Menü

Veri Ambarında Boyutlu Veri Modeli - Örneklerle Eğitim

  • Ana
  • Diğer
  • Veri Ambarında Boyutlu Veri Modeli - Örneklerle Eğitim

dimensional data model data warehouse tutorial with examples

Sorunları Ortadan Kaldırmak Için Enstrümanımızı Deneyin

Bu Eğitim, Veri Ambarı'ndaki Boyutsal Veri Modelinin Faydalarını ve Efsanelerini Açıklar. Ayrıca, Örneklerle Boyut Tabloları ve Olgu Tabloları Hakkında Bilgi Edinin:

Veri Ambarı Testi önceki eğitimimizde açıklanmıştır, bu Herkes İçin Veri Ambarı Eğitim Serisi .

Veri Ambarı'nda (DW) Boyutsal Veri Modelleme teknikleriyle büyük veriler düzenlenir. Bu Boyutsal Veri Modelleme teknikleri, son kullanıcıların işinin iş verilerini sorgulamasını çok kolaylaştırır. Bu eğitici, DW'deki boyutsal veri modelleri hakkında her şeyi açıklar.

Veri Ambarında Boyutsal Veri Modeli

Hedef kitle

  • Veri ambarı / ETL geliştiricileri ve test edicileri.
  • Temel veritabanı kavramları bilgisine sahip veritabanı uzmanları.
  • Veri ambarı / ETL kavramlarını anlamak isteyen veritabanı yöneticileri / büyük veri uzmanları.
  • Veri ambarı işleri arayan üniversite mezunları / Freshers.

Ne öğreneceksin:

Boyutlu Veri Modelleri

Boyutsal veri modelleri, verileri sorgulamak ve analiz etmek için ETL akışında son kullanıcılara sunulan veri yapılarıdır. ETL süreci, verilerin hedef Boyutsal Veri Modellerine yüklenmesiyle sonuçlanır. Her boyutsal veri modeli, birden çok boyut tablosu ile çevrili bir olgu tablosu ile oluşturulur.

Boyutlu Veri Modeli tasarlanırken izlenecek adımlar:

Boyutsal veri modelleri - Tasarım Adımları

Boyutlu Veri Modellemenin Faydaları

Aşağıda, Boyutlu Veri Modellemenin çeşitli faydaları listelenmiştir.

  • Sürekli değişen DW ortamlarını kullanmak için güvenlidirler.
  • Boyutsal veri modelleri yardımıyla büyük veriler kolayca oluşturulabilir.
  • Boyutsal veri modellerinden gelen verilerin anlaşılması ve analiz edilmesi kolaydır.
  • Yüksek performanslı sorgulama için son kullanıcılar tarafından hızlı bir şekilde erişilebilirler.
  • Boyutlu veri modelleri, verileri hiyerarşik olarak incelememize (veya) izin verir.

ER Modelleme ve Boyutlu Veri Modelleme

  • ER modelleme operasyonel sistemler için uygunken, boyutsal modelleme veri ambarı için uygundur.
  • ER modelleme ayrıntılı güncel işlem verilerini korurken, boyutsal modelleme hem güncel hem de geçmiş işlem verilerinin özetini korur.
  • ER modelleme verileri normalleştirirken boyutsal modelleme verileri normalleştirdi.
  • ER modelleme sorgu alımı sırasında daha fazla birleştirme kullanırken boyutsal modelleme daha az sayıda birleştirme kullanır, bu nedenle sorgu performansı boyutsal modellemede daha hızlıdır.

Boyutlu Veri Modelleme Efsaneleri

Aşağıda, mevcut boyutsal veri modelleme efsanelerinden bazıları verilmiştir.

  • Boyutsal veri modelleri yalnızca verilerin özetini temsil etmek için kullanılır.
  • Bir organizasyonda departmana özgüdürler.
  • Ölçeklenebilirliği desteklemezler.
  • Son kullanıcı raporları ve sorgularının amacına hizmet etmek için tasarlanmıştır.
  • Boyutsal veri modellerini entegre edemiyoruz.

Boyut Tabloları

Boyut tabloları, analiz edilen tüm metrik değerlerini depolayarak DW sisteminde önemli bir rol oynar. Bu değerler, tablodaki kolayca seçilebilir boyutsal nitelikler (sütunlar) altında saklanır. Bir DW sisteminin kalitesi çoğunlukla boyut özniteliklerinin derinliğine bağlıdır.

Bu nedenle, boyut tablolarında ilgili değerleriyle birlikte birçok özniteliği sağlamaya çalışmalıyız.

Boyut tablolarının yapısını inceleyelim !!

# 1) Boyut Tablosu Anahtarı: Her bir Boyut tablosu, her satırı benzersiz bir şekilde tanımlamak için birincil anahtar olarak boyut özelliklerinden herhangi birine sahip olacaktır. Bu nedenle, bu özniteliğin farklı sayısal değerleri birincil anahtarlar olarak işlev görebilir.

Öznitelik değerleri hiçbir durumda benzersiz değilse, sıralı olarak oluşturulan sistem numaralarını birincil anahtarlar olarak düşünebilirsiniz. Bunlar aynı zamanda Vekil anahtarlar olarak da adlandırılır.

Boyutlu veri modelleri, boyutlar ve gerçekler arasındaki her anahtar için referans bütünlük kısıtlamasına sahip olmalıdır. Bu nedenle Olgu tabloları, bilgi tutarlılığını korumak için boyut tablosundaki her birincil / yedek anahtar için bir yabancı anahtar referansına sahip olacaktır.

Başarısız olursa, o boyut anahtarı için ilgili olgu tablosu verileri alınamaz.

# 2) Tablo Geniş: DW döngüsünün herhangi bir noktasında bir boyut tablosuna herhangi bir sayıda nitelik ekleyebileceğimiz için boyut tablolarının geniş olduğunu söyleyebiliriz. DW mimarı, ETL ekibinden şemaya ilgili yeni öznitelikleri eklemesini isteyecektir.

Gerçek zamanlı senaryolarda, 50 (veya) daha fazla özniteliğe sahip boyut tabloları görebilirsiniz.

# 3) Metin Özellikleri: Boyutsal nitelikler, tercihen metin (veya) sayısal olarak herhangi bir türde olabilir. Metinsel nitelikler kodlardan ziyade gerçek iş kelimelerine sahip olacaktır. Boyut tabloları hesaplamalara yönelik değildir, bu nedenle sayısal değerler nadiren boyutsal özellikler için kullanılır.

# 4) Özellikler Doğrudan İlgili Olmayabilir: Bir boyut tablosundaki tüm özellikler birbiriyle ilişkili olmayabilir.

# 5) Normalleştirilmedi: Bir boyut tablosunu normalleştirmek, resme verimli olmayan daha fazla ara tablo getirir. Bu nedenle boyut tabloları normalize edilmez.

Boyutsal öznitelikler, sorgulardaki kısıtlamalar için kaynak görevi görebilir ve ayrıca raporlarda etiket olarak görüntülenebilir. Doğrudan boyut tablosundan bir öznitelik seçerseniz ve diğer aracı tablolara dokunmadan doğrudan ilgili olgu tablosuna başvurursanız sorgular verimli bir şekilde çalışacaktır.

# 6) Delme ve Yukarı Yuvarlama: Boyut öznitelikleri, gerektiğinde verileri ayrıntılı inceleme (veya) toplama yeteneğine sahiptir.

# 7) Çoklu Hiyerarşi: Birden çok hiyerarşiye sahip tek bir boyut tablosu çok yaygındır. Alt seviyeden üste yalnızca bir yol varsa, bir boyut tablosu basit bir hiyerarşiye sahip olacaktır. Benzer şekilde, alt seviyeden en üste ulaşmak için birden fazla yol mevcutsa, birden çok hiyerarşiye sahip olacaktır.

# 8) Birkaç Kayıt: Boyut tabloları, olgu tablolarından (milyon olarak) daha az kayıt sayısına (yüzlerce) sahip olacaktır. Gerçeklerden daha küçük olmalarına rağmen, olgu tablolarına tüm girdileri sağlarlar.

Aşağıda bir Müşteri Boyut Tablosu örneği verilmiştir:

Müşteri Dimension_Table - Örnek

Yukarıdaki kavramları anlayarak, bir veri alanının, verileri kaynağın kendisinden çıkarırken bir boyut özelliği olarak hareket edip edemeyeceğine (veya) karar verebilirsiniz.

Bir Boyut İçin Temel Yük Planı

Boyutlar iki şekilde oluşturulabilir, yani boyut verilerini harici kaynak sistemlerinden çıkararak (veya) ETL sistemi, boyutları herhangi bir harici kaynağı dahil etmeden aşamalandırmadan oluşturabilir. Bununla birlikte, herhangi bir harici işleme içermeyen bir ETL sistemi, boyut tabloları oluşturmak için daha uygundur.

Bu sürece dahil olan adımlar aşağıdadır:

araya ekleme sıralama algoritması c ++
  • Veri temizleme: Tutarlılığı korumak için boyut tablosuna yüklenmeden önce veriler temizlenir, doğrulanır ve iş kuralları uygulanır.
  • Veri Uyumlu: Veri ambarının diğer bölümlerinden gelen veriler, boyut tablosunun her alanına göre tek bir değer olarak uygun şekilde toplanmalıdır.
  • Aynı Etki Alanlarını Paylaşın: Veriler onaylandıktan sonra, tekrar aşama tablolarında saklanır.
  • Veri Teslimi: Son olarak, tüm boyutsal öznitelik değerleri, atanan birincil / yedek anahtarlarla yüklenir.

Boyut Türleri

Referans için çeşitli Boyut türleri aşağıda listelenmiştir.

Hadi başlayalım!!

# 1) Küçük Boyutlar

Veri ambarındaki küçük boyutlar, daha az sayıda satır ve sütun içeren arama tabloları görevi görür. Küçük boyutlardaki veriler e-tablolardan kolayca yüklenebilir. Gerekirse küçük boyutlar süper boyut olarak birleştirilebilir.

# 2) Uygun Boyut

Uyumlu boyut, ilişkili olduğu her olgu tablosuyla aynı şekilde başvurulabilen bir boyuttur.

Tarih boyutu, yıl, ay, hafta, günler vb. Gibi tarih boyutunun öznitelikleri aynı verileri herhangi bir sayıdaki olguyla aynı şekilde ilettiği için uyumlu bir boyutun en iyi örneğidir.

Uygun Boyuta bir örnek.

Uyumlu Boyut - Örnek

# 3) Önemsiz Boyut

Bir olgu tablosundaki bayraklar ve göstergeler gibi az sayıda öznitelik ayrı bir önemsiz boyut tablosuna taşınabilir. Bu öznitelikler, diğer mevcut boyut tablolarına da ait değildir. Genel olarak, bu özniteliklerin değerleri basitçe 'evet / hayır' (veya) 'doğru / yanlış' şeklindedir.

Her bir bayrak özelliği için yeni bir boyut oluşturmak, olgu tablosuna daha fazla sayıda yabancı anahtar oluşturarak işi karmaşık hale getirir. Aynı zamanda, tüm bu bayrakların ve gösterge bilgilerinin olgu tablolarında tutulması da gerçeklerde depolanan veri miktarını artırarak performansı düşürür.

Dolayısıyla bunun için en iyi çözüm, önemsiz boyut herhangi bir sayıda 'evet / hayır' veya 'doğru / yanlış' göstergesini tutabildiğinden tek bir önemsiz boyut oluşturmaktır. Ancak önemsiz boyutlar, bu göstergeler için (evet / hayır (veya) doğru / yanlış) etkin ve beklemede vb. Gibi açıklayıcı değerleri depolar.

Bir olgu tablosunun karmaşıklığına ve göstergelerine bağlı olarak, bir olgu tablosunun bir veya daha fazla önemsiz boyutu olabilir.

Junk Dimension'a bir örnek.

Önemsiz Boyut - örnek

# 4) Rol Oynama Boyutu

Bir olgu tablosunda birden çok amaç için başvurulabilen tek bir boyut, Rol yapma boyutu olarak bilinir.

Bir rol oynama boyutu için en iyi örnek yine bir Tarih boyut tablosudur, çünkü bir boyuttaki aynı tarih özelliği, sipariş tarihi, teslim tarihi, işlem tarihi, iptal tarihi gibi bir gerçekte farklı amaçlar için kullanılabilir. vb.

Gerekirse, bir olgu tablosunun dört farklı tarih özelliğine göre tarih boyut tablosunda dört farklı görünüm oluşturabilirsiniz.

Rol Oynama Boyutuna bir örnek.

Rol Yapma Boyutu

# 5) Dejenere Boyutlar

Ne boyutlar (ölçütler) ne de gerçekler (ölçüler) olabilen ancak analize ihtiyaç duyan birkaç öznitelik olabilir. Tüm bu özellikler, dejenere boyutlara taşınabilir.

Örneğin, sipariş numarasını, fatura numarasını vb. dejenere boyut özellikleri olarak düşünebilirsiniz.

Bir Dejenere Boyut örneği.

Dejenere Boyut - Örnek

# 6) Yavaşça Değişen Boyutlar

Yavaş değişen boyut, verilerin periyodik düzenli aralıklar yerine herhangi bir zamanda yavaşça değişebileceği bir türdür. Boyut tablolarındaki değiştirilmiş veriler, aşağıda açıklandığı gibi farklı şekillerde ele alınabilir.

Bir boyutsal tablodaki her öznitelik için bir değişikliğe ayrı ayrı yanıt vermek için SCD türünü seçebilirsiniz.

(i) Tip 1 SCD

  • Tip 1'de boyutsal özniteliklerin değerlerinde bir değişiklik olduğunda, mevcut değerlerin üzerine yeni değiştirilmiş değerler yazılır, bu bir güncellemeden başka bir şey değildir.
  • Geçmişe referans olması için eski veriler saklanmaz.
  • Eski verilerin olmaması nedeniyle geçmiş raporlar yeniden oluşturulamaz.
  • Bakımı kolay.
  • Olgu tabloları üzerindeki etki daha fazladır.

Tip 1 SCD Örneği:

Type1_SCD

(İi) Tip 2 SCD

  • Tip 2'de boyutsal niteliklerin değerlerinde bir değişiklik olduğunda, eski satır verilerini değiştirmeden değiştirilen değerlerle yeni bir satır eklenir.
  • Olgu tablolarının herhangi birinde eski kayda herhangi bir yabancı anahtar referansı varsa, eski vekil anahtar her yerde otomatik olarak yeni bir vekil anahtarla güncellenir.
  • Olgu tablosu değişiklikleri üzerindeki etki, yukarıdaki adımda çok daha azdır.
  • Değişikliklerden sonra eski veriler hiçbir yerde dikkate alınmaz.
  • 2. tipte, boyutsal niteliklerde meydana gelen tüm değişiklikleri takip edebiliriz.
  • Geçmiş verilerin depolanmasında herhangi bir sınırlama yoktur.
  • Tip 2'de her satıra değişen tarih, yürürlük tarihi-saat, bitiş tarihi-saat, değişikliğin nedeni ve geçerli bayrak gibi birkaç özellik eklemek isteğe bağlıdır. Ancak, işletme belirli bir zaman aralığında yapılan değişikliklerin sayısını bilmek istiyorsa bu önemlidir.

Tip 2 SCD Örneği:

Type2_SCD

(III) Tip 3 SCD

  • Tip 3'te boyutsal özniteliklerin değerlerinde bir değişiklik olduğunda, yeni değerler güncellenir ancak eski değerler ikinci seçenek olarak geçerliliğini korur.
  • Her değişiklik için yeni bir satır eklemek yerine, önceden mevcut değilse yeni bir sütun eklenecektir.
  • Eski değerler, yukarıda eklenen özniteliklere yerleştirilir ve birincil özniteliğin verilerinin üzerine, tip 1'de olduğu gibi değiştirilen değer yazılır.
  • Geçmiş verilerin depolanmasında bir sınır vardır.
  • Olgu tabloları üzerindeki etki daha fazladır.

Tip 3 SCD Örneği:

Type3_SCD

(iv) Tip 4 SCD

  • Tip 4'te, mevcut veriler tek bir tabloda saklanır.
  • Tüm geçmiş veriler başka bir tabloda tutulur.

Tip 4 SCD Örneği:

Type4_SCD

(v) Tip 6 SCD

  • Bir boyut tablosu, Tip 6 (veya) Hibrit yavaş değişen boyut olarak bilinen üç SCD tipi 1, 2 ve 3'ün tümünün bir kombinasyonuna da sahip olabilir.

Olgu Tabloları

Olgu tabloları, hesaplamalar için kullanılan nicel olarak ölçülen bir dizi değeri depolar. Olgu tablosunun değerleri iş raporlarında görüntülenir. Boyut tablolarının metinsel veri türünün aksine, olgu tabloları veri türü önemli ölçüde Sayısaldır.

Olgu tabloları derin iken boyut tabloları geniştir, çünkü olgu tabloları daha fazla sayıda satıra ve daha az sayıda sütuna sahip olacaktır. Olgu tablosunda tanımlanan birincil anahtar, öncelikle her satırı ayrı ayrı tanımlamaktır. Birincil anahtara ayrıca gerçekler tablosunda Bileşik anahtar da denir.

Bir olgu tablosunda bileşik anahtar eksikse ve herhangi iki kayıt aynı verilere sahipse, veriler arasında ayrım yapmak ve boyut tablolarındaki verilere başvurmak çok zordur.

Bu nedenle, bileşik anahtar olarak uygun bir benzersiz anahtar mevcutsa, her olgu tablosu kaydı için bir sıra numarası oluşturmak iyidir. Diğer bir alternatif, birleştirilmiş bir birincil anahtar oluşturmaktır. Bu, boyut tablolarının tüm başvurulan birincil anahtarlarının satır bazında birleştirilmesiyle oluşturulacaktır.

Tek bir olgu tablosu, birden çok boyut tablosu ile çevrelenebilir. Gerçekte tablolarda bulunan yabancı anahtarların yardımıyla, ölçülen değerlerin ilgili bağlamı (ayrıntılı veriler) boyut tablolarında belirtilebilir. Sorguların yardımıyla, kullanıcılar detaya inecek ve verimli bir şekilde toparlayacaktır.

Bir olgu tablosunda depolanabilecek en düşük veri düzeyi, Granularity olarak bilinir. Bir olgu tablosuyla ilişkili boyut tablolarının sayısı, bu olgu tablosu verilerinin ayrıntı düzeyi ile ters orantılıdır. Örneğin, en küçük ölçüm değerinin daha fazla boyut tablosuna başvurulması gerekir.

Boyutsal bir modelde, olgu tabloları boyut tablolarıyla çoktan çoğa ilişkisini korur.

Bir Satış Bilgi Tablosu örneği:

Satış Bilgileri Tablosu - Örnek

Olgu Tabloları İçin Yükleme Planı

Aşağıdaki işaretçileri göz önünde bulundurarak bir olgu tablosu verilerini verimli bir şekilde yükleyebilirsiniz:

# 1) Dizinleri Bırak ve Geri Yükle

Gerçekte tablolardaki dizinler, verileri sorgularken iyi performans artırıcıdır, ancak verileri yüklerken performansı bozarlar. Bu nedenle, herhangi bir büyük veriyi olgu tablolarına yüklemeden önce, öncelikle o tablodaki tüm dizinleri bırakın, verileri yükleyin ve dizinleri geri yükleyin.

# 2) Güncellemelerden Ayrı Eklemeler

Olgu tablosuna yüklerken kayıtları birleştirip güncellemeyin. Güncelleme sayısı daha azsa, ekleri ve güncellemeleri ayrı ayrı işleyin. Güncelleme sayısı daha fazlaysa, hızlı sonuçlar için olgu tablosunu kesip yeniden yüklemeniz önerilir.

# 3) Bölümleme

Toplu olgu tablosu verilerinde daha iyi sorgu performansı için olgu tablosunda fiziksel olarak mini tablolara ayırın. DBA'lar ve ETL ekibi dışında hiç kimse gerçeklerle ilgili bölümlerin farkında olmayacak.

Bir misal , bir tabloyu ay bazında, çeyrek bazında, yıl bazında vb. bölümlere ayırabilirsiniz. Sorgulamada tüm tabloyu taramak yerine sadece bölümlenmiş veriler dikkate alınır.

# 4) Paralel Olarak Yükle

android için en iyi casus uygulaması

Şimdi olgu tablolarındaki bölümler hakkında bir fikrimiz var. Gerçekler üzerindeki bölümler, büyük verileri gerçeklere yüklerken de faydalıdır. Bunu yapmak için, önce verileri mantıksal olarak farklı veri dosyalarına bölün ve tüm bu mantıksal veri bölümlerini paralel olarak yüklemek için ETL işlerini çalıştırın.

# 5) Toplu Yükleme Yardımcı Programı

Diğer RDBMS sistemlerinden farklı olarak, ETL sisteminin orta işlem hataları için geri alma günlüklerini açık bir şekilde tutmasına gerek yoktur. Burada, büyük verileri yüklemek için 'SQL eklemeleri' yerine 'toplu yüklemeler' gerçeklerde gerçekleşir. Tek bir yükün başarısız olması durumunda, tüm veriler kolayca yeniden yüklenebilir (veya) toplu yük ile kaldığı yerden devam edebilir.

# 6) Bir Bilgi Kaydını Silme

Bir olgu tablosu kaydının silinmesi, yalnızca işletme açıkça isterse gerçekleşir. Kaynak sistemlerde artık mevcut olmayan herhangi bir olgu tablosu verisi varsa, ilgili veriler fiziksel (veya) mantıksal olarak silinebilir.

  • Fiziksel silme: İstenmeyen kayıtlar olgu tablosundan kalıcı olarak kaldırılır.
  • Mantıksal silme: Bit (veya) Boolean türünün 'silinmiş' olması gibi olgu tablosuna yeni bir sütun eklenecektir. Bu, silinen kayıtları temsil eden bir bayrak görevi görür. Olgu tablosu verilerini sorgularken silinen kayıtları seçmediğinizden emin olmalısınız.

# 7) Olgu Tablosundaki Güncellemeler ve Silmeler İçin Sıra

Güncellenecek herhangi bir veri olduğunda, önce boyut tabloları güncellenmeli, ardından gerekirse arama tablosundaki vekil anahtarları ve ardından ilgili olgu tablosu güncellenmelidir. Olgu tablolarından istenmeyen tüm verilerin silinmesi, bağlantılı istenmeyen verilerin boyut tablolarından silinmesini kolaylaştırdığından, silme işlemi tersine gerçekleşir.

Her iki durumda da yukarıdaki sırayı takip etmeliyiz çünkü boyut tabloları ve olgu tabloları her zaman referans bütünlüğünü korur.

Gerçek Türleri

Olgu tablosu verilerinin davranışına bağlı olarak, bunlar işlem olgu tabloları, anlık görüntü olgu tabloları ve birikmiş anlık görüntü olgu tabloları olarak kategorize edilir. Bu üç türün tümü, farklı veri yükleme stratejileriyle farklı özellikleri takip eder.

# 1) İşlem Olgusu Tabloları

Adından da anlaşılacağı gibi, işlem olgu tabloları gerçekleşen her olay için işlem düzeyinde verileri depolar. Bu tür verileri, olgu tablosu düzeyinde analiz etmek kolaydır. Ancak daha fazla analiz için ilgili boyutlara da başvurabilirsiniz.

Örneğin, bir pazarlama web sitesinden gerçekleşen her satış (veya) satın alma, bir işlem olgu tablosuna yüklenmelidir.

Bir İşlem Olgu Tablosu örneği aşağıda gösterilmiştir.

İşlem Olgu Tablosu

# 2) Periyodik Anlık Görüntü Bilgi Tabloları

Periyodik anlık görüntü tablosundaki veriler isminden de anlaşılacağı üzere iş ihtiyaçlarına bağlı olarak her gün, hafta, ay, çeyrek vb. Periyodik aralıklarla anlık görüntü (resimler) şeklinde saklanır.

Bu nedenle, bunun her zaman bir veri toplamı olduğu açıktır. Bu nedenle anlık görüntü olguları, işlem olgu tablolarına kıyasla daha karmaşıktır. Örneğin, herhangi bir performans geliri raporu verisi, kolay başvuru için anlık görüntü olgu tablolarında saklanabilir.

Periyodik Anlık Görüntü Bilgi Tablosu örneği aşağıda gösterilmiştir.

Periyodik Anlık Görüntü olgu tablosu

# 3) Anlık Görüntü Olgu Tablolarının Biriktirilmesi

Anlık görüntü olgu tablolarının toplanması, bir ürünün tüm kullanım ömrü boyunca verileri tablolarda depolamanıza olanak tanır. Bu, verilerin herhangi bir zamanda herhangi bir olay tarafından anlık görüntü olarak eklenebildiği yukarıdaki iki türün bir kombinasyonu olarak işlev görür.

Bu türde, her satır için ek tarih sütunları ve veriler, o ürünün her kilometre taşı ile güncellenir.

Biriken Anlık Görüntü Olgu Tablosu örneği.

Anlık Görüntü Bilgi Tablolarını Biriktirme

Yukarıdaki üç türe ek olarak, işte birkaç başka olgu tablosu türü daha vardır:

# 4) Gerçek Olmayan Olgu Tabloları: Bir gerçek, bir ölçülerin toplamıdır, oysa daha az, sadece herhangi bir ölçü içermeyen olayları (veya) koşulları yakalar. Gerçeklerden bağımsız bir olgu tablosu esas olarak bir sistemi izlemek için kullanılır. Bu tablolardaki veriler analiz edilebilir ve raporlama için kullanılabilir.

Örneğin, izin almış bir çalışanın detaylarını ve bir yıl içindeki izin türünü vb. inceleyebilirsiniz. Tüm bu net olmayan gerçek ayrıntılarını bir gerçekte içerdiğinde, tablo kesinlikle gerçeklerin boyutunu artıracaktır.

Bir Kusursuz Olgu Tablosu örneği aşağıda gösterilmiştir.

Factless_fact

# 5) Uyumlu Olgu Tabloları: Uyumlu bir gerçek, ilişkili olduğu her veri pazarı ile aynı şekilde başvurulabilen bir gerçektir.

Bir Olgu Tablosunun Özellikleri

Aşağıda bir Olgu Tablosunun özellikleri verilmiştir.

  • Gerçek adı: Bu, bilgi tablosunun işlevselliğini kısaca açıklayan bir dizedir.
  • İş süreci: İşle ilgili konuşmaların bu olgu tablosu ile yerine getirilmesi gerekiyor.
  • Sorular: Bu bilgi tablosu tarafından cevaplanacak iş sorularının bir listesinden bahseder.
  • Tane: Söz konusu olgu tablosu verileriyle ilişkili en düşük ayrıntı düzeyini gösterir.
  • Boyutlar: Bu olgu tablosuyla ilişkili tüm boyut tablolarını listeleyin.
  • Ölçümler: Olgu tablosunda saklanan hesaplanan değerler.
  • Yükleme frekansı Verilerin olgu tablosuna yükleneceği zaman aralıklarını temsil eder.
  • İlk satırlar: Olgu tablosunda ilk kez doldurulan ilk verilere bakın.

Boyutlu Veri Modelleme Örneği

Satış ve siparişler için aşağıdaki boyutsal veri modelleme şemasına bakarak bir sistem için boyut tabloları ve olgu tablolarının nasıl tasarlanabileceği hakkında fikir edinebilirsiniz.

Boyutlu Veri Modelleme Örneği

Sonuç

Şimdiye kadar Boyutsal Veri Modelleme Teknikleri, Faydaları, Efsaneleri, Boyut Tabloları, Olgu Tabloları, Türleri ve süreçleri hakkında mükemmel bilgi edinmiş olmalısınız.

Veri Ambarı Şemaları hakkında daha fazla bilgi edinmek için gelecek öğreticimize göz atın !!

=> Veri Ambarını Sıfırdan Öğrenmek İçin Burayı Ziyaret Edin.

Önerilen Kaynaklar

^