Upload
hilario-marca-c
View
186
Download
1
Embed Size (px)
Citation preview
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