Introduktion til typer af datavarehus

Et datavarehus er en måde at indsamle data fra forskellige kilder og styre dem for at give meningsfuld forretningsindsigt. Med disse data besluttes det, hvordan virksomheden vil vokse strategisk. Det gemmer store mængder data af virksomheden. Et datavarehus er så designet til at spørge og analysere dataene i stedet for transaktionsbehandling. Hele processen inkluderer at transformere dataoplysninger og gøre dem tilgængelige for brugerne, så de kan gøre brug af dem på en rettidig måde og give betydning for forretningen og få dem til at vokse. Følgende er de forskellige typer datalager.

Datavarehustyper

Der er tre typer datalager:

  • Enterprise Data Warehouse.
  • Operations Data Store.
  • Data Mart.

1. Enterprise Data Warehouse

En Enterprise-database er en database, der samler forskellige funktionelle områder i en organisation og bringer dem sammen på en samlet måde. Det er et centralt sted, hvor al forretningsinformation fra forskellige kilder og applikationer stilles til rådighed. Når den er gemt, kan de bruges til analyse og kan bruges af alle mennesker i hele organisationen. Dataene kan klassificeres efter emnet, og de giver adgang pr. Den nødvendige opdeling. Et Enterprise Datawarehouse har allerede trinnene til at udtrække, transformere og konformere allerede håndteret.

Målet med EDW er at give et komplet overblik over ethvert bestemt objekt i datamodellen. Dette opnås ved at identificere og krænke dataene fra forskellige systemer. Dette indlæses derefter i en konsistent og tilpasset model. Efter at al information er indsamlet af EDW, der har kapaciteten til at give adgang til et enkelt sted, hvor forskellige værktøjer kan bruges til at udføre analytiske funktioner og skabe forskellige forudsigelser. Forskningsteamene kan identificere nye tendenser eller mønstre og fokusere på dem for at hjælpe virksomheden med at vokse.

Data Marts kan bygges, hvilket gør det lettere at adskille dataene. Forhold mellem enheder kan etableres og håndhæves som en del af indlæsning af data i EDW. Derudover kan der også udskæres og skæres af koder pr. Forskellige kategorier. Det hjælper også med at reducere dyre nedetid, som kan opstå på grund af fejlbenyttede konfigurationer med adaptive og maskinlæringsmetoder. Det strukturerer data, som hjælper med at arbejde i relativt lille skala, organisere og strukturere dem. Data lagres på en logisk og konsistent måde.

2. Operational Data Store

Som et alternativ til at have en operationel beslutningsstøttesystemanvendelse anvendes et operationelt datalager. Det hjælper med at få adgang til data direkte fra databasen, som også understøtter transaktionsbehandling. De data, der er til stede i Operational Data Store, kan skrubbes, og redundansen, der er til stede, kan kontrolleres og løses ved at kontrollere de tilsvarende forretningsregler. Det hjælper også med at integrere kontrastdata fra flere kilder, så forretningsdrift, analyse og rapportering let kan udføres og hjælpe virksomheden, mens processen stadig fortsætter.

Her gemmes de fleste af de aktioner, der i øjeblikket udføres, før de flyttes til datavarehuset i en længere varighed. Det hjælper effektivt ved enkle forespørgsler og små mængder data. Det fungerer som en kortvarig eller midlertidig hukommelse, der gemmer de nyeste oplysninger. Datavarehuset lagrer dataene i relativt lang tid og gemmer også relativt permanent information.

Det hjælper med at lagre transaktionsdata fra et eller flere produktionssystemer og integrerer dem løst. Det er undertiden emneorienteret og tidsvariant. Integrationen opnås ved at gøre brug af EDW strukturer og indhold. Integration af data kan omfatte rensning, løsning af redundans, kontrol af forretningsregler for integritet. Det er normalt designet til at indeholde atomdata på lavt niveau, der gemmer begrænsede data.

3. Data Mart

Data Mart fokuserer på lagring af data til et bestemt funktionelt område, og det indeholder en undergruppe af data, der er gemt i et datavarehus. Data Marts hjælper med at forbedre brugersvar og reducerer også mængden af ​​data til dataanalyse. Det gør det lettere at gå videre med forskningen. Data Mart er en undergruppe af Datawarehouse er let at implementere. Det er omkostningseffektivt sammenlignet med et komplet datavarehus. Det er mere åbent for ændringer, og en enkelt emneekspert kan definere dens struktur og konfiguration. Dataene er opdelt, og granulariteten kan let kontrolleres. Data Mart har tre typer. Disse typer er:

  • Afhængig
  • Uafhængig
  • hybrid

Afhængig data Mart

Ved at hente data fra operationelle, eksterne eller begge kilder kan der oprettes en afhængig datamart. Det tillader sourcingorganisationens data fra et enkelt datavarehus. Alle data er centraliserede og kan hjælpe med at udvikle flere datamarkter.

Independent Data Mart

Denne datamart kræver ikke et centralt datavarehus. Dette oprettes normalt for mindre grupper, der er til stede i en organisation. Det har ikke noget forhold til Enterprise Data Warehouse eller andre datamart. Alle data er uafhængige og kan bruges separat. Analysen kan også udføres autonomt. At have en konsistent og centraliseret datalagring er meget vigtigt, så flere brugere kan bruge dem.

Hybrid Data Mart

Som navnet antyder, bruges en hybrid datamart, når input fra forskellige kilder er en del af et datalager. Det er nyttigt, når en bruger ønsker en ad hoc-integration. Hver gang en organisation har brug for flere databasemiljøer og hurtig implementering, kan denne opsætning bruges. Det kræver mindst indsats for rensning af data, og datamarten understøtter store lagringsstrukturer. Den bedste anvendelse af en datamart er, når der bruges mindre datacentriske applikationer.

Konklusion

Et datavarehus er således en meget vigtig komponent i dataindustrien. Da databasen hjælper med at lagre og behandle data, hjælper et datalager med at analysere dem. Datavarehouse hjælper således med at få forretningstendenser og mønstre, som senere kan præsenteres i form af rapporter, der giver indsigt i, hvordan man kan gå videre i processen med forretningsvækst. Datavarehus spiller således en vigtig rolle i oprettelsen af ​​en berøringsbase i dataindustrien.

Anbefalede artikler

Dette har været en guide til Typer af datavarehus. Her diskuterede vi koncepterne med forskellige typer DataWarehouse. Du kan også gennemgå vores andre foreslåede artikler for at lære mere -

  1. Hvad er dataanalytiker?
  2. Introduktion til Hvad er SQL Server?
  3. Hvad er MapReduce? | Hvordan det virker
  4. Tutorials om hvad er Cognos?

Kategori:

Big Data