Download No Slide Title

Adattárházak

Adattárház: alapfogalmak

Adattárház modellek: adatkockák és OLAP

Adattárház architektúrák

Adattárházak megvalósítása

Adatok általánosítása és fogalmi leírások

Az adattárháztól az adatbányászatig
2017.05.22.
Adattárházak
1
Mi az adattárház?

Sokféleképpen definiálják, nincs egyértelmű meghatározás.

Olyan döntéstámogató adatbázis, amelyet a szervezet
működéséhez szükséges adatbázisától elkülönítve üzemeltetnek

Egyesített, történeti (időtől függő) adatok elemzését, információ
feldolgozását támogató platform.

“Az adattárház olyan témaspecifikus, integrált, időfüggő, fizikailag is
tárolt adatgyűjtemény, amely a menedzsment döntéshozó
folyamataihoz szükséges lehet.”—W. H. Inmon

Adattár-háztartás (Data warehousing):

2017.05.22.
Az adattárházak készítésének, felhasználásának folyamatai
Adattárházak
2
Mit jelent a témaspecifikusság
(Subject-Oriented)?

Mit vizsgálunk: vásárlókat, termékeket, eladásokat?

Nem a napi működéshez szükséges folyamatokkal,
tranzakciós folyamatok foglalkozunk, hanem a
modellezéssel, a döntéshozók számára hasznos
adatelemzésekkel

Egy speciális témakörhöz szükséges adathalmaz
egyszerű, tömör reprezentálása. Kihagyjuk azokat az
adatokat, amelyek nem kellenek a döntéshozáshoz.
2017.05.22.
Adattárházak
3
Mit jelent az integráltság?


Többféle, heterogén adatforrás adataiból készítjük el az
adattárházat
 relációs adatbázisok, sima szöveges fájlok,
tranzakciós rekordok
Integrációs technikákat és adattisztítást kell
alkalmaznunk.
 Biztosítani kell a különböző helyről származó adatok
esetén is az egységes elnevezéseket, egységes
struktúrákat, egységes attribútum mértékeket.


2017.05.22.
például a szállodai szobaár: 10000 Ft, 2700 Ft AFA, reggelivel
Az adattárházba kerüléskor rögtön konvertáljuk az
adatokat a megfelelő formátumra
Adattárházak
4
Mit jelent az időfüggés?

Általában hosszabb időtartamra (akár évekre
visszamenőleg) vizsgáljuk az adatokat



A működési adatbázisban: az adatok aktuális értéke
szerepel
Az adattárházban: az adatok múltja is szerepel
Az adattárház kulcsai (azonosítói)


2017.05.22.
mindig tartalmaznak időpontot, explicit vagy implicit
formában
a működési adatbázisban nincs mindig időpont
megadva
Adattárházak
5
Mi jellemző a fizika tárolásra?

A működési környezetből átvett adatokat fizikailag
elkülönítve tároljuk

A működési környezetben történő módosítások nem
láthatók egyből az adattárházban

Nincs szükség tranzakció-kezelésre, naplózásra,
konkurenciakezelésre

Két alapvető adatelérési művelet kell csak:

2017.05.22.
a kezdeti adatbetöltés és a lekérdezésekhez
szükséges adatelérés
Adattárházak
6
Adattárház vagy heterogén adatbázis-kezelés?

A heterogén adatbázisok hagyományos integrálása: lekérdezésvezérelt

Burkolókat és közvetítőket (wrappers/mediators) használunk a heterogén
adatbázisok feletti rétegben

A lekérdezést egy metaszótár segítségével a heterogén adatbázisok számára
értelmezhető alkérdésekké alakítjuk, a megfelelő adatbázisban végrehajtjuk az
alkérdést, majd az eredményeket visszaadjuk, és ezekből összerakjuk az eredeti
lekérdezésre a választ

bonyolult információszűrő folyamat, ráadásul az erőforrásokért versenyezni is kell
(mi van, ha nem érhető el éppen az adatbázis?)

Adattárház: frissítésvezérelt, nagy teljesítmény, gyorsaságot lehet elérni vele

a heterogén adatforrások adatait előzetesen integráljuk és betöltjük egy
adattárházba, majd ezt kérdezzük le, ezen végezzük el az elemzéseket.
2017.05.22.
Adattárházak
7
Adattárház vagy működési adatbázis?

OLTP (on-line transaction processing) on-line tranzakciós feldolgozás




a hagyományos adatbázis-kezelés fő feladata
a napi működést szolgálja ki: vásárlás, raktárnyilvántartás, bankolás, gyártás,
bérszámfejtés, regisztrálás, könyvelés.
OLAP (on-line analytical processing) on-line elemző feldolgozás

az adattárházak fő feladata

adatok elemzése, döntéshozás
Mik az eltérések az OLTP és az OLAP között:





2017.05.22.
felhasználói kör, a rendszer célja: ügyfelek kiszolgálása, illetve piaci pozíciók
megszerzése
adattartalom: részletes, aktuális, illetve redukált, történeti adatok
az adatbázis tervezése: az alkalmazásoknak megfelelő egyed-kapcsolat modell,
illetve a témához tartozó adatok csillagsémában tárolva
nézőpont: aktuális helyi adatok, illetve több helyről származó, integrált adatok
időbeli változása
hozzáférések célja: módosítás, illetve bonyolult, csak olvasási lekérdezések
Adattárházak
8
Az OLTP és az OLAP közti különbségek
OLTP
OLAP
a felhasználók
ügyfelek, adminisztrátorok,
programozók
adatelemző tudásmunkások
a funkcionalitás célja
napi működés kiszolgálása
döntéshozás
az adatbázis tervezése
alkalmazásorientált
témaorientált
az adatok
aktuálisak, részletesek, relációsak,
vagy szöveges állományok,
elkülönítettek
történeti, összesített,
többdimenziós, egységesített,
integrált
a felhasználás módja
folyamatos, ismétlődő
időnkénti, ad-hoc
a hozzáférés módja
olvas/írás, indexek az elsődleges
kulcsokra
lekérdezések, sokféle, speciális
index használata
a tipikus munkaegység
rövid, egyszerű tranzakció
összetett lekérdezés
a munkaegységbe bevont
rekordok száma
pár tucat
milliós nagyságrend
a felhasználók száma
több ezer
száznál kevesebb
az adatbázis mérete
100 megabájt – pár gigabájt
100 gigabájt – több terabájt
a teljesítmény mérése
tranzakciószám/másodperc
lekérdezés száma/másodperc,
átlagos válaszidő
2017.05.22.
Adattárházak
9
Miért különítjük el az adattárházat?

Nagy teljesítmény akarunk elérni mindkét rendszerben



Az adattárház az OLAP-ot támogatja: összetett OLAP lekérdezéseket,
többdimenziós nézeteket, összesítéseket
Más a cél, másfélék az adatok, mint OLTP esetén:




Az adatbázis-kezelő rendszerek az OLTP-t támogatják: különböző
adatelérési módszerekkel, indexelésekkel, konkurenciakezeléssel,
helyreállítási mechanizmusokkal
hiányzó adatok: A döntésekhez nagyon régi adatok is kellhetnek, ami a
napi működéshez nem kellene (már archiválva van)
összesítések: heterogén forrásokból származó adatokat kell összesíteni,
aggregálni
adatminőség változatos: a különböző rendszerek eltérően reprezentálják,
kódolják az adatokat, így ezeket össze kell egyeztetni
Megjegyzés: Léteznek adattárház nélküli OLAP rendszerek, amelyek
közvetlenül az relációs adatbázisból dolgoznak.
2017.05.22.
Adattárházak
10
Adattárházak

Adattárház: alapfogalmak

Adattárház modellek: adatkockák és OLAP

Adattárház architektúrák

Adattárházak megvalósítása

Adatok általánosítása és fogalmi leírások

Az adattárháztól az adatbányászatig
2017.05.22.
Adattárházak
11
A táblázatoktól az adatkockákig

Az adattárház többdimenziós adatmodellt valósít meg, tipikusan
adatkockákat használ.

Egy adatkocka, mint például az eladások, esetén az adatokat több
dimenzióban nézhetjük, modellezhetjük

Dimenziótáblákat használunk: cikk(cikk_név, márka, típus), vagy
idő(nap, hét, hónap, negyedév, év)

A ténytábla tartalmazza az értékeket, mértékeket (például
eladott_mennyiség_dollárban) és kulcsokat a megfelelő
dimenziótáblákhoz, amely alapján a dimenzió részleteit tudjuk a
tényekhez hozzákapcsolni

Az n-dimenziós (n-D) alapkockát alapkuboidnak (alaptéglának) hívjuk. Ez a
legrészletezettebb nézete a tényeknek. A legfelső szintű 0-D kuboid a teljes
összesítést tartalmazza, (függetlenül helytől, időtől, egyéb dimenzióktól). Ez
az apex kuboid. A kuboidok hálóját hívjuk adatkockának.
2017.05.22.
Adattárházak
12
Az adatkocka: a kuboidok hálója
összes (all)
idő
cikk
idő,hely
idő,cikk
0-D (apex) kuboid
hely
szállító
cikk,hely
idő,szállító
1-D kuboidok
hely,szállító
2-D kuboidok
cikk,szállító
idő,hely,szállító
3-D kuboidok
idő,cikk,hely
idő,cikk,szállító
cikk,hely,szállító
4-D (alap) kuboid
idő, cikk, hely, szállító
2017.05.22.
Adattárházak
13
Az adattárház fogalmi modelljei

Adattárházak modelljei: dimenziók és mértékek

Csillagséma: Középen áll a ténytábla, ami
dimenziótáblákkal van összekapcsolva.

Hópehelyséma: A csillagséma finomítása, a
dimenziótáblákat dekomponáljuk
normálformájú kisebb dimenziótáblákra.

Csillagkép vagy galaxisséma: Több ténytábla
közös dimenziótáblákat használ.
2017.05.22.
Adattárházak
14
Csillagséma
time
item
time_key
day
day_of_the_week
month
quarter
year
Sales ténytábla
time_key
item_key
branch_key
branch
location_key
branch_key
branch_name
branch_type
units_sold
dollars_sold
avg_sales
item_key
item_name
brand
type
supplier_type
location
location_key
street
city
state_or_province
country
Mértékek
2017.05.22.
Adattárházak
15
Hópehelyséma
time
time_key
day
day_of_the_week
month
quarter
year
item
Sales ténytábla
time_key
item_key
branch_key
branch
location_key
branch_key
branch_name
branch_type
units_sold
dollars_sold
avg_sales
Mértékek
2017.05.22.
Adattárházak
item_key
item_name
brand
type
supplier_key
supplier
supplier_key
supplier_type
location
location_key
street
city_key
city
city_key
city
state_or_province
country
16
Galaxisséma ( 2 ténytáblával)
time
time_key
day
day_of_the_week
month
quarter
year
item
Sales ténytábla
time_key
item_key
item_name
brand
type
supplier_type
item_key
location_key
branch_key
branch_name
branch_type
units_sold
dollars_sold
avg_sales
Mértékek
2017.05.22.
Adattárházak
time_key
item_key
shipper_key
from_location
branch_key
branch
Shipping ténytábla
location
to_location
location_key
street
city
province_or_state
country
dollars_cost
units_shipped
shipper
shipper_key
shipper_name
location_key
shipper_type
17
Adatbányász (adattárház) nyelvek




Szabvány nincs, de több kísérlet történt a
funkciók SQL-szerű leírására.
DMQL – egy adatbányász lekérdező nyelv relációs
adatbázisokra (Han definiálta 1996-ban)
GMQL (Geo Mining Query Language) - térbeli
adatok adatbányászó nyelve, DMQL-re épül
(Koperski definiálta 1999-ben)
SDMOQL (Spatial Data Mining Object Query
Language) itérbeli adatok objektum alapú
lekérdező nyelve, OQL-re épül (Malerba definiálta
2002-ben)
2017.05.22.
Adattárházak
18
Adatkocka definiálása (BNF) DMQLben



2017.05.22.
Kocka (ténytábla) definiálása
define cube <kockanév> [<dimenzió_lista>]:
<mérték_lista>
Dimenziótáblák definiálása
define dimension <dimenziónév> as
(<attribútum_vagy_aldimenzió_lista>)
Közös dimenziótáblák definiálása
 ha már egy kockában definiáltuk a dimenziót
 define dimension <dimenziónév> as
<dimenziónév_a_másik_kockában> in cube
<a_másik_kocka_neve>
Adattárházak
19
Csillagséma definiálása DMQL-ben
define cube sales_star [time, item, branch, location]:
dollars_sold = sum(sales_in_dollars), avg_sales =
avg(sales_in_dollars), units_sold = count(*)
define dimension time as (time_key, day, day_of_week,
month, quarter, year)
define dimension item as (item_key, item_name, brand,
type, supplier_type)
define dimension branch as (branch_key, branch_name,
branch_type)
define dimension location as (location_key, street, city,
province_or_state, country)
2017.05.22.
Adattárházak
20
Hópehelyséma definiálása DMQL-ben
define cube sales_snowflake [time, item, branch, location]:
dollars_sold = sum(sales_in_dollars), avg_sales =
avg(sales_in_dollars), units_sold = count(*)
define dimension time as (time_key, day, day_of_week, month, quarter,
year)
define dimension item as (item_key, item_name, brand, type,
supplier(supplier_key, supplier_type))
define dimension branch as (branch_key, branch_name, branch_type)
define dimension location as (location_key, street, city(city_key,
province_or_state, country))
2017.05.22.
Adattárházak
21
Galaxisséma definiálása DMQL-ben
define cube sales [time, item, branch, location]:
dollars_sold = sum(sales_in_dollars), avg_sales =
avg(sales_in_dollars), units_sold = count(*)
define dimension time as (time_key, day, day_of_week, month, quarter, year)
define dimension item as (item_key, item_name, brand, type, supplier_type)
define dimension branch as (branch_key, branch_name, branch_type)
define dimension location as (location_key, street, city, province_or_state,
country)
define cube shipping [time, item, shipper, from_location, to_location]:
dollar_cost = sum(cost_in_dollars), unit_shipped = count(*)
define dimension time as time in cube sales
define dimension item as item in cube sales
define dimension shipper as (shipper_key, shipper_name, location as location
in cube sales, shipper_type)
define dimension from_location as location in cube sales
define dimension to_location as location in cube sales
2017.05.22.
Adattárházak
22
Adatkockák az Oracle-ben
2017.05.22.
Adattárházak
23
Dimenzió készítése Oracle-ben
2017.05.22.
Adattárházak
24
Szintek és hierarchiák készítése Oracle-ben
2017.05.22.
Adattárházak
25
Attribútumok készítése Oracle-ben
2017.05.22.
Adattárházak
26
Kocka készítése Oracle-ben
2017.05.22.
Adattárházak
27
A kocka mértékeinek megadása Oracle-ben
2017.05.22.
Adattárházak
28
Az adatkockákban háromféle mérték szerepelhet

Disztributív: partíciókra kiszámolva és az eredményekre alkalmazva
ugyanazt kapjuk, mintha a teljes adathalmazra alkalmaztuk volna:
f( {f(P1),…,f(Pn)} ) = f(P1∪ … ∪Pn)


Algebrai: ha egy N változós algebrai függvénybe disztributív
függvényeket helyettesítünk

ilyen például avg() = sum()/count(),
min_N() : n-ik legkisebb,
1 n
1 n 2 1 n
2
2
s 
(
x

x
)

[
x

(
x
)
 i
i n
i ]
 standard_deviation()
n  1 i 1
n  1 i 1
i 1
Holisztikus (teljes): nem korlátos számú argumentumú függvény


ilyen például a count(), sum(), min(), max()

2017.05.22.
2
például median(), mode(), rank()
Adattárházak
29
Egy fogalmi hierarchia a HELY dimenzióban
bármi (all)
összes - bármi (all)
Europe
régió
ország
város
iroda
2017.05.22.
Germany
Frankfurt
...
...
...
Spain
North_America
Canada
Vancouver ...
L. Chan
Adattárházak
...
...
Mexico
Toronto
M. Wind
30
Adattárházak, hierarchiák megjelenítése
Hierarchiák specifikálása:

séma szintű hierarchia
nap < {hónap < negyedév; hét} < év

értékhalmaz szintű hierarchia
{1..10} < olcsó
2017.05.22.
Adattárházak
31
Többdimenziós adatok

Az eladott mennyiséget a termék, hónap és régió
függvényében adjuk meg Dimenziók: Termék, Hely, Idő
Hierarchikus összesítő utak
Ipar
Régió
Év
Termék
Kategória Ország Negyedév
Termék
Város
Iroda
Hónap Hét
Nap
Hónap
2017.05.22.
Adattárházak
32
Az összesítéseket tartalmazó adatkocka
Dátum
2. n.é. 3. n.é.
4. n.é.

U.S.A

Kanada
Mexico
Ország
TV
PC
MP3
1.n.é.
Éves TV eladás
az USA-ban

2017.05.22.
Adattárházak
33
A kockának megfelelő kuboidok
all
0-D (apex) kuboid
termék
termék,dátum
dátum
ország
termék,ország
1-D kuboidok
dátum, ország
2-D kuboidok
3-D (alap) kuboid
termék, dátum, ország
2017.05.22.
Adattárházak
34
Adatkocka böngészése



Az adatkocka
használatánál
szükséges
a megjelenítés
OLAP
műveletek
kezelése
interaktív
kezelés
Mi jellemző a legnagyobb összesített eladásra? Legnagyobb kocka: ÉszakAmerika, szabadtéri, olcsó termék: legfeljebb 20000 az ára
2017.05.22.
Adattárházak
35
Tipikus OLAP műveletek

Felgörgetés - Roll up (drill-up): összesítjük (pl. összegezzük) az adatokat


Lefúrás - Drill down (roll down): kirészletezünk adatokat (a felgörgetés
fordítottja)




alacsonyabb szintű összesítést veszünk, részletezzük az adatokat,
vagy bevezetünk egy új dimenziót
Szeletelés és kockázás - Slice and dice: vetítés és kiválasztás
Forgatás (pivotálás) - Pivot (rotate):


a hierarchián feljebb lépve vagy a dimenziót elhagyva
elforgatjuk a kockát, vagy a vizualizációját, a 3D-t alkotó 2D-s
síkszeletek sorozatát átrendezzük
Egyéb műveletek
Keresztülfúrás - drill across:
egynél több ténytáblában fúrunk le
Átfúrás -drill through:
 a lefúrást SQL utasításokkal a kockában a legrészletezettebb
adatokig, azaz az alap relációs táblákig folytatjuk


2017.05.22.
Adattárházak
36
Példa az OLAP műveletekre: felgörgetés (Roll-up)
A városokat
összesítjük az
országokban
2017.05.22.
Adattárházak
37
Példa az OLAP műveletekre: lefúrás (Drill-down)
Kibontjuk a
negyedéveket
hónapokra
2017.05.22.
Adattárházak
38
Példa az OLAP műveletekre: kockázás (Dice)
Egy részkockát
képzünk két városra,
két negyedévre és két
termékre
2017.05.22.
Adattárházak
39
Példa az OLAP műveletekre: szeletelés (Slice)
Az első negyedév
szerinti kétdimenziós
szeletet vesszük
2017.05.22.
Adattárházak
40
Példa az OLAP műveletekre: forgatás (Pivot)
A hely és termék
tengelyeket felcseréljük
2017.05.22.
Adattárházak
41
A dimenziók fogalmi hierarchiáinak
reprezentálása csillagháló (Star-Net) modellben
Rendelések
Szállítás
Vásárló
szerződések
légi
rendelések
negyedév
kamion
termékcsoport
márka
Idő
Termék
év
nap
ország
város
cikk
értékesítő
karácsonyi
kerület
régió
Hely
2017.05.22.
téli
Minden kör egy
lábnyom (footprint)
Akciók
Adattárházak
osztály
Szervezet
42
Adattárházak

Adattárház: alapfogalmak

Adattárház modellek: adatkockák és OLAP

Adattárház architektúrák

Adattárházak megvalósítása

Adatok általánosítása és fogalmi leírások

Az adattárháztól az adatbányászatig
2017.05.22.
Adattárházak
43
Adattárház tervezése

Négyféle szempont az adattárház tervezéséhez

Fentről le


Adatforrás


milyen tény és dimenziótáblákat tárolunk az adattárházban
Üzlet

2017.05.22.
mit tárolunk a működési rendszereinkben
Adattárház


az adattárházhoz szükséges lényeges információ kiválasztása
(mire van és mire lehet majd szükség)
a végfelhasználó milyen célra használhatja majd az adatokat
Adattárházak
44
Az adattárház tervezési
folyamata

Fentről le, vagy lentről fel, vagy kombinálva



Lentről fel (Bottom-up): Próbálgatunk, prototípusokat adunk (gyors)
Szoftvertervezési szempontból



Fentről le (Top-down): Gondosan, fokozatosan részletezve mindent
megtervezünk (időigényes)
Vízesés modell (Waterfall): strukturált, szisztematikus elemzés, mielőtt a
következő lépést megtesszük
Spirális modell (Spiral): gyorsan, egyre több funkcionalitást teszünk a
készülő rendszerbe
Az adattárház tervezési folyamatának tipikus lépései

Határozzuk meg az üzleti folyamatokat, amelyekben modellezzünk
például a rendeléseket, számlákat

Határozzuk meg az üzleti folyamatok atomi adatszintjét

Határozzuk meg a tényrekordokhoz tartozó dimenziókat

Határozzuk meg a rekordokban szereplő mértékeket
2017.05.22.
Adattárházak
45
Adattárház megvalósítása többrétegű architektúrában
Más
források
Működési
adatbázis
Metaadat
Kiszed
Tisztít
Transzformál
Betölt
Frissít
Monitor
&
Integrátor
Adattárház
OLAP Szerver
szolgáltat
Elemzés
Lekérdezés
Jelentések
Adatbányászat
Adatpiacok
Adatforrások
2017.05.22.
Tárolt adatok
Adattárházak
OLAP motor Kliens eszközök
46
Az adattárház három típusa


Vállalati adattárház (Enterprise warehouse)
 a teljes szervezet összes fontos információját
tartalmazza, amely bármilyen témájú elemzéshez valaha
is kellhet
Adatpiac (Data Mart)
 egy adott témához (például marketing) szükséges
adatok gyűjteménye


külön is megépíthetjük, de lehet része a vállalati adattárháznak
is
Virtuális adattárház (Virtual warehouse)
 A működési adatbázisra építünk nézeteket
 Egyes összesítő nézeteket materializálunk
2017.05.22.
Adattárházak
47
Adattárház építése
4. Többrétegű
adattárház
architektúra
3. Osztott
adatpiacok
építése
2. Adatpiac
építése
2. Vállalati
adattárház
építése
2. Adatpiac
építése
A modell finomítása A modell finomítása
A modell finomítása
1. Magas szintű szervezeti adatmodell definiálása
2017.05.22.
Adattárházak
48
Adattárház-építő segédeszközök





Adatgyűjtéshez
 több, heterogén, akár külső adatforrásból összegyűjti,
kiválasztja a szükséges adatokat
Adattisztításhoz
 adathibákat kijelzi, ha lehet ki is javítja
Adattranszformációhoz
 az örökölt adatbázisokból az adatokat az adattárház
formátumára transzformálja
Betöltéshez
 rendez, összesít, egyesít, nézeteket készít, ellenőrzi az
integritási feltételeket, indexeket készít, particionál
Frissítéshez
 időközönként az új adatokat, változásokat betölti az
adattárházba
2017.05.22.
Adattárházak
49
A leíró adatok kezelése
(Metadata Repository)

A metaadatok az adattárház objektumainak definícióit tárolják.

Adattárház struktúráinak leírása


Működési metaadatok





sémák, nézetek, dimenziók, hierarchiák, számolt adatok definíciói,
adatpiacok elérési helye és tartalma
adatvonal (a migrált adatok története és a transzformációk sorozata),
adatállapot (aktív, archivált, törölt), monitorozási információk
(használati statisztikák, hibajelentések, ellenőrzések)
Az összesítésekhez, aggregációkhoz szükséges algoritmusok
Azok a leképezések (mappings), amelyek a működési adatbázisból áttöltik
az adatokat az adattárházba
Rendszer szintű adatleírások a jobb teljesítményhez
 indexek definíciói, frissítési periódusok
Üzleti adatok

2017.05.22.
üzleti fogalmak, definíciók, díjkalkulációk
Adattárházak
50
OLAP szerver architektúrák

Relációs OLAP (ROLAP)





az adatbázis-kezelő lehetőséget biztosít az optimalizálásra, aggregációra
és egyéb kiegészítő eszköz, szolgáltatás használatára
jól skálázható
Multidimenziós OLAP (MOLAP)

ritka tömbök kezelésére kifejlesztett többdimenziós tárkezelő

az összesített, aggregált adatok speciális indexelési lehetősége
Hibrid OLAP (HOLAP) (pédául Microsoft SQLServer)


alsó rétegben egy relációs vagy objektumrelációs adatbázis-kezelő
tárolja, kezeli az adattárház adatait, erre épül rá az OLAP köztes réteg
az alsó szint relációs, felső szint tömbkezelő
Speciális SQL szerver (például Redbricks)

2017.05.22.
SQL lekérdező utasítások csillagsémákra, hópehelysémákra
Adattárházak
51
Adattárházak felhasználása

Felhasználási területek

Alapinformáció szolgáltatása


Elemzések



többdimenziós elemzések
OLAP műveletek (szeletelés, kockázás, lefúrás, forgatás)
használata
Adatbányászat


2017.05.22.
lekérdezések, alapvető statisztikai elemzések, jelentések,
(táblák, kereszttáblák, diagramok, grafikonok)
rejtett minták feltárása
asszociációs szabályok keresése, analitikus modell készítése,
osztályozás és előrejelzés, az eredmények vizuális
megjelenítése
Adattárházak
52
Adattárházak

Adattárház: alapfogalmak

Adattárház modellek: adatkockák és OLAP

Adattárház architektúrák

Adattárházak megvalósítása

Adatok általánosítása és fogalmi leírások

Az adattárháztól az adatbányászatig
2017.05.22.
Adattárházak
53
Adatkockák hatékony előállítása

Az adatkocka kuboidok hálója

A háló legalján az alapkuboid áll.

A háló tetején az egy cellából álló apex kuboid áll.


Hány darab n-dimenziós kuboid van, ha Li (+1 az ANY miatt)
szint van egy dimenzióban?
n
T   ( Li 1)
i 1
Az adatkockát érdemes materializálni



részleges materializálás: néhány kuboidot

nincs materializás
Melyik kuboidot materializáljuk?

2017.05.22.
teljes materializálás: összes kuboidot (2n vagy még több, ha
szintek is vannak)
gyakran van rá szükség, mennyi hely van a kuboidok tárolására,
sok összesítést tudunk belőle képezni
Adattárházak
54
Adatkocka műveletek

A kocka definiálása DMQL-ben
define cube sales[item, city, year]: sum(sales_in_dollars)
compute cube sales

()
Kifejezhető SQL-ben a cube by (Gray 1996) művelettel
SELECT item, city, year, SUM (amount)
(city)
(item)
(year)
FROM SALES
(city, item) (city, year)(item, year)

CUBE BY item, city, year
Mindez az alábbi Group-By –ok képzését jelenti
(city, item, year)
(date, product, customer),
(date,product),(date, customer), (product, customer),
(date), (product), (customer)
()
2017.05.22.
Adattárházak
55
A jéghegy kocka

Csak azokat a kuboidokat számoljuk ki,
amelyekhez tartozó aggregátorérték elég
nagy, például elég sok adatot tartalmaz
HAVING COUNT(*) >= minsup

Motiváció
 Általában csak kevés kuboid érdekes egy ritka
kockában
 Azok lesznek az érdekesek, amelyben az
aggregáció elér egy küszöbindexet
 Nem kell exponenciális sok kockát kiszámolni
2017.05.22.
Adattárházak
56
A jéghegy kocka

SELECT Part, StoreLocation, Customer, SUM(Price) FROM R
CUBE BY Part, StoreLocation, Customer
HAVING COUNT(*) >=2
Az R adatbázis
A jéghegy kuboidjai
PRICE
23
34
45
56
67
78
89
90
2017.05.22.
Adattárházak
57
Az OLAP adatok indexelése: Bitmap index





Olyan oszlopra jó, amelyben kevés különböző értéke szerepel
(az oszlop képmérete kicsi)
Minden értéknek egy bitvektor felel meg, mivel a bitműveletek
gyorsak
A bitvektornak annyi eleme van, ahány sora van a táblának
A bitvektor j-ik komponense 1, ha a j-ik rekordban ez az értéke
szerepel az indexelt oszlopban, egyébként 0.
Jól használható AND, OR, COUNT, GROUP BY számítására
Az alap tábla
Cust
C1
C2
C3
C4
C5
Region
Asia
Europe
Asia
America
Europe
2017.05.22.
Index a Region oszlopra
Index a Type oszlopra
Type RecIDAsia Europe America RecID Retail Dealer
1
1
0
1
1
0
0
Retail
2
0
1
0
1
0
Dealer 2
3
0
1
1
0
0
Dealer 3
4
1
0
4
0
0
1
Retail
5
0
1
0
1
0
Dealer 5
Adattárházak
58
Az OLAP adatok indexelése: összekapcsolási
index (Join Index)



A join index: JI(R-id, S-id) formájú, ahol
R (R-id, …)  S (S-id, …)
A join index párok formájában materializálja az
összekapcsolható sorokat, ezzel gyorssá teszi
az összekapcsolási műveletet
Az adattárház csillagsémájában a
dimenziótáblák rekordjait kell a ténytábla
rekordjaihoz kapcsolni, így erre nagyon jól
használható.
 Például a Sales ténytáblához kapcsoljuk a
location és az item dimenziókat
 A city join index azokat a párokat
tartalmazza, hogy egy adott városban
milyen azonosítóval rendelkező eladások
történtek
 Lehetne hármasokat is tárolni (a három
tábla összekapcsolható rekordazonosítóit)
2017.05.22.
Adattárházak
59
Az OLAP lekérdezések hatékony végrehajtása

Határozzuk meg, milyen műveleteket kellene elvégezni a rendelkezésre álló kuboidokon

A lefúrás, felgörgetés, stb. műveleteket írjuk át SQL-be, például a kockázás művelet kiválasztással
és vetítéssel fejezhető ki.

Határozzuk meg, mely materializált kuboidokból számolható ki az OLAP művelet. Például adott a
következő kocka és a hierarchiák a szokásosak.
define cube sales_star [time, item, branch, location]:dollars_sold = sum(sales_in_dollars), avg_sales =
avg(sales_in_dollars), units_sold = count(*)
define dimension time as (time_key, day, day_of_week, month, quarter, year)
define dimension item as (item_key, item_name, brand, type, supplier_type)
define dimension branch as (branch_key, branch_name, branch_type)
define dimension location as (location_key, street, city, province_or_state, country)

Egy olyan lekérdezés kell kiszámolni, amely a {brand, province_or_state} értékekre vonatkozik a “year
= 2004” feltétellel. A következő 4 materializált nézet közül melyiket használhatjuk?
1) {year, item_name, city} 2) {year, brand, country} 3) {year, brand, province_or_state}
4) {item_name, province_or_state}, ahol year = 2004
A 2. nem jó, mert a country adatokban elveszítjük a finomabb province_or_state értékeket. A többi jó.
Az 1. választása a sok city érték miatt kevésbé hatékony. Ha sok item tartozik ugyanahhoz a brand
értékhez, akkor 4. se elég hatékony. A 3. a legjobb. (Indexek esetén más lehet a helyzet!)
2017.05.22.
Adattárházak
60
Adattárházak

Adattárház: alapfogalmak

Adattárház modellek: adatkockák és OLAP

Adattárház architektúrák

Adattárházak megvalósítása

Adatok általánosítása és fogalmi leírások

Az adattárháztól az adatbányászatig
2017.05.22.
Adattárházak
61
What is Concept Description?


Descriptive vs. predictive data mining
 Descriptive mining: describes concepts or task-relevant
data sets in concise, summarative, informative,
discriminative forms
 Predictive mining: Based on data and analysis,
constructs models for the database, and predicts the
trend and properties of unknown data
Concept description:
 Characterization: provides a concise and succinct
summarization of the given collection of data
 Comparison: provides descriptions comparing two or
more collections of data
2017.05.22.
Adattárházak
62
Data Generalization and Summarizationbased Characterization

Data generalization

A process which abstracts a large set of task-relevant
data in a database from a low conceptual levels to
higher ones.
1
2
3
4
Conceptual levels

2017.05.22.
Approaches:
5

Data cube approach(OLAP approach)

Attribute-oriented induction approach
Adattárházak
63
Attribute-Oriented Induction

Proposed in 1989 (KDD ‘89 workshop)

Not confined to categorical data nor particular measures

How it is done?




2017.05.22.
Collect the task-relevant data (initial relation) using a
relational database query
Perform generalization by attribute removal or attribute
generalization
Apply aggregation by merging identical, generalized
tuples and accumulating their respective counts
Interactive presentation with users
Adattárházak
64
Basic Principles of Attribute-Oriented Induction





Data focusing: task-relevant data, including dimensions,
and the result is the initial relation
Attribute-removal: remove attribute A if there is a large set
of distinct values for A but (1) there is no generalization
operator on A, or (2) A’s higher level concepts are
expressed in terms of other attributes
Attribute-generalization: If there is a large set of distinct
values for A, and there exists a set of generalization
operators on A, then select an operator and generalize A
Attribute-threshold control: typical 2-8, specified/default
Generalized relation threshold control: control the final
relation/rule size
2017.05.22.
Adattárházak
65
Attribute-Oriented Induction: Basic
Algorithm




InitialRel: Query processing of task-relevant data, deriving
the initial relation.
PreGen: Based on the analysis of the number of distinct
values in each attribute, determine generalization plan for
each attribute: removal? or how high to generalize?
PrimeGen: Based on the PreGen plan, perform
generalization to the right level to derive a “prime
generalized relation”, accumulating the counts.
Presentation: User interaction: (1) adjust levels by drilling,
(2) pivoting, (3) mapping into rules, cross tabs,
visualization presentations.
2017.05.22.
Adattárházak
66
Example


2017.05.22.
DMQL: Describe general characteristics of graduate
students in the Big-University database
use Big_University_DB
mine characteristics as “Science_Students”
in relevance to name, gender, major, birth_place,
birth_date, residence, phone#, gpa
from student
where status in “graduate”
Corresponding SQL statement:
Select name, gender, major, birth_place, birth_date,
residence, phone#, gpa
from student
where status in {“Msc”, “MBA”, “PhD” }
Adattárházak
67
Class Characterization: An Example
Name
Gender
Jim
Initial
Woodman
Relation Scott
M
Major
M
F
…
Removed
Retained
Residence
Phone #
GPA
Vancouver,BC, 8-12-76
Canada
CS
Montreal, Que, 28-7-75
Canada
Physics Seattle, WA, USA 25-8-70
…
…
…
3511 Main St.,
Richmond
345 1st Ave.,
Richmond
687-4598
3.67
253-9106
3.70
125 Austin Ave.,
Burnaby
…
420-5232
…
3.83
…
Sci,Eng,
Bus
City
Removed
Excl,
VG,..
Gender Major
M
F
…
Birth_date
CS
Lachance
Laura Lee
…
Prime
Generalized
Relation
Birth-Place
Science
Science
…
Country
Age range
Birth_region
Age_range
Residence
GPA
Canada
Foreign
…
20-25
25-30
…
Richmond
Burnaby
…
Very-good
Excellent
…
Count
16
22
…
Birth_Region
Canada
Foreign
Total
Gender
2017.05.22.
M
16
14
30
F
10
22
32
Total
26
36
62
Adattárházak
68
Presentation of Generalized Results

Generalized relation:


Cross tabulation:


Relations where some or all attributes are generalized, with counts
or other aggregation values accumulated.
Mapping results into cross tabulation form (similar to contingency
tables).

Visualization techniques:

Pie charts, bar charts, curves, cubes, and other visual forms.
Quantitative characteristic rules:

Mapping generalized result into characteristic rules with quantitative
information associated with it, e.g.,
grad( x)  male( x) 
birth_ region( x) "Canada"[t :53%] birth_ region( x) " foreign"[t : 47%].
2017.05.22.
Adattárházak
69
Mining Class Comparisons

Comparison: Comparing two or more classes

Method:

Partition the set of relevant data into the target class and the
contrasting class(es)

Generalize both classes to the same high level concepts

Compare tuples with the same high level descriptions

Present for every tuple its description and two measures



support - distribution within single class

comparison - distribution between classes
Highlight the tuples with strong discriminant features
Relevance Analysis:

2017.05.22.
Find attributes (features) which best distinguish different classes
Adattárházak
70
Quantitative Discriminant Rules



Cj = target class
qa = a generalized tuple covers some tuples of class
 but can also cover some tuples of contrasting class
d-weight
count(qa  Cj )
 range: [0, 1]
d  weight 
m
 count(q
a
 Ci )
i 1

quantitative discriminant rule form
 X, target_class(X)  condition(X) [d : d_weight]
2017.05.22.
Adattárházak
71
Example: Quantitative Discriminant Rule
Status
Birth_country
Age_range
Gpa
Count
Graduate
Canada
25-30
Good
90
Undergraduate
Canada
25-30
Good
210
Count distribution between graduate and undergraduate students for a generalized tuple

Quantitative discriminant rule
X , graduate _ student ( X ) 
birth _ country( X ) " Canada" age _ range( X ) "25  30" gpa( X ) " good " [d : 30%]

2017.05.22.
where 90/(90 + 210) = 30%
Adattárházak
72
Class Description

Quantitative characteristic rule
 X, target_class(X)  condition(X) [t : t_weight]
necessary
Quantitative discriminant rule


 X, target_class(X)  condition(X) [d : d_weight]
sufficient
Quantitative description rule


 X, target_class(X) 
condition 1(X) [t : w1, d : w 1]  ...  conditionn(X) [t : wn, d : w n]

2017.05.22.
necessary and sufficient
Adattárházak
73
Example: Quantitative Description Rule
Location/item
TV
Computer
Both_items
Count
t-wt
d-wt
Count
t-wt
d-wt
Count
t-wt
d-wt
Europe
80
25%
40%
240
75%
30%
320
100%
32%
N_Am
120
17.65%
60%
560
82.35%
70%
680
100%
68%
Both_
regions
200
20%
100%
800
80%
100%
1000
100%
100%
Crosstab showing associated t-weight, d-weight values and total number
(in thousands) of TVs and computers sold at AllElectronics in 1998

Quantitative description rule for target class Europe
 X, Europe(X) 
(item(X) " TV" ) [t : 25%, d : 40%]  (item(X) " computer" ) [t : 75%, d : 30%]
2017.05.22.
Adattárházak
74
Concept Description vs. Cube-Based OLAP


Similarity:

Data generalization

Presentation of data summarization at multiple levels of
abstraction

Interactive drilling, pivoting, slicing and dicing
Differences:


2017.05.22.
OLAP has systematic preprocessing, query independent,
and can drill down to rather low level
AOI has automated desired level allocation, and may
perform dimension relevance analysis/ranking when
there are many relevant dimensions
Adattárházak
75
Chapter 3: Data Warehousing, Data
Generalization, and On-line Analytical Processing

Data warehouse: Basic concept

Data warehouse modeling: Data cube and OLAP

Data warehouse architecture

Data warehouse implementation

Data generalization and concept description

From data warehousing to data mining
2017.05.22.
Adattárházak
76
From On-Line Analytical Processing (OLAP)
to On Line Analytical Mining (OLAM)

Why online analytical mining?
 High quality of data in data warehouses
 DW contains integrated, consistent, cleaned data
 Available information processing structure surrounding
data warehouses
 ODBC, OLEDB, Web accessing, service facilities,
reporting and OLAP tools
 OLAP-based exploratory data analysis
 Mining with drilling, dicing, pivoting, etc.
 On-line selection of data mining functions
 Integration and swapping of multiple mining
functions, algorithms, and tasks
2017.05.22.
Adattárházak
77
An OLAM System Architecture
Mining query
Mining result
Layer4
User Interface
User GUI API
OLAM
Engine
OLAP
Engine
Layer3
OLAP/OLAM
Data Cube API
Layer2
MDDB
MDDB
Meta Data
Filtering&Integration
Database API
Filtering
Layer1
Data cleaning
Databases
2017.05.22.
Data
Data integration Warehouse
Adattárházak
Data
Repository
78
Chapter 3: Data Warehousing, Data
Generalization, and On-line Analytical Processing

Data warehouse: Basic concept

Data warehouse modeling: Data cube and OLAP

Data warehouse architecture

Data warehouse implementation

Data generalization and concept description

From data warehousing to data mining

Summary
2017.05.22.
Adattárházak
79
Summary: Data Generalization, Data
Warehousing, and On-line Analytical Processing

Data generalization: Attribute-oriented induction

Data warehousing: A multi-dimensional model of a data warehouse

Star schema, snowflake schema, fact constellations

A data cube consists of dimensions & measures

OLAP operations: drilling, rolling, slicing, dicing and pivoting

Data warehouse architecture

OLAP servers: ROLAP, MOLAP, HOLAP

Efficient computation of data cubes


Partial vs. full vs. no materialization

Indexing OALP data: Bitmap index and join index

OLAP query processing
From OLAP to OLAM (on-line analytical mining)
2017.05.22.
Adattárházak
80
References (I)









S. Agarwal, R. Agrawal, P. M. Deshpande, A. Gupta, J. F. Naughton, R. Ramakrishnan,
and S. Sarawagi. On the computation of multidimensional aggregates. VLDB’96
D. Agrawal, A. E. Abbadi, A. Singh, and T. Yurek. Efficient view maintenance in data
warehouses. SIGMOD’97
R. Agrawal, A. Gupta, and S. Sarawagi. Modeling multidimensional databases. ICDE’97
S. Chaudhuri and U. Dayal. An overview of data warehousing and OLAP technology.
ACM SIGMOD Record, 26:65-74, 1997
E. F. Codd, S. B. Codd, and C. T. Salley. Beyond decision support. Computer World, 27,
July 1993.
J. Gray, et al. Data cube: A relational aggregation operator generalizing group-by,
cross-tab and sub-totals. Data Mining and Knowledge Discovery, 1:29-54, 1997.
A. Gupta and I. S. Mumick. Materialized Views: Techniques, Implementations, and
Applications. MIT Press, 1999.
J. Han. Towards on-line analytical mining in large databases. ACM SIGMOD Record,
27:97-107, 1998.
V. Harinarayan, A. Rajaraman, and J. D. Ullman. Implementing data cubes efficiently.
SIGMOD’96
2017.05.22.
Adattárházak
81
References (II)









C. Imhoff, N. Galemmo, and J. G. Geiger. Mastering Data Warehouse Design: Relational
and Dimensional Techniques. John Wiley, 2003
W. H. Inmon. Building the Data Warehouse. John Wiley, 1996
R. Kimball and M. Ross. The Data Warehouse Toolkit: The Complete Guide to
Dimensional Modeling. 2ed. John Wiley, 2002
P. O'Neil and D. Quass. Improved query performance with variant indexes. SIGMOD'97
Microsoft. OLEDB for OLAP programmer's reference version 1.0. In
http://www.microsoft.com/data/oledb/olap, 1998
A. Shoshani. OLAP and statistical databases: Similarities and differences. PODS’00.
S. Sarawagi and M. Stonebraker. Efficient organization of large multidimensional arrays.
ICDE'94
OLAP council. MDAPI specification version 2.0. In
http://www.olapcouncil.org/research/apily.htm, 1998
E. Thomsen. OLAP Solutions: Building Multidimensional Information Systems. John Wiley,
1997

P. Valduriez. Join indices. ACM Trans. Database Systems, 12:218-246, 1987.

J. Widom. Research problems in data warehousing. CIKM’95.
2017.05.22.
Adattárházak
82