Gate 1 Beslutsstöd

1. Beslutsstöd
Internutbildning
Stockholm
2008-04-11
Denna rapport är konfidentiell och avsedd enbart för den klient till vilken den är adresserad

2. Beslutsstöd – Centrala begrepp
Syftet med presentationen är att ge en grundläggande förståelse kring centrala
begrepp inom området beslutsstöd
 Beslutsstöd (business intelligence) - sammanfattande benämning på programvaror och
lösningar som används för att samla in, konsolidera, analysera och rapportera en
verksamhets data.
 Data kan vara lagrat på olika ställen och i olika system eller komma från externa källor.

3. Beslutsstöd – Mål med datalager
Information är en av verksamhetens viktigaste tillgångar/resurser, den lagras i
de operationella system där data kommer in och i datalagret där data kommer
ut. Målen med ett datalager är att:
 Göra verksamhetens information tillgängligt – innehållet i datalagret skall vara förståeligt,
navigerbart och snabbt tillgängligt.
 Göra verksamhetens information konsekvent – om flera mätvärden har samma namn skall
de betyda samma sak.
 Vara en anpassningsbar och flexibel källa till information – datalagret skall vara byggt för
förändringar.
 Vara en säker plats som skyddar verksamhetens informationstillgångar.
 Vara grunden för belutsfattande i verksamheten.

4. Beslutsstöd - Källsystem
Källsystem är de operationella system innehållande rader som fångar
transaktionerna i verksamheten
 I de operationella systemen är upptid och tillgänglighet viktigt, dessa system innehåller
endast lite historisk data.

5. Beslutsstöd – Data Staging Area
Data Staging Arean är en lagringsplats och ett antal processer som tvättar,
omvandlar, kombinerar, tar bort dubbletter, städar och förbereder data för
användning datalagret
 Data Staging Arean ligger mellan källsystem och presentationslagret, den är ej till för frågor
och presentation och kan bestå av både filer och relationsdatabaser.

6. Beslutsstöd – ETL
Data Staging (ETL) är den viktigaste processen i ett datalager och består av
subprocesserna Extrahera, Transformera och Ladda
 Extrahera (Extract) – första steget är att få in data i datalagret ifrån källsystemen. Det handlar
om att läsa, förstå och kopiera de delar som skall till data staging arean.
 Transformera (Transform) – andra steget är att på den data som laddats till staging arean
utföra ett antal omvandlingar av data:
– Tvätta: rätta felstavningar, lösa ev. konflikter (t ex postnr och ort), hantera data som
saknas, omvandla data till standardformat.
– Ta bort fält, överförda från källsystemet, som inte skall användas.
– Kombinera datakällor genom matchning eller uppslagning av koder.
– Skapa surrogatnycklar, man får inte återvända källsystemsnycklar.
 Ladda (Load) – tredje steget är att ladda fakta och dimensionstabeller. Tabellerna indexeras
därefter för att förbättra frågeprestandan.
 För att bygga/koda ETL används oftast speciella ETL-verktyg, några vanliga är MS
Integration Services (SSIS), Informatica, Data Stage, Oracle Warehouse Builder och BO
Integrator.

7. Beslutsstöd – Presentationsserver
I Presentationsservern är data i datalagret (Data Warehouse) organiserat och
lagrat för frågor från slutanvändaren, rapporter och andra applikationer
 Slutanvändarverktyg - en uppsättning verktyg som frågar, analyserar och presenterar
information.
 Analysverktyg - datalagerklienter för SQL-frågor, rapporter, grafer, ad-hoc frågor (användaren
skapar egna frågor) eller datamining.
 De vanligaste verktygen inom beslutsstöd kommer från Business Objects, Cognos, SAS och
Microsoft.

8. Dimensionsmodellering är en alternativ teknik till E/R-modellering för att
modellera data i ett datalager, dimensionsmodell kallas ofta stjärna
 Dimensionsmodellen innehåller samma information som E/R-modellen men är designad för
användbarhet, frågeprestanda och flexibilitet för förändringar.
 Huvudkomponenter i modellen är fakta- och dimensionstabeller.
 När fakta- och dimensionstabeller i en dimensionsmodell binds ihop kallar man det en stjärna
(star schema)
Beslutsstöd – Stjärna

9. Beslutsstöd - Snowflake
Stjärnor är denormaliserade och om man normaliserar dessa kallas de
snowflake (snöflinga), en totalt normaliserad snowflake hamnar i 3:NF
 Normalisering av ett datalager kommer innebära försämrad frågeprestanda, p.g.a fler joins,
och en mer komplex informationsstruktur för användarna och skall alltid undvikas.

10. Beslutsstöd - Faktatabell
Faktatabellen är huvudtabell i varje dimensionsmodell och innehåller
mätvärden från verksamheten
 En rad i en faktatabell motsvarar ett mätvärde, ett mätvärde är en rad i en faktatabell. Alla
mätvärden i en faktatabell måste vara av samma detaljeringsgrad.
 De mest användbara fakta i en faktatabell är numeriska och adderbara.
 Faktatabeller har ett många-till-många förhållande till dimensionstabeller.
 Fakta eller numerisk data har två eller flera främmande nycklar till respektive
dimensionstabell.
 Faktatabeller innehåller få kolumner och många rader.
Datum Nyckel Produkt Nyckel Butik Nyckel Sålt Antal Försäljningsbelopp
20080315 1034 78 7 714
20080315 1035 78 35 1335

11. Beslutsstöd - Dimensionstabell
Dimensionstabellerna innehåller textuella beskrivningar av verksamheten och
är den primära källan för filtrering och gruppering av data
 Dimensionstabellerna innehåller förutom en primärnyckel ett antal textattribut som används
för filtrering och gruppering av frågor.
 Dimensionstabeller är ingångspunkten till faktatabellen och gränssnittet mot datalagret.
 Dimensionsattributen ger möjlighet att bryta ner data och se på det ur olika perspektiv (”slice
and dice”).
 Det som anges efter per i frågor och rapporter är dimensionsattribut.
 Dimensionstabeller har många kolumner (attribut) och få rader.
Produkt Nyckel
Produktnam
n
Produktbeskrivnin
g EAN kod
Produktgrup
p
Produktkategor
i
1034 Citronglass SIA citronglass 1 l
4834533
5 Gräddglass Glass
1035 Vanilglass SIA vaniljglass 1 l
4683242
5 Gräddglass Glass

12. Beslutsstöd – Slowly Changing Dimensions
Slowly Changing Dimensions (SCD) - dimensioner innehållande data som långsamt
förändras, vilken typ av SCD man väljer beror på hur mycket historik man vill spara.
 Typ 1 – Den nya raden ersätter orginalraden, inga spår kommer att finns av den gamla raden
d v s ingen historik sparas.
 Typ 2 – En ny rad läggs till i dimensionstabellen, butiken hanteras som två olika butiker, detta
medför att det finns oändlig historik om butiken.
 Typ 3 – Orginalraden modifieras för att spegla förändringarna, man har t ex en kolumn för
orginalnamnet och en kolumn för det nuvarande namnet och en kolumn som talar om från
när det nuvarande namnet gäller.
ButikNyckel ButikNamn ButikOrt
101 Nisses livs Kista
ButikNyckel ButikNamn ButikOrt Version
101 Nisses livs Kista 0
102 Nisses livs Södertälje 1
ButikNyckel ButikNamn ButikOrt StartDatum SlutDatum
101 Nisses livs Kista 2000-01-01 2008-03-31
102 Nisses livs Södertälje 2008-04-01
ButikNyckel ButikNamn OrginalButikOrt StartDatum NuvarandeButikOrt
101 Nisses livs Kista 2008-04-01 Södertälje
ButikNyckel ButikNamn ButikOrt
101 Nisses livs Södertälje

13. För att öka frågeprestandan ytterligare kan man ladda så kallade kuber med
data ifrån dimensionstabellerna, i kuberna lagras föraggregerad data
 Kuber är flerdimensionella och kan jämföras med pivottabeller.
 Microsoft Analysis Services (SSAS) använder en typ av kub som kallas OLAP (On-Line-
Analytic-Processing).
 I OLAP-kuber används MDX (MultiDimensional Expression) istället för SQL för
frågor/manipulation av data:
SELECT { [Measures].[Store Sales] } ON COLUMNS,
{ [Date].[2002], [Date].[2003] } ON ROWS
FROM Sales
WHERE ( [Store].[USA].[CA] )
Beslutsstöd – Kub
Ladda

14. “The Data Warehouse Lifecycle” är en utvecklingsprocess för beslutsstöd som
har tagits fram av Kimball Group
Teknisk
Arkitektur
Design
Teknisk
Arkitektur
Design
Produktval
&
Installation
Produktval
&
Installation
BI
Applikations
Specifikation
BI
Applikations
Specifikation
BI
Applikations
Utveckling
BI
Applikations
Utveckling
Projekt
Planering
Projekt
Planering
KravfångstKravfångst Produktions-
sättning
Produktions-
sättning
Drift
och
Förvaltning
Drift
och
Förvaltning
Projekt LedningProjekt Ledning
Dimensions-
modellering
Dimensions-
modellering
Fysisk
Design
Fysisk
Design
Data Staging
Design &
Utveckling
Data Staging
Design &
Utveckling

15. Under en dimensionsmodellering går man igenom följande arbetssteg
1. Bestäm vilken affärsprocess, den serie verksamhetsaktiviteter, som skall modelleras genom
en kombinerad förståelse av krav och tillgänglig data.
2. Avgör detaljeringsgrad för faktatabellen, välj lägsta tillgängliga nivå.
3. Bestäm vilka dimensionstabeller och dess kolumner som skall finnas till varje faktatabell.
4. Bestäm vilka mätvärden som skall finnas i faktatabellen.
5. Bestäm hur förändringar i dimensionerna skall hanteras – Slowly Changing Dimensions.
Beslutsstöd – Arbetssteg

16. I en datalagermatris (Data Warehouse Bus Matrix) mappar man dimensioner
och affärsprocesser
 Varje affärsprocess blir ett datamart, en logisk datamängd, och tillsammans kommer dessa
datamart utgöra ett datalager (Data Warehouse)
Beslutsstöd – Datalagermatris
Gemensamma dimensioner
Affärsprocesser Datum Produkt Butik Kampanj Leverantör
Försäljning X X X X
Inventering X X X
Order X X X

17. Under den fysiska designen använder man sig av datamappning för att
fastställa källa till mål i dimensionstabellen
Beslutsstöd – Datamappning
Target Source
Column Name Display Name Description Data-type Size Precisi
on
Key? FK
To
NULL? Default
Value
Unknown
Member
Example
Values
SCD
Type
Source
System
Source
Schema
Source Table Source Field Name Source
Datatype
ETL Rules Comments
ProductKey ProductKey Surrogate primary
key
int PK ID N -1 1, 2, 3… Derived
BKProductID BKProductID ProductID,
Natural key from
source system
int N -1 AW Production Product ProductID int
ProductSKU ProductSKU SKU, also known
as Product
Number
varchar 25 Unknown 1 AW Production Product ProductNumber nvarchar(25)
ProductName ProductName Product name varchar 50 Unknown 1 AW Production Product Name nvarchar(50)
ProductDescr ProductDescr Product English
description
varchar 50 Unknown 1 AW Production Product Name nvarchar(50) Populate
with the
product
name for
now
We need a source
for description.
ProductModelID ProductModelID Product model ID
from source
system
int 1 AW Production Product ProductModelID int NULL to -1
Model Model Model name varchar 50 Unknown 1 AW Production ProductModel Name nvarchar(50) Join on
Product.Pro
ductModelID
ProductSubcategoryID ProductSubcategoryID Product
subcategory ID
from the source
system
int 1 AW Production Product ProductSubcategoryID int NULL to -1

18. Exempel på hur ETL design på hög nivå kan se ut
Beslutsstöd – ETL-design