Introduksjon til Data Warehouse Design

Et lager i fellesord betyr å lagre noe på et sted og lignende tilfeller i bransjer for å lagre den komplekse datamengden på ett sted. Business Intelligence (BI) lar deg spørre om data fra datakildene, og tillit kan bare gjøres når det er god datavarehusdesign.

Datavarehuset integrerer flere datakilder og vil gi en god støtte for analyse og analytisk rapportering. Hvis du har en dårlig datavarehusdesign, vil det påvirke organisasjonens vekst ved å ha unøyaktige spørringsdata.

Ta et popularitetseksempel på Amazon nettbutikk ved å bestille varen, og den kan leveres rett utenfor døren. Når kunden logger inn på e-handelssiden og søker etter det tilgjengelige produktet i butikken. Så valgte vi og bestilte varen, så snart leverandøren aksepterer og umiddelbart sendt ut. Her kan vi spare tid for å kjøpe den nødvendige varen.

På lignende måte som dette datavarehuset, kan dataene lagres og skaffes fra transaksjonssystemet. Datavarehuset som et to hovedkonsept

  • OLAP - Online analytisk prosessering
  • OLTP - Online Transactionional Processing

Begge er online behandlingssystemer, men har noen forskjeller. OLTP administrerer transaksjonsapplikasjonen som ATM, OLAP bruker for analytisk prosessering som rapportering, prognoser, etc.,

Kravssamling

  • Kravssamling er en fase i design av datavarehus. Det må bestemme kriteriene og implementere dem på en vellykket måte. Det vil være to strategier som brukes for datavarehusdesign, den ene kalles virksomheten og en annen kalles teknisk.
  • Forretningsstrategien fokuserer på langsiktig virksomhetssyn og bidrar til å øke overskuddet for vekst. Det tekniske strategikravet er basert på brukerrapportering, analyse, valg av maskinvare, utviklingsmetode, testteknikk, implementeringsmiljø og brukertrening.
  • Når vi bestemte den forretnings- og tekniske strategien, må vi også utforme BCP-planen (Disaster Recovery). Når det skjer en katastrofe av menneskelig eller naturlig måte, må vi ha en plan for å gjenopprette dataene raskt og sikre at ingen data mister. Å utvikle planen for utvinning av katastrofer er noe av det utfordrende og skaper en tillit for organisasjonen.

Miljøoppsett

  • Når vi samlet dataene for datavarehusdesign, må vi lage et skikkelig miljøoppsett for utvikling, testing og produksjon. Det bør helst være et eget system for applikasjon, database og separat for rapportering / ETL også.
  • Når vi bygger et eget miljø for hver sikrer alle endringene kan utvikles / testes og deretter gå videre til produksjon.
  • Hvis vi har et enkelt miljø som er designet for alle disse aktivitetene, kan det ende opp med problem og datatap. For eksempel, når det skjedde en hendelse i systemet, kunne vi ikke navigere og finne ut hvordan vi kan fikse det, og det gjør det mer komplekst.

Datamodellering

  • Når kravsamlingen og miljøet er satt opp, er det neste å utforme hvordan du kobler til datakilden, prosessen og lagrer i datavarehuset. Denne teknikken kalles som datamodellering. Det kan være en analyse av objektet og forholdet mellom de andre.
  • Når designen av datavarehuset designte ingeniørene hvordan og hvor dataene må lagres. Ved samme anledning bør vi også definere den mulige måten å hente dataene fra datavarehuset på. Når kilden er identifisert, kan teamet bygge logikken og lage et skjemaoppsett.

Typer datamodell

Det er tre typer

  • konseptuell
  • Logisk
  • Fysisk

De tre typene datamodell er nevnt nedenfor:

1. Konseptuelt: Det står HVA systemet inneholder og det er designet av forretningsarkitekter for å definere omfanget for forretningsstrategi.

2. Logisk: Dette definerer HVORDAN det logiske kan opprettes i DBMS, det vil bli designet av Business Analyst og Data Architect for å lage et sett med regler for å lagre / hente dataene

3. Fysisk: Dette definerer HVORDAN systemet kan implementeres.

Bruk av Data Warehouse design

Å være en god datavarehusdesign kan være tidkrevende når du henter inn dataene. Hvert trinn må følge effektivt for å gjøre systemet godt. Det vil hjelpe organisasjonen å håndtere de komplekse typene data og forbedre produktiviteten basert på trendanalysen. Så hvert trinn i DWH-arkitekturdesign er viktig og mer bevisst i valgmetoden. Organisasjonen trer inn i hver flyt deretter og fører til vellykket implementering av datavarehuset.

Det er få viktige bruksområder for datavarehus

1. Bankindustri: De fleste bankene bruker datavarehuset for å lagre en stor mengde transaksjonsdata og muligheten til å hente spørringsdataene mye raskere. Det kan styres som kundedata, markedstrender, rapporter, analyse osv.,

2. Finansbransje: Det ligner på bank, men det eneste fokuset er å forbedre økonomiske endringer ved å analysere kundedataene

3. Regjering: I dag administrerer regjeringen mye data på nettet og lagrer i den relasjonsdatabasen. Hver data har et forhold til hverandre som Aadhaar, PAN er knyttet til mange kilder.

4. Helsevesen: Helsepersonellansvarlige og tjenester så mye informasjon. Den opprettholder kliniske detaljer, kundeoppføringer og hjelper dem å forutsi resultatene, analysere tilbakemeldingene og generere rapportene.

5. Forsikring: Forsikringsselskap som hovedsakelig brukes til datamønster, kundetrend og opprettholde poster.

6. Produksjons- og distribusjonsindustri: Den brukes mest i alle bransjer for lagring av informasjon om informasjon og hjelper dem å forutsi etterspørselselementet for produksjon og salg. Analysere den solgte varen som gir bedre beslutningsmetoder.

7. Forhandlertjenester: Forhandlere er mellommann mellom produsent og kunde. Datavarehouse hjelper dem med kampanjer og varekjøpstrender.

8. Telefonbransje: Telefonbransjer administrerer mange historiske data som hjelper deg med å gjøre kundedatatendensen og målet å presse annonsekampanjer.

Fordeler med datavarehus

  • Leverer forbedret forretningsinformasjon
  • Sikrer datakvalitet og konsistens
  • Sparer tid og penger
  • Sporer historisk intelligente data
  • Genererer høy avkastning

Dis-fordel av Data Warehouse

  • Ekstra rapportarbeid
  • Ufleksibilitet og homogenisering av data
  • Eierforhold
  • Krever store mengder ressurser
  • Skjulte problemer bruker tid

Anbefalte artikler

Dette er en guide til Data Warehouse Design. Her diskuterer vi datavarehusdesignteknikk, kravsamling, miljøoppsetting, bruk, fordel / Dis-fordel. Du kan også se på følgende artikkel for å lære mer -

  1. Fordelene med datavarehus
  2. Implementering av datavarehus
  3. Datavarehusmodellering
  4. Data Warehouse-verktøy
  5. Topp 4 forskjellige typer datamodeller

Kategori:

Stor Data