U raunarstvu, skladite podataka (data warehouse) je baza podataka koja se koristi za izvetavanje i analizu.

Podaci uskladiteni se uitavaju iz operativnih sistema. Tipino skladite podataka koristi integraciju i pristupne slojeve za uvanje svojih kljunih funkcija. Definicija skladita podataka se fokusira na uvanju podataka. Glavni izvor podataka je oien, transformiran,unet u katalog i nainjen dostupnim menaderima i ostalim profesionalcima za data mining, online analitiku obradu, istraivanje trista i podrku pri odluivanju. Izvlaenje, transformisanje, uitavanje podataka, i upravljanje renikom podataka se takoe smatra bitnim delom data warehouse sistema. Tako da proirena definicija skladitenja podataka sadri i alate za poslovnu inteligenciju (business intelligence tools), alate za izvlaenje, transformisanje i uitavanje podataka u skladite, i alate za upravljanje i sakupljanje metapodataka.

D ata warehouse je okrenuta temama poput, prodaje, proizvoda, muteriji. Fokusira se na modelovanje i analizu podataka, koji pomau donosiocima odluka. Izostavlja podatake koji su nepotrebni u procesu donoenja odluke.

Warehousing koncept je skladitenje agregiranih, ekstrahovanih i filtriranih podataka u meta baze, koje omoguavaju slojevit, multidimenzionalni pristup podacima, kakav je potreban za donoenje odluka najvieg stratekog nivoa. Osnovni cilj skladitenja podataka je prikupljanje i distribucija informacija kroz preduzee tj. korienje bilo koje informacije, sa bilo kog mesta, u bilo koje vreme.

Dobrobiti data warehouse-a

Data warehouse odrava primerak informacije od ozvora. Ova arhitektonska kompleksnost prua mogunost za Odravanje istorije podataka Integrisanje podataka iz vieizvornih sistema Prua jedan uobiajeni modela podatak za sve podatke bez obzira na njihov izvor Ponovna konstrukcija podataka tako da podaci imaju smisla poslovnim korisnicima. Ponovno konstruisanje podataka tako da omoguuva odline performanse upita, ak i za kompleksne analitike upite. Postoje 2 vodea naina za skladitenje podataka, dimenzionalni i normalizovani pristup. Zastupnik dimenzionalnog pristupa Ralf Kimbal smatra da se DW treba modelovati pomou Dimenzinalnog/Zvezda modela. Normalizovani pristup, takozvani 3NF model, zastupa Bil Inmon i smatra da se DW treba modelovati korienjem ER modela/normalizovani model.

Normalized versus dimensional approach for storage of data

U dimenzionalnom prilazu, podaci iz transakcija su podeljeni na injenice(uglavnom su to numeriki podaci) ili dimenzije(referentne informacije koje daju kontekst injenicama). Primer: ne ide u prezentaciju :D For example, a sales transaction can be broken up into facts such as the number of products ordered and the price paid for the products, and into dimensions such as order date, customer name, product number, order ship-to and bill-to locations, and salesperson responsible for receiving the order. Glavna prednost dimenzonalnog pristupa je to da je DW laki za shvatanje od strane korisnika. Takoe prikupljanje podataka iz WD je veoma brzo. Glavne mane dimenzionalnog pristupa su Da bi se odrao integritet injenica i dimenzija, dodavanje podataka u DW podacima iz drugog operativnog sistem je komplikovano Teko je modifikovanje strukture DW. U normalizovanom pristupu podaci su podeljeni u entitete, koji stvaraju nekoliko tabela u relacionoj bazi podataka. Kada je primenjen u velikim kompanijama, rezultat su desetine tabela koje su povezane meusobno. Prednost ovog pristupa je jednostavno dodavanje informacija u bazu podataka. Mana ovog pristupa je u tome to ukljueno mnogo tabela i moe biti korisnicima teko da spajaju podatke iz vie izvora da pristupaju informacijama bez razumevanja izvora podataka i strukture DW. Vano je znazi da i normalizovani i dimenzionalni model mogu se prikazati u ER (entity-relationship) dijagramima, jer oba sadre spojene relacione tabele. Razlika izmeu ova dva modela je u stepenu normalizacije. Normalizovani modele mogu da sadre mnogo vie informacija nego dimenzionalni ekvivalenti, ali te dodatne informacije ograniavaju upotrebu baze podataka.

DIZAJN DW

Requirement Gathering Physical Environment Setup Data Modeling ETL OLAP Cube Design Front End Development Report Development Performance Tuning Query Optimization Quality Assurance Rolling out to Production Production Maintenance Incremental Enhancements KONCEPTI

Dimensional Data Model

Dimenzionalni data model je najee koristi u DW sistemima. Drugaiji je od 3. normalne fome, esto korien za transakcione sisteme. Da bi razumeli o emu se radi, defiu se sledei pojmovi Dimenzija: Kategorija informacije .Na primer, vreme. Atribut: Unikatni nivo unutar dimenzije. Na primer, mesec. Hierarhija: Specifikacija nivoa koji predstavlja odnos ibmeu razliitih atributa unutar dimenzije. Na primer, u Dimenziji vreme, hierarhija bi izledala ovako : Godina>Kvartal>Mesec>Dan. Table injenica: je tabela koja sadri mere od interesa. Na primor, iznos prodaje. Ova mera je uskladitena u tabelu sa odredjenim koeficijentom. Lookup table omoguava detaljne informacije o atributima. Dimenzionalni model sadri fact table i Lookup table. fact tabele se povezuju sa vie lookup table, ali fact tabele nemaju direktan odnos meusobno. Dimenzije i hierarhije su predstavljene pomoi lookup table.Atributi su ne-kljune kolone u lookup tabelama, A dimensional model includes fact tables and lookup tables. Fact tables connect to one or more lookup tables, but fact tables do not have direct relationships to one another. Dimensions and hierarchies are represented by lookup tables. Attributes are the nonkey columns in the lookup tables.

Star Schema

In the star schema design, a single object (the fact table) sits in the middle and is radially connected to other surrounding objects (dimension lookup tables) like a star. Each dimension is represented as a single table. The primary key in each dimension table is related to a forieng key in the fact table. Sample star schema

All measures in the fact table are related to all the dimensions that fact table is related to. In other words, they all have the same level of granularity. A star schema can be simple or complex. A simple star consists of one fact table; a complex star can have more than one fact table. Let's look at an example: Assume our data warehouse keeps store sales data, and the different dimensions are time, store, product, and customer. In this case, the figure on the left repesents our star schema. The lines between two tables indicate that there is a primary key / foreign key relationship between the two tables. Note that different dimensions are not related to one another.

Snowflake Schema Slowly Changing Dimension Conceptual Data Model Logical Data Model Physical Data Model Conceptual, Logical, and Physical Data Model Data Integrity What is OLAP MOLAP, ROLAP, and HOLAP Bill Inmon vs. Ralph Kimball

Poslovna inteligencija je izraz koji esto povezan sa DW., i odnosi se na infomacije koje su dostupne preduzeima, na osnovu kojih one donose odluke. BI se odnosi takoe na raunarsko-bazirane tehnike koje se koriste za identifikaciju,izvlaenje i analizu poslovnih podataka, poput statistike prodaje, cena i zarade. Tehnilogije BI pruaju istorijske, trenutne i predviajue poglede poslovnih operacija. Funkcije BI su izvetavanje, data mining, process mining, obrada kompleksnih dogaaja, text mining, predviajua analiza. Cilj BI je da podri bolje donoenje odluka. Ponekad se BI naziva i DSS(ne stranka, Decision Support System). BI koristi tehnologije, procese i aplikacije za analizu struktuiranih podataka i poslovnih procesa. DW sistem je komponenta za ostvarivanje poslovne inteligencije. Poslovna inteligencija takoe sadri shvatanje ostvareno pomou data mining-a.