View
255
Download
5
Category
Preview:
Citation preview
Arsitektur Data WarehouseMinggu 4
PengantarMengapa Pemodelan Data itu penting ? …
• Tujuan Meyakinkan semua objek datayang diperlukan oleh database telahterpenuhi.
Mengapa Pemodelan Data itu penting ? …
• Tujuan Meyakinkan semua objek datayang diperlukan oleh database telahterpenuhi.
Tabel Relational• Tabel Relasional dibangun oleh baris dan kolom• Terdapat dua sudut pandang , yaitu :
– Baris sebagai sumbu x dan kolom sebagi sumbu y
Tapi sebenarnya tabel relasional tersebut hanya mempunyaisatu dimensi
Lihat pada slide berikut ini
• Tabel Relasional dibangun oleh baris dan kolom• Terdapat dua sudut pandang , yaitu :
– Baris sebagai sumbu x dan kolom sebagi sumbu y
Tapi sebenarnya tabel relasional tersebut hanya mempunyaisatu dimensi
Lihat pada slide berikut ini
• Karakteristik :• setiap record atau baris merepresentasikan data buku
yang berbeda-beda.• Satu baris dengan baris lainnya diidentifikasikan dengan
sebuah key yaitu primary key.• Sedangkan bagian kolom seperti, judul, jenis buku,
pengarang menyimpan fakta yang sama atau sejenis,dimana setiap fakta tersebut merujuk pada primary keyyaitu Kode Buku.
• Hal inilah yang menunjukkan bahwa tabel relasionalhanya mempunyai satu dimensi.
• Karakteristik :• setiap record atau baris merepresentasikan data buku
yang berbeda-beda.• Satu baris dengan baris lainnya diidentifikasikan dengan
sebuah key yaitu primary key.• Sedangkan bagian kolom seperti, judul, jenis buku,
pengarang menyimpan fakta yang sama atau sejenis,dimana setiap fakta tersebut merujuk pada primary keyyaitu Kode Buku.
• Hal inilah yang menunjukkan bahwa tabel relasionalhanya mempunyai satu dimensi.
Data Multidimensi• Data multidimensi adalah “ketika kita dapat melihat
sebuah data dari berbagai sudut pandang atau dimensi”• Sebagai contoh, penjualan buku dapat dilihat dari segi
Buku, waktu, lokasi penjualan / toko dan sebagainya.• Jika digambarkan , maka akan terdapat tiga koordinat
yaitu sumbu x mewakili buku, sumbu y mewakili dimensiwaktu dan sumbu z untuk dimensi lokasi.
• Hal inilah yang menjadi perbedaan mendasar antaratabel relasional dan data multidimensi.
• Data multidimensi adalah “ketika kita dapat melihatsebuah data dari berbagai sudut pandang atau dimensi”
• Sebagai contoh, penjualan buku dapat dilihat dari segiBuku, waktu, lokasi penjualan / toko dan sebagainya.
• Jika digambarkan , maka akan terdapat tiga koordinatyaitu sumbu x mewakili buku, sumbu y mewakili dimensiwaktu dan sumbu z untuk dimensi lokasi.
• Hal inilah yang menjadi perbedaan mendasar antaratabel relasional dan data multidimensi.
Spreadsheet
WaktuPenj
Pemodelan data MultidimensiWhat is Dimensional Modeling ? …..• Menggunakan dua konsep yaitu tabel fakta
(fact table) dan tabel dimensi (dimensionaltable)
• Berbeda dengan konsep normalisasi (3rd
normal form)
What is Dimensional Modeling ? …..• Menggunakan dua konsep yaitu tabel fakta
(fact table) dan tabel dimensi (dimensionaltable)
• Berbeda dengan konsep normalisasi (3rd
normal form)
Pengantar
Tabel Fakta? … danTabel Dimensi ? …
• Tabel Fakta berisi measurement ataumetric dari proses bisnis dan foreign key daritabel dimensi. Tabel fakta merupakan tabelutama dari cube. Karakteristik dari tabelfakta :– kumpulan key dimensi dari tabel– ada measure(yang ingin diukur)– data akan selalu berubah
Tabel Fakta? … danTabel Dimensi ? …
• Tabel Fakta berisi measurement ataumetric dari proses bisnis dan foreign key daritabel dimensi. Tabel fakta merupakan tabelutama dari cube. Karakteristik dari tabelfakta :– kumpulan key dimensi dari tabel– ada measure(yang ingin diukur)– data akan selalu berubah
Pengantar• Measurement ?Misal :Jika anda mempunyai bisnis penjualan sepeda motor maka
measurement dari bisnis anda adalah “jumlahpenjualan motor” atau “rata-rata penjualan sepedamotor merk x”
Contoh lainJika Proses bisnis anda pruduksi kertas maka
measurementnya adalah ” rata-rata produksi kertaspada suatu mesin” atau “produksi kertas setiapbulan”
• Measurement ?Misal :Jika anda mempunyai bisnis penjualan sepeda motor maka
measurement dari bisnis anda adalah “jumlahpenjualan motor” atau “rata-rata penjualan sepedamotor merk x”
Contoh lainJika Proses bisnis anda pruduksi kertas maka
measurementnya adalah ” rata-rata produksi kertaspada suatu mesin” atau “produksi kertas setiapbulan”
• Tabel Dimensi berisi atribut darimeasurement yang disimpan pada tabelfakta.
• Tabel dimensi merupakan hierarki, kategoridan logic yang dapat digunakan untukmenganalisa measurement dari sudutpandang tertentu.
• Tabel dimensi bersifat statis(tidak berubah)
• Tabel Dimensi berisi atribut darimeasurement yang disimpan pada tabelfakta.
• Tabel dimensi merupakan hierarki, kategoridan logic yang dapat digunakan untukmenganalisa measurement dari sudutpandang tertentu.
• Tabel dimensi bersifat statis(tidak berubah)
From Requirement (analisakebutuhan) to Data Design(design data)
From Requirement (analisakebutuhan) to Data Design(design data)
Contoh Information Package Diagram
Sebagai contoh Automaker Sales, terdapat tiga tipe entity,yaitu :
1. Measurement atau metric2. Business dimension3. Atribut untuk masing-masing business dimension
MeasurementAutomaker Sales
Sebagai contoh Automaker Sales, terdapat tiga tipe entity,yaitu :
1. Measurement atau metric2. Business dimension3. Atribut untuk masing-masing business dimension
MeasurementAutomaker Sales
Contoh : Automaker Sales
Dimensi Produk
Menaruh semuanya bersama-sama. Itu menunjukkanbagaimana berbagai dimension tables dibentuk dariinformation package diagram
E-R Modeling Vs Dimensional Modeling
Kita telah familiar dengan data modeling untuk operasional atau OLTPsistem. E-R modeling untuk membuat data model sistem.
Untuk Dimensional Model sesuai digunakan untuk modeling datawarehouse.
Definisi Arsitektur
Sekumpulan aturan-aturan atau strukturyang menyediakan kerangka kerja untukdisain keseluruhan sistem atau produk.
Tiga Komponen Utama Arsitektur DW
• Populasi WarehouseDownloading vs Volume Data
• Administrasi WarehousePerawatan Metadata
• Mesin Pendukung KeputusanQuery dan Pelaporan
• Populasi WarehouseDownloading vs Volume Data
• Administrasi WarehousePerawatan Metadata
• Mesin Pendukung KeputusanQuery dan Pelaporan
Hal yang perlu diperhatikan dalam ArsitekturDW
• Cost Effective• Adaptable• Easily Implemented
• Cost Effective• Adaptable• Easily Implemented
Hal yang perlu dipertimbangkan dalammemilih Media & Metode Penyimpanan
• Data load times• Synchronization• Recovery• Summarization levels• Method of data security implementation• Data distribution• Data access and query speed• Ease of maintenance
• Data load times• Synchronization• Recovery• Summarization levels• Method of data security implementation• Data distribution• Data access and query speed• Ease of maintenance
Akses Informasi• Komponen kunci teknik
– Memberikan akses pada orang yang tepatuntuk informasi yang tepat pada waktu yangtepat.
– Memudahkan pengambilan informasi secaracepat dan mudah.
• Komponen kunci teknik– Memberikan akses pada orang yang tepat
untuk informasi yang tepat pada waktu yangtepat.
– Memudahkan pengambilan informasi secaracepat dan mudah.
Tujuan Utama Arsitektur DW• Mendefinisikan suatu struktur yang
membantu customer membuat implementasidata warehouse yang efektif, yaituimplementasi yang memberikan kemudahanakses data pada pengguna dan aplikasi.
• Arsitektur mengidentifikasi danmendefinisikan komponen-komponen, antarmuka, dan protokol-protokol.
• Mendefinisikan suatu struktur yangmembantu customer membuat implementasidata warehouse yang efektif, yaituimplementasi yang memberikan kemudahanakses data pada pengguna dan aplikasi.
• Arsitektur mengidentifikasi danmendefinisikan komponen-komponen, antarmuka, dan protokol-protokol.
Masalah Akses Data/Informasi
• Data yang banyak dan tersebar• Kebutuhan sistem analisis yang cepat dan
mudah dalam mengakses data• Mempertahankan investasi organisasi
terhadap sistem informasi yang telah ada.
• Data yang banyak dan tersebar• Kebutuhan sistem analisis yang cepat dan
mudah dalam mengakses data• Mempertahankan investasi organisasi
terhadap sistem informasi yang telah ada.
Permasalahan Customer yangdiselesaikan dengan Arsitektur DW
• No single view of data• Different user tools• Lack of consistency• Lack of useful historical capability• Conflict between application type• Problems in administering data• Proliferation of complex extract application
• No single view of data• Different user tools• Lack of consistency• Lack of useful historical capability• Conflict between application type• Problems in administering data• Proliferation of complex extract application
Konfigurasi Data
• Single copy configuration• Reconciled data configuration• Derived data configuration• Hybrid data configuration
• Single copy configuration• Reconciled data configuration• Derived data configuration• Hybrid data configuration
Komponen-komponen Kunci ArsitekturalDW
• Model data yang mendefinisikan isi warehouse• Disain database warehouse, apakah hirarsikal,
relasional, atau multidimensional.• Utilitas untuk data scrubbing, copy management,
data transport, data replication, cross platformcommunication
• Optimasi warehouse server untuk pelaporan danpemrosesan query yang cepat
• DSS untuk pelaporan dan analisis
• Model data yang mendefinisikan isi warehouse• Disain database warehouse, apakah hirarsikal,
relasional, atau multidimensional.• Utilitas untuk data scrubbing, copy management,
data transport, data replication, cross platformcommunication
• Optimasi warehouse server untuk pelaporan danpemrosesan query yang cepat
• DSS untuk pelaporan dan analisis
Bagian dari Model Arsitektural DW
• Operational database/external database layer(Lapisan database Operational)
• Information access layer (Lapisan Akses Informasi)• Data access layer (Lapisan Akses Data)• Data directory (metadata) layer• Process management layer• Application messaging layer• Data warehouse layer• Data staging layer
• Operational database/external database layer(Lapisan database Operational)
• Information access layer (Lapisan Akses Informasi)• Data access layer (Lapisan Akses Data)• Data directory (metadata) layer• Process management layer• Application messaging layer• Data warehouse layer• Data staging layer
Pilihan Pemindahan ke DataWarehousing
• Rehosting mainframe applications• Two tier architecture using mainframe as a
server• Three tier data warehouse architecture• Four tier data warehouse architecture
• Rehosting mainframe applications• Two tier architecture using mainframe as a
server• Three tier data warehouse architecture• Four tier data warehouse architecture
Definisi istilah di pendukung keputusan• Facts
variabel-variabel atau pengukuran yang biasanyadisimpan dalam bentuk numerik yang merupakan fokusdari investigasi pendukung keputusan
• MetricsAnalisis pengukuran yang dikalkulasi dari fakta secaralangsung
• DimensionsPengelompokkan secara logika dari atribut-atribut yangmemiliki relasi kunci terkecil yang sama.
• Factsvariabel-variabel atau pengukuran yang biasanyadisimpan dalam bentuk numerik yang merupakan fokusdari investigasi pendukung keputusan
• MetricsAnalisis pengukuran yang dikalkulasi dari fakta secaralangsung
• DimensionsPengelompokkan secara logika dari atribut-atribut yangmemiliki relasi kunci terkecil yang sama.
Permasalahan Disain Skema
Keseimbangan kebutuhan-kebutuhan yangkonflik dari:– fungsionalitas analisis– kinerja query– kemampuan perawatan database
Dua tipe tabel utama yang ada dalamData Warehouse
• Fact Tables• Dimensions Tables
Conceptual Modeling of Data Warehouses
• Modeling data warehouses: dimensions &measures– Star schema: A fact table in the middle connected
to a set of dimension tables– Snowflake schema: A refinement of star schema
where some dimensional hierarchy is normalizedinto a set of smaller dimension tables, forming ashape similar to snowflake
– Fact constellations: Multiple fact tables sharedimension tables, viewed as a collection of stars,therefore called galaxy schema or factconstellation
• Modeling data warehouses: dimensions &measures– Star schema: A fact table in the middle connected
to a set of dimension tables– Snowflake schema: A refinement of star schema
where some dimensional hierarchy is normalizedinto a set of smaller dimension tables, forming ashape similar to snowflake
– Fact constellations: Multiple fact tables sharedimension tables, viewed as a collection of stars,therefore called galaxy schema or factconstellation
Skema Star
1. Sebuah fact table yang besar dan tersentralisasi.
2. Satu tabel untuk setiap dimensi.
3. Setiap fact points untuk satu tuple dalam setiap dimensinya dan
memiliki atribut tambahan.
4. Mudah dimengerti dan mengurangi jumlah dari “physical joins”.
5. Mudah untuk mendefinisikan hirarkinya.
Skema Star (cont’d)
Time
cust
date, custno, prodno, cityname, ...
fact
prod
City
Time
cust
date, custno, prodno, cityname, ...
fact
prod
City
Skema Star (cont’d)
Time Dimension
Period Key
Year
Quarter
Month
Store Dimension
Store Key
Store Name
City
State
Region
Fact Table
Store Key
Product Key
Period Key
Units
Price
Product Key
Product Desc
Product Dimension
Time Dimension
Period Key
Year
Quarter
Month
Store Dimension
Store Key
Store Name
City
State
Region
Fact Table
Store Key
Product Key
Period Key
Units
Price
Product Key
Product Desc
Product Dimension
Karakteristik Star Schema• Karakteristik dari model ini adalah :• Pusat dari star disebut fact table• Fact table mempunyai sebuah nilai aggregate dari data-data
yang berasal dari tabel dimensi• Setiap tabel dimensi berelasi langsung dengan fact table• Tabel dimensi beisikan data tentang informasi atau waktu• Relasi antara fact table dengan dimensi-dimensinya adalah 1 –
N (one to many)• Primary key pada tabel dimensi akan menjadi key pada fact
table atau dapat diakatakan bahwa fact table memilikikombinasi key dari tabel dimensi tersebut
• Karakteristik dari model ini adalah :• Pusat dari star disebut fact table• Fact table mempunyai sebuah nilai aggregate dari data-data
yang berasal dari tabel dimensi• Setiap tabel dimensi berelasi langsung dengan fact table• Tabel dimensi beisikan data tentang informasi atau waktu• Relasi antara fact table dengan dimensi-dimensinya adalah 1 –
N (one to many)• Primary key pada tabel dimensi akan menjadi key pada fact
table atau dapat diakatakan bahwa fact table memilikikombinasi key dari tabel dimensi tersebut
Contoh Lain (Model Star)
Keuntungan :• Lebih simple• Mudah dipahami.• Hasil dari proses query juga relatif lebih
cepat.Kerugian :• boros dalam space.
Keuntungan & Kerugian StarKeuntungan :• Lebih simple• Mudah dipahami.• Hasil dari proses query juga relatif lebih
cepat.Kerugian :• boros dalam space.
Skema Snowflake
1. Merupakan variant dari model skema star.
2. Sebuah fact tables yang besar dan tersentralisasi serta satu atau
lebih tabel untuk setiap dimensi.
3. Tabel dimensi dinormalisasi dengan cara men-split data pada
tabel dimensi ke dalam tabel tambahan.
4. Mudah untuk maintenance dan menghemat storage.
Snowflake Schema• Model snowflake merupakan perluasan dari
star dimana ia juga mempunyai satu ataulebih dimensi. Hanya saja pada snowflake,tabel yang berelasi pada fact table hanyatabel dimensi utama, sedangkan tabel yanglain dihubungkan pada tabel dimensi utama.
• Model snowflake ini hampir sama sepertiteknik normalisasi
• Model snowflake merupakan perluasan daristar dimana ia juga mempunyai satu ataulebih dimensi. Hanya saja pada snowflake,tabel yang berelasi pada fact table hanyatabel dimensi utama, sedangkan tabel yanglain dihubungkan pada tabel dimensi utama.
• Model snowflake ini hampir sama sepertiteknik normalisasi
Keuntungan & Kerugian Snowflake
Keuntungan menggunakan model Snowflake• Pemakain space yang lebih sedikit• Update dan maintenance yang lebih mudahKerugian menggunakan model ini yaitu :• Model lebih komplek dan rumit• Proses query lebih lambat• Performance yang kurang bagus
Keuntungan menggunakan model Snowflake• Pemakain space yang lebih sedikit• Update dan maintenance yang lebih mudahKerugian menggunakan model ini yaitu :• Model lebih komplek dan rumit• Proses query lebih lambat• Performance yang kurang bagus
Skema Snowflake (cont’d)
prod
Time
cust
date, custno, prodno, cityname, ...
fact
Time
cust
city
date, custno, prodno, cityname, ...
fact r
egion
Skema Snowflake (cont’d)
Time Dimension
Period Key
Year
Quarter
Month
Fact Table
Store Key
Product Key
Period Key
Units
Price
Product Key
Product Desc
Product Dimension
Store Dimension
Store Key
Store Name
City Key
City Dimension
City Key
City
State
Region
Time Dimension
Period Key
Year
Quarter
Month
Fact Table
Store Key
Product Key
Period Key
Units
Price
Product Key
Product Desc
Product Dimension
Store Dimension
Store Key
Store Name
City Key
City Dimension
City Key
City
State
Region
Skema Snowflake (cont’d)
Skema Fact Constellation
1. Beberapa fact tables berbagi tabel dimensi.
2. Ditampilkan sebagai koleksi dari kumpulan skema bintang yang
sering disebut sebagai skema galaxy.
3. Dibutuhkan oleh aplikasi yang canggih.
Skema Fact Constellation (cont’d)
Hotels
Travel Agents
Promotion
Room Type
Booking
Checkout
Customer
Hotels
Travel Agents
Promotion
Room Type
Booking
Checkout
Customer
Skema Fact Constellation (cont’d)Sales Fact Table
Store Key
Product Key
Period Key
Units
Price
Product Dimension
Product Key
Product Desc
Shipping Fact Tabl eShipper Key
Store Key
Product Key
Period Key
Units
Sales Fact Table
Store Key
Product Key
Period Key
Units
Price
PriceStore Dimension
Store Key
Store Name
City
State
Region
Shipping Fact Tabl eShipper Key
Store Key
Product Key
Period Key
Units
Data cube• A data cube, such as sales, allows data to be
modeled and viewed in multiple dimensions
• Suppose ALLELETRONICS create a sales datawarehouse with respect to dimensions
– Time
– Item
– Location
• A data cube, such as sales, allows data to bemodeled and viewed in multiple dimensions
• Suppose ALLELETRONICS create a sales datawarehouse with respect to dimensions
– Time
– Item
– Location
Cube
3D Data cube Example
4D Data cube Example
Membuat model untukData Warehouse
PersiapanUntuk membuat data model untuk data
warehouse sebaiknya harus diketahui :• Spesifikasi kebutuhan informasi• Data yang tersedia (sumber data) sudah
harus tersedia
Untuk membuat data model untuk datawarehouse sebaiknya harus diketahui :
• Spesifikasi kebutuhan informasi• Data yang tersedia (sumber data) sudah
harus tersedia
ContohKasus yang ada saat ini hanya untuk
kebutuhan spesifikasi kebutuhan fungsionalsaja, Tetapi nanti kenyataan akan lebihlengkap dan detil .
• Tidak membahas kecepatan respons• Tidak membahas spesifikasi teknis misal
format ,ukuran data , volume dan kualitas
Kasus yang ada saat ini hanya untukkebutuhan spesifikasi kebutuhan fungsionalsaja, Tetapi nanti kenyataan akan lebihlengkap dan detil .
• Tidak membahas kecepatan respons• Tidak membahas spesifikasi teknis misal
format ,ukuran data , volume dan kualitas
Untuk menjawab :• Berapa besar penjualan dan laba per bulan, per produk,
per tipe pelanggan/pembeli (grosir, pabrikan, industrirumah, atau exportir), jenis industri (daripelanggan/pembeli), dan kemana barang pesanan dikirim(propinsi atau nama negara)
• Output tersebut biasa disebut analisa multi-dimensi(multidimensional analysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’ dan ‘laba’.
• Batasan (dimension) dari besaran tersebut adalah bulan(period), produk, tipe pelanggan, jenis industri, dan tujuanpengiriman (location).
Output
Untuk menjawab :• Berapa besar penjualan dan laba per bulan, per produk,
per tipe pelanggan/pembeli (grosir, pabrikan, industrirumah, atau exportir), jenis industri (daripelanggan/pembeli), dan kemana barang pesanan dikirim(propinsi atau nama negara)
• Output tersebut biasa disebut analisa multi-dimensi(multidimensional analysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’ dan ‘laba’.
• Batasan (dimension) dari besaran tersebut adalah bulan(period), produk, tipe pelanggan, jenis industri, dan tujuanpengiriman (location).
Batasan• Output semacam diatas biasa disebut
analisa multi-dimensi (multidimensionalanalysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’dan ‘laba’. Batasan (dimension) dari besarantersebut adalah bulan (period), produk, tipepelanggan, jenis industri, dan tujuanpengiriman (location).
• Output semacam diatas biasa disebutanalisa multi-dimensi (multidimensionalanalysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’dan ‘laba’. Batasan (dimension) dari besarantersebut adalah bulan (period), produk, tipepelanggan, jenis industri, dan tujuanpengiriman (location).
Tabel transaksi
ER Diagram
Solusi Data model
Model yang digunakan adalah STARSCHEMA dengan bentuk :
Data 3 dimension
• 3 dimensi dibuat umum (common dimension), dapat dimanfaatkanuntuk analisa lain (mendatang)1. Waktu - untuk memenuhi spesifikasi “per bulan”, yang akan
dihubungkan dengan data “tanggal pesan”. Table ini akandiisi semua bulan dan sekian tahun (harus diputuskanberapa tahun, karena tabel ini kecil volumenya, misalnyadiisi untuk 50 tahun pada awal implementasi datawarehouse)
2. Jenis industri – untuk memenuhi spesifikasi “jenis industri”,yang akan dihubungkan dengan data “industri pelanggan”;
3. Lokasi – untuk memenuhi spesifikasi “propinsi/negarapemakai”, yang akan dihubungkan dengan bagian data“alamat kirim’, dengan kata lain didalam prosesmemasukkan data dari sumber kedalam warehouse harusmencari dan menentukan propinsi atau negara didalam/daridata alamat kirim.
• 3 dimensi dibuat umum (common dimension), dapat dimanfaatkanuntuk analisa lain (mendatang)1. Waktu - untuk memenuhi spesifikasi “per bulan”, yang akan
dihubungkan dengan data “tanggal pesan”. Table ini akandiisi semua bulan dan sekian tahun (harus diputuskanberapa tahun, karena tabel ini kecil volumenya, misalnyadiisi untuk 50 tahun pada awal implementasi datawarehouse)
2. Jenis industri – untuk memenuhi spesifikasi “jenis industri”,yang akan dihubungkan dengan data “industri pelanggan”;
3. Lokasi – untuk memenuhi spesifikasi “propinsi/negarapemakai”, yang akan dihubungkan dengan bagian data“alamat kirim’, dengan kata lain didalam prosesmemasukkan data dari sumber kedalam warehouse harusmencari dan menentukan propinsi atau negara didalam/daridata alamat kirim.
Output1. Penjualan diakumulasikan per bulan (monthly aggregated),
juga per dimensi yang lain sesuai spesifikasi: produk, tipepelanggan, jenis industry, dan lokasi kirim. Pajak penjualandan Ongkos kirim tidak diperhitungkan.
2. Data hasi perhitungan “laba” ikut disimpan (pre calculated),agar query cepat. Formula yang diberikan oleh user adalah:Laba penjualan = (Harga satuan – (Harga bahan baku +Ongkos produksi)) x Jumlah pesanan
1. Penjualan diakumulasikan per bulan (monthly aggregated),juga per dimensi yang lain sesuai spesifikasi: produk, tipepelanggan, jenis industry, dan lokasi kirim. Pajak penjualandan Ongkos kirim tidak diperhitungkan.
2. Data hasi perhitungan “laba” ikut disimpan (pre calculated),agar query cepat. Formula yang diberikan oleh user adalah:Laba penjualan = (Harga satuan – (Harga bahan baku +Ongkos produksi)) x Jumlah pesanan
ISI Tabel
311 Food Manufacturing312 Beverage and Tobacco Product Manufacturing313 Textile Mills314 Textile Product Mills315 Apparel Manufacturing316 Leather and Allied Product Manufacturing321 Wood Product Manufacturing322 Paper Manufacturing323 Printing and Related Support Activities… …
Manufacturing
311 Food Manufacturing312 Beverage and Tobacco Product Manufacturing313 Textile Mills314 Textile Product Mills315 Apparel Manufacturing316 Leather and Allied Product Manufacturing321 Wood Product Manufacturing322 Paper Manufacturing323 Printing and Related Support Activities… …
ISI Tabel
ISI Table
Table-table data warehouse
Berikut contoh isi tabel-tabel data warehouse dari model diatas. Semua tabeldimensi diisi data pada awal data warehouse di implementasikan (pre-loaded). Sedang untuk tabel fakta (Penjualan) datanya berasal dari sumber.
Table-table data warehouse
Hasil Data ware house
Job Schedulers
RDBMS Utilities
Replication/Distribution ToolsCASE
DB Design
RepositoriesDesign/Transform/Extract/Aggregate/Monitor/Manage Suites / Environments
Database & System Monitors
MOLAP/ROLAP
Data MiningEIS
Data VisualizationMetadata Browsers
Data Warehouse Tools
RDBMS UtilitiesExtract//Transform/Load
•Design•Mapping•Design•Mapping
•Extract•Scrub•Transform
•Extract•Scrub•Transform
•Load•Index•Aggregation
•Load•Index•Aggregation
•Replication•Data Set Distribution•Replication•Data Set Distribution
•Access & Analysis•Resource Scheduling & Distribution•Access & Analysis•Resource Scheduling & Distribution
Meta DataMeta Data
System MonitoringSystem Monitoring
Data Warehouse Development MethodologyWAREHOUSE
PL
WAREHOUSE
DE
and
TechnologyKnowledge Team
BusinessKnowledge Team
LANNI
NG
STAGE
EVELOPMENT
STAGE
Knowledge Team
BusinessSponsor
Recommended