Datawarehousing Parracia, Natalia Lorena Pginas: 18 Editorial: El Cid Editor | apuntes Date Published: 2009 Idioma: es Nmero de clasificacin

de la Biblioteca del Congreso: QA76.9.D37 -- P259 2009eb ISBN: Nmero decimal Dewey: Temas: Bases de datos. Sistemas de informacin. Data warehousing. Sistemas de informacion

http://biblioteca.uniandes.edu.co/uhtbin/cgisirsi/LHVy6MH3Tt/GENERAL/86300775/60/280/X OLTPv/s OLAP: Dos Mundos Diferentes Terminologaasociada a los DW: DataMart 1. subconjunto de un DW, en el cual, una parte resumida o altamente enfocada de los datos, es ubicada en una base de datos separada para uso personal especifico. 2. DW altamente enfocado, para atender las necesidades especificas de una poblacin de usuarios en particular. 3. versin ms reducida que almacena un subconjunto especifico de los datos de una compaa o que es utilizado por un departamento individual. DataMining En general el lenguaje usado para este tipo de consultas es SQL. ejemplo HealthInsurance Commission se uni a IBM para el desarrollo conjunto de una solucindata mining que analiza datos y detecta recetas, medicamentos o servicios prestados innecesarios. Agrega un elemento mas a OLAP, me dice porque ocurre determinado hecho, o proporciona alertas sobre hechos inesperados o descubre tendencias. OLAP (On line analytic processing) procesamiento analtico en lnea, software de DWque permite saber que esta sucediendo en mi empresa. Se usa para analizar datos externos de mercado y datos internos de movimientos de productos. Tiene amplia aceptacin en presupuestacion, pronstico, y anlisis de tendencias. OLTP (On line transaction processing) procesamiento transaccional en lnea,es el modelo de ejecucin actual de los sistemas comerciales, este modelo no es eficiente a la hora de hacer consultas analticas complejas planteadas en elDW. Los DW ponen al descubierto un problema entre usuarios finales y personal de sistemas. El modelo de datos usado en todos los sistemas comerciales (OLTP) no es de fcil anlisis para un usuario final. Por eso se habla de que lasBusiness Rules (reglas del negocio) pocas veces coinciden con las System Rules(reglas del sistema). Como concepto importante, cabe aclarar que: Se incorpora adems del ayer de mis datos, el ayer de los datos de otras entidades participantes en mi negocio y que sirven para concretar un mejor anlisis para la toma de decisiones. Por ejemplo un proveedor puede brindarnos datos acerca de como le compramos y en que fechas obtuvimos los mejores descuentos. O en el caso de las entidades externas a mi negocio, los Benchmarkings se valdrn de la informacin que se nos brinde para hacer un anlisis. OLTPv/s OLAP: Dos Mundos Diferentes Terminologaasociada a los DW: DataMart 1. subconjunto de un DW, en el cual, una parte resumida o altamente enfocada de los datos, es ubicada en una base de datos separada para uso personal especifico. 2. DW altamente enfocado, para atender las necesidades especificas de una poblacin de usuarios en particular.

3. versin ms reducida que almacena un subconjunto especifico de los datos de una compaa o que es utilizado por un departamento individual. DataMining En general el lenguaje usado para este tipo de consultas es SQL. ejemplo HealthInsurance Commission se uni a IBM para el desarrollo conjunto de una solucindata mining que analiza datos y detecta recetas, medicamentos o servicios prestados innecesarios. Agrega un elemento mas a OLAP, me dice porque ocurre determinado hecho, o proporciona alertas sobre hechos inesperados o descubre tendencias. OLAP (On line analytic processing) procesamiento analtico en lnea, software de DWque permite saber que esta sucediendo en mi empresa. Se usa para analizar datos externos de mercado y datos internos de movimientos de productos. Tiene amplia aceptacin en presupuestacion, pronstico, y anlisis de tendencias. OLTP (On line transaction processing) procesamiento transaccional en lnea,es el modelo de ejecucin actual de los sistemas comerciales, este modelo no es eficiente a la hora de hacer consultas analticas complejas planteadas en elDW. Los DW ponen al descubierto un problema entre usuarios finales y personal de sistemas. El modelo de datos usado en todos los sistemas comerciales (OLTP) no es de fcil anlisis para un usuario final. Por eso se habla de que lasBusiness Rules (reglas del negocio) pocas veces coinciden con las System Rules(reglas del sistema). Como concepto importante, cabe aclarar que: Se incorpora adems del ayer de mis datos, el ayer de los datos de otras entidades participantes en mi negocio y que sirven para concretar un mejor anlisis para la toma de decisiones. Por ejemplo un proveedor puede brindarnos datos acerca de como le compramos y en que fechas obtuvimos los mejores descuentos. O en el caso de las entidades externas a mi negocio, los Benchmarkings se valdrn de la informacin que se nos brinde para hacer un anlisis.

Parracia, Natalia Lorena. Datawarehousing. , , Argentina: El Cid Editor | apuntes, 2009. p 7. http://site.ebrary.com/lib/bibliotecauacsp/Doc?id=10316313&ppg=7 Copyright 2009. El Cid Editor | apuntes. All rights reserved. Parracia, Natalia Lorena. Datawarehousing. , , Argentina: El Cid Editor | apuntes, 2009. p 7. http://site.ebrary.com/lib/bibliotecauacsp/Doc?id=10316313&ppg=7 Copyright 2009. El Cid Editor | apuntes. All rights reserved.

A question often asked about OLAP is whether it isnt just data warehousing in a prettier wrapper. The two are quite different, but are meant to work together. The data warehouse is used to effectively store information, and OLAP is used for efficient information retrieval. The

two technologies (data warehousing and OLAP) are complementary, so that a good warehouse is designed with reporting in mind. As we discussed in Chapter 5, building the warehouse in isolation is a formula for a warehouse disaster. To fully exploit the warehouse, you need OLAP to draw out and fully leverage the information it contains. We must distinguish the capabilities of OLAP from those of data warehousing. The data warehouse is usually based upon relational technology, utilizing products such as Oracle8i. OLAP uses multidimensional views of data for quick access to strategic information. Although some OLAP products do allow you to store your data in a database, it is usually stored in a proprietary table structure that should only be accessed with the products user interface. The data in these multidimensional views is often aggregated to maximize its effectiveness. Many of todays OLAP tools also provide you with a drill-down capability that allows you to investigate the meaning and source of these aggregations. It bears repeating: OLAP and data warehouses complement each other. The data warehouse stores the data necessary for strategic decision making. OLAP allows user access to this data through such methods as ad hoc querying and browsing, calculations, time-series analysis, and complex modeling. End users, over time, will find that this simple OLAP-driven data access allows them to make more informed decisions. Rather than think of the data in terms of flat files or spreadsheets, an OLAP application allows you to look at the data in terms of many dimensions. A flat file

Corey, Michael; Abbey, Michael; Abramson, Ian. Oracle8i : Data Warehousing. Blacklick, OH, USA: McGraw-Hill Professional Publishing, 2001. p 620. http://site.ebrary.com/lib/bibliotecauac/Doc?id=10152719&ppg=651 Copyright 2001. McGraw-Hill Professional Publishing. All rights reserved.

is a collection of text data stored line by line and always read from start to finish. You will remember from the definition in Chapter 5 that dimensions describe the components of the study area and are a way to locate the value of a performance measure. This ability to organize the data in the way users think about it is known as multidimensionality. This is what distinguishes OLAP capability from a traditional system. The design of an OLAP multidimensional solution is not much different from that of a focused data mart. To help you formulate your OLAP topology and design, you must ask the following questions: s When? s s What? Where? s Who? These questions form the basis for all multidimensional arrays. Although each question may have one answer or many answers, together they will form the dimensional map that will then be translated into your vision of how your information should be viewed. We must remember to separate the qualitative information from the quantitative information. The quantitative numbers will form the measures that will be used to depict the combinations of the qualitative information. For example, you could classify a sale by the time a product was purchased, the particular product that was purchased, where the purchase occurred, and the source of the product. Each one of these items could be thought of as a dimension within the database. In this example, you have four dimensions: s Time (when?) s s

Product (what?) Geography (where?) s Salesperson (who?) The essential units of an OLAP database are its dimensions. This is where you get the idea of the multidimensional data array. We can think of a spreadsheet with its rows and columns as flat and two-dimensional with each up-down and leftright direction being a dimension. If we add another dimension, we could create an object that looks like a cube. In terms of geometry, we can say that we have, at minimum, X-, Y-, and Z-axes to our cube. However, when dealing with multidimensional analysis, we are not limited to two or three dimensions in combination. We are limited only by the power of our tools.

Corey, Michael; Abbey, Michael; Abramson, Ian. Oracle8i : Data Warehousing. Blacklick, OH, USA: McGraw-Hill Professional Publishing, 2001. p 621. http://site.ebrary.com/lib/bibliotecauac/Doc?id=10152719&ppg=652 Copyright 2001. McGraw-Hill Professional Publishing. All rights reserved.

Oracle8i : Data Warehousing Corey, Michael Abbey, Michael Abramson, Ian Pginas: 865 Editorial: McGraw-Hill Professional Publishing Date Published: 2001