Was würde geschehen, wenn Unternehmen all ihre Daten zur Unterstützung von Entscheidungsprozessen verarbeiten würden? Was wäre, wenn sie spezialisierte Software für die Datenpräsentation und -analyse einsetzen würden? Wir werden einige Beispiele für Data Warehouses vorstellen , um diese Fragen zu beantworten.
Data Warehouse-Beispiele
An erster Stelle ist es wichtig, zwischen zwei Begriffen zu unterscheiden, die uns aufgrund ihrer Abkürzung leicht verwirren können, und der Benutzer soll von Anfang an wissen, was ihn erwartet und einige grundlegende Konzepte kennen, die er verfolgt zu Gesicht. Hier werden wir unendlich viele Beispiele zeigen, die dazu dienen, dass der Einzelne die Werkzeuge hat, um diese Elemente zu unterscheiden.
Definition
Angesichts des Unterschieds zwischen den beiden Begriffen werden wir sie formal definieren, da es sich um einen Prozess handelt, der die internen und externen Daten einer Organisation extrahiert, transformiert, konsolidiert und integriert, um sie zugänglich und für Entscheidungen nützlich zu machen -machen.
Ebenso kann das Data Warehouse auch als Basis mit elektronischen Dateisysteminformationen definiert werden, die die für die Informationsanalyse und Entscheidungsfindung notwendigen Daten speichert. Der Unterschied besteht darin, dass es geschäftsorientiert, integriert, zeitvariabel und nichtflüchtig ist.
Grundsätzlich ist Data Warehousing (DWH) ein Prozess und Data Warehouse (DW) eine Datenbank.
Beschreibung
Es gibt mehrere Aspekte, die das Data Warehouse charakterisieren, das die notwendigen Werkzeuge für seinen optimalen Einsatz bereitstellt und somit den programmierten Richtlinien entspricht, die die Werkzeuge für seinen Einsatz bestmöglich generieren. Wir werden die Eigenschaften eines Data Warehouse detailliert beschreiben:
Geschäftsorientiert
Nur relevante Daten werden zur Analyse und Entscheidungsfindung in das Data Warehouse eingegeben. Das heißt, Daten ohne analytischen Wert, wie z. B. Zimmeradressen, Postleitzahlen, E-Mail-Adressen, werden nicht berücksichtigt. Sie sind jedoch von unterschiedlichem Interesse wie Art des Kunden, geografischer Standort, Alter usw.
Entitäten auf hoher Ebene werden verwaltet, z. B. Kunden, Produkte, Artikel, Bereiche und andere. Die Daten werden mehrdimensional gespeichert, d. h. in Form von Fakten- und Dimensionstabellen.
Integrada
Alle Daten aus heterogenen Quellen werden konsolidiert, um deren Qualität und Sauberkeit zu gewährleisten. Die wichtigsten Datenquellen sind:
Je nach Benutzertyp.
-
- Operational: Daily produziert große Datenmengen, die für sich genommen jedoch für die erforderliche Analyse wenig relevant sind. Zum Beispiel Produktverkäufe.
- Mittel: Generiert kurz- und mittelfristige Daten auf Basis operativer Daten. Ein gutes Beispiel für dieses Konzept ist die Bestandsgenerierung.
- Managerial: Nutzt Daten, die aus dem Integrations- und Transformationsprozess resultieren. Es generiert wiederum neue Informationen. Es bezieht sich im Wesentlichen auf den Benutzer des Data Warehouse.
Je nach Bereich oder Abteilung der Organisation
-
- Bereiche: Jeder hat klar definierte Verantwortlichkeiten. Sie produzieren ihre eigenen Daten, die mit den anderen Bereichen geteilt werden.
- Unterteilungen: Sie sind in der Regel geografisch. Sie liefern Standortdaten, die zusammen mit den anderen eingebunden werden müssen.
Laut Quelle
-
- Intern: Sie generieren ihre eigenen Daten, die aus den täglichen Aktivitäten des Unternehmens stammen.
- Extern: Sie ergänzen interne Daten, zum Beispiel Volkszählungen und Statistiken.
Zeitliche Variante
Es ermöglicht den Zugriff auf verschiedene Versionen derselben Situation, da in den Data Warehouse-Beispielen aktuelle Daten zusammen mit historischen Daten gespeichert werden.
Nicht flüchtig
Es garantiert die Stabilität der Informationen, da sich die Daten nach der Eingabe nicht ändern. Das heißt, die Daten werden nur dann manipuliert, wenn sie eingegeben und abgerufen werden.
Zusammenfassend sind die Haupteigenschaften des Data Warehouse:
Qualitäten
Verarbeitet umfangreiche Daten, die aus der Ansammlung historischer, aktueller und aggregierter Daten aus verschiedenen Quellen resultieren.
Es legt das gesamte Datenvolumen in einer einzigen zentralen Datenbank ab. Strukturieren Sie die Daten mehrdimensional.
Vorteile
Aufgrund seiner Eigenschaften und Qualitäten bietet das Data Warehouse folgende Vorteile:
- Es reduziert die minimale Zeit, die erforderlich ist, um alle relevanten Daten zu einem bestimmten Thema zu sammeln.
- Bietet Analysetools.
- Viele Berichte und Analysen sind benutzerdefiniert.
- Es ermöglicht den direkten Zugriff, die Analyse und die Überwachung der Indikatoren der Organisation.
- Es hilft, die Faktoren zu identifizieren, die den Betrieb des Unternehmens beeinflussen.
- Es ermöglicht, das zukünftige Verhalten der Institution voranzutreiben und zu bestimmen.
- Benutzer können Daten schnell und einfach abfragen.
Kurz gesagt, das Data Warehouse hilft der Organisation, wesentliche Fragen für die Entscheidungsfindung zu beantworten. Dadurch werden Wettbewerbsvorteile erzielt, die ihre Position auf dem Markt, in dem sie tätig sind, optimieren. Einige dieser Fragen sind:
- Wie ist das Profil der Kunden?
- Wie ist ihr Verhalten?
- Wie hoch ist die Rentabilität des Unternehmens?
- Welches Risiko besteht für die Organisation?
- Welche Dienstleistungen und Produkte nutzen Sie und wie können Sie diese steigern?
Anwendungsbereich
Ein Data Warehouse kann an jede Organisation angepasst werden, unabhängig von ihrer Größe und Komplexität. Dies ist eine Konsequenz der Agenda einer Institution, eines Unternehmens oder einer Organisation, wenn sie sachdienliche Entscheidungen in Bezug auf die von ihnen produzierten Daten trifft.
Anwendungsrisiken
Es erfordert eine große Investition seitens der Organisation. Die Vorteile der Umsetzung werden nicht kurzfristig, sondern mittel- und langfristig gesehen.
Die Manipulation von Daten droht die Manipulation sensibler Daten.
Zu berücksichtigende Aspekte
Wie eingangs erwähnt, sind bei der Anwendung dieser Elemente für den Einsatz eines Servers mehrere Aspekte zu beachten. Unter ihnen können wir die folgenden erwähnen:
Bewerbungskosten
Ein Data Warehouse trägt Bau-, Betriebs- und Supportkosten. Die Baukosten umfassen die Kosten für Humanressourcen, Zeit und Technologie, während die Kosten für Betrieb und Wartung die Kosten für Entwicklung, Wachstum und Änderungen der Datenherkunft berücksichtigen.
Auswirkungen auf Menschen
Der Einsatz eines Data Warehouse weckt immer Erwartungen bei den Benutzern, die sich zwangsläufig neue Fähigkeiten aneignen müssen. Der Erfolg dieser Art von Daten hängt von der aktiven Nutzung und dem Feedback der Nutzer ab.
Auswirkungen auf Geschäfts- und Entscheidungsprozesse
Mit dem Einsatz eines Data Warehouse können gewisse Mängel in Geschäftsprozessen aufgedeckt werden, gleichzeitig steigt aber auch das Vertrauen in die Entscheidungen, die auf der Grundlage der daraus erzielten Ergebnisse getroffen werden.
Architektur
Die allgemeine Architektur eines Beispiel-Data Warehouse ist in der obigen Abbildung dargestellt. Wie zu sehen ist, beinhaltet dieses System eine Reihe von Wechselwirkungen zwischen seinen Komponenten. In diesem Zusammenhang und zusammenfassend lässt sich die Funktionsweise wie folgt beschreiben:
- Die Daten stammen aus verschiedenen Quellen, wie Webservices, Dateien und anderen Datenbanken, sowohl intern als auch extern.
- Sobald die Daten extrahiert wurden, werden sie integriert, transformiert und bereinigt, um später in das Data Warehouse geladen zu werden.
- Um taktische und strategische Informationen zu generieren, werden aus dem Laden der Daten Berichte und Analysen gewonnen.
- Schließlich können die Benutzer die erstellten Berichte und Analysen einsehen und untersuchen.
Elemente
Wir werden nun einige der Elemente beschreiben, die im Data Warehouse ausgewertet werden können und die berücksichtigt werden sollten.
Data Warehouse-Quellen
Im Allgemeinen sind sie das Ergebnis der täglichen Tätigkeit des Unternehmens und werden in diesem Fall als interne Quellen bezeichnet. Wenn Daten beispielsweise von Webservern bezogen werden, gelten diese als externe Quellen. Sie unterscheiden sich voneinander, weil sie von ihrer Herkunft, ihrem Format, ihrer Funktion usw.
Extraktion, Transformation und Laden
Der als ETL bezeichnete Prozess umfasst alle Aufgaben, die vom Abrufen der Daten bis zum Laden in das Data Warehouse ausgeführt werden. Diese sind: Extraktion, Manipulation, Kontrolle, Integration, Datenbereinigung, Laden und Aktualisieren.
Extraktion
Es umfasst Techniken, die darauf abzielen, aus verschiedenen Quellen nur die relevanten Daten zu erhalten und diese im internen Speicher zu speichern. Diese Art der Speicherung ermöglicht es, Daten zu manipulieren, ohne die Quellen oder das Data Warehouse mit mehr Daten zu verändern, eine Extraktionsschicht zwischen Lesen und Laden zu schaffen, die dabei erzeugten Metadaten zu speichern und zu verwalten und die Integration zu erleichtern.
Die Extraktion orientiert sich an den Bedürfnissen der Nutzer und den an die Lösung definierten Anforderungen.
Transformation
Dies sind die Techniken, die dafür verantwortlich sind, die verschiedenen Formate kompatibel zu machen sowie die Daten zu filtern und zu klassifizieren und die Quellen zu verknüpfen.
Diese Funktion ist dafür verantwortlich, alle geeigneten Befehle in Bezug auf die Daten anzuwenden, um sie auf eine starke und vernünftige Weise zu fördern, die mit dem Data Warehouse kompatibel und konsistent ist. Darüber hinaus ist es für die Sauberkeit und Qualität der Daten verantwortlich.
Laden
Bezüglich der Techniken des erstmaligen Ladens der Daten und der periodischen Aktualisierung des Data Warehouse.
- Das anfängliche Laden bezieht sich auf das erste Laden von Daten, das das Data Warehouse empfängt. Im Allgemeinen ist dies aufgrund der großen Anzahl von Datensätzen, die zu langen Zeiträumen gehören, sehr zeitaufwändig.
- Periodische Aktualisierung bezieht sich auf das Einfügen kleiner Datenmengen. Ihr Ziel ist es, den Data Warehouse-Beispielen nur die Daten hinzuzufügen, die aus der letzten Aktualisierung generiert wurden. Es hängt von den Bedürfnissen und Anforderungen des Benutzers ab.
Kurz gesagt, durch den Prozess des Datenladens wird die Wartung des Data Warehouse gewährleistet.
Zusammenfassend lässt sich sagen, dass der ETL-Prozess wie folgt abläuft:
- Die aus den relevanten Quellen extrahierten Daten werden im internen Speicher abgelegt.
- Während die Daten im internen Speicher gehalten werden, werden sie integriert und transformiert.
- Wenn die Daten bereinigt sind, werden sie nach dem vorherigen Schritt an das Data Warehouse übergeben.
Berichte
Die Berichte sind grafische Werkzeuge, die es dem Benutzer ermöglichen, detaillierte Berichte über die Informationen Ihres Unternehmens zu erhalten. Die Interaktion mit diesen Berichten ist für den Benutzer recht einfach, da es sich um leicht verständliche Anweisungen handelt. Grundsätzlich müssen Sie Optionen aus einem Menü auswählen, die sich auf die Bedingungen und Spezifikationen des präsentierten Themas beziehen.
OLAP
Es ist die leistungsstärkste Komponente des Data Warehouse, da es die spezialisierte multidimensionale Abfrage-Engine des Systems enthält.
Es ermöglicht die Analyse der Organisation aus verschiedenen historischen Szenarien. Es projiziert sein Verhalten und seine Entwicklung aus einer mehrdimensionalen Vision, dh durch die Kombination verschiedener Perspektiven, Interessensthemen oder Dimensionen. So lassen sich Trends ableiten, indem auf den ersten Blick schwer zu erkennende Perspektivenbeziehungen entdeckt werden.
Data Mining
Es ist in erster Linie ein statistisches Werkzeug, mit dem Vorhersagen gemacht werden können. Es geht darum, Verhaltensweisen abzuleiten, ohne dass es vorher festgelegte Regeln gibt. Es generiert Berichte unter anderem in Form von Tabellen und Grafiken, die die Entscheidungsfindung proaktiv fördern. Es funktioniert auf Basis bereits vollständig verarbeiteter Informationen.
Unterschied zwischen OLAP und Data Mining
Nachdem die Hauptaspekte von OLAP und Data Minig betrachtet wurden, kann ein grundlegender Unterschied zwischen ihnen festgestellt werden.
- Mittels OLAP wird die aktuelle Situation des Unternehmens interpretiert und gibt schnelle Antworten, die die Entscheidungsfindung erleichtern.
- Der Data Minig prognostiziert Situationen, basierend auf der Untersuchung von verborgenem Wissen, die bestimmte Verhaltensweisen provozieren.
Folglich befassen sich beide Systeme mit der Lösung unterschiedlicher Arten von analytischen Situationen.
Data Minig und seine Beziehung zu Data Warehouse
Ein Data-Minig-System ist eine unterstützende Technologie für den Endbenutzer, deren Ziel es ist, nützliche Informationen aus den Informationen in der Datenbank der Unternehmen zu extrahieren. Mit anderen Worten, der Ursprung der von den Data Minig-Algorithmen verwendeten Informationen sind normalerweise historische Daten, die in einem Data Warehouse enthalten sind.
Es muss eine Integration zwischen Data-Minig-Techniken und den im Data Warehouse beteiligten Prozessen gegeben sein. Das heißt, um die Geschäftsanalyse durchführen zu können, muss eine Übereinstimmung zwischen dem Data Minig, dem Data Warehouse und dem OLAP-Server bestehen.
Jedes Mal, wenn Data Warehouse neue Ergebnisse liefert, kann das Unternehmen Data Minig erneut anwenden, um die Entscheidungsfindung zu optimieren.
Kurz gesagt, Data Minig und Data Warehouse sind vollständig kompatible Tools. Das Data Warehouse bietet Speicher und die Data Minig-Intelligenz.
Herkömmliche Datenbanken vs. Data Warehouse
Die Analyse der bisher aufgedeckten Aspekte führt uns zu dem Verständnis, dass sich ein Data Warehouse von den Datenbanken unterscheidet, die die täglichen Transaktionen von Organisationen unterstützen. Hier die grundlegenden Unterschiede
- In traditionellen Datenbanken sind die Informationen so organisiert, dass sie leicht abgerufen und aktualisiert werden können. Ein Data Warehouse ist organisiert und ausgerichtet auf den Endbenutzer, der nur Anfragen stellen kann.
- Transaktionale Datenbanken übernehmen die tägliche Verarbeitung der Daten. Das Data Warehouse arbeitet mit historischen Daten, also entsprechend langen Zeiträumen.
- Auf traditionelle Datenbanken wird während eines Arbeitstages mehrmals zugegriffen. In einem Data Warehouse sind die Messwerte und Abfragen minimal, da sporadisch darauf zugegriffen wird.
- Das Datenvolumen, das ein Data Warehouse verwaltet, ist viel größer als das, das in herkömmlichen Datenbanken verwaltet wird.
- Die Struktur der Transaktionsbasen ist stabil. Die Struktur eines Data Warehouse variiert entsprechend seiner eigenen Entwicklung und Nutzung.
Als Nächstes werden wir einige Beispiele für Data Warehouses vorstellen.
Data Warehouse-Beispiele
Ein bundesweit tätiges Unternehmen, das sich dem Vertrieb von Reinigungsmitteln im Groß- und Einzelhandel verschrieben hat und aufgrund seines Umsatzvolumens auch als mittelständisch gilt, hat das Hauptziel der Gewinnmaximierung. Um mehr Kunden zu gewinnen, möchten Sie in ähnlicher Weise auf ein neues Marktniveau expandieren und später Ihre Produktpalette erweitern. Eine seiner Hauptgrundsätze besteht darin, sich kontinuierlich zu verbessern, um eine bessere Position gegenüber seinen Mitbewerbern der Data Warehouse-Beispiele zu erzielen.
Die Anwendung eines Data Warehouse bietet der Organisation die folgenden Vorteile.
- Es ermöglicht den Benutzern, einen Überblick über das Geschäft zu erhalten.
- Wandeln Sie Betriebsdaten in analytische Informationen um, die sich auf die Entscheidungsfindung konzentrieren.
- Erstellen Sie dynamische Berichte, die Ihre Analyse erleichtern.
- Es erleichtert die Bildung von Strategien zur Erfüllung der Ziele der Organisation.
- Dies kommt der Stabilität der Unternehmensstruktur zugute.
Ein weiteres Beispiel für ein tägliches Data Warehouse ist das Management einer Bildungseinrichtung, die Defizite in der Kommunikation mit ihren Studierenden aufweist. Ebenso fehlt ein einheitliches Informationszentrum, das alle Informationen enthält. Ziel der Einrichtung ist es, Studierende während ihrer Karriere und nach ihrem Abschluss zu begleiten, neue Vorschläge anzubieten, die die Leistung der Organisation und die Entwicklung der Studierenden verbessern.
Mit dem Einsatz eines Data Warehouse wollen wir auf die Bedürfnisse der Hochschule eingehen. Grundsätzlich werden die doppelte Information und das Vorhandensein falscher Angaben über die Schüler sowie alle Informationen, die im Allgemeinen als minderwertig und nicht relevant angesehen werden, eliminiert. Darüber hinaus werden alle Informationen integriert und bilden eine einheitliche Liste der Studierenden, die als Grundlage für die ordnungsgemäße Entwicklung des Projekts der Institution dient.
Schließlich werden Marketingaktivitäten gefördert, die der Universität einen größeren Nutzen verschaffen und ihr Wachstum durch das richtige Management von Informationen unterstützen.
Zusammenfassend bieten Beispiele für Data Warehouses die Möglichkeit zu verstehen, was in der Organisation geschieht, was geschehen ist, was geschehen könnte und warum. Sie können den Artikel über Arten von Computerviren einsehen.