Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Analysis Services

4,288 views

Published on

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Analysis Services

  1. 1. AnalysisServices2005<br />Bernardo A. Robelo Jirón<br />bernardorobelo.blogspot.com<br />
  2. 2. Simplicidad<br />“La simplicidad es la sofisticación definitiva”<br />– Leonardo da Vinci<br />
  3. 3. Reportar<br />Analizar<br />Integrar<br />Plataforma de Inteligencia de Negocios<br />
  4. 4. Agenda<br />Estructuras multidimensionales de datos<br />Expresiones multidimensionales de consulta<br />Programación ADOMD.NET<br />
  5. 5. Inteligencia de Negocios:OLAP vs. OLTP<br />OLTP: On-Line Transaction Processing<br />Alto volumen de información<br />Transacciones simples<br />Tablas optimizadas para mantenimiento de datos<br />OLAP: On-Line Analytical Processing<br />Consultas ad-hoc sobre datos resumidos<br />Audiencia: Tomadores de decisiones<br />Datos multidimensionales optimizados para consultas <br />
  6. 6. Porqueusar OLAP?<br />Consultascorren 1000% masrapido<br />Metodologia “Click To Query” parausuario final<br />Informacioncercana “Real-Time”<br />Reduce el stress en los sistemas OLTP<br />
  7. 7. Terminos Claves<br />Tablas de Hechos (Facts Table)<br />Fuente de Datoscontieneinformacionpara ser medida<br />Medidas (Measures)<br />Datos a ser sumarizados en un Cubo.<br />ValoresCuantitativos a ser analizados<br />Ejemplo: Costo, Precio de Venta, Existencias.<br />Tabla de Dimensiones (Dimensions Table)<br />Fuente de Datosquecontieneinformacionparauna dimension.<br />Dimensiones<br />Datosusadosparaagrupar y compararMedidas<br />Ejemplo: Fecha de Venta, Ubicacion de Venta, Productos, Vendedores. (Tiempo, Ubicacion)<br />Hechos y DimensionescreanCubos<br />Cubos<br />Unidad de Almacenamiento y Analisis<br />CombinaDimensiones y Medidas<br />Puedecontenermuchosgrupos de medidas de muchastablas de hecho<br />TambienCalculos de Medidas y Jerarquia de Dimensiones<br />
  8. 8. Esquema de Base de Datos Dimensional<br />Dos maneras de organizar los datos<br />Estrella<br />Snowflake<br />
  9. 9. EsquemaEstrella<br />
  10. 10. Esquema Snowflake<br />
  11. 11. Almacenamiento de Cubos<br />MOLAP <br />MultiDimensional OLAP<br />Sinonimo de Cubo<br />Todos los datos y agregaciones son Copiados<br />Mejor “Performance” peromasAlmacenamiento<br />ROLAP<br />Relational OLAP<br />Permitequelastablasrelacionalesestendondeestanalmacenadas<br />Separa la Tablas de lasAgregaciones<br />MenosRequerimiento de Datos<br />HOLAP<br />Hybrid OLAP<br />Parte de la Tablas Relacionales son Almacenadas y lasAgregaciones son Almacenadas<br />
  12. 12. Unified Dimensional Model<br />Es la logica del SSAS<br />Termino de Marketing usadoparalasCaracteristicas SSAS 2005.<br />Unificatoda la vision del SSAS<br />Desempeno<br />Pre-Agregacion, Pro-Active Caching, Policy Based<br />NombresAmigables, Grupos de Atributos, Multilenguaje<br />Flexibilidad<br />Multiples Tablas de Hechos (1x Cubo en SQL 2000)<br />Ilimitado No. de Dimensiones (128 en SQL 2000)<br />Multiple Jerarquiapor Dimension (1 en SQL 2000)<br />DatosDistribuidos<br />Multiples DataSources y DataViews<br />
  13. 13. UDM Features<br />Perspectivas<br />Parte de un Cubo (Inventario de Occidente)<br />Key Performance Indicators (KPIs)<br />Da un valor a los datos Bueno/Regular/Pobre<br />Ejemplo: 1 millon en Ventas ???<br />Estados  Actual, Objetivo, Tendencia<br />Attibute Semantics<br />Se puedebuscarpor el ID peromuestra el Nombre, Apellido<br />OrdenamientoAvanzado  Dias Semana, Pequeno/Mediano/Grande<br />Agrupacion de Valores en Rango  0-1000, 1001-2000<br />Custom Agregation<br />Ventas al Final del Mes = Suma de Ventas (obvio)<br />Inventario al Final del Mes = Inventario en el ultimo dia del mes<br />ComplejosCalculosbasados en MDX o .NET Codigo<br />Actions<br />Navegar a una URL<br />Drill Down a un dato granular<br />Security<br />PermisosSeparadosporAdmon, Medata , Data Access<br />Role Based asignar roles o denegar roles<br />
  14. 14. Datos Multidimensionales<br />Organizan la información en varias dimensiones<br />Una tabla relacional usa sólo 2 dimensiones: filas y columnas que determinan un campo<br />La estructura multidimensional (o CUBO) contiene<br />Varias dimensiones  determinan celdas<br />Varios datos en cada celda  MEDIDAS <br />Niveles en las dimensiones  Punto de agregación de medidas<br />
  15. 15. Estructura multidimensional<br />Atlanta<br />Chicago<br />Dimensión: REGION<br />Denver<br />Uvas<br />Cerezas<br />Dimensión: PRODUCTO<br />Detroit<br />Melones<br />Manzanas<br />Q4<br />Q1<br />Q2<br />Q3<br />Dimensión: FECHA<br />
  16. 16. Venta,Unidades<br />Consulta Multidimensional<br />Atlanta<br />Chicago<br />Dimensión: REGION<br />Denver<br />Uvas<br />Cerezas<br />Dallas<br />Melones<br />Manzanas<br />Dimensión: PRODUCTO<br />Q4<br />Q1<br />Q2<br />Q3<br />Dimensión: FECHA<br />
  17. 17. Dimensiones, Niveles, Miembros, Jerarquías<br />Dim FECHA<br />CalendarioNormal<br />CalendarioFiscal<br />Nivel Año<br />Nivel Mes<br />Nivel Día<br />Nivel Año<br />NivelSemestre<br />NivelTrimestre<br />Nivel Mes<br />
  18. 18. Ejemplo – dimensiones y medidas<br />
  19. 19. Ejemplo - miembros<br />[Time].[2nd half].[3rd quarter]<br />[Time].[2nd half].&[Q3]<br />
  20. 20. Expresiones Multidimensionales (MDX)<br />Sintaxis para consultas multidimensionales<br />Retorna un conjunto de celdas<br />Las celdas son la intersección de miembros de las dimensiones<br />TUPLA  coordenada multidimensional<br />
  21. 21. Sintaxis básica MDX<br />SELECT &lt;especificación de eje&gt; [ , … ]<br />FROM &lt;especificación de cubo&gt; <br />WHERE &lt;especificación de slicer&gt;<br />SELECT <br /> {[Store Type].[Store Type].MEMBERS} ON COLUMNS,<br /> {[Store].[Store State].MEMBERS} ON ROWS<br />FROM <br /> [Sales]<br />WHERE <br /> (Measures.[Sales Average])<br />

×