هوش تجاری

مفاهیم، معماری و اجزای انبار داده

مفهوم اساسی انبار داده (Data warehouse) که به نام پایگاه داده تحلیلی نیز شناخته می‌شود، تسهیل نسخه واحد حقایق برای یک شرکت جهت تصمیم‌گیری و پیش‌بینی است. انبار داده یک سیستم اطلاعاتی است که شامل داده‌های تاریخی و مبادله‌ای از منابع منفرد یا چندگانه است. مفاهیم انبار داده روند گزارشگری و تجزیه و تحلیل سازمان‌ها را ساده می‌کند.

مشخصات انبار داده

مفاهیم انبار داده دارای مشخصات زیر است:

  • موضوع گرا
  • یکپارچه
  • متغیر با زمان
  • غیر فرّار

۱- موضوع گرا

انبار داده موضوع‌گرا است زیرا اطلاعات مربوط به یک موضوع را بجای فعالیت‌های مداوم شرکت‌ها ارائه می‌دهد. این موضوعات می‌توانند فروش، بازاریابی، توزیع و … باشند.

انبار داده هرگز بر روی عملیات در حال انجام تمرکز نمی‌کند. در عوض، پس از اتمام آن را بر مدلسازی و تجزیه و تحلیل داده‌ها برای تصمیم‌گیری، ذخیره می‌کند. همچنین با کنار گذاشتن داده‌هایی که برای حمایت از روند تصمیم‌گیری مفید نیستند، یک دیدگاه ساده و مختصر در مورد موضوع خاص فراهم می‌کند.

۲- یکپارچه

در انبار داده، ادغام به معنای ایجاد یک واحد اندازه‌گیری مشترک برای همه داده‌های مشابه از پایگاه داده غیر مشابه است. همچنین داده‌ها باید به صورت مشترک و قابل قبول جهانی در انبار داده ذخیره شوند.

انبار داده با تلفیق داده‌ها از منابع مختلف مانند یک فریم اصلی، پایگاه داده‌های رابطه‌ای، پرونده‌های مسطح و غیره ایجاد می‌شود. علاوه بر این، باید نامگذاری‌ها، قالب و کدگذاری ثابت را حفظ کند.

این یکپارچه‌سازی به تجزیه و تحلیل موثر داده‌ها کمک می‌کند. از ثبات در نام‌گذاری کنوانسیون‌ها، معیارهای مشخصه، ساختار رمزگذاری و غیره باید اطمینان حاصل شود. به مثال زیر توجه کنید:

در مثال فوق، سه برنامه مختلف با برچسب A ، B و C وجود دارد. اطلاعات ذخیره شده در این برنامه‌ها جنسیت، تاریخ و تعادل است. با این حال، داده‌های هر برنامه به روش‌های مختلف ذخیره می‌شود.

  • در برنامه  A فیلد جنسیتی مقادیر منطقی مانند M یا F را ذخیره می‌کند
  • در برنامه B فیلد جنسیتی یک مقدار عددی است
  • در برنامه C، قسمت جنسیتی به صورت یک مقدار کاراکتر ذخیره می‌شود

تاریخ و تراز نیز همین روند را دارد. با این حال، پس از تغییر شکل و تمیز کردن، تمام این داده‌ها در قالب مشترک در انبار داده ذخیره می‌شوند.

۳- متغیر با زمان

خط زمانی انبار داده در مقایسه با سیستم‌های عملیاتی کاملاً گسترده است. داده‌های جمع آوری شده در یک انبار داده با یک دوره خاص شناخته می‌شوند و اطلاعات را از نظر تاریخی ارائه می‌دهند. این شامل عنصری از زمان، به طور صریح یا ضمنی است.

یکی از چنین مکان‌هایی که واریانس زمان نمایش داده‌های انبار داده را در نظر دارد، ساختار کلید ضبط است. هر کلید اصلی همراه با اطلاعات خاص باید به طور ضمنی یا صریح عنصر زمان داشته باشد. مانند روز، ماه هفته و غیره.

جنبه دیگر واریانس زمان این است که به محض قرار دادن داده‌ها در انبار، نمی توان آنها را به روز کرد یا تغییر داد.

۴- غیر فرّار

انبار داده همچنین غیر فرار است به این معنی که داده‌های قبلی هنگام ورود اطلاعات جدید در آن پاک نمی‌شوند.

داده‌ها فقط خواندنی هستند و به صورت دوره‌ای تازه می‌شوند. این مهم همچنین به تجزیه و تحلیل داده‌های تاریخی و درک اینکه چه اتفاقی افتاده کمک می‌کند. این مسئله به مکانیزم‌های فرآیند تراکنش، بازیابی و کنترل همزمان نیاز ندارد.

فعالیت‌هایی مانند حذف، به روزرسانی و درج که در یک محیط برنامه عملیاتی انجام می‌شوند، در محیط انبار داده حذف می‌شوند. فقط دو نوع عملیات داده‌ای انجام شده در انبار داده موجود است:

  • بارگیری اطلاعات
  • دسترسی به داده

در اینجا، برخی از تفاوت‌های عمده بین برنامه عملیاتی (Application) و انبار داده وجود دارد. به جدول زیر دقت کنید.

 

برنامه عملیاتی

 

انبار داده
برای اطمینان برنامه باید کدگذاری شود تا فرآیندهای به روزرسانی داده باعث حفظ یکپارچگی بالای محصول نهایی می‌شوند.این نوع مسائل اتفاق نمی‌افتد زیرا به روزرسانی داده انجام نمی‌شود.
داده‌ها در فرم نرمال قرار می‌گیرند تا حداقل افزونگی حاصل شود.داده‌ها به صورت نرمال ذخیره نمی‌شوند.
فناوری مورد نیاز برای پشتیبانی از مسائل مربوط به معاملات، بازیابی داده‌ها، برگشت مجدد و وضوح، لازم است.کارشناس مربوطه این کار را به سادگی در تکنولوژی آن ارائه می دهد.

معماری انبار داده

معماری انبار داده پیچیده است زیرا یک سیستم اطلاعاتی است که شامل داده‌های تاریخی و مبادله‌ای از چندین منبع است. سه روش برای ساخت لایه‌های انبار داده وجود دارد: تک ردیف، دو ردیف و سه ردیف. این سه طبقه معماری انبار داده به شرح زیر توضیح داده شده است.


مجموعه

هوش تجاری

این پست بخشی از مجموعه هوش تجاری در کار و کسب است. ترتیب زیر را در این حوزه پیشنهاد می‌کنیم.

  1. به روز رسانی حاکمیت داده در سازمان: از کجا شروع کنیم
  2. کارشناس پایگاه داده کیست و چه وظایفی دارد؟
  3. بررسی تفاوت‌های میان داده، اطلاعات و دانش در یک نگاه
  4. وقتی از هوش تجاری صحبت می‌کنیم، از چه حرف می‌زنیم؟
  5. تبدیل داده به اطلاعات با هوش تجاری
  6. تجزیه و تحلیل داده (Data Analytics) چیست و چگونه انجام می‌شود؟
  7. کلان داده (Big Data) چیست؟
  8. تجزیه و تحلیل کلان داده (Big Data) چیست و چگونه انجام می‌شود؟
  9. مقایسه مفاهیم تحلیل داده، علوم داده و کلان داده (Big Data)
  10. طراحی پایگاه داده چیست و چگونه انجام می‌شود؟
  11. حاکمیت داده (Data Governance) چیست و چه اهمیتی دارد؟
  12. هوش تجاری (BI) چیست و چه تفاوتی با آنالیز تجاری (BA) دارد؟
  13. آنچه باید درباره‌ هوش تجاری بدانیم
  14. هوش تجاری (BI) چطور می‌تواند به کسب و کار شما کمک کند؟
  15. معرفی ۵ کتاب برتر درباره هوش تجاری
  16. ۷ کلید برای یک استراتژی موفقیت آمیز در زمینه هوش تجاری
  17. ۹ راه عدم موفقیت هوش تجاری
  18. تجسم داده (Data Visualization) چیست و چرا اهمیت دارد؟
  19. تمیزسازی داده (Data cleaning) به چه معناست و چه اهمیتی دارد؟
  20. ۱۰ تکنیک اساسی تجسم داده در ایجاد گزارش‌های هوش تجاری
  21. معرفی ۱۳ روش متداول تجسم داده‌ها
  22. تفاوت داشبورد و گزارش چیست؟
  23. ۱۰ اصل طراحی داشبورد هوش تجاری
  24. ۱۳ مثال عملی از تحلیل داده با هوش تجاری
  25. کاربرد هوش تجاری در صنایع مختلف
  26. معرفی نرم افزارهای مختلف هوش تجاری
  27. چگونه نرم‌افزار مناسب هوش تجاری را انتخاب کنیم؟
  28. پاور بی آی (Power BI) چیست و در هوش تجاری چه کاربردی دارد؟
  29. راهنمای کامل پاور بی آی (Power BI)
  30. ویژگی‌های نرم افزار Power BI
  31. تفاوت پاور بی آی و اکسل
  32. معرفی انواع نمودارها در نرم افزار پاور بی آی (Power BI)
  33. راهنمای کامل معماری نرم افزار پاور بی آی (Power BI)
  34. راهنمای انتخاب ابزار مناسب بین پاور بی آی و اکسل
  35. آموزش توابع زبان DAX در هوش تجاری با پاور بی آی (Power BI)
  36. معرفی نرم‌افزار Tableau، کاربردها و محصولات آن
  37. هر آنچه که لازم است درباره نرم‌افزار QlikView بدانید
  38. تفاوت زبان M و DAX در نرم افزار Power BI
  39. مقایسه ابزار Power BI و Tableau در هوش تجاری
  40. آموزش Power BI Report Server
  41. آموزش نصب و راه اندازی Power BI Report Server
  42. AIOps چیست و چه ساختاری دارد؟
  43. مسیر شغلی در هوش تجاری
  44. مهندسی داده چیست؟
  45. تحلیلگر داده (Data Analyst) کیست و چه کاری انجام می‌دهد؟
  46. تحلیل‌گر هوش تجاری کیست و چگونه می‌توان به یک تحلیل‌گر هوش تجاری تبدیل شد؟
  47. ۸ مهارت‌ مهم که هر تحلیل‌گر داده برای موفقیت به آن‌ها نیاز دارد
  48. معرفی مهم‌ترین مدارک و گواهینامه‌های مورد نیاز تحلیل‌گر داده
  49. آیا داشتن مدرک SQL ضروری است؟ معرفی انواع و اهمیت مدرک SQL
  50. مهمترین تکنیک‌های هوش تجاری
  51. پیاده سازی هوش تجاری در سازمان‌ها
  52. نقشه راه پیاده سازی موفق استراتژی هوش تجاری در سازمان
  53. معرفی ۵ کاربرد ارزشمند هوش تجاری در سازمان‌ها
  54. داده کاوی چیست و چه تکنیک‌هایی دارد؟
  55. همه‌چیز درباره علم داده و نحوه استفاده از آن
  56. معرفی معتبرترین مدارک و گواهینامه‌های علم داده
  57. معرفی برترین ابزار برای داده‌کاوی
  58. دانشمند داده کیست و چه نقشی در کسب و کار دارد؟
  59. معرفی برترین زبان‌های برنامه‌نویسی علم داده
  60. آسان ترین زبان برنامه‌نویسی برای یادگیری کدام است؟
  61. تفاوت‌های اصلی در نقش‌های مهندس داده و دانشمند داده
  62. زبان برنامه‌نویسی پایتون چیست و چرا باید آن را یاد بگیرید؟
  63. یادگیری ماشین چیست؟
  64. SSRS چیست و چه کاربردی در مدیریت داده‌ها دارد؟
  65. SSAS چیست و چه کاربردهایی دارد؟
  66. بهترین زبان‌ها برای یادگیری ماشین (Machine Learning) کدام هستند؟
  67. نقش‌ها و مسئولیت‌های کلیدی در یک تیم هوش تجاری چیست؟
  68. تفاوت زبان پایتون (Python) و R در چیست؟
  69. کاربرد KPI در داشبوردهای هوش تجاری
  70. زبان برنامه نویسی R چیست؟
  71. بررسی تفاوت‌های میان داده‌کاوی و یادگیری ماشین در علم داده
  72. مروری بر نحوه یادگیری زبان R
  73. چگونه می‌توان یک داشبورد فروش ایجاد کرد؟
  74. معرفی برترین ابزارهای علم داده
  75. پایگاه داده چیست و چه اجزایی دارد؟
  76. انبار داده چیست؟
  77. مفاهیم، معماری و اجزای انبار داده
  78. دانشمند داده چه تفاوتی با تحلیل‌گر داده دارد؟
  79. فرایند ETL در ایجاد انبار داده چیست؟
  80. مدل‌سازی داده چیست؟
  81. دریاچه داده (Data Lake) چیست و چه ساختاری دارد؟
  82. بهترین شیوه‌های طراحی پایگاه داده (Database design)
  83. نرمال‌سازی داده چیست و چگونه انجام می‌شود؟
  84. سیستم‌های پشتیبانی تصمیم‌گیری چیست و چه کاربردهایی دارد؟
  85. بازار داده (Data Mart) چیست و چه تفاوتی با انبار داده دارد؟
  86. تحلیل‌های پیش‌بینی کننده چیست و چگونه انجام می‌شود؟
  87. علم تصمیم‌گیری چیست و چگونه می‌توانیم تصمیمات داده‌محور بگیریم؟
  88. تصمیم‌گیری مبتنی بر داده چیست و چه تاثیری در موفقیت کسب و کار دارد؟
  89. کاربرد تحلیل داده در بانکداری و شرکت‌های خدمات مالی
  90. معماری اطلاعات (IA) چیست و چطور می‌توان از آن استفاده کرد؟
  91. کلان داده (Big Data) و بررسی تأثیرات آن بر تجارت الکترونیک
  92. بانکداری باز (Open Banking) چیست و چه اصولی دارد؟

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دوره جامع و بلندمدت «متخصص حرفه‌ای معماری سازمانی» با رویکرد کاربردی و اجراییاطلاعات بیشتر و ثبت‌نام
بستن