Mitä on ulottuvuusmallinnus tietovarastossa? Opi tyypit
Toimituksellinen tiimi
⚡ Älykäs yhteenveto
Tietovaraston dimensiomalli järjestää tiedot fakta- ja dimensiotaulukoihin, jotta analyytikot voivat hakea ja tiivistää numeeriset mittaukset nopeasti noudattaen viisivaiheista Kimball-menetelmää, joka tunnistaa liiketoimintaprosessin, rakenteen, dimensiot, faktat ja lopullisen skeeman.
Mitä on ulottuvuusmallinnus?
Dimensiomallinnus (DM) on tietovarastossa tapahtuvaan tiedon tallennukseen optimoitu tietorakennetekniikka. Sen tarkoituksena on virittää tietokanta tiedon nopeampaa hakua varten. Konseptin kehitti Ralph Kimball, ja se perustuu kahden tyyppisiin taulukkoihin: "fakta"- ja "dimensio"-taulukoihin.
Tietovaraston dimensiomalli on suunniteltu lukemaan, tiivistämään ja analysoimaan numeerista tietoa, kuten arvoja, saldoja, määriä ja painoja. Relaatiomallit puolestaan on optimoitu tietojen lisäämiseen, päivittämiseen ja poistamiseen reaaliaikaisessa online-tapahtumien käsittelyjärjestelmässä.
Jokainen näistä lähestymistavoista tallentaa tietoja omalla tavallaan, ja jokaisella on omat etunsa.
Relaatiomallissa normalisointi ja ER-mallit vähentävät datan redundanssia. Dimensiomalli sen sijaan järjestää datan niin, että tiedon hakeminen ja raporttien luominen on helpompaa.
Tästä syystä dimensiomallit sopivat tietovarastointi järjestelmiä transaktiopainotteisten relaatiojärjestelmien sijaan. Koska malli on laajemman tietovarastoarkkitehtuurialla olevissa osioissa eritellään sen elementit, tyypit ja suunnitteluvaiheet.
Dimensiotietomallin elementit
tosiasia
Faktat ovat liiketoimintaprosessista saatuja mittauksia tai mittareita. Esimerkiksi myyntiprosessissa neljännesvuosittainen myyntiluku on fakta – numeerinen arvo, jota yritys haluaa analysoida.
Ulottuvuus
Dimensio antaa kontekstin liiketoimintaprosessitapahtumalle. Yksinkertaisesti sanottuna dimensiot antavat tiedon kuka, mitä ja missä. "Neljännesvuosittaisen myyntiluvun" tapauksessa dimensiot olisivat seuraavat:
- Kuka – Asiakkaiden nimet
- Missä - Sijainti
- Mitä – Tuotteen nimi
Toisin sanoen ulottuvuus on ikkuna, jonka läpi tarkastelet faktoihin sisältyvää tietoa.
Ominaisuudet
Attribuutit ovat ulottuvuuden erilaisia ominaisuuksia dimensiotietomallissa.
Sijainti-ulottuvuudessa attribuutit voivat olla:
- Osavaltio
- Maa
- Postinumero
Määritteitä käytetään faktojen hakemiseen, suodattamiseen ja luokitteluun, ja dimensiotaulukot ovat paikka, jossa nämä määritteet sijaitsevat.
Faktataulukko
Tietotaulukko on dimensiomallin ensisijainen taulukko.
Faktataulukko sisältää:
- Mittaukset vai faktat
- Dimensiotaulukoiden viiteavaimet
Mittataulukko
Dimensiotaulukko sisältää faktan dimensiot ja liittyy faktataulukkoon viiteavaimen avulla. Sen pääominaisuudet on lueteltu alla:
- Mittataulukot ovat denormalisoituja taulukoita.
- Dimensioattribuutit muodostavat taulukon sarakkeet.
- Dimensiot tarjoavat faktoille kuvailevia ominaisuuksia niiden ominaisuuksien kautta.
- Dimensioiden määrälle ei ole kiinteää rajoitusta.
- Dimensio voi sisältää yhden tai useamman hierarkkisen suhteen.
Tietovaraston mittatyypit
Dimensiomallinnuksessa käytetään useita erityyppisiä dimensioita, joista jokainen soveltuu tiettyyn suunnittelutarpeeseen. Pääasiallinen tietovaraston ulottuvuustyypit ovat:
- Mukautettu mitta
- Tukijalkin mitat
- Kutistettu mitta
- Roolipeliulottuvuus
- Mitat mittataulukkoon
- Roskapostin ulottuvuus
- Degeneroitunut ulottuvuus
- Vaihdettava koko
- Vaiheen mitta
Dimensiomallinnuksen vaiheet
Dimensiomallinnuksen tarkkuus määrää tietovaraston toteutuksen onnistumisen. Dimensiomallin rakentamiseen on viisi vaihetta:
- Tunnista liiketoimintaprosessi
- Tunnista rakeisuus (yksityiskohtien taso)
- Tunnista mitat
- Tunnista faktat
- Rakenna skeema
Kaiken kaikkiaan valmiin mallin tulisi kuvata liiketoimintaprosessisi syyt, määrät, ajat, paikat, kuka ja mitä.
Vaihe 1) Tunnista liiketoimintaprosessi
Ensimmäinen tehtävä on tunnistaa liiketoimintaprosessit, jotka varaston tulisi kattaa – markkinointi, myynti, henkilöstöhallinto ja niin edelleen – organisaation tavoitteisiin perustuen. tietojen analysointi tarpeet ja saatavilla olevan datan laatu. Tämä on tärkein vaihe, koska virhe tässä aiheuttaa kaskadoituvia, vaikeasti korjattavia vikoja.
Liiketoimintaprosessin kuvaamiseen voit käyttää selkotekstiä, Business Process Modelling Notation (BPMN) -merkintää tai Unified Modelling Language (UML).
Vaihe 2) Tunnista vilja
Grain (jyvä) määrittää liiketoimintaongelman yksityiskohtaisuuden tason – mihin tahansa taulukkoon tallennetun tiedon alimman tason.
Jos taulukko sisältää myyntitiedot jokaiselta päivältä, sillä on päivittäinen tarkkuus; jos se sisältää kuukausittaiset kokonaissummat, sillä on kuukausittainen tarkkuus.
Tässä vaiheessa vastaat kysymyksiin, kuten:
- Pitäisikö varaston varastoida kaikki saatavilla olevat tuotteet vai vain muutamia tuotetyyppejä? Tämä riippuu valituista liiketoimintaprosesseista.
- Pitäisikö tuotemyynti tallentaa kuukausittain, viikoittain, päivittäin vai tunneittain? Tämä riippuu raporttien tekijöiden pyynnöstä.
- Miten nämä kaksi vaihtoehtoa vaikuttavat tietokannan kokoon?
Esimerkki viljasta: Kuvittele, että monikansallisen yrityksen toimitusjohtaja haluaa nähdä tiettyjen tuotteiden myynnin eri toimipisteissä päivittäin mitattuna.
Tässä skenaariossa viljasta tulee "tuotemyyntitietoja sijainnin mukaan päivittäin".
Vaihe 3) Tunnista mitat
Dimensiot ovat substantiiveja, kuten päivämäärä, myymälä ja varasto, ja ne sisältävät kuvailevat tiedot.
Esimerkiksi päivämääräulottuvuudessa voi olla vuosi, kuukausi ja viikonpäivä.
Esimerkki mitoista: Sama päivittäinen myyntivaatimus ohjaa dimensioiden valintaa.
Tässä skenaariossa ulottuvuudet ovat Tuote, Sijainti ja Aika.
Tuote-ulottuvuus sisältää ominaisuuksia, kuten tuoteavaimen (viiteavaimen), nimen, tyypin ja tiedot.
Sijainti-ulottuvuus on järjestetty hierarkkisesti: maa, osavaltio, kaupunki, katuosoite ja nimi.
Vaihe 4) Tunnista faktat
Tämä vaihe on läheisesti sidoksissa järjestelmän liiketoimintakäyttäjiin, koska se määrittelee heidän tietovarastosta käyttämänsä luvut.
Useimmat tietotaulukon rivit ovat numeerisia arvoja, kuten hinta tai yksikkökustannus.
Esimerkki tosiasioista: Päivittäinen myyntivaatimus asettaa jälleen kontekstin.
Tässä kyse on myynnin summasta tuotteen, sijainnin ja ajan mukaan.
Vaihe 5) Rakenna kaavio
Tässä viimeisessä vaiheessa toteutat dimensiomallin. Skeema on yksinkertaisesti tietokannan rakenne – taulukoiden järjestely – ja kaksi skeemaa ovat erityisen yleisiä.
Ensimmäinen on tähtiskeema, joka on helppo suunnitella ja nimetty muodonsa mukaan: keskeinen tietotaulukko, jonka ulottuvuustaulukot säteilevät ulospäin kuin tähden kärjet.
Tähtiskeemassa faktataulukko on kolmannessa normaalimuodossa, kun taas dimensiotaulukot ovat denormalisoituja; tämä tähtikaavio tietovaraston mallinnuksessa Opas toimii kokonaisvaltaisen esimerkin avulla.
Toinen on lumihiutalekaavio, tähtikaavion laajennus, jossa jokainen ulottuvuus on normalisoitu ja linkitetty muihin ulottuvuustaulukoihin, kuten tässä selitetään lumihiutaleen skeema tietovarastomallissa opas.
Mittamallinnuksen säännöt
Seuraavat säännöt ja periaatteet ohjaavat tehokasta ulottuvuusmallinnusta:
- Lataa atomitietoja ulotteisiin rakenteisiin.
- Rakenna ulottuvuusmalleja liiketoimintaprosessien ympärille.
- Varmista, että jokaisella perustietotaululla on siihen liittyvä päivämäärädimensiotaulu.
- Pidä kaikki tiedot yhdessä tietotaulukossa samalla tarkkuudella tai yksityiskohtaisuustasolla.
- Tallenna raporttien otsikot ja suodatinalueen arvot ulottuvuustaulukoihin.
- Anna jokaiselle ulottuvuustaulukolle sijaisavain.
- Tasapainota jatkuvasti vaatimuksia ja todellisuutta tarjotaksesi ratkaisun, joka tukee liiketoiminnan päätöksentekoa.
Mittamallinnuksen edut
Dimensiomallinnus tarjoaa useita käytännön etuja:
- Standardoidut ulottuvuudet mahdollistavat helpon ja yhdenmukaisen raportoinnin eri liiketoiminnan osa-alueilla.
- Mittataulukot tallentavat mittatietojen historian.
- Uusia ulottuvuuksia voidaan ottaa käyttöön ilman merkittäviä häiriöitä tietotaulukkoon.
- Tiedot tallennetaan tietokantaan, jotta ne on helpompi hakea, kun ne ovat siellä.
- Normalisoituun malliin verrattuna dimensiotaulukot ovat helpommin ymmärrettäviä, koska tiedot on ryhmitelty selkeisiin liiketoimintakategorioihin.
- Malli perustuu liiketoimintatermeihin, joten yritys tietää, mitä kukin fakta, ulottuvuus tai attribuutti tarkoittaa.
- Koska malli on denormalisoitu, se on optimoitu nopeaa kyselyä varten, ja monet relaatioalustat optimoivat suoritussuunnitelmansa sitä varten.
- Kaava tarjoaa korkean suorituskyvyn vähemmillä liitoksilla ja minimaalisella dataredundanssilla.
- Dimensiomallit mukautuvat muutoksiin helposti, koska sarakkeita voidaan lisätä dimensiotaulukoihin vaikuttamatta olemassa oleviin liiketoimintatietosovelluksiin.
Mikä on moniulotteinen tietomalli tietovarastossa?
A moniulotteinen datamalli esittää dataa datakuutioina, jolloin voit mallintaa ja tarkastella dataa useiden ulottuvuuksien ja faktojen määrittelemien ulottuvuuksien kautta. Tällainen malli on yleensä järjestetty keskeisen teeman ympärille ja sitä edustaa faktataulukko, ja se muodostaa perustan OLAP analyysi.
