Data Warehouse - mat.uniroma3

UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
CorsodiLaureainMatematica
DipartimentodiMatematicaeFisica
Sistemiperl’elaborazionedelleinformazioni
6.Datawarehouse
DispensedelcorsoIN530a.a.2016/2017
prof.MarcoLiverani
Sistemioperazionalieinformazionali
•
Nell’ambitodiunsistemainformativosidistinguetrasottosistemiocomponentidelsistema
informativodiduetipologiemacroscopichedistinte:
1. sistemioperazionali
2. sistemiinformazionali
•
Sistemioperazionali:
– sonoisistemidisupportooperativoallosvolgimentodelleattivitàistituzionalidell’aziendao
dell’ente
•
Sistemiinformazionali:
– sonosistemidisupportoalledecisionichesupportanol’organizzazionenellepropriescelte
strategicheenellostudioenellacomprensionedell’andamentodispecificiindicatorichesono
ritenutisignificativiinunospecificoambitodibusiness(es.:levenditeperun’aziendacommerciale,
ilnumerodiiscrittiedilaureatiperun’Università,ecc.)
•
Entrambeletipologiedisistemasonosupportatedaarchiviinformatici(database)
progettatiedutilizzatiinmododifferente,alfinedisupportarealmegliogliobiettividel
sistema
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
1
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
Databaseoperazionali
•
Undatabaseoperazionale èunarchiviochegarantiscelapersistenzaadun’applicazioneche
deveoperaresuidatidell’archivioperrealizzarefunzionidibusiness
– Esempio1:l’archiviodeilibridiunabibliotecavieneutilizzatoperconsentirelaricercaefficientedei
volumidapartedegliutenti,vienefrequentementeaggiornatotracciandoinuovilibriacquistati
dallabiblioteca,ivolumiinprestito,gliutentiregistrati,itestipersiodismessi;
– Esempio2:l’archiviodelmagazzinodeiprodottidiunnegoziovieneutilizzatopergarantiregli
approvvigionamentidiprodottivenduti,gestirelescadenzedeiprodottialimentarideperibili,
aggiornareiprezzideiprodottieautomatizzareilcalcolodelcontoperogniclienteinfasedi
pagamentoallecasse,ecc.
•
•
•
Inundatabaseoperazionalelequattrooperazionidiinserimento,selezione,aggiornamento
ecancellazionesonougualmentefrequentieriguardanopochidatipervolta:idatiin
archiviosonotuttiesoliquellinecessariall’operativitàdelprogramma
Inundatabaseoperazionaleidatihannounaprofonditàtemporalelimitata:vengono
conservatisoloidatieffettivamenteutiliasupportareleoperazionisvoltedalprogramma
cheutilizzal’archivio
IDBMSsonoprogettatipersvolgereelaborazioniditipoOLTP:OnLineTransaction
Processing
– ilDBMSsupportastrutturenormalizzateperlamemorizzazioneefficientedelleinformazioni,indici
perlaricercaefficientedeidati,transazioniperl’elaborazionedisequenzedioperazioniinmodalità
“reversibile”
Databaseinformazionali
•
Undatabaseinformazionale(ininglese:datawarehouse,magazzinodeidati)èunarchivio
lacuifunzioned’usoèlacostruzionediunabaseinformativachecresceneltempo, utileper
fornireinformazioniutiliallacomprensionediunfenomeno,allostudiodiunandamento
– Esempio1:l’archiviodellevendite deiprodottidiunacatenadisupermercati,storicizzatenel
tempo,consentedistudiarelastagionalitànellavenditadideterminatiprodotti,prevederei
consumi,gliacquistideiclientieprovvederequindialcorrettoapprovvigionamentodelmagazzino
– Esempio2:l’archiviodeidatistoricideglistudentiiscrittiaidiversicorsidilaureadiunAteneo,
tenendocontoanchedeltitolodistudiopossedutoalmomentodell’iscrizioneall’Università,alfine
distudiareletendenzeinambitoformativoedimensionarecorrettamentelafuturaofferta
formativa
•
•
•
Inundatabaseinformazionalel’operazionepiùfrequenteèlaselezione;leoperazionidi
aggiornamentoedicancellazionesonorarissime(vengonoeffettuatesolopermigliorarela
qualitàdeidatipresentineldatawarehouse);leoperazionidiinserimentoperilcaricamento
deidatiinarchivioavvieneperiodicamenteeriguardagrossequantitàdidati
Laprofonditàstoricadeidatipresentineldatawarehouseèfondamentaleperpoter
utilizzareidaticomeoggettodianalisiestudiarel’evoluzionestoricadelleinformazioni
IDataWarehouse(DWH)sonoprogettatipereseguireoperazioniditipoOLAP:OnLine
Analytical Processing
– L’archivioèorganizzatosustrutturemultidimensionaliperfavorirel’analisisudimensionidifferenti
(es.:laprofessionedeiclientidiunsupermercato,l’età,lastagionalitàdeiprodotti,ecc.)
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
2
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
Integrazionedidatiprovenientidafontieterogenee
•
•
Undatawarehousevienecostruitoaggregandoinununicodatabasedatiprovenientida
fontidifferenti,chetrattanodatieterogeneieconrappresentazionispessoincompatibili
Neldatawarehousetuttiquestidatidevonotrovareinveceunacodificaomogenea:infase
dicaricamentoidativengonoricodificatipersposarelacodificaelasemanticadeldata
warehouse
Esempio:
– inundatabasediunsupermercatolatabelladeiclientichehannosottoscrittouna“tesserafedeltà”
puòcontenereilcodicefiscaledelcliente
– neldatawarehousel’analisipuòesserecondottasullabasedell’etàdeiclienti,delgenereedel
luogodinascita:datichepossonoesseredesuntidalCFinfasedicaricamento
•
Neldatawarehouseidatisonorappresentatiinmododasupportarespecificitemidianalisi
focalizzatidivoltainvoltasusoggetti diversi
Esempio:
– attitudinidiacquistodeiclientià ilsoggettoèilcliente
– efficienzadeidiversipuntivenditaà ilsoggettoèilpuntovendita(ilnegozio)
– stagionalitàdelprodottoà ilsoggettoèilprodotto
lediverselineedianalisisonocostruiteintornoall’archiviodeglieventi“venditadiunprodotto”
Processodiaggregazioneedianalisi
•
•
Lacostruzionediundatawarehouseècentratasulprocessodiaggregazioneedi
integrazionediinformazioniprovenientidatantebasidatidifferenti
Loscopodeldatawarehouseèquellodisupportareattivitàdianalisiresepossibiliproprio
dall’aggregazioneinununicoarchiviodidatiprovenientidafontidifferenti,cheoffranouna
vistaunificatasututtigliaspettirilevantidell’attivitàdibusiness
– Esempio:nonl’archiviodeiclienti,deiprodottipresentiinmagazzinoedegliincassiregistratinei
singolipuntivendita,maildatawarehousedellevenditeicuielementisono“record”che
aggreganoinformazionirelativealprodottovenduto,alclientechelohaacquistato,alprezzocheè
statopagatoperapprovvigionarsidelprodotto,alricavocheèstatoottenutodallavendita,al
negoziochehaeffettuatolavenditaeladataincuilavenditaèstataeffettuata
Vendite di
limonata
>65
11%
40
35
Etàdeiclienti
<25
16%
30
25
20
15
2015
10
5
2013
0
gen-feb mar-apr mag-giu lug-ago sett-ott nov-dic
32%
26-35
12%
51-65
35-50
29%
SupermercatiACME
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
3
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
Strutturalogicadiundatawarehouse
•
Nellaprogettazionediundatawarehouseèessenzialeidentificareiseguentielementinel
contestoinformativochesivuolerappresentareedanalizzare:
– fatto
– misure
– dimensioni
•
Ifatti sonol’insiemedeidatidaanalizzare;tipicamentesonoeventichesicollocanonel
tempoesonocaratterizzatidadiverseinformazioniassociatealsingolofatto
– Esempio:levenditedellaACME;ognieventodivenditaèunfattocaratterizzatodanumerose
informazioni,qualiilprodottovenduto,laquantitàvenduta,ilvaloredellamerce,ilcliente,la
collocazionegeograficadelnegozio,ladatael’oradellavendita,lacategoriamerceologicadel
prodotto,ecc.
•
Lemisure sonodatiquantitativinumericicherappresentanogliaspettidamisurarein
relazioneall’analisideifatti
– Esempio:laquantitàdiundeterminatoprodottoperciascunavendita,ilricavoperciascuna
vendita,ecc.
•
ledimensioni sonoinformazionichecaratterizzanoilfatto,avaloridiscreti,rappresentanole
lineedianalisideifatti(omeglio:dellemisureassociateaifatti)
– Esempio:iprodottidiunsupermercato,iltempo,iclienti,ecc.
Strutturalogicadiundatawarehouse
•
•
Ledimensionidianalisideifattidiundatawarehousepossonoesserenumerose
Èpossibilestabilireunadipendenzagerarchicatraalcunedelledimensionidianalisi,in
mododaaggregareoespandereleinformazionirelativeall’analisidiunadeterminata
dimensione
Esempio:neldatawarehousedellevenditedellaACMEalcunedimensionidianalisipossonoessere
aggregateformandodellegerarchie:
– Gerarchiadelladimensionedelprodottovenduto:prodottoà marcaà categoriamerceologica
– Gerarchiadeltempoincuisonoavvenutelevendite:giornoà meseà anno
– Gerarchiadeiclienti:nomeà etàà genereà professione,
oanche:nomeà titolodistudioà etàà genere
•
•
Definendounagerarchianelladimensionesicreaunastrutturaadalberoneivaloridiscreti
delledimensioni
Spaghetti
Esempio:
Barilla
Pasta
DeCecco
Biscotti
Categoria
merceologica
Fusilli
Rigatoni
Spaghetti
Gentilini
Linguine
Pavesi
Marca
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
Prodotto
4
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
Dimensional Fact Model
•
•
IlDimensional Fact Model(Golfarelli eRizzi,UniversitàdiBologna,1998)èunformalismo
graficoperlamodellazionelogicadiundatawarehouse
NelDFMsifocalizzal’attenzionepropriosuirapportitrafatti,misureedimensioni,mettendo
inevidenzaeventualigerarchienelledimensioni
– Fatto:rappresentatoconunrettangoloidentificatodalnomedelfattostesso;
– Misure:riportateall’internodelrettangolocheidentificailfattoacuisiriferiscono;
– Dimensioni:sonocollegatealfatto,comeiverticidiungrafo,oadaltredimensioniconlequali
esistaunadipendenzagerarchica
Fatto
Negozio
Città
Provincia
Regione
Misure
Vendita
Giorno
Mese
Anno
DOVE • Quantità QUANDO
• Prezzo
COSA
Cat.Merc.
Distributore
Prodotto
Prodotto Marca
Marca
Dimensioni
OperazionidianalisisuunDWH
•
•
•
Suundatawarehouseorganizzatosullabasedifatti,misureedimensionil’operazionetipica
èquelladiestrazionedeidati(misure)riportatineifatti,aggregandolisullabasediunaopiù
dimensioni
L’obiettivoèilcalcolodiunafunzionedigrupposuisotto-insiemiottenutieseguendoun
partizionamentodeidatipresentineldatawarehouseinbaseall’aggregazioneperunaopiù
dimensioni(es.:partizionamentosubasegeografica(regioni,province,comuni)e/osubase
temporale(aggregazioneperanno,mese,giorno)
Ilcalcolochepuòesserefattosullemisure(cheperquestosonoditiponumerico)sonole
tipichefunzionidigruppogiàesaminatenellinguaggioSQL:
– conteggiodeirecord(fatti),perricavarelacardinalitàdeisottoinsiemidellapartizione
– sommaomediaaritmeticasuivaloridiunaspecificamisuraneidiversisottoinsiemidellapartizione
– minimoomassimovaloresuivaloridiunamisuraneisottoinsiemidellapartizione
•
Esempio:levenditedeisupermercatiACMEaggregateperregioneeprovincia(somma
totaleesommeparziali)eperanno
•
LefunzionidicalcolononsiriduconosoloallefunzionidigruppooffertedaSQL,mapossono
essereanchefunzionistatistichepiùsofisticateimplementatedalsoftwareutilizzatoper
effettuarel’analisideidatipresentineldatawarehouse(businessintelligence)
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
5
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
OperazionidianalisisuunDWH
•
PrendendoadesempioilDimensional Fact ModeldellevenditedeisupermercatiACME,
possiamocalcolarefacilmenteun’aggregazioneperregionieprovinceeladistribuzionenel
tempodellevendite
Negozio
Città
Provincia
Regione
LUOGO •
•
Giorno
Mese
Vendita
Quantità
Prezzo
Anno
TEMPO
OGGETTO
Cat.Merc.
Distributore
Prodotto
Prodotto Marca
Marca
Regione
Lazio
Campania
Provincia
2012
2013
2014
2015
Roma
6.400
6.850
7.630
9.125
Viterbo
1.850
1.930
2.360
2.270
Latina
2.450
2.820
3.515
3.920
Napoli
5.850
6.230
6.540
6.520
Salerno
3.810
4.200
4.075
4.350
Modellomultidimensionaleeipercubi
•
•
•
•
IlDimensional Fact Modelconcuivienedefinitalastrutturalogicadiundatawarehouse,ci
suggeriscelapossibilitàdirappresentareildatawarehousecomeunospazio
multidimensionale,incuiifattisianodeipuntiposizionatinellospaziosullabasedi
coordinatedefinitedalvaloredelfattoperciascunadelledimensionidelmodello
Ricordiamocheledimensionisonoinsiemidiscretidicardinalitàfinita(es.:gliannidella
profonditàstoricadeldatawarehouse,iprodottivendutidaiSupermercatiACME,iclienti,i
fornitori,ecc.)
Ildatawarehousepuòquindiessererappresentatocomeuncubo (quandoledimensioni
indipendentidianalisisonotre)ounipercubo (quandoledimensioniindipendentisonoin
numeromaggioreditre)icuielementisonoifattideldatawarehouse
Suciascunadelledimensionidell’ipercubo sonodistribuiti(conunordinearbitrario)ivalori
discretidelladimensionestessa
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
6
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
Modellomultidimensionaleeipercubi
Consideriamounmodelloatredimensioni:undatabasedellevenditeicuifattisonole
operazionidivenditaelecuidimensionisianoiltempo,ilprodottovenduto,ilcliente
Mese-Anno
Vendita
Cliente
Prodotto
•
•
•
Clienti
•
Cliente:MariaRossi
Prod.:BiscottiGentilini
Tempo:2015-04-18
Quantità:1
Prezzo:€1,50
Ildatawarehousepuòessererappresentato
comeunipercubo n-dimensionale(uncubo
atredimensioninell’esempioinfigura)
Ognipuntodelcuboèun“fatto”ouna
aggregazionedifattiidentificatidaglistessi
valoridelledimensioni;ilfattoèidentificato
daunvaloredeldominiosuciascuna
dimensione
Nell’esempioognipuntodel cubo
po
rappresental’acquistodiunprodotto Tem
effettuatodaunclienteinuncerto
giorno
Pro
do
tti
ModelloMOLAPperlarappresentazionedelDWH
•
•
•
•
Alcunisistemirappresentanoildatawarehouseproprioconuncubomultidimensionale,
utilizzandoappositestrutturedati:talisistemisichiamanoMOLAP (multidimensional on-line
analytical processing)
Larappresentazionediunipercubo OLAPèassaionerosainterminidirisorsedimemoria
Lastrutturadiipercubo spessoèpienadi“buchi”,seifattisonodispostinelcuboinmodo
pocodenso:questorendepocoefficientelarappresentazionedirettamedianteuncubo
D’altrapartelarappresentazioneconunipercubo OLAPrendeimmediateemoltoefficienti
interminiditempoleoperazionidianalisi:
– slice:siestraeuna“fetta”dell’ipercubo,analizzandol’archiviofissandoilvalorediunaopiù
dimensioni
– dice:siestraeunsotto-cubo,analizzandol’archiviofissandounsottoinsiemedivaloriperogni
dimensione
– roll-up:siaggreganoidatidellemisure (somma,media,conteggio,altrefunzionistatistiche)sulla
basediunvalorediunaopiùdimensioni
– drill-down:sispacchettanodatiaggregatisullabasediunaopiùdimensioni(olimitatamentead
alcunilivellidellagerarchiadelledimensioni)perotteneremaggiordettaglio
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
7
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
ModelloROLAPperlarappresentazionedelDWH
•
LostessodatawarehousepuòessererappresentatoutilizzandounDBMSrelazionale
(RDBMS)costruendounoschemaastella(starschema),sullafalsarigadeldimensional fact
model:
– Alcentrodellostarschemac’èlatabelladeifatti
– Latabelladeifattiècollegataconletabelledelledimensioniattraversoopportunechiaviesterne
(foreign key)
•
•
Inquestomodosiutilizzaunostrumentorobustoebenconsolidato,potendocontareanche
sullinguaggioSQLperl’esecuzionedelleoperazionidiaggregazione(slice eroll-up)edi
scomposizione(dice edrill-down)deidatideldatawarehouse
LarappresentazioneROLAP (relational on-lineanalytical processing)èpiùefficientein
terminidirisorsedimemoria,mapuòrisultaremenoefficientenell’esecuzionedelle
operazionidianalisi,amenodinonutilizzareaccuratamentedegliindicipervelocizzarele
operazionidiselezioneeaggregazione
Architetturadiunsistemadatawarehouse
•
L’architetturadelsistemadidatawarehouseèdefinitasullabasedellecomponenti
funzionalichesivuoleintegrarepercostituireilsistemainformazionaledell’azienda:
– sorgentiinformative
– archiviocentralizzato(ildatawarehouse)
– strumentidianalisideidatifacilmenteaccessibilidagliutenti
•
Possiamoquindischematizzarecomeinfigural’architetturadiunsistemaDWH:
Disk
Data Base
Estrazione,
trasformazione e
caricamento dei dati
Data Warehouse
Strumenti di analisi
(Business Intelligence)
Data Mart
Proces
Proces
s
Proces
sData
s
File
Data Base
Data Source
Estrazione,
trasformazione e
caricamento dei dati
Estrazione,
trasformazione e
caricamento dei dati
ETL / ELT
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
Data Mart
DWH
Strumenti di analisi
(Business Intelligence)
BI
8
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
Architetturadiunsistemadatawarehouse
•
•
Isistemisorgenteperl’alimentazionedeldatawarehousesonospessoidatabasedei
sistemioperazionalidell’azienda(anagraficadeifornitori,anagraficadeiclienti,database
degliacquistiedellevendite,ecc.)
Isistemisorgentesonoperloronaturaeterogenei:
– possonoesserecostituitidasistemiditipodiverso(diversitipidiDBMS,fileinformatiproprietario
XML,ecc.)
– differenterappresentazionedelleinformazioni(diversacodifica,diversitipididatoperattributi
analoghisusorgentidiverse,ecc.)
– sonoospitatidasistemioperativiedaserverdifferenti,collegatiinreteconilsistemaData
Warehouseaziendale
•
•
LeprocedureETL (extract transform andload)consentonodieseguireperiodicamentedelle
querydiestrazionedeidatidaisistemisorgenteelitrasformanocodificandoliinuna
modalitàomogenea(comeformatoecomecontenuto)perpoicaricarlisuldatawarehouse
Bisognadefinire:
– lamodalitàoperativadellaproceduraETL(agent-based,agentless,ecc.)
– laperiodicitàconcuiavvienel’estrazionedaciascunasorgente(tuttiigiorni,tuttiimesi,ecc.)
– lalogicadiselezionedeidatidaestrarredallasorgente(ènecessarioimplementareunalogicaper
noncaricareognivoltatuttiidati,masoloquellinuoviomodificatisullasorgente)
– lacodificaelamodalitàdirappresentazionedidatieterogeneiinunmodellounico(ipercubo OLAP
ostarschema)
Architetturadiunsistemadatawarehouse
•
•
IldatawarehouseveroeproprioècostituitodaunostrumentoRDBMSeventualmente
dotatodiopportunimodulidigestionediipercubi OLAP
IlDWHècostituitodaunoopiùdatamart,ossiaporzioniautonomedeldatawarehouse,
inerentiunadeterminatatematicadianalisi
– Lasuddivisionedeldatawarehouseinpiùdatamart èeseguitasullabasediconsiderazionidi
efficienzanelleoperazionidianalisiediriservatezzadelleinformazionichevengonoresedisponibili
agliutenti
•
IlDWHhabisognodiun’attivitàdimanutenzionecontinuafinalizzataa:
– verificarelacorrettaesecuzionedelleoperazionidicaricamentodeidati
– verificadeidaticaricatisuldatawarehouse,percorreggereeventualiincongruenzedovutealla
errataattuazionedelleregoleditrasformazionedeidatiinfasedicaricamento(dataquality)
– tuning permigliorarel’efficienzadelsistema,creandooricreandoindicisulletabelle,gestendo
l’enormemoledidatideldatawarehouse,attraversolapartizionefisicadeidatafilesucuisi
appoggiailDBMS
– progettazioneerealizzazionedinuoveproceduredianalisiepresentazionedeidati(report,
cruscotti,dashboard)
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
9
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
Architetturadiunsistemadatawarehouse
•
•
Lacomponentedipresentazionedeidatianaliticiedisintesi,èspessounacomponente
softwarecheimplementacomplessefunzionalitàdianalisiedirappresentazionegrafica
dellemisurepresentisuldatawarehouse
SiparlainquesticasidisistemadiBusinessIntelligence(BI),unostrumentosoftwaresucui
èpossibiledefinire:
– reportcorrispondentiaspecifichevistesuldatawarehouse
– cruscottiedashboard disintesi,ancheinformagrafica(istogrammi,grafi,...)
– strumentipereseguiredinamicamenteleoperazionidinavigazionedeidatipresentinelmodello
multidimensionaledeldatawarehouse(drill-down,roll-up,slice,dice,pivoting,ecc.)
•
•
IsoftwarediBIsonoprogrammichesiaggancianoadunmodellomultidimensionaledel
datawarehouseedoffronofunzionidirielaborazioneepresentazionedeidatistessi;
frequentementeisoftwarediBIsonoapplicazioniwebbased
Conimodulidi“modeling/design”diunprodottoBI,l’utentepuòcostruireiproprireporte
cruscotti,senzadovernecessariamenteconoscerelastrutturafisicadeldatabase
sottostante,néillinguaggioSQL
Bibliografiaessenziale
① Golfarelli,Rizzi,DataWarehouse– teoriaepraticadellaProgettazione,McGraw-Hill,2006
② Kimball,Ross,TheDataWarehouseToolkit:TheDefinitiveGuidetoDimensional Modeling,
terzaedizione,Wiley,2013
③ Golfarelli,Maio,Rizzi,TheDimensional Fact Model:aConceptual ModelforData
Warehouses,InternationalJournalofCooperativeInformationSystems,vol.7,n.2&3,1998
④ Golfarelli,Rizzi,ProgettazioneconcettualediDataWarehousedaschemilogicirelazionali,
Proceedings SestoConvegnoNazionalesuSistemiEvolutiPerBasiDiDati,Ancona,1998
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
10
UniversitàdegliStudiRomaTre- CorsodiLaureainMatematica
a.a.2016/2017
OracleBusinessIntelligence
UnatipicaschermatadelprodottoOracleBusinessIntelligenceEnterpriseEdition,checonsentedicostruirecruscottidianalisi
dati,accessibiliconunwebbrowser,pereseguireattivitàdianalisisuundatawarehouse
M.Liverani- DispensedelcorsoIN530- Sistemiperl'elaborazionedelleinformazioni
11