almacén de datos

Descubrimiento de Conocimiento en Base de

Datos (KDD)

Fase de Integración y Recopilación• Introducción

• Almacén de Datos (Data Warehouse).

• Almacén de Datos (DW) Ventajas.

• Almacén de Datos (DW) Desventajas.

• Procesamiento de Transacciones en Línea (OLPT) versus Almacén de Datos (DW).

• DataMart.

• DataMart (Tipos).

• DataMart versus Almacén de Datos (DW).

• Almacén de Datos (DW) Objetivos.

• Almacén de Datos (DW) Arquitectura.

• Almacén de Datos (DW) Procesos.

• Almacén de Datos (DW) Diseño.

• Almacén de Datos (DW) Diseño Pasos.

• Almacén de Datos (DW) Diseño Modelo de Datos.

• Almacén de Datos (DW) Diseño Modelo Multidimensional.

• MOLAP – OLAP Multidimensional.

• ROLAP – OLAP Relacional.

• HOLAP – OLAP Hibrido.

Elaborado por: Ing. Jean Sánchez, EPE

IntroducciónLos Almacenes de Datos (DataWarehouse) es la clave quepermitirá a los usuarios del sistema efectuar sobre los datos:

1) Cualquier pregunta (las preguntas que pueden hacer losusuarios).

2) Cualquier momento (el acceso de los usuarios a los datos).

3) Cualquier dato (la cantidad de datos y detalles que el usuariopuede tener sobre estos).puede tener sobre estos).

IntroducciónHoy en día toda empresa necesita depositar mucha confianza enla toma de decisiones sobre los negocios, para tomar dichasdecisiones se requiere hechos y cifras, sabemos que lacompetencia crece en todo momento entonces las decisionesque debemos tomar en nuestra empresa deben ser masaceleradas; pero que pasa si tenemos una montaña deinformación la cual debe ser analizada, lógicamente pensamosque necesitaríamos mucho tiempo.que necesitaríamos mucho tiempo.

Los Almacenes de Datos son un proceso, no un producto.

El DW es un conjunto de procesos y acciones, es una colecciónde datos orientados a un tema, integrados y no volátiles en elsoporte al proceso de toma de decisiones de la gerencia.

Almacenes de Datos (DW)

disponer de Sistemas de Información de apoyo a la toma de

decisiones (DSS)

motivación

Introducción

disponer de bases de datos que permitan extraer conocimiento de lainformación histórica almacenada en la organización

análisis de laorganización

previsiones deevolución

diseño deestrategias

objetivos

¿Cómo trabaja el Almacén de Datos?• Extrae la información operacional.

• Transforma la operación a formatos consistentes.

• Automatiza las tareas de la información para prepararla a un análisiseficiente.

¿En que puede ser usado?• Manejo de relaciones de marketing.

Introducción

• Análisis de rentabilidad.

• Reducción de costos.

¿Por qué usarlo?• Obtiene respuestas en tiempos razonables.

• Analiza desde una perspectiva en el tiempo con la información históricaque se brinde.

• Nos permite tener fuentes externas para ayudar a nuestra información.

• La información proveniente de fuentes operacionales es transformada ylimpiada para lograr consistencia.

Objetivo: Analizar y extraer información útil de los datos

Necesidad: disponer de los datos.

Archivo simpleProceso de recopilación.- Diversidad de fuentes.- Tamaño de las fuentes

Introducción

Los almacenes de datos no son estrictamente necesarios para realizar minería de datos pero sí son muy útiles si se trabaja con grandes volúmenes de datos, que varían en el tiempo y donde se desea realizar tareas de minería de datos variadas, abiertas y cambiantes.

Qué fuentes.- Internas.- Externas

Cómo se van a organizar

Cómo se van a mantener en el

tiempo

Cómo se va a poder extraer.- Total / parcialmente.- Agregados / en detalle

ETAPA 1

de Informes

QUÉ pasó?

ETAPA 2

de Análisis

POR QUÉ pasó?

ETAPA 3

de Predicción

QUÉ PUEDE pasar si..?

¿Cómo se usan los Almacenes de Datos? y¿cuáles son sus requerimientos?

Introducción

Consultas pre-definidasPreguntas ad hocModelamiento predictivo

Almacén de Datos (DW)• Inmon[MicroSt96] (considerado el padre de las B.D.) en

1992: “Un DW es una colección de datos orientados atemas, integrados, no-volátiles y variante en el tiempo,organizados para soportar necesidades empresariales”.

• En 1993, Susan Osterfeldt[MicroSt96] publica unadefinición que sin duda acierta en la clave del DW: "Yoconsidero al DW como algo que provee dos beneficiosconsidero al DW como algo que provee dos beneficiosempresariales reales: integración y Acceso de datos. DWelimina una gran cantidad de datos inútiles y no deseados,como también el procesamiento desde el ambienteoperacional clásico".

Un Almacén de Datos o DataWarehouse es esencialmenteuna replica de la información existente estructurada de talforma que permita acceder y representar grandes volúmenesde datos de la organización, sean estos estratégicos, tácticosy operativos, posibilitando la explotación de su contenido,proporcionando información vital para la toma dedecisiones.

Almacén de Datos (DW)

Un DataWarehouse es:

– Orientada a un objetivo (subject-oriented),

– integrada,

– Variable en el tiempo,

– No volátil.

DW: Orientado hacia a unobjetivos, la informaciónrelevante de la organización

Se diseña para consultar eficientementeinformación relativa a las actividades(ventas, compras, producción, ...) básicas dela organización, no para soportar losprocesos que se realizan en ella (gestión depedidos, facturación, entre otros).


Información Necesaria

PRODUCTO

...

GAMA

...

VENTA

...

PAÍS

...

Base de Datos Transaccional

CURSO

...

REUNION

...PROTOTIP

O...

DW: IntegradoIntegra todos los datos recogidos de losdiferentes sistemas operacionales de laorganización, además de fuentes externas.


Base de Datos Transaccional 1

Fuente de Datos 1

Fuentes Externas

Fuentes Internas

Fuente de Datos 2

Fuente de Datos 3

HTML

Almacén de Datos

texto

Base de Datos Transaccional 2

DW: Variable en el tiempoLos datos son relativos a un período detiempo y deben ser incrementadosperiódicamente.


Los datos son almacenados como fotos (snapshots) correspondientes a períodos de tiempo.

DatosTiempo

01/2007

02/2007

03/2007

Datos de Enero

Datos de Febrero

Datos de Marzo

Carga

Bases de datos operacionales Almacén de Datos

DW: No volátilLos datos almacenados no son actualizados,sólo son incrementados.


READINSERT READ

UPDATE

DELETE

Bases de datos operacionales Almacén de Datos

El período de tiempo cubierto por un DW varía entre 2 a 15 años.

¿QUÉ ES? ¿QUÉ NO ES?

Un sistema que permite un rápido y fácilacceso a la información vital para la empresas.

Un almacén de todos los datos operacionales dela empres.

Un sistema de información que proporcionaacceso a datos históricos y detallados.

Una puerta a los sistemas operacionales.

Un sistema donde la información es recogidade múltiples fuentes.

Un sistema que permite el acceso a todos losdatos y sistemas de la empresa.


Un sistema de análisis diseñado para diferentestipos de usuarios.

Un sistema transaccional.

Almacén de Datos

ventajas para las organizaciones

Almacén de Datos (DW) Ventajas

rentabilidad de las inversiones

realizadas para su creación

aumento de la competitividad en el mercado

aumento de la productividad de

los técnicos de dirección

Almacén de Datosdesventajas

privacidad de los datos

Almacén de Datos (DW) Desventajas

Sub-valoración de los recursos

necesarios para la captura, carga y

almacenamiento de los datos

incremento continuo de los

requisitos de los usuarios

los datosSub-valoración del esfuerzo necesario

para su diseño y creación

Procesamiento de Transacciones en Línea

(OLPT) versus Almacén de Datos (DW)OLPT DW

Almacena datos actuales. Almacena datos históricos.

Almacena datos de detalle. Almacena datos de detalle y datos agregados adistintos niveles.

Los datos son dinámicos (actualizables). Los datos son estáticos.

Soporta decisiones diarias. Soporta decisiones estratégicas.

Base de datos medianas (100 Mb – 100 Gb). Base de datos grandes (100 Gb – 100 Tb).Base de datos medianas (100 Mb – 100 Gb). Base de datos grandes (100 Gb – 100 Tb).

Una herramienta puede informar al vendedorsobre el número total de libros vendidos para unaregión determinada en un trimestre determinado.

Una herramienta puede informar de los factoresque influyen en la venta de los libros.

Las transacciones son repetitivos. Las transacciones no son previsibles.

El número de transacciones es elevado. El número de transacciones es bajo o medio.

El tiempo de respuesta pequeño (segundos). El tiempo de respuesta variable (segundos-horas)

Dedicado al procesamiento de transacciones. Dedicado al análisis de datos.

Orientado a los procesos de la organización. Orientado a la información relevante.

Sirve a muchos usuarios. Sirve a técnicos de la dirección.

DataMartEs el almacén de datos relacional que contiene las tablas a partir de las cualesse construye el cubo dimensional.

Además, es un repositorio parcial de datos de la empresa, donde sealmacenan datos tácticos y operativos, con el objeto de obtener informacióntáctica.

Por otra parte, es un conjunto de hechos y datos organizados para soportedecisional basados en la necesidad de un área o departamento específico. Losdatos son orientados a satisfacer las necesidades particulares de undepartamento dado teniendo sólo sentido para el personal de esedepartamento dado teniendo sólo sentido para el personal de esedepartamento y sus datos no tienen porque tener las mismas fuentes que losde otro DataMart.

Con su implementación se consigue:

• Programas y procedimientos para extraer, transformar y cargar datos.

• Instalar herramientas de acceso a los datos.

• Poblar el DW con los datos necesarios.

• Poblar el catálogo de metadatos con los datos necesarios.

• Técnicas de uso y soporte el almacén

DataMart (Tipos)1.- Data Marts Finanzas.

2.- Data Marts Comercial.

3.- Data Marts Logística.

4.- Data Marts Recursos Humanos.

DataMart versus Almacén de Datos (DW)

DataMart DW

Se usa en un proceso, departamento oárea especifica.

Se usa en toda la empresa.

Requiere de 3 a 6 meses para sudesarrollo.

Requiere de 1 a 3 años para sudesarrollo.

Base de datos medianas (100 Mb – Base de datos grandes (100 Gb – 100Base de datos medianas (100 Mb –100 Gb).

Base de datos grandes (100 Gb – 100Tb).

Posibilitar a Ejecutivos de la empresa, de nivel superior y medio,y analistas, generar, a partir de la información disponible, elconocimiento necesario para orientar, readecuar o fortalecermejores y más rápidas decisiones ejecutivas, a través de sistemascomo:

Sistema de información ejecutiva (EIS), herramientas queposibilitan la entrega de información estratégica a los ejecutivosa través de: reportes varios, reportes comparativos y cuadros de

Almacén de Datos (DW) Objetivos

a través de: reportes varios, reportes comparativos y cuadros demando multi-dimensionales.

Sistema de asistencia a las decisiones (DSS), herramientas queproporcionan asistencia para la toma de decisiones. Adicionaciertas reglas de decisión y análisis de datos no predefinidos enlas capacidades de un EIS .

Los principales resultados del desarrollo de laarquitectura DW incluyen:

• El modelo de datos fuente.

• El modelo de datos conceptual DW.

• Arquitectura tecnológica DW.

• Estándares y procedimientos DW.

Almacén de Datos (DW) Arquitectura

• Estándares y procedimientos DW.

• El plan de implementación incremental para el DW.

Organización (Externa) de Los Datos…

Las herramientas de explotación de los almacenes de datos han

adoptado un modelo


adoptado un modelo multidimensional de datos.

Se ofrece al usuario una visión multidimensional de los datos que son

objeto de análisis.

Departamento

Categoría

Marca

Descripción

Mes

Semana


importe

unidades

Almacén

Ciudad

Región

Tipo

Departamento

Nro_productoTipo

Día

Mes

Año

Trimestre

Departamento

Categoría

Marca

Mes

SemanaDescripción

Dimensiones (puntos de vista) desde los que se puede analizar la actividad.


importe

unidades

Departamento

Nro_productoTipo

Día

Mes

Almacén

Ciudad

Región

Tipo

Año

Actividad que es objeto de análisis con los indicadores que interesa analizar

Trimestre

Los procesos que conforma el DataWarehouse son:

• Sistema ETL (Extraction, Transformation, Load): realiza las funcionesde extracción de las fuentes de datos (transaccionales o externas),transformación (limpieza, consolidación, ...) y la carga del DW,realizando:

– Extracción de los datos.

– Filtrado de los datos: limpieza, consolidación, etc.

– Carga inicial del almacén: ordenación, agregaciones, etc.

Almacén de Datos (DW) Procesos

– Carga inicial del almacén: ordenación, agregaciones, etc.

– Refresco del almacén: operación periódica que propaga loscambios de las fuentes externas al almacén de datos.

• Repositorio Propio de Datos:

– Información relevante: corresponde a la mirada temporal de losdatos (mezcla de “fotos” de los datos) y las agregacionescorrespondientes)

– Metadatos (datos con respecto a los datos), que son almacenadospara indicar el significado y uso de los datos propiamente tal.

• Interfaz: permiten acceder a los datos y sobre ellos se conectan otrotipo de herramientas más sofisticadas

• Herramientas de Consulta: corresponde a software especializado en elanálisis y consulta de grandes volúmenes de datos (OLAP, EIS, Mineríade Datos).

• Sistemas de Integridad: se encargan de un mantenimiento global(actualizaciones y calidad de información)

• Seguridad: encargado de realizar las copias de seguridad,

Almacén de Datos (DW) Procesos

• Seguridad: encargado de realizar las copias de seguridad,recuperación, entre otros.

El desarrollo de la tecnología de Almacenes de Datos se caracteriza por:

1) Temprano desarrollo industrial provocado por las demandas de losusuarios.

2) Uso de metodologías de diseño, donde la atención se ha centrado enmejorar la eficiencia en la ejecución de consultas.

Se diseñan los Almacenes de Datos sabiendo que:1) Modelo de datos utilizado que de cuenta de la necesidad de

Almacén de Datos (DW) Diseño

1) Modelo de datos utilizado que de cuenta de la necesidad dealmacenamiento de información histórica y orientada a análisis.

2) Búsqueda de eficiencia en el almacenamiento y extracción deinformación, así como de herramientas de análisis.

3) Compromiso entre el nivel de detalle requerido y la utilidad y costode ellos .

Diseño lógico específico

Diseño conceptual

Recogida y análisis derequisitos


Diseño físico

Diseño lógico específico

Implementación

Diseño conceptual


Análisis

Discernimiento de fuentes necesarias del

Requisitos de usuario


Diseño físico

Diseño lógico

Implementación

fuentes necesarias del sistema de información de la organización (OLTP) y las externas

usuario (consultas de análisis necesarias, nivel de agregación, …)

Diseño Conceptual

Diseño Lógico


Diseño conceptual


Modelado multidimensional (MR)

Esquemas

estrella

Diseño físico

Diseño lógico

Implementación

Diseño Físico


Diseño conceptual


Definición del esquema ROLAP o MOLAP

Diseño del ETL

Diseño físico

Diseño lógico

Implementación

Implementación


Diseño conceptual


Carga del AD (ETL)

Preparación de las vistas de usuario

(herramienta OLAP)

Diseño físico

Diseño lógico

Implementación

Paso 1. Elegir un “proceso” de la organización para modelar.

Paso 2. Decidir el gránulo (nivel de detalle) de representación delproceso.

Paso 3. Identificar las dimensiones que caracterizan el proceso.

Paso 4. Decidir la información a almacenar sobre el proceso.


Pasos

Paso 4. Decidir la información a almacenar sobre el proceso.

Paso 1. Elegir un “proceso” de la organización para modelar.

Proceso: actividad de la organización soportada porun OLTP del cual se puede extraer información con elpropósito de construir el almacén de datos.


Pasos

Pedidos (de clientes).

Compras (a suministradores).

Facturación.

Envíos.

Ventas.

Inventario.

Paso 2. Decidir el gránulo (nivel de detalle) de representación.

Gránulo: es el nivel de detalle al que se desea almacenarinformación sobre la actividad a modelar.

�El gránulo define el nivel atómico de datos en el almacén dedatos.

El gránulo determina el significado de las tuplas de la tabla de


Pasos

�El gránulo determina el significado de las tuplas de la tabla de hechos.

�El gránulo determina las dimensiones básicas del esquema

• transacción en el OLTP.

• información diaria.

• información semanal.

• información mensual.

Paso 3. Identificar las dimensiones que caracterizan el proceso.

� Dimensiones: dimensiones que caracterizan la actividad al nivel de detalle (gránulo) que se ha elegido.

Tiempo (dimensión temporal: ¿cuándo se produce la actividad?)

Producto (dimensión ¿cuál es el objeto de la actividad?)


Pasos

Producto (dimensión ¿cuál es el objeto de la actividad?)

Almacén (dimensión geográfica: ¿dónde se produce la actividad?)

Cliente (dimensión ¿quién es el destinatario de la actividad?)

� De cada dimensión se debe decidir los atributos (propiedades) relevantes para el análisis de la actividad.

� Entre los atributos de una dimensión existen jerarquías naturales que deben ser identificadas (día-mes-año)

Paso 4. Decidir la información a almacenar sobre elproceso.

Hechos: información (sobre la actividad) que sedesea almacenar en cada tupla de la tabla dehechos y que será el objeto del análisis.


Pasos

Precio

Unidades

Importe

Nota: algunos datos que en el OLTP coincidirían con valores de atributos dedimensiones, en el almacén de datos pueden representar hechos. (Ejemplo: elprecio de venta de un producto).

El Modelo de Datos para representar historia y diseño delAlmacén de Datos esta basado en el compromiso de:

a) Repetir una foto temporal de los datos, así como aquelloselementos descriptivos (dimensiones).

b) Orientación hacia el análisis y descubrimiento, así comoidentificar aquellos valores a ser requeridos (hechos).


Modelo de Datos

identificar aquellos valores a ser requeridos (hechos).

Tiempo

• Modelo Multidimensional representa la actividad que es analizada(hecho) y las dimensiones que caracterizan la actividad(dimensiones).

• La información del hecho (actividad) se representan porindicadores (medidas o atributos de hecho).

• La información de cada dimensión se representan por atributos (dedimensión).


Modelo Multidimensional

dimensión).

Los tipos del Modelo Multidimensional son:

• Esquema de Estrella (Star schema): Un hecho está en medio delconjunto de dimensiones

• Esquema de Copo de Nieve (Snowflake schema): Un refinamientodel anterior, donde alguna jerarquía dimensional es normalizada enun conjunto de pequeñas dimensiones.

• Constelación de Hechos: Tablas de múltiples hechos, vistas comouna colección de estrellas.

Este esquema multidimensional recibe varios nombres:

– Estrella: si la jerarquía de dimensiones es lineal

PERSONAL

tiempoproyecto

equipo


Modelo Multidimensional (Esquema)

– Estrella jerárquica o copo de nieve: si la jerarquía no eslineal.

equipo

VENTAS

tiempo

producto

lugar

Contiene Realizada

Producto

ID_ProductoNombreProducto

<pi> IVA20

<M>

ID_Producto <pi>

Local

ID_LocalDirección

<pi> IVA30

<M>

ID_Local <pi>

Ventas

CantidadValor

II

Producto

(Cantidad, Valor)


Modelo Multidimensional en Estrella Lineal

Durante

Valor I

Día

NumeroMesAño

<pi> IVA20I

<M><M><M>

Numero <pi>

Local

Día

• En este caso existendimensiones quetienen la posibilidadde extender sudescripción vía

Agrupa Pertenece

Contiene Real izada

Producto

ID_ProductoNombreProducto

<pi> IVA20

<M>

ID_Producto <pi>

Local

ID_LocalDirección

<pi> IVA30

<M>

ID_Local <pi>

Ventas

Comuna

ID_ComunaNombreComuna

<pi> IVA30

<M>

ID_Comuna <pi>

Categoria

ID_CategoriaNombreCategoria

<pi> IVA40

<M>

ID_Categoria <pi>


Modelo Multidimensional en Estrella Jerárquico

descripción víajerarquía.

• El caso de ladimensión tiempo seextiende en dosjerarquías.

Corresponde

Compone

Posee

Durante

CantidadValor

II

Día

NumeroNombreDia

<pi> IVA20

<M><M>

Numero <pi>

Mes

ID_MesNombre

<pi> IVA30

<M>

ID_Mes <pi>

Año

NumeroAño <pi> I <M>

NumeroAño <pi>

TipoDia

ID_TipoDiaNombreTipoDia

<pi> IVA30

<M>

ID_TipoDia <pi>

MOLAP - OLAP Multidimensional

• Los datos origen y sus agregaciones están en una estructura multidimensional.

• Los objetos dimensionales son procesados para incorporar cambios de los datos operacionales

• Existe latencia. tiempo comprendido entre procesamientos• Existe latencia. tiempo comprendido entre procesamientos

• Características:

– Provee excelente rendimiento y compresión de datos.

– Mejor tiempo de respuesta, depende de las las agregaciones.

– Estructura optimizada para maximizar las consultas.

– Apropiado para cubos de rápida respuesta.

ROLAP - OLAP Relacional

• La información del cubo, sus datos, su agregación, sumas son almacenados en una base de datos relacional.

• No copia la BD original, accede a las tablas origen.• Es más lenta que las otras estrategias (MOLAP o HOLAP).• Se utiliza para ahorrar espacio de almacenamiento en • Se utiliza para ahorrar espacio de almacenamiento en

grandes DB de baja frecuencia de consulta.• Usos comunes:

– Cuando los clientes desean ver los cambios inmediatamente.

– Cuando contamos con grandes conjuntos de datos que no son frecuentemente buscados

HOLAP – OLAP Híbrido• Combina atributos de MOLAP y ROLAP.

• Las agregaciones se almacenen en una estructura multidimensional y los detalle, en la BD original.

• Cubos más pequeños q’ MOLAP y más rápidos q’ ROLAP.

• Usos comunes:

– Cubos que requieren rápida respuesta– Cubos que requieren rápida respuesta

– Cuando existen sumarizaciones basadas en una gran cantidad de datos de origen.

– Solución de compromiso para bajar el espacio ocupado sin perjudicar totalmente el rendimiento de las consultas.

Características

MOLAP ROLAP HOLAPAlmacenamiento de

las AgregacionesModelo

MultidimensionalBase de datos

relacionalModelo Multidimensional

Almacenamiento de los datos

Modelo Multidimensional

Base de datos relacional

Base de datos relacional

Facilidad de Creación

Sencillo Muy Sencillo Sencillo

Buena para consultas que Velocidad de

respuestaBuena Regular o Baja

Buena para consultas que posean agregaciones,

Regular para datos de bajo nivel

EscalabilidadProblemas de escalabilidad

Son más escalables

Recomendados paraCubos con uso

frecuente

Datos que no son frecuentemente

usados

Si el cubo requiere una rápida respuesta

Ventajas y Desventajas

Ventajas Desventajas

MOLAPMejor performance en lostiempos de respuesta

Duplica el almacenamientode datos (ocupa másespacio)

Ahorra espacio dealmacenamiento.

El tiempo de respuesta aROLAP

almacenamiento.Útil cuando se trabaja conmuy grandes conjuntos dedatos.

El tiempo de respuesta aconsultas es mayor.

HOLAPBuen tiempo de respuestasólo para informaciónsumarizada

Volúmenes de datos másgrandes en la base de datosrelacional

almacén de datos

Documents