Yeni bir data mart girişiminde veri modelleyicisi olarak atandınız. Veri modelleyici olarak rolünüzde hangi etkinliklerin ve bunların hangi sırayla gerçekleştirilmesi gerektiğini görev elektronik tablosunu kullanarak zaten biliyorsunuz. Şimdi proje yöneticisine her görev için bir tahmin vermeniz gerekiyor. Size, projenin uygulama yoluyla analiz için tam 6 ay olan Nisan ayı sonuna kadar tamamlanması gerektiğini zaten söyledi.

Şimdiye kadarki proje anlayışınıza göre, bu proje için işletme ve teknik ekipten son derece deneyimli kişiler görevlendirilir. Ek olarak, geçmişte veri marketlerini modelleme konusunda deneyiminiz oldu.

Bu bilgilere dayanarak, Konu Alanı İşgücü Aralığına atıfta bulundunuz ve bu projeye atanan yüksek düzeyde uzmanlık nedeniyle, bu veri pazarının yeni bir veri pazarı için düşük çaba aralığında olması gerektiğine karar verdiniz. Bu nedenle, konu alanı başına 4 günün yeterli olduğunu tahmin ediyorsunuz.

Proje yöneticisinden, konu alanlarının sayısına ilişkin hızlı bir analiz yapması için 2 gün isteyin ve biri veri pazarı için, diğeri veri ambarı mimarisi için olmak üzere iki rakamla geri dönün. Veri pazarında beş konu alanı olacağına inanıyorsunuz. Bu nedenle, data mart veri modelleme çalışması yaklaşık 20 gün sürmelidir.

Ayrıca, bu yeni veri pazarını eklemenin, veri ambarı içinde yeni bir konu alanı oluşturmak ve iki konu alanını daha büyük ölçüde güncellemek anlamına geleceğine de inanıyorsunuz. Bu bize veri ambarı mimarisinde üç konu alanı verir.

Veri ambarında konu alanı başına kabaca 5 gün süreceğine inanıyorsunuz. Bu nedenle, veri ambarı mimarisi veri modelleme çalışması kabaca 15 gün sürmelidir. Görevlerin nasıl bölündüğünü gösterir.

Bu, data mart için bu görevlerin her biri için toplam süreyi gösterir. Şimdi veri ambarı mimarisinde geliştirmeleri yapalım.

Bu iki miktarı toplarsanız toplam 35 günlük emek elde edersiniz. Süre, bu görevlerin ne kadar sürdüğüne ve toplam süreyi azaltmak için üzerinde kaç kişinin çalışabileceğine ilişkin kendi deneyiminize bağlı olarak daha uzun veya daha kısa olabilir. Bunun size yardımcı olabilecek bir kılavuz veya araç olduğunu unutmayın. Projeler birçok farklı faktöre göre değişiklik göstermektedir.

Veri ambarı Nedir
Veri tabanı ve veri ambarı Arasındaki fark
Veri ambarı örnekleri
Veri ambarı mimarisi
Veri ambarı modelleme
Veri ambarı özellikleri
Veri ambarı nasıl oluşturulur
Veri Ambarı Eğitimi

Mevcut Bir Operasyonel Uygulamada Yapılan İyileştirmeler

Operasyonel bir uygulamada hızlı bir geliştirme yapmak için veri modelleyici olarak atandınız. Proje yöneticisi, bunun çok küçük bir değişiklik olduğunu garanti eder. Bununla birlikte, hangi konu alanlarının etkilendiğini görmek için hızlı bir analiz yaparsınız ve üç tane olduğunu görürsünüz.

Bu projenin bir smaç olmayacağına inanıyorsun. Aksine, tam tersi olacak ve tamamlanması önemli miktarda zaman alacaktır. Bu nedenle, efor için ölçeğin en üst noktasına gidiyorsunuz ve toplam 15 günlük efor için konu alanı başına 5 gün seçiyorsunuz. Tablo 4.18, çabanın görevlere nasıl ayrıldığını göstermektedir.

Bu bir sistem geliştirmesi olsa da, yine de önemli miktarda zaman alabildiğini görebilirsiniz. Bu toplam miktarın, bunun çok hızlı bir değişiklik olduğu izlenimine kapılan proje yöneticisine hızlı bir şekilde iletildiğinden emin olun.

Bu noktada, veri modelleme aşamalarını, görevleri, araçları ve zaman çizelgelerini tanımlayan dört araca odaklanmıştır:

■■ Veri Modelleme Aşaması Aracı
■■ Aşamadan Göreve ve Araçlara
■■ Öncelikler Üçgeni Aracı
■■ İyi Tahmin Tahmin Aracı

Her araç, veri modelleme proje planlama sürecini mümkün olduğunca zahmetsiz, hızlı ve doğru hale getirmek için tasarlanmıştır. Veri Modelleme Aşaması, veri modelleme adımlarını en üst düzeyde tanımlar. Veri modelleme teslimatlarını ayrıntılı proje planına uydurmak için çok iyi bir başlangıç noktasıdır.

Ardından, Aşamadan Göreve ve Araçlara, Veri Modelleme Aşamasındaki tüm aşamaları alır ve bunları veri modelleme görevlerine ayırır. Her görev için, bu kitaptaki ilgili araçlar listelenmiştir. Bu şekilde ayrıntılı bir proje planı oluşturabilir ve her bir görevi daha hızlı, daha verimli ve tutarlı yapmak için bu kitapta nereye bakacağınızı bilirsiniz.

Daha sonra Öncelikler Üçgeni, her şeye sahip olamayacağınızı bir diyagram aracılığıyla gösterir. Üçten en fazla ikisini seçebilirsiniz: çok yüksek kalite, minimum süre ve minimum maliyet. Üçüne de asla sahip olamazsın. Bu araç, üç seçeneğin resmedilmesini kolaylaştırır ve aralarındaki ödünleşimlerin açıklanmasına yardımcı olur.

Bölüm, Good Guess Estimating Tool ile sona eriyor. Bu aracın iki bölümü vardır. Konu Alanı Çaba Aralığı, uygulamanın türüne göre her bir veri modelleme aşamasının tüm projenin yüzde kaçının tüketilmesi gerektiğini tanımlar.

Görev Çaba Aracı, Aşamadan Göreve ve Araca tanımlanan tüm görevleri alır ve bunların tüm veri modeli çıktıları kümesinin yüzde kaçının olması gerektiğini listeler. Bu iki bölümün birleşimi, proje yöneticisine bir dereceye kadar doğrulukla makul bir tahminde bulunmanıza da izin verecektir.

GEREKLİLİKLERİN ANALİZİ

Hiç veri modelleme görevlerinizi tamamlayıp daha sonra büyük resmi hâlâ anlamadığınızı fark ettiğiniz oldu mu? Bununla, uygulamanın kapsamını organizasyonun geri kalanı bağlamında gösteren üst düzey ve kapsayıcı görüşü kastediyorum. Böyle büyük bir resim elde etmek için, kitabın bu bölümünde tartışılan ve bir uygulama için veri gereksinimlerinin anlaşılmasına ve yakalanmasına büyük ölçüde yardımcı olacak bir dizi görevi takip de etmelisiniz.

Bu metnin ilk yazılarımızda incelediğimiz temeli oluşturduktan sonra, artık uygulamayı incelemeye başlamaya hazırız. Gereksinimleri tam olarak anlamak için doğru yaklaşım, bunları öncelikle ileriki adımlarda ayrıntılı olarak analiz etmemiz gereken kapsam ve içeriği anlayabileceğimiz konu alanı düzeyinde yüksek bir düzeyde temsil etmektir. Bir uygulama içindeki konu alanlarının her birini anladığımızda, her konu alanına ait veri öğelerini de yakalayabiliriz.

The post Mevcut Veri Ambarı ve Yeni Veri first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

Uygulamalarımızda, özellikle veri marketlerimizin olgu ve özet tablolarında çok sayıda türetilmiş veri öğesi olabilir. Bir iş türevi, türetilmiş bir veri öğesi için tanıma çok değerli tamamlayıcı bilgilerdir.

Bir iş türetme, fiziksel veri öğesi düzeyinde olan ve genellikle Ayıkla, Dönüştür ve Yükle aracında yakalanan fiziksel türetmenin aksine, bir veri öğesinin nasıl türetildiğinin ticari anlamıdır. Fiziksel türetme, türetmeye ilişkin çok az iş görüşü sağlar, ancak türetilmiş veri öğesini belirli bileşenleriyle ilişkilendirir.

Bu tanımdan, düzeltilmiş fiyat ve miktarın çarpılmasıyla toplam satış tutarının elde edildiğini öğreniyoruz. Ancak birkaç farklı düzeltilmiş fiyat olduğunu varsayalım. Promosyonlardan sonra, navlun indirimlerinden sonra, iadelerden sonra bir tane vb. olabilir. Hangi fiyatı kullanmalıyız? Bu nedenle, bu türetme daha fazla bilgiye ihtiyaç duyar.

Türetme bilgisinden yoksun tanımları tespit etmenin üç adımı vardır. İlk adım, türetilmiş veri öğelerini tanımlamaktır. Genellikle adlarında toplam, net ve brüt gibi kelimeler arayarak bunları bulmak kolaydır. Bu veri öğelerini belirledikten sonra, türevi olmayanları vurgulayın. Bunları düzeltmeniz gerekecektir.

Türevleri olanlardan hangileri yeterince iyi? Bu her zaman cevaplaması kolay bir soru değildir. Bu türetmenin birden çok yoruma yer bırakıp bırakmadığını kendinize sorun. belirsiz mi? Önceki örnekte hangi fiyatın kullanılacağını belirlemeye çalışırken gördüğümüz gibi, birden fazla veri öğesi türetmenin bir kısmının tanımına uyabilir mi? Cevap evet ise, bu türetmeyi geliştirmemiz gerekiyor.

Her iki türetme senaryosu için de çözüm aynıdır. Türetmede kullanılan tekil terimleri açıkça tanımlayın ve bunları tanıma ekleyin. Tek terimlerle, belirsizliğe yer bırakmamayı kastediyorum. Ayrıca, fiziksel veri öğesi adlarını belirtmeye gerek yoktur, yalnızca işletme adlarını ve terimleri ekleyin.

Öncelikle, şu anda örnek değerleri olmayan kodlar veya kod çözmeler (açıklamalar) olan tüm veri öğelerinizi tanımlayın. Ardından, kodlar kapsamında yer almayan tüm soyut terminolojiyi tanımlayın. Bunlar, örnek değerlere ihtiyaç duyan iki kategoridir. Buna konu alanları, varlıklar ve veri öğeleri dahildir. Her birinin altına birkaç örnek ekleyin. Yine, burada tam bir listeye ihtiyacımız yok, sadece anlayış eklemek için yeterlidir.

Kodlar için, genellikle 20 veya daha az farklı değer olduğunda bir kodun tüm değerlerini veya 20’den fazla değer varsa yalnızca ilk 20’yi listelemenizi öneririm. Tartışacağımız sınıf kelimelerini kullanmak, veri öğelerinden hangilerinin kod olduğunu daha belirgin hale getirecektir.

Örnek değerlerin aslında beklediğimizden farklı olduğunu unutmayın. Örneğin, Alabama’nın AL olmasını bekliyorduk. Bu, bu örnek değerlere sahip olmanın değerini vurgular.

Bu kategori, terimin ne anlama geldiğiyle tamamen eşleşen ve işin geri kalanıyla tutarlı bir tanıma sahip olmaya odaklanır. Alandaki bir uzman, bu terimin bu tanımla eşleştiği konusunda hemfikir olacaktır. Bu noktada terim ve tanımı gerçek verilere göre doğrulamadığımıza dikkat edin.

Bu veri doğrulama, bu süreçte daha sonra gerçekleşir ve bu kitapta, gerçek verilere erişiminiz olduğunda size yardımcı olacak araçlar vardır. Kulağa ne kadar ironik gelse de, doğruluk bazen yoruma açık olabilir. Kapsam ve tanımı doğrulayan iş uzmanlarına bağlı olarak muhtemelen birden çok şekilde yorumlanabilir.

Kapsam sorunu, her tanım kuruluştaki yeri açısından incelenirken ele alınır. İş uzmanları aynı fikirde olmadığında, konu alanı için tek bir vekilharç olması gerekir. Bir kahya, belirli bir terim veya konu alanından sorumlu olan kişidir. Bu kategoride ele aldığımız doğrulama işlemlerinin bir kısmının, departman dışındaki kişilerden geri bildirim talep ederken zaten yapılmış olabileceğini unutmayın.

Veri ambarı örnekleri
Veri ambarı Nedir
Veri tabanı ve veri ambarı Arasındaki fark
Veri Ambarı Eğitimi
Veri ambarı modelleme
Veri marketi
Veri ambarı katmanları
Veri ambarı özellikleri

Veri Kalitesi Sorumlusu

Bu alanda anlaşmaya varılan uzman bu tanımı onayladı mı? Uzman, belirli bir uygulamadan bağımsız olan kişidir. Uzman iş uzmanıdır ve resmi vekilharçlık unvanına sahiptir çünkü bu konu alanıyla ilişkili veriler ve meta veriler için nihai söz yalnızca uzmana aittir. Konu alanı dediğime dikkat edin, varlık veya veri öğesi değildir. Bu önemli bir nokta.

Görevli, diğer görevlilerle tutarlılık olması için konu alanı düzeyinde tanımlanmalıdır. Bu, yönetim kapsamının çakışmasını önleyecektir. Bu aynı zamanda, görevli sayısını ve kimin hangi veri için görevli olduğu ile ilgili bakım sürecini de en aza indirecektir. Varlık veya veri öğesi düzeyinde vekilharçlık atasaydık, kaç tane vekilharç olacağını hayal edin?

Bunu yapmak kolaydır. Bir veri görevlisi tanımı gözden geçirdi mi? Cevap evet ise, o zaman bu kriterle işiniz bitti. Cevap hayır ise, tanımı gözden geçirmeniz ve onaylamanız gerekir.

Bir kahya tarafından onaylanan bir tanıma sahip olmanın iki adımı vardır. İlki, kâhyanın kim olduğunu belirlemektir. Bu, özellikle birden fazla kişinin bu terim üzerinde yetkili olabileceği büyük bir şirkette veya departmanda oldukça zorlayıcı olabilir.

Genellikle olan şey, verilerin oluşturulmasından veya değiştirilmesinden sorumlu olan bölümün yöneticisinin görevli olmasıdır. Sonra kâhya bu tanımı onaylamalıdır. Bunun bir lastik damga onayı olmadığından emin olun, yani görevli tanıma zar zor bakar ve ardından imzalar.

Kâhyanın, kâhya olmakla ilgili pek çok sorumluluk olduğunun ve bu rolün hafife alınmaması gerektiğinin farkına varması önemlidir. Her zaman, kahyanın geri bildirimde bulunacağına dair bir taahhüt alın ve bir inceleme tarihi üzerinde anlaşın, çünkü muhtemelen kahyanın üzerinde çok iş vardır.

Bir tanım yazıldıktan ve onaylandıktan sonra, bunun kuruluş gibi daha geniş kapsamla tutarlı olduğundan emin olmanız gerekir. Mevcut herhangi bir kurumsal terim ve tanımla çelişmediğinden emin olmanız gerekir.

Teriminizi ve tanımınızı işletme listesine göre doğrulamak, dört sonuçtan birini verir:

• Eşleşme olmaması. İşletme listesinde teriminize ve tanımınıza benzer bir şey bulamadınız, bu durumda vekilharçınızın onayladığı tanım işletme tanımı olacaktır. Müşteri terimi ve tanımı kurumsal listede yoktu.
• Tam eşleşme. Sizinkiyle aynı ada ve neredeyse tam tanıma sahip bir terim buldunuz. Müşteri tanımınız, kuruluşun tanımıyla eşleşiyor.
• Eşanlamlı sözcük. Benzer ama tam adı olmayan, aynı tanıma sahip bir terim buldunuz. Örneğin, kurumsal listedeki Müşteri terimi, Müşteri teriminizle aynı tanıma sahiptir.
• Sesteş. Aynı ada sahip bir terim buldunuz, ancak tanım farklı görünüyor. Örneğin, sizin Müşteri tanımınız, işletmeninkinden oldukça farklı bir anlama geliyor.

The post Veri Marketleri first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.