m Un modelo de datos multidimensional contiene un

conjunto de medidas numéricas objeto de análisis.

m Dichas medidas dependen de una serie de
dimensiones.
m Cada medida particular es un punto en un espacio
multidimensional, en el que los valores de cada
dimensión se suelen jerarquizar.
m áos datos en un DW se modelan en data cubes (³cubos de
datos´ sería su traducción literal), estructuras multidimensionales
(hipercubos, en concreto) cuyas operaciones más comunes son:

m Roll up (incremento en el nivel de agregación de los datos).

m a
ll down (incremento en el nivel de detalle, opuesto a roll up).
m Jl
 (reducción de la dimensionalidad de los datos mediante
selección).
m a
 (reducción de la dimensionalidad de los datos mediante
proyeccción).
m a
otaj o ota
n (reorientación de la visión multidimensional
de los datos).
m a
ll aown î a
ll Up: Es una técnica por la que
el usuario puede navegar entre las jerarquías de
una dimensión agrupando (Drill-up) o
desagrupando (Drill-down) los datos.
m El drill down y el dril up sirven para navegar el
cubo sobre sus dimensiones, con el drill up se
pasa desde el detalle a la generalización, y con el
drill down se pasa desde un nivel general al
detalle.
m Jl
: Al seleccionar un miembro en particular de
una dimensión se forma una especie de rebanada
(slice) del cubo original.
a
: Al seleccionar varios miembros de varias
dimensiones se forma sub-cubo, cubo más
pequeño o dado (dice). Tanto Slice como Dice son
formas particulares de 
lt ado.
m Rota
n: Selecciona el orden de visualización de
las dimensiones, rota o gira el cubo según sus
dimensiones.
odlos d datos omo onjuntos d md
das
ds
tas po d
mns
ons.
m Adecuado para resumir y organizar datos (p.ej.
hojas de cálculo).
m Enfocado para trabajar sobre datos de tipo
numérico.
m Más simple: Más fácil de visualizar y entender
que el modelado E/R.
 a
mns
ons
aerspectivas o entidades respecto a las cuales una
organización quiere mantener sus datos organizados
(p.ej. tiempo, localización, clientes, proveedores«)


mb os
Nombres o identificadores que marcan una posición
dentro de la dimensión.
Ejemplos:
Meses, trimestres y años son miembros de la
dimensión tiempo.
Ciudades, regiones y países son miembros de la
dimensión localización.
os
Colecciones de datos relacionados compuestas por
medidas y un contexto.
m áas dimensiones determinan el contexto de los
hechos.
m Cada hecho particular está asociado a un
miembro de cada dimensión.
d
das
Atributos numéricos asociados a los hechos (lo que
realmente se mide).
m Ejemplos: Volumen de las ventas, coste asociado
a un producto, número de transacciones
efectuadas, porcentaje de beneficios«
m El data warehouse se mantiene aparte de las
bases de datos operacionales y se puede
implementar utilizado servidores OáAa
multidimensionales (MOáAa) o servidores OáAa
relacionales (ROáAa).

a (Multidimensional OáAa)
m áos datos se almacenan en estructuras de datos
multidimensionales (matrices
m multidimensionales sobre las que se realizan
directamente las operaciones OáAa).

R
a (Relational OáAa)

m El DW se implementa como una base de datos
relacional (las operaciones
m multidimensionales OáAa se traducen en
operaciones relacionales estándar).
m El diseño de un DW para una organización completa
es un proceso bastante complejo y se puede dividir en
³DARA MARTS´ departamentales orientados a la
resolución de problemas más concretos.

m El modelo de datos multidimensional se implementa

directamente con servidores MOáAa.
m Cuando se usan servidores relacionales [ROáAa ,
dicho modelo ha de transformarse en relaciones y
consultas SQá
m áa base de datos relacional consiste en una tabla
simple de hechos y una tabla para cada
dimensión. Cada tupla de la tabla de hechos
incluye las medidas consideradas y una referencia
a cada dimensión.
m Refleja la organización jerárquica de las
dimensiones

Constla
ons d os
m áos esquemas en estrella y bola de nieve pueden
generalizarse con la inclusión de distintas tablas de
hechos que comparten todas o algunas de las
dimensiones.