Archive for the ‘Analisi di Basi di Dati’ Category

• 9a – Progettazione concettuale Data Warehouse: il Dimensional Fact Model

  Date: 2011.02.05 | Category: Analisi di Basi di Dati | Response: 2

  Per progettare da un punto di vista concettuale le basi dati operazionali si utilizza il formalismo proposto dal modello Entità-Relazione (ER). Questo modello non è adatto per la progettazione di un Data Warehouse perché non può essere facilmente compreso dagli utenti e non può essere navigato efficacemente dai software DBMS. Nei data warehouse si utilizza un altro formalismo il Dimensional Fact Model (DFM) come modello concettuale di riferimento. Un modello, a mio avviso, molto più semplice ed espressivo del ER, facilmente comprensibile anche da utenti non esperti di progettazione di banche dati (utenti finali). Read the rest of this entry »

• 9b – Modellazione Logica: Schema a Stella (Star Schema) e Snowflake – nei sistemi di data warehouse

  Date: 2011.01.15 | Category: Analisi di Basi di Dati | Response: 0

  In un precedente articolo, ho già introdotto la differenza tra server ROLAP – MOLAP – HOLAP. In questo articolo, riprendo quei concetti integrandoli con altri aspetti come ad esempio l’utilizzo dello Star Schema e dello Snowflake per modellare dati multidimensionali sui sistemi relazionali.
  La modellazione concettuale è indipendente dal modello logico utilizzato per l’implementazione di un data warehouse ma non vale il viceversa. Ricordo che nei sistemi di data warehouse, non si utilizza il modello Entità Relazione (ER) come modello concettuale perché in questo modello i dati non possono essere navigati facilmente dai software DBMS e soprattutto non sono di facile comprensione per l’utente finale. Nei sistemi di data warehouse si utilizza un altro formalismo grafico, il Dimensional Fact Model (DFM), il quale si basa su un insieme di schemi di fatto composti da fatti, misure, dimensioni e gerarchie. Ricordo che un fatto è un concetto di interesse per il processo decisionale. Esempi di fatti sono: acquisti, inventario di magazzino, transazioni di borsa, vendita, assunzioni etc. Read the rest of this entry »

• 8 – Analisi dei dati in un data warehouse: OLAP e tecniche di DATA MINING

  Date: 2011.01.13 | Category: Analisi di Basi di Dati | Response: 0

  Come analizziamo i dati presenti nel data warehouse? Quali sono le funzionalità che abbiamo a disposizione per analizzarli?
  Sono disponibili due funzionalità: l’Analisi OLAP e le tecniche di DATA MINING. In questo articolo, si descrivono sommariamente le due tecniche.

  Analisi OLAP

  Le funzionalità sono due: la prima è l’Analisi OLAP che in “gergo informatico” è rappresentata da un insieme di GROUP BY dove si calcolano le funzioni di aggregazione tradizionali con l’aggiunta di alcune più complesse. Ad esempio, oltre la MEDIA classica funzione AVERAGE, ci può interessare poter calcolare la MEDIA MOBILE, oppure dei TOTALI CUMULATIVI, dei TOP TEN (i 10 prodotti che abbiamo venduto di più). Quindi l’Analisi OLAP è il calcolo di funzioni aggregate complesse. Read the rest of this entry »

• 7 – Struttura e elaborazione dei dati – Introduzione

  Date: 2011.01.12 | Category: Analisi di Basi di Dati | Response: 0

  Nei sistemi di data warehouse, si utilizza una rappresentazione multidimensionale, questo significa che dobbiamo immaginare i dati rappresentati come una matrice a N dimensioni. Partiamo da un piccolo esempio che si aggancia facilmente alla realtà: consideriamo un data warehouse per l’analisi delle vendite di prodotti all’interno di una catena di supermercati. Read the rest of this entry »

• 6 – Architetture per Data Warehouse

  Date: 2011.01.12 | Category: Analisi di Basi di Dati | Response: 4

  In questo articolo discuto le architetture tipiche dei sistemi di data warehouse.
  In questi sistemi, l’aspetto più importante è quello di non utilizzare un unico server in cui risiedono i dati utilizzati per erogare i servizi (transazionali) ed i dati utilizzati per fare l’analisi. Questo in termini pratici si traduce nell’architettura ad un livello, poco utilizzata nella realtà, che mira a minimizzare i dati memorizzati eliminando le ridondanze. Il data warehouse in questo scenario, si può definire virtuale, poiché viene implementato come una vista multidimensionale dei dati operazionali generato da un apposito middleware. Le architetture ad un livello, sono da evitare perché non soddisfano il requisito di seperazione tra l’elaborazione analitica OLAP e quella transazionale OLTP. Read the rest of this entry »