Modelo MultiDimensional
Modelo Multidimensional
Necesidad y Prop贸sito del Modelo Multidimensional¶
- Prop贸sito Central: Dise帽ar una estructura orientada exclusivamente al an谩lisis de datos y al soporte para la toma de decisiones empresariales (Business Intelligence).
- Necesidad:
- Los modelos entidad-relaci贸n (E/R) tradicionales est谩n dise帽ados para fines operacionales generales. En ellos, todas las entidades se tratan por igual, lo que dificulta identificar qu茅 informaci贸n es cr铆tica para el negocio frente a la que solo aporta descripci贸n.
- La normalizaci贸n distribuye la informaci贸n en m煤ltiples tablas. Para hacer an谩lisis, es necesario reintegrarla mediante uniones (joins) complejas que dificultan la formulaci贸n de consultas anal铆ticas en SQL y degradan el rendimiento.
- Ventajas del Modelo Multidimensional:
- Incorpora significado de negocio expl铆cito (separa lo que se mide de los contextos que lo describen).
- Facilita la exploraci贸n interactiva y optimiza el rendimiento de las consultas.
- Admite la redundancia controlada para evitar operaciones de uni贸n costosas en tiempo de ejecuci贸n.
Contraste entre OLTP y OLAP¶
| Criterio | OLTP (On-Line Transaction Processing) | OLAP (On-Line Analytical Processing) |
|---|---|---|
| Objetivo | Necesidades operacionales del d铆a a d铆a (facturaci贸n, contabilidad). | An谩lisis de negocio y soporte a decisiones. |
| Naturaleza de Datos | Datos peque帽os, operacionales y vol谩tiles (se modifican/eliminan habitualmente). | Datos masivos, hist贸ricos, integrados y estables. |
| Modelo de Datos | Normalizado (modelo E/R para evitar redundancias y anomal铆as de actualizaci贸n). | Desnormalizado / Multidimensional (cubos/hipercubos). |
| Tipo de Consultas | Consultas y transacciones breves, simples y de alta frecuencia. | Consultas complejas que agregan grandes vol煤menes de datos. |
| Operaciones | Optimizado para operaciones de actualizaci贸n r谩pidas. | Optimizado para operaciones de lectura/consulta intensivas. |
| Lenguaje | SQL est谩ndar con control transaccional estricto. | Lenguajes anal铆ticos multidimensionales (ej. MDX). |
Problem谩tica en la Transformaci贸n de OLTP a OLAP¶
- Heterogeneidad de las Fuentes: Los datos operacionales provienen de m煤ltiples sistemas dispersos (BBDD relacionales, archivos no estructurados, sistemas heredados) donde un mismo concepto se define de forma distinta.
- Volatilidad y Falta de Hist贸rico: Los sistemas OLTP borran o archivan registros antiguos (ej. a los 6 meses), lo que imposibilita analizar tendencias hist贸ricas si no se capturan a tiempo en un Data Warehouse.
- Calidad de los Datos: Datos incompletos, inconsistentes o con formatos heterog茅neos entre tiendas/departamentos.
- Mapeo de Claves Operacionales: Las claves de producci贸n de los sistemas OLTP cambian o no sirven para el an谩lisis hist贸rico, exigiendo el uso de claves subrogadas (surrogate keys) en el modelo multidimensional.
- Gesti贸n de Cambios en el Tiempo: Los atributos de las dimensiones cambian (fen贸meno de Slowly Changing Dimensions - SCD), lo que requiere t茅cnicas espec铆ficas (como versionar filas con claves subrogadas o sellos de tiempo) para evitar que datos hist贸ricos queden vinculados a descripciones actuales incorrectas.
Elementos del Modelo Multidimensional¶
A. Hechos (Facts) y Medidas (Measures)
- Hecho: Representa el sujeto central que la empresa desea analizar (ej. un evento de venta). Habita en las celdas de un cubo multidimensional.
- Granularidad: Define el nivel de detalle de cada fila de hecho (ej. transacci贸n individual vs. resumen diario por tienda).
- Tipos de Hechos:
- Event fact (transaccional): Un registro por cada evento de negocio.
- Fact-less facts: Registro de eventos sin medidas num茅ricas (ej. un contacto con el cliente).
- Snapshot facts: Captura el estado en intervalos regulares (ej. nivel de inventario).
- Cumulative snapshot: Estado acumulado hasta la fecha.
- Medida: Propiedad num茅rica del hecho que se quiere analizar y optimizar, acompa帽ada de una f贸rmula de agregaci贸n.
- Aditivas: Se pueden agregar (sumar) en todas las dimensiones (ej. importe de venta).
- Semi-aditivas: No se pueden sumar en ciertas dimensiones, t铆picamente el tiempo (ej. stock de inventario o recuento de clientes).
- No aditivas: No se pueden sumar en ninguna dimensi贸n (ej. precio promedio, margen relativo).
B. Dimensiones (Dimensions)
- Prop贸sito: Ofrecen el contexto descriptivo que rodea a los hechos (responden a preguntas de filtrado y agrupaci贸n).
- Jerarqu铆as y Niveles: Organizan los valores en estructuras de 谩rbol (ej. D铆a 鉃★笍 Mes 鉃★笍 Trimestre 鉃★笍 A帽o).
- Operaciones OLAP asociadas:
- Roll-Up: Sube en la jerarqu铆a para resumir los datos (menor detalle).
- Drill-Down: Baja en la jerarqu铆a para desglosar la informaci贸n (mayor detalle).
- Slice / Dice: Selecciona y subconjunta dimensiones espec铆ficas para el an谩lisis.
Breve Apunte sobre la ETL (Extract, Transform, Load)¶
- Es el proceso que extrae los datos operacionales, los limpia y transforma en una zona intermedia (Data Staging Area - DSA) y los carga en el modelo multidimensional.
- Representa habitualmente hasta el 80% del tiempo de desarrollo de un proyecto de Data Warehouse, pero su dise帽o t茅cnico interno se analiza de forma independiente.
Referencias Acad茅micas de Respaldo¶
- Jensen, C. S., Pedersen, T. B., & Thomsen, C. (2010). Multidimensional Databases and Data Warehousing. Morgan & Claypool Publishers.
- Kimball, R., & Ross, M. (2002). The Data Warehouse Toolkit (2nd ed.). Wiley.
- Golfarelli, M., & Rizzi, S. (2009). Data Warehouse Design: Modern Principles and Methodologies. McGraw-Hill.
- Malinowski, E., & Zim谩nyi, E. (2008). Advanced Data Warehouse Design: From Conventional to Spatial and Temporal Applications. Springer.
Resumen: Diagrama Conceptual¶
