El diseño conceptual tiene por objetivo la construcción de una
descripción abstracta y completa del problema. Comienza con el análisis de
requerimientos de los usuarios y de reglas de negocio, y finaliza con la
construcción de un esquema conceptual expresado en términos de un modelo
conceptual.
martes, 25 de noviembre de 2014
Diseño de la base de datos de dataware house
Análisis de los requerimientos empresariales
Introducción al Análisis de los requerimientos
Las necesidades del negocio son la razón de ser del Data
Warehouse. En este sentido, el análisis debe concentrarse en las necesidades
empresariales y los métodos a aplicar deben representarlas de manera adecuada
dentro del Data Warehouse.
Análisis de los requerimientos empresariales.
Se tienen dos métodos de análisis de los requerimientos
empresariales. Estos son complementarios, pues el primero está orientado a
definir el tema de negocio a abordar y el segundo está orientado a detallar el
requerimiento dentro de este tema de negocio. Los métodos son los
siguientes:
• Análisis de arriba hacia abajo
• Análisis de la
consulta empresarial
Análisis de
arriba hacia abajo
Permite la selección de la información correcta para el
Data Warehouse. Los objetivos empresariales, desde la visión de arriba hacia
abajo, enfocan el área en la que puede hacer un incremento del Data
Warehouse.
El análisis de arriba hacia abajo tiene dos pasos:
- Primero centrarse en los objetivos.
- Segundo, relacionar los objetivos organizacionales con las funciones de la organización. Según el gráfico, se puede definir como áreas temáticas la administración de ingresos o la administración de costos. Cada tema requiere un conjunto diferente de información que debe manejar el data Warehouse, y un conjunto diferente de técnicas de análisis que deben emplear los usuarios finales.
La administración de ingresos tiene mucha relación con el
pronóstico de ventas a futuro con base en las ventas pasadas. Los patrones
ambientales y las tendencias de compras, también se puede requerir de fuentes
de información externas. Por otro lado la administración de costos tiene que ver con el control operacional y la
vigilancia de varias medidas de costos empresariales. La evaluación comparativa
es una herramienta para la administración de costos.
Análisis de
la consulta empresarial
La visión de la consulta empresarial es la perspectiva de
los datos del Data warehouse desde el punto de vista del usuario. Una de las
razones de la popularidad del modelo de datos multidimensional o estrella, es
que es un reflejo cercano de la forma en que un analista empresarial visualiza
una consulta. De hecho, una tabla multidimensional es una representación exacta
de una consulta multidimensional. Por ello, para el analista, proponer la
consulta es lo mismo que consultar directamente una tabla multidimensional. De
ahí que la consulta empresarial sea una solicitud de hechos, a veces llamados
mediciones o medidas de varias dimensiones.
Las consultas empresariales contienen además
sub-consultas o puntos de corte. Por ejemplo, por mes, ciudad o país. Estos
puntos de corte deben también incorporarse como dimensiones y vincularse a las
tablas de hechos.
Una consulta típica es la siguiente:
“Se necesita analizar las ventas de productos por tipo en
todas nuestras tiendas en los últimos 12 meses”
Esta consulta se puede representar de la siguiente
manera:
De esta manera, se define un modelo en el que las
entidades tiempo, ubicación, producto son las dimensiones que permiten ver las
ventas (medidas) desde cada una o desde la combinación de mas de una
dimensión.
Análisis de las
fuentes de datos.
Se analizan las fuentes de información con la finalidad
de ver si es factible atender los requerimientos definidos en el análisis de
los requerimientos empresariales. Los aspectos a considerar en el análisis son
los siguientes:
• Tecnologías de almacenamiento
• Definiciones múltiples
• Campos nulos
• Formatos diferentes
• Codificación diferente
• Duplicidad
Tecnologías de almacenamiento
Se refiere al análisis de los tipos de datos, y de las
plataformas que los soportan. Entre los tipos principales están las Bases de
datos relacionales, archivos, datos comprados, datos no estructurados.
Esquema de los componentes de la inteligencia de negocios
Componentes de la inteligencia de negocios
Fuentes de información.
Es donde se va adquiriendo la información para la alimentación del datawarehouse. por mencionar algunas fuentes de información son: sistemas departamentales, fuentes de información externas, sistemas operacionales.
Proceso ETL
La
primera parte del proceso ETL consiste en localizar y extraer los datos, ya que
en la mayoría de los proyectos de almacenamiento se fusionan datos provenientes
de diferentes sistemas de origen tales como ERP, CRM, bases de datos,
plantillas Excel, etc
Los
formatos de las fuentes normalmente se encuentran en bases de datos
relacionales o ficheros planos, pero pueden incluir también bases de datos no
relacionales y otras estructuras o formatos diferentes. La extracción convierte
los datos a un formato homogéneo y consolidado para iniciar el proceso de transformación.
Un
requerimiento importante que se debe exigir a la tarea de extracción es que
ésta cause el menor impacto en el sistema de origen. Si los datos a extraer son
muchos, el sistema de origen se podría ralentizar e incluso colapsar,
provocando que éste no pueda utilizarse con normalidad para su uso cotidiano.
Por esta razón, en sistemas grandes las operaciones de extracción suelen
programarse en horarios o días donde este impacto sea nulo o mínimo.
La
fase de carga es el momento en el cual los datos de
la fase anterior (transformación) son cargados en el sistema de destino.
Datawarehouse
Un Datawarehouse es una base de datos corporativa que
se caracteriza por integrar y depurar información de una o más fuentes distintas,
para luego procesarla permitiendo su análisis desde infinidad de perspectivas y
con grandes velocidades de respuesta. La creación de un datawarehouse
representa en la mayoría de las ocasiones el primer paso, desde el punto de
vista técnico, para implantar una solución completa y fiable de Business
Intelligence.
La ventaja principal de
este tipo de bases de datos radica en las estructuras en las que se almacena la
información (modelos de tablas en estrella, en copo de nieve, cubos
relacionales... etc). Este tipo de persistencia de la información es homogénea
y fiable, y permite la consulta y el tratamiento jerarquizado de la misma
(siempre en un entorno diferente a los sistemas operacionales).
Olap server
La ventaja principal de este tipo de bases de datos radica en las estructuras en las que se almacena la información (modelos de tablas en estrella, en copo de nieve, cubos relacionales... etc). Este tipo de persistencia de la información es homogénea y fiable, y permite la consulta y el tratamiento jerarquizado de la misma (siempre en un entorno diferente a los sistemas operacionales).
OLAP es el acrónimo en inglés de procesamiento analítico en línea (On-Line Analytical Processing). Es una solución utilizada en el
campo de la llamada Inteligencia empresarial (o Business Intelligence) cuyo objetivo
es agilizar la consulta de grandes cantidades de datos. Para ello utiliza
estructuras multidimensionales (o Cubos OLAP)
que contienen datos resumidos de grandes Bases de
datos o Sistemas
Transaccionales (OLTP).
Se usa en informes de negocios de ventas, marketing, informes de dirección,minería de datos y áreas similares.
La razón de usar OLAP para las
consultas es la rapidez de respuesta. Una base de datos relacional almacena
entidades en tablas discretas si han sido normalizadas. Esta estructura es
buena en un sistema OLTP pero para las complejas consultas
multitabla es relativamente lenta. Un modelo mejor para búsquedas (aunque peor
desde el punto de vista operativo) es una base de datos multidimensional.
La principal característica que
potencia a OLAP, es que es lo más rápido a la hora de ejecutar sentencias SQL de tipo SELECT, en contraposición con OLTP que es la mejor opción para
operaciones de tipo INSERT, UPDATE Y DELETE.
Herramientas de acceso
son todos aquellos host finales en donde podemos visualizar la información procesada para la toma de decisiones.
Planificación de un proyecto Data Warehouse
La planificación es el proceso más importante
que determina la clase de tipo de estrategias data warehousing que una
organización iniciará.
Factores
en la Planificación de un Data Warehouse
No existe una fórmula de garantía real para el éxito de
la construcción de un data warehouse, pero hay muchos puntos que contribuyen a
ese objetivo.
A continuación, se indican algunos puntos claves que
deben considerarse en la planificación de un data warehouse:
Es esencial involucrar tanto a los usuarios como a la
gestión para asegurar que el data warehouse contenga información que satisfaga
los requerimientos de la empresa.
La gestión puede ayudar a priorizar la fase de la
implementación del data warehouse, así como también la selección de
herramientas del usuario. Los usuarios y la gestión justifican los costos del
data warehouse sobre cómo será "su ambiente" y está basado primero en
lo esperado y segundo, en el valor comercial real.
Seleccionar una aplicación piloto con una alta
probabilidad de éxito
Una aplicación piloto de alcance limitado, con un
reembolso medible para los usuarios y la gestión, establecerá el data warehouse
como una tecnología clave para la empresa. Estos mismos criterios (alcance
limitado, reembolso medible y beneficios claros para la empresa) se aplican a
cada fase de la implementación de un data warehouse.
Construir prototipos rápida y frecuentemente
La única manera para asegurar que el data warehouse reúna
las necesidades de los usuarios, es hacer el prototipo a lo largo del proceso
de implementación y aún más allá, así como agregar los nuevos datos y/o los
modelos en forma permanente. El trabajo continuo con los usuarios y la gestión
es, nuevamente, la clave.
Implementación incremental
La implementación incremental reduce riesgos y asegura
que el tamaño del proyecto permanezca manejable en cada fase.
Reportar activamente y publicar los casos exitosos
La retroalimentación de los usuarios ofrece una excelente
oportunidad para publicar los hechos exitosos dentro de una organización. La
publicidad interna sobre cómo el data warehouse ha ayudado a los usuarios a
operar más efectivamente puede apoyar la construcción del data warehouse a lo
largo de una empresa.
La retroalimentación del usuario también ayuda a
comprender cómo evoluciona la implementación del data warehouse a través del
tiempo para reunir requerimientos de usuario nuevamente identificados.
Estrategias para el Desarrollo de un Data Warehouse
Antes de
desarrollar un data warehouse, es crítico el desarrollo de una estrategia
equilibrada que sea apropiada para sus necesidades y sus usuarios.
Las preguntas que deben tenerse en cuenta son:
•
¿Quién
es el auditorio?
•
¿Cuál
es el alcance?
•
¿Qué
tipo de data warehouse debería construirse?
Existe un número
de estrategias mediante las cuales las organizaciones pueden conseguir sus data
warehouses.
Primera
Establecer un ambiente "data warehouse virtual", el cual puede ser creado por:
• Instalación de un conjunto de facilidades para acceso a
datos, directorio de datos y gestión de proceso.
• Entrenamiento de usuarios finales.
• Control de cómo se usan realmente las instalaciones del
data warehouse.
• Basados en el uso actual, crear un data warehouse físico
para soportar los pedidos de alta frecuencia.
Segunda
Construir una copia de los datos operacionales desde un sistema operacional único y posibilitar al data warehouse de una serie de herramientas de acceso a la información.
Esta estrategia tiene la ventaja de ser simple y rápida.
Desafortunadamente, si los datos existentes son de mala calidad y/o el acceso a
los datos no ha sido previamente evaluado, entonces se puede crear una serie de
problemas.
Tercera
Finalmente, la estrategia data warehousing óptima es seleccionar el número
de usuarios basados en el valor de la empresa y hacer un análisis de sus
puntos, preguntas y necesidades de acceso a datos.
De acuerdo a estas necesidades, se construyen los prototipos data warehousing y se prueban para que los usuarios finales puedan experimentar y modificar sus requerimientos.
Una vez se tenga un consenso general sobre las necesidades, entonces se
consiguen los datos provenientes de los sistemas operacionales existentes a
través de la empresa y/o desde fuentes externas de datos y se cargan al data
warehouse.
Si se requieren herramientas de acceso a la información, se puede también permitir a los usuarios finales tener acceso a los datos requeridos usando sus herramientas favoritas propias, o facilitar la creación de sistemas de acceso a la información multidimensional de alta performance, usando el núcleo del data warehouse como base.
El diseño de los data warehouses es muy diferente al diseño de los sistemas operacionales tradicionales. Se pueden considerar los siguientes puntos:
- Los usuarios de los data warehouses usualmente no conocen mucho sobre sus requerimientos y necesidades como los usuarios operacionales.
- El diseño de un data warehouse, con frecuencia involucra lo que se piensa en términos más amplios y con conceptos del negocio más difíciles de definir que en el diseño de un sistema operacional. Al respecto, un data warehouse está bastante cerca a Reingeniería de los Procesos del Negocio (Business Process Reengineering).
- Finalmente, la estrategia de diseño ideal para un data warehousing es generalmente de afuera hacia adentro (outside-in) a diferencia de arriba hacia abajo (top-down).
A pesar que el diseño del data warehouse es diferente al usado en los
diseños tradicionales, no es menos importante. El hecho que los usuarios
finales tengan dificultad en definir lo que ellos necesitan, no lo hace menos
necesario. En la práctica, los diseñadores de data warehouses tienen que usar
muchos "trucos" para ayudar a sus usuarios a "visualizar"
sus requerimientos. Por ello, son esenciales los prototipos de trabajo.
Estrategias para la
Gestion de un Data Warehouse
Los data warehouses requieren una comercialización y gestión muy cuidadosa.
Debe considerarse lo siguiente:
1. Un data warehouse es una
inversión buena sólo si los usuarios finales realmente pueden conseguir
información vital más rápida y más barata de lo que obtienen con la tecnología
actual.
Como consecuencia, la gestión tiene que pensarse seriamente sobre cómo
quieren sus depósitos para su eficaz desempeño y cómo conseguirán llegar a los
usuarios finales.
2. La administración debe
reconocer que el mantenimiento de la estructura del data warehouse es tan
crítico como el mantenimiento de cualquier otra aplicación de misión crítica.
De hecho, la experiencia ha demostrado que los data warehouses llegarán a
ser rápidamente uno de los sistemas más usados en cualquier organización.
3. La gestión debe comprender
también que si se embarcan sobre un programa data warehousing, se crearán
nuevas demandas sobre sus sistemas operacionales, que son:
- Demandas para mejorar datos
- Demandas para una data consistente
- Demandas para diferentes tipos de datos, etc.
Nota:
No se tiene un enfoque único para
construir un data warehouse que se adapte a las necesidades de las empresas,
debido a que las necesidades de cada una de ellas son diferentes, al igual que
su contexto.
Además, como la tecnología data warehousing va evolucionando, se aprende cada vez más y más sobre el desarrollo de data warehouses, que resulta en que el único enfoque práctico para al almacenamiento de datos es la evolución de uno mismo.
lunes, 24 de noviembre de 2014
Indicadores de Gestion
indicadores de gestión
Los
indicadores de gestión son medidas utilizadas para determinar el éxito de un
proyecto o una organización. Los indicadores de gestión suelen establecerse por
los líderes del proyecto u organización, y son posteriormente utilizados
continuamente a lo largo del ciclo de vida, para evaluar el desempeño y los
resultados.
Los
indicadores de gestión suelen estar ligados con resultados cuantificables, como
ventas anuales o reducción de costos en manufactura.
Variables de Medición.
Los indicadores gestión de presentan paradigmas a la hora de la medición:
- La medición precede al castigo: infortunadamente y dado el manejo equívoco que se les da a las mediciones en la mayoría de las organizaciones, las personas piensan que cada vez que “miden” los procesos en los cuales participan, con toda seguridad rodarán cabezas. Muchos administradores utilizan las mediciones como mecanismos de presión y como justificación para sancionar al personal, lo cual crea un rechazo.En cambio lo que se busca con la medición es generar rasgos de autonomía de DECISIONES y acción razonable para los empleados y debe ser liberadora de tiempo para los administradores; ya que cuando se emplea de una forma eficiente este recurso y se establece un conjunto de patrones que definen el rango de autonomía de la gestión de las personas y de las organizaciones, estamos contribuyendo al desarrollo de las personas y las organizaciones miasmas.
- No hay tiempo para medir: con este se quiere referir que los empleados piensan o tratan los indicadores de gestión, como un trabajo extra de sus tareas diarias; debido que no percatan que él mismo lleva a cabo los controles, aunque de manera desorganizada y muy pocas veces efectiva.Si los funcionarios y los empleados de las empresas no se percatan de la importancia que tiene el control para sus organizaciones, para el indispensable para el desarrollo exitoso de la gestión, la medición no cobrará su adecuada y definitiva dimensión de la efectiva herramienta de apoyo.
Variables de Análisis
- Medir es difícil: la medición es difícil según como la
persona ha emplear quiera que sea. Si bien es cierto que para algunos procesos
se justifican y es necesario caber uso de mediciones especiales en
algunos CASOS basta con emplear matemáticas sencillas, reglas de
tres, relaciones, sumas o restas y elementos estadísticos elementales.
- Hay cosas imposibles de medir: es cierto que en algunos casos la medición de algunos agentes, procesos, variables es sumamente compleja, pero hay que tener presente que existen la excepción de la regla.
Disponibilidad de soluciones en el mercado para la BI
Actualmente en el mercado
existen diversas soluciones de inteligencia de negocios para las empresas,
algunas más completas que otras, obviamente todas ofrecen ciertas ventajas que
otras no todo depende de la necesidad que le empresa requiera, existen
soluciones gratuitas y de paga, aunque las versiones gratuitas soluciones una
parte de tu problema van orientadas a la prueba y después de probar adquirir el
producto más completo, a continuación se muestran algunos programadas que están
3 en el marcado como soluciones de inteligencia de negocios.
Sistemáticamente, empresas
pertenecientes a sectores complicados, salen victoriosas y fortalecidas
en TIEMPOS de crisis. ¿Cuál es el secreto? Gestionar bien, aprovechar
las oportunidades y saber liderar en estos entornos.
En estos periodos, debemos
ser más analíticos y firmes que nunca en NUESTRAS decisiones. En
situaciones de cambio, es bueno cuestionarse lo qué hacemos y cómo lo hacemos,
pero siempre refrendados en análisis y en datos para poder tomar las mejores
decisiones y no dejarse llevar por las “sensaciones del mercado”.
Las empresas que sepan
aprovechar las oportunidades que brinda este periodo de crisis, serán las que
lideren los mercados cuando las aguas vuelvan a su cauce y es precisamente en
este escenario donde se hace necesario disponer de herramientas que permitan
mejorar la toma de decisiones empresariales, gracias al análisis del mercao y
del negocio que realizan.
Estas herramientas y
soluciones de BUSINESS Intelligence (BI), se convierten en
estos CASOS, en uno de los mejores aliados para la Dirección, proporcionando un
apoyo imprescindible en la toma de decisiones.
El exceso de información
no es poder, pero el conocimiento sí lo es. Con demasiada frecuencia,
la TRANSFORMACIÓN y el análisis de toda la información y los datos
que las propias compañías generan, con independencia de su tamaño o actividad,
se convierte en un verdadero problema y, por lo tanto, la toma de decisiones se
vuelve lenta, aspecto este, imperdonable en momentos de turbulencia.
En la actualidad, existen
distintas herramientas de Reporting y las denominadas soluciones Business
Intelligence (sistemas de inteligencia y análisis de negocios) que
permiten satisfacer la creciente necesidad de las empresas de transformar
información en conocimiento.
La transformación y el
análisis de toda la información/datos QUE las compañías generan, se
convierte generalmente en un verdadero problema
para LOS directivos/decisores, pues precisamente, este exceso de
información, hace que la toma de DECISIONES no sea rápida, fiable y
efectiva.
Analizando los datos ya
disponibles, tanto del análisis del mercado como del negocio, en los sistemas
de información, las herramientas y soluciones tipo Business Intelligence se
engloban en tres grupos:
Balanced Scorecard:
constituye un modelo/solución orientada a la alta dirección, que permite medir
la estrategia mediante la consecución de objetivos estratégicos, utilizando
indicadores y relaciones entre estos. Adicionalmente, facilita el seguimiento
de acciones estratégicas y responsabilidades sobre el cumplimiento de objetivos
y puesta en marcha de acciones correctoras.
Cuadros de Mando por
indicadores: representa un modelo/solución para la toma de decisiones basada en
indicadores de los procesos. Este tipo de soluciones permite disponer de
información muy resumida, sin elevado nivel de detalle, con capacidades
visuales, alertas, indicadores gráficos, mapas, etc. A diferencia con el primer
modelo de indicadores, se construye sobre los procesos de la cadena de valor de
la ORGANIZACIÓN, en lugar de basarse en los objetivos estratégicos.
Sistemas para Reporting:
aportan la navegación por grandes volúmenes de información, simplificando el
cruce entre múltiples ejes de análisis. Estas soluciones se emplean para
conocer en detalle la evolución de la actividad, centrándose principalmente en
formatos de informes tabulares.
Causas que determinan la
necesidad de implementar una solución de Reporting / Business Intelligence (BI)
en su empresa.
- Sistemas orientados a transacciones y no al análisis de información.
- Proyecciones de negocio complejas y manuales.
- Necesidad de obtener información integrada proveniente de múltiples fuentes dispersas.
- Utilizar hojas de cálculo para consolidar la información de múltiples fuentes.
- Pérdida de tiempo en buscar información en vez de poder analizarla.
- Información obsoleta, con pérdida de vigencia en la toma de decisiones.
- Sistemas heterogéneos de información.
- Múltiples interpretaciones de cada departamento a la misma pregunta.
- Falta de integración para monitorear indicadores de desempeño de diversas áreas.
- Dependencia de terceros (gente de sistemas, auxiliares, secretarias) para tener información.
- Imposibilidad de conocer el estado de la empresa si se encuentra fuera de su oficina.
Modelamiento de datos en el dataware house
Representación
de datos
·
Modelo de
datos.
·
Modelo
semántico.
El modelo entidad/relación.
El modelo entidad/relación.
·
Elementos
del modelo E/R (entidades, atributos, claves y relaciones).
·
Representación
gráfica del modelo E/R (diagramas E/R y notación UML).
·
Claves.
·
Entidades
fuertes y entidades débiles.
·
Especialización
y generalización.
Representación de datos
·
Items/entidades/0bjetos
Objetos que existen el mundo y que son distinguibles de
otros (libro, autor, temas…).
·
Atributos
Propiedades asociadas a un conjunto de entidades.
·
Relaciones/conexiones/asociaciones.
Conexiones semánticas entre dos conjuntos de entidades.
Modelo de datos
Mecanismo formal para representar y manipular información de
manera general y sistematica
·
Descripción de los datos
·
Operaciones
·
Reglas de integridad.
Ejemplos de modelos de datos
·
Modelo basado en grafos
·
Modelo relacional.
·
Modelo multidimensional.
·
Modelo orientado a objetos.
·
Modelo lógicos
viernes, 21 de noviembre de 2014
Una metodología para la construcción del Data Warehouse
Qué es una metodología??????????
Una metodología es aquella guía que se sigue a fin de realizar las
acciones propias de una investigación. En términos más sencillos se trata de la
guía que nos va indicando qué hacer y cómo actuar cuando se quiere obtener
algún tipo de investigación. Es posible definir una metodología como aquel
enfoque que permite observar un problema de una forma total, sistemática y disciplinada.
Metodología para la construcción de un Data Warehouse
Introducción
Esta metodología permitirá
la construcción de Data Warehouse de forma sencilla, ordenada e intuitiva. Su
nombre fue inspirado en el dios griego de la construcción y el fuego.
HEFESTO
es una metodología propia, cuya propuesta está fundamentada en una muy amplia
investigación, comparación de metodologías existentes, experiencias propias en
procesos de confección de almacenes de datos. Cabe destacar que HEFESTO está en
continua evolución, y se han tenido en cuenta, como gran valor agregado, todos
los feedbacks que han aportado quienes han utilizado esta metodología en
diversos países y con diversos fines.
La
idea principal, es comprender cada paso que se realizará, para no caer en el
tedio de tener que seguir un método al pie de la letra sin saber exactamente
qué se está haciendo, ni por qué.
La
construcción e implementación de un DW puede adaptarse muy bien a cualquier
ciclo de vida de desarrollo de software, con la salvedad de que para algunas
fases en particular, las acciones que se han de realizar serán muy diferentes.
Lo que se debe tener muy en cuenta, es no entrar en la utilización de metodologías
que requieran fases extensas de reunión de requerimientos y análisis, fases de
desarrollo monolítico que conlleve demasiado tiempo y fases de despliegue muy
largas. Lo que se busca, es entregar una primera implementación que satisfaga
una parte de las necesidades, para demostrar las ventajas del DW y motivar a
l@s usuari@s.
La
metodología HEFESTO, puede ser embebida en cualquier ciclo de vida que cumpla
con la condición antes declarada.
Con
el fin de que se llegue a una total comprensión de cada paso o etapa, se
acompañará con la implementación en una empresa real, para demostrar los
resultados que se deben obtener y ejemplificar cada concepto.
Descripción
Como
se puede apreciar, se comienza recolectando las necesidades de información de
l@s usuari@s y se obtienen las preguntas claves del negocio. Luego, se deben
identificar los indicadores resultantes de los interrogativos y sus respectivas
perspectivas de análisis, mediante las cuales se construirá el modelo
conceptual de datos del DW.
Después,
se analizarán los OLTP para determinar cómo se construirán los indicadores,
señalar las correspondencias con los datos fuentes y para seleccionar los
campos de estudio de cada perspectiva.
Una
vez hecho esto, se pasará a la construcción del modelo lógico del depósito, en
donde se definirá cuál será el tipo de esquema que se implementará.
Seguidamente, se confeccionarán las tablas de dimensiones y las tablas de
hechos, para luego efectuar sus respectivas uniones.
Por
último, utilizando técnicas de limpieza y calidad de datos, procesos ETL, etc,
se definirán políticas y estrategias para la Carga Inicial del DW y su
respectiva actualización.
Características
- Los objetivos y resultados esperados en cada fase se distinguen fácilmente y son sencillos de comprender.
- Se basa en los requerimientos de
l@s usuari@s, por lo cual su estructura es capaz de adaptarse con
facilidad y rapidez ante los cambios en el negocio.
- Reduce la resistencia al cambio,
ya que involucra a l@s usuari@s finales en cada etapa para que tome
decisiones respecto al comportamiento y funciones del DW.
- Utiliza modelos conceptuales y
lógicos, los cuales son sencillos de interpretar y analizar.
- Es independiente del tipo de ciclo
de vida que se emplee para contener la metodología.
- Es independiente de las
herramientas que se utilicen para su implementación.
- Es independiente de las
estructuras físicas que contengan el DW y de su respectiva distribución.
- Cuando se culmina con una fase,
los resultados obtenidos se convierten en el punto de partida para llevar
a cabo el paso siguiente.
- Se aplica tanto para Data
Warehouse como para Data Mart.
Suscribirse a:
Entradas (Atom)