Bagaimana jika organisasi memproses semua data mereka menjadi sokongan keputusan? Apa yang akan berlaku sekiranya mereka menggunakan perisian khusus yang berfungsi untuk penyampaian maklumat dan analisis yang sama? Kami akan memberikan sebilangan Contoh Gudang Data untuk menjawab soalan-soalan ini.
Contoh Gudang Data
Pertama, adalah penting untuk membezakan antara dua istilah yang, kerana singkatannya, dapat dengan mudah mengelirukan kita, dan dari awal tujuannya adalah agar pengguna mengetahui apa yang diharapkan dan mengetahui beberapa konsep asas yang akan mereka jalani untuk menghadapi. Di sini kita akan menunjukkan contoh yang tidak terbatas yang berfungsi sehingga individu mempunyai alat untuk membezakan unsur-unsur ini.
Definisi
Memandangkan perbezaan antara kedua istilah tersebut, kami akan terus menentukannya secara formal, kerana ini adalah proses yang mengekstrak, mengubah, menggabungkan dan mengintegrasikan data organisasi, dalaman dan luaran, agar dapat diakses dan berguna dalam keputusan -membuat.
Dengan cara yang sama, gudang Data juga dapat didefinisikan sebagai pangkalan dengan maklumat sistem fail elektronik, yang menyimpan data yang diperlukan untuk analisis informasi dan membuat keputusan. Perbezaannya terletak pada kenyataan bahawa ia berorientasikan perniagaan, bersepadu, berbeza-beza waktu dan tidak mudah berubah.
Pada dasarnya, Data Warehousing (DWH) adalah proses dan Data Warehouse (DW) adalah pangkalan data.
ciri
Terdapat beberapa aspek yang menjadi ciri gudang Data yang menyediakan alat yang diperlukan untuk penggunaannya yang optimum, sehingga mematuhi panduan yang diprogramkan yang menghasilkan alat untuk penggunaannya dengan cara yang terbaik. Kami akan memperincikan ciri-ciri Gudang Data:
Berorientasikan perniagaan
Hanya data yang relevan dimasukkan ke dalam Gudang Data untuk analisis dan membuat keputusan. Maksudnya, data yang tidak memiliki nilai analitik, seperti alamat ruangan, kode pos, alamat e-mel, antara lain, tidak dipertimbangkan. Tetapi mereka mempunyai minat yang berubah-ubah seperti jenis pelanggan, lokasi geografi, umur, dll.
Entiti peringkat tinggi diuruskan, seperti pelanggan, produk, item, kawasan, dan lain-lain. Data disimpan dengan cara multidimensi, iaitu sebenarnya dan jadual dimensi.
Integrada
Semua data dari sumber heterogen digabungkan untuk menjamin kualiti dan kebersihannya. Sumber data utama adalah:
Mengikut jenis pengguna.
-
- Operasional: Setiap hari menghasilkan sejumlah besar data, tetapi dengan sendirinya data tersebut tidak berkaitan dengan analisis yang diperlukan. Contohnya, penjualan produk.
- Medium: Menghasilkan data dengan implikasi dalam jangka pendek dan sederhana, berdasarkan data operasi. Contoh yang baik dari konsep ini adalah penjanaan inventori.
- Pengurus: Menggunakan data yang dihasilkan dari proses integrasi dan transformasi. Sebaliknya, ia menghasilkan maklumat baru. Pada dasarnya merujuk kepada pengguna Data Warehouse.
Mengikut kawasan atau jabatan organisasi
-
- Kawasan: Masing-masing mempunyai tanggungjawab yang ditentukan dengan baik. Mereka menghasilkan data mereka sendiri yang dikongsi dengan kawasan lain.
- Subbahagian: Mereka biasanya bersifat geografi. Mereka menyediakan data lokasi, yang mesti digabungkan bersama dengan yang lain.
Menurut sumbernya
-
- Dalaman: Mereka menghasilkan data mereka sendiri, berasal dari aktiviti harian syarikat.
- Luaran: Mereka melengkapkan data dalaman, seperti banci dan statistik.
Bervariasi mengikut masa
Ini membolehkan akses ke versi yang berbeza dari situasi yang sama, kerana data semasa disimpan bersama dengan data sejarah, dalam contoh gudang data.
Tidak meruap
Ini menjamin kestabilan maklumat, kerana setelah data masuk, data tidak akan berubah. Artinya, data dimanipulasi hanya ketika dimasukkan dan ketika dikonsultasikan.
Ringkasnya, kualiti utama Data Warehouse adalah:
Kualiti
Ini menangani data dalam jumlah, akibat dari pengumpulan data sejarah, terkini dan agregat, dari berbagai sumber.
Ia meletakkan keseluruhan data dalam satu pangkalan data terpusat. Susun data dengan cara pelbagai dimensi.
faedah
Oleh kerana ciri dan kualiti, Data Warehouse memberikan faedah berikut:
- Ini mengurangkan masa minimum yang diperlukan untuk mengumpulkan semua data yang relevan pada topik tertentu.
- Menyediakan alat analisis.
- Banyak laporan dan analisis ditentukan oleh pengguna.
- Ia membolehkan anda mengakses, menganalisis dan memantau petunjuk organisasi secara langsung.
- Ia membantu mengenal pasti faktor-faktor yang mempengaruhi operasi syarikat.
- Ini memungkinkan untuk maju dan menentukan tingkah laku institusi masa depan.
- Pengguna dapat membuat pertanyaan data dengan cepat dan mudah.
Ringkasnya, Data Warehouse membantu organisasi menjawab soalan penting untuk membuat keputusan. Ini mencapai faedah kompetitif yang mengoptimumkan kedudukan mereka di pasaran di mana mereka beroperasi. Sebahagian daripada soalan ini adalah:
- Apakah profil pelanggan?
- Bagaimana tingkah laku mereka?
- Apakah keuntungan perniagaan?
- Apakah risiko kepada organisasi?
- Perkhidmatan dan produk apa yang anda gunakan dan bagaimana anda boleh meningkatkannya?
Kawasan permohonan
Gudang Data dapat disesuaikan dengan organisasi mana pun, tanpa mengira ukuran dan kerumitannya. Ini adalah akibat agenda setiap institusi, syarikat atau organisasi ketika membuat keputusan yang relevan mengenai data yang dihasilkannya.
Risiko permohonan
Ia memerlukan pelaburan yang besar di pihak organisasi. Manfaat pelaksanaannya tidak dilihat dalam jangka pendek, tetapi dalam jangka masa sederhana dan panjang.
Manipulasi data mengancam manipulasi data sensitif.
Aspek yang perlu diambil kira
Seperti yang disebutkan di awal, ada beberapa aspek yang harus dipertimbangkan untuk penerapan elemen-elemen ini untuk penggunaan pelayan. Antaranya kita boleh menyebutkan perkara berikut:
Kos permohonan
Gudang data menanggung kos pembinaan, operasi dan sokongan. Kos pembinaan menyiratkan kos sumber daya manusia, masa dan teknologi, sementara operasi dan penyelenggaraan, mempertimbangkan kos evolusi, pertumbuhan dan yang dihasilkan oleh perubahan asal data.
Kesan kepada orang
Aplikasi Gudang Data selalu menghasilkan harapan pada pengguna, yang semestinya harus memperoleh kemahiran baru. Kejayaan jenis data ini bergantung pada penggunaan aktif dan maklum balas dari pengguna.
Kesan ke atas perniagaan dan proses membuat keputusan
Dengan penerapan Data Warehouse, kekurangan tertentu dalam proses perniagaan dapat terungkap, tetapi pada saat yang sama keyakinan terhadap keputusan yang diambil berdasarkan hasil yang diperoleh olehnya meningkat.
Senibina
Senibina umum data Gudang contoh ditunjukkan dalam gambar di atas. Seperti yang dapat dilihat, sistem ini melibatkan rangkaian interaksi antara komponennya. Dalam hal ini dan sebagai ringkasan, operasinya dapat dijelaskan sebagai berikut:
- Data diambil dari pelbagai sumber, seperti perkhidmatan web, fail dan pangkalan data lain, dalaman dan luaran.
- Setelah data diekstrak, data diintegrasikan, diubah dan dibersihkan, kemudian dimuat ke dalam Data Warehouse.
- Untuk menghasilkan maklumat taktik dan strategik, laporan dan analisis diperoleh dari pemuatan data.
- Akhirnya, pengguna dapat berunding dan meneroka laporan dan analisis yang dihasilkan.
unsur-unsur
Kami sekarang akan menerangkan beberapa elemen yang dapat dinilai di Data Warehouse yang harus dipertimbangkan.
Sumber Gudang Data
Secara amnya, ini adalah hasil aktiviti harian syarikat, dalam hal ini disebut sumber dalaman. Apabila data diambil dari, misalnya, pelayan web, ini dianggap sebagai sumber luaran. Mereka berbeza antara satu sama lain, kerana bergantung pada asal usul, format, fungsi, dll.
Pengekstrakan, transformasi dan pemuatan
Dikenal sebagai ETL, ini adalah proses yang merangkumi semua tugas yang dilakukan mulai saat data diperoleh hingga dimuat ke dalam Warehouse Data. Ini adalah: pengekstrakan, manipulasi, kawalan, integrasi, pembersihan data, memuat dan mengemas kini.
Pengekstrakan
Ini merangkumi teknik yang difokuskan untuk memperoleh, dari pelbagai sumber, hanya data yang relevan dan menyimpannya dalam simpanan dalaman. Jenis penyimpanan ini membolehkan data dimanipulasi tanpa campur tangan atau mengubah sumber atau Data Warehouse dengan lebih banyak data, mewujudkan lapisan pengekstrakan antara membaca dan memuat, menyimpan dan menguruskan metadata yang dihasilkan dalam proses dan memudahkan integrasi.
Pengekstrakan berdasarkan keperluan pengguna dan keperluan yang ditentukan untuk penyelesaiannya.
Transformasi
Ini adalah teknik yang bertugas membuat format yang berbeza serasi, serta menyaring dan mengklasifikasikan data, dan sumber yang berkaitan.
Fungsi ini bertanggungjawab untuk menerapkan semua perintah yang sesuai dengan data, untuk mempromosikannya dengan cara yang kuat dan masuk akal yang sesuai dan selaras dengan Data Warehouse. Di samping itu, ia bertanggungjawab untuk kebersihan dan kualiti data.
Carga
Mengenai teknik pemuatan awal data dan pengemaskinian berkala dari Gudang Data.
- Beban awal merujuk kepada muatan pertama data yang diterima oleh Data Warehouse. Secara amnya, ia sangat memakan masa kerana sebilangan besar rekod milik jangka masa yang panjang.
- Pengemaskinian berkala merujuk kepada penyisipan sejumlah kecil data. Matlamat anda adalah untuk menambah sampel gudang data hanya data yang dihasilkan dari kemas kini terakhir. Itu bergantung pada keperluan dan kehendak pengguna.
Pendek kata, melalui proses pemuatan data, penyelenggaraan Data Warehouse terjamin.
Sebagai ringkasan, dapat dikatakan bahawa proses ETL dilakukan seperti berikut:
- Data, setelah diambil dari sumber yang relevan, disimpan dalam simpanan dalaman.
- Walaupun data disimpan dalam simpanan dalaman, data diintegrasikan dan diubah.
- Apabila data dibersihkan, setelah langkah sebelumnya, data diserahkan ke Data Warehouse.
Laporan
Laporan adalah alat grafik yang membolehkan pengguna memperoleh laporan terperinci mengenai maklumat syarikat anda. Cara berinteraksi dengan laporan ini cukup mudah bagi pengguna, kerana arahannya mudah diikuti. Pada dasarnya, anda mesti memilih pilihan dari menu, merujuk kepada syarat dan spesifikasi subjek yang dibentangkan.
OLAP
Ini adalah komponen yang paling kuat dari Data Warehouse, kerana ia mengandungi enjin pertanyaan multidimensi khusus sistem.
Ini memungkinkan analisis organisasi dari senario sejarah yang berbeza. Ini memproyeksikan tingkah laku dan evolusi dari visi multidimensi, iaitu dengan menggabungkan perspektif, topik minat atau dimensi yang berbeza. Ini membolehkan tren disimpulkan dengan mencari hubungan antara perspektif yang sukar dicari pada pandangan pertama.
Perlombongan Data
Ini terutamanya alat statistik, di mana ramalan dapat dibuat. Ini mengenai menyimpulkan tingkah laku, tanpa ada peraturan yang telah ditetapkan. Ini menghasilkan laporan dalam bentuk jadual dan grafik, antara lain, yang mempromosikan pengambilan keputusan dengan cara yang proaktif. Ia berfungsi berdasarkan maklumat yang telah diproses sepenuhnya.
Perbezaan antara OLAP dan Perlombongan Data
Setelah aspek utama OLAP dan Minig Data dipertimbangkan, perbezaan asas antara mereka dapat dibentuk.
- Dengan menggunakan OLAP, situasi semasa syarikat ditafsirkan, memberikan jawapan cepat yang memudahkan pengambilan keputusan.
- Data Minig meramalkan situasi, berdasarkan kajian pengetahuan tersembunyi yang memprovokasi jenis tingkah laku tertentu.
Akibatnya, kedua-dua sistem ini berupaya menyelesaikan pelbagai jenis situasi analitik.
Data Minig dan hubungannya dengan Data Warehouse
Sistem Data Minig adalah teknologi sokongan untuk pengguna akhir, yang objektifnya adalah untuk mengekstrak maklumat berguna dari maklumat yang terdapat dalam pangkalan data syarikat. Dengan kata lain, asal maklumat yang digunakan oleh algoritma Data Minig biasanya merupakan data sejarah yang terdapat dalam Gudang Data.
Harus ada integrasi antara teknik Data Minig dan proses yang terlibat dalam Data Warehouse. Dengan kata lain, untuk menjalankan analisis perniagaan, mesti ada persetujuan antara Data Minig, Data Warehouse dan server OLAP.
Setiap kali Data Warehouse memberikan hasil baru, syarikat dapat menggunakan kembali Data Minig untuk mengoptimumkan pengambilan keputusan.
Ringkasnya, Minig Data dan Gudang Data adalah alat yang serasi sepenuhnya. Data Warehouse memberikan memori, dan kecerdasan Data Minig.
Pangkalan data tradisional vs Data Warehouse
Analisis aspek-aspek yang dinyatakan sejauh ini, membawa kita untuk memahami bahawa Gudang Data berbeza dengan pangkalan data yang menyokong transaksi harian organisasi. Inilah perbezaan asasnya
- Dalam pangkalan data tradisional maklumat disusun supaya dapat diambil dan dikemas kini dengan mudah. Data Warehouse diatur dan berorientasi kepada pengguna akhir, yang hanya dapat membuat pertanyaan.
- Pangkalan data transaksi menguruskan pemprosesan data dari hari ke hari. Data Warehouse berfungsi dengan data sejarah, iaitu, sesuai dengan jangka masa yang panjang.
- Pangkalan data tradisional diakses beberapa kali pada hari bekerja. Di Gudang Data, bacaan dan pertanyaan adalah minimum, kerana diakses secara sporadis.
- Jumlah data yang dikendalikan oleh Warehouse Data jauh lebih besar daripada yang dikendalikan dalam pangkalan data tradisional.
- Struktur asas urus niaga stabil. Struktur Gudang Data berbeza mengikut evolusi dan penggunaannya sendiri.
Seterusnya, kami akan menetapkan beberapa Contoh Gudang Data.
Contoh Gudang Data
Sebuah syarikat di seluruh negara, yang didedikasikan untuk penjualan bekalan pembersihan di peringkat borong dan runcit, juga dianggap bersaiz sederhana kerana jumlah penjualannya, mempunyai tujuan utama untuk memaksimumkan keuntungannya. Begitu juga, untuk mendapatkan lebih banyak pelanggan, anda ingin mengembangkan ke tahap baru pasaran dan, kemudian, mengembangkan rangkaian produk anda. Salah satu dasar utamanya adalah untuk terus meningkat untuk mendapatkan kedudukan yang lebih baik sehubungan dengan pesaingnya dalam sampel data gudang.
Aplikasi Gudang Data menawarkan faedah berikut kepada organisasi.
- Ini membolehkan pengguna mempunyai gambaran keseluruhan perniagaan.
- Ubah data operasi menjadi maklumat analitik, tertumpu pada pembuatan keputusan.
- Hasilkan laporan dinamik yang memudahkan analisis anda.
- Ini memudahkan pembentukan strategi untuk memenuhi tujuan organisasi.
- Ia menguntungkan kestabilan struktur syarikat.
Contoh lain dari gudang data sehari-hari merujuk kepada pengurusan institusi pendidikan, yang mempunyai kekurangan dari segi komunikasi dengan pelajarnya. Begitu juga, ia tidak mempunyai pusat maklumat bersatu yang mempunyai semua maklumat mereka. Objektif institusi ini adalah untuk menemani pelajar semasa kerjaya dan selepas tamat pengajian, untuk menawarkan cadangan baru yang meningkatkan prestasi organisasi dan perkembangan pelajar.
Dengan penerapan Data Warehouse kami berusaha untuk memenuhi keperluan universiti. Pada prinsipnya, menghilangkan pertindihan maklumat dan adanya perincian yang salah mengenai pelajar, serta semua maklumat yang, secara amnya, dianggap berkualiti rendah dan tidak relevan. Di samping itu, semua maklumat disatukan, membentuk satu catatan pelajar yang terpadu yang menjadi asas untuk pembangunan projek institusi yang betul.
Akhirnya, aktiviti pemasaran dipromosikan, memberi universiti keuntungan yang lebih besar dan membantu pertumbuhannya melalui pengurusan maklumat yang betul.
Kesimpulannya, dalam contoh data gudang memberi peluang untuk mengetahui apa yang berlaku dalam organisasi, apa yang telah berlaku, apa yang boleh berlaku dan mengapa. Anda boleh melihat artikelnya jenis virus komputer.