Einführung in das Data Warehouse-Design

Ein Lagerhaus bedeutet, etwas an einem Ort und ähnliche Fälle in der Industrie zu speichern, um die komplexe Datenmenge an einem Ort zu speichern. Mit Business Intelligence (BI) können Sie Daten aus den Datenquellen abfragen und nur dann Vertrauen schaffen, wenn ein gutes Data-Warehouse-Design vorliegt.

Das Data Warehouse integriert mehrere Datenquellen und bietet eine gute Unterstützung für Analysen und analytische Berichte. Wenn Sie ein schlechtes Data-Warehouse-Design haben, wirkt sich dies auf das Wachstum Ihres Unternehmens aus, da ungenaue Abfragedaten vorliegen.

Nehmen Sie ein Beispiel für die Beliebtheit des Amazon-Webshops, indem Sie den Artikel bestellen. Er kann direkt vor unserer Haustür geliefert werden. Wenn sich der Kunde auf der E-Commerce-Website anmeldet und im Geschäft nach dem verfügbaren Produkt sucht. Dann haben wir den Artikel ausgewählt und bestellt, sobald der Lieferant ihn akzeptiert und sofort versendet hat. Hier können wir Zeit sparen, um den gewünschten Artikel zu kaufen.

Ähnlich wie bei diesem Data Warehouse können die Daten auch im Transaktionssystem gespeichert und beschafft werden. Das Data Warehouse als Zwei-Hauptkonzept

  • OLAP - Online Analytical Processing
  • OLTP - Online Transaktionsverarbeitung

Beide sind Online-Verarbeitungssysteme, weisen jedoch einige Unterschiede auf. OLTP verwaltet die Transaktionsanwendung wie ATM, OLAP verwendet sie für die analytische Verarbeitung wie Berichterstellung, Prognose usw.

Anforderungserfassung

  • Das Sammeln von Anforderungen ist eine Phase des Data Warehouse-Designs. Es muss die Kriterien ermitteln und erfolgreich umsetzen. Es werden zwei Strategien für das Data-Warehouse-Design verwendet, eine als Business und eine als Technical.
  • Die Geschäftsstrategie konzentriert sich auf die langfristige Geschäftssicht und trägt zur Steigerung des Wachstumsgewinns bei. Die technischen Strategieanforderungen basieren auf Benutzerberichten, Analysen, Hardwareauswahl, Entwicklungsmethode, Testtechnik, Implementierungsumgebung und Benutzerschulung.
  • Wenn wir die geschäftliche und technische Strategie festgelegt haben, müssen wir auch den BCP-Plan (Disaster Recovery) entwerfen. Wenn ein menschliches oder natürliches Unglück eintritt, müssen wir einen Plan haben, um die Daten schnell wiederherzustellen und sicherzustellen, dass keine Daten verloren gehen. Die Entwicklung des Disaster Recovery-Plans ist eine der Herausforderungen und schafft Vertrauen für das Unternehmen.

Umgebungs-Setup

  • Sobald wir die Daten für das Data Warehouse-Design gesammelt haben, müssen wir eine geeignete Umgebung für die Entwicklung, das Testen und die Produktion einrichten. Vorzugsweise sollte es ein separates System für Anwendung, Datenbank und auch für Berichterstellung / ETL geben.
  • Wenn wir für jede Umgebung eine eigene Umgebung erstellen, können alle Änderungen entwickelt / getestet und anschließend in die Produktion überführt werden.
  • Wenn wir eine einzige Umgebung haben, die für all diese Aktivitäten ausgelegt ist, können Probleme auftreten und Daten verloren gehen. Wenn zum Beispiel ein Vorfall im System aufgetreten ist, konnten wir nicht navigieren und herausfinden, wie das Problem behoben werden kann, und dies macht es komplexer.

Datenmodellierung

  • Sobald die Anforderungserfassung und die Umgebung eingerichtet sind, müssen Sie festlegen, wie die Datenquelle verbunden, verarbeitet und im Data Warehouse gespeichert werden soll. Diese Technik wird als Datenmodellierung bezeichnet. Es kann eine Analyse des Objekts und der Beziehung zwischen den anderen sein.
  • Bei der Konzeption des Data Warehouse haben die Ingenieure festgelegt, wie und wo die Daten gespeichert werden sollen. Gleichzeitig sollten wir auch festlegen, wie die Daten aus dem Data Warehouse abgerufen werden können. Sobald die Quelle identifiziert ist, kann das Team die Logik erstellen und eine Strukturschemasicht erstellen.

Arten von Datenmodellen

Es gibt drei Arten

  • Konzeptionelle
  • Logisch
  • Körperlich

Die drei Arten von Datenmodellen sind nachfolgend aufgeführt:

1. Konzeptionell: Hier steht, WAS das System enthält, und es wird von Business Architects entworfen, um den Bereich für die Geschäftsstrategie zu definieren.

2. Logisch: Mit dieser Option wird festgelegt, wie die Logik in DBMS erstellt werden kann. Sie wird von Business Analyst und Data Architect entworfen, um einen Regelsatz zum Speichern / Abrufen der Daten zu erstellen

3. Physical: Hier wird festgelegt, wie das System implementiert werden kann.

Verwendung des Data Warehouse-Designs

Ein gutes Data-Warehouse-Design kann beim Abrufen der Daten viel Zeit in Anspruch nehmen. Jeder Schritt muss effektiv folgen, um das System zu einem guten zu machen. Es wird dem Unternehmen helfen, mit den komplexen Datentypen umzugehen und die Produktivität basierend auf der Trendanalyse zu verbessern. Daher ist jeder Schritt im DWH-Architekturdesign bei der Auswahlmethode wichtig und bewusster. Die Organisation greift anschließend in die einzelnen Abläufe ein und führt zu einer erfolgreichen Implementierung des Data Warehouse.

Es gibt nur wenige wichtige Anwendungen für Data Warehouse

1. Bankenbranche: Die meisten Banken nutzen das Data Warehouse, um eine große Menge von Transaktionsdaten zu speichern und die Abfragedaten viel schneller abzurufen. Es kann wie Kundendaten, Markttrends, Berichte, Analysen usw. verwaltet werden.

2. Finanzbranche : Sie ähnelt der Bankenbranche, der einzige Schwerpunkt liegt jedoch auf der Verbesserung der finanziellen Veränderungen durch Analyse der Kundendaten

3. Regierung: Heutzutage verwaltet die Regierung viele Daten online und speichert sie in der relationalen Datenbank. Alle Daten haben eine Beziehung zueinander wie Aadhaar, PAN ist mit vielen Quellen verknüpft.

4. Healthcare: Healthcare Manager und Dienstleistungen so viele Informationen. Es verwaltet die klinischen Details und Kundendatensätze und hilft ihnen, die Ergebnisse vorherzusagen, das Feedback zu analysieren und die Berichte zu erstellen.

5. Versicherung: Versicherungsunternehmen, das hauptsächlich für Datenmuster, Kundentrends und die Führung von Aufzeichnungen verwendet wird.

6. Verarbeitende Industrie und Vertriebsindustrie: Sie wird in allen Branchen am häufigsten zum Speichern von Artikelinformationen verwendet und hilft ihnen, die Nachfrage nach Artikeln für Herstellung und Verkauf vorherzusagen. Analysieren des verkauften Artikels, um bessere Entscheidungstechniken zu erhalten.

7. Dienstleistungen für Einzelhändler: Einzelhändler sind die Vermittler zwischen dem Hersteller und dem Kunden. Data Warehouse hilft ihnen bei Werbeaktionen und Artikelkauftrends.

8. Telefonbranche: In der Telefonbranche werden viele historische Daten verwaltet. Dies trägt dazu bei, den Kundendaten-Trend und das Ziel, Werbekampagnen voranzutreiben, zu bestimmen.

Vorteile von Data Warehouse

  • Liefert verbesserte Business Intelligence
  • Gewährleistet Datenqualität und -konsistenz
  • Spart Zeit und Geld
  • Verfolgt historisch intelligente Daten
  • Erzeugt einen hohen ROI

Nachteil von Data Warehouse

  • Extra Report Arbeit
  • Inflexibilität und Homogenisierung von Daten
  • Eigentumsbedenken
  • Anforderungen an große Ressourcenmengen
  • Versteckte Ausgaben verbrauchen Zeit

Empfohlene Artikel

Dies ist eine Anleitung für Data Warehouse Design. Hier diskutieren wir die Technik des Data Warehouse-Entwurfs, das Sammeln von Anforderungen, die Einrichtung der Umgebung, die Verwendung und den Vorteil / Nachteil. Sie können auch den folgenden Artikel lesen, um mehr zu erfahren -

  1. Vorteile von Data Warehouse
  2. Implementierung von Data Warehouse
  3. Data Warehouse-Modellierung
  4. Data Warehouse-Tools
  5. Top 4 verschiedene Arten von Datenmodellen

Kategorie:

Große Daten