Geen resultaten gevonden

Uw zoekopdracht heeft geen resultaten opgeleverd

We raden u aan het volgende te proberen om te vinden wat u zoekt:

  • Controleer de spelling van het trefwoord in uw zoekopdracht.
  • Gebruik synoniemen voor het trefwoord dat u hebt getypt. Probeer bijvoorbeeld “applicatie” in plaats van “software”.
  • Probeer een van de onderstaande populaire zoekopdrachten.
  • Start een nieuwe zoekopdracht.

 

Populaire vragen

Wat is een datawarehouse?

Een datawarehouse is een type databeheersysteem dat is ontworpen om business intelligence-activiteiten (BI), met name analytics, mogelijk te maken en te ondersteunen. Datawarehouses zijn uitsluitend bedoeld om zoekopdrachten en analyses uit te voeren en bevatten vaak grote hoeveelheden historische data. De data in een datawarehouse wordt meestal onttrokken aan een verscheidenheid aan bronnen, zoals logbestanden van applicaties en transactieapplicaties.

Een datawarehouse centraliseert en consolideert grote hoeveelheden data uit meerdere bronnen. De analytische mogelijkheden stellen organisaties in staat om waardevolle zakelijke inzichten uit hun data te halen om besluitvorming te verbeteren. In de loop der tijd wordt een historisch record opgebouwd dat van onschatbare waarde kan zijn voor datawetenschappers en bedrijfsanalisten. Door deze mogelijkheden kan een datawarehouse worden beschouwd als de “enige bron van waarheid” van een bedrijf.’

Een typisch datawarehouse omvat vaak de volgende elementen:

  • Een relationele database waarin data wordt opgeslagen en beheerd
  • Een ELT-oplossing (extractie, laden en transformatie) voor het voorbereiden van data voor analyse
  • Functies voor statistische analyse, rapportage en datamining
  • Analysetools voor klanten voor het visualiseren en presenteren van data aan zakelijke gebruikers
  • Andere, meer geavanceerde analytische applicaties die bruikbare
  • informatie kunnen genereren door toepassing van algoritmen voor machine learning en kunstmatige intelligentie (AI)

Waarom geen analytics uitvoeren op uw OLTP-omgeving?

Datawarehouses zijn relationele omgevingen die worden gebruikt voor data-analyse, met name van historische data. Organisaties gebruiken datawarehouses voor het ontdekken van patronen en relaties in hun data die zich in de loop der tijd ontwikkelen.

Transactionele omgevingen daarentegen worden gebruikt om transacties doorlopend te verwerken en worden vaak gebruikt voor orderinvoer en financiële en retailtransacties. Ze bouwen niet op de historische data. In OLTP-omgevingen is het zelfs zo dat historische data vaak wordt gearchiveerd of gewoon verwijderd wordt om de prestaties te verbeteren.

Datawarehouses en OLTP-systemen verschillen aanzienlijk.

Datawarehouse OLTP-systeem
Workload Geschikt voor ad hoc-query's en data-analyse Ondersteunt alleen vooraf gedefinieerde bewerkingen
Datawijzigingen Wordt regelmatig bijgewerkt Wordt bijgewerkt door eindgebruikers die individuele verklaringen afgeven
Schema-ontwerp Gebruikt gedeeltelijk gedenormaliseerde schema's om de prestaties te optimaliseren Gebruikt volledig genormaliseerde schema's om de consistentie van data te waarborgen
Scannen van data Omvat duizenden tot miljoenen rijen Bereikt slechts een handvol records per keer
Historische data Slaat vele maanden of jaren aan data op Slaat data slechts gedurende weken of maanden op

Datawarehouses, datamarts en operationele datastores

Hoewel ze vergelijkbare functies vervullen, verschillen datawarehouses van datamarts en operationele datastores (ODS). Een datamart voert dezelfde functies uit als een datawarehouse, maar binnen een veel beperkter bereik - meestal een enkele afdeling of branche.— Hierdoor zijn datamarts gemakkelijker op te zetten dan datawarehouses. Bij datamarts ontstaan echter makkelijk inconsistenties, aangezien het lastig kan zijn om data op uniforme wijze te beheren en controleren binnen talloze datamarts.

ODS ondersteunen alleen dagelijkse bewerkingen, dus hun weergave van historische data is zeer beperkt. Hoewel ze heel goed werken als bronnen van actuele data en vaak als zodanig worden gebruikt door datawarehouses, ondersteunen ze geen historisch rijke query's.

Heb ik een data lake nodig?

Organisaties gebruiken zowel data lakes als datawarehouses voor grote volumes data uit verschillende bronnen. De keuze voor het een of het ander is afhankelijk van wat de organisatie met de data wil doen. Hieronder wordt beschreven hoe elk het best kan worden gebruikt:

  • Data lakes bieden opslag aan een overvloed aan ongelijksoortige, ongefilterde data om later voor een bepaald doel te gebruiken. Data van branche-applicaties, mobiele apps, sociale media, IoT-apparaten en meer worden als onbewerkte data vastgelegd in een data lake. De structuur, integriteit, selectie en indeling van de verschillende datasets wordt afgeleid op het moment van analyse door degene die de analyse uitvoert. Wanneer organisaties goedkope opslag nodig hebben voor ongeformatteerde, ongestructureerde data uit meerdere bronnen die ze in de toekomst voor een of ander doel willen gebruiken, kan een data lake de juiste keuze zijn.
  • Datawarehouses zijn specifiek bedoeld voor het analyseren van data. Analytische verwerking binnen een datawarehouse wordt uitgevoerd op data die gereed is gemaakt voor analyse (verzameld, gecontextualiseerd en getransformeerd) met het doel om op analyses gebaseerde inzichten te genereren.—— Datawarehouses zijn ook bedreven in het verwerken van grote hoeveelheden data uit verschillende bronnen. Wanneer organisaties geavanceerde data-analytics of -analyse nodig hebben op basis van historische data uit meerdere bronnen binnen hun bedrijf, is een datawarehouse waarschijnlijk de juiste keuze.

Voordelen van een datawarehouse

Datawarehouses bieden het overkoepelende en unieke voordeel dat organisaties grote hoeveelheden variant data kunnen analyseren en er aanzienlijke waarde uit kunnen halen, evenals een historische record kunnen behouden.

Vier unieke kenmerken (beschreven door computerwetenschapper William Inmon, die wordt beschouwd als de grondlegger van het datawarehouse) zorgen ervoor dat datawarehouses dit overkoepelende voordeel kunnen bieden. Volgens deze definitie zijn datawarehouses

  • Onderwerpgericht. Ze kunnen data analyseren over een bepaald onderwerp of een bepaald functioneel gebied (zoals verkooporganisatie).
  • Geïntegreerd. Datawarehouses zorgen voor consistentie tussen verschillende datatypen uit ongelijksoortige bronnen.
  • Niet-vluchtig. Zodra data in een datawarehouse is opgeslagen, is het stabiel en verandert het niet.
  • Tijdsafhankelijk. Datawarehouse-analyse kijkt naar veranderingen in de tijd.

Een goed ontworpen datawarehouse voert zeer snel query's uit, levert een hoge datadoorvoer en biedt eindgebruikers voldoende flexibiliteit voor “slice-and-dice” of het beperken van het volume aan data voor nader onderzoek om aan verschillende eisen te voldoen - of dit nou op hoog niveau of op een zeer fijn, gedetailleerd niveau is.— Het datawarehouse fungeert als de functionele basis voor middleware-BI-omgevingen, die eindgebruikers rapporten, dashboards en andere interfaces bieden.

Datawarehouse-architectuur

De architectuur van een datawarehouse wordt bepaald door de specifieke behoeften van de organisatie. Veel voorkomende architecturen zijn

  • Eenvoudig. Alle datawarehouses delen een basisontwerp waarin metagegevens, samenvattingsdata en onbewerkte data worden opgeslagen in de centrale opslagplaats van het warehouse. De opslagplaats wordt aan de ene kant gevoed door databronnen en aan de andere kant door eindgebruikers gebruikt voor analyse, rapportage en mining.
  • Eenvoudig met een verzamelplaats. Operationele data moet worden opgeschoond en verwerkt voordat deze in het warehouse wordt geplaatst. Hoewel dit programmatisch kan worden gedaan, voegen veel datawarehouses een verzamelgebied toe voor data voordat deze het warehouse binnengaat, om datavoorbereiding te vereenvoudigen.
  • Hub-and-spoke. Door datamarts tussen de centrale opslagplaats en eindgebruikers toe te voegen, kan een organisatie zijn datawarehouse aanpassen om verschillende bedrijfstakken te bedienen. Wanneer data klaar is voor gebruik, wordt deze verplaatst naar de juiste datamart.
  • Sandboxes. Sandboxes zijn afgezonderde, veilige gebieden waarmee bedrijven snel en informeel nieuwe datasets of manieren om data te analyseren kunnen verkennen zonder zich te moeten houden aan of te voldoen aan de formele regels en het protocol van het datawarehouse.

De evolutie van datawarehouses: van data-analytics naar AI en machine learning—

Toen datawarehouses hun opwachting maakten eind jaren 1980, hadden ze als doel om te helpen data uit operationele systemen over te brengen naar beslissingsondersteunende systemen (DSS). Deze vroege datawarehouses vereisten een enorme hoeveelheid redundantie. De meeste organisaties hadden meerdere DSS-omgevingen die hun verschillende gebruikers bedienden. Hoewel de DSS-omgevingen veel van dezelfde data gebruikten, werd het verzamelen, opschonen en integreren van data vaak gerepliceerd voor elke omgeving.

Toen datawarehouses efficiënter werden, evolueerden ze van informatieopslag die traditionele BI-platforms ondersteunden naar brede analytische infrastructuren die een breed scala aan applicaties ondersteunen, zoals operationele analytics en prestatiebeheer.

Datawarehouse-iteraties zijn in de loop der tijd van steeds grotere toegevoegde waarde geworden voor het bedrijf.

Stap Functie Zakelijke waarde
1 Transactionele rapportage Levert relationele informatie om snapshots van bedrijfsprestaties te maken
2 Slice-and-dice, ad hoc-query, BI-tools Breidt de mogelijkheden uit voor verregaandere inzichten en krachtigere analyse
3 Voorspellen van toekomstige prestaties (datamining) Ontwikkelt visualisaties en toekomstgerichte business intelligence
4 Tactische analyse (ruimtelijk, statistiek) Biedt “wat-als”-scenario's om praktische beslissingen te nemen op basis van meer uitgebreide analyse
5 Slaat vele maanden of jaren aan data op Slaat data slechts gedurende weken of maanden op

Om elk van deze vijf stappen te ondersteunen, was een toenemende verscheidenheid aan datasets nodig. Vooral de laatste drie stappen maken een nog breder scala aan data en analytische functies noodzakelijk.

Tegenwoordig zorgen AI en machine learning voor transformaties in bijna alle bedrijfstakken, services en bedrijfsmiddelen. Datawarehouses vormen hierop geen uitzondering.— De uitbreiding van big data en de toepassing van nieuwe digitale technologieën zorgen voor verandering in de vereisten en mogelijkheden voor datawarehouses.

Het autonome datawarehouse is de nieuwste stap in deze evolutie en biedt bedrijven de mogelijkheid nog meer waarde te halen uit hun data terwijl ze de kosten verlagen en de betrouwbaarheid en prestaties van datawarehouses verbeteren.

Lees meer over autonome datawarehouses en ga aan de slag met uw eigen autonome datawarehouse.

Een datawarehouse ontwerpen

Wanneer een organisatie een datawarehouse gaat ontwerpen, moeten ze beginnen met het bepalen van de specifieke bedrijfsvereisten, overeenstemming bereiken over de reikwijdte en een conceptueel ontwerp opstellen. De organisatie kan vervolgens zowel het logische als het fysieke ontwerp voor het datawarehouse maken. Het logische ontwerp omvat de relaties tussen de objecten en het fysieke ontwerp omvat de beste manier om de objecten op te slaan en op te halen. Het fysieke ontwerp omvat ook transport-, back-up- en herstelprocessen.

In elk datawarehouse-ontwerp moet het volgende zijn opgenomen:

  • Specifieke datainhoud
  • Relaties binnen en tussen groepen data
  • De systeemomgeving die het datawarehouse zal ondersteunen
  • De typen datatransformaties die nodig zijn
  • De frequentie voor datavernieuwing

Een primaire factor in het ontwerp is de behoefte van de eindgebruikers. De meeste eindgebruikers willen analyses uitvoeren en data als geheel bekijken, in plaats van als afzonderlijke transacties. Vaak weten eindgebruikers echter pas echt wat ze willen wanneer er een specifieke behoefte ontstaat. Het planningsproces moet dus voldoende verkennend zijn om te anticiperen op behoeften. Tot slot moet het datawarehouse-ontwerp ruimte laten voor uitbreiding en evolutie om gelijke tred te kunnen houden met de zich ontwikkelende behoeften van eindgebruikers.

De Cloud en het datawarehouse

Datawarehouses in de cloud bieden dezelfde kenmerken en voordelen als on-premises datawarehouses, maar met de extra voordelen van cloud-computing, zoals flexibiliteit, schaalbaarheid, beveiliging en lagere kosten. Datawarehouses in de cloud stellen bedrijven in staat zich uitsluitend te richten op het onttrekken van waarde aan hun data zonder de hardware- en software-infrastructuur te moeten bouwen en beheren die nodig is om het datawarehouse te ondersteunen.

Meer informatie over Oracle Cloud en datawarehouses (pdf)

Inzet zonder complexiteit: het autonome datawarehouse

De meest recente iteratie van het datawarehouse is het autonome datawarehouse, dat vertrouwt op AI en machine learning om handmatige taken te elimineren en installatie, implementatie en databeheer te vereenvoudigen. Voor een as-a-service autonoom datawarehouse in de cloud is geen door de mens uitgevoerd databasebeheer, hardwareconfiguratie of -beheer of software-installatie nodig.

Het datawarehouse maken, een back-up maken, patchen en upgraden van de database, en op- of afschalen van de database worden allemaal automatisch uitgevoerd: met dezelfde flexibiliteit en schaalbaarheid en tegen lagere kosten dan die cloudplatforms bieden.— Het autonome datawarehouse rekent af met complexiteit, versnelt de implementatie en maakt middelen vrij, zodat organisaties zich kunnen richten op activiteiten die waarde toevoegen aan het bedrijf.

Oracle Autonomous Data Warehouse

Oracle Autonomous Data Warehouse is een eenvoudig te gebruiken, volledig autonoom datawarehouse dat flexibel schaalt, snelle queryprestaties levert en geen databasebeheer vereist. Oracle Autonomous Data Warehouse is heel eenvoudig en snel in te stellen.

Meer informatie over Oracle Autonomous Data Warehouse (pdf)