¿Qué es Data Mart en Data Warehouse? Tipos y ejemplos
Equipo editorial
⚡ Resumen inteligente
El diseño de un Data Mart proporciona un subconjunto específico de información del almacén de datos a un departamento, abarcando los tres tipos de Data Mart, las cinco fases desde el diseño hasta la gestión, y las mejores prácticas que garantizan una entrega rápida, segura y rentable.
Un almacén de datos aporta el poder analítico de un almacenamiento de datos a un solo equipo. Al centrarse en un área temática específica, permite que un departamento analice sus propios datos rápidamente sin tener que esperar a que se procesen las cargas de trabajo de toda la empresa. Las secciones siguientes explican qué es un data mart, por qué las organizaciones lo utilizan, los tres tipos disponibles y cómo implementarlo y gestionarlo.
¿Qué es Data Mart?
Un data mart se centra en un área funcional específica de una organización y contiene un subconjunto de los datos almacenados en un repositorio. Almacenamiento de DatosSe trata de una versión condensada de un almacén de datos, diseñada para ser utilizada por un departamento, unidad o grupo de usuarios específico, por ejemplo, Marketing, Ventas, Recursos Humanos o Finanzas.
Debido a que cumple una única función, un almacén de datos suele estar controlado por un solo departamento dentro de la organización. Este enfoque limita su alcance y define claramente su responsabilidad.
Un data mart extrae datos de solo unas pocas fuentes, a diferencia de un data warehouse que integra muchas. Por lo tanto, los data marts son de tamaño reducido y mucho más flexibles que un data warehouse completo.
¿Por qué necesitamos Data Mart?
Las organizaciones confían en los almacenes de datos por varias razones prácticas:
- Un almacén de datos mejora el tiempo de respuesta de los usuarios al reducir el volumen de datos que consultan.
- Proporciona fácil acceso a los datos solicitados con frecuencia.
- Un data mart es más sencillo y económico de implementar que un almacén de datos corporativo.
- Es ágil: cuando el modelo cambia, se puede reconstruir rápidamente un almacén de datos más pequeño.
- Un almacén de datos (data mart) lo define un único experto en la materia, mientras que un almacén de datos (data warehouse) lo define un equipo interdisciplinario, por lo que un almacén de datos es más susceptible al cambio.
- Los datos están particionados, lo que permite privilegios de control de acceso muy detallados.
- Los datos pueden segmentarse y almacenarse en diferentes plataformas de hardware o software.
En resumen, dado que un almacén de datos gestiona una porción de datos más pequeña y bien definida, su construcción es más rápida, su funcionamiento más económico y su seguridad más sencilla que la de un almacén de datos empresarial.
Sin embargo, no todos los almacenes de datos se construyen de la misma manera. La fuente de la que se abastece un almacén determina con cuál de los tres tipos se está trabajando.
Tipos de centro de datos
Existen tres tipos principales de almacenes de datos, que se distinguen por la procedencia de sus datos:
- Dependiente: Los almacenes de datos dependientes obtienen los datos directamente de fuentes operativas, fuentes externas o ambas.
- Independiente: Se crea un almacén de datos independiente sin un almacén de datos central.
- Híbrido: Un almacén de datos híbrido puede obtener datos de almacenes de datos o de sistemas operativos.
Mercado de datos dependiente
Un almacén de datos dependiente obtiene los datos de una organización de un único almacén de datos, lo que le brinda la ventaja de la centralización. Si necesita construir uno o más almacenes de datos físicos, debe configurarlos como almacenes de datos dependientes.
Un almacén de datos dependiente puede construirse de dos maneras: una en la que los usuarios acceden tanto al almacén de datos como al data warehouse según sus necesidades, y otra en la que el acceso se limita únicamente al almacén de datos. El segundo enfoque no es óptimo, ya que puede generar un "vertedero de datos": datos que parten de una fuente común pero que luego se descartan y quedan prácticamente sin usar.
Mercado de datos independiente
Se crea un almacén de datos independiente sin un almacén de datos central. Este tipo de almacén de datos es una opción ideal para grupos pequeños dentro de una organización.
Un almacén de datos independiente no guarda relación con un almacén de datos empresarial ni con ningún otro almacén de datos. Sus datos se cargan y analizan de forma autónoma. Este enfoque contradice el propósito principal de crear un almacén de datos: un repositorio centralizado y coherente de datos empresariales que puedan analizar numerosos usuarios con diferentes intereses.
Mercado de datos híbrido
Un almacén de datos híbrido combina información de fuentes externas al propio almacén de datos. Esto resulta útil cuando se necesita una integración puntual, por ejemplo, tras la incorporación de un nuevo grupo o producto a la organización.
Es ideal para entornos con múltiples bases de datos y ofrece una implementación rápida con un mínimo esfuerzo de limpieza de datos. Un almacén de datos híbrido también admite grandes estructuras de almacenamiento y funciona bien para aplicaciones más pequeñas centradas en datos.
Pasos para implementar un Datamart
Implementar un almacén de datos es un proceso gratificante pero complejo. Consta de cinco fases: diseño, construcción, llenado, acceso y gestión, cada una de las cuales se describe a continuación.
Diseño
El diseño es la primera fase de la implementación de un almacén de datos. Abarca todas las tareas, desde la solicitud inicial del almacén hasta la recopilación de requisitos, y finaliza con el diseño lógico y físico del mismo.
La etapa de diseño implica las siguientes tareas:
- Recopilar los requisitos técnicos y comerciales e identificar las fuentes de datos.
- Seleccionar el subconjunto de datos apropiado.
- Diseño de la estructura lógica y física del data mart.
Los datos se pueden particionar según los siguientes criterios:
- Fecha
- Unidad de negocio o funcional
- Geografía
- Cualquier combinación de las anteriores
Los datos se pueden particionar a nivel de aplicación o de DBMS, aunque se recomienda particionar a nivel de aplicación porque permite un modelo de datos diferente cada año a medida que cambia el entorno empresarial. La mayoría de los data marts se construyen sobre una base de datos. modelo dimensional, como un esquema en estrella, para mantener las consultas rápidas.
¿Qué productos y tecnologías necesita?
En esta etapa, bastará con papel y bolígrafo. Las herramientas que permiten crear diagramas UML o de entidad-relación también pueden añadir metadatos a los diseños lógicos y físicos.
Construyendo
La construcción es la segunda fase de la implementación. Implica la creación de la base de datos física y las estructuras lógicas.
Este paso implica la siguiente tarea:
- Implementar la base de datos física diseñada en la fase anterior; por ejemplo, crear objetos de esquema como tablas, índices y vistas.
¿Qué productos y tecnologías necesita?
Necesitas un sistema de gestión de bases de datos relacionales (RDBMS) para construir un almacén de datos. Un RDBMS proporciona varias características que son esenciales para el éxito de un almacén de datos:
- Administración de almacenamiento: Un sistema de gestión de bases de datos relacionales (RDBMS) almacena y administra datos, permitiéndote crear, agregar y eliminar registros.
- Acceso rápido a los datos: Mediante una consulta SQL, puede recuperar fácilmente datos basándose en condiciones o filtros específicos.
- Protección de Datos: El sistema de gestión de bases de datos relacionales (RDBMS) puede recuperarse de fallos del sistema, como cortes de energía, y restaurar los datos a partir de copias de seguridad si falla un disco.
- Soporte multiusuario: Ofrece acceso simultáneo, de modo que varios usuarios pueden leer y modificar datos sin sobrescribir los cambios de los demás.
- Seguridad: Regula qué usuarios pueden acceder a qué objetos y qué operaciones pueden realizar.
Poblar
En la tercera fase, los datos se introducen en el almacén de datos.
El paso de rellenado implica las siguientes tareas:
- Mapearping Datos de origen a datos de destino.
- Extracting los datos de origen.
- Limpieza y transformación de los datos.
- Cargando los datos en el almacén de datos.
- Creación y almacenamiento de metadatos.
¿Qué productos y tecnologías necesita?
Usted realiza estas tareas con un ETL (ExtracHerramienta (t, Transformar, Cargar). Examina las fuentes de datos y realiza un mapeo de origen a destino.pingy luego extracts, transforma, limpia y carga los datos en el almacén de datos.
Durante el proceso, la herramienta también crea metadatos: detalles como la procedencia de los datos, su antigüedad, los cambios realizados y el nivel de resumen aplicado.
Accediendo
El acceso es el cuarto paso, y pone los datos en uso: consultar datos, crear informes y gráficos, y publicarlos. Los usuarios finales envían consultas y ven los resultados, a menudo a través de OLAP tools.
El paso de acceso comprende las siguientes tareas:
- Configurar una capa meta que traduzca las estructuras de la base de datos y los nombres de los objetos a términos comerciales, para que los usuarios no técnicos puedan acceder fácilmente al almacén de datos.
- Configurar y mantener las estructuras de la base de datos.
- Configurar las API e interfaces si fuera necesario.
¿Qué productos y tecnologías necesita?
Puedes acceder al almacén de datos mediante la línea de comandos o una interfaz gráfica de usuario (GUI). Generalmente se prefiere la GUI porque genera gráficos fácilmente y es más intuitiva que la línea de comandos.
Gestionando
La gestión es la fase final del proceso de implementación del data mart. Mediante una interfaz gráfica de usuario (GUI) o la línea de comandos, los equipos gestionan tareas de administración continuas como:
- Gestión continua de acceso de usuarios.
- Optimización y ajuste fino del sistema para un mejor rendimiento.
- Agregar y gestionar datos nuevos en el almacén de datos.
- Planificar escenarios de recuperación para mantener el sistema disponible en caso de fallo.
- Recuperación ante fallos de hardware y software, preservando los datos.
Mejores prácticas para implementar Data Marts
Siga estas buenas prácticas durante todo el proceso de implementación del almacén de datos:
- Estructurar la fuente de un almacén de datos por departamento.
- Mida el ciclo de implementación en semanas en lugar de meses o años.
- Involucre a todas las partes interesadas en la fase de planificación y diseño, ya que la implementación de un almacén de datos puede ser compleja.
- Elabore un presupuesto preciso para los costos de hardware, software, redes e implementación del almacén de datos.
- Incluso cuando un almacén de datos comparte hardware, puede necesitar software diferente para gestionar las consultas de los usuarios; evalúe la potencia de procesamiento y el almacenamiento adicionales necesarios para obtener respuestas rápidas.
- Cuando un almacén de datos se encuentra en una ubicación diferente a la del almacén de datos, asegúrese de que haya suficiente capacidad de red para transferir los volúmenes de datos necesarios.
- Presupuesto para el tiempo de carga, que aumenta a medida que se incrementa la complejidad de las transformaciones.
Ventajas y desventajas de un Data Mart
Como cualquier elección de arquitectura, un almacén de datos ofrece claras ventajas, aunque también conlleva algunas desventajas.
Ventajas
- Un almacén de datos guarda un subconjunto de datos de toda la organización que son valiosos para un grupo específico de usuarios.
- Es una alternativa rentable a un almacén de datos, cuya construcción puede resultar costosa.
- Un almacén de datos permite un acceso más rápido a los datos.
- Es fácil de usar, ya que está diseñado para las necesidades específicas de sus usuarios, lo que puede acelerar los procesos empresariales.
- Un data mart requiere menos tiempo de implementación que un data warehouse, ya que solo te centras en un subconjunto de los datos.
- Contiene datos históricos que ayudan a los analistas a identificar tendencias.
Desventajas
- En ocasiones, las empresas crean demasiados almacenes de datos dispares y sin relación entre sí, lo que dificulta su mantenimiento.
- Un almacén de datos no puede proporcionar análisis de datos a nivel de toda la empresa, porque su conjunto de datos es limitado.
