Modellazione dati multidimensionali

DAI DATI ALLE DECISIONI
MODELLI DEI DATI PER DW
Per definire la struttura di un DW si usano i seguenti formalismi, detti
modelli dei dati:
Le aziende per competere devono usare metodi di analisi, con tecniche di Business
Intelligence, dei dati interni, accumulati nel tempo, e di dati esterni, sia per la
formazione delle decisioni sia per rendere i processi efficienti ed efficaci.
Il modello concettuale grafico dei fatti per DW.
E’ necessario utilizzare una base di dati particolare, detta data warehouse,
organizzata per analizzare i dati secondo una logica aziendale.
Il modello logico relazionale, per mostrare come si rappresentano i dati nei
sistemi per DW.
Il modello logico multidimensionale (detto cubo), adatto per illustrare la nozione
di analisi interattiva dei fatti.
La realizzazione di un data warehouse avviene gradualmente, a diversi livelli di
astrazione, con un modello concettuale, un modello logico e un modello fisico.
DW: Modelli dei dati, A. Albano
1
IL DATA WAREHOUSE DEGLI ORDINI
Metodo
Pagamento
MetodoPagamento
Cliente
CF
Nome
Indirizzo
Città
Telefono
Fattura
Data
Articolo
Nome
Categoria
PrezzoUnitario
Quantità
Ordine
Numero
Data
RigaOrdine
NumeroRiga
QuantitàOrdinata
Impiegato
CF
Nome
Qualifica
TelefonoUfficio
2
COSA SI MODELLA IN UN DW
I fatti da analizzare
(ad es. le vendite di articoli).
Requisiti di analisi
Quantità di articoli ordinati,
per articolo, per cliente e per mese
Le misure dei fatti: le proprietà numeriche da analizzare
(ad es. la quantità venduta di un articolo).
Fatturato per categoria di articolo,
per cliente e per mese
Spedizione
Quantità
Data
DW: Modelli dei dati, A. Albano
Fatturato verso clienti della provincia di Pisa
per città dei clienti e per anno
Le dimensioni: rappresentano le prospettive di analisi dei fatti
(ad es. le vendite si analizzano per articolo, per mese).
Gli attributi dimensionali: attributi descrittivi delle dimensioni.
Metodo
Spedizione
MetodoSpedizione
Le gerarchie fra attributi dimensionali.
BASE DI DATI
DW: Modelli dei dati, A. Albano
3
IL DATA WAREHOUSE DEGLI ORDINI
Metodo
Pagamento
MetodoPagamento
Cliente
CF
Nome
Indirizzo
Città
Telefono
Fattura
Data
Ordine
Numero
Data
Articolo
Nome
Categoria
Prezzo
Quantità
DW: Modelli dei dati, A. Albano
4
SCHEMA CONCETTUALE DEI FATTI
Cliente
I componenti di base sono i fatti, le misure e le dimensioni.
Città
Cliente
Città
Provincia
Provincia
Cliente
Regione
Regione
RigaOrdine
NumeroRiga
QuantitàOrdinata
NOrdine
Cliente
Fatti
Impiegato
CF
Nome
Qualifica
TelefonoUfficio
Spedizione
Quantità
Data
Ordine
Quantità
Prezzo
Articolo
Ordini
Data
Quantità
Prezzo
Misure
Metodo
Spedizione
MetodoSpedizione
Articolo
Articolo
Nome
Nome
Categoria
Categoria
Data
Data
Giorno
GiornoData
Mese
Trimestre
Mese
Anno
Trimestre
Anno
BASE DI DATI
DW: Modelli dei dati, A. Albano
DATA MART = DW TEMATICO
5
DW: Modelli dei dati, A. Albano
6
SCHEMA CONCETTUALE DEI FATTI:
DIMENSIONI CON ATTRIBUTI E GERARCHIE
SCHEMA CONCETTUALE DEI FATTI: DIMENSIONI CON ATTRIBUTI
NOrdine
Articolo
Cliente
Ordini
Data
Città
Quantità
Prezzo
Provincia
Regione
Regione
Provincia
NOrdine
Città
Nome
Provincia
Articolo
Categoria
Regione
Città
Cliente
Ordini
Data
Quantità
Prezzo
Giorno
NOrdine
Mese
Nome
Trimestre
Articolo
NOrdine
Nome
Articolo
Categoria
Anno
Cliente
Ordini
Data
Quantità
Prezzo
Categoria
Cliente
Ordini
Data
Quantità
Prezzo
Giorno
Mese
Trimestre
Giorno
Anno
Mese
Trimestre
Anno
Con gerarchie
Senza gerarchie
DW: Modelli dei dati, A. Albano
7
PER INIZIARE IL PROGETTO DI UN DW
DW: Modelli dei dati, A. Albano
8
METODOLOGIA (SEMPLIFICATA) DI PROGETTAZIONE DI UN DW
Per ogni data mart:
Identificare i patrocinatori, i dirigenti convinti del valore del progetto.
Conoscere il problema aziendale prima di iniziare a discutere gli obiettivi del
progetto.
Intervistare gli interessati, per comprendere le loro esigenze informative da
tradurre in requisiti del progetto.
Analisi dei requisiti
Progettazione concettuale
•
Un DW deve essere di supporto alle decisioni e quindi va
progettato tenendo conto di come i dirigenti vogliono analizzare
un certo processo aziendale e di quali informazioni sintetiche
hanno bisogno.
•
Progettazione concettuale iniziale
(cosa si vuole)
•
Progettazione concettuale dai dati operazionali
(cosa si può ottenere)
•
Progettazione concettuale finale
(cosa si può analizzare)
Progettazione logica
Progettazione logica del DW
Progettazione fisica del DW
Intervistare gli esperti del sistema informatico operazionale, per sapere
quali dati esistono e come vengono gestiti.
DW: Modelli dei dati, A. Albano
•
•
Progettazione dell’alimentazione dei dati
9
PROGETTAZIONE CONCETTUALE (SEMPLIFICATA)
DI UN DATA MART
DW: Modelli dei dati, A. Albano
10
PROGETTAZIONE DI UN DATA MART(cont)
Passo 1 Si raccolgono i requisiti di analisi che il committente vuol fare sugli eventi di
Passo 3 Si sceglie la granularità del fatto da analizzare. La grana dei fatti è il
interesse di un certo processo aziendale.
significato di un suo elemento. Di solito si preferisce una grana fine.
Ad es. il processo di registrazione degli ordini dei clienti fatti ai venditori.
Ordini
Requisito di analisi: Totale dell’importo per venditore e per articolo
Aggregazione Misura
Passo 4 Si scelgono le misure interessanti del fatto: grandezze numeriche che ha senso
Dimensioni
sommare.
(metrica)
Ordini
Alternativa: Report di analisi che si vogliono.
Quantità
Importo
Passo 2 Si analizzano i requisiti di analisi per individuare il fatto da analizzare.
DW: Modelli dei dati, A. Albano
11
DW: Modelli dei dati, A. Albano
12
PROGETTAZIONE DI UN DATA MART (cont)
PROGETTAZIONE DI UN DATA MART(cont)
Passo 5 Si scelgono le dimensioni secondo le quali analizzare le misure dei fatti
Passo 6 Per rendere le analisi più interessanti è in generale utile prevedere dimensioni
(prospettive di analisi, contesto dei fatti)
con degli attributi organizzati in gerarchie per consentire aggregazioni delle misure a
diversi livelli di generalità.
Si cerca una risposta a domande sul fatto tipo:
Chi è coinvolto? Cosa riguarda? Quando è accaduto? Dove è accaduto?
Regione
Provincia
ZonaVendita
Sono domande che mirano a individuare le variabili determinanti delle misure e le
Città
NomeVenditore
possibili leve di intervento.
Venditore
Venditore
Cliente
Nome
Articolo
Articolo
Ordini
Categoria
Cliente
Giorno
Ordini
Data
Mese
Quantità
Importo
Data
Trimestre
Quantità
Importo
NOrdine
Anno
NOrdine
DW: Modelli dei dati, A. Albano
DW: Modelli dei dati, A. Albano
13
1.1
14
Soluzione
STUDIO DI UN CASO: REQUISITI DI ANALISI
STUDIO DI UN CASO
-&."#"
012334566
7'8,
<=,.$">$;;";$'&,
(a) Ricavo
?,>,@'&'
Si consideri una BD di una casa di cura che contiene informazioni sugli interventi
effettuati sui pazienti ricoverati.
Di un paziente interessano il codice fiscale, che lo identifica, il nome e l’indirizzo.
4)!"#6"&,3$
Medici
CF <<PK>>
Nome
Specializzazione
Telefono
Di un medico interessano il codice fiscale, che lo identifica, il nome, il telefono e la
specializzazione.
Un paziente può essere ricoverato più volte e ogni volta interessa la data, il medico che
ne ha fatto la richiesta, il reparto assegnato, la diagnosi, la durata e l’attesa in giorni del
ricovero e la tariffa (ricavo) del ricovero. Di una diagnosi interessa il codice e la
3.1
Soluzione
descrizione.
Pazienti
CF <<PK>>
Nome
Indirizzo
HaAvuto
HaFatto
HaRichietso
()*"&+,"
012334566 Per
Ricoveri
7'8,
Data
9&:$*$;;'
Durata
Con
Attesa
Ricavo
Nel
4):%;,$
Interventi
Codice <<PK>>
Descrizione
Diagnosi
Codice <<PK>>
Descrizione
Reparti
Codice <<PK>>
Nome
NumeroLetti
Telefono
Lo schema concettuale della base di dati è mostrato in Figura 6.
Di un reparto interessano il codice, che lo identifica, il nome, il numero dei letti e il
-&."#"
telefono.
012334566
7'8,
4)5),,$
(b) Numero totale dei ricoveri e ricavo totale per
/+,&'%&+,"
(&'
reparto e per sesso
(età, città, regione) del
!"#$%&'"
0':$.,2334566
!"#" paziente
!,(.*$;$'&,
!$"%&'($
!)*"#"
+##,("
(c) Ricavo
-$."/'
()*"&+,"
012334566
7'8,
9&:$*$;;'
4):%;,$
4)!"#6"&,3$
!"#$%&'"
!"#"
!$"%&'($
!)*"#"
+##,("
-$."/'
/+,&'%&+,"
0':$.,2334566
!,(.*$;$'&,
9$+
1")2+$3"
0':$.,2334566
!,(.*$;$'&,
7&8
SPECIFICA DEI REQUISITI
La specifica dei requisiti viene data elencando gli esempi di analisi e, per ognuna di
esse, le dimensioni e le misure utilizzate, e le aggregazioni da calcolare (metriche):
N
(a)
(b)
(c)
(d)
Requisito di analisi
Ricavo totale dei ricoveri per codice
(descrizione) della diagnosi e per mese
(anno).
Numero totale dei ricoveri e ricavo totale per reparto e per sesso (età, città,
regione) del paziente.
Ricavo totale, durata e attesa media dei
ricoveri per descrizione della diagnosi e
per nome (specializzazione) del medico
richiedente.
Ricavo totale, durata e attesa media de
ricoveri per età (regione) del paziente e
per codice (descrizione) dell’intervento.
16
Schema concettuale della BD dei ricoveri
Requisito di analisi
Ricavo totale dei ricoveri per codice
(descrizione) della diagnosi e per mese
(anno).
2
Numero totale dei ricoveri e ricavo totale per reparto e per sesso (età, città,
regione) del paziente.
3
Ricavo totale, durata e attesa media del
ricovero per descrizione della diagnosi e
per nome (specializzazione) del medico
SPECIFICA DEI REQUISITI
richiedente.
4
Ricavo totale, durata e attesa media del
ricovero per età (regione) del paziente e
per codice (descrizione) dell’intervento.
Schema concettuale della BD dei ricoveri
per
DW: Modelli dei dati, A. Albano
Figura 1
N
1
!&0)',"
0':$.,2334566
7'8,
7)8,*'A,##$
?,>,@'&'
Figura 6
1")2+$3"
codice (descrizione) dell’intervento
15
(&'
9$+
totale, durata
e attesa media del
0':$.,2334566
!,(.*$;$'&,
ricovero per descrizione
della diagnosi e per
7&8
nome (specializzazione) del medico
richiedente
!&0)',"
0':$.,2334566
7'8,
(d) Ricavo totale, durata e attesa media del
7)8,*'A,##$
?,>,@'&'ricovero per età (regione) del paziente e
Di un intervento interessano il <=,.$">$;;";$'&,
codice, che lo identifica, la descrizione, il medico che la
?,>,@'&'
effettua, il ricovero del paziente
che ha subito l’intervento.
DW: Modelli dei dati, A. Albano
4)5),,$
totale dei ricoveri per codice
(descrizione) della diagnosi e per mese (anno)
Dimensioni
Diagnosi(CodiceDiagnosi,
DescrizioneDiagnosi,
Data(Mese, Anno)
Reparto, Paziente(Sesso, Età,
Città, Regione)
Processo Ricoveri
Misure
Ricavo
Ricavo
Diagnosi(Descrizione), Medico(Nome, Specializzazione)
Ricavo, Durata, Attesa
Paziente(Età, Regione), Intervento(CodiceIntervento, DescrizioneIntervento)
Ricavo, Durata, Attesa
Processo Ricoveri
Metriche
Ricavo totale
Dimensioni
Diagnosi(Codice, Descrizione),
Data(Mese, Anno)
Misure
Ricavo
Reparto,
Paziente(Sesso, Età, Città, Regione)
Ricavo
Numero totale
Ricavo totale
Diagnosi(Descrizione),
Medico(Nome, Specializzazione)
Ricavo,
Durata,
Attesa
Ricavo totale
Durata media
Attesa media
Paziente(Età, Regione),
Intervento(Codice, Descrizione)
Ricavo,
Durata,
Attesa
Ricavo totale
Durata media
Attesa media
Descrizione
Un fatto riguarda un ricovero di un paziente, supponendo che comporti al più un
intervento.
Dimensioni preliminari
Data, Reparto, Diagnosi, Intervento, Medico che lo ha
richiesto
Granularità del fatto Ricovero
Misure preliminari
Durata, Attesa, Ricavo
Dalla specifica dei requisiti scaturisce la seguente granularità del fatto e lo schema
concettuale del data mart di Figura 7:
DW: Modelli dei dati, A. Albano
Descrizione
Un fatto riguarda un ricovero di un paziente, supponendo che comporti al più un
intervento.
Dimensioni preliminari
Paziente, Data, Reparto, Diagnosi, Intervento, Medico che
lo ha richiesto
10
Granularità del fatto Ricovero
Misure preliminari
Durata, Attesa, Ricavo
17
DW: Modelli dei dati, A. Albano
3
18
RICOVERI
RIEPILOGO
Medici
CF <<PK>>
Nome
Specializzazione
Telefono
Esempio di progettazione concettuale a partire dai requisiti di analisi
HaFatto
Formulazione requisiti
HaRichietso
Ricoveri
Pazienti
CF <<PK>>
Nome
Indirizzo
Per
HaAvuto
Data
Durata
Attesa
Ricavo
Con
Nel
Funzioni di aggregazioni da usare,
Interventi
Codice <<PK>>
Descrizione
Descrizione
Diagnosi
Codice
Diagnosi
Diagnosi
Codice <<PK>>
Descrizione
Diagnosi
Età
Reparti
Codice <<PK>>
Nome
NumeroLetti
Telefono
Paziente
Sesso
Città
su quale sottoinsieme dei dati,
Descrizione
Intervento
Codice
Intervento
Intervento
Ricoveri
Durata
Attesa
Ricavo
Medico
Data
per quali raggruppamenti dei dati,
Anno
Reparto
SELECT X FROM … WHERE B GROUP BY Y ORDER BY W
Alternativa: Report di analisi che si vogliono
Regione
Specializzazione
Granularità dei fatti
Nome
BASE DI DATI
come presentare il risultato.
Mese
DATA MART
DW: Modelli dei dati, A. Albano
Problemi dei dati: come si ricavano dalla BD disponibile.
19
MODELLAZIONE CONCETTUALE: APPROFONDIMENTI
DW: Modelli dei dati, A. Albano
20
MODELLAZIONE CONCETTUALE: APPROFONDIMENTI
Tipi di misure e tipi di aggregazioni
La granularità dei fatti determina il tipo di analisi che si possono fare
Negozio
Conto
Agenzia
Movimenti
CC
Vendite
Quantità
Prezzo
Costo
Sconto
Ricavo
Margine
Conto
Movimenti
CC
Data
Ammontare
Data
Cliente
Magazzino
Scorte
Scorta
Livello Riordino
Data
Reclami
Data
Data
?
Prodotto
Prodotto
Ammontare
Prodotto
Transazione
Possono mancare
Numeriche (calcolate) additive
Movimenti sui conti correnti
(Fatto istantaneo)
Numeriche semiadditive (Scorta),
Numeriche non additive (LivelloRiordino)
Movimentazione mensile
(Fatto istantanea periodica)
(Margine sui ricavi ROS = Margine/Ricavo ?)
DW: Modelli dei dati, A. Albano
(Fatto istantanea accumulata)
21
DW: Modelli dei dati, A. Albano
Il tipo di misura si specifica a parte.
22
MODELLAZIONE CONCETTUALE: APPROFONDIMENTI
MODELLAZIONE CONCETTUALE: APPROFONDIMENTI
TIPI DI MISURE
Paese
Stato
Città
Dimensioni degeneri
Misure di flusso: sono le più comuni e si riferiscono a valori cumulati dello stato di
eventi che si verificano in un intervallo temporale di riferimento.
(es. Quantità di prodotti venduti in un giorno) (Additive)
Cliente
Attributi descrittivi
Dimensioni o attributi opzionali
Cliente
Fatturazione
Supervisore
Dimensioni multivalore
Misure di livello: valore dello stato di eventi che si
verificano in un intervallo temporale di riferimento.
(es. Giacenza di un prodotto, Saldo CC) (Semi additive)
Agente
Cliente
Vendita
Vendite
Quantità
Prezzo
Ricavo
Provvigione
Nome
Gerarchie bilanciate, incomplete, ricorsive
Gerarchie condivise
Articolo
Data
Giorno
Mese
Anno
Numero
ordine
Nome
Garanzia
Misure unitarie: (Non additive)
DW: Modelli dei dati, A. Albano
23
DW: Modelli dei dati, A. Albano
24
MODELLAZIONE CONCETTUALE:
ATTRIBUTI DI DATA
Column name
Data type
Format/Example
date_key
int
yyyymmdd
day_date
smalldatetime
day_of_week
char
week_begin_date
tinyint
week_num
tinyint
1 to 52 or 53
month_num
tinyint
1 to 12
month_name
char
January
month_short_name
char
Jan
month_end_date
smalldatetime
GiornoDellaSettimana
days_in_month
tinyint
NomeMese
yearmo
int
yyyymm
Festività
quarter_num
tinyint
1 to 4
quarter_name
char
1Q2000
year
smallint
weekend_ind
bit
workday_ind
bit
holiday_ind
bit
holiday_name
char
peak_period_ind
bit
Mese
Fatti
Anno
Trimestre
NumeroDellaSettimana
Data
GiorniDelMese
Nella tabella relazionale Data come chiave
surrogata si può usare l’intero
AAAAMMGG
DW: Modelli dei dati, A. Albano
MODELLAZIONE CONCETTUALE: APPROFONDIMENTI
Monday
Attributi dimensionali con valori che cambiano raramente nel tempo
• TIPO 1 (oggi per ieri): si perde la storia.
• TIPO 2 (oggi o ieri): si conserva la storia.
• TIPO 3 (oggi e ieri): si conserva la storia e la date della modifica.
Attributi dimensionali con valori che cambiano frequentemente nel tempo
• TIPO 4
Questi aspetti non si modellano nello schema concettuale, ma si specificano a parte
Thanksgiving
25
MODELLO RELAZIONALE
DW: Modelli dei dati, A. Albano
26
SCHEMI A STELLA
Usando uno schema relazionale, la collezione dei fatti viene memorizzata in
I sistemi ROLAP (Relational OLAP) sono dei DBMS relazionali estesi con
una tabella con attributi le dimensioni e le misure.
funzionalità per supportare efficientemente le applicazioni OLAP.
Si parla di schema a stella quando ogni dimensione ha attributi propri che
Nei sistemi ROLAP, un DW viene rappresentato con tabelle di uno schema
vengono memorizzati in una tabella distinta. Nella tabella dei fatti le dimensioni
sono le chiavi esterne.
a stella (star schema),
a fiocco di neve (snowflake schema) o
Tutte le chiavi sono surrogate.
a costellazione (constellation schema).
DW: Modelli dei dati, A. Albano
27
DW: Modelli dei dati, A. Albano
28
SCHEMA A FIOCCHI DI NEVE
UN ESEMPIO DI SCHEMA A STELLA
Lo schema a fiocco di neve è un raffinamento dello schema a stella, con la
normalizzazione delle gerarchie, che vengono rappresentate in tabelle
Regione
Provincia
Città
Prodotto
PkProdotto
Nome
Categoria
Nome
Negozio
Vendite
Quantità
Prezzo
Sconto
Ricavo
Data
separate.
Prodotto
PkProdotto
Nome
Categoria
Anno
Prodotto
Nome
Giorno
Mese
Vendite
FkNegozio
FkData
FkProdotto
Quantità
Prezzo
Sconto
Ricavo
Data
PkData
Giorno
Mese
Anno
Categoria
DW: Modelli dei dati, A. Albano
Negozio
PkNegozio
Nome
Città
Provincia
Regione
Vendite
FkNegozio
FkData
FkProdotto
Quantità
Prezzo
Sconto
Ricavo
Negozio
PkNegozio
Nome
FkCittà
29
DW: Modelli dei dati, A. Albano
Data
PkData
Giorno
Mese
Anno
Città
PkCittà
Città
FkProvincia
Provincia
PkProvincia
Provincia
Regione
30
DIMENSIONE DATA:
DAL MODELLO CONCETTUALE AL MODELLO LOGICO
SCHEMA A COSTELLAZIONE
Per situazioni più complesse si può pensare di avere più tabelle dei fatti che
condividano alcune tabelle di dimensioni. E' il caso dello schema a
Regione
costellazione.
Provincia
Cliente
PkCliente
Nome
Indirizzo
Data
PkData
Giorno
Mese
Anno
Vendite
FkNegozio
FkData
FkProdotto
Quantità
Prezzo
Sconto
Ricavo
Vendite
Quantità
Prezzo
Sconto
Ricavo
Data
Mese
Negozio
PkNegozio
Nome
Città
Provincia
Regione
Categoria
Città
PkCittà
Città
FkProvincia
Provincia
PkProvincia
Provincia
Regione
31
Data
PkData
Mese
Anno
Anno
Prodotto
Nome
Negozio
PkNegozio
Nome
FkCittà
DW: Modelli dei dati, A. Albano
Vendite
FkNegozio
FkData
FkProdotto
Quantità
Prezzo
Sconto
Ricavo
NScontrino
Negozio
NScontrino
Prodotto
PkProdotto
Nome
Categoria
Prodotto
PkProdotto
Nome
Categoria
Città
Reclami
FKCliente
FKProdotto
DataId
Livello
DW: Modelli dei dati, A. Albano
32
SQL PER ANALISI DEI DATI
PROGETTAZIONE LOGICA: DIMENSIONI MODIFICABILI TIPO2
• Clienti con una chiave naturale
Cliente
ClienteSK<<PK>>
CF <<PK1>>
Città
...
Vendite
...
ClienteFK
...
SQL è stato esteso con le funzioni analitiche.
• Clienti senza chiave naturale
Cliente
ClienteSK<<PK>>
PrimaSK
Città
...
Vendite
...
ClienteFK
...
Cliente
ClienteSK<<PK>>
...
Città
...
Vendite
...
ClienteFK
ClientePrimaSK
...
DW: Modelli dei dati, A. Albano
33
MODELLO MULTIDIMENSIONALE
DW: Modelli dei dati, A. Albano
34
CUBO DEI DATI 2-D
I dati vengono rappresentati con una matrice multidimensionale (cubo): un fatto
corrisponde ad una cella, individuata dai valori delle possibili coordinate (le dimensioni),
Rappresentazione a cubo di una tabella dei fatti con due dimensioni
che contiene i valori delle possibili misure
Data
VENDITE
Negozio
Market
ProdottoId
p1
p2
p1
p2
M4
M3
M2
M1
NegozioId
m1
m1
m3
m2
Quantità
12
11
50
8
T4
T3
Tabella dei fatti
T1
ProdottoId
p1
p2
m1
12
11
m2
m3
50
8
NegozioId
Cubo 2-D
T1
P1
DW: Modelli dei dati, A. Albano
P2 P3
P4
Prodotto
35
DW: Modelli dei dati, A. Albano
36
CUBO E GERARCHIE
CUBO DEI DATI 3-D
Rappresentazione a cubo di una tabella dei fatti con tre dimensiomi
VENDITE
ProdottoId
p1
p2
p1
p2
p1
p1
La rappresentazione delle gerarchie non è immediata, ma è possibile.
Data
d2
NegozioId
m1
m1
m3
m2
m1
m2
DataId
d1
d1
d1
d1
d2
d2
Quantità
12
11
50
8
44
4
DataId
p1
p2
d1
ProdottoId
p1
p2
m1
12
11
m1
44
m2
m2
4
m3
Negozio
Market
Gerarchia Data
Anno Mese Giorno
m3
50
20000220
8
02
NegozioId
T4
20000220
2000
20000920
Tabella dei fatti
09
Cubo 3-D
DW: Modelli dei dati, A. Albano
20000920
T3
T1
T1
P1
37
SISTEMI MOLAP
Alcuni sistemi specializzati e i sistemi OLAP implementano direttamente il
modello multidimensionale, usando un'opportuna struttura dati permanente
tipo matrice. Sono i cosiddetti MOLAP (Multidimensional OLAP).
Una rappresentazione molto comune di un cubo sono le tabelle pivot di Excel
Operazioni su un cubo: slice, dice, pivot, roll-up, drill-down
DW: Modelli dei dati, A. Albano
M4
M3
M2
M1
39
DW: Modelli dei dati, A. Albano
P2 P3
P4
Prodotto
38