Wielowymiarowy model danych
|
|
- Aleksandra Edyta Kołodziejczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 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: ROLAP, MOLAP i HOLAP Hurtownie danych, wykład Bartosz Bębel bartosz.bebel@cs.put.poznan.pl 2 Model danych Analiza wielowymiarowa Określa sposób reprezentacji danych w bazie danych Analizowanie danych w różnych perspektywach (wymiarach) Składniki modelu danych: Cel: wyszukanie interesujących tendencji, trendów w danych struktury przechowujące dane dane ograniczenia dla danych operacje wykonywane na danych Przykłady: model relacyjny model obiektowy model wielowymiarowy Scenariusz przykładowej analizy: 1. Analityk porównuje zagregowane dane o sprzedaży poszczególnych kategorii produktów spożywczych (pieczywo, nabiał, itd.) w w sklepach sieci Tesco w ostatnim kwartale 2008 r. i pierwszym kwartale 2009 r. 2. Analityk zauważa, że sprzedaż produktów z kategorii słodycze w ostatnim kwartale 2008 r. znacznie przewyższa pod względem liczby sprzedanych sztuk sprzedaż tej samej kategorii w pierwszym kwartale 2009 r. 3. Analityk odczytuje dane o sprzedaży słodyczy w poszczególnych miesiącach ostatniego kwartału 2008 r. 4. Analityk zauważa gwałtowny wzrost sprzedaży słodyczy w grudniu 2008 r
2 Analiza jednowymiarowa Zwiększanie liczby wymiarów (1) Relacyjne bazy danych informacje analizowane w jednej perspektywie, dane przechowywane w relacjach strukturach jednowymiarowych przykład: relacja Sklepy: Nazwa sklepu Miasto Sprzedaż Aldi Kalisz 8015 Biedronka Kalisz 7061 Lidl Swarzędz Real Poznań Tesco Poznań Jak dodać dodatkowe perspektywy (wymiary) analiz? Dwie perspektywy: wielkość sprzedaży produktów w poszczególnych sklepach struktura dwuwymiarowa Sklepy Sprzedaż Produkty Bułki Chleb Mleko Ser Sok Aldi Kalisz Biedronka Kalisz Lidl Swarzędz Real Poznań Tesco Poznań Czy jest możliwe zapisanie struktury dwuwymiarowej w postaci jednowymiarowej relacyjnej? 5 6 Zwiększanie liczby wymiarów (2) Zwiększanie liczby wymiarów (3) Nazwa sklepu Miasto Produkt Sprzedaż Aldi Kalisz Bułki 5498 Dodatkowa informacja: okres, w którym sprzedano produkty w poszczególnych sklepach struktura trójwymiarowa Aldi Kalisz Chleb 980 Aldi Kalisz Mleko 670 Aldi Kalisz Ser 87 Aldi Kalisz Sok 780 Biedronka Kalisz Bułki 4511 Biedronka Kalisz Chleb 876 Biedronka Kalisz Mleko 710 Biedronka Kalisz Ser 54 Sklepy Produkty Sprzedaż w styczniu 2008 r. Bułki Chleb Mleko ProduktySer Sok Sprzedaż w lutym 2008 r. Aldi Kalisz Bułki Chleb Mleko Produkty Ser Sok Biedronka Sprzedaż Konin w marcu 2008 r Aldi Kalisz Bułki Chleb Mleko Ser Sok Lidl Swarzędz Biedronka Konin Real Aldi Poznań Kalisz Lidl Swarzędz Tesco Biedronka Poznań Kalisz Real Poznań Lidl Swarzędz Tesco Poznań Real Poznań Sklepy Sklepy Tesco Poznań
3 Zwiększanie liczby wymiarów (4) Wartości zagregowane Dodanie kolejnej perspektywy struktura 4-wymiarowa Problem: znajdź sumaryczną sprzedaż bułek we wszystkich sklepach Ogólnie: n perspektyw analiz struktura n-wymiarowa, tzw. n-wymiarowa kostka danych 9 10 Kategorie informacji Fakt i miara Fakt Sklepy Produkty Sprzedaż Bułki Chleb Mleko Ser Sok Aldi Kalisz Biedronka Kalisz Lidl Swarzędz Real Poznań Tesco Poznań Wymiary Fakty i miary zdarzenie, którego cechy podlegają analizie przykład: transakcja sprzedaży produktu w sklepie wykonanie rozmowy telefonicznej Miara analizowana cecha faktu najczęściej numeryczna i addytywna rzadko tekstowa (opisowa) przykłady: dla faktu transakcja sprzedaży produktu w sklepie : liczba sztuk sprzedanego produktu w ramach transakcji, cena sprzedaży produktu w ramach transakcji dla faktu wykonanie rozmowy telefonicznej : czas trwania, koszt rozmowy 11 12
4 Wymiar Informacja opisująca fakt Przykłady: produkt opisuje cechy sprzedanego towaru lokalizacja opisuje miejsce sprzedaży produktu czas opisuje moment dokonania sprzedaży Hierarchia wymiaru Wymiar może mieć strukturę hierarchiczną, elementem tej struktury jest poziom wymiaru Wyróżnione poziomy w hierarchii wymiaru: poziom bazowy najniższy poziom hierarchii: artykuł, sklep, dzień poziom szczytowy najwyższy poziom hierarchii: kategoria, województwo, rok Hierarchia wymiaru definiuje ścieżki agregacji wymiaru Instancja wymiaru (1) Instancja wymiaru (2) Zbiór wartości poziomów w hierarchii wymiaru Przykłady: Przykłady (cd): 15 16
5 Struktura w modelu wielowym. podsumowanie Operacje modelu wielowymiarowego Struktura n-wymiarowa kostka danych Wykonywane przez analityków w celu: ograniczenia rozmiaru danych wydobycia z danych interesujących informacji dostosowania sposobu prezentacji danych do własnych potrzeb Operacje modelu wielowymiarowego: 1. zwijanie (ang. roll-up) 2. rozwijanie (drążenie) (ang. drill-down) 3. filtrowanie (ang. screening, filtering) 4. wycinanie (ang. slice-and-dice) 5. obracanie (ang. pivoting) Operacja 1. Zwijanie Operacja 2. Rozwijanie (drążenie) Wykonuje nawigowanie w górę struktury hierarchii wymiarów Wykonuje nawigowanie w dół struktury hierarchii wymiarów Umożliwia analizowanie danych o większym stopniu agregacji (danych o mniejszej szczegółowości) (danych o mniejszej szczegółowości) Umożliwia analizowanie danych o mniejszym stopniu agregacji (danych o większej szczegółowości) (danych o większej szczegółowości) Przykład: Jest operacją odwrotną w stosunku do zwijania Przykład: 19 20
6 Operacja 3. Filtrowanie Ograniczenie zakresu analizowanych danych przez zdefiniowanie warunku Przykład: pokaż sprzedaż produktów w tych sklepach, w których średnia wartość transakcji przekroczyła 100 zł Operacja 4. Wycinanie Ograniczenie zakresu analizowanych danych do wybranych wymiarów, a w ramach wymiarów do określonych instancji wymiarów Przykład: Operacja 5. Obracanie Implementacje modelu wielowymiarowego Zmiana orientacji wymiarów w kostce danych przez użycie jednego wymiaru jako zmiennej niezależnej Przykład: ROLAP implementacja relacyjna MOLAP implementacja wielowymiarowa HOLAP implementacja hybrydowa 23 24
7 ROLAP Cechy ROLAP (1) Relacyjny OLAP (ang. Relational OLAP) Wykorzystuje rozszerzony model relacyjny: implementacja kostki modelu wielowymiarowego za pomocą: relacji faktów przechowuje fakty i miary relacji wymiaru przechowuje dane wymiarów implementacja operacji modelu wielowymiarowego przy pomocy standardowych operatorów relacyjnych języka SQL: selekcja projekcja połączenie operatory zbiorowe Przechowywane dane są najczęściej nieprzetworzone są to tzw. dane elementarne Zalety: dobra skalowalność przy dużych rozmiarach danych duża efektywność procesu aktualizacji danych dane składowane w relacjach możliwość wykorzystania szerokiego spektrum narzędzie raportujących (niekoniecznie przeznaczonych tylko dla OLAP) Wady: w przypadku konieczności przechowywania agregatów konieczne zaprojektowanie dodatkowych struktur danych i wykonania dodatkowego przetwarzania trudność implementacji i mała efektywność realizacji operacji, które nie są łatwo wyrażalne w języku SQL Cechy ROLAP (2) ROLAP schemat gwiazdy (1) Możliwość wykorzystania różnych schematów implementacji: schemat gwiazdy (ang. star schema) schemat płatka śniegu (ang. snowflake schema) schemat z konstelacją faktów (ang. fact constellation schema) schemat gwiazda-płatek śniegu (ang. starflake schema) Wybór schematu implementacji zależy od profilu danych oraz rodzajów analiz Struktura: centralna relacja faktów zdenormalizowane relacje wymiarów, każdy wymiar implementowany przez jedną relację wymiaru 27 28
8 ROLAP schemat gwiazdy (2) Zalety: prostota struktury skutkuje utworzeniem prostego schematu bazy danych go schematu bazy danych duża efektywność wykonywania zapytań analitycznych dzięki małej liczbie połączeń relacji Wady nieprzejrzysta struktura hierarchii wymiarów potencjalne problemy przy uaktualnianiu zawartości relacji wymiarów (z powodu ich denormalizacji) Stosowany najczęściej, gdy: wszystkie poziomy wymiarów są wykorzystywane w analizach dane wymiarów są rzadko aktualizowane ROLAP schemat płatka śniegu (1) Struktura: centralna relacja faktów znormalizowane relacje poziomów każdy poziom w hierarchii wymiaru implementowany przez osobną relację ROLAP schemat płatka śniegu (2) ROLAP schemat z konstelacją faktów Zalety: przejrzysta struktura hierarchii wymiarów łatwe uaktualnianie danych wymiarów (dzięki normalizacji) oszczędność miejsca składowania danych wymiarów (dzięki normalizacji) Wady: spadek efektywności wykonywania zapytań analitycznych przez konieczność realizacji wielu połączeń wzrost poziomu złożoności schematu bazy danych Stosowany najczęściej, gdy: poziomy niżej w hierarchii wymiarów częściej analizowane w porównaniu z poziomami wyżej w hierarchii konieczność częstego uaktualniania danych wymiarów Struktura: kilka relacji faktów niektóre relacje wymiarów są współdzielone przez relacje faktów Stosowany, gdy: konieczne jest analizowanie miar różnych klas faktów 31 32
9 ROLAP schemat gwiazda-płatek śniegu (1) ROLAP schemat gwiazda-płatek śniegu (2) Stosowany, gdy: wymiary są wykorzystywane w analizach w różnym stopniu: rzadziej analizowane wymiary jako znormalizowane efektywniejsze wykorzystanie miejsca składowania danych kosztem mniejszej efektywności wykonywania zapytań analitycznych często analizowane wymiary jako zdenormalizowane efektywne wykonywanie zapytań analitycznych kosztem mniejszej efektywności wykorzystania miejsca składowania danych dane wymiarów aktualizowane z różną częstotliwością: dane wymiarów znormalizowanych często aktualizowane dane wymiarów zdenormalizowanych rzadko aktualizowane Struktura: centralna relacja faktów część wymiarów w postaci zdenormalizowanej część wymiarów w postaci znormalizowanej ROLAP implementowanie agregatów (1) ROLAP implementowanie agregatów (2) Relacja faktów wartości miar przechowywane jako dane elementarne bądź o bardzo niskim stopniu agregacji, np.: średnia cena produktu w ramach transakcji sprzedaży liczba produktów w ramach transakcji Odpowiedź: Typowe zapytanie analityczne: Podaj sumaryczną liczbę sztuk produktów 1. Wyliczenie sprzedanych wyniku z danych w ramach transakcji realizowanych w drugiej szczegółowych połowie 2008 konieczność r. odczytania i podsumowania wartości dużego zbioru rekordów 2. Wykorzystanie uprzednio wyliczonych agregatów Agregat wyliczone w procesie agregacji i trwale składowane w relacjach zbiorczych wartości, zastępujące dane szczegółowe w odpowiedzi na zapytania analityczne (synonim: dane zbiorcze) Agregacja proces wstępnego wyliczenia agregatów z danych szczegółowych oraz ich przechowywanie celem późniejszego wykorzystania Relacja zbiorcza: powinna zapewniać skrócenie czasu odpowiedzi na zapytania analityczne powinna przechowywać tylko te agregaty, które rzeczywiście są potrzebne (np. najczęściej analizowane) musi być pielęgnowana dodanie nowych danych elementarnych może prowadzić do konieczności ponownego wyliczenia agregatów 35 36
10 ROLAP implementowanie agregatów (3) MOLAP Wielowymiarowy OLAP (ang. Multidimensional OLAP) Implementacja kostki danych modelu wielowymiarowego wielowymiarowa tablica Operacje modelu wielowymiarowego realizowane bezpośrednio na danych wielowymiarowych Przechowywane dane są wstępnie przetworzone (zagregowane); poziom agregacji danych wyższy niż w ROLAP Cechy MOLAP HOLAP Zalety: wysoka efektywność realizacji zapytań analitycznych automatyczne wyliczanie i składowanie danych zagregowanych mniejszy rozmiar danych w porównaniu z implementacją ROLAP (szczególnie w przypadku wymiarów o małej liczności) Hybrydowy OLAP (ang. Hybrid OLAP) Połączenie ROLAP z OLAP: dane elementarne i o niskim poziomie agregacji składowane jako ROLAP dane o wysokim poziomie agregacji składowane jako MOLAP Wady: zła skalowalność w przypadku danych o dużych rozmiarach mała efektywność realizacji zapytań analitycznych w sytuacji wymiarów o dużej liczności konieczność wstępnego przetworzenia danych (agregacji) brak jednolitego standardu 39 40
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 szczegółowoModele 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 szczegółowoModele 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 szczegółowoHurtownie 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 szczegółowoHurtownie 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 szczegółowoInformatyzacja przedsiębiorstw
Informatyzacja przedsiębiorstw Izabela Szczęch Politechnika Poznańska Plan wykładu Elementy Business Intelligence Model wielowymiarowy Modelowanie hurtowni danych podstawowe schematy logiczne Operacje
Bardziej szczegółowoPlan 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 szczegółowoHurtownie 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 szczegółowoModelowanie hurtowni danych
Modelowanie hurtowni danych Zbyszko Królikowski Instytut Informatyki Dane w hurtowniach danych pojęcia podstawowe Hurtowniadanychjestkolekcją:zintegrowanych, zorientowanych tematycznie, zmiennych w czasie,
Bardziej szczegółowoSystemy 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 szczegółowoSystemy 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 szczegółowoSchematy 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 szczegółowoZaawansowane 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 szczegółowoHurtownie 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 szczegółowoBazy 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 szczegółowoHurtownie 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 szczegółowoBusiness 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 szczegółowoWstęp 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 szczegółowoHurtownie 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 szczegółowoHURTOWNIE DANYCH I BUSINESS INTELLIGENCE
BAZY DANYCH HURTOWNIE DANYCH I BUSINESS INTELLIGENCE Akademia Górniczo-Hutnicza w Krakowie Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk HURTOWNIE DANYCH Hurtownia danych (Data Warehouse) to najczęściej
Bardziej szczegółowoHurtownie 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 szczegółowoSpis tre±ci. Przedmowa... Cz ± I
Przedmowa.................................................... i Cz ± I 1 Czym s hurtownie danych?............................... 3 1.1 Wst p.................................................. 3 1.2 Denicja
Bardziej szczegółowoBD2 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 szczegółowoHurtownie 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 szczegółowoHurtownie 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 szczegółowoPorównanie wydajności hurtowni danych ROLAP i MOLAP w Oracle 10g
XI Konferencja PLOUG Kościelisko Październik 2005 Porównanie wydajności hurtowni danych ROLAP i MOLAP w Oracle 10g Bartosz Bębel, Julusz Jezierski, Robert Wrembel Politechnika Poznańska, Instytut Informatyki
Bardziej szczegółowoOLAP 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 szczegółowoHURTOWNIE 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 szczegółowoHurtownie 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 Modelowanie hurtowni danych Model wielowymiarowy
Bardziej szczegółowoHurtownie 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 szczegółowoSystemy OLAP II. 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 letni 2006/07 Plan wykładu Systemy baz
Bardziej szczegółowoIndeksy w bazach danych. Motywacje. Techniki indeksowania w eksploracji danych. Plan prezentacji. Dotychczasowe prace badawcze skupiały się na
Techniki indeksowania w eksploracji danych Maciej Zakrzewicz Instytut Informatyki Politechnika Poznańska Plan prezentacji Zastosowania indeksów w systemach baz danych Wprowadzenie do metod eksploracji
Bardziej szczegółowoPlan. 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 szczegółowoHurtownie danych - przegląd technologii
Hurtownie danych - przegląd technologii Robert Wrembel Poznan University of Technology Institute of Computing Science Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Designing DW System (R.
Bardziej szczegółowoKARTA 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 szczegółowoBazy 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 szczegółowoSYLABUS 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 szczegółowoSpis 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 szczegółowoHURTOWNIE DANYCH. Krzysztof Goczyła. Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska. kris@eti.pg.gda.pl. K.
HURTOWNIE DANYCH Krzysztof Goczyła Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska kris@eti.pg.gda.pl # 1 Część I. Tworzenie hurtowni danych 1. Co to jest hurtownia danych? 2. Model
Bardziej szczegółowoHurtownie 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 szczegółowoProjektowanie hurtowni danych
Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2004/05 Plan wykładu Ewolucja
Bardziej szczegółowo4. 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 szczegółowoRady i porady użytkowe
Rady i porady użytkowe Dział Eksploatacji CONTROLLING SYSTEMS sp. z o.o. Rady i porady - źródło prezentacji: Najczęstsze problemy zgłaszane przez Klientów na etapie eksploatacji systemu Spostrzeżenia konsultantów
Bardziej szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mrafalo@sgh.waw.pl PROJEKTOWANIE WARSTWY DANYCH DETALICZNYCH - ZAGADNIENIA Partycjonowanie Partycja jest wydzielonym miejscem na dysku, w którym przechowywane
Bardziej szczegółowoMicrosoft Excel 2013: Budowanie modeli danych przy użyciu PowerPivot
Microsoft Excel 2013: Budowanie modeli danych przy użyciu PowerPivot Alberto Ferrari i Marco Russo Przekład: Marek Włodarz APN Promise Warszawa 2014 Spis treści Wprowadzenie............................................................
Bardziej szczegółowoBaza 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 szczegółowoHurtownie danych - przegląd technologii
Hurtownie danych - przegląd technologii Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Biznesowe słowniki pojęć biznesowych odwzorowania pojęć
Bardziej szczegółowo1 z :19
1 z 76 2016-12-14 09:19 2 z 76 2016-12-14 09:19 3 z 76 2016-12-14 09:19 4 z 76 2016-12-14 09:19 5 z 76 2016-12-14 09:19 6 z 76 2016-12-14 09:19 7 z 76 2016-12-14 09:19 8 z 76 2016-12-14 09:19 9 z 76 2016-12-14
Bardziej szczegółowoBazy 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 szczegółowoUsługi 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 szczegółowoWprowadzenie 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 szczegółowoMatematyka kodem nowoczesności. Zaproszenie do składania ofert
Uniwersytet Śląski Dział Logistyki ul. Bankowa 12 40-007 Katowice tel. (32) 359 19 07 mail: joanna.kozbial@us.edu.pl; Katowice 7.02.2014 r Zaproszenie do składania ofert Niniejsze postępowanie jest prowadzone
Bardziej szczegółowoprzygotował: pawel@kasprowski.pl Podstawy języka MDX Tworzenie zbiorów
Podstawy języka MDX Tworzenie zbiorów Używanie zbiorów Zbiór to: wynik działania funkcji (np. funkcji members) lista elementów otoczona {...} {[Store Sales], [Unit Sales]} on columns, [Product].[Prod].[Category].members
Bardziej szczegółowoZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia
ZP/ITS/11/2012 Załącznik nr 1a do SIWZ ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, laboratorium BAZY DANYCH Databases Forma studiów: Stacjonarne
Bardziej szczegółowoUsługi analityczne podstawy budowy kostki analitycznej Część druga - zarządzanie
Usługi analityczne podstawy budowy kostki analitycznej Część druga - zarządzanie Nasz definicja kostki analitycznie nie zawiera jeszcze danych. Aby zbudować kostkę funkcjonalnie działającą musimy, dokonać
Bardziej szczegółowoPrzetwarzanie danych z wykorzystaniem technologii NoSQL na przykładzie serwisu Serp24
Przetwarzanie danych z wykorzystaniem technologii NoSQL na przykładzie serwisu Serp24 Agenda Serp24 NoSQL Integracja z CMS Drupal Przetwarzanie danych Podsumowanie Serp24 Darmowe narzędzie Ułatwia planowanie
Bardziej szczegółowoJak pisać pracę dyplomową? Uwagi o formie. Zasady redakcji pracy dyplomowej.
Jak pisać pracę dyplomową? Uwagi o formie. Zasady redakcji pracy dyplomowej. 1. Informacje ogólne Zasadniczym celem pracy dyplomowej przygotowywanej przez studenta jest: - wykazanie się umiejętnością formułowania
Bardziej szczegółowoPROJEKT 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 szczegółowoCel 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*Grafomania z. Neo4j. Praktyczne wprowadzenie do grafowej bazy danych.
*Grafomania z Neo4j Praktyczne wprowadzenie do grafowej bazy danych. Jak zamodelować relacyjną bazę danych reprezentującą następujący fragment rzeczywistości: Serwis WWW opisuje pracowników różnych firm
Bardziej szczegółowoHurtownie 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 szczegółowoWydział Elektrotechniki, Informatyki i Telekomunikacji. Instytut Informatyki i Elektroniki. Instrukcja do zajęć laboratoryjnych
Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Informatyki i Elektroniki Instrukcja do zajęć laboratoryjnych wersja: 1.0 Nr ćwiczenia: 12, 13 Temat: Cel ćwiczenia: Wymagane przygotowanie
Bardziej szczegółowoSQL w 24 godziny / Ryan Stephens, Arie D. Jones, Ron Plew. Warszawa, cop Spis treści
SQL w 24 godziny / Ryan Stephens, Arie D. Jones, Ron Plew. Warszawa, cop. 2016 Spis treści O autorach 11 Podziękowania 12 Część I Wprowadzenie do języka SQL 13 Godzina 1. Witamy w świecie języka SQL 15
Bardziej szczegółowoBusiness Intelligence (BI) Hurtownie danych, Eksploracja danych. Business Intelligence (BI) Mnogość pojęć z okolic BI
Business Intelligence (BI) Hurtownie danych, Eksploracja danych Na początek tłumaczenie inteligencja biznesowa (fatalnie!) analityka biznesowa (lepiej?) usługi biznesowe (lepiej?) przetwarzanie analityczne
Bardziej szczegółowoSQL Server i T-SQL w mgnieniu oka : opanuj język zapytań w 10 minut dziennie / Ben Forta. Gliwice, Spis treści
SQL Server i T-SQL w mgnieniu oka : opanuj język zapytań w 10 minut dziennie / Ben Forta. Gliwice, 2017 Spis treści O autorze 9 Wprowadzenie 11 Lekcja 1. Zrozumieć SQL 15 Podstawy baz danych 15 Język SQL
Bardziej szczegółowoProblematyka 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 szczegółowoBudowa 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 szczegółowoINTERNETOWE BAZY DANYCH materiały pomocnicze - wykład X
Wrocław 2006 INTERNETOWE BAZY DANYCH materiały pomocnicze - wykład X Paweł Skrobanek C-3, pok. 323 e-mail: pawel.skrobanek@pwr.wroc.pl INTERNETOWE BAZY DANYCH PLAN NA DZIŚ zajęcia 1: 2. Procedury składowane
Bardziej szczegółowoK1A_W11, K1A_W18. Egzamin. wykonanie ćwiczenia lab., sprawdzian po zakończeniu ćwiczeń, egzamin, K1A_W11, K1A_W18 KARTA PRZEDMIOTU
(pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: BAZY DANYCH 2. Kod przedmiotu: 3. Karta przedmiotu ważna od roku akademickiego: 2014/2015 4. Forma kształcenia: studia pierwszego stopnia 5. Forma
Bardziej szczegółowoIntegracja systemów transakcyjnych
Integracja systemów transakcyjnych Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Problematyka i architektury integracji danych
Bardziej szczegółowoMulti-wyszukiwarki. Mediacyjne Systemy Zapytań wprowadzenie. Architektury i technologie integracji danych Systemy Mediacyjne
Architektury i technologie integracji danych Systemy Mediacyjne Multi-wyszukiwarki Wprowadzenie do Mediacyjnych Systemów Zapytań (MQS) Architektura MQS Cechy funkcjonalne MQS Cechy implementacyjne MQS
Bardziej szczegółowoWykład I. Wprowadzenie do baz danych
Wykład I Wprowadzenie do baz danych Trochę historii Pierwsze znane użycie terminu baza danych miało miejsce w listopadzie w 1963 roku. W latach sześcdziesątych XX wieku został opracowany przez Charles
Bardziej szczegółowoInformatyka 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 szczegółowoUsługi 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 szczegółowoAlicja Marszałek Różne rodzaje baz danych
Alicja Marszałek Różne rodzaje baz danych Rodzaje baz danych Bazy danych można podzielić wg struktur organizacji danych, których używają. Można podzielić je na: Bazy proste Bazy złożone Bazy proste Bazy
Bardziej szczegółowoWprowadzenie 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 szczegółowoOpis 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 szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mrafalo@sgh.waw.pl WARIANTY BUDOWY HURTOWNI DANYCH Literatura R. Kimball, The Data Warehouse Lifecycle, Wiley, 2013 W. Inmon, Building the Data Warehouse,
Bardziej szczegółowoPRZEWODNIK 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 szczegółowoMULTIFORMATOWE KONCEPCJE W ROZWOJU SIECI HANDLOWYCH
MULTIFORMATOWE KONCEPCJE W ROZWOJU SIECI HANDLOWYCH SKUTECZNE DOTARCIE DO KLIENTA INQUIRY, 6 listopada 2013 VI Forum Rynku Spożywczego MULTICHANNEL - koncepcja Definicja Strategia handlowo-marketingowa
Bardziej szczegółowoSystemy OLAP. 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 2005/06 Plan wykładu Ewolucja
Bardziej szczegółowoProjektowanie hurtowni danych i modelowanie wielowymiarowe
Projektowanie hurtowni danych i modelowanie wielowymiarowe Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania
Bardziej szczegółowoSpis treści. Przedmowa
Spis treści Przedmowa V 1 SQL - podstawowe konstrukcje 1 Streszczenie 1 1.1 Bazy danych 1 1.2 Relacyjny model danych 2 1.3 Historia języka SQL 5 1.4 Definiowanie danych 7 1.5 Wprowadzanie zmian w tabelach
Bardziej szczegółowoforma studiów: studia stacjonarne Liczba godzin/tydzień: 1, 0, 2, 0, 0
Nazwa przedmiotu: Relacyjne Bazy Danych Relational Databases Kierunek: Zarządzanie i Inżynieria Produkcji Kod przedmiotu: ZIP.GD5.03 Rodzaj przedmiotu: Przedmiot Specjalnościowy na kierunku ZIP dla specjalności
Bardziej szczegółowoModelowanie hierarchicznych struktur w relacyjnych bazach danych
Modelowanie hierarchicznych struktur w relacyjnych bazach danych Wiktor Warmus (wiktorwarmus@gmail.com) Kamil Witecki (kamil@witecki.net.pl) 5 maja 2010 Motywacje Teoria relacyjnych baz danych Do czego
Bardziej szczegółowoTom 6 Opis oprogramowania
Część 4 Narzędzie do wyliczania wielkości oraz wartości parametrów stanu Diagnostyka stanu nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 30 maja 2012 Historia dokumentu Nazwa
Bardziej szczegółowoProjektowanie schematów logicznych dla magazynów danych
Projektowanie schematów logicznych dla magazynów danych Bartosz Bębel, Mikołaj Morzy Politechnika Poznańska, Instytut Informatyki ul. Piotrowo 3A, 60-965 Poznań Bartosz.Bebel@cs.put.poznan.pl, Mikolaj.Morzy@cs.put.poznan.pl
Bardziej szczegółowoTematy projektów Edycja 2014
Tematy projektów Edycja 2014 Robert Wrembel Poznan University of Technology Institute of Computing Science Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Reguły Projekty zespołowe max. 4
Bardziej szczegółowoĆwiczenia z Zaawansowanych Systemów Baz Danych
Ćwiczenia z Zaawansowanych Systemów Baz Danych Hurtownie danych Zad 1. Projekt schematu hurtowni danych W źródłach danych dostępne są następujące informacje dotyczące operacji bankowych: Klienci banku
Bardziej szczegółowoWprowadzenie 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 szczegółowoOpracowanie systemu monitorowania zmian cen na rynku nieruchomości
Opracowanie systemu monitorowania zmian cen na rynku nieruchomości Ogólne założenia planowanego projektu Firma planuje realizację projektu związanego z uruchomieniem usługi, która będzie polegała na monitorowaniu
Bardziej szczegółowoBazy danych. Plan wykładu. Diagramy ER. Podstawy modeli relacyjnych. Podstawy modeli relacyjnych. Podstawy modeli relacyjnych
Plan wykładu Bazy danych Wykład 9: Przechodzenie od diagramów E/R do modelu relacyjnego. Definiowanie perspektyw. Diagramy E/R - powtórzenie Relacyjne bazy danych Od diagramów E/R do relacji SQL - perspektywy
Bardziej szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mrafalo@sgh.waw.pl WARSTWA PREZENTACJI HURTOWNI DANYCH Wykorzystanie hurtowni danych - aspekty Analityczne zbiory danych (ADS) Zbiór danych tematycznych (Data
Bardziej szczegółowoOracle11g: 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 szczegółowoMonitoring procesów z wykorzystaniem systemu ADONIS. Krok po kroku
z wykorzystaniem systemu ADONIS Krok po kroku BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management Office
Bardziej szczegółowoHurtownie 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 szczegółowoKARTA PRZEDMIOTU. 1. Informacje ogólne. 2. Ogólna charakterystyka przedmiotu. Metody drążenia danych D1.3
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 szczegółowo1. 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 szczegółowoAnaliza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32
Analiza i projektowanie oprogramowania Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania 2/32 Cel analizy Celem fazy określania wymagań jest udzielenie odpowiedzi na pytanie:
Bardziej szczegółowo