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 τα DW Αρχιτεκτονικά και Λειτουργικά Στοιχεία των DW Εφαρµογή και Πρακτική Χρήση Προοπτικές Εξελίξεις των Αποθηκών εδοµένων Τεχνολογικές Αλλαγές Απαιτήσεις Εφαρµογών Συµπεράσµατα Έρευνα σε Αποθήκες εδοµένων 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 2
Ορισµός Αποθηκών εδοµένων DATA WAREHOUSES (Αποθήκες εδοµένων): εν είναι προϊόν! Είναι µια στρατηγική / διαδικασία για: Λογική ολοκλήρωση ετερογενών πηγών εδοµένων ιευκόλυνση της µετατροπής εδοµένων σε Χρήσιµες Πληροφορίες Πρώτες παρατηρήσεις σε Αποθήκες εδοµένων: Μεγάλη διαφοροποίηση στρατηγικής µεταξύ των προµηθευτών Τεράστια ποικιλία εφαρµογών και των απαιτήσεών τους (ακόµη και οι προµηθευτές παραδέχονται ότι κάθε DW χρειάζεται ειδική κατασκευή και βελτιστοποίηση - Customization) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 3
Πως δηµιουργήθηκαν οι οι Αποθήκες εδοµένων 1. Ανάγκη για Αναλυτική Επεξεργασία (Νέες Εφαρµογές) Business Intelligence 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 4
Business Intelligence Απλές Αναφορές και Ερωτήσεις «Πες µου τι έγινε» Ad-hoc queries, συσχετίσεις νέων µε παλιά αποτελέσµατα OLAP «Πες µου τι έγινε και πως» Ευέλικτη, υψηλής απόδοσης πρόσβαση και ανάλυση µεγάλου όγκου σύνθετων δεδοµένων από διαφορετικές εφαρµογές Visualization των business data, στατιστική ανάλυση, πολυδιάστατη ανάλυση Συστήµατα Στήριξης Αποφάσεων (DSS) ή Executive Support Systems (EIS) «Πες µου πολλά πράγµατα αλλά µη µε κάνεις να δουλέψω πολύ!» Υποβοήθηση λήψης αποφάσεως µε τη χρήση καταλλήλων πληροφοριών (business data ) Data Mining «Πες µου τι µπορεί να γίνει», «Πες µου κάτι ενδιαφέρον! εξεύρεση patterns σε τεράστιες βάσεις δεδοµένων OLAP + Data Mining ===> On-line Analytical Mining 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 5
Εφαρµογές OLAP Κλασσικά Παραδείγµατα Εφαρµογών Financial Analysis Modeling and Reporting Budgeting Quality Assurance and Quality Control Product Profitability Survey Analysis Promotion Tracking 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 6
OLAP και OLTP: Σύγκρουση απαιτήσεων OLAP και OLTP δεν µπορούν να δουλέψουν ταυτόχρονα στα ίδια λειτουργικά δεδοµένα! (γιατί έχουν εντελώς διαφορετικές και συγκρουόµενες απαιτήσεις) Υπήρχε ένα συνεχώς διευρυνόµενο τεχνολογικό χάσµα (performance) µεταξύ OLAP (εν γένει, Business Intelligence) και OLTP που οδήγησε σε λύσεις αυτόνοµης και διακριτής λειτουργίας Αποθήκες εδοµένων 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 7
Πως δηµιουργήθηκαν οι οι Αποθήκες εδοµένων 1. Ανάγκη για Business Intelligence (Νέες Εφαρµογές) 2. Αποτυχία των προσπαθειών εκσυγχρονισµού των legacy systems (Παλαιές Εφαρµογές) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 8
εν υπάρχει φάρµακο για Legacy Systems Οι legacy εφαρµογές λύνουν επιχειρηµατικά προβλήµατα του χτες και δεν αλλάζουν ούτε αντικαθίστανται Οι legacy εφαρµογές δεν είναι ολοκληρώσιµες Οι legacy εφαρµογές χτίστηκαν σε παλιά τεχνολογία και η αποµάκρυνση από αυτή τη τεχνολογία είναι δύσκολη Οι legacy εφαρµογές δεν χειρίζονται ιστορικά στοιχεία Οι Αποθήκες εδοµένων, δια της πλαγίας οδού, αντιµετώπισαν από τις αρχές της δεκαετίας του 90 τα προβλήµατα µε την ολοκλήρωση (και καθαρισµό) των Legacy δεδοµένων καθώς και την άµεση πρόσβαση σε αυτά, στηριζόµενες σε νέα τεχνολογία 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 9
Πως δηµιουργήθηκαν οι οι Αποθήκες εδοµένων 1. Ανάγκη για Business Intelligence (Νέες Εφαρµογές) 2. Αποτυχία των προσπαθειών εκσυγχρονισµού των legacy systems (Παλαιές Εφαρµογές) 3. Αποτυχία των Κατανεµηµένων Βάσεων εδοµένων (Αδυναµίες της Τεχνολογίας) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 10
Ουσιαστική αποτυχία των DDBMS Όλοι οι «µεγάλοι» κατασκευαστές των DBMS στα τέλη της δεκαετίας του 80 προσπαθούσαν να αναπτύξουν µια κατανεµηµένη / ετερογενή έκδοση των DBMS συστηµάτων τους (Digital Equipment, IBM, Ingres, Oracle, κλπ.) Location transparency, platform transparency, distributed query execution, metadata, υστυχώς, στην πράξη τα DDBMS απέτυχαν! (δεν εφαρµόστηκαν) Η ιδέα για Αποθήκες εδοµένων έφερε µια εναλλακτική λύση Αφού ήταν τόσο δύσκολο να φτάσουµε σε execution time σε πολλές κατανεµηµένες / ετερογενείς βάσεις, γιατί να µην φορτώσουµε επιλεκτικά τα δεδοµένα σε µια καινούργια κεντρική βάση??? (αφού τα µετατρέψουµε, τα καθαρίσουµε, τα αναδιοργανώσουµε, κλπ.) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 11
Κλασσική Αρχιτεκτονική BUSINESS INTELLIGENCE (clients) OLAP Q&R DSS DM Data Mart Data Mart Administration REPOSITORY Agent Meta Database Data Warehouse Wrappers / Loaders Mediator Το MIDDLEWARE των Αποθηκών εδοµένων SOURCES Text File DB External data 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ
Αποθήκες εδοµένων - ΣΤΟΙΧΕΙΑ Αρχιτεκτονικές Επιλογές Servers MOLAP, ROLAP, HOLAP, Το middleware των Αποθηκών εδοµένων ETL Extraction, Transformation, Loading Σχεδίαση Αποθηκών εδοµένων Star, Snowflake σχήµατα Πολυδιάστατα Μοντέλα Πράξεις σε Υπερκύβους 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 13
ΜOLAP Αρχιτεκτονική Πηγή: Πηγή: Microstrategy Microstrategy 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 14
ROLAP Αρχιτεκτονική Πηγή: Πηγή: Microstrategy Microstrategy 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 15
Πλατφόρµες για Business Intelligence Οι πλατφόρµες υποστηρίζουν, κατά συνθήκη, de facto και de jure standards, π.χ., Extensible Markup Language (XML) OLE DB for online analytical processing (OLAP) LDAP Common Object Request Broker Architecture (CORBA) Common Object Model/Distributed Component Object Model (COM/DCOM) Total Web deployment 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 16
MIDDLEWARE: ETL Εργαλεία Εξαγωγή εδοµένων από τις πηγές καθαρισµός µετάδοση σε υψηλές ταχύτητες µετατροπή σε διαφορετικά µοντέλα / πρότυπα εισαγωγή των χρήσιµων δεδοµένων στις Αποθήκες εδοµένων ανάλυση έλεγχος πληρότητας Πέραν της απλής µεταφοράς εδοµένων από τις πηγές στην Αποθήκη εδοµένων, ενδιαφερόµαστε και για την καταλληλότητα, µορφή και ποιότητα αυτών Η ποιότητα είναι εκ φύσεως ΥΠΟΚΕΙΜΕΝΙΚΗ, όµως οι επιπτώσεις της κακής ποιότητας είναι ΠΡΑΓΜΑΤΙΚΕΣ και ιδιαίτερα ΑΝΤΙΚΕΙΜΕΝΙΚΕΣ Μελέτες δείχνουν ότι για Αποθήκες εδοµένων, η κακή ποιότητα µεταφράζεται σε ένα επιπλέον κόστος 35 45 % 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 17
Αποθήκες εδοµένων Σήµερα Υπενθυµίζεται ο κλασσικός ορισµός των Αποθηκών εδοµένων «subject-oriented, non-volatile time-variant (read-only database of historical information organized for better data access)» ΣΥΜΠΕΡΑΣΜΑΤΑ: Περιοδικές batch ανανεώσεις (non-volatile) Μόνο εισροή δεδοµένων (από πηγές) ΣΗΜΕΡΑ: Εισροή δεδοµένων σε πραγµατικό χρόνο «feedback loops» περιεχοµένου από το DW στα συστήµατα των πηγών Πολύπλοκες αλληλεπιδράσεις 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 18
Εφαρµογή και Πρακτική Χρήση Σηµαντική Επένδυση! 3 5 Μ$, 12-18 µήνες υλοποίηση, κλπ. Σηµαντικότατα οφέλη! Πολλές Επιχειρήσεις «ενεργές» σε DW > 90 % των Fortune 500 ενεργές σε DW (Meta Group) > 80% των µεσαίων επιχειρήσεων (Hyperion) ROI (Return on Investment) 300-650% (Meta Group) 400% (σε 3 έτη), IDC (International Data Corp), 1999 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 19
Ηγέτες στην Τεχνολογία ΠΛΑΤΦΟΡΜΕΣ / SERVERS Oracle Corp., 9i Microsoft Corp. SQL Server 2000 ΙΒΜ DB2 / Hyperion Solutions Corp. Essbase OLAP Server The SAS Institute SAS System and Solutions MicroStrategy Inc. MicroStrategy 7 Information Builders, Inc. WebFOCUS Business Intelligence Suite 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 20
Ηγέτες στην Τεχνολογία BUSINESS INTELLIGENCE εργαλεία Cognos Corp. Business Objects, Inc. MicroStrategy Inc. Information Builders Oracle Επίσης: Brio Technology Inc. Computer Associates Seagate Software 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 21
Επισκόπηση Οµιλίας Λίγα Λόγια για Αποθήκες εδοµένων (DW) Πως δηµιουργήθηκαν τα DW Αρχιτεκτονικά και Λειτουργικά Στοιχεία των DW Εφαρµογή και Πρακτική Χρήση Προοπτικές Εξελίξεις των Αποθηκών εδοµένων Τεχνολογικές Αλλαγές Απαιτήσεις Εφαρµογών 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 22
Απλή ιαχείριση εδοµένων ΕΞΕΛΙΞΗ στην Εφαρµογή και Τεχνολογία ιοίκησης // ιαχείρισης εδοµένων Επιχειρησιακή ιαχείριση - ΟΠΣ Αρχές 80 Τέλη 80 Αρχές - Μέσα 90 Τέλη 90 21ος C Προ- Σχεσιακά DBMS Πρώτα Σχεσιακά Client-server Σχεσιακά Επιχειρησιακή Κάλυψη Internet Computing Simple transactions, on-line backup & recovery Απλό OLTP Stored procedures, triggers Ενεργές Βάσεις εδοµένων Αποθήκες εδοµένων & Hi-end OLTP Scaleable OLTP, parallel query, partitioning, cluster support, row-level locking, high availability Support for all types of data, extensibility, objects Πακέτα & Κάθετες Εφαρµογές - Business Intelligence Middleware (messaging, queues, event Java, CORBA Web interface XML ) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 23
ΕΞΕΛΙΞΗ Επιχειρησιακών Πληροφοριακών Συστηµάτων 1970s 1980s 1990s 2000 και µετά MRP ιαχείριση Αποθηκών Μείωση της Αρχικής Επένδυσης Προγράµµατα MRP ΙΙ Αποδοτικότητα στην ιαδικασία και Παραγωγή Ολοκλήρωση Προγραµµάτων ΕRP Βελτιστοποίηση των πηγών / διαθεσίµων Business Intelligence (DW) INTERNET ΣΥΓΚΛΙΣΗ ΕRP E-Commerce Customer- Relationship Management Business Intelligence (DW) Ολοκλήρωση 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 24
Συµπερασµατικά: Αποθήκες εδοµένων και ERP Enterprise Resource Planning (ERP) Χρησιµοποιούνται ευρύτατα από επιχειρήσεις Ύστερα από µια σειρά αποτυχιών (σε client-server µοντέλο), τώρα θεωρείται ώριµη και επιτυχής τεχνολογία Ποια είναι η επίπτωση στις Αποθήκες εδοµένων? Οι Αποθήκες εδοµένων ΣΥΝ ΕΟΝΤΑΙ / ΟΛΟΚΛΗΡΩΝΟΝΤΑΙ µε τα ERP συστήµατα αντλώντας δεδοµένα από το ERP, π.χ., Η SAP έχει Αποθήκη εδοµένων (µε BI εργαλεία) που κάνει OLAP σε R3 δεδοµένα (Business Warehouse) Οι κλασσικοί προµηθευτές του BI έρχονται 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 25
Συµπερασµατικά: Αποθήκες εδοµένων και CRM Customer Relationship Management (CRM) Χρησιµοποιούνται συχνότατα από επιχειρήσεις Τουλάχιστον στις πιο απλές µορφές (SFA, Call Centers) τώρα θεωρείται ώριµη και επιτυχής τεχνολογία Ποια είναι η επίπτωση στις Αποθήκες εδοµένων? Οι Αποθήκες εδοµένων ΣΥΝ ΕΟΝΤΑΙ / ΟΛΟΚΛΗΡΩΝΟΝΤΑΙ µε τα CRM συστήµατα µε µεταφορά δεδοµένων από / προς τα CRM Υπάρχει ήδη σύνδεση των CRM µε τα ERP συστήµατα, κατ επέκταση και µε Αποθήκες εδοµένων ηµιουργούνται ειδικά data marts (CRM analytics) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 26
Συµπερασµατικά: Αποθήκες εδοµένων και INTERNET Το INTERNET εξελίχθηκε ως πολύ επιτυχής µηχανή για e-commerce / e-business Χρησιµοποιείται ευρύτατα από επιχειρήσεις (B2B, κλπ.) Θεωρείται ιδιαίτερα ώριµη και επιτυχής τεχνολογία Ποια είναι η επίπτωση στις Αποθήκες εδοµένων? Οι Αποθήκες εδοµένων ΣΥΝ ΕΟΝΤΑΙ µε το INTERNET και καθίστανται προσβάσιµες από εκατοµµύρια χρήστες Οι εταιρείες που εργάζονται στο Internet, είτε πουλώντας προϊόντα γενικά στο κοινό (B2C) είτε δηµιουργώντας αγορές µεταξύ τους (B2B) ΠΡΟΣΠΑΘΟΥΝ να προσφέρουν λειτουργικά αποτελέσµατα σε χρόνο INTERNET 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 27
INTERNET Εφαρµογές Προκλήσεις για Αποθήκες εδοµένων ιαχείριση Πληροφορίας Tabular Generic Τύπος Παράδοση Ετερογενείς Προσωπική Αποθήκες εδοµένων Αναλυτές Gigabytes Χρήστες Μέγεθος Κάθε Υπάλληλος Terabytes Read/write Πρόσβαση Πολύ read-only Batch Χρήση Άµεσα Άµεσα Περιεχόµενο Αναζήτηση Σπουδαιότητα Χρήσιµα Business- Critical 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 28
ιαθεσιµότητα Προκλήσεις από το INTERNET για τις Αποθήκες εδοµένων Κοντά στο 100% διαθεσιµότητα Απαιτείται ευκολία στη ιαχείριση (οι ίδιοι χρήστες του web!) Replication, hot standby, foolproof system? Επεκτασιµότητα Ο αριθµός των χρηστών είναι πλέον πολύ µεγάλος Μεγέθη -Performance Από µέσο όρο 400 Gigabytes to 2000 σε 1,2 Terabytes τo 2002 στο DW των επιχειρήσεων από e-business, CRM, (Gartner) > 120 Terabytes δεδοµένα πελατών προς διαχείριση το 2004 Ασφάλεια ιαχείριση εκατοµµυρίων χρηστών (χρήστες από παντού!) Κωδικοποίηση Προσδοκίες των χρηστών του Internet Ταχύτητα έναντι Ορθότητας (π.χ., οι Search engines έναντι blade /cartridge / extender) ιαθεσιµότητα έναντι Ορθότητας 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 29
Αρχιτεκτονική Μέλλοντος (?) Browser XML enabled ΒΙ tools: authoring tools etc. Browser Client Tier XML / HTTP XML /HTTP WEB/APP Server Logical Middle Tier XML enabled Application Messages XML enabled ORDBMS XML Data / Info Warehouse XML XML documents on the Web Other documents on the Web e.g. HTML, WORD OLAP /BI Server XML XML Transformer & Gateway Data Sources OLE/DB Data source 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 30
Αρχιτεκτονική Commerce Server 2000 Πηγή: Πηγή: MICROSOFT User Mgr Catalog Mgr Data Analysis Campaign Mgr Order Mgr Content Mgr Blank Retail SupplierActiveDirectory Business/Partner Desk ASP Solution Sites User Profiling Profile System Content Content Selection Framework Real-time Recom d Runtime Services/Components Targeting Mail Catalog Transactions Analysis Ads/Promos Expression Evaluator Direct Mail Service Catalog Schemas / Meta-Schemas Pipeline Order orcomponents Requisition Pipeline Import Tasks DW Service Reporting Mgr Profile Definitions Expression Definitions Site Term Definitions Content, Ads, and Promotions Catalog Order Form Requisition Data Warehouse 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 31
Commerce Server 2000 Features Business Analytics System Features Πηγή: Πηγή: MICROSOFT Business Data Warehouse Business Analysis Business Data Mining Predictor Prediction Model Browser Segment Viewer 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 32
Επισκόπηση Οµιλίας Λίγα Λόγια για Αποθήκες εδοµένων (DW) Πως δηµιουργήθηκαν τα DW Αρχιτεκτονικά και Λειτουργικά Στοιχεία των DW Εφαρµογή και Πρακτική Χρήση Προοπτικές Εξελίξεις των Αποθηκών εδοµένων Τεχνολογικές Αλλαγές Απαιτήσεις Εφαρµογών Συµπεράσµατα Έρευνα σε Αποθήκες εδοµένων 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 33
Έρευνα σε Αποθήκες εδοµένων ΤΡΕΧΟΝΤΑ ΘΕΜΑΤΑ ΕΝ ΙΑΦΕΡΟΝΤΟΣ Αρχιτεκτονική OLAP servers και οµές εδοµένων Σχεδίαση Αποθηκών εδοµένων OLAP Εφαρµογές Επεκτασιµότητα Αποθηκών εδοµένων Performance (Internet παρουσία) Πολυδιάστατες οµές εδοµένων για άµεση πρόσβαση Εργαλεία µεταφοράς δεδοµένων από τις πηγές (ETL) Άλγεβρα OLAP εφαρµογών 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 34
Έρευνα σε Αποθήκες εδοµένων (όταν είσαι εκτός των µεγάλων εταιρειών) Quality Issues End User Information Directory User Schema Derived Data Aggregation & Customization Meta Schema Data Warehouse Schema DW Designer Business & Technical Metadata Reconciled Data Extraction & Integration Source administrator OLTP system Source Schema Operational Data 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 35
Έρευνα σε Αποθήκες εδοµένων Παράδειγµα: Το έργο DWQ Συνεισφορά στη συστηµατική κατανόηση και χρήση της αλληλεπίδρασης µεταξύ ΠΑΡΑΓΟΝΤΩΝ ΠΟΙΟΤΗΤΑΣ και ΣΧΕ ΙΑΣΗΣ / ΕΞΕΛΙΞΗΣ σε Αποθήκες εδοµένων (ΣΤΟΧΟΣ) Ανάπτυξη τυπικού πλαισίου ορισµού, µοντέλων µεταπληροφορίας, µεθοδολογικών λύσεων (DW Foundations), Προτυποποίηση και Αξιολόγηση αυτών (ΑΠΟΤΕΛΕΣΜΑΤΑ) Πλούσιες υπηρεσίες διαχείρισης µεταπληροφορίας (µεταµοντέλα για αρχιτεκτονική, ποιότητα, διαδικασίες και εξέλιξη) µε ενσωµατωµένες τεχνικές ανάλυσης και βελτιστοποίησης (ΜΕΘΟ ΟΛΟΓΙΑ - ΚΛΕΙ Ι) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 36
Απόψεις Αποθηκών εδοµένων 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 37
Η προσέγγιση του DWQ Αρχιτεκτονική, Ποιότητα, ιαδικασίες Meta Model Level Client 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 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 38
Τα εργαλεία του DWQ Metadata Repository C1 C2 Cm User queries 4. Translate aggregates into OLAP operations 3. Conceptual Client Modeling 1. Conceptual Enterprise Model Conj. Queries Conj. Queries Materialized Views R3 R2 R1 Enterprise Model Conj. Queries Rewriting of Aggregate Queries 5. Design Optimization 6. Data Reconciliation 2. Conceptual Source Models R3 R2 R1 S1 R2 R3 R1 R1 R2 R3 R1 S2 S3 Sn R2 R3 Refreshment 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ OLTP updates ιαφάνεια 39
ΣΥΝΟΨΗ Οι Αποθήκες εδοµένων είναι παρούσες και θα παραµείνουν! (σε κάποια εξελιγµένη µορφή) γιατί υπάρχει τεκµηριωµένη ανάγκη Οι σηµερινές Αποθήκες εδοµένων διαφέρουν σηµαντικά από τις πρώτες εκδόσεις, συµµετέχοντας ενεργά-ουσιαστικά στη σύγκλιση των τεχνολογιών αιχµής (Internet (e-business), ERP, CRM και DW) Ναι! Υπάρχουν προκλήσεις για έρευνα, ακόµη και για αυτούς που «δεν είναι µέσα στα πράγµατα» (π.χ., σε εταιρείες DW) 27 Ιουνίου 2001 Ιωάννης Βασιλείου - ΕΜΠ ιαφάνεια 40