Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 35 vistas

    Presentación BI - Unidad 2 y 3 - Modelado

    Cargado por

    Jeremias Tardivo
    El documento describe las características de un almacén de datos, incluyendo que es orientado al tema desde la perspectiva del usuario, que integra la información y almacena datos históricos de forma no volátil. También describe los conceptos de almacén de datos, carga y transformación de datos, arquitectura, modelado y usuarios de un almacén de datos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Presentación BI - Unidad 2 y 3 - Modelado

    Cargado por

    Jeremias Tardivo
    35 vistas30 páginas
    El documento describe las características de un almacén de datos, incluyendo que es orientado al tema desde la perspectiva del usuario, que integra la información y almacena datos históricos de forma no volátil. También describe los conceptos de almacén de datos, carga y transformación de datos, arquitectura, modelado y usuarios de un almacén de datos.

    Título original

    Presentación_BI_-_Unidad_2_y_3_-_Modelado

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe las características de un almacén de datos, incluyendo que es orientado al tema desde la perspectiva del usuario, que integra la información y almacena datos históricos de forma no volátil. También describe los conceptos de almacén de datos, carga y transformación de datos, arquitectura, modelado y usuarios de un almacén de datos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    35 vistas30 páginas

    Presentación BI - Unidad 2 y 3 - Modelado

    Cargado por

    Jeremias Tardivo
    El documento describe las características de un almacén de datos, incluyendo que es orientado al tema desde la perspectiva del usuario, que integra la información y almacena datos históricos de forma no volátil. También describe los conceptos de almacén de datos, carga y transformación de datos, arquitectura, modelado y usuarios de un almacén de datos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 30

    Instituto Universitario Aeronáutico

    Data
    El almacén de datos tiene las siguientes características:

    • Orientado al tema Perspectiva de usuario


    • Integrado Información integrada
    • De tiempo variante Datos históricos
    • No volátil Read only vs OLTP

    Warehouse
    Data

    Warehouse
    DW
    ¿ En dónde se encuentran los datos en las organizaciones?

    Un problema de unificación…

    Carga de datos al DW

    ETL
    DW
    Organización - Planificación y estrategia

    Desarrollo – Alcances, usuarios, arquitectura, confiabilidad de


    datos

    Implementación – Estrategias, elementos

    Evaluación – Costos y beneficios

    Elaboración de un proyecto
    DW
    Del almacén de datos al cubo… OLAP

    • Drill-Down (profundización progresiva)


    • Roll-Up (generalización progresiva)
    • Filtering (filtro o selección)
    • Pivoting (rotación)
    • Slice (rebanar)
    • Dice (cortar en cuadritos)

    OLAP
    Data

    Warehouse
    Data
    Un Data mart es una versión especial de un data warehouse
    más pequeña.

    Son subconjuntos de datos con el propósito de ayudar a que un


    área específica dentro del negocio pueda tomar mejores
    decisiones.

    Los datos existentes en este contexto pueden ser agrupados,


    explorados y propagados de múltiples formas para que diversos
    grupos de usuarios realicen la explotación de los mismos de la
    forma más conveniente según sus necesidades.

    Mart
    DW
    El modelado y el porqué…

    Esfuerzos para lograr rapidez…

    Arquitectura
    DW

    Arquitectura
    DW
    El tipo de análisis que se requiera hacer sobre el DW determinara el tipo de
    modelado, es decir cómo se almacena la información

    • MODELO ER
    • MODELO MULTIDIMENSIONAL

    Dependen del usuario, tipo de análisis, costo, volumen de datos, performance, etc

    Modelado
    DW
    • Turistas
    • Operadores
    • Granjeros
    • Exploradores
    • Mineros

    Usuarios
    Modelado
    Modelado
    DESAFIO: Una empresa tiene datos históricos (desde 1995) de ventas
    almacenadas en un OLTP y necesita información resumida por año y por
    semestre del total de ventas, la cantidad de productos vendidos, por
    regiones y clientes que compraron.

    REGION CLIENTES
    Id_Region
    Nombre
    VENTAS
    Id_Cliente
    Nombre Id_Venta
    Id_Region Id_Cliente
    Fecha
    Total DETALLE
    VENTAS
    PRODUCTOS
    Id_Venta
    Id_Producto
    Id_Producto
    Cantidad
    Nombre

    Relacional
    •

    Modelo
    total de ventas
    • cantidad de productos vendidos
    • por regiones y clientes
    • por año y semestre
    REGION
    Id_Region
    Nombre
    CLIENTES DIMENSION
    Id_Cliente
    Nombre
    Id_Region
    VENTAS TABLA DE HECHOS
    Id_Venta
    Id_Cliente
    Fecha
    Total

    PRODUCTOS

    Id_Producto
    Nombre DETALLE DIMENSION
    VENTAS DIMENSION

    Id_Venta
    Id_Producto
    Cantidad

    Multidimensional
    Modelado
    • HECHOS
    • MÉTRICAS
    • DIMENSIONES
    • ATRIBUTOS DE LA DIMENSION
    • CLAVES
    • MIEMBROS DE LA DIMENSION
    • JERARQUIAS

    • MODELADO ESTRELLA, COPO DE NIEVE, MIXTO,


    CONSTELACION

    Multidimensional
    Modelado
    En el modelo multidimensional se utiliza un esquema
    multidimensional en el que se representa una
    actividad que es objeto de análisis (hecho) y las dimensiones que
    caracterizan la actividad (dimensiones).

    La información relevante sobre el hecho (actividad) se representa


    por un conjunto de indicadores (medidas
    o atributos de hecho)

    La información descriptiva de cada dimensión se representa por un


    conjunto de atributos (atributos de
    dimensión).

    Multidimensional
    Modelado
    El diseño lógico de un almacén de datos se basa en la determinación de las
    dimensiones y medidas; las cuales, desde el punto de vista lógico, pueden
    organizarse o estructurarse de alguna de las siguientes formas:

    • Esquema en estrella (star): Una tabla de hechos en el centro conectada con un


    conjunto de tablas de dimensiones.

    • Esquema copo de nieve (snowflake): Un refinamiento del anterior donde


    algunas tablas se normalizan en tablas más pequeñas.

    • Constelación de hechos: Múltiples tablas de hechos comparten tablas de


    dimensión que se visualizan como una colección de hechos.

    Multidimensional
    Modelado
    - Estrella

    - Copo de nieve

    - Constelación

    Tipos de esquemas
    Modelado

    Multidimensional
    Modelado

    Multidimensional
    Modelado

    Multidimensional
    Modelado
    Paso 1. Elegir un “proceso” de la organización para modelar.

    Paso 2. Decidir la granularidad (nivel de detalle) de representación.

    Paso 3. Identificar las dimensiones que caracterizan el proceso.

    Paso 4. Decidir la información a almacenar sobre el proceso.

    Multidimensional
    MM

    Jerarquías
    MM
    Uno de los componentes más importantes de la arquitectura de un
    Data Warehouse son los metadatos. Se
    definen comúnmente como "datos acerca de los datos" en el
    sentido de que se trata de datos que describen
    cuál es la estructura de los datos que se van a almacenar y cómo se
    relacionan.

    • Tablas
    • Columnas de tablas
    • Relaciones entre tablas
    • Jerarquías y dimensiones de datos
    • Entidades y relaciones

    Metadatos
    MM
    Herramientas para mejorar la performance:

    • Indexación
    • Tablas de agregación (precálculos en tablas)
    • Minidimensiones (sólo algunos atributos)

    • Particionamiento (Partir los datos)


    Luego para unir: Aplicación, sistema.

    Performance
    MM
    Pequeños cambios en los sistemas OLTP se administran con
    soluciones:

    - Tipo 1: Cambiar los valores en la columna de la dimensión pero


    pierdo el histórico.
    - Tipo 2: Crear un dimensión duplicada con valores actualizados
    - Tipo 3: Agregar un nuevo campo con el valor actualizado

    Slowly changing Dimension


    Modelado
    DESAFIO: Una universidad tiene datos históricos del desempeño de los
    alumnos almacenados en un OLTP y necesita información resumida por año
    y por cuatrimestre del promedio de notas de los exámenes, la cantidad de
    alumnos que rindieron, por materias de las carreras.

    CARRERAS ALUMNOS
    Id_Carrera
    Nombre MATERIAS Id_Alumno
    Nombre
    Id_Materia Apellido
    Nombre
    Fecha examen
    Id_carrera

    PROFESOR
    EXAMENES
    Id_Profesor
    Nombre Id_Materia
    Apellido Id_Alumno

    Ejercicio
    Nota
    Acta_Nro
    Id_Profesor
    OLAP
    Las 18 Características de OLAP (Reglas de Codd Ampliadas)
    F1: Vista conceptual multidimensional
    F2: Manipulación intuitiva de los datos
    F3: Accesibilidad
    F4: Extracción en lote versus interpretativa
    F5: Modelo de análisis de OLAP
    F6: Arquitectura cliente/servidor
    F7: Transparencia
    F8: Soporte multiusuario
    F9: Tratamiento de datos no-normalizados
    F10: Almacenamiento de los resultados OLAP manteniéndolos separados de los datos
    originales
    F11: Extracción de los valores omitidos
    F12: Tratamiento de los valores omitidos
    F13: Flexibilidad de reportes
    F14: Desempeño uniforme de reportes
    F15: Ajuste automático del nivel físico
    F16: Dimensionalidad genérica
    F17: Niveles ilimitados de dimensiones y agregaciones
    F18: Operaciones a través de dimensiones sin restricciones

    También podría gustarte