Basi di dati per il supporto alle decisioni
Data Warehouse ed OLAP
E’ la rovina del business moderno:
troppi dati, poche informazioni.
(John W. Verity) - BusinessWeek 1997
It's the bane of modern business: too many data, not
enough information. Computers are everywhere,
accumulating gigabytes galore. Yet it only seems to get
harder to find the forest for the trees--to extract
significance from the blizzard of numbers, facts, and
stats.
http://www.businessweek.com/1997/05/b3512127.htm
Motivazioni
I sistemi informatici permettono di aumentare la
produttività delle organizzazioni automatizzandone la
gestione operativa quotidiana
Questi dati — se opportunamente accumulati e
analizzati — possono essere utilizzati per la
pianificazione e il supporto alle decisioni
Una corretta gestione dei dati storici può essere occasione
di un grande vantaggio competitivo
… ma quali sono i tipi di dati (e di utilizzo) in azienda …
Basi di dati: OLAP
21 December, 2015 - slide 2
Utilizzo aziendale della base di dati
Gli utenti di un database aziendale possono essere suddivisi
in due grandi categorie:
Utenti amministrativi, che giornalmente accedono al
database, interessati all’interrogazione, inserimento,
aggiornamento e cancellazione di un ristretto numero di
record (On Line Transaction Processing).
Management, che su base periodica, interroga una
notevole quantità di dati, generando diverse tipologie di
aggregazioni, onde ottenere report su cui basare le
proprie decisioni (On Line Analytical Processing) .
Basi di dati: OLAP
21 December, 2015 - slide 3
Sistemi di supporto alle decisioni
I sistemi che agevolano il management nelle decisioni
aziendali (scelte strategiche ed operative), sono chiamati:


DSS – Decision Support System
EIS – Executive Information systems
Settori tipici di impiego:




Marketing (migliorare il targeting delle promozioni e campagne commerciali)
Customer Services (individuare i servizi di supporto e recommendation del prodotto)
Customer Retention (identificare i pattern che portano alla perdita del cliente)
Risk Assessment, Frau Detection (identificare i pattern a maggior rischio e quelli sospetti)
Entrambi i sistemi attingono informazioni dal patrimonio di
dati e conoscenze (anche eterogenee) accumulate
dall’azienda, attraverso un processo di ANALISI dei dati
stessi (O.L.A.P.).
Basi di dati: OLAP
21 December, 2015 - slide 4
OLAP : On Line Analytical Processing
Il temine OLAP fu definito da Codd nel 1993 [Codd, EF 1993.
“Providing OLAP (On-line Analytical Processing) to UserAnalysts”]
Gli OLAP sono processi orientati alla ANALISI (non
dunque alla gestione) delle informazioni.
Forniscono supporto al DSS ed allo ESS, offrendo una
analisi multidimensionale delle informazioni.
Necessitano, per una loro effettiva efficacia, della
disponibilità di massicce raccolte dati su cui effettuare le
analisi: I Data Warehouse ( letteralmente
“deposito/magazzino di dati”).
Basi di dati: OLAP
21 December, 2015 - slide 5
Sistemi OLTP e OLAP
OLTP
Numerose, ma elementari
operazioni di inserimento,
modifica e cancellazione di
singoli record
Basi di dati: OLAP
OLAP
Rare, ma pesanti e
complesse interrogazioni su
grandi quantità di dati
eterogenei
21 December, 2015 - slide 6
Differenze tra processi OLTP ed OLAP
Dunque:
Gli OLTP (On Line Transaction Processing) sono processi
orientati alla gestione (transazioni) delle informazioni
(insert, update, delete). Sono detti anche processi o
DataBase operazioniali.
Gli OLAP (On Line Analytical Precessing) sono processi
orientati alla sola analisi (interrogazione) delle
informazioni, ed eventualmente al loro accumulo ulteriore.
Questo determina profonde differenze nelle caratteristiche
che devono offrire, ma anche nei requisiti di risorse che
necessitano.
Basi di dati: OLAP
21 December, 2015 - slide 7
Differenze tra processi OLTP ed OLAP
Progettazione
Funzione
Frequenza
Dati contenuti nel DB
Sorgente dei dati
Accesso tipico
Flessibilità accesso
Numero record acceduti
Tipo utenti
Numero utenti
Dimensione DB
Basi di dati: OLAP
OLAP
OLTP
Orientata all’analisi e ai report
Orientata alle transazioni
Supporto alle decisioni
Gestione amministrativa
Periodica
Giornaliera
Storici, riassuntivi
DB multiple
Mutevoli, dettagliati
Singola DB
Read, (periodicamente append)
Linguaggio SQL / proprietario
10E3 - 10E6
Manager
Read/write/delete
Linguaggio SQL
10
Amministrativi
Centinaia
100 GB – 1 TB
Migliaia
100 MB – 1 GB
21 December, 2015 - slide 8
Separazione degli ambienti
I requisiti sono quindi contrastanti
Le applicazioni dei due tipi possono danneggiarsi a vicenda
Basi di dati: OLAP
OLTP
OLAP
Base di dati
Data
Warehouse
APPLICAZIONE OLTP
APPLICAZIONE OLAP
UTENTI FINALI
(Transazioni)
ANALISTI
(Query complesse)
21 December, 2015 - slide 9
Sistemi OLTP
RDBMS
Basi di dati: OLAP
21 December, 2015 - slide 10
ERP: processi interni
Cos’è: ENTERPRISE resource planning




Un singolo SW che integra tutti i dipartimenti
No planning di risorse
L’integrazione, se realizzata correttamente, crea benefici enormi
per l’azienda
ERP migliora i processi interni ed esterni
Quanto dura un progetto ERP



Basi di dati: OLAP
Di media 2-3 anni, di solito si sbaglia nella pianificazione dei tempi
Modifica dei processi ‘pre ERP’
Non importa quanto tempo ma importa imparare ad usarlo
correttamente
21 December, 2015 - slide 11
Basi di dati: OLAP
21 December, 2015 - slide 12
Data Warehouse
Definizione di Data Warehouse
W.H. Immon presenta per primo il termine/concettto di Data
Warehouse in “Building the Datawarehouse” (1992) :
“il data warehouse è una raccolta di dati:
integrata
permanente,
focalizzata su un argomento
variabile nel tempo,
che può fornire supporto alle decisioni di gestione.”
Grande dimensione ed integrazione dei dati contenuti nel
DW, permettono una analisi multidimensionale dei fattori
strategici del business aziendale
Basi di dati: OLAP
21 December, 2015 - slide 16
DataWarehouse e viste 1
Ad un primo esame, l’analisi (multidimensionale) dei dati
tramite DW potrebbe anche essere considerata come una
“estensione” del concetto di vista. Infatti:
entrambi sono estratti da basi di dati OLTP e focalizzati su
uno specifico argomento.
entrambi sono costituiti da dati in sola lettura (le view
possono in certi casi essere anche aggiornabili...)
Tuttavia..i Data Warehouse presentano specifiche differenze:
Basi di dati: OLAP
21 December, 2015 - slide 17
DataWarehose e viste 2
….i Data Warehouse:
Richiedono una memorizzazione persistente invece di essere
materializzati a richiesta (ottimizzazione della performance).
Tipicamente sono multidimensionali, mentre le viste sono
relazionali.
Sono indicizzati per ottimizzare le prestazioni, mentre le viste
non possono esserlo indipendentemente dalle basi di dati
sottostanti.
Gestiscono grandi quantità di dati temporali, spesso aggregati,
più grandi di quanto ne siano contenuti normalmente nella base
dati originaria, mentre le viste sono un estratto e quindi un
sottoinsieme delle medesime.
Forniscono funzionalità specifiche: Rollup (aggregazione), Drilldown (estrazione), Pivot (rotazione) , slice & Dice (ritaglio)
Basi di dati: OLAP
21 December, 2015 - slide 18
Caretteristiche dei Data Warehouse (1)
E’ possibile evidenziare alcune proprietà caratteristiche dei
dati contenuti nei DW. In un Data Warehouse i dati
contenuti sono:


Basi di dati: OLAP
Dati Consolidati e Consistenti.
I DW acquisiscono dati da diversi DB potenzialmente eterogenei, e
assicurano nel consolidarli una nomenclatura, misura, codifica e
semantica consistente
Dati Subject Oriented
I DW sono orientati al supporto del business (business related
function). I DW prelevano dai DB operazionali e consolidano
soltanto quelle informazioni indicate come strategiche per il
business, tralasciando le altre
21 December, 2015 - slide 19
Caretteristiche dei Data Warehouse (2)
Dati Storici
I DW archiviano dati storici, che si ripetono, per eseguire
confronti, previsioni e per individuare tendenze. I dati
riguardano un periodo pluriennale (anche decennale) a
differenza delle basi dati transazionali (OLTP) che
gravitano invece in ogni momento attorno al valore
corrente.

L’orizzonte temporale di interesse è dell’ordine degli anni
Dati aggregati
Gli strumenti decisionali non sono interessati al “chi” ma al
“quanto”, al “medio”, al “min” … I DW offrono la
possibilità di ottenere aggregazioni a diversi livelli, sia
temporali che su altre dimensioni, agevolando così il
processo di formazione delle decisioni

Basi di dati: OLAP
Le operazioni di aggregazione sono quindi fondamentali nel
warehousing e nella costruzione/mantenimento di un data
warehouse.
21 December, 2015 - slide 20
Caretteristiche dei Data Warehouse (3)
Dati Read only
Il DW è una base dati “fuori linea” in cui l’accesso ai dati
avviene esclusivamente in lettura;l’aggiornamento del DW
è periodico (tipicamente notturno riguarda milioni di
records, a differenza dei “pochi” record coinvolti nei
normali processi OLTP).
Dati integrati


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 su




Basi di dati: OLAP
nomi
struttura
codifica
rappresentazione multipla
21 December, 2015 - slide 21
Caretteristiche dei Data Warehouse (4)
Manutenzione separata della base dati relazionale
transazionale
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


Basi di dati: OLAP
l’analisi dei dati richiede per i dati organizzazioni speciali e metodi
di accesso specifici
degrado generale delle prestazioni senza la separazione
21 December, 2015 - slide 22
Data Warehouse: tipologie e dimensioni
In base alla loro dimensione ed impiego, è possibile
individuare inoltre:
Data warehouse a livello di impresa ( si tratta di grandi
infrastrutture che richiedono un massiccio investimento di
tempo e di risorse)
Data warehouse virtuali , forniscono viste su basi di dati
operative che sono materializzate per fornire un accesso
efficace
Datamart, sono aggregazioni di dati rivolte ad una sotto
organizazione aziendale, tipicamente un dipartimento o un
reparto.
Basi di dati: OLAP
21 December, 2015 - slide 23
Architettura per il data warehousing
Metadati
Sorgenti
esterne
Basi di dati
operazionali
Analisi
dimensionale
Data
Warehouse
Data mining
Data Mart
Sorgenti dei dati
Basi di dati: OLAP
Strumenti di analisi
21 December, 2015 - slide 25
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

Basi di dati: OLAP
ad esempio, dati forniti da società specializzate di analisi
21 December, 2015 - slide 26
Alimentazione del data warehouse
Attività necessarie ad alimentare un data warehouse




estrazione — accesso ai dati nelle sorgenti
pulizia —rilevazione e correzione di errori e inconsistenze nei dati
estratti
trasformazione —trasformazione di formato, correlazione con
oggetti in sorgenti diverse
caricamento — con introduzione di informazioni temporali e
generazione dei dati aggregati
I metadati sono informazioni mantenute a supporto di
queste attività: "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
Basi di dati: OLAP
21 December, 2015 - slide 27
Data Warehouse Server
Sistema dedicato alla gestione 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


Basi di dati: OLAP
Misto
i produttori di RDBMS stanno iniziando a fornire estensioni OLAP ai
loro prodotti
21 December, 2015 - slide 28
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)


Basi di dati: OLAP
Analisi multidimensionale
Data mining
21 December, 2015 - slide 29
I DataMart
Un datamart può essere visto come un sottoinsieme del
contenuto di un DW, memorizzato in un propria struttura
DB.
I Data marts contengono informazioni orientate ad uno
specifico dipartimento o specifica area di business.
Dato che il volume dei dati è inferiore a quello del DW, I dati
possono esistere sia a livello di dettaglio che di
aggregazione, pur rimanendo i processi di query superiori
in velocità rispetto al DW.
Basi di dati: OLAP
21 December, 2015 - slide 30
Caratteristiche dei Data Mart




Implementazione facile e veloce, rispetto ai DW
costo di implementazione inferiore al DW
soddisfacimento di esigenze specifiche del dipartimento
tempi di accesso e risposta più veloci rispetto al DW
Il DW può essere costruito a partire dai vari Data Mart
(bottom-up) oppure è possibile ricavare i singoli DataMart
dall’unico DW (top-down).

un data mart rappresenta un progetto fattibile
 la realizzazione diretta di un data warehouse completo non è invece
solitamente fattibile
Nell’approccio top-down si avranno tuttavia ulteriori costi:




Basi di dati: OLAP
per maggiori risorse hardware & software
per popolare singolarmente e regolarmente ciascun datamart
per assicurare la consistenza globale tra tutti i datamart
Network access se presenti in aree geografiche distinte
21 December, 2015 - slide 31
Variante dell’architettura
Monitoraggio & Amministrazione
Metadati
Sorgenti
esterne
Analisi
dimensionale
Basi di dati
operazionali
Data mining
Sorgenti dei dati
Basi di dati: OLAP
Data Mart
Strumenti di analisi
21 December, 2015 - slide 32
Data Warehouse
Data Mart Indipendenti
Stipendi
SDO
Pianificazione
Personale
Acquisti
Posti Letto
Patrimonio
Referti
Ricoveri
Anagrafica
Personale
DRG
Economato
Contabilità
Independent Data Marts
Dati esterni
Basi di dati: OLAP
21 December, 2015 - slide 33
Data Warehouse
Data Mart Indipendenti
Stipendi
SDO
Personale
Pianificazione
Acquisti
Posti Letto
Referti
Patrimonio
Ricoveri
Anagrafica
Personale
DRG
Enterprise
Data Warehouse
Economato
Contabilità
Dati esterni
Basi di dati: OLAP
Independent Data Marts
21 December, 2015 - slide 34
Data Warehouse
Approccio evolutivo
Stipendi
SDO
Pianificazione
Personale
Acquisti
Posti Letto
Patrimonio
Referti
Ricoveri
Anagrafica
DRG
Enterprise
Data Warehouse
Personale
Economato
Contabilità
Dati esterni
Basi di dati: OLAP
21 December, 2015 - slide 35
Operazioni su dati multidimensionali
Slice & dice — seleziona e proietta
Roll up (o drill 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)
Database dimensionali
NON esistono operazioni di:



inserimento
modifica
cancellazione
NON esiste normalizzazione del database, anzi sono
ammesse ridondanze
la struttura è ottimizzata per consentire operazioni di
ricerca ad alte prestazioni
Basi di dati: OLAP
21 December, 2015 - slide 37
Dimensioni e gerarchie di livelli
regione
anno
provincia
trimestre
categoria
marca
mese
città
prodotto
negozio
Luogo
Basi di dati: OLAP
Articolo
giorno
Tempo
21 December, 2015 - slide 38
Database dimensionali
tempo_id
anno
trimestre
mese
giorno
negozio_id
nome
città
stato
TEMPO
PRODOTTO
VENDITA
tempo_id
prodotto_id
negozio_id
cliente_id
quantità
prezzo totale
cliente_id
nome
tipo_cliente
NEGOZIO
Basi di dati: OLAP
prodotto_id
nome_prod
categoria
casa_prod
CLIENTE
21 December, 2015 - slide 40
Database dimensionali
tempo_id
anno
trimestre
mese
giorno
DIMENSION TABLE
negozio_id
nome
città
stato
TEMPO
PRODOTTO
VENDITA
tempo_id
prodotto_id
negozio_id
cliente_id
quantità
prezzo totale
DIMENSION TABLE
Basi di dati: OLAP
DIMENSION TABLE
cliente_id
nome
tipo_cliente
FACT TABLE
NEGOZIO
prodotto_id
nome_prod
categoria
casa_prod
CLIENTE
DIMENSION TABLE
21 December, 2015 - slide 41
Data Cube
Le dimensioni sono gli attributi attraverso i quali si vogliono compiere
le analisi, ed ogni dimensione può comprendere delle gerarchie:
Prodotto (Tipo prodotto, categoria), Tempo (anno, mese, giorno)
Anno
Mercato
Prodotto
Basi di dati: OLAP
21 December, 2015 - slide 42
Data Cube
Anno
Mercato
Prodotto
Basi di dati: OLAP
21 December, 2015 - slide 43
Data Cube
Prodotto1
Prodotto2
Prodotto
Mercaton
Prodotto
Mercato2
Mercato1
n
Anno Anno
1
Basi di dati: OLAP
2
Mercato
Anno
Anno
n
21 December, 2015 - slide 44
Le celle del cubo contengono i valori da analizzare relativi alle
dimensioni che le individuano
Data Cube
Prodotto1
Prodotto2
Prodotto
Mercaton
Prodotto
Mercato2
Mercato1
n
Anno Anno
1
Basi di dati: OLAP
2
Mercato
Anno
Anno
n
21 December, 2015 - slide 45
Data Cube
Venduto
Numero ordini
Fatturato
…
Prodotto1
Prodotto2
Prodotto
Prodotto
Mercato
k
Anno
k
k
Mercaton
Prodotto
Mercato2
Mercato1
n
Anno Anno
1
Basi di dati: OLAP
2
Mercato
Anno
Anno
n
21 December, 2015 - slide 46
Prodotto
Mercato
k
Anno
Prodotto
k
Anno
k
Mercato
k
Pivoting
Annok
Mercato
Prodotto
k
k
k
k
Pivoting (fare perno), per selezionare
due dimensioni attraverso le quali
aggregare i valori da analizzare
Slice and dice (affettare e ritagliare a
cubetti), per selezionare e proiettare i
dati riducendo le dimensioni
Ranking (attribuire una classe di
merito), per ordinare i dati secondo
diversi criteri
Basi di dati: OLAP
21 December, 2015 - slide 47
Esempio di Pivoting
Prodotto1
Prodotto2
Prodotto
Mercaton
Mercato2
Mercato1
Prodotto n
Mercato
Anno
Basi di dati: OLAP
21 December, 2015 - slide 48
Esempio di Pivoting (2)
Prodotto1
Prodotto2
Prodotto
Mercaton
Mercato2
Mercato1
Prodotto n
Mercato
Anno
Basi di dati: OLAP
21 December, 2015 - slide 49
Esempio di Pivoting (3)
Prodotto1
Prodotto2
Prodotto
Mercaton
Mercato2
Mercato1
Prodotto n
Mercato
Anno
Basi di dati: OLAP
21 December, 2015 - slide 50
Rappresentazione multidimensionale dei
dati
Luogo
(negozio)
Milano-2
Milano-1
Roma-2
Roma-1
Lettori DVD
Televisori
Quantità
Lettori CD
Articolo
(prodotto)
Videoregistratori
1 trim. 2003
2 trim. 2003
3 trim. 2003
4 trim. 2003
Tempo
(trimestre)
Basi di dati: OLAP
21 December, 2015 - slide 51
Slice and dice
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 periodo
corrente e quello precedente
Luogo
Articolo
Tempo
Il manager di prodotto esamina
la vendita di un prodotto in tutti
i periodi e in tutti i mercati
Basi di dati: OLAP
Il manager strategico si concentra
su una categoria di prodotti, una
area e un orizzonte temporale
21 December, 2015 - slide 52
Risultato di Slice and dice
Basi di dati: OLAP
21 December, 2015 - slide 53
Esempio di Roll-up e Drill-Down
Prodottok
Mercatok
Annok
Drill-Down
Le tipiche operazioni (OLAP) che si eseguono sul Data Cube sono:
•Drill down (perforare), per aumentare il livello di dettaglio dei
dati
•Roll up (accumulare), per aumentare il livello di aggregazione
dei dati
Roll-Up
Prodottok
Mercatok
Mese1 Mese2
Basi di dati: OLAP
Mesen
21 December, 2015 - slide 54
Roll-up
Basi di dati: OLAP
21 December, 2015 - slide 55
Altra operazione di roll-up
Basi di dati: OLAP
21 December, 2015 - slide 56
Visualizzazione dei dati
I dati vengono infine visualizzati in veste grafica, in
maniera da essere facilmente comprensibili.
Si fa uso di:







Basi di dati: OLAP
tabelle
istogrammi
grafici
torte
superfici 3D
bolle
…
21 December, 2015 - slide 57
Visualizzazione finale di un’analisi
1000
900
800
700
600
500
400
300
200
4 trim.2003
100
3 trim.2003
0
2 trim.2003
Lettori DVD
1 trim.2003
Televisori
Lettori CD
Videoregistratori
Basi di dati: OLAP
21 December, 2015 - slide 58
Il design di un Data Warehouse
Data Warehouse
1) Modello concettuale: fatti e dimensioni
2) Modello logico: database N-dimensionale
1) Analisi Concettuale: fatti e dimensioni
I DW servono a focalizzare l’attenzione sui fatti strategici del
business aziendale, legati al loro contesto tramite le loro
dimesioni.
Fatti: sono l’oggetto primario di interesse del business.
Sono espressi (quasi) sempre tramite una misura
numerica. Esempi: numero di prodotti venduti, valore
degli incassi, valore dei costi, numero di abitanti, numero
di contatti,… (eccezione numerica: evento si/no)
Dimensioni: abbinano ai fatti una precisa dimensione di
tempo, spazio, tipologia, categoria, ….
Sono espressi tipicamente da un attributo testuale.
Basi di dati: OLAP
21 December, 2015 - slide 60
Caratteristiche identificative dei fatti
Additività dei fatti
Caratteristica dei fatti è quella di poter essere assommati.
Tale additività può essere:
totale, se sono sommabili in ogni loro dimensione; es: incassi.
parziale, se sono sommabili solo rispetto a certe
dimensioni.es: voci di bilanci annuali. (tuttavia: somma saldo
di più periodi / totale periodi = saldo medio = intensità)
Una dimensione può talvolta assumere un aspetto numerico,
facendo dubitare della sua natura;
tuttavia, quando il suo valore non varia nel tempo è da
ritenersi un attributo di dimensione.
Basi di dati: OLAP
21 December, 2015 - slide 61
Caratteristiche specifiche delle dimensioni
Gerarchia delle dimensioni
Caratteristica delle dimensioni è quella di presentare spesso
una organizzazione gerarchica (temporale, geografica,
tipologica,….).
Questo permette di operare delle aggregazioni,
assommando i valori dei fatti, secondo le gerarchie
oggetto di interesse. (vendite per regione, costi per
reparto, consumi per tipologia familiare, …)
Basi di dati: OLAP
21 December, 2015 - slide 62
2) DataWarehouse: modello dimensionale
Nei database destinati all’OLTP, i modelli logici utilizzati
sono spesso il relazionale, il gerarchico, il reticolare,. ..
Nei Data Warehouse, il modello utilizzato logico è quello
dimensionale. Nei database dimensionali si collegano i fatti
con le loro dimensioni.
Basi di dati: OLAP
21 December, 2015 - slide 63
Modello logico del db dimensionale
I DB dimensionali sono generalmente realizzati secondo due
schemi:
Lo schema a Stella (Star Schema)
Lo schema a Fiocco di Neve (Snowflake Schema)
Basi di dati: OLAP
21 December, 2015 - slide 64
DB Dimensionale: Schema a Stella
Nello schema a stella, si crea una tabella centrale (Fact Table) per
ogni fatto oggetto di interesse del business (vendite, costi,
addetti..). Tale tabella è collegata a ciascuna delle sue
dimensioni (Dimension tables), realizzando una topologia a stella.
La tabella centrale si trova generalmente in 3FN:
contiene i valori di “misura” (unità vendute, prezzo unitario,..),
più tutte le FK per collegarla alle tabelle dimensionali.
Le tabelle periferiche sono invece poste in 2FN:
sono “denormalizzate” onde ridurre il numero di join necessari
per accedere alle informazioni cercate.
Basi di dati: OLAP
21 December, 2015 - slide 65
Esempio di Schema a Stella
Basi di dati: OLAP
21 December, 2015 - slide 66
Schema a Fiocco di neve (Snowflake)
La tipologia a fiocco di neve è una variante di quella a stella.
Ulteriori tabelle dimensionali sono aggiunte, non direttamente alla
tabella centrale, ma alle tabelle dimensionali.
In questo schema, anche le tabelle dimensionali “interne” sono
normalizzate in 3FN, presentando ciascuna delle FK a
dimensioni esterne ulteriori.
Basi di dati: OLAP
21 December, 2015 - slide 67
Esempio di Schema a fiocco di Neve
Basi di dati: OLAP
21 December, 2015 - slide 68
Confronto tra Fact e Dimension Tables
Fact Tables:
n° righe elevatissimo (10E6-10E9)
n° di campi ridotto
Dati principalmente numerici
Molteplici chiavi esterne (FK) alle tabelle dimensionali
Sono tabelle “strette e lunghe” (ridurre al max i campi)
Dimension Tables
n° di righe contenuto (10E2-10-3)
Numero di campi elevato, per gestire le gerarchie
Dati testuali o temporali
Chiave primaria dimensionale
Sono tabelle “larghe e corte” (ridurre al max le righe)
Basi di dati: OLAP
21 December, 2015 - slide 69
Considerazioni sugli Schemi a Stella e a
Fiocco di neve
Lo schema a fiocco di neve è ottimizzato per occupare
meno spazio. Ottimale in presenza di DW enormi
Fattorizzando maggiormente, impiega più tempo tempo
per risolvere i join. Inoltre, impedisce l’utilizzo di indici
bitmapped, a discapito delle prestazioni di ricerca.
Basi di dati: OLAP
21 December, 2015 - slide 70
Schema a stella
Tempo
CodiceTempo
Giorno
Mese
Trimestre
Anno
Luogo
CodiceLuogo
Negozio
Indirizzo
Città
Provincia
Regione
Basi di dati: OLAP
Vendite
CodiceTempo
CodiceLuogo
CodiceArticolo
CodiceCliente
Quantità
Incasso
Articolo
CodiceArticolo
Descrizione
Marca
CodiceCategoria
Categoria
Cliente
CodiceCliente
Nome
Cognome
Sesso
Età
Professione
21 December, 2015 - slide 71
Una possibile istanza
Basi di dati: OLAP
21 December, 2015 - slide 72
Caratteristiche di uno schema
dimensionale
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



Basi di dati: OLAP
la chiave è composta da riferimenti alle chiavi di tabelle dimensione
gli altri campi rappresentano le misure
è in BCNF
21 December, 2015 - slide 73
Additività dei fatti
Un fatto è additivo se ha senso sommarlo rispetto a ogni
possibile combinazione delle dimensioni da cui dipende


Basi di dati: OLAP
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
21 December, 2015 - slide 74
Formato delle interrogazioni di roll-up
Le interrogazione 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
Basi di dati: OLAP
21 December, 2015 - slide 75
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
Basi di dati: OLAP
21 December, 2015 - slide 76
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)
Basi di dati: OLAP
21 December, 2015 - slide 77
Possibile risultato del data cube
Basi di dati: OLAP
21 December, 2015 - slide 78
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)
Basi di dati: OLAP
21 December, 2015 - slide 79
Possibile risultato
Basi di dati: OLAP
21 December, 2015 - slide 80
Esempio: Creazione di un Data
Warehouse
Passaggio da un DB relazionale (OLTP) ad uno
Data Warehouse (OLAP) strutturato con tipologia
Star Schema
Passaggio da un DB relazionale ad uno
dimensionale (Data Warehouse)
Le fasi necessarie al design di un DW sono:
1- Individuazione dei fatti e delle dimensioni
2- Design delle Fact tables.
3- Design delle Dimension tables.
Basi di dati: OLAP
21 December, 2015 - slide 82
Situazione iniziale OLTP
Basi di dati: OLAP
21 December, 2015 - slide 83
Individuazione dei Fatti e delle Dimensioni
Definizione dei Fatti:
Individuare le transazioni che gestiscono i fatti chiavi del
business e le relative tabelle.
Definizione delle Dimensioni: individuare le entità che
descrivono gli aspetti secondo i quali i fatti strategici
verranno analizzati (temporali, geografici, tipologi, …..)
Basi di dati: OLAP
21 December, 2015 - slide 84
Individuazione: Fact & Dimensions
Basi di dati: OLAP
21 December, 2015 - slide 85
DW: Design delle Fact Tables
Una volta identificare i fatti del business di interesse
strategico, occorre minimizzare l’occupazione on-line (cpumemoria) e off-line (storage) del DW.
A tal fine occorrerà:



Basi di dati: OLAP
Ridurre il numero di colonne della tabella, eliminando ogni campo
superfluo ed i campi calcolati (occorre comunque fare un bilancio
con il tempo speso a rigenerare in futuro i campi calcolati nelle
query)
Determinare il data type adatto ad ogni colonna, con la minor
occupazione (con 10E6-10E9 record, anche i byte contano)
Archiviare i dati storici o con livello di aggregazione diverso in
tabelle differenti
21 December, 2015 - slide 86
DW: Design delle Dimension Tables
E’ importante decidere quali dimensioni supporteranno le
queries, e con quale granularità minima (esempio: vendita
di uno specifico prodotto per regione, totale delle vendite
per regione)
E necessario denormalizzare in 2FN le informazioni
dimensionali in singole tabelle, ciascuna contenente una
sola dimensione.
Si sceglie di percorrere questa strada per minimizzare il
numero di joins ed aumentare le performance delle
queries di ricerca.
Basi di dati: OLAP
21 December, 2015 - slide 87
DW: Design delle Dimension Tables
Collegamento a regione indiretto
Basi di dati: OLAP
21 December, 2015 - slide 88
DW: Design delle Dimension Tables
Collegamento Diretto con Regione e Data
Basi di dati: OLAP
21 December, 2015 - slide 89
Popolazione di un DW
Per popolare il DW con i dati proveniente da vari DB
dell’azienda occorre eseguire:
Validazione dei dati; i dati presenti nei vari DB possono
essere espressi in varie unità di misura, valuta, tempo.
Occorre unificarli prima di consolidarle. Eventuale
retroimmissione dei dati corretti (backflushing)
Pulizia dei dati (data scrubbing); E’ possibile che nelle
diverse basi dati si siano utilizzate diverse denominazioni,
sigle, abbreviazioni, o interi nomi, per identificare il
medesimo soggetto. E’ possibile inoltre che esistano dati
con corretti o incompleti; è necessario correggere queste
anomali prima di consolidare i dati.
Basi di dati: OLAP
21 December, 2015 - slide 90
Popolazione di un DW
Migrazione dei dati. Prima di inserire i record nel DW,
questi vanno prelevati da tutti i vari db (coerenza
temporale) e copiati in un db temporaneo per essere
processati prima dell’inserimento.
Operazione eseguita durante l’inattività del db OLTP, onde
non rallentare la normale operatività aziendale.
Data Trasformation (riformattazione). A seconda delle
“dimensioni” prescelte, può essere necessario
trasformare/denormalizzare degli attributi. Es:
data -> anno,mese,giorno,quadrimestre
I,II,II, .. -> 1,2,3
campi -> campi calcolati (Totale ordine, abitanti totali,…)
Basi di dati: OLAP
21 December, 2015 - slide 91
OLAP: tipi di storage
MOLAP - Multi dimensional OLAP 


La memorizzazione avviene in forma nativa multidimensionale
Alte performace dovute gli indici bitmapped (migliori in query)
Necessaria Copia TUTTI I dati  valido per piccole-medie
dimensioni (propblema di matrici/cubi sparsi)
ROLAP - Relational OLAP 



utilizza le funzionalità di un’engine relazionale
Dati sono mantenuti nella locazione originaria
Vengono memorizate le aggregazioni (viste materializzate)
Valido per DB grandi e sistemi legacy
HOLAP - Modello Ibrido 
Basi di dati: OLAP
Combinazione dei due: i (molti) dati originali sono mantenuti in un
DB ROLAP, nel mentre i soli dati aggregati sono inseriti in strutture
MOLAP.
21 December, 2015 - slide 93
Progetttazione di un DW
Progettazione di data warehouse
Requisiti
dell’analisi
Basi di dati
aziendali
Altre sorgenti
informative
Analisi
Selezione delle sorgenti informative
Traduzione in un modello concettuale comune
Analisi delle sorgenti informative
Integrazione
Integrazione di schemi concettuali
Progettazione
Progettazione concettuale
Progettazione logica
Progettazione fisica
Basi di dati: OLAP
21 December, 2015 - slide 97
Dati in ingresso
Le informazioni in ingresso necessarie alla progettazione
di un data warehouse



Basi di dati: OLAP
requisiti — le esigenze aziendali di analisi
descrizione delle basi di dati — con una documentazione
sufficiente per la loro comprensione
descrizione di 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
21 December, 2015 - slide 98
Analisi delle 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 meglio con riferimento a schemi concettuali
Analisi delle sorgenti informative

Basi di dati: OLAP
identificazione di fatti (concetti su cui basare l’analisi), misure (proprietà
atomiche dei fatti) e dimensioni (concetti su cui aggregare le misure)
21 December, 2015 - slide 99
Reverse engineering di schemi
relazionali
Il reverse engineering è l’attività di comprensione
concettuale di uno schema di dati — la rappresentazione
di uno schema relazionale in un modello concettuale
Uno schema ER è più espressivo di uno schema
relazionale
Il reverse engineering di schemi relazionali è svolto in
modo semiautomatico dagli strumenti di progettazione
CASE
Basi di dati: OLAP
21 December, 2015 - slide 100
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
Basi di dati: OLAP
21 December, 2015 - slide 101
Progettazione del data warehouse
L’integrazione delle sorgenti informative ha prodotto una
descrizione globale del patrimonio informativo aziendale
Progettazione del data warehouse



Basi di dati: OLAP
concettuale — completare la rappresentazione dei concetti
dimensionali necessari per l’analisi — ad esempio, dati storici e
geografici
logica — identificare il miglior compromesso tra la necessità di
aggregare i dati e quella di normalizzarli
fisica — individuare la distribuzione dei dati e le relative strutture di
accesso
21 December, 2015 - slide 102
Progettazione del DW e
di basi di dati multidimensionali
Introduzione di elementi dimensionali nella base di dati
integrata
Attività


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


Basi di dati: OLAP
derivazione di un grafo dimensionale
progettazione logica e fisica
21 December, 2015 - slide 103
Identificazione di fatti e dimensioni
marca
categoria
codice
sesso
anno nascita
città residenza
Cliente
(0,1)
Articolo
codice
nome
prezzo
costo
Vendita
scontrino
data
numero pezzi
incasso
percentuale
tempo
Occupazione
Basi di dati: OLAP
nome
Negozio
nome
città
21 December, 2015 - slide 104
Ristrutturazione dello schema
categoria
Categoria
prezzo
codice
Articolo
Marca
marca
costo
Dati articolo
nome
scontrino
nome
Vendita
Occupazione
principale
incasso
numero pezzi
codice
Cliente
anno
nascita
Giorno
Negozio
Mese
mese
data
nome
Trimestre trimestre
sesso
Residenza
Città
città
Regione
Anno
anno
regione
E’ lo schema concettuale del data warehouse
Basi di dati: OLAP
21 December, 2015 - slide 105
Progettazione fisica ROLAP:
star schema per Vendita
ARTICOLO
CodArticolo
Marca
Categoria
Nome
CLIENTE
CodCliente
Sesso
Occupazione
Anno nascita
Città nascita
Provincia nascita
Regione nascita
VENDITA
CodArticolo
CodCliente
CodTempo
CodNegozio
Incasso
TEMPO
CodTempo
Giorno
Mese
Trimestre
Anno
NEGOZIO
CodNegozio
Indirizzo
Città
Provincia
Regione
Basi di dati: OLAP
21 December, 2015 - slide 106
DATA MINING
Introduzione
La maggior parte delle aziende dispone di enormi basi di dati
Oggigiorno i database possono variare in grandezza fino
all’ordine del Terabyte
Queste basi di dati costituiscono una potenziale miniera di
informazioni utili
A questo punto ci viene spontaneo chiedere: come facciamo ad
avere una estrazione di dati efficiente da una grande massa di
dati.
La risposta è: data mining!
1.
2.
3.
4.
Basi di dati: OLAP
Valorizza i dati presenti in azienda
Riduce i costi
Aumenta i redditi
Rende più efficienti i processi aziendali
21 December, 2015 - slide 108
Data mining: definizione
Traduzione data mining: estrazione da una miniera dati…
In informatica è l’estrazione di informazione utile, con
strumenti automatici o semiautomatici, da grandi quantità
di dati al fine di scoprire strutture e regole significative.
Basi di dati: OLAP
21 December, 2015 - slide 109
Cos’è il data mining?
E’ ricavare informazioni di supporto alle decisioni
direttamente dai dati
E’ modellare il comportamento dei clienti in modo da
poterlo prevedere
E applicare consistentemente i risultati per mirare le
attività di marketing aumentando la performance
Basi di dati: OLAP
21 December, 2015 - slide 110
Data mining: come processo
“Il data mining è un processo
atto a scoprire correlazioni, relazioni e
tendenze nuove e significative
settaciando grandi quantità di dati
immagazzinati nei repository,
usando tecniche di riconoscimento delle relazioni
e tecniche statistiche e matematiche.”
(Gartner Group)
Basi di dati: OLAP
21 December, 2015 - slide 111
Rivoluzione o evoluzione?
Il data mining è una disciplina molto più evoluzionaria, che
non rivoluzionaria
L’ampia disponibilità di databases commerciali portò alla
nascita del database marketing, che consentiva campagne
di marketing personalizzate, più mirate alle vere esigenze
dei consumatori
Inoltre venne ideato il termine di “knowledge discovery in
database”, ad indicare il processo generale di estrazione di
conoscenza dai databases.
KDD è oggi diventato sinonimo di data mining.
Basi di dati: OLAP
21 December, 2015 - slide 113
Data mining: diagramma 2
I due livelli inferiori rappresentano le fasi di collezione,
omogeneizzazione e memorizzazione dei dai
Il livello intermedio rappresenta l’analisi
Il livello superiore rappresenta la fase di prestazione dei
risultati ottenuti
Basi di dati: OLAP
21 December, 2015 - slide 116
OLAP vs. Data mining
OLAP




Basi di dati: OLAP
Individua cosa è
successo in passato
Informazioni ottenute da
richieste dirette
Dati storici
Strumenti reattivi
Data mining




Individua perché è
successo qualcosa
Conoscenza basata sulla
ricerca di relazioni
Modelli predittivi
Strumenti proattivi
21 December, 2015 - slide 121
OLAP vs. Data mining
 OLAP





Basi di dati: OLAP
Quali sono i clienti che non hanno rispettato i pagamenti dei mutui?
Quali sono stati i miei migliori 10 clienti?
Qual è stato il tasso di risposta all’ultimo mailing?
Quanti prodotti finanziari abbiamo venduto ai nostri clienti l’anno
scorso?
Quanti clienti hanno venduto i fondi in portafoglio?
21 December, 2015 - slide 122
OLAP vs. Data mining
 Data mining





Basi di dati: OLAP
A quali clienti è possibile erogare un mutuo avendo probabilità
elevate di restituzione?
Quali sono i 10 clienti che offrono il miglior profitto potenziale?
Qual è il profilo delle persone che molto probabilmente
risponderanno al mailing?
Quali dei nostri clienti saranno interessati al nostro nuovo fondo
d’investimento?
Quanti clienti potrebbero vendere i propri fondi e acquistarne dalla
concorrenza?
21 December, 2015 - slide 123
OLAP vs. Data mining
Questo è un tipo di risultato che uno strumento di OLAP può
fornire.
Nel grafico non appaiono linee di tendenza particolari. Adesso
guardiamo gli stessi dati ripartiti su tre gruppi di clienti
identificati applicando l'analisi dei gruppi.
Basi di dati: OLAP
21 December, 2015 - slide 124
OLAP vs. Data mining
Il grafico mostra che l'acquisizione sta aumentando fra i clienti di
"Breve termine", è sostanzialmente stabile fra i clienti definiti
"Generici" e sta calando fra quelli di "Lungo termine". Dal momento
che i clienti di "Lungo termine" sono i più interessanti per la banca,
questa tendenza rappresenta un problema.
Disponendo di questa ripartizione è stato innanzitutto possibile
rilevare il problema, e sarà possibile studiare azioni specifiche di
marketing dirette a invertire la tendenza.
Basi di dati: OLAP
21 December, 2015 - slide 125
OLAP vs. Data mining
Inoltre il data mining consente di costruire modelli per
prevedere il comportamento futuro dei clienti
Basi di dati: OLAP
21 December, 2015 - slide 126
Tecniche di data mining
L’uso di tecniche di data mining è necessario per
massimizzare l’estrazione di informazione da una quantità
sempre crescente di dati.
Tali tecniche sono generali e possono essere utilizzato in
diversi campi applicativi:
 Tecniche di classificazione
 Tecniche di clustering
 Selezione delle proprietà maggiormente rilevanti
 Uso di agenti automatici o semi-automatici
 Tecniche di visualizzazione
Basi di dati: OLAP
21 December, 2015 - slide 128
Classificazione/Regressione
E’ lo sviluppo di un modello o di una funzione che mappa
gli oggetti in classi predefinite (classificazione) o in
appropriati valori (regressione)
Il modello/funzione è costruito utilizzando un training set
formato da elementi già classificati
Una volta determinato il modello esso viene utilizzato per
eseguire le future classificazioni (supervised learning)
Basi di dati: OLAP
21 December, 2015 - slide 129
Clustering
In questo caso, al contrario della classificazione, non si sa
nulla a priori
Inizialmente non ci sono regole o classi, ma esse vengono
scoperte per similarità tra gli oggetti analizzati
Il processo consiste nel raggruppare gli oggetti in classi
con l’obiettivo di massimizzare la similarità degli elementi
all’interno di ogni classe e minimizzare la similarità interclasse (unsupervised learning)
Basi di dati: OLAP
21 December, 2015 - slide 130
Regole associative
Può essere considerato il problema più rappresentativo del
data mining come disciplina
Esso richiede di estrarre regole del tipo X -> Y da un
database, con il significato che oggetti/dati che soddisfano
la condizione X probabilmente soddisfano anche Y
Basi di dati: OLAP
21 December, 2015 - slide 131
Regole associative: esempio
La regola A -> C ha:
 Un supporto pari al 50%, perché {A,C} compare in 2
transazioni su 4
 Una confidenza pari al 66,6% perché su 3 transazioni in
cui compare A in due compare anche C
Basi di dati: OLAP
21 December, 2015 - slide 132
Pattern sequenziali
Riguarda la scoperta di sottosequenze frequenti in una
collezione di sequenze, ognuna delle quali rappresenta una serie
di eventi verificatisi in successione nel tempo
In questo contesto l’ordinamento degli eventi nelle
sottosequenze è determinante.
Un esempio possono essere sequenze di acquisti che occorrono
frequentemente nel tempo: ad esempio si può notare che clienti
che acquistano un televisore spesso poi acquistano anche un
lettore DVD e questa informazione può venire usata per
decisioni di marketing volte a fare in modo che il cliente sia
invogliato ad acquistarli entrambi.
Basi di dati: OLAP
21 December, 2015 - slide 133
Gli alberi decisionali
Un albero decisionale è un diagramma di flusso di
domande o punti di dati che in definitiva riportano a una
decisione
I sistemi ad alberi decisionali cercano di creare percorsi
ottimizzati, ordinando le domande in modo da poter
prendere una decisione nel minor numero di passi
Basi di dati: OLAP
21 December, 2015 - slide 134
Le reti neurali
Le reti neurali sono modelli che simulano la struttura del
cervello umano, imitandone i meccanismi di apprendimento.
In base ai dati di input le reti neurali correggono i parametri
del modello per trovare relazioni tra i dati.
Basi di dati: OLAP
21 December, 2015 - slide 135
Le reti neurali
Le reti neurali sono non lineari per definizione, ma non
fanno alcun tipo di ipotesi sulla forma dei dati, a
differenza di tecniche come la regressione non lineare
Le reti neurali sono utili per analizzare una variabile
obiettivo in presenza di forte non linearità e di interazioni
Le applicazioni principali sono le previsioni, il merito di
credito, i modelli di risposta e le indagini di rischio
Basi di dati: OLAP
21 December, 2015 - slide 136
Microsoft SQL Server
Analisi delle vendite: I risultati degli articoli venduti
possono essere utilizzati per creare un sistema online per
la proposta di suggerimenti o per determinare come la
combinazione di prodotti possono contribuire sul profitto.
Analisi dei clienti insoddisfatti: Possiamo creare dei
report per individuare eventuali clienti che possono
passare alla concorrenza
Analisi di mercato: Possiamo definire segmenti di
mercato raggruppando i clienti simili per eseguire analisi
delle tendenze o progettare campagne di marketing.
Basi di dati: OLAP
21 December, 2015 - slide 139
Microsoft SQL Server
Previsioni: Possiamo creare proiezioni delle vendite e
delle scorte per scoprire le relazioni.
Esplorazione dei dati: Si acquisisce una migliore
conoscenza dei clienti esaminando i modelli rilevati dagli
algoritmi di data mining.
Analisi di siti Web: Possiamo individuare come i
visitatori utilizzano il nostro sito web.
Analisi delle campagne: Come investire meglio il
budget destinato al marketing realizzando iniziative mirate
Basi di dati: OLAP
21 December, 2015 - slide 140
Altri strumenti di data mining
Clementine - SPSS Inc.
Intelligent Miner - IBM S.p.a.
Enterprise Miner - SAS Institute Inc.
SuperQuery - Azmy Thinkware Inc.
Tlearn - freeware
R System - freeware
Weka - freeware
Basi di dati: OLAP
21 December, 2015 - slide 142
Bibliografia
Manuale di Ms-SQL
Addison Wesley
Data Warehouse, Data Mining e OLAP
A.Berson, S. J.Smith, McGrawHiull
Designing and Building the Database
http://www.schemamania.org/jkl/booksonline/SQLBOL70/html/dts_whs_7.htm
Inelligent Enterprise Magazine - Ralph Kimball
Data Warehouse Designer - Fact Table and Dimension Tables
http://www.intelligententerprise.com/030101/602warehouse1_2.jhtml
Data Mining: Concepts, Models, Methods, and Algorithms di
Mehmed Kantardzic
High Performance Multidimensional Analysis and Data Mining di
Sanjay Goil and Alok Choudhary
Using Data Mining to Support the Construction and Maintenance of
Expert Systems di Geoffrey Holmes and Sally Jo Cunningham
Discovering Data Mining - From Concept to Implementation di P.
Cabena, P. Hadjinian, R. Stadler, J. Verhees, A. Zanasi
Introduction to Data Mining di P.N. Tan, M. Steinbach, V. Kumar.
Basi di dati: OLAP
21 December, 2015 - slide 151