rea Acadmica: Sistemas Computacionales

Tema: Explotacin de un Almacn de Datos:

Herramientas OLAP

Profesor: Mtro Felipe de Jesus Nuez Cardenas

Periodo:Agosto Noviembre 2011

Keywords
Herramientas OLAP, OLTP.
Tema: Explotacin de un Almacen de Datos:
Herramientas OLAP

Abstract
Datawarehouse are used by different OLAP tools,
which help you get a better analysis of information
from them reports we can generate.

Keywords:
Herramientas OLAP, OLTP
Herramientas OLAP

Las herramientas de OLAP presentan al usuario una

visin multidimensional de los datos (esquema
multidimensional) para cada actividad que es objeto
de anlisis.
El usuario formula consultas a la herramienta OLAP
seleccionando atributos de este esquema
multidimensional sin conocer la estructura interna
(esquema fsico) del almacn de datos.
La herramienta OLAP genera la correspondiente
consulta y la enva al gestor de consultas del
sistema (p.ej. mediante una sentencia SELECT).
Herramientas OLAP

una consulta a un almacn de datos consiste generalmente

en la obtencin de medidas sobre los hechos parametrizadas
por atributos de las dimensiones y restringidas por
condiciones impuestas sobre las dimensiones

medida hecho

Importe total de las ventas durante este ao de los productos

del departamento Bebidas, por trimestre y por categora ?.

Restricciones: productos del departamento Bebidas, ventas durante este ao

Parmetros de la consulta: por categora de producto y por trimestre

Herramientas OLAP

Marca Bebidas
Da de la
Categora semana
Mes
Departamento
Nro_producto Da Ao Trimestre
Tipo

importe 2002
unidades
Almacn

Ciudad
Importe total de ventas en Tipo
este ao, del departamento Regin
de Bebidas, por categora y
trimestre
Herramientas OLAP

trimestre categora importe

Herramientas OLAP

Categora Trimestre Ventas

Presentacin tabular
(relacional) de los
Refrescos T1 2000000
datos seleccionados

Refrescos T2 1000000

Refrescos T3 3000000

Refrescos T4 2000000

Zumos T1 1000000

Zumos T2 1500000
Se asumen dos categoras en
Zumos T3 8000000
el departamento de Bebidas:
2400000 Refrescos y Zumos.
Zumos T4
Herramientas OLAP

trimestre
Presentacin matricial
T1 T2 T3 T4 (multidimensional) de
categora
los datos
Refrescos 2000000 1000000 3000000 2000000 seleccionados

Zumos 1000000 1500000 8000000 2400000

Los parmetros de la consulta (por trimestre y por

categora) determinan los criterios de agrupacin de los
datos seleccionados (ventas de productos del departamento
Bebidas durante este ao). La agrupacin se realiza sobre
dos dimensiones (Producto, Tiempo).
Herramientas OLAP

Lo interesante no es poder realizar consultas

que, en cierto modo, se pueden hacer con
selecciones, proyecciones, concatenaciones y
agrupamientos tradicionales.

Lo realmente interesante de las herramientas

OLAP son sus operadores de refinamiento o
manipulacin de consultas.
DRILL
ROLL
SLICE & DICE
PIVOT
Herramientas OLAP

El carcter agregado de las consultas en el

Anlisis de Datos, aconseja la definicin de
nuevos operadores que faciliten la agregacin
(consolidacin) y la disgregacin (divisin) de
los datos:
agregacin (roll): permite eliminar un criterio de
agrupacin en el anlisis, agregando los grupos
actuales.
disgregacin (drill): permite introducir un nuevo
criterio de agrupacin en el anlisis,
disgregando los grupos actuales.
Herramientas OLAP

Si se desea introducir la dimensin Almacn en

el anlisis anterior e incluir un nuevo criterio de
agrupacin sobre la ciudad del almacn:

Importe total de las ventas durante este

ao de los productos del departamento
Bebidas, por trimestre, por categoras y
por ciudad del almacn ?.

Restricciones: productos del departamento Bebidas, ventas

durante este ao

Parmetros de la consulta: por categora de producto, por

trimestre y por ciudad del almacn.
Herramientas OLAP

Marca Bebidas
Da de la
Categora semana
Mes
Departamento
Nro_producto Da Ao Trimestre
Tipo

importe 2002
unidades
Almacn

Ciudad
Importe total de ventas en Tipo
este ao, del departamento Regin
de Bebidas, por categora,
trimestre y ciudad
Herramientas OLAP

trimestre categora importe

la operacin de DRILL
se realiza sobre el
informe original !
Herramientas OLAP

Categora Trimestre Ventas Categora Trimestre Ciudad Ventas

Refrescos T1 Valencia 1000000

Refrescos T1 2000000
Refrescos Len 1000000
T1
Refrescos T2 1000000 Refrescos T2 Valencia 400000

Refrescos T2 Len 700000

Refrescos T3 3000000

Refrescos T4 2000000
Cada grupo (categora-trimestre) de la
Zumos T1 1000000 consulta original se disgrega en dos
nuevos grupos (categora-trimestre-
Zumos T2 1500000 ciudad) para las ciudades de Len y
Valencia.
Zumos T3 8000000

Zumos T4 2400000
* Se asumen dos ciudades: Valencia y Len.
Herramientas OLAP
Zumos

300000 500000 200000 2000000

1000000 400000 100000 500000

Presentacin matricial de
T3 T4 los datos seleccionados.
Herramientas OLAP

Si se desea eliminar el criterio de

agrupacin sobre la dimensin Tiempo en
la consulta original:

Importe total de las ventas durante

este ao de los productos del
departamento Bebidas, por categoras ?
Herramientas OLAP

Marca Bebidas
Da de la
Categora semana
Mes
Departamento
Nro_producto Da Ao Trimestre
Tipo

importe 2002
unidades
Almacn

Ciudad
Importe total de ventas en Tipo
este ao, del departamento Regin
de Bebidas, por categoras
Herramientas OLAP

trimestre categora importe

la operacin de ROLL
se realiza sobre el
informe original !
Herramientas OLAP

Categora Trimestre Ventas

Refrescos T1 2000000

Refrescos T2 1000000

Refrescos Categora Ventas

T3 3000000

Refrescos 8000000
Refrescos T4 2000000

Zumos 12900000
Zumos T1 1000000

Zumos T2 1500000

Zumos T3 8000000

Zumos T4 2400000
Herramientas OLAP

Las operaciones de agregacin (DRILL) y disgregacin (ROLL)

se pueden hacer sobre:
atributos de una dimensin sobre los que se ha definido una
jerarqua: DRILL-DOWN, ROLL-UP
departamento categora - producto (Producto)
ao - trimestre mes - da (Tiempo)
sobre dimensiones independientes: DRILL-ACROSS,
ROLL-ACROSS
Producto Almacn -Tiempo
Herramientas OLAP

trimestre categora importe

la operacin de DRILL
se realiza sobre el
informe original !
Herramientas OLAP

Categora Trimestre Ventas Categora Trimestre Mes Ventas

Refrescos T1 Enero 1000000

Refrescos T1 2000000
Refrescos Febrero 500000
T1
Refrescos T2 1000000 Refrescos T1 Marzo 500000

Refrescos T3 3000000

Refrescos T4 2000000

Cada grupo (categora-trimestre) de la

Zumos T1 1000000
consulta original se disgrega en dos
Zumos T2 nuevos grupos (categora-trimestre-mes).
1500000

Zumos T3 8000000

Zumos T4 2400000
 Herramientas OLAP

Otras operaciones de OLAP:

SLICE & DICE: seleccionar y proyectar datos en el

informe.

PIVOT: reorientacin de las dimensiones en el

informe.
Herramientas OLAP

Ventas Ventas
Productos Store1 Store2 Productos Q1 Q2
Electronics $5,2 $5,6 Electronics $5,2 $8,9

Store 1
Toys $1,9 $1,4 Toys $1,9 $0,75
Q1

Clothing $2,3 $2,6 Clothing $2,3 $4,6

Cosmetics $1,1 $1,1 Cosmetics $1,1 $1,5
Electronics $8,9 $7,2 Electronics $5,6 $7,2

Store 2
Toys $0,75 $0,4 Toys $1,4 $0,4
Q2

Clothing $4,6 $4,6 PIVOT Clothing $2,6 $4,6

Cosmetics $1,5 $0,5 Cosmetics $1,1 $0,5
Herramientas OLAP

Ventas
Productos Store1 Store2 Ventas
Electronics $5,2 $5,6 Productos Store1
Toys $1,9 $1,4
Q1

Clothing $2,3 $2,6 Electronics $5,2

Q1
Cosmetics $1,1 $1,1 Toys $1,9
Electronics $8,9 $7,2 Electronics $8,9

Q2
Toys $0,75 $0,4
Q2

Toys $0,75
Clothing $4,6 $4,6
Cosmetics $1,5 $0,5
SLICE
& DICE
 Herramientas OLAP

Las herramientas de OLAP se caracterizan* por:

ofrecer una visin multidimensional de los datos (matricial).
no imponer restricciones sobre el nmero de dimensiones.
ofrecer simetra para las dimensiones.
permitir definir de forma flexible (sin limitaciones) sobre las dimensiones:
restricciones, agregaciones y jerarquas entre ellas.
ofrecer operadores intuitivos de manipulacin: drill-down, roll-up, slice-and-
dice, pivot.
ser transparentes al tipo de tecnologa que soporta el almacn de datos
(ROLAP o MOLAP).

*Subconjunto de las 12 reglas propuestas por E.F. Codd para A.D.

 Bibliografa
Hand, D.J.; Mannila, H. and Smyth, P. Principles of Data Mining,
The MIT Press, 2000.
Hernndez, J.; Ramrez, MJ.; Ferri, C. Introduccin a la Minera de
Datos Pearson Prentice Hall, 2004.
Kosala, R.; Blockeel, H. Web Mining Research: A Survey ACM
SIGKDD Explorations, Newsletter of the ACM SIG on Knowledge
Discovery and Data Mining, June 2000, Vol. 2, n1, pp. 1-15.
Mena, Jesus Data Mining Your Website, Digital Press, July 1999.
Mitchell, T.M. Machine Learning McGraw-Hill 1997.
Pyle, D. Data Preparation for Data Mining Morgan Kaufmann,
Harcourt Intl., 1999.
Thuraisingham, B. Data Mining. Technologies, Techniques, Tools, and
Trends, CRC Press, 1999.
Witten, I.H.; Frank, E. Tools for Data Mining, Morgan Kaufmann, 1999.
Wong, P. C. Visual Data Mining, Special Issue of IEEE Computer
Graphics and Applications, Sep/ Oct 1999, pp. 20- 46.
Material extrado del Anlisis y Extraccin de Conocimiento en
Sistemas de Informacin:Datawarehouse y Datamining de Jos
Hernndez Orallo, Universidad Politcnica de Valencia