Sistemi Informativi Avanzati Anno Accademico 2012/2013 Prof. Domenico Beneventano. Archi multipli
|
|
- Giacomo Berardino
- 5 anni fa
- Visualizzazioni
Transcript
1 Sistemi Informativi Avanzati Anno Accademico 2012/2013 Prof. Domenico Beneventano Archi multipli Capitoli e del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo Golfarelli, Stefano Rizzi; Editore: McGraw-Hill Arco Multiplo! Schema di fatto contenente un arco multiplo: genere autore libro VENDITA numero incasso data mese anno arco multiplo (AM) " Per illustrare il concetto di arco multiplo si parte da uno schema di fatto già dato, indipendentemente dalla progettazione concettuale che ha originato tale schema, indipendentemente dal fatto che lo schema sia transazionale o temporale.! Un arco multiplo corrisponde ad un associazione molti-a-molti: il padre (libro) non determina funzionalmente il figlio (autore)! Per definire il valore aggregato delle misure per gli archi multipli è a volte necessario considerare un peso : 1) AM(padre,figlio,peso) 2) per ogni padre la somma dei pesi è unitaria: SELECT padre, SUM(peso) from AM GROUP BY padre 2
2 Misure Pesate e Misure di impatto genere VENDITA autore libro numero incasso data mese anno arco multiplo (AM)! Gerarchia dell Arco Multiplo : gerarchia contenente il figlio e i discendenti dell arco multiplo; nell esempio solo {autore}.! Per pattern contenenti almeno un attributo della gerarchia dell arco multiplo occorre differenziare tra 1) Misure pesate: il valore aggregato della misura viene calcolato considerando il peso dell arco multiplo 2) Misure di impatto: il valore aggregato della misura viene calcolato senza considerare il peso dell arco multiplo 3 Arco multiplo! Eventi primari del fatto Vendita! Arco Multiplo : AM! Oltre alle misure numero ed incasso, si considerano le misure numero_pesato e incasso_pesato il cui valore aggregato è sempre calcolato attraverso la somma ma considerando il peso numero_pesato = SUM(vendita.numero*AM.peso) incasso_pesato = SUM(vendita.incasso*AM.peso)! Valore delle misure per il pattern { Autore } : 4
3 Archi multipli: Specifica delle misure! In presenza di un arco multiplo, le misure devono essere classificate ( a livello di specifica, da parte del progettista) in Misure Pesate Misure di Impatto! Questa differenziazione viene utilizzata in fase di calcolo dei valori aggregati per i pattern che contengono almeno un attributo della gerarchia dell arco multiplo.! Esempio: supponiamo che la specifica sia incasso Misura Pesata numero Misura di Impatto! Pattern {Autore,Anno} 5 Archi multipli: Specifica delle misure! Per i pattern che non contengono attributi della gerarchia dell arco multiplo si calcola sempre il valore aggregato senza considerare il peso. Esempio : pattern {Libro}! Esempio Pattern {Genere,Autore}. Il pattern contiene un attributo della gerarchia dell arco multiplo, quindi devo differenziare (Libro1 e Libro3 sono Tecnico mentre Libro2 è Attualita) 6
4 Archi multipli: per riassumere! Data una misura M con operatore di aggregazione OP! In presenza di un arco multiplo, M deve essere classificata in Misura Pesata oppure Misura di Impatto! Se M è una Misura di Impatto, il suo valore aggregato si calcola sempre come OP(M)! Se M è una Misura Pesata, il suo valore aggregato si calcola come 1) OP(M*AM.Peso) per i pattern con attributi della gerarchia dell arco multiplo. 2) OP(M) per i pattern senza attributi della gerarchia dell arco multiplo. 7 Archi multipli: per riassumere VENDITA (Eventi Primari) AM LIBRO! Pattern {GENERE,AUTORE} e sub-pattern 8
5 Archi multipli : Progettazione logica! La soluzione progettuale più ovvia è quella di inserire una tabella aggiuntiva (bridge table) che modelli l arco multiplo: # La chiave della bridge table (BT) è composta dalla combinazione degli attributi collegati all arco multiplo! La soluzione progettuale più semplice è quella di rendere più fine la granularità del fatto modellando così l arco multiplo direttamente nella fact table (push-down).! Questa soluzione richiede l aggiunta alla fact table di una nuova dimensione corrispondente al figlio dell arco multiplo 9 Archi multipli: comparazione! Il potere informativo delle due soluzioni è identico! Con la soluzione con push-down il peso è codificato nella fact table ovvero di ogni misura si riporta il suo valore già pesato # Il calcolo degli eventi pesati avviene durante l alimentazione # Forte ridondanza nella fact-table: le righe vanno replicate tante volte quante sono le corrispondenze dell arco multiplo # il valore aggregato di una misura pesata viene calcolato con l operatore di aggregazione, senza più considerare il peso # il valore aggregato di una misura di impatto deve essere calcolato in due passi: prima si aggregano gli eventi primari (per ottenere la misura non pesata) e quindi si applica l operatore di aggregazione: il calcolo risulta più complesso! Con la soluzione con bridge-table: # il valore aggregato di una misura pesata deve essere calcolato applicando all operatore di aggregazione il peso: il calcolo risulta più complesso 10
6 Archi multipli: soluzione con BRIDGE-TABLE VENDITA = FACT TABLE AM = BRIDGE-TABLE (BT) LIBRO (Dimension table)! Per evidenziare la difficoltà di calcolo, proviamo a scrivere la query SQL-OLAP per ottenere {GENERE,AUTORE} e sub-pattern, ovvero per ottenere: 11 Archi multipli: soluzione con BRIDGE-TABLE! I pattern con attributi della gerarchia dell arco multiplo (ovvero con AUTORE) sono caratterizzati da GROUPING(AUTORE)=0, quindi per la misura pesata INCASSO si differenzia tramite CASE! Però per i pattern che non contengono AUTORE i calcoli risultano errati anche per la misura di impatto NUMERO: il problema è il join con BT che aumenta la molteplicità 12
7 Archi multipli: soluzione con BRIDGE-TABLE! Si può ottenere come UNION di due query! QueryA per i pattern con GROUPING(AUTORE)=1: non si effettua join con BT (si noti che AUTORE=NULL viene aggiunto nella select)! QueryB per i pattern con GROUPING(AUTORE)=0: si effettua join con BT 13 Archi multipli: soluzione con PUSH-DOWN VENDITA (Eventi Primari) AM LIBRO! Fact Table della soluzione con push-down (FACT_TABLE_PD) LIBRO (Dimension table) 14
8 Archi multipli: soluzione con PUSH-DOWN! Per evidenziare la difficoltà di calcolo della misura di impatto NUMERO, consideriamo la query per ottenere {GENERE,AUTORE} e sub-pattern! Per la misura pesata INCASSO i calcoli sono corretti! Per la misura di impatto NUMERO, per i pattern che contengono un attributo della gerarchia dell arco multiplo i calcoli non sono corretti appunto perché fatti sul valore pesato! Anche in questo caso si potrebbe ottenere come UNION di due query!! però presentiamo una soluzione più semplice 15 Archi multipli: soluzione con PUSH-DOWN! Considerato che 1. In uno schema con arco multiplo possono essere necessarie sia misure di impatto che pesate 2. La definizione (ed il calcolo) degli operatori di aggregazione delle misure avviene attraverso lo strumento OLAP una soluzione semplice anche se ridondante è quella di riportare nella fact-table per le misure pesate : i valori pesati per le misure d impatto : sia i valori pesati che non pesati ovvero fare un push-down in cui si riportano anche i valori non pesati delle misure d impatto 16
9 Archi multipli: soluzione con PUSH-DOWN VENDITA (Eventi Primari) AM LIBRO! FACT_TABLE_PD: Per la misura di impatto numero, oltre al valore pesato, si riporta nella fact-table con push down anche il valore non pesato 17 Push-Down: calcolo dei valori aggregati I valori aggregati si ottengono a partire dalla Fact Table con push down in base alle seguenti regole! Per le Misure Pesate: si usa il valore pesato, per tutti i pattern! Per le Misure di Impatto 1. per i pattern che hanno almeno un attributo della gerarchia dell arco multiplo: usare il valore non pesato della misura 2. per i pattern che non contengono attributi della gerarchia dell arco multiplo: usare il valore pesato della misura 18
10 Push-Down: calcolo dei valori aggregati! Verifichiamo la regola sul nostro esempio! Esempio : {Libro } 1. incasso è pesata quindi uso il suo valore pesato incasso_pesato 2. numero è di impatto quindi siccome {Libro} non contiene attributi della gerarchia dell arco multiplo, uso il suo valore pesato numero_pesato 19 Push-Down: calcolo dei valori aggregati! Verifichiamo la regola sul nostro esempio! Esempio : {Autore, Anno} 1. incasso è pesata quindi uso il suo valore pesato incasso_pesato 2. numero è di impatto quindi siccome {Autore, Anno} contiene attributi della gerarchia dell arco multiplo, uso il suo valore non pesato numero 20
11 Push-Down: calcolo dei valori aggregati! Applichiamo la regola nella query SQL-OLAP per ottenere {GENERE,AUTORE} e sub-pattern! In definitiva, riportando per le misure di impatto sia il loro valore normale che il valore pesato comporta una ridondanza però semplifica le analisi OLAP, sia a livello di interrogazioni SQL-OLAP (come abbiamo visto in questi esempi) sia a livello di cubo OLAP e interrogazioni MDX (come vedremo realizzando il relativo cubo OLAP 21 Archi multipli: Misure Calcolate VENDITA (Eventi Primari) AM LIBRO! Misura calcolata INCASSO_MEDIO=INCASSO/NUMERO! Misura calcolata PREZZO_MEDIO=INCASSO_TOTALE/NUMERO dove INCASSO_TOTALE è la misura INCASSO ma considerata ora come misura di impatto 22
12 Push-Down: misure calcolate! Per una misura calcolata MC 1) si devono inserire nella fact table con push down le misure componenti 2) a livello aggregato, nella query SQL-OLAP, viene calcolata MC! Per la misura calcolata INCASSO_MEDIO=INCASSO/NUMERO: FACT_TABLE_PD contiene già le misure componenti! Per la misura calcolata PREZZO_MEDIO=INCASSO_TOTALE/NUMERO: la FACT_TABLE_PD contiene già NUMERO ma non INCASSO_TOTALE, misura INCASSO ma considerata ora come misura di impatto: nella FACT_TABLE_PD si deve avere anche INCASSO non pesato 23 Push-Down: calcolo della FACT_TABLE! L esempio evidenzia che nella FACT_TABLE_PD servono spesso sia la versione pesata che non pesata di una misura. Il calcolo è semplice:! È possibile inserire in FACT_TABLE_PD solo i valori pesati e calcolare successivamente quelli non pesati?! Questo può risultare utile in un architettura a due/tre livelli in cui la FACT_TABLE_PD viene effettivamente memorizzata in una table del Data Mart! La risposta è positiva: 24
13 Push-Down: calcolo della FACT_TABLE 1. si crea una FACT_TABLE_PD con solo i valori pesati (chiamata FACT_TABLE_PD1) 2. quindi da FACT_TABLE_PD1 si ricavano i valori non pesati (vista NOPESATI) 3. e la FACT_TABLE_PD complessiva si ottiene dal join 25 Push-Down: misure calcolate! Ottenuta FACT_TABLE_PD (si noti che INCASSO_TOTALE è stato chiamato INCASSO)! A livello aggregato, nella query SQL-OLAP, le misure calcolate si possono ottenere direttamente, considerando e differenziando tra i vari pattern di aggregazione! oppure si possono per semplicità formulare in due passi: 26
14 Push-Down: misure calcolate! Prima si ottengono le componenti! e poi le misure calcolate 27 Arco multiplo sulle dimensioni: Esempio! Fatto RICOVERO: un ricovero è associato a più diagnosi! Nell albero degli attributi si aggiunge un arco multiplo tra la radice CodRicovero e Diagnosi relativo all associazione DI.! Diagnosi viene scelta come dimensione! Schema a granularità temporale; si noti che nello schema E/R Data +Paziente non è indicato come identificatore di Ricovero, ovvero un paziente può essere ricoverato più volte nella stessa data REPARTO categoria data diagnosi data (0,N) (1,1) in RICOVERO (1,N) reparto RICOVERO costo costo (1,1) (0,N) di codpaziente PAZIENTE reparto di codricovero codpaziente (0,N) DIAGNOSI diagnosi arco multiplo (1,1) (1,N) di! Se Data+Paziente risultava invece essere un identificatore di Ricovero (individuato ad esempio in fase di ricognizione), lo schema di fatto risultava a granularità transazionale! CATEGORIA categoria 28
15 Arco Multiplo sulle dimensioni! In base alle definizioni di fatto e dimensioni, un arco multiplo sulle dimensioni non è ammesso: fissando una ennupla di valori per le dimensioni non si individua più in modo univoco un evento primario. # Nell esempio una ennupla del Pattern Primario {diagnosi, reparto,data,codpaziente} non determina un evento primario ma una sua frazione, ovvero il contributo dato al ricovero di una singola diagnosi! Si trasforma lo schema di fatto nel seguente schema equivalente, introducendo una dimensione fittizia gruppo di diagnosi che ha per dominio tutte le combinazioni di diagnosi abbinate ai ricoveri effettuati: reparto nome categoria data diagnosi gruppo di diagnosi RICOVER O costo cognome sesso codpaz fascia d'utenza città anno nascita 29 Arco Multiplo sulle dimensioni! Con la dimensione fittizia gruppo di diagnosi l arco multiplo viene spostato dalla dimensione ad un suo figlio (la dimensione fittizia) e quindi si ricade nell arco multiplo visto in precedenza; per considerare delle misure pesate, per tale arco multiplo occorre specificare un peso : 30
16 Progettazione Logica - bridge table! La figura schematizza la soluzione con bridge-table: 31 Progettazione Logica push down! La figura schematizza la soluzione con push-down:! Il costo riportato nella fact table è il costo pesato e quindi rappresenta il costo per diagnosi.! Da questa osservazione deriva che un altro schema di fatto equivalente a quello iniziale è quello in cui viene effettuato il push down di diagnosi: diagnosi viene considerata come una normale dimensione e ciascun evento primario corrisponde non più a un intero ricovero ma alla porzione di ricovero imputabile alla singola diagnosi 32
17 Arco Multiplo sulle dimensioni: push-down! Schema di fatto equivalente ottenuto tramite push-down di diagnosi! Questo schema di fatto è quello che si sarebbe ottenuto considerando, nel progetto concettuale, come fatto l associazione molti-a-molti DI tra diagnosi e ricovero:! In questo modo l albero degli attributi e lo schema di fatto non conterranno più alcun arco multiplo! La sostanza del problema, ovvero dire quale sia all interno di un ricovero il costo imputabile a ciascuna diagnosi, però resta; infatti nello schema E/R del DB operazionale tale costo non è indicato e quindi deve essere calcolato. 33
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano. Archi multipli
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Archi multipli Capitoli 5.2.5 e 9.1.4 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo Golfarelli,
DettagliUn arco multiplo corrisponde ad un associazione molti-a-molti: il padre (libro) non determina funzionalmente il figlio (autore)
Arco Multiplo Schema di fatto contenente un arco multiplo: genere autore libro VENDITA numero incasso data mese anno arco multiplo (AM) Per illustrare il concetto di arco multiplo si parte da uno schema
Dettagli! Un arco multiplo corrisponde ad un associazione molti-a-molti: il padre (libro) non determina funzionalmente il figlio (autore)
Arco Multiplo! Schema di fatto contenente un arco multiplo: genere autore libro VENDITA numero incasso data mese anno arco multiplo (AM) " Per illustrare il concetto di arco multiplo si parte da uno schema
DettagliESEMPIO A: Arco multiplo su LIBRO- AUTORE
ESEMPIO A: Arco multiplo su LIBRO- AUTORE Consideriamo un DBO con il seguente schema E/R ed il corrispondente schema relazionale: AUTORE(AUTORE,CITTA) LIBRO(LIBRO,GENERE) PESO(AUTORE:AUTORE, LIBRO:LIBRO,PESO)
DettagliOPERAZIONI BANKOMAT Esempio 7 e 11 Maggio 2012
OPERAZIONI BANKOMAT Esempio 7 e 11 Maggio 2012 Rispetto allo schema con Arco Multiplo considerato nel precedente esercizio http://www.dbgroup.unimo.it/sia/esempio2maggio2012soluzione.pdf Si aggiunge la
DettagliSistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano SQL-OLAP. Estensioni OLAP in SQL
Sistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano SQL-OLAP Estensioni OLAP in SQL Estensioni OLAP in SQL SQL99 è stato il primo standard SQL ad offrire soluzioni per l analisi
DettagliDefinizione e calcolo delle misure
Definizione e calcolo delle misure! Misure Derivate! Misure Calcolate! Misure Derivate e Progetto Logico! Calcolo delle Misure! Aggregabilità Misure Derivate " Sono misure definite a partire da altre misure
DettagliIl Dimensional Fact Model
Il Dimensional Fact Model Per le slides si ringrazia il Prof. Stefano Rizzi (http://www-db.deis.unibo.it/~srizzi/) e il Dott. Angelo Sironi Quale formalismo? Mentre è universalmente riconosciuto che un
DettagliEstensioni del linguaggio SQL per interrogazioni OLAP
Sistemi Informativi Avanzati Anno Accademico 2012/2013 Prof. Domenico Beneventano Estensioni del linguaggio SQL per interrogazioni OLAP Esempio! Esempio delle vendite con scontrino (nella tabella, per
DettagliSistemi Informativi Avanzati
Anno Accademico 2012/2013 Sistemi Informativi Avanzati Corso di Laurea Magistrale in Ingegneria Gestionale Domenico Beneventano Andrea Scavolini Introduzione 1 Obiettivi Il corso si propone di fornire
DettagliESAME CFU (C) VOTO (AVG) SOST REG
Schema di Fatto CITTA ESERCIZIO DEL 20 MAGGIO 2011 STATO STUDENTE DOCENTE CORSO FACOLTA ESAME CFU (C) VOTO (AVG) SOST REG Schema Logico del DM con Push- Down Backup DM e DB OLAP sono disponibili in : http://www.dbgroup.unimo.it/sia/20110520
DettagliEsercizio con attributo cross-dimensionale - transazionale
Esercizio con attributo cross-dimensionale - transazionale TIPO (,CITTA) DI QTY CITTA (,ANNO) SCONTRINO(NSC, :) (,TIPO) VENDITA IN VENDITA(NSC:SCONTRINO,:, :,QTY,PU) IN PU NSC ANNO SCONTRINO DEL Viene
DettagliSistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano SCENARI TEMPORALI
Sistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano SCENARI TEMPORALI Dalle dispense originali realizzate dal Prof. Stefano Rizzi (http://www-db.deis.unibo.it/~srizzi/) e
DettagliModellazione concettuale
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Modellazione concettuale Dal Capitolo 5 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo
DettagliESEMPIO DI PROVA PRATICA
ESEMPIO DI PROVA PRATICA Sono dati Schema di Fatto VENDITA QTY: misura normale ADDITIVA PU: misura calcolata come PU_TOTALE/NVENDITE dove a) PU_TOTALE misura normale additiva b) NVENDITE misura normale
DettagliDatabase Lezione 2. Sommario. - Progettazione di un database - Join - Valore NULL - Operatori aggregati
Sommario - Progettazione di un database - Join - Valore NULL - Operatori aggregati Progettazione di un database - In un database c'è una marcata distinzione tra i valori in esso contenuti e le operazioni
DettagliSchema Del DB Operazionale TELEFONATE
Schema Del DB Operazionale TELEFONATE Costruire lo Schema di Fatto per analizzare le chiamate considerando come dimensioni TelefonoDA e TelefonoA, Data e Fascia, intesa come FasciaOraria della chiamata
DettagliData warehouse Analisi dei dati
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of Database and data mining group, D MG B Data warehouse Analisi dei dati DATA WAREHOUSE: OLAP - 1 Database
DettagliSistemi Informativi Avanzati
Anno Accademico 2015/2016 Sistemi Informativi Avanzati Corso di Laurea Magistrale in Ingegneria Gestionale Domenico Beneventano Roberto Piuca Introduzione 1 Obiettivi Il corso si propone di fornire all'allievo
DettagliEsempio di progettazione di un DW
Esempio di progettazione di un DW! La sorgente dati è costituita da un unico DataBase SQL-Server con informazioni sui Manifesti degli Studi e gli orari delle lezioni. Viene considerato il progetto di un
DettagliData warehouse: analisi dei dati
atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and
DettagliData warehouse Analisi dei dati
atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of B MG ata warehouse: analisi dei dati atabase and data mining group, M B G ata warehouse Analisi dei dati
DettagliIndice. Prefazione. Capitolo 1 Introduzione al data warehousing 1
Indice Prefazione XI Capitolo 1 Introduzione al data warehousing 1 1.1 I sistemi di supporto alle decisioni 2 1.2 Il data warehousing 3 1.3 Architetture per il data warehousing 6 1.3.1 Architettura a un
DettagliProgettazione concettuale
Sistemi Informativi Avanzati Anno Accademico 2012/2013 Prof. Domenico Beneventano Progettazione concettuale Dal Capitolo 6 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo
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
DettagliBasi di dati I 27 gennaio 2016 Esame Compito A Tempo a disposizione: un ora e quarantacinque minuti. Libri chiusi.
Basi di dati I 27 gennaio 2016 Esame Compito A Tempo a disposizione: un ora e quarantacinque minuti. Libri chiusi. Cognome: Nome: Matricola: Domanda 1 (20%) Lo schema concettuale seguente rappresenta un
DettagliDatawarehouse. Proge.azione logica
Datawarehouse Proge.azione logica 1) Modello a stella implementato 3 Semplici join permettono di ricostruire i fatti. Le tabelle dimensione sono generalmente denormalizzate: contengono le dipendenze funzionali
DettagliData warehouse Introduzione
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of Database and data mining group, D MG B Data warehouse Introduzione INTRODUZIONE - 1 Database and data
DettagliBasi di dati I 11 luglio 2019 Tempo a disposizione: un ora e 45 minuti. Cognome: Nome: Matricola:
Tempo a disposizione: un ora e 45 minuti. Cognome: Nome: Matricola: Domanda 1 (20%) Definire uno schema Entity-Relationship che descriva i dati di interesse per un insieme di orchestre, secondo le seguenti
DettagliEsempio di progettazione di un DW
Esempio di progettazione di un DW La sorgente dati è costituita da un unico DataBase SQL-Server con informazioni sui Manifesti degli Studi e gli orari delle lezioni. Viene considerato il progetto di un
DettagliProgettazione concettuale:
Progettazione Concettuale da schemi E/R Dott. Marco Comerio Progettazione concettuale: approcci Basata sui requisiti Il progettista deve essere in grado enucleare, dalle interviste condotte presso l utente,
DettagliData Warehousing. Esercitazione 2
Esercitazione 2 Reminder In laboratorio è presente un installazione Enterprise di DB2. Per accedere richiedere un account come specificato sul sito del corso 1 Riepilogo Esercitazione 1: Descrizione dello
DettagliBasi di dati I 28 gennaio 2014 Compito A Tempo a disposizione: un ora e quarantacinque minuti.
Basi di dati I 28 gennaio 2014 Compito A Tempo a disposizione: un ora e quarantacinque minuti. Cognome: : Matricola: Domanda 1 (10%) Considerare i due schemi seguenti a) Professore Afferenza Dipartimento
DettagliSCHEMA RELAZIONALE 1
SCHEMA RELAZIONALE 1 DIAGRAMMA RELAZIONALE 2 Analisi e riconciliazione della sorgente operazionale I concetti principali sono EMPLOYEES, DEPARTMENTS, JOBS e JOB_HISTORY; inoltre cʼè una componente geografica
DettagliData warehouse Introduzione
D M B G Data warehouse Introduzione INTRODUZIONE - 1 Supporto alle decisioni aziendali La maggior parte delle aziende dispone di enormi basi di dati contenenti dati di tipo operativo queste basi di dati
DettagliSistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano
Sistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano ESERCITAZIONI DEL 20 e 27 APRILE 2012 Sommario 1.1 VENDITA Dimensioni = { PROD, DATA,CASSA,COM }... 2 1.2 Esercizio A (20
DettagliProgettazione concettuale di una base di dati
Progettazione concettuale di una base di dati Progettazione concettuale Analisi dei requisiti I requisiti devono innanzitutto essere acquisiti Le fonti possono essere molto diversificate tra loro: utenti,
DettagliBasi di dati I 8 luglio 2016 Esame Compito A Tempo a disposizione: un ora e trenta minuti.
Basi di dati I 8 luglio 2016 Esame Compito A Tempo a disposizione: un ora e trenta minuti. Cognome: Nome: Matricola: Domanda 1 (20%) Considerare la base di dati relazionale contenente le seguenti relazioni:
DettagliData warehouse Progettazione
D MG B Data warehouse Progettazione DATA WAREHOUSE: PROGETTAZIONE - 1 Fattori di rischio Aspettative elevate degli utenti il data warehouse come soluzione dei problemi aziendali Qualità dei dati e dei
DettagliESEMPIO: RITARDI & BIGLIETTI
ESEMPIO: RITARDI & BIGLIETTI! Fatto Ritardi: l analisi a livello volo giornaliero, considerando l aeroporto di partenza, la città e lo stato di arrivo e la compagnia! Fatto Biglietti: l analisi deve considerare
DettagliEsercitazione Simulazione Compito
Esercitazione Simulazione Compito 04/12/2015 Compito del 26/05/2014 1.1 Il comando DELETE FROM Utenti WHERE alias = gino dove alias è una primary key: (a)elimina zero o una riga (b) elimina un numero imprecisato
DettagliBasi di dati I 10 luglio 2017 Tempo a disposizione: un ora e 30 minuti.
Tempo a disposizione: un ora e 30 minuti. Cognome: Nome: Matricola: Domanda 1 (20%) Considerare le seguenti quattro relazioni su uno stesso schema: (A) 2 4000 1000 3000 true 3 3000 1000 2200 true (C) 2
DettagliData warehouse: introduzione
atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and
DettagliBasi di dati attive. Una base di dati è ATTIVA quando consente la definizione e la gestione di regole di produzione (regole attive o trigger).
Basi di dati attive Una base di dati è ATTIVA quando consente la definizione e la gestione di regole di produzione (regole attive o trigger). Tali regole vengono attivate in modo automatico al verificarsi
DettagliBasi di dati II, primo modulo Tecnologia delle basi di dati 24 settembre 2010 Compito A
Basi di dati II, primo modulo Tecnologia delle basi di dati 24 settembre 2010 Compito A Rispondere alle prime tre domande su questo foglio e alla quarta sul foglio separato. Tempo a disposizione: un ora
DettagliMicrosoft Access. Nozioni di base. Contatti: Dott.ssa Silvia Bonfanti
Microsoft Access Nozioni di base Contatti: Dott.ssa Silvia Bonfanti silvia.bonfanti@unibg.it Introduzione In questa lezione vedremo lo strumento Microsoft Access ed impareremo come realizzare con esso
DettagliModellazione concettuale
Sistemi Informativi Avanzati Anno Accademico 2015/2016 Prof. Domenico Beneventano Modellazione concettuale Dal Capitolo 5 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo
DettagliProgettazione concettuale
Sistemi Informativi Avanzati Anno Accademico 2015/2016 Prof. Domenico Beneventano Progettazione concettuale Dal Capitolo 6 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo
DettagliAnalysis Service. Dutto Riccardo IPSI - tel Dutto Riccardo - SQL Server 2008.
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo riccardo.dutto@polito.it IPSI - tel.7991 http://dbdmg.polito.it/ Il Data warehouse Sorgenti dati operazionali DB relazionali
DettagliLE RELAZIONI IN SQL. SELECT ordini.id_ordine, clienti.cognome, clienti.nome, ordini.articolo, ordini.quantità
LE RELAZIONI IN SQL INNER JOIN La inner join si effettua andando a cercare righe corrispondenti nelle due tabelle, basandosi sul valore di determinate colonne. In Access è il caso del campo di tipo Ricerca
DettagliSistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano. OLAP - Analysis Services
Sistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano OLAP - Analysis Services OLAP: cubi multidimensionali OLAP : insieme di tecniche software per l'analisi interattiva e veloce
DettagliData warehouse Progettazione
Database and data mining group, Data warehouse Progettazione DATA WAREHOUSE: PROGETTAZIONE - 1 Pag. 1 Fattori di rischio Database and data mining group, Aspettative elevate degli utenti il data warehouse
DettagliProgettazione logica
Progettazione logica Progettazione Logica Il prodotto della progettazione logica è uno schema logico che rappresenta le informazioni contenute nello schema E- R in modo corretto ed efficiente. Richiede
DettagliSISTEMI INFORMATIVI E DATABASE
SISTEMI INFORMATIVI E DATABASE SISTEMA INFORMATIVO AZIENDALE (S.I.) In una realtà aziendale si distingue: DATO elemento di conoscenza privo di qualsiasi elaborazione; insieme di simboli e caratteri. (274,
DettagliVersione draft: l esempio verrà completato la prossima settimana
ESERCIZIO DEL 24 OTTOBRE 2013 Versione draft: l esempio verrà completato la prossima settimana SCHEMA RELAZIONALE E lo schema parziale del DB AdventureWorks 2008 Le interrogazioni fatte in classe per l
DettagliArchitetture per l analisi dei dati
Architetture per l analisi dei dati Esercizio 8.1 Progettare un cubo multidimensionale relativo all analisi dei sinistri per una compagnia assicurativa, basandosi sulle specifiche accennate nel paragrafo
DettagliOperatori aggregati. Operatori aggregati. Interrogazioni con raggruppamento. Interrogazioni con raggruppamento
Operatori aggregati In algebra relazionale le espressioni vengono valutate sulle singole tuple in successione. Talvolta però possono essere necessarie informazioni derivabili dall esame di tutte le tuple
DettagliIl modello multidimensionale. Per le slides si ringrazia il Prof. Stefano Rizzi (http://www-db.deis.unibo.it/~srizzi/) e il Dott.
Il modello multidimensionale Per le slides si ringrazia il Prof. Stefano Rizzi (http://www-db.deis.unibo.it/~srizzi/) e il Dott. Angelo Sironi Verso il modello multidimensionale Che incassi sono stati
DettagliCorso di. Basi di Dati I. 9. Esercitazioni in SQL: Check, asserzioni, viste
Corso di Basi di Dati 9. Esercitazioni in SQL: Check, asserzioni, viste A.A. 2016 2017 Check Come abbiamo visto, SQL permette di specificare vincoli sugli attributi e le tabelle attraverso il comando check
DettagliDATABASE CLIENTIRAPPRESENTANTI
DATABASE CLIENTIRAPPRESENTANTI Esempio tratto dal libro di testo. TESTO L azienda INCOM Srl vuole organizzare un DB per gestire informazioni relative a fatture emesse ai propri clienti italiani, riportando
DettagliInterrogazioni di tipo insiemistico. Select. Interrogazioni di tipo insiemistico. Interrogazioni nidificate
Select La sintassi di select cui siamo arrivati dopo le estensioni viste è quindi: SelectSQL ::= select ListaAttributiOEspressioni from ListaTabelle [ where CondizioniSemplici ] [ group by ListaAttributiDiRaggruppamento]
DettagliMisure. Definizione delle misure. Sistemi Informativi Avanzati Anno Accademico 2015/2016 Prof. Domenico Beneventano. Glossario delle Misure
Sistemi Informativi Avanzati Anno Accademico 2015/2016 Prof. Domenico Beneventano Misure In parte dal Capitolo 5 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo Golfarelli,
DettagliBasi di dati (nuovo ordinamento) 30 giugno 2005 Compito A Possibili soluzioni
Basi di dati (nuovo ordinamento) 30 giugno 2005 Compito A Possibili soluzioni Nota: sono mostrate prevalentemente soluzioni per il compito A, in quanto le altre sono simili. Domanda 1 (10%) Indicare quali
DettagliI DATI E LA LORO INTEGRAZIONE 63 4/001.0
I DATI E LA LORO INTEGRAZIONE 63 4/001.0 L INTEGRAZIONE DEI DATI INTEGRAZIONE DEI DATI SIGNIFICA LA CONDIVISIONE DEGLI ARCHIVI DA PARTE DI PIÙ AREE FUNZIONALI, PROCESSI E PROCEDURE AUTOMATIZZATE NELL AMBITO
DettagliControllo degli accessi. Controllo degli accessi. Controllo degli accessi. Controllo degli accessi
SQL prevede la definizione di utenti, a ciascuno dei quali sono assegnati privilegi diversi. Gli utenti possono essere gli stessi del sistema su cui è attivo il server SQL, oppure indipendenti dal sistema.
DettagliControllo degli accessi
Controllo degli accessi SQL prevede la definizione di utenti, a ciascuno dei quali sono assegnati privilegi diversi. Gli utenti possono essere gli stessi del sistema su cui è attivo il server SQL, oppure
DettagliINTRODUZIONE AL 2 TEST IN ITINERE. a.a
INTRODUZIONE AL 2 TEST IN ITINERE a.a. 2014-15 Modalità d esame Tipologia degli studenti: A(ll). Non Sufficienti al Primo Test in Itinere (su tutto il programma sino ad SQL base). Si presentano su tutto
DettagliProgettazione concettuale
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Progettazione concettuale Dal Capitolo 6 del libro Data Warehouse - teoria e pratica della Progettazione Autori: Matteo
DettagliData warehouse: progettazione
atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and
DettagliBASE DI DATI. Esercizio: Campionato corse Progettazione concettuale Progettazione logica. Informatica Umanistica Università di Pisa
BASE DI DAI Esercizio: Campionato corse Progettazione concettuale Progettazione logica Informatica Umanistica Università di Pisa Esercizio: campionato corse Si vuole costruire una base di dati che contenga
DettagliIntroduzione. Ricorsione in SQL-99. Esempio. Idea di base. Esempio (continua) SQL-99 - comando WITH
icorsione in SQL99 Introduzione In SQL2 non è possibile definire interrogazioni che facciano uso della ricorsione Voli(lineaAerea, da, a, parte, arriva) non è possibile esprimere l interrogazione che ritrova
DettagliRicorsione in SQL-99
Ricorsione in SQL-99 Introduzione In SQL2 non è possibile definire interrogazioni che facciano uso della ricorsione Esempio Voli(lineaAerea, da, a, parte, arriva) non è possibile esprimere l interrogazione
DettagliInterrogare una base di dati: algebra relazionale e SQL. Savino Castagnozzi Giorgio Macauda Michele Meomartino Salvatore Picerno Massimiliano Sartor
Interrogare una base di dati: algebra relazionale e SQL Savino Castagnozzi Giorgio Macauda Michele Meomartino Salvatore Picerno Massimiliano Sartor Contesto didattico Il seguente materiale didattico è
DettagliLE BASI DI DATI. Seconda parte La progettazione di database Relazionali SCHEMA LOGICO e SCHEMA FISICO Costruzione delle tabelle
LE BASI DI DATI Seconda parte La progettazione di database Relazionali SCHEMA LOGICO e SCHEMA FISICO Costruzione delle tabelle LA PROGETTAZIONE LOGICA Lo scopo della fase di progettazione logica è quello
DettagliModelli di Base Dati
Modelli di Base Dati E Correzione degli esercizi con il contributo di: Cherubini Simonetto a.a. 2001/2002 E.1 Modulo 1: I Database E.2 Modelli di Base Dati 1 I Database Individuare le entità, gli attributi,
DettagliBasi di dati I 10 settembre 2019 Tempo a disposizione: un ora e 30 minuti. Possibili soluzioni. Cognome: Nome: Matricola:
Tempo a disposizione: un ora e 30 minuti. Possibili soluzioni Cognome: Nome: Matricola: Domanda 1 (20%) Considerare la seguente base di dati, che fa riferimento alle pratiche gestite da una assicurazione
DettagliTabelle esempio: Impiegato/Dipartimento
Informatica Generale (AA 07/08) Corso di laurea in Scienze della Comunicazione Facoltà di Lettere e Filosofia Università degli Studi di Salerno : SQL (3) Insiemistiche e Nidificate Prof. Alberto Postiglione
DettagliVersione 1.0. (DB Visite Specialistiche)
Appunti di Informatica SQL for COOL PEOPLE Versione 1.0 Lezione 04 (DB Visite Specialistiche) prof. Michele Salvemini 2015/2016 Sommario Impostazione della lezione... 4 pre-requisiti:... 4 Argomenti Trattati...
Dettagli<Nome Tabella>.<attributo>
Informatica Generale (AA 07/08) Corso di laurea in Scienze della Comunicazione Facoltà di Lettere e Filosofia Università degli Studi di Salerno : SQL (2) Tabelle mult., variabili, aggreg, group Prof. Alberto
DettagliMisure (parte II) Gerarchie Incomplete
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Misure (parte II) Gerarchie Incomplete Esempio Schema di Fatto STUDENTE(STUDENTE,,REGIONE,), DF:! REGIONE (,,) REGIONE!
DettagliQueries su più tabelle
Informatica Generale (AA 07/08) Corso di laurea in Scienze della Comunicazione Facoltà di Lettere e Filosofia Università degli Studi di Salerno : SQL (2) Tabelle mult., variabili, aggreg, group Prof. Alberto
DettagliSistemi Informativi Avanzati
Anno Accademico 2010/2011 Sistemi Informativi Avanzati Corso di Laurea Magistrale in Ingegneria Gestionale Prof. Domenico Beneventano beneventano.domenico@unimore.it Introduzione 1 Obiettivi Il corso si
DettagliEsercizi di Informatica Documentale
Esercizi di Informatica Documentale A.A. 2013/2014 Parte Prima Nota: Laddove si richiede una risposta aperta, rispondere al massimo in tre righe. 1. Che cos è una Base di Dati? 2. Dare la definizione di
DettagliQL (Query Language) Alice Pavarani
QL (Query Language) Alice Pavarani QL Query Language Linguaggio di interrogazione dei dati, permette di: Interrogare la base di dati per estrarre informazioni Elaborare i dati Il risultato di un interrogazione
DettagliEsercitazione 7 Correzione della prova di autovalutazione
Esercitazione 7 Correzione della prova di autovalutazione Basi di dati - prof. Silvio Salza - a.a. 2017-2018 E7-1 Specifiche dello schema ER Si vuole progettare una base di dati che rappresenta l'organizzazione
DettagliGeneralizzazione. Docente : Alfredo Cuzzocrea Tel. : Informatica
Università Magna Graecia di Catanzaro Informatica Generalizzazione Docente : Alfredo Cuzzocrea e-mail : cuzzocrea@si.deis.unical.it Tel. : 0984 831730 Atzeni, Ceri, Paraboschi, Torlone Basi di dati McGraw-Hill,
DettagliSQL Server BI Development Studio. SQL Server Business Intelligence Development Studio. Analysis Services
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo Analysis Services Operazioni OLAP Creazione di dimensioni Creazione e interrogazione di cubi Operazioni di Data Mining
DettagliData warehouse Progettazione
DataBase and Data Mining Group of Database and data mining group, D M B G Data warehouse Progettazione DATA WAREHOUSE: PROGETTAZIONE - 1 DataBase and Data Mining Group of Fattori di rischio Database and
DettagliModellazione concettuale
Sistemi Informativi Avanzati Anno Accademico 2011/2012 Prof. Domenico Beneventano Modellazione concettuale Versione estesa rispetto alle dispense originali realizzate dal Prof. Stefano Rizzi e state tratte
DettagliAtzeni, Ceri, Paraboschi, Torlone Basi di dati McGraw-Hill, La normalizzazione
Atzeni, Ceri, Paraboschi, Torlone Basi di dati McGraw-Hill, 1996-2002 : La normalizzazione Forme normali Basi di dati - Modelli e linguaggi di interrogazione- Paolo Atzeni, Stefano Ceri, Stefano Paraboschi,
DettagliBasi di dati II Prova parziale 11 aprile 2016 Compito A Tempo a disposizione: un ora e trenta minuti. Cognome Nome Matricola
Basi di dati II Prova parziale 11 aprile 2016 Compito A Tempo a disposizione: un ora e trenta minuti. Cognome Nome Matricola Con riferimento al progetto Carriere studenti, si considerino gli aspetti che
DettagliBasi di Dati Corso di Laura in Informatica Umanistica
Basi di Dati Corso di Laura in Informatica Umanistica Appello del 09/06/2010 Parte 1: Algebra Relazionale e linguaggio SQL Docente: Giuseppe Amato Sia dato il seguente schema di base di dati per la gestione
DettagliCorso di Informatica
Corso di Informatica Modulo T2 C1 Modello logico 1 Prerequisiti Concetto matematico di relazione Conoscenza diagrammi E-R 2 1 Introduzione Una volta che la progettazione concettuale è stata affrontata,
DettagliESEMPIO DI COPERTURA DI ARCHI OPZIONALI
ESEMPIO DI COPERTURA DI ARCHI OPZIONALI Di seguito è riportato un esempio per illustrare la Copertura di un arco opzionale (PAG. 22 dei lucidi MODELLAZIONE CONCETTUALE). A tale scopo si considera un DBO
DettagliSQL Server Business Intelligence Development Studio. SQL Server BI Development Studio. SQL Server BI Development Studio *Analysis Services*
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo http://dbdmg.polito.it/ SQL Server BI Development Studio Analysis Services Operazioni OLAP Creazione di dimensioni Creazione
DettagliModello Entità-Relazione (E-R)
Università Magna Graecia di Catanzaro Informatica Modello Entità-Relazione (E-R) Docente : Alfredo Cuzzocrea e-mail : cuzzocrea@si.deis.unical.it Tel. : 0984 831730 Lucidi tratti da: Atzeni, Ceri, Paraboschi,
DettagliSQL Server Business Intelligence Development Studio
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo http://dbdmg.polito.it/ SQL Server BI Development Studio Analysis Services Operazioni OLAP Creazione di dimensioni Creazione
DettagliForme normali. Atzeni, Ceri, Paraboschi, Torlone Basi di dati McGraw-Hill. La normalizzazione. Normalizzazione. Una relazione con anomalie.
Forme normali Atzeni, Ceri, Paraboschi, Torlone Basi di dati McGraw-Hill Hill,, 1996-2002 Capitolo 9: La normalizzazione 23/10/2002 Una forma normale è una proprietà di una base di dati relazionale che
Dettagli