Fundamentos Datawarehouse

Data Warehousing
Publicado Originalmente en http://personal.lobocom.es/claudio/gen006.htm Escrito por el profesor Claudio Cesares claudio@lobocom.es
Desde que se inici la era de la computadora, las organizaciones han usado los datos desde sus sistemas operacionales para atender sus necesidades de informacin. Algunas proporcionan acceso directo a la informacin contenida dentro de las aplicaciones operacionales. Otras, han extrado los datos desde sus bases de datos operacionales para combinarlos de varias formas no estructuradas, en su intento por atender a los usuarios en sus necesidades de informacin. Ambos mtodos han evolucionado a travs del tiempo y ahora las organizaciones manejan una data no limpia e inconsistente, sobre las cuales, en la mayora de las veces, se toman decisiones importantes. La gestin administrativa reconoce que una manera de elevar su eficiencia est en hacer el mejor uso de los recursos de informacin que ya existen dentro de la organizacin. Sin embargo, a pesar de que esto se viene intentando desde hace muchos aos, no se tiene todava un uso efectivo de los mismos. La razn principal es la manera en que han evolucionado las computadoras, basadas en las tecnologas de informacin y sistemas. La mayora de las organizaciones hacen lo posible por conseguir buena informacin, pero el logro de ese objetivo depende fundamentalmente de su arquitectura actual, tanto de hardware como de software. El data warehouse, es actualmente, el centro de atencin de las grandes instituciones, porque provee un ambiente para que las organizaciones hagan un mejor uso de la informacin que est siendo administrada por diversas aplicaciones operacionales. Un data warehouse es una coleccin de datos en la cual se encuentra integrada la informacin de la Institucin y que se usa como soporte para el proceso de toma de decisiones gerenciales. Aunque diversas organizaciones y personas individuales logran comprender el enfoque de un Warehouse, la experiencia ha demostrado que existen muchas dificultades potenciales. Reunir los elementos de datos apropiados desde diversas fuentes de aplicacin en un ambiente integral centralizado, simplifica el problema de acceso a la informacin
http://www.WillyDev.Net
y en consecuencia, acelera el proceso de anlisis, consultas y el menor tiempo de uso de la informacin. Las aplicaciones para soporte de decisiones basadas en un data warehousing, pueden hacer ms prctica y fcil la explotacin de datos para una mayor eficacia del negocio, que no se logra cuando se usan slo los datos que provienen de las aplicaciones operacionales (que ayudan en la operacin de la empresa en sus operaciones cotidianas), en los que la informacin se obtiene realizando procesos independientes y muchas veces complejos. Un data warehouse se crea al extraer datos desde una o ms bases de datos de aplicaciones operacionales. La data extrada es transformada para eliminar inconsistencias y resumir si es necesario y luego, cargadas en el data warehouse. El proceso de transformar, crear el detalle de tiempo variante, resumir y combinar los extractos de datos, ayudan a crear el ambiente para el acceso a la informacin Institucional. Este nuevo enfoque ayuda a las personas individuales, en todos los niveles de la empresa, a efectuar su toma de decisiones con ms responsabilidad. La innovacin de la Tecnologa de Informacin dentro de un ambiente data warehousing, puede permitir a cualquier organizacin hacer un uso ms ptimo de los datos, como un ingrediente clave para un proceso de toma de decisiones ms efectivo. Las organizaciones tienen que aprovechar sus recursos de informacin para crear la informacin de la operacin del negocio, pero deben considerarse las estrategias tecnolgicas necesarias para la implementacin de una arquitectura completa de data warehouse.
Data Warehousing: Teora

Funciones-Data Warehousing-Aspectos Tericos
1. Introduccin al Concepto Data Warehousing

Data warehousing es el centro de la arquitectura para los sistemas de informacin en la dcada de los '90. Soporta el procesamiento informtico al proveer una plataforma slida, a partir de los datos histricos para hacer el anlisis. Facilita la integracin de sistemas de aplicacin no integrados. Organiza y almacena los datos que se necesitan para el procesamiento analtico, informtico sobre una amplia perspectiva de tiempo. Un Data Warehouse o Depsito de Datos es una coleccin de datos orientado a temas, integrado, no voltil, de tiempo variante, que se usa para el soporte del proceso de toma de decisiones gerenciales. Se puede caracterizar un data warehouse haciendo un contraste de cmo los datos de un negocio almacenados en un data warehouse, difieren de los datos operacionales usados por las aplicaciones de produccin.
Base de Datos Operacional Datos Operacionales Orientado a la aplicacin Actual Detallada Cambia continuamente Data Warehouse Datos del negocio para Informacin Orientado al sujeto Actual + histrico Detallada + ms resumida Estable
El ingreso de datos en el data warehouse viene desde el ambiente operacional en casi todos los casos. El data warehouse es siempre un almacn de datos transformados y separados fsicamente de la aplicacin donde se encontraron los datos en el ambiente operacional.
2 Sistemas de Informacin
Los sistemas de informacin se han dividido de acuerdo al siguiente esquema:
Sistemas Estratgicos, orientados a soportar la toma de decisiones, facilitan la labor de la direccin, proporcionndole un soporte bsico, en forma de mejor informacin, para la toma de decisiones. Se caracterizan porque son sistemas sin carga peridica de trabajo, es decir, su utilizacin no es predecible, al contrario de los casos anteriores, cuya utilizacin es peridica. Destacan entre estos sistemas: los Sistemas de Informacin Gerencial (MIS), Sistemas de Informacin Ejecutivos (EIS), Sistemas de Informacin Georeferencial (GIS), Sistemas de Simulacin de Negocios (BIS y que en la prctica son sistemas expertos o de Inteligencia Artificial - AI). Sistemas Tcticos, diseados para soportar las actividades de coordinacin de actividades y manejo de documentacin, definidos para facilitar consultas sobre informacin almacenada en el sistema, proporcionar informes y, en resumen, facilitar la gestin independiente de la informacin por parte de los niveles intermedios de la organizacin. Destacan entre ellos: los Sistemas Ofimticos (OA), Sistemas de Transmisin de Mensajera (Correo electrnico y Servidor de fax), coordinacin y control de tareas (Work Flow) y tratamiento de documentos (Imagen, Trmite y Bases de Datos Documentales). Sistemas Tcnico - Operativos, que cubren el ncleo de operaciones tradicionales de captura masiva de datos (Data Entry) y servicios bsicos de tratamiento de datos, con tareas predefinidas (contabilidad, facturacin, almacn, presupuesto, personal y otros sistemas administrativos). Estos sistemas estn evolucionando con la irrupcin de censores, autmatas, sistemas multimedia, bases de datos relacionales ms avanzadas y data warehousing. Sistemas Interinstitucionales, este ltimo nivel de sistemas de informacin recin est surgiendo, es consecuencia del desarrollo organizacional orientado a un mercado de carcter global, el cual obliga a pensar e implementar estructuras de comunicacin ms estrechas entre la organizacin y el mercado (Empresa Extendida, Organizacin Inteligente e Integracin Organizacional), todo esto a partir de la generalizacin de las redes informticas de alcance nacional y global
(INTERNET), que se convierten en vehculo de comunicacin entre la organizacin y el mercado, no importa dnde est la organizacin (INTRANET), el mercado de la institucin (EXTRANET) y el mercado (Red Global). Sin embargo, la tecnologa data warehousing basa sus conceptos y diferencias entre dos tipos fundamentales de sistemas de informacin en todas las organizaciones: los sistemas tcnico - operacionales y los sistemas de soporte de decisiones. Este ltimo es la base de un data warehouse.
2.1 Sistemas Tcnico - Operacionales

Como indica su nombre, son los sistemas que ayudan a manejar la empresa con sus operaciones cotidianas. Estos son los sistemas que operan sobre el "backbone" (columna vertebral) de cualquier empresa o institucin, entre las que se tiene sistemas de ingreso de rdenes, inventario, fabricacin, planilla y contabilidad, entre otros. Debido a su volumen e importancia en la organizacin, los sistemas operacionales siempre han sido las primeras partes de la empresa a ser computarizados. A travs de los aos, estos sistemas operacionales se han extendido, revisado, mejorado y mantenido al punto que hoy, ellos son completamente integrados en la organizacin. Desde luego, la mayora de las organizaciones grandes de todo el mundo, actualmente no podran operar sin sus sistemas operacionales y los datos que estos sistemas mantienen.
2.2 Sistemas de Soporte de Decisiones

Por otra parte, hay otras funciones dentro de la empresa que tienen que ver con el planeamiento, previsin y administracin de la organizacin. Estas funciones son tambin crticas para la supervivencia de la organizacin, especialmente en nuestro mundo de rpidos cambios. Las funciones como "planificacin de marketing", "planeamiento de ingeniera" y "anlisis financiero", requieren, adems, de sistemas de informacin que los soporte. Pero estas funciones son diferentes de las operacionales y los tipos de sistemas y la informacin requerida son tambin diferentes. Las funciones basadas en el conocimiento son los sistemas de soporte de decisiones. Estos sistemas estn relacionados con el anlisis de los datos y la toma de decisiones, frecuentemente, decisiones importantes sobre cmo operar la empresa, ahora y en el futuro. Estos sistemas no slo tienen un enfoque diferente al de los operacionales, sino que, por lo general, tienen un alcance diferente. Mientras las necesidades de los datos operacionales se enfocan normalmente hacia una sola rea, los datos para el soporte de decisiones, con frecuencia, toma un
nmero de reas diferentes y necesita cantidades grandes de datos operacionales relacionadas. Son estos sistemas sobre los que se basa la tecnologa data warehousing.
3 Caractersticas de un Data Warehouse

Entre las principales se tiene:
o o o o
Orientado al tema Integrado De tiempo variante No voltil
3.1 Orientado a Temas

Una primera caracterstica del data warehouse es que la informacin se clasifica en base a los aspectos que son de inters para la empresa. Siendo as, los datos tomados estn en contraste con los clsicos procesos orientados a las aplicaciones. En la Figura N 1 se muestra el contraste entre los dos tipos de orientaciones. El ambiente operacional se disea alrededor de las aplicaciones y funciones tales como prstamos, ahorros, tarjeta bancaria y depsitos para una institucin financiera. Por ejemplo, una aplicacin de ingreso de rdenes puede acceder a los datos sobre clientes, productos y cuentas. La base de datos combina estos elementos en una estructura que acomoda las necesidades de la aplicacin. En el ambiente data warehousing se organiza alrededor de sujetos tales como cliente, vendedor, producto y actividad. Por ejemplo, para un fabricante, stos pueden ser clientes, productos, proveedores y vendedores. Para una universidad pueden ser estudiantes, clases y profesores. Para un hospital pueden ser pacientes, personal mdico, medicamentos, etc. La alineacin alrededor de las reas de los temas afecta el diseo y la implementacin de los datos encontrados en el data warehouse. Las principales reas de los temas influyen en la parte ms importante de la estructura clave.
Las aplicaciones estn relacionadas con el diseo de la base de datos y del proceso. En data warehousing se enfoca el modelamiento de datos y el diseo de la base de datos. El diseo del proceso (en su forma clsica) no es separado de este ambiente. Las diferencias entre la orientacin de procesos y funciones de las aplicaciones y la orientacin a temas, radican en el contenido de la data a escala detallada. En el data warehouse se excluye la informacin que no ser usada por el proceso de
sistemas de soporte de decisiones, mientras que la informacin de las orientadas a las aplicaciones, contiene datos para satisfacer de inmediato los requerimientos funcionales y de proceso, que pueden ser usados o no por el analista de soporte de decisiones. Otra diferencia importante est en la interrelacin de la informacin. Los datos operacionales mantienen una relacin continua entre dos o ms tablas basadas en una regla comercial que est vigente. Las del data warehouse miden un espectro de tiempo y las relaciones encontradas en el data warehouse son muchas. Muchas de las reglas comerciales (y sus correspondientes relaciones de datos) se representan en el data warehouse, entre dos o ms tablas.
3.2 Integracin
El aspecto ms importante del ambiente data warehousing es que la informacin encontrada al interior est siempre integrada. La integracin de datos se muestra de muchas maneras: en convenciones de nombres consistentes, en la medida uniforme de variables, en la codificacin de estructuras consistentes, en atributos fsicos de los datos consistentes, fuentes mltiples y otros. El contraste de la integracin encontrada en el data warehouse con la carencia de integracin del ambiente de aplicaciones, se muestran en la Figura N 2, con diferencias bien marcadas. A travs de los aos, los diseadores de las diferentes aplicaciones han tomado sus propias decisiones sobre cmo se debera construir una aplicacin. Los estilos y diseos personalizados se muestran de muchas maneras. Se diferencian en la codificacin, en las estructuras claves, en sus caractersticas fsicas, en las convenciones de nombramiento y otros. La capacidad colectiva de muchos de los diseadores de aplicaciones, para crear aplicaciones inconsistentes, es fabulosa. La Figura N 2 mencionada, muestra algunas de las diferencias ms importantes en las formas en que se disean las aplicaciones. Codificacin. Los diseadores de aplicaciones codifican el campo GENERO en varias formas. Un diseador representa GENERO como una "M" y una "F", otros como un "1" y un "0", otros como una "X" y una "Y" e inclusive, como "masculino" y "femenino". No importa mucho cmo el GENERO llega al data warehouse. Probablemente "M" y "F" sean tan buenas como cualquier otra representacin. Lo importante es que sea de cualquier fuente de donde venga, el GENERO debe llegar al data warehouse en un estado integrado uniforme.
Por lo tanto, cuando el GENERO se carga en el data warehouse desde una aplicacin, donde ha sido representado en formato "M" y "F", los datos deben convertirse al formato del data warehouse. Medida de atributos. Los diseadores de aplicaciones miden las unidades de medida de las tuberas en una variedad de formas. Un diseador almacena los datos de tuberas en centmetros, otros en pulgadas, otros en millones de pies cbicos por segundo y otros en yardas. Al dar medidas a los atributos, la transformacin traduce las diversas unidades de medida usadas en las diferentes bases de datos para transformarlas en una medida estndar comn. Cualquiera que sea la fuente, cuando la informacin de la tubera llegue al data warehouse necesitar ser medida de la misma manera. Convenciones de Nombramiento. El mismo elemento es frecuentemente referido por nombres diferentes en las diversas aplicaciones. El proceso de transformacin asegura que se use preferentemente el nombre de usuario. Fuentes Mltiples. El mismo elemento puede derivarse desde fuentes mltiples. En este caso, el proceso de transformacin debe asegurar que la fuente apropiada sea usada, documentada y movida al depsito. Tal como se muestra en la figura, los puntos de integracin afectan casi todos los aspectos de diseo - las caractersticas fsicas de los datos, la disyuntiva de tener ms de una de fuente de datos, el problema de estndares de denominacin inconsistentes, formatos de fecha inconsistentes y otros. Cualquiera que sea la forma del diseo, el resultado es el mismo - la informacin necesita ser almacenada en el data warehouse en un modelo globalmente aceptable y singular, aun cuando los sistemas operacionales subyacentes almacenen los datos de manera diferente. Cuando el analista de sistema de soporte de decisiones observe el data warehouse, su enfoque deber estar en el uso de los datos que se encuentre en el depsito, antes que preguntarse sobre la confiabilidad o consistencia de los datos.
10
3.3 De Tiempo Variante

Toda la informacin del data warehouse es requerida en algn momento. Esta caracterstica bsica de los datos en un depsito, es muy diferente de la informacin encontrada en el ambiente operacional. En stos, la informacin se requiere al momento de acceder. En otras palabras, en el ambiente operacional, cuando usted accede a una unidad de informacin, usted espera que los valores requeridos se obtengan a partir del momento de acceso. Como la informacin en el data warehouse es solicitada en cualquier momento (es decir, no "ahora mismo"), los datos encontrados en el depsito se llaman de "tiempo variante". Los datos histricos son de poco uso en el procesamiento operacional. La informacin del depsito por el contraste, debe incluir los datos histricos para usarse en la identificacin y evaluacin de tendencias. (Ver Figura N 3).
El tiempo variante se muestra de varias maneras: 1. La ms simple es que la informacin representa los datos sobre un horizonte largo de tiempo - desde cinco a diez aos. El horizonte de tiempo representado para el ambiente operacional es mucho ms corto - desde valores actuales hasta sesenta a noventa das. Las aplicaciones que tienen un buen rendimiento y estn disponibles para el procesamiento de transacciones, deben llevar una cantidad mnima de datos si tienen cualquier grado de flexibilidad. Por ello, las aplicaciones operacionales tienen un corto horizonte de tiempo, debido al diseo de aplicaciones rgidas. 2. La segunda manera en la que se muestra el tiempo variante en el data warehouse est en la estructura clave. Cada estructura clave en el data warehouse contiene, implcita o explcitamente, un elemento de tiempo como da, semana, mes, etc. El elemento de tiempo est casi siempre al pie de la clave concatenada,
11
encontrada en el data warehouse. En ocasiones, el elemento de tiempo existir implcitamente, como el caso en que un archivo completo se duplica al final del mes, o al cuarto. 3. La tercera manera en que aparece el tiempo variante es cuando la informacin del data warehouse, una vez registrada correctamente, no puede ser actualizada. La informacin del data warehouse es, para todos los propsitos prcticos, una serie larga de "snapshots" (vistas instantneas). Por supuesto, si los snapshots de los datos se han tomado incorrectamente, entonces pueden ser cambiados. Asumiendo que los snapshots se han tomado adecuadamente, ellos no son alterados una vez hechos. En algunos casos puede ser no tico, e incluso ilegal, alterar los snapshots en el data warehouse. Los datos operacionales, siendo requeridos a partir del momento de acceso, pueden actualizarse de acuerdo a la necesidad.
3.4 No Voltil
La informacin es til slo cuando es estable. Los datos operacionales cambian sobre una base momento a momento. La perspectiva ms grande, esencial para el anlisis y la toma de decisiones, requiere una base de datos estable. En la Figura N 4 se muestra que la actualizacin (insertar, borrar y modificar), se hace regularmente en el ambiente operacional sobre una base de registro por registro. Pero la manipulacin bsica de los datos que ocurre en el data warehouse es mucho ms simple. Hay dos nicos tipos de operaciones: la carga inicial de datos y el acceso a los mismos. No hay actualizacin de datos (en el sentido general de actualizacin) en el depsito, como una parte normal de procesamiento. Hay algunas consecuencias muy importantes de esta diferencia bsica, entre el procesamiento operacional y del data warehouse. En el nivel de diseo, la necesidad de ser precavido para actualizar las anomalas no es un factor en el data warehouse, ya que no se hace la actualizacin de datos. Esto significa que en el nivel fsico de diseo, se pueden tomar libertades para optimizar el acceso a los datos, particularmente al usar la normalizacin y desnormalizacin fsica. Otra consecuencia de la simplicidad de la operacin del data warehouse est en la tecnologa subyacente, utilizada para correr los datos en el depsito. Teniendo que soportar la actualizacin de registro por registro en modo on-line (como es frecuente en el caso del procesamiento operacional) requiere que la tecnologa tenga un fundamento muy complejo debajo de una fachada de simplicidad.
12
La tecnologa permite realizar copias de seguridad y recuperacin, transacciones e integridad de los datos y la deteccin y solucin al estancamiento que es ms complejo. En el data warehouse no es necesario el procesamiento. La fuente de casi toda la informacin del data warehouse es el ambiente operacional. A simple vista, se puede pensar que hay redundancia masiva de datos entre los dos ambientes. Desde luego, la primera impresin de muchas personas se centra en la gran redundancia de datos, entre el ambiente operacional y el ambiente de data warehouse. Dicho razonamiento es superficial y demuestra una carencia de entendimiento con respecto a qu ocurre en el data warehouse. De hecho, hay una mnima redundancia de datos entre ambos ambientes. Se debe considerar lo siguiente: Los datos se filtran cuando pasan desde el ambiente operacional al de depsito. Existe mucha data que nunca sale del ambiente operacional. Slo los datos que realmente se necesitan ingresarn al ambiente de data warehouse. El horizonte de tiempo de los datos es muy diferente de un ambiente al otro. La informacin en el ambiente operacional es ms reciente con respecto a la del data warehouse. Desde la perspectiva de los horizontes de tiempo nicos, hay poca superposicin entre los ambientes operacional y de data warehouse. El data warehouse contiene un resumen de la informacin que no se encuentra en el ambiente operacional. Los datos experimentan una transformacin fundamental cuando pasa al data warehouse. La mayor parte de los datos se alteran significativamente al ser seleccionados y movidos al data warehouse. Dicho de otra manera, la mayora de los datos se alteran fsica y radicalmente cuando se mueven al depsito. No es la
13
misma data que reside en el ambiente operacional desde el punto de vista de integracin. En vista de estos factores, la redundancia de datos entre los dos ambientes es una ocurrencia rara, que resulta en menos de 1%.
4 Estructura del Data Warehouse

Los data warehouses tienen una estructura distinta. Hay niveles diferentes de esquematizacin y detalle que delimitan el data warehouse. La estructura de un data warehouse se muestra en la Figura N 5. En la figura, se muestran los diferentes componentes del data warehouse y son:

Detalle de datos actuales Detalle de datos antiguos Datos ligeramente resumidos Datos completamente resumidos Meta data
Detalle de datos actuales. En gran parte, el inters ms importante radica en el detalle de los datos actuales, debido a que:

Refleja las ocurrencias ms recientes, las cuales son de gran inters Es voluminoso, ya que se almacena al ms bajo nivel de granularidad. Casi siempre se almacena en disco, el cual es de fcil acceso, aunque su administracin sea costosa y compleja.
Detalle de datos antiguos. La data antigua es aquella que se almacena sobre alguna forma de almacenamiento masivo. No es frecuentemente su acceso y se almacena a un nivel de detalle, consistente con los datos detallados actuales. Mientras no sea prioritario el almacenamiento en un medio de almacenaje alterno, a causa del gran volumen de datos unido al acceso no frecuente de los mismos, es poco usual utilizar el disco como medio de almacenamiento. Datos ligeramente resumidos. La data ligeramente resumida es aquella que proviene desde un bajo nivel de detalle encontrado al nivel de detalle actual. Este nivel del data warehouse casi siempre se almacena en disco. Los puntos en los que se basa el diseador para construirlo son:

Que la unidad de tiempo se encuentre sobre la esquematizacin hecha. Qu contenidos (atributos) tendr la data ligeramente resumida.
Datos completamente resumidos. El siguiente nivel de datos encontrado en el data warehouse es el de los datos completamente resumidos. Estos datos son compactos y fcilmente accesibles.
14
A veces se encuentra en el ambiente de data warehouse y en otros, fuera del lmite de la tecnologa que ampara al data warehouse. (De todos modos, los datos
15
completamente resumidos son parte del data warehouse sin considerar donde se alojan los datos fsicamente.)
Metadata. El componente final del data warehouse es el de la metadata. De muchas maneras la metadata se sita en una dimensin diferente al de otros datos del data warehouse, debido a que su contenido no es tomado directamente desde el ambiente operacional.
La metadata juega un rol especial y muy importante en el data warehouse y es usada como:

Un directorio para ayudar al analista a ubicar los contenidos del data warehouse. Una gua para la trazabilidad de los datos, de cmo se transforma, del ambiente operacional al de data warehouse. Una gua de los algoritmos usados para la esquematizacin entre el detalle de datos actual, con los datos ligeramente resumidos y stos, con los datos completamente resumidos, etc.
La metadata juega un papel mucho ms importante en un ambiente data warehousing que en un operacional clsico. A fin de recordar los diferentes niveles de los datos encontrados en el data warehouse, considere el ejemplo mostrado en la Figura N 6. El detalle de ventas antiguas son las que se encuentran antes de 1992. Todos los detalles de ventas desde 1982 (o cuando el diseador inici la coleccin de los archivos) son almacenados en el nivel de detalle de datos ms antiguo. El detalle actual contiene informacin desde 1992 a 1993 (suponiendo que 1993 es el ao actual). En general, el detalle de ventas no se ubica en el nivel de detalle actual hasta que haya pasado, por lo menos, veinticuatro horas desde que la informacin de ventas llegue a estar disponible en el ambiente operacional.
16
17
En otras palabras, habra un retraso de tiempo de por lo menos veinticuatro horas, entre el tiempo en que en el ambiente operacional se haya hecho un nuevo ingreso de la venta y el momento cuando la informacin de la venta haya ingresado al data warehouse. El detalle de las ventas son resumidas semanalmente por lnea de subproducto y por regin, para producir un almacenamiento de datos ligeramente resumidos. El detalle de ventas semanal es adicionalmente resumido en forma mensual, segn una gama de lneas, para producir los datos completamente resumidos. La metadata contiene (al menos):

La estructura de los datos Los algoritmos usados para la esquematizacin La trazabilidad desde el ambiente operacional al data warehouse
La informacin adicional que no se esquematiza es almacenada en el data warehouse. En muchas ocasiones, all se har el anlisis y se producir un tipo u otro de resumen. El nico tipo de esquematizacin que se almacena permanentemente en el data warehouse, es el de los datos que son usados frecuentemente. En otras palabras, si un analista produce un resumen que tiene una probabilidad muy baja de ser usado nuevamente, entonces la esquematizacin no es almacenada en el data warehouse.
5 Arquitectura de un Data Warehouse

Una de las razones por las que el desarrollo de un data warehouse crece rpidamente, es que realmente es una tecnologa muy entendible. De hecho, data warehousing puede representar mejor la estructura amplia de una empresa para administrar los datos informacionales dentro de la organizacin. A fin de comprender cmo se relacionan todos los componentes involucrados en una estrategia data warehousing, es esencial tener una Arquitectura Data Warehouse.
18
5.1 Elementos constituyentes de una Arquitectura Data Warehouse

Una Arquitectura Data Warehouse (Data Warehouse Architecture - DWA) es una forma de representar la estructura total de datos, comunicacin, procesamiento y presentacin, que existe para los usuarios finales que disponen de una computadora dentro de la empresa. La arquitectura se constituye de un nmero de partes interconectadas:

Base de datos operacional / Nivel de base de datos externo Nivel de acceso a la informacin Nivel de acceso a los datos Nivel de directorio de datos (Metadata) Nivel de gestin de proceso Nivel de mensaje de la aplicacin Nivel de data warehouse Nivel de organizacin de datos
5.1.1 Base de datos operacional / Nivel de base de datos externo

Los sistemas operacionales procesan datos para apoyar las necesidades operacionales crticas. Para hacer eso, se han creado las bases de datos operacionales histricas que proveen una estructura de procesamiento eficiente, para un nmero relativamente pequeo de transacciones comerciales bien definidas. Sin embargo, a causa del enfoque limitado de los sistemas operacionales, las bases de datos diseadas para soportar estos sistemas, tienen dificultad al acceder a los datos para otra gestin o propsitos informticos.
19
Esta dificultad en acceder a los datos operacionales es amplificada por el hecho que muchos de estos sistemas tienen de 10 a 15 aos de antigedad. El tiempo de algunos de estos sistemas significa que la tecnologa de acceso a los datos disponible para obtener los datos operacionales, es as mismo antigua. Ciertamente, la meta del data warehousing es liberar la informacin que es almacenada en bases de datos operacionales y combinarla con la informacin desde otra fuente de datos, generalmente externa. Cada vez ms, las organizaciones grandes adquieren datos adicionales desde bases de datos externas. Esta informacin incluye tendencias demogrficas, economtricas, adquisitivas y competitivas (que pueden ser proporcionadas por Instituciones Oficiales - INEI). Internet o tambin llamada "information superhighway" (supercarretera de la informacin) provee el acceso a ms recursos de datos todos los das.
5.1.2 Nivel de acceso a la informacin

El nivel de acceso a la informacin de la arquitectura data warehouse, es el nivel del que el usuario final se encarga directamente. En particular, representa las herramientas que el usuario final normalmente usa da a da. Por ejemplo: EXCEL, LOTUS 1-2-3, FOCUS, ACCESS, SAS, etc. Este nivel tambin incluye el hardware y software involucrados en mostrar informacin en pantalla y emitir reportes de impresin, hojas de clculo, grficos y diagramas para el anlisis y presentacin. Hace dos dcadas que el nivel de acceso a la informacin se ha expandido enormemente, especialmente a los usuarios finales quienes se han volcado a los PCS monousuarios y los PCS en redes. Actualmente, existen herramientas ms y ms sofisticadas para manipular, analizar y presentar los datos, sin embargo, hay problemas significativos al tratar de convertir los datos tal como han sido recolectados y que se encuentran contenidos en los sistemas operacionales en informacin fcil y transparente para las herramientas de los usuarios finales. Una de las claves para esto es encontrar un lenguaje de datos comn que puede usarse a travs de toda la empresa.
5.1.3 Nivel de acceso a los datos

El nivel de acceso a los datos de la arquitectura data warehouse est involucrado con el nivel de acceso a la informacin para conversar en el nivel operacional. En la red mundial de hoy, el lenguaje de datos comn que ha surgido es SQL. Originalmente, SQL fue desarrollado por IBM como un lenguaje de consulta, pero en los ltimos veinte aos ha llegado a ser el estndar para el intercambio de datos. Uno de los adelantos claves de los ltimos aos ha sido el desarrollo de una serie de "filtros" de acceso a datos, tales como EDA/SQL para acceder a casi todo los Sistemas de Gestin de Base de Datos (Data Base Management Systems DBMSs) y sistemas de archivos de datos, relacionales o no. Estos filtros permiten a
20
las herramientas de acceso a la informacin, acceder tambin a la data almacenada en sistemas de gestin de base de datos que tienen veinte aos de antigedad. El nivel de acceso a los datos no solamente conecta DBMSS diferentes y sistemas de archivos sobre el mismo hardware, sino tambin a los fabricantes y protocolos de red. Una de las claves de una estrategia data warehousing es proveer a los usuarios finales con "acceso a datos universales". El acceso a los datos universales significa que, tericamente por lo menos, los usuarios finales sin tener en cuenta la herramienta de acceso a la informacin o ubicacin, deberan ser capaces de acceder a cualquier o todos los datos en la empresa que es necesaria para ellos, para hacer su trabajo. El nivel de acceso a los datos entonces es responsable de la interfaces entre las herramientas de acceso a la informacin y las bases de datos operacionales. En algunos casos, esto es todo lo que un usuario final necesita. Sin embargo, en general, las organizaciones desarrollan un plan mucho ms sofisticado para el soporte del data warehousing.
5.1.4 Nivel de Directorio de Datos (Metadata)

A fin de proveer el acceso a los datos universales, es absolutamente necesario mantener alguna forma de directorio de datos o repositorio de la informacin metadata. La metadata es la informacin alrededor de los datos dentro de la empresa. Las descripciones de registro en un programa COBOL son metadata. Tambin lo son las sentencias DIMENSION en un programa FORTRAN o las sentencias a crear en SQL. A fin de tener un depsito totalmente funcional, es necesario tener una variedad de metadata disponibles, informacin sobre las vistas de datos de los usuarios finales e informacin sobre las bases de datos operacionales. Idealmente, los usuarios finales deberan de acceder a los datos desde el data warehouse (o desde las bases de datos operacionales), sin tener que conocer dnde residen los datos o la forma en que se han almacenados.
5.1.5 Nivel de Gestin de Procesos

El nivel de gestin de procesos tiene que ver con la programacin de diversas tareas que deben realizarse para construir y mantener el data warehouse y la informacin del directorio de datos. Este nivel puede depender del alto nivel de control de trabajo para muchos procesos (procedimientos) que deben ocurrir para mantener el data warehouse actualizado.
21
5.1.6 Nivel de Mensaje de la Aplicacin

El nivel de mensaje de la aplicacin tiene que ver con el transporte de informacin alrededor de la red de la empresa. El mensaje de aplicacin se refiere tambin como "subproducto", pero puede involucrar slo protocolos de red. Puede usarse por ejemplo, para aislar aplicaciones operacionales o estratgicas a partir del formato de datos exacto, recolectar transacciones o los mensajes y entregarlos a una ubicacin segura en un tiempo seguro.
5.1.7 Nivel Data Warehouse (Fsico)

En el data warehouse (ncleo) es donde ocurre la data actual, usada principalmente para usos estratgicos. En algunos casos, uno puede pensar del data warehouse simplemente como una vista lgica o virtual de datos. En muchos ejemplos, el data warehouse puede no involucrar almacenamiento de datos. En un data warehouse fsico, copias, en algunos casos, muchas copias de datos operacionales y/o externos, son almacenados realmente en una forma que es fcil de acceder y es altamente flexible. Cada vez ms, los data warehouses son almacenados sobre plataformas cliente/servidor, pero por lo general se almacenan sobre mainframes.
5.1.8 Nivel de Organizacin de Datos

El componente final de la arquitectura data warehouse es la organizacin de los datos. Se llama tambin gestin de copia o rplica, pero de hecho, incluye todos los procesos necesarios como seleccionar, editar, resumir, combinar y cargar datos en el depsito y acceder a la informacin desde bases de datos operacionales y/o externas. La organizacin de datos involucra con frecuencia una programacin compleja, pero cada vez ms, estn crendose las herramientas data warehousing para ayudar en este proceso. Involucra tambin programas de anlisis de calidad de datos y filtros que identifican modelos y estructura de datos dentro de la data operacional existente.
5.2 Operaciones en un Data Warehouse

En la Figura N 8 se muestra algunos de los tipos de operaciones que se efectan dentro de un ambiente data warehousing.
22
5.2.1 Sistemas Operacionales

Los datos administrados por los sistemas de aplicacin operacionales son la fuente principal de datos para el data warehouse. Las bases de datos operacionales se organizan como archivos indexados (UFAS, VSAM), bases de datos de redes/jerrquicas (I-D-S/II, IMS, IDMS) o sistemas de base de datos relacionales (DB2, ORACLE, INFORMIX, etc.). Segn las encuestas, aproximadamente del 70% a 80% de las bases de datos de las empresas se organizan usando DBMSS no relacional.
5.2.2 Extraccin, Transformacin y Carga de los Datos

Se requieren herramientas de gestin de datos para extraer datos desde bases de datos y/o archivos operacionales, luego es necesario manipular o transformar los datos antes de cargar los resultados en el data warehouse. Tomar los datos desde varias bases de datos operacionales y transformarlos en datos requeridos para el depsito, se refiere a la transformacin o a la integracin de datos. Las bases de datos operacionales, diseadas para el soporte de varias aplicaciones de produccin, frecuentemente difieren en el formato. Los mismos elementos de datos, si son usados por aplicaciones diferentes o administrados por diferentes software DBMS, pueden definirse al usar nombres de elementos inconsistentes, que tienen formatos inconsistentes y/o ser codificados de manera diferente. Todas estas inconsistencias deben resolverse antes que los elementos de datos sean almacenados en el data warehouse.
23
5.2.3 Metadata
Otro paso necesario es crear la metadata. La metadata (es decir, datos acerca de datos) describe los contenidos del data warehouse. La metadata consiste de definiciones de los elementos de datos en el depsito, sistema(s) del (os) elemento(s) fuente. Como la data, se integra y transforma antes de ser almacenada en informacin similar.
5.2.4 Acceso de usuario final

Los usuarios acceden al data warehouse por medio de herramientas de productividad basadas en GUI (Graphical User Interface - Interface grfica de usuario). Pueden proveerse a los usuarios del data warehouse muchos de estos tipos de herramientas. Estos pueden incluir software de consultas, generadores de reportes, procesamiento analtico en lnea, herramientas data/visual mining, etc., dependiendo de los tipos de usuarios y sus requerimientos particulares. Sin embargo, una sola herramienta no satisface todos los requerimientos, por lo que es necesaria la integracin de una serie de herramientas.
5.2.5 Plataforma del data warehouse

La plataforma para el data warehouse es casi siempre un servidor de base de datos relacional. Cuando se manipulan volmenes muy grandes de datos puede requerirse una configuracin en bloque de servidores UNIX con multiprocesador simtrico (SMP) o un servidor con procesador paralelo masivo (MPP) especializado. Los extractos de la data integrada/transformada se cargan en el data warehouse. Uno de los ms populares RDBMSs disponibles para data warehousing sobre la plataforma UNIX (SMP y MPP) generalmente es Teradata. La eleccin de la plataforma es crtica. El depsito crecer y hay que comprender los requerimientos despus de 3 o 5 aos. Muchas de las organizaciones quieran o no escogen una plataforma por diversas razones: el Sistema X es nuestro sistema elegido o el Sistema Y est ya disponible sobre un sistema UNIX que nosotros ya tenemos. Uno de los errores ms grandes que las organizaciones cometen al seleccionar la plataforma, es que ellos presumen que el sistema (hardware y/o DBMS) escalar con los datos. El sistema de depsito ejecuta las consultas que se pasa a los datos por el software de acceso a los datos del usuario. Aunque un usuario visualiza las consultas desde el punto de vista de un GUI, las consultas tpicamente se formulan como pedidos SQL, porque SQL es un lenguaje universal y el estndar de hecho para el acceso a datos.
24
2.5.6 Datos Externos

Dependiendo de la aplicacin, el alcance del data warehouse puede extenderse por la capacidad de acceder a la data externa. Por ejemplo, los datos accesibles por medio de servicios de computadora en lnea (tales como CompuServe y America On Line) y/o va Internet, pueden estar disponibles a los usuarios del data warehouse.
Evolucin del Depsito

Construir un data warehouse es una tarea grande. No es recomendable emprender el desarrollo del data warehouse de la empresa como un proyecto cualquiera. Ms bien, se recomienda que los requerimientos de una serie de fases se desarrollen e implementen en modelos consecutivos que permitan un proceso de implementacin ms gradual e iterativo. No existe ninguna organizacin que haya triunfado en el desarrollo del data warehouse de la empresa, en un slo paso. Muchas, sin embargo, lo han logrado luego de un desarrollo paso a paso. Los pasos previos evolucionan conjuntamente con la materia que est siendo agregada. Los datos en el data warehouse no son voltiles y es un repositorio de datos de slo lectura (en general). Sin embargo, pueden aadirse nuevos elementos sobre una base regular para que el contenido siga la evolucin de los datos en la base de datos fuente, tanto en los contenidos como en el tiempo. Uno de los desafos de mantener un data warehouse, es idear mtodos para identificar datos nuevos o modificados en las bases de datos operacionales. Algunas maneras para identificar estos datos incluyen insertar fecha/tiempo en los registros de base de datos y entonces crear copias de registros actualizados y copiar informacin de los registros de transaccin y/o base de datos diarias. Estos elementos de datos nuevos y/o modificados son extrados, integrados, transformados y agregados al data warehouse en pasos peridicos programados. Como se aaden las nuevas ocurrencias de datos, los datos antiguos son eliminados. Por ejemplo, si los detalles de un sujeto particular se mantienen por 5 aos, como se agreg la ltima semana, la semana anterior es eliminada.
6 Transformacion de Datos y Metadata

6.1 Transformacin de Datos
Uno de los desafos de cualquier implementacin de data warehouse, es el problema de transformar los datos. La transformacin se encarga de las inconsistencias en los formatos de datos y la codificacin, que pueden existir dentro de una base de datos nica y que casi siempre existen cuando mltiples bases de datos contribuyen al data warehouse.
25
En la Figura N 9 se ilustra una forma de inconsistencia, en la cual el gnero se codifica de manera diferente en tres bases de datos diferentes. Los procesos de transformacin de datos se desarrollan para direccionar estas inconsistencias.
La transformacin de datos tambin se encarga de las inconsistencias en el contenido de datos. Una vez que se toma la decisin sobre que reglas de transformacin sern establecidas, deben crearse e incluirse las definiciones en las rutinas de transformacin. Se requiere una planificacin cuidadosa y detallada para transformar datos inconsistentes en conjuntos de datos conciliables y consistentes para cargarlos en el data warehouse.
6.2 Metadata
Otro aspecto de la arquitectura de data warehouse es crear soporte a la metadata. Metadata es la informacin sobre los datos que se alimenta, se transforma y existe en el data warehouse. Metadata es un concepto genrico, pero cada implementacin de la metadata usa tcnicas y mtodos especficos. Estos mtodos y tcnicas son dependientes de los requerimientos de cada organizacin, de las capacidades existentes y de los requerimientos de interfaces de usuario. Hasta ahora, no hay normas para la metadata, por lo que la metadata debe definirse desde el punto de vista del software data warehousing, seleccionado para una implementacin especfica.
26
Tpicamente, la metadata incluye los siguientes tems:

Las estructuras de datos que dan una visin de los datos al administrador de datos. Las definiciones del sistema de registro desde el cual se construye el data warehouse. Las especificaciones de transformaciones de datos que ocurren tal como la fuente de datos se replica al data warehouse.
El modelo de datos del data warehouse (es decir, los elementos de datos y sus relaciones). Un registro de cuando los nuevos elementos de datos se agregan al data warehouse y cuando los elementos de datos antiguos se eliminan o se resumen. Los niveles de sumarizacin, el mtodo de sumarizacin y las tablas de registros de su data warehouse. Algunas implementaciones de la metadata tambin incluyen definiciones de la(s) vista(s) presentada(s) a los usuarios del data warehouse. Tpicamente, se definen vistas mltiples para favorecer las preferencias variadas de diversos grupos de usuarios. En otras implementaciones, estas descripciones se almacenan en un Catlogo de Informacin. Los esquemas y subesquemas para bases de datos operacionales, forman una fuente ptima de entrada cuando se crea la metadata. Hacer uso de la documentacin existente, especialmente cuando est disponible en forma electrnica, puede acelerar el proceso de definicin de la metadata del ambiente data warehousing. La metadata sirve, en un sentido, como el corazn del ambiente data warehousing. Crear definiciones de metadata completa y efectiva puede ser un proceso que consuma tiempo, pero lo mejor de las definiciones y si usted usa herramientas de gestin de software integrado, son los esfuerzos que darn como resultado el mantenimiento del data warehouse.
7 Flujo de Datos
Existe un flujo de datos normal y predecible dentro del data warehouse. La Figura N 10 muestra ese flujo. Los datos ingresan al data warehouse desde el ambiente operacional. (Hay pocas excepciones a esta regla). Al ingresar al data warehouse, la informacin va al nivel de detalle actual, tal como se muestra. Se queda all y se usa hasta que ocurra uno de los tres eventos siguientes:
27
Sea eliminado Sea resumido Sea archivado
Con el proceso de desactualizacin en un data warehouse se mueve el detalle de la data actual a data antigua, basado en el tiempo de los datos. El proceso de esquematizacin usa el detalle de los datos para calcular los datos en forma ligera y completamente resumidos. Hay pocas excepciones al flujo mostrado. Sin embargo, en general, para la mayora de datos encontrados en un data warehouse, el flujo de la informacin es como se ha explicado.
8 Medios de Almacenamiento para Informacion Antigua

El smbolo mostrado en la Figura N 11 para medios de almacenamiento de informacin antigua es la cinta magntica, que puede usarse para almacenar este tipo de informacin. De hecho hay una amplia variedad de medios de almacenamiento que deben considerarse para almacenar datos ms antiguos. En la figura se muestra algunos de esos medios.
28
Dependiendo del volumen de informacin, la frecuencia de acceso, el costo de los medios y el tipo de acceso, es probable que otros medios de almacenamiento sirvan a las necesidades del nivel de detalle ms antiguo en el data warehouse.
9 Usos del Data Warehouse

Los datos operacionales y los datos del data warehouse son accedidos por usuarios que usan los datos de maneras diferentes.
Uso de Base Operacionales Consultas actualizables Cantidades detallados de Datos Uso de Data Warehouse Pocos usuarios concurrentes y Consultas complejas, anticipadas. datos frecuentemente no
Muchos usuarios concurrentes predefinidas pequeas de de
Cantidades grandes de datos detallados Requerimientos de respuesta no crticos
Requerimientos inmediata
respuesta
Maneras diferentes de uso de datos

Los usuarios de un data warehouse necesitan acceder a los datos complejos, frecuentemente desde fuentes mltiples y de formas no predecibles. Los usuarios que accedan a los datos operacionales, comnmente efectan tareas predefinidas que, generalmente requieren acceso a una sola base de datos de una aplicacin. Por el contrario, los usuarios que accedan al data warehouse, efectan tareas que requieren acceso a un conjunto de datos desde fuentes mltiples y frecuentemente no son predecibles. Lo nico que se conoce (si es modelada correctamente) es el conjunto inicial de datos que se han establecido en el depsito.
29
Por ejemplo, un especialista en el cuidado de la salud podra necesitar acceder a los datos actuales e histricos para analizar las tendencias de costos, usando un conjunto de consultas predefinidas. Por el contrario, un representante de ventas podra necesitar acceder a los datos de cliente y producto para evaluar la eficacia de una campaa de marketing, creando consultas base o ad-hoc para encontrar nuevamente necesidades definidas.
Slo pocos usuarios acceden a los datos concurrentemente

En contraste a la produccin de sistemas que pueden manejar cientos o miles de usuarios concurrentes, al data warehouse acceda un limitado conjunto de usuarios en cualquier tiempo determinado.
Los usuarios generan un procesamiento no predecible complejo

Los usuarios del data warehouse generan consultas complejas. A veces la respuesta a una consulta conduce a la formulacin de otras preguntas ms detalladas, en un proceso llamado drilling down. El data warehouse puede incluir niveles de resmenes mltiples, derivado de un conjunto principal, nico, de datos detallados, para soportar este tipo de uso. En efecto, los usuarios frecuentemente comienzan buscando en los datos resumidos y como identifican reas de inters, comienzan a acceder al conjunto de datos detallado. Los conjuntos de datos resumidos representan el "Qu" de una situacin y los conjuntos de datos detallados permiten a los usuarios construir un cuadro sobre "Cmo" se ha derivado esa situacin.
Las consultas de los usuarios accedan a cantidades grandes de datos

Debido a la necesidad de investigar tendencias y evaluar las relaciones entre muchas clases de datos, las consultas al data warehouse permiten acceder a volmenes muy grandes tanto de data detallada como resumida. Debido a los requerimientos de datos histricos, los data warehouses evolucionan para llegar a un tamao ms grande que sus orgenes operacionales (de 10 a 100 veces ms grande).
Las consultas de los usuarios no tienen tiempos de respuesta crticos

Las transacciones operacionales necesitan una respuesta inmediata porque un cliente puede estar esperando una respuesta. En el data warehouse, por el contrario, tiene un requerimiento de respuesta no crtico porque el resultado frecuentemente se usa en un proceso de anlisis y toma de decisiones. Aunque los tiempos de respuesta no son crticos, los usuarios esperan una respuesta dentro del mismo da en que es hecha la consulta.
30
Por lo general, los diferentes niveles de datos dentro del data warehouse reciben diferentes usos. A ms alto nivel de esquematizacin, se tiene mayor uso de los datos. En la Figura N 12 se muestra que hay mayor uso de los datos completamente resumidos, a diferencia de la informacin antigua que apenas es usada. Hay una buena razn para mover una organizacin al paradigma sugerido en la figura, la utilizacin del recurso. La data ms resumida, permite capturar los datos en forma ms rpida y eficiente. Si en una tarea se encuentra que se hace mucho procesamiento a niveles de detalle del data warehouse, entonces se consumir muchos recursos de mquina. Es mejor hacer el procesamiento a niveles ms altos de esquematizacin como sea posible. Para muchas tareas, el analista de sistemas de soporte de decisiones usa la informacin detallada en un pre data warehouse. La seguridad de la informacin de detalle se consigue de muchas maneras, aun cuando estn disponibles otros niveles de esquematizacin. Una de las actividades del diseador de datos es el de desconectar al usuario del sistema de soporte de decisiones del uso constante de datos con un detalle ms bajo. El diseador de datos tiene dos predisposiciones: a. Instalar un sistema chargeback, donde el usuario final pague por los recursos consumidos b. Sealar el mejor tiempo de respuesta que puede obtenerse cuando se trabaja con la data a un nivel alto de esquematizacin, a diferencia de un pobre tiempo de respuesta que resulta de trabajar con los datos a un nivel bajo de detalle. Para ilustrar cmo un data warehouse puede ayudar a una organizacin a mejorar sus operaciones, se muestra un ejemplo de lo que es el desarrollo de actividades sin tener un data warehouse.
31
Ejemplo: Preparacin de un reporte complejo

Considere un problema bastante tpico en una compaa de fabricacin grande en el que se pide una informacin (un reporte) que no est disponible. El informe incluye las finanzas actuales, el inventario y la condicin de personal, acompaado de comparaciones del mes actual con el anterior y el mismo mes del
32
ao anterior, con una comparacin adicional de los 3 aos precedentes. Se debe explicar cada desviacin de la tendencia que cae fuera de un rango predefinido. Sin un data warehouse, el informe es preparado de la manera siguiente: La informacin financiera actual se obtiene desde una base de datos mediante un programa de extraccin de datos, el inventario actual de otro programa de extraccin de otra base de datos, la condicin actual de personal de un tercer programa de extraccin y la informacin histrica desde una copia de seguridad de cinta magntica o CD-ROM. Lo ms interesante es que se ha pedido otro informe que contine al primer informe (debido a que las preguntas se originaron a partir del anterior). El hecho es, que ninguno de los trabajos realizados hasta aqu (por ejemplo, diversos programas de extraccin) se pueden usar para los prximos o para cualquier reporte subsiguiente. Imagine el tiempo y el esfuerzo que se ha desperdiciado por un enfoque anticuado. (Ver Figura N 13). Las inconsistencias deben identificarse en cada conjunto de datos extrados y resolverse, por lo general, manualmente. Cuando se completa todo este procesamiento, el reporte puede ser formateado, impreso, revisado y transmitido. Nuevamente, el punto importante aqu es que todo el trabajo desempeado para hacer este informe no afecta a otros reportes que pueden solicitarse es decir, todos ellos son independientes y caros, desde el punto de vista de recursos y productividad. Al crear un data warehouse y combinar todos los datos requeridos, se obtienen los siguientes beneficios: Las inconsistencias de los datos se resuelven automticamente cuando los elementos de datos se cargan en el data warehouse, no manualmente, cada vez que se prepara un reporte. Los errores que ocurrieron durante el proceso complejo de la preparacin del informe, se minimizan porque el proceso es ahora mucho ms simple. Los elementos de datos son fcilmente accesibles para otros usos, no slo para un reporte particular. Se crea una sola fuente.
33
10 Consideraciones Adicionales
Hay algunas consideraciones adicionales que deben tenerse en cuenta al construir y administrar el data warehouse. La primera consideracin es respecto al ndice. La informacin de los niveles de esquematizacin ms altos pueden ser libremente indexados, mientras que las de los niveles ms bajos de detalle, por ser tan voluminosa, pueden ser indexados moderadamente. Por lo mismo, los datos en los niveles ms altos de detalle pueden ser reestructurados fcilmente, mientras que el volumen de datos en los niveles ms inferiores es tan grande, que los datos no pueden ser fcilmente reestructurados. Por consiguiente, el modelo de datos y el diseo clsico fundamentan que el data warehouse se aplique casi exclusivamente al nivel actual de detalle. En otras
34
palabras, las actividades de modelamiento de datos no se aplican a los niveles de esquematizacin, en casi todos los casos. Otra consideracin estructural es la particin de la informacin en el data warehouse. El nivel de detalle actual es casi siempre particionado. La particin puede hacerse de dos maneras: al nivel de DBMS y al nivel de la aplicacin. En la particin DBMS, se conoce las particiones y se administra por consiguiente. En el caso de la particin de las aplicaciones, slo los programadores de las mismas conocen las particiones y la responsabilidad de su administracin es asignada a ellos. Al interior de las particiones DBMS, mucho de los trabajos de infraestructura se hacen automticamente. Pero existe un elevado grado de rigidez asociada con la gestin automtica de las particiones. En el caso de las particiones de las aplicaciones del data warehouse, la mayor parte del trabajo recae sobre el programador, pero el resultado final es que la gestin de datos es ms flexible.
11 Ejemplo de un Data Warehouse

En la Figura N 14 se muestra un ejemplo hipottico de un data warehouse estructurado para un centro de produccin industrial.
35
Se muestra slo el detalle actual, no as los niveles de esquematizacin ni los archivos de detalle ms antiguos. Adems, se observa que hay tablas del mismo tipo divididas a travs del tiempo. Por ejemplo, para el histrico de la fabricacin de las piezas, hay muchas tablas separadas fsicamente, representando cada una un trimestre diferente. La
36
estructura de los datos es consistente con la tabla de la elaboracin de las piezas, aunque fsicamente hay muchas tablas que lgicamente incluyen el histrico. Para los diferentes tipos de tablas hay diferentes unidades de tiempo que fsicamente dividen las unidades de informacin. El histrico de fabricacin est dividido por trimestres, el histrico de la orden de piezas est dividido por aos y el histrico de cliente es un archivo nico, no dividido por el tiempo. As tambin, las diferentes tablas son vinculadas por medio de un identificador comn, piezas u rdenes de piezas (la representacin de la interrelacin en el ambiente de depsito toma una forma muy diferente al de otros ambientes, tal como el ambiente operacional).
12 Excepciones en el Data Warehouse

Mientras que los componentes del data warehouse trabajan de acuerdo al modelo descrito para casi todos los datos, hay pocas excepciones tiles que necesitan ser discutidas. Una de ellas es la data resumida pblica, que es la data que ha sido calculada fuera del data warehouse pero es usada a travs de la corporacin. La data resumida pblica se almacena y administra en el data warehouse, aunque su clculo se haya hecho fuera de l. Un ejemplo clsico de data resumida pblica es el archivamiento trimestral hecho por cada compaa pblica. Los contadores trabajan para producir cantidades como rentas trimestrales, gastos trimestrales, ganancias trimestrales y otros. El trabajo hecho por los contadores est fuera del data warehouse. Sin embargo, esas cantidades referenciales producidas por ellos se usan ampliamente dentro de la corporacin para marketing, ventas, etc. Una vez que se haya hecho el archivo, los datos se almacenan en el data warehouse. Otra excepcin no considerada en este documento es la data externa. Otro excepcional tipo de datos a veces encontrados en un data warehouse es el detalle de los datos permanentes, que resulta de la necesidad de una corporacin para almacenar la data a un nivel detallado permanentemente por razones ticas o legales. Si una corporacin expone a sus trabajadores a sustancias peligrosas hay una necesidad de detalle de datos permanente. Si una corporacin produce un producto que involucra la seguridad pblica, tal como la construccin de las partes de aviones, hay una necesidad de datos permanentes. Si una corporacin se compromete con contratos peligrosos, hay una necesidad de detalle de datos permanentes. La organizacin simplemente no puede dejar los detalles porque en futuros aos, en el caso de una demanda, una notificacin, un edificio en disputa, etc., se
37
incrementara la exposicin de la compaa. Por lo tanto hay un nico tipo de datos en el data warehouse conocido como detalle de datos permanentes. El detalle de datos permanentes comparte muchas de las mismas consideraciones como otro data warehouse, excepto que:

El medio donde se almacena la data debe ser tan seguro como sea posible. Los datos deben permitir ser restaurados. Los datos necesitan un tratamiento especial en su indexacin, ya que de otra manera los datos pueden no ser accesibles aunque se haya almacenado con mucha seguridad.
38
Data Warehousing: Proyecto

Data Warehousing-Realizacin de un proyecto
1. Organizacin
La planificacin es el proceso ms importante que determina la clase de tipo de estrategias data warehousing que una organizacin iniciar.
1.1 Factores en la Planificacion de un Data Warehouse

No existe una frmula de garanta real para el xito de la construccin de un data warehouse, pero hay muchos puntos que contribuyen a ese objetivo. A continuacin, se indican algunos puntos claves que deben considerarse en la planificacin de un data warehouse:
Establecer una asociacin de usuarios, gestin y grupos

Es esencial involucrar tanto a los usuarios como a la gestin para asegurar que el data warehouse contenga informacin que satisfaga los requerimientos de la empresa. La gestin puede ayudar a priorizar la fase de la implementacin del data warehouse, as como tambin la seleccin de herramientas del usuario. Los usuarios y la gestin justifican los costos del data warehouse sobre cmo ser "su ambiente" y est basado primero en lo esperado y segundo, en el valor comercial real.
Seleccionar una aplicacin piloto con una alta probabilidad de xito

Una aplicacin piloto de alcance limitado, con un reembolso medible para los usuarios y la gestin, establecer el data warehouse como una tecnologa clave para la empresa. Estos mismos criterios (alcance limitado, reembolso medible y beneficios claros para la empresa) se aplican a cada fase de la implementacin de un data warehouse.
Construir prototipos rpida y frecuentemente

La nica manera para asegurar que el data warehouse rena las necesidades de los usuarios, es hacer el prototipo a lo largo del proceso de implementacin y an ms all, as como agregar los nuevos datos y/o los modelos en forma permanente. El trabajo continuo con los usuarios y la gestin es, nuevamente, la clave.
39
Implementacin incremental
La implementacin incremental reduce riesgos y asegura que el tamao del proyecto permanezca manejable en cada fase.
Reportar activamente y publicar los casos exitosos

La retroalimentacin de los usuarios ofrece una excelente oportunidad para publicar los hechos exitosos dentro de una organizacin. La publicidad interna sobre cmo el data warehouse ha ayudado a los usuarios a operar ms efectivamente puede apoyar la construccin del data warehouse a lo largo de una empresa. La retroalimentacin del usuario tambin ayuda a comprender cmo evoluciona la implementacin del data warehouse a travs del tiempo para reunir requerimientos de usuario nuevamente identificados.
1.2 Estrategias para el Desarrollo de un Data Warehouse

Antes de desarrollar un data warehouse, es crtico el desarrollo de una estrategia equilibrada que sea apropiada para sus necesidades y sus usuarios. Las preguntas que deben tenerse en cuenta son:

Quin es el auditorio? Cul es el alcance? Qu tipo de data warehouse debera construirse?
Existe un nmero de estrategias mediante las cuales las organizaciones pueden conseguir sus data warehouses.
Primera
Establecer un ambiente "data warehouse virtual", el cual puede ser creado por:

Instalacin de un conjunto de facilidades para acceso a datos, directorio de datos y gestin de proceso. Entrenamiento de usuarios finales. Control de cmo se usan realmente las instalaciones del data warehouse. Basados en el uso actual, crear un data warehouse fsico para soportar los pedidos de alta frecuencia.
Segunda
Construir una copia de los datos operacionales desde un sistema operacional nico y posibilitar al data warehouse de una serie de herramientas de acceso a la informacin.
40
Esta estrategia tiene la ventaja de ser simple y rpida. Desafortunadamente, si los datos existentes son de mala calidad y/o el acceso a los datos no ha sido previamente evaluado, entonces se puede crear una serie de problemas.
Tercera
Finalmente, la estrategia data warehousing ptima es seleccionar el nmero de usuarios basados en el valor de la empresa y hacer un anlisis de sus puntos, preguntas y necesidades de acceso a datos. De acuerdo a estas necesidades, se construyen los prototipos data warehousing y se prueban para que los usuarios finales puedan experimentar y modificar sus requerimientos. Una vez se tenga un consenso general sobre las necesidades, entonces se consiguen los datos provenientes de los sistemas operacionales existentes a travs de la empresa y/o desde fuentes externas de datos y se cargan al data warehouse. Si se requieren herramientas de acceso a la informacin, se puede tambin permitir a los usuarios finales tener acceso a los datos requeridos usando sus herramientas favoritas propias, o facilitar la creacin de sistemas de acceso a la informacin multidimensional de alta performance, usando el ncleo del data warehouse como base.
En conclusin
No se tiene un enfoque nico para construir un data warehouse que se adapte a las necesidades de las empresas, debido a que las necesidades de cada una de ellas son diferentes, al igual que su contexto. Adems, como la tecnologa data warehousing va evolucionando, se aprende cada vez ms y ms sobre el desarrollo de data warehouses, que resulta en que el nico enfoque prctico para al almacenamiento de datos es la evolucin de uno mismo.
1.3 Estrategias para el Diseo de un Data Warehouse

El diseo de los data warehouses es muy diferente al diseo de los sistemas operacionales tradicionales. Se pueden considerar los siguientes puntos: 1. Los usuarios de los data warehouses usualmente no conocen mucho sobre sus requerimientos y necesidades como los usuarios operacionales. 2. El diseo de un data warehouse, con frecuencia involucra lo que se piensa en trminos ms amplios y con conceptos del negocio ms difciles de definir que en el diseo de un sistema operacional. Al respecto, un data warehouse est bastante cerca a Reingeniera de los Procesos del Negocio (Business Process Reengineering).
41
3. Finalmente, la estrategia de diseo ideal para un data warehousing es generalmente de afuera hacia adentro (outside-in) a diferencia de arriba hacia abajo (top-down). A pesar que el diseo del data warehouse es diferente al usado en los diseos tradicionales, no es menos importante. El hecho que los usuarios finales tengan dificultad en definir lo que ellos necesitan, no lo hace menos necesario. En la prctica, los diseadores de data warehouses tienen que usar muchos "trucos" para ayudar a sus usuarios a "visualizar" sus requerimientos. Por ello, son esenciales los prototipos de trabajo.
1.4 Estrategias para la Gestion de un Data Warehouse

Los data warehouses requieren una comercializacin y gestin muy cuidadosa. Debe considerarse lo siguiente: 1. Un data warehouse es una inversin buena slo si los usuarios finales realmente pueden conseguir informacin vital ms rpida y ms barata de lo que obtienen con la tecnologa actual. Como consecuencia, la gestin tiene que pensarse seriamente sobre cmo quieren sus depsitos para su eficaz desempeo y cmo conseguirn llegar a los usuarios finales. 2. La administracin debe reconocer que el mantenimiento de la estructura del data warehouse es tan crtico como el mantenimiento de cualquier otra aplicacin de misin crtica. De hecho, la experiencia ha demostrado que los data warehouses llegarn a ser rpidamente uno de los sistemas ms usados en cualquier organizacin. 3. La gestin debe comprender tambin que si se embarcan sobre un programa data warehousing, se crearn nuevas demandas sobre sus sistemas operacionales, que son: o Demandas para mejorar datos o Demandas para una data consistente o Demandas para diferentes tipos de datos, etc.
2 Desarrollo
2.1 Porque Construir Bloques de Data Warehouse?
Para ampliar un negocio, se necesita que la informacin sea comprensible. Para muchas compaas, esto significa un gran data warehouse que muestre, junto a los datos no filtrados y dispersos, nuevas formas creativas de presentacin. Las herramientas para capturar y explorar los datos al detalle evolucionan, as como nuestra capacidad para encontrar las formas de explotar los datos recolectados. En los ltimos 10 aos se han combinado dos factores para ayudar a la difusin de los data warehouses. Ellos son:
42
1. Se ha reconocido los beneficios del procesamiento analtico en lnea (On Line Analytical Processing - OLAP), ms all de las reas tradicionales de marketing y finanzas. Las organizaciones saben que los conocimientos inmersos en las masas de datos que rutinariamente recogen sobre sus clientes, productos, operaciones y actividades comerciales, contribuyen a reducir los costos de operacin y aumentar las rentas, por no mencionar que es ms fcil la toma de decisiones estratgicas. 2. El crecimiento de la computacin cliente/servidor, ha creado servidores de hardware y software ms poderosos y sofisticados que nunca. Los servidores de hoy compiten con las mainframes de ayer y ofrecen arquitecturas de memoria tecnolgicamente superiores, procesadores de alta velocidad y capacidades de almacenamiento masivas. Al mismo tiempo, los Sistemas de Gestin de Base de Datos (Data Base Management Systems - DBMS(s)) modernos, proporcionan mayor soporte para las estructuras de datos complejas. De esta renovacin de hardware y software surgen los data warehouses multiterabyte que ahora se ve en ambientes de cliente/servidor.
2.2 Consideraciones Previas al Desarrollo de un Data Warehouse

Hay muchas maneras para desarrollar data warehouses como tantas organizaciones existen. Sin embargo, hay un nmero de dimensiones diferentes que necesitan ser consideradas:

Alcance de un data warehouse Redundancia de datos Tipo de usuario final
La Figura N 15 muestra un esquema bidimensional para analizar las opciones bsicas. La dimensin horizontal indica el alcance del depsito y la vertical muestra la cantidad de datos redundantes que deben almacenarse y mantenerse.
43
2.2.1 Alcance des Data Warehouse

El alcance de un data warehouse puede ser tan amplio como toda la informacin estratgica de la empresa desde su inicio, o puede ser tan limitado como un data warehouse personal para un solo gerente durante un ao. En la prctica, en la amplitud del alcance, el mayor valor del data warehouse es para la empresa y lo ms caro y consumidor de tiempo es crear y mantenerlo. Como consecuencia de ello, la mayora de las organizaciones comienzan con data warehouses funcionales, departamentales o divisionales y luego los expanden como usuarios que proveen retroalimentacin.
2.2.2 Redundancia de Datos

Hay tres niveles esenciales de redundancia de datos que las empresas deberan considerar en sus opciones de data warehouse:

Data warehouses "virtual" o "Point to Point" Data warehouses "centrales" Data warehouses "distribuidos"
No se puede pensar en un nico enfoque. Cada opcin adapta un conjunto especfico de requerimientos y una buena estrategia de almacenamiento de datos, lo constituye la inclusin de las tres opciones. Data Warehouses "Virtual" o "Point to Point"
44
Una estrategia de data warehouses virtual, significa que los usuarios finales pueden acceder a bases de datos operacionales directamente, usando cualquier herramienta que posibilite "la red de acceso de datos". Este enfoque provee flexibilidad as como tambin la cantidad mnima de datos redundantes que deben cargarse y mantenerse. Adems, se pueden colocar las cargas de consulta no planificadas ms grandes, sobre sistemas operacionales. Como se ver, el almacenamiento virtual es, frecuentemente, una estrategia inicial, en organizaciones donde hay una amplia (pero en su mayor parte indefinida) necesidad de conseguir la data operacional, desde una clase relativamente grande de usuarios finales y donde la frecuencia probable de pedidos es baja. Los depsitos virtuales de datos proveen un punto de partida para que las organizaciones determinen qu usuarios finales estn buscando realmente. Data Warehouses "Centrales" El concepto de data warehouses centrales es el concepto inicial que se tiene del data warehouse. Es una nica base de datos fsica, que contiene todos los datos para un rea funcional especfica, departamento, divisin o empresa. Los data warehouses centrales se seleccionan por lo general donde hay una necesidad comn de los datos informticos y un nmero grande de usuarios finales ya conectados a una red o computadora central. Pueden contener datos para cualquier perodo especfico de tiempo. Comnmente, contienen datos de sistemas operacionales mltiples. Los data warehouses centrales son reales. Los datos almacenados en el data warehouse son accesibles desde un lugar y deben cargarse y mantenerse sobre una base regular. Normalmente se construyen alrededor de RDBMS avanzados o, en alguna forma, de servidor de base de datos informtico multidimensional. Data Warehouses Distribuidos Los data warehouses distribuidos son aquellos en los cuales ciertos componentes del depsito se distribuyen a travs de un nmero de bases de datos fsicas diferentes. Cada vez ms, las organizaciones grandes estn tomando decisiones a niveles ms inferiores de la organizacin y a la vez, llevando los datos que se necesitan para la toma de decisiones a la red de rea local (Local Area Network - LAN) o computadora local que sirve al que toma decisiones. Los data warehouses distribuidos comnmente involucran la mayora de los datos redundantes y como consecuencia de ello, se tienen procesos de actualizacin y carga ms complejos.
45
2.2.3 Tipo de Usuario Final

De la misma forma que hay una gran cantidad de maneras para organizar un data warehouse, es importante notar que tambin hay una gama cada vez ms amplia de usuarios finales. En general, se puede considerar tres grandes categoras:

Ejecutivos y gerentes "Power users" o "Buzo de Informacin" (analistas financieros y de negocios, ingenieros, etc.) Usuarios de soporte (de oficina, administrativos, etc.).
Cada una de estas categoras diferentes de usuario tienen su propio conjunto de requerimientos para los datos, acceso, flexibilidad y facilidad de uso.
2.3 Elementos Claves para el Desarrollo de un Data Warehouse

Los data warehouses exitosos comienzan cuando se escogen e integran satisfactoriamente tres elementos claves. Un data warehouse est integrado por un servidor de hardware y los DBMS que conforman el depsito. Del lado del hardware, se debe combinar la configuracin de plataformas de los servidores, mientras se decide cmo aprovechar los saltos casi constantes de la potencia del procesador. Del lado del software, la complejidad y el alto costo de los DBMSes fuerzan a tomar decisiones drsticas y balances comparativos inevitables, con respecto a la integracin, requerimientos de soporte, desempeo, eficiencia y confiabilidad. Si se escoge incorrectamente, el data warehouse se convierte en una gran empresa con problemas difciles de trabajar en su entorno, costoso para arreglar y difcil de justificar. Para conseguir que la implementacin del depsito tenga un inicio exitoso, se necesita enfocar hacia tres bloques claves de construccin:

Arquitectura total del depsito Arquitecturas del servidor Sistemas de Gestin de Base de Datos
A continuacin se presentan algunas recomendaciones para tomar las correctas elecciones para su empresa.
2.3.1 Diseo de la Arquitectura

Arquitectura del Depsito
46
El desarrollo del data warehouse comienza con la estructura lgica y fsica de la base de datos del depsito ms los servicios requeridos para operar y mantenerlo. Esta eleccin conduce a la seleccin de otros dos tems fundamentales: el servidor de hardware y el DBMS. La plataforma fsica puede centralizarse en una sola ubicacin o distribuirse regional, nacional o internacionalmente. A continuacin se dan las siguientes alternativas de arquitectura: 1. Un plan para almacenar los datos de su compaa, que podra obtenerse desde fuentes mltiples internas y externas, es consolidar la base de datos en un data warehouse integrado. El enfoque consolidado proporciona eficiencia tanto en la potencia de procesamiento como en los costos de soporte. (Ver Figura N 16).
2. La arquitectura global distribuye informacin por funcin, con datos financieros sobre un servidor en un sitio, los datos de comercializacin en
47
otro y los datos de fabricacin en un tercer lugar. (Ver Figura N 17)
3. Una arquitectura por niveles almacena datos altamente resumidos sobre una estacin de trabajo del usuario, con resmenes ms detallados en un segundo servidor y la informacin ms detallada en un tercero. La estacin de trabajo del primer nivel maneja la mayora de los pedidos para los datos, con pocos pedidos que pasan sucesivamente a los niveles 2 y 3 para la resolucin. Las computadoras en el primer nivel pueden optimizarse para usuarios de carga pesada y volumen bajo de datos, mientras que los servidores de los otros niveles son ms adecuados para procesar los volmenes pesados de datos, pero cargas ms livianas de usuario. (Ver figura N 18).
48
Arquitectura del servidor Al decidir sobre una estructura de depsito distribuida o centralizada, tambin se necesita considerar los servidores que retendrn y entregarn los datos. El tamao de su implementacin (y las necesidades de su empresa para escalabilidad, disponibilidad y gestin de sistemas) influir en la eleccin de la arquitectura del servidor. 1 Servidores de un solo procesador Los servidores de un slo procesador son los ms fciles de administrar, pero ofrecen limitada potencia de procesamiento y escalabilidad. Adems, un servidor slo presenta un nico punto de falla, limitando la disponibilidad garantizada del depsito. Se puede ampliar un solo servidor de redes mediante arquitecturas distribuidas que hacen uso de subproductos, tales como Ambientes de Computacin Distribuida (Distributed Computing Environment - DCE) o Arquitectura Broker de Objeto Comn
49
(Common Objects Request Broker Architecture - CORBA), para distribuir el trfico a travs de servidores mltiples. Estas arquitecturas aumentan tambin la disponibilidad, debido a que las operaciones pueden cambiarse al servidor de copia de seguridad si un servidor falla, pero la gestin de sistemas es ms compleja. 2 Multiprocesamiento simtrico Las mquinas de multiprocesamiento simtrico (Symmetric MultiProcessing - SMP) aumentan mediante la adicin de procesadores que comparten la memoria interna de los servidores y los dispositivos de almacenamiento de disco. Se puede adquirir la mayora de SMP en configuraciones mnimas (es decir, con dos procesadores) y levantar cuando es necesario, justificando el crecimiento con las necesidades de procesamiento. La escalabilidad de una mquina SMP alcanza su lmite en el nmero mximo de procesadores soportados por los mecanismos de conexin (es decir, el backplane y bus compartido). 3 Procesamiento en paralelo masivo Una mquina de procesamiento en paralelo masivo (Massively Parallel Processing MPP), conecta un conjunto de procesadores por medio de un enlace de banda ancha y de alta velocidad. Cada nodo es un servidor, completo con su propio procesador (posiblemente SMP) y memoria interna. Para optimizar una arquitectura MPP, las aplicaciones deben ser "paralelizadas" es decir, diseadas para operar por separado, en partes paralelas. Esta arquitectura es ideal para la bsqueda de grandes bases de datos. Sin embargo, el DBMS que se selecciona debe ser uno que ofrezca una versin paralela. Y an entonces, se requiere un diseo y afinamiento esenciales para obtener una ptima distribucin de los datos y prevenir "hot spots" o "data skew" (donde una cantidad desproporcionada del procesamiento es cambiada a un nodo de procesamiento, debido a la particin de los datos bajo su control). 4 Acceso de memoria no uniforme La dificultad de mover aplicaciones y los DBMS a agrupaciones o ambientes realmente paralelos ha conducido a nuevas y recientes arquitecturas, tales como el acceso de memoria no uniforme (Non Uniform Memory Access - NUMA). NUMA crea una sola gran mquina SMP al conectar mltiples nodos SMP en un solo (aunque fsicamente distribuida) banco de memoria y un ejemplo nico de OS. NUMA facilita el enfoque SMP para obtener los beneficios de performance de las grandes mquinas MPP (con 32 o ms procesadores), mientras se mantiene las ventajas de gestin y simplicidad de un ambiente SMP estndar.
50
Lo ms importante de todo, es que existen DBMS y aplicaciones que pueden moverse desde un solo procesador o plataforma SMP a NUMA, sin modificaciones.
2.3.2 Sistemas de Gestin de Bases de Datos

Los data warehouses (conjuntamente con los sistemas de soporte de decisin [Decision Support Systems - DSS] y las aplicaciones cliente/servidor), fueron los primeros xitos para el DBMS relacional (Relational Data Base Management Systems - RDBMS). Mientras la gran parte de los sistemas operacionales fueron resultados de aplicaciones basadas en antiguas estructuras de datos, los depsitos y sistemas de soporte de decisiones aprovecharon el RDBMS por su flexibilidad y capacidad para efectuar consultas con un nico objetivo concreto. Los RDBMS son muy flexibles cuando se usan con una estructura de datos normalizada. En una base de datos normalizada, las estructuras de datos son no redundantes y representan las entidades bsicas y las relaciones descritas por los datos (por ejemplo productos, comercio y transaccin de ventas). Pero un procesamiento analtico en lnea (OLAP) tpico de consultas que involucra varias estructuras, requiere varias operaciones de unin para colocar los datos juntos. La performance de los RDBMS tradicionales es mejor para consultas basadas en claves ("Encuentre cuenta de cliente #2014") que para consultas basadas en el contenido ("Encuentre a todos los clientes con un ingreso sobre $ 10,000 que hayan comprado un automvil en los ltimos seis meses"). Para el soporte de depsitos a gran escala y para mejorar el inters hacia las aplicaciones OLAP, los proveedores han aadido nuevas caractersticas al RDBMS tradicional. Estas, tambin llamadas caractersticas super relacionales, incluyen el soporte para hardware de base de datos especializada, tales como la mquina de base de datos Teradata. Los modelos super relacionales tambin soportan extensiones para almacenar formatos y operaciones relacionales (ofrecidas por proveedores como REDBRICK) y diagramas de indexacin especializados, tales como aquellos usados por SYBASE IQ. Estas tcnicas pueden mejorar el rendimiento para las recuperaciones basadas en el contenido, al pre juntar tablas usando ndices o mediante el uso de listas de ndice totalmente invertidos. Muchas de las herramientas de acceso a los data warehouses explotan la naturaleza multidimensional del data warehouse. Por ejemplo, los analistas de marketing necesitan buscar en los volmenes de ventas por producto, por mercado, por perodo de tiempo, por promociones y niveles anunciados y por combinaciones de estos diferentes aspectos. La estructura de los datos en una base de datos relacional tradicional, facilita consultas y anlisis a lo largo de dimensiones diferentes que han llegado a ser
51
comunes. Estos esquemas podran usar tablas mltiples e indicadores para simular una estructura multidimensional. Algunos productos DBMS, tales como ESSBASE y GENTIUM, implementan tcnicas de almacenamiento y operadores que soportan estructuras de datos multidimensionales. Mientras las bases de datos multidimensionales (MultiDimensional Databases MDDBs) ayudan directamente a manipular los objetos de datos multidimensionales (por ejemplo, la rotacin fcil de los datos para verlos entre dimensiones diferentes, o las operaciones de drill down que sucesivamente exponen los niveles de datos ms detallados), se debe identificar estas dimensiones cuando se construya la estructura de la base de datos. As, agregar una nueva dimensin o cambiar las vistas deseadas, puede ser engorroso y costoso. Algunos MDDBS requieren un recargue completo de la base de datos cuando ocurre una reestructuracin.
2.3.3 Nuevas Dimensiones

Una limitacin de un RDBMS y un MDDB, es la carencia de soporte para tipos de datos no tradicionales como imgenes, documentos y clips de vdeo / audio. Si usted necesita estos tipos de objetos en su data warehouse, busque un DBMS relacional - objeto (Ejemplo: ILLUSTRA de INFORMIX). Por su enfoque en los valores de datos codificados, la mayor parte de los sistemas de base de datos pueden acomodar estos tipos de datos, slo con extensiones basadas en cierta referencias, tales como indicadores de archivos que contienen los objetos. Muchos RDBMS almacenan los datos complejos como objetos grandes binarios (Binary Large Objects - BLOBs). En este formato, los objetos no pueden ser indexados, clasificados, o buscados por el servidor. Los DBMS relacional - objeto, de otro lado, almacenan los datos complejos como objetos nativos y pueden soportar las grandes estructuras de datos encontradas en un ambiente orientado a objetos. Estos sistemas de base de datos naturalmente acomodan no slo tipos de datos especiales sino tambin los mtodos de procesamiento que son nicos para cada uno de ellos. Pero una desventaja del enfoque relacional - objeto, es que la encapsulacin de los datos dentro de los tipos especiales de datos (una serie de precios de stock a travs del tiempo en cada registro de una tabla de stock, por ejemplo), requiere de operadores especializados para que hagan bsquedas simples previamente (por ejemplo, "Encontrar todas las existencias que han mostrado una disminucin en el precio de Abril a Mayo 1996"). La seleccin del DBMS est tambin sujeta al servidor de hardware que se usa. Algunos RDBMS, como el DB2 Paralelo, INFORMIX XPS y el ORACLE Paralelo, ofrecen versiones que soportan operaciones paralelas. El software paralelo divide consultas, uniones a travs de procesadores mltiples y corre estas operaciones simultneamente para mejorar la performance.
52
Se requiere el paralelismo para el mejor desempeo en los servidores MPP grandes y SMP agrupados. No es an una opcin con MDDBS o DBMS relacional - objeto. En la tabla "Cmo comparar DBMS" se resume los pro y los contra de los diferentes tipos de DBMS para operaciones de data warehouse. La tabla "Matriz de Decisin del Data Warehouse" contiene algunos ejemplos de cmo afectan estos criterios de decisin en la eleccin de una arquitectura de servidor/ data warehouse.
Cmo comparar DBMSES? Super Caractersticas/Funci Relaciona Multidimension Relaciona n l al (Lgico) l Estructuras Normalizadas Tipos de abstractos Paralelismo Estructuras Multidimensionales Drill-Down Rotacin Operaciones dependientes datos de datos Multidimension al (Fsico) Objeto Relaciona l
Matriz de Decisin para el Data Warehouse Para estos ambientes Requerimientos Usuarios comerciales Alcance: departamental Elija Soporte de Arquitectura Sistemas Servidor DBMS
Local Pequea - mnimo - Consolidado - paquete ubicacin nica central Usos: anlisis promedio de datos Grande Analistas en una sola ubicacin; Usos: anlisis usuarios ms informtica informticos dispersos
Procesador nico o MDDB SMP
Alcance: departamental
Seccionado Local detalle en mnimo central central resumen en promedio local
Grupos de SMP para central; SP o SMP para local
RDBMS para central MDDB para local
53
Alcance: empresa
Grande; geogrficamente Usos: anlisis disperso ms informtica
Central fuerte
Centralizado
Grupos SMP
Objetode relacionalsoporte Web
Alcance: departamental Usos: investigacin
Pequea - pocas Central ubicaciones fuerte
Centralizado
MPP
RDBMS con soporte paralelo
2.3.4 Combinacion de la Arquitectura con el Sistema de Gestion de Bases de Datos

Para seleccionar la combinacin correcta de la arquitectura del servidor y el DBMS, primero es necesario comprender los requerimientos comerciales de su compaa, su poblacin de usuarios y las habilidades del personal de soporte. Las implementaciones de los data warehouses varan apreciablemente de acuerdo al rea. Algunos son diseados para soportar las necesidades de anlisis especfico para un solo departamento o rea funcional de una organizacin, tales como finanzas, ventas o marketing. Las otras implementaciones renen datos a travs de toda la empresa para soportar una variedad de grupos de usuarios y funciones. Por regla general, a mayor rea del depsito, se requiere mayor potencia y funcionalidad del servidor y el DBMS. Los modelos de uso de los data warehouses son tambin un factor. Las consultas y vistas de reportes preestructuradas frecuentemente satisfacen a los usuarios informticos, mientras que hay menos demandas sobre el DBMS y la potencia de procesamiento del servidor. El anlisis complejo, que es tpico de los ambientes de decisin - soporte, requiere ms poder y flexibilidad de todos los componentes del servidor. Las bsquedas masivas de grandes data warehouses favorecen el paralelismo en el DBMS y el servidor. Los ambientes dinmicos, con sus requerimientos siempre cambiantes, se adaptan mejor a una arquitectura de datos simple, fcilmente cambiable (por ejemplo, una estructura relacional altamente normalizada), antes que una estructura intrincada que requiere una reconstruccin despus de cada cambio (por ejemplo, una estructura multidimensional). El valor de la data fresca requerida indica cun importante es para el data warehouse renovar y cambiar los datos. Los grandes volmenes de datos que se refrescan a intervalos frecuentes, favorecen una arquitectura fsicamente centralizada para soportar una captura de datos eficiente y minimizar el tiempo de transporte de los datos.
54
Un perfil de usuario debera identificar quines son los usuarios de su data warehouse, dnde se ubican y cuntos necesita soportar. La informacin sobre cmo cada grupo espera usar los data warehouses, ayudar a analizar los diversos estilos de uso. Conocer la ubicacin fsica de sus usuarios ayudar a determinar cmo y a qu rea necesita distribuir el data warehouse. Una arquitectura por niveles podra usar servidores en el lugar de las redes de rea local. O puede necesitar un enfoque centralizado para soportar a los trabajadores que se movilizan y que trabajan en el depsito desde sus laptops. El nmero total de usuarios y sus modelos de conexin determinan el tamao de sus servidores de depsito. Los tamaos de memoria y los canales de I/O deben soportar el nmero previsto de usuarios concurrentes bajo condiciones normales, as como tambin en las horas punta de su organizacin. Finalmente, se debe factorizar la sofisticacin del personal de soporte. Los recursos de los sistemas de informacin (Information System - IS) que estn disponibles dentro de su organizacin, pueden limitar la complejidad o sofisticacin de la arquitectura del servidor. Sin el personal especializado interno o consultores externos, es difcil de crear y mantener satisfactoriamente una arquitectura que requiere paralelismo en la plataforma del servidor (MPP o SMP agrupado, por ejemplo).
2.3.5 Planes de Expansion

Como su depsito evoluciona y los datos que contiene llegan a ser ms accesible, los empleados externos al depsito podran descubrir tambin el valor de sus datos. Al enlazar su data warehouse a otros sistemas (tanto internos como externos a la organizacin), se puede compartir informacin con otras entidades comerciales con poco o sin desarrollo. Los mensajes de correo electrnico, servidores WEB y conexiones Intranet/Internet, pueden entregar listas por niveles a sus proveedores o segn su condicin, a sus socios de negocio. Como los data warehouses continan creciendo en sofisticacin y uso, los datos acumulados dentro de una empresa llegarn a ser ms organizados, ms interconectados, ms accesibles y, en general, ms disponibles a ms empleados. El resultado ser la obtencin de mejores decisiones en el negocio, ms oportunidades y ms claridad de trabajo.
2.4 Confiabilidad de los Datos

La data "sucia" es peligrosa. Las herramientas de limpieza especializadas y las formas de programar de los clientes proporcionan redes de seguridad. No importa cmo est diseado un programa o cun hbilmente se use. Si se alimenta mala informacin, se obtendr resultados incorrectos o falsos.
55
Desafortunadamente, los datos que se usan satisfactoriamente en las aplicaciones de lnea comercial operacionales pueden ser basura en lo que concierne a la aplicacin data warehousing.
Los datos "sucios" pueden presentarse al ingresar informacin en una entrada de datos (por ejemplo, "Sistemas S. A." en lugar de "Sistemas S. A.") o de otras causas. Cualquiera que sea, la data sucia daa la credibilidad de la implementacin del depsito completo. A continuacin, en la Figura N 23 se muestra un ejemplo de formato de ventas en el que se pueden presentar errores.
56
Afortunadamente, las herramientas de limpieza de datos pueden ser de gran ayuda. En algunos casos, puede crearse un programa de limpieza efectivo. En el caso de bases de datos grandes, imprecisas e inconsistentes, el uso de las herramientas comerciales puede ser casi obligatorio. Decidir qu herramienta usar es importante y no solamente para la integridad de los datos. Si se equivoca, se podra malgastar semanas en recursos de programacin o cientos de miles de dlares en costos de herramientas. La limpieza de una data "sucia" es un proceso multifactico y complejo. Los pasos a seguir son los siguientes: 1. Analizar sus datos corporativos para descubrir inexactitudes, anomalas y otros problemas. 2. Transformar los datos para asegurar que sean precisos y coherentes. 3. Asegurar la integridad referencial, que es la capacidad del data warehouse, para identificar correctamente al instante cada objeto del negocio, tales como un producto, un cliente o un empleado. 4. Validar los datos que usa la aplicacin del data warehouse
57

Fundamentos Datawarehouse

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Fundamentos Datawarehouse

Uploaded by

Copyright:

Available Formats

Data Warehousing

Publicado Originalmente en http://personal.lobocom.es/claudio/gen006.htm Escrito por el profesor Claudio Cesares claudio@lobocom.es

Data Warehousing: Teora

1. Introduccin al Concepto Data Warehousing

2.1 Sistemas Tcnico - Operacionales

2.2 Sistemas de Soporte de Decisiones

3 Caractersticas de un Data Warehouse

Orientado al tema Integrado De tiempo variante No voltil

3.1 Orientado a Temas

3.3 De Tiempo Variante

4 Estructura del Data Warehouse

5 Arquitectura de un Data Warehouse

5.1 Elementos constituyentes de una Arquitectura Data Warehouse

5.1.1 Base de datos operacional / Nivel de base de datos externo

5.1.2 Nivel de acceso a la informacin

5.1.3 Nivel de acceso a los datos

5.1.4 Nivel de Directorio de Datos (Metadata)

5.1.5 Nivel de Gestin de Procesos

5.1.6 Nivel de Mensaje de la Aplicacin

5.1.7 Nivel Data Warehouse (Fsico)

5.1.8 Nivel de Organizacin de Datos

5.2 Operaciones en un Data Warehouse

5.2.1 Sistemas Operacionales

5.2.2 Extraccin, Transformacin y Carga de los Datos

5.2.4 Acceso de usuario final

5.2.5 Plataforma del data warehouse

2.5.6 Datos Externos

Evolucin del Depsito

6 Transformacion de Datos y Metadata

Tpicamente, la metadata incluye los siguientes tems:

Sea eliminado Sea resumido Sea archivado

8 Medios de Almacenamiento para Informacion Antigua

9 Usos del Data Warehouse

Muchos usuarios concurrentes predefinidas pequeas de de

Cantidades grandes de datos detallados Requerimientos de respuesta no crticos

Maneras diferentes de uso de datos

Slo pocos usuarios acceden a los datos concurrentemente

Los usuarios generan un procesamiento no predecible complejo

Las consultas de los usuarios accedan a cantidades grandes de datos

Las consultas de los usuarios no tienen tiempos de respuesta crticos

Ejemplo: Preparacin de un reporte complejo

11 Ejemplo de un Data Warehouse

12 Excepciones en el Data Warehouse

Data Warehousing: Proyecto

1.1 Factores en la Planificacion de un Data Warehouse

Establecer una asociacin de usuarios, gestin y grupos

Seleccionar una aplicacin piloto con una alta probabilidad de xito

Construir prototipos rpida y frecuentemente

Reportar activamente y publicar los casos exitosos

1.2 Estrategias para el Desarrollo de un Data Warehouse

Quin es el auditorio? Cul es el alcance? Qu tipo de data warehouse debera construirse?

1.3 Estrategias para el Diseo de un Data Warehouse

1.4 Estrategias para la Gestion de un Data Warehouse

2.2 Consideraciones Previas al Desarrollo de un Data Warehouse

Alcance de un data warehouse Redundancia de datos Tipo de usuario final

2.2.1 Alcance des Data Warehouse

2.2.2 Redundancia de Datos

2.2.3 Tipo de Usuario Final

2.3 Elementos Claves para el Desarrollo de un Data Warehouse

2.3.1 Diseo de la Arquitectura

otro y los datos de fabricacin en un tercer lugar. (Ver Figura N 17)

2.3.2 Sistemas de Gestin de Bases de Datos

2.3.3 Nuevas Dimensiones