Hvordan å sette inn en Data Mart - dummies

Hvis en data mart er en mindre skala versjon av et datalager, kommer dette spørsmålet opp: Hva betyr "mindre skala" i forhold til innholdet av en data mart? Svaret på dette spørsmålet er vanligvis at dataene vil være en delmengde av de totale bedriftsdataene .

Geografisk begrensede data

En data mart kan bare inneholde informasjonen som er relevant for et bestemt geografisk område, for eksempel en region eller territorium i ditt firma. Denne figuren illustrerer et eksempel på geografisk begrensede data.

Selv om du teknisk sett kan bruke en geografisk begrenset data mart på en relativt enkel måte, vil du sannsynligvis ikke dele dataene dine på denne måten. Brukere ønsker ofte å se en sammenligning på tvers av geografi (for eksempel, "Hvordan handler våre Arizona butikker mot våre Pennsylvania-butikker?") I deres datalagringsmiljø. Når du oppretter separate dataarkmer av ulike geografiske grunner, blir disse sammenligningene mye vanskeligere å gjøre.

Organiseringsgrensede data

Når du bestemmer deg for hva du vil sette inn i datautvalget, kan du basere beslutninger på hvilken informasjon en bestemt organisasjon trenger når den er den eneste (eller i det minste primær) bruker av data mart. Som vist i denne figuren, kan en bank opprette en data mart for analyse av forbrukerkontroll-kontoer og en annen data mart for kommersielle kontrollkontoer.

Denne tilnærmingen fungerer bra når det overveldende flertallet av henvendelser og rapporter er organisasjonsorienterte. For eksempel har den kommersielle kontrollgruppen ikke noe behov for å analysere forbrukerkontrollkontoer og omvendt.

Det lønner seg å grave inn i forretningsbehovet under omfanget av et datalager eller data mart-prosjekt. Utenstående kan for eksempel tenke: "Ok, legg all informasjon om kundekonto, både forbruker og kommersiell, inn i samme miljø, slik at markedsførings- eller risikostyringsanalytikere kan kjøre rapporter som sammenligner gjennomsnittsbalanser og annen informasjon for hele kontokontoen i banken. "

Etter ytterligere analyse kan du imidlertid merke at banken ikke gjør denne typen sammenligning, så hvorfor ikke holde de to områdene skille og unngå unødvendig kompleksitet?

Funksjonsbegrensede data

Ved å bruke en tilnærming som krysser organisasjonsgrenser, kan du etablere et data-mart innhold basert på en bestemt funksjon (eller sett av relaterte funksjoner) i selskapet. Et multinasjonalt kjemisk selskap, for eksempel, kan opprette en data mart eksklusivt for salgs- og markedsføringsfunksjonene i alle organisasjoner og på tvers av alle produktlinjer, som vist i denne figuren.

Markedsbegrenset data

Et selskap kan av og til være så fokusert på et bestemt marked og de tilhørende konkurrentene at det er fornuftig å skape et datautvalg orientert med det aktuelle fokuset. Som vist i denne figuren, kan denne typen miljø inkludere konkurransedyktig salg, all tilgjengelig offentlig informasjon om markedet og konkurrenter (spesielt hvis du finner denne informasjonen på Internett), og bransjelektriske analytikeres rapporter, for eksempel.

For å virkelig gi den forretningsmessige intelligensen som et selskap trenger i en konkurrentdrevet situasjon, konstruer data mart til å inkludere multimedieinformasjon, i tillegg til de tradisjonelle datatyper som vanligvis finnes i et datalager.

Svar på spesifikke forretningsspørsmål

Svarene på et valgt nummer (ofte en håndfull) forretningsprosesser fører til og med en organisasjons virksomhet. Basert på svarene kan et selskap påskynde eller redusere produksjonslinjene, starte opp ekstra skift for å øke produksjonen eller starte oppløsninger, eller avgjøre om du skal kjøpe andre selskaper.

Forretningspørsmål som har denne graden av viktige betydning, forårsaker tradisjonelt mareritt for de interne ansatte som er chartret med å grave ut data og rapporter, konsolidere og kontrollere informasjonen og rapportere resultatene til daglig leder.

Høres ut som en jobb for et datalager, sier du? Dessverre har forretningsanalytikere ofte brukt regneark, for eksempel Microsoft Excel. Disse typer "spread mars" mangler ofte repeterbarhet og datakvalitet som kreves for å utnytte dataene i mer enn et øyeblikk.

Før du bygger et fullskala datalager som kan svare på disse (og mange andre) forretningsspørsmål, vil du sannsynligvis vurdere om en liten datakort designet spesielt for å svare på de høyeffektive, høyverdige " Hvordan har vi det? "Type spørsmål kan få jobben gjort.

Senere kan denne typen miljø vokse til et større datalager. Det er imidlertid ofte mer sanselig å konsentrere innsatsen for å støtte en datamart som har kjent forretningsverdi, i stedet for å supplere den med mengder tilleggsdata som kan gi forretningsverdi (men kan også redusere responstiden eller bety komplisert slutt til slutt arkitektur).

Igjen gjør jobben du gjør i de tidlige faser av prosjektet en stor forskjell i retningen du tar og ditt suksessnivå.

Noe!

Et hvilket som helst sett av kriterier du kan drømme opp, kan bestemme innholdet i data mart. Noen gir mening; andre gjør det ikke. Noen tar deg inn i en arkitektonisk blindgyde fordi du får bare begrenset verdi og må starte over for å utvide dine evner.