Data Warehouse - Progettazione Francesco Pasturenzi [email protected] 1.

Francesco Pasturenzi http://www.pastuweb.com [email protected]

1

Data Warehouse - Progettazione


2

Fattori di rischio

Aspettative elevate degli utenti Gli utenti vogliono che la data warehouse sia progettata in modo che

vengano risolti i problemi aziendali Qualità dei dati e dei processi OLTP di partenza

I dati delle sorgenti sono incompleti o inaffidabili perchè gli applicativi back-end non fanno tutti i controlli necessari. Spesso attributi non valorizzati.

Gestione «politica» del progetto Collaborazioni con i detentori delle informazioni che vogliono partecipare

alle scelte di progettazione e impongono le loro idee con forza Accettazione del sistema da parte degli utenti finali


3

Progettazione

Approccio Top-Down Abbandonato, troppo costoso Tempo di realizzazione lungo Analisi e progettazione complesse Realizzazione di una data warehouse che fornisca una visione globale e

completa dei dati aziendali Approccio Bootm-Up

Realizzazione incrementale, aggiungendo data mart definiti su settori aziendali specifici

Costo e tempo di consegna contenuti Focalizzato separatamente su settori aziendali specifici Una volta progettato un data mart si possono già avviare operazioni ETL e

successivamente di analisi su quello specifico settore


4

Kimball


5

Kimball

Nella progettazione di una Data Warehouse entrano in gioco diversi attori: Hardwerista / sistemista (parte rossa)

Si occupa della scelta dei server, macchine, dischi, selezione del software da usare

Progettazione dell’architettura DBA

Progettazione fisica Alimentazione della DW Creazione di trigger, procedure, job notturni per

aggiornare le viste


6

Kimball

Sviluppatore software Definizione report (BI) Creazione interfacce Sviluppo applicazioni ad hoc e non per gli utenti finali


7

Progettazione di Data Mart


8

Analisi dei requisiti

Analisi dei requisiti Raccoglie le esigenze dei dati che dovranno essere

soddisfatte dal data mart Vincoli realizzativi (hardware e software) Vengono definite le fonti delle informazioni (business

users, amministratori del sistema informativo) Il data mart prescelto è strategico per l’azienda

alimentato da poche sorgenti (db) affidabili. Requisiti applicativi

Descrizione degli eventi di interesse (fatti) Caratterizzati da dimensioni descrittive e misure di interesse Es: reclami, vendite, servizi,…


9

Analisi dei requisiti

Descrizione del carico di lavoro Esame della reportistica aziendale Interrogazioni espresse in linguaggio naturale

Es: numero di reclami per ciascun prodotto nell’ultimo mese Requisiti strutturali

Periodicità dell’alimentazione Spazio disponibile

Per i dati Per strutture accessorie (indici, viste materializzate)

Tipo di architettura Data Mart dipendenti o indipendenti Numero di livelli (1, 2 , 3 visti prima)


10

Progettazione concettuale

Il modello ER non è adatto, troppe tabelle, troppi join per costruire l’informazione.

Usare il DFM (Dimensional Fact Model): Per uno specifico fatto (evento di interesse), definire:

Dimensioni Misure Gerarchie

Offre una documentazione di progetto utile sia per la revisione dei requisiti con gli utenti, sia a posteriori.


11


Fatto: Modella un insieme di eventi di interesse (vendite,

spedizioni, reclami) Evolve nel tempoDimensione: Descrive le coordinate di analisi di un fatto È formata da numerosi attributi, tipicamente di tipo

categorico Es: ogni vendita è descritta dalla data di effettuazione, dal

negozio e dal prodotto venduto.Misura: Proprietà numerica di un fatto, spesso oggetto di

operazioni di aggregazione (ad ogni vendita è associato un incasso)


12


Gerarchia:


13


La gerarchia rappresenta una relazione di generalizzazione tra un sottoinsieme di attributi di una dimensione.

Dalla DFM è possibile generare il diagramma ER:


14


Costrutti avanzati: Gli attributi con il pallino sono utili per raggruppamenti Quelli senza, sono solo descrittivi Quelli «tagliati» sono opzionali


15


Costrutti avanzati: A volte conviene creare una gerarchia condivisa per limitare

la dimensione della DW.

Una telefonata ci sono sempre 2 attori in cui a ruolo si inverte (mittente – destinatario)


16


AggregazioneProcesso di calcolo del valore di misure a granularità meno fine di quella presente nello schema di fatto originale.

La riduzione del livello di dettaglio è ottenuta risalendo lungo la gerarchia (andando verso l’alto: ROOL UP)

es: group by negozio mese group by città, mese o group by città operazione inversa: DRILL DOWN: riduzione del livello della gerarchia o

aggiunta di una nuova dimensione es: group by città group by città, mese

Operatori di aggregazione SUM, MIN, MAX, AVG, COUNT


17


Aggregazione COUNT: Quadrimestre-Prodotto

SUM: Sono risalito, - dettaglio, categoria-quadrimestre (ROOL UP)


18


Aggregazione

SUM: Anno-Tipo


19


Aggregazione

Categoria - Anno


20


AggregazionePer arrivare all’aggregazione «arancione» si poteva passare anche da quella «verde» (meno tuple rispetto alla tabella dei fatti) o da quella «viola».

Queste aggregazioni sono TUTTE viste aggregate. Vengono fatti dei GROUP BY e delle SUM oppure delle PARTITION con OVER BY.

Si poteva arrivare all’aggregazione «verde» dalla «viola» o dalla «arancione»???NO, mi manca il TIPO


21


Operatori di aggregazione: Distributivi

Sempre possibile il calcolo di aggregati da dati a livello di dettaglio maggiore (visti prima)

Esempi: SUM, MIN, MAX Algebrici

Esempio AVG Il calcolo di aggregati da dati a livello di dettaglio maggiore è possibile in

presenza di misure aggiuntive di supporto (es: conteggio di elementi per il calcolo della media = # di elementi nel gruppo)

Non si può calcolare la media a partire da una media che abbiamo già calcolato . Funziona solo se c’è bilanciamento: STESSO NUMERO DI RIGHE ( o voci ).Quindi per il passaggio da MEDIE PARZIALI a MEDIE TOTALI ho bisogno del COUNT.


22


Media diversa!! Se però mi fossi portato dietro il COUNT si sarebbe potuto fare: 2.17(3), 1.35(2) (2.17*3 + 1.35 * 2)/5 = 1.84

dettaglio ridotto ROLL UP


23


Schema di Fatto VUOTI Registra il verificarsi o no di un evento Utile per conteggio di eventi accaduti Rappresentazione di eventi non accaduti (insieme di

copertura)

Non sono presenti misure, se è presente un record nella tabella dei fatti, significa che quel certo utente ha frequentato quel corso in quel semestre.

Frequenza


24


Rappresentazione del tempoLa variazione dei dati nel tempo è rappresentata esplicitamente dal verificarsi degli eventi. Presenza di una dimensione temporale Eventi memorizzati sotto forma di fatti

Possono variare nel tempo anche il contenuto delle dimensioni (UPDATE di attributi descrittivi) Variazione tipicamente più lenta Es: dati anagrafici di un cliente, descrizione di un prodotto

(UPDATE su db operazionali). E’ necessario prevedere esplicitamente nel modello come rappresentare questo tipo di variazione.


25


Rappresentazione del tempoTIPO 1

Fotografia dell’istante attuale (la + semplice e + veloce) Esegue la sovrascrittura del dato con il valore attuale Proietta nel passato la situazione attualeEs:Il cliente Mario Rossi cambia stato civile dopo il matrimonio.Tutti i suoi acquisti sono attribuiti al cliente «sposato» (sia quelli passati che quelli futuri).


26



Vesioning, eventi attribuiti alla situazione temporalmente corrispondente della dimensione. (Storicizzo MA non so quando inizia, parziale) Per ogni variazione di stato della dimensione

Si crea una nuova istanza nella dimensione I nuovi eventi (della tab. dei fatti) sono correlati alla nuova istanza (nuovo

id) Gli eventi sono partizionati in base alle variazioni degli

attributi dimensionali. Es:Il cliente Mario Rossi cambia stato civile dopo il matrimonio.I suoi acquisti nella tabella dei fatti saranno partizionati in acquisti da «celibe» e acquisti da «sposato»


27



Storicizzazione completa. Campionamento in uno specifico istante di tempo. Più complessa. Più raffinata. Richiede una gestione esplicita delle variazioni della

dimensione nel tempo. Modifica dello schema della dimensione

Introduzione di una coppia di timestamp che indicano l’intervallo di validità del dato (inizio e fine validità)

Introduzione di un attributo che consenta di identificare la sequenza di variazioni di una specifica istanza (master)

Ogni variazione di stato della dimensione richiede la definizione di una nuova isatanza


28



Es:Il cliente Mario Rossi cambia stato civile dopo il matrimonio.La prima istanza conclude il suo periodo di validità il giorno del matrimonio.La nuova istanza inizia la sua validità nello stesso giorno.Gli acquisti sono separati come nel caso precedente.Esiste un attributo che permette di ricostruire tutte le variazioni ascrivibili a Mario Rossi. (es: attributo «padre» il cui contenuto è l’ID della tupla al momento dello switch da nubile a sposato, si crea così una dimensione che punta a se stessa) es: YouTrend


29


Velocizzo il reperimento delle informazioni. Evito join. Un unico predicato. Utilizzo indici che stanno in memoria (attr: padre).


30


Carico di lavoro Di Riferimento

Reportistica standard Stime discusse con gli utenti

Reale Difficile da stimare Il numero di utenti e interrogazioni aumenta nel tempo La tipologia di interrogazioni può variare nel tempo

Fase di tuning (perfezionamento) Dopo l’avviamento del sistema Monitoraggio del carico di lavoro


31


Volume dei dati Stima dello spazio necessario per il Data Mart

Per i dati Per le strutture accessorie (indici, viste materializzate)

Si considerano Numero di eventi di OGNI FATTO (Attenzione: Fatto = Data Mart NO!!) Numero di valori distinti degli attributi nelle gerarchie (dominio di un

attributo) Lunghezza degli attributi

Dipende dall’intervallo temporale di memorizzazione dei dati.

Valutazione affetta dal problema della sparsità


32

Progettazione concettualeLa sparsità si riduce al crescere del livello di aggregazione dei dati.Può ridurre l’affidabilità della stima della cardinalità degli aggregati.Es: invece di aggregare per trimestre aggrego per anno (quindi salgo nella gerarchia).

Magari le vendite sono andate male solo in 5 mesi su 12. Nel complesso nell’anno 2011 viene un valore basso. Ma se vado a vedere a livello di trimestre sono state superiori del trimestre 2012 precedente. (SPARSITA’ dovuta all’aumentare dell’aggregazione) Dipende sempre cosa vogliamo analizzare, qual è l’obiettivo aziendale. Magari era di aumentare le vendite nel periodo invernale.


33

Progettazione Logica

Si usa un modello relazionale chiamato ROLAP, dove gli inputs sono: Schema di fatto concettuale Carico di lavoro Volume dei dati Vincoli di sistemaE gli outputs sono: Schema logico relazionale

Schema a stellaDimensioni: Una tabella per OGNI dimensione Chiave primaria generata artificialmente (surrogata) Contiene tutti gli attributi della dimensione


34

Progettazione Logica

Gerarchie non rappresentate esplicitamente Gli attributi della tabella sono

Data Warehouse - Progettazione Francesco Pasturenzi [email protected] 1.

Documents

Transcript of Data Warehouse - Progettazione Francesco Pasturenzi [email protected] 1.