TDWI Advanced Dimensional Modeling: Techniques for Practitioners Eğitimi

Bu eğitimde öğrenciler, birden çok bilgi tablosu tasarımından, köprü tablolardan gelişmiş yavaş değişim sürecine dek en iyi uygulamaların tümünü öğrenecekler. Öğrenciler ayrıca bu teknikleri gerçek dünyadaki iş karmaşıklıklarıyla eşleştirmeyi ve bunların iş zekası ve veri entegrasyonu araçlarındaki etkilerini keşfetmeyi de öğrenecekler. Öğrenciler, boyutsal modellemenin çevik geliştirme çalışma çerçevelerine nasıl oturtulacağını ve gereksinimlerin ve tasarımların elde edilmesi için şablonları nasıl kullanacağını da öğrenecekler.

• BI program managers
• Business analysts
• Data architects and modelers
• BI architects and developers
• Data integration architects and developers
• Project managers
• Database administrators
• “Power users” and business subject matter experts

• Bu eğitimde; neden birçok konu alanı için birden çok bilgi tablosuna ihtiyaç olduğu ve bunların nasıl belirlendiği
• Periyodik ekran görüntüleri, ekran görüntülerinin biriktirilmesi ve türe özel yıldızlar dahil olmak üzere temel işlem bilgi tablosuna yönelik alternatiflerin ne zaman kullanılacağı
• Köprü tablolar, mini boyutlar, zaman damgalı boyutlar, hibrit yavaş değişimler ve diğer yavaş değişim seçenekleri gibi teknikleri kullanarak boyutsal karmaşanın üstesinden nasıl gelindiği
• Yeni konu alanları eklendikçe veri ambarınızın da buna uygun şekilde ölçeklenmesini sağlayan teknikler
• Tasarımın geliştirme yöntemlerine nasıl uyduğu, tasarım faaliyetlerine kimlerin dahil olması gerektiği ve hangi görev ve çıktıların eklenmesi gerektiği

Module One

• Fundamentals
• Dimensional Modeling
• Process measurement
• Uses beyond database design
• Information Architectures and Dimensional Data
• Inmon’s CIF Architecture
• Kimball’s Dimensional Bus
• Stand-alone Data Marts
• Fundamental Terms and Best Practices
• Facts and dimensions
• Surrogate keys, natural keys and slow change processing
• Fundamental concepts including grain, sparsity and additivity
• Best practices for fact tables and dimension tables
• Implementations
• Relational (star and snowflake)
• Multidimensional (cube)
• Cubes as primary store
• Cubes as derived data stores

Module Two

• Multiple Stars
• Multiple star solutions
• Designing multiple fact tables
• Identifying multiple processes
• Differences in dimensionality
• The pitfalls of single fact table design
• Using multiple stars
• How not to query multiple fact tables
• The concept of drilling across
• What you need to know about your query and reporting tools
• Conformance and business value
• High impact business questions span processes
• The concept of conformance
• Ensuring subject areas work together
• Enabling incremental implementation

Module Three

• Advanced Fact Table Design
• Transaction schemas
• Transaction grain
• Shortcomings of transaction designs
• Periodic Snapshots
• Snapshot grain and period
• Semi-additivity, density, and impact on BI
• Building both transaction and snapshot schemas
• Snapshots and averages
• Accumulating Snapshots
• Studying process efficiency
• Accumulating metrics in a single row
• Lag analysis
• Impacts on slow change processing and data integration
• Building both transaction and accumulating snapshots
• Factless Fact Tables
• Processes that seem to lack metrics
• Factless fact tables that track events
• Pros and cons of adding constant-value fact
• Factless fact tables that track conditions
• Comparing conditions to actual events
• Heterogeneous Attributes
• Attributes that vary based on category
• The impact of modeling a single set of attributes
• Core and custom dimensions
• Core and custom fact tables
• Alternatives to core and custom solutions

Module Four

• Design and Data Integration
• The data integration process
• Loading a dimension table
• Loading fact tables
• Key lookup processing
• Designing to aid key management
• The impact of slow changes on key lookups
• Adding attributes to aid lookup process
• Designing to reduce slow change bottlenecks
• The bottlenecks of slow change processing
• How dimension checksums aid slow change processing
• Specifying data transformation rules
• How to capture standard translations and data quality rules
• Why this must be done at design-time
• Invalid or late reference data
• Receiving valid facts with invalid or missing reference data
• Adding rows to dimension tables so that facts can be loaded
• Adjusting facts when reference data arrives
• Adding columns to support QA
• Housekeeping columns in dimension tables
• Housekeeping dimensions for fact tables

Module Five

• Advanced Dimension Design
• Understanding hierarchies
• Drilling with and without hierarchies
• Multiple hierarchies in one dimension
• Impact of hierarchies on BI, ETL and DBA perspectives
• Why to model hierarchies
• Snowflake schemas
• Dimension Reuse
• Modeling roles
• Querying with roles
• Nulls
• Problems introduced by NULL values
• Avoiding NULL dimension attributes
• Avoiding NULLs with optional relationships
• NULL facts

Module Six

• Advanced Slow Change Processing
• Time-stamped Dimensions
• Why type 2 is not good enough
• Time-stamped dimensions (transaction dimensions)
• Using with a fact table
• Hybrid attributes that behave like facts and dimensions
• Mini-dimensions
• Large and expanding dimension tables
• The use of a mini-dimension to stem growth
• Impact on schema capability
• Type 4 and Type 5 slow changes
• Loading the mini-dimension
• Current and Previous
• Limited access to unchanged value
• Hybrid Responses
• Tracking both Type 1 and Type 2 responses
• For dimension Attributes (Type 6)
• For entire dimension tables (Type 7)

Module Seven

• Bridge Table Design
• The dimension bridge
• When a single fact needs to reference more than one dimension row