Entreposage de données - Terminologies
Dans ce chapitre, nous aborderons certains des termes les plus couramment utilisés dans l'entreposage de données.
Métadonnées
Les métadonnées sont simplement définies comme des données sur les données. Les données utilisées pour représenter d'autres données sont appelées métadonnées. Par exemple, l'index d'un livre sert de métadonnées pour le contenu du livre. En d'autres termes, nous pouvons dire que les métadonnées sont les données résumées qui nous mènent aux données détaillées.
En termes d'entrepôt de données, nous pouvons définir les métadonnées comme suit -
Les métadonnées sont une feuille de route vers l'entrepôt de données.
Les métadonnées de l'entrepôt de données définissent les objets de l'entrepôt.
Les métadonnées agissent comme un répertoire. Ce répertoire aide le système d'aide à la décision à localiser le contenu d'un entrepôt de données.
Référentiel de métadonnées
Le référentiel de métadonnées fait partie intégrante d'un système d'entrepôt de données. Il contient les métadonnées suivantes -
Business metadata - Il contient les informations sur la propriété des données, la définition de l'entreprise et les politiques changeantes.
Operational metadata- Il comprend la mise à jour des données et le lignage des données. La devise des données fait référence aux données actives, archivées ou purgées. Le lignage des données signifie l'historique des données migrées et la transformation appliquée dessus.
Data for mapping from operational environment to data warehouse - Les métadonnées incluent les bases de données sources et leur contenu, l'extraction des données, la partition des données, le nettoyage, les règles de transformation, les règles d'actualisation et de purge des données.
The algorithms for summarization - Il comprend des algorithmes de dimension, des données sur la granularité, l'agrégation, la synthèse, etc.
Cube de données
Un cube de données nous aide à représenter les données dans plusieurs dimensions. Il est défini par des dimensions et des faits. Les dimensions sont les entités par rapport auxquelles une entreprise conserve les enregistrements.
Illustration du cube de données
Supposons qu'une entreprise souhaite garder une trace des registres des ventes à l'aide d'un entrepôt de données sur les ventes en ce qui concerne le temps, l'article, la succursale et l'emplacement. Ces dimensions permettent de suivre les ventes mensuelles et dans quelle succursale les articles ont été vendus. Une table est associée à chaque dimension. Cette table est appelée table de dimension. Par exemple, la table de dimension "article" peut avoir des attributs tels que nom_élément, type_élément et marque_élément.
Le tableau suivant représente la vue 2D des données de vente d'une entreprise en ce qui concerne les dimensions temps, article et emplacement.
Mais ici, dans ce tableau 2D, nous avons des enregistrements en ce qui concerne le temps et l'élément uniquement. Les ventes pour New Delhi sont présentées en fonction du temps et des dimensions des articles en fonction du type d'articles vendus. Si nous voulons afficher les données de vente avec une autre dimension, par exemple, la dimension de localisation, la vue 3D serait utile. La vue 3D des données de vente par rapport au temps, à l'article et au lieu est indiquée dans le tableau ci-dessous -
Le tableau 3-D ci-dessus peut être représenté sous forme de cube de données 3-D, comme illustré dans la figure suivante -
Data Mart
Les data marts contiennent un sous-ensemble de données à l'échelle de l'organisation qui sont utiles pour des groupes spécifiques de personnes dans une organisation. En d'autres termes, un magasin de données contient uniquement les données spécifiques à un groupe particulier. Par exemple, le magasin de données marketing peut contenir uniquement des données relatives aux articles, aux clients et aux ventes. Les data marts se limitent aux sujets.
Points à retenir sur les Data Marts
Des serveurs Windows ou Unix / Linux sont utilisés pour implémenter des data marts. Ils sont implémentés sur des serveurs à bas prix.
Le cycle de mise en œuvre d'un data mart est mesuré en courtes périodes, c'est-à-dire en semaines plutôt qu'en mois ou en années.
Le cycle de vie des data marts peut être complexe à long terme, si leur planification et leur conception ne sont pas à l'échelle de l'organisation.
Les data marts sont de petite taille.
Les data marts sont personnalisés par département.
La source d'un data mart est l'entrepôt de données structuré par département.
Les data marts sont flexibles.
La figure suivante montre une représentation graphique des data marts.
Entrepôt virtuel
La vue sur un entrepôt de données opérationnel est appelée entrepôt virtuel. Il est facile de créer un entrepôt virtuel. La création d'un entrepôt virtuel nécessite une capacité excédentaire sur les serveurs de base de données opérationnels.