 BI EN LA PRÁCTICA
CONTACTO
 |
|
 |
-
México: 01 (55) 5256.4517
Monterrey: 01 (81) 8347.0027
Austin: 713 96 22 003
|
 |
-
México, D.F.
Tamaulipas No. 150
Despacho 501 5°piso Torre A
Col. Hipódormo Condesa.
C.P.06100
-
Monterrey, N.L.
Calle IV No. 1214
Fracc. San Jerónimo
C.P. 64640
-
Austin, TX
3925 W Braker Lane,
Suite 3.8096
Austin, TX 78759
|
|
Artículos BI en la Práctica
III. Ralph Kimball
Publicación: Julio 16, 2009
Introducción
Autor ampliamente reconocido en materia de Data Warehouse y Bussines Intelligence. Es considerado como "Gurú del Data Warehouse" y reconocido por su plena convicción en que un Data Warehouse debe ser diseñado para ser entendible y veloz. Forma parte de la lista del "Database Hall of Fame". Su metodología denominada "Dimensional Modeling (DM)", o también conocida como "La Metodología Kimball", ha llegado ha convertirse en un estándar en el área del soporte de decisiones.
En 1986 Kimball fundó Red Brick Systems, reconocida por su base de datos relacional optimizada para Data Warehouse. En ella, Kimball fungió como director ejecutivo (chief executive officer, CEO por sus siglas en inglés) hasta 1992. Posteriormente Red Brick Systems fue adquirida por Informix, la cual ahora pertenece a IBM.
En 1992 se integró Ralph Kimball Associates para proveer servicios de consultoría y de educación sobre Data Warehouse.
Kimball escribe la columna "Data Warehouse Designer" para la revista Intelligent Enterprise. Es también el autor de libros como "The Data Warehouse Lifecycle Toolkit" y "The Data Warehouse Toolkit", publicados por John Wiley and Sons.
Dimensional Modeling (Modelo Dimensional)
Es considerado una de las técnicas favoritas en la construcción de un Data Warehouse, en la cual se constituyen modelos de tablas y relaciones con el propósito de optimizar la toma de decisiones, con base en las consultas hechas en una base de datos relacional que están ligadas con la medición o un conjunto de mediciones de los resultados de los procesos de negocio.
Dimensional Modeling (DM) es una técnica de diseño lógico que tiene como objetivo presentar los datos dentro de un marco de trabajo estándar e intuitivo, para permitir su acceso con un alto rendimiento. Cada Modelo Dimensional está compuesto por una tabla con una llave combinada, llamada tabla de hechos, y un conjunto de tablas más pequeñas llamadas tablas de dimensiones. Los elementos de estas tablas se pueden definir de la siguiente manera:
-
Hechos: Colección de piezas de datos y datos de contexto. Cada hecho representa una parte del negocio, una transacción o un evento.
-
Dimensiones: Una dimensión es una colección de miembros, unidades o individuos del mismo tipo.
-
Medidas: Son atributos numéricos de un hecho que representan el comportamiento del negocio relativo a una dimensión.
Dado lo anterior, se deriva que cada punto de entrada a la tabla de hechos está conectado a una dimensión, lo que permite determinar el contexto de los hechos.
Una base de datos dimensional se puede concebir como un cubo de tres o cuatro dimensiones (OLAP 1), en el que los usuarios pueden acceder a una porción de la base de datos a lo largo de cualquiera de sus dimensiones.
Dado que es muy común representar a un modelo dimensional como una tabla de hechos rodeada por las tablas de dimensiones, frecuentemente se le denomina también como modelo estrella o esquema de estrella-unión.
Fig 1 Modelo Estrella
|
Otra variante es la que se conoce como snowflake o copo de nieve, en donde se presentan ramificaciones a partir de las tablas de dimensiones y no sólo a partir de la tabla de hechos.
Fig 2. Modelo snowflake
|
DM: Fortalezas
Entre las principales fortalezas que este modelo ofrece se pueden mencionar las siguientes:
1. Marco de trabajo predecible.
A partir de herramientas para generar reportes y realizar consultas, además de las interfaces de usuario, se pueden realizar suposiciones bastante acertadas del Modelo Dimensional, lo cual permite que el procesamiento de la información sea más eficiente.
2. Resistencia a cambios en la conducta del usuario.
El diseño lógico de este modelo puede realizarse independientemente de los patrones esperados de consulta, pues todas las dimensiones son generadas como puntos de entrada simétricos a la tabla de hechos.
3. Flexible para aceptar datos nuevos e inesperados.
La tabla de hechos y las tablas de dimensiones pueden ser alteradas simplemente agregando los registros de los nuevos datos en la tabla correspondiente. La información no tiene que ser cargada nuevamente. Las herramientas para generar reportes o consultas no necesitan ser reprogramadas para adaptarse a los cambios. Y, finalmente, las aplicaciones utilizadas continúan ejecutándose sin cambios en su rendimiento.
En el siguiente capítulo se discutirá sobre la visión de Bill Inmon y la de Ralph Kimball con el fin de establecer las ventajas y desventajas que ofrece cada una de ellas frente a la otra.
Referencias
-
http://en.wikipedia.org/wiki/Ralph_Kimball
-
http://www.dbmsmag.com/9708d15.html
-
http://www.dkms.com/papers/dmerdw.pdf
-
http://www.cyta.com.ar/elearn/syma/presentaciones/dw.ppt
-
http://publib.boulder.ibm.com/infocenter/idshelp/v10/index.jsp?topic=/com.ibm.ddi.doc/ddi222.htm
-
ll.com/html/articles.html
-
http://en.wikipedia.org/wiki/Dimensional_modeling
-
http://www.verma.ca/about.html
-
http://es.wikipedia.org/wiki/OLAP
-
http://es.wikipedia.org/wiki/Cubo_OLAP
1. OLAP: del inglés On-Line Analytical Processing o Procesamiento Analítico en Línea. Es una solución utilizada en BI cuyo objetivo es agilizar la consulta de grandes cantidades de datos. Para ello utiliza estructuras multidimensionales, o Cubos OLAP, que contienen datos resumidos de grandes Bases de datos. Los cubos OLAP se pueden considerar como una ampliación de las dos dimensiones de una hoja de cálculo.
ZONA DE COMENTARIOS
Si desea hacer algún comentario respecto al artículo , lo puede hacer empleando el
siguiente formulario. En breve será publicado junto con su respuesta.
|
ACCESOS RÁPIDOS
|
