngalibetkeun tunggal atawa sababaraha kasus, gumantung kana fenomena dianalisis (Franz jeung Robey 1987, Eisenhardt 1989, Yin 1989).

Métode panalungtikan inquiry dihartikeun salaku "hiji inquiry empiris anu ngulik fenomena kontemporer dina konteks sabenerna, ngagunakeun sababaraha sumber dikumpulkeun ti hiji atawa leuwih éntitas kayaning jalma, grup, atawa organisasi" (Yin 1989). Henteu aya pamisahan anu jelas antara fenomena sareng kontéksna sareng teu aya kontrol ékspérimén atanapi manipulasi variabel (Yin 1989, Benbasat et al. 1987).

Aya rupa-rupa téhnik pikeun ngumpulkeun dewa dati nu bisa dipaké dina métode inquiry, nu ngawengku observasi langsung, review rékaman arsip, questionnaires, review dokuméntasi jeung wawancara terstruktur. Ngabogaan rupa-rupa téknik panén dati, investigations ngidinan panalungtik nungkulan duanana dati kualitatif jeung kuantitatif dina waktos anu sareng (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). Saperti halna dina métode inquiry, panalungtik inquiry boga fungsi minangka observer atawa panalungtik lain salaku partisipan aktif dina organisasi anu ditalungtik.

Benbasat dkk (1987) negeskeun yén métode inkuiri utamana cocog pikeun ngawangun téori panalungtikan, anu dimimitian ku sual panalungtikan sarta dituluykeun ku atikan.

tina hiji téori salila prosés ngumpulkeun dati. Janten ogé cocog pikeun panggung

tina wangunan téori, Franz jeung Robey (1987) nyarankeun yén métode inquiry ogé bisa dipaké pikeun fase téori kompléks. Dina hal ieu, dumasar kana bukti anu dikumpulkeun, téori atanapi hipotésis anu dipasihkeun diverifikasi atanapi dibantah. Salian ti éta, survéy ogé cocog pikeun panalungtikan anu ngébréhkeun patarosan 'kumaha' atawa 'naha' (Yin 1989).

Dibandingkeun jeung métode séjénna, survey ngidinan panalungtik pikeun nangkep informasi penting dina leuwih jéntré (Galliers 1992, Shanks et al. 1993). Saterusna, survéy ngidinan panalungtik pikeun ngarti alam jeung pajeulitna prosés diajarkeun (Benbasat et al. 1987).

Aya opat kalemahan utama anu aya hubunganana sareng metode survey. Kahiji nyaeta kurangna deductions dikawasa. Subyektifitas panalungtik bisa ngarobah hasil jeung kacindekan tina ulikan (Yin 1989). Karugian kadua nyaéta kurangna observasi anu dikontrol. Beda jeung métode ékspérimén, panalungtik panalungtikan teu bisa ngadalikeun fénoména anu ditalungtik sabab ditalungtik dina kontéks alamna (Gable 1994). The disadvantage katilu nyaeta kurangna replicability. Ieu kusabab panalungtik teu mungkin niténan kajadian anu sarua, sarta teu bisa pariksa hasil ulikan nu tangtu (Lee 1989). Tungtungna, salaku konsekuensi non-replicability, hese generalize hasil diala tina hiji atawa leuwih investigations (Galliers 1992, Shanks et al. 1993). Sadaya masalah ieu, kumaha oge, teu insurmountable sarta bisa, kanyataanna, jadi minimal ku panalungtik ku nerapkeun lampah luyu (Lee 1989).

3.3. Ngantebkeun metodologi panalungtikan diadopsi

Tina dua métode panalungtikan anu mungkin pikeun panalungtikan ieu, métode survéy dianggap paling merenah. Panyelidikan dibuang saatos pertimbangan ati-ati anu relevan

kaunggulan jeung kalemahan. Kasaluyuan atawa henteuna unggal métode pikeun ieu panalungtikan diébréhkeun di handap.

3.3.1. Métode panalungtikan anu teu luyu tina panalungtikan

Métode inquiry merlukeun ulikan anu jero ngeunaan kaayaan nu tangtu dina hiji atawa leuwih organisasi dina hiji periode waktu (Eisenhardt 1989). Dina hal ieu, periode bisa ngaleuwihan pigura waktu dibikeun pikeun ulikan ieu. Alesan anu sanés pikeun henteu nganut metode survéy nyaéta hasilna tiasa kakurangan tina kakurangan kaku (Yin 1989). Subyektifitas panalungtik bisa mangaruhan hasil jeung kacindekan. Alesan séjén nyaéta yén métode ieu leuwih cocog pikeun panalungtikan ngeunaan jenis patarosan 'kumaha' atawa 'naha' (Yin 1989), sedengkeun patarosan panalungtikan pikeun ulikan ieu mangrupa jenis 'naon'. Panungtungan tapi teu saeutik, hese generalize papanggihan tina ngan hiji atawa sababaraha investigations (Galliers 1992, Shanks et al. 1993). Dumasar kana alesan ieu, métode panalungtikan survéy henteu dipilih sabab henteu cocog pikeun ieu panalungtikan.

3.3.2. Genah sahiji metodeu pilarian tina panyilidikan

Nalika ieu panalungtikan dilaksanakeun, prakték gudang data teu acan diadopsi sacara lega ku organisasi Australia. Lantaran kitu, teu aya seueur inpormasi ngeunaan palaksanaanna dina organisasi Australia. Inpormasi anu sayogi sumping ti organisasi anu parantos ngalaksanakeun atanapi nganggo a data gudang. Dina hal ieu, métode panalungtikan survéy téh paling merenah sabab ngamungkinkeun meunangkeun informasi nu teu sadia di tempat séjén atawa dina formulir diperlukeun pikeun analisis (Fowler 1988). Sajaba ti éta, métode panalungtikan survéy ngamungkinkeun panalungtik pikeun meunangkeun insight alus kana prakték, situasi, atawa pintonan dina waktu nu tangtu (Galliers 1992, Denscombe 1998). Tinjauan diperlukeun pikeun ngaronjatkeun pangaweruh ngeunaan pangalaman gudang data Australia.

Saterusna, Sonquist jeung Dunkelberg (1977) nétélakeun yén hasil panalungtikan survéy leuwih umum dibandingkeun métode séjénna.

3.4. Desain Panalungtikan Survey

Survei ngeunaan prakték gudang data dilaksanakeun dina taun 1999. Populasi targét diwangun ku organisasi Australia anu resep kana studi gudang data, sabab sigana parantos terang ngeunaan dati yén maranéhna nyimpen jeung, kituna, bisa nyadiakeun informasi mangpaat pikeun ulikan ieu. Populasi targét dicirikeun ku survey awal sadaya anggota Australia The Data Warehousing Institute (Tdwi-aap). Bagian ieu ngabahas desain fase panalungtikan émpiris dina ieu panalungtikan.

3.4.1. Téhnik ngumpulkeun dati

Tina tilu téknik anu biasa dianggo dina panalungtikan survéy (nyaéta angkét surat, wawancara telepon sareng wawancara pribadi) (Nachmias 1976, Fowler 1988, de Vaus 1991), angkét surat diadopsi pikeun ulikan ieu. Alesan kahiji pikeun ngadopsi dimungkinkeun nyaéta yén éta tiasa ngahontal populasi anu sumebar sacara geografis (Blalock 1970, Nachmias and Nachmias 1976, Hwang and Lin 1987, de Vaus 1991, Gable 1994). Kadua, angkét surat téh cocog pikeun pamilon anu berpendidikan tinggi (Fowler 1988). Kuesioner mail pikeun ulikan ieu ditujukeun ka sponsor proyék gudang data, diréktur jeung / atawa manajer proyék. Katilu, kuesioner surat cocog nalika aya milis anu aman (Salant sareng Dilman 1994). TDWI, dina hal ieu, asosiasi gudang data dipercaya geus nyadiakeun milis anggota Australia na. Kauntungan sejen tina kuesioner mail leuwih kuesioner telepon atawa wawancara pribadi téh nya éta ngamungkinkeun responden pikeun ngabales leuwih akurat, utamana lamun responden kudu konsultasi catetan atawa ngabahas patarosan kalawan jalma séjén (Fowler 1988).

Karugian poténsial nyaéta waktos anu diperyogikeun pikeun ngalaksanakeun kuesioner ku mail. Biasana, survéy surat dilakukeun dina urutan ieu: surat surat, ngadagoan réspon, sareng ngirim konfirmasi (Fowler 1988, Bainbridge 1989). Ku kituna, total waktu bisa jadi leuwih panjang batan waktu diperlukeun pikeun wawancara pribadi atawa wawancara telepon. Sanajan kitu, total waktu bisa dipikawanoh sateuacanna (Fowler 1988, Denscombe 1998). Waktos anu dianggo pikeun ngawawancara pribadi henteu tiasa dipikanyaho sateuacanna sabab beda-beda ti hiji wawancara ka anu sanés (Fowler 1988). Wawancara telepon tiasa langkung gancang tibatan angkét pos sareng wawancara pribadi tapi tiasa gaduh tingkat non-réspon anu luhur kusabab henteu kasadiaan sababaraha urang (Fowler 1988). Salaku tambahan, wawancara telepon umumna dugi ka daptar patarosan anu pondok (Bainbridge 1989).

Kelemahan anu sanés tina angkét surat nyaéta tingkat non-réspon anu luhur (Fowler 1988, Bainbridge 1989, Neuman 1994). Sanajan kitu, countermeasures geus dicokot ku associating ulikan ieu jeung lembaga warehousing data dipercaya (ie TDWI) (Bainbridge 1989, Neuman 1994), nu ngirimkeun dua surat panginget non-responders (Fowler 1988, Neuman 1994) sarta ogé ngawengku hiji hurup tambahan. ngajelaskeun tujuan pangajaran (Neuman 1994).

3.4.2. Unit analisis

Tujuan tina ulikan ieu pikeun meunangkeun inpormasi ngeunaan palaksanaan gudang data sareng panggunaanana dina organisasi Australia. Populasi targét diwangun ku sakabéh organisasi Australia anu geus dilaksanakeun, atawa keur ngalaksanakeun, i data gudang. Organisasi individu teras didaptarkeun dina nami. Kuesioner dikirimkeun ku pos ka organisasi anu resep ngadopsi data gudang. Metoda ieu mastikeun yén inpormasi anu dikumpulkeun asalna tina sumber daya anu paling cocog pikeun unggal organisasi anu milu.

3.4.3. Sampel survéy

The "milis" pamilon survéy dicandak ti TDWI. Tina daptar ieu, 3000 organisasi Australia dipilih salaku dasar pikeun sampling. Surat tambahan anu ngécéskeun proyék sareng tujuan survey, sareng lembar réspon sareng amplop anu tos mayar kanggo ngabalikeun angkét anu parantos dikirim ka sampel. Tina 3000 organisasi, 198 sapuk pikeun ilubiung dina pangajaran. Sajumlah leutik réspon ieu diperkirakeun dato sajumlah ageung organisasi Australia anu teras nganut atanapi nganut strategi gudang data dina organisasina. Ku kituna, populasi targét pikeun ulikan ieu ngan diwangun ku 198 organisasi.

3.4.4. Eusi kuesioner

Struktur kuesioner dumasar kana model gudang data Monash (dibahas saméméhna dina bagian 2.3). Eusi kuesioner dumasar kana analisis pustaka anu ditepikeun dina bab 2. Salinan angkét anu dikirimkeun ka pamilon survéy tiasa dipendakan dina Lampiran B. Angkét diwangun ku genep bagian, anu nuturkeun fase modél anu katutupan . Genep paragraf di handap ieu nyimpulkeun sakeudeung eusi unggal bagian.

Bagian A: Inpormasi dasar ngeunaan organisasi
Bagian ieu ngandung patarosan anu aya hubunganana sareng profil organisasi anu milu. Salaku tambahan, sababaraha patarosan aya hubunganana sareng status proyék gudang data pamilon. Inpormasi rahasia sapertos nami organisasi henteu diungkabkeun dina analisis survey.

Bagian B: Mimitian
Patarosan dina bagian ieu patali jeung kagiatan inisiasi gudang data. Patarosan ditanya ngeunaan initiators proyék, guarantors, kaahlian diperlukeun jeung pangaweruh, tujuan ngembangkeun gudang data jeung ekspektasi pamaké tungtung.

Bagian C: Desain
Bagian ieu ngandung patarosan anu aya hubunganana sareng ngarencanakeun kagiatan data gudang. Khususna, patarosan ngeunaan ruang lingkup palaksanaan, durasi proyek, biaya proyek sareng analisis biaya / kauntungan.

Bagian D: Pangwangunan
Dina bagian pangwangunan aya patarosan anu patali jeung kagiatan pangwangunan data gudang: kumpulan sarat pamaké tungtung, sumber tina dati, modél logis tina dati, prototipe, tata kapasitas, arsitéktur téknis sareng pilihan alat pangembangan gudang data.

Bagian E: Operasi
Patarosan operasional patali operasi sarta extensibility tina data gudang, kumaha eta evolves dina fase salajengna pangwangunan. Tuh kualitas data, strategi refresh tina dati, granularity tina dati, scalability tina data gudang jeung masalah kaamanan tina data gudang éta diantara jenis patarosan ditanya.

Bagian F: Pangwangunan
Bagian ieu ngandung patarosan ngeunaan pamakean data gudang ku pamaké tungtung. Panalungtik museurkeun panitén kana tujuan jeung mangpaat éta data gudang, review jeung strategi latihan diadopsi jeung strategi kontrol tina data gudang diadopsi.

3.4.5. Laju ngaréspon

Sanajan survéy mail anu dikritik pikeun ngabogaan laju respon low, ukuran geus dilaksanakeun pikeun ngaronjatkeun laju balik (sakumaha dibahas saméméhna dina bagian 3.4.1). Istilah 'tingkat respon' nujul kana persentase jalma dina sampel survéy tinangtu anu ngabales kuesioner (Denscombe 1998). Rumus di handap ieu dipaké pikeun ngitung laju respon pikeun ulikan ieu:

Jumlah jalma anu ngaréspon
Laju réspon = ——————————————————————————— X 100 Jumlah angkét anu dikirim

3.4.6. Uji Pilot

Saméméh kuesioner dikirimkeun ka sampel, éta patarosan ditalungtik ku ngalaksanakeun uji pilot, sakumaha anu disarankeun ku Luck and Rubin (1987), Jackson (1988) jeung de Vaus (1991). Tujuan tina tés pilot nyaéta pikeun ngungkabkeun éksprési anu kagok, ambigu sareng patarosan anu sesah diinterpretasi, pikeun netelakeun definisi sareng istilah anu dianggo sareng pikeun ngaidentipikasi waktos perkiraan anu diperyogikeun pikeun ngarengsekeun kuesioner (Warwick and Lininger 1975, Jackson 1988, Salant). jeung Dilman 1994). Uji percontohan dilaksanakeun ku cara milih mata pelajaran anu karakteristikna sarua jeung mata pelajaran ahir, sakumaha anu diusulkeun ku Davis e. Cosenza (1993). Dina ulikan ieu, genep profésional data warehousing dipilih salaku subjék pilot. Saatos unggal uji pilot, koréksi anu diperyogikeun dilakukeun. Tina tés pilot anu dilaksanakeun, pamilon nyumbang kana reshaping sareng ngareset versi ahir kuesioner.

3.4.7. Métode Analisis Tina Dati

I dati tina survéy anu dikumpulkeun tina angkét tertutup dianalisis ngagunakeun pakét program statistik anu disebut SPSS. Loba réspon anu dianalisis ngagunakeun statistik deskriptif. Sajumlah kuesioner dipulangkeun teu lengkep. Ieu dirawat kalayan perawatan anu langkung ageung pikeun mastikeun yén kuring dati leungit éta lain konsékuansi tina kasalahan éntri data, tapi kusabab patarosan éta teu cocog pikeun registrant nu, atawa registrant mutuskeun teu ngajawab hiji atawa leuwih patarosan husus. Réspon anu leungit ieu teu dipaliré nalika analisa dati sarta disandi salaku '- 9' pikeun mastikeun pangaluaran maranéhanana ti prosés analisis.

Nalika nyiapkeun kuesioner, patarosan anu katutup disandikeun ku cara masihan nomer pikeun unggal pilihan. Jumlah ieu lajeng dipaké pikeun nyiapkeun dati salila analisis (Denscombe 1998, Sapsford na Jupp 1996). Contona, aya genep pilihan didaptarkeun dina patarosan 1 bagian B: dewan direksi, eksekutif senior, departemen IT, unit bisnis, konsultan jeung lianna. Dina file tina dati tina SPSS, variabel dihasilkeun pikeun nuduhkeun 'proyék inisiator', kalawan genep labél nilai: '1' pikeun 'dewan direksi', '2' pikeun 'eksekutif senior' jeung saterusna. Pamakéan skala Likertin dina sababaraha patarosan katutup ogé diidinan pikeun idéntifikasi sacara gampang upami ngagunakeun nilai numerik anu saluyu anu diasupkeun kana SPSS. Pikeun patarosan sareng jawaban anu henteu lengkep, anu henteu saling ekslusif, unggal pilihan diperlakukeun salaku variabel tunggal sareng dua labél nilai: '1' kanggo 'ditandaan' sareng '2' pikeun 'henteu ditandaan'.

Patarosan kabuka diolah béda ti patarosan katutup. Jawaban kana patarosan ieu henteu diasupkeun kana SPSS. Gantina, aranjeunna dianalisis ku leungeun. Pamakéan jenis ieu patarosan ngamungkinkeun urang pikeun acquire informasi ngeunaan gagasan kalawan bébas dikedalkeun sarta pangalaman pribadi tina responden (Bainbridge 1989, Denscombe 1998). Lamun mungkin, categorization tina réspon dijieun.

Pikeun analisis dati, métode analisis statistik basajan dipaké, kayaning frékuénsi respon, mean, simpangan baku jeung median (Argyrous 1996, Denscombe 1998).
Uji Gamma berkinerja saé pikeun meunangkeun ukuran kuantitatif tina asosiasi antara dati ordinal (Norusis 1983, Argyrous 1996). Tés ieu cocog sabab skala ordinal anu digunakeun henteu seueur kategori sareng tiasa dipidangkeun dina tabél (Norusis 1983).

3.5 Ringkesan

Dina ieu bab dipedar ngeunaan métode jeung desain panalungtikan anu digunakeun dina ieu panalungtikan.

Milih métode panalungtikan nu paling luyu pikeun ulikan nu tangtu dipertimbangkeun
tinimbangan tina sababaraha aturan, kaasup sifat jeung tipe panalungtikan, kitu ogé merits jeung kalemahan unggal métode mungkin (Jenkins 1985, Benbasat et al. 1097, Galliers jeung Land 1987, yin 1989, Hamilton jeung ives 1992, Galliers 1992, Neuman 1994). Kusabab kurangna pangaweruh sareng téori anu aya ngeunaan nyoko kana gudang data di Australia, ieu panalungtikan meryogikeun metode panalungtikan interpretif kalayan kamampuan éksplorasi pikeun ngajajah pangalaman organisasi Australia. Métode panalungtikan anu dipilih dipilih pikeun ngumpulkeun inpormasi ngeunaan nyoko kana konsép gudang data ku organisasi Australia. Kuesioner pos dipilih minangka téhnik ngumpulkeun dati. Justifikasi pikeun métode panalungtikan jeung téhnik ngumpulkeun dati dipilih bakal disadiakeun dina bab ieu. Satuluyna diébréhkeun sawala ngeunaan unit analisis, sampel anu digunakeun, persentase réspon, eusi angkét, pre-test angkét jeung métode analisis hasil. dati.

Ngadesain a Gudang Data:

Ngagabungkeun Hubungan Entitas jeung Modeling Dimensi

abstrak
Toko i dati mangrupikeun masalah ayeuna utama pikeun seueur organisasi. Hiji masalah konci dina ngembangkeun gudang dahareun dati éta desain na.
Desain kudu ngarojong deteksi konsép dina data gudang ka sistem warisan jeung sumber séjén tina dati sarta ogé mangrupa pamahaman gampang jeung efisiensi dina palaksanaan data gudang.
Loba pustaka gudang dati nyarankeun pamakéan modeling hubungan éntitas atawa modeling dimensi keur ngagambarkeun desain data gudang.
Dina makalah ieu kami nunjukkeun kumaha duanana representasi tiasa digabungkeun dina hiji pendekatan pikeun ngagambar data gudang. Pendekatan anu digunakeun sacara sistematis

ditalungtik dina studi kasus sarta dicirikeun dina sababaraha implikasi penting jeung praktisi.

GUDANG DATA

Un data gudang eta biasana dihartikeun salaku "subyek-berorientasi, terpadu, waktos-varian, sarta kumpulan nonvolatile data dina ngarojong kaputusan manajemén urang" (Inmon jeung Hackathorn, 1994). Subject-berorientasi sarta terpadu nunjukkeun yén data gudang dirancang pikeun meuntas wates fungsi sistem Legaci nawarkeun hiji sudut pandang terpadu dati.
Varian waktos museurkeun kana sifat sajarah atanapi séri waktos tina pidéo dati dijero data gudang, anu ngamungkinkeun tren dianalisis. Non-volatile nunjukkeun yén data gudang eta teu terus diropéa kawas a database tina OLTP. Rada eta diropéa périodik, jeung dati ti sumber internal jeung eksternal. The data gudang eta husus dirancang pikeun pilarian tinimbang ngamutahirkeun integritas jeung kinerja operasi.
Gagasan pikeun nyimpen i dati teu anyar, éta salah sahiji tujuan manajemén ti dati saprak sixties (Il Martin, 1982).
I data gudang aranjeunna nawiskeun infrastruktur dati pikeun sistem rojongan manajemén. Sistem dukungan manajemén kalebet sistem dukungan kaputusan (DSS) sareng sistem inpormasi eksekutif (EIS). DSS mangrupikeun sistem inpormasi berbasis komputer anu dirancang pikeun ningkatkeun kaputusan manusa. EIS biasana mangrupikeun sistem pangiriman dati nu ngamungkinkeun para pamingpin bisnis pikeun gampang ngakses view tina dati.
Arsitéktur umum a data gudang highlights peran tina data gudang dina rojongan manajemén. Salian ti nawarkeun infrastruktur dati pikeun EIS jeung DSS, al data gudang eta bisa diaksés langsung ngaliwatan queries. THE dati kaasup kana a data gudang dumasar kana analisa sarat inpormasi manajemén sareng dicandak tina tilu sumber: sistem warisan internal, sistem newak data tujuan khusus sareng sumber data éksternal. THE dati dina sistem warisan internal aranjeunna sering kaleuleuwihan, henteu konsisten, kualitasna rendah, sareng disimpen dina format anu béda-béda supados aranjeunna kedah disayogikeun sareng dibersihkeun sateuacan tiasa dimuat kana

data gudang (Inmon, 1992; McFadden, 1996). THE dati asalna tina sistem panyimpenan dati ad hoc jeung ti sumber dati jaba mindeng dipaké pikeun ngagedekeun (update, ngaganti) abdi dati ti sistem warisan.

Aya loba alesan compelling ngamekarkeun a data gudang, nu ngawengku ningkat pembuatan kaputusan ngaliwatan pamakéan éféktif informasi langkung (Ives 1995), rojongan pikeun fokus kana sakabeh poéna (Graham 1996), sarta reductions di dati pikeun EIS jeung DSS (Graham 1996, McFadden 1996).

Hiji studi empiris panganyarna kapanggih, rata-rata, mulang dina investasi pikeun data gudang ku 401% sanggeus tilu taun (Graham, 1996). Sanajan kitu, studi empiris séjén tina data gudang kapanggih masalah signifikan kaasup kasusah dina ngukur jeung assigning kauntungan, kurangna tujuan jelas, underestimating tujuan jeung pajeulitna prosés nyimpen kauntungan. dati, hususna ngeunaan sumber jeung kabersihan tina dati. Nyimpen i dati bisa dianggap salaku solusi pikeun masalah manajemen dati antara organisasi. Manipulasi tina dati salaku sumberdaya sosial eta tetep salah sahiji masalah konci dina ngatur sistem informasi di sakuliah dunya salila sababaraha taun (Brancheau et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993).

Hiji pendekatan populér pikeun manajemén asset dati dina eighties éta ngembangkeun model dati sosial. Modél dati sosial ieu dirancang pikeun nawiskeun dasar stabil pikeun ngembangkeun sistem aplikasi anyar jeung database sareng rekonstruksi sareng integrasi sistem warisan (Brancheau et al.

1989, Goodhue et al. 1988: 1992, Kim jeung Everest 1994). Sanajan kitu, aya loba masalah jeung pendekatan ieu, hususna, pajeulitna sarta biaya unggal tugas, sarta lila diperlukeun pikeun ngahasilkeun hasil tangible (Beynon-Davies 1994, Earl 1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997). ).

Il data gudang eta mangrupakeun database misah nu co-aya jeung database warisan tinimbang ngaganti aranjeunna. Éta kituna ngidinan Anjeun pikeun ngarahkeunnana manajemen dati sareng nyingkahan rekonstruksi sistem warisan anu mahal.

PENDEKATAN AYA DESAIN DATA

GUDANG

Prosés ngawangun jeung nyampurnakeun a data gudang eta kudu dipikaharti leuwih salaku prosés évolusionér tinimbang siklus hirup ngembangkeun sistem tradisional (Kahayang, 1995, Shanks, O'Donnell jeung Arnott 1997a). Aya seueur prosés anu aub dina hiji proyék data gudang kayaning initialization, perencanaan; informasi kaala tina sarat ditanya manajer parusahaan; sumber, transformasi, beberesih tina dati sareng sinkronisasi tina sistem warisan sareng sumber anu sanés dati; sistem pangiriman dina pangwangunan; ngawaskeun tina data gudang; sarta senselessness tina prosés évolusionér jeung konstruksi a data gudang (Stinchi, O'Donnell sareng Arnott 1997b). Dina jurnal ieu, urang difokuskeun kumaha ngagambar dati disimpen dina konteks prosés séjén ieu. Aya sababaraha pendekatan anu diusulkeun pikeun arsitéktur data gudang dina sastra (Inmon 1994, Ives 1995, Kimball 1994 McFadden 1996). Unggal metodologi ieu gaduh tinjauan ringkes kalayan analisa kaunggulan sareng kalemahanana.

Inmon urang (1994) Pendekatan pikeun Gudang Data rarancang

Inmon (1994) ngusulkeun opat léngkah iteratif pikeun ngararancang a data gudang (tingali Gambar 2). Hambalan munggaran nyaéta mendesain template dati sosial ngartos kumaha i dati bisa terpadu sakuliah wewengkon fungsional dina hiji organisasi ku pamisahan dati toko di wewengkon. Modél dati eta dijieun pikeun neundeun dati pertaining kaputusan-pembuatan, kaasup dati sajarah, sarta kaasup dati deduced jeung aggregated. Léngkah kadua nyaéta pikeun ngaidentipikasi daérah poko pikeun palaksanaan. Ieu dumasar kana prioritas anu ditangtukeun ku organisasi nu tangtu. Lengkah katilu ngalibatkeun gambar a database pikeun wewengkon subyek, nengetan husus ka kaasup tingkat luyu ngeunaan granularity. Inmon nyarankeun ngagunakeun modél éntitas sareng hubungan. Lengkah kaopat nyaéta pikeun ngaidentipikasi sistem sumber dati diperlukeun tur ngamekarkeun prosés transformasi candak, beresih jeung format i dati.

Kaunggulan tina pendekatan Inmon nyaéta yén modél dati sosial nawarkeun dasar pikeun integrasi tina dati dina organisasi jeung perencanaan rojongan pikeun ngembangkeun iterative tina data gudang. Cacatna nyaéta kasusah sareng biaya dina ngarancang modél dati sosial, kasusah dina model pamahaman entitas jeung hubungan dipaké dina duanana model, éta dati sosial jeung nu dati disimpen ku aréa subjek, sarta appropriateness tina dati tina gambar tina data gudang pikeun nyieun database relasional tapi henteu pikeun database multi-dimensi.

Ives '(1995) Pendekatan kana Gudang Data rarancang

Ives (1995) ngusulkeun pendekatan opat léngkah pikeun ngarancang sistem inpormasi anu anjeunna yakin tiasa dianggo pikeun desain data gudang (tingali Gambar 3). Pendekatan ieu pisan dumasar kana Téknik Inpormasi pikeun pamekaran sistem inpormasi (Martin 1990). Léngkah munggaran nyaéta nangtukeun tujuan, faktor kritis sareng kasuksésan sareng indikator kinerja konci. Prosés bisnis konci sareng inpormasi anu diperyogikeun dimodelkeun pikeun mingpin urang kana modél dati sosial. Lengkah kadua ngalibatkeun ngembangkeun arsitéktur watesan dati disimpen dumasar wewengkon, database di data gudang, komponén téhnologi anu diperlukeun, susunan rojongan organisasi diperlukeun pikeun nerapkeun jeung beroperasi kalawan data gudang. Léngkah katilu kalebet milih pakét sareng alat parangkat lunak anu diperyogikeun. Léngkah kaopat nyaéta rarancang sareng konstruksi anu lengkep data gudang. Ives catetan toko éta dati éta prosés iteratif konstrain.

Kakuatan pendekatan Ives nyaéta pamakéan téknik husus pikeun nangtukeun sarat informasi, pamakéan prosés terstruktur pikeun ngarojong integrasi data gudang, Pilihan hardware jeung software luyu, sarta pamakéan sababaraha téhnik ngagambarkeun pikeun data gudang. flaws na anu alamiah kana pajeulitna. Batur kaasup kasusah ngamekarkeun loba tingkatan database all'interno del data gudang dina waktos sareng biaya anu lumayan.

Kimball urang (1994) Pendekatan kana Gudang Data rarancang

Kimball (1994) ngusulkeun lima léngkah iteratif pikeun ngararancang a data gudang (tingali Gambar 4). Pendekatan na khususna khusus dina desain solo data gudang sarta dina pamakéan model dimensi dina leuwih sering dipake tinimbang model entitas jeung hubungan. Kimball nganalisa modél-modél diménsi éta kusabab langkung gampang pikeun pamimpin bisnis ngartos bisnis, éta langkung éfisién nalika nyanghareupan konsultasi anu rumit, sareng desain database fisik leuwih efisien (Kimball 1994). Kimball ngakuan yén ngembangkeun a data gudang nyaeta iterative, sarta éta data gudang tabél misah bisa terpadu ku ngabagi kana tabel diménsi umum.

Léngkah munggaran nyaéta pikeun ngaidentipikasi daérah mata pelajaran anu bakal disampurnakeun. Léngkah kadua jeung katilu patali modeling dimensi. Dina léngkah kadua, pangukuran ngaidentipikasi hal-hal anu dipikaresep dina daérah subjek sareng dikelompokkeun kana tabel fakta. Contona, dina wewengkon subjék jualan ukuran dipikaresep bisa ngawengku jumlah barang dijual jeung dollar salaku mata uang jualan. Léngkah katilu ngalibatkeun ngaidentipikasi diménsi anu cara kumaha fakta-fakta tiasa dikelompokkeun. Dina wewengkon subjék jualan, dimensi relevan bisa ngawengku item, lokasi, jeung periode waktu. Méja fakta ngabogaan konci multi-bagian pikeun numbu ka unggal tabel diménsi sarta ilaharna ngandung angka nu gede ngarupakeun fakta. Sabalikna, tabel diménsi ngandung émbaran deskriptif ngeunaan diménsi sarta atribut sejenna nu bisa dipaké pikeun grup fakta. The pakait diusulkeun kanyataan jeung tabel diménsi ngabentuk naon disebut skéma béntang kusabab bentukna. Lengkah kaopat ngawengku ngawangun a database multidimensional pikeun nyampurnakeun pola béntang. Léngkah ahir nyaéta pikeun ngaidentipikasi sistem sumber dati diperlukeun tur ngamekarkeun prosés transformasi candak, beresih jeung format i dati.

Kaunggulan tina pendekatan Kimball kaasup pamakéan model dimensional keur ngagambarkeun dati disimpen nu matak ngamudahkeun pikeun ngarti tur ngakibatkeun rarancang fisik efisien. Modél dimensi anu ogé gampang ngagunakeun duanana sistem database relational bisa disampurnakeun atawa sistem database multidimensional. flaws na ngawengku kurangna sababaraha téhnik pikeun mempermudah perencanaan atawa integrasi loba pola béntang dina hiji data gudang jeung kasusah ngarancang tina struktur denormalized ekstrim kana model dimensi dati dina sistem warisan.

McFadden (1996) Pendekatan kana Data Desain Gudang

McFadden (1996) proposes pendekatan lima léngkah pikeun ngarancang a data gudang (tingali Gambar 5).
Pendekatan na dumasar kana sintésis gagasan tina literatur sarta museurkeun kana desain tunggal data gudang. Léngkah munggaran ngalibatkeun analisa syarat. Sanaos spésifikasi téknis henteu ditunjuk, catetan McFadden ngaidentipikasi éntitas éta dati spésifikasi jeung atribut maranéhna, sarta nujul kana Watson and Frolick (1993) pamiarsa pikeun syarat newak.
Dina lengkah kadua, model hubungan éntitas digambar pikeun data gudang lajeng disahkeun ku executives parusahaan. Léngkah katilu kalebet nangtukeun pemetaan tina sistem warisan sareng sumber éksternal data gudang. Léngkah kaopat ngalibatkeun prosés dina pamekaran, panyebaran sareng sinkronisasi dati nel data gudang. Dina léngkah ahir, pangiriman sistem dikembangkeun kalayan tekenan khusus dina antarmuka pangguna. McFadden nyatet yén prosés ngagambar umumna iteratif.

Kakuatan pendekatan McFadden nunjuk kana partisipasi pamimpin bisnis dina nangtukeun syarat sareng pentingna sumber daya. dati, beberesih sarta ngumpulkeun maranéhanana. flaws na ngawengku kurangna prosés pikeun ngarecah hiji proyék badag data gudang dina sababaraha tahapan terpadu, sareng aya

kasusah pamahaman éntitas jeung model hubungan dipaké dina desain data gudang.

Henteu ngan ukur jalma anu caket sareng urang anu milih urang.