Kdd fase1

Descubrimiento de Conocimiento en Base de Datos (KDD)

Fase de Integración y Recopilación• Introducción

• Almacén de Datos (Data Warehouse).

• Almacén de Datos (DW) Ventajas.

• Almacén de Datos (DW) Desventajas.

• Procesamiento de Transacciones en Línea (OLPT) versus Almacén de Datos (DW).

• DataMart.

• DataMart (Tipos).

• DataMart versus Almacén de Datos (DW).

• Almacén de Datos (DW) Objetivos.

• Almacén de Datos (DW) Arquitectura.

• Almacén de Datos (DW) Procesos.

• Almacén de Datos (DW) Diseño.

• Almacén de Datos (DW) Diseño Pasos.

• Almacén de Datos (DW) Diseño Modelo de Datos.

• Almacén de Datos (DW) Diseño Modelo Multidimensional.

• MOLAP – OLAP Multidimensional.

• ROLAP – OLAP Relacional.

• HOLAP – OLAP Hibrido.

Elaborado por: Jean Sánchez

IntroducciónLos Almacenes de Datos (DataWarehouse) es la clave quepermitirá a los usuarios del sistema efectuar sobre los datos:

1) Cualquier pregunta (las preguntas que pueden hacer losusuarios).

2) Cualquier momento (el acceso de los usuarios a los datos).

3) Cualquier dato (la cantidad de datos y detalles que el usuariopuede tener sobre estos).

IntroducciónHoy en día toda empresa necesita depositar mucha confianza enla toma de decisiones sobre los negocios, para tomar dichasdecisiones se requiere hechos y cifras, sabemos que lacompetencia crece en todo momento entonces las decisionesque debemos tomar en nuestra empresa deben ser masaceleradas; pero que pasa si tenemos una montaña deinformación la cual debe ser analizada, lógicamente pensamosque necesitaríamos mucho tiempo.

Los Almacenes de Datos son un proceso, no un producto.

El DW es un conjunto de procesos y acciones, es una colecciónde datos orientados a un tema, integrados y no volátiles en elsoporte al proceso de toma de decisiones de la gerencia.

Almacenes de Datos (DW)

disponer de Sistemas de Información de apoyo a la toma de

decisiones (DSS)

disponer de bases de datos que permitan extraer conocimiento de lainformación histórica almacenada en la organización

motivación

análisis de laorganización

previsiones deevolución

diseño deestrategias

objetivos

Introducción

¿Cómo trabaja el Almacén de Datos?• Extrae la información operacional.

• Transforma la operación a formatos consistentes.

• Automatiza las tareas de la información para prepararla a un análisiseficiente.

¿En que puede ser usado?• Manejo de relaciones de marketing.

• Análisis de rentabilidad.

• Reducción de costos.

¿Por qué usarlo?• Obtiene respuestas en tiempos razonables.

• Analiza desde una perspectiva en el tiempo con la información históricaque se brinde.

• Nos permite tener fuentes externas para ayudar a nuestra información.

• La información proveniente de fuentes operacionales es transformada ylimpiada para lograr consistencia.

Introducción

Objetivo: Analizar y extraer información útil de los datos

Los almacenes de datos no son estrictamente necesarios para realizar minería de datos pero sí son muy útiles si se trabaja con grandes volúmenes de datos, que varían en el tiempo y donde se desea realizar tareas de minería de datos variadas, abiertas y cambiantes.

Necesidad: disponer de los datos.

Archivo simpleProceso de recopilación.- Diversidad de fuentes.- Tamaño de las fuentes

Qué fuentes.- Internas.- Externas

Cómo se van a organizar

Cómo se van a mantener en el

tiempo

Cómo se va a poder extraer.- Total / parcialmente.- Agregados / en detalle

Introducción

Consultas pre-definidasPreguntas ad hocModelamiento predictivo

ETAPA 1

de Informes

QUÉ pasó?

ETAPA 2

de Análisis

POR QUÉ pasó?

ETAPA 3

de Predicción

QUÉ PUEDE pasar si..?

¿Cómo se usan los Almacenes de Datos? y¿cuáles son sus requerimientos?

Introducción

Almacén de Datos (DW)• Inmon[MicroSt96] (considerado el padre de las B.D.) en

1992: “Un DW es una colección de datos orientados atemas, integrados, no-volátiles y variante en el tiempo,organizados para soportar necesidades empresariales”.

• En 1993, Susan Osterfeldt[MicroSt96] publica unadefinición que sin duda acierta en la clave del DW: "Yoconsidero al DW como algo que provee dos beneficiosempresariales reales: integración y Acceso de datos. DWelimina una gran cantidad de datos inútiles y no deseados,como también el procesamiento desde el ambienteoperacional clásico".

Un Almacén de Datos o DataWarehouse es esencialmenteuna replica de la información existente estructurada de talforma que permita acceder y representar grandes volúmenesde datos de la organización, sean estos estratégicos, tácticosy operativos, posibilitando la explotación de su contenido,proporcionando información vital para la toma dedecisiones.

Un DataWarehouse es:

– Orientada a un objetivo (subject-oriented),

– integrada,

– Variable en el tiempo,

– No volátil.

Almacén de Datos (DW)

DW: Orientado hacia a unobjetivos, la informaciónrelevante de la organización

Se diseña para consultar eficientemente

información relativa a las actividades

(ventas, compras, producción, ...) básicas de

la organización, no para soportar los

procesos que se realizan en ella (gestión de

pedidos, facturación, entre otros).

Información Necesaria

PRODUCTO

...

GAMA

...

VENTA

...

PAÍS

...

Base de Datos Transaccional

CURSO

...

REUNION

...

PROTOTIPO...


Base de Datos Transaccional 1

Fuente de Datos 1

Fuentes Externas

Fuentes Internas

Fuente de Datos 2

Fuente de Datos 3

HTML

Almacén de Datos

texto

Base de Datos Transaccional 2

DW: IntegradoIntegra todos los datos recogidos de los

diferentes sistemas operacionales de la

organización, además de fuentes externas.


Los datos son almacenados como fotos (snapshots) correspondientes a períodos de tiempo.

DatosTiempo

01/2007

02/2007

03/2007

Datos de Enero

Datos de Febrero

Datos de Marzo

DW: Variable en el tiempoLos datos son relativos a un período detiempo y deben ser incrementadosperiódicamente.


READ

Carga

INSERT READ

UPDATE

DELETE

Bases de datos operacionales Almacén de Datos

DW: No volátilLos datos almacenados no son actualizados,sólo son incrementados.

El período de tiempo cubierto por un DW varía entre 2 a 15 años.


¿QUÉ ES? ¿QUÉ NO ES?

Un sistema que permite un rápido y fácilacceso a la información vital para la empresas.

Un almacén de todos los datos operacionales dela empres.

Un sistema de información que proporcionaacceso a datos históricos y detallados.

Una puerta a los sistemas operacionales.

Un sistema donde la información es recogidade múltiples fuentes.

Un sistema que permite el acceso a todos losdatos y sistemas de la empresa.

Un sistema de análisis diseñado para diferentestipos de usuarios.

Un sistema transaccional.


Almacén de Datos

ventajas para las organizaciones

rentabilidad de las inversiones

realizadas para su creación

aumento de la competitividad en el mercado

aumento de la productividad de

los técnicos de dirección

Almacén de Datos (DW) Ventajas

Almacén de Datos

desventajas

Sub-valoración de los recursos

necesarios para la captura, carga y

almacenamiento de los datos

incremento continuo de los

requisitos de los usuarios

privacidad de los datos

Sub-valoración del esfuerzo necesario

para su diseño y creación

Almacén de Datos (DW) Desventajas

Procesamiento de Transacciones en Línea (OLPT) versus Almacén de Datos (DW)

OLPT DW

Almacena datos actuales. Almacena datos históricos.

Almacena datos de detalle. Almacena datos de detalle y datos agregados adistintos niveles.

Los datos son dinámicos (actualizables). Los datos son estáticos.

Soporta decisiones diarias. Soporta decisiones estratégicas.

Base de datos medianas (100 Mb – 100 Gb). Base de datos grandes (100 Gb – 100 Tb).

Una herramienta puede informar al vendedorsobre el número total de libros vendidos para unaregión determinada en un trimestre determinado.

Una herramienta puede informar de los factoresque influyen en la venta de los libros.

Las transacciones son repetitivos. Las transacciones no son previsibles.

El número de transacciones es elevado. El número de transacciones es bajo o medio.

El tiempo de respuesta pequeño (segundos). El tiempo de respuesta variable (segundos-horas)

Dedicado al procesamiento de transacciones. Dedicado al análisis de datos.

Orientado a los procesos de la organización. Orientado a la información relevante.

Sirve a muchos usuarios. Sirve a técnicos de la dirección.

DataMartEs el almacén de datos relacional que contiene las tablas a partir de las cualesse construye el cubo dimensional.

Además, es un repositorio parcial de datos de la empresa, donde sealmacenan datos tácticos y operativos, con el objeto de obtener informacióntáctica.

Por otra parte, es un conjunto de hechos y datos organizados para soportedecisional basados en la necesidad de un área o departamento específico. Losdatos son orientados a satisfacer las necesidades particulares de undepartamento dado teniendo sólo sentido para el personal de esedepartamento y sus datos no tienen porque tener las mismas fuentes que losde otro DataMart.

Con su implementación se consigue:

• Programas y procedimientos para extraer, transformar y cargar datos.

• Instalar herramientas de acceso a los datos.

• Poblar el DW con los datos necesarios.

• Poblar el catálogo de metadatos con los datos necesarios.

• Técnicas de uso y soporte el almacén

DataMart (Tipos)1.- Data Marts Finanzas.

2.- Data Marts Comercial.

3.- Data Marts Logística.

4.- Data Marts Recursos Humanos.

DataMart versus Almacén de Datos (DW)

DataMart DW

Se usa en un proceso, departamento oárea especifica.

Se usa en toda la empresa.

Requiere de 3 a 6 meses para sudesarrollo.

Requiere de 1 a 3 años para sudesarrollo.

Base de datos medianas (100 Mb –100 Gb).

Base de datos grandes (100 Gb – 100Tb).

Posibilitar a Ejecutivos de la empresa, de nivel superior y medio,y analistas, generar, a partir de la información disponible, elconocimiento necesario para orientar, readecuar o fortalecermejores y más rápidas decisiones ejecutivas, a través de sistemascomo:

Sistema de información ejecutiva (EIS), herramientas queposibilitan la entrega de información estratégica a los ejecutivosa través de: reportes varios, reportes comparativos y cuadros demando multi-dimensionales.

Sistema de asistencia a las decisiones (DSS), herramientas queproporcionan asistencia para la toma de decisiones. Adicionaciertas reglas de decisión y análisis de datos no predefinidos enlas capacidades de un EIS .

Almacén de Datos (DW) Objetivos

Los principales resultados del desarrollo de laarquitectura DW incluyen:

• El modelo de datos fuente.

• El modelo de datos conceptual DW.

• Arquitectura tecnológica DW.

• Estándares y procedimientos DW.

• El plan de implementación incremental para el DW.

Almacén de Datos (DW) Arquitectura

Organización (Externa) de Los Datos…

Las herramientas de explotación de los almacenes de datos han

adoptado un modelo multidimensional de datos.

Se ofrece al usuario una visión multidimensional de los datos que son

objeto de análisis.


importe

unidades

Almacén

Ciudad

Región

Tipo

Departamento

Nro_producto

Categoría

Marca

Tipo

Descripción

Día

Mes

Semana

Año

Trimestre


importe

unidades

Departamento

Nro_producto

Categoría

Marca

Tipo

Día

Mes

Semana

Almacén

Ciudad

Región

Tipo

Año

Descripción

Actividad que es objeto de

análisis con los indicadores

que interesa analizar

Dimensiones (puntos de

vista) desde los que se

puede analizar la actividad.

Trimestre


Los procesos que conforma el DataWarehouse son:

• Sistema ETL (Extraction, Transformation, Load): realiza las funcionesde extracción de las fuentes de datos (transaccionales o externas),transformación (limpieza, consolidación, ...) y la carga del DW,realizando:

– Extracción de los datos.

– Filtrado de los datos: limpieza, consolidación, etc.

– Carga inicial del almacén: ordenación, agregaciones, etc.

– Refresco del almacén: operación periódica que propaga loscambios de las fuentes externas al almacén de datos.

• Repositorio Propio de Datos:

– Información relevante: corresponde a la mirada temporal de losdatos (mezcla de “fotos” de los datos) y las agregacionescorrespondientes)

– Metadatos (datos con respecto a los datos), que son almacenadospara indicar el significado y uso de los datos propiamente tal.

Almacén de Datos (DW) Procesos

• Interfaz: permiten acceder a los datos y sobre ellos se conectan otrotipo de herramientas más sofisticadas

• Herramientas de Consulta: corresponde a software especializado en elanálisis y consulta de grandes volúmenes de datos (OLAP, EIS, Mineríade Datos).

• Sistemas de Integridad: se encargan de un mantenimiento global(actualizaciones y calidad de información)

• Seguridad: encargado de realizar las copias de seguridad,recuperación, entre otros.

Almacén de Datos (DW) Procesos

El desarrollo de la tecnología de Almacenes de Datos se caracteriza por:

1) Temprano desarrollo industrial provocado por las demandas de losusuarios.

2) Uso de metodologías de diseño, donde la atención se ha centrado enmejorar la eficiencia en la ejecución de consultas.

Se diseñan los Almacenes de Datos sabiendo que:1) Modelo de datos utilizado que de cuenta de la necesidad de

almacenamiento de información histórica y orientada a análisis.2) Búsqueda de eficiencia en el almacenamiento y extracción de

información, así como de herramientas de análisis.3) Compromiso entre el nivel de detalle requerido y la utilidad y costo

de ellos .

Almacén de Datos (DW) Diseño

Diseño físico

Diseño lógico específico

Implementación

Diseño conceptual

Recogida y análisis derequisitos


Diseño físico

Diseño lógico

Implementación

Diseño conceptual


Análisis

Discernimiento de fuentes necesarias del sistema de información de la organización (OLTP) y las externas

Requisitos de usuario (consultas de análisis necesarias, nivel de agregación, …)

Diseño Conceptual


Diseño Lógico

Modelado multidimensional (MR)

Esquemas

estrella


Diseño físico

Diseño lógico

Implementación

Diseño conceptual


Definición del esquema ROLAP o MOLAP

Diseño Físico

Diseño del ETL


Diseño físico

Diseño lógico

Implementación

Diseño conceptual


Implementación

Carga del AD (ETL)

Preparación de las vistas de usuario

(herramienta OLAP)


Diseño físico

Diseño lógico

Implementación

Diseño conceptual


Paso 1. Elegir un “proceso” de la organización para modelar.

Paso 2. Decidir el gránulo (nivel de detalle) de representación delproceso.

Paso 3. Identificar las dimensiones que caracterizan el proceso.

Paso 4. Decidir la información a almacenar sobre el proceso.

Almacén de Datos (DW) DiseñoPasos

Paso 1. Elegir un “proceso” de la organización para modelar.

Proceso: actividad de la organización soportada porun OLTP del cual se puede extraer información con elpropósito de construir el almacén de datos.

Pedidos (de clientes).

Compras (a suministradores).

Facturación.

Envíos.

Ventas.

Inventario.


Paso 2. Decidir el gránulo (nivel de detalle) de representación.

Gránulo: es el nivel de detalle al que se desea almacenarinformación sobre la actividad a modelar.

El gránulo define el nivel atómico de datos en el almacén dedatos.

El gránulo determina el significado de las tuplas de la tabla de hechos.

El gránulo determina las dimensiones básicas del esquema

• transacción en el OLTP.

• información diaria.

• información semanal.

• información mensual.


Paso 3. Identificar las dimensiones que caracterizan el proceso.

Dimensiones: dimensiones que caracterizan la actividad al nivel de detalle (gránulo) que se ha elegido.

Tiempo (dimensión temporal: ¿cuándo se produce la actividad?)

Producto (dimensión ¿cuál es el objeto de la actividad?)

Almacén (dimensión geográfica: ¿dónde se produce la actividad?)

Cliente (dimensión ¿quién es el destinatario de la actividad?)

De cada dimensión se debe decidir los atributos (propiedades) relevantes para el análisis de la actividad.

Entre los atributos de una dimensión existen jerarquías naturales que deben ser identificadas (día-mes-año)


Paso 4. Decidir la información a almacenar sobre el

proceso.

Hechos: información (sobre la actividad) que se

desea almacenar en cada tupla de la tabla de

hechos y que será el objeto del análisis.

Precio

Unidades

Importe

Nota: algunos datos que en el OLTP coincidirían con valores de atributos de

dimensiones, en el almacén de datos pueden representar hechos. (Ejemplo: el

precio de venta de un producto).


El Modelo de Datos para representar historia y diseño delAlmacén de Datos esta basado en el compromiso de:

a) Repetir una foto temporal de los datos, así como aquelloselementos descriptivos (dimensiones).

b) Orientación hacia el análisis y descubrimiento, así comoidentificar aquellos valores a ser requeridos (hechos).

Tiempo

Almacén de Datos (DW) DiseñoModelo de Datos

• Modelo Multidimensional representa la actividad que es analizada(hecho) y las dimensiones que caracterizan la actividad(dimensiones).

• La información del hecho (actividad) se representan porindicadores (medidas o atributos de hecho).

• La información de cada dimensión se representan por atributos (dedimensión).

Los tipos del Modelo Multidimensional son:

• Esquema de Estrella (Star schema): Un hecho está en medio delconjunto de dimensiones

• Esquema de Copo de Nieve (Snowflake schema): Un refinamientodel anterior, donde alguna jerarquía dimensional es normalizada enun conjunto de pequeñas dimensiones.

• Constelación de Hechos: Tablas de múltiples hechos, vistas comouna colección de estrellas.

Almacén de Datos (DW) DiseñoModelo Multidimensional

Este esquema multidimensional recibe varios nombres:

– Estrella: si la jerarquía de dimensiones es lineal

– Estrella jerárquica o copo de nieve: si la jerarquía no eslineal.

PERSONAL

tiempoproyecto

equipo

VENTAS

tiempo

producto

lugar

Almacén de Datos (DW) DiseñoModelo Multidimensional (Esquema)

Contiene

Durante

Realizada

Producto

ID_Producto

NombreProducto

<pi> I

VA20

<M>

ID_Producto <pi>

Local

ID_Local

Dirección

<pi> I

VA30

<M>

ID_Local <pi>

Ventas

Cantidad

Valor

I

I

Día

Numero

Mes

Año

<pi> I

VA20

I

<M>

<M>

<M>

Numero <pi>

Producto

Local

Día

(Cantidad, Valor)

Almacén de Datos (DW) DiseñoModelo Multidimensional en Estrella Lineal

• En este caso existendimensiones quetienen la posibilidadde extender sudescripción víajerarquía.

• El caso de ladimensión tiempo seextiende en dosjerarquías.

Corresponde

Compone

Posee

Agrupa Pertenece

Contiene

Durante

Realizada

Producto

ID_Producto

NombreProducto

<pi> I

VA20

<M>

ID_Producto <pi>

Local

ID_Local

Dirección

<pi> I

VA30

<M>

ID_Local <pi>

Ventas

Cantidad

Valor

I

I

Día

Numero

NombreDia

<pi> I

VA20

<M>

<M>

Numero <pi>

Comuna

ID_Comuna

NombreComuna

<pi> I

VA30

<M>

ID_Comuna <pi>

Categoria

ID_Categoria

NombreCategoria

<pi> I

VA40

<M>

ID_Categoria <pi>

Mes

ID_Mes

Nombre

<pi> I

VA30

<M>

ID_Mes <pi>

Año

NumeroAño <pi> I <M>

NumeroAño <pi>

TipoDia

ID_TipoDia

NombreTipoDia

<pi> I

VA30

<M>

ID_TipoDia <pi>

Almacén de Datos (DW) DiseñoModelo Multidimensional en Estrella Jerárquico

MOLAP - OLAP Multidimensional

• Los datos origen y sus agregaciones están en una estructura multidimensional.

• Los objetos dimensionales son procesados para incorporar cambios de los datos operacionales

• Existe latencia. tiempo comprendido entre procesamientos

• Características:

– Provee excelente rendimiento y compresión de datos.

– Mejor tiempo de respuesta, depende de las las agregaciones.

– Estructura optimizada para maximizar las consultas.

– Apropiado para cubos de rápida respuesta.

ROLAP - OLAP Relacional

• La información del cubo, sus datos, su agregación, sumas son almacenados en una base de datos relacional.

• No copia la BD original, accede a las tablas origen.

• Es más lenta que las otras estrategias (MOLAP o HOLAP).

• Se utiliza para ahorrar espacio de almacenamiento en grandes DB de baja frecuencia de consulta.

• Usos comunes:

– Cuando los clientes desean ver los cambios inmediatamente.

– Cuando contamos con grandes conjuntos de datos que no son frecuentemente buscados

HOLAP – OLAP Híbrido• Combina atributos de MOLAP y ROLAP.

• Las agregaciones se almacenen en una estructura multidimensional y los detalle, en la BD original.

• Cubos más pequeños q’ MOLAP y más rápidos q’ ROLAP.

• Usos comunes:

– Cubos que requieren rápida respuesta

– Cuando existen sumarizaciones basadas en una gran cantidad de datos de origen.

– Solución de compromiso para bajar el espacio ocupado sin perjudicar totalmente el rendimiento de las consultas.

CaracterísticasMOLAP ROLAP HOLAP

Almacenamiento de las Agregaciones

Modelo Multidimensional

Base de datos relacional


Almacenamiento de los datos




Facilidad de Creación

Sencillo Muy Sencillo Sencillo

Velocidad de respuesta

Buena Regular o Baja

Buena para consultas que posean agregaciones,

Regular para datos de bajo nivel

EscalabilidadProblemas de escalabilidad

Son más escalables

Recomendados paraCubos con uso

frecuente

Datos que no son frecuentemente

usados

Si el cubo requiere una rápida respuesta

Ventajas y DesventajasVentajas Desventajas

MOLAPMejor performance en lostiempos de respuesta

Duplica el almacenamientode datos (ocupa másespacio)

ROLAP

Ahorra espacio dealmacenamiento.Útil cuando se trabaja conmuy grandes conjuntos dedatos.

El tiempo de respuesta aconsultas es mayor.

HOLAPBuen tiempo de respuestasólo para informaciónsumarizada

Volúmenes de datos másgrandes en la base de datosrelacional

Documents

Kdd fase1