Introduzione al Data Warehousing per Sistemi Informativi Aziendali
|
|
- Erico Rossi
- 8 anni fa
- Visualizzazioni
Transcript
1 Università La Sapienza di Roma AA Prof. Introduzione al Data Warehousing per Cos è il Data Warehousing Collezione di metodi, tecnologie e strumenti di ausilio al lavoratore della conoscenza (manager, gestore, analista) per condurre analisi dei dati finalizzate all attuazione di processi decisionali e/o a migliorare la gestione del patrimonio informativo. 2
2 Cos è un Data Warehouse Un Datawarehouse è una collezione di dati integrati (anche oltre l orizzonte dell organizzazione) consistenti (nonostante l origine eterogenea) focalizzati su un area di interesse articolati su un orizzonte temporale significativo permanenti (non volatili, storicizzati) Finalità del Data Warehouse 3 L analisi dei dati in un Data Warehouse consente di prendere decisioni individuare ed interpretare fenomeni fare previsioni sul futuro controllare un sistema complesso 4
3 Valore e quantità di informazione valore informazione strategica logistica marketing vendite BD concorrenti prezzi rapporti informazioni selezionate $$$ $ fonti informative primarie quantità Ruolo del DW nell organizzazione 5 sistema direzionale obiettivi risultati sistema operativo dati esterni KPI KPI sistemi di servizio sistema direzionale DSS DSS MKT MKT CRM CRM Datawarehouse sistemi ETL sistemi ERP HR HR Datamart-1 Datamart-2 Datamart-3 reportistica OLAP data mining internet / extranet sistema operativo 6
4 OLTP & OLAP OLTP - On-Line Transaction Processing transazioni, recovery, consistenza (scrittura e/o lettura) brevi, frequenti, elevato livello di concorrenza intervento su piccole quantità di dati dati accurati aggiornati all istante OLAP - On-Line Analitical Processing operazioni di sola lettura poche operazioni, basso livello di concorrenza intervento su grandissime quantità di dati dati articolati nel tempo ma essenzialmente statici 7 Separazione tra DataBase operazionale e Data Warehouse carico computazionale completamente differente accorgimenti differenti: DB: delicata sincronizzazione delle attività DW: dati statici (aggiornamenti occasionali) integrazione con attività aziendale: DB operazionale: integrazione DW: descrizione, storicizzazione dati di interesse DB: minimale DW: massimale 8
5 Alcuni ambienti per il Data Warehouse Oracle 10g IBM DB2-UDB Microsoft SQL-Server Sybase IQ Microstrategy Teradata (NCR) Netezza Cognos Business Objects (parte di SAP, Ottobre 2007) Architettura per il Datawarehouse: aspetti in gioco 9 separazione OLTP, OLAP scalabilità estendibilità sicurezza amministrabilità 10
6 Scelta architettura per il Datawarehouse determinata da scelte progettuali condizionata da / condiziona scelta del prodotto condiziona costo / rende possibile alternative ed integrazioni future (quantitative e/o qualitative) condiziona costo del trattamento dati condiziona effettiva PERMANENZA dati 11 Data Mart Collezione di dati focalizzata su particolare profilo di utente o su particolare obiettivo di analisi Alternative: 1.Data Mart dipendente: il DM è sottoinsieme e/o aggregazione di dati presenti nel DW primario DM estratto da DW 2.Data Mart indipendente: il DM è sottoinsieme e/o aggregazione di dati presenti nel DB operazionale DW=Ui(DMi), ossia il DM è parte del DW 3. soluzione ibrida, combinando le precedenti 12
7 Architettura DW: 1 Livello esiste solo il DB operazionale DW virtuale (non rispetta separazione OLTP-OLAP) dati coincidenti con DB operazionale difficile integrazione con altre sorgenti dati - livello 1 dati - livello 1 middleware (copia di) BD operazionale sorgenti esterne sorgenti sorgenti warehouse warehouse analisi analisi 13 Architettura DW: 2 Livelli DM dipendenti fonti dati integrate con sorgenti esterne esecuzione su piattaforma software dedicata ETL: Extraction, Transformation, Loading materializzazione del DW realizzazione e materializzatione di Data Mart dati --livello 1 dati --livello 2 oper BD ext BD ETL DW Data Mart Data Mart sorgenti sorgenti alimentazione alimentazione warehouse warehouse analisi analisi 14
8 Architettura DW: 2 Livelli DM indipendenti vengono materializzati i soli Data Mart non esiste un DW primario materializzato DW = unione dei DM dati --livello 1 dati --livello 2 oper BD ETL Data Mart ext BD Data Mart sorgenti sorgenti alimentazione alimentazione warehouse warehouse analisi analisi Architettura DW: 3 Livelli 15 viene introdotto il livello dei dati riconciliati (operational data store) separazione in due fasi delle attività ETL: 1. estrazione/trasformazione 2. caricamento dati --livello 1 dati --livello 2 dati --livello 3 oper BD ext BD ET(L) DW dati riconciliati caricamento Data Mart Data Mart sorgenti sorgenti alimentazione alimentazione warehouse warehouse analisi analisi 16
9 Metadati metadati interni riguardano l amministratore del DW (es.: sorgenti, trasformazioni, schemi, utenti, etc.) metadati esterni di interesse degli utenti (es.: unità di misura, le possibili aggregazioni) STANDARD CWM - Common Warehouse Model (OMG), definito mediante: UML (Unified Modeling Language) XML (extensible Markup Language) XMI (XML Metadata Interchange) 17 ETL: Extraction, Transformation, Loading Dati Operazionali, Dati Esterni estrazione pulitura - validazione - filtraggio trasformazione Dati Riconciliati caricamento Data Warehouse 18
10 Estrazione iniziale: finalizzata alla creazione del DW successiva: statica (integrale rispetto alle sorgenti) incrementale log timestamp 19 Pulitura intervento a livello di VALORI: duplicati inconsistenze violazione dominio violazione dipendenze funzionali valori nulli uso improprio campi ortografia abbreviazioni (non omogenee) 20
11 Trasformazione intervento a livello di FORMATI: disallineamento formati overloading campi codifiche non omogenee 21 Caricamento (Loading) Refresh: caricamento ex-novo dell intero DW Update: modifiche intervenute 22
12 Modello multidimensionale evento nella realtà progetto DB selezione dei soli aspetti di interesse operativo dato nel DB aziendale (rappresentazione dell evento) progetto DW aggregazione di interesse analitico fatto nel DW aziendale (misura in uno spazio n-dimensionale) U. Pippo, Nanni, di di anni 32, 28, U. Paperino, Nanni, Pluto, di anni 77, di di anni 28, 16, uno acquista brillantante scopettone detersivo lucido dentifricio da per scarpe piatti vendita di uno vendita scopettone di detersivo per piatti N vendite di X presso il negozio Y il giorno Z Eventi e Fatti 23 EVENTO (nella realtà) e FATTO (di interesse) sono termini il cui significato è determinato dalla granularità (livello di dettaglio) della rappresentazione multidimensionale del Data Warehouse Esempio di FATTO: il giorno 02/05/2004 a Roma sono stati venduti 278 scopettoni con un incasso di 745 Euro 24
13 Cubo multidimensionale 05/11/ /11/ /11/ /11/ /11/ /11/ /11/2002 brillantanti detersivi piatti scopettoni dentifricio Roma Firenze L Aquila Torino Venezia scopettoni 05/05/2004 Roma Palermo Foggia numero: 278 totale: 745 Dimensioni 25 tempo brillantanti detersivi piatti scopettoni dentifricio merce 05/11/ /11/ /11/ /11/ /11/ /11/ /11/2002 Roma Firenze L Aquila Torino Venezia luogo Palermo Foggia 26
14 Schema relazionale per il cubo multidimensionale TABELLA(dimens-1,, dimens-k, misura-1,, misura-h) Esempio: VENDITE(prodotto, città, data, numvendite, incasso) dimensioni (o attributi di classificazione) misure (o variabili, o metriche, o indicatori, ) CHIAVE IDENTIFICATIVA Dipendenza Funzionale: dimensioni misure Nell esempio: prodotto, città, data numvendite, incasso Gerarchia dimensionale 27 Ad ogni dimensione viene associata una gerarchia che ne raggruppa i valori a diverso livello di aggregazione (anche in modo ortogonale). Ciascun nodo della gerarchia è detto ATTRIBUTO (DIMENSIONALE) Esempio di gerarchia (dimensione temporale): mese giorno quadrimestre trimestre anno settimana Valgono le DIPENDENZE FUNZIONALI: giorno settimana giorno mese mese trimestre mese quadrimestre trimestre anno quadrimestre anno ALL 28
15 Accesso al Data Warehouse Reportistica esigenze predefinite (ev., parametrizzate) estrazione automatica di informazioni OLAP esigenze di analisi non identificabili a priori esplorazione interattiva dei dati, alla ricerca di informazioni di interesse Data Mining esigenze di analisi non identificabili a priori esplorazione (semi) automatica dei dati Reportistica 29 Rapporti/Report di struttura e forma predefinita interrogazione tipicamente basata su restrizioni e/o aggregazioni presentazione intercalata con testo dati in forma tabellare e/o grafica personalizzata con variabili d ambiente (data, utente, ) generazione richiesta esplicita dell utente periodica in base a condizioni predefinite distribuzione preview/stampa, , web, 30
16 OLAP modalità di attuazione: costruzione di una sessione di analisi, articolata in una serie di passi, ciascuno dipendente dai risultati ottenuti in precedenza utenti tipici: esperti del dominio, non necessariamente esperti informatici 31 OLAP: cubo di esempio brillantanti detersivi piatti scopettoni 05/11/ /11/ /11/ /11/ /11/ /11/2002 Roma Firenze L Aquila Torino Palermo 32
17 OLAP Operazioni base nel modello multidimensionale RESTRIZIONE (limitazione puramente quantitativa) selezione su specifici valori di attributi dimensionali nel caso si imponga l uguaglianza con un singolo valore, l operatore prende il nome di SLICING (scompare una dimensione) AGGREGAZIONE (aumento del livello di astrazione) considerata 1 dimensione, raggruppare un attributo dimensionale ad un livello di maggiore granularità se, al limite, si aggrega al massimo livello (il più generico, costituito da un singolo valore), scompare una dimensione OLAP: Operatore Roll-Up 33 Aggregazione lungo una dimensione uso di un operatore aggregativo su valori di misura Esempi: a. vendite di ciascun prodotto per città e per mese b. vendite giornaliere per città (totale su tutti i prodotti) c. vendite giornaliere per prodotto (Nord/Centro/Sud) prodotto giorno città (a) prodotto mese città 34
18 OLAP: Operatori di aggregazione DISTRIBUTIVI: calcolabili a partire da: 1. aggregati parziali Esempi: SUM, MAX, MIN, ALGEBRICI: calcolabili a partire da: 1. aggregati parziali 2. insieme finito di misure di supporto Esempi: AVG, deviazione standard, OLISTICI: calcolabili a partire da: 1. dati originari Esempio: rango di una matrice 35 OLAP: Operatore Drill-Down Disaggregazione lungo una dimensione comporta la disponibilità dei dati disaggregati Esempi: a. passare dalle vendite di ciascun prodotto per città e per mese alle vendite giornaliere b. passare dalle vendite mensili per città (totale su tutti i prodotti) alle vendite giornaliere per città e per prodotto prodotto mese città (a) prodotto giorno città 36
19 OLAP: Cuboidi (dimensioni) dato un cubo di dati, è possibile effettuare diverse operazioni di roll-up che conducono alla scomparsa di una dimensione dato un cubo con k dimensioni, esistono 2 k possibili cuboidi tutti prodotto data città roll-up drill-down prodotto, data prodotto, città data, città prodotto, data, città OLAP: Cuboidi (livelli aggregazione) 37 dato un cubo di dati, è possibile effettuare diverse operazioni di roll-up che aumentano il livello di aggregazione (con o senza la scomparsa di una dimensione) dato un cubo con k dimensioni di n 1, n 2,, n k livelli di aggregazione, esistono n 1 n 2 n k possibili cuboidi {} roll-up drill-down marca marca,mese mese giorno,mese marca,giorno,giorno 38
20 OLAP: Operatori Slice-and-Dice Selezione (o, al limite, slicing) Esempi: passare dalle vendite mensili dei prodotti per città a. alle vendite mensili dei prodotti per le sole città del centro b. alle vendite mensili per città di detersivi per piatti brillantanti detersivi piatti scopettoni Ago-02 Sett-02 Ott-02 Roma Firenze L Aquila Torino Palermo (b) detersivi piatti Ago-02 Sett-02 Ott-02 Roma Firenze L Aquila Torino Palermo OLAP: Operatori di Pivoting 39 Rotazione delle dimensioni su una tabella bidimensionale Esempio passare da: vendite di (prodotti per mese) per (città) a: vendite di (prodotti per città) per (mese) RM FI AQ TO PA brillantanti ago set ott detersivi piatti ago set ott scopettoni ago set ott due operazioni ago-02 set-02 ott-02 brillantanti RM FI AQ TO PA detersivi piatti RM FI AQ TO PA scopettoni RM FI AQ TO PA
21 OLAP: Operatore Drill-Through accesso ai dati ad un livello di aggregazione più basso di quello offerto dal Data Warehouse accesso ai dati riconciliati (architettura a tre livelli) o al DB operazionale costituisce un caso estremo di Drill-Down 41 OLAP: Operatori Drill-Across Correlare i dati provenienti da due o più cubi in base ai valori dimensionali, calcolando un espressione in un nuovo cubo Esempio: A partire da vendite per prodotto, data, città dipendenti per città calcolare: vendite medie per prodotto per dipendente 42
22 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale, Pattern Recognition, e tecniche statistiche di vario tipo (es.: algoritmi genetici, logiche fuzzy, sistemi esperti, reti neurali, etc.) obiettivi: descrittivi: individuare schemi di comportamento, rapporti di causa-effetto, classificare individui, etc. predittivi: predire andamenti, classificare individui in base al rischio, etc. 43 Alcune applicazioni del Data Mining Analisi dei dati e Supporto alle Decisioni Analisi di mercato e marketing Target Marketing, Customer Relationship Management (CRM), Market Basket Analysis (MBA), segmentazione del mercato Analisi e gestione del rischio previsioni di affidabilità, fidelizzazione di utenti, controllo di qualità, individuazione di frodi e di pattern inusuali (outliers) Text Mining Web Mining, ClickStream Analysis Ingegneria genetica: ricerca sequenze in DNA 44
23 Data Mining: regole associative SE viene acquistato il prodotto birra (X), ALLORA viene acquistato anche il prodotto pannolino (Y) X Y Supporto (quale frazione di soggetti verifica la regola): s = X Y all Confidenza (quale frazione di soggetti soddisfa la regola tra quelli in cui è applicabile): c = X Y X Campi di applicazione: economico (market basket analysis), telecomunicazioni, medico, s(x Y) = F(X Y) c(x Y) = F( Y X ) 45 Data Mining: clustering individuazione di similarità, cogliendo disomogeneità nella distribuzione per definire gruppi omogenei (apprendimento senza supervisione) ricerca gruppi (cluster) basata su distribuzione della popolazione una funzione di distanza Esempio: ILM - Intervallo Libero da Malattia (a 5 anni) (collaborazione con Ist. Regina Elena di Roma) 46
24 Data Mining: alberi di decisione determinare le cause di un fenomeno di interesse in ordine di importanza nodo interno: test di un attributo diramazione: valore (o intervallo) di un attributo foglia: assegna una classificazione (decisione finale) Esempio: il cliente acquisterà un computer? età? <= >40 studente? si credito? no si basso alto no si no si 47 Data Mining: serie temporali individuazione pattern ricorrenti / atipici in sequenze temporali predizione caratteristiche Esempio (Least Cost Routing): instradamento traffico telefonico su operatore a costo minimo (collaborazione con Between azienda di consulenza) DOMANDA CHIAVE: data una telefonata in uscita da un numero interno X diretta verso un numero esterno Y, quanto durerà la telefonata? costo Tariffe: con scatto alla risposta flat rate durata 48
25 Data Mining: risultati interessanti Semplicità - Ad esempio: lunghezza delle regole (associative) taglia (albero di decisione) Certezza - Ad esempio: confidenza (regole associative): c(x Y) = #(X and Y) / #(X) affidabilità della classificazione Utilità - Ad esempio: supporto (regole associative): s(x Y) = #(X and Y) / #(ALL) Novità - Ad esempio: non nota in precedenza sorprendente matrice di confusione val.predetto sussunzione di altre regole (incluse come casi particolari) val.effettivo esatto errore 49 Progetto di Data Warehouse Definizione di obiettivi e pianificazione fattibilità (confini, dimensione, sorgenti, ) team piano operativo Progetto dell infrastruttura alternative architetturali alternative tecnologiche Progetto e sviluppo dei Data Mart analisi con esperti del dominio 50
26 Ciclo di vita (Kimball, 1998) pianificazione definizione requisiti progetto architettura modellazione dimensionale specifica applicazioni gestione progetto tecnologia selezione e installazione prodotti dati progetto fisico progetto e sviluppo alimentazione applicazioni sviluppo applicazioni realizzazione manutenzione Flussi dati & Evoluzione progettuale 51 DW Flusso dati Logica di progettazione 52
27 Fasi di progetto di un Data Mart 1. Analisi e riconciliazione delle fonti dati schemi delle sorgenti schema riconciliato 2. Analisi dei requisiti schema riconciliato fatti, carico lavoro 3. Progetto Concettuale schema riconciliato, fatti, carico lavoro schemi di fatto 4. Progetto Logico schemi di fatto, carico lavoro schema logico Data Mart 5. Progetto dell Alimentazione schemi delle sorgenti, schema riconciliato, schema logico Data Mart procedure alimentazione 6. Progetto Fisico schemi di fatto star-schema, snowflakes entità-relazione schema logico Data Mart, carico lavoro, DBMS schema fisico DM 53 Riconciliazione delle fonti dati Integrazione di schemi: a un passo a scala bilanciato iterativo 54
28 Fatti il punto della situazione FATTO: categoria di eventi che si verificano nella realtà di interesse dell organizzazione. Per ciascun fatto: dimensioni: coordinate di analisi/classificazione misure: proprietà di un fatto, aspetti quantitativi gerarchia dimensionale: per ciascuna dimensione granularità di informazione: compromesso ( * ) tra quantità di informazione ed efficienza ( * ) Per compiti specifici esistono, in ogni caso: il DB operazionale / riconciliato il drill-through Progetto Concettuale 55 Il modello ER non sembra adeguato (anche se resta un fondamentale supporto nella fase di progetto logico) Non esiste un consenso unanime sul modello da adottare Diverse proposte in letteratura: Multidimensional Entity-Relationship Model DFM - Dimensional Fact Model 56
29 Schema ER del DB operazionale data numero importo p_iva negozio citta DATA (1,n) emessa FATTURA_V presso NEGOZIO situato CITTA quantita posizione incasso (1,n) contiene VOCE_V riferita ARTICOLO codice Schema logico del DB operazionale 57 data numero importo p_iva negozio citta DATA (1,n) emessa FATTURA_V presso NEGOZIO situato CITTA quantita posizione incasso (1,n) contiene VOCE_V riferita ARTICOLO codice 58
30 Schema logico DB operazionale - revisione data denormalizzazione ELIMINAZIONE DI ATTRIBUTI: vengono tolti dallo schema gli attributi che non interessano negozio citta DATA (1,n) emessa presso NEGOZIO situato CITTA ACCORPAMENTO: si ipotizza che non interessi il raggruppamento delle vendite in fatture (ossia la Market Basket Analysis) e pertanto collassano le entità FATTURA e VOCE voce_vendita VENDITA quantita incasso riferita ARTICOLO 59 Schema di fatto (preliminare) DIMENSIONI FATTO data (TEMPO) negozio (SPAZIO) MISURE VENDITA quantità incasso (MERCE) 60
31 Gerarchie dimensionali anno gerarchia TEMPO gerarchia SPAZIO trimestre mese settimana zona regione responsabile distretto citta negozio data dettagli su specifiche di utente gerarchia MERCE sottogenere marca genere città_marca Schema di fatto DFM (Dimensional Fact Model) 61 anno trimestre mese settimana zona regione responsabile distretto città negozio data VENDITA quantità incasso sottogenere genere marca città_marca 62
32 Schema di Fatto (esempio) ALL trimestre anno Es: vendite mensili per città e per marca mese data settimana zona regione ALL responsabile distretto città negozio VENDITA quantità incasso genere sottogenere ALL marca città_marca 63 Schema ER ZONA (1,n) REGIONE regione anno ANNO zona (1,n) (1,n) citta CITTA CITTA_MARCA trimestre mese (1,n) TRIMESTRE MESE responsabile RESPONSABILE situato distretto DISTRETTO negozio NEGOZIO settimana MARCA SETTIMANA (1,n) quantita incasso presso (1,n) DATA emessa VENDITA riferita data (1,n) ARTICOLO citta_marca GENERE marca SOTTOGENERE appartiene genere sottogenere 64
33 Gerarchie condivise e ruoli anno trimestre mese settimana data responsabile distretto negozio VENDITA quantità incasso sottogenere genere città_negozio città_marca marca zona regione città può essere interessante valutare la distribuzione territoriale dei marchi di successo Archi multipli (relazioni n:n) 65 anno trimestre mese settimana un negozio può avere (avuto) più responsabili responsabile distretto negozio data VENDITA quantità incasso sottogenere genere città_negozio marca città_marca zona regione città 66
34 Attributi cross-dimensionali anno trimestre mese settimana data responsabile negozio distretto città_negozio zona città regione VENDITA quantità incasso città_marca marca sottogenere genere può esistere una percentuale di provvigione può dipendere dalla marca e dal negozio perc_provvigione 67 Schema ER (rivisto) ZONA (1,n) REGIONE regione anno ANNO zona (1,n) (1,n) citta CITTA negozio quantita incasso settimana (1,n) SETTIMANA trimestre mese data (1,n) (1,n) TRIMESTRE MESE DATA ha_sede responsabile RESPONSABILE (1,n) situato NEGOZIO presso percent distretto DISTRETTO PROVVIGIONE MARCA (1,n) emessa VOCE_V riferita ARTICOLO GENERE marca SOTTOGENERE appartiene genere sottogenere 68
35 Manipolazione delle gerarchie zona regione responsabile distretto città negozio potatura innesto città responsabile negozio zona responsabile citta negozio distretto distretto Alternative di rappresentazione per DW: *OLAP 69 ROLAP - Relational On-Line Analitical Processing dati su DBMS relazionale accesso indicizzato MOLAP - Multidimensional On-Line Analitical Processing dati su strutture multidimensionali accesso calcolato HOLAP - Hybrid On-Line Analitical Processing dati su strutture di entrambe le tipologie introdotta da Oracle (Express Server, 2002) 70
36 Architettura ROLAP middleware R-DBMS(+) SQL (+) OLAP client metadati DW (DB relazionale) soluzioni dedicate componente modulare 71 Modello Logico MOLAP mancanza di uno standard affermato sia per le strutture dati che per i linguaggi di accesso gestione della sparsità dei dati (frazione popolata del cubo multidimensionale) elementi significativi individuati in base ad offset (collezione degli indici degli elementi non nulli) partizionamento in cubi più piccoli a densità quasi uniforme (densi o molto sparsi) strutture dati ad hoc (es.: kd-trees) 72
37 Modello logico (ROLAP): STAR-SCHEMA una DIMENSION TABLE per ciascuna dimensione: chiave primaria (solitamente una chiave surrogata) un insieme di attributi che descrivono i valori per tutti i livelli di aggregazione una singola FACT TABLE: chiave primaria: una foreign-key per ciascuna delle dimension tables un attributo per ciascuna misura Completa DENORMALIZZAZIONE (a parte la fact table) 73 Esempio di STAR-SCHEMA ID_ARTICOLO sottogenere genere marca città_marca regione zona dimension tables fact table vendite ID_ARTICOLO ID_DATA ID_ NEGOZIO quantità incasso data ID_DATA data settimana mese trimestre anno negozio ID_NEGOZIO negozio distretto responsabile città regione zona 74
38 Modello logico (ROLAP): SNOWFLAKE A partire dallo STAR-SCHEMA, si opera una NORMALIZZAZIONE (parziale) delle dimension tables, ottenendo: per ciascuna dimensione, la singola dimension table primaria nello Star-Schema può essere decomposta dando luogo ad una collezione di dimension table secondarie una singola fact table: chiave primaria: una foreign-key per ciascuna delle dimensioni (e per ciascuna dimension table primaria) un attributo per ciascuna misura Esempio di schema SNOWFLAKE 75 ID_ARTICOLO sottogenere genere ID_MARCA marchi ID_MARCA marca ID_CITTA dimension table secondarie dimension table primarie vendite ID_ARTICOLO ID_DATA ID_NEGOZIO quantità incasso città ID_CITTA città regione zona data ID_DATA data settimana mese trimestre anno negozio ID_NEGOZIO negozio distretto responsabile ID_CITTA 76
39 Progetto Fisico e VISTE Il principale problema operativo in un Data Warehouse è quello delle prestazioni Per contro, la ridondanza non costituisce un grave problema, a causa della essenziale staticità del DW Per conseguire migliori prestazioni, si opera una parziale materializzazione delle viste sulla Fact Table La contropartite legate alla materializzazione di viste sono: spazio aggiuntivo (dati completamente ridondanti) tempo di calcolo al momento del refresh del DW 77 Reticolo delle Viste mese VENDITE marca giorno quantità incasso prezzo_unit,giorno,mese marca,giorno marca,mese giorno marca mese {} 78
40 Ottimizzazione del calcolo basata sulle viste materializzate mese giorno VENDITE quantità incasso prezzo_unit marca FATTORI DI COSTO: tempo di calcolo spazio tempo di refresh,giorno data warehouse,mese marca,giorno query ricorrenti marca,mese giorno viste candidate viste materializzate (una ipotesi) marca mese {} Bibliografia 79 M. Golfarelli, S. Rizzi. Data Warehouse Teoria e Pratica della Progettazione (2 a ed.) McGraw-Hill,
Sistemi Informativi Aziendali. Sistemi Informativi Aziendali. Sistemi Informativi Aziendali
DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Introduzione al Data Warehousing per a. Modello Multidimensionale & OLAP 1 Cos è il Data Warehousing Collezione di metodi,
DettagliSistemi Informativi Aziendali. Sistemi Informativi Aziendali
DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Cenni al Data Mining 1 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale,
DettagliIntroduzione data warehose. Gian Luigi Ferrari Dipartimento di Informatica Università di Pisa. Data Warehouse
Introduzione data warehose Gian Luigi Ferrari Dipartimento di Informatica Università di Pisa Data Warehouse Che cosa e un data warehouse? Quali sono i modelli dei dati per data warehouse Come si progetta
DettagliData warehouse Introduzione
Database and data mining group, Data warehouse Introduzione INTRODUZIONE - 1 Pag. 1 Database and data mining group, Supporto alle decisioni aziendali La maggior parte delle aziende dispone di enormi basi
DettagliData Warehousing. Argomenti della lezione. Rappresentazioni dei dati. Rappresentazione dei dati. Parte II Analisi multidimensionale
Argomenti della lezione Data Warehousing Parte II Analisi multidimensionale richiami sul data warehousing organizzazione di un data warehouse l analisi multidimensionale data warehousing e internet strumenti
DettagliSistemi Informativi Aziendali. Sistemi Informativi Aziendali. Sistemi Informativi Aziendali
DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Introduzione al Data Warehousing per b. Progetto di Datawarehouse 1 Progetto di Data Warehouse Definizione di obiettivi e
DettagliData Warehousing (DW)
Data Warehousing (DW) Il Data Warehousing è un processo per estrarre e integrare dati storici da sistemi transazionali (OLTP) diversi e disomogenei, e da usare come supporto al sistema di decisione aziendale
DettagliData warehousing Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Data warehousing Introduzione A partire dalla metà degli anni novanta è risultato chiaro che i database per i DSS e le analisi di business intelligence vanno separati da quelli operazionali. In questa
DettagliAnalisi dei Dati. Lezione 10 Introduzione al Datwarehouse
Analisi dei Dati Lezione 10 Introduzione al Datwarehouse Il Datawarehouse Il Data Warehousing si può definire come il processo di integrazione di basi di dati indipendenti in un singolo repository (il
DettagliLorenzo Braidi. Database design. Libro_datadesign.indb 1 23-11-2004 10:06:17
Lorenzo Braidi Database design Libro_datadesign.indb 1 23-11-2004 10:06:17 Sommario Introduzione...XI Capitolo 1 Le basi di dati relazionali... 1 Le basi di dati... 1 Un po di storia... 2 I database gerarchici...
DettagliLezione 3. Modello Multidimensionale dei Dati Metadati per il Data Warehousing Accesso ai Data Warehouses Implementazioni per il Data Warehousing
Lezione 3 Modello Multidimensionale dei Dati Metadati per il Data Warehousing Accesso ai Data Warehouses Implementazioni per il Data Warehousing 27/02/2010 1 Modello multidimensionale Nasce dall esigenza
DettagliPer capire meglio l ambito di applicazione di un DWhouse consideriamo la piramide di Anthony, L. Direzionale. L. Manageriale. L.
DATA WAREHOUSE Un Dataware House può essere definito come una base di dati di database. In molte aziende ad esempio ci potrebbero essere molti DB, per effettuare ricerche di diverso tipo, in funzione del
DettagliData Warehouse Architettura e Progettazione
Introduzione Data Warehouse Architettura! Nei seguenti lucidi verrà fornita una panoramica del mondo dei Data Warehouse.! Verranno riportate diverse definizioni per identificare i molteplici aspetti che
DettagliCosa è un data warehouse?
Argomenti della lezione Data Warehousing Parte I Introduzione al warehousing cosa è un data warehouse classificazione dei processi aziendali sistemi di supporto alle decisioni elaborazione OLTP e OLAP
DettagliData Warehousing e Data Mining
Università degli Studi di Firenze Dipartimento di Sistemi e Informatica A.A. 2011-2012 I primi passi Data Warehousing e Data Mining Parte 2 Docente: Alessandro Gori a.gori@unifi.it OLTP vs. OLAP OLTP vs.
DettagliCiclo di vita dimensionale
aprile 2012 1 Il ciclo di vita dimensionale Business Dimensional Lifecycle, chiamato anche Kimball Lifecycle descrive il framework complessivo che lega le diverse attività dello sviluppo di un sistema
DettagliSistemi Informativi Direzionali
DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Sistemi Informativi Direzionali 1 Architettura per la Business Intelligence KPI DSS MKT CRM HR Datamart-1 Datamart-2 Datamart-3
DettagliData warehouse (parte 1)
Data warehouse (parte 1) La maggior parte delle aziende dispone di enormi basi di dati contenenti dati di tipo operativo: queste basi di dati costituiscono una potenziale miniera di informazioni utili.
DettagliData warehouse. Architettura complessiva con OLTP e OLAP OLTP. Sistemi di supporto alle decisioni
Data warehouse Data warehouse La crescita dell importanza dell analisi dei dati ha portato ad una separazione architetturale dell ambiente transazionale (OLTP on-line transaction processing) da quello
Dettagli1. BASI DI DATI: GENERALITÀ
1. BASI DI DATI: GENERALITÀ BASE DI DATI (DATABASE, DB) Raccolta di informazioni o dati strutturati, correlati tra loro in modo da risultare fruibili in maniera ottimale. Una base di dati è usualmente
DettagliSupporto alle decisioni e strategie commerciali/mercati/prodotti/forza vendita;
.netbin. è un potentissimo strumento SVILUPPATO DA GIEMME INFORMATICA di analisi dei dati con esposizione dei dati in forma numerica e grafica con un interfaccia visuale di facile utilizzo, organizzata
DettagliData warehousing con SQL Server
Data warehousing con SQL Server! SQL Server è un RDBMS (Relational DataBase Management System)! Analysis Services è un componente di SQL Server che offre un insieme di funzionalità di supporto al data
DettagliIntroduzione al Data Warehousing
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Introduzione al Data Warehousing Molte di queste slide sono state realizzate dal Prof. Stefano Rizzi (http://www-db.deis.unibo.it/~srizzi/)
DettagliData Mining a.a. 2010-2011
Data Mining a.a. 2010-2011 Docente: mario.guarracino@cnr.it tel. 081 6139519 http://www.na.icar.cnr.it/~mariog Informazioni logistiche Orario delle lezioni A partire dall 19.10.2010, Martedì h: 09.50 16.00
DettagliData warehousing con SQL Server
Data warehousing con SQL Server SQL Server è un RDBMS (Relational DataBase Management System) Analysis Services è un componente di SQL Server che offre un insieme di funzionalità di supporto al data warehousing
DettagliIl Data Warehousing. Prof. Stefano Rizzi Alma Mater Studiorum - Università di Bologna
Il Data Warehousing Prof. Stefano Rizzi Alma Mater Studiorum - Università di Bologna 1 Sommario Il ruolo della business intelligence e del sistema informativo 9 Il ruolo dell informatica in azienda 9 La
DettagliRassegna sui principi e sui sistemi di Data Warehousing
Università degli studi di Bologna FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Rassegna sui principi e sui sistemi di Data Warehousing Tesi di laurea di: Emanuela Scionti Relatore: Chiar.mo Prof.Montesi
DettagliSistemi per le decisioni Dai sistemi gestionali ai sistemi di governo
Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo Obiettivi. Presentare l evoluzione dei sistemi informativi: da supporto alla operatività a supporto al momento decisionale Definire
DettagliSistemi Informativi La Modellazione Dimensionale dei Fatti. Obiettivi Concetti Base Operazioni OLAP DFM Casi Modellazione Logica Esercizi
Sistemi Informativi La Modellazione Dimensionale dei Fatti Obiettivi Concetti Base Operazioni OLAP DFM Casi Modellazione Logica Esercizi Obiettivi Nelle lezioni precedenti abbiamo modellato i processi
DettagliSEGMENTAZIONE INNOVATIVA VS TRADIZIONALE
SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE Arricchimento dei dati del sottoscrittore / user Approccio Tradizionale Raccolta dei dati personali tramite contratto (professione, dati sul nucleo familiare, livello
DettagliWebBi S.r.l offre consulenza e soluzioni per le seguenti aree: Data Warehousing. Business Intelligence. Disegno di architetture integrate
Migliorare l organizzazione per migliorare la qualità delle decisioni. Migliorare la qualità dei collaboratori per migliorare il servizio alla clientela. WebBi S.r.l offre consulenza e soluzioni per le
DettagliSQL Server BI Development Studio
Il Data warehouse SQL Server Business Intelligence Development Studio Analysis Service Sorgenti dati operazionali DB relazionali Fogli excel Data warehouse Staging Area e dati riconciliati Cubi Report
DettagliSQL Server 2005. Introduzione all uso di SQL Server e utilizzo delle opzioni Olap. Dutto Riccardo - SQL Server 2005.
SQL Server 2005 Introduzione all uso di SQL Server e utilizzo delle opzioni Olap SQL Server 2005 SQL Server Management Studio Gestione dei server OLAP e OLTP Gestione Utenti Creazione e gestione DB SQL
DettagliData warehousing con SQL Server
Data warehousing con SQL Server SQL Server è un RDBMS (Relational DataBase Management System) Analysis Services è un componente di SQL Server che offre un insieme di funzionalità di supporto al data warehousing
DettagliPrefazione Sistemi informativi e basi di dati Il modello relazionale Il modello ER
Indice Prefazione XI 1 Sistemi informativi e basi di dati 1 1.1 La Gestione dell Informazione................... 1 1.1.1 Sistemi Informativi e Sistemi Informatici......... 1 1.2 Esempi di Sistemi Informativi...................
DettagliData warehousing Mario Guarracino Data Mining a.a. 2010/2011
Data warehousing Introduzione A partire dagli anni novanta è risultato chiaro che i database per i DSS e le analisi di business intelligence vanno separati da quelli operazionali. In questa lezione vedremo
DettagliData mining e rischi aziendali
Data mining e rischi aziendali Antonella Ferrari La piramide delle componenti di un ambiente di Bi Decision maker La decisione migliore Decisioni Ottimizzazione Scelta tra alternative Modelli di apprendimento
DettagliProgettaz. e sviluppo Data Base
Progettaz. e sviluppo Data Base! Progettazione Basi Dati: Metodologie e modelli!modello Entita -Relazione Progettazione Base Dati Introduzione alla Progettazione: Il ciclo di vita di un Sist. Informativo
DettagliPROGETTAZIONE E IMPLEMENTAZIONE DI UN DATAWAREHOUSE
Tesi in: ARCHITETTURA DEI SISTEMI INFORMATIVI PROGETTAZIONE E IMPLEMENTAZIONE DI UN DATAWAREHOUSE IN UN AMBIENTE DI DISTRIBUZIONE FARMACEUTICA RELATORE: Prof. Crescenzio Gallo LAUREANDO: Alessandro Balducci
DettagliL intelligence commerciale per il governo della complessità distributiva: l approccio adottato in BNL
L intelligence commerciale per il governo della complessità distributiva: l approccio adottato in BNL Convegno ABI CRM 2003 Strategie di Valorizzazione delle Relazioni con la Clientela Andrea Di Fabio
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliArchitetture per l analisi di dati
Architetture per l analisi di dati Basi di dati: Architetture e linee di evoluzione - Seconda edizione Capitolo 8 Appunti dalle lezioni Motivazioni I sistemi informatici permettono di aumentare la produttività
DettagliAl giorno d oggi, i sistemi per la gestione di database
Introduzione Al giorno d oggi, i sistemi per la gestione di database implementano un linguaggio standard chiamato SQL (Structured Query Language). Fra le altre cose, il linguaggio SQL consente di prelevare,
DettagliCustomer Relationship Management. Eleonora Ploncher 3 aprile 2006
Customer Relationship Management Eleonora Ploncher 3 aprile 2006 1. Gli obiettivi Gli obiettivi della presentazione sono volti a definire: 1. gli elementi fondamentali e strutturali di una strategia di
DettagliDominio applicativo. Analisi e ricognizione delle fonti dati
Dominio applicativo La Società chiamata StraSport, si occupa di vendite all ingrosso di articoli sportivi. Ha agenzie distribuite sul territorio italiano che gestiscono le vendite, ognuna di esse gestisce
DettagliProgettazione Logica. Sviluppo di un Database/DataWarehouse
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Progettazione Logica Dal Capitolo 8 e 9 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo
DettagliSQL Server. Applicazioni principali
SQL Server Introduzione all uso di SQL Server e utilizzo delle opzioni OLAP Applicazioni principali SQL Server Enterprise Manager Gestione generale di SQL Server Gestione utenti Creazione e gestione dei
DettagliMarketing relazionale
Marketing relazionale Introduzione Nel marketing intelligence assume particolare rilievo l applicazione di modelli predittivi rivolte a personalizzare e rafforzare il legame tra azienda e clienti. Un azienda
DettagliIntroduzione al data base
Introduzione al data base L Informatica è quella disciplina che si occupa del trattamento automatico dei dati con l ausilio del computer. Trattare i dati significa: raccoglierli, elaborarli e conservarli
DettagliDATA WAREHOUSING CON JASPERSOFT BI SUITE
UNIVERSITÁ DEGLI STUDI DI MODENA E REGGIO EMILIA Dipartimento di Ingegneria di Enzo Ferrari Corso di Laurea Magistrale in Ingegneria Informatica (270/04) DATA WAREHOUSING CON JASPERSOFT BI SUITE Relatore
DettagliProgettazione di Basi di Dati
Progettazione di Basi di Dati Prof. Nicoletta D Alpaos & Prof. Andrea Borghesan Entità-Relazione Progettazione Logica 2 E il modo attraverso il quale i dati sono rappresentati : fa riferimento al modello
DettagliLa Metodologia adottata nel Corso
La Metodologia adottata nel Corso 1 Mission Statement + Glossario + Lista Funzionalià 3 Descrizione 6 Funzionalità 2 Schema 4 Schema 5 concettuale Logico EA Relazionale Codice Transazioni In PL/SQL Schema
DettagliLezione 1. Introduzione e Modellazione Concettuale
Lezione 1 Introduzione e Modellazione Concettuale 1 Tipi di Database ed Applicazioni Database Numerici e Testuali Database Multimediali Geographic Information Systems (GIS) Data Warehouses Real-time and
DettagliSistemi direzionali e modello multidimensionale. Prof. Piercarlo Giolito
Sistemi direzionali e modello multidimensionale Prof. Piercarlo Giolito 1 Data warehousing e tecnologia OLAP Argomenti trattati. Evoluzione dei Sistemi Informativi Decisionali Il modello dei dati multidimensionale
DettagliB C I un altro punto di vista Introduzione
Bollicine Community B C Intelligence B C I un altro punto di vista Introduzione Graziano Guazzi General Manager Data Flow Settembre 2007 pag, 1 Cosa misurare La definizione di quale domanda di mercato
DettagliOn Line Analytical Processing
On Line Analytical Processing Data integra solitamente Warehouse(magazzino dati) èun sorgenti un unico schema globalel informazione estratta da piu puo replicazioneai puo essere èinterrogabile, non modificabile
DettagliDBMS (Data Base Management System)
Cos'è un Database I database o banche dati o base dati sono collezioni di dati, tra loro correlati, utilizzati per rappresentare una porzione del mondo reale. Sono strutturati in modo tale da consentire
DettagliSistemi informativi secondo prospettive combinate
Sistemi informativi secondo prospettive combinate direz acquisti direz produz. direz vendite processo acquisti produzione vendite INTEGRAZIONE TRA PROSPETTIVE Informazioni e attività sono condivise da
DettagliSistemi Informativi I
Sistemi Informativi I Modalità di Esame L esame consta in una prova orale, durante la quale viene discusso un progetto approntato individualmente dallo studente. Il progetto consiste nella elaborazione
DettagliIntroduzione ad OLAP (On-Line Analytical Processing)
Introduzione ad OLAP (On-Line Analytical Processing) Metodi e Modelli per il Supporto alle Decisioni 2002 Dipartimento di Informatica Sistemistica e Telematica (Dist) Il termine OLAP e l acronimo di On-Line
DettagliSQL/OLAP. Estensioni OLAP in SQL
SQL/OLAP Estensioni OLAP in SQL 1 Definizione e calcolo delle misure Definire una misura significa specificare gli operatori di aggregazione rispetto a tutte le dimensioni del fatto Ipotesi: per ogni misura,
DettagliAmbienti Operativi per OLAP. Casi di Studio
Ambienti Operativi per OLAP. Casi di Studio Alfredo Cuzzocrea DEIS Dipartimento di Elettronica, Informatica e Sistemistica Università della Calabria cuzzocrea@deis.unical.it Sommario Installazione e Configurazione
DettagliBasi di Dati Relazionali
Corso di Laurea in Informatica Basi di Dati Relazionali a.a. 2009-2010 PROGETTAZIONE DI UNA BASE DI DATI Raccolta e Analisi dei requisiti Progettazione concettuale Schema concettuale Progettazione logica
DettagliData warehousing con SQL Server
Data warehousing con SQL Server! SQL Server è un RDBMS (Relational DataBase Management System)! Analysis Services è un componente di SQL Server che offre un insieme di funzionalità di supporto al data
DettagliPianificazione del data warehouse
Pianificazione del data warehouse Dalla pianificazione emergono due principali aree d interesse: area commerciale focalizzata sulle agenzie di vendita e area marketing concentrata sulle vendite dei prodotti.
DettagliSistemi Informativi Aziendali I
Modulo 6 Sistemi Informativi Aziendali I 1 Corso Sistemi Informativi Aziendali I - Modulo 6 Modulo 6 Integrare verso l alto e supportare Managers e Dirigenti nell Impresa: Decisioni più informate; Decisioni
DettagliScenario di Progettazione
Appunti del 3 Ottobre 2008 Prof. Mario Bochicchio SCENARIO DI PROGETTAZIONE Scenario di Progettazione Il Committente mette a disposizione delle risorse e propone dei documenti che solitamente rappresentano
DettagliIntegrazione dei processi aziendali Sistemi ERP e CRM. Alice Pavarani
Integrazione dei processi aziendali Sistemi ERP e CRM Alice Pavarani Un ERP rappresenta la maggiore espressione dell inseparabilità tra business ed information technology: è un mega-package di applicazioni
DettagliBasi di dati. Corso di Laurea in Ingegneria Informatica Canale di Ingegneria delle Reti e dei Sistemi Informatici - Polo di Rieti
Basi di dati Corso di Laurea in Ingegneria Informatica Canale di Ingegneria delle Reti e dei Sistemi Informatici - Polo di Rieti Anno Accademico 2008/2009 Introduzione alle basi di dati Docente Pierangelo
Dettagli02/mag/2012. Il Modello Multidimensionale. Il Modello Multidimensionale. Il Modello Multidimensionale. Il Modello Multidimensionale
Modello semplice ed intuitivo Si presta bene a descrivere dei FATTI in modo grafico (CUBO o IPERCUBO) Es. di FATTI: Vendite Spedizioni Ricoveri Interventi chirurgici Andamento borsistico 62 Un cubo multidimensionale
DettagliSISTEMI INFORMATIVI AVANZATI -2010/2011 1. Introduzione
SISTEMI INFORMATIVI AVANZATI -2010/2011 1 Introduzione In queste dispense, dopo aver riportato una sintesi del concetto di Dipendenza Funzionale e di Normalizzazione estratti dal libro Progetto di Basi
DettagliIntroduzione alle basi di dati. Gestione delle informazioni. Gestione delle informazioni. Sistema informatico
Introduzione alle basi di dati Introduzione alle basi di dati Gestione delle informazioni Base di dati Modello dei dati Indipendenza dei dati Accesso ai dati Vantaggi e svantaggi dei DBMS Gestione delle
DettagliPagine romane (I-XVIII) OK.qxd:romane.qxd 7-09-2009 16:23 Pagina VI. Indice
Pagine romane (I-XVIII) OK.qxd:romane.qxd 7-09-2009 16:23 Pagina VI Prefazione Autori XIII XVII Capitolo 1 Sistemi informativi aziendali 1 1.1 Introduzione 1 1.2 Modello organizzativo 3 1.2.1 Sistemi informativi
DettagliSistemi di supporto alle decisioni
Sistemi di supporto alle decisioni Introduzione I sistemi di supporto alle decisioni, DSS (decision support system), sono strumenti informatici che utilizzano dati e modelli matematici a supporto del decision
DettagliCorso di Informatica (Basi di Dati)
Corso di Informatica (Basi di Dati) Lezione 1 (12 dicembre 2008) Introduzione alle Basi di Dati Da: Atzeni, Ceri, Paraboschi, Torlone - Basi di Dati Lucidi del Corso di Basi di Dati 1, Prof. Carlo Batini,
DettagliAlessandra Raffaetà. Basi di Dati
Lezione 2 S.I.T. PER LA VALUTAZIONE E GESTIONE DEL TERRITORIO Corso di Laurea Magistrale in Scienze Ambientali Alessandra Raffaetà Dipartimento di Informatica Università Ca Foscari Venezia Basi di Dati
DettagliProgettaz. e sviluppo Data Base
Progettaz. e sviluppo Data Base! Introduzione ai Database! Tipologie di DB (gerarchici, reticolari, relazionali, oodb) Introduzione ai database Cos è un Database Cos e un Data Base Management System (DBMS)
DettagliData Warehousing: concetti base e metodologie
Data Warehousing: concetti base e metodologie Paolo Atzeni (con la collaborazione di Luca Cabibbo e Riccardo Torlone) Università di Roma Tre Dipartimento di Informatica e Automazione atzeni@dia.uniroma3.it
DettagliBusiness Intelligence Revorg. Roadmap. Revorg Business Intelligence. trasforma i dati operativi quotidiani in informazioni strategiche.
soluzioni di business intelligence Revorg Business Intelligence Utilizza al meglio i dati aziendali per le tue decisioni di business Business Intelligence Revorg Roadmap Definizione degli obiettivi di
DettagliPBI Passepartout Business Intelligence
PBI Passepartout Business Intelligence TARGET DEL MODULO Il prodotto, disponibile come modulo aggiuntivo per il software gestionale Passepartout Mexal, è rivolto alle Medie imprese che vogliono ottenere,
DettagliGoverno Digitale a.a. 2011/12
Governo Digitale a.a. 2011/12 I sistemi di supporto alle decisioni ed il Data Warehouse Emiliano Casalicchio Agenda Introduzione i sistemi di supporto alle decisioni Data warehouse proprietà architettura
DettagliOttimizzazione delle interrogazioni (parte I)
Ottimizzazione delle interrogazioni I Basi di Dati / Complementi di Basi di Dati 1 Ottimizzazione delle interrogazioni (parte I) Angelo Montanari Dipartimento di Matematica e Informatica Università di
DettagliCorso di Laboratorio di Basi di Dati
Corso di Laboratorio di Basi di Dati F1I072 - INF/01 a.a 2009/2010 Pierluigi Pierini Technolabs S.p.a. Pierluigi.Pierini@technolabs.it Università degli Studi di L Aquila Dipartimento di Informatica Technolabs
DettagliCRM / WEB CRM CUSTOMER RELATIONSHIP MANAGEMENT
CRM / WEB CRM CUSTOMER RELATIONSHIP MANAGEMENT CUSTOMER RELATIONSHIP MANAGEMENT Il CRM di NTS Informatica Una fidelizzazione del cliente realmente efficace, ed i principi fondamentali alla base della sua
DettagliMASTER UNIVERSITARIO
MASTER UNIVERSITARIO Analisi Dati per la Business Intelligence In collaborazione con II edizione 2013/2014 Dipartimento di Culture, Politica e Società Dipartimento di Informatica gestito da aggiornato
DettagliIntroduzione alla teoria dei database relazionali. Come progettare un database
Introduzione alla teoria dei database relazionali Come progettare un database La struttura delle relazioni Dopo la prima fase di individuazione concettuale delle entità e degli attributi è necessario passare
DettagliINDICE 22-02-2005 15:25 Pagina V. Indice
INDICE 22-02-2005 15:25 Pagina V Indice Gli autori XIII XVII Capitolo 1 I sistemi informativi aziendali 1 1.1 INTRODUZIONE 1 1.2 IL MODELLO INFORMATICO 3 1.2.1. Il modello applicativo 3 Lo strato di presentazione
Dettaglisfide, opportunitàe competenze per i professionistidell ICT
sfide, opportunitàe competenze per i professionistidell ICT competenze e lavoro dei Database Manager Gilberto Zampatti Gilberto.zampatti@ngi.it - gzampatti@solidq.com SolidQJournal Free monthly e-magazine
DettagliProgramma del Corso. Dati e DBMS SQL. Progettazione di una. Normalizzazione
Programma del Corso Dati e DBMS DBMS relazionali SQL Progettazione di una base di dati Normalizzazione (I prova scritta) (II prova scritta) Interazione fra linguaggi di programmazione e basi di dati Cenni
DettagliTelerilevamento e GIS Prof. Ing. Giuseppe Mussumeci
Corso di Laurea Magistrale in Ingegneria per l Ambiente e il Territorio A.A. 2014-2015 Telerilevamento e GIS Prof. Ing. Giuseppe Mussumeci Strutture di dati: DB e DBMS DATO E INFORMAZIONE Dato: insieme
DettagliUso delle basi di dati DBMS. Cos è un database. DataBase. Esempi di database
Uso delle basi di dati Uso delle Basi di Dati Il modulo richiede che il candidato comprenda il concetto di base dati (database) e dimostri di possedere competenza nel suo utilizzo. Cosa è un database,
DettagliDatabase. Si ringrazia Marco Bertini per le slides
Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida
DettagliAgenda. I sistemi a supporto delle decisioni Information Directory Sviluppi futuri. Cinque anni di Data Warehouse:dai dati alle decisioni 1
Cinque anni di Data Warehouse: dai dati alle decisioni Mario ANCILLI SETTORE SISTEMI INFORMATIVI ED INFORMATICA DIREZIONE ORGANIZZAZIONE; PIANIFICAZIONE, SVILUPPO E GESTIONE DELLE RISORSE UMANE Torino,
DettagliINDICE CONROLLO DI GESTIONE E SISTEMI INFORMATIVI AZIENDALI IL CONTROLLO DI GESTIONE E GLI ALTRI MECCANISMI OPERATIVI
INDICE PREMESSA...1 PARTE PRIMA CONROLLO DI GESTIONE E SISTEMI INFORMATIVI AZIENDALI CAPITOLO PRIMO IL CONTROLLO DI GESTIONE E GLI ALTRI MECCANISMI OPERATIVI 1. I concetti di pianificazione strategica
DettagliPROGRAMMAZIONE MODULARE DI INFORMATICA CLASSE QUINTA - INDIRIZZO MERCURIO SEZIONE TECNICO
PROGRAMMAZIONE MODULARE DI INFORMATICA CLASSE QUINTA - INDIRIZZO MERCURIO SEZIONE TECNICO Modulo 1: IL LINGUAGGIO HTML Formato degli oggetti utilizzati nel Web Elementi del linguaggio HTML: tag, e attributi
DettagliIntroduzione Ai Data Bases. Prof. Francesco Accarino IIS Altiero Spinelli Via Leopardi 132 Sesto San giovanni
Introduzione Ai Data Bases Prof. Francesco Accarino IIS Altiero Spinelli Via Leopardi 132 Sesto San giovanni I Limiti Degli Archivi E Il Loro Superamento Le tecniche di gestione delle basi di dati nascono
DettagliBASI DI DATI per la gestione dell informazione. Angelo Chianese Vincenzo Moscato Antonio Picariello Lucio Sansone
BASI DI DATI per la gestione dell informazione Angelo Chianese Vincenzo Moscato Antonio Picariello Lucio Sansone Libro di Testo 22 Chianese, Moscato, Picariello e Sansone BASI DI DATI per la Gestione dell
DettagliIl software impiegato su un computer si distingue in: Sistema Operativo Compilatori per produrre programmi
Il Software Il software impiegato su un computer si distingue in: Software di sistema Sistema Operativo Compilatori per produrre programmi Software applicativo Elaborazione testi Fogli elettronici Basi
DettagliPIANO DI LAVORO EFFETTIVAMENTE SVOLTO IN RELAZIONE ALLA PROGRAMMAZIONE DISCIPLINARE
Istituto di Istruzione Secondaria Superiore ETTORE MAJORANA 24068 SERIATE (BG) Via Partigiani 1 -Tel. 035-297612 - Fax 035-301672 e-mail: majorana@ettoremajorana.gov.it - sito internet: www.ettoremajorana.gov.it
DettagliCORSO ACCESS PARTE II. Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?)
Ambiente Access La Guida di Access Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?) Guida in linea Guida rapida Assistente di Office indicazioni
Dettagli