In de voorgaande , maakten we kennis met de basisprincipes van DATA VAULT, breiding van DATA VAULT naar een meer analyse-vriendelijk model en het creëren van BUSINESS DATA VAULT. Het is tijd om de serie af te ronden met het derde artikel.
Zoals ik in de vorige , heb aangekondigd, zal dit artikel zich richten op het onderwerp BI, en meer specifiek op de voorbereiding van DATA VAULT als gegevensbron voor BI. Laten we kijken hoe we feitentabellen en dimensies kunnen maken en zo een stermodel kunnen opbouwen.
Toen ik begon met het bestuderen van Engelstalige materialen over het creëren van datawarehouses op basis van DATA VAULT, had ik al snel het gevoel dat het proces behoorlijk complex was. Aangezien de artikelen omvangrijk zijn, bevatten ze verwijzingen naar wijzigingen in de terminologie die zijn opgekomen in de Data Vault 2.0-methodologie, waarbij het belang van deze terminologie wordt benadrukt.
Echter, naarmate ik dieper in de vertaling dook, werd duidelijk dat dit proces helemaal niet zo ingewikkeld is. Maar misschien krijg je een andere indruk.
Laten we nu naar de kern van de zaak gaan.
Dimensietabellen en feitentabellen in DATA VAULT
De moeilijkste informatie om te begrijpen:
- Dimensietabellen worden opgebouwd uit informatie van hubs en hun satellieten;
- Feitentabellen worden opgebouwd uit informatie van links en hun satellieten.
En dit is duidelijk na het lezen van het artikel over . Hubs slaan unieke sleutels van bedrijfsobjecten op, terwijl de satellieten de statusattributen van bedrijfsobjecten tijdgebonden vastleggen, en de satellieten die aan links zijn gekoppeld die transacties ondersteunen, slaan numerieke kenmerken van deze transacties op.
In principe eindigt hier de theorie.
Maar toch, naar mijn mening is het belangrijk om een paar concepten te vermelden die je kunt tegenkomen in artikelen over de DATA VAULT-methodologie:
- Raw Data Marts â vitrines van 'ruwe' data;
- Information Marts â informatievitrines.
Het begrip 'Raw Data Marts' verwijst naar vitrines die zijn opgebouwd bovenop DATA VAULT-gegevens door relatief eenvoudige JOINs uit te voeren. De aanpak van 'Raw Data Marts' maakt het mogelijk om het project flexibel en snel uit te breiden met informatie die geschikt is voor analyse. Deze aanpak vereist geen complexe datatransformaties of het uitvoeren van bedrijfsregels voordat deze in de vitrine worden geplaatst, maar de gegevens in 'Raw Data Marts' moeten begrijpelijk zijn voor de zakelijke gebruiker en dienen als basis voor verdere transformaties, bijvoorbeeld met BI-tools.
Het concept âInformation Martsâ verscheen in de Data Vault 2.0-methodologie en verving het oude begrip âData Martsâ. Deze verandering is te wijten aan het besef dat de taak om een datamodel voor rapportage op te bouwen, een transformatie van gegevens naar informatie is. De âInformation Martsâ-structuur moet in de eerste plaats de onderneming voorzien van besluitvormingsinformatie.
De behoorlijk uitgebreide definities weerspiegelen twee eenvoudige feiten:
- Vitrines van het type âRaw Data Martsâ zijn opgebouwd uit ruwe (RAW) DATA VAULT, een opslagplaats die alleen de basisconcepten bevat: HUBS, LINKS, SATELLITES;
- Vitrines âInformation Martsâ worden opgebouwd met behulp van elementen van de BUSINESS VAULT: PIT, BRIDGE.
Als we kijken naar voorbeelden van informatieopslag over een werknemer, kunnen we zeggen dat een vitrine die het huidige (vandaag geldende) telefoonnummer van de werknemer weergeeft, een vitrine van het type âRaw Data Martsâ is. Voor het opstellen van zo'n vitrine wordt de zakelijke sleutel van de werknemer gebruikt, samen met de functie MAX(), toegepast op het laaddata-attribuut in de satelliet (MAX(SatLoadDate)). Wanneer het nodig is om de geschiedenis van de wijziging van een attribuut in de vitrine op te slaan, moet men begrijpen vanaf welke datum tot welke datum het telefoonnummer geldig was; de primaire sleutel in zo'n tabel bestaat uit een samenstelling van de zakelijke sleutel en de laaddatum in de satelliet, tevens wordt er een veld voor de einddatum van de geldigheidsperiode toegevoegd.
Het creĂ«ren van een vitrine die actuele informatie over elk attribuut van verschillende satellieten in de hub opslaat, zoals telefoonnummer, adres, volledige naam, impliceert het gebruik van de PIT-tabel, waarmee eenvoudig alle actuele datums verkregen kunnen worden. Vitrines van dit type vallen onder âInformation Martsâ.
Beide benaderingen zijn relevant voor zowel dimensies als feiten.
Voor het creëren van vitrines die informatie over verschillende links en hubs opslaan, kan men gebruik maken van BRIDGE-tabellen.
Met dit artikel rond ik de cyclus over het concept DATA VAULT af. Ik hoop dat de informatie die ik heb gedeeld nuttig zal zijn bij de uitvoering van uw projecten.
Zoals altijd, ter afsluiting, een aantal nuttige links:
- Kent Graziano, waarin naast een gedetailleerde beschrijving schema's van het model zijn opgenomen;
- Boek: âBuilding a Scalable Data Warehouse with DATA VAULT 2.0â;
- ;
- .
Bron: habr.com
