Business intelligence: Approccio metodologico al Data Warehouse

L’approccio metodologico per la realizzazione di soluzioni di Data Warehouse è funzione dell’organizzazione aziendale, della tipologia di utenti, dello scopo che si intende perseguire e dell’architettura tecnica del sistema. Per scaricare il testo completo e per avere maggiori informazioni, clicca QUI

L’approccio metodologico per la realizzazione di soluzioni di Data Warehouse è funzione dell’organizzazione aziendale, della tipologia di utenti, dello scopo che si intende perseguire e dell’architettura tecnica del sistema.

Nel corso del tempo sono stati suggeriti diversi approcci per la realizzazione dei progetti, poi rivisitati grazie al bagaglio di esperienze maturate da varie Organizzazioni. Si parla pertanto di approccio top-down, approccio bottom-up, approccio incrementale, a cui corrispondono diverse topologie di Data Warehouse (Enterprise Data Warehouse, Data Mart, Multi-tier Warehouse). Approccio top down L’approccio top-down è quello che prevede una implementazione estensiva del sistema, il cui disegno originale esamina fin dall’inizio tutte le principali aree di interesse aziendale. Si parla in questo caso di Enterprise Data Warehouse, che può essere successivamente suddiviso in un insieme di Data Mart, per motivi tecnici ed organizzativi. I Data Mart dipendenti costituiscono un subset di dati aziendali altamente specializzati per aree di interesse o dipartimenti aziendali. Il punto debole di questo approccio teoricamente rigoroso è nella difficoltà di gestione del progetto onnicomprensivo, che rischia di paralizzare l’attività e di fornire risultati troppo in avanti nel tempo. Approccio bottom-up L’approccio bottom-up prevede una implementazione non coordinata nella quale ogni Data Mart viene realizzato per rispondere ad uno specifico fabbisogno informativo di una utenza dipartimentale. In questo caso l’Enterprise Data Warehouse è il risultato dell’insieme dei singoli Data Mart indipendenti, che si alimentano direttamente dai sistemi operazionali. Il vantaggio di tale approccio pragmatico è conseguire risultati utili per l’utente in un arco temporale limitato con costi diretti relativamente contenuti. D’altra parte, mancando una visione iniziale complessiva, il rischio è quello di realizzare segmenti non integrabili fra loro, che originano isole informative probabilmente in parte ridondanti e non congruenti nei risultati. Approccio “incrementale” L’approccio “incrementale” combina i vantaggi dei due approcci sopra descritti. Alla base di questo approccio, definito in letteratura anche approccio “federato”, infatti, è la creazione di un modello informativo comune. Dal modello informativo comune vengono sviluppati in maniera coerente modelli dati dell’Enterprise Data Warehouse e/o dei Data Mart; questi ultimi possono essere sia dipendenti che indipendenti. L’implementazione prevede di mettere a fattor comune tra diversi progetti di Data Mart i processi di acquisizione di dati dai sistemi source. Il risultato dei processi di acquisizione viene centralizzato su aree di appoggio comuni (cosiddette aree di staging) su cui vengono svolti i successivi processi di trasformazione. Le aree comuni di staging sono aree tecniche, non accedibili dall’utente finale, utilizzate per acquisire e trattare i dati con cui alimentare sia sia l’Enterprise Data Warehouse sia i Data Mart. Il modello informativo comune e la fruizione delle aree di staging minimizza i problemi di integrazione tra Data Mart. L’implementazione delle soluzioni verso gli utenti risulta più rapida rispetto all’approccio top-down, perchè non è richiesto un modello dati enterprise disegnato completamente a priori, ma esso viene realizzato tramite un processo iterativo di definizione di aree tematiche di interesse prioritario. Ovviamente la gestione centralizzata di documentazione comune richiede architetture di sviluppo di tipo groupware e riduce in qualche modo l’autonomia (e l’anarchia) dei singoli gruppi. RIPRODUZIONE RISERVATA

Se vuoi rimanere aggiornato su Business intelligence: Approccio metodologico al Data Warehouse iscriviti alla nostra newsletter settimanale

Commenta per primo

Lascia un commento

L'indirizzo email non sarà pubblicato.


*