SISTEMI INFORMATIVI DIREZIONALI - PowerPoint PPT Presentation

About This Presentation
Title:

SISTEMI INFORMATIVI DIREZIONALI

Description:

Title: Sistemi informativi direzionali (SID) Author: Prof. Lucio Sansone Last modified by: Prof. Sansone Created Date: 10/5/2001 1:12:19 PM Document presentation format – PowerPoint PPT presentation

Number of Views:89
Avg rating:3.0/5.0
Slides: 72
Provided by: Prof6154
Category:

less

Transcript and Presenter's Notes

Title: SISTEMI INFORMATIVI DIREZIONALI


1
SISTEMI INFORMATIVI DIREZIONALI

2
I Livelli di un SI Aziendale
  • livello direzionale
  • vengono svolte tutte quelle attività necessarie
    alla definizione degli obiettivi da raggiungere
    ed alle azioni, eventualmente correttive, da
    intraprendere per perseguirli.
  • livello operativo
  • si occuperà delle attività attraverso cui
    lazienda produce i propri servizi e prodotti.

il livello direzionale è supportato dai
cosiddetti sistemi informativi direzionali.
3
Schema di un sistema direzionale
Motori di calcolo (DSS)
Motori di presentazione QR (EIS)
OLAP
Data Warehouse
Data Entry (budget, dati direzionali)
Alimentazione
OLTP
DB TRANSAZIONALI
4
Caratteristiche di un SID
  • i sistemi informativi direzionali hanno la
    caratteristica di essere alimentati da altri
    sistemi quali ad esempio i sistemi informativi
    aziendali oppure mediante informazioni introdotte
    manualmente dagli utenti finali.

5
Le informazioni trattate
  • informazioni fortemente aggregate.
  • I SID devono fornire ai dirigenti aziendali dati
    sintetici (indicatori gestionali)
  • medie, ricavi globali,
  • in certi intervalli temporali
  • tempificate.
  • in diverse dimensioni.
  • Il tempo
  • la dimensione prodotto
  • dimensione processi
  • dimensione responsabilità
  • cliente, al fine di analizzare redditività,
    volume di affari e bacino di utenza.

6
Un nuovo ruolo
  • Il nuovo ruolo dell'Information Technology (IT)
    aziendale è quello di fornire al top management
    informazioni rapide ed efficaci sulle quali
    basare le decisioni strategiche

7
OLTP
  • On Line Transaction Processing
  • Transazioni predefinite e di breve durata
  • Dati dettagliati, recenti e aggiornati
  • Dati residenti su un unico DB
  • Read write di pochi record
  • Critiche le proprietà ACIDe
  • Implementate su Main Frame

8
Sistemi direzionali
  • Decisioni di tipo tattico e strategico
  • Es.
  • Quanti prodotti sono stati venduti nello scorso
    anno per regione e categoria?
  • Uno sconto tra il 10 ed il 20 potrebbe aumentare
    le vendite di auto nel prossimo bimestre?
  • Su quali dati? Su quelli accumulati da OLTP

9
Metodologia OLAP
  • Lobiettivo che si pone la metodologia OLAP è
    quello di fornire un supporto efficiente
    lanalisi delle informazioni prendendo in
    considerazione più variabili contemporaneamente
    (analisi multi dimensionale dei dati).

10
OLAP
  • On Line Analytical Processing
  • Interrogazioni complesse e casuali
  • Dati storici e aggregati
  • Dati provenienti da più DB eterogenei
  • Moltissime operazioni di Read (nessuna di write)
  • Visualizzazione dei dati su PC

11
Cosa vuol dire OLAP (Codd)
  • OLAP è il nome dato allanalisi dinamica
    dellimpresa necessaria per
  • creare, manipolare, animare e sintetizzare
    informazioni
  • dai Data Models Aziendali.
  • Questo processo consente di scoprire
  • nuove relazioni tra le variabili,
  • di identificare i parametri necessari alla
    gestione di grosse quantità di dati,
  • di creare un numero illimitato di dimensioni
  • di specificare condizioni ed espressioni che
    coinvolgono, contemporaneamente, più dimensioni.

12
Da tener ben presente .
  • I dati usati dai sistemi OLAP sono gli stessi di
    quelli usati dai sistemi OLTP
  • quello che cambia nei due tipi di sistemi è
    lelaborazione compiuta sui dati.
  • .

13
OLTP vs OLAP
  • Users Impiegati
  • Op. giornaliere
  • Op. Correnti
  • Op. Ripetitivo
  • Trans. Breve
  • Decine di record acceduti per volta
  • Migliaia di utenti
  • 100 MB 1 GB
  • Users dirigenti
  • Supporto Decisioni
  • Dati Storici
  • Oper. Casuali
  • Int. Complesse
  • Milioni di record acceduti
  • Centinaia di utenti
  • 100 GB 1 TB

14
Cosa è un data warehouse?
  • Definizione (Inmon)
  • Un data warehouse è un data base relazionale
  • Subject Oriented
  • Integrato
  • Non volatile
  • Time Variant
  • progettato per query and analysis
  • ---- invece che per lelaborazione di transazioni.

15
Un DW
  • Contiene dati storici derivati dalle transazioni,
    anche se può contenere dati di altra fonte
  • Separa il carico dellanalisi da quello delle
    transazioni
  • Contiene, oltre ad un DB relazionale, moduli di
  • ETL (Extraction, Transformation Loading)
  • OLAP (On Line Analytical Processing)
  • Client analysis tools
  • Altre applicazioni per analisi dei dati e
    produzione di rapporti a utenti business

16
Subject Oriented .
  • Subject Oritented
  • I DW sono progettati per aiutarti ad analizzare i
    tuoi dati per i tuoi scopi
  • Chi è stato il nostro miglior venditore di
    aspirapolveri lo scorso anno??
  • Topic miglior venditore di aspirapolveri ?
    analisi orientata al soggetto

17
Integrated .
  • Risoluzione dei conflitti tra nomi e dei problemi
    derivanti dal fatto che i dati si trovano
    espressi in unità di misure differenti.
  • Nel DB della succursale di Roma il Sig. Rossi ha
    venduto 1000 aspirapolveri a 900.000 lire mentre
    nel DB della filiale di NY, Mr Bush ha venduto
    900 aspirapolveri a 600 come confronto i
    dati? Come risolvo i conflitti tra nomi?

18
Non volatile
  • I dati non variano una volta entrati nel
    warehouse
  • Il warehouse deve analizzare ciò che è accaduto
  • Il Sig. Rossi ha venduto 1000 aspirapolveri, ed
    ad oggi è il RecordMan di vendite
  • Se tra mezzora Mr. Bush ne vende altre 250,
    questa informazione non deve entrare nel WH

19
Time Variant
  • La maggior parte delle analisi per i business
    sono analisi di trend. Per questo si ha bisogno
    di una grande mole di dati storici.
  • Voglio sapere negli ultimi tre anni landamento
    in borsa della Compagnia su Milano, Londra e
    Francoforte

20
Considerazioni ..
  • Non interessa un singolo dato, ma dati aggregati
  • Somma, media, minimo, massimo
  • Le operazioni di aggregazione sono fondamentali
    per popolare e mantenere un Data Warehousing
  • Le operazioni tipiche di un DW saranno
  • Accesso e interrogazione diurne
  • Caricamento e Aggiornamento dati notturne
  • Su milioni di record

21
Considerazioni
  • Esigenza di una base dati separata perché
  • Esistono diverse sorgenti di dati
  • sorgenti che devono essere integrate e
    tecnicamente ciò non può essere fatto in linea
  • I dati da integrare devono essere aggregati
  • Metodi di accesso specifici
  • Degrado delle prestazioni

22
Architettura di un sistema direzionale
utenti
Data Marts
Sorgenti dei dati
analisi
Magazzino dati
Area di Staging
Acquisti
reporting
Vendite
Sistemi di supporto operativo
mining

Inventario
File piatti
23
Rappresentazione dei Dati
  • Sorgenti informative i DB preesistenti
    dipartimentali .
  • Vendita, promozione, marketing
  • DW la base dati integrata con soggetti comuni a
    tutta lorganizzazione
  • Data Marts componente del DW soggetti
    dipartimentali o settoriali selezionati
  • Strumenti di analisi, focalizzati su un problema
    in esame

24
Come viene popolato un DW
  • Attività
  • Estrazione dei dati
  • Dalle sorgenti informative
  • Trasformazione
  • Pulizia dei dati, trasformazione di formato,
    correlazione con oggetti in sorgenti diverse
  • Caricamento
  • Con introduzione di informazione temporali e
    generazione di dati aggregati
  • Refresh
  • Le stesse fasi eseguite incrementalmente
  • A supporto di queste attività sono mantenute
    certe informazioni dette METADATI

25
Tecniche di Analisi dei dati
  • Un data warehouse viene costruito per fornire un
    accesso facile a sorgenti contenenti una grossa
    quantità di dati
  • Si tratta allora di un mezzo per arrivare ad un
    fine.
  • Quale è il fine? Effettuare analisi e prendere
    decisioni a partire da quei dati.
  • Quali sono allora le tecniche di analisi dei dati
    comunemente usate oggigiorno?

26
Classificazione Tecniche
  • Query and reporting
  • Analisi multi dimensionale
  • Data mining

Display, Analizza, Scopri
In funzione delluso
27
1) Query And Reporting
  • E il processo di
  • Porre una interrogazione
  • Rilevare dati fondamentali dal DW
  • Trasformare i dati in un contesto appropriato
  • Porre i risultati in un formato leggibile

28
QR
Answer Set
Quanti aspirapolvere Sono stai venduti dall 10-9
al 16-9? E quanti nel nostro negozio di Agnano?
29
2) Analisi Multidimensionale
  • Lanalisi dei dati viene eseguita sui dati
    estratti dal DW o dal Data Mart e rappresentata
    in forma multidimensionale.
  • E basata di solito su
  • Fatti
  • un concetto sul quale centrare lanalisi
  • Misura
  • Una proprietà atomica di un fatto da analizzare
  • Dimensione
  • Una prospettiva lungo la quale effettuare
    lanalisi
  • Esempio
  • Telefonata/Costo, durata/Chiamata, Chiamante,
    Tempo

30
Un Esempio
  • Unazienda si occupa delle vendite di determinati
    prodotti, per la quale sono rilevanti tre
    dimensioni prodotti, tempo e mercati geografici.
  • Per descrivere questa situazione si può pensare
    ad un cubo, sulle cui dimensioni geometriche
    riportiamo le dimensioni di interesse
    dellazienda

31
I punti di vista
  • il manager di prodotto
  • è interessato alle vendite di un determinato
    prodotto in tutti i mercati e in tutto il periodo
    di tempo preso in considerazione
  • lanalista finanziario
  • è interessato ai risultati di vendita relativi a
    tutti i prodotti e tutti i mercati in un
    determinato periodo temporale
  • il responsabile regionale
  • ha bisogno di conoscere le vendite nel tempo di
    tutti i prodotti disponibili sul mercato di sua
    competenza
  • lanalista di mercato
  • può essere interessato alle vendite di un
    determinato prodotto, su di un singolo mercato e
    relative ad un preciso periodo temporale

32
Le prospettive
  • Le prime tre prospettive sono ricavabili fissando
    il valore di una delle tre dimensioni e
    aggregando i dati lungo le rimanenti due
  • Ciò corrisponde ad una visualizzazione
    bidimensionale, tipo foglio elettronico.
  • Lultima prospettiva, quella dellanalista di
    mercato, si ottiene fissando un intervallo su
    ognuna delle tre dimensioni
  • Un cubo

33
(No Transcript)
34
Approcci allOLAP
  • Linsieme dei dati da navigare è archiviato su
    una struttura dati a matrice dove sono registrate
    tutte le sintesi statistiche degli incroci
    multidimensionali possibili
  • il viewer in questo caso chiede i dati
    direttamente al database multidimensionale
  • insieme dei dati su cui navigare è registrato su
    una o più tabelle relazionali
  • i dati, in questo caso, sono acceduti tramite
    query
  • su di essi, vengono effettuate le sintesi
    necessarie per la visualizzazione dei risultati.

35
Rappresentazione multidimensionale
Mercati
Quantità
Prodotti
Vendite
Periodi di tempo
36
ROLAP
  • La R sta per relazionale
  • ed indica la caratteristica peculiare di
    estrazione dati da una strutture dati di tipo
    relazionale (una o più tabelle in formato
    riga-colonna).
  • vantaggio
  • dati acceduti sono sempre gli ultimi disponibili.
  • Esiste una classe di strumenti che è in grado di
    recuperare i dati dalle tabelle e sintetizzarli.
  • svantaggio
  • risiede, invece, nel fatto che una volta usciti
    dal viewer i dati di sintesi si perdono e quindi
    per riaccedervi è necessario rieseguire le
    estrazioni e le sommarizzazioni.

37
MOLAP
  • indica lesistenza di una struttura per dati
    multi dimensionali.
  • il viewer chiede i dati direttamente a questa
    struttura, la quale li ha già memorizzati secondo
    le dimensioni,
  • Vantaggio
  • in questo caso sono i tempi di risposta.
  • svantaggio
  • il Multidimensional Data Base deve essere
    allineato allaggiornamento dei dati di base dal
    quale viene generato.

38
Una nota sul MOLAP
  • Il Gartner Group, sostenitore dellapproccio
    MOLAP, ha affermato in una Research Note che i
    database multidimensionali permettono di
    concentrarsi sulla business view,
  • ovvero sugli aspetti più propriamente aziendali
  • . mentre i tradizionali database relazionali
    richiedono la cosiddetta system view,
  • impedendo, di fatto, uninterazione diretta dei
    responsabili aziendali poco pratici in materia

39
La soluzione MOLAP
  • Ha come perno il concetto di array
    multidimensionale,
  • tecnica per la riorganizzazione e la
    memorizzazione di dati aggregati, in modo che
    possano essere analizzati da più prospettive.
  • Un array multidimensionale è costituito da un
    insieme di celle di dati,
  • ciascuna delle quali contiene il valore assunto
    da una specifica misura, trovato in base alla
    formula di calcolo e alle dimensioni che
    determinano il processo di aggregazione.
  • In tale struttura, ciascuna dimensione funge da
    indice per lindividuazione di un insieme di
    celle di dati, eventualmente composto da un
    singolo elemento

40
Un esempio di MOLAP 2D
41
Ovvero .
  • L' esempio riportato in tabella corrisponde
    essenzialmente alla gestione dei dati
    caratteristica dei fogli elettronici.
  • Nellesempio le dimensioni considerate sono la
    dimensione prodotto e la dimensione tempo, la
    misura riguarda le vendite dei prodotti e la
    formula di aggregazione consiste nel calcolo del
    numero totale di unità vendute.

42
Individuazione degli elementi
  • fissando uno specifico prodotto ed uno specifico
    trimestre
  • si individua la cella che riporta il numero
    totale di unità vendute di quel prodotto in quel
    periodo.
  • fissando, un valore su una sola delle due
    dimensioni
  • si ha accesso a tutti i dati relativi al valore
    fissato lungo tutta la dimensione su cui non è
    stato specificato un attributo.
  • volendo determinare il numero totale di unità
    vendute del prodotto A in tutto lanno
  • è sufficiente accedere allarray fissando
    lattributo PROD. A e sommando i valori presenti
    su tutta la riga selezionata.

43
Operazioni sui dati Multidimensionali
  • Roll Up
  • Aggregazione dei dati
  • Es. volume di vendita totale dello scorso anno
    per categoria e regione
  • Drill down
  • Disaggregazione dei dati
  • Es. mostra le vendite giornaliere e dettagliate
    di ciascun negozio per una certa categoria di
    prodotti
  • Slice Dice
  • Proiezione su un piano
  • Solitamente bidimensionale
  • Pivot
  • Riorientamento del cubo

44
Ovvero .
45
Dimensional Fact Model (DFM)
  • E un modello concettuale grafico per DW.
  • La rappresentazione generata dal DFM è detta
    Dimensional Scheme (DS) e consiste in un
    insieme di Fact Scheme (FS).
  • Il DFM è indipendente dal modello logico target
    (multidimensionale o relazionale).
  • FS compatibili possono essere sovrapposti
    per mettere in relazione e comparare dati.
  • I FS possono essere integrati con informazioni
    sul carico di lavoro, da usarsi come input per il
    progetto logico.

46
Fact Scheme
  • I componenti di base dei FS sono fatti,
    dimensioni e gerarchie.
  • Un fatto è un evento di interesse per l impresa
    ed è descritto da un insieme di misure.
  • Una dimensione determina la granularità di
    rappresentazione dei fatti.
  • Una gerarchia determina come le istanze di fatto
    possono essere aggregate e selezionate in modo
    significativo per il processo decisionale.

47
Fatti associazioni molti a molti
48
Il Dimensional Fact Model
  • Le misure sono attributi a valori continui
    tipicamente numerici che descrivono il fatto da
    diversi punti di vista.
  • Ad esempio, ogni vendita è misurata dal suo
    incasso.
  • Le dimensioni sono attributi discreti che
    definiscono la la granularità minima di
    rappresentazione dei fatti
  • dimensioni tipiche per il fatto vendite sono
    prodotto, negozio, data.
  • Le gerarchie (una per ciascuna dimensione) sono
    costituite da attributi discreti collegati da
    associazioni -to-one.
  • La gerarchia sulla dimensione prodotto include ad
    esempio gli attributi tipo di prodotto,
    categoria, dipartimento, ecc.
  • Alcuni attributi, rappresentati da una linea,
    sono detti attributi non dimensionali e non
    possono essere utilizzati per aggregare i dati.

49
Modellazione dei dati Star Schema
  • individuazione delle variabili oggetto
    dellanalisi corrente
  • per ciascuna di queste variabili devono essere
    definite le misure e, per ciascuna misura, le
    dimensioni ad essa associata che, ricordiamo,
    determinano il tipo e il livello del processo di
    aggregazione.
  • scelta degli attributi di ciascuna dimensione che
    devono essere memorizzati nella tabella
    associata.
  • Questa scelta determina il livello di dettaglio
    con cui viene descritta la misura e la gerarchia
    di aggregazione nella dimensione.

50
Modello logico Relazionale
  • Lo star schema prevede una tabella centrale,
    detta Fact Table, che determina loggetto dello
    studio e più tabelle di appoggio, denominate
    Dimensional Table, che rappresentano le
    dimensioni utilizzate per lanalisi.
  • La chiave della FT è composta dalle chiavi delle
    varie DT.
  • Le sottoparti della chiave della FT sono chiavi
    importate delle DT.
  • Esiste una relazione di tipo 1-a-n tra le
    Dimension Table e la Fact Table
  • Laccesso ai dati avviene tramite join tra le
    Dimension Table e la Fact Table

51
Esempio
52
Esempio di Query
53
Star Schema osservazioni
  • Le Dimension Table sono completamente
    denormalizzate.
  • Si riduce il numero di join necessari
  • Ma
  • Aumenta la dimensione delle tabelle
  • La Fact Table contiene tuple relative a diversi
    livelli di aggregazione
  • Lelevata dimensione della Fact Table incide sui
    tempi di accesso
  • Non si hanno problemi di sparsità in quanto
    vengono memorizzati soltanto le tuple
    corrispondenti a punti dello spazio
    multi-dimensionale per cui esistono le
    informazioni

54
DENORMALIZZAZIONE
  • Nei casi pratici il numero di
  • variabili da controllare
  • delle misure per ciascuna variabile
  • delle dimensioni associate a ciascuna misura
  • sono molto più elevati
  • . ciò comporta una proliferazione notevole del
    numero delle tabelle
  • sia di quelle associate alle dimensioni, sia di
    quelle associate alle misure.
  • Poiché i dati aggregati memorizzati nelle tabelle
    delle misure non sono soggetti a ripetizione,
    tali tabelle sono normalizzate
  • laddove quelle delle dimensioni sono normalmente
    denormalizzate, dovendo memorizzare tutti gli
    attributi di ogni livello di aggregazione
    implementato.

55
LO SCHEMA A FIOCCO DI NEVE(snowflake)
  • La variante nota con il termine schema a fiocco
    di neve consiste nella suddivisione delle tabelle
    delle dimensioni a livello degli attributi di
    aggregazione
  • Si ottiene normalizzando una o più dimensioni
    dello star schema
  • il che consente di avere un numero di tabelle
    maggiori ma di piccole dimensioni e normalizzate
  • con conseguente semplicità di gestione in fase di
    popolazione ed aggiornamento delle tabelle

56
Lo snowflake schema
  • Si riduce la dimensione e la cardinalità delle
    Dimension Table
  • Ogni Fact Table conterrà solo informazioni a
    particolari livelli di aggregazione
  • È necessario un modulo del DBMS (Aggregation
    Navigator) che, per ogni query, decida a quale
    fact table accedere

57
esempio
58
Come fare le interrogazioni?
  • In linea di principio, la popolazione di uno star
    schema può essere effettuata ricorrendo al
    linguaggio SQL standard
  • questa soluzione, però, è estremamente
    complicata e dispendiosa in termini di tempo, in
    quanto, per ciascuna misura, bisogna considerare
    alternativamente ogni dimensione e applicare
    esplicitamente la formula di aggregazione
    desiderata (conteggio, somma, media, etc.).
  • Per tale motivo, le applicazioni ROLAP utilizzano
    tecniche proprietarie per la popolazione e
    laggiornamento degli star schema, tecniche che
    si basano su opportune estensioni del linguaggio
    SQL.

59
3) DATA MINING
  • Discovery Technique
  • E una tecnica di analisi dei dati relativamente
    nuova
  • Non effettua query ma usa algoritmi specifici che
    analizzano i dati e riportano quanto scoperto
  • Trova relazioni tra certi dati, attraverso
    tecniche di clusterizzazione

60
Cosa è il DM
  •  Col termine data mining si indicano una serie di
    tecniche atte ad individuare delle relazioni tra
    dati non esplicitamente rappresentate ed
    inattese.
  • Il processo di analisi comincia acquisendo
    conoscenza a partire da un certo campione di dati
    via via più ampio assumendo che le
    caratteristiche di un ampio set di dati sono
    simili a quelle di un campione limitato

61
PREDICTIVE MODELING
  • questa tecnica cerca di ripercorrere i processi
    di apprendimento umani costruendo un modello che
    descriva le più importanti caratteristiche di un
    certo fenomeno.
  • Il modello viene costruito in due fasi
  • Training set costruisce il modello a partire da
    un grosso campione di dati storici
  • Testing set verifica il modello cercando di
    predire i dati non visti precedentemente

62
Le tecniche di PM
  • Classificazione
  • mediante alberi decisionali e reti neurali
    possono essere individuati record di particolari
    aggregati comportamentali
  • Value prediction
  • mediante modelli di regressione statistici
    lineari o non, viene effettuata la previsione
    futura per un certo aggregato di dati.
  • La tecnica è simile alla tecnica di
    interpolazione utilizzata in analisi numerica ed
    è relativamente semplice da utilizzare

63
DATABASE SEGMENTATION
  • Lo scopo è partizionare il database in cluster di
    record omogenei (aventi cioè proprietà comuni) al
    fine di individuare dei profili di
    sub-popolazioni di dati presenti nel database.
  • Fanno largo uso di queste tecniche quelle
    applicazione orientate a definire profili di
    utenza, marketing etc.

64
DEVIATION DETECTION
  • Tendono ad individuare entità che si discostano
    dalle previsioni effettuate mediante modelli
    statistici.
  • Queste tecniche possono fare uso di strumenti di
    visualizzazione grafica che possono riportare gli
    aggregati del modello ed i loro complementi

65
Analisi dei dati
Data Driven
Assistita dall Analista
Guidata dall Analista
Data Mining
Query and reporting
Analisi Multidimensionale
66
Limportanza del modeling
  • Il tipo di analisi fatto per un DW può
    determinarne
  • Il tipo
  • Il contenuto
  • Summarization, Metadati espliciti QR, MOLAP
  • Drilling Down, Rolling UP MOLAP
  • Basso livello di dettaglio Data Mining

67
Architetture di DW e Scelte implementative
  • Cosa è un Data Mart
  • Un DW più piccolo che funziona indipendentemente
    o può essere interconnesa per formare un
    warehouse integrato
  • Un data mart è un sottoinsieme di un DW che
    assiste un particolare dipartimento o una
    particolare funzione direzionale.
  • memorizza un sottoinsieme dei dati del DW
    normalmente in forma molto aggregata utile ad un
    particolare dipartimento direzionale

68
Data Mart Architettura
69
Data Mart vs Data Warehouse
  • Un data mart contiene meno informazioni e quindi
    è più facile navigare in essi
  • Un data mart non contiene dati operativi
  • Un data mart si focalizza solo sui requisiti di
    un particolare dipartimento

70
Perché un Data Mart
  • Essi permettono agli utenti un accesso rapido
    alle informazioni usate da loro più
    frequentemente
  • migliorando i tempi di risposta del sistema
    (essendo diminuito il volume dei dati da
    visitare).
  • Forniscono strutture dati appropriate ad esigenze
    specifiche agevolando le tecniche di data mining.
  • Il costo per la creazione e la gestione di un
    data mart è normalmente più basso di quello di un
    DW

71
Data Mart caratteristiche
  • Scalabilità
  • Dimensioni
  • devono garantire tempi di risposta più brevi
    rispetto ad un DW
  • Rapporto tra la loro crescita e le loro
    performance
  • Le Viste logiche di diversi data mart fisici
    hanno il nome di virtual data marts
  • Le tecnologie di networking sono intimamente
    legate ai data marts
  • Al crescere del numero di data marts cresce
    lesigenza di avere un management centralizzato
    degli stessi al fine di coordinarne lattività e
    mantenerne la consistenza
Write a Comment
User Comments (0)
About PowerShow.com