Protechnesia.com Media Nasional yang Terpercaya dan Netral
Data Warehouse merupakan– 5 Penafsiran Bagi Para Pakar, Karakter, Cara, Ikatan, Profit serta Ilustrasi– Buat ulasan kali ini kita hendak membahas hal Data Warehouse yang dimana dalam perihal ini mencakup penafsiran bagi para pakar, karakter, cara, ikatan, profit serta ilustrasi, nah supaya lebih bisa menguasai serta paham ikuti keterangan sepenuhnya dibawah ini.
Penafsiran Data Warehouse
Bangunan Data( bahasa Inggris: data warehouse) merupakan suatu sistem pc buat mengarsipkan serta menganalisa data historis sesuatu badan semacam data pemasaran, pendapatan, serta data lain dari pembedahan tiap hari. Dengan cara biasa, suatu badan memindahkan data dari sistem operasional semacam pemasaran serta SDM ke bangunan data bagi agenda tertib, misalnya tiap malam ataupun tiap akhir minggu.
Sehabis itu, manajemen bisa melaksanakan query lingkungan serta analisa( misalnya, penambangan data, data mining) kepada data itu tanpa memberati sistem operasional.
Baca Pula Postingan yang Bisa jadi Terpaut: Penafsiran Serta Karakter Customer Relationship Management( CRM)
Penafsiran Data Warehouse Bagi Para Ahli
Menguasai Data Warehouse bisa bermacam- macam namun mempunyai inti yang serupa, sebagian penafsiran dari para pakar selanjutnya:
Bagi W. H. Inmon serta Richard DH
Data warehouse merupakan berkas data yang mempunyai watak poin mengarah, terstruktur, waktu- varian, serta senantiasa pada pengumpulan data buat mensupport cara pengumpulan ketetapan manajemen.
Bagi Vidette Poe
Data warehouse merupakan database yang read- only analisa serta dipakai selaku bawah sistem pendukung ketetapan.
Bagi Paul Lane
Data warehouse ialah database relasional yang didesain lebih buat query serta analisa cara bisnis, umumnya memiliki asal usul data bisnis serta bisa jadi pula data dari pangkal lain. Data warehouse merelaikan bobot kegiatan analisa dari bobot kegiatan bisnis serta membolehkan badan buat mencampurkan atau peneguhan data dari bermacam pangkal.
Bagi Ramelho
Data warehouse ialah pendekatan buat menaruh data dimana pangkal data yang heterogen( yang umumnya terhambur di sebagian dasar data OLTP) pindah ke penyimpanan data serta terpisah sama.
Bagi Usama Fayyad( 1996)
Konsumen mempraktikkan keterampilannya dalam perihal permasalahan, serta pc melaksanakan analisa data yang mutahir buat memilah data yang pas serta menempatkannya dalam bentuk yang cocok buat pengumpulan ketetapan.
Dengan begitu, data warehouse ialah tata cara dalam penyusunan database, yang mendukung DSS( Ketetapan Sistem Support) serta EIS( Executive Information System). Dengan cara raga, data warehouse merupakan database, tetapi penyusunan data warehouse serta database amat berlainan. Dalam konsep database konvensional memakai normalisasi, sebaliknya data warehouse normalisasi tidaklah metode terbaik.
Data warehouse merelaikan bobot kegiatan analisa dari bobot kegiatan bisnis serta membolehkan badan buat mencampurkan atau peneguhan data dari bermacam pangkal. Dengan begitu, data warehouse ialah tata cara dalam penyusunan database, yang Merujuk DSS( Decission Support System) serta EIS( Executive Information System).
Dengan cara raga, data warehouse merupakan database, hendak namun deasin data warehouse serta database amat berlainan. Dalam konsep database konvensional memakai normalisasi, sebaliknya data warehouse normalisasi tidaklah metode terbaik.
Baca Pula Postingan yang Bisa jadi Terpaut:“ Alat& Infrastruktur” Penafsiran&( Ilustrasi– Metode Perawatan– Penyimpanan)
Karakter Data Warehouse
Sistem dasar data ini mempunyai karakter yang buatnya berlainan dari database lain. Terdapat 4 karakter yang jadi karakteristik khas database ini, ialah:
Mengarah pada poin( subjek- oriented)
Maksudnya data warehouse mengarah subjek didesain buat menganalisa data bersumber pada subjek- subjek khusus dalam badan, bukan pada cara ataupun guna aplikasi khusus. Data warehouse diorganisasikan disekitar subjek- subjek penting dari industri semacam( klien, produk serta pemasaran) serta tidak terorganisir dalam zona aplikasi penting( customer faktur, pengawasan persediaan serta pemasaran produk).
Perihal ini sebab keinginan data warehouse buat menaruh data yang mensupport ketetapan, dari aplikasi mengarah data. Jadi dengan tutur lain, data yang ditaruh tidak mengarah pada poin cara.
Data yang dipunyai berintegrasi( Data Integrated)
Data Warehouse bisa menaruh data dari pangkal yang terpisah ke dalam bentuk yang tidak berubah- ubah serta berintegrasi satu serupa lain. Dengan begitu, data tidak bisa cacat sebab data ialah entitas yang mensupport rancangan totalitas data warehouse itu sendiri.
Ketentuan integrasi pangkal data bisa dipadati dengan bermacam metode boks tidak berubah- ubah dalam penjulukan elastis, tidak berubah- ubah dalam elastis dimensi, tidak berubah- ubah dalam coding serta bentuk yang tidak berubah- ubah dalam ciri raga dari data.
Ilustrasi area operasional terdapat banyak aplikasi yang pula bisa dicoba oleh developer yang berlainan. Oleh sebab itu, bisa jadi dalam aplikasi ini ada elastis yang mempunyai tujuan yang serupa namun julukan serta bentuk yang berlainan.
Elastis ini wajib dikonversi ke julukan yang serupa serta bentuk yang sudah disetujui. Dengan begitu tidak terdapat kebimbangan sebab perbandingan julukan, bentuk, serta serupanya. Setelah itu data bisa dikategorikan selaku data yang berintegrasi sebab kekonsistenannya.
Terbuat dalam bentang durasi khusus( Timeline)
Seluruh data dalam data warehouse bisa dibilang cermat ataupun asi pada bentang durasi khusus. Buat memandang istirahat durasi yang dipakai buat mengukur keakuratan data warehouse, kita bisa memakai metode selanjutnya:
Metode termudah merupakan buat menyuguhkan data warehouse pada bentang durasi khusus, misalnya, antara 5 hingga 10 tahun ke depan.
Metode kedua, dengan memakai alterasi perbandingan durasi atau dihidangkan dalam data warehouse merupakan bagus dengan cara sugestif ataupun akurat, akurat dengan faktor durasi dalam satu hari, sepekan, sebulan dan lain- lain Dengan cara sugestif misalnya, dikala data diduplikasi pada tiap akhir bulan, ataupun kuartalan. Faktor durasi hendak senantiasa tersirat dalam data.
Metode ketiga, alterasi durasi dari data warehouse yang dihidangkan lewat serangkaian potret- potret yang lama. Snapshot merupakan pemikiran beberapa besar data yang khusus yang cocok kemauan konsumen dari seluruh data yang terdapat merupakan read- only.
Data yang ditaruh bertabiat senantiasa( Non- Volatile)
Karakter keempat dari data warehouse merupakan non- volatile, maksudnya data dalam bangunan data tidak diperbarui dengan cara real time namun dalam refresh sistem pembedahan dengan cara tertib. Data terkini yang ditambahkan selaku komplemen buat database itu sendiri bukan selaku pergantian.
Database ini lalu meresap data terkini, hingga dengan cara berangsur- angsur bersama- sama dengan data lebih dahulu. Berlainan dengan database operasional yang bisa melaksanakan pembaharuan, insert, serta menghilangkan data yang mengganti isi dari database data warehouse, sedangkan cuma terdapat 2 insiden buat memalsukan data yang muat data( mengutip data) serta akses data( akses ke bangunan data semacam melaksanakan query ataupun menunjukkan informasi yang dibutuhkan, tidak terdapat kegiatan menginovasi data).
Data warehouse ialah pendekatan buat menaruh data dimana pangkal data yang heterogen( yang umumnya terhambur di sebagian dasar data OLTP) pindah ke penyimpanan data serta terpisah sama. Profit yang didapat dengan memakai data warehouse selanjutnya( Ramelho).
Sebaliknya campuran data mining serta konfirmasi temuan merupakan pengembangan dari data mining di era depan hendak mencampurkan anggapan serta temuan pendekatan.
Kemajuan ini memakai alibi yang serupa yang melandasi rancangan Sistem Pendukung Ketetapan( Decision Support System– DSS). Rancangan ini membolehkan konsumen serta pc bertugas serupa buat membongkar permasalahan.
Konsumen mempraktikkan keterampilannya dalam perihal permasalahan, serta pc melaksanakan analisa data yang mutahir buat memilah data yang pas serta menempatkannya dalam bentuk yang cocok buat pengumpulan ketetapan. Bagi Usama Fayyad( 1996).
Baca Pula Postingan yang Bisa jadi Terpaut:“ Konfirmasi& Pengesahan” Penafsiran&( Ilustrasi– Tujuan– Perbandingan)
Cara KDD (Knowledge Discovery in Database)
Cara KDD( Knowledge Discovery in Database) bisa dengan cara besar ditafsirkan selaku selanjutnya:
1. Data Selection
Berkas data operasional Pemilahan( Selection) Data gawat butuh dicoba saat sebelum tahap pengerukan data di KDD diawali. Hasil pemilahan data yang hendak dipakai buat cara data mining, ditaruh dalam file terpisah dari database operasional.
2. Pre- processing atau Cleaning
Saat sebelum cara data mining bisa dilaksanakan, butuh dicoba pada cara eliminasi data jadi fokus KDD.
Cara eliminasi mencakup, antara lain, melenyapkan penggandaan data, mengecek inkonsistensi data, serta membenarkan kekeliruan pada data, semacam kekeliruan cap( tipografi).
Pula membuat cara pengayaan, ialah cara“ memperkaya” data dengan data ataupun data lain yang relevan serta dibutuhkan buat KDD, semacam data ataupun data eksternal yang terdapat.
3. Transformation
Coding merupakan cara alih bentuk data yang sudah, alhasil data itu cocok buat cara data mining. Coding dalam cara KDD ialah cara inovatif serta amat terkait pada tipe ataupun pola data yang hendak dicari dalam database
4. Data mining
Data mining merupakan cara mencari pola ataupun data menarik dalam data tersaring dengan memakai metode ataupun tata cara. Metode, tata cara, algoritma didalam suatu data mining amat versi. Penentuan tata cara ataupun algoritma yang pas amat tergantung pada tujuan serta cara KDD dengan cara totalitas.
5. Interpretation atau Evaluation
Data Pola yang diperoleh dari cara data mining butuh diperlihatkan dalam wujud yang gampang dipahami oleh pihak yang bersangkutan. Langkah ini ialah bagian dari cara KDD yang diucap pemahaman. Tahap ini tercantum mengecek apakah pola ataupun data yang ditemui berlawanan dengan kenyataan ataupun anggapan yang terdapat.
KDD cara garis terdiri dari 5 langkah semacam yang dipaparkan lebih dahulu. Tetapi, dalam cara KDD jelas, cuma bisa terjalin perulangan ataupun klise pada langkah langkah. Pada tiap tahap dalam cara KDD, seseorang analis bisa balik ke langkah lebih dahulu.
Selaku ilustrasi, pada dikala cara coding ataupun data mining, analis mengetahui eliminasi tidak dicoba dengan sempurna, ataupun bisa jadi analis menciptakan data ataupun data terkini buat“ memperkaya” data yang telah terdapat.
KDD melingkupi semua cara mencari pola ataupun data dalam database, mulai dari penentuan serta kategorisasi data ke representasi pola yang ditemui dalam wujud yang gampang dipahami oleh pihak yang bersangkutan. Data mining ialah salah satu bagian dalam KDD difokuskan pada pengerukan pola tersembunyi dalam data base.
Baca Pula Postingan yang Bisa jadi Terpaut: Peralatan– Penafsiran Bagi Para Pakar, Industri, Tujuan, Rancangan & Contohnya
Sebutan yang Berkaitan dengan Data Warehouse
Istilah- istilah yang berhubungan dengan data warehouse:
Data Mart
Merupakan sesuatu bagian pada data warehouse yang mensupport pembuatan informasi serta analisa data pada sesuatu bagian, bagian ataupun pembedahan pada sesuatu industri.
On- Line Analytical Processing( OLAP)
Ialah sesuatu pemrosesan database yang memakai bagan kenyataan serta format buat bisa menunjukkan bermacam berbagai wujud informasi, analisa, query dari data yang berdimensi besar.
On- Line Transaction Processing( OLTP)
Ialah sesuatu pemrosesan yang menaruh data hal aktivitas operasional bisnis tiap hari.
Dimension Table
Bagan yang berisikan jenis dengan ijmal data perinci yang bisa dikabarkan. Semacam informasi keuntungan pada bagan kenyataan bisa dikabarkan selaku format durasi( yang berbentuk perbulan, perkwartal serta pertahun).
Fact Table
Ialah bagan yang biasanya memiliki nilai serta data history dimana key( kunci) yang diperoleh amat istimewa, sebab key itu terdiri dari foreign key( kunci asing) yang ialah primary key( kunci penting) dari sebagian dimension table yang berkaitan.
DSS
Merupkan sistem yang sediakan data pada konsumen yang menarangkan gimana sistem ini bisa menganalisa suasana serta mensupport sesuatu ketetapan yang bagus.
Keuntungan Data Warehouse
Selanjutnya ini ada sebagian profit data warehouse, terdiri atas:
1. Potential high returns on investment
Sesuatu badan wajib melaksanakan beberapa besar sumberdaya buat membenarkan keberhasilan aplikasi dari data warehouse dengan bayaran yang amat variatif. Angka pemodalan yang ditanamkan lebih kilat balik dengan memakai data warehouse.
2. Competitive advantage
Profit bersaing bisa digapai dengan memungkinkannya akses pemilik ketetapan ke data yang lebih dahulu amat tidak bisa jadi.
3. Increased productivity of corporate decision- makers
Data warehousing bisa tingkatkan daya produksi pemilik ketetapan dengan membuat database berintegrasi yang tidak berubah- ubah, mengarah poin, serta data history. Dengan memindahkan data kedalam wujud yang lebih berarti, data warehouse membolehkan administrator bidang usaha buat menunjukkan analisa yang lebih subtantif, cermat serta tidak berubah- ubah.
Baca Pula Postingan yang Bisa jadi Terpaut:“ Pemasaran Asongan( Ritel)” Penafsiran&( Tujuan– Guna– Tipe)
Ilustrasi Data Warehouse
Suatu gerai swalayan merekam tiap pemasaran benda dengan mengenakan perlengkapan POS( Poin of Sales). Database data pemasaran itu dapat menggapai sebagian GB tiap harinya buat suatu jaringan di gerai swalayan bernilai nasional.
Namun perkembangan yang cepat dari penumpukan data itu sudah menghasilkan situasi yang kerap diucap selaku“ rich of data but poor of information”. Tidak tidak sering berkas data itu didiamkan sedemikian itu saja seolah hendak“ makam data”( data tombs).
Begitu Ulasan Mengenai Data Warehouse merupakan– 5 Penafsiran Bagi Para Pakar, Karakter, Cara, Ikatan, Profit serta Ilustrasi Mudah- mudahan Berguna.