6 Architetture e paradigmi per lanalisi dei dati

6. Architetture e paradigmi per l’analisi dei dati

SOMMARIO • • Sistemi informativi direzionali Sistemi informativi e data warehouse Architettura di un Data Warehouse Analisi multidimensionale Implementazione di un Data Warehouse Indici per il Data Warehouse Progetto di un Data Warehouse Knowledge Discovery in database 2

SISTEMI INFORMATIVI DIREZIONALI 3

Modello aziendale 4

Scambio di Informazioni tra livelli • Il livello direzionale si occupa di quelle attività necessarie alla definizione degli obiettivi da raggiungere ed alle azioni, eventualmente correttive, da intraprendere perseguirli. • Il livello operativo viceversa si occupa delle attività attraverso cui l’azienda produce i propri servizi e prodotti. • il livello direzionale fornisce informazioni sulle strategie da seguire al livello operativo al fine di perseguire gli obiettivi aziendali. • il livello operativo fornisce a sua volta al livello direzionale informazioni sui risultati raggiunti. 5

Tipi di sistemi direzionali la pianificazione strategica determina gli obiettivi generali dell’azienda il controllo direzionale definisce traguardi economici ovvero risultati da conseguire a medio termine e loro verifica il controllo operativo assicura che le attività procedano nel modo prefissato. 6

Tipologia delle informazioni • I sistemi direzionali trattano informazioni fortemente aggregate • Essi infatti devono fornire ai dirigenti aziendali dati sintetici - indicatori gestionali - quali medie, ricavi globali, che possano quantizzare l’andamento dell’azienda in certi intervalli temporali. 7

INDICATORI – MISURE - FONTI Indicatore 1 Misura 1 Fonte 1 Indicatore 2 Misura 2 Fonte 2 . . Indicatore n Misura p Fonte m 8

Dimensioni di analisi delle informazioni aziendali • • • L’analisi delle prestazioni aziendali può inoltre essere condotta in diverse dimensioni: la dimensione tempo ; la dimensione prodotto : finalizzata all’analisi di costi e ricavi (i quali sono evidentemente indicatori contabili o monetari); la dimensione processi : finalizzata al controllo di indicatori di efficienza ed efficacia come la tempestività; la dimensione responsabilità : ad ogni centro così come indicato dall’organigramma aziendale possono essere associati alcuni indicatori che forniscono dei rendiconti sulle prestazioni dei singoli dirigenti; la dimensione cliente : al fine di analizzare redditività, volume di affari e bacino di utenza. 9

CRITICAL SUCCESS FACTORS • Nel metodo dei CSF (Critical Success Factor) l’analista, mediante opportune interviste ai manager aziendali interessati al sistema, individua quali siano le aree in cui essi ritengono necessario eccellere per il successo nel business. • Queste aree costituiranno i CSF ai quali vengono abbinati opportuni indici di prestazione Sarà quindi compito del progettista selezionare gli indicatori ritenuti migliori sulla base di alcuni criteri: – Semplicità: è opportuno selezionare indicatori ricavabili da algoritmi semplici. – Costo dell’informazione: inteso come costo per produrre un certo indicatore. – Frequenza: inteso come tasso di campionamento dell’indicatore. – Strutturazione dell’informazione. 10

CSF SETTORE PRODUZIONE AZIENDA X 11

KEY PERFORMANCES INDICATORS • Nel metodo dei KPI (Key Performances Indicators) l’analisi è rivolta alla determinazione di indicatori globali quali efficienza, qualità e servizi. • Indicatori di efficienza: misurano la produttività e i costi di alcuni processi aziendali di interesse. • Indicatori di qualità: misurano la conformità degli output del processo di trasformazione alle attese del cliente (un esempio sono gli scarti) • Indicatori di servizio: misurano i tempi di risposta dell’azienda (time to market) 12

ESAME DI COPERTURA DEI CSF • I parametri individuati con i due metodi possono essere incrociati al fine di verificare che i processi aziendali siano monitorati attraverso indicatori correlati alle aree di successo aziendale critiche. • Qualora si dovessero trovare dei CSF di rilievo scoperti vanno introdotti altri indicatori atti a coprirli, viceversa in presenza di ridondanze è possibile decidere di selezionare opportunamente degli indicatori rispetto ad altri. 13

LA STRUTTURA INFORMATICA DEL SID Il sottosistema front-end comprende tutte quelle elaborazioni necessarie alla presentazione delle informazioni utili all’utente finale. Il sottosistema back-end provvede ad alimentare automaticamente la base dati direzionale in maniera periodica estraendo le informazioni di interesse per il SIA. 14

Struttura dettagliata dei SID 15

SISTEMI INFORMATIVI E DATA WAREHOUSE 16

Motivazioni del DW • I sistemi informativi permettono di aumentare la produttività delle organizzazioni automatizzando in maniera integrata la gestione operativa e quotidiana dei processi di business. • I dati ad essi connessi — se adeguatamente accumulati e analizzati — possono essere utilizzati per la pianificazione e il supporto alle decisioni • In particolare, da una corretta gestione dei dati storici l’azienda può conseguire un grande vantaggio competitivo. 17

Sistemi di “business intelligence” • I sistemi di business Intelligence (BI) costituiscono la tecnologia che supporta la dirigenza aziendale nel prendere decisioni operative, tattiche e/o strategiche in modo efficace e veloce. • Ma come? . . . – mediante particolari tipologie di elaborazioni dette “analitiche” che usano in maniera integrata i dati dell’organizzazione combinati con eventuali dati esterni • Operando su quali dati? … – quelli accumulati dai processi operativi e gestionali 18

Tipi di elaborazione • Nei Transaction Processing Systems: – On-Line Transaction Processing • Nei Business Intelligence Systems: – On-Line Analytical Processing 19

OLTP • Tradizionale elaborazione di transazioni, che realizzano i processi operativi dell’azienda o ente. – Operazioni predefinite, brevi e relativamente semplici – Ogni operazione coinvolge “pochi” dati – Dati di dettaglio, aggiornati – Le proprietà “acide” (atomicità, correttezza, isolamento, durabilità) delle transazioni sono essenziali 20

OLAP • Elaborazione di operazioni per il supporto alle decisioni – – Operazioni complesse e casuali Ogni operazione può coinvolgere molti dati Dati aggregati, storici, anche non attualissimi Le proprietà “acide” non sono rilevanti, perché le operazioni sono di sola lettura 21

OLTP e OLAP OLTP OLAP Utente impiegato dirigente Funzione operazioni giornaliere supporto alle decisioni Progettazione orientata all'applicazione orientata ai dati Dati correnti, aggiornati, storici, aggregati, omogenei eterogenei Uso dettagliati, relazionali, ripetitivo multidimensionali, casuale Accesso read-write, indicizzato read, sequenziale Unità di lavoro transazione breve interrogazione complessa Record acc. decine milioni N. utenti migliaia centinaia Dimensione 100 MB - 1 GB 100 GB - 1 TB Metrica throughput tempo di risposta 22

OLTP e OLAP • I requisiti sono quindi contrastanti • Le applicazioni dei due tipi possono danneggiarsi a vicenda 23

Separazione degli ambienti OLTP OLAP Base di dati Data Warehouse APPLICAZIONE OLTP APPLICAZIONE OLAP UTENTI FINALI (Transazioni) ANALISTI (Query complesse) 24

Data warehouse Una base di dati – orientata al soggetto dell’elaborazione: il dirigente aziendale – integrata — aziendale e non dipartimentale – con dati storici — con un ampio orizzonte temporale, e indicazione (di solito) di elementi di tempo – con dati usualmente aggregati — per effettuare stime e valutazioni – fuori linea e a sola lettura— i dati sono aggiornati periodicamente e sono solo interrogati – mantenuta separatamente dalle basi di dati operazionali 25

. . . orientata al soggetto. . . • E’ una collezione di dati orientata al soggetto dell’elaborazione che è un dirigente aziendale che deve perseguire i suoi CSF. 26

. . . integrata. . . • I dati di interesse provengono da tutte le sorgenti informative — ciascun dato proviene da una o più di esse • Il data warehouse rappresenta i dati in modo univoco — riconciliando le eterogeneità dalle diverse rappresentazioni – – nomi struttura codifica rappresentazione multipla 27

problematiche di integrazione 28

. . . dati storici. . . • Le basi di dati operazionali mantengono il valore corrente delle informazioni – L’orizzonte temporale di interesse è dell’ordine dei pochi mesi • Nel data warehouse è di interesse l’evoluzione storica delle informazioni – L’orizzonte temporale di interesse è dell’ordine degli anni 29

con fissato arco temporale • Tutti i dati contenuti in un data warehouse si riferiscono ad un preciso arco temporale. • Un DWH rappresenta dati in genere su un lungo periodo (ad esempio cinque, dieci anni) rispetto ai dati contenuti in un data base operativo validi e consistenti per un periodo molto più corto ( ad es. giorni o settimane). • Ogni struttura di base in un DWH contiene implicitamente o esplicitamente un riferimento ad un valore temporale contenuto nella tabella dei tempi la quale ricordiamo rappresenta per gli utenti direzionali una dimensione di analisi. 30

. . . dati aggregati. . . • Nelle attività di analisi dei dati per il supporto alle decisioni – non interessa “chi” ma “quanti” – non interessa un dato ma • la somma, la media, il minimo e il massimo, . . . di un insieme di dati • Le operazioni di aggregazione sono quindi fondamentali nel warehousing e nella costruzione/mantenimento di un data warehouse. 31

. . . fuori linea. . . • In una base di dati operazionale, i dati vengono – acceduti – inseriti – modificati – Cancellati pochi record alla volta • Nel data warehouse, abbiamo – operazioni di accesso e interrogazione — “diurne” – operazioni di caricamento e aggiornamento dei dati — “notturne” che riguardano milioni di record 32

con operazioni a sola lettura • Dal punto di vista delle operazioni consentite su un DWH a differenza dei dati di un data base tradizionale che possono essere inseriti, modificati ed acceduti, i dati di un DWH possono essere solo caricati ed acceduti poiché essi rappresentano successive istantanee della realtà elaborativa. 33

. . . mantenuta separatamente. . . • Diversi motivi: – non esiste un’unica base di dati operazionale che contiene tutti i dati di interesse – la base di dati deve essere integrata – non è tecnicamente possibile fare l’integrazione in linea – i dati di interesse sarebbero comunque diversi • devono essere mantenuti dati storici e aggregati – l’analisi dei dati richiede per i dati organizzazioni speciali e metodi di accesso specifici – degrado generale delle prestazioni senza la separazione 34

SISTEMI OPERATIVI E SISTEMI “DATA WAREHOUSING” 35

ARCHITETTURA PER IL DATA WAREHOUSING 36

Architettura per il data warehousing Metadati Sorgenti esterne Analisi dimensionale ETL Basi di dati operazionali Data Warehouse Data mining Data Mart Sorgenti informative Strumenti di analisi 37

Sorgenti informative • i sistemi operazionali dell’organizzazione – sono sistemi transazionali (OLTP) orientati alla gestione dei processi operazionali – non mantengono dati storici – ogni sistema gestisce uno o più soggetti (ad esempio, prodotti o clienti) – sono spesso sistemi “legacy” • sorgenti esterne – ad esempio, dati forniti da società specializzate di analisi 38

Alimentazione del data warehouse Attività necessarie ad alimentare un data warehouse (si parla di strumenti ETL): – Estrazione (Extraction) — accesso ai dati nelle sorgenti – Pulizia (Cleaning) —rilevazione e correzione di errori e inconsistenze nei dati estratti – Trasformazione (transformation) —trasformazione di formato, correlazione con oggetti in sorgenti diverse – Caricamento (Loading) — con introduzione di informazioni temporali e generazione dei dati aggregati I metadati sono informazioni mantenute a supporto di queste attività 39

Metadati • "Dati sui dati": – descrizioni logiche e fisiche dei dati (nelle sorgenti e nel DW) – corrispondenze e trasformazioni – dati quantitativi • Spesso sono non dichiarativi e immersi nei programmi 40

Data Warehouse Server • Sistema dedicato alla gestione del warehouse • Può basarsi su diverse tecnologie – ROLAP • i dati sono memorizzati in DBMS relazionali (schemi a stella) – MOLAP • I dati sono memorizzati in forma multidimensionale tramite speciali strutture dati tipicamente proprietarie – i produttori di RDBMS stanno iniziando a fornire estensioni OLAP ai loro prodotti 41

Strumenti di analisi • Consentono di effettuare analisi dei dati utilizzando il Data Warehouse server e offrono interfacce amichevoli per presentare, in forma adeguata e facilmente comprensibile, i risultati delle analisi • Due principali tipologie di analisi (e quindi di strumenti) – Analisi multidimensionale – Data mining 42

Data mart • Un sottoinsieme logico dell’intero data warehouse – un data mart è la restrizione del data warehouse a un singolo problema di analisi – un data warehouse è l’unione di tutti i suoi data mart – un data mart rappresenta un progetto fattibile • la realizzazione diretta di un data warehouse completo non è invece solitamente fattibile 43

Variante dell’architettura Monitoraggio & Amministrazione Metadati Sorgenti esterne Analisi dimensionale Basi di dati operazionali Data mining Sorgenti dei dati Data Mart Strumenti di analisi 44

Visualizzazione dei dati • I dati vengono infine visualizzati in veste grafica, in maniera da essere facilmente comprensibili. • Si fa uso di: – – – – tabelle istogrammi grafici torte superfici 3 D bolle … 45

Visualizzazione finale di un’analisi 46

ANALISI MULTIDIMENSIONALE 47

Rappresentazione multidimensionale • L’analisi dei dati avviene rappresentando i dati in forma multidimensionale • Concetti rilevanti: – fatto — un concetto sul quale centrare l’analisi – misura — una proprietà atomica di un fatto – dimensione — descrive una prospettiva lungo la quale effettuare l’analisi • Esempi di fatti/misure/dimensioni – vendita/quantità, incasso/prodotto, luogo, tempo – telefonata/costo, durata/chiamante, chiamato, tempo 48

Rappresentazione multidimensionale dei dati Luogo (negozio) VENDITE Milano-2 Milano-1 Roma-2 Roma-1 Lettori DVD Televisori Quantità, incasso Lettori CD Articolo (prodotto) Videoregistratori 1 trim. 2003 2 trim. 2003 3 trim. 2003 4 trim. 2003 Tempo (trimestre) 49

Dimensioni e gerarchie di livelli Ciascuna dimensione è organizzata in una gerarchia che rappresenta i possibili livelli di aggregazione per i dati. regione anno provincia trimestre città negozio Luogo categoria marca prodotto Articolo mese giorno Tempo 50

Operazioni su dati multidimensionali – Slice & dice — seleziona e proietta – Roll up — aggrega i dati • volume di vendita totale dello scorso anno per categoria di prodotto e regione – Drill down — disaggrega i dati • per una particolare categoria di prodotto e regione, mostra le vendite giornaliere dettagliate per ciascun negozio – (Pivot — re-orienta il cubo) 51

Slice and dice Il manager regionale esamina la vendita dei prodotti in tutti i periodi relativamente ai propri mercati Il manager finanziario esamina la vendita dei prodotti in tutti i mercati relativamente al periodo corrente e quello precedente Luogo Articolo Tempo Il manager di prodotto esamina la vendita di un prodotto in tutti i periodi e in tutti i mercati Il manager strategico si concentra su una categoria di prodotti, una area e un orizzonte temporale 52

Risultato di slice and dice (Selezione del prodotto DVD e proiezione) LETTORI DVD 1 trim. 03 2 trim. 03 3 trim. 03 4 trim. 03 Roma-1 38 91 66 198 Roma-2 155 219 248 265 Milano-1 121 273 266 326 Milano-2 222 155 200 53

Roll-up (Selezione del prodotto DVD ed aggregazione rispetto alla dimensione luogo) LETTORI DVD 1 trim. 03 2 trim. 03 3 trim. 03 4 trim. 03 Roma 193 310 314 463 Milano 343 395 421 526 54

Altra operazione di roll-up (Aggregazione rispetto alla dimensione luogo) VENDITE TRIM. 1 trim. 03 Lettori DVD Televisori 536 567 2 trim. 03 705 716 3 trim. 03 4 trim. 03 735 606 989 717 Lettori CD 187 155 186 226 Videoregistratori 175 191 202 319 55

Drill-down (Disaggregazione rispetto alla dimensione tempo) Vendite Mensili Gen Feb 03 03 Mar 03 Apr 03 Mag 03 Giu … 03 Lettori DVD 165 178 193 205 244 256 … Televisori 154 201 212 245 255 216 … Lettori CD 54 88 45 24 65 66 … Videoregistratori 56 64 55 52 64 75 … 56

IMPLEMENTAZIONE DI UN DATA WAREHOUSE 57

Implementazione MOLAP • I dati sono memorizzati direttamente in un formato dimensionale (proprietario). Le gerarchie sui livelli sono codificate in indici di accesso alle matrici 58

Implementazione ROLAP: “schemi” dimensionali • Uno schema dimensionale (schema a stella) è composto da – una tabella principale, chiamata tabella fatti • memorizza i fatti e le sue misure – Le misure più comuni sono numeriche, continue e additive – due o più tabelle ausiliarie, chiamate tabelle dimensione • una tabella dimensione rappresenta una dimensione rispetto alla quale è interessante analizzare i fatti – memorizza i membri delle dimensioni ai vari livelli – Gli attributi sono solitamente testuali, discreti e descrittivi 59

Schema a stella Tempo Codice. Tempo Giorno Mese Trimestre Anno Luogo Codice. Luogo Negozio Indirizzo Città Provincia Regione Vendite Codice. Tempo Codice. Luogo Codice. Articolo Codice. Cliente Quantità Incasso Articolo Codice. Articolo Descrizione Marca Categoria Cliente Codice. Cliente Nome Cognome Sesso Età Professione 60

Schema a fiocco di neve Articolo Tempo Mese Trimestre Anno Giorno Mese Luogo Regione Codice. Articolo Descrizione Marca Codice. Tempo Codice. Luogo Negozio Indirizzo Codice Città Codice. Regione Categoria Codice categoria Vendite Codice. Tempo Codice. Luogo Codice. Articolo Codice. Cliente Quantità Incasso Cliente Codice cliente Nome Cognome Sesso Età Professione 61

Data. Cube? Una possibile istanza 62

Caratteristiche di uno schema dimensionale • Una tabella dimensione memorizza i membri di una dimensione – la chiave primaria è semplice – gli altri campi memorizzano i livelli della dimensione – tipicamente denormalizzata • La tabella fatti memorizza le misure (fatti) di un processo – la chiave è composta da riferimenti alle chiavi di tabelle dimensione – gli altri campi rappresentano le misure – è in BCNF 63

Esempio SELECT A. Categoria, T. trimestre, sum(V. Quantita) FROM Vendite as V, Articolo as A, Tempo as T WHERE V. Codice. Articolo = A. Codice. Articolo and V. Codice. Tempo = T. Codice. Tempo and T. Anno = 2003 GROUP BY A. Categoria, T. trimestre ORDER BY A. Categoria, T. trimestre 64

Additività dei fatti • Un fatto è additivo se ha senso sommarlo rispetto a ogni possibile combinazione delle dimensioni da cui dipende – l’incasso è additivo perché ha senso calcolare la somma degli incassi per un certo intervallo di tempo, insieme di prodotti e insieme di negozi – l’additività è una proprietà importante, perché le applicazioni del data warehouse devono solitamente combinare i fatti descritti da molti record di una tabella fatti 65

FORMATO DELLE INTERROGAZIONI DI ROLL-UP • Le interrogazioni assumono solitamente il seguente formato standard SELECT D 1. L 1, . . , Dn. Ln, Aggr 1(F. M 1), . . , Aggrk(F. Ml) FROM Fatti as F, Dimensione 1 as D 1, . . , Dimensione. N as Dn WHERE Join-predicate(F, D 1) and. . and Join-predicate(F, Dn) and selection-predicate GROUP BY D 1. L 1, . . . , Dn. Ln ORDER BY D 1. L 1, . . . , Dn. Ln 66

DATA CUBE SELECT Citta, Categoria, count(Quantita) as Vendite. CC FROM Vendite as V, Articolo as A, Luogo as L WHERE V. Codice. Articolo = A. Codice. Articolo and V. Codice. Luogo = L. Codice. Luogo GROUP BY CUBE(Citta, Categoria) 67

Possibile risultato del data cube 68

GROUP BY ROLL UP SELECT Citta, Categoria, count(Quantita) as Vendite. CC FROM Vendite as V, Articolo as A, Luogo as L WHERE V. Codice. Articolo = A. Codice. Articolo and V. Codice. Luogo = L. Codice. Luogo GROUP BY ROLLUP(Citta, Categoria) 69

Possibile risultato 70

INDICI PER IL DATA WAREHOUSE 71

Motivazioni • A causa della complessità delle elaborazioni direzionali, è necessario massimizzare la velocità di esecuzione delle interrogazioni OLAP ; l’impiego di indici quindi assume un’importanza primaria. • L’aggiornamento periodico del DW consente di ristrutturare gli indici ogni volta che si effettua il “refresh”. 72

Query OLAP e indici • Analizzando la struttura delle query OLAP è possibile affermare che gli indici vanno costruiti su: – Attributi non chiave delle “Tabelle dimensione” al fine di accelerare le operazioni di selezione. – Chiavi esterne (importate) della “Tabella Fatti” per accelerare l’esecuzione dei join. – Sebbene meno efficaci, si può pensare di costruire indici sulle misure della “ Tabella Fatti” con predicati di selezione su tali valori • Esempio : “Indicare tutte le vendite con quantitativi superiori a 1. 000. ” 73

Indice Bitmap Viene posto su un attributo e: • E’ composto da – una matrice binaria con • tante colonne quanti sono i possibili valori dell’ attributo • tante righe quante sono le ennuple della relazione • Per ogni possibile valore un bit (T/F) indica se il corrispondente record ha quel valore. 74

Esempio • Indice Bitmap sull’attributo Posizione di una tabella Impiegati. – i possibili valori sono: ´Ingegnere´ - ´Consulente´ - ´Manager´ - ´Programmatore´ ´Segretario´ - ´Ragioniere´ 0 1: T = Vero 0: F = Falso 75

Indici Bitmap: implementazione nel DW • Generalmente, le bitmap sono associate ad un albero B-tree : – la radice ed i nodi intermedi sono simili ad indici tradizionali – Le foglie invece contengono per ciascun valore dell’indice un vettore i cui bit sono posti ad uno in corrispondenza delle tuple che contengono quel valore a zero altrimenti • Algoritmo – – Discendi il B + tree. Carica l’array binario corrispondente al valore dell’indice. Determina quali bit sono alti. Trova tutte le tuple corrispondenti. 76

Considerazioni sulle bitmap • Vantaggioso nel caso di attributi con pochi valori differenti (indici con piccolo ingombro). • Ottimo per query che non necessitano di accedere al file dati. • Possibilità di utilizzare operatori binari di livello basso – per l’esecuzione dell’elaborazione dei predicati. 77

esempio • “Quanti maschi in California non sono assicurati? ” 78

Svantaggi • Gli indici BITMAP presentano forti limiti quando per un attributo siano possibili un elevato numero di valori differenti. – Infatti è necessario utilizzare una diversa colonna per ogni possibile valore. • Non sono indicati quando la tabella subisce frequenti modifiche: – Nel nostro caso le modifiche si ottengono solo al refresh quando è già prevista una ristrutturazione. 79

Svantaggi (2) • Quando il numero di valori possibili è molto alto la matrice di bit che ne deriva è estremamente sparsa. – NOTA: Alcune versioni permettono di comprimere la matrice di bit al fine diminuirne la dimensione. 80

Join Index • L’esecuzione di query su schemi a stella richiede spesso di eseguire join su più tabelle. • Gli indici che risultano più utili in questi casi sono i Join Index. – Questi vengono creati identificando in anticipo le tuple che soddisfano il predicato di join. 81

esempio Tabella indice ØLa tabella indice individua le tuple per cui Vendite. ID_Negozi = Negozi. ID_Negozi ØPer verificare le tuple che soddisfano il predicato di join non è più necessario scandire le tuple delle due relazioni 82

Join index: implementazione nel DW • Gli indici di join vengono costruiti sulle chiavi delle tabelle dimensioni. • Contengono nelle foglie del B-tree per ogni valore dell’indice, invece dei puntatori alle tuple delle dimensioni, puntatori agli insiemi di tuple delle tabelle dei fatti che contengono quel valore di chiave. 83

Star Join Index • Il “Join Index” calcola in anticipo il join tra un fatto ed una dimensione: lo “Star Join index” estende il join index a più tabelle dimensionali. • Concatena colonne relative a più dimensioni ottenendo una tabella di join più complessa. 84

Ovvero … Tabella Indice 85

Indici Bitmap e di Join: costi e benefici • I costi sono dovuti alla necessità di costruire e memorizzare persistentemente gli indici bitmap e di join • I benefici sono legati al loro uso effettivo da parte del Server del DW per la risoluzione delle interrogazioni 86

PROGETTO DI UN DATA WAREHOUSE 87

Progetto di un DWH Input Esigenze OLAP Analisi sorgenti Integrazione Dati OLTP Altre sorgenti Selezione delle sorgenti informative Traduzione in modello E/R comune Integrazione degli schemi E/R Identificazione di fatti, misure e dimensioni Ristrutturazione dello schema concettuale Progettazione Derivazione di un grafo dimensionale Progettazione logica multidimensionale Progettazione fisica relazionale a stella 88

Informazioni in ingresso • Le informazioni in ingresso necessarie alla progettazione di un data warehouse – requisiti dell’analisi — le esigenze aziendali di analisi dati (OLAP) – basi di dati aziendali — con una documentazione sufficiente per la loro comprensione (OLTP) – altre sorgenti informative — l’analisi richiede spesso la correlazione con dati non di proprietà dell’azienda ma comunque da essa accessibili — ad esempio, dati ISTAT o sull’andamento dei concorrenti 89

Analisi sorgenti informative • Selezione delle sorgenti informative – analisi preliminare del patrimonio informativo aziendale – correlazione del patrimonio informativo con i requisiti – identificazione di priorità tra schemi • Traduzione in un modello di riferimento – attività preliminare alla correlazione e all’integrazione di schemi — si svolge con riferimento a schemi concettuali E/R 90

. . . se non sono disponibili schemi E/R • Si applica l’attività di comprensione concettuale di uno schema di dati attraverso la rappresentazione dello schema relazionale mediante il modello E/R. • Uno schema ER è più espressivo di uno schema relazionale • L’attività descritta è detta di “reverse engineering” di schemi relazionali ed è svolta in maniera semiautomatica da appositi strumenti di progettazione CASE. 91

Integrazione di sorgenti informative • L’integrazione di sorgenti informative è l’attività di fusione dei dati rappresentati in più sorgenti in un’unica base di dati globale che rappresenta l’intero patrimonio informativo aziendale • L’approccio è orientato alla identificazione, analisi e risoluzione di conflitti — terminologici, strutturali, di codifica • L’integrazione delle sorgenti informative produce una descrizione globale del patrimonio informativo aziendale. 92

• Integrazione di schemi di sorgenti informative orientata all’analisi e risoluzione di conflitti tra schemi ovvero di rappresentazioni diverse di uno stesso concetto 93

Integrazione di sorgenti informative • L’integrazione di sorgenti informative è guidata da quella dei loro schemi – ma è necessario risolvere anche i conflitti relativi alla codifica delle informazioni – un attributo “sesso” può essere rappresentato • Con un carattere - M/F • Con una cifra - 0/1 • Implicitamente nel codice fiscale • Non essere rappresentato – Il nome e cognome di una persona • • “Mario”, “Rossi” “Mario Rossi” “Rossi Mario” “Rossi, M” 94

Integrazione di sorgenti informative • La parte più problematica è legata alla qualità dei dati disponibili Mario Rossi è nato il 3 ottobre 1942 Mario Rossi è nato il 10 marzo 1942 Mairo Rossi è nato il 10 marzo 1942 95

Progettazione del DWH • identificazione di fatti, misure e dimensioni • ristrutturazione dello schema concettuale – rappresentazione di fatti mediante entità – individuazione di nuove dimensioni – raffinamento dei livelli di ogni dimensione • derivazione di un grafo dimensionale • progettazione logica: derivazione dello schema multidimensionale. • progettazione fisica: determinazione dello schema relazionale a stella. 96

Identificazione di fatti, misure e dimensioni marca categoria codice sesso anno nascita città residenza Cliente (0, 1) Articolo codice nome prezzo costo Vendita scontrino data numero pezzi incasso percentuale tempo Occupazione nome Negozio nome città 97

Ristrutturazione dello schema concettuale E’ lo schema concettuale del data warehouse 98

Derivazione di un grafo dimensionale 99

Progettazione logica: schema MOLAP per Vendita, Costo e Prezzo • La traduzione dello schema dimensionale al modello logico multidimensionale è immediata: – Dimensioni corrispondono a ipernodi del grafo – Livelli e descrizioni corrispondono a nodi del grafo – I fatti corrispondono ai nodi fatto: Vendita[Data: giorno, Prod: articolo, A: cliente, Loc: Negozio]: [incasso: numero] Costo[Prodotto: Articolo, Tempo: mese]: [Valore: numero] Prezzo[Prodotto: articolo, Tempo: mese]: [Valore: numero] 100

Progettazione fisica ROLAP: star schema per Vendita 101

ESEMPIO DI PROGETTO 102

Specifiche progetto di una DWH: statistiche vendite farmaci Il Ministero della Salute ha commissionato la progettazione di un Data Warehouse per effettuare analisi e statistiche circa le vendite di farmaci da parte delle varie farmacie italiane. In particolare si vogliono analizzare le statistiche relative alle tipologie di farmaci venduti suddivisi per area geografica e orizzonte temporale, nonché semplici statistiche sull’utenza consumatrice. 103

Individuazione ed analisi sorgenti informative • Da colloqui col committente: – Ogni farmacia utilizza una base di dati operazionale per la gestione delle vendite dei farmaci implementata attraverso un DBMS Access. – Dall’analisi del modello E/R è possibile individuare lo schema concettuale contenente le sole informazioni di interesse: • Prodotti/Farmaci • Vendite/fatture • Clienti 104

Schema E/R della base dati 105

Schema concettuale della DWH 106

Modello finale di tipo starflake-schema 107

Progettazione fisica e gestione dati • Si ottiene così, nella fase di progettazione fisica, uno star flake schema di figura con una sola dimensione denormalizzata: quella relativa alla collocazione geografica delle farmacie. Questo per consentire un maggiore livello di aggregazione delle informazioni. • Su tale DW è poi possibile effettuare in maniera semplice interrogazioni come: – – • selezione del farmaco più venduto in Campania. determinazione dell’età media dei consumatori di AULIN. I clienti della farmacia ALFANI. Impatto della terapia del dolore nelle varie regioni italiane. Infine vanno schedulate apposite procedure di refresh per aggiornare il contenuto del data warehouse ad intervalli di tempo prefissati. 108

KNOWLEDGE DISCOVERY IN DATABASE 109

Knowledge Discovery in Database Il processo di KDD è un processo interattivo e iterativo, strutturato in diverse fasi: 110

Knowledge Discovery in Database • Fase 1: si identifica il problema, tenendo conto della relativa conoscenza già acquisita in precedenza e gli obiettivi che si vogliono perseguire. • Fase 2: si seleziona l’insieme dei dati, oggetto del processo di estrazione (discovery) della conoscenza. • Fase 3: si “puliscono” e si normalizzano i dati attraverso, ad esempio, l’eliminazione dei dati rumorosi e dei valori estremi, la gestione dei campi vuoti … • Fase 4: si individuano le caratteristiche salienti per rappresentare il fenomeno che si sta analizzando in funzione dell’obiettivo definito, tendendo a ridurre il numero delle variabili prese in considerazione. 111

Knowledge Discovery in Database • Fase 5: si sceglie il cosiddetto “data mining task”, cioè il tipo di analisi sui dati da effettuare - classificazione, previsione, etc …-. • Fase 6: si scelgono le tecniche di data mining da impiegare per ricercare i pattern nei dati, in funzione del criterio generale alla base del processo di KDD (ad esempio, l’analista potrebbe essere maggiormente interessato alla comprensione del modello rispetto alle capacità di previsione dello stesso). • Fase 7: si effettua il data mining, cioè si compie la ricerca dei pattern d’interesse • Fase 8: si interpretano i pattern “scoperti” con la possibilità di ritornare alle fasi precedenti per ulteriori iterazioni. 112

Knowledge Discovery in Database • Fase 9: si consolida e si formalizza la conoscenza acquisita (realizzazione/integrazione di un sistema applicativo, redazione di documentazione, presentazione alle parti interessate …). • Il ruolo fondamentale nel processo di KDD, che è caratterizzato da un alto livello di iterazione, è svolto dalla fase 7, ovvero quella in cui si compie il data mining. 113

KDD e Data Mining • In questa ottica, il KDD è un processo non banale di identificazione dai “dati” dei “pattern” validi, precedentemente sconosciuti, potenzialmente utili ed ultimamente comprensibili. – per “dato” si intende in questo contesto un insieme di fatti; – per “pattern” si intende un sottoinsieme dei dati o un modello applicabile a questo sottoinsieme. • Si noti ancora che per processo di estrazione di un pattern si intende il processo di individuare un modello che ben si adatta ai dati in esame. 114

Data mining – E’ un approccio alternativo all’analisi multidimensionale per estrarre informazioni di supporto alle decisioni da un data warehouse – Talora le tecniche di ricerca di “informazione nascosta” in una collezione di dati si applica a dati “destrutturati” ad es. collezioni di transazioni. 115

Problemi classici di data mining – Uso di regole associative: individuare regolarità in un insieme di transazioni anonime – pattern sequenziali: individuare regolarità in un insieme di transazioni non anonime, nel corso di un periodo temporale – classificazione: catalogare un fenomeno in una classe predefinita sulla base di fenomeni già catalogati 116

Uso di regole associative • Dati di ingresso: – insiemi di transazioni • Obiettivo: – trovare delle “regole” che correlano nelle transazioni la presenza di un insieme di oggetti con un altro insieme di oggetti. 117

Regole associative: esempio di regola Pannolini Birra • il 2% tra tutte le transazioni contiene entrambi gli oggetti (supporto cioè rilevanza statistica) • il 30% delle transazioni che contiene Pannolini contiene anche Birra (confidenza cioè forza) 118

Significatività delle regole X, Y Z – Supporto S: la regola è verificata in S% delle transazioni rispetto a tutte le transazioni • rilevanza statistica – Confidenza C: C% di tutte le transazioni che contengono X e Y contengono anche Z • “forza” della regola 119

Pattern sequenziali • Dati di ingresso: – Insieme di sequenze di transazioni ciascuna delle quali si riferisce ad un fissato cliente. • Obiettivo: – trovare sequenze di oggetti che compaiono nell’insieme almeno in una assegnata percentuale. 120

Pattern sequenziali: esempi • “Il 5% dei clienti ha comprato un lettore di CD in una transazione e CD in un’altra” – il 5% è il supporto del pattern • Applicazioni – misura della soddisfazione del cliente – promozioni mirate – medicina (sintomi - malattia) 121

Classificazioni • Dati in ingresso – Record di osservazione elementari • Obiettivo – Determinare gli attributi significativi dei record osservati e costruire un albero di decisione che consenta, in funzione dei valori degli attributi significativi della tupla, di classificarla. 122

Classificazioni: esempio • Classificazione delle polizze di una compagnia attribuendo loro un rischio alto o basso. Partendo dalle transazioni che descrivono le polizze, il classificatore determina gli attributi per definire il rischio (età guidatore, tipo auto) e costruisce un albero di decisione. 123

Classificatore polizze a rischio Età<20 T F T Tipo. Auto = “Sportiva” F Albero di decisione costruito in base ad un “training set” ed utilizzabile nel “test set” 124