przykłady wielkości podsumowanie

Modele danych
- wykład V
Paweł Skrobanek, C-3 pok. 323
[email protected]
oprac. Wrocław 2006
Zagadnienia
1.
2.
3.
4.
5.
Wprowadzenie
MOLAP – modele danych
ROLAP – modele danych
Podsumowanie
Zadanie fajne
WPROWADZENIE
Wprowadzenie
PODSTAWOWE MODELE REPREZENTACJI
I PRZECHOWYWANIA DANYCH
ROLAP
(ang. Relational OLAP)
• rozszerzony relacyjny model
danych,
• przekształcenie operacji
wielowymiarowych na standardowe
relacyjne (często wspomagane
narzędziami)
MOLAP
(ang. Multidimensional OLAP)
• wykorzystanie wielowymiarowych
baz danych (MDB) – tablice
wielowymiarowe zamiast
klasycznych,
Wprowadzenie
AGREGACJA
- wstępne wyliczenie pewnych miar (podsumowanie),
np.:
Dla bazy OLTP
Dla bazy OLAP
• nie przechowujemy
miesięcznych operacji
z danym kontrahentem,
gdyż można je wyliczyć
z Faktur VAT
• wyliczmy raz i przechowujemy sumę operacji
z danym kontrahentem
(skoro takie dane są
używane np.
w 80% analiz)
Wprowadzenie
PODZIAŁ NA PARTYCJE
- zapis tabeli w częściach np. na różnych dyskach
w celu zmniejszenia ilości danych lub zrównoleglenia
operacji
Wprowadzenie
Oracle – przykłady:
2) Zrównoleglenie operacji na tabeli:
CREATE TABLE SPRZEDAZ (…)
PARALLEL (DEGREE 6); - maksymalnie 6 procesów serwera do obsługi tej tabeli
3) Utworzenie tabeli z podziałem na partycje (części):
CREATE Klienci ( …, Kraj char(2), …)
PARTITION BY RANGE (Kraj)
(PARTITION p1 VALUES LESS THAN (‘C’) TABLESPACE Data01;
PARTITION p2 VALUES LESS THAN (‘K’) TABLESPACE Data02;
…
PARTITION p6 VALUES LESS THAN MAXVALUE TABLESPACE Data06;
Utworzenie indeksu dla tego podziału:
CREATE INDEX indeks_kliencji_kraj ON Klienci (kraj) LOCAL;
Wprowadzenie
Rodzaje danych analitycznych
FAKTY
(wielkości analizowane)
• dane ilościowe opisujące
zaistniałe zdarzenia (fakty),
np. wartość sprzedaży, ilość
towaru, zysk
WYMIARY
(wielkości klasyfikujące)
• dane cechy, atrybuty faktów, tzw.
„dane klasyfikujące”
np. czas, miejsce, pracownik,
klient,
• dane klasyfikujące mogą być
układane w hierarchie
Wprowadzenie
ŚCIEŻKI PODSUMOWAŃ
- definiują poziomy ogólności wymiarów (hierarchie)
Przykłady:
• gałąź przemysłu → kategoria → towar → opakowanie
• kraj → region → miasto → sklep
• rok → kwartał
miesiąc
tydzień
dzień
UWAGA: Hierarchie nie muszą być jednoznaczne,
np. towar może należeć do dwóch kategorii.
Wprowadzenie
Hurtownie tematyczne (ang. data marts)
- zbiory danych (zwykle perspektywy zmaterializowane)
w których agregacje i podziały definiujemy pod kątem
konkretnej grupy użytkowników podejmujących decyzje
(np. pod kątem działu firmy)
ROLAP (ang. Relational OLAP)
- modele danych
ROLAP
1. Technika implementacji – w postaci tabel.
2. Schemat:
a) gwiazda – jedna tabela faktów w środku oraz
tabele wymiarów po bokach (po jednej dla każdego
wymiaru),
b) płatek śniegu – powstaje po zastosowaniu
normalizacji do tabeli wymiarów schematu gwiazdy
c) inne odmiany – np. z wielokrotną tabelą faktów
ROLAP
Schemat gwiazdy – przykład.
ROLAP
Fragment schematu płatka śniegu – przykład.
ROLAP
Schematu „wielogwiaździsty” – 2 tabele faktów.
ROLAP
Schemat z dwoma tabelami faktów.
ROLAP
Schemat z dwoma tabelami faktów.
ROLAP
Tabelami faktów jako „tabela asocjacyjna” (przypisanie
towaru do grupy).
MOLAP (ang. Multidimensional OLAP)
- modele danych
ROLAP
1. Fakty – jako punkty wielowymiarowej przestrzeni.
Przechowywanie w tzw. tablicach wielowymiarowych
2. Schemat w postaci wielowymiarowej kostki.
3. Reprezentacja szczegółowości (hierarchii) - za
pomocą podkostek (ang. subcube). Reprezentacja
„punktu” (pojedynczego elementu kostki przy pomocy
innej kostki wielowymiarowej).
4. Arkusz (ang. spreadsheet) – tworzą dwa wymiary
(pozostałe mają ustaloną wartość).
5. Komórka – miara z wszystkimi ustalonymi wymiarami.
ROLAP
Przykład kostki danych (ang. data cube).
ROLAP
Przykład tablicy wielowymiarowej
(działanie operatora CUBE).
ROLAP
4. Analiza materiałów ksero.
PODSUMOWANIE
PODSUMOWANIE
Podsumowanie:
 schematy ROLAP/MOLAP dopasowane do
sposobu wykorzystania danych (wyraźnie
pokazane fakty i wymiary),
 uproszczony sposób nawigacji po danych
(zapytania analityczny),
 zastosowanie hierarchii umożliwia uzyskanie
wyników na różnym poziomie szczegółowości
(tzw. drążenie danych, operacje roll-up/ drill-down)
PODSUMOWANIE
Podsumowanie:
 wada: nadmiarowość danych, duże rozmiary oraz
to co jest związane z brakiem normalizacji
– problem dołączania, aktualizacji, usuwania,
 wspomaganie zapytań analitycznych oraz
modelowania ROLAP/MOLAP przez narzędzia
hurtowni danych,
 źle dobrana struktura (schemat) danych może
wpływać na znaczne pogorszenie wydajności
- analiza materiałów konferencyjnych
ZADANIE FAJNE 
Jakie będą dla danych z laboratorium:
- ścieżki podsumowań
- model ROLAP
- model MOLAP