TECNOLOGÍA CLIENTE SERVIDOR

(1)

NOLÓGICA ECOTEC. ISO 9001:2008

TECNOLOGÍA CLIENTE SERVIDOR

Msc. Donelkys Santana Medina Semestre 1

(2)

TECNOLÓGICA ECOTEC. ISO 9001:2008

OLTP

OLCP

OLAP

(3)

ECNOLÓGICA ECOTEC. ISO 9001:2008

Transacciones En Línea: es un tipo de procesamiento que facilita y administra aplicaciones transaccionales, usualmente para entrada de datos y recuperación y procesamiento de transacciones (gestor transaccional).

Los paquetes de software para OLTP se basan en la arquitectura cliente-servidor y son utilizados por empresas con una red informática distribuida.

(4)

AD TECNOLÓGICA ECOTEC. ISO 9001:2008

El Procesamiento Complejo En Línea: es también de tipo operacional pero difiere del OLTP en que la información manipulada es de carácter complejo como, por ejemplo, texto, gráficos, imágenes, audio y vídeo.

También, las transacciones incluyen muchas líneas de código, son de media y larga duración y son pocos los usuarios que concurrentemente accesan los datos. La tecnología de objetos, mediante aplicaciones de control de flujo de tareas (Workflow), es la que ha dado sustento y reconocimiento a este modelo de procesamiento.

(5)

Los sistemas OLAP accesan grandes cantidades de datos a través de procesos de consulta, sobre bases de datos multidimensionales con el propósito de servir a sistemas de apoyo a las decisiones.

(6)

OLAP

Tiene la función de ayudar a interpretar y

integrar el significado de los datos operativos,

suministrando herramientas de muy alto nivel

que pueden categorizarse en tres niveles:

(7)

reportes y gráficos, mientras mantienen un control estricto sobre el acceso a la información.

 Análisis multidimensional. Recorren la información por niveles, del resumen al detalle y de éste a la consolidación, para identificar tendencias desde diferentes perspectivas.

 Exploración de datos. Ejecutan procesos automatizados que descubren patrones ocultos en los datos.

(8)

OLAP

Permite a los usuarios de negocio examinar minuciosamente los datos a su antojo.

Normalmente, los datos en una organización se distribuyen en múltiples fuentes de datos y son incompatibles entre sí.

Parte del proceso de implementación OLAP consiste en extraer los datos de diferentes repositorios y hacerlos compatibles.

(9)

El Procesamiento Analítico en Línea está ganando rápidamente popularidad gracias a la tecnología emergente de los almacenes de datos (Datawarehousing). Este modelo trata en forma exclusiva con datos de solo lectura, y está orientado por la necesidad de las organizaciones de transformar sus datos en información.

(10)

 Concepto

 Características de un Almacén de Datos

 Funciones de un Almacén de Datos

 Ventajas de Data warehouse

 Data mart

(11)

Video sobre Inteligencia de Negocios o Business Intelligence:

https://www.youtube.com/watch?v=mVbNAfqqWB4

(12)

El Procesamiento de Transacciones Online (OLTP), usado normalmente por aplicaciones orientadas a la transacción:

 No ha sido construido teniendo en cuenta la creación de bases de datos segregada.

 Los potenciales análisis que puedan realizarse se hacen sobre los mismos datos usados por la aplicación.

 Tampoco han sido diseñadas para situaciones donde la cantidad de datos a ser analizados es exponencialmente grande.

(13)

Los Almacenes de Datos: son repositorios diseñados para facilitar la confección de los informes y la realización de análisis; tal como ocurre con las bases de datos, pueden ser completamente separados del sistema de información principal; lo cual significa una ganancia enorme en el rendimiento de los sistemas cuando se ejecuten las consultas.

(14)

La topología típica usada para construir un almacén de datos se denomina "modelo en forma de estrella":

(15)

referencia un número de "dimensiones" (que son las tablas que están alrededor).

Usando este método es posible producir informes que incluyan gran cantidad de información distribuida. Por esta razón se construyen (hiper)cubos de información, y mediante este modelo de datos desde diferentes dimensiones (potencialmente todas variables) pueden ser enlazadas todas juntas.

(16)

Cubo OLAP con Tiempo, Cliente y Producto como dimensiones:

(17)

debe ser construido para adaptarse perfectamente a dicha lógica. Así será necesario realizar cuantas adaptaciones sean demandadas al almacén y al resto de procesos, para conseguir el máximo beneficio y aprovechamiento de la herramienta.

(18)

(19)

información con el objeto de conservar "información histórica" en un intento de dar coherencia a los informes a lo largo del tiempo.

Por ejemplo, si el nombre de una cuenta (cliente) cambia, el sistema BI creará una nueva versión marcada con un nueva marca de tiempo, de forma que las entidades que existían antes del cambio sigan estando relacionadas con la misma cuenta, mientras que las nuevas entidades que se vayan a crear a partir de ahora se relacionen con la nueva versión.

(20)

Un Datawarehouse es una base de datos corporativa que se caracteriza por integrar y depurar información de una o más fuentes distintas, para luego procesarla permitiendo su análisis desde infinidad de pespectivas y con grandes velocidades de respuesta.

(21)

(22)

La creación de un Datawarehouse representa en la mayoría de las ocasiones el primer paso, desde el punto de vista técnico, para implantar una solución completa y fiable de Business Intelligence.

(23)

Un datawarehouse se caracteriza por ser:

 Integrado

 Temático

 Histórico

 No volátil

(24)

Integrado:

Los datos almacenados en el datawarehouse deben integrarse en una estructura consistente, por lo que las inconsistencias existentes entre los diversos sistemas operacionales deben ser eliminadas. La información suele estructurarse también en distintos niveles de detalle para adecuarse a las distintas necesidades de los usuarios.

(25)

Los datos se organizan por temas para facilitar su acceso y entendimiento por parte de los usuarios finales. Por ejemplo, todos los datos sobre clientes pueden ser consolidados en una única tabla del datawarehouse.

(26)

D TECNOLÓGICA ECOTEC. ISO 9001:2008

Histórico:

El tiempo es parte implícita de la información contenida en un datawarehouse. En los sistemas operacionales, los datos siempre reflejan el estado de la actividad del negocio en el momento presente.

Por el contrario, la información almacenada en el datawarehouse sirve, entre otras cosas, para realizar análisis de tendencias.

(27)

No volátil:

El almacén de información de un datawarehouse existe para ser leído, pero no modificado.

La actualización del datawarehouse significa la incorporación de los últimos valores que tomaron las distintas variables contenidas en él sin ningún tipo de acción sobre lo que ya existía. La información es por tanto permanente.

(28)

Proceso de construcción del Datawarehousing Denominado ETL (Extracción, Transformación y Carga), a partir de los sistemas operaciones de una compañía:

 Extracción: obtención de información de las distintas fuentes tanto internas como externas.

 Transformación: filtrado, limpieza, depuración, homogeneización y agrupación de la información.

 Carga: organización y actualización de los datos y los metadatos en la base de datos.

(29)

(30)

Principales aportaciones de un datawarehouse:

 Proporciona una herramienta para la toma de decisiones en cualquier área funcional, basándose en información integrada y global del negocio.

 Facilita la aplicación de técnicas estadísticas de análisis y modelización para encontrar relaciones ocultas entre los datos del almacén; obteniendo un valor añadido para el negocio.

(31)

 Proporciona la capacidad de aprender de los datos del pasado y de predecir situaciones futuras en diversos escenarios.

 Simplifica dentro de la empresa la implantación de sistemas de gestión integral de la relación con el cliente.

 Supone una optimización tecnológica y económica en entornos de Centro de Información, estadística o de generación de informes con retornos de la inversión espectaculares.

(32)

(33)

Componentes a tener en cuenta a la hora de construir un dw:

1. Hardware

2. Software de almacenamiento (SGBD)

3. Software de extracción y manipulación de datos 4. Herramientas Middleware

(34)

Hardware

Debido a la flexibilidad requerida a la hora de hacer consultas complejas e imprevistas, y al gran tamaño de información manejada, son necesarias unas altas prestaciones de la máquina.

(35)

Las bases de datos relacionales, se han popularizado en los sistemas operacionales, pero se han visto incapaces de enfrentarse a las necesidades de información de los entornos Data Warehouse. Por ello, y puesto que, como hemos comentado, las necesidades de información suelen atender a consultas multidimensionales, parece que unas Bases de Datos multidimensionales, parten con ventaja.

(36)

Software de extracción y manipulación de datos

Para esta labor, es crítico el poder contar con herramientas que permitan controlar y automatizar los continuos "mimos" y necesidades de actualización del Data Warehouse.

(37)

 Control de la extracción de los datos y su automatización, disminuyendo el tiempo empleado en el descubrimiento de procesos, minimizando el margen de error y permitiendo mayor flexibilidad.

 Acceso a diferentes tecnologías, haciendo un uso efectivo del hardware, software, datos y recursos humanos existentes.

 Proporcionar la gestión integrada del Data Warehouse y los Data Marts existentes, integrando la extracción, transformación y carga de datos.

 Acceso a una gran variedad de fuentes de datos diferentes.

 Interfaz independiente de hardware.

(38)

Herramientas Middleware

Las herramientas Middleware deben ser escalables siendo capaces de crecer conforme crece el Data Warehouse, sin problemas de volúmenes. También deben ser flexibles y robustas, sin olvidarse de proporcionar un rendimiento adecuado.

Debe proveer conectividad entre entornos diferentes, para ayudar en la gestión del Data Warehouse.

(39)

especializada en el almacenamiento de los datos de un área de negocio específica. Se caracteriza por disponer la estructura óptima de datos para analizar la información al detalle desde todas las perspectivas que afecten a los procesos de dicho departamento.

(40)

Es consultado mediante herramientas OLAP (Procesamiento Analítico en Línea) que ofrecen una visión multidimensional de la información. Sobre

estas bases de datos se pueden

construir EIS (Sistemas de Información para Directivos) y DSS (Sistemas de Ayuda a la toma de Decisiones).

(41)

Un Data mart: es una versión especial de almacén de datos (data warehouse). Son subconjuntos de datos con el propósito de ayudar a que un área específica dentro del negocio pueda tomar mejores decisiones.

(42)

En síntesis, se puede decir que los data marts son pequeños data warehouse centrados en un tema o un área de negocio específico dentro de una organización.

Representan una estrategia de "divide y vencerás"

para ámbitos muy genéricos de un Data Warehouse.

Aunque un datamart puede ser alimentado desde los datos de un datawarehouse, o integrar por si mismo un compendio de distintas fuentes de información.

(43)

 Prestaciones: Para descargar el data mart a un ordenador independiente para mejorar la eficiencia o para obviar las necesidades de gestionar todo el volumen del data warehouse centralizado.

 Seguridad: Para separar un subconjunto de datos de forma selectiva a los que queremos permitir o restringir el acceso.

(44)

 Conveniencia: De poder pasar por alto las autorizaciones y requerimientos necesarios para poder incorporar una nueva aplicación en el Data Warehouse principal de la Empresa.

 Demostración sobre el terreno: Para demostrar la viabilidad y el potencial de una aplicación antes de migrarla al Data Warehouse de la Empresa.

 Política: Razones internas de la organización para hacer esta división o separación de los datos del almacén de datos.

(45)

Para crear el data mart de un área de la empresa es preciso encontrar la estructura óptima para el análisis de su información, estructura que puede estar montada sobre:

 Base de datos OLTP, como el propio datawarehouse.

 Una base de datos OLAP.

(46)

Datamart OLAP

Se basan en los populares cubos OLAP, que se construyen agregando, según los requisitos de cada área o departamento, las dimensiones y los indicadores necesarios de cada cubo relacional. El modo de creación, explotación y mantenimiento de los cubos OLAP es muy heterogéneo, en función de la herramienta final que se utilice.

(47)

Datamart OLTP

Las estructuras más comunes en este sentido son las tablas report, que vienen a ser fact- tables reducidas (que agregan las dimensiones oportunas), y las vistas materializadas.

(48)

Datawarehousing es una base de datos que almacena datos de solo lectura para tributar información a los sistemas de consultas de la empresa.

Tiene como objetivo coleccionar datos,

establecer compatibilidades entre ellos y

extraer información de los mismos.

(49)

TECNOLOGÍA CLIENTE SERVIDOR