Datové sklady. Multidimenzionální modelování Modely datového skladu Návrh datového skladu v rámci návrhu IS/ICT. Vladimíra Zádová, KIN, EF, TUL
|
|
- Daniel Horák
- před 8 lety
- Počet zobrazení:
Transkript
1 Datové sklady Multidimenzionální modelování Modely datového skladu Návrh datového skladu v rámci návrhu IS/ICT Multidimenzionální modelování
2 (Multi)dimenzionální modelování speciální technika určená pro logický návrh DW tak, aby vedl k výsledku - multidimenzionálnímu schématu s jehož pomocí se výhodně formulují uživatelské dotazy na datový sklad Multidimenzionální modelování Požadavky uživatelů (Business Requirements) Dimenzionální model Business procesy Granularita Dimenze Fakty Zdroje dat (Data Realities) Proces návrhu dimenzionálního modelu Zdroj: Kimball, R., Ross, M.: The Data Warehouse Toolkit: The Complete Guide to Dimensional Modelling, 2nd Edition, John Wiley & Sons,2002, str. 32, obr.2.1
3 Stanovení granularity Kritický krok určuje úroveň detailu prioritně nejjemnější granularita je spojena s ukazateli v tabulce faktů určuje základní dimenzionalitu (primární dimenze) stanovuje kandidáty faktů Identifikace faktů V kroku 2 určeny možné fakty musí být pravdivé k zrnitosti aditivní fakty fakty, které mohou být sumarizovány přes všechny dimenze semiaditivní fakty fakty, které nejsou aditivní alespoň k jedné dimenzi neaditivní fakty nejsou aditivní k žádné dimenzi
4 fakty Neaditivní jsou ty fakty, k jejichž výpočtu je třeba podílu ( při roll up nelze sumarizovat; rozdíl suma podílu x podíl sum) třeba uložit čitatele a jmenovatele zvlášť neaditivní je i jednotková cena, denní stav účtu... tedy fakty, které vyjadřují statickou úroveň Výběr dimenzí Primární dimenze předurčeny v předchozím kroku přidané dimenze, degenerované dimenze
5 Dimenze přidané dimenze pokud přidané dimenze poruší granularitu, třeba se vrátit k předchozímu kroku degenerované dimenze nemají tabulku dimenzí většinou primární klíče z transakčních systémů seskupené dimenze (Junk dimension) je vhodné uskupení nesouvisících atributů, které jsou vyjmuty z tabulky faktů a vloženy do jedné dimenze (snížení počtu atributů v tabuulce faktů) Dimenze normalizace dimenzí nemá příliš velký vliv na nároky na paměť zpomaluje dotazy - zejména prohledávání u normalizovaných dimenzí (- další join ) počet dimenzí - nejčastěji méně než 15 větší počet dimenzí znamená, že některé dimenze nejsou na sobě zcela nezávislé možnost sloučení větší počet dimenzí znamená výrazně větší nároky na paměť
6 Dimenze čas výskyt téměř vždy v DW, DM, lépe explicitně den, den v týdnu, měsíci, týden, q, rok (prodejní sezóna, konec týdne,..) (lze více hierarchií - kalendářní a fiskální vyjádření) někdy pro analýzu i část dne - pak je lépe přidat dimenzi čas Klíče v dimenzionálním schématu přirozený klíč ten existuje v transakčních systémech může být použit v degenerovaných dimenzích
7 Klíče v dimenzionálním schématu Náhradní klíč (surrogate key; umělý klíč, generovaný klíč, syntetický klíč) celočíselný klíč, který je přiřazen sekvenčně při vkládání do tabulek dimenzí slouží pouze ke spojení tabulky dimenzí a tabulky faktů výhoda při integraci dat z více zdrojů (pokud nekonzistence) menší nároky na paměť ( hlavně v tabulce faktů) chrání před změnami v původních transakčních systémech nutný při řešení typ 2 aktualizace měnících se dimenzí (viz dále) Dimenze a změny změny hodnot atributů dimenzí mohou probíhat rychle i pomalu, odlišení: pomalu se měnící dimenze (většina) rychle se měnící dimenze pro každý atribut třeba stanovit strategii pro vyjádření změn třeba již při i analýze zjistit od managementu jaké změny hodnot atributů jsou možné jaký výstup ( informace) budou s ohledem na tyto změny požadovat
8 Vlastní návrh datového skladu může prioritně vycházet z : analýzy zdrojů z požadavků na datový sklad současně z požadavků uživatelů i možností zdrojů dat Přístup k budování datového skladu jako celku
9 Přístup k budování datového skladu jako celku Centralizovaný datový sklad a závislá datová tržiště B. Inmon Datový sklad jako množina sjednocených datových tržišť R. Kimball Centralizovaný datový sklad - Bill Inmon Podnikový data warehouse obsahuje detailní, atomicky integrovaná historická data
10 Sjednocené data marty - Ralph Kimball Data warehouse není nic víc než sjednocení všech konzistentních data martů Integrace Každý podnikový proces vytváří jednoznačné metriky ve specifických časových intervalech s unikátní granularitou a dimenzionalitou může vytvářet 1 nebo více tabulek faktů dimenzionální model může být navržen z 1 procesu z více procesů
11 Integrace integrování jednotlivých dimenzionálních modelů do jednoho DW dovolí kombinovat fakty z odlišných procesů nejen drill down, drill up ale i drill across Pozn.: drill across - řešení dotazů přes vnější spojení společných tabulek dimenzí Bus architektura pro DW sběrnicová architektura je nezávislá na technologii a databázové platformě umožňuje použít přírůstkový přístup k stavbě DW různé týmy, asynchronnířešení
12 DW bus architektura Definování standardního rozhraní pro DW a respektování rozhraní umožňuje postupné zapojení a využívání jednotlivých DM jako celku Stanovení rámce DW bus architektura návrh standardizovaných dimenzí návrh faktů (conformed dimension, conformed facts) standardizované dimenze a fakty zajišťují jednotnou interpretaci v organizaci umožňuje efektivní komunikaci uvnitř týmů a mezi týmy vytváření DM každá iterace přísně dodržuje architekturu
13 DW bus architektura Obecné dimenze Business procesy Obchodní prodeje X X X X Obchodní zásoby X X X Obchodní dodávky X X X Skladové zásoby X X X X Skladové dodávky X X X X Objednávky X X X X X D atum P rodukt P rodejna Reklam a S klad Dodava tel D opravce Stanovení matice Z dimenzí a procesů se stanoví sběrnicová matice řádky značí jednotlivé datové trhy sloupce jednotlivé dimenze (conformed dimension) každý řádek dává přehled o dimenzích použitých pro DM
14 dimenze jsou buď identické nebo striktně matematické podmnožiny z nejvyšší granularity detailní dimenze mají shodný dimenzionální klíč shodná jména a definice atributů stejné domény ( shodnost datového obsahu znamená stejnou interpretaci a prezentaci) dimenze mohou být stejné tabulky ( i fyzicky) častěji synchronní duplikace tabulek nejvíce přizpůsobené dimenze jsou definovány na nejjemnější možné granularitě ( den, zákazník, produkt.) mnohdy se shodují ve vyšší granularitě v některých DM jsou sledovány fakty reprezentující agregované hodnoty ( a ty spojeny s agregovanými dimenzemi)
15 Data v IS/ICT OLTP - operativní data zdroje: zejména aplikace Data v OLTP a DW přístup: více současně pracujících uživatelů aktualizace:častá, relativně malých objemů dat Operace INSERT, UPDATE, DELETE dotazy nad daty selektivní ( zejména předpřipravené dotazy) přesnost výstupu - na Kč, haléře,.. četnost stejných dotazů - i vícekrát denně ukládání dat strukturovaně - normalizovaná relační databáze nověji objektově relační, objektová databáze požadavky - nekonfliktní zpracování operací, zajištění integrity dat procesní orientace ( stavy procesů, detailní data)
16 Data v OLTP a DW Data Warehouse zdroje: podnikové OLTP, operativní data + externí data přístup: malé množství specializovaných uživatelů - management aktualizace:řídká - jen přidávání dat ze zdrojů, delšíčasové intervaly dotazy intenzivní na data, složité dotazy, postupná iterace, sumarizace výstupy zaokrouhlené (i na tisíce) ukládání dat strukturovaně speciálně navržená relační databáze multidimenzionální kostka Organizace dat v DW Multidimenzionální kostka Založené na RMD
17 Multidimenzionální data 4-atributové relace X 3-dimenzionální kostky Reprezentace multidimenzionálních dat kostka reprezentuje data jako buňky relace reprezentuje multidimenzionální data ve 2 dimenzích
18 Příklad multidimenzionální kostky multidimenzionální modely datového skladu vycházející z RMD tabulky dimenzí vztahy mezi atributy, funkční závislosti tabulky faktů
19 multidimenzionální model dat logický návrh pomocí RMD konstrukty - fakty, dimenze, atributy dimenze, dimenzionální tabulky jednoatributový klíč (tvoří cizí klíč v tabulce faktů) atributy - slouží jako zdroj pro různá omezení daná v dotazech na DW atributy spíše textové jedna dimenze může být ve více hvězdicových schématech většina dimenzí se mění pouze pomalu obdobné vlastnosti jako číselníky (katalog výrobků, údaje o okresech..) multidimenzionální model dat logický návrh pomocí RMD tabulka faktů obsahuje ukazatele (metriky) výskyt konkrétní hodnoty závisí na n-tici konkrétních hodnot odpovídajících dimenzí mezi dimenzí a fakty je vztah 1: N mezi dimenzemi nejsou žádné přímé vztahy nejsou mezi nimi žádné funkční závislosti fakty jsou neklíčové atributy v tabulce faktů obvykle jsou numerické, aditivní, představují jisté míry představa faktů jako funkcí- závislost na klíčových atributech, výsledkem jsou hodnoty neklíčové
20 multidimenzionální model dat logický návrh pomocí RMD D 1 D 2 F 1 D 3 D 4 Hvězdicové schéma Hvězdicové schéma Hvězdicov zdicové schéma S je dáno trojicí <D, F, CC>, kde D je množina schémat dimenzionálních tabulek Di s množinou atributů Ai, F je schéma tabulky faktů a CC je množina kardinalit. Jeden atribut z tabulky Di představuje klíč tabulky a je označen KDi, klíč tabulky faktů je pak dán sjednocením KDi, je tedy tvořen ze všech cizích klíčů. Kardinalita CCi je definována pro schémata F a Di tak, že pro každý řádek u z F existuje pouze jeden řádek v z Di pro který platí u. KDi = v. KDi Multidimenzionáln lní databází nad hvězdicovým schématem je pak množina tabulek dimenzí D a tabulka faktů F, které vyhovují kardinalitám z CC Pozn. definice neuvažuje klíč degenerované dimenze, který hraje roli v určení klíče tabulky faktů neobsahuje normalizované dimenze, hierarchie atributů jsou skryté, jedna tabulka faktů obsahuje všechny agregace.
21 multidimenzionální model dat vycházející z RMD D 1 D 2 F 1 D 3 D 4 F 2 D 5 D 6 Schéma souhvězdí multidimenzionální model dat vycházející z RMD Schéma souhvězdí je dáno trojicí <D, F, CC>, kde D je množina schémat dimenzionálních tabulek, F je množina schémat tabulek faktů a CC je množina kardinalit. Pro každé schéma F z množiny F existuje podmnožina D D a CC CC tak, že <D, F, CC > je hvězdicové schéma
22 multidimenzionální model dat vycházející z RMD Další možnosti návrhu schémat vycházejí z těchto dvou základních a jsou dány: 1. rozdělením tabulky faktů v souladu s hierarchií dimenzí 2. vybudováním hierarchií jako řetězců tabulek 3. normalizací tabulek dimenzí daného schématu (jedné nebo více) multidimenzionální model dat logický návrh pomocí RMD Ad1 rozdělení tabulky faktů v souladu s hierarchií dimenzí vede ke vzniku souhvězdí tabulek faktů, které je speciálním případem schématu souhvězdí Jedna tabulka faktů je rozdělena do více tabulek faktů podél jedné hierarchie dimenze Všechny takto vzniklé hierarchické tabulky faktů se odkazují do stejných dimenzí, jsou však s nimi spojovány přes jiné atributy logicky odpovídající primárním klíčům jednotlivých hierarchických tabulek V dělení je možné pokračovat i podle hierarchií dalších dimenzí
23 multidimenzionální model dat logický návrh pomocí RMD D 1 D 2 F 1 D 3 D 4 F 1-hierarch1 D 5 F 1-hierarch2 Schéma souhvězdí pro hierarchii faktů multidimenzionální model dat logický návrh pomocí RMD Ad 2 vybudování hierarchií jako řetězců tabulek rozdělení tabulek faktů i rozdělení tabulek dimenzí podle hierarchií (obdobným způsobem) rozdělení tabulek faktů je shodné jako v předchozím případě jednotlivé hierarchické stupně těchto tabulek jsou spojeny s odpovídajícími si hierarchickými stupni tabulek dimenzí obdobně i zde může dojít k rozkladu více tabulek dimenzí i faktů podle obsažených hierarchií
24 multidimenzionální model dat logický návrh pomocí RMD D 1 D 2 F 1 D 3 D 4 F 1-hierarch1 D 4-hierch1 D 5 F 1-hierarch2 D 4-hierch2 Schéma souhvězdí pro hierarchii faktů a dimenzí multidimenzionální model dat logický návrh pomocí RMD Ad3 Normalizace tabulek dimenzí lze provádět jak ve hvězdicových schématech, tak i ve schématech souhvězdí tabulky dimenzí jsou ve třetí normální formě hvězdicové schéma s explicitními hierarchiemi v dimenzích je vřadě publikací označeno jako schéma sněhové vločky
25 Návrh datového skladu v rámci návrhu IS/ICT Návrh datového skladu v rámci návrhu IS/ICT Přístupy pro analýzu a návrh strukturovaný, objektový, Business Rules přístup Popis modelů pro návrh datového skladu multidimenzionální modely (ideální schéma) modely transakčních systémů (zdroje dat pro datový sklad)
26 Přístupy pro analýzu a návrh PRAVIDLA DATA PROCESY Strukturovaný, objektový, Business Rules přístup Základní přístup abstrakce, modelování Společné: Princip tří architektur (P3A) - konceptuální úroveň Odlišné: - technologická úroveň - fyzická úroveň Srovnání přístupů Strukturovaný přístup: data a procesy odděleně Objektově orientovaný přístup: data a procesy jako celek Business Rules přístup: pravidla odděleně, analýza pravidel, sledování pravidel
27 Modely přístupů Strukturovaný přístup konceptuální úroveň : ERA diagram, Diagram datových toků, Diagram stavů a přechodů technologická úroveň: Model logických datových struktur, Diagram modulární struktury Slovník dat Objektový přístup Diagram užití, diagram tříd, objektový diagram Dynamika: diagram stavů a přechodů, diagram činností diagram spolupráce, diagram sekvencí Přístupy k návrhu IS/ICT vypracovány pro OLTP popisuje konceptuální schémata, která jsou optimalizována pro OLTP systémy nerespektují specifika datových skladů neposkytuje postačující informace, které má DW poskytovat pro analytické zpracování nepřehlednost, není vidět přímo dimenze a fakty není zřejmé jak jednoduše agregovat data
28 IS/ICT - vztahy mezi daty a procesy OLTP ETL OLAP, DM, Operativní data Datové sklady OLAM, EIS Datové modely Datového skladu založené na relačním modelu dat - hvězdicové schéma, souhvězdí multidimenzionální kostka - hyperkostka, multikostka Operativních dat ERA model, diagram tříd, objektový diagram relační model dat, objektově relační modely, objektové modely, XML modely dat
29 (Multi)dimenzionální modely pro návrh datového skladu Multidimenzionální modely D 1 D 2 F 1 D 1 D 2 F 1 D 3 D 4 F 2 D 3 D 4 D 5 D 6 Hvězdicové schéma Schéma souhvězdí
30 Modely pro návrh datového skladu Obr. 1-P4 Grafické znázornění schéma faktů Zdroj: M. Golfarelli, D. Maio, S. Rizzi. The Dimensional Fact Model: a Conceptual Model for Data Warehouses. International Journal of Cooperative Information Systems,, pp , Modely pro návrh datového skladu Obr. 2-P4 Grafické znázornění konceptuálního multidimenzionálního schématu Zdroj: [9] Hüsemann, B., Lechtenbörger, J., Vossen, G.: Conceptual Data Warehouse Design,In Proceedings of the International Workshop on Design and Management of Data Warehouses, DMDW, Stockholm, 2000
31 Obr. 3-P4 Multidimenzionální doménová struktura E. Thomsen prodeje BANERJEE, S., DAVIS, K.: Modeling Data Warehouse Schema Evolution over Extended Hierarchy Semantics. Journal on Data Semantics, 2009, Vol. XIII, pp ISSN
32 Modelování datového skladu Specifikace požadavků a návrh řešení vychází z hlavních momentů návrhu návrhřešení Multidimenzionální modelování v rámci návrhu IS/ICT Specifikace požadavků a návrh řešení vztah mezi fakty a dimenzemi vztahy mezi atributy dimenzí mezi agregačními úrovněmi dimenze mezi agregační úrovní a vlastnostmi atributů k ní náležejících označení změn atributů dimenzí v čase agregovatelnost faktu k dimenzím, včetně možných agregačních funkcí
33 Specifikace požadavků a návrh řešení popis atributů dimenzí popis ukazatelů včetně stanovení výpočtu vztahy mezi jednotlivými ukazateli vztahy mezi ukazateli a fakty vztahy mezi zdrojovými atributy a atributy datového skladu specifikace procesů pro podporu rozhodování Zaměstnanec Zákazník Zam Id Jméno zam Nástup zam Ved Id Čas Den Id Typ dne Teplota dne Týden Měsíc Čtvrtletí Rok F - Prodej Zak Id Zam Id Prod Id Den Id C fakt Qty-prodané Prodej v KČ Zak Id Jméno zak Profese Odvětví Typ zak Země Produkt Prod Id Název prod Skupina Kategorie
34 Navrženéřešení Profese Zákazník Zak Id Typ zak Země Jméno zak Odvětví Faktura (deg) C-fakt F - Prodej Max, Min Qty-prodané Zaměstnanec Prodej v KČ T 3 Ved Id Zam Id Jméno zam Nástup zam Prod Id-_ Název prod Skupina Produkt Kategorie Týden Čas Rok Čtvrtletí Měsíc Den Id Teplota dne Typ dne Charakteristika a zajištění dimenzí T y p Název atributu: doména j e d n o t k a Bližší popis Počty instancí zdroj Transformace zdroj-cíl poznámka H Zam-Id:Int Person H Ved-Id:Int Person V Jméno zam:char Person V Nástup zam: Date Person Př. dimenze zaměstnanec
35 Charakteristika a zajištění ukazatelů Název ukazatele Doména J e d n o t k a Bližší popis Výpočet Uložení ve faktech Zdroj Transformace zdroj-cíl Poznámka QTY prodané N K s QTY prodané Prodej Kč N K č Prodej Kč Rozšířená multidimenzionální doménová struktura Jméno faktu (seznam agregačních úrovní dimenzí; podmínky výběru) Ωi Obr. 3-P4 Multidimenzionální doménová struktura (E. Thomsen)
36 Budování datového skladu Užitečnost DW Problematika návrhu konkurenční výhoda Užitečnost DW potenciální velká návratnost investic množství zdrojů pro Dw, náklady mohou kolísat zvýšení produktivity při rozhodování - vytvářením integrované subjektově orientované historické konzistentní databáze z více nekompatibilních systémů DW představuje jediný konzistentní pohled na podnik Omyly a DW DW =úložiště pro všechna data firmy; DW pouze data pro čtení; DW požadují relační DB; DW vždy veliké
37 Vlivy na efektivnost DW, BI Zkreslené představy nevhodná očekávání Zabezpečení projektu Personální, finanční Stanovení a analýza požadavků na DW, BI Volba metod Problémy DW, BI Zdroje skryté problémy zdrojů chybovost, nepřesnost (změna zdrojů během let) požadovaná data nejsou podchycena modifikovat OLTP či tvorba nového složitost integrace podhodnoceníčasu požadovaného pro ETL ( předpokladá se až 80% času na celý vývoj) vlastnictví dat Růst požadavků koncových uživatelů díky učení se vzniká potřeba změn: jemnější granularita, lepší prostředky; růst požadavků na pracovníky IT dlouhá doba trvání projektu
38 Možnosti dalšího rozvoje Datové sklady Datové sklady s daty v pevné datové struktuře Konceptuální úroveň návrhu datového skladu je ukončena Vývoj technologické úrovně - XML Datové sklady se semistrukturovanými daty Přístupy k analýze a návrhu IS/ICT Konceptuální úroveň pouze modely a techniky pro analýzu pravidel Další úrovně možné změny Pokud jiné typy aplikací (z hlediska charakteru dat a procesů) pak nové modely
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
VíceKonceptuální 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
VíceTrendy 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
VíceZdroje 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
VíceMultidimenzionální 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
VíceDatový 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
VíceZáklady 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
VíceDatové 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
Více3 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
VíceIng. 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
Více10. 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
VíceBusiness 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
VíceDATABÁZOVÉ 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
Více4IT218 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
VíceDatabáze 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
VíceMarketingová 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
VíceInformační 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,
VíceRelační 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,
VíceModely 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
VíceData 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
Více2. 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
VíceDatová kvalita základ úspěšného BI. RNDr. Ondřej Zýka, Profinit
Datová kvalita základ úspěšného BI RNDr. Ondřej Zýka, Profinit 1.6.2012 Datová exploze Snižování nákladů o Zdvojnásobení objemu podnikových dat každé dva roky o Konkurenční tlak o Ekonomická krize o V
VíceMarketingová 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
VícePV005 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
VíceInformační 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
VíceBusiness 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
VíceT 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
VíceDatabázové 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
VíceZáklady 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,
VíceZákladní 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
VíceObsah. 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
VícePattern 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
VíceBusiness 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
VíceCPM/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
VíceInformační systémy 2008/2009. Radim Farana. Obsah. Nástroje business modelování. Business modelling, základní nástroje a metody business modelování.
3 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Business modelling, základní nástroje a metody business modelování.
Vícekapitola 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
VíceObsah 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
VíceDatabázové 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
VíceRelační 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
VíceModelování procesů s využitím MS Visio.
Modelování procesů s využitím MS Visio jan.matula@autocont.cz Co je to modelování procesů? Kreslení unifikovaných či standardizovaných symbolů, tvarů a grafů, které graficky znázorňují hlavní, řídící nebo
VíceDatabáze. 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
VíceDatabázové systémy. Ing. Radek Holý
Databázové systémy Ing. Radek Holý holy@cvut.cz Literatura: Skripta: Jeřábek, Kaliková, Krčál, Krčálová, Kalika: Databázové systémy pro dopravní aplikace Vydavatelství ČVUT, 09/2010 Co je relační databáze?
VíceMarketingová 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
VíceAdventureWorksDW2014 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
VíceObsah přednášky. Databázové systémy RDBMS. Fáze návrhu RDBMS. Coddových 12 pravidel. Coddových 12 pravidel
Obsah přednášky Databázové systémy Konceptuální model databáze Codd a návrh relační databáze fáze návrhu pojem konceptuální model základní pojmy entity, relace, atributy, IO kardinalita, 2 historie: RDBMS
VíceInovace 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
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceEXTRAKT z mezinárodní normy
EXTRAKT z mezinárodní normy Extrakt nenahrazuje samotnou technickou normu, je pouze informativním ICS 03.220.01; 35.240.60 materiálem o normě. Inteligentní dopravní systémy Požadavky na ITS centrální datové
VíceKritéria hodnocení praktické maturitní zkoušky z databázových systémů
Kritéria hodnocení praktické maturitní zkoušky z databázových systémů Otázka č. 1 Datový model 1. Správně navržený ERD model dle zadání max. 40 bodů teoretické znalosti konceptuálního modelování správné
Více01. 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?
VíceTM1 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
VíceHierarchický 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
VíceArchitektura informačních systémů. - dílčí architektury - strategické řízení taktické řízení. operativní řízení a provozu. Globální architektura
Dílčí architektury Informační systémy - dílčí architektury - EIS MIS TPS strategické řízení taktické řízení operativní řízení a provozu 1 Globální Funkční Procesní Datová SW Technologická HW Aplikační
VíceMateriál byl vytvořen v rámci projektu Nové výzvy, nové příležitosti, nová škola
Materiál byl vytvořen v rámci projektu Nové výzvy, nové příležitosti, nová škola Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Co je to databáze? Jaké
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceBusiness 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
VíceRelační 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
VíceObjektově orientované databáze. Miroslav Beneš
Objektově orientované databáze Miroslav Beneš Obsah přednášky Motivace Vlastnosti databázových systémů Logické datové modely Nevýhody modelů založených na záznamech Co potřebujeme modelovat? Identifikace
VíceDatabázové systémy trocha teorie
Databázové systémy trocha teorie Základní pojmy Historie vývoje zpracování dat: 50. Léta vše v programu nevýhody poměrně jasné Aplikace1 alg.1 Aplikace2 alg.2 typy1 data1 typy2 data2 vytvoření systémů
VíceData v informačních systémech
Data v informačních systémech Vladimíra Zádová, KIN 6. 5. 2015 Obsah přednášky informační systémy (IS) vztah dat a informačních systémů databáze, databázový systém základní dělení IS, trendy pojmy (terminologie)
VíceDatabáze. 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
VíceDatabázové systémy. Přednáška 1
Databázové systémy Přednáška 1 Vyučující Ing. Martin Šrotýř, Ph.D. K614 Místnost: K311 E-mail: srotyr@fd.cvut.cz Telefon: 2 2435 9532 Konzultační hodiny: Dle domluvy Databázové systémy 14DATS 3. semestr
VíceÚvod do databázových systémů
Vysoká škola báňská Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Úvod do databázových systémů Cvičení 8 Ing. Petr Lukáš petr.lukas@vsb.cz Ostrava, 2014 Opakování Entita Entitní typ
VícePodnikové 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
VíceRELAČNÍ 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
VíceBusiness 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
VíceDatabázové systémy. Datová integrita + základy relační algebry. 4.přednáška
Databázové systémy Datová integrita + základy relační algebry 4.přednáška Datová integrita Datová integrita = popisuje pravidla, pomocí nichž hotový db. systém zajistí, že skutečná fyzická data v něm uložená
VíceDatabáze 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
VíceDATABÁZOVÉ SYSTÉMY. Vladimíra Zádová, KIN, EF TUL - DBS
DATABÁZOVÉ SYSTÉMY Současné aplikace IS/ICT Informační systémy a databázové systémy Databázová technologie Informační systémy Aplikační architektura Vlastníci, management Business Intelligence, manažerské
VíceInfor 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
VíceModelování a návrh datových skladů
Modelování a návrh datových skladů Doc. Ing. B. Miniberger, CSc. BIVŠ Obsah 1. Přednáška I. Základy modelování datových skladů (DW) 2. Přednáška II. ETL procesy III. Data Mining IV. Kvalita dat a BI Literatura
VíceSpecifikace předmětu plnění Datová tržiště
Příloha 1 Specifikace předmětu plnění Datová tržiště Etapa 1 Analýza statistické domény produkčních statistik 1 Obsah ETAPA 1 ANALÝZA STATISTICKÉ DOMÉNY PRODUKČNÍCH STATISTIK... 3 1.1. Koncepční shrnutí...
VíceAnalýza dat skoro zadarmo možnosti rozborů pro malé organizace
Analýza dat skoro zadarmo možnosti rozborů pro malé organizace Martin Hess Microsoft Office Specialist Master Certification katedra informačních technologií VŠE Praha hess@vse.cz Abstrakt Článek se zabývá
VíceAnalýza 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
VíceObsah. 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
VíceObsah. 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................................................
VíceUkázka testu Informatiky pro přijímací zkoušky do navazujícího magisterského studia
Ukázka testu Informatiky pro přijímací zkoušky do navazujícího magisterského studia 1. Databázový jazyk SQL obsahuje příkaz SELECT. Příkaz SELECT slouží pro: a. definici dat v tabulkách či pohledech b.
VíceUNIVERZITA 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:
VíceAnalýza 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,
VíceKonsolidovaný 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
VíceNávrh 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
VíceObsah. Zpracoval:
Zpracoval: houzvjir@fel.cvut.cz 03. Modelem řízený vývoj. Doménový (business), konceptuální (analytický) a logický (návrhový) model. Vize projektu. (A7B36SIN) Obsah Modelem řízený vývoj... 2 Cíl MDD, proč
VíceVYSOKÉ 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
VíceAnalýza a modelování dat. Helena Palovská
Analýza a modelování dat Helena Palovská Analýza a modelování pro SW projekt Strukturovaný přístup Dynamická část (procesy, aktivity, funkce) Statická část (data) Objektově orientovaný přístup use case
VíceA 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
VíceMETODY 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
VíceÚvodní přednáška. Význam a historie PIS
Úvodní přednáška Význam a historie PIS Systémy na podporu rozhodování Manažerský informační systém Manažerské rozhodování Srovnávání, vyhodnocování, kontrola INFORMACE ROZHODOVÁNÍ organizace Rozhodovacích
VíceOperátory 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
VíceDBS Konceptuální modelování
DBS Konceptuální modelování Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze Michal.Valenta@fit.cvut.cz c Michal Valenta, 2010 BIVŠ DBS I, ZS 2010/11 https://users.fit.cvut.cz/
VíceArchitektury 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?
VíceVytvoření 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.
VícePrimární klíč (Primary Key - PK) Je právě jedna množina atributů patřící jednomu z kandidátů primárního klíče.
Primární a cizí klíč Kandidát primárního klíče (KPK) Je taková množina atributů, která splňuje podmínky: Unikátnosti Minimálnosti (neredukovatelnosti) Primární klíč (Primary Key - PK) Je právě jedna množina
VíceA 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
VíceJiří Mašek BIVŠ V Pra r ha 20 2 08
Jiří Mašek BIVŠ Praha 2008 Procesvývoje IS Unifiedprocess(UP) Iterace vývoje Rysy CASE nástrojů Podpora metodických přístupů modelování Integrační mechanismy propojení modelů Podpora etap vývoje Generování
VíceDolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
VíceDatabázové modelování. Analýza Návrh konceptuálního schématu
Databázové modelování Analýza Návrh konceptuálního schématu 1 Vytváření IS Analýza Návrh Implementace Testování Předání SW Jednotlivé fáze mezi sebou iterují 2 Proč modelovat/analyzovat? Standardizované
VíceArchitektury 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?
VíceSmysl metodiky IS/IT. Koncentrovaná zkušenost Checklist na nic nezapomeneme
Smysl metodiky IS/IT Koncentrovaná zkušenost Checklist na nic nezapomeneme Přínosy metodik Větší produktivita a kooperace týmů Komunikační standard Specializace projektových týmů Nezávislost na konkrétních
VíceRNDr. Jakub Lokoč, Ph.D. RNDr. Michal Kopecký, Ph.D. Katedra softwarového inženýrství Matematicko-Fyzikální fakulta Univerzita Karlova v Praze
RNDr. Jakub Lokoč, Ph.D. RNDr. Michal Kopecký, Ph.D. Katedra softwarového inženýrství Matematicko-Fyzikální fakulta Univerzita Karlova v Praze 1 Konceptuální modelování 2 Vytvořte model pro reprezentaci
Více