Please enable JavaScript.

Coggle requires JavaScript to display documents.

Bases de datos multidimensionales - Coggle Diagram

- - - - Slowly Chaning Dimensions Link SDC
        
        Definición
        
        Se refieren a las dimensiones cuyos atributos cambian con una frecuencia menor en comparación con otras dimensiones en el sistema.
        
        Tipos
        
        Sobreescritura
        
        Agregación de filas
        
        Agregación de columas
        
        Soluciones conocidas
        
        Ejemplos
        
        Información de empleados
        
        Los atributos de un empleado, como el cargo, el departamento, la ubicación, el salario, etc., pueden cambiar con poca frecuencia pero de manera significativa a lo largo del tiempo. Por ejemplo, un empleado puede ser promovido a un nuevo cargo, trasladado a otro departamento o recibir un aumento de salario.
        
        Datos geográficos
        
        La información relacionada con ubicaciones geográficas, como direcciones, códigos postales, regiones, países, etc., puede experimentar cambios lentos a lo largo del tiempo. Por ejemplo, la reorganización de regiones administrativas o cambios en los límites de un municipio.
        
        Categorias de productos
        
        En un entorno de comercio electrónico, las categorías de productos pueden cambiar lentamente a medida que se introducen nuevas categorías, se eliminan categorías obsoletas o se reorganizan las categorías existentes.
        
        Datos de clientes
        
        Los atributos de los clientes, como la segmentación demográfica, el estado civil, la situación laboral, etc., pueden cambiar lentamente a medida que los clientes evolucionan en sus preferencias y circunstancias.
        
        Niveles de educacion
        
        Los niveles educativos de los clientes o empleados pueden evolucionar a lo largo del tiempo a medida que completan estudios adicionales o obtienen nuevas certificaciones. Registrar estos cambios en una dimensión educativa puede ser crucial para analizar patrones de consumo o desempeño laboral.
        
        Estatus laboral
        
        El estatus laboral de los empleados o clientes puede variar a lo largo del tiempo debido a cambios en el empleo, ascensos, despidos, etc. Registrar estos cambios en una dimensión de empleo puede ser útil para analizar la rotación de personal o el impacto del estatus laboral en el comportamiento de compra.
      - Minidimensions
        
        Son detalles adicionales de una dimensión específica (por ejemplo, el perfil de usuario) que no se incluyen en la tabla original. La cardinalidad es 1 a 1.
      - Junk Dimensions
        
        Son las diferentes tablas de categorías que nos permitan segmentar y agrupar datos dentro de un cubo o data mart.
      - Degenerate Dimensions
        
        Agregan columnas adicionales en tablas separadas, colocando una redundancia adicional un cubo o data mart para realizar consultas más eficientes.
      - Time Dimensions
        
        Estan implícitas en una base de datos y son utiles para realizar informes. Se recomienda considerar siempre una tabla calendario.
      - Outtriggers
        
        Es una técnica que permite relacionar llaves primarias a llaves foraneas en un contexto de 1 a muchos.
  - - - Un Data Mart es una subdivisión de un Data Warehouse que se centra en un área específica de la organización, como ventas, marketing o recursos humanos. Los Data Marts contienen datos resumidos y preprocesados para satisfacer las necesidades de un grupo particular de usuarios.
      - Ejemplo
        
        Dentro de este Data Warehouse, se podría crear un Data Mart específico para el departamento de marketing de la empresa. Este Data Mart de marketing contendría datos resumidos y preprocesados relacionados con las campañas de marketing, el comportamiento de compra de los clientes y las tendencias de ventas. Incluiría dimensiones como tipo de campaña, segmento de clientes y canal de marketing, junto con medidas como el retorno de inversión en marketing y la tasa de conversión.
    - - Imaginemos una empresa minorista que recopila datos de ventas, inventario y clientes de todas sus tiendas a lo largo del tiempo. El Data Warehouse de esta empresa sería un repositorio centralizado que integra y almacena todos estos datos en un formato optimizado para el análisis. Incluiría información detallada sobre ventas diarias, inventario disponible y datos demográficos de los clientes.
- - - - Procesamiento de transacciones online
      - Caracteristicas
        
        Se enfoca en el procesamiento eficiente de transacciones individuales en tiempo real.
        
        Utilizado para gestionar transacciones diarias, como ventas, reservas y actualizaciones de inventario.
      - Diseño
        
        Estructuras de tablas normalizadas para minimizar la redundancia y mantener la consistencia.
        
        Utiliza bases de datos relacionales normalizadas para garantizar la integridad de los datos.
      - Ejemplo
        
        Una tienda en línea utiliza un sistema OLTP para gestionar las transacciones de compra de sus clientes. Cada vez que un cliente realiza una compra, el sistema OLTP registra la transacción, actualiza el inventario y procesa el pago en tiempo real.
  - - - Procesamiento analitítico de datos online
      - Caracteristicas
        
        Se centra en el análisis de datos multidimensionales para obtener información detallada y realizar consultas complejas.
        
        Utilizado para análisis de tendencias, pronósticos, informes y toma de decisiones estratégicas.
      - Diseño
        
        Utiliza modelos multidimensionales para almacenar datos de manera optimizada para análisis.
        
        Estructuras como cubos de datos y esquemas en estrella o copo de nieve.
      - Ejemplo
        
        Una empresa de retail utiliza un sistema OLAP para analizar las ventas de productos en diferentes regiones y categorías durante el último año. Los analistas pueden realizar consultas para identificar tendencias de ventas, comparar el rendimiento de productos y segmentar a los clientes en función de su comportamiento de compra.