Βασικές αρχές αποθήκευσης δεδομένων: Ένας απόλυτος οδηγός με παραδείγματα

data warehousing fundamentals

Μάθετε τα πάντα για τις Βασικές αρχές αποθήκευσης δεδομένων. Αυτός ο οδηγός βάθους εξηγεί τι είναι η αποθήκευση δεδομένων μαζί με τους τύπους, τα χαρακτηριστικά, τα πλεονεκτήματα και τα μειονεκτήματά του:

Η αποθήκη δεδομένων είναι η τελευταία τάση αποθήκευσης στη σημερινή βιομηχανία πληροφορικής.

Αυτό το σεμινάριο θα εξηγήσει τι είναι μια αποθήκη δεδομένων; Γιατί είναι σημαντική η αποθήκευση δεδομένων; Τύποι εφαρμογών αποθήκης δεδομένων, χαρακτηριστικά μιας αποθήκης δεδομένων, οφέλη και μειονεκτήματα της αποθήκευσης δεδομένων.

Λίστα μαθημάτων αποθήκευσης δεδομένων σε αυτήν τη σειρά:

Εκμάθηση # 1: Βασικές αρχές αποθήκευσης δεδομένων
Εκμάθηση # 2: Τι είναι η διαδικασία ETL στην αποθήκη δεδομένων;
Εκμάθηση # 3: Δοκιμή αποθήκης δεδομένων
Εκμάθηση # 4: Διαστατικό μοντέλο δεδομένων στην αποθήκη δεδομένων
Εκμάθηση # 5: Τύποι σχήματος στη Μοντελοποίηση αποθήκης δεδομένων
Εκμάθηση # 6: Εκπαιδευτικό Data Mart
Εκμάθηση # 7: Μεταδεδομένα στο ETL

Επισκόπηση των εκπαιδευτικών σε αυτήν τη σειρά αποθήκευσης δεδομένων

Τι θα μάθετε:

• Βασικές αρχές αποθήκευσης δεδομένων: Ένας πλήρης οδηγός
  • Τι είναι η αποθήκευση δεδομένων;
  • Γιατί είναι σημαντική η αποθήκευση δεδομένων;
  • Τύποι Εφαρμογών Αποθήκης Δεδομένων
    • # 1) Επεξεργασία πληροφοριών
    • # 2) Αναλυτική επεξεργασία
    • # 3) Εξόρυξη δεδομένων
  • Χαρακτηριστικά μιας αποθήκης δεδομένων
  • Οφέλη μιας αποθήκης δεδομένων
  • Μειονεκτήματα αποθήκευσης δεδομένων
• συμπέρασμα
  • Συνιστώμενη ανάγνωση

Βασικές αρχές αποθήκευσης δεδομένων: Ένας πλήρης οδηγός

Στοχευμένο κοινό

• Προγραμματιστές και υπεύθυνοι δοκιμής αποθήκης δεδομένων / ETL.
• Επαγγελματίες βάσης δεδομένων με βασικές γνώσεις εννοιών βάσης δεδομένων.
• Διαχειριστές βάσεων δεδομένων / Μεγάλοι ειδικοί δεδομένων που θέλουν να κατανοήσουν τις έννοιες αποθήκευσης δεδομένων.
• Απόφοιτοι κολεγίου / Φρεσκάροντες που αναζητούν θέσεις εργασίας στην αποθήκη δεδομένων.

Τι είναι η αποθήκευση δεδομένων;

Ένα Data Warehouse (DW) είναι ένα αποθετήριο τεράστιου όγκου οργανωμένων δεδομένων. Αυτά τα δεδομένα συγκεντρώνονται από μία ή περισσότερες διαφορετικές πηγές δεδομένων. Το DW είναι μια σχεσιακή βάση δεδομένων που έχει σχεδιαστεί κυρίως για αναλυτικές αναφορές και έγκαιρη λήψη αποφάσεων σε οργανισμούς.

Τα δεδομένα για αυτόν τον σκοπό είναι απομονωμένα και βελτιστοποιημένα από τα δεδομένα συναλλαγών προέλευσης, τα οποία δεν θα έχουν καμία επίπτωση στην κύρια επιχείρηση. Εάν ένας οργανισμός εισάγει οποιαδήποτε αλλαγή επιχείρησης, τότε το DW χρησιμοποιείται για να εξετάσει τις επιπτώσεις αυτής της αλλαγής και ως εκ τούτου το DW χρησιμοποιείται επίσης για την παρακολούθηση της διαδικασίας λήψης αποφάσεων.

απροσδιόριστη αναφορά στη λειτουργία στο αρχείο κεφαλίδας c ++

Η αποθήκη δεδομένων είναι ως επί το πλείστον σύστημα μόνο για ανάγνωση, καθώς τα λειτουργικά δεδομένα διαχωρίζονται σε μεγάλο βαθμό από την DW. Αυτό παρέχει ένα περιβάλλον για την ανάκτηση του υψηλότερου όγκου δεδομένων με καλή γραφή ερωτημάτων.

Έτσι, η DW θα λειτουργήσει ως η μηχανή υποστήριξης για εργαλεία Business Intelligence που θα δείχνει τις αναφορές, ταμπλό για τους επιχειρηματικούς χρήστες. Το DW χρησιμοποιείται ευρέως σε τραπεζικούς, χρηματοοικονομικούς, λιανικούς τομείς κ.λπ.

Γιατί είναι σημαντική η αποθήκευση δεδομένων;

Παρακάτω αναφέρονται μερικοί από τους λόγους για τους οποίους η Data Warehouse είναι ζωτικής σημασίας.

1. Η αποθήκη δεδομένων συγκεντρώνει όλα τα επιχειρησιακά δεδομένα από διάφορες ετερογενείς πηγές «διαφορετικών μορφών» και μέσω της διαδικασίας εξαγωγής, μετασχηματισμού και φόρτωσης (ETL) φορτώνει τα δεδομένα σε DW σε μια «τυποποιημένη διαστατική μορφή» σε έναν οργανισμό.
2. Η αποθήκη δεδομένων διατηρεί τόσο 'τρέχοντα δεδομένα όσο και ιστορικά δεδομένα' για αναλυτικές αναφορές και λήψη αποφάσεων βάσει γεγονότων.
3. Βοηθά τους οργανισμούς να λαμβάνουν «εξυπνότερες και γρήγορες αποφάσεις» σχετικά με τη μείωση του κόστους και την αύξηση των εσόδων, συγκρίνοντας τις τριμηνιαίες και ετήσιες εκθέσεις για τη βελτίωση της απόδοσής τους.

Τύποι Εφαρμογών Αποθήκης Δεδομένων

Το Business Intelligence (BI) είναι ένας κλάδος αποθήκευσης δεδομένων που έχει σχεδιαστεί για τη λήψη αποφάσεων. Μόλις φορτωθούν τα δεδομένα στο DW, το BI παίζει σημαντικό ρόλο αναλύοντας τα δεδομένα και παρουσιάζοντάς τα στους επιχειρηματικούς χρήστες.

Πρακτικά, ο όρος «εφαρμογές αποθήκης δεδομένων» υπονοεί, σε πόσους διαφορετικούς τύπους μπορούν να επεξεργαστούν και να χρησιμοποιηθούν τα δεδομένα.

Έχουμε τρεις τύπους εφαρμογών DW όπως αναφέρονται παρακάτω.

1. Επεξεργασία πληροφορίας
2. Αναλυτική επεξεργασία
3. Εξόρυξη δεδομένων που εξυπηρετεί το σκοπό του BI

# 1) Επεξεργασία πληροφοριών

Πρόκειται για ένα είδος εφαρμογής όπου η αποθήκη δεδομένων επιτρέπει την άμεση επαφή ενός με τα δεδομένα που είναι αποθηκευμένα σε αυτήν.

Καθώς τα δεδομένα μπορούν να υποβληθούν σε επεξεργασία γράφοντας απευθείας ερωτήματα στα δεδομένα (ή) με μια βασική στατιστική ανάλυση για τα δεδομένα και τα τελικά αποτελέσματα θα αναφερθούν στους επιχειρηματικούς χρήστες με τη μορφή αναφορών, πινάκων, διαγραμμάτων ή γραφημάτων.

Η DW υποστηρίζει τα ακόλουθα εργαλεία για την επεξεργασία πληροφοριών:

(i) Εργαλεία ερωτημάτων: Η επιχείρηση (ή) ο αναλυτής εκτελεί τα ερωτήματα χρησιμοποιώντας εργαλεία ερωτημάτων για να εξερευνήσει τα δεδομένα και να δημιουργήσει το αποτέλεσμα με τη μορφή αναφορών ή γραφικών σύμφωνα με τις απαιτήσεις της επιχείρησης.

(ii) Εργαλεία αναφοράς: Εάν η επιχείρηση θέλει να δει τα αποτελέσματα σε οποιαδήποτε καθορισμένη μορφή και σε προγραμματισμένη βάση, δηλαδή καθημερινά, εβδομαδιαία ή μηνιαία, τότε θα χρησιμοποιηθούν εργαλεία αναφοράς. Αυτά τα είδη αναφορών μπορούν να αποθηκευτούν και να ελεγχθούν ανά πάσα στιγμή.

αλγόριθμος δέντρων αποφάσεων στην εξόρυξη δεδομένων

(iii) Εργαλεία Στατιστικής: Εάν η επιχείρηση θέλει να κάνει μια ανάλυση σε μια ευρεία προβολή δεδομένων, θα χρησιμοποιηθούν στατιστικά εργαλεία για τη δημιουργία τέτοιων αποτελεσμάτων. Οι επιχειρήσεις μπορούν να κάνουν συμπεράσματα και προβλέψεις κατανοώντας αυτά τα στρατηγικά αποτελέσματα.

# 2) Αναλυτική επεξεργασία

Αυτό είναι ένα είδος εφαρμογής όπου μια αποθήκη δεδομένων επιτρέπει την αναλυτική επεξεργασία των δεδομένων που είναι αποθηκευμένα σε αυτήν. Τα δεδομένα μπορούν να αναλυθούν με τις ακόλουθες λειτουργίες όπως Slice-and-Dice, Drill Down, Roll Up και Pivoting.

(i) Φέτα και ζάρια : Η αποθήκη δεδομένων επιτρέπει σε λειτουργίες slice-and-dice να αναλύουν τα δεδομένα στα οποία έχει προσπελαστεί πολλά επίπεδα με συνδυασμό διαφορετικών προοπτικών. Η λειτουργία slice-and-dice χρησιμοποιεί εσωτερικά τον μηχανισμό γεώτρησης. Ο τεμαχισμός λειτουργεί σε δεδομένα διαστάσεων.

Ως μέρος της επιχειρηματικής απαίτησης, εάν επικεντρωθούμε σε έναν ενιαίο τομέα, τότε ο τεμαχισμός αναλύει τις διαστάσεις της συγκεκριμένης περιοχής σύμφωνα με τις απαιτήσεις και δίνει τα αποτελέσματα. Το Dicing λειτουργεί σε αναλυτικές εργασίες. Το Dicing μεγεθύνει για ένα συγκεκριμένο σύνολο χαρακτηριστικών σε όλες τις διαστάσεις για να παρέχει διαφορετικές προοπτικές. Οι διαστάσεις λαμβάνονται από μία ή περισσότερες διαδοχικές φέτες.

(ii) Ανατρέξτε στην ενότητα : Εάν η επιχείρηση θέλει να φτάσει σε πιο λεπτομερές επίπεδο οποιουδήποτε αριθμού σύνοψης, τότε η αναλυτική περιγραφή είναι μια λειτουργία για την πλοήγηση αυτής της περίληψης σε δευτερεύοντα λεπτομερή επίπεδα. Αυτό δίνει μια υπέροχη ιδέα για το τι συμβαίνει και πού πρέπει να εστιάζεται πιο στενά η επιχείρηση.

Αναλύστε τα ίχνη από το επίπεδο ιεραρχίας μέχρι το δευτερεύον επίπεδο λεπτομέρειας για την ανάλυση των βασικών αιτιών. Αυτό μπορεί εύκολα να γίνει κατανοητό με ένα παράδειγμα, καθώς μπορεί να συμβεί μείωση των πωλήσεων Επίπεδο χώρας -> Επίπεδο περιοχής -> Επίπεδο κράτους -> Επίπεδο περιοχής -> Επίπεδο καταστήματος.

(iii) Περάστε : Το Roll up λειτουργεί αντίθετα από τη λειτουργία γεώτρησης. Εάν η επιχείρηση θέλει συνοπτικά δεδομένα, τότε το roll up εμφανίζεται στην εικόνα. Συγκεντρώνει τα δεδομένα επιπέδου λεπτομέρειας μεταβαίνοντας στην ιεραρχία διαστάσεων.
Οι περιλήψεις χρησιμοποιούνται για την ανάλυση της ανάπτυξης και της απόδοσης ενός συστήματος.

Αυτό μπορεί να γίνει κατανοητό με ένα Παράδειγμα όπως σε μια αύξηση πωλήσεων από όπου μπορούν να συγκεντρωθούν τα σύνολα Επίπεδο πόλης -> Επίπεδο κράτους -> Επίπεδο περιοχής -> Επίπεδο χώρας .

(iv) Περιστρεφόμενος : Η περιστροφή αναλύει δεδομένα διαστάσεων περιστρέφοντας τα δεδομένα στους κύβους. Για παράδειγμα, η διάσταση σειράς μπορεί να αλλάξει στη διάσταση της στήλης και το αντίστροφο.

# 3) Εξόρυξη δεδομένων

Πρόκειται για ένα είδος εφαρμογής όπου η αποθήκη δεδομένων επιτρέπει τη γνώση της ανακάλυψης των δεδομένων και τα αποτελέσματα θα αναπαρασταθούν με εργαλεία οπτικοποίησης. Στους παραπάνω δύο τύπους εφαρμογών, οι πληροφορίες μπορούν να καθοδηγούνται από τους χρήστες.

Καθώς τα δεδομένα είναι τεράστια σε διάφορες επιχειρήσεις, είναι δύσκολο να αναζητήσετε και να αναλύσετε την αποθήκη δεδομένων για να λάβετε όλες τις πιθανές πληροφορίες για τα δεδομένα. Στη συνέχεια, η εξόρυξη δεδομένων έρχεται στην εικόνα για να ολοκληρώσει την ανακάλυψη της γνώσης.

Αυτό οδηγεί στα δεδομένα με όλες τις προηγούμενες συσχετίσεις, αποτελέσματα κ.λπ. και προβλέπει το μέλλον. Ως εκ τούτου, αυτό βασίζεται σε δεδομένα και δεν καθοδηγείται από τον χρήστη. Τα δεδομένα μπορούν να ανακαλυφθούν με την εύρεση κρυφών μοτίβων, συσχετίσεων, ταξινομήσεων και προβλέψεων.

Η εξόρυξη δεδομένων πηγαίνει σε βάθος με τα δεδομένα για να προβλέψει το μέλλον. Με βάση τις προβλέψεις, προτείνει επίσης τις ενέργειες που πρέπει να αναληφθούν.

Παρακάτω αναφέρονται οι διάφορες δραστηριότητες της Εξόρυξης Δεδομένων:

• Σχέδια: Η εξόρυξη δεδομένων ανακαλύπτει μοτίβα που εμφανίζονται στη βάση δεδομένων. Οι χρήστες μπορούν να παρέχουν τις επιχειρηματικές εισροές στις οποίες αναμένεται κάποια γνώση των προτύπων για τη λήψη αποφάσεων.
• Σύλλογοι / Σχέσεις: Η εξόρυξη δεδομένων ανακαλύπτει σχέσεις μεταξύ των αντικειμένων με τη συχνότητα των κανόνων συσχέτισης. Αυτή η σχέση μπορεί να είναι μεταξύ δύο ή περισσότερων αντικειμένων (ή) μπορεί να ανακαλύψει τους κανόνες εντός των ιδιοτήτων του ίδιου αντικειμένου.
• Ταξινόμηση: Η εξόρυξη δεδομένων οργανώνει δεδομένα σε ένα σύνολο προκαθορισμένων κλάσεων. Έτσι, εάν κάποιο αντικείμενο παραληφθεί από τα δεδομένα, η ταξινόμηση συσχετίζει την αντίστοιχη ετικέτα κλάσης με αυτό το αντικείμενο.
• Προφητεία: Η εξόρυξη δεδομένων συγκρίνει ένα σύνολο υπαρχουσών τιμών για να βρει τις καλύτερες δυνατές μελλοντικές τιμές / τάσεις στην επιχείρηση.

Ως εκ τούτου, με βάση όλα τα παραπάνω αποτελέσματα, η εξόρυξη δεδομένων προτείνει επίσης ένα σύνολο ενεργειών που πρέπει να αναληφθούν.

Χαρακτηριστικά μιας αποθήκης δεδομένων

Μια αποθήκη δεδομένων έχει δημιουργηθεί με βάση τα ακόλουθα χαρακτηριστικά των δεδομένων ως προσανατολισμένη στο Θέμα, Ολοκληρωμένη, Μη πτητική και Χρονική παραλλαγή.

# 1) Με γνώμονα το θέμα: Μπορούμε να ορίσουμε μια αποθήκη δεδομένων ως προσανατολισμένη στο θέμα, καθώς μπορούμε να αναλύσουμε δεδομένα σε σχέση με μια συγκεκριμένη θεματική περιοχή και όχι την εφαρμογή σοφών δεδομένων. Αυτό παρέχει αποτελέσματα που είναι πιο καθορισμένα για εύκολη λήψη αποφάσεων. Όσον αφορά ένα εκπαιδευτικό σύστημα, οι θεματικοί τομείς θα μπορούσαν να είναι μαθητές, μαθήματα, βαθμολογίες, εκπαιδευτικοί κ.λπ.

# 2) Ενσωματωμένο: Τα δεδομένα στην αποθήκη δεδομένων είναι ενσωματωμένα από διαφορετικές πηγές, όπως άλλες σχετικές βάσεις δεδομένων, επίπεδα αρχεία κ.λπ. Τέτοια τεράστια ποσότητα δεδομένων συλλέγονται για αποτελεσματική ανάλυση δεδομένων. Ωστόσο, ενδέχεται να υπάρχουν διενέξεις δεδομένων, καθώς διαφορετικές πηγές δεδομένων ενδέχεται να έχουν διαφορετικές μορφές. Η αποθήκη δεδομένων φέρνει όλα αυτά τα δεδομένα σε σταθερή μορφή σε ολόκληρο το σύστημα.

# 3) Μη πτητικό: Μόλις φορτωθούν τα δεδομένα στην αποθήκη δεδομένων, δεν μπορούν να αλλάξουν. Λογικά αυτό είναι αποδεκτό καθώς η συχνή αλλαγή δεδομένων δεν θα σας επιτρέψει να αναλύσετε τα δεδομένα. Οι συχνές αλλαγές στη λειτουργική βάση δεδομένων μπορούν να φορτωθούν σε μια αποθήκη δεδομένων σε προγραμματισμένη βάση, κατά τη διάρκεια αυτής της διαδικασίας, προστίθενται νέα δεδομένα, ωστόσο, τα προηγούμενα δεδομένα δεν διαγράφονται και παραμένουν ως ιστορικά δεδομένα.

# 4) Παραλλαγή χρόνου: Όλα τα ιστορικά δεδομένα μαζί με τα πρόσφατα δεδομένα στην αποθήκη δεδομένων παίζουν καθοριστικό ρόλο για την ανάκτηση δεδομένων οποιασδήποτε διάρκειας. Εάν η επιχείρηση επιθυμεί αναφορές, γραφήματα κ.λπ., τότε για να τα συγκρίνει με τα προηγούμενα χρόνια και για να αναλύσει τις τάσεις, απαιτούνται όλα τα παλιά δεδομένα που είναι 6 μηνών, ενός έτους ή ακόμα και παλαιότερα δεδομένα κ.λπ.

Οφέλη μιας αποθήκης δεδομένων

Όταν ένα σύστημα αποθήκης δεδομένων είναι παραγωγικό, ένας οργανισμός λαμβάνει τα ακόλουθα οφέλη χρησιμοποιώντας το:

1. Βελτιωμένη επιχειρησιακή νοημοσύνη
2. Αυξημένη απόδοση συστήματος και ερωτήματος
3. Επιχειρηματική ευφυΐα από πολλές πηγές
4. Έγκαιρη πρόσβαση στα δεδομένα
5. Βελτιωμένη ποιότητα και συνέπεια δεδομένων
6. Ιστορική Νοημοσύνη
7. Υψηλή απόδοση επένδυσης

# 1) Βελτιωμένη επιχειρησιακή νοημοσύνη: Τις προηγούμενες μέρες, όταν οι Data Warehousing και Business Intelligence δεν ήταν, οι επιχειρηματικοί χρήστες και οι αναλυτές συνήθιζαν να λαμβάνουν τις αποφάσεις με περιορισμένο αριθμό δεδομένων και με το δικό τους συναίσθημα.

μεταγλωττιστής c ++ για έκλειψη

Η DW & BI έφερε μια αλλαγή δίνοντας πληροφορίες με πραγματικά γεγονότα και με τα πραγματικά δεδομένα οργανισμού που συλλέγονται για μια χρονική περίοδο. Οι επιχειρηματικοί χρήστες μπορούν να ζητήσουν απευθείας οποιαδήποτε από τις επιχειρηματικές διαδικασίες δεδομένων όπως μάρκετινγκ, χρηματοδότηση, πωλήσεις κ.λπ., με βάση τις ανάγκες τους για στρατηγική λήψη αποφάσεων και έξυπνες επιχειρηματικές αποφάσεις.

# 2) Αυξημένη απόδοση συστήματος και ερωτήματος: Η αποθήκευση δεδομένων συλλέγει ογκώδεις πληροφορίες από ετερογενή συστήματα και τις τοποθετεί κάτω από ένα σύστημα έτσι ώστε ένας κινητήρας ερωτήματος να μπορεί να χρησιμοποιηθεί για γρήγορη ανάκτηση δεδομένων.

# 3) Επιχειρηματική ευφυΐα από πολλές πηγές: Γνωρίζετε πώς λειτουργεί το Business Intelligence γενικά στα δεδομένα; Απορροφά τα δεδομένα από πολλά συστήματα, υποσυστήματα, πλατφόρμες και πηγές δεδομένων για να εργαστεί σε ένα έργο. Ωστόσο, η αποθήκη δεδομένων επιλύει αυτό το πρόβλημα για το BI, ενοποιώντας όλα τα δεδομένα του έργου χωρίς διπλότυπα.

# 4) Έγκαιρη πρόσβαση σε δεδομένα: Οι επιχειρηματικοί χρήστες θα επωφεληθούν δαπανώντας λιγότερο χρόνο στην ανάκτηση δεδομένων. Έχουν κάποια εύχρηστα εργαλεία, με τα οποία μπορούν να υποβάλουν ερωτήματα στα δεδομένα με ελάχιστες τεχνικές γνώσεις και να δημιουργήσουν τις αναφορές. Αυτό κάνει τους επιχειρηματικούς χρήστες να αφιερώνουν αρκετό χρόνο στην ανάλυση δεδομένων και όχι στη συλλογή δεδομένων.

# 5) Βελτιωμένη ποιότητα και συνέπεια δεδομένων: Η αποθήκευση δεδομένων μετατρέπει δεδομένα με διαφορετικές μορφές συστήματος πηγής σε μία μορφή. Ως εκ τούτου, ίσως οι ίδιες επιχειρηματικές μονάδες που προμηθεύουν τα δεδομένα στην αποθήκη δεδομένων μπορούν να επαναχρησιμοποιήσουν το αποθετήριο DW για τις αναφορές και τα ερωτήματά τους.

Ως εκ τούτου, από την άποψη του οργανισμού, όλες οι επιχειρηματικές μονάδες θα υποστηρίζουν σταθερά αποτελέσματα / αναφορές. Έτσι, αυτή η καλή ποιότητα και συνεπή δεδομένα βοηθούν στη λειτουργία μιας επιτυχημένης επιχείρησης.

# 6) Ιστορική νοημοσύνη: Η αποθήκη δεδομένων διατηρεί όλα τα ιστορικά δεδομένα που δεν συντηρούνται από συστήματα συναλλαγών. Αυτή η μεγάλη ποσότητα δεδομένων χρησιμοποιείται για την ανάλυση δεδομένων για συγκεκριμένη χρονική διάρκεια και για την αναφορά τους και για την ανάλυση των τάσεων για την πρόβλεψη του μέλλοντος.

# 7) Υψηλή απόδοση επένδυσης (ROI): Ο καθένας ξεκινά μια επιχείρηση αναμένοντας καλές αποδόσεις στις επενδύσεις, όσον αφορά τα μεγαλύτερα κέρδη και τα μικρότερα έξοδα. Στον πραγματικό κόσμο των δεδομένων, πολλές μελέτες έχουν αποδείξει ότι η εφαρμογή των συστημάτων αποθήκευσης δεδομένων και Business Intelligence δημιούργησε υψηλά έσοδα και εξοικονόμησε το κόστος.

Μέχρι τώρα θα πρέπει να καταλάβετε πώς ένα καλά σχεδιασμένο σύστημα DW προσθέτει οφέλη στην επιχείρησή σας.

Μειονεκτήματα αποθήκευσης δεδομένων

Αν και είναι ένα πολύ επιτυχημένο σύστημα, είναι καλό να γνωρίζουμε μερικές από τις παγίδες του συστήματος:

• Η δημιουργία μιας αποθήκης δεδομένων είναι σίγουρα μια χρονοβόρα και πολύπλοκη διαδικασία.
• Το κόστος συντήρησης είναι βαρύ καθώς το σύστημα χρειάζεται συνεχείς αναβαθμίσεις. Μπορεί επίσης να αυξηθεί εάν δεν χρησιμοποιηθεί σωστά.
• Πρέπει να δοθεί σωστή εκπαίδευση στους προγραμματιστές, τους δοκιμαστές και τους χρήστες για να κατανοήσουν το σύστημα DW και να το εφαρμόσουν τεχνικά.
• Ενδέχεται να υπάρχουν ευαίσθητα δεδομένα που δεν μπορούν να φορτωθούν στο DW για λήψη αποφάσεων.
• Η αναδιάρθρωση οποιωνδήποτε επιχειρηματικών διαδικασιών (ή) συστημάτων προέλευσης έχει σημαντική επίδραση στην DW.

συμπέρασμα

Ελπίζουμε ότι αυτό το εισαγωγικό σεμινάριο παρείχε ένα υπόβαθρο βασικών δεδομένων αποθήκευσης δεδομένων. Εξετάσαμε σε βάθος όλες τις βασικές έννοιες της αποθήκευσης δεδομένων.

Μάθαμε τον ορισμό, τους τύπους, τα χαρακτηριστικά, τα οφέλη και τα μειονεκτήματα της αποθήκευσης δεδομένων σε αυτό το περιεκτικό σεμινάριο.

=> Διαβάστε μέσω της σειράς εκπαίδευσης Easy Data Warehousing.

Συνιστώμενη ανάγνωση

• Παραδείγματα εξόρυξης δεδομένων: Οι πιο κοινές εφαρμογές της εξόρυξης δεδομένων 2021
• Πώς λειτουργεί η δοκιμή βάσει δεδομένων (παραδείγματα QTP και σεληνίου)
• Εξόρυξη δεδομένων: Διαδικασία, τεχνικές και σημαντικά ζητήματα στην ανάλυση δεδομένων
• Εγχειρίδιο δοκιμών αποθήκης δεδομένων δοκιμών ETL (ένας πλήρης οδηγός)
• Καλύτερη δωρεάν σειρά C # Tutorial: Ο απόλυτος οδηγός C # για αρχάριους
• Εκμάθηση δικτύωσης υπολογιστών: Ο απόλυτος οδηγός
• Εκμάθηση QTP # 18 - Προγράμματα βάσει δεδομένων και υβριδικά πλαίσια που εξηγούνται με παραδείγματα QTP
• 10+ καλύτερα εργαλεία συλλογής δεδομένων με στρατηγικές συλλογής δεδομένων