PV005 Služby počítačových sítí: Data Warehouses
|
|
|
- Petr Dvořák
- před 5 lety
- Počet zobrazení:
Transkript
1 PV005 Služby počítačových sítí: Data Warehouses Jaroslav Bayer 1 Fakulta informatiky Masarykova univerzita CVT FI MU, B310, xbayer@fi.muni.cz Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
2 Obsah přednášky 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura 5 Data Back-End 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
3 Normalizovaná vs. Denormalizovaná databáze Normální formy Relační datový model Edgar Frank Codd 1, 1969 superklíč kandidátský klíč primární klíč 1 A Relational Model of Data for Large Shared Data Banks, 1970 Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
4 Normalizovaná vs. Denormalizovaná databáze Normální formy 1NF atributy obsahují pouze atomické hodnoty (nevyskytují se opakující se skupiny atributů) 2NF 1NF + žádný neklíčový atribut není závislý na vlastní podmnožině nějakého KK (všechny neklíčové atributy jsou závislé na každém celém KK) 3NF 2NF + všechny neklíčové atributy přímo (netranzitivně) závisí na každém KK (každý atribut tranzitivně závisející na klíči je klíčový atribut) (každý atribut je funkčně závislý na klíči a pouze na klíči) (všechny neklíčové atributy jsou vzájemně nezávislé) Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
5 Normalizovaná vs. Denormalizovaná databáze Normální formy BCNF 2 pro každou závislost X Y platí, že buď Y X nebo X je SK (každá netriviální závislost X Y X je nadmnožinou nějakého klíče nebo klíč) BCNF 3NF (obráceně nikoli!) 4NF 3NF + odstraněny podmíněné funkční závislosti (složený KK nesmí být tvořen z nezávislých dat) 5NF project-join normal form, relace nelze již bezeztrátově rozložit 6 NF nesplňuje žádnou netriviální join dependency EKNF 3, DKNF 4,... 2 Boyce-Codd Normal Form 3 Elementary Key Normal Form 4 Domain-key Normal Form Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
6 Normalizovaná vs. Denormalizovaná databáze On-Line Transaction Processing (OLTP) silně normalizované databáze hlavním cílem je snížení redundance dat optimalizováno na velké množství malých transakcí transakce přenášející DB z konzistentního stavu do konzistentního stavu kombinace čtení/zápis snadné modifikace ve víceuživatelských prostředích snižování redundance v datech zajištění datové integrity prakticky nejrozšířenější přístup v relačním modelu tzv. operační/produkční databáze Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
7 Normalizovaná vs. Denormalizovaná databáze Denormalizace normalizované DB nevhodné pro analytické zpracování dat dotazy často vyžadují přístup do velkého množství tabulek zbytečně časově náročné join operace denormalizace doplnění redundantních dat předpočítání agregovaných, seskupených či sumarizovaných dat odlišná DB schémata optimalizace pro čtení materializovaný pohled (materialized view) schéma hvězdy (star) nebo vločky (snowflake) OLAP kostka... Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
8 Normalizovaná vs. Denormalizovaná databáze On-Line Analytical Processing (OLAP) mj. technologie ukládání dat v DB zaměřeno na ukládání velkých objemů dat pro budoucí zpracování podporu analytického zpracování dat efektivní zpracování multi-dimenzionálních dotazů čtení (read-mostly DB) ukládání dat ve snadno pochopitelném formátu ukládání historie dat vedení, analytici, specialisté mimo IT oblasti apod. data většinou nahrávána periodicky málo uživatelů orientováno na subjekt pouze operace insert a select MultiDimensional expressions (MDX) dotazovací jazyk pro OLAP dbs možný překlad do SQL Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
9 Normalizovaná vs. Denormalizovaná databáze OLAP kostka Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
10 Normalizovaná vs. Denormalizovaná databáze OLAP kostka, operace roll-up x drill-down Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
11 Normalizovaná vs. Denormalizovaná databáze OLAP kostka, operace slice x dice Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
12 Normalizovaná vs. Denormalizovaná databáze OLAP kostka, operace pivoting Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
13 Data Warehouse: základní charakteristika Data Warehouse: základní charakteristika 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura 5 Data Back-End 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
14 Data Warehouse: základní charakteristika Data Warehouse: definice Data Warehouse (datový sklad) je: kolekce dat pro podporu rozhodování s následujícími vlastnostmi: orientovaný na subjekt, integrovaný, časově proměnný, avšak stálý (konzistentní). definice dle Williama H. Inmona 5 data Warehousing je kolekce metod, technik, nástrojů a přístupů k zajištění podpory pro knowledge workers při analýzách dat, které dopomohou k lepším rozhodnutím a zkvalitnění informačních zdrojů. 5 The father of the data warehouse Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
15 Data Warehouse: základní charakteristika DW: orientace na subjekt orientace na subjekty, kterými se podnik/organizace zabývá zákazník, dodavatel, produkt student, učitel, předmět zaměřuje se zejména na data vhodná pro strategická rozhodnutí jasné a čitelné oddělení funkčních celků vyšší paměťová náročnost DB pro OLTP se oproti tomu orientuje na transakce faktura, vklad, půjčka, prodej zápis, hodnocení, změna kreditace funkčně orientovaná Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
16 Data Warehouse: základní charakteristika DW: orientace na subjekt orientace na subjekty, kterými se podnik/organizace zabývá zákazník, dodavatel, produkt student, učitel, předmět zaměřuje se zejména na data vhodná pro strategická rozhodnutí jasné a čitelné oddělení funkčních celků vyšší paměťová náročnost DB pro OLTP se oproti tomu orientuje na transakce faktura, vklad, půjčka, prodej zápis, hodnocení, změna kreditace funkčně orientovaná Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
17 Data Warehouse: základní charakteristika DW: integrovanost integrace a sjednocení dat více zdrojů dat (produkčních systémů 6 ) sjednocení názvů, měřítek, jednotek, kódování,... integrace dat do jednotné logické podoby 6 též operačních či transakčních systémů Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
18 Data Warehouse: základní charakteristika DW: časová proměnlivost data většinou nahrávána periodicky po větších dávkách avšak existují i on-line aktualizované datové sklady data po vložení zafixována jako časový snímek produkční DB součástí datových záznamů jsou časové známky historie dat Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
19 Data Warehouse: základní charakteristika DW: stálost (konzistence) uživatelé data zásadně nemění pokládají zejména dotazy (select) data se po vložení prakticky nemění až na výjimky v podobě chyb v datech či HW poruch po exspiraci mohou být data vymazána Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
20 Data Warehouse: návrh Data Warehouse: návrh 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura 5 Data Back-End 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
21 Data Warehouse: návrh Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
22 Data Warehouse: návrh DW: Staging Area a ODS (Data) Staging Area mezilehlé datové úložiště časově nestálé (data se po nahrání do DW mohou smazat) sběr dat z více zdrojů hledání rozdílů mezi aktuálními daty a daty v DW předvýpočty agregovaných hodnot čištění dat (data cleansing) detekce a oprava porušených či nesprávných záznamů nezaměňovat s pouhou validací dat Operational Data Store (ODS) sklad provozních dat DB navržená pro integraci dat z různých zdrojů data uložena s nejvyšší granularitou (podrobná, atomická data) data dostupná produkčnímu systému i DW data omezena na aktuální stav (nebo stav jemu blízký) sjednocená předmětově orientovaná data, nestálá Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
23 Data Warehouse: návrh DW: Staging Area a ODS (Data) Staging Area mezilehlé datové úložiště časově nestálé (data se po nahrání do DW mohou smazat) sběr dat z více zdrojů hledání rozdílů mezi aktuálními daty a daty v DW předvýpočty agregovaných hodnot čištění dat (data cleansing) detekce a oprava porušených či nesprávných záznamů nezaměňovat s pouhou validací dat Operational Data Store (ODS) sklad provozních dat DB navržená pro integraci dat z různých zdrojů data uložena s nejvyšší granularitou (podrobná, atomická data) data dostupná produkčnímu systému i DW data omezena na aktuální stav (nebo stav jemu blízký) sjednocená předmětově orientovaná data, nestálá Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
24 DW: ETL Data Warehouse: návrh Extract, Transform, Load (ETL) Extract získání dat z různých (a často nekompatibilních) zdrojů analýza dat, kontrola souladu se vzory dat,... Transform transformace dat ze struktury zdroje do struktury cíle výběr sloupců, změna kódování, spojení tabulek, agregace, disagregace, pivoting, validace dat,... Load nahrání dat do cíle, např. DW triggery a ověření konzistence dat přes integritní omezení Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
25 DW: Data Marts Data Warehouse: návrh Data Mart (DM, datová tržiště) logická podčást DW obsahuje podmnožinu dat z DW zaměřen na konkrétní uživatele přístupová vrstva pro získávání dat z DW DM může mít vlastní HW, SW i data a DB snížení doby přítupu lepší definice uživatelů, bezpečnost Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
26 Data Warehouse: návrh DW: Data Vault speciálně navržená DB Data Vault Modelling databázová modelovací metoda vyhovuje potřebám integrace i ukládání historie dat podporuje sledování původu dat (data tracking) zkracuje čas potřebný pro naplnění (loading time) reaguje dobře na změny splňuje požadavek 100 % dat po 100 % času může nahradit ODS (detaily později) Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
27 Data Warehouse: architektura Data Warehouse: architektura Structure-Oriented Classification 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura Structure-Oriented Classification Design Methodologies Data Loading Approaches 5 Data Back-End Database Management System DB schemas Data Vault Modelling 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
28 Data Warehouse: architektura DW: jednovrstvá architektura Structure-Oriented Classification Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
29 Data Warehouse: architektura Structure-Oriented Classification DW: jednovrstvá architektura minimalizuje množství uložených dat vlastní DW je virtuální DW implementován jako multidimenzionální pohledy (views) do operační DB neodděluje analytické a transakční zpracování dat analytické dotazy zatěžují operační DB potenciální nedostatek výkonu neudržuje více dat než zdroj nejjednodušší, málo nasazovaný přístup Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
30 Data Warehouse: architektura Structure-Oriented Classification DW: dvouvrstvá architektura Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
31 Data Warehouse: architektura Structure-Oriented Classification DW: dvouvrstvá architektura odděluje analytické a transakční zpracování dat podpora integrace dat z více zdrojů, ETL DW existuje fyzicky alternativní modelovací metody rozdělení na DM meta-data ukládání historie... Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
32 Data Warehouse: architektura Structure-Oriented Classification DW: třívrstvá architektura Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
33 Data Warehouse: architektura Structure-Oriented Classification DW: třívrstvá architektura dvouvrstvá architektura doplněna o tzv. Reconciled Data Layer (RDL, vrstva pro sladění dat) nebo ODS DW pak není plněn přímo ze zdrojů, ale z RDL/ODS odděluje problémy extrakce a integrace dat od plnění DW nová vrstva přidává další datovou redundanci do systému Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
34 Data Warehouse: architektura Structure-Oriented Classification DW: hybridní přístup na pomezí jedno a vícevrstvé architektury agregovaná či sumarizovaná data uložena fyzicky v DW vhodné pro multidimenzionální dotazy detailní data uložena pouze ve zdrojové DB v případě potřeby dostupné DW snižuje datovou redundanci a nároky na úložiště v DW Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
35 Data Warehouse: architektura Structure-Oriented Classification DW: meta-data Forma abstrakce popisující strukturu a obsah DW administrativní meta-data zdroj originálních dat pravidla transformace podpora automatizace formáty dat a měrné jednotky architektura a datová struktura back-end DW pravidla přístupu a oprávnění,... uživatelská meta-data obsah DW, předdefinované dotazy def. hierarchie dimenzí kvalita dat a historie plnění DW,... statistická a optimalizační meta-data,... Standardizace Meta Data Coalition a Object Management Group Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
36 Data Warehouse: architektura Design Methodologies Design Methodologies 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura Structure-Oriented Classification Design Methodologies Data Loading Approaches 5 Data Back-End Database Management System DB schemas Data Vault Modelling 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
37 Data Warehouse: architektura Design Methodologies DW: nezávislá datová tržiště Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
38 Data Warehouse: architektura Design Methodologies DW: nezávislá datová tržiště Independent Data Marts datová tržiště vznikají nezávisle analytické nástroje je používají dle potřeby komplikuje integraci dat vhodné pouze v případě nedostatku zdrojů limitující funkcionalita Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
39 Data Warehouse: architektura Design Methodologies DW: architektura sběrnice Bus Architecture návrh zespodu nahoru (bottom-up design) algoritmus pro detekci tzv. Conformed Dimensions v DM sestavení sběrnice z těchto dimenzí nezávislé, avšak homogenní DM tak vytvoří koherentní DW výhody použitelné s prvním DM iterativní přístup nevýhodou jsou problémy s granularitou při rozšiřování propagátorem metody je Ralph Kimball Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
40 Data Warehouse: architektura DW: architektura sběrnice Design Methodologies Zdroj: Kimball Group, Enterprise Data Warehouse Bus Architecture Data-Warehouse-Bus-Architecture-e png Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
41 Data Warehouse: architektura Design Methodologies DW: návrh shora dolů top-down design centralizovaný přístup detailní data v DW uložena normalizovaně (do jisté míry) DM v multidimenzionální formě jsou plněny z centrálního repozitáře výhody produkuje vysoce konzistentní DM po dokončení odolné vůči změnám v business procesech nevýhodou je značná časová náročnost do dokončení DW není příliš využitelný před dokončením propagátorem metody je William H. Inmon Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
42 Data Warehouse: architektura Design Methodologies DW: Hub-and-Spoke Architecture Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
43 Data Warehouse: architektura Design Methodologies DW: Hub-and-Spoke Architecture atomická data ukládána normalizovaně v Reconciled Data Layer (RDL) agregovaná a sumarizovaná data ukládána do DM v multidimenzionální formě podobné předchozímu návrhu avšak detailní a agregovaná data nemusí být fyzicky uložena v jednom repozitáři uživatelé většinou pracují s DM k RDL přistupují pouze výjimečně pro detailní data Data Vault Modelling odpovídá této architektuře Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
44 Data Warehouse: architektura Design Methodologies DW: sjednocujíci architektura Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
45 Data Warehouse: architektura DW: sjednocující architektura Design Methodologies Federated Architecture integruje již existující DW či DM vytvoření jednotného rozhraní pro přístup ke všem datům Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
46 Data Warehouse: architektura Data Warehouse: architektura Data Loading Approaches 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura Structure-Oriented Classification Design Methodologies Data Loading Approaches 5 Data Back-End Database Management System DB schemas Data Vault Modelling 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
47 Data Warehouse: architektura Data Loading Approaches Data Loading Approaches (přístupy nahrávání dat) žádná data použitelné pouze u jednovrstvého DW zcela aktuální data off-line data aktualizována v pravidelných intervalech, např. hodiny, dny, týdny,... DW nemá vždy aktuální data on-line DW aktualizován s každou transakcí zcela aktuální data on-line z více zdrojů jako předchozí bod, ale z více zdrojů Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
48 Data Back-End Data Back-End Database Management System 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura Structure-Oriented Classification Design Methodologies Data Loading Approaches 5 Data Back-End Database Management System DB schemas Data Vault Modelling 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
49 Databázové systémy Data Back-End Database Management System relační model data uložena v relacích (tabulkách) v podobě n-tic (řádků/záznamů) tabulky definovány schématem relace nejrozšířenější DBMS ROLAP implementace multidimenzionální funkcionality na relační DB multidimenzionální databáze data ukládána v hyperkostkách protiklad užívání tabulek v relačních db dříve nepříjemná omezení MOLAP Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
50 Data Back-End Database Management System Databázové systémy (2) grafové databáze data definována i uložena pomocí grafové struktury založeno na teorii grafů oproti relačním DB někdy rychlejší, lépe škálují vhodné pro dotazy podobné grafovým operacím, např. hledání cesty síťový model flexibilní způsob ukládání vztahů mezi objekty uzel může mít více rodičů i potomků zobecněný graf hierarchické databáze data organizována ve stromových strukturách registry MS Windows triplestore vhodné pro ukládání trojic... Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
51 Data Back-End Data Back-End DB schemas 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura Structure-Oriented Classification Design Methodologies Data Loading Approaches 5 Data Back-End Database Management System DB schemas Data Vault Modelling 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
52 Schéma hvězdy Data Back-End DB schemas Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
53 Data Back-End DB schemas Schéma hvězdy Star Schema dovoluje relační DB simulovat multidimenzionální DB nejjednodušší schéma DW faktová tabulka uprostřed spojuje dimenzní tabulky okolo faktové tabulky nesou (zejména) číselné údaje fakta zabírají nejvíce místa dimenzní tabulky nesou atributy faktů jejich popis, kontext související atributy v jedné tabulce minimalizace počtu dimenzních tabulek mají velké množství sloupců (atributů) Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
54 Data Back-End Schéma sněhové vločky DB schemas Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
55 Data Back-End DB schemas Schéma sněhové vločky Snowflake schema opět v centru faktové tabulky a okolo dimenzní avšak dimenze jsou normalizované (do určité míry) dimenzní tabulky rozloženy procesem normalizace do několika propojených tabulek efektivní zejména pro díravé (sparse) dimenze má-li dimenze velké množství atributů Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
56 Data Back-End DB schemas Hvězda vs. vločka obě optimalizují čas/rychlost získání dat (operace čtení) hvězda vhodná pro nástroje, které odhalují DB schema uživatelům snadno pochopitelná, přirozená spojení vločka vhodná pro sofistikované nástroje, které oddělují data od uživatelů Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
57 Data Back-End DB schemas Reverzní hvězda Reverse Star Schema optimalizace na získání velkého množství popisných dat návrh převrací některá pravidla hvězdy naruby k centrální tabulce se připojují faktové tabulky více centrálních tabulek rozdílné kardinality vhodné pro business dotazy na více faktů naráz row level security (omezení na sdílené dimenzi)... Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
58 Reverzní hvězda Data Back-End DB schemas Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
59 Data Back-End Data Back-End Data Vault Modelling 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura Structure-Oriented Classification Design Methodologies Data Loading Approaches 5 Data Back-End Database Management System DB schemas Data Vault Modelling 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
60 Data Back-End Data Vault Modelling DV: přehled modelovací metoda ukládání historie dat integrace dat z více zdrojů datový audit, původ dat (data tracking) uchovávání chybných hodnot paralelní nahrávání dat 100 % dat 100 % času může nahradit ODS fakta vs. pravda navržen Danem Linstedtem Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
61 Data Back-End Data Vault Modelling DV: komponenty Hubs primární klíče (business klíče) tyto se téměř nemění, např. učo Links integrace transakcí a vztahů mezi Hubs Satellites kontext Hubs a Links Point-in-Time Tabules, Bridge, pomocné tabulky,... Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
62 Shrnutí Shrnutí 1 Normalizovaná vs. Denormalizovaná databáze 2 Data Warehouse: základní charakteristika 3 Data Warehouse: návrh 4 Data Warehouse: architektura 5 Data Back-End 6 Shrnutí Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
63 Shrnutí Shrnutí Operační/Transakční DB ukládá data s ohledem na bezpečné a efektivní zpracování transakcí v konkurečním mnohouživatelském prostředí zaměřuje se zejména na aktuální data čtení a zápis velké množství uživatelů Data Warehouse ukládá data s ohledem na efektivitu zpracování složitých dotazů zejména operace select a insert využívá multidimenzionální funkcionality usnadňuje udržování historie data snaha o čištění dat analytické zpracování nezatěžuje transakční DB podpora pro analytické nástroje OLAP, reportování, DM nástroje,... data tracking správa chybných dat Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 61
Data Warehouses. Jaroslav Bayer 1. Fakulta informatiky Masarykova univerzita
PV005 Služby počítačových sítí: Data Warehouses Jaroslav Bayer 1 Fakulta informatiky Masarykova univerzita 28. 11. 2012 1 CVT FI MU, B310, email: xbayer@fi.muni.cz Jaroslav Bayer (FI MU) PV005 Služby počítačových
3 zdroje dat. Relační databáze EIS OLAP
Zdroje dat 3 zdroje dat Relační databáze EIS OLAP Relační databáze plochá dvourozměrná tabulková data OLTP (Online Transaction Processing) operace selekce projekce spojení průnik, sjednocení, rozdíl dotazování
Databáze Bc. Veronika Tomsová
Databáze Bc. Veronika Tomsová Databázové schéma Mapování konceptuálního modelu do (relačního) databázového schématu. 2/21 Fyzické ik schéma databáze Určuje č jakým způsobem ů jsou data v databázi ukládána
10. Datové sklady (Data Warehouses) Datový sklad
10. Datové sklady (Data Warehouses) Datový sklad komplexní data uložená ve struktuře, která umožňuje efektivní analýzu a dotazování data čerpána z primárních informačních systémů a dalších zdrojů OLAP
4IT218 Databáze. 4IT218 Databáze
4IT218 Databáze Osmá přednáška Dušan Chlapek (katedra informačních technologií, VŠE Praha) 4IT218 Databáze Osmá přednáška Normalizace dat - dokončení Transakce v databázovém zpracování Program přednášek
Základy business intelligence. Jaroslav Šmarda
Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování
BI v rámci IS/ICT komponenty BI architektura. Charakteristika dat a procesů v IS/ICT. Datové sklady ukládání dat návrh datového skladu
BI v rámci IS/ICT komponenty BI architektura Charakteristika dat a procesů v IS/ICT Datové sklady ukládání dat návrh datového skladu BI CRM ERP SCM Aplikace pro podporu základních řídících a administrativních
Business Intelligence. Adam Trčka
Business Intelligence Adam Trčka 09:00 11:30: BI v kostce Navrhněme si sklad Ukázka BI Datamining 12:30 14:30: Pokračování kurzu 14:30 15:00: Q&A Agenda Co se dnes dovíme? Data informace znalost Business
Informační systémy 2008/2009. Radim Farana. Obsah. Obsah předmětu. Požadavky kreditového systému. Relační datový model, Architektury databází
1 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Požadavky kreditového systému. Relační datový model, relace, atributy,
Datové sklady. Ing. Jan Přichystal, Ph.D. 1. listopadu 2011. PEF MZLU v Brně
PEF MZLU v Brně 1. listopadu 2011 Úvod Intenzivní nasazení informačních technologií způsobuje hromadění obrovské spousty nejrůznějších údajů. Příkladem mohou být informace z obchodování s cennými papíry
Ing. Roman Danel, Ph.D. 2010
Datový sklad Ing. Roman Danel, Ph.D. 2010 Co je to datový sklad a kdy se používá? Pojmem datový sklad (anglicky Data Warehouse) označujeme zvláštní typ databáze, určený primárně pro analýzy dat v rámci
Obsah. Úvod do problematiky. Datový sklad. Proces ETL. Analýza OLAP
Petr Jaša Obsah Úvod do problematiky Data vs. informace Operační vs. analytická databáze Relační vs. multidimenzionální model Datový sklad Důvody pro budování datových skladů Definice, znaky Schéma vazeb
Jak velká jsou? Obchodní analytici FB velké datové sady BI = business intelligence. OLAP = Online Analytical Processing. DWH = Data Warehouse
název B = Bajt KB = Kilobajt MB = Megabajt GB = Gigabajt TB = Terabajt PB = Petabajt EB = Exabajt ZB = Zettabajt YB = Yottabajt velikost 8 b 2^10 B 2^20 B 2^30 B 2^40 B 2^50 B 2^60 B 2^70 B 2^80 B Jak
Databázové systémy. 10. přednáška
Databázové systémy 10. přednáška Business Intelligence Poprvé byl termín BI použit Gartnerem a dále pak popularizován Howardem Dresnerem jako: proces zkoumání doménově strukturovaných informací za účelem
Business Intelligence
Business Intelligence Skorkovský KAMI, ESF MU Principy BI zpracování velkých objemů dat tak, aby výsledek této akce manažerům pomohl k rozhodování při řízení procesů výsledkem zpracování musí být relevantní
Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek
Databáze datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek 980103 Jan Novak Dlouha 5 Praha 1 9945371 100.00 100.00 980105 Jan Novak Dlouha 5 Praha 1 9945371 1500.00 1600.00 980106
kapitola 2 Datové sklady, OLAP
Tomáš Burger, burger@fit.vutbr.cz kapitola 2 Datové sklady, OLAP Získávání znalostí z databází IT-DR-3 / ZZD Co je to datový sklad A data warehouse is a subjectoriented, integrated, time-variant and nonvolatile
Zdroje informací v organizaci IS/ICT BI v rámci IS/ICT historie architektura OLTP x DW ukládání dat
Zdroje informací v organizaci IS/ICT BI v rámci IS/ICT historie architektura OLTP x DW ukládání dat Vladimíra Zádová BI CRM ERP SCM Aplikace pro podporu základních řídících a administrativních operací
Datové sklady. Multidimenzionální modelování Modely datového skladu Návrh datového skladu v rámci návrhu IS/ICT. Vladimíra Zádová, KIN, EF, TUL
Datové sklady Multidimenzionální modelování Modely datového skladu Návrh datového skladu v rámci návrhu IS/ICT Multidimenzionální modelování (Multi)dimenzionální modelování speciální technika určená pro
Marketingová komunikace. 2. a 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3aph) 2. a 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Co nás čeká: 2. soustředění 16.1.2009
Marketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3bph) 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Zdroje Studijní materiály Heleny Palovské
Databázové systémy. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz
Databázové systémy Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz Vývoj databázových systémů Ukládání dat Aktualizace dat Vyhledávání dat Třídění dat Výpočty a agregace 60.-70. léta Program Komunikace Výpočty
DATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
Analýza a modelování dat 3. přednáška. Helena Palovská
Analýza a modelování dat 3. přednáška Helena Palovská Historie databázových modelů Relační model dat Codd, E.F. (1970). "A Relational Model of Data for Large Shared Data Banks". Communications of the ACM
Business Intelligence
Business Intelligence Josef Mlnařík ISSS Hradec Králové 7.4.2008 Obsah Co je Oracle Business Intelligence? Definice, Od dat k informacím, Nástroj pro operativní řízení, Integrace informací, Jednotná platforma
Obsah. Kapitola 1. Kapitola 2. Kapitola 3. Kapitola 4. Úvod 11. Stručný úvod do relačních databází 13. Platforma 10g 23
Stručný obsah 1. Stručný úvod do relačních databází 13 2. Platforma 10g 23 3. Instalace, první přihlášení, start a zastavení databázového serveru 33 4. Nástroje pro administraci a práci s daty 69 5. Úvod
T T. Think Together 2012. Martin Závodný THINK TOGETHER. Business Intelligence systémy Business Intelligence systems
Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Doktorská vědecká konference 6. února 2012 T T THINK TOGETHER Think Together 2012 Business Intelligence systémy Business Intelligence systems
Datový sklad. Datový sklad
Datový sklad Postavení v rámci IS/ICT Specifika návrhu Modelování Datový sklad POSTAVENÍ NÁVRH Postavení datového skladu (DW) v IS/ICT z hlediska aplikací jako součást Business Intelligence z hlediska
Obsah. Kapitola 1. Kapitola 2. Kapitola 3. Úvod 9
Obsah Úvod 9 Kapitola 1 Business Intelligence, datové sklady 11 Přechod od transakčních databází k analytickým..................... 13 Kvalita údajů pro analýzy................................................
Kapitola 7: Návrh relačních databází. Nástrahy relačního návrhu. Příklad. Rozklad (dekompozice)
- 7.1 - Kapitola 7: Návrh relačních databází Nástrahy návrhu relačních databází Dekompozice (rozklad) Normalizace použitím funkčních závislostí Nástrahy relačního návrhu Návrh relačních databází vyžaduje
Bu B sin i e n s e s s I n I te t l e lig i en e c n e c Skorkovský KA K M A I, E S E F MU
Business Intelligence Skorkovský KAMI, ESF MU Principy BI zpracování velkých objemů dat tak, aby výsledek této akce manažerům pomohl k rozhodování při řízení procesů výsledkem zpracování musí být relevantní
Obsah přednášky. Databázové systémy. Normalizace relací. Normalizace relací. Normalizace relací. Normalizace relací
Obsah přednášky Databázové systémy Logický model databáze normalizace relací normální formy tabulek 0NF, 1NF, 2NF, 3NF, BCNF, 4NF, 5NF, DNF denormalizace zápis tabulek relační algebra klasické operace
Kapitola 1: Úvod. Systém pro správu databáze (Database Management Systém DBMS) Účel databázových systémů
- 1.1 - Kapitola 1: Úvod Účel databázových systémů Pohled na data Modely dat Jazyk pro definici dat (Data Definition Language; DDL) Jazyk pro manipulaci s daty (Data Manipulation Language; DML) Správa
Databáze II. 1. přednáška. Helena Palovská palovska@vse.cz
Databáze II 1. přednáška Helena Palovská palovska@vse.cz Program přednášky Úvod Třívrstvá architektura a O-R mapování Zabezpečení dat Role a přístupová práva Úvod Co je databáze Mnoho dat Organizovaných
AdventureWorksDW2014 SQL Server Data Tools Multidimenziona lnı model Tabula rnı model Multidimenziona lnı mo d Tabula rnı mo d MS SQL Server 2016 Tabula rnı mo d Azure Analysis Services 16 3.2 Dimenzionální
Databáze I. 4. přednáška. Helena Palovská
Databáze I 4. přednáška Helena Palovská palovska@vse.cz Mapování ER modelu do relačního DB schématu Od 80. let 20. stol. znám algoritmus, implementován v CASE nástrojích Rutinní postup s volbami rozhodnutí
Integrace dat. RNDr. Ondřej Zýka
Integrace dat RNDr. Ondřej Zýka 1 Obsah Kategorizace integračních přístupů Kroky integrace a řešení problematických stavů Master Data Management 2 2 Datová integrace Synchronní Akceptovaný požadavek na
5. Formalizace návrhu databáze
5. Formalizace návrhu databáze 5.1. Úvod do teorie závislostí... 2 5.1.1. Funkční závislost... 2 5.1.2. Vícehodnotová závislost (multizávislost)... 7 5.1.3. Závislosti na spojení... 9 5.2. Využití teorie
Informační systémy 2006/2007
13 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení Informační systémy 2006/2007 Ivan Kedroň 1 Obsah Analytické nástroje SQL serveru. OLAP analýza
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INFORMAČNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INFORMATION SYSTEMS DATOVÝ SKLAD
Trendy v IS/ICT přístupy k návrhu multidimenzionální modelování
Trendy v IS/ICT přístupy k návrhu multidimenzionální modelování Aplikace IS/ICT BI SCM e-business ERP ERP CRM II e-business Aplikace pro podporu základních řídících a administrativních operací 1 Informační
Základní informace o co se jedná a k čemu to slouží
Základní informace o co se jedná a k čemu to slouží založené na relačních databází transakční systémy, které jsou určeny pro pořizování a ukládání dat v reálném čase (ERP, účetní, ekonomické a další podnikové
Databázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2011 BI-DBS, ZS 2011/12 https://edux.fit.cvut.cz/courses/bi-dbs/ Michal
Analýza a modelování dat 5. přednáška. Helena Palovská
Analýza a modelování dat 5. přednáška Helena Palovská Historie databázových modelů Multidimenzionální model Kvantitativní typ faktu s určitými hledisky např.: Kdo komu kdy jak moc čeho prodal. kdo, komu,
Modely datové. Další úrovní je logická úroveň Databázové modely Relační, Síťový, Hierarchický. Na fyzické úrovni se jedná o množinu souborů.
Modely datové Existují různé úrovně pohledu na data. Nejvyšší úroveň je úroveň, která zachycuje pouze vztahy a struktury dat samotných. Konceptuální model - E-R model. Další úrovní je logická úroveň Databázové
předměty: ukončení: Zápočet + Zkouška / 5kb např. jméno, název, destinace, město např. student Jan Novák, narozen 18.5.1974
základní informace Databázové systémy Úvodní přednáška předměty: KI/DSY (B1801 Informatika - dvouoborová) KI/P502 (B1802 Aplikovaná informatika) ukončení: Zápočet + Zkouška / 5kb ki.ujep.cz termínovník,
Analýza a modelování dat 6. přednáška. Helena Palovská
Analýza a modelování dat 6. přednáška Helena Palovská Historie databázových modelů Jak je řešena temporalita? Temporalita v databázích Možnosti pro platnost faktu (valid time): platí nyní, je to aktuální
Analýza a modelování dat. Přednáška 8
Analýza a modelování dat Přednáška 8 OLAP, datová kostka, dotazování nad kostkou Motivace většina DB relační zaznamenání vztahů pomocí logicky provázaných tabulek jakou mají velmi často vztahy povahu vztah
5. Formalizace návrhu databáze
5. Formalizace návrhu databáze 5.1. Úvod do teorie závislostí... 2 5.1.1. Funkční závislost... 2 5.1.2. Vícehodnotová závislost (multizávislost)... 7 5.1.3. Závislosti na spojení... 9 5.2. Využití teorie
Databázové a informační systémy
Databázové a informační systémy doc. Ing. Miroslav Beneš, Ph.D. katedra informatiky FEI VŠB-TUO A-1007 / 597 324 213 http://www.cs.vsb.cz/benes Miroslav.Benes@vsb.cz Obsah Jak ukládat a efektivně zpracovávat
Geografické informační systémy p. 1
Geografické informační systémy Slajdy pro předmět GIS Martin Hrubý hrubym @ fit.vutbr.cz Vysoké učení technické v Brně Fakulta informačních technologií, Božetěchova 2, 61266 Brno akademický rok 2004/05
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ FACULTY OF INFORMATION TECHNOLOGY ÚSTAV INFORMAČNÍCH SYSTÉMŮ DEPARTMENT OF INFORMATION SYSTEMS ANALÝZA VEŘEJNĚ
PostgreSQL jako platforma pro datové sklady
PostgreSQL jako platforma pro datové sklady Vratislav Beneš benes@optisolutions.cz 1. Co to jsou datové sklady? 2. Požadavky na datový sklady 3. Technické řešení datového skladu 4. PostgreSQL a datové
Inovace tohoto kurzu byla spolufinancována z Evropského sociálního fondu a státního rozpočtu České republiky.
Inovace tohoto kurzu byla spolufinancována z Evropského sociálního fondu a státního rozpočtu České republiky. Projekt ESF OP VK reg.č. CZ.1.07/2.2.00/28.0209 Elektronické opory a e-learning pro obory výpočtového
01. Kdy se začala formovat koncept relačních databází (Vznik relačního modelu, první definice SQL)? a) 1950 b) 1960 c) 1970 d) 1980
01. Kdy se začala formovat koncept relačních databází (Vznik relačního modelu, první definice SQL)? a) 1950 b) 1960 c) 1970 d) 1980 02. Kdy přibližně vznikly první komerční relační databázové servery?
RELAČNÍ DATABÁZOVÉ SYSTÉMY
RELAČNÍ DATABÁZOVÉ SYSTÉMY VÝPIS KONTROLNÍCH OTÁZEK S ODPOVĚDMI: Základní pojmy databázové technologie: 1. Uveďte základní aspekty pro vymezení jednotlivých přístupů ke zpracování hromadných dat: Pro vymezení
Databázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2012 BI-DBS, ZS 2012/13 https://edux.fit.cvut.cz/courses/bi-dbs/ Michal
On line analytical processing (OLAP) databáze v praxi
On line analytical processing (OLAP) databáze v praxi Lukáš Matějovský Lukas.Matejovsky@CleverDecision.com Jan Zajíc Jan.Zajic@CleverDecision.com Obsah Představení přednášejících Základy OLAP Příklady
Pattern Datový sklad. RNDr. Ondřej Zýka
Pattern Datový sklad RNDr. Ondřej Zýka 1 Datový sklad Speciální logické modely Dimenzionální modelování Speciální datové servery Teradata Sloupcové ukládání dat OLAP databáze Speciální oblast Data Managementu
Návrh datového skladu z hlediska zdrojů
Návrh datového skladu Návrh datového skladu OLTP ETL OLAP, DM Operativní data Datové sklady Zdroje dat Transformace zdroj - cíl Etapy realizace 1 Návrh datového skladu Hlavní úskalí analýzy a návrhu spočívá
Operátory ROLLUP a CUBE
Operátory ROLLUP a CUBE Dotazovací jazyky, 2009 Marek Polák Martin Chytil Osnova přednášky o Analýza dat o Agregační funkce o GROUP BY a jeho problémy o Speciální hodnotový typ ALL o Operátor CUBE o Operátor
Dobývání znalostí z databází. Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek
Databáze datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek 980103 Jan Novak Dlouha 5 Praha 1 9945371 100.00 100.00 980105 Jan Novak Dlouha 5 Praha 1 9945371 1500.00 1600.00 980106
Marketingová komunikace. 2. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph)
Marketingová komunikace Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph) 2. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Minulé soustředění úvod
Konceptuální modely datového skladu
Vladimíra Zádová Katedra informatiky, TU Liberec, e-mail: vladimira.zadova@tul.cz Abstrakt: Příspěvek je zaměřen na modely datového skladu pro konceptuální úroveň návrhu. Existující modely pro tuto úroveň
Vytvoření datového skladu
Bankovní institut vysoká škola Praha Katedra informatiky a kvantitativních metod Vytvoření datového skladu Diplomová práce Autor: Petr Havlas Informační technologie a management Vedoucí práce: doc. Ing.
Archivace relačních databází
Archivace relačních databází Možnosti, formát SIARD, nástroje, tvorba, prohlížení, datové výstupy Martin Rechtorik 30.11.2018 Archivace relačních databází 1. Možnosti archivace relačních databází 2. Formát
Dotazovací jazyky I. Datová krychle. Soběslav Benda
Dotazovací jazyky I Datová krychle Soběslav Benda Obsah Úvod do problematiky Varianty přístupu uživatelů ke zdrojům dat OLTP vs. OLAP Datová analýza Motivace Vytvoření křížové tabulky Datová krychle Teorie
Marketingová komunikace. 1. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3aph) 1. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Co nás čeká I. Úvod do teorie DB systémů
Architektura softwarových systémů
Architektura softwarových systémů Ing. Jiří Mlejnek Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze Jiří Mlejnek, 2011 jiri.mlejnek@fit.cvut.cz Softwarové
Multidimenzionální pohled na zdravotnické prostředí. INMED Petr Tůma
Multidimenzionální pohled na zdravotnické prostředí INMED - 21.11.2003 Petr Tůma Koncepce multid pohledu Poskytování péče probíhá v multidimenzionálním světě; dimenze tento svět mapují podobně jako souřadnice
CPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný
CPM/BI a jeho návaznost na podnikové informační systémy Martin Závodný Agenda Význam CPM/BI Aplikace CPM/BI Projekty CPM/BI Kritické body CPM/BI projektů Trendy v oblasti CPM/BI Diskuse Manažerské rozhodování
Technické informace. PA152,Implementace databázových systémů 4 / 25. Projekty. pary/pa152/ Pavel Rychlý
Technické informace PA152 Implementace databázových systémů Pavel Rychlý pary@fi.muni.cz Laboratoř zpracování přirozeného jazyka http://www.fi.muni.cz/nlp/ http://www.fi.muni.cz/ pary/pa152/ přednáška
QAD Business Intelligence
QAD Business Intelligence Vladimír Bartoš, Pavel Němec Konzultanti 13.6.2012 Komponenty QAD BI Analytické tabule pro podporu rozhodování Spolupráce uživatelů nad analyzovanými daty Reporty Generátor analytických
Business Intelligence a datové sklady
Business Intelligence a datové sklady Ing Jan Přichystal, PhD Mendelova univerzita v Brně 2 prosince 2014 Ing Jan Přichystal, PhD Úvod Intenzivní nasazení informačních technologií způsobuje hromadění obrovské
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
Architektury Informačních systémů. Jaroslav Žáček
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
TM1 vs Planning & Reporting
R TM1 vs Planning & Reporting AUDITOVATELNOST? ZABEZPEČENÍ? SDÍLENÍ? KONSOLIDACE? PROPOJITELNOST???? TM1?? COGNOS PLANNING IBM COGNOS 8 PLANNING Cognos Planning Podpora plánovacího cyklu Jednoduchá tvorba
Moderní přístupy tvorby datových skladů
Mendelova univerzita v Brně Provozně ekonomická fakulta Moderní přístupy tvorby datových skladů Diplomová práce Vedoucí práce: Ing. Jan Přichystal, Ph.D. Bc. Luboš Bednář Brno, 2010 Rád bych touto cestou
Databázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze c Michal Valenta, 2016 BI-DBS, LS 2015/16 https://edux.fit.cvut.cz/courses/bi-dbs/
Aplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na
Databáze I. 1. přednáška. Helena Palovská
Databáze I 1. přednáška Helena Palovská palovska@vse.cz Co je databáze Mnoho dat Organizovaných používá se model uspořádání Řízený přístup k datům přijímá požadavky v jazyce modelu umožňuje sdílení dat
Úvod do databázových systémů. Ing. Jan Šudřich
Ing. Jan Šudřich jan.sudrich@mail.vsfs.cz 1. Cíl předmětu: Úvod do databázových systémů Poskytnutí informací o vývoji databázových systémů Seznámení s nejčastějšími databázovými systémy Vysvětlení používaných
Databáze I. 5. přednáška. Helena Palovská
Databáze I 5. přednáška Helena Palovská palovska@vse.cz SQL jazyk definice dat - - DDL (data definition language) Základní databáze, schemata, tabulky, indexy, constraints, views DATA Databáze/schéma
ZADÁNÍ DIPLOMOVÉ PRÁCE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ZADÁNÍ DIPLOMOVÉ PRÁCE Název: Analýza datového skladu řetězce lékáren a aplikace pro reportování Student: Bc. Jakub Trčka Vedoucí:
Infor Performance management. Jakub Urbášek
Infor Performance management Jakub Urbášek Agenda prezentace Stručně o produktu Infor PM 10 Komponenty Infor PM - PM OLAP a PM Office Plus Reporting Analýza Plánování / operativní plánování Infor Performance
Business Intelligence
Business Intelligence BI jako součást IS/ICT IS/ICT BI v rámci IS/ICT BI architektura, komponenty procesy v BI data v IS/ICT organizace dat v DW (Multi)dimenzionální modelování budování DW Pro další informace
Multidimenzionální modelování v rámci analýzy a návrhu IS/ICT
Multidimenzionální modelování v rámci analýzy a návrhu IS/ICT Abstrakt: Vladimíra Zádová Katedra informatiky, TU Liberec, e-mail: vladimira.zadova@tul.cz Strukturovaný a objektový přístup jsou klasické
Relační databázový model. Vladimíra Zádová, KIN, EF, TUL- DBS
Relační databázový model Databázové (datové) modely základní dělení klasické databázové modely relační databázový model relační databázový model Základní konstrukt - relace relace, schéma relace atribut,
Relační DB struktury sloužící k optimalizaci dotazů - indexy, clustery, indexem organizované tabulky
Otázka 20 A7B36DBS Zadání... 1 Slovníček pojmů... 1 Relační DB struktury sloužící k optimalizaci dotazů - indexy, clustery, indexem organizované tabulky... 1 Zadání Relační DB struktury sloužící k optimalizaci
Analýza a modelování dat. Přednáška 9
Analýza a modelování dat Přednáška 9 Další dotazování nad kostkou Rozšíření SQL99 rozšíření SQL99 (minulá přednáška): seskupovací operátory za GROUP BY CUBE statistiky dle řezů ROLLUP statistiky dle rolování
UNIVERZITA PARDUBICE FAKULTA EKONOMICKO-SPRÁVNÍ
UNIVERZITA PARDUBICE FAKULTA EKONOMICKO-SPRÁVNÍ BAKALÁŘSKÁ PRÁCE 2009 Dominik Sýkora Univerzita Pardubice Fakulta Ekonomicko-správní Datový sklad nad IS STAG Dominik Sýkora Bakalářská práce 2009 Prohlašuji:
Možnosti analýzy podnikových dat
Možnosti analýzy podnikových dat Business Data Analyses Possibilities Bc. Dagmar Pokorná Diplomová práce 2010 UTB ve Zlíně, Fakulta aplikované informatiky, 2010 4 ABSTRAKT Dnešní doba je charakterizována
Architektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
04 - Databázové systémy
04 - Databázové systémy Základní pojmy, principy, architektury Databáze (DB) je uspořádaná množina dat, se kterými můžeme dále pracovat. Správa databáze je realizována prostřednictvím Systému pro správu
Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Úvod do problematiky Doc. RNDr. Iveta Mrázová,
MBI - technologická realizace modelu
MBI - technologická realizace modelu 22.1.2015 MBI, Management byznys informatiky Snímek 1 Agenda Technická realizace portálu MBI. Cíle a principy technického řešení. 1.Obsah portálu - objekty v hierarchiích,
Podnikové informační systémy Jan Smolík
Podnikové informační systémy Jan Smolík Zobecněné schéma aplikační architektury Vlastníci, management Aplikační architektura podnikové informatiky Business Intelligence, manažerské aplikace Obchodní partneři
Relační datový model. Integritní omezení. Normální formy Návrh IS. funkční závislosti multizávislosti inkluzní závislosti
Relační datový model Integritní omezení funkční závislosti multizávislosti inkluzní závislosti Normální formy Návrh IS Funkční závislosti funkční závislost elementární redundantní redukovaná částečná pokrytí
Databáze v MS ACCESS
1 z 14 19.1.2014 18:43 Databáze v MS ACCESS Úvod do databází, návrh databáze, formuláře, dotazy, relace 1. Pojem databáze Informací se data a vztahy mezi nimi stávají vhodnou interpretací pro uživatele,
DATABÁZE A INFORMAČNÍ SYSTÉMY
DATABÁZE A INFORMAČNÍ SYSTÉMY Každý informační systém pracuje s informacemi (a tedy s daty). Data musí být někde uložena -> databáze. Informační systém tedy nějakým způsobem používá databázi (forma může