BI Fundamenos
-
Upload
albert-montes -
Category
Documents
-
view
23 -
download
0
Transcript of BI Fundamenos
17/01/2013
1
1 Antecedentes
Objetivos
Al completar este seminario usted deberá:
Reconocer la diferencia entre sistemas de información y
sistemas transaccionales
Saber qué es Inteligencia de Negocios y su importancia en el
mercado actual
Reconocer los procesos para crear Inteligencia de Negocios
Conocer la arquitectura que soporta la Inteligencia de
Negocios
Entender cómo se construyen aplicaciones de Inteligencia
de Negocios
17/01/2013
2
Agenda
Contenido:
Sistemas Operacionales
¿Qué es Inteligencia de Negocios?
Antecedentes y evolución
Por Qué no podemos Obtener Información
Estratégica de Nuestros Sistemas Actuales
Los sistemas transaccionales están diseñados para
cubrir las necesidades operacionales
Los datos no son consistentes entre las actividades
de la empresa
El acceso a los datos es complicado
Los Procesos Transaccionales están Diseñados para
Satisfacer Necesidades Operacionales
Proceso de transacciones en línea de alto rendimiento
Los datos están cambiando constantemente
El detalle de los datos está a nivel de cada transacción
Las consultas intensas pueden generar inconvenientes en los sistemas
transaccionales
17/01/2013
3
Información para Decisiones
Críticas de Negocio
Conclusiones
Tenemos muchos datos, poca información
Se toman decisiones por “olfato”, bajo presión, en tiempos
reducidos
Se toman decisiones con información:
Insuficiente
Inconsistente
No confiable
¿Qué es Inteligencia de
Negocios?
“Inteligencia de Negocios es el proceso de
transformar datos en información y descubrir
cómo se transforma esa información en
conocimiento”
- Gartner Group
17/01/2013
4
Inteligencia de Negocios
Sistemas Operacionales
Lo que pasó
Operar el negocio
Usuario operativo
Organizado por procesos
Datos del momento
Datos aislados
Acceso repetitivo
Optimizado para transacciones
Inteligencia de Negocios
Lo que puede pasar
Mejorar el negocio
Usuario gerencial
Organizado por temas
Datos históricos
Datos integrados
Acceso Ad-hoc
Optimizado para consultas
El Propósito de la
Inteligencia de Negocios
El Propósito de la inteligencia de negocios es
convertir grandes volúmenes de datos en valor
para los negocios
Decisiones
Conocimiento
Información
Datos
Volumen
Valor
Evolución de la Inteligencia
de Negocios
Sistemas de Información Ejecutivo (EIS)
Sistemas de Soporte de Decisiones (DSS)
Inteligencia de Negocios (BI)
EIS
DSS
BI
17/01/2013
5
Análisis de Datos desde
Sistemas Operacionales
Estructura de datos muy compleja
Diseñados para alto rendimiento en manejo de transacciones
La representación de los datos no es muy significativa para los negocios
Los datos están dispersos
No están hechos para consultas complejas
Reportes Operacionales
Sistemas
Producción
Procesos de Extracción de
Datos
Usuarios finales entrenados en computación traen
datos desde los sistemas operacionales
Sólo datos que eran propiedad de los usuarios
Toma de
Decisiones
Sistemas
Operacionales
Extracción
Problemas en el Manejo de
la Extracción de Datos
Extracción Sistemas
Operacionales
Toma de
Decisiones
17/01/2013
6
Problemas de Productividad
en la Extracción de Datos
Duplicación de esfuerzos
Múltiple tecnología
Reportes obsoletos
Carencia de metadata
Islas de información
Extracción con Problemas de
Calidad de Datos
No se utiliza la misma medida del tiempo
Diferentes algoritmos de cálculos
Diferentes niveles de extracción
Diferentes nombres de campos
Pérdida de información
No hay reglas para validaciones y corrección de datos
Sin capacidades de drill down
Manejo de Negocios con
Data Warehouse
Soportado por Sistemas de Información
Provee información de calidad
Reduce Costos
Dinamismo en los negocios
Mejora los márgenes
17/01/2013
7
& Consulting Group Copyright © e-Builders & Consulting Group, 2004. All rights reserved. CONFIDENTIAL
& Consulting Group
2 Data Warehouse y Datamart
Agenda
Contenido
¿Qué es un Data Warehouse?
Estructura de un Data Warehouse
Propiedades de un Data Warehouse
¿Qué es un Datamart?
Introducción al desarrollo de un Data Warehouse
Arquitectura de referencia
Esquema básico de la metodología de desarrollo
¿Qué es Data Warehouse?
“Es una colección de datos diseñada para soportar
la administración de la toma de decisiones,
orientada por temas, integrada, perdurable y
variante en el tiempo.” - Bill Inmon
17/01/2013
8
Definición de Data
Warehouse “Es un repositorio estructurado de la organización,
orientado a temas, variante en el tiempo, con datos
históricos, usado para recuperar información y para el
soporte en la toma de decisiones. El Data Warehouse
almacena datos atómicos y resumidos.”
- Definición de Oracle
Características del Data
Warehouse Se simplifica el acceso a los datos
Las bases de datos son creadas con la información específica
para ser usada en la toma de decisiones
Los datos se extraen desde sus sistemas de origen con un
proceso de transformación e integración
Asegura integridad y calidad de los datos
Perspectiva histórica
OLAP vs OLTP
OLAP OLTP
Resumen de Datos Valores actuales
Temas por áreas Aplicaciones
Estática, se refresca Dinámica
Procesos analíticos Procesos repetitivos
Pocas tablas Muchas Tablas
Niveles de resumen Transacciones
Respuestas de segundos a minutos Respuestas de segundos a milisegundos
17/01/2013
9
Estructura Diseñada para el
Soporte a la Toma de
Decisiones Sistemas Operacionales Data Warehouse
Manufactura
Contabilidad
Ordenes
Comparativo
Ventas
Servicios
Financieros
Datos Operacionales están
organizados por procesos o
tareas específicas
Los Datos del Warehouse están organizados
por áreas específicas e integrados desde datos
residentes en varios sistemas operacionales
Mercadeo
Datos Precisos Basados en
el Tiempo
Sistemas
Operacionales
Data
Warehouse
Precisión
Tiempo
Estructuras Claves
Datos Actuales Datos Históricos
Datos Integrados y
Transformados Sistemas
Operacionales Data
Warehouse
Aplicaciones
Específicas Integrados
17/01/2013
10
Avances Tecnológicos que
Permiten el Data Warehouse
Equipos
Sistemas operativos
Base de datos
Herramientas de consulta
Aplicaciones Arquitectura de 64-bit
Técnicas de indexado
Económico, sistemas abiertos
Herramientas robustas de Data
Warehouse
Sofisticadas herramientas de
usuario final
Propiedades del Data
Warehouse Integrado
Variante en el
Tiempo Perdurable
Orientado a
Temas
Data
Warehouse
Orientado a Temas
Específicos Los datos son categorizados y almacenados por
temas específicos en vez de aplicación por
aplicación
Aplicaciones OLTP
Planes
Tarjetas
Seguros
Préstamos
Ahorros
Tema específico de
Negocio
Data Warehouse
Información Financiera
de Clientes
17/01/2013
11
Integrado
Datos de un tema específico de negocio son definidos y
almacenados
Data Warehouse Aplicaciones OLTP
Cliente
Ahorros
Cuentas
Actuales
Préstamos
Variante en el Tiempo
Los datos son almacenados como una serie de
fotos, cada una representando un periodo en el
tiempo
Data
Warehouse
Perdurable
Lo típico en un Data Warehouse es que los datos
no son actualizados o borrados
Warehouse
Leer
Cargar
Operacional
Ingresar, actualizar,
borrar, leer
17/01/2013
12
Cambios en un Data
Warehouse Bases de datos
Operacionales
Base de datos del
Data Warehouse
Carga Inicial
Incremento
Incremento
Incremento Limpieza / Depuración
Warehouse de Toda la
Empresa
Implementación de gran escala
El alcance abarca todo el negocio
Datos de todas las áreas de negocio
Desarrollo incremental
Una sola fuente de datos para toda la empresa
Sincronización de todos los datos de la empresa
Punto único de distribución para Datamarts dependientes
Data Warehouse vs
Datamart
Propiedad Data Warehouse Datamart
Alcance Toda la empresa Departamento
Areas de negocio Múltiples Una sola
Fuente de datos Muchas Pocas
Tiempo de
implementación
De meses a años Meses
17/01/2013
13
Datamart Dependiente
Data
Warehouse
Datamarts
Archivos
Planos Mercadeo
Ventas
Finanzas
Mercadeo
Ventas
Finanzas
RRHH
Sistemas
Operacionales
Datos
externos
Datos
operacionale
s
Datos
Herencia
Datos
Externos
Datamart Independiente
Ventas o
Mercadeo
Archivos
Flat
Sistemas
Operacionales
Datos
Externos
Datos
Operacion
es
Datos
Herencia
Datos
Externos
Componentes Típicos de un
Data Warehouse Sistemas
Fuentes
Área de
Organización
Área de
Presentación
Herramientas
de Acceso
ODS
Operacional
Externos
Herencia
Repositorio de Metadatos
Datamarts
Data
Warehouse
17/01/2013
14
Desarrollo Warehouse
“Gran Explosión”
Por Incrementos:
Incremental Top-down
Incremental Bottom-up
“Gran Explosión”
Analizar Requerimientos
de la Empresa
Construir Data
Warehouse de toda
la Empresa
Reportes o Almacenar
en Datamarts
Desarrollo Top-Down
Analice los requerimientos a nivel de empresa
Desarrolle modelo conceptual
Identifique y priorice áreas del negocio
Seleccione un área de negocio y complete el modelo
Mapee los datos disponibles
Realice análisis de los sistemas fuentes
Implemente la base de la arquitectura Técnica
Establezca metadatos, procesos de ETL
inicial para el área de negocio
Realice la carga inicial del Datamart del área de
negocio de acuerdo al marco establecido para
el Data Warehouse
17/01/2013
15
Desarrollo Bottom-Up
Defina el alcance y cobertura del Data
Warehouse y analice el sistema fuente
de acuerdo a este alcance
Defina el incremento inicial basado en
información crítica en beneficio del negocio
y el volumen y estado de los datos
Implemente la base de la arquitectura técnica
Establezca los metadatos y ETL de acuerdo
al incremento deseado
Crear y cargar el área de negocio inicial
y cargar el incremento inicial
al Data Warehouse
Desarrollo Incremental para
el Data Warehouse Múltiples iteraciones
Implementaciones pequeñas
Validación de cada fase Estrategia
Definición
Análisis
Diseño
Construcción
Producción
Incremento 1
Iterativo
Componentes del Proceso
del
Data Warehouse Metodología
Arquitectura
Extracción, Transformación y Carga (ETL)
Implementación
Operación y soporte
17/01/2013
16
Metodología
Asegura el éxito del Data Warehouse
Establecer el desarrollo incremental
Ofrece un enfoque por etapas para un Data Warehouse
empresarial:
Seguro
Manejable
Probado
Recomendado
Arquitectura
Provee la planificación, estructura y estandarización
necesarias para asegurar la integración de múltiples
componentes, proyectos y procesos a través del tiempo
Establece el marco, estándares y procedimientos para un
Data Warehouse que abarque toda la empresa
— The Data Warehousing Institute
Extracción, Transformación y
Carga (ETL) Procesos efectivos para la extracción, transformación y
carga de datos representan el factor número uno para que
su proyecto de Data Warehouse sea exitoso y puede
representar el 70% en tiempo y esfuerzo para un proyecto
típico de Data Warehouse
— DM Review, Marzo 2001
Source Target Staging Area
17/01/2013
17
Operación y Soporte
Acceso a los datos y reportes
Carga periódica al Data Warehouse
Monitoreo
Respuesta al cambio
Fases del Desarrollo
Incremental Incremento 1 Estrategia
Definición
Análisis
Diseño
Contrucción
Producción
Arquitectura de Referencia ...
Capa de Infraestructura
Capa de Transporte
Capa de Administración de Metadatos
Capa de Administración de Datos
Fuente de Datos
Construcción del Data
Warehouse
Acceso y Uso del Data
Warehouse
17/01/2013
18
... Arquitectura de Referencia
...
Fuente de
Datos
Construcción
del Data
Warehouse
Acceso y uso
del Data
Warehouse
Capa de Administración de Datos
Capa de Administración de Metadatos
Capa de Transporte
Capa de Infraestructura
Fuentes Externas
Sistemas
Internos de
Oficina
Metadatos para
Fuente
Datos de
Herencia
Datos de
Producción
... Arquitectura de Referencia
...
Fuente de
Datos
Construcción
del Data
Warehouse
Acceso y uso
del Data
Warehouse
Capa de Administración de Datos
Capa de Administración de Metadatos
Capa de Transporte
Capa de Infraestructura
Crear
Metadatos
Refinamiento Reingeniería Data Warehouse
Crear y Extraer
Metadatos Crear Glosario
Verificar
Calidad Datos
Transformar y
Reubicar
Traducir y
Formatear
Cálculos
Previos
Condensar /
Agregar
Integrar y
Separar
Crear
Metadatos
Conciliar y
Validar
Agregar
Resumir
Modelar
Fecha de
Datos Fuente
Limpiar
Filtrar y
Ajustar
Estandarizar
... Arquitectura de Referencia
Acceso y Recuperación
Fuente de Datos
Construcción del Data
Warehouse
Acceso y uso del Data
Warehouse
Capa de Administración de Datos
Capa de Administración de Metadatos
Capa de Transporte
Capa de Infraestructura
Administar Metadatos del
Data Warehouse
Acceso y Recuperación
Análisis
y Reporte
O L A P
Creación y Extracción de
Metadatos
Crear Repositorios
Consultas
Transformar a Estructura
Multidimensional
Reingenieria
Consultas al Data Warehouse
Administración de Metadatos
Aplicaciones de
Producción
Herramientas
Predictivas
Herramientas Modelo
Empresarial
Herramienta
Análisis
Herramientas de Reporte
17/01/2013
19
Ciclo de la Metodología
Pruebas Unitarias
Desarrollo Extracción,
Transformación y Carga (ETL)
Pruebas Unitarias
Desarrollo Aplicaciones
de Consulta
Gestión del Proyecto
& Consulting Group Copyright © e-Builders & Consulting Group, 2004. All rights reserved. CONFIDENTIAL
& Consulting Group
3 Proyectos de Data Warehouse
Agenda
Contenido:
Justificar proyectos de DW
Planificar proyectos de DW
Desarrollar proyectos de DW
17/01/2013
20
Manejo Financiero
Justificaciones financieras para una solución de data
warehouse
Beneficios intangibles
Permanece competitivo
Respuesta al cambio de las condiciones del negocio
Soporta reorganización
Mejor toma de decisiones y mejores datos
Reducción de costos en Sistemas de Información
Mejora tiempos de respuesta
Reportes confiables
Manejo Financiero
Retorno de Inversión (ROI):
Para usuarios internos
Para usuarios externos
ROI: Costos Asociados
Construya un buen caso para establecer
Costos
ROI
Rentabilidad
Eficiencia
Objetivos
Considerar:
Impacto del tiempo para el ETL
Requerimientos adicionales de almacenamiento
Costo de la redundancia de datos
Costo de base de datos, licencias de software, trabajo
17/01/2013
21
ROI: Beneficios
Tres tipos de Beneficios:
Salarios del staff de IT ahorrados por eliminar los sistemas
de soporte de decisiones tradicionales
Tiempo (y dinero) ahorrado por los gerentes por
automatizar la recolección e integración de datos
Dinero ahorrado o ganado por mejores decisiones
ROI: Costos Típicos
Costo Inicial Costo Recurrente
Hardware Servidor, disco, servidor
de aplicaciones, red
Soporte y
mantenimiento
Software Base de datos, opciones,
herramientas de BI,
herramientas de ETL
Soporte y
actualizaciones
Equipo Jefe de proyecto,
Analistas, Instructores,
desarrolladores, DBA
DBA, administrador de
sistemas, modelador
ROI: Ejemplo
Costo inicial: $1,350,000
Costos recurrentes: $250,000 por año
Ahorros recurrentes:
Personal de IT empleado en otras labores
Costo Ahorrado: $150,000 por año
Mejor manejo del inventario reduce perdidas a la mitad
Costo ahorrado: $125,000 por mes = $1.5 million por año
Conclusión:
Este sistema se paga a si mismo en un año
17/01/2013
22
Fondos para el Proyecto
Demuestre y haga evidente que los costos de
integración de sistemas son altos
Determine quién patrocina el proyecto
Sistemas de Información - Grupo de desarrollo
Departamentos - Usuarios
Sistemas
Información
Selecc.
Área
Piloto
Departamento
Departamento
Departamento
Equipo Pequeño
Corta Duración Más Áreas
Invierte el Usuario
Organizaciones
Establecer Expectativas
Alcance
Salida a Tiempo
Fases
Incremental
Manejar Expectativas
Documentando
Informando a los patrocinadores
Reportando el progreso a los usuario finales
17/01/2013
23
Armando el Equipo del
Proyecto Jefe de proyecto
Arquitecto
Ejecutivo patrocinador
Analista de datos
Administrador de base de datos
Administrador de metadatos
Reconociendo Factores
Críticos de Éxito
Enfocado en el negocio, no en la tecnología
Use una metodología Iterativa
Incluir a todos los interesados en el equipo de
trabajo
Requerimientos de Usuarios
Diseño físico
Requerimiento de
usuarios del
negocio
Especificaciones
de aplicaciones
Plan de
despliegue
Arquitectura
técnica
Alcance del
proyecto
Mantenimiento
y crecimiento
17/01/2013
24
Técnicas para Recolectar
Requerimientos Entrevistas
Individuales
Pequeños Grupos
Facilidades para sesiones de grupos
Tormenta de ideas
Resolución de los problemas con el consenso necesario
Investigar
Disponer de recursos (Reporte anual, literatura de mercadeo, contenido
Web)
Gráfico de la organización (entender la estructura de la organización)
Iniciativas previas de warehousing (que se hizo, qué no se hizo, por qué)
Checklist de los
Requerimientos Enfocarse en Áreas:
Cómo hacen negocios los usuarios
Quienes manejan el negocio
Qué atributos necesitan los usuarios (requerido vs. lo que debe ser)
Cuáles son las jerarquías del negocio
Cuáles datos de los usuarios se usan y qué les gustaría tener
Qué niveles de detalle o resumen son necesarios
Qué tipo de herramientas usan para acceder a los datos
Cómo los usuarios esperan ver los resultados
Toma de Requerimientos:
Posibles Obstáculos
Algunos de los posibles obstáculos:
Los objetivos del negocio para el Data Warehouse no se han
especificado bien
El alcance del Data Warehouse es demasiado amplio
No se ha entendido el propósito y función de los sistemas de
soporte de decisiones
17/01/2013
25
Estrategia de Acceso a los
Datos
Defina y analice los requerimientos del los usuarios
Determine las opciones de herramientas
Identifique los roles de los usuarios y los
requerimientos de acceso
Requerimientos para el Acceso a los Datos
Reportes sencillos
Análisis complejos de tendencias
Análisis de regresión
Análisis multidimensional
Reportes excepcionales
Presupuesto y estimaciones
Manipulación de datos
Minería de datos
Reportes parametrizados para ejecución batch
Web o Cliente / Servidor (o ambos)
Use las Consultas
Progresivamente Comience con algo sencillo
Luego algo más analítico
Se requieren diferentes técnicas y herramientas
Flexibles
Qué?
Por
Qué?
Por
Qué?
Por
Qué?
17/01/2013
26
Consultas Eficientes …
Consultas terminan satisfactoriamente
Velocidad de ejecución
Menos uso de CPU
Más oportunidad de seguir analizando
Opiniones de los usuarios
… Consultas Eficientes
Consideraciones en el diseño
Uso de índices
Seleccionar el mínimo de datos
Emplee manejos de consultas
Reducir los cuellos de botella
Desarrollo de métricas
Usar consultas preparadas y probadas
Planificación y Seguimiento
de Consultas
Planificar consultas:
Manejo de la información usada
Consultas directas
Ejecución de consultas
Establecer prioridades de procesos
Seguimiento de consultas:
Uso de recursos para las consultas
Detectar consultas que no se usan
Identifique las consultas que usan datos resumidos ineficientemente
Identifique las consultas que realizan resúmenes en tiempo de ejecución
Detecte los accesos ilegales
17/01/2013
27
Arquitectura del Acceso para
Consultas
Cliente / Servidor
Web
Web Server
Acceso Web
Menos costos de despliegue y manejo
Menos costos de capacitación
Acceso Remoto
Destacado servicio a Clientes con una imagen de Tecnología
de punta
Mayor Colaboración entre usuarios
Seguridad
No pase por alto la seguridad
Patrocinador del área de negocio:
Revise y autorice requerimientos para el acceso
Identificar mejoras
Transparencia
Facilidad de implementación, mantenimiento y manejo
17/01/2013
28
Control Muy Detallado de
Seguridad en Oracle
Contexto de
la aplicación
Oracle
¿Quién soy?
¿Dónde estoy ?
Política de accesos
Tabla
Requerimientos de
Implementación La Adquisición de los datos
La Calidad de los datos
Documentación
Pruebas
Capacitación
Soporte post implementación
La Adquisición de los Datos
Identificar, extraer, transformar y transportar los datos
fuentes
Considerar datos internos y externos
Mover datos entre fuentes y destino
Realizar análisis de fallas de los datos entre la fuente y los
objetos de base de datos de destino
Definir la carga inicial y la peródica
Definir requerimientos de herramientas
Construir, probar y ejecutar los procesos de adquisición de
datos
17/01/2013
29
La Calidad de los Datos
Asegure la consistencia de los datos, su confiabilidad y precisión
Desarrollar estrategias para:
Limpieza
Integridad
Procedimientos
Identificar reglas de negocio para:
Limpieza
Manejo de errores
Auditorias y control
Definir requerimientos de las herramientas de calidad de datos
Construir, Probar y ejecutar los modulos de calidad de datos
Documentación
Producir entregables escritos
Glosario
Manual de usuario y documentación técnica
Ayuda en línea
Guía de referencia de los metadatos
Manual de referencia del Data warehouse
Guía de nuevas características
Pruebas
Desarrolle una estrategia para las pruebas
Plan de pruebas, scripts y escenarios
Prueba todos los componentes:
Procesos de ETL
Acceso a los datos
Acceso directo
Regresión
Volumen
Respaldos
Recuperación
Actas de aceptación de pruebas
17/01/2013
30
Capacitación
Requerimientos:
Técnicos
Usuario Final
Negocio
Identifique los participantes
Silabus
Diseñe y elabore el material
Centrarse en la capacitación de la herramienta y uso de Data
Warehouse
Soporte Post
Implementación Evaluar y revisar el uso del data warehouse
Seguimiento del uso
Incrementar el Warehouse
Seguimiento y respuesta a los problemas
Conducir pruebas de ejecución y afinamiento
Transferir responsabilidades
Evaluar y revisar la solución implementada
& Consulting Group Copyright © e-Builders & Consulting Group, 2004. All rights reserved. CONFIDENTIAL
& Consulting Group
4 Arquitectura Data Warehouse
17/01/2013
31
Agenda
Contenido:
Modelos de Data Warehouse
Análisis para la consecución de un Data Warehouse
Diseño de un Data Warehouse
Características Modelo Dimensional
Modelo físico de Data Warehouse
Arquitectura de Data Warehouse
Problemas de Modelamiento
Data Warehouse
Entre los principales problemas encontrados para el
modelamiento de Data Warehouse se encuentran los
siguientes:
Diferentes tipos de datos
Varias maneras de usarlo
Varias maneras para estructurar los datos
Múltiples técnicas de modelamiento
Largos volúmenes de datos
Ambiente del Data
Warehouse
Estructuras de Datos Las estructuras de modelamiento mas comunes se
encuentran en un ambiente de Data Warehouse:
Formato Normalizado (3NF)
Esquema Estrella
Esquema Copo de Nieve
17/01/2013
32
Modelo Estrella
Tabla Productos Product_id PK
Product_disc,...
Tabla Tiempo Day_id FK
Month_id
Year_id,...
Tabla Hechos Ventas Product_id FK
Store_id FK
Item_id FK
Day_id FK
Sales_amount
Sales_units, ...
Tabla Unidades Item_id FK
Item_desc,...
Tabla Almacen Store_id PK
District_id,...
Tabla central
de hechos
Dimensiones
desnormalizadas
Esquema Copo de Nieve
Tbl Tiempo
Week_id
Period_id
Year_id
Tbl Depart
Dept_id
Dept_desc
Mgr_id
Tbl Mgr
Dept_id
Mgr_id
Mgr_name
Tbl Producto
Product_id
Product_desc
Tbl Unidad
Item_id
Item_desc
Dept_id
Tbl Hechos Venta
Item_id
Store_id
Product_id
Week_id
Sales_amount
Sales_units
Tbl Almacen
Store_id
Store_desc
District_id
Tbl Distrito
District_id
District_desc
Esquema Copo de Nieve
Algunas herramientas lo usan directamente
Mas flexible a cambios
Carga de datos mas rápida
Puede ser grande e inmanejable
Degrada la ejecución de las consultas
Metadatos mas complejos
País Depto. Provincia Distrito
17/01/2013
33
Base de Datos del Data
Warehouse
Fases de Diseño Fase 1:
Definir el modelo del negocio
Fase 2:
Definir el modelo dimensional
Fase 3:
Definir el modelo físico
Fase 1: Definir el Modelo del
Negocio
Realizar análisis estratégico
Crear el modelo del negocio
Documentar metadatos
Realizar Análisis Estratégico
Identificar los procesos críticos del negocio
Entender los procesos del negocio
Priorizar y seleccionar el proceso de negocio a implementar
Beneficio
negocio
Baja Alta
Bajo
Alto
Factibilidad
17/01/2013
34
Crear el Modelo del Negocio
Definir requerimientos del negocio:
Identificar las medidas del negocio
Identificar las dimensiones
Identificar granularidad
Identificar definiciones y reglas del negocio
Verificar las fuentes
Metadatos existentes Modelo de producción
Requerimientos
Investigación
Requerimientos del Negocio
Maneja el Proceso de Diseño
En primer lugar
En segundo lugar
Identificar Medidas y
Dimensiones
El Atributo de criterios de análisis:
Nombre producto
Localización
Empaque
Capacidad
El atributo varía continuamente:
Balance
Unidades vendidas
Importe costo
Importe de ventas
Medidas
Dimensiones
17/01/2013
35
Use Matriz de Procesos
Ejemplo de matriz de procesos
Dimensiones
Procesos
Ventas Retorno Inventario
Clientes
Tiempo
Producto
Canal
Promoción
Determinar Granularidad
Año?
Trimestre?
Mes?
Semana?
Día?
Identificar las Reglas del
Negocio
Almacén
Almacén> Distrito > Región
Localización
Proximidad Geográfica
0 - 1 Km
1 - 5 KM
> 5 KM
Producto
Tipo Monitor Estado
PC 15 cm Nuevo
Server 17 cm
Reconstruido
19 cm Propio
Ninguno
Tiempo
Mes > Trimestre > Año
17/01/2013
36
Documentar Metadatos
La Documentación de los metadatos debe incluir:
Documentación de diseño de procesos
Documentación del desarrollo de los procesos
Registro de cambios
Como Documentar
Metadatos
Automatizado
Herramienta de modelamiento de datos
Herramientas de ETL
Herramienta para usuarios finales
Manual
Fase 2: Definir el Modelo
Dimensional Identificar tablas de hechos:
Llevar las medidas del negocio a las tablas de hecho
Analizar la fuente de datos para medidas adicionales
Identificar tablas de dimensiones
Conectar tablas de hechos con tablas de dimensiones
Modelar la dimensión tiempo
17/01/2013
37
Modelo dimensional Estrella
Tabla Almacén
Store_id
District_id
...
Tabla Unidades
Item_id
Item_desc
...
Tabla Hechos
Ventas
Product_id
Store_id
Item_id
Day_id
Sales_amount
Sales_units
...
Tabla Producto
Product_id
Product_desc
...
Tabla Tiempo
Day_id
Month_id
Period_id
Year_id
Características de la Tabla
de Hechos Contienen métricas numéricas del negocio
Pueden almacenar gran volumen de datos
Puede crecer rápidamente
Pueden contener cálculos y resúmenes de datos
Son típicamente aditivas
Están unidas a las dimensiones
a través de claves foráneas
que hacen referencia a las
claves primarias de las
dimensiones
Tabla Hechos
Ventas
Product_id
Store_id
Item_id
Day_id
Sales_amount
Sales_units
...
Características de las Tablas de Dimensiones
Las tablas de dimensiones tienen las siguientes
características:
Contienen información textual que representan los
atributos del negocio (criterios de análisis)
Contienen datos relativamente estáticos
Están unidas a una tabla de hechos a través de una referencia
de clave foránea
17/01/2013
38
Caraterísticas del
Modelo Estrella Dimensional
El un modelo de fácil entendimiento para los usuarios
Las claves primarias representan la dimensión
Las columnas que no son claves foráneas son valores
Los hechos son altamente normalizados
Las dimensiones completamente desnormalizadas
Provee respuestas rápidas a las consultas
La reducción de “Joins” provee desempeño a las consultas
Los usuarios finales expresan consultas complejas
Soportado por todas las herramientas “front-end”
Usando el Tiempo en
Data Warehouse
Definición de estándares para el tiempo son críticas.
Resúmenes basados en el tiempo son complejos
La Dimensión Tiempo
El Tiempo es crítico para el Data Warehouse. Una
consistente representación del tiempo se requiere
para extender
¿Dónde deben ser almacenados los elementos del tiempo?
Dimensión
Tiempo Hechos Ventas
17/01/2013
39
Usando Herramientas de
Modelamiento de Datos
Herramientas con interfase gráfica dan mejor definición
para modelar y documentar
Evitar las mezclas de técnicas de modelamiento causadas
por:
Presiones para desarrollar
Desarrolladores sin conocimiento
Falta de estrategia
Determine una estrategia
Escriba y publique formalmente
Disponibilidad electrónica
Fase 3: Definiendo el
Modelo Físico Lleve el diseño dimensional a un modelo físico para su
implementación
Defina la estrategia de almacenamiento e indexaciones
Establezca tamaño de la base de datos
Defina la estrategia de indexación inicial
Defina la estrategia de particiones
Actualice la documentación de los metadatos con la
información física de los datos
Estándares para su nomenclatura
Estrategia para Definición de
Arquitectura
Obtenga planes de arquitectura existentes
Obtenga los “capacity plans” existentes
Documente las interfaces existentes
Prepare “capacity plans”
Prepare la arquitectura técnica
Documente requerimientos de sistemas operativos
Desarrolle planes de recuperación
Desarrolle planes de seguridad
Cree la arquitectura
Cree la valoración técnica de riesgos
17/01/2013
40
Escalabilidad Mantenimiento Disponibilidad Extensibilidad
Flexibilidad Integración
Requerimientos de
Arquitectura
Usuarios
Presupuesto
Negocios
Tecnología
Tamaño Base de Datos
El tamaño tiene influencia en el “capacity planning” y el
manejo del ambiente de los sistemas
Dimensionar el tamaño se requiere para:
La base de datos
Otras áreas de almacenamiento
Dimensionar el tamaño no es una ciencia exacta
Las técnicas varían
Prueba de muestras de
cargas Analice una muestra representativa de datos usando
métodos estadísticos. Asegúrese que la muestra refleje:
Prueba de cargas para diferentes períodos
Operaciones día por día
Los datos estacionarios y los peores escenarios
Índices y resúmenes
17/01/2013
41
Indexando
La indexación es usada por las siguientes razones:
Es un ahorro de Costo grande, mejorando bastante el
“performance” y la escalabilidad
Este puede reemplazar un “full table scan” por una rápida
lectura del índice y solo leer el bloque del disco que
contiene los registros necesarios.
& Consulting Group Copyright © e-Builders & Consulting Group, 2004. All rights reserved. CONFIDENTIAL
& Consulting Group
5 Extracción, Transformación y
Carga de Datos
Capítulo 5
Introducción a los procesos de ETL
ETL: tareas, importancia y costo
Como manejar la fuente de datos
Técnicas y métodos de extracción
Problemas con el ETL
Herramientas ETL
17/01/2013
42
Procesos de Extracción,
Transformación y Carga (ETL) Extrae datos fuentes
Transforma / Limpia datos
Indexa y resume
Carga en el Data Warehouse
Detecta cambios
Incrementa datos
ETL
Sistemas Operacionales
Data Warehouse
Programas
Herramientas
Gateways
ETL: Tareas, Importancia y
Costos
Sistemas
Operacionales
Relevante
Útil
De calidad
Preciso
Accesible
Data Warehouse
ETL
Extraer
Limpiar
Consolidar
Reestructurar
Cargar
Mantener
Incrementar
Mapear Datos
Transformar
Base de datos
operacionales Área de organización de datos
Base de datos
Warehouse
Extraer Datos
Sistemas fuentes
Datos desde varios sistemas fuentes en varios formatos
Rutinas de extracción
Desarrollado para seleccionar campos de datos desde su fuente
Reglas de negocio, rastros de auditoria, facilidad de corrección de errores
17/01/2013
43
Examinando Fuente de
Datos
Producción
Archivos
Internos
Externos
Mapeo de los Datos
Mapeo de los datos define:
Que atributos operacionales usar
Como transformar los atributos para el Data Warehouse
Donde van los atributos en el data Warehouse
Metadata
File A
F1
Staging File One
Number
F2
F3
Name
DOB
Staging File One
Number USA123
Name Mr. Bloggs
DOB 10-Dec-56
File A
F1 123
F2 Bloggs
F3 10/12/56
Técnicas de Extracción
Programas: C, C++, COBOL, PL/SQL, Java
Gateways: acceso transparente a las bases de datos
Herramientas:
Desarrollo con herramientas propias
Terceros
17/01/2013
44
Métodos de Extracción
Métodos lógicos de extracción:
Extracción Total
Extracción incremental
Métodos físicos de extracción:
Extracción en Línea
Extracción fuera de línea
Diseñando Procesos de
Extracción Análisis:
Fuentes, tecnologías
Tipo de datos, calidad, dueños
Opciones de Diseño:
Manual, Propia, gateway, terceros
Replicación, total o actualizaciones
Problemas de diseño:
Volumen y consistencia de los datos
Automatización, habilidades necesarias, recursos
Mantenimiento de los
Metadatos de Extracción
Localización fuentes, tipo, estructura
Método de acceso
Privilegios
Almacenamientos temporales
Falla de procesos
Validaciones
Manejo de pérdida de datos
17/01/2013
45
Herramientas de Extracción
Criterios de Selección
Base funcional
Características de las interfaces
Repositorios de metadatos
Open API
Acceso a los metadatos
Procesos de entrada y salida
Limpieza, reformateo y auditoría
Referencias
Requerimientos de capacitación
Posibles Fallas de ETL
Archivos fuentes no encontrados
Fallas de sistema
Metadatos inadecuados
Mapeos errados
Inadecuada planificación del almacenamiento
Cambios en la estructura de los fuentes
Inexistencia de planes de contingencia
Validación inadecuada de datos
17/01/2013
46
La Calidad en el ETL
Un Procesos de ETL debe ser
Probado
Documentado
Monitoreado y revisado
Los metadatos dispares deben coordinarse
Transformación
La Transformación elimina anomalías de los datos
operacionales:
Limpiar y estandarizar
Presentar datos de áreas especificas
Extraer
Warehouse
Cargar
Sistemas
Operacionales
Área de organización de datos
Transformar:
Limpiar
Consolidar
Reestructurar
Posibles Modelos de Áreas
de Organización de Datos
Área remota
En el sitio
17/01/2013
47
Área de Organización
Remota
Carga
Warehouse
Carga
Warehouse
Área de organización junto al ambiente del Warehouse
Área de organización en su propio ambiente
Sistemas Operacionales
Extrae
Sistemas
Operacionales
Extrae
Transformación
Área de org
Transformación
Área de org
Area de Organización en el
Sitio
Área de organización junto al ambiente
operacional, posiblemente afectando los sistemas
operacionales
Extrae Carga
Warehouse
Sistemas
Operacionales
Transformación
Área de org
Anomalías en los Datos
Sin clave única
Nombres y códigos con anomalías
Inconsistencias de texto y sintaxis
CUSNUM NAME ADDRESS
90233479 Oracle Limited 100 N.E. 1st St.
90233489 Oracle Computing 15 Main Road, Ft. Lauderdale
90234889 Oracle Corp. UK 15 Main Road, Ft. Lauderdale, FLA
90345672 Oracle Corp UK Ltd 181 North Street, Key West, FLA
17/01/2013
48
Rutinas de Transformación
Limpieza de datos
Eliminando inconsistencias
Agregando elementos
Comparando datos
Integrando datos
Transformación de datos antes de cargar
Transformando Datos:
Problemas Claves de múltiples partes
Múltiples estándares locales
Múltiples archivos
Omisión de valores
Valores duplicados
Formatos de entrada
Integridad referencial
Nombres y direcciones
Múltiples Estándares
Locales
Múltiples estándares locales
Herramientas y filtros de preprocesos
cm
inches
cm USD 600
1,000 GBP
FF 9,990
DD/MM/YY
MM/DD/YY
DD-Mon-YY
17/01/2013
49
Múltiples Archivos
Múltiples archivos fuentes agregan complejidad
Simples para comenzar
Datos
transformados
Múltiple archivos
fuente
Lógica para detectar
corregir fuente
Omisión de Valores
Solución:
Ignórelos
Espera para corregir
Marcar registros
If NULL then
field = ‘A’ A
Valores Duplicados
Solución:
Técnicas: SQL self-join
Constraint en la base de datos
ACME Inc
ACME Inc
ACME Inc
SQL> SELECT ...
2 FROM table_a, table_b
3 WHERE table_a.key (+)= table_b.key
4 UNION
5 SELECT ...
6 FROM table_a, table_b
7 WHERE table_a.key = table_b.key (+);
17/01/2013
50
Nombres
Solución:
Criterio único
Cliente
Customer
Cliente
Contacto
Nombre
Formatos de Entrada
ASCII EBCDIC
12373 “123-73”
ACME Co.
áøåëéí äáàéí Beer (Pack of 8)
Integridad Referencial
Solución:
SQL anti-join
Constraints
Herramientas especiales
Departamento
10
20
30
40
Emp Nombre Departamento
1099 Smith 10
1289 Jones 20
1234 Doe 50
6786 Harris 60
17/01/2013
51
Calidad de los Datos: Importancia y Beneficios
Calidad de los datos:
Clave para el éxito de la implementación
La calidad de los datos ayuda en:
Objetividad del cliente
Determinando patrones de compra
Identificar organizaciones: privados y comerciales
Uniendo clientes
Identifica datos históricos
Estándares de Calidad
Establecer estándares:
Defina una estrategia de calidad
Decida nivel optimo de calidad de datos
Mejorando la calidad de los datos operacionales
Considerar modificar reglas para los datos operacionales
Documentar los fuentes
Diseñar los procesos de limpieza cuidadosamente
Limpieza inicial y su mantenimiento varían
Pautas para la Calidad de los
Datos Datos Operacionales:
No deben ser usados directamente en el Warehouse
Deben ser limpiados en cada incremento
No se arreglan simplemente modificando las aplicaciones
17/01/2013
52
Técnicas de Transformación
Uniendo y comparando datos (merge)
Agragar fecha
Agregar claves a los datos
Agregar Fecha:
Tablas de Hechos y
Dimensiones
Item Table
Item_id
Dept_id
Time_key
Store Table
Store_id
District_id
Time_key Sales Fact Table
Item_id
Store_id
Time_key
Sales_dollars
Sales_units Time Table
Week_id
Period_id
Year_id
Time_key
Product Table
Product_id
Time_key
Product_desc
Resumen de Datos
1. Durante la extracción o en el área de organización de
datos
2. Después de la carga al servidor del Warehouse
Bases de datos
Operacionales
Base de datos
Warehouse
Área de Organización de
datos
17/01/2013
53
Cargando Datos en el Data
Warehouse La carga mueve los datos al Warehouse
La carga implica tiempo:
Considerar ventana para carga
Programe y automatice la carga
Carga inicial mueve grandes volúmenes de datos
Cargas subsecuentes (periódicas) mueven menos datos
Bases de datos
Operacionales
Base de datos
Warehouse
Área de Org
Extrae
Transformar
Transporta,
carga
Carga Inicial y Periódica
Carga Inicial:
Evento único que puebla la base de datos con datos históricos
Involucra grandes volúmenes de datos
Empleo de diferentes tareas
Involucra grandes cantidades de proceso después de la carga
Carga Periódica:
Realizada de acuerdo a los ciclos de negocio
Menos datos que cargar
Tareas de carga menos complejas
Menores cantidades de procesos posteriores
Construyendo Procesos de
Carga Técnicas y herramientas
Métodos de transferencia de archivos
Tiempo disponible para la carga
Tiempo disponible para otras tareas
Volúmenes de carga inicial y periódica
Frecuencia de la carga periódica
Conectividad
17/01/2013
54
Construyendo los Procesos
de Carga
Pruebe la técnica propuesta
Documente el propósito de la carga
Supervise, repase y revise
Granuilaridad de los Datos
Importante diseñarla
Nivel mínimo de granularidad:
Caro, máximo nivel de procesos, más espacio en disco, más detalle
Nivel máximo de granularidad:
Barato, menos procesos, menor espacio en disco, menos detalle
Técnicas de Carga
Herramientas
Utilitarios y 3GL
Puertas de enlace
Personalice copias de programas
Replicación
FTP
Manual
17/01/2013
55
Creando Claves Derivadas
El uso de claves derivadas o generalizadas es recomendado
para mantener identificaciones únicas de un registro
Métodos:
Concatenar clave operacional con un número adicional generado
Asigne un número secuencial generado o de una lista
109908 01 109908
109908 100
Resúmenes
Tablas resumidas
Vistas materializadas
Datos resumidos
Filtrando Datos
Desde el Warehouse a Datamarts
CREATE TABLE AS SELECT (CTAS), or
CREATE TABLE AS SELECT...
PARALLEL (pCTAS)
Datamarts
Datos
Resumidos
Warehouse
17/01/2013
56
Verificando Integridad de
Datos Cargar datos en archivos intermedios
Compare totales de fuente y destino antes de cargar
Destino
=
=
Carga
Conteo y
Cantidades
Totales
Conteo y
Cantidades
Totales
Archivo intermadio
Preserve, revise, arregle,
entonces cargar
Definiendo los Metadatos del
Warehouse
Datos acerca de los datos del Data Warehouse y sus procesos
Vital para el Data Warehouse
Usado por todos
La clave para entender la información del Warehouse
Metadata
Repositorio
de Metadatos
Metadatos de Usuarios
Usuarios Finales
Desarrolladores Profesionales IT
17/01/2013
57
Tipos de Metadatos
Metadatos de usuario final:
Clave para un buen Warehouse
Ayuda para la navegación
Proveedor de información
Metadatos ETL:
Mapa de la fuente al destino
Información de la fuente y el destino
Transformaciones
Contexto
Metadatos operacionales:
Carga, manejo y programación de procesos
Performance
Examinar los Tipos de
Metadatos Metadatos del ETL
Metadata del usuario final
Warehouse
ETL Fuentes
Externas
Datos Fuente
Operacional
Usuario
Final
Repositorio de
Metadatos
Metadatos del ETL
Reglas de negocio
Tablas fuentes, campos y valores claves
Propietarios
Conversión de campos
Tablas de referencia y codificación
Cambio de Nombres
Cambios de claves
Valores por defecto
Lógica para manejar múltiples fuentes
Algoritmos
Fechado
17/01/2013
58
Metas de los Metadatos
y su Intención
Definir metas claras
Identificar requerimientos
Identificar la intención
Metadatos
Identificando Usuarios de
Metadatos ¿Quienes son los usuarios de los metadatos?
Desarrolladores
Usuario finales
¿Qué información necesitan ellos?
¿Cómo se accede a los metadatos?
Escoja Herramientas para Metadatos y Técnicas
Herramientas:
Modeladores de datos
ETL
Usuario final (consulta y análisis)
Esquemas de base de datos
Herramientas Middleware
17/01/2013
59
Metamodelo Común del Data Warehouse
(Common Warehouse Metamodel CWM)
Repositorio de Metadatos CWM
Aplicaciones analíticas
Diseño y Administración
Warehouse
Marts
Cualquier
Fuente
ERP
Operacional
Externa
Cualquier
Acceso
Reportes
Consultas y
Análisis
Minería Integración
Datos
Entrega
Información
& Consulting Group Copyright © e-Builders & Consulting Group, 2004. All rights reserved. CONFIDENTIAL
& Consulting Group
6 Modelamiento Dimensional
Partes de un Modelo
Dimensional
Medidas
Cantidades
Importes
Criterios de análisis
Atributos descriptivos
17/01/2013
60
Modelo Dimensional
Composición Tabla de Hecho
Medidas
Dimensiones
Elementos
Atributos
Agregados
Copos de Nieve
Modelo Dimensional
Granularidad
Nivel mínimo de detalle
A menor granularidad,
mayor cantidad de detalle
Entre mayor sea la granularidad,
mayor será la cantidad de procesamiento
Dimensiones …
Elementos: son los
datos a través de los
cuales establecemos
jerarquías
17/01/2013
61
… Dimensiones …
Drill-Up y Drill-Down
… Dimensiones …
Ejemplos de Jerarquías
Departamento
Provincia
Distrito
Tipo de Producto
Marca Producto
Producto
… Dimensiones …
La mayoría de las dimensiones se conformarán al menor grado de granularidad
posible
Creación de claves primarias no son necesariamente el código que se utliza en
las fuentes
Definición clara de elementos jerárquicos
Definición de atributos descriptivos
17/01/2013
62
… Dimensiones …
El promedio recomendado por cada modelo
estrella está entre 4 y 15 Dimensiones por cada
Tabla de Hechos
… Dimensiones …
Dimensiones combinadas: resulta de la unión
(producto cartesiano) de dos posibles
dimensiones.
Dimensión A
Dimensión B Dimensión AB
… Dimensiones …
División de dimensiones: resulta de dividir una dimensión en dos
entidades diferentes
Dimensión A
Dimensión A1
Dimensión A2
17/01/2013
63
… Dimensiones …
Dimensiones muy grandes
… Dimensiones …
Copos de Nieve (Snowflaking) Normalización de atributos
Su aplicación no es recomendada porque aumenta los tiempos de respuesta y complica el modelo
Hechos
Dimensión
Dimensión Dimensión
Dimensión
Copo de Nieve
… Dimensiones …
Para que una dimensión sea exitosa:
Utilizar textos completos entendibles
Muy descriptiva
Completa (sin omitir valores)
Asegurar calidad (bien escrito, sin valores imposibles, sin valores obsoletos, sin diferentes versiones del mismo atributo)
Indexación
Desnormalizada
Bien Documentada
17/01/2013
64
… Dimensiones …
Slowly Changing Dimension Técnicas para actualización de datos en las
dimensiones, básicamente existen 3 tipos de actualización de datos críticos para los atributos principales de las dimensiones
… Dimensiones …
Slowly Changing Dimension
Tipo 1: Cuando existe un cambio en alguna
dimensión que afecte las consultas, se substituye el
valor anterior por el nuevo
… Dimensiones …
Slowly Changing Dimension
Tipo 2: Cuando existe un cambio en alguna dimensión que
afecte las consultas, se agregan nuevos registros con los
cambios.
17/01/2013
65
… Dimensiones …
Slowly Changing Dimension
Tipo 3: Cuando existe un cambio en alguna dimensión que
afecte las consultas, se colocan los cambios agregando
campos en el mismo registro de la dimensión
… Dimensiones …
Es la dimensión mas crítica del Data Warehouse
Se requiere una representación consistente del tiempo para una mejor visión de los datos
La Dimensión Tiempo
… Dimensiones
Impacto en el tamaño de la base de
datos
Establecer siempre un nivel de
granularidad menor al requerido
Granularidad de la Dimensión Tiempo
17/01/2013
66
Hechos …
Medida: Dato numérico que determina lo
ocurrido o el comportamiento en la empresa
… Hechos …
La granularidad en los hechos de cada Datamart está basado en
el nivel de granularidad natural mínimo de las dimensiones que
lo constituyen
… Hechos
Clave primaria conformada por los FK de las
dimensiones
Dimensión Productos
Id Producto
Id Producto
PK
FK
Tabla de Hechos
Dimensión Tiempo
Id Tiempo
Id Tiempo
PK
FK
Medida
Medida Medida
Atributo Atributo Atributo
Atributo Atributo Atributo
17/01/2013
67
OLAP
Data
Mining
BI Developer Components
• Oracle Warehouse Builder
• Discoverer
• JDeveloper
• Reports Developer
Web
Analytics
Ad-hoc
Query
Reporting
BI Beans
Portal
Personalization ETL
Database
Tables
Discoverer
Metadata
Oracle9i
Discoverer Administrator
Oracle9i
Discoverer Desktop
17/01/2013
68
Discoverer
Administrator End User
Layer
Browser
Java Applet
HTTP
Server
Oracle AS
Discoverer
Services
Discoverer Viewer
Discoverer
Desktop
Discoverer Plus
Browser
Viewer Servlet
Construyendo y Ejecutando
una Consulta
End User
Layer SQL
Cliente Application
Server Base de Datos
17/01/2013
69
Caching Data
Client
Discoverer Plus
Data
tables
Application
Server
ResultsBase Cache
Redirección a Tablas
Sumarias
Summary awareness
Or
Data
tables
Summary
tables
Database
emp_data
emp_code
view_mgr
Hierarchies
Employees
Joins
Data dictionary
End User Layer
17/01/2013
70
Discoverer Plus and
Discoverer Viewer
Application Server
Web Client Discoverer
Desktop
Discoverer
Administrator
End User Layer
Programando ejecución de reportes en el
tiempo
End user
1
2
17/01/2013
71
Oracle Discoverer Viewer