Proyecto
Notas de Data Warehousing
Resumen del primer tema del máster: modelos multidimensionales, OLAP y esquemas star / snowflake / galaxy.
Apuntes del Máster en Ciencia de Datos de la FIB, asignatura Data Warehousing (otoño 2024).
Qué es el modelo de datos multidimensional?
El fundamento del modelo multidimensional es representar la información mediante la dicotomía fact / dimension.
- El fact es el sujeto de análisis, por ejemplo: Ventas, Estado del pedido, Ratio, etc. Cada dato representa una celda en el interior del cubo.
- Las dimensions son las diferentes perspectivas de análisis del sujeto, por ejemplo: Fecha, Localidad, Categoría, etc. Cada dimensión es una arista del cubo.
Las dimensiones suelen tener una jerarquía de niveles, por ejemplo: Barrio < Ciudad < País < Continente < TODOS. En el nivel más bajo se encuentran los facts como datos atómicos. Se puede subir de nivel agregando facts hasta alcanzar TODOS.
Comparación con el modelo relacional
| Modelo Relacional | Modelo Multidimensional | |
|---|---|---|
| Estructura | Tablas relacionadas. | Cubos multidimensionales. |
| Normalización | Datos normalizados para reducir redundancia y asegurar integridad. | Datos a menudo desnormalizados para mejorar el rendimiento de las consultas. |
| Operaciones de datos | Facilita inserciones y modificaciones. | Menos JOINs → consultas más rápidas y más sencillas para el usuario. |
| Uso | Transaccional (OLTP) | Análisis (OLAP) |
Los DBMS usan internamente el modelo relacional, y después se implementa una capa OLAP intermedia con el modelo multidimensional.
Esquemas multidimensionales
Dos restricciones adicionales sobre el esquema relacional:
- Cada tabla contiene información de tipo fact (F) o de tipo dimension (D).
- Las relaciones D - F son siempre 1-* (one-to-many): primary keys en la dimensión, foreign keys en la fact.
Star schemas
Una única tabla fact central. Las dimensiones están desnormalizadas: todos los niveles jerárquicos en la misma tabla.
Snowflake schemas
También hay una fact central, pero las dimension están normalizadas. Se sacrifica rendimiento de consulta a cambio de menos redundancia.
Galaxy schemas
Varios fact con dimension compartidas. Permite análisis más detallados mediante drill-across.
Álgebra multidimensional
Siete operaciones fundamentales sobre el cubo de datos. Lo más interesante es cómo se realiza cada una en SQL.
