Inteligencia de Negocios Modelado Multidimensional

Inteligencia de Negocios

Modelado Multidimensional Lógico

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Esquema de la clase

1. Modelado multidimensional lógico – Qué es?

2. Modelo estrella, copo de nieve y mixto

3. Construcción del DW Subjetivo -Estructura del Modelo de datos unificado

4. Medidas – Granularidad 5. Aspectos Avanzados

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Modelo estrella

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Modelo copo de nieve y mixto

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Comparación entre los Modelos Estrella y Copo de Nieve

Cambios en el esquema: facilidad para agregar nuevos atributos o niveles

ETL al DW Subjetivo: sencillez (desarrollo y mantenimiento) y desempeño del proceso

Claridad semántica: facilidad para consultar directamente el DW subjetivo

Procesamiento y carga del cubo (MOLAP): tiempo de Procesamiento y Carga

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Caso Jurassic Park: Área de Ventas - Modelo Conceptual

EMPLEADO ESCUELATIEMPO

RangoCapacitación

Empleado

TipoAño

Escuela

PRODUCTO

Categoría

Trimestre

DISTRIBUCIÓNGEOGRÁFICA

Región

Provincia SubCategoría

CANAL DE PROMOCIÓN

Canal de Promoción

Tabla de Hechos:� Una FK por cada dimensión (último nivel de cada jerarquía) conforman -> PK de la tabla de Hechos� Medidas (campos numéricos)

Monto vendidoCantidad vendida

Promedio vendido x alumnoMonto descontado

Cantidad de reclamos

Mes

Día

Ciudad

Parque

Local

ProductoGrado

Dimensiones:� Una o más tablas por cada dimensión dependiendo del esquema elegido (estrella o copo de nieve)

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

EMPLEADOTIEMPO

Gerencia

Departamento

Estado CivilAño Máx. Nivel de Estudio

Trimestre

DISTRIBUCIÓNGEOGRÁFICA

Región

Provincia

Institución

Caso Jurassic Park: Área de RRHH - Modelo Conceptual

Monto LiquidadoCantidad de Empleados

Mes

Día

Ciudad

Parque

Local

Puesto

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Cómo se unifican los distintos hechos?

Producción Stock Venta EnvíoProducción Stock Venta Envío

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Producción StockStock VentaVenta EnvíoEnvíoTiempoTiempo �� �� �� ��

EmpleadoEmpleado �� �� ��

ClienteCliente

Cómo se unifican los distintos hechos?

ClienteCliente �� ��

ProductoProducto �� �� �� ��

LocalidadLocalidad �� �� ��

PromociónPromoción ��

SucursalSucursal �� ��

Sólo comparten algunas dimensiones…

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Cómo se unifican los distintos hechos? Estructura del modelo de datos

Tabla de hechosTabla de hechosTabla de hechosTabla de hechos

TablaEmpleado

TablaSucursal

Tabla

Tabla de hechosTabla de hechosProducción

Tabla de hechosTabla de hechos

Stock

Tabla de hechosTabla de hechosEnvío

Tabla de hechosTabla de hechosVenta

TablaCliente

TablaTiempo

TablaLocalidad

TablaPromoción

TablaProducto

Nota: Las dimensiones se construyen a partir de una o más tablas dependiendo

del modelo (estrella o copo de nieve)

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Cómo se unifican los distintos hechos?

Donde? Las alternativas dependen de la Herramienta � En el Cubo� En el Cubo� En las Herramientas de Exploración

Microsoft: Perspectivas – Modelo Dimensional Unificado

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Medidas – Granularidad

� Transacción (item)� Transacción (item)� Foto Acumulativa (por ej. Ventas por día)

DW Objetivo / Transaccional

Medidas� Aditivas - Flujo� Semiaditivas - Stock

La elección del nivel de granularidadcondiciona las posibilidades de análisisTrade-off (qué por qué): Poder llegar a algunos datos de la transacción en el análisis vs. Mayor tiempo de procesamiento (MOLAP o ROLAP con agreg.), mayor necesidad de almacenamiento y peor tiempo de respuesta en las consultas.

Foto Acumulativa� Foto Periódica (por ej. Stock por Producto)

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Aspectos avanzadosAspectos avanzados

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Medidas – Agregaciones comunes en Tiempo (sólo Aditivas/Flujo)

Tiempo: Momento de ocurrencia del evento.

• Month-To-Date (MTD) - Acumulado Mensual: Desde comienzo

del mes a la fecha actual.

• Year-to-date (YTD) - Acumulado Anual: Desde comienzo del año

a la fecha actual.

• Rolling 6 - Acumulado de 6 Meses: Desde 6 meses atrás a la fecha

actual.

• Rolling 12 - Acumulado de 12 Meses: Desde 12 meses atrás a la

fecha actual.

Se transforman en medidas semi-aditivas

Otros: Crecimiento sobre Mes Anterior, Crecimiento sobre AñoAnterior, etc.

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Medidas – Agregaciones comunes en Tiempo (sólo Aditivas/Flujo)

Tiempo: Momento de ocurrencia del evento.

Si hoy es 13 de Marzo de 2010:

Altas Día

Altas MTD Altas MTD

Altas YTD

Rolling 6 Altas:Desde 13 de Octubre de 2009

Rolling 12 Altas:Desde 13 de Marzo de 2009

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Medidas Calculadas

Donde ?� En el DW Subjetivo

En el Cubo

Tenemos que tenerlas en cuenta en el modelado lógico

Cálculos entre medidas, agregaciones en tiempo (MTD, YTD), etc.

� En el Cubo� En las Herramientas de Exploración

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Modelo Conceptual

Dimensiones – Una dimensión -> Muchos Hechos(role playing dimensions)

Venta

Tiempo de VentaTiempo de EntregaTiempo de Compra

Modelo Lógico

VentaFecha de Compra (FK)Fecha de Entrega (FK)Fecha de Venta (FK)

Tiempo

Cátedra: Ernesto Chinkes

Inteligencia de Negocios

Dimensiones – Jerarquías Recursivas