HURTOWNIE DANYCH. Krzysztof Goczyła. Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska. K.

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "HURTOWNIE DANYCH. Krzysztof Goczyła. Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska. kris@eti.pg.gda.pl. K."

Transkrypt

1 HURTOWNIE DANYCH Krzysztof Goczyła Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska # 1

2 Część I. Tworzenie hurtowni danych 1. Co to jest hurtownia danych? 2. Model danych w hurtowni danych 3. Przykłady hurtowni danych i analiz biznesowych 4. Architektura logiczna hurtowni danych 5. Architektura fizyczna hurtowni danych 6. Obszary zastosowań 7. Planowanie implementacja hurtowni danych Literatura: V. Poe, P. Klauer, S. Brebst: Tworzenie hurtowni danych, WNT 2000 D. Mendrala, M. Szeliga: SQL Usługi biznesowe. Analiza i eksploracja danych. Helion R. Kimball: Data Warehouse Toolkit. J. Wiley&Sons, P. Ponniah: Data Warehousing. J. Wiley&Sons, W.H. Inmon: Building the Data Warehouse. J. Wiley&Sons, # 2

3 Co to jest hurtownia danych? (data warehouse) Scentralizowana nietransakcyjna baza danych przeznaczona do przechowywania informacji w długim horyzoncie czasowym globalnie w skali instytucji, w wielowymiarowych układach analitycznych i ukierunkowana na wyszukiwanie i analizowanie informacji bezpośrednio przez końcowych użytkowników. Tematyczny, zintegrowany, zależny od czasu, trwały zbiór danych, ukierunkowany na wspomaganie procesów podejmowania decyzji. # 3

4 Cechy hurtowni danych Baza danych Hurtownia danych to bardzo duża baza danych (setki GB, pojedyncze TB), przechowująca dane z długiego horyzontu czasowego. Taka baza danych optymalizowana jest pod kątem przetwarzania analitycznego, a nie transakcyjnego. # 4

5 Cechy hurtowni danych Przetwarzanie nietransakcyjne (analityczne) Operacje dokonywane na hurtowni danych: nie zmieniają zawartości bazy danych, wydobywają informacje w różnych przekrojach i agregacjach. Przetwarzanie typu OLAP (On-Line Analytical Processing): Przetwarzanie danych, którego celem są analizy trendów, analizy przekrojowe i inne analizy o charakterze strategicznym # 5 Przetwarzanie transakcyjne (w bazach danych): OLTP (On-Line Transactional Processing) Kw 2. Kw 3. Kw 4. Kw

6 Cechy hurtowni danych Scentralizowanie Dane pochodzące z wielu różnych systemów baz danych zbierane są do jednego miejsca (scentralizowanej bazy danych), gdzie rezyduje hurtownia danych. W tym miejscu realizowane są: obróbka i przetwarzanie danych analizy (za pomocą narzędzi typu business intelligence) prezentacja danych i wyników # 6

7 Cechy hurtowni danych Globalność Hurtownia danych obejmuje całe przedsiębiorstwo (organizację, instytucję,...). Zawiera wszystkie, kompletne dane dotyczące określonej dziedziny działalności przedsiębiorstwa (w przeciwnym razie wyniki analiz OLAP mogą nie być miarodajne). Gdy dane w hurtowni obejmują tylko pewien wycinek danych globalnych: minihurtownia (podhurtownia, zbiorcza baza danych, data mart) # 7

8 Cechy hurtowni danych Wspomaganie podejmowania decyzji Business intelligence Hurtownie danych - podstawa do tworzenia systemów wspomagania decyzji o charakterze strategicznym dla firmy (DSS, Decision Support System; BI, business intelligence): silne narzędzia analityczne wydajne przetwarzanie ogromnych ilości danych przyjazne dla użytkownika prezentowanie wyników? # 8

9 Cechy hurtowni danych Wielowymiarowy model danych Zasadnicze dane hurtowni przechowywane są w postaci faktów, mogących być przedmiotem analiz ilościowych. Z faktami kojarzone są miary o charakterze numerycznym. Wymiary o charakterze nienumerycznym służą do agregowania faktów względem różnych kryteriów (warunków określonych na wymiarach). Elementy wymiarów są tekstowymi etykietami opisującymi fakty. y z # 9 x

10 Cechy hurtowni danych - podsumowanie Bardzo duża baza danych Ładowana z zewnętrznych źródeł danych Przeznaczona tylko do odczytu Zorganizowana i zoptymalizowana pod kątem analiz przekrojowych i agregacji # 10

11 Wielowymiarowy model danych Sieć sprzedaży detalicznej S k l e p C z a s d2 s5 s4 s3 s2 s1 d1 d4 d3 p1 p2 p3 p4 p5 p6 Produkt kostka (cube) Produkt Sklep Czas wymiary (p i, s j, d k ) fakt sprzedaży produktu p i w sklepie s j dnia d k Możliwe miary: ilość sprzedanego produktu przychód ze sprzedaży koszt sprzedaży # 11

12 Przykłady analiz przekrojowych Wycinanie S k l e p C z a s d2 s5 s4 s3 s2 s1 d1 d4 d3 p1 p2 p3 p4 p5 p6 Produkt d4 d3 d2 d1 C z a s s3 p1 p2 p3 p4 p5 p6 Produkt Efekt: (p i, s 3, d k ) - wszystkie fakty sprzedaży w sklepie s 3 # 12

13 Przykłady analiz przekrojowych Wycinanie S k l e p C z a s d2 s5 s4 s3 s2 s1 d1 d4 d3 p1 p2 p3 p4 p5 p6 Produkt d3 d2 s3 s4 p2 p3 p4 Efekt: (p i, s j, d k ) - fakty sprzedaży w sklepie s 3 i s 4 produktów p 2, p 3, p 4 w dniach d 2, d 3 # 13

14 Przykłady analiz przekrojowych Rzutowanie S k l e p C z a s d2 s5 s4 s3 s2 s1 d1 d4 d3 p1 p2 p3 p4 p5 p6 Produkt Efekt: S k l e p s1 s2 s3 s4 s5 p1 p2 p3 p4 p5 p6 Produkt (p i, s j ) - agregacja sprzedaży poszczególnych produktów w poszczególnych sklepach w całym okresie Zazwyczaj domyślną agregacją dla miar jest sumowanie (funkcja SUM) # 14

15 Schemat gwiazdy Tablica wymiarów Tablica wymiarów 3 n n Tablica faktów n n... Tablica wymiarów Tablica wymiarów k Tablica faktów, z atrybutami liczbowymi (miarami, ang. measures) Tablice wymiarów, z atrybutami opisowymi (elementami wymiarów, ang. dimension members) Schemat gwiazdy schemat logiczny hurtowni danych # 15

16 Schemat gwiazdy - przykład Produkt Czas nr_dnia dzie ń miesi ąc rok... Sprzeda ż nr_produktu nr_sklepu nr_dnia przychód ilość koszt... nr_produktu nazwa kategoria dzia ł... Sklep nr_sklepu miasto województwo... Sprzedaż - tablica faktów, z miarami przychód, ilość, koszt, Czas, Produkt, Sklep - tablice wymiarów, z atrybutami będącymi elementami wymiarów nr_xxx... to atrybuty kluczowe # 16

17 Przykłady zapytań analitycznych Podaj wielkość sprzedaży (kwotowo i ilościowo) w roku 2008 wszystkich produktów z poszczególnych działów, we wszystkich sklepach. Wynik: Dział Przychód Ilość chemiczne 1345, elektryczne 9878, papiernicze 6784, spożywcze 12456, Zapytanie SQL: SELECT p.dział, SUM(s.przychód), SUM(s.ilość) FROM Sprzedaż s, Produkt p, Czas c WHERE s.nr_produktu = p.nr_produktu AND s.nr_dnia = c.nr_dnia AND c.rok = 2008 GROUP BY p.dział ORDER BY p.dział # 17

18 Przykłady zapytań analitycznych Podaj wielkość sprzedaży (kwotowo i ilościowo) w roku 2008 wszystkich produktów z poszczególnych działów i kategorii, we wszystkich sklepach. Wynik: Dział Kategoria Przychód Ilość chemiczne farby 740, chemiczne proszki 605, elektryczne wtyczki 1550, elektryczne żarówki 8327, papiernicze piśmienne 684, papiernicze zeszyty 6100, spożywcze mleczne 9500, spożywcze pieczywo 956, spożywcze wędliny 2000, Dodano jeden atrybut wymiaru Produkt: kategoria, uszczegóławiając obraz danych. rozwijanie danych (drilling down) # 18

19 Przykłady zapytań analitycznych Zapytanie SQL: SELECT p.dział, p.kategoria, SUM(s.przychód), SUM(s.ilość) FROM Sprzedaż s, Produkt p, Czas c WHERE s.nr_produktu = p.nr_produktu AND s.nr_dnia = c.nr_dnia AND c.rok = 2008 GROUP BY p.dział, p.kategoria ORDER BY p.dział, p.kategoria Poprzednio: SELECT p.dział, SUM(s.przychód), SUM(s.ilość) FROM Sprzedaż s, Produkt p, Czas c WHERE s.nr_produktu = p.nr_produktu AND s.nr_dnia = c.nr_dnia AND c.rok = 2008 GROUP BY p.dział ORDER BY p.dział # 19

20 Przykłady zapytań analitycznych Dział Przychód Ilość chemiczne 1345, elektryczne 9878, papiernicze 6784, spożywcze 12456, zwijanie (drilling up) rozwijanie (drilling down) Dział Kategoria Przychód Ilość chemiczne farby 740, chemiczne proszki 605, elektryczne wtyczki 1550, elektryczne żarówki 8327, papiernicze piśmienne 684, papiernicze zeszyty 6100, spożywcze mleczne 9500, spożywcze pieczywo 956, spożywcze wędliny 2000, # 20

21 Przykłady zapytań analitycznych Podaj zestawienie sprzedaży w 2008 roku według działów produktów, z dokładnością do miesiąca. Dział Miesiąc Przychód Ilość chemiczne styczeń 34,10 12 chemiczne luty 120, chemiczne grudzień 20,50 10 elektryczne styczeń 321,90 87 elektryczne luty 421, papiernicze styczeń 145, Dział i Miesiąc to atrybuty różnych wymiarów # 21

22 Schemat gwiazdy Czas nr_dnia dzień miesi ąc rok... Sprzeda ż nr_produktu nr_sklepu nr_dnia przychód ilość koszt... Produkt nr_produktu nazwa kategoria dział... Sklep nr_sklepu miasto województwo... Niektóre atrybuty wymiarów mogą się wielokrotnie powtarzać (np. dział, województwo) redundancja danych # 22

23 Schemat płatka śniegu T11 T12 T32 T31 n n Tablica wymiarów 1 n n Tablica wymiarów 3 n n Tablica faktów n n n T33 Tablica wymiarów 2 Tablica wymiarów k n T211 n T21 Powstaje w wyniku normalizacji schematu gwiazdy # 23

24 Schemat płatka śniegu Kategorie Czas nr_dnia dzień miesi ąc rok... Sprzeda ż nr_produktu nr_sklepu nr_dnia przychód ilo ść koszt... Produkt nr_produktu nr_kategorii nazwa_p opis... Sklep nr_sklepu nr_miasta nazwa_s... nr_kategorii nr_działu nazwa_k opis... Miasta Działy nr_działu nazwa_d opis... nr_miasta nazwa_m województwo # 24 Pozwala usunąć redundancję i zredukować wielkość bazy danych Zmniejsza efektywność realizacji zapytań analitycznych Stosowany znacznie rzadziej niż schemat gwiazdy

25 Model hurtowni dla sieci bibliotek - fakty i miary Czas_wyp Książka nr_dnia_wyp dzień miesiąc rok... Czas_zwr nr_dnia_zwr dzień miesiąc rok... Wypożyczenie nr_książki nr_biblioteki nr_dnia_wyp nr_dnia_zwr... nr_książki tytuł autor wydawnictwo dział... Biblioteka nr_biblioteki nazwa miasto województwo wielkość_miasta... Fakt Wypożyczenie może nie mieć żadnych atrybutów liczbowych; wszelkie analizy będą bazować na liczbie faktów. Możemy sobie wyobrazić, że miarą jest liczba 1. Takiej miary jednak nie warto przechowywać, gdyż można zmienić domyślną funkcję agregującą na COUNT. # 25

26 Model hurtowni dla sieci bibliotek wymiary Wymiary Czas_wyp i Czas_zwr mogą być implementowane za pomocą jednej tablicy Czas o kluczu nr_dnia. Z jednej tablicy wymiarów można utworzyć wiele wymiarów: - Wydawnictwo: Książka.wydawnictwo - DziałLiteracki: Książka.dział - Wielkość: Biblioteka.wielkość_miasta - Położenie: Biblioteka.województwo Biblioteka.miasto Biblioteka.nazwa Położenie jest wymiarem hierarchicznym; Wydawnictwo, DziałLiteracki i Wielkość to wymiary kategoryjne. # 26 Zazwyczaj wymiar oznaczający czas jest wymiarem hierarchicznym; np. - Czas_wyp: Czas.rok Czas.miesiąc Czas.dzień

27 Przykłady zapytań analitycznych Podaj liczby wypożyczeń w roku 2008 według miast, uszeregowane w kolejności malejącej. Wynik: Miasto Ile Gdańsk Warszawa Poznań 9765 Wrocław 9345 Kraków Zapytanie SQL: SELECT b.miasto, COUNT(*) AS Ile FROM Wypożyczenie w, Biblioteka b, Czas c WHERE w.nr_biblioteki = b.nr_biblioteki AND w.nr_dnia_wyp = c.nr_dnia AND c.rok = 2008 GROUP BY b.miasto ORDER BY Ile # 27

28 Przykłady zapytań analitycznych Rozwiń poprzednie zapytanie, uszczegóławiając je o działy książek. # 28 Wynik: Zapytanie SQL: Miasto Dział Ile Gdańsk beletr. 678 Gdańsk naukowe 100 Gdańsk słowniki Kraków beletr. 456 Kraków naukowe Poznań beletr Warszawa beletr SELECT b.miasto, k.dział, COUNT(*) AS Ile FROM Wypożyczenie w, Biblioteka b, Czas c, Książka k WHERE w.nr_biblioteki = b.nr_biblioteki AND w.nr_dnia_wyp = c.nr_dnia AND w.nr_książki = k.nr_książki AND c.rok = 2008 GROUP BY b.miasto, k.dział ORDER BY b.miasto, k.dział

29 Rodzina (konstelacja) gwiazd Tablica wymiarów Tablica faktów Tablica wymiarów Tablica wymiarów Tablica wymiarów Tablica wymiarów Tablica faktów Tablica faktów Tablica wymiarów Tablica wymiarów # 29

30 Rodzina gwiazd - przykład Produkt Sprzeda ż nr_produktu nr_sklepu nr_dnia przychód ilość koszt... nr_produktu nazwa kategoria dział... Sklep nr_sklepu miasto obszar... Dostawa nr_produktu nr_sklepu nr_dnia nr_dostawcy ilość koszt... Czas nr_dnia dzień miesiąc rok... Dostawca nr_dostawcy nazwa miasto województwo... # 30

31 Uwagi nomenklaturowe Tablica wymiarów Wymiar Atrybuty (tablicy) wymiarów Wymiary Atrybuty wymiarów Elementy wymiarów # 31

32 Przykład - MS SQL 2008 tablica Time Time Day Week Month Quarter Year Times Year Month Day atrybuty tablicy Time hierarchia Times # 32

33 Architektura logiczna hurtowni danych Model danych Metadane System plików Baza danych Baza danych ETL (Extract, Transform Load) Baza danych hurtowni Użytkownicy # 33

34 Wydobywanie danych (Extract) Proces ETL identyfikacja danych potrzebnych do analiz identyfikacja źródeł tych danych opracowanie procedur wydobywania danych Przekształcanie danych (Transform) opracowanie odwzorowań pomiędzy danymi źródłowymi a docelowymi - formaty danych, jednostki miar, skalowanie, opracowanie zasad czyszczenia danych - dane odstające, brakujące, Ładowanie danych (Load) przygotowanie pamięci (obszarów) na dane (staging area) opracowanie procedur ładowania ładowanie danych do tablic wymiarów ładowanie danych do tablic faktów tworzenie kostek # 34

35 Proces ETL przepływy danych pliki.csv,.xls, relacyjna baza danych kostki bazy danych ROLAP MOLAP # 35

36 Modele pamięci w hurtowniach danych ROLAP (Relational OLAP) Wszystkie dane przechowywane są w tablicach relacyjnej bazy danych (często w postaci źródłowej). + nie potrzeba dodatkowej pamięci - słaba efektywność MOLAP (Multidimensional OLAP) Wszystkie dane źródłowe ładowane są do specjalnych struktur wielowymiarowych, zoptymalizowanych pod kątem przetwarzania analitycznego. Wstępnie obliczane są agregaty. + najlepsza efektywność - wymaga dużo dodatkowej pamięci HOLAP (Hybrid OLAP) Rozwiązanie pośrednie: dane źródłowe przechowywane są w tablicach, natomiast agregaty są wstępnie obliczane i przechowywane w specjalizowanych strukturach wielowymiarowych. # 36

37 Architektura fizyczna hurtowni danych Agent A Agent B Agent C Sieć korporacyjna Zarządzanie hurtownią danych Hurtownia danych Sieć lokalna # 37

38 Obszary zastosowań Dziedzina Fakty Sieć sprzedaży detalicznej Sieć hurtowni Operator telekomunikacyjny Bank Instytucja ubezpieczeniowa Linie lotnicze Sieć meteo sprzedaż dostawa wysyłka połączenie operacja finansowa umowa szkoda przelot pomiar # 38

39 Producenci i produkty Serwery OLAP Hurtownie danych i narzędzia analityczne Oracle Corporation serwery Oracle 11g narzędzia OLAP IBM Corporation serwery DB2 hurtownia Visual Warehouse Informix Software Inc. serwery OnLine Dynamic Server hurtownia Metacube Microsoft Corporation serwer MS SQL 2005/2008 Sybase Inc. serwery Sybase IQ Arbor Software Corporation serwery Essbase Hyperion Red Brick Systems Inc. hurtownia Red Brick Warehouse SAS Institute pakiet SAS System Cognos Inc. narzędzia CognosSuite # 39

40 Planowanie hurtowni danych 1. Jakie informacje są potrzebne do podejmowania decyzji na poziomie strategicznym? 2. Czy odpowiednie dane są aktualnie gromadzone w miejscach działalności? Jeśli nie, to jakie nakłady są potrzebne, by je gromadzić? 3. Określ, jakiego rodzaju analizy danych będą potrzebne do podejmowania decyzji na poziomie strategicznym. 4. Zaprojektuj hurtownię danych (fakty, wymiary). Może potrzebnych jest kilka kostek? 5. Wybierz serwer OLAP i narzędzia business intelligence. Określ niezbędną konfigurację sprzętową i programową (koszty!). 6. Zidentyfikuj formaty danych, jakie są gromadzone w poszczególnych miejscach działalności. 7. Opracuj procedury przekazywania danych źródłowych do hurtowni danych. Określ sposób traktowania wartości brakujących i odstających. 8. Zaimplementuj hurtownię danych dla określonego wycinka działalności (np. dla jednego rodzaju usług, dla jednego obszaru geograficznego itp.). 9. Oceń efekty poprzedniego kroku. Podejmij decyzję o wdrożeniu globalnym. 10. Starannie monitoruj funkcjonowanie hurtowni. # 40

41 Business Dimensional Lifecycle Cykl planowania, projektowania i implementacji rozwiązania typu business intelligence # 41

42 Project Planning (planowanie przedsięwzięcia) Na szeroką skalę prowadzona koordynacja zasobów, istniejącej infrastruktury, harmonogramów i komunikacji pomiędzy poszczególnymi elementami projektu (projektami). # 42 Ocena gotowości, determinacji i finansowania Określenie zakresu Zapewnienie obsady zespołu Etap bardzo zależny od zdefiniowania wymagań biznesowych

43 Business Requirements Definition (definiowanie wymagań biznesowych) Etap niezwykle ważny dla sukcesu przedsięwzięcia Identyfikacja potrzeb biznesowych firmy, w tym priorytetów Określenie podstaw dla 3 współbieżnych ścieżek realizacji: o Architektura i technologia o Dane (źródła, modele, formaty, ) o Aplikacje analityczne # 43

44 Project Management (zarządzanie przedsięwzięciem) Zarządzanie przebiegiem przedsięwzięcia, w tym szczególnie: Zarządzanie zasięgiem przedsięwzięcia, śledzenie i monitorowanie postępów Zarządzanie komunikacją pomiędzy współbieżnie realizowanymi podprojektami # 44

45 Technical Architecture Design (projektowanie środowiska technicznego) Ustanowienie architektury umożliwiającej integrację różnych technologii, na podstawie : o wymagań biznesowych o aktualnego środowiska technicznego o strategicznych planów dot. wsparcia technicznego firmy # 45

46 Product Selection and Installation (wybór produktów i ich instalacja) Na podstawie zaprojektowanej architektury - ocena i wybór technologii i konkretnych narzędzi, w tym : o o o o infrastruktury (np. sieciowej) narzędzi do zarządzania danymi źródłowymi (bufory) narzędzi do przekazywania danych z miejsc ich powstawania repozytorium metadanych # 46

47 Dimensional Modelling (modelowanie wielowymiarowe, projektowanie logiczne) Modelowanie wielowymiarowe utworzenie logicznego modelu hurtowni danych : o adekwatność do potrzeb i zastosowania o wydajność # 47

48 Physical Design (projektowanie fizyczne) Utworzenie modelu fizycznego indeksowanie w obszarze pośrednim (ROLAP) partycjonowanie monitorowanie zasobów # 48

49 Extract, Transformation, and Load System Design and Development (zaprojektowanie i implementacja procesu ETL) Zdefiniowanie procesu ETL (Extract, Transform, Load) UWAGA: Zazwyczaj krok niedoszacowany co do niezbędnych nakładów i trudności realizacji # 49

50 BI Application Specification (specyfikowanie aplikacji BI)) Zdefiniowanie zbioru aplikacji, raportów, interfejsów, metod nawigacji itp. # 50

51 BI Application Development (projektowanie i implementacja aplikacji BI) Zaprojektowanie i implementacja aplikacji BI, szablonów, portalu, dokumentacji Zdefiniowanie niezbędnych szkoleń, Zdefiniowanie procedur obsługi i serwisu. # 51

52 Deployment (wdrożenie) Trzy współbieżne ścieżki (technologia, dane, aplikacje) muszą się spotkać przed rozpoczęciem wdrożenia Najtrudniejszy element procesu musi być doskonale zharmonizowany # 52

53 Maintenance and Growth (utrzymywanie i rozwój) Utrzymywanie: o monitorowanie o wspieranie użytkowników o komunikowanie się z użytkownikami o Rozwój: o analiza nowych inicjatyw, priorytetów, propozycji rozszerzeń o iterowanie całego procesu (od planowania) # 53

Hurtownie danych. Rola hurtowni danych w systemach typu Business Intelligence

Hurtownie danych. Rola hurtowni danych w systemach typu Business Intelligence Hurtownie danych Rola hurtowni danych w systemach typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika

Bardziej szczegółowo

Hurtownie danych. Wprowadzenie do systemów typu Business Intelligence

Hurtownie danych. Wprowadzenie do systemów typu Business Intelligence Hurtownie danych Wprowadzenie do systemów typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika

Bardziej szczegółowo

Hurtownie danych. Wstęp. Architektura hurtowni danych. http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH

Hurtownie danych. Wstęp. Architektura hurtowni danych. http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH Wstęp. Architektura hurtowni. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH B. Inmon, 1996: Hurtownia to zbiór zintegrowanych, nieulotnych, ukierunkowanych

Bardziej szczegółowo

Hurtownie danych. 31 stycznia 2017

Hurtownie danych. 31 stycznia 2017 31 stycznia 2017 Definicja hurtowni danych Hurtownia danych wg Williama Inmona zbiór danych wyróżniający się następującymi cechami uporządkowany tematycznie zintegrowany zawierający wymiar czasowy nieulotny

Bardziej szczegółowo

Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl

Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Plan wykładów Wprowadzenie - integracja

Bardziej szczegółowo

Hurtownie danych - przegląd technologii

Hurtownie danych - przegląd technologii Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Plan wykład adów Wprowadzenie - integracja

Bardziej szczegółowo

Hurtownie danych a transakcyjne bazy danych

Hurtownie danych a transakcyjne bazy danych Hurtownie danych a transakcyjne bazy danych Materiały źródłowe do wykładu: [1] Jerzy Surma, Business Intelligence. Systemy wspomagania decyzji, Wydawnictwo Naukowe PWN, Warszawa 2009 [2] Arkadiusz Januszewski,

Bardziej szczegółowo

Wstęp do Business Intelligence

Wstęp do Business Intelligence Wstęp do Business Intelligence Co to jest Buisness Intelligence Business Intelligence (analityka biznesowa) - proces przekształcania danych w informacje, a informacji w wiedzę, która może być wykorzystana

Bardziej szczegółowo

Modele danych - wykład V

Modele danych - wykład V Modele danych - wykład V Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Zagadnienia 1. Wprowadzenie 2. MOLAP modele danych 3. ROLAP modele danych 4. Podsumowanie 5. Zadanie

Bardziej szczegółowo

Proces ETL. Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska {kris,

Proces ETL. Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska {kris, Proces ETL Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska {kris, tegra}@eti.pg.gda.pl - 1 - Proces ETL - 2 -

Bardziej szczegółowo

Modele danych - wykład V. Zagadnienia. 1. Wprowadzenie 2. MOLAP modele danych 3. ROLAP modele danych 4. Podsumowanie 5. Zadanie fajne WPROWADZENIE

Modele danych - wykład V. Zagadnienia. 1. Wprowadzenie 2. MOLAP modele danych 3. ROLAP modele danych 4. Podsumowanie 5. Zadanie fajne WPROWADZENIE Modele danych - wykład V Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Zagadnienia 1. Wprowadzenie 2. MOLAP modele danych 3. modele danych 4. Podsumowanie 5. Zadanie fajne

Bardziej szczegółowo

Wprowadzenie do technologii Business Intelligence i hurtowni danych

Wprowadzenie do technologii Business Intelligence i hurtowni danych Wprowadzenie do technologii Business Intelligence i hurtowni danych 1 Plan rozdziału 2 Wprowadzenie do Business Intelligence Hurtownie danych Produkty Oracle dla Business Intelligence Business Intelligence

Bardziej szczegółowo

Hurtownie danych. Hurtownie danych. dr hab. Maciej Zakrzewicz Politechnika Poznańska Instytut Informatyki. Maciej Zakrzewicz (1)

Hurtownie danych. Hurtownie danych. dr hab. Maciej Zakrzewicz Politechnika Poznańska Instytut Informatyki. Maciej Zakrzewicz (1) Hurtownie danych dr hab. Maciej Zakrzewicz Politechnika Poznańska Instytut Informatyki Maciej Zakrzewicz (1) Plan wykładu Wprowadzenie do Business Intelligence (BI) Hurtownia danych Zasilanie hurtowni

Bardziej szczegółowo

Usługi analityczne budowa kostki analitycznej Część pierwsza.

Usługi analityczne budowa kostki analitycznej Część pierwsza. Usługi analityczne budowa kostki analitycznej Część pierwsza. Wprowadzenie W wielu dziedzinach działalności człowieka analiza zebranych danych jest jednym z najważniejszych mechanizmów podejmowania decyzji.

Bardziej szczegółowo

Wprowadzenie do Hurtowni Danych. Mariusz Rafało

Wprowadzenie do Hurtowni Danych. Mariusz Rafało Wprowadzenie do Hurtowni Danych Mariusz Rafało mariusz.rafalo@hotmail.com WPROWADZENIE DO HURTOWNI DANYCH Co to jest hurtownia danych? Hurtownia danych jest zbiorem danych zorientowanych tematycznie, zintegrowanych,

Bardziej szczegółowo

Systemy OLAP I. Krzysztof Dembczyński. Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska

Systemy OLAP I. Krzysztof Dembczyński. Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2007/08 Studia uzupełniajace magisterskie

Bardziej szczegółowo

Systemy OLAP I. Krzysztof Dembczyński. Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska

Systemy OLAP I. Krzysztof Dembczyński. Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Systemy OLAP I Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2008/09 Studia

Bardziej szczegółowo

Hurtownie danych. Projektowanie hurtowni: modele wielowymiarowe. Modelowanie punktowe. Operacje OLAP na kostkach. http://zajecia.jakubw.

Hurtownie danych. Projektowanie hurtowni: modele wielowymiarowe. Modelowanie punktowe. Operacje OLAP na kostkach. http://zajecia.jakubw. Hurtownie danych Projektowanie hurtowni: modele wielowymiarowe. Modelowanie punktowe. Operacje OLAP na kostkach. http://zajecia.jakubw.pl/hur UZASADNIENIE BIZNESOWE Po co nam hurtownia danych? Jakie mogą

Bardziej szczegółowo

Wielowymiarowy model danych

Wielowymiarowy model danych Plan wykładu Wielowymiarowy model danych 1. Model danych 2. Analiza wielowymiarowa 3. Model wielowymiarowy: koncepcja wymiarów i faktów 4. Operacje modelu wielowymiarowego 5. Implementacje modelu wielowymiarowego:

Bardziej szczegółowo

HURTOWNIE DANYCH Dzięki uprzejmości Dr. Jakuba Wróblewskiego

HURTOWNIE DANYCH Dzięki uprzejmości Dr. Jakuba Wróblewskiego HURTOWNIE DANYCH Dzięki uprzejmości Dr. Jakuba Wróblewskiego http://www.jakubw.pl/zajecia/hur/bi.pdf http://www.jakubw.pl/zajecia/hur/dw.pdf http://www.jakubw.pl/zajecia/hur/dm.pdf http://www.jakubw.pl/zajecia/hur/

Bardziej szczegółowo

Część I Istota analizy biznesowej a Analysis Services

Część I Istota analizy biznesowej a Analysis Services Spis treści Część I Istota analizy biznesowej a Analysis Services 1 Analiza biznesowa: podstawy analizy danych... 3 Wprowadzenie do analizy biznesowej... 3 Wielowymiarowa analiza danych... 5 Atrybuty w

Bardziej szczegółowo

Hurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie

Hurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2012 Zagadnienia do omówienia 1. Miejsce i rola w firmie 2. Przegląd architektury

Bardziej szczegółowo

Business Intelligence

Business Intelligence Business Intelligence Paweł Mielczarek Microsoft Certified Trainer (MCT) MCP,MCSA, MCTS, MCTS SQL 2005, MCTS SQL 2008, MCTS DYNAMICS, MBSS, MBSP, MCITP DYNAMICS. Geneza Prowadzenie firmy wymaga podejmowania

Bardziej szczegółowo

Bazy danych. Plan wykładu. Rodzaje baz. Rodzaje baz. Hurtownie danych. Cechy hurtowni danych. Wykład 14: Hurtownie danych

Bazy danych. Plan wykładu. Rodzaje baz. Rodzaje baz. Hurtownie danych. Cechy hurtowni danych. Wykład 14: Hurtownie danych Plan wykładu Bazy Wykład 14: Hurtownie Bazy operacyjne i analityczne Architektura hurtowni Projektowanie hurtowni Małgorzata Krętowska, Agnieszka Oniśko Wydział Informatyki PB Bazy (studia dzienne) 2 Rodzaje

Bardziej szczegółowo

Plan wykładu. Hurtownie danych. Problematyka integracji danych. Cechy systemów informatycznych

Plan wykładu. Hurtownie danych. Problematyka integracji danych. Cechy systemów informatycznych 1 Plan wykładu 2 Hurtownie danych Integracja danych za pomocą hurtowni danych Przetwarzanie analityczne OLAP Model wielowymiarowy Implementacje modelu wielowymiarowego ROLAP MOLAP Odświeżanie hurtowni

Bardziej szczegółowo

Budowa systemu wspomagającego podejmowanie decyzji. Metodyka projektowo wdrożeniowa

Budowa systemu wspomagającego podejmowanie decyzji. Metodyka projektowo wdrożeniowa Budowa systemu wspomagającego podejmowanie decyzji Metodyka projektowo wdrożeniowa Agenda Systemy wspomagające decyzje Business Intelligence (BI) Rodzaje systemów BI Korzyści z wdrożeń BI Zagrożenia dla

Bardziej szczegółowo

Bazy analityczne (hurtownie danych, bazy OLAP)

Bazy analityczne (hurtownie danych, bazy OLAP) Bazy analityczne (hurtownie danych, bazy OLAP) Materiały pomocnicze. Bazy produkcyjne (transakcyjne) i analityczne Większość systemów baz danych to systemy produkcyjne, inaczej nazywane transakcyjnymi,

Bardziej szczegółowo

Hurtownia danych praktyczne zastosowania

Hurtownia danych praktyczne zastosowania Hurtownia danych praktyczne zastosowania Dorota Olkowicz dorota.olkowicz@its.waw.pl Centrum Bezpieczeństwa Ruchu Drogowego ITS Plan prezentacji 1. Hurtownie danych 2. Hurtownia danych POBR 3. Narzędzia

Bardziej szczegółowo

Spis treści. Część I Wprowadzenie do pakietu oprogramowania Analysis Services

Spis treści. Część I Wprowadzenie do pakietu oprogramowania Analysis Services Spis treści Wstęp... ix Odkąd najlepiej rozpocząć lekturę?... ix Informacja dotycząca towarzyszącej ksiąŝce płyty CD-ROM... xi Wymagania systemowe... xi Instalowanie i uŝywanie plików przykładowych...

Bardziej szczegółowo

OLAP i hurtownie danych c.d.

OLAP i hurtownie danych c.d. OLAP i hurtownie danych c.d. Przypomnienie OLAP -narzędzia analizy danych Hurtownie danych -duże bazy danych zorientowane tematycznie, nieulotne, zmienne w czasie, wspierjące procesy podejmowania decyzji

Bardziej szczegółowo

Hurtownie danych wykład 3

Hurtownie danych wykład 3 Hurtownie danych wykład 3 dr Sebastian Zając SGH Warszawa 7 lutego 2017 Architektura relacyjna i wielowymiarowa Ze względu na przechowywanie danych na serwerze możemy zdecydować się na relacyjną bazę danych

Bardziej szczegółowo

Hurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie

Hurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2008 Zagadnienia do omówienia 1. 2. Przegląd architektury HD 3. Warsztaty

Bardziej szczegółowo

Hurtownie danych. Przetwarzanie zapytań. http://zajecia.jakubw.pl/hur ZAPYTANIA NA ZAPLECZU

Hurtownie danych. Przetwarzanie zapytań. http://zajecia.jakubw.pl/hur ZAPYTANIA NA ZAPLECZU Hurtownie danych Przetwarzanie zapytań. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/hur ZAPYTANIA NA ZAPLECZU Magazyny danych operacyjnych, źródła Centralna hurtownia danych Hurtownie

Bardziej szczegółowo

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę

Bardziej szczegółowo

BD2 BazyDanych2. dr inż. Tomasz Traczyk 14. Systemy przetwarzania analitycznego

BD2 BazyDanych2. dr inż. Tomasz Traczyk 14. Systemy przetwarzania analitycznego BD2 BazyDanych2 dr inż. Tomasz Traczyk 14. Systemy przetwarzania analitycznego ³ Copyright c Tomasz Traczyk Instytut Automatyki i Informatyki Stosowanej Politechniki Warszawskiej Materiały dydaktyczne

Bardziej szczegółowo

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę

Bardziej szczegółowo

Schematy logiczne dla hurtowni danych

Schematy logiczne dla hurtowni danych Schematy logiczne dla hurtowni danych 26 Plan rozdziału 27 Model biznesowy, logiczny i fizyczny hurtowni danych Podstawowe pojęcia w modelu logicznym, logiczny model wielowymiarowy Implementacje ROLAP/MOLAP

Bardziej szczegółowo

Spis tre±ci. Przedmowa... Cz ± I

Spis tre±ci. Przedmowa... Cz ± I Przedmowa.................................................... i Cz ± I 1 Czym s hurtownie danych?............................... 3 1.1 Wst p.................................................. 3 1.2 Denicja

Bardziej szczegółowo

Baza danych to zbiór wzajemnie powiązanych ze sobą i zintegrowanych danych z pewnej dziedziny.

Baza danych to zbiór wzajemnie powiązanych ze sobą i zintegrowanych danych z pewnej dziedziny. PI-14 01/12 Baza danych to zbiór wzajemnie powiązanych ze sobą i zintegrowanych danych z pewnej dziedziny.! Likwidacja lub znaczne ograniczenie redundancji (powtarzania się) danych! Integracja danych!

Bardziej szczegółowo

LITERATURA. Wprowadzenie do systemów baz danych C.J.Date; WNT Warszawa 2000

LITERATURA. Wprowadzenie do systemów baz danych C.J.Date; WNT Warszawa 2000 LITERATURA Wprowadzenie do systemów baz danych C.J.Date; WNT Warszawa 2000 Systemy baz danych. Pełny wykład H. Garcia Molina, Jeffrey D. Ullman, Jennifer Widom;WNT Warszawa 2006 Wprowadzenie do systemów

Bardziej szczegółowo

Pierwsze wdrożenie SAP BW w firmie

Pierwsze wdrożenie SAP BW w firmie Pierwsze wdrożenie w firmie Mirosława Żurek, BCC Poznao, maj 2013 Zakres tematyczny wykładu Podstawowe założenia i pojęcia hurtowni danych ; Przykładowe pierwsze wdrożenie w firmie i jego etapy; Przykładowe

Bardziej szczegółowo

Wprowadzenie do hurtowni danych

Wprowadzenie do hurtowni danych Wprowadzenie do hurtowni danych przygotował: Paweł Kasprowski Informacje ogólne ( pawel@kasprowski.pl ) Wykładowca: Paweł Kasprowski Temat: Wprowadzenie do hurtowni danych Umiejętności wymagane: Znajomość

Bardziej szczegółowo

Informatyzacja przedsiębiorstw

Informatyzacja przedsiębiorstw Informatyzacja przedsiębiorstw Izabela Szczęch Politechnika Poznańska Plan wykładu Elementy Business Intelligence Model wielowymiarowy Modelowanie hurtowni danych podstawowe schematy logiczne Operacje

Bardziej szczegółowo

LITERATURA. C. J. Date; Wprowadzenie do systemów baz danych WNT Warszawa 2000 ( seria Klasyka Informatyki )

LITERATURA. C. J. Date; Wprowadzenie do systemów baz danych WNT Warszawa 2000 ( seria Klasyka Informatyki ) LITERATURA C. J. Date; Wprowadzenie do systemów baz danych WNT Warszawa 2000 ( seria Klasyka Informatyki ) H. Garcia Molina, Jeffrey D. Ullman, Jennifer Widom; Systemy baz danych. Kompletny podręcznik

Bardziej szczegółowo

Zaawansowane systemy baz danych - ZSBD. Hurtownie danych 1. Problematyka hurtowni danych. Wykład przygotował: Robert Wrembel. ZSBD wykład 12 (1)

Zaawansowane systemy baz danych - ZSBD. Hurtownie danych 1. Problematyka hurtowni danych. Wykład przygotował: Robert Wrembel. ZSBD wykład 12 (1) Hurtownie danych 1 Problematyka hurtowni danych Wykład przygotował: Robert Wrembel ZSBD wykład 12 (1) 1 Plan wykładu Problematyka integracji danych Integracja danych za pomocą hurtowni danych Przetwarzanie

Bardziej szczegółowo

Hurtownie danych i systemy wspomagania decyzji. Olaf Morawski Hewlett-Packard Polska Sp. z o.o., ul. Szturmowa 2A, 02-678 Warszawa

Hurtownie danych i systemy wspomagania decyzji. Olaf Morawski Hewlett-Packard Polska Sp. z o.o., ul. Szturmowa 2A, 02-678 Warszawa Hurtownie danych i systemy wspomagania decyzji Olaf Morawski Hewlett-Packard Polska Sp. z o.o., ul. Szturmowa 2A, 02-678 Warszawa Poniższy tekst opisuje architekturę systemów wspomagania decyzji, z uwzględnieniem

Bardziej szczegółowo

Co to jest Business Intelligence?

Co to jest Business Intelligence? Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl

Bardziej szczegółowo

Bazy Danych. Bazy Danych i SQL Podstawowe informacje o bazach danych. Krzysztof Regulski WIMiIP, KISiM,

Bazy Danych. Bazy Danych i SQL Podstawowe informacje o bazach danych. Krzysztof Regulski WIMiIP, KISiM, Bazy Danych Bazy Danych i SQL Podstawowe informacje o bazach danych Krzysztof Regulski WIMiIP, KISiM, regulski@metal.agh.edu.pl Oczekiwania? 2 3 Bazy danych Jak przechowywać informacje? Jak opisać rzeczywistość?

Bardziej szczegółowo

4. Znaczenie czasu w modelowaniu i strukturalizacji danych

4. Znaczenie czasu w modelowaniu i strukturalizacji danych Temat1- Geneza 1. Ewolucja systemów opartych na bazach danych Początki to np. ręczne spisy danych na papirusie w Egipcie. Ręczne zapisywanie danych trwało aż do końca XIX wieku. W XIX wieku stworzone zostały

Bardziej szczegółowo

Hurtownie danych w praktyce

Hurtownie danych w praktyce Hurtownie danych w praktyce Fakty i mity Dr inż. Maciej Kiewra Parę słów o mnie... 8 lat pracy zawodowej z hurtowniami danych Projekty realizowane w kraju i zagranicą Certyfikaty Microsoft z Business Intelligence

Bardziej szczegółowo

Kostki OLAP i język MDX

Kostki OLAP i język MDX Kostki OLAP i język MDX 24 kwietnia 2015 r. Opis pliku z zadaniami Wszystkie zadania na zajęciach będą przekazywane w postaci plików PDF sformatowanych jak ten. Będą się na nie składały różne rodzaje zadań,

Bardziej szczegółowo

Systemy baz danych i hurtowni danych

Systemy baz danych i hurtowni danych Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2005/06 Celem wykładu jest przypomnienie

Bardziej szczegółowo

Informatyka I BAZY DANYCH. dr inż. Andrzej Czerepicki. Politechnika Warszawska Wydział Transportu 2017

Informatyka I BAZY DANYCH. dr inż. Andrzej Czerepicki. Politechnika Warszawska Wydział Transportu 2017 Informatyka I BAZY DANYCH dr inż. Andrzej Czerepicki Politechnika Warszawska Wydział Transportu 2017 Plan wykładu Definicja systemu baz danych Modele danych Relacyjne bazy danych Język SQL Hurtownie danych

Bardziej szczegółowo

PROJEKT HURTOWNI DANYCH DLA PRZEDSIĘBIORSTWA PRODUKCYJNO-HANDLOWEGO W ŚRODOWISKU MS SQL SERVER

PROJEKT HURTOWNI DANYCH DLA PRZEDSIĘBIORSTWA PRODUKCYJNO-HANDLOWEGO W ŚRODOWISKU MS SQL SERVER PROJEKT HURTOWNI DANYCH DLA PRZEDSIĘBIORSTWA PRODUKCYJNO-HANDLOWEGO W ŚRODOWISKU MS SQL SERVER Katarzyna BŁASZCZYK, Ryszard KNOSALA Streszczenie: Artykuł opisuje podstawową tematykę związaną z systemami

Bardziej szczegółowo

Hurtownie danych - przegląd technologii

Hurtownie danych - przegląd technologii Hurtownie danych - przegląd technologii Problematyka zasilania hurtowni danych - Oracle Data Integrator Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel

Bardziej szczegółowo

1. Ewolucja systemów opartych na bazach danych 2. Czym się rożni modelowanie od strukturalizacji danych? Model danych Struktury (danych)

1. Ewolucja systemów opartych na bazach danych 2. Czym się rożni modelowanie od strukturalizacji danych? Model danych Struktury (danych) 1. Ewolucja systemów opartych na bazach danych Początki to np. ręczne spisy danych na papirusie w Egipcie. Ręczne zapisywanie danych trwało aż do końca XIX wieku. W XIX wieku stworzone zostały urządzenia,

Bardziej szczegółowo

Problematyka hurtowni danych

Problematyka hurtowni danych Plan wykładu Problematyka hurtowni 1. Bibliografia 2. Systemy klasy Business Intelligence 3. Podejścia do integracji 4. Definicja hurtowni 5. Architektury hurtowni Hurtownie, wykład Bartosz Bębel E-mail:

Bardziej szczegółowo

Procesowanie i partycjonowanie Analysis Services od podszewki (300) Adrian Chodkowski Adrian.Chodkowski@outlook.com

Procesowanie i partycjonowanie Analysis Services od podszewki (300) Adrian Chodkowski Adrian.Chodkowski@outlook.com Media Partners Procesowanie i partycjonowanie Analysis Services od podszewki (300) Adrian Chodkowski Adrian.Chodkowski@outlook.com Adrian Chodkowski Konsultant Business Intelligence w Jcommerce S.A Certyfikowany

Bardziej szczegółowo

Ewolucja systemów baz danych

Ewolucja systemów baz danych Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr letni 2004/05 Plan wykładu Relacyjne

Bardziej szczegółowo

Cel przedmiotu. Wymagania wstępne w zakresie wiedzy, umiejętności i innych kompetencji 1 Język angielski 2 Inżynieria oprogramowania

Cel przedmiotu. Wymagania wstępne w zakresie wiedzy, umiejętności i innych kompetencji 1 Język angielski 2 Inżynieria oprogramowania Przedmiot: Bazy danych Rok: III Semestr: V Rodzaj zajęć i liczba godzin: Studia stacjonarne Studia niestacjonarne Wykład 30 21 Ćwiczenia Laboratorium 30 21 Projekt Liczba punktów ECTS: 4 C1 C2 C3 Cel przedmiotu

Bardziej szczegółowo

Model logiczny SZBD. Model fizyczny. Systemy klientserwer. Systemy rozproszone BD. No SQL

Model logiczny SZBD. Model fizyczny. Systemy klientserwer. Systemy rozproszone BD. No SQL Podstawy baz danych: Rysunek 1. Tradycyjne systemy danych 1- Obsługa wejścia 2- Przechowywanie danych 3- Funkcje użytkowe 4- Obsługa wyjścia Ewolucja baz danych: Fragment świata rzeczywistego System przetwarzania

Bardziej szczegółowo

Hurtownie danych czyli jak zapewnić dostęp do wiedzy tkwiącej w danych

Hurtownie danych czyli jak zapewnić dostęp do wiedzy tkwiącej w danych Hurtownie danych czyli jak zapewnić dostęp do wiedzy tkwiącej w danych Rodzaj zajęć: Wszechnica Popołudniowa Tytuł: Hurtownie danych czyli jak zapewnić dostęp do wiedzy tkwiącej w danych Autor: mgr inż.

Bardziej szczegółowo

Technologia informacyjna

Technologia informacyjna Technologia informacyjna Bazy danych Dr inż. Andrzej Czerepicki Politechnika Warszawska Wydział Transportu 2016 Plan wykładu Wstęp do baz danych Modele baz danych Relacyjne bazy danych Język SQL Rodzaje

Bardziej szczegółowo

Rola analityki danych w transformacji cyfrowej firmy

Rola analityki danych w transformacji cyfrowej firmy Rola analityki danych w transformacji cyfrowej firmy Piotr Czarnas Querona CEO Analityka biznesowa (ang. Business Intelligence) Proces przekształcania danych w informacje, a informacji w wiedzę, która

Bardziej szczegółowo

Modelowanie koncepcyjne hurtowni danych

Modelowanie koncepcyjne hurtowni danych Modelowanie koncepcyjne hurtowni danych Izabela Szczę ch Instytut Informatyki, Politechnika Poznań ska Modele przetwarzania danych Dwa podstawowe modele przetwarzania danych: OLTP (On-Line Transaction

Bardziej szczegółowo

Plan. Inteligencja bisnesowa (Bussiness Intelligence) Hurtownia danych OLAP

Plan. Inteligencja bisnesowa (Bussiness Intelligence) Hurtownia danych OLAP WYKŁAD 12: OLAP Plan Inteligencja bisnesowa (Bussiness Intelligence) Hurtownia danych OLAP Motywacja: Zaawansowane metody ekstrakcji danych i techniki przechowywania danych Rozwój wielu dziedzin zastosowań

Bardziej szczegółowo

Bazy danych i ich aplikacje

Bazy danych i ich aplikacje ORAZ ZAPRASZAJĄ DO UDZIAŁU W STUDIACH PODYPLOMOWYCH Celem Studiów jest praktyczne zapoznanie słuchaczy z podstawowymi technikami tworzenia i administrowania bazami oraz systemami informacyjnymi. W trakcie

Bardziej szczegółowo

AUREA BPM Oracle. TECNA Sp. z o.o. Strona 1 z 7

AUREA BPM Oracle. TECNA Sp. z o.o. Strona 1 z 7 AUREA BPM Oracle TECNA Sp. z o.o. Strona 1 z 7 ORACLE DATABASE System zarządzania bazą danych firmy Oracle jest jednym z najlepszych i najpopularniejszych rozwiązań tego typu na rynku. Oracle Database

Bardziej szczegółowo

Wprowadzenie do hurtowni danych

Wprowadzenie do hurtowni danych Wprowadzenie do hurtowni danych przygotował: Paweł Kasprowski Kostka Kostka (cube) to podstawowy element hurtowni Kostka jest wielowymiarowa (od 1 do N wymiarów) Kostka składa się z: faktów wektora wartości

Bardziej szczegółowo

Opis spełnienia wymagań (PSBD)

Opis spełnienia wymagań (PSBD) Numer sprawy: DPZ/4/15 Nr arch. DPZ/087/059-16/15 1. Zakres przedmiotu zamówienia: Opis spełnienia wymagań (PSBD) Załącznik nr 1d do formularza ofertowego Wykonanie dzieła polegającego na dostawie, kompleksowym

Bardziej szczegółowo

SYSTEMY KLASY BI PLATFORMĄ EFEKTYWNEGO WSPÓŁDZIAŁANIA WSPÓŁCZESNYCH ORGANIZACJI. Piotr Zaskórski

SYSTEMY KLASY BI PLATFORMĄ EFEKTYWNEGO WSPÓŁDZIAŁANIA WSPÓŁCZESNYCH ORGANIZACJI. Piotr Zaskórski SYSTEMY KLASY BI PLATFORMĄ EFEKTYWNEGO WSPÓŁDZIAŁANIA WSPÓŁCZESNYCH ORGANIZACJI Piotr Zaskórski 1. MIEJSCE I ROLA SYSTEMÓW KLASY BI W KSZTAŁTOWANIU STRUKTUR I STRATEGII ZARZĄDZANIA WSPÓŁCZESNYCH ORGANIZACJI.

Bardziej szczegółowo

Integracja i Eksploracja Danych

Integracja i Eksploracja Danych Integracja i Eksploracja Danych Laboratorium nr 4 Wprowadzenie do języka MDX. Zadania: 1) Analogicznie do przykładu zawartego na poprzednich zajęciach, korzystając z SQL Server Business Intelligence Development

Bardziej szczegółowo

Bazy Danych. Bazy Danych i SQL Podstawowe informacje o bazach danych. Krzysztof Regulski WIMiIP, KISiM, regulski@metal.agh.edu.pl

Bazy Danych. Bazy Danych i SQL Podstawowe informacje o bazach danych. Krzysztof Regulski WIMiIP, KISiM, regulski@metal.agh.edu.pl Bazy Danych Bazy Danych i SQL Podstawowe informacje o bazach danych Krzysztof Regulski WIMiIP, KISiM, regulski@metal.agh.edu.pl Literatura i inne pomoce Silberschatz A., Korth H., S. Sudarshan: Database

Bardziej szczegółowo

Oracle11g: Wprowadzenie do SQL

Oracle11g: Wprowadzenie do SQL Oracle11g: Wprowadzenie do SQL OPIS: Kurs ten oferuje uczestnikom wprowadzenie do technologii bazy Oracle11g, koncepcji bazy relacyjnej i efektywnego języka programowania o nazwie SQL. Kurs dostarczy twórcom

Bardziej szczegółowo

Informatyzacja przedsiębiorstw

Informatyzacja przedsiębiorstw Informatyzacja przedsiębiorstw Izabela Szczęch Politechnika Poznańska Plan wykładu Elementy Business Intelligence Przetwarzanie OLTP vs OLAP Hurtownie danych podstawowe pojęcia Proces ETL 2 Cele informatyzacji

Bardziej szczegółowo

Hurtownie Danych i Business Intelligence: przegląd technologii

Hurtownie Danych i Business Intelligence: przegląd technologii Hurtownie Danych i Business Intelligence: przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Tematyka Architektury

Bardziej szczegółowo

Hurtownie danych. Ładowanie, integracja i aktualizacja danych. http://zajecia.jakubw.pl/hur INTEGRACJA DANYCH ETL

Hurtownie danych. Ładowanie, integracja i aktualizacja danych. http://zajecia.jakubw.pl/hur INTEGRACJA DANYCH ETL Hurtownie danych Ładowanie, integracja i aktualizacja danych. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/hur INTEGRACJA DANYCH Źródła danych ETL Centralna hurtownia danych Do hurtowni

Bardziej szczegółowo

Paweł Gołębiewski. Softmaks.pl Sp. z o.o. ul. Kraszewskiego 1 85-240 Bydgoszcz www.softmaks.pl kontakt@softmaks.pl

Paweł Gołębiewski. Softmaks.pl Sp. z o.o. ul. Kraszewskiego 1 85-240 Bydgoszcz www.softmaks.pl kontakt@softmaks.pl Paweł Gołębiewski Softmaks.pl Sp. z o.o. ul. Kraszewskiego 1 85-240 Bydgoszcz www.softmaks.pl kontakt@softmaks.pl Droga na szczyt Narzędzie Business Intelligence. Czyli kiedy podjąć decyzję o wdrożeniu?

Bardziej szczegółowo

Podstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem. dr Jakub Boratyński. pok. A38

Podstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem. dr Jakub Boratyński. pok. A38 Podstawowe pakiety komputerowe wykorzystywane w zarządzaniu przedsiębiorstwem zajęcia 1 dr Jakub Boratyński pok. A38 Program zajęć Bazy danych jako podstawowy element systemów informatycznych wykorzystywanych

Bardziej szczegółowo

Prezentacja firmy WYDAJNOŚĆ EFEKTYWNOŚĆ SKUTECZNOŚĆ. http://www.qbico.pl

Prezentacja firmy WYDAJNOŚĆ EFEKTYWNOŚĆ SKUTECZNOŚĆ. http://www.qbico.pl Prezentacja firmy { WYDAJNOŚĆ EFEKTYWNOŚĆ SKUTECZNOŚĆ http://www.qbico.pl Firma ekspercka z dziedziny Business Intelligence Srebrny Partner Microsoft w obszarach Business Intelligence i Data Platform Tworzymy

Bardziej szczegółowo

Hurtownie danych - opis przedmiotu

Hurtownie danych - opis przedmiotu Hurtownie danych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Hurtownie danych Kod przedmiotu 11.3-WI-INFD-HD Wydział Kierunek Wydział Informatyki, Elektrotechniki i Automatyki Informatyka / Zintegrowane

Bardziej szczegółowo

PROJEKT WSPÓŁFINANSOWANY ZE ŚRODKÓW UNII EUROPEJSKIEJ W RAMACH EUROPEJSKIEGO FUNDUSZU SPOŁECZNEGO OPIS PRZEDMIOTU. Rozproszone Systemy Baz Danych

PROJEKT WSPÓŁFINANSOWANY ZE ŚRODKÓW UNII EUROPEJSKIEJ W RAMACH EUROPEJSKIEGO FUNDUSZU SPOŁECZNEGO OPIS PRZEDMIOTU. Rozproszone Systemy Baz Danych OPIS PRZEDMIOTU Nazwa przedmiotu Rozproszone Systemy Baz Danych Kod przedmiotu Wydział Instytut/Katedra Kierunek Specjalizacja/specjalność Wydział Matematyki, Fizyki i Techniki Instytut Mechaniki i Informatyki

Bardziej szczegółowo

I. KARTA PRZEDMIOTU CEL PRZEDMIOTU

I. KARTA PRZEDMIOTU CEL PRZEDMIOTU I. KARTA PRZEDMIOTU 1. Nazwa przedmiotu: BAZY DANYCH 2. Kod przedmiotu: Bda 3. Jednostka prowadząca: Wydział Mechaniczno-Elektryczny 4. Kierunek: Automatyka i Robotyka 5. Specjalność: Informatyka Stosowana

Bardziej szczegółowo

SYLABUS DOTYCZY CYKLU KSZTAŁCENIA realizacja w roku akademickim 2016/17

SYLABUS DOTYCZY CYKLU KSZTAŁCENIA realizacja w roku akademickim 2016/17 Załącznik nr 4 do Uchwały Senatu nr 430/01/2015 SYLABUS DOTYCZY CYKLU KSZTAŁCENIA 2013-2017 realizacja w roku akademickim 2016/17 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu

Bardziej szczegółowo

2010-10-06 ORGANIZACJA ZAJĘĆ BAZY DANYCH PLAN WYKŁADU SCHEMAT SYSTEMU INFORMATYCZNEGO

2010-10-06 ORGANIZACJA ZAJĘĆ BAZY DANYCH PLAN WYKŁADU SCHEMAT SYSTEMU INFORMATYCZNEGO ORGANIZACJA ZAJĘĆ Wykładowca dr inż. Agnieszka Bołtuć, pokój 304, e-mail: aboltuc@ii.uwb.edu.pl Liczba godzin i forma zajęć: 30 godzin wykładu oraz 30 godzin laboratorium Konsultacje: czwartek 10:15-12:00

Bardziej szczegółowo

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu Podstawy baz danych PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych

Bardziej szczegółowo

Leszek Dziubiński Damian Joniec Elżbieta Gęborek. Computer Plus Kraków S.A.

Leszek Dziubiński Damian Joniec Elżbieta Gęborek. Computer Plus Kraków S.A. Leszek Dziubiński Damian Joniec Elżbieta Gęborek Computer Plus Kraków S.A. Wykorzystanie Microsoft Project Server w procesie zarządzania projektami Kompetencje partnerskie Gold: Portals and Collaboration

Bardziej szczegółowo

Szczegółowy opis przedmiotu zamówienia

Szczegółowy opis przedmiotu zamówienia ZP/ITS/19/2013 SIWZ Załącznik nr 1.1 do Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych dla studentów

Bardziej szczegółowo

Baza danych. Modele danych

Baza danych. Modele danych Rola baz danych Systemy informatyczne stosowane w obsłudze działalności gospodarczej pełnią funkcję polegającą na gromadzeniu i przetwarzaniu danych. Typowe operacje wykonywane na danych w systemach ewidencyjno-sprawozdawczych

Bardziej szczegółowo

Usługi biznesowe w SQL Server 2008. Omówienie oraz przykład zastosowania w przemyśle

Usługi biznesowe w SQL Server 2008. Omówienie oraz przykład zastosowania w przemyśle Usługi biznesowe w SQL Server 2008. Omówienie oraz przykład zastosowania w przemyśle Artur Gramacki, Jarosław Gramacki Streszczenie: W pracy zaprezentowano składniki systemu bazodanowego SQL Server 2008

Bardziej szczegółowo

KARTA PRZEDMIOTU. Hurtownie i eksploracja danych D1_5

KARTA PRZEDMIOTU. Hurtownie i eksploracja danych D1_5 KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:

Bardziej szczegółowo

Analiza i projekt systemu pracy grupowej z zastosowaniem metodyki SCRUM w technologii SharePoint Karolina Konstantynowicz

Analiza i projekt systemu pracy grupowej z zastosowaniem metodyki SCRUM w technologii SharePoint Karolina Konstantynowicz Analiza i projekt systemu pracy grupowej z zastosowaniem metodyki SCRUM w technologii SharePoint Karolina Konstantynowicz Promotor dr inż. Szymon Supernak Warszawa, 22.05.2014 Plan prezentacji 1. Cel i

Bardziej szczegółowo

Jak wiedzieć więcej i szybciej - Analizy in-memory

Jak wiedzieć więcej i szybciej - Analizy in-memory Jak wiedzieć więcej i szybciej - Analizy in-memory Michał Grochowski Senior Consultant BI/DWH 1 Copyright 2012, Oracle and/or its affiliates. All rights reserved. 2 Copyright 2012, Oracle and/or its affiliates.

Bardziej szczegółowo

Pojęcie systemu baz danych

Pojęcie systemu baz danych Pojęcie systemu baz danych System baz danych- skomputeryzowany system przechowywania danych/informacji zorganizowanych w pliki. Składa się z zasadniczych elementów: 1) Danych 2) Sprzętu 3) Programów 4)

Bardziej szczegółowo

Bazy danych. Zenon Gniazdowski WWSI, ITE Andrzej Ptasznik WWSI

Bazy danych. Zenon Gniazdowski WWSI, ITE Andrzej Ptasznik WWSI Bazy danych Zenon Gniazdowski WWSI, ITE Andrzej Ptasznik WWSI Wszechnica Poranna Trzy tematy: 1. Bazy danych - jak je ugryźć? 2. Język SQL podstawy zapytań. 3. Mechanizmy wewnętrzne baz danych czyli co

Bardziej szczegółowo

System INTEGRYB jako zintegrowane repozytorium danych umożliwiające zaawansowaną analitykę badawczą

System INTEGRYB jako zintegrowane repozytorium danych umożliwiające zaawansowaną analitykę badawczą System INTEGRYB jako zintegrowane repozytorium danych umożliwiające zaawansowaną analitykę badawczą Lena Szymanek 1, Jacek Seń 1, Krzysztof Skibicki 2, Sławomir Szydłowski 2, Andrzej Kunicki 1 1 Morski

Bardziej szczegółowo

Migracja Business Intelligence do wersji 2013.3

Migracja Business Intelligence do wersji 2013.3 Migracja Business Intelligence do wersji 2013.3 Copyright 2013 COMARCH Wszelkie prawa zastrzeżone Nieautoryzowane rozpowszechnianie całości lub fragmentu niniejszej publikacji w jakiejkolwiek postaci jest

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Bazy danych Database Kierunek: Rodzaj przedmiotu: obieralny Rodzaj zajęć: wykład, laboratorium Matematyka Poziom kwalifikacji: I stopnia Liczba godzin/tydzień: 2W, 2L Semestr: III Liczba

Bardziej szczegółowo

Maciej Kiewra mkiewra@qbico.pl. Quality Business Intelligence Consulting http://www.qbico.pl

Maciej Kiewra mkiewra@qbico.pl. Quality Business Intelligence Consulting http://www.qbico.pl Maciej Kiewra mkiewra@qbico.pl Quality Business Intelligence Consulting http://www.qbico.pl Wstęp Integration Services narzędzie do integracji danych Pomyślane do implementacji procesów ETL Extract ekstrakcja

Bardziej szczegółowo

Spojrzenie na systemy Business Intelligence

Spojrzenie na systemy Business Intelligence Marcin Adamczak Nr 5375 Spojrzenie na systemy Business Intelligence 1.Wprowadzenie. W dzisiejszym świecie współczesna organizacja prędzej czy później stanie przed dylematem wyboru odpowiedniego systemu

Bardziej szczegółowo