Microsoftdownload.microsoft.com/download/C/3/6/C36D04AD-9… · Web viewLa modellazione tabulare,...

Scelta di un'esperienza di modellazione tabulare o multidimensionale in SQL Server 2012 Analysis ServicesArticolo tecnico su Microsoft Business IntelligenceAutoriHitachi Consulting:

Liz Vitt - Autore

Scott Cameron - Autore

Hilary Feier - Revisore

Microsoft:

T.K. Anand - Revisore

Ashvini Sharma - Revisore

Data di pubblicazione: maggio 2012

Contesto di applicazione: SQL Server 2012 Analysis ServicesRiepilogo: questo white paper fornisce indicazioni pratiche a professionisti e decision maker del settore BI a supporto della scelta della tecnica di modellazione dei dati di SQL Server 2012 Analysis Services, tabulare o multidimensionale, più adeguata alle proprie soluzioni di BI.

2Scelta di un paradigma di modellazione dei dati in SQL Server 2012 Analysis Services

Copyright

Il documento viene fornito “com'è”. Le informazioni e le opinioni espresse nel presente documento, inclusi gli URL e altri riferimenti a siti Web, possono essere soggette a modifiche senza preavviso. L'utente accetta di utilizzarlo a proprio rischio.Il presente documento non implica la concessione di alcun diritto di proprietà intellettuale relativo ai prodotti Microsoft. È possibile copiare e utilizzare questo documento per fini di riferimento interno.© 2012 Microsoft Corporation. Tutti i diritti sono riservati.


SommarioIntroduzione...................................................................................................4Informazioni generali sulla modellazione BISM..............................................4

Modellazione multidimensionale.................................................................5Modellazione tabulare.................................................................................5

Strumenti di analisi client BISM......................................................................6Modello di dati................................................................................................6

Relazioni tra i dati........................................................................................6Relazioni uno-a-molti...............................................................................7Relazioni molti-a-molti.............................................................................7Relazioni di riferimento............................................................................8

Gerarchie.....................................................................................................8Gerarchie standard..................................................................................8Gerarchie incomplete...............................................................................8Gerarchie padre-figlio..............................................................................8

Funzionalità di modellazione aggiuntive.....................................................9Logica di business........................................................................................11

Trasformazioni a livello di riga...................................................................11Valori aggregati.........................................................................................12Calcoli........................................................................................................12Scenari di logica di business......................................................................14

Logica gerarchica...................................................................................14Rollup personalizzati..............................................................................14Misure semiadditive...............................................................................15Business Intelligence per gerarchie temporali.......................................16Indicatori KPI..........................................................................................16Conversione di valuta............................................................................16Set denominati.......................................................................................17

Accesso ai dati e archiviazione.....................................................................18Prestazioni e scalabilità.............................................................................18

Modelli multidimensionali.......................................................................18Modelli tabulari......................................................................................19

Programmabilità........................................................................................21Sicurezza......................................................................................................22

Sicurezza a livello di riga/attributo............................................................22Sicurezza dinamica....................................................................................23Sicurezza a livello di cella e avanzata.......................................................23

Riepilogo.......................................................................................................24Ulteriori informazioni....................................................................................28


IntroduzioneLa modellazione dei dati è una disciplina che i professionisti di BI praticano da molti anni con un obiettivo comune: organizzare dati eterogenei in un modello analitico che supporti in modo efficace ed efficiente le esigenze aziendali di report e analisi. A fronte di una costante evoluzione della modellazione dei dati, sostenuta dalle nuove tecnologie e dai nuovi strumenti disponibili, le organizzazioni devono affrontare la sfida sempre più pressante di integrare efficacemente i propri paradigmi di modellazione con una coerenza e una trasparenza che, oltre a soddisfare le diverse necessità analitiche, offrano anche un'esperienza di analisi comune nell'ambiente aziendale.Con il rilascio di SQL Server 2012, Microsoft ha risposto a queste esigenze tramite l'introduzione del BI Semantic Model (BISM), un modello unico in grado di supportare una vasta gamma di tipologie di report e analisi e in cui si integrano automaticamente le due esperienze di modellazione di Analysis Services descritte di seguito.

La modellazione multidimensionale, introdotta con SQL Server OLAP Services 7.0 e ora disponibile in SQL Server 2012 Analysis Services, consente ai professionisti di BI di creare sofisticati cubi multidimensionali utilizzando la tradizionale tecnologia di elaborazione analitica online OLAP (Online Analytical Processing).

La modellazione tabulare, introdotta con PowerPivot per Microsoft Excel 2010, offre funzionalità di modellazione dei dati self-service a business analyst e analisti di dati. L'esperienza della modellazione tabulare è più fruibile per questa tipologia di utenti, spesso esperti nell'utilizzo di strumenti di produttività desktop come Excel e Microsoft Access per la gestione dei dati. In SQL Server 2012, la modellazione tabulare è stata ampliata per permettere ai professionisti di BI di creare modelli tabulari in Analysis Services o importare un modello tabulare da PowerPivot in Analysis Services. Al contrario, non è possibile importare un modello di PowerPivot in un modello multidimensionale di Analysis Services.

L'obiettivo di questo white paper è fornire indicazioni pratiche di supporto alla scelta della tecnica di modellazione dei dati di SQL Server 2012 Analysis Services, tabulare o multidimensionale, più adeguata alle proprie esigenze di BI. Le descrizioni e i suggerimenti contenuti nel documento si riferiscono a SQL Server 2012 Analysis Services, rilasciato a marzo 2012. Le funzionalità del prodotto e i suggerimenti correlati potranno variare con l'evoluzione della modellazione multidimensionale e tabulare di Analysis Services nelle prossime versioni di SQL Server.


Informazioni generali sulla modellazione BISMPrima di descrivere in dettaglio le differenze tra modellazione multidimensionale e tabulare, è utile iniziare con una breve trattazione delle due esperienze di modellazione BISM disponibili in SQL Server 2012 Analysis Services.


Modellazione multidimensionaleLa modellazione multidimensionale consente essenzialmente di creare cubi composti da misure e dimensioni in base ai dati contenuti in un database relazionale. Per utilizzare questo paradigma, è necessario configurare il server di Analysis Services per il funzionamento in modalità multidimensionale, che corrisponde all'impostazione predefinita. In questa modalità, il modello multidimensionale viene utilizzato dal motore OLAP per preaggregare grandi volumi di dati e garantire così rapidi tempi di risposta alle query. Tali aggregazioni possono essere archiviate su disco tramite l'archiviazione OLAP multidimensionale (MOLAP) o nel database relazionale tramite l'archiviazione OLAP relazionale (ROLAP).Di seguito sono elencate le caratteristiche principali della modellazione multidimensionale. Modello di dati avanzato: il modello multidimensionale di SQL Server

2012 Analysis Services è alla sua sesta versione e fornisce funzionalità estese per modellare misure e dimensioni dei set di dati sia semplici che complessi tipicamente presenti nei data warehouse aziendali. I set di dati più complessi includono in genere funzionalità avanzate come relazioni molti-a-molti, gerarchie padre-figlio e localizzazione. Nel modello multidimensionale queste funzionalità sono predefinite.

Sofisticate capacità di analisi: il modello multidimensionale fornisce inoltre un linguaggio di calcolo e query avanzato chiamato MDX (Multidimensional Expressions). Con MDX è possibile creare logica di business e calcoli sofisticati, utilizzabili ovunque nello spazio multidimensionale per allocazioni finanziarie, calcoli di serie temporali o metriche semiadditive.

Per quanto le funzioni di modellazione completa e di analisi complessa dei dati costituiscano un importante vantaggio della modellazione multidimensionale, spesso comportano anche cicli di sviluppo più lunghi e minori capacità e rapidità di adattamento al mutare delle condizioni aziendali. Inoltre, per l'esperienza multidimensionale sono tendenzialmente necessarie competenze avanzate nella modellazione e nell'uso del linguaggio MDX.

Modellazione tabulareLa modellazione tabulare consente di organizzare i dati in tabelle correlate. Se si desidera utilizzare questo tipo di modellazione, è necessario configurare Analysis Services per il funzionamento in modalità tabulare. In modalità tabulare è possibile utilizzare il motore in memoria xVelocity (già Vertipaq) per caricare i dati tabulari in memoria e ottenere una rapida risposta alle query oppure è possibile utilizzare DirectQuery per passare le query al database di origine e sfruttarne le funzionalità di elaborazione.Di seguito sono elencate le caratteristiche principali della modellazione tabulare. Familiarità: l'utilizzo di dati tabulari è familiare a molte tipologie di

utenti che lavorano regolarmente con tabelle archiviate in database relazionali, Excel o Access. Inoltre, i calcoli sono scritti utilizzando DAX


(Data Analysis Expressions), un linguaggio considerato un'estensione del linguaggio delle formule di Excel. Le competenze richieste per creare modelli tabulari sono quindi più diffuse o comunque più facili da acquisire rispetto a quelle necessarie per creare modelli multidimensionali.

Flessibilità: poiché non è prevista un'organizzazione rigida dei dati in misure e dimensioni, la modellazione tabulare richiede una quantità minore di attività di preparazione iniziale dei dati e una progettazione meno rigorosa rispetto ai modelli multidimensionali, accelerando così i cicli di sviluppo. Questa architettura dei dati può inoltre integrare più facilmente le modifiche alla modellazione dei dati nel tempo quando è necessario aggiornare le relazioni e i calcoli in base al mutare delle esigenze aziendali.

Familiarità e flessibilità sono i vantaggi principali della modellazione tabulare, ma implicano anche alcuni aspetti negativi. Ad esempio, la modellazione tabulare potrebbe non essere indicata per le soluzioni in cui sono previsti set di dati estremamente complessi o che richiedono una logica di business sofisticata. Gli utenti che utilizzano il linguaggio DAX spesso possono essere in grado di creare formule DAX per fornire funzionalità di analisi altrimenti non disponibili nel modello tabulare. In questi casi, tuttavia, può essere più pratico ed efficiente utilizzare le funzionalità avanzate fornite a livello nativo dalla modellazione multidimensionale.

Strumenti di analisi client BISMIndipendentemente dalla modellazione scelta, multidimensionale o tabulare, è importante tenere presente che è possibile utilizzare strumenti client con i quali generare codice MDX o DAX per eseguire query sul modello. Excel e SQL Server Reporting Services sono esempi di strumenti client con i quali generare query tramite MDX, mentre Power View è un esempio di uno strumento client con cui generare query tramite DAX. Sono previste due eccezioni a questa indicazione generale.

Power View, strumento interattivo per l'esplorazione e la visualizzazione dei dati, è una funzionalità del componente aggiuntivo SQL Server 2012 Reporting Services per Microsoft SharePoint Server 2010 Enterprise Edition. Se si desidera utilizzare Power View o qualsiasi altro client di analisi che consente l'utilizzo di DAX per eseguire query su un modello BISM, è necessario scegliere un modello tabulare. Nelle prossime versioni di SQL Server è prevista l'introduzione della possibilità di utilizzare DAX per eseguire query su modelli multidimensionali, in modo da potervi accedere tramite uno strumento client come Power View.

I modelli tabulari configurati per l'utilizzo di DirectQuery richiedono uno strumento client con cui generare query DAX, ad esempio Power View. Nelle prossime versioni di SQL Server è prevista l'abilitazione di modelli tabulari configurati in modo che DirectQuery accetti query MDX.


Modello di datiLe caratteristiche del modello di dati da utilizzare sono un aspetto fondamentale per la scelta dell'esperienza di modellazione.

Relazioni tra i datiUn requisito fondamentale di qualsiasi modello di dati consiste nel rappresentare correttamente il modo in cui gli elementi dati all'interno del modello si collegano e si correlano, quasi come i pezzi di un puzzle. Sia per i modelli tabulari che per i modelli multidimensionali è necessario definire relazioni fra le tabelle dei dati di origine. Le relazioni comunemente utilizzate nella modellazione dei dati sono le relazioni uno-a-molti, molti-a-molti e di riferimento.Relazioni uno-a-moltiIn una relazione uno-a-molti, un singolo record di una tabella si correla a più record di un'altra tabella. Un esempio di una relazione uno-a-molti è un cliente che possiede più ordini di vendita. Sia nei modelli di dati tabulari che in quelli multidimensionali le relazioni uno-a-molti vengono gestite a livello nativo.Relazioni molti-a-moltiIn una relazione molti-a-molti, molti record di una tabella si correlano a molti record di una seconda tabella. Ad esempio, un singolo cliente ha una relazione uno-a-molti con gli ordini di vendita, ma i clienti possono essere classificati in uno o più profili cliente (ad esempio Sports Enthusiast, Casual Gamer e Fitness Expert). L'analisi degli ordini in base al profilo cliente può creare problemi di doppio conteggio: l'ordine di una bicicletta di un cliente che appartiene sia al profilo Sports Enthusiast che al profilo Fitness Expert potrebbe facilmente essere conteggiato due volte quando si calcolano gli ordini eseguendo la somma per profilo cliente. In genere le relazioni molti-a-molti vengono gestite suddividendole in due relazioni uno-a-molti utilizzando una tabella di collegamento o intermedia, come illustrato nella Figura 1.


Customer ID Customer Name 1 Elizabeth Johnson… …

CustomerID Customer Profile1 Sports Enthusiast1 Casual Gamer 1 Fitness Expert … …

Tabella di collegamento/intermedia

per assegnare il profilo cliente

Customer ID Sales Order Sales Amount1 S9100 4,000$ 1 S9101 2,500$ 1 S9102 7,000$ … … …

Tabella Customer Tabella Sales Order

Figura 1: esempio di relazione molti-a-moltiNei modelli multidimensionali è possibile definire e creare relazioni molti-a-molti direttamente nel modello di dati identificando la tabella di collegamento e correlandola alle altre tabelle nel modello. Nella fase di aggregazione, in Analysis Services viene applicata una somma distinta (SUM DISTINCT) per assicurare che i totali dei dati vengano riepilogati correttamente e non gonfiati in modo fuorviante.Nei modelli tabulari di SQL Server 2012 Analysis Services non viene supportata la definizione di relazioni molti-a-molti. Tuttavia, è possibile utilizzare il linguaggio DAX per creare formule che gestiscano questo tipo di relazioni e le problematiche associate.Relazioni di riferimentoUn modello di dati può contenere un set di attributi comuni correlati a più entità. Ad esempio, gli attributi geografici sono correlati a clienti, fornitori e archivi. Nella modellazione multidimensionale è necessario creare una dimensione che contenga gli attributi comuni e creare quindi relazioni tra la dimensione di riferimento e ognuna delle dimensioni correlate. Nella modellazione tabulare non è necessario definire relazioni di riferimento, poiché è sufficiente creare le relazioni tra la tabella che contiene gli attributi comuni e le tabelle che contengono le entità correlate.

GerarchieLe gerarchie consentono di suddividere i dati in categorie, strutturandoli in un albero per facilitare il drill-down in fase di analisi.Gerarchie standardLe gerarchie standard sono costituite da livelli ordinati che derivano dalle colonne nei dati di origine. In una gerarchia di prodotti è ad esempio possibile che i prodotti vengano organizzati in sottocategorie, a loro volta organizzabili in ulteriori categorie. In questo caso, si disporrebbe di una gerarchia con tre livelli, in cui ogni livello deriva da una colonna distinta nei


dati di origine. Le gerarchie semplici, come la gerarchia di prodotti appena descritta, sono supportate sia nei modelli tabulari che dimensionali.Notare che all'interno dei modelli multidimensionali è necessario un ulteriore passaggio di creazione di relazioni tra attributi, che consiste nell'identificare in modo esplicito le relazioni uno-a-molti tra attributi in ciascuna dimensione. La definizione delle relazioni tra attributi è consigliata perché le relazioni permettono una progettazione più efficiente delle aggregazioni precalcolate e perché la semantica MDX si basa sulle relazioni tra attributi. La modellazione tabulare è più semplice perché non prevede la creazione di relazioni tra attributi. Poiché nei modelli tabulari non vengono precalcolate aggregazioni e la semantica DAX non si basa sull'identificazione delle relazioni uno-a-molti tra attributi, nella modellazione tabulare non è presente un elemento equivalente alle relazioni tra attributi della modellazione multidimensionale.Gerarchie incompleteSi parla di gerarchie incomplete quando un elemento dati specificato non è presente nell'albero gerarchico. Ad esempio, si verifica una gerarchia di prodotti incompleta se alcuni prodotti non vengono mai assegnati a una sottocategoria, ma ad essi sono assegnate categorie di prodotti. In queste situazioni, piuttosto che mostrare il gap nell'albero è possibile scegliere di nasconderlo per facilitare il drill-down in fase di analisi. I modelli multidimensionali forniscono supporto predefinito per le gerarchie incomplete, mentre i modelli tabulari non supportano questa funzionalità.Gerarchie padre-figlioLe gerarchie padre-figlio permettono di progettare gerarchie più complesse. I rami in una gerarchia padre-figlio non contengono tutti lo stesso numero di livelli. Ad esempio, una relazione padre-figlio tra dipendente e responsabile potrebbe produrre una gerarchia in cui ad alcuni responsabili sono associati solo subordinati diretti mentre altri hanno subordinati diretti che, a loro volta, dispongono ciascuno di subordinati propri. Questo tipo di gerarchia viene modellato creando una relazione tra due colonne in una tabella di dati di origine, come illustrato nella Figura 2.

Figura 2: gerarchia padre-figlio

I modelli multidimensionali forniscono funzionalità predefinite per la definizione e la creazione di gerarchie padre-figlio basate sulle relazioni nei

Dati di origine padre-figlio Albero gerarchico padre-

Employee Manager Ken J. Sánchez Ken J. SánchezBrian S. Welcker Ken J. SánchezAmy E. Alberts Brian S. WelckerJae B. Pak Amy E. AlbertsDavid M. Bradley Ken J. SanchezKevin F. Brown David M. Bradley

Employee Manager


dati di origine.Nei modelli tabulari è possibile sfruttare le funzioni DAX per creare formule con le quali esplorare e utilizzare la struttura padre-figlio nei calcoli. Per ulteriori informazioni sull'utilizzo delle gerarchie padre-figlio nei modelli tabulari, vedere Informazioni sulle funzioni per gerarchie padre-figlio in DAX (http://msdn.microsoft.com/it-it/library/gg492192 (v=sql .110).aspx).

Funzionalità di modellazione aggiuntiveOltre alle relazioni tra dati e alle gerarchie, sono disponibili ulteriori funzionalità di modellazione che possono facilitare la scelta della soluzione più adatta:

Le prospettive consentono di definire un subset di un modello di dati per semplificare l'esplorazione da parte degli utenti finali. Le prospettive sono disponibili sia nei modelli multidimensionali che tabulari.

Le traduzioni permettono di visualizzare i nomi di dimensioni, attributi, misure, membri calcolati e altri oggetti, nonché i valori dei membri di dimensione dei modelli multidimensionali, nella lingua specificata dalle impostazioni di localizzazione del computer. Per abilitare questa funzionalità è necessario che lo sviluppatore del modello fornisca i nomi tradotti degli oggetti e faccia riferimento alle colonne nei dati di origine che contengono i valori tradotti dei membri di dimensione. Questa funzionalità non è disponibile nei modelli tabulari.

Le azioni offrono agli utenti finali la possibilità di eseguire un report di Reporting Services, passare a un URL o iniziare un'operazione esterna in base al contesto della cella in cui si verifica l'azione. Utilizzando un'azione, un utente finale può ad esempio avviare una pagina Web contenente il catalogo prodotti aziendale automaticamente filtrato sui prodotti che stava visualizzando. Le azioni sono supportate a livello nativo nei modelli multidimensionali e molti strumenti client (come Excel e Reporting Services) permettono l'esecuzione di azioni. In SQL Server 2012 non è possibile creare azioni in un modello tabulare utilizzando SQL Server Data Tools.

Con il drill-through è possibile passare ai dati dettagliati archiviati nel modello. Il drill-through è disponibile sia nella modellazione multidimensionale che tabulare. I modelli multidimensionali permettono inoltre di creare azioni di drill-through personalizzate specificando le colonne restituite dall'azione e lo spazio del cubo in cui è abilitata l'azione.

Il writeback è una funzionalità normalmente necessaria nelle applicazioni di definizione del budget e previsione. In genere in questi scenari gli utenti aziendali desiderano eseguire analisi di simulazione, in cui modificano e aggiornano i valori dei dati nel modello e li pubblicano per renderli disponibili agli altri. I modelli multidimensionali forniscono supporto a livello nativo per il writeback dei dati. In SQL Server 2012 i modelli tabulari non supportano questa funzionalità.

http://msdn.microsoft.com/it-it/library/gg492192(v=sql.110).aspx


Logica di businessLa logica di business può conferire notevole valore a qualsiasi modello di dati, sotto forma di calcoli e regole business che rendono i dati più adatti all'analisi da parte degli utenti finali.Sia la modellazione tabulare che la modellazione multidimensionale offrono linguaggi avanzati per le formule per implementare la logica di business. Nella modellazione multidimensionale viene utilizzato MDX, mentre nella modellazione tabulare viene utilizzato DAX. Prima di approfondire alcuni scenari avanzati di logica di business per ciascun paradigma, è importante definire i concetti di base su come applicare la logica di business tramite trasformazioni a livello di riga, valori aggregati e calcoli nella modellazione multidimensionale e tabulare.

Trasformazioni a livello di rigaPotrebbe essere necessario eseguire calcoli e trasformazioni di dati non immediatamente disponibili nei dati di origine. Ad esempio, nei dati di origine potrebbero essere presenti una colonna Sales Amount e una colonna Daily Exchange Rate, prive però del valore di vendita convertito in valuta estera, oppure le colonne Employee First Name e Employee Last Name senza una colonna concatenata Employee Full Name. Notare che in questi esempi il calcolo o la modifica dei dati deve avvenire sui dati non aggregati e a livello di riga.Nella modellazione multidimensionale le trasformazioni a livello di riga su dati non aggregati devono essere eseguite prima che i dati vengano caricati nel modello o quando il modello viene sottoposto a query. È possibile trasformare attributi di dimensione, come i nomi dei dipendenti, applicando la trasformazione nel sistema di origine dati o scrivendo un'espressione SQL da applicare in concomitanza alla query di Analysis Services sul database di origine. È possibile eseguire trasformazioni a livello di riga di dati numerici utilizzando un'espressione SQL prima che i dati vengano caricati in Analysis Services oppure applicare la trasformazione utilizzando un'espressione MDX all'interno di un'istruzione Scope in modo che il calcolo avvenga a livello di riga. Se la trasformazione viene applicata prima del caricamento dei dati, i valori numerici possono essere preaggregati in Analysis Services. Se la trasformazione viene applicata utilizzando un'istruzione Scope, l'aggregazione avviene in fase di query.Nella modellazione tabulare le trasformazioni a livello di riga vengono create utilizzando colonne calcolate. Quando si crea una colonna calcolata, la colonna viene aggiunta a una specifica tabella nel modello e i valori della colonna vanno definiti utilizzando formule DAX. La formula viene quindi valutata per ogni record nella tabella e caricata in memoria come qualsiasi altra colonna nel modello. Questa flessibilità consente di migliorare i dati direttamente nel modello tabulare in base a determinati requisiti di analisi e riduce la necessità di intervenire sulle origini dati a monte che potrebbero essere in grado o meno di incorporare le modifiche in modo tempestivo. Le colonne calcolate offrono grande praticità per creare e rendere persistenti i calcoli da eseguire a livello dettagliato nei dati prima di aggregarli. A fronte dell'efficacia di questa flessibilità, tenere presente che le colonne calcolate


non sono progettate per effettuare le complesse attività di pulizia e trasformazione di dati che sono invece tipiche dei processi di estrazione, trasformazione e caricamento (ETL).

Valori aggregatiNella modellazione multidimensionale si utilizzano misure per creare valori aggregati. Tramite il motore OLAP di Analysis Services le misure di un cubo vengono preaggregate utilizzando funzioni di aggregazione quali SUM, COUNT MIN, MAX, DISTINCT COUNT e altre. Durante l'elaborazione del cubo, ogni misura viene aggregata dal basso verso l'alto attraverso tutte le gerarchie. Poiché questa elaborazione avviene prima dell'analisi dell'utente finale, le misure preaggregate possono favorire notevolmente le prestazioni delle query.Quando si crea una misura nel cubo, si instaura una relazione uno-a-uno tra la misura del cubo e una colonna numerica nei dati di origine. Per questo, nella modellazione multidimensionale le misure sono utili quando è necessario effettuare l'aggregazione dal basso verso l'alto di elementi dati numerici che (1) esistono nei dati di origine al livello più basso di dettaglio e (2) richiedono un rollup che sfrutti una delle funzioni di aggregazione native del cubo.Anche nella modellazione tabulare è possibile utilizzare misure per creare valori aggregati. Per creare una misura, selezionare una colonna e specificare la funzione di aggregazione (SUM, COUNT, DISTINCT COUNT, MIN, MAX o AVERAGE). In alternativa è possibile scrivere un'espressione DAX in cui specificare la funzione da utilizzare per aggregare la misura. Nella modellazione tabulare i dati a livello di riga vengono archiviati in memoria e le aggregazioni vengono calcolate in fase di query. Come verrà descritto nella prossima sezione, nella modellazione tabulare è possibile utilizzare le misure anche per applicare calcoli, inclusi quelli basati su più colonne aggregate.

CalcoliNella modellazione multidimensionale si utilizza MDX per creare calcoli. MDX è un linguaggio di espressioni e query con funzioni in grado di interpretare a livello nativo la progettazione delle dimensioni, delle gerarchie, delle relazioni tra attributi e delle misure di un cubo. Ciò consente di creare espressioni sintetiche ed efficaci con le quali applicare la logica di business in più contesti di dati. I calcoli MDX vanno creati e archiviati nello script di calcolo del cubo, dove è possibile controllare l'ordine in cui applicare la logica.I membri calcolati sono i calcoli MDX più comuni e vengono valutati in fase di query dopo la preaggregazione dei dati. È possibile creare membri calcolati in qualsiasi dimensione. Quando vengono creati nella dimensione delle misure, vengono spesso definiti misure calcolate. I membri calcolati possono essere abbastanza semplici, con operazioni aritmetiche di base quali vendite per unità (vendite/unità) o spesa per persona (spesa/numero dipendenti). Possono essere anche più complessi quando è necessario applicare regole business specifiche, relative ad esempio alle vendite medie degli ultimi tre periodi o al margine realizzato negli ultimi 12 mesi. Ad


esempio, se si desidera calcolare le vendite per il periodo corrente come percentuale del periodo padre, è possibile utilizzare il calcolo MDX seguente.

[Measures].[Sales Amount] / ([Date].[Calendar].CurrentMember.Parent,[Measures].[Sales Amount])

La creazione di un membro calcolato in una dimensione diversa dalla dimensione delle misure comporta l'aggiunta di un valore a un attributo nella dimensione. Ad esempio, in presenza di un attributo di dimensione contenente un elenco di colori, si può decidere di aggiungere il membro calcolato Primary Colors riportante la somma dei valori dei colori rosso, verde e blu. Nella modellazione tabulare la creazione di una misura è simile alla creazione di un membro calcolato nella dimensione delle misure in un modello multidimensionale. Poiché nella modellazione tabulare non è possibile aggiungere un valore a una colonna in una tabella, questo tipo di modellazione non supporta alcuna funzione equivalente alla creazione di un membro calcolato in una dimensione diversa dalla dimensione delle misure in un modello multidimensionale.Le assegnazioni di ambito sono più avanzate delle misure calcolate, ma sono anche più potenti. Come indicato nella sezione “Trasformazioni a livello di riga”, è possibile utilizzare un'istruzione Scope in modo da applicare i calcoli a livello di riga. Tuttavia, è possibile utilizzare un'istruzione Scope anche per specificare qualsiasi intervallo di celle del cubo a cui si desidera applicare un calcolo. Le assegnazioni di ambito vengono compilate prima della fase di query e consentono ad Analysis Services di fornire un percorso di esecuzione ottimizzato quando vengono effettuate query sul calcolo. Data la loro potenza, le assegnazioni di ambito possono sostituire in modo molto efficiente un elevato numero di misure calcolate. Ad esempio, in una soluzione di definizione di budget, si desidera impostare il budget dell'anno prossimo per l'area East su un valore corrispondente al 90% del valore dell'anno attuale. Si desidera inoltre che il nuovo budget dell'area West sia pari al 75% del budget dell'anno attuale. Si desidera infine impostare il nuovo budget dell'area South sul 105% del valore del budget dell'anno corrente e quello dell'area North sullo stesso valore dell'anno corrente. Anziché scrivere un'unica misura calcolata complessa con istruzioni IF nidificate o più misure calcolate che implicano la separazione di ogni scenario di budget, è possibile utilizzare le assegnazioni di ambito per applicare in modo efficace questi rapporti al livello Region e aggregare quindi i totali dei dati. Ad esempio, se si desidera convertire l'importo delle vendite in una valuta straniera utilizzando tassi di cambio giornalieri, è possibile utilizzare l'espressione MDX riportata di seguito.

Scope([Date].[Date]);This = [Measures].[Sales Amount] * [Measures].[Daily FX Rate];End Scope;

Nella modellazione tabulare è possibile utilizzare DAX per creare calcoli. Come indicato in precedenza, nella modellazione tabulare i calcoli vengono applicati a livello di riga creando colonne calcolate. È possibile applicare i calcoli anche quando si crea una misura scrivendo un'espressione DAX. Poiché si utilizza in modo esplicito una combinazione di funzioni DAX a livello di riga e di aggregazione, le misure nei modelli tabulari sono molto flessibili.


È possibile applicare funzioni a livello di riga e quindi una funzione di aggregazione in modo che nella misura i calcoli avvengano prima dell'aggregazione oppure applicare prima le funzioni di aggregazione e quindi le funzioni a livello di riga in modo che nella misura i calcoli avvengano dopo le aggregazioni.DAX consente di valutare dinamicamente una formula in contesti di dati diversi (non solo nella visualizzazione corrente di un foglio di lavoro di Excel o in una Tabella pivot) utilizzando uno speciale set di funzioni chiamate funzioni FILTER. Nel senso più ampio, lo scopo di queste funzioni è simile a quello delle assegnazioni di ambito di Analysis Services in quanto consentono di definire ed eseguire un calcolo su un set specifico di righe. Ad esempio, è possibile utilizzare le funzioni FILTER per gestire l'esempio di definizione di budget descritto in precedenza.


Scenari di logica di businessUna volta compreso come creare e applicare la logica di business di base in MDX e DAX, considerare gli scenari di calcolo seguenti per confrontare le esperienze di modellazione tabulare e multidimensionale.Logica gerarchicaCome descritto in precedenza, le gerarchie consentono agli utenti aziendali di eseguire il drill-up o il drill-down durante l'analisi dei dati. In alcune situazioni è utile creare calcoli per spostarsi all'interno della gerarchia. Ad esempio, considerare la dimensione di un prodotto che include la categoria del prodotto, la sottocategoria del prodotto e il prodotto. Per ogni livello nella gerarchia si desidera aggiungere un calcolo per misurare il modo in cui i membri di ciascun livello contribuiscono al totale di vendite dell'elemento padre. Questo tipo di calcolo viene chiamato percentuale dell'elemento padre dal momento che deve spostarsi all'interno della gerarchia per restituire il valore desiderato.Sia in MDX che in DAX sono disponibili funzioni per utilizzare dati organizzati in una gerarchia e creare calcoli come percentuali dell'elemento padre, ma le funzioni MDX tendono a essere più chiare e semplici da utilizzare. Ad esempio, in MDX questa è l'espressione che determina la percentuale dell'elemento padre nella dimensione Product.

[Measures].[Sales Amount] /([Product].[Product Categories].CurrentMember.Parent, [Measures].[Sales Amount])

Questa espressione più complessa è necessaria per creare lo stesso calcolo di percentuale dell'elemento padre utilizzando DAX.

IF(ISFILTERED(Product[Product]),[Sales]/CALCULATE([Sales],ALL(Product[Product])),IF(

ISFILTERED(Product[Subcategory]),[Sales]/CALCULATE([Sales],ALL(Product[Subcategory])),1

))

Rollup personalizzatiSebbene in molti scenari sia sufficiente un riepilogo omogeneo dei dati, in alcune situazioni è necessario esercitare un controllo più accurato sulla modalità di rollup dei dati. Un esempio è costituito dai modelli finanziari caratterizzati da un piano dei conti (generalmente nel formato padre-figlio) in cui ogni conto richiede una specifica logica di rollup. Come illustrato di


seguito, il calcolo di Gross Margin è uguale a Net Sales meno Total Cost of Sales, mentre il calcolo di Operating Profit è uguale a Gross Margin meno Operating Expenses.

I modelli multidimensionali forniscono non solo supporto nativo per le gerarchie padre-figlio, ma anche funzionalità incorporate di BI per la contabilità, consentendo la facile applicazione di operatori unari e formule MDX a livello del conto che determina il rollup dei dati.Nei modelli tabulari le funzionalità per le gerarchie padre-figlio o di BI per la contabilità non sono incorporate, ma è possibile creare una soluzione personale utilizzando una combinazione di colonne e misure calcolate per sviluppare la gerarchia padre-figlio e applicare il rollup personalizzato.Misure semiadditiveIn generale, le misure semiadditive sono quelle che consentono aggregazioni uniformi in tutte le dimensioni eccetto che per la data. Esempi di misure semiadditive sono il saldo iniziale e quello finale. A queste misure va applicata una logica speciale per riepilogare correttamente i dati in base al periodo di tempo. Infatti il saldo delle giacenze di magazzino del mese di marzo non è necessariamente la somma delle giacenze di tutti i giorni di marzo. Inoltre, questo saldo deve risultare corretto anche per tutti gli attributi di data, come trimestre e anno. Ad esempio, il saldo delle giacenze di magazzino del primo trimestre deve coincidere con il saldo indicato al 31 marzo (presupponendo che il 31 marzo sia l'ultimo giorno del primo trimestre).I modelli multidimensionali forniscono supporto predefinito per le misure semiadditive con speciali funzioni di aggregazione quali First Child, Last Child, FirstNonEmptyChild e LastNonEmptyChild. Se queste funzioni di aggregazione non soddisfano requisiti logici specifici, è possibile anche scrivere formule MDX personalizzate.


I modelli tabulari forniscono funzioni simili, quali ClosingBalanceMonth e OpeningBalanceMonth. Sono disponibili funzioni aggiuntive applicabili ad altri attributi di data, come trimestre e anno.Business Intelligence per gerarchie temporaliPressoché ogni soluzione di BI richiede una componente di Business Intelligence per gerarchie temporali. Questo tipo di Business Intelligence include la possibilità di calcolare riepiloghi degli ultimi 12 mesi ed eseguire confronti con l'anno precedente. Sia MDX che DAX offrono funzioni di serie temporali, anche se con una leggera differenza nella progettazione del modello di dati.I modelli multidimensionali forniscono funzionalità predefinite di Business Intelligence per gerarchie temporali tramite la Configurazione guidata funzionalità di Business Intelligence di Analysis Services. Utilizzando questa procedura guidata è possibile aggiungere calcoli temporali alla progettazione della dimensione temporale e applicarli a tutte le misure nel modello. L'utilizzo della procedura guidata costituisce uno dei possibili metodi per creare calcoli temporali, ma è anche possibile scrivere calcoli MDX personalizzati all'interno del modello multidimensionale.Nei modelli tabulari, anche se non è disponibile una procedura guidata per creare calcoli di Business Intelligenze per gerarchie temporali, è possibile creare i calcoli tramite la creazione di formule DAX in cui sfruttare una serie di funzioni, come TOTALMTD, TOTALYTD e SAMEPERIODSLASTYEAR.Indicatori KPIGli indicatori di prestazioni chiave (KPI) identificano misure speciali di cui si desidera eseguire il monitoraggio rispetto a un valore di destinazione utilizzando un indicatore visivo quale un semaforo. Sia nei modelli multidimensionali che nei modelli tabulari è previsto il supporto per gli indicatori KPI. In entrambi i modelli è possibile assegnare un valore di destinazione a una misura e utilizzare il confronto tra valore effettivo e di destinazione per valutare lo stato delle prestazioni della misura. I modelli multidimensionali consentono inoltre di valutare la tendenza dell'indicatore KPI e assegnare un indicatore visivo separato che rappresenta le prestazioni dell'indicatore nel tempo.Conversione di valutaQuesto tipo di conversione richiede la conversione dei dati di valuta da una o più valute di origine in una o più valute di dichiarazione. Se ad esempio l'organizzazione elabora transazioni di vendita in EUR, JPYe USD, per consolidare i report di vendita nell'intera organizzazione sarà necessario convertire le transazioni in una o più valute di dichiarazione.Per implementare le conversioni di valuta nell'una o nell'altra esperienza di modellazione, è necessario avere accesso ai dati relativi ai tassi di cambio valuta e includere tali dati nel modello.Nei modelli multidimensionali è possibile utilizzare la Configurazione guidata funzionalità di Business Intelligence di Analysis Services per creare calcoli di conversione di valuta MDX ottimizzati per supportare più valute di origine e di dichiarazione. In un modello tabulare è possibile sviluppare una


soluzione di conversione di valuta personalizzata creando formule DAX.Set denominatiNella modellazione multidimensionale i set denominati offrono un metodo per restituire un set di membri di dimensione comunemente utilizzati nelle applicazioni di report. Ad esempio, è possibile creare un set denominato per restituire gli ultimi 12 mesi. La creazione di questo set denominato all'interno del cubo consente di definire la logica del set a livello centrale, di accedere al set da qualsiasi applicazione di report e di semplificare la logica archiviata all'interno dell'applicazione di report. Per creare il set denominato Last 12 Months è possibile utilizzare l'espressione MDX seguente.

Create Set CurrentCube.[Last 12 Months] AsMax([Date].[Calendar].[Month]).Lag(11):Max([Date].[Calendar].[Month])

I set denominati non sono disponibili nella modellazione tabulare.


Accesso ai dati e archiviazionePrestazioni e scalabilitàPrestazioni e scalabilità sono fattori critici di cui tenere conto per il successo di qualsiasi soluzione di BI. Poiché si basano su diverse tecnologie, le due esperienze di modellazione presentano diversi comportamenti e caratteristiche di prestazioni che è necessario comprendere per poter valutare in modo appropriato quale delle due soluzioni sia più adatta ai casi specifici.Modelli multidimensionaliCome indicato in precedenza in questo white paper, nei modelli multidimensionali di Analysis Services viene utilizzato un motore OLAP. Su disco, i dati OLAP possono essere archiviati in architetture di dati MOLAP e ROLAP. In MOLAP, i dati vengono archiviati su disco in un formato multidimensionale ottimizzato con una tipica compressione 3x. In ROLAP, i dati vengono archiviati nel database relazionale di origine.Per quanto riguarda le prestazioni, è utile considerarle sotto due aspetti: prestazioni delle query e prestazioni di elaborazione.Prestazioni delle queryLe prestazioni delle query hanno un impatto diretto sulla qualità dell'esperienza dell'utente finale. Costituiscono infatti il principale banco di prova per valutare la riuscita di un'implementazione OLAP. In Analysis Services è disponibile una varietà di meccanismi per accelerare le prestazioni delle query, tra cui aggregazioni, memorizzazione nella cache e recupero di dati indicizzati. Inoltre, è possibile migliorare le prestazioni delle query ottimizzando la progettazione degli attributi di dimensione, dei cubi e delle query MDX.L'uso delle aggregazioni è uno dei metodi principali per ottimizzare le prestazioni delle query. Un'aggregazione è un riepilogo precalcolato di dati utilizzato per migliorare le prestazioni delle query per i modelli multidimensionali. Quando si esegue una query su un modello multidimensionale, questa viene scomposta in richieste per il motore di archiviazione OLAP da Query Processor di Analysis Services. Per ogni richiesta, il motore di archiviazione tenta prima di recuperare i dati dalla cache del motore di archiviazione in memoria. Se i dati non sono disponibili nella cache, tenta di recuperare i dati da un'aggregazione. Se non sono presenti aggregazioni, i dati vengono recuperati dalle partizioni di un gruppo di misure.La progettazione delle aggregazioni dei dati comporta l'identificazione della combinazione di aggregazioni più efficace per il carico di lavoro di query. Nella progettazione delle aggregazioni è necessario rapportare i vantaggi derivanti in termini di esecuzione delle query al tempo necessario a creare e aggiornare le aggregazioni. In effetti l'aggiunta di aggregazioni non necessarie può ridurre le prestazioni delle query perché i pochi riscontri causano lo spostamento dell'aggregazione nella cache dei file a spese di altro contenuto che ne viene rimosso.


Anche la memorizzazione nella cache è importante per l'ottimizzazione delle prestazioni delle query di Analysis Services. Oltre alla memoria sufficiente per archiviare tutti i dati di dimensione, è necessario disporre dello spazio per memorizzare nella cache anche i risultati delle query. Durante l'esecuzione delle query, la memoria viene utilizzata principalmente per archiviare nella cache del motore di archiviazione e di Query Processor i risultati memorizzati. Per ottimizzare i vantaggi della memorizzazione nella cache, è spesso possibile aumentare la velocità di risposta delle query precaricando i dati in una o in entrambe le cache. A tale scopo è possibile eseguire preliminarmente una o più query o utilizzare l'istruzione Create Cache.Prestazioni di elaborazioneL'elaborazione è l'operazione tramite cui vengono aggiornati i dati in un database di Analysis Services. Migliori sono le prestazioni di elaborazione, più rapido è l'accesso degli utenti ai dati aggiornati. In Analysis Services è disponibile una varietà di meccanismi utilizzabili per influire sulle prestazioni di elaborazione, inclusi una progettazione efficiente delle dimensioni, aggregazioni efficaci, partizioni e una strategia di elaborazione economica (basata, ad esempio, sulla scelta tra aggiornamento incrementale, aggiornamento completo o memorizzazione nella cache attiva).È possibile utilizzare partizioni per dividere i dati di misura (in genere i dati delle tabelle dei fatti) in unità fisiche. L'uso efficace delle partizioni può favorire le prestazioni delle query e di elaborazione e semplificare la gestione dei dati. A ciascuna partizione può corrispondere una progettazione delle aggregazioni e una pianificazione degli aggiornamenti separate, in grado di ottimizzare notevolmente le prestazioni. Per ogni tabella dei fatti è possibile avere anche una combinazione di partizioni MOLAP e ROLAP. Questo tipo di strategia di suddivisione in partizioni può essere utilizzato per fornire query in tempo reale o assicurare l'accesso a set di dati troppo grandi per essere elaborati in un cubo.L'uso di queste tecniche di ottimizzazione delle query e dell'elaborazione può favorire il ridimensionamento dei modelli multidimensionali per la gestione di terabyte di dati. Per ulteriori informazioni sull'ottimizzazione delle prestazioni, vedere il white paper Analysis Services 2008 R2 Performance Guide (http://sqlcat.com/sqlcat/b/whitepapers/archive/2011/10/10/analysis-services-2008-r2-performance-guide.aspx).Modelli tabulariI modelli tabulari utilizzano il motore di analisi xVelocity, che elabora i dati in memoria, oppure DirectQuery, che passa le query al database di origine per sfruttarne le funzionalità di elaborazione.I vantaggi dei database in formato colonna e dell'elaborazione dei dati in memoria sono analoghi. Con i database in formato colonna è possibile ottenere una compressione superiore rispetto all'archiviazione tradizionale, in genere 10x, a seconda della cardinalità dei dati. La cardinalità dei dati è incentrata sulla caratterizzazione della distribuzione dei dati all'interno di una sola colonna. Un'elevata cardinalità dei dati indica che i valori dei dati all'interno di una colonna sono altamente univoci (ad esempio, i numeri cliente). Una bassa cardinalità dei dati indica invece che i valori dei dati

http://sqlcat.com/sqlcat/b/whitepapers/archive/2011/10/10/analysis-services-2008-r2-performance-guide.aspx

http://sqlcat.com/sqlcat/b/whitepapers/archive/2011/10/10/analysis-services-2008-r2-performance-guide.aspx


all'interno di una colonna possono ripetersi (ad esempio, il sesso e lo stato civile). A una cardinalità dei dati inferiore corrisponde una compressione maggiore, ovvero una maggiore quantità di dati può essere contenuta nella memoria in un dato momento. Nell'attività di progettazione del modello di dati è importante capire quale sia la cardinalità dei dati in uso per determinare i set di dati più adatti al modello tabulare e individuare i requisiti di memoria associati per supportare il modello.Prestazioni delle queryQuando un utente esegue una query su un modello tabulare, la memoria viene analizzata dal motore per recuperare i dati e calcolare immediatamente le aggregazioni, senza che siano necessarie operazioni di elaborazione di I/O su disco. Questo approccio può assicurare prestazioni di esecuzione delle query molto elevate senza richiedere particolari attività di ottimizzazione e gestione delle aggregazioni.Il modo migliore e più semplice di ottimizzare le prestazioni di esecuzione delle query per i modelli tabulari è ingrandire al massimo la memoria disponibile. Dal punto di vista della scalabilità, il volume dei dati è limitato soprattutto dalla memoria fisica. È preferibile fornire memoria sufficiente a contenere tutti i dati nel modello tabulare. Nei casi in cui sussistono limiti di memoria, il motore in memoria fornisce anche supporto per il paging di base in base alla memoria fisica. Inoltre, sono disponibili impostazioni di configurazione sul lato server che consentono una gestione più dettagliata della memoria disponibile per i modelli tabulari. Per ulteriori informazioni sulla configurazione della memoria per i modelli tabulari, vedere Proprietà della memoria (http://msdn.microsoft.com/it-it/library/ms174514.aspx).Prestazioni di elaborazioneRispetto ai modelli multidimensionali, i modelli tabulari presentano due differenze fondamentali in tema di prestazioni di elaborazione:

A differenza dei modelli multidimensionali, i modelli tabulari caricano i dati direttamente in memoria e non richiedono la scrittura dei dati su disco.

Poiché nei modelli tabulari non è prevista la categorizzazione dei dati in dimensioni e gruppi di misure, l'elaborazione può essere molto più flessibile. Queste due differenze si traducono in un minore sovraccarico a ogni aggiornamento dei dati e, di conseguenza, in tempi di completamento più rapidi e maggiore agilità.

Si consideri questo esempio: in un'organizzazione i rappresentanti di vendita si spostano regolarmente da un'area all'altra. Gli utenti aziendali desiderano determinare il rollup dei dati di vendita in base all'ultima area visitata e alle assegnazioni dei rappresentanti.In un modello multidimensionale, per ottenere questo risultato è necessario aggiornare prima la dimensione dell'organizzazione di vendita. Dopo l'aggiornamento della dimensione dell'organizzazione di vendita, è necessario aggiornare la partizione del gruppo di misure delle vendite. Con l'aggiornamento della partizione delle vendite vengono aggiornati sia i dati dettagliati che le aggregazioni. Il passaggio finale nella preparazione dei dati (come procedura consigliata) consiste nel preparare la cache delle query di Analysis Services per recuperare i dati più utili dal disco alla

http://msdn.microsoft.com/it-it/library/ms174514.aspx

http://msdn.microsoft.com/it-it/library/ms174514.aspx


memoria.A seconda della progettazione del modello di dati, delle dimensioni dei dati e della tecnica di elaborazione scelta (incrementale o completa), questa operazione potrebbe richiedere minuti o ore. L'aspetto positivo è che sono disponibili numerose e comprovate tecniche, utilizzate ogni giorno dai professionisti di BI per ottimizzare l'impatto dell'elaborazione dei modelli multidimensionali bilanciando le esigenze di elaborazione dei dati con le richieste di disponibilità dei dati.Si consideri ora lo stesso scenario in un modello tabulare. Nel modello tabulare non esistono i concetti di dimensione e gruppo di misure. I dati sono invece organizzati in tabelle collegate l'una all'altra tramite relazioni. Si presupponga che i dati dell'organizzazione di vendita e i dati relativi alle vendite siano contenuti nelle rispettive tabelle con una relazione basata sul singolo rappresentante. Con questa progettazione, quando si aggiorna la tabella dell'organizzazione di vendita, vengono automaticamente aggiornate le colonne calcolate, le relazioni e le gerarchie utente interessate. Questo significa che i dati relativi alle vendite riflettono automaticamente i rollup aggiornati delle aree di vendita senza dover essere rielaborati. Questa flessibilità può offrire vantaggi significativi in presenza di dimensioni che cambiano rapidamente e nei casi in cui è necessario che i dati riflettano gli aggiornamenti più recenti.Notare inoltre che con i modelli tabulari non è necessario creare aggregazioni, scrivere dati su disco o preparare la cache delle query per il recupero dei dati in memoria. Con i modelli tabulari i dati vengono spostati dal disco direttamente alla memoria e sono pronti per l'uso.Analogamente ai modelli multidimensionali, i modelli tabulari consentono di suddividere i dati delle tabelle in partizioni, eliminando attività di elaborazione dei dati superflue. È possibile suddividere tabelle di grandi dimensioni in più partizioni, creando ad esempio una partizione mensile per ciascun mese dell'anno corrente e una partizione annuale per ognuno degli anni precedenti. Questo approccio consente di isolare le partizioni di elaborazione che richiedono un aggiornamento.A differenza dei modelli multidimensionali, mentre è possibile elaborare più tabelle in parallelo, non è possibile elaborare le partizioni di una tabella in parallelo.DirectQueryIn alternativa alla modalità in memoria xVelocity, i professionisti di BI possono utilizzare la modalità DirectQuery per creare modelli tabulari. DirectQuery è disponibile per i modelli tabulari con le origini dati di SQL Server e permette di evitare l'elaborazione dei dati passando query e calcoli DAX al database di origine per sfruttare le funzionalità di SQL Server. Questo sistema può rivelarsi particolarmente utile in presenza di grandi volumi di dati che devono essere aggiornati spesso. Con DirectQuery, tuttavia, le colonne calcolate e alcune funzioni DAX non sono supportate.

ProgrammabilitàAMO (Analysis Management Objects) è l'API per lo sviluppo e la gestione


degli oggetti di Analysis Services. Poiché è stata creata prima che la modellazione tabulare venisse aggiunta ad Analysis Services, contiene solo classi per oggetti tradizionalmente associati alla modellazione multidimensionale, ovvero cubi, dimensioni, gruppi di misure, script MDX e così via. Tuttavia, l'API può essere utilizzata anche per lo sviluppo e la gestione di modelli tabulari. Questo è un vantaggio derivante dal fatto che la modellazione multidimensionale e quella tabulare sono state incapsulate nel modello BISM. Mentre a livello interno i modelli tabulari e dimensionali sono distinti, il modello BISM presenta la stessa interfaccia esterna. Anche se l'interfaccia di AMO è utilizzabile per programmare sia i modelli tabulari che multidimensionali, risulta meno intuitiva per i modelli tabulari. Per ulteriori informazioni, incluso un esempio di codice AMO per un modello tabulare, vedere Esercitazioni su Analysis Services (SSAS) (http://msdn.microsoft.com/it-it/library/hh231701.aspx).

SicurezzaUn'adeguata strategia di sicurezza dei dati assicura che solo le persone autorizzate possano accedere ai dati appropriati. Le organizzazioni devono controllare l'accesso ai dati per proteggere le proprie risorse informative e osservare la conformità alle disposizioni normative in materia di privacy. Sia i modelli multidimensionali che i modelli tabulari offrono un set di funzionalità affidabili in grado di soddisfare i più diversi requisiti di sicurezza. Dal punto di vista delle funzionalità, le due esperienze di modellazione presentano sottili differenze che è importante comprendere per determinare la soluzione più adatta alle esigenze in materia di sicurezza.In Analysis Services la sicurezza dei progetti multidimensionali e tabulari viene gestita creando un ruolo a cui concedere le opportune autorizzazioni. Al ruolo vanno aggiunti i nomi e i gruppi di utenti di Windows, che godono pertanto dei diritti di accesso basati sulle autorizzazioni del ruolo.

Sicurezza a livello di riga/attributoIn un progetto multidimensionale si utilizza il concetto di sicurezza dei dati della dimensione per gestire l'accesso a livello di riga. Per implementare la sicurezza dei dati di una dimensione per un ruolo, si concede o si nega l'accesso ai dati della dimensione selezionando o deselezionando i membri della dimensione. È inoltre possibile implementare una configurazione di sicurezza più complessa definendo un set di membri tramite un'espressione MDX. Va anche specificato se al ruolo deve essere concesso o negato l'accesso ai nuovi membri della dimensione. L'accesso concessi o negato a un membro della dimensione influisce sull'accesso di un ruolo ai membri della dimensione correlati. Ad esempio, se si limita un ruolo in modo che possa accedere solo alla sottocategoria di prodotti Mountain Bikes, i membri del ruolo possono visualizzare solo la categoria di prodotti Bikes e i prodotti e le vendite che appartengono alla sottocategoria Mountain Bikes.In un progetto tabulare, la sicurezza a livello di riga viene implementata concedendo l'accesso alle righe in una tabella. In un progetto tabulare di SQL Server Data Tools le autorizzazioni vengono concesse immettendo un'espressione DAX con la quale filtrare le righe in una tabella. Il ruolo può

http://msdn.microsoft.com/it-it/library/hh231701.aspx


accedere alle nuove righe della tabella se queste soddisfano i criteri del filtro DAX. L'accesso concesso a una riga in una tabella influisce sull'accesso alle righe nelle tabelle correlate di cui dispone un ruolo. Se due tabelle sono legate da una relazione uno-a-molti, con i filtri di riga nella tabella sul lato uno della relazione, vengono filtrate le righe nella tabella sul lato molti della relazione, ma non viceversa. Ad esempio, se si limita un ruolo in modo che possa visualizzare solo la riga Mountain Bikes nella tabella delle sottocategorie di prodotti, i membri del ruolo possono visualizzare solo le righe nelle tabelle dei prodotti e delle vendite correlate alla sottocategoria Bikes. Tuttavia, i membri del ruolo possono comunque visualizzare tutte le righe nella tabella delle categorie dei prodotti (Bikes, Clothing e così via).

Sicurezza dinamicaL'organizzazione potrebbe dover limitare l'accesso ai dati in base a un ID utente o ad altri criteri dinamici, come nel caso di dipendenti autorizzati a visualizzare solo i propri dati relativi a rendimento e rapporto di impiego. Tuttavia, la creazione di un ruolo di sicurezza per ogni individuo in un'organizzazione può risultare poco pratica. È possibile invece implementare la sicurezza dinamica, la cui logica può essere basata su un ID utente o altri criteri dinamici. Sia i progetti tabulari che multidimensionali supportano la sicurezza dinamica. È possibile configurare la sicurezza dinamica basata sull'utente se i dati contengono una relazione tra gli ID utente e i dati ai quali gli utenti sono autorizzati ad accedere, includendo la relazione nell'espressione MDX o DAX utilizzata per gestire le autorizzazioni.

Sicurezza a livello di cella e avanzataPer molte applicazioni è necessario limitare l'accesso ai dati utilizzando criteri più complessi di una riga in una tabella. Si pensi, ad esempio, a un'indagine sulla soddisfazione dei dipendenti in cui vengono condivisi risultati aggregati di un sondaggio per ottenere commenti e suggerimenti. Questi modelli spesso contengono dati estremamente sensibili e le risposte individuali al sondaggio devono essere tenute protette. Anche se il modello non contiene nomi di persone, con un campione sufficientemente piccolo sarebbe facile dedurre l'identità dei singoli partecipanti al sondaggio. In questi casi si potrebbe scegliere di implementare una logica più complessa con cui analizzare la dimensione del campione e consentire l'accesso alla misura risultante solo se il numero di risposte è maggiore di una determinata cifra. Inoltre, potrebbero essere presenti specifiche domande e combinazioni di metriche la cui visualizzazione deve restare riservata all'ufficio del personale. I progetti multidimensionali consentono a livello nativo di implementare funzionalità di sicurezza avanzata non disponibili in un progetto tabulare. In un progetto multidimensionale è possibile implementare la sicurezza a livello di cella per limitare l'accesso a una particolare cella o a un gruppo di celle nel modello. La sicurezza a livello di cella non è disponibile in un modello tabulare.I progetti multidimensionali consentono anche di controllare l'utilizzo di totali visualizzati, concedere o negare l'autorizzazione per eseguire il drill-through nei dati dettaglio e creare membri predefiniti per ogni ruolo.In un progetto multidimensionale, i valori riepilogativi preaggregati vengono calcolati al momento dell'elaborazione dei dati in un modello per migliorare


i tempi di risposta alle query. Ad esempio, Sales of All Products è un valore precalcolato. La sicurezza dei dati della dimensione viene applicata dopo l'elaborazione dei dati, pertanto anche se un utente è autorizzato ad accedere solo alla categoria Bikes, per impostazione predefinita il valore di Sales for All Products sarà la somma delle vendite per Accessories, Bikes, Clothing e così via. Questo può essere o meno il valore che si desidera venga visualizzato dai membri del ruolo. In questo caso, se si desidera che il valore di Sales for All Products sia limitato al valore di Sales for Bicycles, è necessario abilitare i totali visualizzati. L'abilitazione dei totali visualizzati limita i valori riepilogativi in modo che questi debbano essere uguali alla somma dei valori di dettaglio a cui un ruolo è autorizzato ad accedere. Questa modifica ha un impatto sul tempo di risposta alle query, poiché i valori riepilogativi devono essere calcolati in fase di query. Poiché nei progetti tabulari non è previsto il precalcolo dei valori riepilogativi, tali valori sono sempre uguali alla somma di valori di dettaglio. In altre parole, in un modello tabulare i totali visualizzati sono sempre abilitati.In un modello multidimensionale è possibile autorizzare il drill-through nei dati dettaglio in base ai singoli ruoli. In un modello tabulare i ruoli non sono utilizzati per controllare l'accesso alle funzionalità di drill-through. Al contrario, tutti i ruoli possono eseguire il drill-through in dettaglio.In un modello multidimensionale è possibile specificare un membro predefinito per ogni attributo in una dimensione. Un membro predefinito si comporta come un filtro applicato automaticamente. Ad esempio, se il membro predefinito di Year è 2012, per impostazione predefinita vengono visualizzati solo i dati del 2012. Tuttavia, un utente può scegliere di visualizzare i dati di un anno diverso o di tutti gli anni. In un modello multidimensionale è possibile configurare un membro predefinito per ogni attributo applicabile a tutti i ruoli oppure specificare un membro predefinito diverso in base a ogni ruolo. In un modello tabulare non è possibile specificare un valore predefinito. Se si desidera un filtro predefinito, sarà necessario configurare tale funzionalità nello strumento di report e analisi in uso.

RiepilogoIn SQL Server 2012 Microsoft ha introdotto il Business Intelligence Semantic Model (BISM) per supportare una vasta gamma di esigenze di report e analisi. Le due esperienze di modellazione incapsulate nel modello BISM, ovvero la modellazione multidimensionale e quella tabulare, offrono funzionalità complementari in grado di soddisfare determinate esigenze.La modellazione tabulare offre un'esperienza immediatamente accessibile con funzionalità che rispondono a quasi tutte le esigenze in materia di report e analisi. La maggior parte degli utenti sa come utilizzare tabelle e relazioni ed è in grado di apprendere rapidamente a implementare la logica di business utilizzando il linguaggio DAX, simile a Excel. La facilità d'uso e l'esperienza semplificata e flessibile offerta dal modello tabulare si traducono nella possibilità di sviluppare rapidamente le soluzioni desiderate. Il motore in memoria xVelocity, basato su colonne, assicura tempi di risposta alle query estremamente rapidi per set di dati che possono


contenere miliardi di record. I modelli tabulari supportano tutti gli strumenti di report e analisi in grado di generare query MDX, come Excel e Reporting Services, e supportano anche Reporting Services Power View, con cui generare query DAX.La modellazione multidimensionale fornisce funzionalità estese per la gestione delle problematiche di BI di maggiore scala e complessità. Il modello di dati multidimensionale combinato a MDX offre funzionalità predefinite per la creazione di sofisticati modelli e l'implementazione di logica di business complessa. L'archiviazione dei dati su disco, le aggregazioni precalcolate e la memorizzazione nella cache in memoria consentono ai modelli multidimensionali di assumere dimensioni dell'ordine di più terabyte e fornire comunque risposte rapide alle query. Con la sicurezza a livello di cella è possibile soddisfare i requisiti di sicurezza più severi. In sintesi, la modellazione tabulare offre un'esperienza semplificata con funzionalità in grado di soddisfare la maggior parte delle esigenze in materia di report e analisi. Se si rende necessaria una maggiore complessità nella modellazione, nella logica di business o nella sicurezza o una soluzione di scala molto elevata, la modellazione multidimensionale può costituire la soluzione migliore.

Nella tabella riportata di seguito viene fornito un confronto riepilogativo delle caratteristiche dei modelli multidimensionale e tabulare.Gruppo difunzionalità

Criteridecisionali

Multidimensionale/Tabulare

Modellazionemultidimensionale

Modellazionetabulare

Tempo di realizzazione della soluzione

/Maggiore Minore

Curva di apprendimento

/

La modellazione dimensionale e il linguaggio MDX creano una curva di apprendimento più ripida ma offrono funzionalità più complesse a livello nativo.

La modellazione relazionale e il linguaggio di DAX simile a Excel creano una curva di apprendimento meno ripida, ma funzionalità complesse possono richiedere sofisticate espressioni DAX.

Modello di dati

Relazioni tra i dati

/Uno-a-molti.Molti-a-molti.Le relazioni di riferimento devono essere modellate in modo esplicito.

Uno-a-molti.Molti-a-molti richiede espressioni DAX.La modellazione di relazioni tra tabelle crea relazioni di riferimento.

Modello di dati

Gerarchie/

Supporto nativo per gerarchie standard, incomplete e padre-figlio.

Supporto nativo per gerarchie standard. Le gerarchie padre-figlio richiedono espressioni DAX.

Modello di dati

Funzionalità aggiuntive di modellazione dei dati

/Prospettive, traduzioni, azioni, drill-through, stored procedure e writeback.

Prospettive e drill-through.

Logica di business

Linguaggio di calcolo / MDX DAX

Logica di business

Calcoli / Supporto nativo per calcoli comuni e complessi.

Supporto nativo per calcoli comuni e molti calcoli complessi.

Gruppo difunzionalità

Criteridecisionali




Logica di business

Funzioni di aggregazione

/

Sum, Count, Min, Max, Distinct Count, None, ByAccount, AverageOfChildren, FirstChild, LastChild, FirstNonEmpty e LastNonEmpty.

Sum, Count, Min, Max, Average, DistinctCount e varie funzioni di Business Intelligence per gerarchie temporali quali FirstDate, LastDate, OpeningBalanceMonth e ClosingBalanceMonth.

Logica di business

Logica gerarchica

/

Funzioni per spostarsi all'interno di gerarchie standard e padre-figlio.

Funzioni DAX per spostarsi all'interno di gerarchie padre-figlio, espressioni DAX per implementare la logica nelle dimensioni standard. Logica gerarchica generalmente più difficile con DAX.

Logica di business

Indicatori KPI/

Valori effettivi, obiettivo, di stato e di tendenza con indicatori grafici.

Valori effettivi, obiettivo e di stato con indicatori grafici.

Logica di business

Conversione di valuta

/Supporta la conversione di più valute utilizzando la Configurazione guidata funzionalità di Business Intelligence.

Implementazione tramite espressioni DAX.

Accesso ai dati e archiviazione

Scala/

Scala estremamente elevata (più terabyte).

Scala elevata (miliardi di record)


Criteridecisionali





Prestazioni

/

Indici e valori di misure preaggregate archiviati su disco. Dati di dimensioni e risultati di query memorizzati nella cache in memoria. Compressione dati pari a circa 3x.

Archiviazione dei dati basata su colonne in memoria. Compressione dati pari a circa 10x.


Origini dati/

Database relazionali. Database relazionali, Excel, testo, feed OData, Azure Data Market, Analysis Services.


Linguaggio di query /

MDX DAXMDX (solo modalità in memoria).


Archiviazione dei dati

/

MOLAP: dati di dimensioni e fatti e dati aggregati archiviati su disco. Dati di dimensioni e risultati di query memorizzati nella cache in memoria.

ROLAP: dati di dimensioni e fatti e dati aggregati archiviati in un database relazionale.

In memoria: tutti i dati memorizzati nella cache in memoria tramite il motore di analisi xVelocity basato su colonne.

DirectQuery: dati archiviati in SQL Server 2012.


Compressione dei dati /

In genere 3x. In genere 10x.


Criteridecisionali





Strumenti client

/

Excel, Reporting Services, Microsoft PerformancePoint e altri strumenti client di terze parti.

Reporting Services Power View supportato nelle prossime versioni di SQL Server.

Reporting Services Power View, Excel, Reporting Services, PerformancePoint e altri strumenti client di terze parti.


Programmabilità

/XMLA, ASSL, ADOMD.NET, MSOLAP, AMO, Windows PowerShell per AMO. Sviluppati per l'utilizzo con i modelli multidimensionali.

XMLA, ASSL, ADOMD.NET, MSOLAP, AMO, PowerShell per AMO. Disponibili ma meno intuitivi per l'utilizzo con i modelli tabulari.

Sicurezza Sicurezza/

Sicurezza a livello di membro di dimensione e di cella.Sicurezza dinamica.

Sicurezza a livello di riga.Sicurezza dinamica.

- Meno funzionalità. - Più funzionalità.


Ulteriori informazioniSito Web SQL Serverhttp://www.microsoft.com/italy/server/sql/TechCenter di SQL Serverhttp://technet.microsoft.com/it-it/sqlserver/Risorse online per gli sviluppatori di SQL Serverhttp://msdn.microsoft.com/it-it/sqlserver/Blog del team di Analysis Services e PowerPivot http://blogs.msdn.com/b/analysisservices/Analysis Serviceshttp://msdn.microsoft.com/it-it/library/bb522607.aspxModellazione multidimensionale (SSAS)http://msdn.microsoft.com/it-it/library/hh230904.aspxModellazione tabulare (SSAS tabulare)http://msdn.microsoft.com/it-it/library/hh212945.aspxFunzionalità per modalità server o tipo di soluzione (SSAS) http://msdn.microsoft.com/it-it/library/hh212940(v=sql.110).aspx

Il documento è risultato utile? Esprimere una valutazione utilizzando una scala compresa tra 1 (scarso) e 5 (eccellente), indicandone i motivi. Ad esempio:

La valutazione è alta perché il documento contiene esempi validi, catture di schermate nitide, spiegazioni chiare o altri motivi?

La valutazione è bassa perché il documento contiene esempi confusi, catture di schermate sfocate, spiegazioni poco chiare?

I commenti aiuteranno Microsoft a migliorare la qualità dei white paper pubblicati.Commenti e suggerimenti .

mailto:[email protected]?subject=Commenti%20e%20suggerimenti%20sul%20white%20paper:%20Scelta%20di%20un'esperienza%20di%20modellazione%20tabulare%20o%20multidimensionale%20in%20SQL%20Server%202012%20Analysis%20Services

mailto:[email protected]?subject=Commenti%20e%20suggerimenti%20sul%20white%20paper:%20Scelta%20di%20un'esperienza%20di%20modellazione%20tabulare%20o%20multidimensionale%20in%20SQL%20Server%202012%20Analysis%20Services

http://msdn.microsoft.com/it-it/library/hh212940(v=sql.110).aspx



http://msdn.microsoft.com/it-it/library/bb522607.aspx

http://blogs.msdn.com/b/analysisservices/

http://msdn.microsoft.com/it-it/sqlserver/

http://technet.microsoft.com/it-it/sqlserver/

http://www.microsoft.com/italy/server/sql/

Microsoftdownload.microsoft.com/download/C/3/6/C36D04AD-9… · Web viewLa modellazione tabulare,...

Documents

Transcript of Microsoftdownload.microsoft.com/download/C/3/6/C36D04AD-9… · Web viewLa modellazione tabulare,...