Modelowanie danych w języku DAX - pojęcia
Business Intelligence (BI) zyskuje na znaczeniu w kilku dziedzinach i organizacjach. Podejmowanie decyzji i prognozowanie oparte na danych historycznych stały się kluczowe w stale rosnącym konkurencyjnym świecie. Istnieje ogromna ilość danych dostępnych zarówno wewnętrznie, jak i zewnętrznie ze zróżnicowanych źródeł do dowolnego rodzaju analizy danych.
Jednak wyzwaniem jest wyodrębnienie odpowiednich danych z dostępnych dużych zbiorów danych, zgodnie z aktualnymi wymaganiami, i przechowywanie ich w sposób przyjazny dla projekcji różnych spostrzeżeń z danych. Uzyskany w ten sposób model danych z wykorzystaniem kluczowych terminów biznesowych jest cennym narzędziem komunikacji. Model danych musi również zapewniać szybki sposób generowania raportów w razie potrzeby.
Modelowanie danych dla systemów BI pozwala sprostać wielu wyzwaniom związanym z danymi.
Wymagania wstępne dotyczące modelu danych dla BI
Model danych dla BI powinien spełniać wymagania biznesu, dla którego przeprowadzana jest analiza danych. Poniżej przedstawiono minimalne podstawy, które musi spełniać każdy model danych -
Model danych musi być specyficzny dla firmy
Model danych odpowiedni dla jednej linii biznesowej może nie być odpowiedni dla innej branży. W związku z tym model danych musi zostać opracowany w oparciu o konkretną firmę, stosowane terminy biznesowe, typy danych i ich relacje. Powinien być oparty na celach i rodzaju decyzji podejmowanych w organizacji.
Model danych musi mieć wbudowaną inteligencję
Model danych powinien zawierać wbudowaną inteligencję poprzez metadane, hierarchie i dziedziczenie, które ułatwiają sprawny i efektywny proces Business Intelligence. Dzięki temu będziesz w stanie zapewnić wspólną platformę dla różnych użytkowników, eliminując powtarzanie procesu.
Model danych musi być solidny
Model danych powinien precyzyjnie przedstawiać dane specyficzne dla biznesu. Powinien umożliwiać efektywne przechowywanie dysku i pamięci, aby ułatwić szybkie przetwarzanie i raportowanie.
Model danych musi być skalowalny
Model danych powinien być w stanie dostosować się do zmieniających się scenariuszy biznesowych w szybki i efektywny sposób. Może być konieczne uwzględnienie nowych danych lub nowych typów danych. Może zajść konieczność efektywnego odświeżenia danych.
Modelowanie danych dla BI
Modelowanie danych dla BI składa się z następujących kroków -
- Kształtowanie danych
- Ładowanie danych
- Definiowanie relacji między tabelami
- Definiowanie typów danych
- Tworzenie nowych statystyk dotyczących danych
Kształtowanie danych
Dane wymagane do zbudowania modelu danych mogą pochodzić z różnych źródeł i mieć różne formaty. Musisz określić, która część danych z każdego z tych źródeł danych jest wymagana do określonej analizy danych. Nazywa się to kształtowaniem danych.
Na przykład, jeśli pobierasz dane wszystkich pracowników w organizacji, musisz zdecydować, które szczegóły każdego pracownika są istotne w bieżącym kontekście. Innymi słowy, musisz określić, które kolumny tabeli pracowników mają zostać zaimportowane. Dzieje się tak, ponieważ im mniejsza liczba kolumn w tabeli w modelu danych, tym szybsze będą obliczenia w tabeli.
Ładowanie danych
Musisz załadować zidentyfikowane dane - tabele danych z wybranymi kolumnami w każdej z tabel.
Definiowanie relacji między tabelami
Następnie należy zdefiniować logiczne relacje między różnymi tabelami, które ułatwiają łączenie danych z tych tabel, tj. Jeśli masz tabelę - Produkty - zawierającą dane o produktach i tabelę - Sprzedaż - z różnymi transakcjami sprzedaży produktów, definiując relację między dwiema tabelami, można podsumować sprzedaż pod względem produktu.
Definiowanie typów danych
Identyfikacja odpowiednich typów danych dla danych w modelu danych ma kluczowe znaczenie dla dokładności obliczeń. Dla każdej kolumny w każdej importowanej tabeli musisz zdefiniować typ danych. Na przykład typ danych tekstowych, typ danych liczb rzeczywistych, typ danych całkowitoliczbowych itp.
Tworzenie nowych statystyk danych
Jest to kluczowy krok w modelowaniu dat dla BI. Utworzony model danych może wymagać udostępnienia kilku osobom, które muszą zrozumieć trendy danych i podjąć wymagane decyzje w bardzo krótkim czasie. W związku z tym tworzenie nowych spostrzeżeń dotyczących danych z danych źródłowych będzie efektywne, co pozwoli uniknąć przeróbek analizy.
Nowe spostrzeżenia dotyczące danych mogą mieć postać metadanych, które mogą być łatwo zrozumiałe i używane przez określonych ludzi biznesu.
Analiza danych
Gdy model danych jest gotowy, dane można przeanalizować zgodnie z wymaganiami. Przedstawienie wyników analizy jest również ważnym krokiem, ponieważ decyzje będą podejmowane na podstawie raportów.