Data warehousing e OLAP

Transcript

1 Data warehousing e OLAP Introduzione Il contesto, processi aziendali Decision Support Systems Sistemi di Data Warehousing Data mart Architettura Modellazione Concettuale Star Schema, Dimensioni, Livelli OLAP Progettazione di un Data Warehouse Analisi, Integrazione, Progettazione 1

2 Il Contesto Verso la fine degli anni 90 si è capita l importanza strategica, per il business, dell uso dei dati aziendali raccolti dai processi operazionali (Business Intelligence) Il ritorno di investimento dato dall automatizzazione dei processi aziendali non dava il risultato sperato. Occorreva sfruttare meglio i dati aziendali globali accumulati 2

3 Il problema In genere: DB1 DB2 abbondanza di dati DB4 DB3 ma anche abbondanza di ridondanza ed inconsistenza che non permette di utilizzare i dati in modo utile a fini decisionali 3

4 Tipiche richieste Qual è il volume delle vendite per regione e categorie di prodotto durante l ultimo anno? Come si correlano i prezzi delle azioni delle società produttrici di hardware con i profitti trimestrali degli ultimi 10 anni? Quali sono stati i volumi di vendita dello scorso anno per regione e categoria di prodotto? In che modo i dividendi di aziende di hardware sono correlati ai profitti trimestrali negli ultimi 10 anni? 4

5 Possibili applicazioni contesti gestione dei rischi analisi finanziaria programmi di marketing analisi statistica integrazione DB clienti integrazione relazioni clienti analisi temporale telecomunicazioni banking università assicurazioni beni di consumo salute produzione problematiche 5

6 In sintesi... sistemi di supporto alle decisioni (DSS) dati conoscenza utile all azienda DSS: Tecnologia che supporta la dirigenza aziendale nel prendere decisioni tatticostrategiche in modo migliore e più veloce 6

7 Processi Aziendali Processi informativi aziendali: Processi operativi Operano su dati dipartimentali e dettagliati Decisioni strutturate e basate su regole definite Processi gestionali Operano su dati settoriali e parzialmente aggregati Decisioni semistrutturate, basate su regole note ma con intervento umano creativo Processi direzionali Operano su dati integrati e aggregati Decisioni non strutturate, non cis ono regole, il tutto è basato su capacità umane 7

8 Processi Aziendali - Una Banca Processi Operativi: Gestione di un movimento su Conto Corrente bancario presso uno sportello Processi Gestionali Concessione di un fido Revisione delle condizioni su conto corrente Processi Direzionali Verifica dell andamento di servizi su carte di credito Lancio di una campagna promozionale Accordi commerciali 8

9 Processi Aziendali - Compagnia Telefonica Processi Operativi: Stipula dei contratti Instradamento delle telefonate Dati contabili telefonate(scatti, durata, tariffa ) Processi Gestionali Stipula di contratti speciali Installazione infrastrutture Processi Direzionali Scelta dei parametri che fissano il costo delle telefonate Definizione di contratti diversificati Pianificazione potenziamento infrastrutture 9

10 Informatizzazione dei sistemi informativi aziendali Un sistema aziendale può essere tanto più informatizzato quanto più le sue decisioni sono strutturate. Un processo altamente strutturato può essere facilmente informatizzato, mentro un processo non strutturato può essere solo parzialmente supportato da inziative di informatizzazione 10

11 Sistemi Informativi Tipologie di sistemi informativi: Transaction Processing System: dipartimentali, per sistemi strutturati Management Information System: settoriali, anche per processi gestionali Decision Support System: fortemente integrati, di supporto alle decisioni 11

12 Perché i sistemi tradizionali non sono sufficienti? Non gestiscono dati storici Sono sistemi eterogenei Basse prestazioni DBMS non adeguati al supporto decisionale Problemi di sicurezza 12

13 Più formalmente Sistemi tradizionali On-Line Transaction Processing (OLTP) Sistemi di data warehousing On-Line Analytical Processing (OLAP) Profondamente diversi 13

14 Sistemi di Supporto alle Decisioni I DSS sono i sistemi che supportano la dirigenza nel predere decisoni tattico-strategiche, nel modo migliore e velocemente. Tipiche operazioni: 3. Quali sono stati i volumi di vendita dello scorso anno per una certa categoria di prodotto? 4. Quali ordini dovremmo soddisfare per massimizzare le entrate? Ci si basa sui dati accumulati da OLTP. 14

15 In dettaglio... OLTP OLAP funzione gestione giornaliera supporto alle decisioni progettazione orientata alle orientata al soggetto applicazioni frequenza giornaliera sporadica dati recenti, dettagliati storici, riassuntivi, multidimensionali sorgente singola DB DB multiple uso ripetitivo ad hoc accesso read/write read flessibilità accesso uso di programmi generatori di query precompilati # record acceduti decine migliaia tipo utenti operatori manager # utenti migliaia centinaia tipo DB singola multiple, eterogenee performance alta bassa dimensione DB 100 MB - GB 100 GB - TB 15

16 Sistemi di Supporto alle Decisioni In generale i DSS si usano per: Customer Retention Identificare pattern che portano il cliente alla defezione Customer Service Servizi di recommendation del prodotto Marketing Targeting delle promozioni Risk Assessment, Fraud Detection Trovare pattern sospetti 16

17 Evoluzione dei DSS Anni 60: rapporti batch difficile trovare ed analizzare i dati costo, ogni richiesta richiede un nuovo programma Anni 70: DSS basato su terminale non integrato con strumenti di automazione d ufficio Anni 80: strumento d automazione d ufficio strumenti di interrogazione, fogli elettronici, interfacce grafiche accesso ai dati operazionali Anni 90: data warehousing, con strumenti integrati OLAP 17

18 I sistemi di data warehousing Il Data Warehousing si può definire come il processo di integrazione di basi di dati indipendenti in un singolo repository (il data warehouse) dal quale gli utenti finali possano facilmente ed efficientemente eseguire query, generare report ed effettuare analisi 18

19 Data Marts Data warehouse dipartimentale sistema specializzato che mette insieme i dati necessari ad un dipartimento implementato creando views specifiche alle applicazioni sottoinsiemi materializzati di views dipartimentali che focalizzano su soggetti determinati. Possono utilizzare differenti metafore di rappresentazione 19

20 Il data warehouse Collezione di dati che soddisfa le seguenti proprietà: usata per il supporto alle decisioni orientata ai soggetti integrata: livello aziendale e non dipartimentale correlata alla variabile tempo: ampio orizzonte temporale con dati tipicamente aggregati, per effettuare stime fuori linea: dati aggiornati periodicamente 20

21 Il data warehouse Orientata ai soggetti: considera i dati di interesse ai soggetti dell organizzazione e non quelli rilevanti ai processi organizzativi basi di dati operazionali dipartimentali: vendita, produzione, marketing data warehouse: prodotti, clienti, fornitori 21

22 Il data warehouse Integrata: i dati provengono da tutte le sorgenti informative il data warehouse rappresenta i dati in modo univoco, riconciliando le eterogeneita` delle diverse rappresentazioni: nomi struttura codifica rappresentazione multipla 22

23 Il data warehouse Correlata alla variabile tempo: presenza di dati storici per eseguire confronti, previsioni e per individuare tendenze basi di dati operazionali: finestra temporale di pochi mesi data warehouse: finestra temporale dell ordine di anni 23

24 Il data warehouse Dati aggregati: nell attività di analisi dei dati per il supporto alle decisioni: non interessa chi ma quanti non interessa un dato ma la somma, la media, il minimo, il massimo di un insieme di dati 24

25 Il data warehouse Fuori linea: base di dati operazionale: i dati vengono acceduti, inseriti, modificati, cancellati pochi record alla volta data warehouse: operazioni di accesso e interrogazione diurne operazioni di caricamento e aggiornamento notturne che riguardano milioni di record 25

26 Architettura OLAP Server other source s Operational DBs Extract Transform Load Refresh Data Warehouse Serve Analysis Query Reports Data mining Tools Data Marts 26

27 Popolare un data warehouse Estrazione dei dati dalle sorgenti informative Trasformazione e pulizia dei dati, trasformazione di formato e correlazione con oggetti provenienti da altre sorgenti Caricamento aggiunta di informazioni temporali e generazione di dati aggregati Refresh - modalità incrementale 27

28 System Design Capacita` di pianificazione nel definire l architettura Integrazione di servers e clients Disegno degli schemi e delle viste del data warehouse Disegno dell organizzazione fisica del warehouse: metodi di accesso, di caricamento, di partizionamento Metodi di connessione Disegno e implementazione degli script per l estrazione, il caricamento e il refresh dei dati Definizione dei metadati e popolamento della repository Disegno e implementazione delle applicazioni-utente 28

29 Tecnologie coinvolte conceptual data modeling disegno dello schema del warehouse integrazione di dati da fonti eterogenee monitoraggio e integrazione estensione di tecniche relazionali distributed and parallel processing warehouse & OLAP server 29

30 Modellazione concettuale di un data warehouse Dimensioni e misure Star schema: Un singolo oggetto (fact table) in mezzo connessa ad un numero di oggetti (dimension tables) Snowflake schema: Un raffinamento dello star schema in cui la gerarchia dimensionale è rappresentata esplicitamente (normalizzando le tabelle delle dimensioni) Fact constellations: fact tables multiple condividono dimension tables. 30

31 Star Schema Un fatto è un evento di interesse per l impresa (vendite, spedizioni, acquisti) Le misure sono attributi che descrivono quantitativamente il fatto da diversi punti di vista (num di unità vendute, prezzo unitario) Una dimensione determina la granularità minima di rappresentazione dei fatti (il prodotto,il negozio, la data) Una gerarchia determina come le istanze di un fatto possono essere aggregate e selezionate - descrive una dimensione 31

32 Dimensioni Devono essere scelte sono le entità rilevanti per l analisi Tipicamente sono caratterizzate da attributi testuali o discreti La dimensione temporale esiste sempre Esempio: vendite in una catena di supermercati Dimensioni: tempo, prodotti, magazzino Iscrizioni universitarie Dimensioni: tempo, facoltà, tipologia studenti 32

33 Dimensioni Come si identifica se un attributo numerico è un fatto o una dimensione? Se è una misura che varia continuamente nel tempo è un fatto analisi costo di un prodotto nel tempo Se è una discrizione discreta di qualcosa che e ragionevolmente costante è un attributo di una dimensione costo di un prodotto come informazione descrittiva 33

34 Dimensioni Tipicamente le dimensioni sono: Tempo Collocazione geografica Organizzazione Clienti Il numero di attributi per ogni dimensione è in genere molto elevato (centinaio) 34

35 Fatti I fatti sono tipicamente numerici addittivi Es. vendita in una catena di supermercati i fatti possono essere N. prodotti venduti Incassi Costi.. 35

36 Addittività dei fatti Se i dati si possono aggregare sommando rispetto ad ogni dimensione, sono detti addittivi (incassi totali) Se si possono aggregare sommando su alcune dimensioni, ma non si possono aggregare sommando su altre sono detti semiaddittivi (es. le misure statiche come bilanci finanziari sono semiaddittive rispetto al tempo) Se i fatti non si possono sommare sono detti non addittivi (es. costi unitari non si possono aggregare se prima non si moltiplicano per la unita vendute) 36

37 Gerarchie ed aggregati L idea delle gerarchie é di aggregare automaticamente i dati di interesse quando ci si focalizza su un livello Se ci concentriamo su Mese i fatti rappresentano i totali delle vendite per ogni mese Possiamo concentrarci su diversi livelli della gerarchia in dimensioni diverse le vendite mensili per regione di ogni prodotto Gerarchia Tipica: Comune, Provincia, Regione,Stato, Continente 37

38 Esempio di Star Schema Date Date Month Year Store StoreID City State Country Region Chiavi Esterne Measurements Sales Fact Table Date Product Store Customer unit_sales dollar_sales Yen_sales Product ProductNo ProdName ProdDesc Category QOH Cust CustId CustName CustCity CustCountry La Fact Table è normalizzata 38

39 Esempio di Snowflake Schema Year Year Month Month Year Date Date Month Sales Fact Table Date Product Product ProductNo ProdName ProdDesc Category QOH Country Country Region State State Country City City State Store StoreID City Measurements Store Customer unit_sales dollar_sales Yen_sales Cust CustId CustName CustCity CustCountry 39

40 Star Schema vs Snowflake Schema Uno schema snowflake fattorizza di più e quindi rende meno efficienti le operazioni di ricerca (+ operazioni join) In genere si usa solo quando aumenta la leggibilità dello schema e le prestazioni globali 40

41 OLAP: On-Line Analytical Processing Una visione multidimensionale, LOGICA, dei dati Analisi interattiva dei dati Modellazione analitica: derivazione delle proporzioni, delle varianze, etc Aggregazioni per ogni intersezione di ogni dimensione. Previsione, trend analysis, e statistical analysis. Calcola e visualizza i dati in 2D o 3D crosstabs, charts, e grafi, with semplici operazioni di pivoting degli assi 41

42 OLAP: Data Cubes Store Pisa Roma Firenze sum Product Milk Bread Orange... sum All Products January 96, Pisa. Jan 96 Feb Time sum Ogni dimensione contiene una gerarchia di valori una cella del cubo contiene valori aggregati (count, sum, max, etc.) 42

43 OLAP: esempi Il manager regionale esamina la vendita dei prodotti in tutti i periodi relativamente ai propri mercati Il manager finanziario esamina la vendita dei prodotti in tutti i mercati relativamente al periodo corrente e quello precedente magazzino tempo prodotto Il manager di prodotto esamina la vendita di un prodotto in tutti i periodo e in tutti i mercati Il manager strategico si concentra su una categoria di prodotti, un area regionale e un orizzonte temporale medio 43

44 Operazioni tipiche Roll up: riassumi i dati il volume totale di vendite per categoria di prodotto e per regione Roll down, drill down, drill through: passa da un livello di dettaglio basso ad un livello di dettaglio alto per un particolare prodotto, trova le vendite dettagliate per ogni venditore e per ogni data Slice and dice: select & project Vendite delle bevande nel West negli ultimi 6 mesi Pivot: riorganizza il cubo 44

45 Operazioni tipiche: Pivot All Pivot All AllAll All Store Pivot Product All Time Pivot Product Time Drill-Down Drill-Down Time Drill-Down 45

46 Operazioni tipiche: Roll-Up Region Product Roll-up Year Store Product Roll-up Year Drill-Down Store Product Month Drill-Down 46

47 Operazioni tipiche: Slice and Dice Store Product Slice Month Store Product Month 47

48 ROLAP & MOLAP ROLAP (Relational OLAP): utilizza le funzionalità di un engine relazionale Tecnologia consolidata molto efficienti su dati di dettaglio estesi in modo da permettere la materializzazione degli aggregati performance scalabilità general-purposes fornisce ulteriori servizi OLAP services tools di disegno per schemi DSS permette di utilizzare performance analysis tools SQL strumento principale Queries difficili da formulare e possono essere timeconsuming 48

49 ROLAP & MOLAP MOLAP (Multidimensional OLAP): Il modello di memorizzazione è un vettore multidimensionale Queries multidimensionali si mappano sul server in modo immediato Ma: Dati sparsi difficili da gestire Memoria sottoutilizzata no join no interfaccia SQL (API) necessità sistema relazionale per dati dettaglio file molto grandi limitazioni a circa 10GB (problemi scalabilità) 49

50 DBMS multidimensionali vendite prodotto mese magazzino 1 vino febbraio A 2 acqua febbraio B 3 coca cola aprile A 4 acqua maggio A 5 acqua settembre C... tempo magazzino A feb apr mag set prodotto B C vino acqua coca cola 50

51 ROLAP & MOLAP Performance Query: MOLAP Caricamento: ROLAP Analisi: MOLAP Dimensione DW: ROLAP MOLAP: problema sparsità Flessibilità nello schema: ROLAP MOLAP: minor numero di dimensioni ammesse 51

52 Metodologie di Progetto La progettazione di un data warehouse è diversa dalla progettazione di una base di dati operazionale, infatti i dati da memorizzare hanno caratteristiche diverse, si è vincolati alle basi di dati esistenti. 52

53 Progettazione del Data Warehouse Attività principali: Requisiti utenti (interviste.) Analisi delle sorgenti informative esistenti Integrazione Progettazione concettuale, logica e fisica 53

54 Progettazione del Data Warehouse Analisi Selezione delle sorgenti informative Traduzione in un modello concettuale comune Analisi delle sorgenti informative Integrazione Integrazione di schemi concettuali Progettazione Progettazione Concettuale Progettazione Logica Progettazione Fisica 54

55 Dati in ingresso Requisiti aziendali di analisi Descrizione delle basi di dati Descrizione di altre sorgenti informative (dati ISTAT etc) 55

56 Fase di Analisi Selezione delle sorgenti informative Traduzione in un modello concettuale di riferimento (integrazione tra schemi) Analisi delle sorgenti informative (identificazione dei fatti, misure e dimensioni) 56

57 La fase di Integrazione E l attività di fusione dei dati rappresentati in più sorgenti in un unica base dati globale. Lo scopo principale è l identificazione di tutte le porzioni delle sorgenti informative che si riferiscono allo stesso aspetto e unificare la loro rappresentazione Identificazione analisi e risoluzione di conflitti 57

58 La Fase di Progettazione La semplice integrazione non descrive tutti i dati di interesse Progettazione: Concettuale - individuare concetti dimensionali necessari per l analisi Logica - identificare il miglior compromesso tra la necessità di aggregare i dati e di normalizzarli Fisica - individuare la distribuzione dei dati e relative strutture di accesso 58

59 Modelli dei Dati Le sorgenti informative possono essere varie: legacy, relazionale, object-oriented, semistrutturato, rappresentazione concettuale Per l analisi e l integrazione si fa riferimento al modello Entità - Relazioni Per la progettazione si usa il modello logico per basi di dati multidimensionali (MD) Per la realizzazione si fa riferimento al modello relazionale (ROLAP) e ad un modello multidimensionale generico (MOLAP) 59

60 Reverse Engineering Attività di comprensione concettuale di uno schema di dati - da relazionale a concettuale Uno schema ER è più espressivo di uno schema relazionale, ci vuole conoscenza di dominio per recuperare la conoscenza persa nella progettazione logica Il reverse engineering di schemi relazionali viene fatto in modo semiautomatico da strumenti CASE 60

61 Integrazione di sorgenti informative E necessario risolvere i conflitti che nascono dall integrazione degli schemi. Sono dovuti alla diversa rappresentazione dell informazione. Esempio: Nome e Cognome: Mario, Rossi Mario Rossi Rossi Mario Rossi, M. 61

62 Progettazione del DW e schemi MD Introduzione di elementi dimensionali nella base di dati integrata Identificazione di fatti, misure e dimensioni Ristrutturazione dello schema concettuale Rappresentazione dei fatti tramite entità Individuazione di nuove dimensioni Raffinamento dei livelli per ogni dimensione Grafo dimensionale Progettazione logica e fisica 62

63 Schema integrato ER 63

64 Grafo di derivazione di uno schema dimensionale 64

65 La traduzione La dimensioni corrispondono agli ipernodi del grafo Livelli e descrizioni corrispondono ai nodi Le funzioni di roll-up corrispondono agli archi del grafo Le tabelle dei fatti sono derivabili dai nodi fatto 65

66 Star Schema 66