Please enable JavaScript.

Coggle requires JavaScript to display documents.

DataWarehousing and Online Analytical Processing - Coggle Diagram

- - - - El nivel inferior es un servidor de base de datos de almacén que casi siempre es relacional.
        sistema de bases de datos. Las herramientas y utilidades de back-end se utilizan para introducir datos en el nivel inferior desde bases de datos operativas u otras fuentes externas. Estas herramientas y utilidades realizan datos
        extracción, limpieza y transformación (por ejemplo, para fusionar datos similares de diferentes
        fuentes en un formato unificado), así como funciones de carga y actualización para actualizar la
        almacén de datos. Los datos se extraen mediante interfaces de programas de aplicación conocidas como pasarelas. Una puerta de enlace es compatible con el DBMS subyacente.
        y permite que los programas cliente generen código SQL para ejecutarlo en un servidor.
        
        El nivel medio es un servidor OLAP que normalmente se implementa utilizando (1) un
        modelo OLAP relacional (ROLAP) (es decir, un DBMS relacional extendido que asigna operaciones sobre datos multidimensionales a operaciones relacionales estándar); o (2) un modelo OLAP multidimensional (MOLAP) (es decir, un servidor de propósito especial que directamente
        implementa datos y operaciones multidimensionales).
        
        El nivel superior es una capa de cliente de front-end, que contiene herramientas de consulta e informes,
        herramientas de análisis y / o herramientas de minería de datos (por ejemplo, análisis de tendencias, predicción, etc.).
  - - - Extracción de datos, que normalmente recopila datos de múltiples, heterogéneos y
        fuentes externas.
        
        Limpieza de datos, que detecta errores en los datos y los rectifica cuando es posible.
        
        Transformación de datos, que convierte los datos del formato heredado o de host en el almacén.
        formato.
        
        Cargar, que ordena, resume, consolida, calcula vistas, verifica la integridad y
        construye índices y particiones.
        
        Actualizar, que propaga las actualizaciones desde las fuentes de datos al almacén.
  - - - Una descripción de la estructura del almacén de datos, que incluye el esquema del almacén,
        vista, dimensiones, jerarquías y definiciones de datos derivados, así como data mart
        ubicaciones y contenidos.
        
        Metadatos operativos, que incluyen el linaje de los datos (historial de datos migrados y
        secuencia de transformaciones aplicadas), vigencia de los datos (activos, archivados o
        purgado) e información de seguimiento (estadísticas de uso del almacén, informes de errores y
        pistas de auditoría).
        
        Los algoritmos utilizados para el resumen, que incluyen medida y dimensión.
        algoritmos de definición, datos sobre granularidad, particiones, áreas temáticas, agregación,
        resumen y consultas e informes predefinidos.
        
        Mapeo del entorno operativo al almacén de datos, que incluye
        bases de datos de origen y su contenido, descripciones de puertas de enlace, particiones de datos, datos
        extracción, limpieza, reglas de transformación y valores predeterminados, actualización y depuración de datos
        reglas y seguridad (autorización de usuarios y control de acceso).
        
        Datos relacionados con el rendimiento del sistema, que incluyen índices y perfiles que mejoran
        rendimiento de acceso y recuperación de datos, además de las reglas para el tiempo y
        programación de ciclos de actualización, actualización y replicación.
        
        Metadatos comerciales, que incluyen términos y definiciones comerciales, propiedad de datos
        información y políticas de cobro.
- - - - Esquema en estrella: El paradigma de modelado más común es el esquema en estrella, en el que el
        El almacén de datos contiene (1) una gran tabla central (tabla de hechos) que contiene la mayor parte de
        los datos, sin redundancia, y (2) un conjunto de tablas auxiliares más pequeñas (dimensión
        tablas), una para cada dimensión. El esquema gráfico se asemeja a un estallido de estrellas, con el
        tablas de dimensiones que se muestran en un patrón radial alrededor de la tabla de hechos central.
        
        Esquema de copo de nieve: el esquema de copo de nieve es una variante del modelo de esquema en estrella,
        donde se normalizan algunas tablas de dimensiones, dividiendo aún más los datos en
        tablas adicionales. El gráfico de esquema resultante tiene una forma similar a un copo de nieve.
        
        Constelación de hechos: las aplicaciones sofisticadas pueden requerir múltiples tablas de hechos para compartir
        tablas de dimensiones. Este tipo de esquema puede verse como una colección de estrellas, y
        por lo tanto, se llama esquema de galaxias o constelación de hechos.
  - - - Distributiva: una función agregada es distributiva si se puede calcular en un
        manera de la siguiente manera. Suponga que los datos se dividen en n conjuntos. Aplicamos la función a cada partición, lo que da como resultado n valores agregados. Si el resultado derivado de la aplicación
        la función para los n valores agregados es la misma que la derivada al aplicar la función a todo el conjunto de datos (sin particionar), la función se puede calcular en un
        forma distribuida.
        
        Algebraica: Una función agregada es algebraica si puede ser calculada por una función algebraica con M argumentos (donde M es un entero positivo acotado), cada uno de los cuales
        se obtiene aplicando una función agregada distributiva.
        
        Holístico: una función agregada es holística si no hay un límite constante en el tamaño del almacenamiento necesario para describir un subagregado. Es decir, no existe un algebraico
        función con M argumentos (donde M es una constante) que caracteriza el cálculo.
        Una medida es holística si se obtiene aplicando una función agregada holística
  - - - Roll-up: la operación de roll-up (también llamada operación de desglose por algunos proveedores)
        realiza la agregación en un cubo de datos, ya sea subiendo una jerarquía de conceptos para
        una dimensión o por reducción de dimensión.Cuando el roll-up se realiza mediante reducción de dimensión, una o más dimensiones se
        eliminado del cubo dado.
        
        Drill-down: Drill-down es el reverso de roll-up. Navega desde datos menos detallados
        a datos más detallados. La profundización se puede realizar eliminando un concepto
        jerarquía de una dimensión o introduciendo dimensiones adicionales.
        
        Cortar y picar: la operación de corte realiza una selección en una dimensión de la
        cubo, lo que da como resultado un subcubo.
        
        Pivot (rotar): Pivot (también llamado rotar) es una operación de visualización que rota los datos
        ejes con el fin de proporcionar una presentación de datos alternativa.
        
        Otras operaciones OLAP: algunos sistemas OLAP ofrecen operaciones de perforación adicionales. Para
        ejemplo, la obtención de detalles ejecuta consultas que involucran (es decir, a través de) más de un hecho
        mesa. La operación de obtención de detalles utiliza recursos SQL relacionales para
        nivel inferior de un cubo de datos hasta sus tablas relacionales de back-end.
        Otras operaciones OLAP pueden incluir la clasificación de los N primeros o N últimos elementos en
        listas, así como calcular promedios móviles, tasas de crecimiento, intereses, rendimiento interno
        tasas, depreciación, conversiones de moneda y funciones estadísticas