Data March DATA VULT

בקודם מאמרים, ראינו את היסודות של DATA VAULT, הרחבת DATA VAULT למצב שניתן לנתח יותר, ויצירת BUSINESS DATA VAULT. הגיע הזמן לסיים את הסדרה בכתבה השלישית.

כפי שהודעתי בקודם פרסום, מאמר זה יתמקד בנושא BI, או ליתר דיוק הכנת DATA VAULT כמקור נתונים עבור BI. הבה נבחן כיצד ליצור טבלאות עובדות וממדים וכך ליצור סכימת כוכבים.

כשהתחלתי ללמוד חומרים באנגלית בנושא יצירת נתונים מרטים על DATA VAULT, הייתה לי הרגשה שהתהליך די מסובך. מאחר שהמאמרים באורך ניכר, ישנן התייחסויות לשינויים בנוסח שהופיעו במתודולוגיית Data Vault 2.0, מצוינת חשיבותם של ניסוחים אלו.

עם זאת, לאחר שהתעמקו בתרגום, התברר שתהליך זה אינו כה מסובך. אבל אולי יש לך דעה אחרת.

וכך, בואו נגיע לנקודה.

טבלאות מימדים ועובדות ב-DATA VAULT

המידע הקשה ביותר להבנה:

• טבלאות מדידה בנויות על מידע ממוקדים והלוויינים שלהם;
• טבלאות עובדות בנויות על מידע מקישורים והלוויינים שלהם.

וזה ברור לאחר קריאת המאמר על יסודות DATA VULT. רכזות מאחסנות מפתחות ייחודיים של אובייקטים עסקיים, הלוויינים המוגדרים בזמן של מצב תכונות האובייקט העסקי, לוויינים הקשורים לקישורים התומכים בעסקאות מאחסנים את המאפיינים המספריים של עסקאות אלו.

כאן בעצם מסתיימת התיאוריה.

אבל, בכל זאת, לדעתי, יש צורך לציין כמה מושגים שניתן למצוא במאמרים על מתודולוגיית ה-DATA VAULT:

• Raw Data Marts - מופעי ראווה של נתונים "גולמיים";
• מידע מארטס - ויטרינות מידע.

המושג "Raw Data Marts" - מציין מרצים שנבנו על נתוני DATA VAULT על ידי ביצוע JOIN פשוטים למדי. גישת "Raw Data Marts" מאפשרת לך להרחיב בצורה גמישה ומהירה את פרויקט המחסן עם מידע מתאים לניתוח. גישה זו אינה כרוכה בביצוע טרנספורמציות נתונים מורכבות וביצוע כללים עסקיים לפני הצבתם בחזית החנות, עם זאת, נתוני Raw Data Marts צריכים להיות מובנים למשתמש העסקי וצריכים לשמש בסיס לטרנספורמציה נוספת, למשל, על ידי כלי BI .

המושג "אינפורמציה מרץ" הופיע במתודולוגיית ה-Data Vault 2.0, הוא החליף את המושג הישן של "Data Marts". שינוי זה נובע ממימוש המשימה של הטמעת מודל נתונים לדיווח כהפיכת נתונים למידע. תוכנית "מדי מידע", קודם כל, צריכה לספק לעסק מידע המתאים לקבלת החלטות.

הגדרות מילוליות למדי משקפות שתי עובדות פשוטות:

1. חלונות ראווה מסוג "Raw Data Marts" בנויים על DATA VAULT גולמי (RAW), מאגר המכיל רק את המושגים הבסיסיים: HUBS, LINKS, SATELLITES;
2. חלונות ראווה "Information Marts" בנויים באמצעות אלמנטים של BUSINESS VULT: PIT, BRIDGE.

אם נפנה לדוגמאות לאחסון מידע על עובד, נוכל לומר שחלון ראווה המציג את מספר הטלפון הנוכחי (הנוכחי) של עובד הוא חלון ראווה מסוג "Raw Data Marts". כדי ליצור חלון ראווה כזה, נעשה שימוש במפתח העסקי של העובד ובפונקציית MAX() המשמשת בתכונת תאריך טעינת הלוויין (MAX(SatLoadDate)). כאשר נדרש לשמור את היסטוריית השינויים בתכונות בוויטרינה - היא בשימוש, צריך להבין מאיזה תאריך ועד איזה תאריך הטלפון היה מעודכן, הידור של המפתח העסקי ותאריך הטעינה אליו הלוויין יוסיף את המפתח הראשי לטבלה כזו, נוסף גם השדה של תאריך הסיום של תקופת התוקף.

יצירת חלון ראווה המאחסן מידע עדכני עבור כל תכונה של מספר לוויינים הכלולים ברכזת, למשל, מספר טלפון, כתובת, שם מלא, מרמזת על שימוש בטבלת PIT, שדרכה קל לגשת לכל התאריכים של רלוונטיות. חלונות ראווה מסוג זה מכונים "מחנות מידע".

שתי הגישות רלוונטיות הן למדידות והן לעובדות.

כדי ליצור חלונות ראווה המאחסנים מידע על מספר קישורים ורכזות, ניתן להשתמש בגישה לטבלאות BRIDGE.

עם מאמר זה, אני משלים את המחזור על הרעיון של DATA VAULT, אני מקווה שהמידע ששיתפתי יהיה שימושי ביישום הפרויקטים שלך.

כמו תמיד, לסיכום, כמה קישורים שימושיים:

• סעיף Kenta Graziano, אשר בנוסף לתיאור מפורט, מכיל דיאגרמות מודל;

• ספר: "בניית מחסן נתונים ניתן להרחבה עם DATA VAULT 2.0";
• מאמר "יסודות כספת הנתונים";
• מאמר "פיתוח של DATA VAULT ומעבר ל-BUSINESS DATA VAULT".

מקור: www.habr.com