Descubre todo sobre bases de datos multidimensionales y Data Warehouses

Base de datos multidimensional: estructura, tablas de hechos y tablas de dimensiones

1. Una base de datos multidimensional almacena información en forma multidimensional a través de tablas de hechos y tablas de dimensiones.

2. Las tablas de dimensiones contienen datos cualitativos que representan los aspectos de interés para analizar el contexto del negocio.

3. La tabla de dimensión Tiempo es obligatoria en un DW y su estructuración depende de la dinámica del negocio.

4. La dimensión tiempo no es solo una secuencia cronológica, sino que mantiene niveles jerárquicos especiales que inciden en las actividades de la organización.

5. Las tablas de hechos contienen datos cuantitativos que son filtrados, agrupados y explorados a través de condiciones definidas en las tablas de dimensiones.

6. Los hechos son datos instantáneos en el tiempo que residen en una tabla de hechos y son utilizados para crear indicadores.

7. Existen dos tipos de hechos: básicos y derivados.

8. Las tablas de hechos agregadas y preagregadas se utilizan para almacenar un resumen de los datos en niveles de granularidad superior a los que inicialmente fueron obtenidos y/o gestionados.

9. Las tablas de hechos preagregadas son útiles para mejorar el rendimiento en consultas complejas y reducir el tiempo de respuesta.

10. Un cubo multidimensional representa los datos planos en una matriz de N dimensiones y es una de las estructuras de datos más utilizadas en un DW.

11. Los cubos multidimensionales permiten tener acceso flexible a los datos para explorar y analizar sus relaciones y resultados.

12. La estructura de datos multidimensional requiere que toda la estructura de datos esté desnormalizada o semi desnormalizada para agilizar la ejecución de consultas.Introducción al Data Warehouse y sus modelos de esquemas

13. Un Data Warehouse (DW) es una base de datos diseñada para el análisis de grandes cantidades de datos de una organización.

14. El DW se compone de dos tipos de tablas: las tablas de dimensiones y las tablas de hechos.

15. Las tablas de dimensiones contienen información descriptiva, mientras que las tablas de hechos contienen información numérica.

16. Las tablas de dimensiones se relacionan con las tablas de hechos mediante una clave.

17. Los cubos multidimensionales están compuestos por dimensiones o ejes, y la intersección de las mismas representa el valor que tomará el indicador que se está evaluando.

18. Los indicadores son resúmenes efectuados sobre algún hecho o expresiones basados en resúmenes.

19. Los atributos constituyen los criterios de análisis que se utilizarán para analizar los indicadores dentro de un cubo multidimensional.

20. Una jerarquía representa una relación lógica entre dos o más atributos pertenecientes a un cubo multidimensional.

21. La granularidad representa el nivel de detalle al que se desea almacenar la información sobre el negocio que se esté analizando.

22. Los modelos de esquemas de DW más utilizados son el esquema en estrella, el esquema copo de nieve y el esquema constelación.

23. Los OLTP son diseñados para soportar el procesamiento de información diaria de las empresas, mientras que el DW está diseñado para el análisis de grandes cantidades de datos.

24. El esquema en estrella es el más simple de interpretar y optimiza los tiempos de respuesta ante las consultas de los usuarios.Diferencias entre entornos de bases de datos transaccionales y de data warehouse

25. Los entornos de bases de datos transaccionales están diseñados para procesos diarios, mientras que los de data warehouse son para análisis estratégicos y tácticos de alto nivel.

26. La estructura de los entornos de bases de datos transaccionales es ideal para el proceso transaccional diario y consultas sobre los datos cargados.

27. Los esquemas de data warehouse están diseñados para llevar a cabo procesos de consulta y análisis para tomar decisiones estratégicas y tácticas de alto nivel.

28. Los entornos de bases de datos transaccionales tienen un alto nivel de concurrencia, mientras que los de data warehouse tienen un bajo nivel de concurrencia.

29. En los entornos de bases de datos transaccionales, los datos se actualizan constantemente, mientras que en los de data warehouse, los datos se actualizan periódicamente.

30. Los entornos de bases de datos transaccionales suelen tener un tamaño de datos más pequeño que los de data warehouse.

31. La velocidad de respuesta en los entornos de bases de datos transaccionales es más importante que en los de data warehouse.

32. Los entornos de bases de datos transaccionales requieren una estructura de índices compleja para soportar el alto nivel de concurrencia.

33. Los entornos de bases de datos transaccionales son más adecuados para aplicaciones de negocio en tiempo real.

34. Los entornos de data warehouse son más adecuados para aplicaciones de análisis de negocio y minería de datos.

35. Los entornos de data warehouse requieren una estructura de datos más compleja para soportar consultas y análisis complejos.

36. Los entornos de data warehouse son más adecuados para la toma de decisiones basadas en datos a largo plazo.