Data Warehouses. Jaroslav Bayer 1. Fakulta informatiky Masarykova univerzita
|
|
|
- Leoš Horák
- 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 / 54
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 / 54
3 Normalizovaná vs. Denormalizovaná databáze Normální formy Relační datový model E. F. Codd, NF atributy obsahují pouze atomické hodnoty 2NF 1NF + žádný neklíčový atribut není závislý na vlastní podmnožině nějakého KK (všechny neklíčové atributy jsou závislé pouze na celém KK) 3NF 2NF + všechny neklíčové atributy přímo (netranzitivně) závisí na každém SK (každý atribut tranzitivně závisející na klíči je klíčový atribut) BCNF pro každou závislost X Y platí, že bud Y X nebo X je SK BCNF 3NF EKNF, 4NF, 5NF, 6NF,... Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
4 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 / 54
5 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 / 54
6 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 Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
7 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 / 54
8 Normalizovaná vs. Denormalizovaná databáze OLAP kostka, operace Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
9 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 / 54
10 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 1 data Warehousing je kolekce metod, technik, nástrojů a přistupů k zajištění podpory pro knowledge workers při analýzách dat, které dopomohou k lepším rozhodnutím a zkvalitnění informačních zdrojů. 1 The father of the data warehouse Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
11 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 pamět ová náročnost DB pro OLTP se oproti tomu orientuje na transakce faktura, vklad, půjčka, prodej zápis, hodnocení, změna kreditace Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
12 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 pamět ová náročnost DB pro OLTP se oproti tomu orientuje na transakce faktura, vklad, půjčka, prodej zápis, hodnocení, změna kreditace Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
13 Data Warehouse: základní charakteristika DW: integrovanost integrace a sjednocení dat více zdrojů dat (produkčních systémů 2 ) sjednocení názvů, měřítek, jednotek, kódování,... integrace dat do jednotné logické podoby 2 též operačních či transakčních systémů Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
14 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 / 54
15 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 / 54
16 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 / 54
17 Data Warehouse: návrh Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
18 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) DB navržená pro integraci dat z různých zdrojů data uložena s nejvyšší granularitou (atomická data) data dostupná produkčnímu systému i DW data omezena na aktuální stav (nebo stav jemu blízký) Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
19 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) DB navržená pro integraci dat z různých zdrojů data uložena s nejvyšší granularitou (atomická data) data dostupná produkčnímu systému i DW data omezena na aktuální stav (nebo stav jemu blízký) Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
20 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 / 54
21 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 / 54
22 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 / 54
23 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 / 54
24 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 / 54
25 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 / 54
26 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 / 54
27 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 / 54
28 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 / 54
29 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 / 54
30 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 / 54
31 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 / 54
32 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 / 54
33 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 / 54
34 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 / 54
35 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 / 54
36 Data Warehouse: architektura Design Methodologies DW: Hub-and-Spoke Architecture Zdroj: Data Warehouse Design: Modern Principles and Methodologies, ISBN: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
37 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 / 54
38 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 / 54
39 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 / 54
40 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 / 54
41 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 / 54
42 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 / 54
43 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 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 Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
44 Data Back-End Database Management System Databázové systémy (2) sít ový 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 / 54
45 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 / 54
46 Schéma hvězdy Data Back-End DB schemas Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
47 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 / 54
48 Data Back-End Schéma sněhové vločky DB schemas Zdroj: Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
49 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) nikoli faktové tabulky 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 / 54
50 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 / 54
51 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... Jaroslav Bayer (FI MU) PV005 Služby počítačových sítí: Data Warehouses / 54
52 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 / 54
53 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 / 54
54 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 / 54
55 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 / 54
56 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 / 54
PV005 Služby počítačových sítí: Data Warehouses
PV005 Služby počítačových sítí: Data Warehouses Jaroslav Bayer 1 Fakulta informatiky Masarykova univerzita 26. 11. 2015 1 CVT FI MU, B310, email: xbayer@fi.muni.cz Jaroslav Bayer (FI MU) PV005 Služby počítačových
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
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
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
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
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
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
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
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
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
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
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,
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
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
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
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
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. 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
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
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 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
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
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
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................................................
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
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
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
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
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
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
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
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
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
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
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
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
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
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?
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.
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
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
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
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
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
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
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
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?
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
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
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
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
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
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
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
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
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
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
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:
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
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
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
Databáze. Logický model DB. David Hoksza
Databáze Logický model DB David Hoksza http://siret.cz/hoksza Osnova Relační model dat Převod konceptuálního schématu do logického Funkční závislosti Normalizace schématu Cvičení převod do relačního modelu
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,
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
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
2. Modelovací jazyk UML 2.1 Struktura UML 2.1.1 Diagram tříd 2.1.1.1 Asociace 2.1.2 OCL. 3. Smalltalk 3.1 Jazyk 3.1.1 Pojmenování
1. Teoretické základy modelování na počítačích 1.1 Lambda-kalkul 1.1.1 Formální zápis, beta-redukce, alfa-konverze 1.1.2 Lambda-výraz jako data 1.1.3 Příklad alfa-konverze 1.1.4 Eta-redukce 1.2 Základy
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
Datové sklady ve školství
Datové sklady ve školství aneb evaluace procesu výuky jinak Jana Šarmanová Obsah Business Intelligence a školní výuka Databáze a datové sklady Analýza datového skladu Studie DS pro studijní agendu VŠ Studie
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:
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
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
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?
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
Základy databází. O autorech 17 PRVNÍ ČÁST. KAPITOLA 1 Začínáme 19
3 Obsah Novinky v tomto vydání 10 Význam základních principů 11 Výuka principů nezávisle na databázových produktech 12 Klíčové pojmy, kontrolní otázky, cvičení, případové studie a projekty 12 Software,
Podpora XML v.net. Podpora XML v.net. nezávislý publicista. Jirka Kosek. http://www.kosek
Podpora XML v.net Podpora XML v.net Jirka Kosek nezávislý publicista http://www.kosek kosek.cz Co nás čeká? Co nás čeká?! podpora XML ve VisualStudio.NET! architektura System.Xml! čtení XML dokumentů!
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
Hierarchický databázový model
12. Základy relačních databází Když před desítkami let doktor E. F. Codd zavedl pojem relační databáze, pohlíželo se na tabulky jako na relace, se kterými se daly provádět různé operace. Z matematického
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
A Metodologie návrhu ERD (Batini, Ceri, Navathe)
A Metodologie návrhu ERD (Batini, Ceri, Navathe) A.1. Strategie návrhu ERD... 2 A.2. Zdroje informací pro tvorbu ERD... 6 A.3. Integrace několika ERD... 8 Literatura... 9 J. Zendulka: Databázové systémy
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
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
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
Aplikace IS, outsourcing, systémová integrace. Jaroslav Žáček
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci Taktická Operativní Kategorie ERP - zaměřeno na řízení
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
Konsolidovaný reporting CZ/SK v Cognos případová studie sanofi-aventis
Konsolidovaný reporting CZ/SK v Cognos případová studie sanofi-aventis Rosťa Levíček 22. listopadu 2011 Obsah Výchozí stav a požadavky Architektura řešení v CZ Varianty konsolidace Klíčové faktory úspěchu
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
A Metodologie návrhu ERD (Batini, Ceri, Navathe)
A Metodologie návrhu ERD (Batini, Ceri, Navathe) A.1. Strategie návrhu ERD... 2 A.2. Zdroje informací pro tvorbu ERD... 6 A.3. Integrace několika ERD... 8 Literatura... 9 J. Zendulka: Databázové systémy
Datové sklady a možnosti analýzy a reportování dat ve výuce
Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Vyšší odborná škola informačních služeb v Praze Datové sklady a možnosti analýzy a reportování dat ve výuce Autor bakalářské práce: David
Představuje. Technický Informační Systém nové generace
Představuje Technický Informační Systém nové generace Nový náhled na položky Sjednocení typů položek - položky nejsou striktně dělené na vyráběné a nakupované. Do tohoto typu je zahrnuté i nakupované a
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
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,
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
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/
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
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 patterny. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu
Databázové patterny MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu Obsah o Co je databázový pattern o Pattern: Přiřazení rolí o Pattern: Klasifikace Databázové patterny o Odzkoušené a doporučené