3 Data Warehouse y DataMart 3.8 Modelo de definición de Bases de Datos estratégicas.(27 09 2012)
Administrador Grupo
luis.galindo.ortega
- el modelado lógico
- el modelado físico
- Facts
- Atributos
- Jerarquías
- tablas
- columnas.
- Roll up (incremento en el nivel de agregación de los datos).
- Drill down (incremento en el nivel de detalle, opuesto a roll up).
- Slice (reducción de la dimensionalidad de los datos mediante selección).
- Dice (reducción de la dimensionalidad de los datos mediante proyeccción).
- Pivotaje o rotación (reorientación de la visión multidimensional de los datos).
- Adecuado para resumir y organizar datos (p.ej. hojas de cálculo).
- Enfocado para trabajar sobre datos de tipo numérico.
- Más simple: Más fácil de visualizar y entender que el modelado E/R.
[2]
francisco.gonzalez.cassio
jgerardo.felixo
Modelos de Definición de Bases de Datos Estratégicas
Los principales modelos que se utilizan en BD Estratégicas de acuerdo a su definición, utilidad y procesos son:
Modelado Lógico
· El modelado lógico es similar a lo que es un mapa cuando uno decide realizar un viaje. Uno necesita saber donde va y como llegar allí. Se necesita un plan, uno que sea visible y correcto.
· Es un esquema de todas las piezas de información necesarias para entender los datos y como se relacionan con el negocio. Es una técnica fundamentalmente gráfica que resulta en un modelo de datos representando la definición, características y relaciones de los datos en un ambiente de negocios, técnico o conceptual. En términos simples, un modelo de datos lógico es un borrador de alto nivel de los datos.
· Son independientes de los dispositivos físicos de almacenamiento de datos. Esta es la clave del modelado lógico. La razón por la cual un modelo lógico de datos debe ser independiente de la tecnología es simplemente porque la tecnología cambia muy rápidamente. Lo que ocurre por debajo del modelo lógico de datos puede cambiar con la tecnología, pero el esquema delos datos debe permanecer igual.
· Es un arreglo de los datos orientados al usuario general, opuesto al modelo físico, el cual arregla los datos pensando en el uso eficiente de la base de datos. El ámbito y complejidad de un modelo de datos lógico depende de los requerimientos de los usuarios y la disponibilidad de los datos fuente. Cuanto más sofisticados y complejos sean los requerimientos de reportes por parte de los usuarios, probablemente más complejo será el modelo lógico de datos. [1]
Modelado Físico
· El modelado físico está basado en el modelo de datos lógico. El modelo lógico concierne a objetos lógicos del modelo de negocios tales como día, ítem, sucursal o cuenta.
· Nos dice dónde van a ubicarse físicamente los datos de esos objetos. El esquema físico describe cómo los datos se almacenarán en el Data Warehouse. Dos componentes claves conforman el esquema físico de un Data Warehouse: Tablas y Columnas
Las columnas y tablas de un Data Warehouse físico representan facts y atributos de un modelo de datos lógico. Las filas de una tabla representan los elementos de los atributos y los datos fact propiamente dichos. [1]
· Describe el medio físico mediante el cual los datos son almacenados en una determinada DBMS producto (archivos planos, archivos XML, IMS, IDMS, IDS2, Oracle, DB2, ...). Es que ver con particiones, CPU, tablespaces, y similares.
· La importancia de este enfoque, es que permite a los tres puntos de vista a ser relativamente independientes entre sí. La tecnología de almacenamiento puede cambiar sin afectar la lógica o el modelo semántico. La estructura (entidades / attibutes) pueden cambiar sin (necesariamente) que afectan a la modelo semántico. En cada caso, por supuesto, las estructuras deben seguir siendo compatibles con el otro modelo. La estructura empleada en una DB particular, pueden ser diferentes de una traducción directa de la clases de entidad y atributos, pero en última instancia, deben llevar a cabo los objetivos de la entidad semántica estructura de clases. Las fases tempranas de los proyectos de desarrollo de software hincapié en el diseño de un modelo de datos semántico. Este tipo de diseño se puede detallar en un modelo de datos lógico. En etapas posteriores, este modelo puede ser traducido en modelo físico de datos. [2]
Modelado Semántico
· Describe la semántica de un dominio (por ejemplo, puede ser un modelo de la área de interés de una organización o industria), es decir, definir el significado de los datos en el contexto de sus interrelaciones y las limitaciones con otros datos.
· Es una abstracción que define cómo la símbolos almacenados relacionan con el mundo real. Así, el modelo semántico debe ser una representación verdadera del mundo real. Un modelo semántico consiste en clases de entidad, en representación de las clases de cosas de importancia en el dominio, y las relaciones afirmaciones sobre las asociaciones entre pares de clases de entidad.
· Un modelo semántico especifica los tipos de hechos o proposiciones que pueden ser expresa utilizando el modelo. En ese sentido, define las expresiones permitidas en un artificial "Lengua" con un ámbito que está limitada por el alcance del modelo. [2]
Fuentes:
[1] http://es.scribd.com/doc/52613114/31/Modelado-de-un-datawarehouse
[2] http://www.rever.eu/white-papers/data_model_definition.pdf
jmanuelgarciaaragon
3.8 Modelo de Definición de Bases de Datos Estratégicas.
Un modelo de datos para las bases de datos es una colección de conceptos que se emplean para describir la estructura de una base de datos. Esa colección de conceptos incluye entidades, atributos y relaciones.
La mayoría de los modelos de datos poseen un conjunto de operaciones básicas para especificar consultas y actualizaciones de la base de datos.
Los modelos de datos pueden clasificarse en:
Modelos de datos de alto nivel o conceptuales: disponen de conceptos cercanos a la forma en que los usuarios finales perciben una base de datos.
Modelos de datos de bajo nivel o físicos: disponen de conceptos que describen detalles sobre el almacenamiento de los datos en la computadora.
Modelos de datos de representación (o de implementación): disponen de conceptos que pueden entender los usuarios finales, pero que no están alejados de la forma en que se almacenan los datos en la computadora.
Clasificación de los modelos de datos
Los modelos de datos sirven para clasificar los distintos tipos de SGBD.
Existen diferentes modelos de datos para bases de datos como ser:
· Modelo relacional
· Modelo orientado a objetos
· Modelo relacional-objeto
· Modelo jerárquico
· Modelo de red [1]
[1] http://www.alegsa.com.ar/Dic/modelo%20de%20datos%20de%20base%20de%20datos.php
cipriano hernandez
josedejesus.santes.palacios
cesar.monarrez.a
Existen diferentes modelos de Data Warehouse: desintegrado, mixto y de integración total.
Independientemente del modelo implantado, algunas de las características de las DW son: mayor acercamiento al gestor, interacción más amable, mejor comprensión y justificación de la información, explicitación de los métodos de elaboración, y mayor riqueza en información histórica y de detalle.
Bajo el nombre de Data Warehouse se han desarrollado los primeros grandes sistemas de integración, imprescindibles para la construcción armónica de un Sistema global de Información de gestión.
Con el DW se tiene una visión homogénea sobre todos los objetos del modelo de negocio, de modo que los informes y cuadros diseñados para una parte puedan ser trasladados al resto consistentemente. La información contenida en el DW se captura una sola vez y la clasificación y descripción de la misma es conocida por todas las áreas, independientemente de los objetos que analizan y de la actividad a la que dan soporte, y de un Diccionario en el que toda la información se encuentre perfectamente descrita y relacionada. Estas características no son réplica de la situación del lado operativo, sino que se consiguen específicamente por el DW.
Someramente, describiremos los tres modelos de Data Warehouse más frecuentes:
Modelo uno. De máxima desintegraciónLa construcción se hace muy sencilla para los primeros Data Warehouse desintegrados, pues basta con reunir algunos ficheros operacionales y explotarlos con una máquina de Queries y una herramienta gráfica de consulta. Algunas de estas componentes, más o menos evolucionadas, ya existen antes de iniciar la construcción. Por ejemplo, es habitual que exista un Centro de Información tradicional y un gestor de base de datos relacional anteriores al DW, que se puedan aprovechar utilizando alguna herramienta gráfica de presentación. La primera inversión es pequeña y el plazo de obtención de resultados es muy rápido.
Los problemas de este modelo se plantean cuando se quiere tener una visión integrada de la realidad. La multiplicidad de implantaciones de DW nos devuelve al caos informacional de partida pero agravado, pues no se trata de normalizar información ya elaborada con distintas visiones de negocio y diferentes métodos de transformación y cálculo. Proliferarán plataformas intermedias, cada vez más pesadas, pues cada vez estas plataformas desintegradas tendrán mayor ambición de plataforma global, con lo que la inversión, inicialmente menor, se disparará tanto en recursos hardware como en software de aprovisionamiento y normalización.
Modelo dos. De integración absoluta
Es el extremo opuesto al anterior. Consiste en crear un Data Warehouse
único, capaz de resolver las necesidades de todas las áreas de negocio.
Es una arquitectura simple y, por consiguiente, sólida. Requiere un
análisis sumamente preciso de las necesidades de la organización y una
adecuada modelización y selección de plataforma.
Su principal debilidad es la falta de flexibilidad en caso de plantearse
necesidades no contempladas en el diseño inicial. La plataforma está
configurada para atender muy bien a un tipo de problema, pero la
aparición de nuevos objetos o nuevas funciones de negocio puede requerir
cambios incluso de hardware o el rediseño general de las bases de datos
y su reflejo en el software que las explota, perdiéndose una de las
principales características funcionales perseguidas: la reducción de
plazos y costes de puesta en producción.
Modelo tres. Modelo Mixto
El modelo mixto, como su nombre indica, es una mezcla de los dos
anteriores. Consiste en la creación de un gran Data Warehouse central y
la obtención, a partir del mismo, de los Data Marts o Bancos de Datos
Departamentales, particularizados para cada departamento gestor, cliente
del sistema, sobre el cual se instrumentarán las aplicaciones,
herramientas precisas para ese dominio.
Sobre este modelo se construyen los DW de propósito general, pues es
universal en cuanto a su información y modelo de negocio, y particular y
personalizado en cuanto a su aplicación. Sus puntos fuertes son la
reutilización y la integridad, y, como consecuencia, la reducción de
plazos, costes y aumento de la coherencia.
Las fases de elaboración y presentación son propias para cada área
gestora, tras una modelización de su problema específico. Es una
arquitectura que, tras la inversión inicial, es más rápida y barata
incluso que el modelo 1 y robusta como el modelo 2.
El trabajo realizado para la construcción del primer Data Mart, semilla
del gran Data Warehouse común, se reutiliza en la construcción del
segundo, la del primero y el segundo en la del tercero, etc... Si, como
se suele admitir, las fases de captura y normalización suponen el
ochenta y cinco por ciento del trabajo en Data Warehouse, esto es
precisamente lo que se reutiliza con el modelo mixto.
Asimismo, las fases de elaboración y presentación también se acortan y
abaratan con el modelo mixto, pues si bien no se reutilizan en su
totalidad, los métodos de elaboración son comunes a diferentes procesos
de negocios. En cualquier caso, es seguro que las bases de partida son
las mismas por construcción, con lo que se eliminan todos los procesos
de conciliación e integridad.
Hoy se admite, con bastante unanimidad por parte de los más reputados
expertos en DW, que el modelo mixto es el único que garantiza el retorno
de la inversión por su capacidad de evolución y adaptación al mercado.
Referencias bibliograficas.