3,6 Consulta e ferramentas de Análise

3,6 Consulta e ferramentas de Análise
3.6.1 Informes e Consultas
3.6.2 OLAP
3.6.3 paneis
3.6.4 Minería de Datos
3.6.4.1 Redes Neurais
3.6.4.2 Sistemas Expertos
3.6.4.3 Programación Xenética
3.6.4.4 Árbores de decisión
3.6.4.5 Detección de Desvío
3.6.5 EIS

3.6.Consulta e ferramentas de Análise

Figura 3.59: Ferramentas de consulta e análise.

As ferramentas de consulta e de análise son os sistemas que permiten que o usuario @ s @ s conducto de explotación dos datos de DW. Basicamente, constitúen o elo entre o usuario do data warehouse l @ s @ s.

Use os metadatos das estruturas de datos que foron creados anteriormente (cubos multidimensionais, Modelos de Negocios, etc) para moverse a través de consulta SQL l requisitos do usuario @ s @ s, e entón voltar o resultado.

Estas ferramentas poden usar enlaces simples de bases de datos (JNDI, JDBC ODBC) para obter as informacións desexadas.

A través dunha interface gráfica e unha serie de etapas, l @ s @ s os usuarios xeran consultas que son enviadas a partir da ferramenta de consulta e análise para Xerente de consultas, á súa vez, fai a extracción de información para o Xestor de DW e retorna os resultados obtida a ferramenta que é solicitado.Entón, eses resultados son expostos a l @ s @ s en formatos que os usuarios está familiarizado.

Este proceso é mellor comprendido observando a imaxe seguinte:

Figura 3.60: Proceso de Consulta e Análise.

O mesmo se realiza a través de seis etapas sucesivas:

  1. L usuario @ s @ s seleccionado ou querer volver aos datos DW través das interfaces da ferramenta que usa.
  2. A ferramenta recibe a orde de l usuario @ s @ s, construír a consulta (usando metadatos) e envía o Xestor de Consultas.
  3. O Xestor de Consultas executa a consulta sobre a estrutura de datos a ser procesado (cubo multidimensional, modelo de negocio, etc.)
  4. O Xerente de consulta recupera os resultados da consulta.
  5. O Xestor de Consultas envía os datos para a consulta e ferramenta de análise.
  6. A ferramenta presenta ao usuario @ s @ s a información necesaria.

Unha das principais vantaxes da utilización destas ferramentas é que l @ s @ s os usuarios non deben de preocuparse en coñecer as características e funcións das estruturas de datos utilizadas, nin saben como utilizar a linguaxe SQL, tes que concentrar na análise.

As ferramentas de consulta e análise, en xeral, comparten as características a seguir:

  • Accesibilidade: o acceso á información a través de varias estruturas de datos de forma transparente para o usuario @ s @ s de punta a est @ s concentrarse só na análise e non sobre a orixe e fonte de de datos.
  • Apoio á toma de decisións: elas permiten a explotación dos datos, para seleccionar, filtrar e personalizar-los para obter información oportunas, relevantes e útiles para apoiar o proceso de toma de decisións.
  • Orientación do usuario l @ s @ s final: deixar pasar ambiente agradable e intuitiva que l @ s @ s os usuarios poidan realizar análises e consultas, sen coñecemento técnico.Aínda que é importante son os propios datos, que poden ser interpretados e analizados por l @ s @ s usuarios dependerá en gran medida como presente e dispoñible.

Existen diferentes tipos de ferramentas de consulta e análise, e de acordo coa necesidade, tipo de usuario @ s os requisitos de información, debe seleccionar o máis adecuado para o caso.Entre eles están os seguintes:

  • Informes e consultas.
  • OLAP.
  • Dashboards.
  • Minería de datos.
  • Velaquí.

3.6.1. Informes e Consultas

Moitas ferramentas foron desenvolvidas para a produción de consultas e informes, que ofrecen ao usuario @ s @ s, a través de interfaces gráficas intuitivas, a capacidade de xerar informes e temas avanzados de interese de interese que esta análise.L @ ​​s @ s os usuarios deben só seguir algúns pasos simples, como seleccionar opcións do menú, prema este ou aquel botón para especificar os elementos de datos, condicións, criterios para a agrupación e outros atributos que se consideran significativos.

Actualmente, as ferramentas para xerar informes e consultas teñen moitos beneficios, que poden asumir varias formas e formatos de comunicación. Entre as opcións máis comúns son as seguintes:

  • Parametrización dos datos obtidos.
  • Selección de formatos de saída (folla de cálculo, HTML, PDF, etc.)
  • Incluíndo gráficos de pizza, barras, etc
  • Usando modelos de deseño dos fondos.
  • Incluíndo fotos.
  • formatos tipográficas.
  • Ligazóns a outros informes.

3.6.2.OLAP

Online Analytical Processing OLAP (On Line Analytic Processing) é o compoñente máis poderoso de Data Warehousing, e este é o mecanismo de consulta especializada repositorio.

ferramentas OLAP é unha tecnoloxía de software para análise en liña, xestión e execución de consultas, o que nos permite deducir información sobre o rendemento do negocio.

O seu principal obxectivo é proporcionar respostas rápidas a cuestións complexas, para interpretar a situación da empresa e tomar decisións.Débese notar que o realmente interesante na implantación OLAP non é simple consultas tradicionais, pero a posibilidade de operadores que utilicen como a broca-up, Drill-down, etc, para explorar a información de profundidade.

Ademais, a través destas ferramentas, pode analizar o negocio a partir de diferentes escenarios históricos, e traballo como se comportan, e evolucionar nun ambiente multidimensional, ou pola combinación de diferentes perspectivas, temas de interese ou dimensións. Isto nos permite deducir as tendencias, a través do descubrimento de relacións entre as perspectivasA primeira vista non se pode atopar facilmente.

ferramentas OLAP requiren que os datos sexan organizados en un depósito multidimensional, que se utilizan para cubos multidimensionais.

Ademais das características xa descritas, poden ser enumerados como segue:

  • Permite recoller e organizar a información necesaria para a análise do usuario @ l @ s que está dispoñible en varios formatos, como táboas, gráficos, informes, paneis, etc
  • Soporta análise complexa de grandes volumes de datos.
  • Complementa as outras ferramentas que requiren procesamento analítico en liña.
  • @ S Presentsuser @ s unha visión multidimensional dos datos (matriz) para cada elemento de interese comercial.
  • É transparente para o tipo de tecnoloxía que permite o DW ou ROLAP, MOLAP ou HOLAP.
  • Non hai limitacións en canto ao número de dimensións permitidas.
  • Permite que o usuario @ s @ s, analizar a información en base a criterios outros que a análise tradicional.
  • Tendo en grandes mostras, pode mellor explotar os datos en busca de respostas.
  • Permitir agregações e combinacións de datos complexos e específicos para realizar a análise estratéxica.

3.6.3.Dashboards

Os paneis poden ser entendidos como unha colección de informes, consulta interactiva e análise refírense a un tema específico e están interconectados.

Existen varias maneiras de crear un panel, cada un cos seus obxectivos particulares, senón como unha síntese mostraranse algunhas características xerais que tenden a ter:

  • Moi resumido información contida.
  • Eles consisten de consultas, informes, indicadores, análise de gráficos interactivos (pizza, barras, etc), semáforos, causa e efecto, etc
  • Para avaliar a situación da empresa con un só mirar.
  • Formato de ter un deseño moi impresionante visual.

3.6.4.Minería de Datos

Esta ferramenta é unha poderosa tecnoloxía con gran potencial que o axuda e apoia o usuario @ s @ s, que lles permitan analizar e extraer coñecementos ocultos e previsible a partir dos datos almacenados nun OLTP ou DW. Está claro que é desexable que a fonte da información é un DW, para todos os seus beneficios.

Integración en Data Warehouse permite que as decisións operacionais son aplicados e controlados directamente.

Implementación de Data Mining vai analizar factores que inflúen determinados procesos ou variables para prever ou estimarcomportamento futuro, segmento ou agrupación de elementos similares, ademais da obtención de secuencias de eventos que levan a comportamentos específicos.

Unha das principais vantaxes da minería de datos é que, como xa foi referido, recentemente, para inferir comportamentos, patróns, relacións e as estimacións dos datos para desenvolver previsións sobre o mesmo, sen necesidade de patróns predefinidos ou regras, permitir que as decisións pro-activa baseada nun coñecemento en profundidade da información.

Tamén ofrece a posibilidade de responder a preguntas difíciles sobre temas de interese, como o que está a suceder?, Por que? E o que s & Iaçuti;, estas cuestións aplicado a unha empresa podería ser: "¿Cal dos produtos desta marca e clase son best-sellers no norte do país o próximo semestre? e por que? Podes ver os resultados en informes tabulares, matrices, gráficos, cadros, etc

Despois, pode configurar Data Mining como unha técnica para descubrir patróns e relacións entre grandes cantidades de datos, que a primeira vista ou a través de outros tipos de análise non pode ser deducido, xa que tradicionalmente consumen moito tempo ou estaría aló das expectativas.

sistemas de minería de datos se desenvolven baixo as linguaxes de última xeración con base en Intelig³ artificial e uso de métodos matemáticos, tales como:

  • Redes Neurais.
  • Sistemas Expertos.
  • Programación Xenética.
  • Árbores de decisión.

Tamén permite operacións de análise máis sofisticados, como sistemas de puntuación, aplicacións, detección e desvío de Detección de Fraudes.

É moi importante notar que as ferramentas OLAP e informes e consultas, a análise comeza cunha pregunta ou unha hipótese xerada por l @ s @ s os usuarios, ao contrario de minería de datos pode xerar esas hipóteses.

Xeralmente, as ferramentas de minería de datos se integran as plataformas de hardware e software existentes (como DW) para aumentar o valor das fontes de datos en que pode ser integrado con novos produtos e sistemas en liña (como OLAP).Ademais, facer minería de datos nun data warehouse pode ter vantaxes inclúen os beneficios dos procesos de ETL e técnicas de limpeza de datos, conforme esixe neste tipo de análise.

3.6.4.1. Redes Neurais

Se usan para construír modelos non lineais de previsión que aprender a través de formación e semellan estrutura dunha rede neuronal biolóxica.

Unha rede neural é un modelo computacional con un conxunto de propiedades específicas, tales como a capacidade de adaptarse ou aprender, xeneralizar e organizar os datos, todos basados ​​en procesamento esencialmente paralelos.

Por exemplo, as redes neurais poden usarse para:

  • Resolver problemas en ámbitos complexos con variables continuas e categorías.
  • Modelo de relacións non lineais.
  • Clasificar e prever resultados.
3.6.4.2.Expert Systems

Un sistema experto pode ser definido como un sistema informático (hardware e software) que simula o experto @ s @ s @ s humano nunha determinada área de especialización.

A principal vantaxe destes sistemas é que l @ s @ s os usuarios con pouca experiencia pode resolver os problemas que esixen coñecemento dun experto sobre o tema.

Por exemplo, os sistemas expertos poden ser utilizados para:

  • As transaccións bancarias a través de caixas electrónicas.
  • Controlar e regular o fluxo de tráfico nas estradas e ferrocarrís, en funcionamento automático de luces.
  • Resolver problemas complexos de planificación que inclúe moitas variables.
  • Descubra as relacións entre diferentes conxuntos de variables.
3.6.4.3.Programación Xenética

O principal obxectivo da programación xenética é facer que ordenadores aprender a resolver problemas sen ser explicitamente programados para resolvelos los, xerando solucións baseadas en programas de indución.O verdadeiro valor da inducción baseado en que todos os problemas pode ser expresada como un programa de ordenador.

Por exemplo, a programación xenética é usada para:

  • Solución de problemas, que é difícil e antinatural tentar especificar ou restrinxir anticipadamente o tamaño ea forma dunha eventual solución.
  • Analizar os sistemas que operan en condicións inestables en ambientes mutáveis.
  • Xerar automaticamente programas que resolven problemas.
3.6.4.4. Árbores de decisión

Son estruturas en forma de árbore, que representan xogos de decisións.Estas decisións xeran regras para a clasificación dun conxunto de datos que explican o comportamento dunha variable en relación aos outros, e pode facilmente traducir-se en regras de negocio.

Son utilizados con fins de previsión e clasificación.

Por exemplo, árbores de decisión se pode empregar para:

  • Optimizar campaña respostas.
  • Identificar clientes potenciais.
  • Realizar avaliación de risco.
3.6.4.5. Desvío de Detección

Aborda unha serie de datos semellantes, e cando atopa un elemento que non se corresponde ao resto considerado un desvío.

Normalmente, para a detección de desviacións en grandes bases de datos mediante a información explícita externa para os datos e restricións de integridade ou patróns predefinidos.Nun método lineal, pola contra, focaliza o problema de dentro dos datos, utilizándose a redundancia implícita do mesmo.

Por exemplo, detección de desvío pode ser empregado para:

  • Descubra as excepcións aos modelos establecidos.
  • Delinear grupos atender ás condicións predefinidas.

3.6.5. Velaquí

Velaquí (Executive Information System) proporciona medios sinxelo de acceder, analizar e acceder a información de estado da empresa.Ademais, ofrece facilidades para l @ s @ s os usuarios poden obter rapidamente a información desexada, utilizando o menor tempo posible para comprender o uso da ferramenta.

Normalmente, EIS se usa para analizar indicadores de eficacia e rendemento da empresa ou área de interese a través da presentación de puntos de vista de datos simplificada, altamente consolidada e, preferentemente, en gran parte estático gráficos.

O concepto principal desta ferramenta baseada no simple feito de que executan l @ s @ s non teñen tempo, nin as competencias para analizar grandes cantidades de datos.

Como OLAP e Data Mining, o EIS pode aplicarse independentemente da plataforma de DW.Pero basear-se nun data warehouse para aplicar esta ferramenta, trae todas as vantaxes implícitas lo.