Date post: | 16-Oct-2015 |
Category: |
Documents |
Upload: | carlos-sebastian-calderon-salvo |
View: | 57 times |
Download: | 0 times |
of 165
Implementando un Data Warehouse con MS SQL Server 2000 y Analysis ServicesJos Mariano lvarez Gonzlez [email protected]
AgendaCaractersticas y objetivos de los Data WarehousesBases de datos involucradasModelos dimensionalesETL y DTSMDXHerramientas del MS SQL Server 2000
Visin de Microsoft sobre BIThe more relevant, useful intelligence you have at your fingertipsabout your business, your customers, your partners and your operationsthe more your organization can make better decisions and increase competitive advantage.
Visin de Microsoft sobre BILa inteligencia ms til y relevante que est disponible se encuentra en la punta de los dedos, sus clientes, socios y operaciones, lo que le permitir tomar mejores decisiones e incrementar su ventaja competitiva.
Que da una solucin de BIMinimizar el tiempo requerido para obtener la informacin relevante del negocioAutomatizar la asimilacin de la informacin Proveer herramientas de anlisis para hacer comparaciones y decisiones ms inteligentesCerrar el lazo desde la decisin a la accin
Qu es un Data Warehouse ?Es una fuente de datos de la empresa fcilmente consultable.Frecuentemente es la unin de los Data Marts que lo componen.
Caractersticas de un data warehouseAnalistas de base de datosAnalistas avanzadosAnalistas de negocioEjecutivosData miningOLAPAplicaciones a medidaQuery toolsEIS
Preguntas de negocioSon los requerimientos de informacin para tomar decisionesPeden incluir grficos o reportesSe pueden responder con rankings, comparaciones, parettos, semforos, reportes, diagramas de dispersin, paneles, etc.
IndicadoresSon los componentes de las respuestas a las preguntas de negocioPueden ser simples como acumuladosPueden ser variaciones relativas o absolutasPueden ser comparacionesEtc.
Diferencias con los sistemasoperativos o transaccionales
Comparacin (1)OLAP
Anlisis de mtricas de negocio por categoras y atributosOptimizado para la carga masiva, consultas grandes, complejas e impredecibles que acceden a muchos registros por tablaOLTP
Satisfacer las operaciones de negocio en tiempo realOptimizada para un conjunto de transacciones que habitualmente operan sobre uno o pocos registros por tabla
Comparacin (2)OLAP
Cargado con datos consistentes y vlidos. No requiere validacin en tiempo realTiene menos usuarios concurrentesOLTP
Optimizado para la validacin de los datos que se cargan durante las transaccionesSoporta miles de usuarios concurrentes
OLAP (1)On Line Analytical ProcessEs la actividad general de consulta y presentacin de datos desde el data warehouse, as como un estilo especficamente dimensional de consultar y presentar esos datosCUBOS
OLAP (2)
Tipos de almacenamiento.
OlapRolap - RelacionalMolap - MultidimensionalHolap - Hbrido
MOLAPEs un conjunto de interfaces de usuario, aplicaciones y tcnicas de base de datos propietarias que estn orientadas a hacia el modelo multidimensional.Las bases de datos no son relacionalesNo hay lenguajes de consulta estndar
ROLAPRelational OLAPEs un conjunto de interfaces y aplicaciones que le da a una base de datos relacional una presentacin multidimensional.
HOLAPCombina los modelos ROLAP y MOLAP tratando de obtener lo mejor de cada uno de ellos.
Data WarehouseElementos involucrados
Elementos bsicos
Sistemas fuenteSon los sistemas operacionales de la empresa y cuyo propsito principal es llevar el registro de todas las transacciones de la empresaSe los suele llamar legacy systemsSon los ERP, CRM, SCM, etc.
Data Stage AreaEs un rea de almacenamiento y un conjunto de procesos que limpian, transforman, combinan, eliminan duplicados, archivan y preparan los datos fuentes para ser usados en el Data WarehouseEs una de las etapas mas difciles en empresas con muchos sistemas fuente
Presentation ServerEs la mquina de destino donde se almacenan y organizan los datos para la consulta directa por parte de los usuarios, generadores de reportes, y otras aplicaciones.
Dimensional ModelEs la disciplina de modelado de datos que se suele usar en el Data Warehouse y est especialmente preparada para este tipo de solucionesSus componentes principales son las Fact Tables y las Dimension Tables
Business process o Proceso de NegocioEs un conjunto coherente de actividades de negocio que dan sentido a los usuarios de negocio del Data Warehouse
Data MartEs un subconjunto lgico del Data WarehouseNO ES un un conjunto de datos sumarizadosEn el modelo propuesto por Kimbal no son elementos diseados por separado que luego se juntan.
Bases de datos involucradasDe los sistemas operacionales. (Suele haber ms de una)Del proceso de extraccin, transformacin y carga (Puede haber ms de una)De consulta (Puede haber ms de una)
Procesos bsicos de un data warehouseExtraccinTransformacinCarga e indexacinAseguracin de calidadPublicacin releaseActualizacinArmado de consultasData feedbak (a legacy systems)AuditoriaSeguridadBackup
Modelado dimensionalCaractersticas, comparacin y justificacin
Modelado dimensionalEs la tcnica para entregar datos a los usuarios dentro de un Data Warehouse.Busca presentar los datos en un esqueleto (framework) que es intuitivo y permite el acceso a los datos de forma altamente eficienteOrientada al anlisis de datos
E-R ModelingEs una tcnica que permite eliminar la redundancia de datos dentro del modelo relacionalEs una disciplina dedicada a darle importancia a las relaciones microscpicas entre los elementos de datos.Orientada a las transacciones
Contras de E-R ModelingLos usuarios no pueden entender, recordar o navegar los modelos ERLas herramientas generalmente no pueden consultar en forma general los modelos EREl modelo ER va en contra de los principios del Data Warehouse tales como lo son intuitivo y eficiente.
De que estamos hablando?
Modelos dimensionales Elementos componentesFact tableTabla de hechos. Generalmente es una tabla muy grandeDimension tablesTablas de dimensiones.Generalmente son pequeas en comparacin a la fact table
Star schemaFACT TABLE Tablas de dimensiones Tablas de dimensiones
Fact tableLos hechos ms importantes en una fact table son los que tiene la propiedad de ser aditivos ya que permiten sumarizarse y obtener un resultado agrupadoOtros hechos pueden utilizar otras funciones de agregacin
Dimension TablesContienen la descripciones textuales de la informacinSon los puntos de entrada del Data WarehouseSon las categoras en las cuales se agrupa la informacin
Mitos falsosEn los modelos dimensionales hay menos informacinLos modelos dimensionales son usados para datos agregados
MetadataEs la informacin y las caractersticas de los modelos y los datos.Sirve para las distintas etapas desde la extraccin de los datos hasta la explotacinEs esencial para el xito a largo plazo
Metadata (2)La de los procesos de ETL queda en el DTSLa de los modelos y la explotacin queda en la base del repositorio habitualmente en C:\Program Files\Microsoft Analysis Services 2k\Bin\msmdrep.mdb
Construccin del Data Warehouse
Alternativas de construccin tradicionalesTop DownMaster Database Sumarizaciones y publicacinBottom UpData mart no relacionados (por ejemplo departamentales)Data warehouse Bus Architecture
Clave para entender el modeloPara entender el modelo dimensional se debe tener en cuenta que un solo modelo entidad relacin se descompone en mltiples modelos dimensionales
Como convertir un modelo E-R en un modelo multidimensional
Primer pasoIdentificar y separar los componentes del modelo entidad relacin en los distintos procesos discretos de negocio, de forma tal de poder modelarlos separadamente
Segundo pasoIdentificar y seleccionar en estos modelos entidad relacin separados, las tablas con relaciones muchos a muchos y que contienen hechos numricos y aditivos (que no son claves del modelo ER) y determinar a partir de ellas las fact tables
Tercer pasoDesnormalizar el resto de las tablas en tablas planas con un solo campo clave que se relaciona directamente con un campo idntico en la fact table. Estas sern las tablas de las dimensiones
ResultadoMatriz dimensionalUn conjunto de modelos dimensionalesLos star schema tienen normalmente entre 5 y 10 dimensionesAlgunas de las dimensiones son compartidas entre los distintos star schema
Ejemplo de matriz dimensional
Fortalezas del modelo (1)Al ser un esqueleto previsible permite tanto a los sistemas de bases de datos como a los query tools hacer fuertes suposiciones sobre los datos de forma tal de ayudar a la presentacin y a la performancePermite soportar cambio en el comportamiento de los usuarios
Fortalezas del modelo (2)Soporta cambios de datos o modelo airosamenteAgregado de datos no previstos del mismo grano que la tabla de hechosAgregado de nuevas dimensiones siempre y cuando un solo valor de esta nueva dimensin se define para cada registro de hechosAgregado de nuevos atributos de una dimensinAgregado de niveles ms bajos en una dimensin a partir de un momento en el tiempo
Fortalezas del modelo (3)Hay un nmero importante de aproximaciones estndar para manejar situaciones comunes de modelado el mundo de los negocios. Slowly changing dimensionsHeterogeneous productsPay in advance databasesEvent handling databases
Fortalezas del modelo (4)Un nmero creciente de aplicaciones y utilidades de software que apoyan la tecnologa de modelado multidimensional propuesto y que proveen tecnologa de agregacin lo que permite respuestas ms performantes
Data Warehouse Bus Architecture (DWBA)
Como realizar la construccin Nadie cree en un una aproximacin totalmente monoltica Nadie defiende la aproximacin de Data Marts aisladosTodos los lderes defienden alguna clase de arquitectura paso a paso
Data MartsLos Data Marts debern estar basados en datos lo ms atmicos posibles que se puedan obtener de los legacy systemsEl termino Data Mart expresa la imposibilidad de la construccin de todo el Data Warehouse completo en un paso
Data Marts en la DWBA (1)Comenzar la planificacin con una completa y corta fase de arquitectura con metas especficas para todo el Data WarehouseDefinir alcance Definir implementacin
Data Marts en la DWBA (2)Seguir con una fase de implementacin paso a paso de cada Data MartSupervisar la construccin de cada pieza completa del Data Warehouse
Dimensiones
DimensionesEs la organizacin de los atributos que describen las cosas que componen el modelo dimensionalEstos atributos estn fuertemente correlacionados entre siSi hay datos poco correlacionados suele ser indicador de que se deben separar en dos dimensiones
Atributos de las dimensionesDeben ser lo ms verborrgicos posibleDeben ser descriptivosDeben ser completosDeben tener calidad.Documentados en la metadataDeben ser descripciones cortas y no cdigos o abreviaciones
Niveles de las dimensionesEs la forma de agrupar los atributos de una dimensinEs el nombre del conjunto de miembros de una dimensin que se encuentran a una misma distancia de la raiz de la jerarquaSuele definirse un ALL (todos) que agrupa a todos y es la raz de la jerarquaSe los usa para crear agregaciones
Ejemplo de nivelesNiveles de la dimensinDimensin
Claves (Keys)Usar claves subrogadas, aun para la dimensin tiempoEvitar claves de mltiples camposEvitar darle significado a la clave
Claves subrogadasSon clave propias generadas dentro del modelo dimensionalNo son las mismas claves que la de los sistemas operacionalesAseguran el xito ya que tarde o temprano los legacy systems pueden realizar cambios que sean incompatibles con el Data Warehouse
Creacin de dimensiones
Conformed dimensions (1)Es una dimensin que significa lo mismo para cada posible fact table a la cual puede ser asociadaGeneralmente es la misma tabla para todos los Data Mart
Conformed dimensions (2)Es una de las mayores responsabilidades del grupo de diseo del Data WarehouseDebe realizar las siguientes tareasEstablecerPublicarMantenerImponer
Conformed dimensions (3)Sin la estricta adhesin a la realizacin de conformed dimensions el Data Warehouse no puede funcionar como un todo integrado
Conformed dimensions (4)Si no se realizan conformed dimensions se puede llegar aTener modelos que no se pueden usar juntosObtener resultados errneos
Conformed dimensions (5)Una nica dimensin puede ser usada en mltiples tablas de hechosLas interfaces de usuario y el contenido de datos es consistente en todos los lugares donde se la useHay una coherente interpretacin de los atributos en todos los Data Mart
Conformed dimensions (6)La determinacin y el diseo de estas Conformed dimensions debera tomar unas pocas semanasDebern ser definidas al nivel mas atmico posibleEl uso de conformed dimensions ms que una decisin tcnica suele ser una decisin poltica
Dimensiones compartidasSon las conformed dimensionsPueden ser usadas en varios cubosPertenecen a una sola base de datosPermiten cruzar datos entre distintos cubos
Dimensiones privadasSon propias de un cuboNo son conformed dimensionsLimitan la navegacin cuando se crean cubos virtuales
Snowflake (copo de nieve 1)Se dice que una dimensin tiene este tipo de estructura cuando est normalizada.Los campos de menor cardinalidad se encuentran separados en tablas
Snowflake (copo de nieve 2)
Snowflake (copo de nieve 3)Normalmente se argumenta ahorro de espacio.No suelen ser ptimas para la navegacin (performance) en ROLAPLos modelos son ms complejosEn Analysis Services suele ser igual de ptimo que sin normalizar
Creacin de una dimensin en copo de nieve (Snowflake)
Tipo de modelos segn las dimensionesStarCada dimensin se compone de 0 o 1 tabla relacionada con la tabla de hechosSnowflakeTodas las dimensiones estn normalizadasStarflakeSolo alguna de las dimensiones estn normalizadas
Dimensin tiempo (1)Ocupa un lugar especial en cada Data WarehouseCada fact table en un Data Warehouse es una serie de tiempo de observaciones da alguna claseDebido a la globalizacin debe soportar mltiples formas de visualizacin
Dimensin tiempo (2)
Creacin de la dimensin tiempo
Slowly changing dimensionsA veces las claves de los sistemas transaccionales no cambian pero sus descripciones s.Los atributos de alguna de las dimensiones cambianSuelen ser espordicos
Tipo 1Sobreescribir el registro de dimensin con los nuevos valoresSe pierde la informacin histrica
Tipo 2Crear un nuevo registro con los nuevos valoresSe requiere claves subrogadasPermite particionar claramente la historia para cada valor de atributo
Tipo 3Crear un campo OLD en la dimensin para almacenar el atributo inmediato previoSe usa en cambios de la empresa del tipo suaves o tentativos
Cambios en Large dimensionNo se pueden utilizar las tcnicas vistasSe debe separar en distintas tablasInformacin constante Informacin variableSe debe crear atributos de tipo banda con valores discretos
Cambios en Large dimension
Dimensiones degeneradasMaster-Detail. Cuando los datos de la fact table son tem deEl Numero de factura, pedido, etc se almacena en la fact tableHablamos de una dimensin degenerada porque si creramos una tabla para la misma solo tendra el atributo Nmero
Junk DimensionsSuelen ser Atributos que son flags de los sistemas transaccionalesDe baja cardinalidad y dispersosLa interpretacin depende del contextoNo suele ser tilDejarlos en la Fact tableCrear una dimensin para cada uno
Junk DimensionsSe deben estudiar cuidadosamenteLa solucin es crear una o varias dimensiones para todos agrupndolos lo mximo posible
Dimensiones balanceadas y desbalanceadas
Dimension Parent-Child (1)
Dimension Parent-Child (2)
Propiedades de miembrosSe definen en un nivel determinadoSuelen usarse para crear dimensiones virtualesNo se crean agregaciones por estas propiedadesSe las usa cuando el atributo esta correlacionado con un nivel determinado de una dimension
Dimensiones VirtualesEs una dimensin lgica basada en una fsicaPuede ser creada en base aPropiedades de los nivelesColumnas de la dimension fisicaNo tienen agregaciones y por lo tanto no aumentan el espacio requerido al procesar el cuboPueden ser ms lentas
La calidad de los atributos define la calidad del Data Warehouse
Hechos
Tipo de hechosAditivosSemiaditivosNo aditivos
Hechos aditivosSe pueden obtener mediante medidas comunes o calculadasSe pueden sumarizar en cualquier dimensinSuelen expresar actividadEjemploDlares o unidades vendidas
Hechos semiaditivos (1)Se suelen poder sumarizar en cualquier dimensin excepto algunaSuelen expresar intensidad o un estado en un momento determinadoNo suele ser til la funcin AVGEjemploNiveles de balanceSaldos de cuentas
Hechos semiaditivos (2)Para combinarlos a travs de la dimensin tiempo se debe Primero sumarizar a travs del tiempoDividir por el numero de periodos de tiempo en cuestinNo es el mismo resultado que la funcin AVGRequieren medidas calculadas
Hechos no aditivosNo se los puede sumarizar pero si agregar.Se los puede promediar, obtener el mximo, etcSe puede usar la funcin AVGEjemploTemperatura
Diseo de la fact tableSeleccionar la fuente de datos del Data MartDeterminar el grano de la fact tableSeleccionar las dimensionesSeleccionar los hechos
Tipos de grano ms usadosTransacciones individualesFotos de los niveles ( actividad, endeudamiento, etc)Items de lnea de documentos (facturas, ordenes de compra, etc.)
Fact tables sin hechos (1)Describen eventos y alcanceSe las usa en situaciones particulares donde generalmente se hacen cuentas y no sumarizaciones
Fact tables sin hechos (2)
Fact tables sin hechos (3)
Cubos reales Se crean fsicamenteContienen los datos y las agregacionesContiene al menos una particinSe pueden escribir
Cubos virtualesEs una vista de uno o varios cubosNo contiene datos ni agregacionesContiene solo la definicin
MedidasDefine la forma en que se agregan los datosPueden tener operaciones sobre la columna dbo.precio * dbo.cantidad
Medidas calculadasSe obtienen a partir de otras medidas del cuboSe usa MDX para definirlaPueden traer problemas de performance
Medidads de flujo y de stockFLUJO: Analizan un indicador en intervalos o transaccionesSuelen ser aditivasSTOCK: Analizan fotos de la situacinSuelen ser semi aditivas respecto del tiempo
Transactions FactsEs til crear campos de auditoriaSe pueden realizar anlisis poderosos que no se pueden realizar con datos sumarizadosPermiten analizar comportamientoAnlisis de colascomportamiento secuencialDeteccin de fraudeNo dan rpida respuesta a algunas preguntas de negocio
Snapshot factsSon la solucin cuando las respuestas de negocio corresponden a actividadPermiten medir rpidamente el estado de la empresa Suelen estar orientadas a cuentas y tiempoAparecen dimensiones de estado
Conformed fact (1)Las conformed dimensions son el 80% del esfuerzo de construccin de la arquitectura del Data Warehouse. El restante 20 % lo constituye la identificacin de definiciones de conformed facts, Se realizan al mismo tiempo que las conformed dimensions
Conformed fact (2)Usualmente los hechos tienen unidades naturales de medidas idnticas para todos los modelosAlgunas veces los hechos pueden tener diferentes unidades naturales de medidas
Conformed fact (3)Algunas veces es imposible obtener conformed factsPor mas que se refiera a los mismos tipos de hechos se deber asegurar que las diferentes interpretaciones tengan diferentes nombres
Caractersticas de los hechosSuelen ser numricos y rara vez son alfanumricosSuelen ser campos con datos en punto flotante de los sistemas transaccionalesSe pueden medir
GranularidadLa granularidad de las fact tables de cada Data Mart deber estar al nivel ms bajo de todas las dimensiones integrantes del modeloCuando se hace drill down no es inteligente perder los beneficios de la presentacin dimensional en los ltimos pasos
Idea fundamentalCada tipo de de datos de negocio puede ser representado por un cubo con Valores mensurables en las celdas del cuboLas aristas del cubo definen las dimensiones naturales de los datos
Caractersticas de los cubosLos modelos tienen generalmente entre 4 y 15 dimensionesModelos con 2 o 3 dimensiones son rarosModelos con mas de 15 dimensiones suelen tener dimensiones que se pueden combinar
Creacin de cubos
Donde comenzarComenzar con Data Marts de una sola fuente de informacin paraMinimizar riesgosAsegurarse la implementacin
ImportanteUna implementacin eficiente de un Data Mart de una sola fuente de informacin proveer suficientes datos interesantes como para mantener a los usuarios felices y tranquilos mientras se realizan las tareas ms difciles de construccin del resto del Data Warehouse
Agregaciones (1)Permiten mejorar los tiempos de respuestaRequieren almacenamiento adicionalSi no son controladas pueden provocar una explosion en los requerimientos de almacenamiento
Agregaciones (2)Debe controlarse cuidadosamente cuando hau muchas dimensiones y nivelesComenzae con un % de mejora bajo 30% o menosSe suele mejorar las agregaciones de acuerdo al perfil de consultas
Impacto en la performanceA mayor numero de agregaciones mas tiempo de procesamiento y ms espacio se requiereA mayor numero de agregaciones es probable que se obtenga un mejor tiempo de respuesta de las consultas
ETLExtraccinTransformacinCarga
ExtraccionGeneralmente se accede a los sistemas fuente y suele programarse en el mismo lenguajeSe define una periodicidad de extraccin y se la programaSuelen definirse interfaces en archivos planos de texto o colas
Transformacin (1)Validacin de datosValida que las filas de la tabla de hechos tengan el correspondiente elemento de cada una de las dimensionesPrecisinValida que todos los campos tengan valores correctos
Transformacin (2)Conversin de tipos y datosSe asegura que todos los valores de un mismo campo estn almacenados y codificados de la misma forma sin importar cual es el sistema fuente que lo informa.Aplicacin de reglas de negocioAsegura que se cumplen las reglas de negocio
Transformacin (3)Limpieza de datosNormalizacionEliminacion de ruidoValores perdidosInconsistenciasDiscretizacion o generacion de conceptos o categorias
Componentes ETL de SQL ServerDTSSQL Server AgentT-SQLOle-DBCOM
Introduccin al MDX.Multidimensional Expressions
Qu es MDX?Sintaxis para definir y manipular objetos multidimensionales.Es equivalente al SQL para los objetos relacionales.No es una ampliacion del SQL.
Partes de una sentencia MDXCubo o cubos (alcance)Especificacin de EjesEspecificacion de las dimensiones (tuplas miembro de cada dimensin), nivel de anidamiento que aparece en cada eje y el ordenEspecificacion de slice o corte (where)
Algunos conceptos (1)Los datos multidimensionales se representan en dimensiones (DIMENSION)Las dimensiones tienen niveles en donde hay miembros (MEMBER)Un miembro a su vez se puede dividir en un nivel inferior en mas miembros (LEVEL)En cada interseccin de los miembros de un cubo PUEDE haber medidas (MEASURES)
Algunos conceptos (1 Bis)
Algunos conceptos (2)CELDA es la interseccin de todas las dimensiones de un cubo.TUPLA es la referencia de una o de varias celdas en cuyo caso estamos hablando de SLICES.SET (conjunto) es una coleccin ordenada de tuplas.NAMED SET es un conjunto con nombre o alias.
Ejemplos de tuplas(Source.[Eastern Hemisphere].Africa, Time.[2nd half].[4th quarter], Route.Air, Measures.Packages) (Source.[Eastern Hemisphere]) (Time.[2nd half], Source.[Western Hemisphere])
Ejemplo de set{ (Time.[1st half].[1st quarter]) , (Time.[2nd half].[3rd quarter]) }
Algunos conceptos (3)MEASURES (medidas) es tratada como una dimensin privada ms y de donde generalmente se obtienen los datos que se analizan.
Algunos conceptos (4)Calculated Members (miembros calculados) Son miembros que se basan en la evaluacin de expresiones MDXUser-Defined Functions (funciones definidas por el usuario) MDX provee extensibilidad mediante estas funciones usando las interfaces (COM).
Instruccin tpicaSELECT [, ...] FROM WHERE
Algunos conceptos (5)Axis dimensionSlicer dimension
Algunos conceptos (5 bis)Cada dimensin en una consulta de un cubo puede ser :axis dimensionslicer dimensionUna dimension no puede participar de ambas a la vezLas dimensiones que no se explicitan en el query se asignan automticamente como slicer dimensions
Slicer DimensionCriterio de seleccinSus miembros por defecto(ALL) Todos sus miembrosClausula WHERE
WhereWHERE ( [Route].[All], [Time].[1st half] )
Miembros (1)Member name[Time].[2nd half].[4th quarter]Member Key[Time].[2nd half].&[Q4] Member FunctionsTime.FirstChild (es lo mismo que Time.[1st half] si ese es el primer hijo)
Miembros (2)Calculated MembersWITH MEMBER [Measures].[PackagesForecast] AS '[Measures].[Packages] * 1.1'
Tuplas (1)(Time.[2nd half])
Tuplas (2)(Time.[2nd half], Route.nonground.air)
Set Functions{[1st quarter]:[4th quarter]}{[1st quarter], [2nd quarter], [3rd quarter], [4th quarter]}
Ejemplos
Importancia de las herramientas de explotacin.
ClientesAplicaciones de usuario finalAplicaciones de acceso a datosData reportGraph reportsQuery toolsAplicaciones de modeloForecastingSocoring de comportamientoData Mining
Drill
Drill downDrill down Significa agregar mas detalle por ejemplo agregando un atributo msLas herramientas de explotacin suelen llamar:Drill Down: agregar al reporte detalle de nivel ms bajo dentro de la misma dimensinDrill To: agregar al reporte detalle de otra dimensin
Drill upDrill upAnlogamente significa quitar algn detalle dentro del reporte
Drill
Ejemplo de DRILL
Justificacin econmica para el data warehouseAhorros en recursos usados en la generacin de informacinAhorro por mejoras en la toma de decisionesMejores resultados por mejores decisionesROI habitual del 50% en los proyectos exitosos
Muchas gracias por su atencinJos Mariano lvarez Gonzlez [email protected]