1 6. Architetture e paradigmi per lanalisi dei dati

1

6. Architetture e paradigmi per l’analisi dei dati

2

SOMMARIO

• Sistemi informativi direzionali• Sistemi informativi e data warehouse• Architettura di un Data Warehouse• Analisi multidimensionale• Implementazione di un Data Warehouse• Indici per il Data Warehouse• Progetto di un Data Warehouse• Knowledge Discovery in database

3

SISTEMI INFORMATIVI DIREZIONALI

4

Modello aziendaleModello aziendale

5

Scambio di Informazioni tra livelliScambio di Informazioni tra livelli

• Il livello direzionale si occupa di quelle attività necessarie alla definizione degli obiettivi da raggiungere ed alle azioni, eventualmente correttive, da intraprendere per perseguirli.

• Il livello operativo viceversa si occupa delle attività attraverso cui l’azienda produce i propri servizi e prodotti.

• il livello direzionale fornisce informazioni sulle strategiestrategie da seguire al livello operativo al fine di perseguire gli obiettivi aziendali.

• il livello operativo fornisce a sua volta al livello direzionale informazioni sui risultati raggiuntirisultati raggiunti. .

6

Tipi di sistemi direzionaliTipi di sistemi direzionali

la pianificazione strategica determina gli obiettivi generali dell’azienda

il controllo direzionale definisce traguardi economici ovvero risultati da conseguire a medio termine e loro verifica

il controllo operativo assicura che le attività procedano nel modo prefissato.

7

Tipologia delle informazioniTipologia delle informazioni

• I sistemi direzionali trattano informazioni fortemente aggregateaggregate.

• Essi infatti devono fornire ai dirigenti aziendali dati sintetici - indicatori gestionali - quali medie, ricavi globali, che possano quantizzare l’andamento dell’azienda in certi intervalli temporali.

8

INDICATORI – MISURE - FONTIINDICATORI – MISURE - FONTI

Indicatore1Indicatore1

Misura 1Misura 1

Fonte 1Fonte 1

Indicatore2Indicatore2 Indicatore nIndicatore n

Misura pMisura pMisura 2Misura 2

Fonte 2Fonte 2 Fonte mFonte m

...

...

...

9

Dimensioni di analisi delle informazioni Dimensioni di analisi delle informazioni aziendaliaziendali

L’analisi delle prestazioni aziendali può inoltre essere condotta in diverse dimensioni:

• la dimensione tempo ; • la dimensione prodotto : finalizzata all’analisi di costi e

ricavi (i quali sono evidentemente indicatori contabili o monetari);

• la dimensione processi : finalizzata al controllo di indicatori di efficienza ed efficacia come la tempestività;

• la dimensione responsabilità : ad ogni centro così come indicato dall’organigramma aziendale possono essere associati alcuni indicatori che forniscono dei rendiconti sulle prestazioni dei singoli dirigenti;

• la dimensione cliente : al fine di analizzare redditività, volume di affari e bacino di utenza.

10

CRITICAL SUCCESS FACTORSCRITICAL SUCCESS FACTORS• Nel metodo dei CSF (Critical Success Factor)

l’analista, mediante opportune interviste ai manager aziendali interessati al sistema, individua quali siano le le areearee in cui essi ritengono necessario eccellere per il successo nel business.

• Queste aree costituiranno i CSF ai quali vengono vengono abbinati opportuni indici di prestazioneabbinati opportuni indici di prestazione. Sarà quindi compito del progettista selezionare gli indicatori ritenuti migliori sulla base di alcuni criteri:– Semplicità: è opportuno selezionare indicatori

ricavabili da algoritmi semplici.– Costo dell’informazione: inteso come costo per

produrre un certo indicatore.– Frequenza: inteso come tasso di campionamento

dell’indicatore.– Strutturazione dell’informazione.

11

CSF SETTORE PRODUZIONE AZIENDA XCSF SETTORE PRODUZIONE AZIENDA XCSF Indicatore Metrica Fonte Motivo

Costi

Costo

unitario

Costo totale /

#prod.

SIA

Prestazioni determinanti per

la competitività del processo

‘produzione’

Qualità

Difetti

riscontrati

Totale difetti /

#prod.

SIA

Indicativo della qualità del

prodotto e dell’efficienza dei

controlli interni

Giudizio

clienti

Punteggio 1..10 Interviste a

campione

Livello di qualità percepito

dal cliente

Rifiuti da

smaltire

Totale rifiuti /

#prod.

SIA

Determinante per l’immagine

dell’azienda

Rispetto

ambiente

Materiali

riciclabili

Totale mat. Ricic. /

#prod

SIA

Consumo

energetico

MW / #prod SIA Efficienza energetica

12

KEY PERFORMANCES INDICATORS

• Nel metodo dei KPI (Key Performances Indicators) l’analisi è rivolta alla determinazione di indicatori globali quali efficienza, qualità e servizi.

• Indicatori di efficienza: misurano la produttività e i costi di alcuni processi aziendali di interesse.

• Indicatori di qualità: misurano la conformità degli output del processo di trasformazione alle attese del cliente (un esempio sono gli scarti)

• Indicatori di servizio: misurano i tempi di risposta dell’azienda (time to market)

13

ESAME DI COPERTURA DEI CSFESAME DI COPERTURA DEI CSF

• I parametri individuati con i due metodi possono essere incrociati al fine di verificare che i processi aziendali siano monitorati attraverso indicatori correlati alle aree di successo aziendale critiche.

• Qualora si dovessero trovare dei CSF di rilievo scoperti vanno introdotti altri indicatori atti a coprirli, viceversa in presenza di ridondanze è possibile decidere di selezionare opportunamente degli indicatori rispetto ad altri.

14

LA STRUTTURA INFORMATICA DEL SID

Il sottosistema front-end comprende tutte quelle elaborazioni necessarie alla presentazione delle informazioni utili all’utente finale.

Il sottosistema back-end provvede ad alimentare automaticamente la base dati direzionale in maniera periodica estraendo le informazioni di interesse per il SIA.

15

Struttura dettagliata dei SID

16

SISTEMI INFORMATIVI E DATA SISTEMI INFORMATIVI E DATA WAREHOUSEWAREHOUSE

17

Motivazioni del DW

• I sistemi informativi permettono di aumentare la produttività delle organizzazioni automatizzando in maniera integrata la gestione operativa e quotidiana dei processi di business.

• I dati ad essi connessi — se adeguatamente accumulati e analizzati — possono essere utilizzati per la pianificazione e il supporto alle decisioni

• In particolare, da una corretta gestione dei dati storici l’azienda può conseguire un grande vantaggio competitivo.

18

Sistemi di “business intelligence”

• I sistemi di business Intelligence (BI) costituiscono la tecnologia che supporta la dirigenza aziendale nel prendere decisioni operative, tattiche e/o strategiche in modo efficace e veloce.

• Ma come?... – mediante particolari tipologie di elaborazioni dette “analitiche”

che usano in maniera integrata i dati dell’organizzazione combinati con eventuali dati esterni

• Operando su quali dati? … – quelli accumulati dai processi operativi e gestionali

19

Tipi di elaborazione

• Nei Transaction Processing Systems:– On-Line Transaction Processing

• Nei Business Intelligence Systems:– On-Line Analytical Processing

20

OLTP

• Tradizionale elaborazione di transazioni, che realizzano i processi operativi dell’azienda o ente.– Operazioni predefinite, brevi e relativamente

semplici– Ogni operazione coinvolge “pochi” dati– Dati di dettaglio, aggiornati– Le proprietà “acide” (atomicità, correttezza,

isolamento, durabilità) delle transazioni sono essenziali

21

OLAP

• Elaborazione di operazioni per il supporto alle decisioni– Operazioni complesse e casuali– Ogni operazione può coinvolgere molti dati– Dati aggregati, storici, anche non attualissimi– Le proprietà “acide” non sono rilevanti, perché le

operazioni sono di sola lettura

22

OLTP e OLAPOLTP OLAP

Utente impiegato dirigente

Funzione operazioni giornaliere supporto alle decisioni

Progettazione orientata all'applicazione orientata ai dati

Dati correnti, aggiornati,

dettagliati, relazionali,

omogenei

storici, aggregati,

multidimensionali,

eterogenei

Uso ripetitivo casuale

Accesso read-write, indicizzato read, sequenziale

Unità di lavoro transazione breve interrogazione complessa

Record acc. decine milioni

N. utenti migliaia centinaia

Dimensione 100MB - 1GB 100GB - 1TB

Metrica throughput tempo di risposta

23

OLTP e OLAP

• I requisiti sono quindi contrastanti• Le applicazioni dei due tipi possono

danneggiarsi a vicenda

24

APPLICAZIONE OLTP

UTENTI FINALI(Transazioni)

OLTP

Base di datiData

Warehouse

APPLICAZIONE OLAP

ANALISTI(Query complesse)

OLAP

Separazione degli ambientiSeparazione degli ambienti

25

Data warehouseData warehouse

Una base di dati– orientata al soggetto dell’elaborazione: il dirigente

aziendale– integrata — aziendale e non dipartimentale– con dati storici — con un ampio orizzonte temporale,

e indicazione (di solito) di elementi di tempo– con dati usualmente aggregati — per effettuare

stime e valutazioni– fuori linea e a sola lettura— i dati sono aggiornati

periodicamente e sono solo interrogati– mantenuta separatamente dalle basi di dati

operazionali

26

... orientata al soggetto ...... orientata al soggetto ...• E’ una collezione di dati orientata al soggetto

dell’elaborazione che è un dirigente aziendale che deve perseguire i suoi CSF.

27

... integrata ...

• I dati di interesse provengono da tutte le sorgenti informative — ciascun dato proviene da una o più di esse

• Il data warehouse rappresenta i dati in modo univoco — riconciliando le eterogeneità dalle diverse rappresentazioni– nomi– struttura– codifica – rappresentazione multipla

28

problematiche di integrazioneproblematiche di integrazione

29

... ... dati storicidati storici ... ...

• Le basi di dati operazionali mantengono il valore corrente delle informazioni – L’orizzonte temporale di interesse è dell’ordine dei pochi

mesi

• Nel data warehouse è di interesse l’evoluzione storica delle informazioni – L’orizzonte temporale di interesse è dell’ordine degli anni

30

con fissato arco temporale

• Tutti i dati contenuti in un data warehouse si riferiscono ad un preciso arco temporale.

• Un DWH rappresenta dati in genere su un lungo periodo (ad esempio cinque, dieci anni) rispetto ai dati contenuti in un data base operativo validi e consistenti per un periodo molto più corto ( ad es. giorni o settimane).

• Ogni struttura di base in un DWH contiene implicitamente o esplicitamente un riferimento ad un valore temporale contenuto nella tabella dei tempi la quale ricordiamo rappresenta per gli utenti direzionali una dimensione di analisi.

31

... dati aggregati ...... dati aggregati ...

• Nelle attività di analisi dei dati per il supporto alle decisioni – non interessa “chi” ma “quanti”– non interessa un dato ma

• la somma, la media, il minimo e il massimo, ...

di un insieme di dati

• Le operazioni di aggregazione sono quindi fondamentali nel warehousing e nella costruzione/mantenimento di un data warehouse.

32

... fuori linea ...... fuori linea ...• In una base di dati operazionale, i dati vengono

– acceduti– inseriti– modificati – Cancellatipochi record alla volta

• Nel data warehouse, abbiamo – operazioni di accesso e interrogazione — “diurne”– operazioni di caricamento e aggiornamento dei dati

— “notturne”

che riguardano milioni di record

33

con operazioni a sola lettura• Dal punto di vista delle operazioni consentite su un

DWH a differenza dei dati di un data base tradizionale che possono essere inseriti, modificati ed acceduti, i dati di un DWH possono essere solo caricati ed acceduti poiché essi rappresentano successive istantanee della realtà elaborativa.

34

... mantenuta separatamente ...... mantenuta separatamente ...

• Diversi motivi:– non esiste un’unica base di dati operazionale che

contiene tutti i dati di interesse – la base di dati deve essere integrata– non è tecnicamente possibile fare l’integrazione in linea – i dati di interesse sarebbero comunque diversi

• devono essere mantenuti dati storici e aggregati

– l’analisi dei dati richiede per i dati organizzazioni speciali e metodi di accesso specifici

– degrado generale delle prestazioni senza la separazione

35

SISTEMI OPERATIVI E SISTEMI “DATA WAREHOUSING”

SISTEMI OPERATIVI SISTEMI DI DATA

WAREHOUSING

Memorizzano dati correnti Memorizzano dati storici

Memorizzano dati dettagliati I dati sono debolmente o

fortemente aggregati

I dati sono dinamici I dati sono pressoché statici

Le elaborazioni sono ripetitive Effettuano elaborazioni ad hoc

Massimizzano il throughput

rispetto alle transazioni

Hanno un throughput di

transazioni medio-basso

Sono transaction driven Sono Analysis driven

Sono orientati alle applicazioni Sono orientati al soggetto

Supportano le decisioni day-to-day Supportano decisioni strategiche

Servono un grosso numero di utenti

operativi

Servono un numero di utenti

manageriali relativamente basso

36

ARCHITETTURA PER IL ARCHITETTURA PER IL DATA WAREHOUSINGDATA WAREHOUSING

37

Architettura per il data warehousing

Metadati

DataWarehouse

Data Mart

Sorgenti informative

Sorgentiesterne

Basi di datioperazionali

Strumenti di analisi

Analisidimensionale

Data mining

ETLETL

38

Sorgenti informative

• i sistemi operazionali dell’organizzazione – sono sistemi transazionali (OLTP) orientati alla

gestione dei processi operazionali – non mantengono dati storici – ogni sistema gestisce uno o più soggetti (ad

esempio, prodotti o clienti) – sono spesso sistemi “legacy”

• sorgenti esterne – ad esempio, dati forniti da società specializzate di

analisi

39

Alimentazione del data warehouseAttività necessarie ad alimentare un data warehouse (si parla di strumenti ETL):

– Estrazione (Extraction) — accesso ai dati nelle sorgenti – Pulizia (Cleaning) —rilevazione e correzione di errori e

inconsistenze nei dati estratti– Trasformazione (transformation) —trasformazione di formato,

correlazione con oggetti in sorgenti diverse– Caricamento (Loading) — con introduzione di informazioni

temporali e generazione dei dati aggregati

I metadati sono informazioni mantenute a supporto di queste attività

40

Metadati

• "Dati sui dati":– descrizioni logiche e fisiche dei dati (nelle sorgenti e

nel DW)– corrispondenze e trasformazioni– dati quantitativi

• Spesso sono non dichiarativi e immersi nei programmi

41

Data Warehouse Server

• Sistema dedicato alla gestione del warehouse• Può basarsi su diverse tecnologie

– ROLAP • i dati sono memorizzati in DBMS relazionali (schemi a

stella)

– MOLAP • I dati sono memorizzati in forma multidimensionale tramite

speciali strutture dati tipicamente proprietarie

– i produttori di RDBMS stanno iniziando a fornire estensioni OLAP ai loro prodotti

42

Strumenti di analisi

• Consentono di effettuare analisi dei dati utilizzando il Data Warehouse server e offrono interfacce amichevoli per presentare, in forma adeguata e facilmente comprensibile, i risultati delle analisi

• Due principali tipologie di analisi (e quindi di strumenti)– Analisi multidimensionale– Data mining

43

Data mart

• Un sottoinsieme logico dell’intero data warehouse– un data mart è la restrizione del data warehouse a

un singolo problema di analisi– un data warehouse è l’unione di tutti i suoi data mart– un data mart rappresenta un progetto fattibile

• la realizzazione diretta di un data warehouse completo non è invece solitamente fattibile

44

Variante dell’architetturaVariante dell’architetturaMonitoraggio & Amministrazione

Metadati

Data MartSorgenti dei dati

Sorgentiesterne

Basi di datioperazionali

Strumenti di analisi

Analisidimensionale

Data mining

45

Visualizzazione dei dati

• I dati vengono infine visualizzati in veste grafica, in maniera da essere facilmente comprensibili.

• Si fa uso di:– tabelle– istogrammi– grafici– torte– superfici 3D– bolle– …

46

Visualizzazione finale di un’analisi

Lettori DVDTelevisori

Lettori CDVideoregis tratori

1 trim.2003

2 trim.2003

3 trim.2003

4 trim.2003

0

100

200

300

400

500

600

700

800

900

1000

47

ANALISI MULTIDIMENSIONALE

48

Rappresentazione multidimensionale

• L’analisi dei dati avviene rappresentando i dati in forma multidimensionale

• Concetti rilevanti:– fatto — un concetto sul quale centrare l’analisi

– misura — una proprietà atomica di un fatto

– dimensione — descrive una prospettiva lungo la quale effettuare l’analisi

• Esempi di fatti/misure/dimensioni– vendita/quantità,incasso/prodotto, luogo, tempo – telefonata/costo,durata/chiamante, chiamato, tempo

49

Rappresentazione multidimensionale dei dati

Articolo(prodotto)

Tempo(trimestre)

Quantità, incasso

Luogo(negozio)

Lettori DVD

Lettori CD

Televisori

Videoregistratori

Roma-1Roma-2

Milano-1Milano-2

1 trim. 20032 trim. 2003

3 trim. 20034 trim. 2003

VENDITE

50

Dimensioni e gerarchie di livelli

negozio

regione

provincia

città

giorno

anno

trimestre

meseprodotto

marcacategoria

Luogo

Articolo

Tempo

Ciascuna dimensione è organizzata in una gerarchia che rappresenta i possibili livelli di aggregazione per i dati.

51

Operazioni su dati multidimensionali

– Slice & dice — seleziona e proietta

– Roll up — aggrega i dati• volume di vendita totale dello scorso anno per categoria di

prodotto e regione

– Drill down — disaggrega i dati• per una particolare categoria di prodotto e regione, mostra le

vendite giornaliere dettagliate per ciascun negozio

– (Pivot — re-orienta il cubo)

52

Slice and dice

Tempo

Luogo

Articolo

Il manager strategico si concentra su una categoria di prodotti, una area e un orizzonte temporale

Il manager di prodotto esamina la vendita di un prodotto in tutti i periodi e in tutti i mercati

Il manager regionale esamina la vendita dei prodotti in tutti

i periodi relativamente ai propri mercati

Il manager finanziario esamina la vendita dei prodotti in tutti i mercati relativamente al periodocorrente e quello precedente

53

Risultato di slice and dice

LETTORI DVD 1 trim. 03

2 trim. 03

3 trim. 03

4 trim. 03

Roma-1 38 91 66 198

Roma-2 155 219 248 265

Milano-1 121 273 266 326

Milano-2 222 122 155 200

(Selezione del prodotto DVD e proiezione)

54

Roll-up

LETTORI DVD 1 trim. 03

2 trim. 03

3 trim. 03

4 trim. 03

Roma 193 310 314 463

Milano 343 395 421 526

(Selezione del prodotto DVD ed aggregazione rispetto alla dimensione luogo)

55

Altra operazione di roll-up

VENDITE TRIM. 1 trim. 03

2 trim.

03

3 trim. 03

4 trim. 03

Lettori DVD 536 705 735 989

Televisori 567 716 606 717

Lettori CD 187 155 186 226

Videoregistratori 175 191 202 319

(Aggregazione rispetto alla dimensione luogo)

56

Drill-down

Vendite Mensili Gen 03

Feb 03

Mar 03

Apr 03

Mag 03

Giu 03

…

Lettori DVD 165 178 193 205 244 256 …

Televisori 154 201 212 245 255 216 …

Lettori CD 54 88 45 24 65 66 …

Videoregistratori 56 64 55 52 64 75 …

(Disaggregazione rispetto alla dimensione tempo)

57

IMPLEMENTAZIONE DI UN IMPLEMENTAZIONE DI UN DATA WAREHOUSEDATA WAREHOUSE

58

Implementazione MOLAPImplementazione MOLAP• I dati sono memorizzati direttamente in un

formato dimensionale (proprietario). Le gerarchie sui livelli sono codificate in indici di accesso alle matrici

59

Implementazione ROLAP: Implementazione ROLAP: “s“schemi” dimensionalichemi” dimensionali

• Uno schema dimensionale (schema a stella) è composto da – una tabella principale, chiamata tabella fatti

• memorizza i fatti e le sue misure– Le misure più comuni sono numeriche, continue e additive

– due o più tabelle ausiliarie, chiamate tabelle dimensione

• una tabella dimensione rappresenta una dimensione rispetto alla quale è interessante analizzare i fatti

– memorizza i membri delle dimensioni ai vari livelli

– Gli attributi sono solitamente testuali, discreti e descrittivi

60

Schema a stellaSchema a stella

Vendite

CodiceTempo

CodiceLuogo

CodiceArticolo

CodiceCliente

QuantitàIncasso

Tempo

CodiceTempoGiornoMeseMeseTrimestreAnno

Luogo

CodiceLuogo

NegozioIndirizzoCittà

ProvinciaProvinciaRegione

ArticoloCodiceArticoloDescrizioneMarcaCategoria

Cliente

CodiceClienteNomeCognomeSessoEtàProfessione

61

Schema a fiocco di neveSchema a fiocco di neve

Categoria

Codice categoriaCategoria

TrimestreAnno

Mese

CodiceRegioneRegione

Regione

Vendite

CodiceTempoCodiceLuogoCodiceArticoloCodiceClienteQuantitàIncasso

Tempo

CodiceTempo

Giorno

Mese

Luogo

CodiceLuogoNegozioIndirizzoCodice CittàCittàCodiceRegione

Articolo

CodiceArticoloDescrizioneMarca

Codice categoria

Cliente

Codice clienteNomeCognomeSessoEtà

Professione

Mese

62

Una possibile istanzaUna possibile istanzaDataCube?

63

Caratteristiche di uno schema Caratteristiche di uno schema dimensionaledimensionale

• Una tabella dimensione memorizza i membri di una dimensione – la chiave primaria è semplice – gli altri campi memorizzano i livelli della dimensione– tipicamente denormalizzata

• La tabella fatti memorizza le misure (fatti) di un processo – la chiave è composta da riferimenti alle chiavi di

tabelle dimensione– gli altri campi rappresentano le misure– è in BCNF

64

Esempio

SELECT A.Categoria, T.trimestre, sum(V.Quantita)

FROM Vendite as V, Articolo as A, Tempo as T

WHERE V.CodiceArticolo = A.CodiceArticolo and

V.CodiceTempo = T.CodiceTempo and T.Anno = 2003

GROUP BY A.Categoria, T.trimestre

ORDER BY A.Categoria, T.trimestre

65

Additività dei fattiAdditività dei fatti

• Un fatto è additivo se ha senso sommarlo rispetto a ogni possibile combinazione delle dimensioni da cui dipende – l’incasso è additivo perché ha senso calcolare la

somma degli incassi per un certo intervallo di tempo, insieme di prodotti e insieme di negozi

– l’additività è una proprietà importante, perché le applicazioni del data warehouse devono solitamente combinare i fatti descritti da molti record di una tabella fatti

66

FORMATO DELLE INTERROGAZIONI DI ROLL-UP

• Le interrogazioni assumono solitamente il seguente formato standard

SELECT D1.L1,.., Dn.Ln, Aggr1(F.M1),.., Aggrk(F.Ml) FROM Fatti as F, Dimensione1 as D1, .., DimensioneN as Dn WHERE Join-predicate(F,D1) and .. and Join-predicate(F,Dn) and selection-predicate GROUP BY D1.L1, ..., Dn.Ln ORDER BY D1.L1, ..., Dn.Ln

67

DATA CUBE

SELECT Citta, Categoria,

count(Quantita) as VenditeCC

FROM Vendite as V, Articolo as A, Luogo as L

WHERE V.CodiceArticolo = A.CodiceArticolo and

V.CodiceLuogo = L.CodiceLuogo

GROUP BY CUBE(Citta, Categoria)

68

Possibile risultato del data cubePossibile risultato del data cube

69

GROUP BY ROLL UP

SELECT Citta, Categoria,

count(Quantita) as VenditeCC

FROM Vendite as V, Articolo as A, Luogo as L

WHERE V.CodiceArticolo = A.CodiceArticolo and

V.CodiceLuogo = L.CodiceLuogo

GROUP BY ROLLUP(Citta, Categoria)

70

Possibile risultatoPossibile risultato

71

INDICI PER IL DATA INDICI PER IL DATA WAREHOUSEWAREHOUSE

72

Motivazioni

• A causa della complessità delle elaborazioni direzionali, è necessario massimizzare la velocità di esecuzione delle interrogazioni OLAP ; l’impiego di indici quindi assume un’importanza primaria.

• L’aggiornamento periodico del DW consente di ristrutturare gli indici ogni volta che si effettua il “refresh”.

73

Query OLAP e indiciQuery OLAP e indici

• Analizzando la struttura delle query OLAP è possibile

affermare che gli indici vanno costruiti su:

– Attributi non chiave delle “Tabelle dimensione” al fine di

accelerare le operazioni di selezione.

– Chiavi esterne (importate) della “Tabella Fatti” per

accelerare l’esecuzione dei join.

– Sebbene meno efficaci, si può pensare di costruire indici sulle

misure della “ Tabella Fatti” con predicati di selezione su tali

valori

• Esempio : “Indicare tutte le vendite con quantitativi superiori a

1.000.”

74

Indice Bitmap

Viene posto su un attributo e:• E’ composto da

– una matrice binaria con

• tante colonne quanti sono i possibili valori dell’ attributo

• tante righe quante sono le ennuple della relazione

• Per ogni possibile valore un bit (T/F) indica se il corrispondente record ha quel valore.

75

EsempioEsempio

• Indice Bitmap sull’attributo Posizione di una tabella Impiegati. – i possibili valori sono:

´Ingegnere´ - ´Consulente´ - ´Manager´ - ´Programmatore´ -´Segretario´ - ´Ragioniere´

1: T = Vero0: F = Falso

00

76

Indici Bitmap:implementazione nel DW

• Generalmente, le bitmap sono associate ad un albero B-tree :– la radice ed i nodi intermedi sono simili ad indici tradizionali– Le foglie invece contengono per ciascun valore dell’indice un

vettore i cui bit sono posti ad uno in corrispondenza delle tuple che contengono quel valore a zero altrimenti

• Algoritmo– Discendi il B + tree.– Carica l’array binario corrispondente al valore dell’indice.– Determina quali bit sono alti.– Trova tutte le tuple corrispondenti.

77

Considerazioni sulle bitmap

• Vantaggioso nel caso di attributi con pochi valori differenti (indici con piccolo ingombro).

• Ottimo per query che non necessitano di accedere al file dati.

• Possibilità di utilizzare operatori binari di livello basso – per l’esecuzione dell’elaborazione dei predicati.

78

esempioesempio

• “Quanti maschi in California non sono assicurati?”

79

SvantaggiSvantaggi

• Gli indici BITMAP presentano forti limiti quando per un attributo siano possibili un elevato numero di valori differenti.– Infatti è necessario utilizzare una diversa colonna

per ogni possibile valore.

• Non sono indicati quando la tabella subisce frequenti modifiche:– Nel nostro caso le modifiche si ottengono solo al

refresh quando è già prevista una ristrutturazione.

80

Svantaggi (2)

• Quando il numero di valori possibili è molto alto la matrice di bit che ne deriva è estremamente sparsa.– NOTA: Alcune versioni permettono di comprimere la

matrice di bit al fine diminuirne la dimensione.

81

Join Index

• L’esecuzione di query su schemi a stella richiede spesso di eseguire join su più tabelle.

• Gli indici che risultano più utili in questi casi sono i Join Index.– Questi vengono creati identificando in anticipo le tuple

che soddisfano il predicato di join.

82

esempioesempio

Tabella indice

La tabella indice individua le tuple per cui Vendite.ID_Negozi = Negozi.ID_Negozi

Per verificare le tuple che soddisfano il predicato di join non è più necessario scandire le tuple delle due relazioni

83

Join index: implementazione nel DWJoin index: implementazione nel DW

• Gli indici di join vengono costruiti sulle chiavi delle tabelle dimensioni.

• Contengono nelle foglie del B-tree per ogni valore dell’indice, invece dei puntatori alle tuple delle dimensioni, puntatori agli insiemi di tuple delle tabelle dei fatti che contengono quel valore di chiave.

84

Star Join IndexStar Join Index

• Il “Join Index” calcola in anticipo il join tra un fatto ed una dimensione: lo “Star Join index” estende il join index a più tabelle dimensionali .

• Concatena colonne relative a più dimensioni ottenendo una tabella di join più complessa.

85

Ovvero …Ovvero …

Tabella Indice

86

Indici Bitmap e di Join: costi e benefici

• I costi sono dovuti alla necessità di costruire e memorizzare persistentemente gli indici bitmap e di join

• I benefici sono legati al loro uso effettivo da parte del Server del DW per la risoluzione delle interrogazioni

87

PROGETTO DI UN DATA WAREHOUSE

88

Progetto di un DWH

Selezione delle sorgenti informative

Traduzione in modello E/R comune

Analisi sorgenti

Esigenze OLAP Dati OLTP Altre sorgenti

Integrazione degli schemi E/R

Identificazione di fatti, misure e dimensioni

Ristrutturazione dello schema concettuale

Derivazione di un grafo dimensionale

Progettazione logica multidimensionale

Progettazione fisica relazionale a stella

Integrazione

Progettazione

Input

89

Informazioni in ingresso

• Le informazioni in ingresso necessarie alla progettazione di un data warehouse– requisiti dell’analisi — le esigenze aziendali di analisi dati (OLAP)– basi di dati aziendali — con una documentazione sufficiente per la loro comprensione

(OLTP)– altre sorgenti informative — l’analisi richiede spesso la correlazione con dati non di

proprietà dell’azienda ma comunque da essa accessibili — ad esempio, dati ISTAT o sull’andamento dei concorrenti

90

Analisi sorgenti informative

• Selezione delle sorgenti informative – analisi preliminare del patrimonio informativo aziendale– correlazione del patrimonio informativo con i requisiti– identificazione di priorità tra schemi

• Traduzione in un modello di riferimento– attività preliminare alla correlazione e all’integrazione di schemi —

si svolge con riferimento a schemi concettuali E/R

91

... se non sono disponibili schemi E/R

• Si applica l’attività di comprensione concettuale di uno schema di dati attraverso la rappresentazione dello schema relazionale mediante il modello E/R.

• Uno schema ER è più espressivo di uno schema relazionale • L’attività descritta è detta di “reverse engineering” di schemi

relazionali ed è svolta in maniera semiautomatica da appositi strumenti di progettazione CASE.

92

Integrazione di sorgenti informative

• L’integrazione di sorgenti informative è l’attività di fusione dei dati rappresentati in più sorgenti in un’unica base di dati globale che rappresenta l’intero patrimonio informativo aziendale

• L’approccio è orientato alla identificazione, analisi e risoluzione di conflitti — terminologici, strutturali, di codifica

• L’integrazione delle sorgenti informative produce una descrizione globale del patrimonio informativo aziendale.

93

Integrazione di schemi di sorgenti informative

• orientata all’analisi e risoluzione di conflitti tra schemi ovvero di rappresentazioni diverse di uno stesso concetto

94

Integrazione di sorgenti informative

• L’integrazione di sorgenti informative è guidata da quella dei loro schemi – ma è necessario risolvere anche i conflitti relativi alla codifica delle informazioni– un attributo “sesso” può essere rappresentato

• Con un carattere - M/F• Con una cifra - 0/1• Implicitamente nel codice fiscale• Non essere rappresentato

– Il nome e cognome di una persona• “Mario”, “Rossi”• “Mario Rossi”• “Rossi Mario”• “Rossi, M”

95

Integrazione di sorgenti informative

• La parte più problematica è legata alla qualità dei dati disponibili

Mario Rossi è nato il 3 ottobre 1942

Mario Rossi è nato il 10 marzo 1942

Mairo Rossi è nato il 10 marzo 1942

96

Progettazione del DWH

• identificazione di fatti, misure e dimensioni• ristrutturazione dello schema concettuale

– rappresentazione di fatti mediante entità – individuazione di nuove dimensioni– raffinamento dei livelli di ogni dimensione

• derivazione di un grafo dimensionale • progettazione logica: derivazione dello schema multidimensionale.• progettazione fisica: determinazione dello schema relazionale a

stella.

97

Identificazione di fatti, misure e dimensioni

scontrinodatanumero pezziincasso

percentuale

Vendita(0,1)

codice

Articolonomeprezzocosto

marcacategoria

codice

Cliente

Occupazione

sessoanno nascita

città residenza

nome

tempo

Negozionomecittà

98

Ristrutturazione dello schema concettuale

Vendita

scontrino

numero pez z iincasso

codice

Artico lo

nom emarca

codice

C liente

Occupaz ioneprincipale

sessoannonascita

nom e

Negoz io nom e

città

C ittà Regione

regione

Residenz a

M arca

categoria

Categoria prez z o costo

Dati artico lo

meseM ese

data

Giorno

trimestreT rimestre

annoAnno

E’ lo schema concettuale del data warehouse

99

Derivazione di un grafo dimensionale

100

Progettazione logica:schema MOLAP per Vendita, Costo e Prezzo

• La traduzione dello schema dimensionale al modello logico multidimensionale è immediata:

– Dimensioni corrispondono a ipernodi del grafo

– Livelli e descrizioni corrispondono a nodi del grafo

– I fatti corrispondono ai nodi fatto:

Vendita[Data:giorno, Prod:articolo, A:cliente, Loc:Negozio]:

[incasso:numero]

Costo[Prodotto:Articolo, Tempo:mese]: [Valore:numero]

Prezzo[Prodotto:articolo,Tempo:mese]:[Valore:numero]

101

Progettazione fisica ROLAP:star schema per Vendita

VENDIT A CodArtico lo CodCliente CodTempo CodNegoz io Incasso

CLIEN T E CodCliente Sesso Occupaz ione Anno nascita C ittà nascita Provincia nascita Regione nascita

A RT ICO LO CodArtico lo M arca Categoria Nom e

NEGO ZIO CodNegoz io Ind iriz z o C ittà Provincia Regione

T EM PO CodTem po Giorno M ese T rimestre Anno

102

ESEMPIO DI PROGETTO

103

Specifiche progetto di una DWH: statistiche vendite farmaci

Il Ministero della Salute ha commissionato la progettazione di un Data Warehouse per effettuare analisi e statistiche circa le vendite di farmaci da parte delle varie farmacie italiane.

In particolare si vogliono analizzare le statistiche relative alle tipologie di farmaci venduti suddivisi per area geografica e orizzonte temporale, nonché semplici statistiche sull’utenza consumatrice.

104

Individuazione ed analisi sorgenti informative

• Da colloqui col committente:– Ogni farmacia utilizza una base di dati operazionale per la

gestione delle vendite dei farmaci implementata attraverso un DBMS Access.

– Dall’analisi del modello E/R è possibile individuare lo schema concettuale contenente le sole informazioni di interesse:

• Prodotti/Farmaci

• Vendite/fatture

• Clienti

105

Schema E/R della base datiSchema E/R della base dati

106

Schema concettuale della DWHSchema concettuale della DWH

107

Modello finale di tipo starflake-schemaModello finale di tipo starflake-schema

108

Progettazione fisica e gestione datiProgettazione fisica e gestione dati• Si ottiene così, nella fase di progettazione fisica, uno star flake schema di

figura con una sola dimensione denormalizzata: quella relativa alla collocazione geografica delle farmacie. Questo per consentire un maggiore livello di aggregazione delle informazioni.

• Su tale DW è poi possibile effettuare in maniera semplice interrogazioni come:

– selezione del farmaco più venduto in Campania. – determinazione dell’età media dei consumatori di AULIN. – I clienti della farmacia ALFANI.– Impatto della terapia del dolore nelle varie regioni italiane.

• Infine vanno schedulate apposite procedure di refresh per aggiornare il contenuto del data warehouse ad intervalli di tempo prefissati.

109

KNOWLEDGE DISCOVERY IN DATABASE

110

Knowledge Discovery in DatabaseKnowledge Discovery in DatabaseIl processo di KDD è un processo interattivo e iterativo, strutturato in diverse fasi:

111

Knowledge Discovery in DatabaseKnowledge Discovery in Database

• Fase 1: si identifica il problema, tenendo conto della relativa conoscenza già acquisita in precedenza e gli obiettivi che si vogliono perseguire.

• Fase 2: si seleziona l’insieme dei dati, oggetto del processo di estrazione (discovery) della conoscenza.

• Fase 3: si “puliscono” e si normalizzano i dati attraverso, ad esempio, l’eliminazione dei dati rumorosi e dei valori estremi, la gestione dei campi vuoti …

• Fase 4: si individuano le caratteristiche salienti per rappresentare il fenomeno che si sta analizzando in funzione dell’obiettivo definito, tendendo a ridurre il numero delle variabili prese in considerazione.

112

Knowledge Discovery in DatabaseKnowledge Discovery in Database

• Fase 5: si sceglie il cosiddetto “data mining task”, cioè il tipo di analisi sui dati da effettuare - classificazione, previsione, etc …-.

• Fase 6: si scelgono le tecniche di data mining da impiegare per ricercare i pattern nei dati, in funzione del criterio generale alla base del processo di KDD (ad esempio, l’analista potrebbe essere maggiormente interessato alla comprensione del modello rispetto alle capacità di previsione dello stesso).

• Fase 7: si effettua il data mining, cioè si compie la ricerca dei cioè si compie la ricerca dei pattern pattern d’interessed’interesse.

• Fase 8: si interpretano i pattern “scoperti” con la possibilità di ritornare alle fasi precedenti per ulteriori iterazioni.

113

Knowledge Discovery in DatabaseKnowledge Discovery in Database

• Fase 9: si consolida e si formalizza la conoscenza acquisita (realizzazione/integrazione di un sistema applicativo, redazione di documentazione, presentazione alle parti interessate …).

• Il ruolo fondamentale nel processo di KDD, che è caratterizzato da un alto livello di iterazione, è svolto dalla fase 7, ovvero quella in cui si compie il data mining.

114

KDD e Data MiningKDD e Data Mining

• In questa ottica, il KDD è un processo non banale di identificazione dai “dati” dei “pattern” validi, precedentemente sconosciuti, potenzialmente utili ed ultimamente comprensibili.– per “dato” si intende in questo contesto un insieme di fatti;– per “pattern” si intende un sottoinsieme dei dati o un modello

applicabile a questo sottoinsieme.• Si noti ancora che per processo di estrazione di un

pattern si intende il processo di individuare un modello che ben si adatta ai dati in esame.

115

Data miningData mining

– E’ un approccio alternativo all’analisi multidimensionale per estrarre informazioni di supporto alle decisioni da un data warehouse

– Talora le tecniche di ricerca di “informazione nascosta” in una collezione di dati si applica a dati “destrutturati” ad es. collezioni di transazioni.

116

Problemi classici di data miningProblemi classici di data mining

– Uso di regole associative: individuare regolarità in un insieme di transazioni anonime

– pattern sequenziali: individuare regolarità in un insieme di transazioni non anonime, nel corso di un periodo temporale

– classificazione: catalogare un fenomeno in una classe predefinita sulla base di fenomeni già catalogati

117

Uso di regole associativeUso di regole associative

• Dati di ingresso:– insiemi di transazioni

• Obiettivo: – trovare delle “regole” che correlano nelle

transazioni la presenza di un insieme di oggetti con un altro insieme di oggetti.

118

Regole associative:esempio di regolaRegole associative:esempio di regola

Pannolini Birra

• il 2% tra tutte le transazioni contiene entrambi gli oggetti (supporto cioè rilevanza statistica)

• il 30% delle transazioni che contiene Pannolini contiene anche Birra (confidenza cioè forza)

119

Significatività delle regoleSignificatività delle regole

X, Y Z

– Supporto S: la regola è verificata in S% delle transazioni rispetto a tutte le transazioni

• rilevanza statistica

– Confidenza C: C% di tutte le transazioni che contengono X e Y contengono anche Z

• “forza” della regola

120

Pattern sequenzialiPattern sequenziali

• Dati di ingresso:– Insieme di sequenze di transazioni ciascuna

delle quali si riferisce ad un fissato cliente.

• Obiettivo:– trovare sequenze di oggetti che compaiono

nell’insieme almeno in una assegnata percentuale.

121

Pattern sequenziali: esempiPattern sequenziali: esempi

• “Il 5% dei clienti ha comprato un lettore di CD in una transazione e CD in un’altra”– il 5% è il supporto del pattern

• Applicazioni– misura della soddisfazione del cliente– promozioni mirate– medicina (sintomi - malattia)

122

ClassificazioniClassificazioni

• Dati in ingresso– Record di osservazione elementari

• Obiettivo– Determinare gli attributi significativi dei record

osservati e costruire un albero di decisione che consenta, in funzione dei valori degli attributi significativi della tupla, di classificarla.

123

Classificazioni:esempioClassificazioni:esempio

• Classificazione delle polizze di una compagnia attribuendo loro un rischio alto o basso.

Partendo dalle transazioni che descrivono le polizze, il classificatore determina gli attributi per definire il rischio (età guidatore, tipo auto) e costruisce un albero di decisione.

124

Classificatore polizze a rischioClassificatore polizze a rischio

Età<20

T

T

F

F

TipoAuto = “Sportiva”

Albero di decisione costruito in base ad un “training set” ed utilizzabile nel “test set”