Modelo de almacén de datos de Ralph Kimball

Presentación del modelo de almacén de datos ascendente por Ralph Kimball. Es un conocido autor y experto en el campo de los almacenes de datos. Es partidario de un enfoque ascendente para el diseño de almacenes de datos. Este método se denomina Diseño ascendente.

Como en otros métodos, el enfoque ascendente crea tiendas de datos (Datamarts). Para proporcionar una capacidad de información y análisis dedicada a procesos empresariales específicos. Por lo tanto, es más fácil de usar que los complejos almacenes de datos.

Definición del modelo de almacén de datos ascendente de Ralph Kimball

En la metodología de Ralph Kimball, el proceso ascendente es el resultado de un estudio inicial. Se centra en un análisis de los procesos de negocio relevantes que hay que modelar.

Ralph Kimball es famoso por su excelente libro The Microsoft Data Warehouse Toolkit.

Y por ser el fundador del Grupo Kimball.

Modelización de almacenes de datos con tiendas de datos especializadas

En primer lugar, las tiendas de datos contienen las dimensiones de los ejes de análisis y los hechos o medidas. Los hechos contienen datos atómicos, es decir, a un nivel fino, o datos agregados. A menudo modelan un área de actividad muy específica, como las ventas o la producción.

Estos almacenes de datos pueden integrarse con una solución de inteligencia empresarial para crear un almacén de datos completo.

Esta integración entre diferentes almacenes de datos se realiza mediante lo que Kimball denomina arquitectura de bus de almacén de datos. Sólo una colección de dimensiones conformes permite esta integración.

Se trata de dimensiones que se comparten (de manera específica) entre dos o más depósitos de datos. Permiten el análisis cruzado entre múltiples dominios empresariales u operativos.

La modelización ascendente de Ralph Kimball permite el Drill Across

En segundo lugar, las dimensiones conformadas que representan puntos de entrada entre los mercados de datos permiten la integración de datos cruzados.

La integración real de dos o más Data Marts se consigue entonces mediante un proceso denominado «Drill Across». Se trata de una perforación lateral que agrupa datos funcionales diferentes, pero con el mismo nivel de granularidad. Por tanto, utiliza las mismas dimensiones.

Las dimensiones que se suelen utilizar por ser transversales a la empresa son, por ejemplo, los ejes

Tiempo
Clientes
Productos
Mantener una gestión precisa de la arquitectura del almacén de datos es esencial para la integridad de los datos. La tarea de gestión más importante es garantizar la compatibilidad de las dimensiones entre los data marts. Permitir las actualizaciones en paralelo.

Algunos analistas creen que la segmentación del almacén de datos es una ventaja del método Kimball. Esto se hace en unos pocos Data Marts lógicos y coherentes, en lugar de en un modelo grande, centralizado y a menudo complejo.

Una vista de silo conectada que apoya las iteraciones del proyecto de BI

En tercer lugar, otra ventaja es el análisis de los datos de la empresa en cuanto se crean las primeras tiendas de datos. El método también permite un enfoque exploratorio e iterativo en la construcción del almacén.

Por ejemplo, aprovechar el esfuerzo para desarrollar la carga de datos para las ventas, con un almacén de datos específico como el de producción y existencias.

El resto del proyecto de BI puede continuar para la producción, un análisis conjunto puede destacar la correlación entre la capacidad de producción y las ventas diarias.

Esta visión de Ralph Kimball del mundo del BI es por tanto muy propicia para las iteraciones y permite la producción de proyectos de BI dominio por dominio.

Para saber más sobre los proyectos de Business Intelligence, consulte este artículo sobre la definición de los sistemas de apoyo a las decisiones.

Aquí hay un tutorial sobre cómo calcular el valor del último mes con Power BI.

Be the first to comment

Leave a Reply

Tu dirección de correo no será publicada.


*