Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

1

Hurtownie danych

Agnieszka Preś

[e-mail]

W obecnych czasach globalnej hiperkonkurencji, aby móc sprawnie zarządzać firmą i

utrzymać się na rynku należy mieć stały dostęp do danych – zarówno w kontekście wybranej

dziedziny działalności organizacji jak i w ujęciu ogólnym. Dostęp ten musi być zorganizowany w

taki sposób, aby dane mogły być wykorzystane w procesie decyzyjnym – pociąga to za sobą

konieczność tworzenia analiz obejmujących niejednokrotnie całość organizacji.

Rozpatrując zasoby informacyjne każdego przedsiębiorstwa można wyróżnić dwa

rodzaje danych:

1. Dane operacyjne

2. Dane historyczne

Dane operacyjne gromadzone są w systemach informatycznych wspomagających

codzienną działalność firmy. Są to wszelkiego rodzaju systemy finansowo-księgowe, systemy

magazynowe, fakturowania, czy aplikacje rejestrujące zamówienia i obsługujące sprzedaż.

Charakterystyczne dla tych systemów jest to, iż są one rozproszone i niejednorodne; często

pochodzą one od różnych producentów, przechowują te same dane w różnych formatach i w

różnych bazach danych. Modele tych systemów opierają się na złożonych schematach, same

zaś aplikacje są optymalizowane pod kątem dodawania i modyfikacji danych. Z analitycznego

punktu widzenia, systemy te nie są wystarczającym źródłem do podejmowania decyzji

ponieważ przechowują tylko dane aktualne, niezbędne do codziennej pracy. Ponieważ

głównym wymogiem dla tych systemów jest szybkość działania przy jednoczesnym dostępie

wielu użytkowników, dane z tych systemów co pewien okres czasu są archiwizowane i

przenoszone na zewnętrzne nośniki danych.

Rozwiązaniem niwelującym powyższe niedogodności jest tworzenie specjalnych

systemów informatycznych, które przechowują dane z różnych źródeł, ewidencjonują zmiany w

tych danych na przestrzeni czasu i efektywnie udostępniają je do analizy. Systemy te to

hurtownie danych.

Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

2

Definicja hurtowni danych

Hurtownia danych (magazyn danych, ang. data warehouse) jest wydzieloną

centralną bazą danych, zbierającą elementarne informacje służące do zarządzania organizacją

i pokrywające potrzeby wszystkich przewidywanych analiz. Baza ta jest przeznaczona do

wykorzystania w całej organizacji, zawiera dane historyczne o małym stopniu agregacji.

Ż

ródłem danych dla takiej hurtowni są różnorodne systemy operacyjne działające w

organizacji.

Często tworzy się mniejsze, wyspecjalizowane składnice danych (ang. data marts),

zwykle przeznaczone dla wyodrębnionych działów organizacji. Dane w różnych składnicach

danych powtarzają się, są one zwykle silnie zagregowane i zdenormalizowane. Struktura data

martów jest zoptymalizowana pod kątem lokalnie przeprowadzanych analiz. Najczęściej

składnice danych mają tylko jedno źródło danych – centralną hurtownię danych.

Hurtownię danych można zdefiniować jako bazę danych charakteryzującą się czterema

poniższymi cechami:

1. Zorientowaniem na temat.

2. Nieulotnością.

3. Zintegrowaniem.

4. Zmiennością w czasie.

Zorientowanie na temat oznacza, że zbierane dane dotyczą pewnego tematu (np. sprzedaży),

a nie działań (np. obsługiwania zamówień).

Nieulotność oznacza, że dane raz umieszczone w hurtowni zazwyczaj pozostają

niezmienione. Każdy użytkownik hurtowni danych ma pewność, że zapytanie zawsze zwróci

ten sam wynik, niezależnie od tego, jak często i kiedy jest wykonywane. Dane są ładowane do

hurtowni okresowo i pozostają w niej jako dane historyczne – nie są usuwane. Jest to

przyczyna, dla której hurtownie danych osiągają tak duże rozmiary w porównaniu z

operacyjnymi bazami danych.

Zintegrowanie oznacza, że dane są jednolite, a więc przechowywane w tym samym formacie

bez względu na formaty wejściowe z systemów źródłowych. Proces sprawdzania, integracji i

agregacji danych dokonywany jest podczas okresowego zasilania hurtowni danymi z systemów

operacyjnych przedsiębiorstwa.

Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

3

Zmienność w czasie oznacza, że gromadzone są dane zmieniające się w czasie. Ponieważ

większość zapytań kierowanych do hurtowni danych wymaga prześledzenia jakiegoś odcinka

czasu, np. badanie trendów - jest to jedna z podstawowych zalet hurtowni danych.

Analiza danych

Głównym użytkownikiem hurtowni danych jest kadra zarządzająca, menedżerowie i

analitycy. Wykorzystują oni informacje zawarte w hurtowniach danych w procesie decyzyjnym –

mając do dyspozycji wiedzę dotyczącą przeszłości mogą wnioskować o przyszłości. W tym

celu dokonują oni różnego typu analiz, z których najważniejsze to eksploracja danych i analiza

wielowymiarowa.

Eksploracja danych (drążenie danych, ang. data mining) polega na badaniu i

modelowaniu powiązań w dużych zbiorach danych. Sukces tego procesu uzależniony jest od

specjalistycznej wiedzy osób, które interpretują wyniki analiz i są w stanie przekształcić

pozornie bezużyteczne wzorce w cenną informację. Niezbędne też jest posiadanie danych

reprezentatywnych, niewypaczonych – a więc danych dobrych jakościowo. Wyeliminowanie

tzw. „szumu”, a więc błędów w danych jest o wiele ważniejsze niż zapewnienie dużej ich ilości

do analiz.

Są dwa podstawowe rodzaje eksploracji danych:

Weryfikacja hipotez. Stosuje się ją w przypadku, gdy mamy pewne

wyobrażenie lub przeczucie co do znaczącej zależności między elementami

danych

Odkrywanie wiedzy. Stosuje się tam, gdzie między elementami danych mogą

istnieć dotychczas nieznane znaczące związki, których żaden człowiek nie jest w

stanie wywnioskować

Analiza wielowymiarowa jest podstawą bezpośredniego przetwarzania analitycznego

(ang. OLAP On-Line Analytical Processing) – ponieważ dane zgromadzone w hurtowniach

mają najczęściej charakter wielowymiarowy. Struktura wielowymiarowa hurtowni danych opiera

się na dwóch podstawowych składnikach:

faktach i

wymiarach

Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

4

Fakty reprezentują elementarne komórki danych, są opisywane atrybutami liczbowymi,

tzw. miarami. Przykładem faktu jest sprzedaż, której miarami są np. ilość sprzedanego towaru i

jego wartość.

Wymiary natomiast są wartościami, które mogą tworzyć hierarchie. Typowe wymiary to

np. czas, klient, produkt. Centralny punkt struktur wielowymiarowych stanowią fakty, powiązane

związkami z wymiarami. Struktura danych może przybierać formę gwiazdy (ang. starnet) gdy

wymiary tworzą proste hierarchie, lub płatka śniegu (ang. snowflake) – gdy hierarchie mają

postać drzew. Poniższy rysunek obrazuje przykładowy schemat analizy zamowień składanych

przez klientów w odniesieniu do czterech wymiarów: produktu, klienta, czasu i akcji

promocyjnej.

Rys.1. Wielowymiarowy model dla obszaru tematycznego zamówień

– schemat gwiazdy.

Są trzy główne rodzaje bezpośredniego przetwarzania analitycznego:

1. MOLAP: Wielowymiarowe OLAP – zbiór danych przyjmuje postać wielowymiarowej

bazy danych opiarającej się na zasadach arkusza kalkulacyjnego. W większości tego

typu produktów należy już na początku mieć możliwość podania systemowi

przewidywalnej wielkości wymiarów. Można wprowadzić do systemu np. ilość klientów

czy ilość produktów które będą musiały być trzymane w systemie, bądź podać zakres

identyfikatorów – system sam obliczy rozmiar wymiaru. Znając ten rozmiar system

Zamówienia

Produkt

Promocja

Klient

Czas

Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

5

poprzez przemnożenie wszystkich liczb poda liczbę komórek arkusza, dla których musi

zrobić miejsce w swojej macierzy. W efekcie położenie poszczególnych komórek może

być obliczone z wartości identyfikatorów wymiarowych. Dzięki temu systemy te są

naprawdę szybkie jeśli chodzi o dostępność do danych i nie wykonywane są tu żadne

złączenia. Wiąże się z tym jednak problem tzw. rzadkości, która jest miarą

nieużywanych komórek w wielowymiarowej bazie danych. Często rzadkość może

przekraczać nawet 90 procent. W produktach OLAP występuje pojęcie tzw.

wielowymiarowej kostki. Kostki budowane są z wymiarów, podczas gdy miary z tabeli

faktów stają się kalkulowanymi punktami kostek. O kostce jest mowa bez względu na

ilość zawartych w niej wymiarów. Przy użyciu tej samej tabeli informacyjnej dla

identycznych wymiarów tworzących różne kostki, te same dane są kopiowane do

wielowymiarowej bazy danych dla wszystkich kostek używających tej tabeli. Jest to nie

tylko marnowanie przestrzeni, ale również czasu na transfer, który dla dużych baz

danych może trwać godzinami. Rozwiązaniem jest stosowanie tzw. kostek

wirtualnych, które umożliwiają użycie jednej kopii tabeli informacyjnej dla wszystkich

kostek korzystających z tej tabeli. Schemat bezpośredniego przetwarzania anlitycznego

wg metody MOLAP pokazany jest na Rys. 2.

Rys. 2. Schemat bezpośredniego przetwarzania analitycznego wg metody MOLAP.

Hurtownia danych

SQL Server,

Oracle, inne

Ś

rodowisko OLAP

Kostki

MOLAP

Dane MOLAP

Agregacje MOLAP

Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

6

2. ROLAP: Relacyjne OLAP. Rozwiązanie to polega na umieszczeniu modelu danych w

relacyjnej bazie danych, bez stosowania specjalnych struktur wielowymiarowych. Przy

ROLAP usługi OLAP używają tabel do tworzenia schematu oraz do budowy kostek i

agregacji. W zależności od producenta w modelu danych może być użyty pełny

schemat płatka śniegu, w innych istnieją ograniczenia tylko do schematu gwiazdy. W

tym podejściu nie występują zazwyczaj opisane powyżej problemy ze skalowalnością i

rzadkością. Większość produktów dostępnych na rynku charakteryzuje się dobrymi

metodami zarządzania przestrzenią, co jest ogromnym plusem w porównaniu z

architekturą MOLAP. Poza tym językiem zapytań jest SQL, wykorzystywany przez

narzędzia do tworzenia zapytań zintegrowane z produktami ROLAP. Niestety dużą

wadą schematu relacyjnego OLAP jest konieczność dokonywania złączeń podczas

wyszukiwania danych, a wydajność takiego rozwiązania jest o wiele gorsza niż

wydajność wynikająca z rozwiązań stosowanych w MOLAP. Rozwiązanie

wykorzystujące ROLAP ilustruje Rys. 3.

Rys. 3. Schemat bezpośredniego przetwarzania analitycznego wg metody ROLAP.

3. HOLAP: Hybrydowe OLAP. Jest to rozwiązanie kompromisowe. Do architektury

MOLAP odwołania następują przy korzystaniu z tej części danych, które umieszczane

są w agregacjach, natomiast w przypadku danych szczegółowych system korzysta z

relacyjnej bazy danych. Zatem możliwe jest zarówno poprawienie wydajności,

Hurtownia danych

SQL Server,

Oracle, inne

Ś

rodowisko OLAP

Dane ROLAP

Agregacje ROLAP

Relacyjna baza

danych

Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

7

aczkolwiek jedynie na poziomie agregacji, jak i rozwiązanie kwestii skalowalności,

ponieważ wszystkie szczegóły są trzymane w typowych tabelach relacyjnych. Model ten

przedstawiony jest na rysunku 4.

Rys. 4. Schemat bezpośredniego przetwarzania analitycznego wg metody HOLAP.

Podsumowanie

Mimo pozornej prostoty modeli wymiarowych dla hurtowni danych oraz stosowaniu

metod projektowania przy użyciu języka i sposobów bardziej zrozumiałych dla ludzi biznesu,

przedsięwzięcie budowy hurtowni danych jest procesem bardzo złożonym i obarczonym dużym

ryzykiem. Głównym tego powodem jest fakt, iż hurtownie danych obejmują zwykle całą

działalność firmy. Przystępując do prac nad tworzeniem hurtownii danych należy przestrzegać

kilku podstawowych wskazówek, które pozwolą zminimalizowac to ryzyko:

Właściwe zaplanowanie współpracy na poziomie kierownictwa, menedżerów i

analityków – jest to bowiem docelowa grupa użytkowników hurtowni danych i jako

jedyna jest w stanie prawidłowo sformułować wymagania dla hurtowni danych

Jasno określony biznesowy cel, uzasadniający tworzenie nowego systemu. Budowanie

hurtowni danych nie powinno być przedsięwzięciem technologicznym polegającym tylko

Hurtownia danych

SQL Server,

Oracle, inne

Ś

rodowisko OLAP

Dane ROLAP

Agregacje MOLAP

Copyright @ 2005 Alter Systems, ul. Dygasińskiego 21, 01-063 Warszawa,

www.altersystems.pl

, [e-mail]

8

na gromadzeniu dużej ilości danych w jednej centralnej bazie danych. Odbiorcy

systemu muszą być świadomi informacji jakie uzyskają dzięki hurtowni danych i

płynących z tego potencjalnych korzyści gospodarczych

Dostępność żródeł danych – sytuacją idealną jest istnienie w organizacji jednego,

zintegrowanego żródła danych operacyjnych. Zwykle jednak mamy do czynienia z

funkcjonowanem wielu rozproszonych i niejednorodnych systemów, co znacznie

zwiększa ryzyko całego przedsięwzięcia. W takej sytuacji, przed przystąpieniem do

tworzenia projektu hurtowni danych należałoby stworzyć mechanizmy automatyzujące i

integrujące systemy operacyjne wykorzystywane w codziennej pracy

Jakość danych źródłowych – jeśli dane pochodzące z systemów źródłowych są

„zaśmiecone”, a więc są danymi błędnymi bądź nieaktualnymi nie należy oczekiwać, iż

budowana na ich bazie hurtownia danych będzie dostarczać wiarygodne wynki analiz.

Jakość informacji uzyskiwanych z hurtowni danych w wyniku analiz jest ściśle

powiązana z jakością danych źródłowych