Βάσεις Δεδομένων ΙΙ. Διάλεξη 7 η Aποθήκες Δεδομένων και OLAP (On-line Analytical Processing)
|
|
- Αγάπη Μαρής
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Βάσεις Δεδομένων ΙΙ Διάλεξη 7 η Aποθήκες Δεδομένων και OLAP (On-line Analytical Processing) Δ. Χριστοδουλάκης - Α. Φωκά Τμήμα Μηχανικών Η/Υ & Πληροφορικής - Εαρινό Εξάμηνο 2007 Εισαγωγή Παραδοσιακές ΒΔ Εστιασμένες στις δοσοληψίες Βελτιστοποίηση για επεξεργασία συνεχών δοσοληψιών Αποθήκες Δεδομένων Εστιασμένες σε εφαρμογές υποστήριξης αποφάσεων Προσπέλαση στα δεδομένα για πολύπλοκη ανάλυση, ανακάλυψη γνώσης και λήψη αποφάσεων 1
2 On-Line Transaction Processing (OLTP) Σύστημα Επεξεργασίας Δοσοληψιών (OLTP): Ένα πλήρες σύστημα που περιέχει εργαλεία για προγραμματισμό εφαρμογών, εκτέλεση και διαχείριση των δοσοληψιών Μια τέτοια εφαρμογή πρέπει να δουλεύει συνεχώς, να αντεπεξέρχεται αποτυχιών, εξελίσσεται συνεχώς, είναι συνήθως κατανεμημένη και περιλαμβάνει: Βάση Δεδομένων Δίκτυο Προγράμματα για την εφαρμογή Εξαιρετικά κρίσιμη για τη λειτουργία κάθε οργανισμού OLTP αεροπορική εταιρεία... Κράτησε για γιατον κ. κ. Χ την τηνθέση 13Α 13Αγια γιαla! Κράτησε για γιατον κ. κ. Y την τηνθέση 13Α 13Αγια γιαla! 1... DB Πόσοι ταξιδεύουν για γιαla? 100 2
3 OLTP τράπεζα... Δάνεια Γκισέ DB Πιστωτικές κάρτες ΑΤΜ On-Line Transaction Processing (OLTP) Χαρακτηριστικά δοσοληψιών Ελάχιστος χρόνος διαθέσιμος για την εκτέλεση μιας δοσοληψίας. Λιγότερες από 10 προσβάσεις δίσκου. Περιορισμένος αριθμός υπολογισμών. Κάτω όριο λειτουργικών απαιτήσεων: 100 on-line Transactions Per Second (TPS) σε μια ΒΔ της τάξης του 1 GB Άνω όριο λειτουργικών απαιτήσεων: TPS σε μια ΒΔ μεγαλύτερη του 1 ΤB. 3
4 Αναλυτική επεξεργασία των δεδομένων Συστήματα Στήριξης Αποφάσεων Decision Support Systems (DSS) Υποβοήθηση λήψης αποφάσεων με πληροφορίες και αναφορές On-Line Analytical Processing (OLAP) Ευέλικτη, υψηλής απόδοσης πρόσβαση και ανάλυση μεγάλου όγκου σύνθετων δεδομένων από διαφορετικές εφαρμογές Ειδικού τύπου ερωτήσεις Οπτικοποίηση / στατιστική ανάλυση / πολυδιάστατη ανάλυση Εξόρυξη Γνώσης (Knowledge Discovery / Data Mining) Εξεύρεση patterns σε τεράστιες βάσεις δεδομένων OLAP + Data Mining => On-line Analytical Mining Παραδείγματα ερωτήσεων OLAP Ποιος ήταν ο όγκος πωλήσεων ανά περιοχή και κατηγορία προϊόντος την περασμένη χρονιά; Πόσο σχετίζονται οι αυξήσεις τιμών των υπολογιστών με τα κερδών των πωλήσεων τα 10 τελευταία χρόνια; Ποια ήταν τα δέκα πρώτα καταστήματα σε πωλήσεις CD; Πόσους δίσκους πουλήσαμε στην Δυτική Περιφέρεια το τελευταίο τέταρτο της περσινής χρονιάς σε καταστήματα με κατανάλωση μεγαλύτερη από 100 δίσκους μηνιαίως, και ποιο το κέρδος μας από αυτές τις πωλήσεις; Τι ποσοστό από τους πελάτες που αγοράζουν αναψυκτικά, αγοράζουν και πατατάκια; 4
5 Λειτουργικά χαρακτηριστικά απαιτήσεων OLAP Πρόσβαση σε μεγάλο όγκο δεδομένων Συμμετοχή αθροιστικών και ιστορικών δεδομένων σε πολύπλοκες ερωτήσεις Μεταβολή της «οπτικής γωνίας» παρουσίασης των δεδομένων (π.χ., από πωλήσεις ανά περιοχή -> πωλήσεις ανά τμήμα κλπ.) Συμμετοχή πολύπλοκων υπολογισμών (π.χ. στατιστικές συναρτήσεις) Γρήγορη απάντηση σε οποιαδήποτε χρονική στιγμή τεθεί ένα ερώτημα (εξ ου και On-Line ). Δύο προβλήματα σαν παράδειγμα Απόδοση Αν μια πολύπλοκη OLAP ερώτηση χρειαστεί να κλειδώσει ένα ολόκληρο πίνακα, τότε ΟΛΕΣ οι OLTP δοσοληψίες την περιμένουν μέχρι να τελειώσει :-( Φανταστείτε το σε μια τράπεζα... Εννοιολογική διαφορά και ετερογένεια Αν στην Oracle ΒΔ του marketing ο πελάτης είναι EMP(ΑΤ,Name,Surname ) και στην COBOL ΒΔ των πωλήσεων είναι ΑΦΜ,FullName, η επερώτηση δεν είναι πάντα εύκολη... 5
6 Ηλύση: Αποθήκες Δεδομένων (Data Warehouses) Μια κεντρική ΒΔ με σκοπό: την ολοκλήρωση (integration) ετερογενών πηγών πληροφοριών (data sources) => συνάθροιση όλης της ενδιαφέρουσας πληροφορίας σε μία τοποθεσία την αποφυγή της σύγκρουσης μεταξύ OLTP και OLAP (DSS) συστημάτων => απόδοση εφαρμογών και διαθεσιμότητα του συστήματος Συμπληρώνεται ενίοτε και από εξειδικευμένα θεματικά υποσύνολα (Data Marts) για περαιτέρω απόδοση των OLAP εφαρμογών Ορισμός. Μια Αποθήκη Δεδομένων είναι... Μια ΒΔ υποστήριξης αποφάσεων, που συντηρείται χωριστά από την ΒΔ παραγωγής (operational database) ενός οργανισμού. S. Chaudhuri, U. Dayal, VLDB 96 tutorial Μια συλλογή δεδομένων που χρησιμοποιείται κυρίως για την λήψη αποφάσεων σε ένα οργανισμό, και είναι θεματικά προσανατολισμένη, έχουσα «ολοκληρωμένα» δεδομένα, τα οποία κρατώνται σε βάθος χρόνου χωρίς να διαγράφονται. W.H. Inmon, Building the Data Warehouse, 1992 (ο εφευρέτης του όρου) 6
7 OLTP DW - OLAP Sources DW Data Marts OLTP συστήματα OLAP εργαλεία Αιτίες και ιδιότητες της Αποθήκης Δεδομένων Εννοιολογική εναρμόνιση Οι διαφορετικές πηγές δεδομένων του ίδιου οργανισμού, μοντελοποιούν τις ίδιες οντότητες με διαφορετικούς τρόπους Η Αποθήκη Δεδομένων περιλαμβάνει το σύνολο αυτών των δεδομένων κάτω από ένα «εναρμονισμένο» σχήμα βάσης Επιπλέον, κρατάμε και την ιστορία των δεδομένων που φορτώνουμε κάθε φορά 7
8 Εννοιολογική εναρμόνιση Source 1: Personnel (Cobol) EMP ID 110 Name Kostas DoB 1/1/72 Salary 1500 Total Income 1200 DeptID 132 Source 2: Accounting (DB2) EMP ID IL_ID Amount EMP INCOME EMP ID Name Age IL_ID 10 Descr Μισθός Kostas Mitsos Roula EMP Επίδομα Τέκνων Φόρος... Income Lookup Αιτίες και ιδιότητες της Αποθήκης Δεδομένων Απόδοση Οι εφαρμογές OLAP επιταχύνονται αν τα δεδομένα οργανωθούν με μη παραδοσιακούς τρόπους (π.χ., απο-κανονικοποιημένα) Οι σύνθετες OLAP ερωτήσεις θα συγκρούονταν με τις παραδοσιακές OLTP δοσοληψίες, με αποτέλεσμα την υπερφόρτωση του συστήματος Αν και τεχνικά είναι πλέον εφικτό να ρωτάμε ετερογενείς πηγές δεδομένων, πρακτικά, η Αποθήκη Δεδομένων είναι ο μόνος τρόπος να κάνουμε ερωτήσεις σε αποδεκτούς χρόνους 8
9 Αιτίες και ιδιότητες της Αποθήκης Δεδομένων Ποιότητα Δεδομένων Η ποιότητα των δεδομένων στις πηγές είναι, σχεδόν πάντα, προβληματική (τα δεδομένα μπορεί να μην είναι πλήρη, να έχουν ασυνέπειες, να είναι παλιά, να παραβιάζουν τους λογικούς και δομικούς κανόνες αξιοπιστίας, ) Έχει βρεθεί ότι τουλάχιστο 10% των δεδομένων είναι προβληματικά στις πηγές, με αποτέλεσμα οικονoμικές απώλειες του 25-40% Η Αποθήκη Δεδομένων λειτουργεί και ως ένα «buffer» στον οποίο καθαρίζουμε τα δεδομένα Αιτίες και ιδιότητες της Αποθήκης Δεδομένων Διαθεσιμότητα Όσο περισσότερα «αντίγραφα» των δεδομένων, τόσο πιο πολύ το σύστημα είναι διαθέσιμο, αφενός στην Αποθήκη Δεδομένων και αφετέρου στις πηγές Διαθεσιμότητα: το ποσοστό του χρόνου που το σύστημα είναι σε λειτουργία και προσβάσιμο στις εφαρμογές. 24x7: Οι OLTP εφαρμογές, σε πολλούς οργανισμούς πρέπει να είναι διαθέσιμες 24 ώρες Χ 7 μέρες τη βδομάδα (π.χ., τράπεζες, αεροπορικές εταιρείες,...) 9
10 OLAP - OLTP Ομοιότητες / Διαφορές OLTP OLAP Δομή Files/DBMS s RDBMS Πρόσβαση SQL/COBOL/ SQL + επεκτάσεις Ανάγκες που Αυτοματισμός Άντληση και καλύπτουν καθημερινών επεξεργασία πληροφ. εργασιών για χάραξη στρατηγικής Τύπος Δεδομένων Λεπτομερή Συνοπτικά, Αθροιστικά Λειτουργικά Όγκος Δεδομένων ~ 100 GB ~ 1 TB Φύση Δεδομένων Δυναμικά, Τρέχοντα Στατικά, Ιστορικά OLAP - OLTP Ομοιότητες / Διαφορές OLTP OLAP I/O Τύποι Περιορισμένο I/O Εκτεταμένο I/Os Συχνά disk seeks disk scans Τροποποιήσεις Συνεχείς Περιοδικές Ενημερώσεις Μέτρηση Απόδοσης Throughput Χρόνος Απόκρισης Φόρτος Δοσοληψίες με Ερωτήσεις που πρόσβαση λίγων σαρώνουν εγγραφών εκατομμύρια εγγραφών Σχεδίαση ΒΔ Κατευθυνόμενη Κατευθυνόμενη από Εφαρμογή από Περιεχόμενο 10
11 OLAP - OLTP Ομοιότητες / Διαφορές OLTP OLAP Τυπικοί Χρήστες Χαμηλόβαθμοι Υπ. Υψηλόβαθμοι Υπ. Χρήση Μέσω Ad-hoc προκατασκευασμένων φορμών Αριθμός Χρηστών Χιλιάδες Δεκάδες Εστίαση Εισαγωγή Εξαγωγή Δεδομένων Πληροφοριών Παράδειγμα Αποθήκης Δεδομένων Telecom Co. Personnel Inventory Suppliers Accounting DW Churn Sales Marketing www. stocks.gr 11
12 Αρχιτεκτονική της Αποθήκης Δεδομένων Sources (Πηγές): Κάθε πηγή από την οποία η Αποθήκη Δεδομένων αντλεί δεδομένα. Data Staging Area: Μια ΒΔ στην οποία εκτελούνται οι μετασχηματισμοί και ο καθαρισμός των δεδομένων πριν την φόρτωση στην Αποθήκη Δεδομένων Αποθήκη Δεδομένων (DW), Συλλογές Δεδομένων (Data Marts): Τα συστήματα που αποθηκεύονται τα δεδομένα που παρέχονται προς τους χρήστες. Βάση Μετα-Δεδομένων (Metadata Repository): Το υποσύστημα αποθήκευσης πληροφορίας σχετικά με τη δομή και λειτουργία όλου του συστήματος. Αρχιτεκτονική της Αποθήκης Δεδομένων Quality Issues Metadata Repository Reporting / OLAP tools Sources ETL DSA DW Quality Issues Data Marts Administrator Administrator Designer End User 12
13 Αρχιτεκτονική της Αποθήκης Δεδομένων ETL (Extract-Transform-Load) εφαρμογές: Εφαρμογές που εκτελούν τις διαδικασίες εξαγωγής, μεταφοράς, μετασχηματισμού, καθαρισμού και φόρτωσης των δεδομένων από τις πηγές στην Αποθήκη Δεδομένων. Εφαρμογές Ανάλυσης: Εφαρμογές παραγωγής αναφορών, OLAP, DSS, Data Mining Ζητήματα Ενδιαφέροντος Servers Τεχνολογικές λύσεις Τα σχήματα της Αποθήκης Δεδομένων (εννοιολογικό σχήμα / λογικό σχήμα) Σχεδίαση της Αποθήκης Δεδομένων (από την πλευρά της Τεχνολογίας Λογισμικού) Ειδικά θέματα σε επίπεδο φυσικού σχήματος (indexing, επεξεργασία ερωτήσεων, παραλληλία,...) δε θα μας απασχολήσουν εδώ 13
14 Servers & Τεχνολογικές λύσεις DW: Σχεσιακά και επεκτεταμένα σχεσιακά DBMS OLAP: Relational OLAP (ROLAP) Multidimensional OLAP (MOLAP) Relational DBMS s & Αποθήκες Δεδομένων Εξειδικευμένες τεχνικές δεικτοδότησης (indexing) Εξειδικευμένες τεχνικές συνένωσης (join) Διαμοίραση των δεδομένων (data partitioning) και χρήση παράλληλων τεχνικών Εξειδικευμένες τεχνικές αποθήκευσης και επεξεργασίας ερωτήσεων για συναθροίσεις δεδομένων (aggregates) Επεκτάσεις της SQL και της επεξεργασίας των σχετικών ερωτήσεων 14
15 ROLAP Servers Βασική ιδέα: χρήση ενός RDBMS ως μέσου αποθήκευσης και επερώτησης (με όλα τα σχετικά πλεονεκτήματα) Επιπλέον λειτουργικότητα των client εργαλείων: Δυνατότητα επαναχρησιμοποίησης συναθροίσεων Χρήση multi statement SQL Βελτιστοποίηση των ερωτήσεων ανά RDBMS - Αργά ως συστήματα (μέχρι στιγμής τουλάχιστον) + Δυνατότητα υποβολής οποιασδήποτε ερώτησης + Εύκολη χρήση από τους administrators που γνώριζαν τη σχεσιακή τεχνολογία MOLAP Servers Η αποθήκευση γίνεται σε πολυδιάστατους πίνακες (multidimensional arrays) «πίνακες» με την έννοια της άλγεβρας / γλωσσών προγραμματισμού /..., και όχι του σχεσιακού μοντέλου Χρήση τεχνικών συμπιέσεως (οι πίνακες είναι αραιοί σε βαθμό ως και 80%) Στις αρχές του 2002 είχαν το 98% τηςαγοράςστοπεδίοτων client tools + Πολύ γρήγοροι υπολογισμοί των λειτουργιών OLAP - Κανονικά απαιτούν τον προϋπολογισμό των απαραίτητων συναθροίσεων 15
16 Πολυδιάστατοι πίνακες REGION N S W PRODUCT Juice Cola Soap Jan MONTH Υλοποίηση πολυδιάστατων πινάκων 16
17 Το εννοιολογικό σχήμα της Αποθήκης Δεδομένων Κλασσικές τεχνικές: μοντέλο Οντοτήτων Συσχετίσεων (Entity-Relationship -- ER) και UML Υπάρχει όμως η άποψη ότι τα ER διαγράμματα Οντοτήτων - Συσχετίσεων των OLTP συστημάτων αποδεικνύονται ακατάλληλα για τη σχεδίαση των Αποθηκών Δεδομένων Το εννοιολογικό σχήμα της Αποθήκης Δεδομένων Μοντέλο Διαστάσεων (Dimensional Modeling): τεχνική ειδικά για Αποθήκες Δεδομένων Βασίζεται στην θεώρηση των δεδομένων μέσω ενός πολυδιάστατου μοντέλου δεδομένων με βασικά στοιχεία πίνακες πολυδιάστατων δεδομένων, και πίνακες διαστάσεων. 17
18 Πολυδιάστατο μοντέλο δεδομένων Αφορά την ανάλυση κάποιων μετρήσιμων μεγεθών (μέτρων) πωλήσεις, απόθεμα, κέρδος,... Διαστάσεις: παράμετροι που καθορίζουν το περιβάλλον (context) των μέτρων ημερομηνία, προϊόν, τοποθεσία, πωλητής, διαφορετικά επίπεδα λεπτομέρειας ανά διάσταση: μέρα, μήνας, χρόνος,... Κύβοι: συνδυασμοί διαστάσεων που καθορίζουν κάποια μέτρα Ο κύβος καθορίζει ένα πολυδιάστατο χώρο διαστάσεων, με τα μέτρα να είναι σημεία του χώρου αυτού Πολυδιάστατο μοντέλο δεδομένων Product Region Sales volume Διαστάσεις: Product, Region, Date Ιεραρχίες διαστάσεων: Industry Country Year Category Region Quarter Month Product City Month Week Store Day 18
19 Το εννοιολογικό σχήμα της Αποθήκης Δεδομένων στο Μοντέλο Διαστάσεων Πίνακας Διάστασης (Dimension table) : Ο πίνακας που περιέχει πληροφορία σχετική με μια διάσταση. Περιέχει ένα τεχνητόκλειδίκαιαπόμίαστήληγιακάθεεπίπεδοτης διάστασης (πιθανόν και κάποιες στήλες με επιπλέον χαρακτηριστικά των επιπέδων). Πίνακας Δεδομένων (Fact table) : Ο πίνακας που υλοποιεί τον υπό μοντελοποίηση κύβο. Κάθε εγγραφή του πίνακα αντιστοιχεί σε ένα κελί του κύβου Για κάθε διάσταση έχει και ένα εξωτερικό κλειδί στον αντίστοιχο πίνακα και για κάθε μέτρο και μια αντίστοιχη στήλη. Το πρωτεύον κλειδί είναι ο συνδυασμός των κλειδιών των διαστάσεων (οι συντεταγμένες του κελιού). Παράδειγμα σχήματος στο Μοντέλο Διαστάσεων R. Kimball, A Dimensional Modeling Manifesto, DBMS Magazine, Aug
20 Παράδειγμα του αντίστοιχου ER σχήματος R. Kimball, A Dimensional Modeling Manifesto, DBMS Magazine, Aug Το λογικό σχήμα της Αποθήκης Δεδομένων Υπάρχουν 2 βασικές κατηγορίες σχημάτων για Αποθήκες Δεδομένων: Σχήμα Αστέρα (Star Schema) Σχήμα Χιονονιφάδας (Snowflake Schema) Επιπλέον τεχνικές Αστερισμοί σχημάτων (Fact Constellation) Διαχείριση Συναθροισμένων Δεδομένων (Aggregated data) 20
21 Σχήμα Αστέρα -Star Schema Ένα σχήμα αστέρα αποτελείται από ένα κεντρικό πίνακα δεδομένων (fact table) και κάποιους αποκανονικοποιημένους πίνακες διαστάσεων (dimension tables). Τα μέτρα (measures) είναι τα ενδιαφέροντα μεγέθη υπό μέτρηση (π.χ., Dollar Amount,Units στον πίνακα SALES). Για κάθε διάσταση του μοντέλου, εισάγουμε και ένα πίνακα (π.χ., Geography,Product,Time,Account), ο οποίοςπεριέχει όλα τα επίπεδα συνάθροισης (levels of aggregation) καθώς τιςσχετικέςτουςιδιότητες. Star Schema Time Time Code Quarter Code Quarter Name Month Code Month Name Date Account Account Code KeyAccount Code KeyAccountName Account Name Account Type Account Market SALES Geography Code Time Code Account Code Product Code Dollar Amount Units Geography Geography Code Region Code Region Manager State Code City Code... Product Product Code Product Name Brand Code Brand Name Prod. Line Code Prod. Line Name Stanford Technology Group, Inc.,
22 Star Schema Αποκανονικοποίηση (Denormalization): παραβίαση των γνωστών 4 κανονικών μορφών => επανάληψη της ίδιας πληροφορίας Είναι πρόβλημα? Σε εφαρμογές OLAP είναι αναγκαίο κακό... ΑΠΑΓΟΡΕΥΕΤΑΙ ΣΕ OLTP ΣΥΣΤΗΜΑΤΑ!!! Code Quarter Quarter Name 1ο Τέτα ρτο 1ο Τέτα ρτο 1ο Τέτα ρτο Month Month Name Ιαν. Ιαν. Ιαν. Date 1/1/02 2/1/02 3/1/02 Day Name Δευτέ ρα Τρίτη Τετάρ τη Star Schema Απευθείας υλοποίηση του μοντέλου διαστάσεων Προσοχή στα κλειδιά! (βλ. και παρακάτω ) 22
23 Σχήμα Χιονονιφάδας -Snowflake Schema Η κανονικοποιημένη εκδοχή του σχήματος αστέρα Για κάθε επίπεδο της ιεραρχίας των διαστάσεων εισάγουμε και ένα δικό του πίνακα Πιο τυπικό, εγγυάται την ακεραιότητα των δεδομένων (όπως όλα τα κανονικοποιημένα σχήματα), αλλά πιο αργό στις απαντήσεις των ερωτήσεων Region Region Code Region Mgr State State Code State Name City City Code City Name Account attributes Account Code AccountName Geography Postal Code Region Code State Code City Code Account Account Code KeyAccount Code SALES Postal Code Time Code Account Code Product Code Dollar Amount Units Product Product Code Prod Line Code Brand Code KeyAccount KeyAcc Code KeyAcc Name Time Time Code Quarter Code Month Code Snowfla ke Schema Quarter Quarter Code Quarter Name Month Month Code Month Name Stanford Technology Group, Inc., 1996 Product Product Code ProductName Brand Brand Code Brand Name ProdLine ProdLineCode ProdLineName 23
24 Αστερισμός Αστέρων -Fact Constellation Όταν χρειάζεται να έχω πολλούς fact tables οι οποίοι να μοιράζονται πίνακες διαστάσεων (dimension tables) Συχνό φαινόμενο στα DW, πιο σπάνιο στα data marts Συναθροίσεις Δεδομένων - Aggregations Εκτόςαπότιςλεπτομερείςπληροφορίεςτωνfact tables, μπορεί να υπολογίσουμε και συναθροίσεις των δεδομένων για καλύτερους χρόνους απόκρισης. Για παράδειγμα, αν ο fact table είναι SALES(GeographyCode, ProductCode, TimeCode, AccountCode, Amount, Unit) μπορούμε να υπολογίσουμε AVG(Sales) ανά Region, Product, Quarter MAX(Sales) ανά Brand,Month, με Region = Europe SUM(Sales) ανά City 24
25 Συναθροίσεις Δεδομένων - Τεχνικές Ενσωμάτωση των αθροιστικών εγγραφών στον βασικό (base / basic) fact table + μια επιπλέον στήλη που να εξηγεί το επίπεδο συνάθροισης ΠΑΡΑΞΕΝΟ MODELING! (με κάποια πλεονεκτήματα, πάντως) Χωριστός πίνακας Εσχάτως, τα RDBMS s υποστηρίζουν υλοποιημένες όψεις (materialized views) Γνωστό ερευνητικό πρόβλημα: ποιες από όλες τις πιθανές συναθροίσεις πρέπει να υλοποιήσω? Συναθροίσεις Δεδομένων Χωριστός πίνακας/όψη αθροισμάτων Sales table RID City Amount 1 Athens $100 2 N.Y. $300 3 Rome $120 4 Athens $250 5 Rome $180 6 Rome $65 7 N.Y. $450 City-dimension sum table City Amount Athens $350 N.Y. $750 Rome $365 Επέκταση του υπάρχοντος βασικού πίνακα Extended Sales table RID City Amount Level 1 Athens $100 NULL 2 N.Y. $300 NULL 3 Rome $120 NULL 4 Athens $250 NULL 5 Rome $180 NULL 6 Rome $65 NULL 7 N.Y. $450 NULL 8 Athens $350 City 9 N.Y. $750 City 10 Rome $365 City 25
26 Σχεδίαση της Αποθήκης Δεδομένων Top down Κατασκευή ενός κεντρικού μοντέλου αναφοράς (enterprise model) Περιγραφή των πηγών (ενίοτε και των data marts) σε σχέση με το κεντρικό μοντέλο αναφοράς Χρονοβόρα μέθοδος, απαιτητική σε ανθρωπομήνες, καθυστέρηση στην παρουσίαση των πρώτων αποτελεσμάτων Αυξάνει το ρίσκο του έργου, λόγω των παραπάνω + Παρέχει μία συνεπή συνολική εικόνα των δεδομένων (και των επί μέρους συστημάτων του οργανισμού) Σχεδίαση της Αποθήκης Δεδομένων Bottom up Αρχικά, κατασκευή μικρότερων data marts Προοδευτικός συνδυασμός των κατασκευαζόμενων data marts Πολύ δύσκολαθακαταλήξεισεμιασυνολική εικόνα του συστήματος Το ρίσκο βρίσκεται στην πιθανή αδυναμία ενοποίησης αργά στο έργο + Γρήγορη παρουσίαση αποτελεσμάτων + Πιο φτηνό σε χρόνο και πόρους 26
27 Βήματα ομογενοποίησης σχημάτων & δεδομένων Επιλογή (Preintegration). Ποια σχήματα θα «ενοποιήσω» και με ποια σειρά Σύγκριση (Schema Comparison). Ποιες οι συσχετίσεις ανάμεσα στα διαφορετικά σχήματα και ποιες οι πιθανές συγκρούσεις (π.χ., μεταξύ ονομάτων πεδίων, λογικών κανόνων, τύπων πεδίων...) Επίλυση (Schema Conforming). Εξεύρεση κανόνων για την επίλυση των συγκρούσεων σε επίπεδο πεδίων και δεδομένων Υλοποίηση (Schema Merging and Restructuring). Υλοποίηση των εξευρεθέντων λύσεων και παραγωγή ενός ενιαίου σχήματος Υλοποίηση σε φυσικό επίπεδο Επιλογή του κατάλληλου εξοπλισμού σε μηχανήματα, συστήματα Βάσεων Δεδομένων και εργαλείων λογισμικού. Εγκατάσταση επικοινωνίας μεταξύ των servers και των εργαλείων ανάλυσης Δημιουργία της φυσικής οργάνωσης της Αποθήκης Δεδομένων, υλοποίηση των σχετικών δομών και των μεθόδων πρόσβασης στην Αποθήκη. Εγκατάσταση των λειτουργικών και σύνδεση με τις πηγές δεδομένων. 27
28 Λειτουργικές Διαδικασίες -Data Warehouse Back-End Quality Issues Metadata Repository Reporting / OLAP tools Sources ETL DSA DW Quality Issues Data Marts Administrator Administrator Designer End User Λειτουργικές Διεργασίες της Αποθήκης Δεδομένων Ενημέρωση = εξαγωγή + μεταφορά + μετασχηματισμός + καθαρισμός + φόρτωση των δεδομένων (data extraction, transform & load ETL) από τις πηγές στην Αποθήκη Δεδομένων. Υπολογισμός συναθροίσεων και αποθηκευμένων όψεων Εξυπηρέτηση επερωτήσεων Επίβλεψη (monitoring) της λειτουργία της Αποθήκης Δεδομένων. 28
29 Ενημέρωση της Αποθήκης Δεδομένων Η ενημέρωση της Αποθήκης Δεδομένων μεταφέρει τις αλλαγές που συμβαίνουν στα δεδομένα των πηγών εκτελώντας αντίστοιχες αλλαγές στα δεδομένα της Αποθήκης. Η διαδικασία αυτή ακολουθεί όλα τα βήματα (εξαγωγή, μεταφορά, μετασχηματισμός, καθαρισμός και εισαγωγή). Η πολιτική ενημέρωσης καθορίζεται από το διαχειριστή της Αποθήκης Δεδομένων με βάση τις ανάγκες των εφαρμογών ανάλυσης, τη διαθεσιμότητα των πηγών και τη κατάσταση του δικτύου που συνδέει την Αποθήκη με τις πηγές. Ενημέρωση της Αποθήκης Δεδομένων Κάθε πότε στέλνω τις αλλαγές που συνέβησαν στις πηγές, στην Αποθήκη Δεδομένων? σε κάθε αλλαγή (on update)? σε κάθε επερώτηση προς την Αποθήκη Δεδομένων (on demand)? περιοδικά (batch)? [default] Χρονικός περιορισμός: η ενημέρωση έχει πάντα περιορισμένο χρονικό όριο (time window) για να ολοκληρωθεί 29
30 Εξαγωγή των δεδομένων Στόχος: να βρω ποιες ήταν οι αλλαγές στις πηγές, ήτοι ποιες εγγραφές εισήχθησαν, διεγράφησαν ή ανανεώθηκαν (new/deleted/updated) Βασικές τεχνικές: Είτε εξάγω πλήρη στιγμιότυπα (snapshot) ήδιαφορικά(differentials) των πηγαίων δεδομένων Περιορισμοί: Tο διαθέσιμο χρονικό παράθυρο είναι πεπερασμένο Ελαχιστοποίηση της λειτουργικής επιβάρυνσης των OLTP συστημάτων των πηγών Ελαχιστοποίηση των αλλαγών στο software configuration των OLTP συστημάτων των πηγών Εξαγωγή των δεδομένων Πού και πώς συγκρίνω τα πλήρη στιγμιότυπα (snapshots)? Στις πηγές ή στην DSA? Διαφορετικές τεχνικές: συγκρίνοντας τμηματικά τα αρχεία, ήμε κάποιου είδος hashing,... Διαφορικές τεχνικές εντοπισμού των αλλαγών: Σύγκριση των log files, όταν είναι διαθέσιμα [γρήγορο] Αλλαγή των data entry προγραμμάτων [επικίνδυνο και δαπανηρό] Τεχνικές triggering [σπάνιο] Συνήθως η όλη διαδικασία γίνεται με αρχεία (γρήγορο) μέσω εργαλείων ETL ή scripts (φτηνό, εύκολο?) 30
31 Μεταφορά των δεδομένων Λόγω δικτυακής ταχύτητας / σταθερότητας / ασφάλειας, ενίοτε χρησιμοποιούνται τεχνικές συμπίεσης και κρυπτογράφησης Μετασχηματισμός των δεδομένων Αλλαγή σχήματος: πιθανότατα το σχήμα της Αποθήκης Δεδομένων είναι διαφορετικό από το σχήμα της πηγής Αλλαγή / Υπολογισμός τιμής: είναι πιθανόν οι εγγραφές στην πηγή να έχουν άλλο format, τιμή,..., απ ότι στην Αποθήκη Δεδομένων, ή να χρειαστεί να υπολογισθούν νέες τιμές Integer -> Real Euro -> Dollar Date of Birth -> Age 31
32 Αποκανονικοποίηση - Denormalization IL_ID Descr EMP ID IL_ID Amount EMP INCOME Μισθός Επίδομα Τέκνων Φόρος EMP ID Name Age Income Lookup Kostas Mitsos Roula EMP DW.EMP? DW Αποκανονικοποίηση - Denormalization DW.EMP EMP ID 110 Name Kostas Age 30 Salary 1500 Tax 300 Child Bonus NULL Κακή σχεδίαση για OLTP: αν προστεθεί νέα κατηγορία χρηματικού ποσού => νέα κολώνα στον πίνακα Αποδεκτή για DW: για μια απλή ερώτηση, γλιτώνουμε 2 joins... Πιθανόν να χρειαστεί και το αντίστροφο (κανονικοποίηση - normalization)... 32
33 Καθαρισμός των δεδομένων Δεδομένα που παραβιάζουν τους κανόνες της βάσης: διπλοεγγραφές, παραβιάσεις πρωτεύοντος ή ξένου κλειδιού, τιμές εκτός ορίων, παραβιάσεις λογικών κανόνων,... Συνώνυμα και συγκρούσεις Ελλιπή δεδομένα Καλλωπισμός (Renicing): στα strings, π.χ., διευθύνσεις Καθαρισμός των δεδομένων -- Παραβίαση λογικών κανόνων IF (SEX='F' AND ILLNESS='PROSTATE') THEN (ALERT ERROR MESSAGE)! 33
34 Καθαρισμός των δεδομένων Ομογενοποίηση κλειδιών ID Descr Coca Pepsi R1? DW.R ID???? Descr???? ID Descr Pepsi HBH R2 Καθαρισμός των δεδομένων Ομογενοποίηση κλειδιών ID Descr Coca Pepsi R1 + DW.R ID Descr Coca Pepsi HBH ID Descr Pepsi HBH R2 + Source ID Source R1 R1 Surrogate Key Lookup 10 R R
35 Καθαρισμός των δεδομένων Ομογενοποίηση κλειδιών Τα κλειδιά των πηγών συνήθως ονομάζονται κλειδιά παραγωγής (production keys) και τα νέα, ομογενοποιημένα κλειδιά, κλειδιά αντικαταστάτες (surrogate keys) Υπάρχουν ειδικές τεχνικές για το πώς αλλάζουν τα κλειδιά στην Αποθήκη Δεδομένων, αν αλλάξει ένα κλειδί σε μια πηγή... Καθαρισμός των δεδομένων -- Πίνακας Συνωνύμων Source Value HP H.P. H-P Hewlett-Packard Hioulet-Pakard DEC Digital Co. DW value HP HP HP HP HP DEC DEC Πολύ συχνό για διευθύνσεις (π.χ., «Νομός Θεσ/νίκης») και για ονόματα (π.χ., «κ. κώστας ιωαννου») Πίνακας συνωνύμων στην καλή περίπτωση, εν γένει χρειαζόμαστε regular expressions (π.χ., με Perl)!!! 35
36 Φόρτωση των δεδομένων Ενίοτε χρειάζεται περαιτέρω επεξεργασία, όπως ταξινόμηση (sorting) ή συνάθροιση: Τα ζητήματα: Τεράστιος όγκος δεδομένων σε μικρό παράθυρο χρόνου Εκτός από τους κανονικούς πίνακες, υπάρχουν και indexes και συναθροίσεις που πρέπει να ενημερωθούν Σε περίπτωση αποτυχίας, η ακεραιότητα των δεδομένων πρέπει να διατηρηθεί Τεχνικές φόρτωσης των δεδομένων Ηενημέρωση/ εισαγωγή δεδομένων ΔΕΝ γίνεται μέσω SQL πρακτικά: Record-at-a-time είναι αργό Ακόμα πιο αργό λόγω random disc I/O Μπορεί να κάνει το rollback segment ήτοlog file να γεμίσει => η διεργασία γίνεται zombie Μερική ρύθμιση: συνήθως απενεργοποιούμε τα logging & locking Επικίνδυνο σε περίπτωση αποτυχίας κατά τη φόρτωση 36
37 Τεχνικές φόρτωσης των δεδομένων Ηκαλύτερηλύση: τα εργαλεία batch loading που προσφέρουν όλα τα RDBMS s Επιπλέον τεχνικές: Ταξινόμηση των εγγραφών με βάση κάποιο clustering key (ιδίως αν έχουμε τον αντίστοιχο πίνακα clustered) Το sequential I/O είναι 100 φορές γρηγορότερο του random I/O Κατασκευή των indexes σε αντιστοιχία με τους πίνακες Όσο πιο παράλληλο, τόσο πιο γρήγορο! Συστήματα Επερώτησης -Data Warehouse Front-End Quality Issues Metadata Repository Reporting / OLAP tools Sources ETL DSA DW Quality Issues Data Marts Administrator Administrator Designer End User 37
38 Εργαλεία για υποστήριξη αποφάσεων Ad hoc ερωτήσεις και αναφορές OLAP Π.χ.,: MS Excel, Oracle Forms, pivot tables, drill down, roll up, slice, dice Data Mining Βασικές Έννοιες OLAP Αφορά την ανάλυση κάποιων μετρήσιμων μεγεθών (μέτρων) πωλήσεις, απόθεμα, κέρδος,... Διαστάσεις: παράμετροι που καθορίζουν το περιβάλλον (context) των μέτρων ημερομηνία, προϊόν, τοποθεσία, πωλητής, Κύβοι: συνδυασμοί διαστάσεων που καθορίζουν κάποια μέτρα Ο κύβος καθορίζει ένα πολυδιάστατο χώρο διαστάσεων, με τα μέτρα να είναι σημεία του χώρου αυτού 38
39 Κύβοι για OLAP REGION N S W PRODUCT Juice Cola Soap Jan MONTH Κύβοι για OLAP 39
40 Βασικές Έννοιες OLAP Τα δεδομένα θεωρούνται αποθηκευμένα σε ένα πολυδιάστατο πίνακα (multi-dimensional array), ο οποίος αποκαλείται και κύβος ή υπερκύβος (Cube και HyperCube αντίστοιχα). Ο κύβος είναι μια ομάδα από κελιά δεδομένων (data cells). Κάθε κελί χαρακτηρίζεται μονοσήμαντα από τις αντίστοιχες τιμές των διαστάσεων (dimensions) του κύβου. Τα περιεχόμενα του κελιού ονομάζονται μέτρα (measures) και αναπαριστούν τις αποτιμώμενες αξίες του πραγματικού κόσμου. Ιεραρχίες επιπέδων για OLAP Μια διάσταση μοντελοποιεί όλους τους τρόπους με τους οποίους τα δεδομένα μπορούν να συναθροιστούν σε σχέση με μια συγκεκριμένη παράμετρο του περιεχομένου τους. Ημερομηνία, Προϊόν, Τοποθεσία, Πωλητής, Κάθε διάσταση έχει μια σχετική ιεραρχία επιπέδων συνάθροισης των δεδομένων (hierarchy of levels). Αυτό σημαίνει, ότι η διάσταση μπορεί να θεωρηθεί από πολλά επίπεδα αδρομέρειας. Ημερομηνία: μέρα, εβδομάδα, μήνας, χρόνος, 40
41 Ιεραρχίες Επιπέδων Ιεραρχίες Επιπέδων: κάθε διάσταση οργανώνεται σε διαφορετικά επίπεδα αδρομέρειας Ο χρήστης μπορεί να πλοηγηθεί από το ένα επίπεδο στο άλλο, δημιουργώντας νέους κύβους κάθε φορά Year Month Week Day Αδρομέρεια: το αντίθετο της λεπτομέρειας -- ο σωστός όρος είναι αδρομέρεια... Κύβοι & ιεραρχίες διαστάσεων για OLAP Product Region Sales volume Διαστάσεις: Product, Region, Date Ιεραρχίες διαστάσεων: Industry Country Year Category Region Quarter Month Product City Month Week Store Day 41
42 Εργασίες που κάνει ο χρήστης Συνήθεις πράξεις που κάνουμε σε κύβους Συναθροίσεις (total sales, percent-to-total) Συγκρίσεις (budget vs. expense) Ταξινόμηση - κατάταξη (top 10) Πρόσβαση σε πιο αναλυτική πληροφορία Οπτικοποίηση με διαφορετικούς τρόπους Βασικές (αλγεβρικές) πράξεις OLAP Συναθροιστική Άνοδος (Roll up): συνάθροιση της πληροφορίας = μετάβαση από χαμηλότερο σε υψηλότερο επίπεδο αδρομέρειας (π.χ. από day σε month) Αναλυτική Κάθοδος (Drill down): το αντίστροφο του Roll up Οριζόντιος Τεμαχισμός (Slice): (σχεσιακή) επιλογή Κάθετος Τεμαχισμός (Dice): (σχεσιακή) προβολή Περιστροφή (Pivot): αναδιάταξη της 2D προβολής του πολυδιάστατου κύβου στην οθόνη 42
43 Συναθροιστική άνοδος Roll-up Η συναθροιστική άνοδος περιλαμβάνει τον υπολογισμό μίας συνολικής τιμής για μία θέση στην ιεραρχία μίας διάστασης δεδομένων. Για παράδειγμα, με ένα roll-up, οι πωλήσεις σε επίπεδο τοπικών μαγαζιών παράγουν τις συνολικές πωλήσεις σε επίπεδο πόλης και αυτές με τη σειρά τους με ένα ακόμα roll-up παράγουν τις πωλήσεις σε επίπεδο περιοχής. Εναλλακτικά: consolidation, aggregation (συνάθροιση) Roll up Industry Country Year Category Region Quarter Q1 Q2 Sales volume Products Electronics Toys Clothing Cosmetics Electronics Toys Clothing Cosmetics Store1 Store2 $5,2 $1,9 $2,3 $1,1 $8,9 $0,75 $4,6 $1,5 $5,6 $1,4 $2,6 $1,1 $7,2 $0,4 $4,6 $0,5 Χρόνος: Επίπεδο Quarter Year 1996 Product Sales volume Products Electronics Toys Clothing Cosmetics Store1 Store2 $14,1 $2,65 $6,9 $2,6 City Store Χρόνος: Επίπεδο Year $12,8 $1,8 $7,2 $1,6 Month Week Day SUM(Sales volumes) 43
44 Αναλυτική κάθοδος Drill Down Ο χρήστης περνά από ένα ανώτερο επίπεδο μίας διάστασης που έχει συγκεντρωτικά δεδομένα σε ένα χαμηλότερο επίπεδο με πιο λεπτομερή δεδομένα. Πρόκειται για την αντίστροφη πράξη του roll-up. Για παράδειγμα, κατά το drill down, ξεκινάμε από τις πωλήσεις ανά περιοχή και παίρνουμε τις αναλυτικές πωλήσεις ανά πόλη και μετά τις πωλήσεις ανά κατάστημα. Drill down Industry Category Country Region Year Quarter Product City Store Month Week Day Q1 Q2 Sales volume Products Electronics Toys Clothing Cosmetics Electronics Toys Clothing Cosmetics Store1 Store2 $5,2 $1,9 $2,3 $1,1 $8,9 $0,75 $4,6 $1,5 Item: Επίπεδο Industry $5,6 $1,4 $2,6 $1,1 $7,2 $0,4 $4,6 $0,5 Q1 Q2 Sales volume Electronics Store1 Store2 VCR Camcorder TV CD player VCR Camcorder TV CD player $1,4 $0,6 $2,0 $1,2 $2,4 $3,3 $2,2 $1,0 $1,4 $0,6 $2,4 $1,2 $2,4 $1,3 $2,5 $1,0 Item: Επίπεδο Category 44
45 Περιστροφή -Pivot Εναλλαγή των γραμμών και των στηλών του κύβου, όπως αυτός παρουσιάζεται στην οθόνη Δεν απαιτείται κανένας νέος υπολογισμός στη ΒΔ Ενδιαφέρον θέμα: πώς παρουσιάζω ένα κύβο με περισσότερες των 2 διαστάσεων? Μέχρι στιγμή, απλώς φωλιάζουμε τις διαστάσεις τη μία μέσα στην άλλη... Pivot Sales volume Sales volume Q1 Q2 Products Electronics Toys Clothing Cosmetics Electronics Toys Clothing Cosmetics Store1 Store2 $5,2 $1,9 $2,3 $1,1 $8,9 $0,75 $4,6 $1,5 $5,6 $1,4 $2,6 $1,1 $7,2 $0,4 $4,6 $0,5 Store 1 Store 2 Products Q1 Q2 Electronics Toys Clothing Cosmetics Electronics Toys Clothing Cosmetics $5,2 $1,9 $2,3 $1,1 $5,6 $1,4 $2,6 $1,1 $8,9 $0,75 $4,6 $1,5 $7,2 $0,4 $4,6 $0,5 Εναλλαγή γραμμών και στηλών 45
46 Οριζόντιος και Κάθετος Τεμαχισμός Slice & Dice Slice : Διώξιμο κάποιων τιμών από μια διάσταση Π.χ., διώξε το Store 2 από τα καταστήματα και τις βιομηχανίες Clothing και Cosmetics Dicing : Διώξιμο μιας ολόκληρης διάστασης Π.χ., από ένα κύβο πωλήσεων ανά προϊόν, ημερομηνία και περιοχή, να δειχθεί ο μέσος όρος πωλήσεων ανά προϊόν και ημερομηνία. Slice and Dice Q1 Q2 Sales volume Products Electronics Toys Clothing Cosmetics Electronics Toys Clothing Cosmetics Store1 Store2 $5,2 $1,9 $2,3 $1,1 $8,9 $0,75 $4,6 $1,5 $5,6 $1,4 $2,6 $1,1 $7,2 $0,4 $4,6 $0,5 Q1 Q2 Sales volume Products Electronics Toys Electronics Toys Store1 $5,2 $1,9 $8,9 $0,75 Διώξε το Store 2 και τις βιομηχανίες Clothing & Cosmetics 46
47 Λεξικό Μεταπληροφορίας Metadata Repository Quality Issues Metadata Repository Reporting / OLAP tools Sources ETL DSA DW Quality Issues Data Marts Administrator Administrator Designer End User Λεξικό Μεταπληροφορίας Μεταπληροφορία Εννοιολογικού Σχήματος Ορολογία και κανόνες του οργανισμού Μεταπληροφορία Λογικού Σχήματος Περιγραφή του σχήματος των πηγών Περιγραφή του σχήματος του DW, τωνδιαστάσεωνκαι των ιεραρχιών τους, των όψεων και των συναθροίσεων Περιγραφή των διαδικασιών του συστήματος και της ροής του συστήματος Κανόνες ETL, ενημέρωσης και διαγραφής δεδομένων στο DW Περιγραφή των υλοποιημένων reports 47
48 Λεξικό Μεταπληροφορίας Μεταπληροφορία Φυσικού Σχήματος Φυσική περιγραφή υπολογιστών, δικτύων κλπ Περιγραφή των (πηγαίων) αρχείων, tablespaces,... Περιγραφή των προγραμμάτων που υλοποιούν τις λειτουργικές διαδικασίες Περιγραφή των gateways για τις πηγές Προφίλ χρηστών, και δικαιώματα πρόσβασης Στατιστικά που προκύπτουν από το monitoring του DW The DWQ Approach Client Level Meta Model Level DW Level Conceptual Perspective Logical Perspective Physical Perspective Process Process Meta Model Quality Metamodel Source Level Models/ Meta Data Level in uses Process Model Quality Model in in Quality Measurements Real World Processes 48
49 Στάνταρτ για τη μεταπληροφορία Metadata Coalition MetaData Interchange Specification (MDIS) Open Information Model (OIM) OMG Common Warehouse Model (CWM) Microsoft Repository Επίλογος Τι είναι οι Αποθήκες Δεδομένων Αρχιτεκτονική και σχήμα της Αποθήκης Δεδομένων Λειτουργικές διαδικασίες της Αποθήκης Δεδομένων Συστήματα επερώτησης της Αποθήκης Δεδομένων Λεξικό Μεταπληροφορίας Το χρήμα... 49
50 Το χρήμα CAGR (%) RDBMS sales for DW Data Marts ETL tools Data Quality Metadata Management OLAP (including implementation services)* Estimated sales in millions of dollars [ShTy98] (*estimates are from [Pend00]). Κόστος σχεδίασης [B. Inmon] metadata design 5% access/analysi s tools 6% DBMS 10% network costs 10% integration and transformation 15% activity monitor 2% processor costs 20% data monitor 2% disk storage 30% DW Design Costs 50
51 Κόστος «καθημερινής» χρήσης [B. Inmon] summary table usage analysis 2% metadata management 3% end-user training 6% monitoring of activity and data 7% periodic verification of the conformance to the enterprise data model 2% security administration 1% servicing data mart requests for data 21% occasional reorganization of data 1% data archiving 1% capacity planning 1% DW refreshment 55% Recurring DW costs 51
Data Warehouse Refreshment via ETL tools. Panos Vassiliadis
Data Warehouse Refreshment via ETL tools Panos Vassiliadis Data Warehouse Environment 2 Extract-Transform-Load (ETL) Extract Transform & Clean Load Sources DSA DW 3 Importance ETL market has a steady increase
Διαβάστε περισσότεραΆμεση Αναλυτική Επεξεργασία (OLAP)
Άμεση Αναλυτική Επεξεργασία (OLAP) Άμεση Αναλυτική Επεξεργασία (OLAP) Άμεση Αναλυτική Επεξεργασία (Online Analytical Processing - OLAP) Ανάλυση βασισμένη σε ένα κύβο OLAP Κύβος OLAP (OLAP Cube) Μια πολυδιάστατη
Διαβάστε περισσότεραΑποθήκες Δεδομένων. Αρχιτεκτονική, Μοντέλο Δεδομένων και Σχεδίαση
Αποθήκες Δεδομένων Αρχιτεκτονική, Μοντέλο Δεδομένων και Σχεδίαση Περιεχόμενα Αποθήκες Δεδομένων Ορισμοί και χαρακτηριστικά αποθηκών δεδομένων Διαφορές βάσεων και αποθηκών δεδομένων Μοντέλα αποθηκών δεδομένων
Διαβάστε περισσότεραΆμεση Αναλυτική Επεξεργασία (OLAP)
1 Άμεση Αναλυτική Επεξεργασία (OLAP) 2 Περιεχόμενα Εφαρμογές στις Αποθήκες Δεδομένων Άμεση Αναλυτική Επεξεργασία (OLAP) Γεγονότα και Διαστάσεις Κύβοι και Ιεραρχίες διαστάσεων Πράξεις OLAP Αρχιτεκτονικές
Διαβάστε περισσότεραΠΡΟΧΩΡΗΜΕΝΑ ΘΕΜΑΤΑ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ -2
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΤΜΗΜΑ ΗΛΕΚ. ΜΗΧ. ΚΑΙ ΜΗΧ. ΥΠΟΛΟΓΙΣΤΩΝ ΠΡΟΧΩΡΗΜΕΝΑ ΘΕΜΑΤΑ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ ΠΡΟΧΩΡΗΜΕΝΑ ΘΕΜΑΤΑ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ -1 ΕΙΣΑΓΩΓΗ ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ
Διαβάστε περισσότεραΕξόρυξη Γνώσης από εδοµένα (Data Mining)
ΠΜΣ Πληροφορικής Πανεπιστηµίου Πειραιά Εξόρυξη Γνώσης από εδοµένα (Data Mining) Αποθήκες εδοµένων Γιάννης Θεοδωρίδης Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιά http://isl.cs.unipi.gr/db/courses/dm "Πυραµίδα"
Διαβάστε περισσότεραΕισαγωγή στις Αποθήκες εδομένων
Εισαγωγή στις Αποθήκες εδομένων ιαφάνειες βασισμένες σε σχετικές διαφάνειες του Πάνου Βασιλειάδη Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009 Αποθήκες Δεδομένων 1 Εισαγωγή: OLTP Παραδοσιακή ιαχείριση εδομένων
Διαβάστε περισσότεραΣυστήματα OLAP. Πασχάλης Θρήσκος, PhD Λάρισα
Συστήματα OLAP Πασχάλης Θρήσκος, PhD Λάρισα 2016-2017 «Τα συστήματα άμεσης αναλυτικής επεξεργασίας (OLTP) χρησιμοποιούνται για να απαντηθούν ερωτήματα πάνω σε πολυδιάστατα δεδομένα πολύ γρήγορα» Wikipedia
Διαβάστε περισσότεραΕισαγωγή στις Αποθήκες εδομένων
Εξόρυξη Δεδομένων: Ακ. Έτος 2007-2008 Αποθήκες Δεδομένων 1 Εισαγωγή: OLTP Παραδοσιακή ιαχείριση εδομένων με Σ Β Σύστημα Επεξεργασίας οσοληψιών On-Line Transaction Processing (OLTP) Εισαγωγή στις Αποθήκες
Διαβάστε περισσότεραΕισαγωγή στις Αποθήκες εδοµένων
Εισαγωγή στις Αποθήκες εδοµένων ιαφάνειες βασισµένες σε σχετικές διαφάνειες του Πάνου Βασιλειάδη Αποθήκες εδοµένων 1 Εισαγωγή: OLTP Παραδοσιακή ιαχείριση εδοµένων µε Σ Β Σύστηµα Επεξεργασίας οσοληψιών
Διαβάστε περισσότεραΕξόρυξη Γνώσης από εδοµένα (Data Mining)
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Αποθήκες εδοµένων Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων http://isl.cs.unipi.gr/db
Διαβάστε περισσότεραΣΤΡΑΤΗΓΙΚΟ MANAGEMENT KAI EΠΙΧΕΙΡHΜΑΤΙΚΗ ΕΥΦΥΙΑ. Παρουσίαση 2 ο μέρος:
ΣΤΡΑΤΗΓΙΚΟ MANAGEMENT KAI EΠΙΧΕΙΡHΜΑΤΙΚΗ ΕΥΦΥΙΑ Παρουσίαση 2 ο μέρος: Λήψη αποφάσεων Η λήψη αποφάσεων αποτελεί κεντρική δραστηριότητα σε όλα τα επίπεδα λειτουργίας μιας επιχείρησης, από τον σχεδιασμό δράσεων,
Διαβάστε περισσότεραΑποθήκες Δεδομένων & Πολυδιάστατη Ανάλυση
Αποθήκες Δεδομένων & Πολυδιάστατη Ανάλυση Γιάννης Θεοδωρίδης InfoLab, Τμήμα Πληροφορικής, Πανεπιστήμιο Πειραιά http://infolab.cs.unipi.gr version: Nov.2009 Πηγές Το κύριο μέρος των διαφανειών προέρχεται
Διαβάστε περισσότεραΕξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) ETL) Αριστομένης Μακρής
Εξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) ETL) Τεχνολογίες Υποστήριξης Λήψης Διοικητικών Αποφάσεων OLTP (On Line Transaction Processing) Επιχειρηματικές Εφαρμογές (Σχεσιακές
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής. Αποθήκες εδοµένων και Εξόρυξη Γνώσης. (Data Warehousing & Data Mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Αποθήκες εδοµένων Γιάννης Θεοδωρίδης, Νίκος Πελέκης Εργαστήριο Πληροφοριακών Συστηµάτων http://infolab.cs.unipi.gr
Διαβάστε περισσότεραΥποστηρικτικό Υλικό για Πτυχιακές και MSc. Π. Βασιλειάδης
Υποστηρικτικό Υλικό για Πτυχιακές και MSc Π. Βασιλειάδης RADAR: Radial Applications Depiction Around Relations For Data-Centric Ecosystems Panos Vassiliadis http://www.cs.uoi.gr/~pvassil/publications/2011_dali/index.html
Διαβάστε περισσότεραΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ Σ. ΛΙΓΟΥ ΙΣΤΙΑΝΟΣ
ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ 195 ΑΠΟΘΗΚΕΣ Ε ΟΜΕΝΩΝ Σ. ΛΙΓΟΥ ΙΣΤΙΑΝΟΣ 8.1 ΓΕΝΙΚΑ Από τα µέσα της δεκαετίας του '70, η αλµατώδης παραγωγή πολύ ισχυρών συστηµάτων διαχείρισης βάσεων δεδοµένων βοήθησε στην ανάπτυξη πληροφοριακών
Διαβάστε περισσότεραBusiness Development, SAP Hellas 01/12/2007
Επιχειρηµατική Ευφυΐα Απότηνιδέαστηνπράξη Παναγιώτης Θεοφάνους Business Development, SAP Hellas 01/12/2007 Περιεχόµενα 1. SAP Εταιρικόπροφίλ 2. Επιχειρηµατική Ευφυΐα - Η ανάγκη 3. SAP Business Intelligence
Διαβάστε περισσότεραCopyright 2007 Ramez Elmasri and Shamkant B. Navathe, Ελληνική Έκδοση, ίαυλος ιαφάνεια 29-1
ιαφάνεια 29-1 Εφαρµογές Βάσεων εδοµένων ΠΜΣ 510 ευτέρα 6-9 Αίθουσα Α Ώρες Γραφείου ευτέρα 5-6 (και οποιαδήποτε άλλη ώρα είµαι στο γραφείο ικτυακός τόπος www.di.uoa.gr/~pms510 Ύλη Αποθήκες δεδοµένων Εξόρυξη
Διαβάστε περισσότεραΜια ολοκληρωμένη, διαχρονική και μόνιμη συλλογή δεδομένων οργανωμένη κατά αντικείμενο ανάλυσης με στόχο τη διαδικασία υποστήριξης λήψης αποφάσεων -
Εξαγωγή Μετασχηματισμός Εισαγωγή Δεδομένων στην Αποθήκη Πληροφοριών (ETL) Ορισμοί Data Warehouse 1. 2. Μια ολοκληρωμένη, διαχρονική και μόνιμη συλλογή δεδομένων οργανωμένη κατά αντικείμενο ανάλυσης με
Διαβάστε περισσότεραΑρχεία και Βάσεις Δεδομένων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Αρχεία και Βάσεις Δεδομένων Διάλεξη 1η: Εισαγωγή στα Συστήματα Διαχείρισης Βάσεων Δεδομένων Τμήμα Επιστήμης Υπολογιστών ΗΥ 360 Αρχεία και Βάσεις Δεδομένων Καθηγητής
Διαβάστε περισσότεραΑΛΕΞΑΝΔΡΕΙΟ Τ.Ε.Ι ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΑΛΕΞΑΝΔΡΕΙΟ Τ.Ε.Ι ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Πτυχιακή Εργασία Οι τεχνολογίες OLAP και Data warehousing Του φοιτητή: Δαραβίγκα Δημήτριου Αρ. Μητρώου: 05/2933 Επιβλέπων
Διαβάστε περισσότεραΒάσεις Δεδομένων. Τ.Ε.Ι. Ιονίων Νήσων Σχολή Διοίκησης και Οικονομίας - Λευκάδα
Βάσεις Δεδομένων Τ.Ε.Ι. Ιονίων Νήσων Σχολή Διοίκησης και Οικονομίας - Λευκάδα Στέργιος Παλαμάς, Υλικό Μαθήματος «Βάσεις Δεδομένων», 2015-2016 Κεφάλαιο 2: Περιβάλλον Βάσεων Δεδομένων Μοντέλα Δεδομένων 2.1
Διαβάστε περισσότεραΟλοκληρωµένη λύση επιλεκτικής συγκέντρωσης, αναδιοργάνωσης δεδοµένων και παραγωγής πληροφορίας
e.nfo Ολοκληρωµένη λύση επιλεκτικής συγκέντρωσης, αναδιοργάνωσης δεδοµένων και παραγωγής πληροφορίας Εξασφάλιση της εξειδικευµένης λύσης business intelligence για κάθε επιχείρηση πελάτης Τράπεζα Πειραιώς
Διαβάστε περισσότεραΑποθήκες Δεδομένων. Αποθήκες και εξόρυξη δεδομένων 6 ο εξάμηνο
Αποθήκες Δεδομένων Αποθήκες και εξόρυξη δεδομένων 6 ο εξάμηνο Τι είναι Αποθήκες Δεδομένων? Αποθήκη Δεδομένων (Data Warehouse): Μία ΒΔ στήριξης αποφάσεων που διατηρείται ξεχωριστά από τη λειτουργική ΒΔ
Διαβάστε περισσότεραΣχεδιασμός Βάσεων Δεδομένων
Πανεπιστήμιο Πειραιώς Τμήμα Ψηφιακών Συστημάτων Σχεδιασμός Βάσεων Δεδομένων Εργαστήριο 1 Δρ. Βασιλική Κούφη Περιεχόμενα 1. Εισαγωγή 2. Κύκλος ζωής ανάπτυξης Βάσεως Δεδομένων 3. Oracle SQL Developer Data
Διαβάστε περισσότεραΒάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας. 2 ο Μάθημα: Βασικά Θέματα Βάσεων Δεδομένων. Δρ. Κωνσταντίνος Χ.
Βάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας 2 ο Μάθημα: Βασικά Θέματα Βάσεων Δεδομένων Δρ. Κωνσταντίνος Χ. Γιωτόπουλος Βασικά θέματα Βάσεων Δεδομένων Ένα Σύστημα Βάσης Δεδομένων
Διαβάστε περισσότερα4. ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΠΟΛΥΔΙΑΣΤΑΤΗΣ ΑΝΑΛΥΣΗΣ
4. ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΠΟΛΥΔΙΑΣΤΑΤΗΣ ΑΝΑΛΥΣΗΣ Στο προηγούμενο εργαστήριο είδαμε πώς μπορούμε να αντλήσουμε πληροφορίες από μια σχεσιακή βάση δεδομένων με τη βοήθεια των ερωτημάτων (queries). Το μειονέκτημα
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 3: Αποθήκες Δεδομένων Μέρος Α Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης
Διαβάστε περισσότεραΕπισκόπηση Μαθήµατος
Βάσεις εδοµένων 5 ο Εξάµηνο ηµήτρης Λέκκας Επίκουρος Καθηγητής dlekkas@env.aegean.gr Τµήµα Στατιστικής & Αναλογιστικών-Χρηµατοοικονοµικών Μαθηµατικών Επισκόπηση Μαθήµατος Εισαγωγή (Σ Β ) Το µοντέλο σχέσεων
Διαβάστε περισσότεραΗΥ 360 Αρχεία και Βάσεις Δεδομένων
ΗΥ 360 Αρχεία και Βάσεις Δεδομένων Web site: http://www.csd.uch.gr/~hy360 Mailing list: hy360-list@csd.uoc.gr E-mail: hy360@csd.uoc.gr Καθηγητής Τμήμα Επιστήμης Υπολογιστών, Πανεπιστήμιο Κρήτης E-mail:
Διαβάστε περισσότεραΠροηγμένα Πληροφοριακά Συστήματα. Ακαδημαϊκό Έτος
Προηγμένα Πληροφοριακά Συστήματα Ακαδημαϊκό Έτος 2016-2017 Ομάδα: 1. Κανούτος Κωνσταντίνος ΑΜ: 5775 2. Καραχάλιος Αθανάσιος ΑΜ: 5784 3. Κυριακού Ανδρόνικος ΑΜ: 5806 4. Ντενέζος Παναγιώτης ΑΜ: 5853 5. Παρασκευόπουλος
Διαβάστε περισσότεραΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: Λήψη απόφασης, Συστήματα Υποστήριξης Αποφάσεων, OLAP Ανάλυση, Περιβαλλοντική Εκπαίδευση ΕΙΣΑΓΩΓΗ
Η Αναλυτική Επεξεργασία Δεδομένων (On Line Analytical Processing) στην Υποστήριξη Αποφάσεων των Υπευθύνων Περιβαλλοντικής Εκπαίδευσης των Διευθύνσεων Εκπαίδευσης Γιώργος Ραβασόπουλος 1, Ιωάννα Παπαιωάννου
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ - ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΣΒΔ - ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΟΝΤΕΛΟ ΟΝΤΟΤΗΤΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΤΜΗΜΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ
ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Χειμερινό Εξάμηνο 2013 - ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΣΒΔ - ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΟΝΤΕΛΟ ΟΝΤΟΤΗΤΩΝ ΣΥΣΧΕΤΙΣΕΩΝ Δρ. Βαγγελιώ Καβακλή ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ, ΤΜΗΜΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ 1 Αρχιτεκτονική
Διαβάστε περισσότερα1. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ
1. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ Τα δεδομένα που θα επεξεργασθούμε στη διάρκεια του εργαστηρίου παραχωρήθηκαν από την εταιρεία ICAP ειδικά για τις ανάγκες του μαθήματος. Τα δεδομένα αυτά αντλήθηκαν από την
Διαβάστε περισσότεραΠληροφορική 2. Βάσεις Δεδομένων (Databases)
Πληροφορική 2 Βάσεις Δεδομένων (Databases) 1 2 Επίπεδα αρχεία (flat files) Επίπεδο αρχείο είναι ένα αρχείο που αποτελείται από ένα σταθερό, μικρό αριθμό πεδίων. Οι εγγραφές του αρχείου μπορεί να μην ακολουθούν
Διαβάστε περισσότεραΕισαγωγή στις βασικές έννοιες των Βάσεων Δεδομένων
Εισαγωγή στις βασικές έννοιες των Βάσεων Δεδομένων Σχεδιασμός Βάσεων Δεδομένων Μάθημα 1 ο Μαρία Χαλκίδη ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ Σχεσιακό Μοντέλο Κανονικοποίηση Μοντέλο Οντοτήτων-Σχέσεων Κύκλος ζωής Βάσεων
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Μαρίνος Θεμιστοκλέους Email: mthemist@unipi.gr Ανδρούτσου 150 Γραφείο 206 Τηλ. 210 414 2723 Ώρες Γραφείου: Δευτέρα 11-12 AM Πληροφοριακά Συστήματα (ΠΣ) Information Systems (IS) Ορισμός
Διαβάστε περισσότεραÈÛ ÁˆÁ ÛÙÈ μ ÛÂÈ Â ÔÌ ÓˆÓ
ΕΝΟΤΗΤΑ 1.1 ÈÛ ÁˆÁ ÛÙÈ μ ÛÂÈ Â ÔÌ ÓˆÓ ΔΙΔΑΚΤΙΚΟI ΣΤOΧΟΙ Στο τέλος της ενότητας αυτής πρέπει να μπορείτε: να επεξηγείτε τις έννοιες «βάση δεδομένων» και «σύστημα διαχείρισης βάσεων δεδομένων» να αναλύετε
Διαβάστε περισσότεραΥποστήριξη Αποφάσεων. Γεώργιος Ευαγγελίδης. (βασισμένο στο κεφ. 23 του βιβλίου «Συστήματα Διαχείρισης Βάσεων Δεδομένων»)
Υποστήριξη Αποφάσεων Γεώργιος Ευαγγελίδης (βασισμένο στο κεφ. 23 του βιβλίου «Συστήματα Διαχείρισης Βάσεων Δεδομένων») Εισαγωγικά Οι επιχειρήσεις θέλουν να μπορούν να αναλύουν τα δεδομένα τους. Γιατί;
Διαβάστε περισσότεραΣυνοπτική επισκόπηση αγοράς & εργαλείων ΒΙ
Συνοπτική επισκόπηση αγοράς & εργαλείων ΒΙ Μιχάλης Μεταξάς Innovatia ΕΠΕ Agenda Αναφορά σε στοιχεία της µελέτης «Συγκέντρωση, ανάλυση και αξιολόγηση εργαλείων και λογισµικού Επιχειρηµατικής Ευφυΐας» Ορισµοί
Διαβάστε περισσότεραData Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής
Data Mining: Στοχεύοντας στους σωστούς πελάτες To CRM front-office πελατών Οι Προμηθευτές Οι Πελάτες ΟΟργανισμός Τροφοδότηση ενεργειών Μάρκετινγκ ΒΙ Απόταδεδομέναστηγνώση Επιχειρηματική Γνώση Επιχειρηματικοί
Διαβάστε περισσότεραOrchid: Integrating Schema Mapping and ETL ICDE 2008
Orchid: Integrating Schema Mapping and ETL ICDE 2008 Δομουχτσίδης Παναγιώτης Γενικά Data warehouse (DW): Είναι μία αποθήκη πληροφοριών οργανωμένη από ένα ενοποιημένο μοντέλο. Τα δεδομένα συλλέγονται από
Διαβάστε περισσότεραΣχεδίαση και Ανάπτυξη Απ ποθηκών Δεδομένωνν
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Σχεδίαση και Ανάπτυξη Αποθηκών Δεδομένων Διπλωματική Εργασία του Ζαγκαρέτου Λεωνίδα (ΑΕΜ: 139) Επιβλέπων Καθηγητής: Νανόπουλος
Διαβάστε περισσότεραΑνάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking)
ΒΔ για Λήψη Αποφάσεων Ανάλυση Δεδομένων (Data Analysis) Άμεση Αναλυτική Επεξεργασία (OLAP) Λειτουργίες Συνάθροισης στην SQL (windowing, ranking) Οργάνωση ιστορικής πληροφορίας σε Αποθήκες Δεδομένων (Data
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΑ ΣΥΣΤΗΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ
ΕΙΣΑΓΩΓΗ ΣΤΑ ΣΥΣΤΗΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ 1 Περιγραφή των Δεδομένων: Τα μοντέλα ενός ΣΔΒΔ Ένα μοντέλο δεδομένων είναι μια συλλογή από έννοιες που χρησιμοποιούνται για την περιγραφή δεδομένων
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική»
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή ιατριβή Τίτλος ιατριβής Ονοµατεπώνυµο Φοιτητή Πατρώνυµο Συλλογή, ιασταύρωση, ιαχείριση και Επιχειρησιακή
Διαβάστε περισσότεραInformation Technology for Business
Information Technology for Business! Lecturer: N. Kyritsis, MBA, Ph.D. Candidate!! e-mail: kyritsis@ist.edu.gr Διαχείριση Επιχειρηματικών Δεδομένων - Databases Ορισμός Βάσης Δεδομένων Συλλογή συναφών αρχείων
Διαβάστε περισσότεραΒάσεις Δεδομένων Εισαγωγή
Βάσεις Δεδομένων Εισαγωγή Σκοποί ενότητας Εκμάθηση Συστημάτων Διαχείρισης Βάσεων Δεδομένων Δημιουργία E-R διαγραμμάτων 2 Περιεχόμενα ενότητας Συστήματα Διαχείρισης Βάσεων Δεδομένων Διάγραμμα οντοτήτων
Διαβάστε περισσότεραΕΞΑΓΩΓΗ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΜΕΤΑΦΟΡΤΩΣΗ (EXTRACT, TRANSFORM, LOAD) Πασχάλης Θρήσκος, PhD Λάρισα
ΕΞΑΓΩΓΗ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΜΕΤΑΦΟΡΤΩΣΗ (EXTRACT, TRANSFORM, LOAD) Πασχάλης Θρήσκος, PhD Λάρισα 2016-2017 ΤΙ ΕΙΝΑΙ ; Είναι μια διαδικασία σε ένα περιβάλλον Αποθήκης Δεδομένων όπου συμβαίνουν τα εξής: Εξαγωγή
Διαβάστε περισσότερα4 Πολυδιάστατη Ανάλυση και Αποθήκες Δεδομένων
4 Πολυδιάστατη Ανάλυση και Αποθήκες Δεδομένων Σύνοψη Οι σύγχρονες επιχειρήσεις κατακλύζονται από ένα πακτωλό δεδομένων, τα οποία προέρχονται από εσωτερικές και εξωτερικές πηγές. Τα δεδομένα αυτά, αν και
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή ιατριβή Τίτλος ιατριβής Ονοµατεπώνυµο Φοιτητή Πατρώνυµο Υλοποίηση Αποθήκης Μεταναστευτικών εδοµένων OLAP
Διαβάστε περισσότεραDatabase System Concepts and Architecture (Αρχιτεκτονική, οµές, και Μοντέλα)
Database System Concepts and Architecture (Αρχιτεκτονική, οµές, και Μοντέλα) Μοντέλα, οµές (Σχήµα) και Αντιπρόσωποι (Data Models, Schema, and Instances) DBMS αρχιτεκτονική ιάφοροι τύποι γλωσσών και διεπαφές
Διαβάστε περισσότεραΕισαγωγή στα Συστήματα Βάσεων Δεδομένων. Βάσεις Δεδομένων 2014-2015 Ευαγγελία Πιτουρά 1
Εισαγωγή στα Συστήματα Βάσεων Δεδομένων Ευαγγελία Πιτουρά 1 Τι θα δούμε σήμερα I. Σύντομη εισαγωγή στις ΒΔ II. Περιγραφή σκοπού και περιεχομένου μαθήματος III. Ιστορία των ΣΔΒΔ IV. Διαδικαστικά θέματα
Διαβάστε περισσότεραΟΛΟΚΛΗΡΩΜΕΝΟ ΠΛΗΡΟΦΟΡΙΑΚΟ ΣΥΣΤΗΜΑ ΝΑΥΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΟΠΣ-ΝΕ
Υ.Ν.Α.Ν.Π. ΕΝΤΥΠΟ ΔΗΜΟΣΙΑΣ ΔΙΑΒΟΥΛΕΥΣΗΣ ΤΕΧΝΙΚΩΝ ΠΡΟΔΙΑΓΡΑΦΩΝ Ε2 Το παρόν θα αναρτηθεί σε επεξεργάσιμη μορφή στο www.hcg.gr και στο www.yen.gr Ημερομηνία 03/12/2018 Προς ΕΠΙΤΕΛΙΚΗ ΔΟΜΗ ΕΣΠΑ ΥΝΑΝΠ Πίνακας
Διαβάστε περισσότεραΣυστήματα Πληροφοριών Διοίκησης
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Τεχνολογικό Εκπαιδευτικό Ίδρυμα Πειραιά Συστήματα Πληροφοριών Διοίκησης Ενότητα 2: Γενική θεώρηση και κατάταξη συστημάτων πληροφοριών διοίκησης Διονύσιος Γιαννακόπουλος, Καθηγητής Τμήμα
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ ΔΕΔΟΜΕΝΑ ΔΕΔΟΜΕΝΑ ΠΛΗΡΟΦΟΡΙΑ ΑΡΙΘΜΟΙ ΣΥΜΒΟΛΑ - ΛΕΞΕΙΣ ΟΠΟΙΑΔΗΠΟΤΕ ΔΡΑΣΤΗΡΙΟΤΗΤΑ ΣΥΜΒΑΙΝΕΙ ΣΕ ΜΙΑ ΟΙΚΟΝΟΜΙΚΗ ΜΟΝΑΔΑ ΠΡΕΠΕΙ ΝΑ ΜΕΤΡΕΙΤΑΙ ΚΑΙ ΝΑ ΚΑΤΑΓΡΑΦΕΤΑΙ ΟΡΓΑΝΩΣΗ ΚΑΤΑΓΡΑΦΗΣ
Διαβάστε περισσότεραΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ. Πετρογεωργάκης Μανούσος Σπυρόπουλος Σταύρος
ΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ Πετρογεωργάκης Μανούσος Σπυρόπουλος Σταύρος ΣΚΟΠΟΣ ΕΡΓΑΣΙΑΣ Σκοπός της εργασίας αυτής είναι η εισαγωγή στις Βάσεων εδομένων. Θα παρουσιαστούν οι βασικές έννοιες, οι συνιστώσες και οι λειτουργίες
Διαβάστε περισσότεραΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Επιβλέπων: ΠΟΤΗΡΑΚΗΣ ΑΝΤΩΝΙΟΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΜΕΤΟΧΙΑΝΑΚΗ ΙΩΑΝΝΑ ΑΜ:6725 ΠΛΗΡΟΦΟΡΙΑΚΟ ΣΥΣΤΗΜΑ ΓΙΑ ΑΛΥΣΙΔΑ SUPERMARKET ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Επιβλέπων:
Διαβάστε περισσότεραΘεωρία Κανονικοποίησης
Θεωρία Κανονικοποίησης Πρώτη Κανονική Μορφή (1NF) Αποσύνθεση Συναρτησιακές Εξαρτήσεις Δεύτερη (2NF) και Τρίτη Κανονική Μορφή (3NF) Boyce Codd Κανονική Μορφή (BCNF) Καθολική Διαδικασία Σχεδίασης ΒΔ Βασική
Διαβάστε περισσότεραΕισαγωγή στην πληροφορική
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Εισαγωγή στην πληροφορική Ενότητα 6: Εισαγωγή στις βάσεις δεδομένων (Μέρος Α) Αγγελίδης Παντελής Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Άδειες Χρήσης
Διαβάστε περισσότεραΠληροφορική ΙΙ Εισαγωγή στις Βάσεις Δεδομένων. Τμήμα Λογιστικής
Εισαγωγή στις Βάσεις Δεδομένων Εισαγωγή στις Βάσεις Δεδομένων Ορισμός Βάσης Δεδομένων Σύστημα Διαχείρισης Βάσης Δεδομένων ΣΔΒΔ (DBMS) Χαρακτηριστικά προσέγγισης συστημάτων αρχειοθέτησης Χαρακτηριστικά
Διαβάστε περισσότεραΠανεπιστήμιο Πειραιώς. Τμήμα Ψηφιακών Συστημάτων Π.Μ.Σ. «Διδακτική της Τεχνολογίας & Ψηφιακά Συστήματα» Κατεύθυνση Ψηφιακών Επικοινωνιών και Δικτύων
Πανεπιστήμιο Πειραιώς Τμήμα Ψηφιακών Συστημάτων Π.Μ.Σ. «Διδακτική της Τεχνολογίας & Ψηφιακά Συστήματα» Κατεύθυνση Ψηφιακών Επικοινωνιών και Δικτύων Διπλωματική Εργασία «Σχεδίαση και Ανάπτυξη Δικτυοκεντρικού
Διαβάστε περισσότεραΠληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Βάσεις Δεδομένων ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου @ 2017 Βάσεις Δεδομένων (ΒΔ) Βάση δεδομένων (database) είναι μια οργανωμένη συλλογή
Διαβάστε περισσότεραΔιαχείριση Πολιτισμικών Δεδομένων
Διαχείριση Πολιτισμικών Δεδομένων Μάθημα 1 Εισαγωγή στις Βάσεις Δεδομένων Τζανέτος Πομόνης ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Συντήρησης Πολιτισμικής Κληρονομιάς Τι είναι οι Βάσεις
Διαβάστε περισσότεραΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting
ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting Διαδικτυακό OLAP Σύστημα Λήψης Αποφάσεων και δημιουργίας έξυπνων προσαρμοστικών γραφημάτων
Διαβάστε περισσότεραΠρογραμματισμός ταμειακής ροής για αγορές υλικών
Προγραμματισμός ταμειακής ροής για αγορές υλικών Η βάση δεδομένων του Navision μπορεί να χρησιμοποιηθεί για την άντληση δεδομένων και από άλλα εργαλεία εκτός Navision. Θα δημιουργήσουμε ένα παράδειγμα
Διαβάστε περισσότεραΒάσεις Δεδομένων. Βασίλειος Βεσκούκης 2006 Ρ.Κορακίτης, Β.Βεσκούκης, Θ.Καραλόπουλος, Γ.Πανόπουλος
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Αγρονόμων Τοπογράφων Μηχανικών Βάσεις Δεδομένων Βασίλειος Βεσκούκης v.vescoukis@cs.ntua.gr Περιεχόμενο του μαθήματος, εισαγωγή, διαδικασία Σχετικά με το μάθημα Διδάσκοντες
Διαβάστε περισσότεραData Cube. Μ.Χατζόπουλος 1
Data Cube Μ.Χατζόπουλος Μ.Χατζόπουλος 1 Ανάλυση εδοµένων Εξαγωγή συναθροιστικών δεδοµένων από µια βάση δεδοµένων Οπτικοποίηση των αποτελεσµάτων Μπορούνοιπαραδοσιακέςεπίπεδεςβάσειςδεδοµένων; Οι σχεσιακές
Διαβάστε περισσότεραΣχεδίαση Βάσεων Δεδομένων
Σχεδίαση Βάσεων Δεδομένων Δεύτερη Κανονική Μορφή Second Normal Form 1 Copyright 2013, Oracle and/or its affiliates. All rights reserved. Στόχοι Το μάθημα αυτό καλύπτει τους ακόλουθους στόχους: Να προσδιορίσει
Διαβάστε περισσότεραΑντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα
Εισαγωγή 1 Ζήτω οι Βάσεις εδοµένων!! Αντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα Μοντελοποίηση Αποθήκευση Επεξεργασία (εύρεση πληροφορίας σχετικής µε µια συγκεκριµένη ερώτηση) Σωστή Λειτουργία
Διαβάστε περισσότεραΈνα σύνολο αλληλοσχετιζόμενων συστημάτων που συλλέγουν, επεξεργάζονται, αποθηκεύουν και διανέμουν πληροφορίες
Συστήματα Επιχειρηματικής Ευφυΐας (BI Business Intelligence) Οι πιέσεις του περιβάλλοντος Πληροφοριακά Συστήματα Ένα σύνολο αλληλοσχετιζόμενων συστημάτων που συλλέγουν, επεξεργάζονται, αποθηκεύουν και
Διαβάστε περισσότεραΣχεδίαση Σχεσιακών ΒΔ
Σχεδίαση Σχεσιακών ΒΔ Εισαγωγή: Μοντελοποίηση, Σχεδιασμός και Ανάπτυξη Βάσεων Δεδομένων Σχεδιασμός ΒΔ Εννοιολογικός σχεδιασμός το Μοντέλο Οντοτήτων Συσχετίσεων (Entity Relationship Model) Λογικός σχεδιασμός
Διαβάστε περισσότεραΠρογραμματισμός ταμειακής ροής για αγορές υλικών
Προγραμματισμός ταμειακής ροής για αγορές υλικών Η βάση δεδομένων του Navision μπορεί να χρησιμοποιηθεί για την άντληση δεδομένων και από άλλα εργαλεία εκτός Navision. Θα δημιουργήσουμε ένα παράδειγμα
Διαβάστε περισσότεραΑρχιτεκτονική Λογισμικού
Αρχιτεκτονική Λογισμικού περιεχόμενα παρουσίασης Τι είναι η αρχιτεκτονική λογισμικού Αρχιτεκτονική και απαιτήσεις Σενάρια ποιότητας Βήματα αρχιτεκτονικής σχεδίασης Αρχιτεκτονικά πρότυπα Διαστρωματωμένη
Διαβάστε περισσότεραΣχεδιασμός Επεξεργασίας και Τηλεπεξεργασίας
Ενότητα 9 Σχεδιασμός Επεξεργασίας και Τηλεπεξεργασίας Πληροφοριακά Συστήματα Διοίκησης ΙI Ι Διδάσκων: Νίκος Καρακαπιλίδης 9-1 Στόχοι & αντικείμενο ενότητας Σχεδιασμός επεξεργασίας Επεξεργασία κατά δεσμίδες
Διαβάστε περισσότεραΔιάλεξη 02: Βάσεις Δεδομένων Εισαγωγή. Διδάσκων: Παναγιώτης Ανδρέου
Διάλεξη 02: Βάσεις Δεδομένων Εισαγωγή Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: Εισαγωγή στις έννοιες: Αρχιτεκτονική Τριών Επιπέδων Χρήστες Βάσεων Δεδομένων Μοντέλα Δεδομένων και Γλώσσες
Διαβάστε περισσότερα1.1. Βάσεις δεδομένων
1.1 Βάσεις δεδομένων Οι στόχοι μας σε αυτό το κεφάλαιο: Να διατυπώσουμε τον ορισμό για τη βάση δεδομένων και για το σύστημα διαχείρισης βάσεων δεδομένων (ΣΔΒΔ), καθώς και να περιγράψουμε τα συστατικά στοιχεία
Διαβάστε περισσότεραΕισαγωγικό Μάθημα Βασικές Έννοιες - Ανάλυση Απαιτήσεων
..?????? Εργαστήριο ΒΑΣΕΙΣ????????? ΔΕΔΟΜΕΝΩΝ Βάσεων Δεδομένων?? ΙΙ Εισαγωγικό Μάθημα Βασικές Έννοιες - . Γενικά Τρόπος Διεξαγωγής Ορισμός: Βάση Δεδομένων (ΒΔ) είναι μια συλλογή από σχετιζόμενα αντικείμενα
Διαβάστε περισσότερα. Εργαστήριο Βάσεων Δεδομένων. Εισαγωγικό Μάθημα Βασικές Έννοιες - Ανάλυση Απαιτήσεων
.. Εργαστήριο Βάσεων Δεδομένων Εισαγωγικό Μάθημα Βασικές Έννοιες - . Ύλη Εργαστηρίου ΒΔ Ύλη - 4 Ενότητες.1 - Σχεδιασμός Βάσης Δεδομένων.2 Δημιουργία Βάσης Δεδομένων Δημιουργία Πινάκων Εισαγωγή/Ανανέωση/Διαγραφή
Διαβάστε περισσότεραΣτόχοι και αντικείμενο ενότητας
Ενότητα 8 Διαχείριση Δεδομένων Πληροφοριακά Συστήματα Διοίκησης Ι Διδάσκων: Νίκος Καρακαπιλίδης 8-1 Στόχοι και αντικείμενο ενότητας Παραδοσιακή οργάνωση αρχείων και προβλήματα Συστήματα Διαχείρισης Βάσεως
Διαβάστε περισσότεραΕργαστήριο Βάσεων Δεδομένων. Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων
Εργαστήριο Βάσεων Δεδομένων Εισαγωγικό Φροντιστήριο Βασικές Έννοιες - Ανάλυση Απαιτήσεων Τρόπος Διεξαγωγής #1 Ύλη (4 Ενότητες) 1. Ανάλυση Απαιτήσεων -Σχεδιασμός Βάσης Δεδομένων 2. Δημιουργία βάσης a) Create
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Συστήματα Διαχείρισης Βάσεων Δεδομένων
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Συστήματα Διαχείρισης Βάσεων Δεδομένων 1 ΕΙΣΑΓΩΓΗ Η τεχνολογία των Βάσεων Δεδομένων (ΒΔ) (Databases - DB) και των Συστημάτων Διαχείρισης Βάσεων Δεδομένων (ΣΔΒΔ)
Διαβάστε περισσότεραΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΖΩΓΡΑΦΟΥ , ΑΘΗΝΑ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΖΩΓΡΑΦΟΥ 157 73, ΑΘΗΝΑ ΕΣΒΓ - ΙΠΛ-Έτος-ID 20 Ιουνίου 2003 ΤΙΤΛΟΣ (ΤΟΜΟΣ
Διαβάστε περισσότερα11.1. Θεωρητικό υπόβαθρο για τους κύβους δεδομένων και την πολυδιάστατη ανάλυση
Κεφάλαιο 11. Αποθήκες και κύβοι δεδομένων Σύνοψη Σ αυτό το κεφάλαιο θα παρουσιάσουμε τη δημιουργία μιας αποθήκης δεδομένων ή, αλλιώς, ενός κύβου δεδομένων. Ο κύβος είναι μια πολυδιάστατη δομή δεδομένων
Διαβάστε περισσότεραΔιαχείριση Έργων Πληροφορικής Εργαστήριο
Διαχείριση Έργων Πληροφορικής Εργαστήριο «Εισαγωγή στο MS Project- Διάγραμμα Gantt» Μ.Τσικνάκης, Ρ.Χατζάκη Ε. Μανιαδή, Ά. Μαριδάκη 1. Εισαγωγή στο Microsoft Project To λογισμικό διαχείρισης έργων MS Project
Διαβάστε περισσότεραΔιάλεξη 03: Εννοιολογική Σχεδίαση Βάσης Δεδομένων I (Entity Relationship Modelling) Διδάσκων: Παναγιώτης Ανδρέου
Διάλεξη 03: Εννοιολογική Σχεδίαση Βάσης Δεδομένων I (Entity Relationship Modelling) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: Εισαγωγή στις έννοιες: Μεθοδολογία Ανάπτυξης Βάσεων Δεδομένων
Διαβάστε περισσότεραΕισαγωγή στα Συστήµατα Βάσεων Δεδοµένων
Εισαγωγή στα Συστήµατα Βάσεων Δεδοµένων Βάσεις εδοµένων 2011-2012 Ευαγγελία Πιτουρά 1 Βασικές Έννοιες Τι είναι µια βάση δεδοµένων; Βάση Δεδοµένων: συλλογή από σχετιζόµενα δεδοµένα Ειδικού σκοπού λογισµικό
Διαβάστε περισσότεραΔιαχείριση Δεδομένων
Διαχείριση Δεδομένων Βαγγελιώ Καβακλή Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας Πανεπιστήμιο Αιγαίου 1 Εαρινό Εξάμηνο 2012-13 Περιεχόμενο σημερινής διάλεξης Βάσεις Δεδομένων Ορισμοί Παραδείγματα
Διαβάστε περισσότεραΑποθήκες εδοµένων: Προκλήσεις και Ευκαιρίες
Αποθήκες εδοµένων: Προκλήσεις και Ευκαιρίες Ιωάννης Βασιλείου Εθνικό Μετσόβιο Πολυτεχνείο 27 Ιουνίου 2001 HELDINET - Αθήνα 1 ΕΠΙΣΚΟΠΗΣΗ ΟΜΙΛΙΑΣ Λίγα Λόγια για Αποθήκες εδοµένων (DW) Πως δηµιουργήθηκαν
Διαβάστε περισσότεραΕισαγωγή στις βάσεις δεδομένων - Η ανατομία μιας βάσης δεδομένων
ΕΣΔ516 Τεχνολογίες Διαδικτύου Εισαγωγή στις βάσεις δεδομένων - Η ανατομία μιας βάσης δεδομένων Περιεχόμενα - Βιβλιογραφία Ενότητας Περιεχόμενα Ορισμοί Συστατικά στοιχεία εννοιολογικής σχεδίασης Συστατικά
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ. Ενότητα 1: Εισαγωγή στις Βάσεις Δεδομένων. Αθανάσιος Σπυριδάκος Διοίκηση Επιχειρήσεων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ενότητα 1: Εισαγωγή στις Βάσεις Δεδομένων Αθανάσιος Σπυριδάκος Διοίκηση Επιχειρήσεων Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΔείχτες Επιτυχίας και Δείχτες Επάρκειας
Δείχτες Επιτυχίας και Δείχτες Επάρκειας Γ Τάξη Θεματικές Περιοχές: 1. Βασικές έννοιες της Πληροφορικής και της Επιστήμης Ηλεκτρονικών Υπολογιστών 2. Υλικό / Αρχιτεκτονική Ηλεκτρονικού Υπολογιστή 3. Λειτουργικά
Διαβάστε περισσότεραΣχεδίαση Βάσεων Δεδομένων
Σχεδίαση Βάσεων Δεδομένων Η ιστορία των Βάσεων Δεδομένων History of the Database 1 Copyright 2013, Oracle and/or its affiliates. All rights reserved. Στόχοι Το μάθημα αυτό καλύπτει τους ακόλουθους στόχους:
Διαβάστε περισσότεραΠεριεχόμενα. Κεφάλαιο 1 Εισαγωγή στην Access...9. Κεφάλαιο 2 Χειρισμός πινάκων... 25
Περιεχόμενα Κεφάλαιο 1 Εισαγωγή στην Access...9 Γνωριμία με την Access... 12 Δημιουργία βάσης δεδομένων... 18 Άνοιγμα και κλείσιμο βάσης δεδομένων... 21 Ερωτήσεις ανακεφαλαίωσης... 22 Πρακτική εξάσκηση...
Διαβάστε περισσότεραΒάσεις Δεδομένων (Databases)
Βάσεις Δεδομένων (Databases) ΕΠΛ 342 Χειμερινό Εξάμηνο 2011 Διδάσκοντες Καθηγητές Γιώργος Σαμάρας (ΧΩΔ01 109) Περιεχόμενο Διάλεξης Κεφάλαιο 5: Το Σχεσιακό Μοντέλο Δεδομένων Περιορισμοί Σχεσιακού Μοντέλου
Διαβάστε περισσότεραΒάσεις Δεδομένων. Εισαγωγή Ανάλυση Απαιτήσεων. Φροντιστήριο 1 ο
Βάσεις Δεδομένων Εισαγωγή Ανάλυση Απαιτήσεων Φροντιστήριο 1 ο 16-10-2008 Εισαγωγή - Ορισμοί Βάση Δεδομένων είναι μία συλλογή από σχετιζόμενα αντικείμενα Ένα σύστημα διαχείρισης βάσεων δεδομένων (ΣΔΒΔ)
Διαβάστε περισσότεραΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ ΣΧΕΔΙΑΣΗ ΚΑΙ ΧΡΗΣΗ ΕΚΤΥΠΩΣΕΩΝ-ΑΝΑΦΟΡΩΝ ΣΤΑ ΣΥΣΤΗΜΑΤΑ ERP ΜΕ ΣΚΟΠΟ ΤΗΝ ΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI Β. Μεγαλοοικονόμου Κατανεμημένες Βάσεις Δεδομένων (παρουσίαση βασισμένη εν μέρη σε σημειώσεις των Silberchatz, Korth και Sudarshan και του C. Faloutsos)
Διαβάστε περισσότεραData Warehouse Τ χνο χνο ογίες Υπ οστήριξης Λήψης Αριστο Αριστ μένης Μακρής Διοικητικώ τικ ν ώ Απο Απ φάσεων
Data Warehouse Ορισμοί Data Warehouse 1. 2. Μια ολοκληρωμένη, διαχρονική και μόνιμη συλλογή δεδομένων οργανωμένη κατά αντικείμενο ανάλυσης με στόχο τη διαδικασία υποστήριξης λήψης αποφάσεων - WH W.H. Inmon
Διαβάστε περισσότερα