Datawarehouse-architecturen

Concepten van datawarehousing

Aaren Stubberfield

Data Scientist

Inmon - top-down

Afbeelding van datawarehouse-pictogram

Inmon - top-down

Afbeelding van datawarehouse-pictogram

Moet je vooraf bepalen:

Alle datadefinities, opschoning en bedrijfsregels
Voor er data het warehouse in gaat

Inmon - top-down

Afbeelding van twee databasepictogrammen met pijlen naar een pijl met ETL die naar een datawarehouse-pictogram wijst

Inmon - top-down

Afbeelding van twee databasepictogrammen met pijlen naar een pijl met ETL die naar een datawarehouse-pictogram wijst, met pijlen naar twee datamart-pictogrammen en pijlen naar een persoon achter een computer, een rapportagepictogram en een vergrootglas

Voor- en nadelen van top-down

Voordelen:

Enige bron van waarheid voor de organisatie
Normalisatie = minder opslag
Dataromans makkelijk aanpassen bij rapportagewijzigingen

Nadelen:

Meer joins = tragere responstijd
Veel werk vooraf
- Hogere opstartkosten

Kimball - bottom-up

Afbeelding van twee databasepictogrammen met pijlen naar een pijl met ETL en pijlen naar twee datamart-pictogrammen

Denormaliseert data
Focus op afdelings-datamart
Data gaat direct van ETL naar datamarts

Kimball - bottom-up

Afbeelding van twee databasepictogrammen met pijlen naar een pijl met ETL en pijlen naar twee datamart-pictogrammen, met pijlen naar een datawarehouse-pictogram en pijlen naar een persoon achter een computer, een rapportagepictogram en een vergrootglas

Voor- en nadelen van bottom-up

Voordelen:

Snelle ontwikkeling vooraf
- Lagere opstartkosten
Gedenormaliseerd = gebruiksvriendelijk

Nadelen:

Meer ETL-verwerkingstijd
Grotere kans op dubbele data
Doorlopende ontwikkeling nodig

Laten we oefenen!

Concepten van datawarehousing