Ringkasan
Banyak perkara dalam kehidupan yang dihadapi dengan betul, namun dari hal-hal yang perlu mendapat lebih banyak pengalaman, ada yang timbul dari kesilapan yang dilakukan, kerana hasil negatif yang diperoleh diketahui, penyebab konteksnya yang mempengaruhi kesalahan dan cuba jangan mengulanginya sebanyak mungkin.
Senarai kesilapan dalam pembinaan gudang data korporat ini adalah salah satu artikel pertama, yang bertujuan untuk menghasilkan asas pengetahuan dan pengalaman dari pelajaran yang dipelajari dalam projek teknologi maklumat, dalam kes khusus ini dalam projek pembangunan gudang data korporat.
Senarai ini dibuat untuk berfungsi sebagai utiliti untuk semua orang yang mempunyai penyertaan dalam pembangunan gudang data dan akan memungkinkan untuk menilai jalan mana yang mereka tuju dan peluang untuk kejayaan akhir, tetapi nasihat yang paling disintesis yang dapat diambil dari ini adalah untuk mengekalkan kerja sama di peringkat peserta dan bidang organisasi serta mengusahakan asas teori-praktikal yang kukuh dari teknologi yang terlibat.
Objektif senarai ini adalah untuk menyediakan sumber perundingan pelajaran yang dapat diambil, dari penerapan teknologi ini di pelbagai syarikat, dan juga untuk menyediakan asas teori-praktikal, yang bergantung pada bidang sains komputer dan lebih tepat lagi, dari teknologi datawarehouse, dan yang akhirnya harus membawa kepada kejayaan masa depan projek datawarehouse syarikat anda.
Kata kunci: datawarehouse, datamart, datamining, pembinaan rumah datuk korporat, kesalahan biasa, menguruskan projek datawarehouse, risiko membina datawarehouse, prospek datawarehouse, metrik keuntungan pada pelaburan sebuah rumah data
Indeks
1. Pengenalan
2. Senarai 10 Kesalahan Paling Umum dalam Pembinaan Gudang Data Korporat
3. Kesimpulan
4. Bibliografi
1. Pengenalan
Hari ini, bidang teknologi kebanyakan syarikat kewangan dan komersial, yang sehingga baru-baru ini mendedikasikan sebahagian besar usaha mereka untuk menyediakan sistem maklumat transaksi - yang menyokong beban kebanyakan aktiviti dalam rantai nilai mereka - Mereka fokus untuk mencapai eksploitasi koheren dari data tersimpan mereka: sejarah dan transaksional, kenyataan di sekitarnya, adalah ukuran data yang sangat besar yang diperoleh dari operasi harian sistem transaksional mereka, dan masalah menganalisis dan mengekstrak pengetahuan dari semua ini. maklumat yang masih tersimpan dalam dirinya sendiri.
Terdapat satu siri teknik komputasi yang memungkinkan transformasi maklumat transaksional, operasi dan harian ini menjadi maklumat dengan tahap agregat yang berbeza, diringkaskan, tepat dan khusus berdasarkan topik, dan yang memungkinkan analisis mereka, memfasilitasi pembuatan keputusan pengurusan, Teknologi ini dipanggil Data Repository atau Datawarehouse.
Namun, dan berdasarkan amalan profesional, pembinaan gudang data tidak kebal terhadap masalah yang menghalangi kejayaannya dan pencapaian objektif akhirnya: sokongan untuk membuat keputusan pengurusan.
Artikel ini cuba melampaui teori, untuk membentangkan masalah-masalah bermasalah yang menghalang kejayaan pembangunan gudang data korporat.
Oleh itu, perlu dinyatakan bahawa senarai berikut - kesalahan yang paling biasa dalam pembangunan gudang data korporat - muncul dari pengembangan teknologi ini di syarikat perwakilan yang tergolong dalam sektor kewangan dan komersial Peru.
Memandangkan bahawa projek mesti memuaskan pelanggan dengan mewakili pulangan pelaburan mereka - kita tahu bahawa tidak selalu mudah untuk menganggarkannya dalam projek teknologi komputer, namun - kejayaan projek pembangunan datawarvari langsung dengan utiliti yang diperoleh dari analisis maklumat dalam membuat keputusan yang tepat di mana syarikat mendapat keuntungan, pada ketika ini: mengetahui bahawa keputusan yang dibuat - berdasarkan analisis data melalui gudang data - menghasilkan pendapatan dan / atau simpanan yang lebih besar, adalah yang paling Anggaran yang mencukupi, untuk ini kita mesti mempertimbangkan kemudahan mendapatkan laporan serta fleksibiliti konfigurasinya.Ia dipertimbangkan - untuk menghasilkan pembelajaran dari keputusan yang dibuat setiap kali - pentingnya menyimpan bentuk dan maklumat agregat dan laporan yang digunakan dari masa ke masa, sebagai cara untuk menunjukkan nilai mereka untuk syarikat.
Senarai ini, dengan penggunaan yang tepat, akan memungkinkan untuk membuat keputusan yang lebih tepat oleh pengurusan projek, pemilik dan pelanggan, mengetahui kemungkinan akibat dari satu atau lain strategi yang ditentukan atau mengukur dan mencegah kesalahan yang kerap, yang memungkinkan penjimatan kos, baik dalam perumusan, pengembangan dan pelaksanaan proyek.
2. Senarai 10 Kesalahan Paling Umum dalam Pembinaan Gudang Data Korporat
Ralat pertama: Andaikan penyelesaian masalah yang mungkin timbul sebagai persoalan teknikal semata-mata
Gudang data memerlukan penyertaan aktif pembuat keputusan pengurusan.
Kesalahan ke-2: Tidak memberikan anggaran yang mencukupi untuk keseluruhan projek.
Peruntukan modal dan sumber daya yang mencukupi untuk menyokong dan berfungsi platform dan infrastruktur teknologi yang diperlukan oleh gudang data korporat mestilah salah satu aspek awal ketika menganggapnya sebagai projek.
Kesalahan ke-3: Kurangnya komitmen dari pihak pengurusan kanan.
Kejayaan gudang data korporat memerlukan sokongan penuh dari pengurusan atasan berdasarkan keselamatan dan kepercayaan yang diberikan kepada pengurusan projek dan pasukan pembangunannya, untuk membolehkan pekerjaan menjadi lancar di semua bidang organisasi yang terlibat dalam projek ini.
Ralat ke-4: Tidak mempunyai infrastruktur yang mencukupi untuk menyokongnya.
Gudang data korporat memerlukan infrastruktur teknologi dan organisasi yang mencukupi. Senibina sistem gudang data berkisar dari pelayan pangkalan data proprietari, transformasi data dan pelayan pembersihan, nod pengguna pengurusan bahagian depan yang disusun di seluruh organisasi. Perisian memerlukan aplikasi pelayan, pelanggan, dan lapisan perniagaan yang berfungsi dengan cekap dalam persekitaran pertanyaan n-dimensi dan pemprosesan selari.
Ralat ke-5: Pangkalan data berlebihan, tidak telus dan tidak berdokumen.
Status pangkalan data transaksional dari mana maklumat yang akan diubah dan disimpan di gudang data diekstraksi, umumnya tidak dipertimbangkan dalam anggaran waktu awal, namun, ini mungkin menunjukkan kelewatan yang besar, idealnya dalam hal apa pun adalah bahawa keadaan entiti seperti akaun, pelanggan, hutang, pembayaran, dll. disimpan dalam jadual sejarah untuk jangka masa yang signifikan mengikut frekuensi purata variasi (bulanan, dua minggu, setiap hari) dan dalam bentuk standard, namun dalam praktiknya maklumat ini dijumpai sebagai sebahagian daripada jadual yang digunakan untuk laporan pengurusan, yang telah melalui proses penyaringan, sehingga kehilangan koheren data sejarah dan perubahan keadaan mereka dari masa ke masa pada tahap semuanya perniagaan.
Dalam beberapa kes, disarankan untuk melakukan pengkomputeran ulang pangkalan data secara bebas pada tingkat transaksional, di mana perubahan dalam keadaan entiti dapat disimpan dengan cara yang bersih sebagai langkah sebelumnya untuk mempertimbangkan pengekstrakan data dari asalnya.
Kesalahan ke-6: Kegagalan untuk memupuk persekitaran kerjasama sepenuhnya antara DBA dan pasukan datawarehouse.
Semasa memulakan projek datawarehouse di sebuah syarikat, kawasan Pentadbir Pangkalan Data DBA biasanya sudah ada, jadi disarankan untuk membuat Area Datawarehouse pada tahap yang sama dengan DBA - dan bukan di bawah kendali DBA. Banyak DBA bertanggungjawab untuk menjaga pangkalan data untuk menyokong transaksi sehari-hari. Menciptakan platform alternatif yang mencukupi untuk pengembangan datawarehouse, mempunyai akses ke sumber maklumat domain datawarehouse secara langsung dan bukan sebagai perantara DBA, adalah salah satu faktor penting yang menyumbang kepada pembangunan projek yang lebih pantas dan itu bertujuan untuk berjaya.
Ralat ke-7: Kegagalan menggunakan metodologi spesifikasi keperluan yang sesuai untuk pengurusan.
Dalam aktiviti spesifikasi keperluan oleh pengguna pengurusan, tidak menggunakan metodologi yang memungkinkan pengguna untuk menyatakan keperluan mereka dengan mudah dan bersedia untuk maklum balas berikutnya adalah salah satu kesalahan yang sering terjadi.
Penggunaan prototaip disarankan, serta penyediaan dokumen spesifikasi fungsional untuk keperluan oleh bidang pengurusan.
Kesalahan ke-8: Ketidaktahuan rantai nilai, aliran maklumat dalam aktiviti perniagaan.
Mengenal pasti aktiviti yang merupakan faktor kejayaan kritikal, serta memerhatikan aliran aktiviti kompetensi pusat yang membolehkan produk atau perkhidmatan yang ditawarkan memberikan nilai kepada pelanggan, adalah tugas pengetahuan perniagaan yang tidak boleh dilalui oleh pereka datawarehouse memintas ini untuk memilih strategi pengembangan projek - berdasarkan model umum pengembangan datamart oleh proses atau bidang organisasi - yang memungkinkan menetapkan keutamaan sesuai dengan rancangan strategi syarikat.
Kesalahan ke-9: Tidak mempunyai perspektif integrasi dengan teknologi lain yang berkaitan.
Pangkalan teori yang kukuh dalam teknologi maklumat, dan pelbagai trend dan penyelesaian yang ada, akan memungkinkan pembangunan gudang data dengan visi untuk masa depan. Dalam perspektif ini, teknologi yang berkaitan adalah: OLAP yang memungkinkan analisis maklumat sejarah untuk menentukan corak tingkah laku, sebaliknya, pengkajian data yang memungkinkan penemuan corak tingkah laku tetapi secara automatik menggunakan model dan algoritma (keputusan pokok, kelompok, saraf rangkaian, logik kabur, regresi linear, dll.), Agak jauh adalah pelaksanaan kad skor seimbang korporat, di mana datawarehouse menyajikan maklumat dari petunjuk untuk jangka masa sejarah.
Kesalahan ke-10: Pengurusan projek yang tidak baik dan penghentian rancangan pembangunan projek.
Kapasiti pengurus projek terpapar dalam semua dimensi sebenarnya, baik dalam latihan teknikal dan manusia dan produk pengalaman dalam projek serupa. Pembangunan gudang data harus bersifat kitaran dan bertahap, dengan kegiatan analisis, reka bentuk, pengembangan, pengujian; tonggak berulang, cuba mengelakkan kerja berulang.
3. Kesimpulan
Artikel ini adalah sebahagian dari rangkaian artikel yang penulis sampaikan mengenai teknologi maklumat, terutama dalam artikel ini, memberikan senarai 10 kesalahan paling umum yang berlaku dalam pengembangan projek untuk membina gudang data korporat..
Asas teori di mana kelas projek ini didasarkan bermula dari konsep Pangkalan Data Maklumat Multidimensi (Ontologi, Model Data Konseptual, Tafsiran Semantik, Teori Set dan Hubungan), dari mana ia diharapkan dapat memperoleh maklumat yang tepat., tepat dan diringkaskan untuk analisis dan sokongan untuk membuat keputusan pengurusan.
Asas praktik diperoleh sebagai hasil penyertaan penulis dalam berbagai projek penyimpanan data di syarikat-syarikat komersial dan kewangan Peru yang penting, yang pengalamannya diresapi dalam artikel ini, dan disampaikan kepada pembaca sebagai alat untuk konsultasi dan teori-praktik., untuk kejayaan masa depan dalam membangunkan gudang data korporat anda.
4. Bibliografi
1. Membangun gudang data Pengarang WH Inmon Editorial John
Wiley & Sons, Inc. New York, NY, Amerika Syarikat 1996
2. Kit Alat Kitaran Hidup Gudang Data: Kaedah Pakar untuk Merancang, Membangun dan Menyebarkan Pengarang Gudang Data Ralph Kimball, Laura Reeves, Warren Thornthwaite, Margy Ross, Editor Warren Thornwaite John Wiley & Sons, Inc. New York, NY, Amerika Syarikat 1998
3. Algoritma Genetik untuk Pemilihan Pandangan Terwujud dalam Data
Warehouse Environments Editorial Springer Berlin / Heidelberg
1999
4. Pemodelan Gudang Data dan Isu Kualiti Pengarang: Panos Vassiliadis - Pengetahuan dan Sistem Pangkalan Data Bahagian Sains Komputer Makmal - Jabatan Kejuruteraan Elektrik dan Komputer - Universiti Teknikal Nasional Athens- Zographou 157 73, Athens, GREECE phd.pdf
5. Penyelenggaraan Paparan Gudang Data Menggunakan Piawaian
Pengarang: Mukesh Mohania, Kamal Karlapalem, Millist Vincent In D.
Ram, penyunting, Pengurusan Data, halaman 32–50. Springer Verlag, 1997.
6. Metodologi untuk reka bentuk gudang data: pemodelan konseptual Pengarang José María Cavero Universidad Rey Juan Carlos, Sepanyol, Esperanza Marcos Universidad Rey Juan Carlos, Sepanyol, Mario Piattini Universidad de Castilla-La Mancha, Sepanyol, Adolfo Sánchez Cronos Ibérica, SA, Sepanyol. Penerbit IRM Press Hershey, PA, Amerika Syarikat 2002
7. Strategi untuk Mengendalikan Kualiti Data dalam Sistem Gudang Data
1 / IQ01HelfertMaur.pdf
