Il Sistema ideale DB DBMS Una sola base di Dati

Presentazione sul tema: "Il Sistema ideale DB DBMS Una sola base di Dati"— Transcript della presentazione:

1 ANALISI DEI DATI OLAP (On Line Analytical Processing) Data Warehousing Data Mining

2 Il Sistema ideale DB DBMS Una sola base di Dati
A n A 2 Una sola base di Dati Una sola interfaccia di comunicazione sia verso il DB che verso le applicazioni

3 La situazione reale Non esiste una situazione stazionaria
C’è una continua evoluzione dei parametri che influenzano la realizzazione e la vita di un DB: Esigenze Strutture Tempi di realizzazione Non esiste un’unica base di dati all’interno di una stessa organizzazione. Soluzioni: Eterogenee Distribuite Autonome

4 Sistemi OLTP e OLAP (1) OLTP (On Line Transaction Processing)
Sistemi per la gestione dei dati Utilizzo di un set di operazioni ben definito Bassa complessità delle operazioni Le operazioni coinvolgono una piccola quantità di dati Continuo aggiornamento dei dati Generalmente viene utilizzato lo “stato corrente” di un’applicazione Devono essere rispettate le proprietà ACIDe (atomicità, correttezza, isolamento, durabilità) delle transazioni

5 Sistemi OLTP e OLAP (2) OLAP (On Line Analytical Processing):
Sistemi per l’analisi dei dati Permettono di eseguire operazioni non previste nella progettazione del DB (sistemi di supporto alle decisioni) Operano su grosse moli di dati I dati sono “statici” (usualmente si utilizzano dati storici) Operano su dati provenienti da più fonti eterogenee Le proprietà ACIDe non sono rilevanti perché le operazioni sono di sola lettura

6 Sistemi OLTP e OLAP (3) OLAP (On Line Analytical Processing):
Sistemi per l’analisi dei dati Permettono di eseguire operazioni non previste nella progettazione del DB (sistemi di supporto alle decisioni) Operano su grosse moli di dati I dati sono “statici” (usualmente si utilizzano dati storici) Operano su dati provenienti da più fonti eterogenee Le proprietà ACIDe non sono rilevanti perché le operazioni sono di sola lettura OLTP (On Line Transaction Processing) Sistemi per la gestione dei dati Utilizzo di un set di operazioni ben definito Bassa complessità delle operazioni Le operazioni coinvolgono una piccola quantità di dati Continuo aggiornamento dei dati Generalmente viene utilizzato lo “stato corrente” di un’applicazione Devono essere rispettate le proprietà ACIDe (atomicità, correttezza, isolamento, durabilità) delle transazioni

7 Sistemi OLTP e OLAP (4) DB DW OLTP OLAP DWMS analisti terminalisti
Terminalisti: utenti finali. Possono eseguire operazioni di lettura e di scrittura Analisti: Pochi utenti, occupano posizioni di alto livello nell’impresa e svolgono attività di supporto alle decisioni.

8 Data warehouse Utilizzano dati provenienti da più DB
I meccanismi di importazione sono di tipo asincrono e periodico In tal modo non vengono penalizzate le prestazioni delle data source La warehouse non contiene dati perfettamente allineati con il flusso di transazioni negli OLTP Problema legato alla qualità dei dati: La semplice raccolta di dati può non essere sufficiente per una corretta analisi perché i dati possono contenere inesattezze, errori, omissioni

9 Architettura della DW (1)
Export dei dati Data mining Accesso ai Dati DW Allineamento dei Dati (refresh) Acquisizione dei Dati Export Export Export Data Filter Data Filter Data Filter Data Source Data Source Data Source

10 Architettura della DW (2)
Data Source Sorgenti dei dati per la DW. Possono essere di qualsiasi tipo, anche non gestite tramite DBMS oppure gestite da DBMS di vecchia generazione (legacy system). Controlla la correttezza dei dati prima dell’inserimento nella warehouse. Può eliminare dati scorretti e rilevare o correggere eventuali inconsistenze tra dati provenienti da molteplici data source. Viene fatta la pulizia dei dati necessaria ad assicurare un buon livello di qualità. Data Filter Export L’esportazione dei dati avviene in maniera incrementale: il sistema di esportazione colleziona solo le modifiche delle data source

11 Architettura della DW (3)
Acquisizione dei Dati E’ responsabile del caricamento iniziale dei dati nella DW. Predispone i dati all’uso operativo, svolge operazioni di ordinamento, aggregazione e costruisce le strutture dati della warehouse. In applicazioni con pochi dati il modulo è invocato periodicamente per acquisire tutto il contenuto della DW In genere,invece, i dati vengono allineati in modo incrementale, con il modulo successivo Allineamento dei Dati (refresh) Propaga incrementalmente le modifiche della data source in modo da aggiornare il contenuto della DW. L’aggiornamento può essere effettuato tramite l’invio dei dati o l’invio delle transazioni. Nel primo caso all’interno delle data source vengono inseriti dei trigger che registrano cancellazioni, inserimenti e modifiche(coppie inserimento-cancellazione) in archivi variazionali. Nel secondo caso viene usato il log delle transazioni per costruire gli archivi variazionali.

12 Architettura della DW (4)
Accesso ai Dati E’ il modulo che si occupa dell’analisi dei dati. Realizza in maniera efficiente interrogazioni complesse caratterizzate da join tra tabelle, ordinamenti e aggregazioni complesse. Consente nuove operazioni come roll up, drill down e data cube. Data mining Consente di svolgere ricerche sofisticate sui dati e di esplicitare relazioni “nascoste” tra i dati. Export dei dati Consente l’esportazione dei dati da una DW ad un’altra. Architettura gerarchica.

13 Schema di una DW Ci si concentra su sottoinsiemi molto semplici dei dati aziendali che si vogliono analizzare (dati dipartimentali). Ogni schema elementare prende il nome di data mart. L’organizzazione dei dati di un data mart avviene secondo uno schema multidimensionale o schema a stella.

14 Schema a stella (1) prodotto Unità centrale rappresenta i fatti (0,N)
(1,1) supermercato (0,N) (1,1) Vendita (1,1) (0,N) promozione (1,1) (0,N) Diverse unità poste a raggiera intorno ai fatti rappresentano le dimensioni tempo

15 Schema a stella (2) Varie relazioni uno a molti collegano ciascuna occorrenza di fatto con una ed una sola occorrenza di ciascuna delle dimensioni. La struttura regolare è indipendente dal problema considerato. (occorrono almeno due dimensioni altrimenti il problema degenera in una semplice gerarchia uno-molti) Un numero elevato di dimensioni è sconsigliato perché la gestione dei fatti e l’analisi si complicano.

16 Schema a stella: esempio (1)
Ciascuna occorrenza di vendita ha per identificatore i quattro codici: CodProd CodMarket CodPromo CodTempo Gli attributi non chiave sono Amm e Qta. Prodotto: CodProd Nome Categoria Marca Peso Fornitore (0,N) Promozione: CodPromo Nome Tipo Percentuale FlagCoupon DataInizio DataFina Costo Agenzia (1,1) Supermercato: CodMarket Nome Città Regione Zona Dimensioni Vendita Amm Qta (1,1) (0,N) (1,1) (0,N) (1,1) (0,N) Tempo: CodTempo GiornoSett GiornoMese GiornoAnno SettimanaMese SettimanaAnno

17 Schema a stella: esempio (2)
Nella dimensione del tempo sono presenti dati derivati e ridondanze. Le ridondanze servono per facilitare le operazioni di analisi dei dati. I fatti sono in forma normale di Boyce-Codd in quanto ogni attributo non chiave dipende funzionalmente dalla sua unica chiave. Le dimensioni sono in genere relazioni non normalizzate.

18 Schema a fiocco di neve (0,N) (1,1) Evoluzione dello schema a stella, introdotta per strutturare gerarchicamente le dimensioni non normalizzate Fornitore Prodotto (1,1) (0,N) Categoria (0,N) (1,1) (0,N) Vendita Supermercato (1,1) (0,N) Promozione (1,1) (1,1) (0,N) (0,N) Tempo Città (1,1) (1,1) (0,N) (0,N) Giorno Regione

19 ANALISI DEI DATI: OPERAZIONI
Interfaccia standard di formulazione delle query Drill down e Roll up Data Cube

20 INTERFACCIA STANDARD DI FORMULAZIONE DELLE QUERY(1)
L’analisi dei dati di un data mart organizzato a stella richiede l’estrazione di un sottoinsieme dei fatti e delle dimensioni Le dimensioni vengono usate per selezionare i dati e per raggrupparli I fatti vengono tipicamente aggregati Il tutto avviene in base agli interessi degli analisti.

21 INTERFACCIA STANDARD DI FORMULAZIONE DELLE QUERY(2)
Promozione.Nome Prodotto.Nome Tempo.Mese Qta Amm 3x2 Coupon 15% SuperSaver Vino Pasta Olio Gen … Dic Pasta … Olio Feb … Apr sum Schema Opzioni Condizioni Vista Attributi delle dimensioni: Promozione Prodotto Tempo Attributi dei Fatti: Aggregati (SUM)

22 INTERFACCIA STANDARD DI FORMULAZIONE DELLE QUERY(3)
Promozione.Nome Prodotto.Nome Tempo.Mese Qta Amm 3x2 Coupon 15% SuperSaver Vino Pasta Olio Gen … Dic Pasta … Olio Feb … Apr sum Schema Opzioni Condizioni Vista select Tempo.Mese, Prodotto.Nome, sum(Amm), sum(Qta) from Vendite, Tempo, Prodotto where Vendite.CodTempo = Tempo.CodTempo and Vendite.CodProdotto = Prodotto.CodProdotto and (Prodotto.Nome = ‘Pasta’ or Prodotto.Nome = ‘Olio’) and Tempo.Mese between ‘Feb’ and ‘Apr’ and Promozione.Nome = ‘SuperSaver’ group by Tempo.Mese, Prodotto.Nome order by Tempo.Mese, Prodotto.Nome Tempo.mese Prodotto.nome sum(Amm) sum(Qta)

23 DRILL DOWN E ROLL UP(1) Il drill down permette di aggiungere una dimensione di analisi disaggregando i dati. Il roll up dualmente consente di eliminare una dimensione di analisi. Alternando operazioni di drill down e roll up l’analista può evidenziare la dipendenza dei fenomeni rappresentati nei fatti dai fatti delle varie dimensioni. L’operazione di roll up può essere fatta agendo sui risultati dell’interrogazione, quella di drill down richiede la riformulazione dell’interrogazione(servono dati non presenti nell’interrogazione).

24 DRILL DOWN E ROLL UP(2) Esempio: somma delle quantità vendute di pasta
Zona Prodotto.Nome Sum(Qta) Nord Pasta 54 Kg Centro 50 Kg Sud 43Kg Tempo.mese Prodotto.Nome Sum(Qta) Feb Pasta 46 Kg Mar 50 Kg Apr 51 Kg Esempio: somma delle quantità vendute di pasta Tempo.mese Prodotto.Nome Zona Sum(Qta) Feb Pasta Nord 18 Centro 15 Sud 13 Mar 14 Apr 17 sud 16

25 DATA CUBE (1) L’operatore data cube permette di svolgere tutte le possibili aggregazioni presenti in una tabella estratta per l’analisi. Il valore polimorfo ALL(presente in tutti i domini e corrispondente all’insieme di tutti i possibili valori presenti nel dominio) viene usato per rappresentare l’aggregazione Marca Anno Colore Vendite Ferrari 1998 rosso 50 1999 85 Porsche 80 select Marca, Anno, Colore, sum(Vendite) from Vendite where (Marca = ‘Ferrari’ or Marca = ‘Porsche’) and Colore = ‘Rosso’ and Anno between 1998 and 1999 group by Marca, Anno, Colore with cube

26 DATA CUBE (2) Marca Anno Colore Sum(vendite) Ferrari 1998 Rosso 50
1999 85 ALL 135 Porsche 80 130 215 DATA CUBE (2) 1999 rosso 1998 ALL Ferrari Porsche

27 DATA CUBE (3) I punti dello spazio rappresentano le possibili tuple. I tre piani cartesiani rappresentano le aggregazioni su una sola dimensione. Gli assi cartesiani rappresentano le aggregazioni su due dimensioni. L’origine degli assi cartesiani rappresenta l’aggregazione di tutte e tre le dimensioni.

28 DATA CUBE (4) La complessità della valutazione del data cube cresce in modo combinatorio col crescere del numero degli attributi di raggruppamento. Per risolvere il problema è stata introdotta una nuova estensione di SQL (che la clausola with roll up), in cui le aggregazioni sono progressive. Marca Anno Colore Sum(vendite) Ferrari 1998 Rosso 50 1999 85 Porsche 80 ALL 135 select Marca, Anno, Colore, sum(Vendite) from Vendite where (Marca = ‘Ferrari’ or Marca = ‘Porsche’) and Colore = ‘Rosso’ and Anno between 1998 and 1999 with roll up

29 Data mining Ricerca di informazioni nascoste all’interno delle DW.
Classici esempi sono quelli per le analisi di mercato, per l’individuazione di oggetti acquisiti assieme o in sequenza.

30 Il processo di data mining: Fasi
Comprensione del dominio. Preparazione sul set di dati. Individuazione di un sottoinsieme dei dati della DW su cui effettuare il mining. Scoperta dei pattern. Ricerca e individuazione di pattern ripetitivi tra i dati. Valutazione dei pattern. Trarre implicazioni applicative dai pattern trovati. Valutazione degli esperimenti da compiere successivamente. Utilizzo dei risultati. Prendere decisioni operative a seguito del processo di data mining.

31 Problemi di data mining (1)
Regole di associazione. Scoprire associazioni ti tipo causa-effetto. Pannolini → Birra e’ possibile definire in modo preciso le probabilità relative alle regole di associazione. supporto: probabilità che in una osservazione sia presente sia la premessa che la conseguenza di una regola. confidenza: probabilità che in una osservazione sia presente la conseguenza di una regola essendo già presente la premessa.

32 Problemi di data mining (2)
Discretizzazione: viene rappresentato un intervallo continuo di valori tramite pochi valori discreti (es. alto, basso, medio) per preparare i dati. Classificazione: catalogazione di un fenomeno in una classe predefinita. Fa uso di algoritmi di classificazione (es. alberi decisionali)