{"id":29566,"date":"2023-03-16T12:16:00","date_gmt":"2023-03-16T11:16:00","guid":{"rendered":"https:\/\/nearshore-it.eu\/artykuly\/ewolucja-technik-modelowania-hurtowni-danych\/"},"modified":"2024-10-30T13:14:09","modified_gmt":"2024-10-30T12:14:09","slug":"ewolucja-technik-modelowania-hurtowni-danych","status":"publish","type":"post","link":"https:\/\/nearshore-it.eu\/pl\/artykuly\/ewolucja-technik-modelowania-hurtowni-danych\/","title":{"rendered":"Architektura hurtowni danych \u2013 ewolucja technik modelowania"},"content":{"rendered":"\n<div class=\"table-of-contents\">\n    <p class=\"title\">Id\u017a do:<\/p>\n    <ol>\n                    <li><a href=\"#Przekle\u0144stwo-eksplozji-danych\">1.  Przekle\u0144stwo eksplozji danych<\/a><\/li>\n                    <li><a href=\"#Historia-hurtowni-danych-w-pigu\u0142ce\">2.  Historia hurtowni danych w pigu\u0142ce<\/a><\/li>\n                    <li><a href=\"#Jedna-wersja-prawdy-Billa-Inmona\">3.  Jedna wersja prawdy Billa Inmona<\/a><\/li>\n                    <li><a href=\"#Wielowymiarowy-\u015bwiat-Kimballa\">4.  Wielowymiarowy \u015bwiat Kimballa<\/a><\/li>\n                    <li><a href=\"#Jedna-wersja-fakt\u00f3w-Linstedta-Data-Vault\">5.  Jedna wersja fakt\u00f3w Linstedta \u2013 Data Vault<\/a><\/li>\n                    <li><a href=\"#Por\u00f3wnanie-technik-modelowania\">6.  Por\u00f3wnanie technik modelowania<\/a><\/li>\n                    <li><a href=\"#Wyb\u00f3r-?\">7.  Wyb\u00f3r?<\/a><\/li>\n                    <li><a href=\"#Big-Data\">8.  Big Data<\/a><\/li>\n            <\/ol>\n<\/div>\n\n\n<p class=\"has-text-align-left lead\"><\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Przekle\u0144stwo-eksplozji-danych\">Przekle\u0144stwo eksplozji danych<\/h2>\n\n\n\n<p class=\"has-text-align-left\">W\u0142a\u015bciwie ka\u017cde wi\u0119ksze przedsi\u0119biorstwo zmaga si\u0119 z&nbsp;problemem nadmiarowo\u015bci danych. Dane \u201eprodukowane\u201d s\u0105 niemal przez&nbsp;ka\u017cde urz\u0105dzenie elektroniczne i&nbsp;r\u00f3\u017cnego rodzaju systemy wspieraj\u0105ce dzia\u0142alno\u015b\u0107 operacyjn\u0105 organizacji. Mo\u017cna do&nbsp;nich zaliczy\u0107 systemy s\u0142u\u017c\u0105ce do:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>planowania zasob\u00f3w przedsi\u0119biorstwa,<\/li>\n\n\n\n<li>zarz\u0105dzania relacjami z&nbsp;klientami,<\/li>\n\n\n\n<li>zarz\u0105dzania magazynem,<\/li>\n\n\n\n<li>systemy finansowo-ksi\u0119gowe,<\/li>\n\n\n\n<li>systemy produkcyjne,<\/li>\n\n\n\n<li>i&nbsp;wiele innych, cz\u0119sto specyficznych dla obszaru dzia\u0142alno\u015bci przedsi\u0119biorstwa.<\/li>\n<\/ul>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Systemy te przewa\u017cnie gromadz\u0105 dane w&nbsp;bazach danych w&nbsp;trzeciej postaci normalnej. Co to&nbsp;znaczy? W&nbsp;bazach danych spotka\u0107 mo\u017cna relacje trzech postaci:<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">1.&nbsp;<strong>Pierwsza posta\u0107 normalna<\/strong>&nbsp;= 1PN (ang. 1NF = First normal form) \u2013 ka\u017cdy atrybut w&nbsp;tabeli ma warto\u015b\u0107 elementarn\u0105 (brak powtarzaj\u0105cych si\u0119 grup informacji), tabela posiada klucz;<\/p>\n\n\n\n<p class=\"has-text-align-left\">2.&nbsp;<strong>Druga posta\u0107 normalna<\/strong>&nbsp;= 2PN (ang. 2NF = Second normal form) \u2013 tabela powinna przechowywa\u0107 dane dotycz\u0105ce tylko&nbsp;konkretnej klasy obiekt\u00f3w;<\/p>\n\n\n\n<p class=\"has-text-align-left\">3. <strong>Trzecia posta\u0107 normalna<\/strong>&nbsp;= 3PN (ang. 3NF = Third normal form) \u2013 ka\u017cdy niekluczowy atrybut jest bezpo\u015brednio zale\u017cny tylko&nbsp;od&nbsp;klucza g\u0142\u00f3wnego.<\/p>\n\n\n\n<p class=\"has-text-align-left\">W pewnym momencie ka\u017cde przedsi\u0119biorstwo musi wi\u0119c zmierzy\u0107 si\u0119 z problemem, kt\u00f3rym wcale nie jest brak dost\u0119pu do danych czy ich niedob\u00f3r, ale przesyt, utrudnione przetwarzanie, brak mo\u017cliwo\u015bci przekucia ich w wiedz\u0119 i wydajnego zastosowania w procesie podejmowania decyzji. Odpowiedzi\u0105 na ten problem jest hurtownia danych, kt\u00f3rej zadaniem jest integracja heterogenicznych, czyli pochodz\u0105cych z wielu \u017ar\u00f3de\u0142, danych przedsi\u0119biorstwa. Termin hurtownia jednoznacznie wskazuje tak\u017ce na spory wolumen danych mo\u017cliwych do przechowywania w takiej strukturze.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p>Hurtownia danych to relacyjna baza danych, przechowuj\u0105ca zintegrowane dane pochodz\u0105ce z r\u00f3\u017cnych \u017ar\u00f3de\u0142, w tym z system\u00f3w transakcyjnych przedsi\u0119biorstwa. Najcz\u0119\u015bciej hurtownia danych po\u015bwi\u0119cona jest konkretnemu procesowi biznesowemu czy obszarowi dzia\u0142ania przedsi\u0119biorstwa. Celem hurtowni jest dostarczenie wiedzy decyzyjnej.<\/p>\n<\/blockquote>\n\n\n\n<p class=\"has-text-align-left\">Wi\u0119cej podstawowych informacji na&nbsp;ten temat mo\u017cna znale\u017a\u0107 w&nbsp;artykule&nbsp;<a href=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/czy-hurtownia-to-lek-na-dezintegracje-danych\/\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/czy-hurtownia-to-lek-na-dezintegracje-danych\/\" rel=\"noreferrer noopener\">Czy&nbsp;hurtownia danych to&nbsp;lek na&nbsp;chaos informacyjny?<\/a><\/p>\n\n\n\n<p><a href=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/data-storytelling-w-ms-power-bi\/\" data-type=\"link\" data-id=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/data-storytelling-w-ms-power-bi\/\">Przeczytaj artyku\u0142<\/a> i poznaj mo\u017cliwo\u015bci, jakie daje data storytelling w Business Intelligence!<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Historia-hurtowni-danych-w-pigu\u0142ce\">Historia hurtowni danych w pigu\u0142ce<\/h2>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Trudno jednoznacznie wyznaczy\u0107 konkretny moment w historii stanowi\u0105cy pocz\u0105tek koncepcji hurtowni danych. Prace teoretyczne w tym obszarze by\u0142y prowadzone ju\u017c w latach 70. ubieg\u0142ego stulecia. Z drugiej strony pierwszy komercyjny system Business Intelligence zosta\u0142 stworzony w 1985 roku dla firmy Procter &amp; Gamble. W roku 1988 w artykule zatytu\u0142owanym &#8222;Architektura dla biznesu i system\u00f3w informacyjnych&#8221; <strong>Barry Devlin i Paul Murphy<\/strong> zdefiniowali poj\u0119cie \u201ehurtowni danych biznesowych\u201d na \u0142amach czasopisma naukowego &#8222;IBM Systems Journal&#8221;.<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Hurtownie danych nieod\u0142\u0105cznie kojarzone s\u0105 z&nbsp;urodzonym w&nbsp;1945&nbsp;roku ameryka\u0144skim informatykiem<strong>&nbsp;Billem Inmonem<\/strong>, uwa\u017canym przez wielu za ojca hurtowni danych. Bill Inmon zosta\u0142 mianowany przez &#8222;Computerworld&#8221; w 2007 roku jedn\u0105 z dziesi\u0119ciu os\u00f3b, kt\u00f3re mia\u0142y najbardziej znacz\u0105cy wp\u0142yw na rozw\u00f3j IT przez ostatnie 40 lat. W 1992 roku Inmon zdefiniowa\u0142 hurtowni\u0119 danych nast\u0119puj\u0105co:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p>&#8222;Hurtownia danych to tematyczna baza danych, kt\u00f3ra trwale przechowuje zintegrowane dane opisane wymiarem czasu, maj\u0105ca s\u0142u\u017cy\u0107 wspomaganiu procesu podejmowania decyzji&#8221;.<\/p>\n<\/blockquote>\n\n\n\n<p class=\"has-text-align-left\">Ka\u017cde z u\u017cytych w definicji s\u0142\u00f3w precyzyjnie okre\u015bla atrybuty hurtowni danych:<\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_1_modelowanie_danych_BI.png\" alt=\"Atrybuty hurtowni danych wg definicji Inmona\" class=\"wp-image-31676\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left image_description\"><span style=\"color: windowtext;\">Rys. <\/span><span style=\"color: windowtext;\">1<\/span><span style=\"color: windowtext;\">. Atrybuty hurtowni danych wg definicji Inmona<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left\">Obok Inmona kluczow\u0105 postaci\u0105 w obszarze hurtowni danych jest urodzony w 1944 roku <b>Ralph Kimball<\/b>. W odr\u00f3\u017cnieniu od definicji hurtowni danych Inmona, gdzie nacisk po\u0142o\u017cony jest na cechach hurtowni, Kimball koncentruje si\u0119 na jej przeznaczeniu:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p>&#8222;Hurtownia danych to system, kt\u00f3ry pozyskuje dane z system\u00f3w \u017ar\u00f3d\u0142owych, przekszta\u0142ca je i \u0142aduje je do wielowymiarowych struktur, a nast\u0119pnie dostarcza zapytania i analizy wspieraj\u0105ce podejmowanie decyzji&#8221;.<\/p>\n<\/blockquote>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_2__modelowanie_danych_BI.png\" alt=\"Przeznaczenie hurtowni danych wg definicji Kimballa\" class=\"wp-image-31677\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left\"><span style=\"color: windowtext;\">Rys. 2. Przeznaczenie hurtowni danych wg definicji Kimballa<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Autorem trzeciego podej\u015bcia do&nbsp;tematyki hurtowni danych, okre\u015blanym jako&nbsp;Data Vault,&nbsp;jest&nbsp;<strong>Dan Linstedt.<\/strong> Data Vault to&nbsp;wynik 10-letnich bada\u0144 Linstedta w&nbsp;celu zapewnienia sp\u00f3jno\u015bci, elastyczno\u015bci i&nbsp;skalowalno\u015bci hurtowni. Za&nbsp;pierwszy owoc jego bada\u0144 w&nbsp;tym zakresie mo\u017cna przyj\u0105\u0107 wydane w&nbsp;2000&nbsp;roku pi\u0119\u0107 artyku\u0142\u00f3w po\u015bwi\u0119conych tej&nbsp;tematyce.<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Bill Inmon, Ralph Kimball i&nbsp;Dan Linstedt s\u0105 autorami setek publikacji prezentuj\u0105cych ich podej\u015bcie do&nbsp;modelowania danych. Najpe\u0142niejsze odzwierciedlenie ich punkt\u00f3w widzenia na&nbsp;hurtownie danych mo\u017cna odnale\u017a\u0107 w&nbsp;ksi\u0105\u017ckach, kt\u00f3rych&nbsp;s\u0105 autorami. Wyja\u015bnienie podej\u015bcia ka\u017cdego z&nbsp;trzech wizjoner\u00f3w postaram si\u0119 jednak w&nbsp;skr\u00f3cie por\u00f3wna\u0107 w&nbsp;kolejnych akapitach.<\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_3__modelowanie_danych_BI.png\" alt=\"Ksi\u0105\u017cki o tematyce hurtowni danych\" class=\"wp-image-31678\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left\">&nbsp;<span style=\"color: windowtext;\">Rys. 3. Pierwsze wydania ksi\u0105\u017cek po\u015bwi\u0119conych projektowaniu hurtowni danych wg r\u00f3\u017cnych podej\u015b\u0107<\/span><\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Jedna-wersja-prawdy-Billa-Inmona\">Jedna wersja prawdy Billa Inmona<\/h2>\n\n\n\n<p class=\"has-text-align-left\">Hurtownia danych wg Inmona w fizycznym, implementacyjnym uj\u0119ciu to centralna, relacyjna baza danych w trzeciej postaci normalnej, na podstawie kt\u00f3rej budowane s\u0105 data marts przeznaczone dla poszczeg\u00f3lnych jednostek (departament\u00f3w, dzia\u0142\u00f3w, wydzia\u0142\u00f3w) organizacji. Podej\u015bcie Inmona oparte jest bezpo\u015brednio na danych \u017ar\u00f3d\u0142owych, budow\u0119 hurtowni mo\u017cna wi\u0119c rozpocz\u0105\u0107 a priori bez specyfikowania wymaga\u0144 u\u017cytkownika. Architektura Inmona zak\u0142ada wykorzystanie wszystkich baz system\u00f3w operacyjnych, wyklucza wi\u0119c mo\u017cliwo\u015b\u0107 wybi\u00f3rczego pozyskiwania danych. Hurtownia danych przechowuje zatem atomowe (elementarne) dane pochodz\u0105ce z baz danych system\u00f3w \u017ar\u00f3d\u0142owych. Takie pode\u015bcie daje gwarancj\u0119 elastyczno\u015bci i skalowalno\u015bci, co jest niezwykle cenne w przypadku szybko zmieniaj\u0105cych si\u0119 struktur baz danych system\u00f3w \u017ar\u00f3d\u0142owych. Dodatkowo, wszystkie data marty oparte s\u0105 zawsze na tej samej hurtowni danych, co implikuje sp\u00f3jno\u015b\u0107 pomi\u0119dzy nimi. <strong>Inmon jest zatem zwolennikiem teorii jednej wersji prawdy (ang. SVOT = single version of the truth).<\/strong> Warto podkre\u015bli\u0107, \u017ce hurtownia danych i data marty s\u0105 fizycznie odseparowane, co mo\u017cna zaobserwowa\u0107 na poni\u017cszym rysunku.<\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_4_modelowanie_danych_BI.png\" alt=\"Schemat architektury hurtowni danych wg Inmona\" class=\"wp-image-31680\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left\"><span style=\"color: windowtext;\">Rys. 4. Schemat architektury hurtowni danych wg Inmona<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Hurtownie danych s\u0105 zasilane z wykorzystaniem tzw. proces\u00f3w&nbsp;ETL&nbsp;(ang.&nbsp;Extract,&nbsp;Transform,&nbsp;Load). S\u0105 to&nbsp;procesy, kt\u00f3rych&nbsp;zadaniem jest:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>ekstrakcja, czyli pobranie danych z&nbsp;system\u00f3w \u017ar\u00f3d\u0142owych;<\/li>\n\n\n\n<li>transformacja, czyli przekszta\u0142cenie i&nbsp;ujednolicenie danych;<\/li>\n\n\n\n<li>za\u0142adowanie danych do&nbsp;hurtowni.<\/li>\n<\/ul>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Na&nbsp;schemacie zaznaczono \u017ar\u00f3d\u0142a danych, kt\u00f3re mog\u0105 by\u0107 bazami danych system\u00f3w transakcyjnych, albo&nbsp;plikami p\u0142askimi pochodz\u0105cymi z&nbsp;tych system\u00f3w. Dopuszczalne s\u0105 oczywi\u015bcie inne formy \u017ar\u00f3de\u0142 danych, natomiast te dwa s\u0105 najbardziej powszechne. Drug\u0105 (opcjonaln\u0105) warstw\u0105 jest obszar przej\u015bciowy (ang.&nbsp;staging area), do&nbsp;kt\u00f3rego&nbsp;dane trafiaj\u0105 bezpo\u015brednio z&nbsp;system\u00f3w \u017ar\u00f3d\u0142owych, najcz\u0119\u015bciej bez&nbsp;\u017cadnych transformacji.<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Jak ju\u017c wspomnia\u0142em, hurtownia danych w&nbsp;rozumieniu Inmona reprezentuje dane atomowe pochodz\u0105ce z&nbsp;system\u00f3w \u017ar\u00f3d\u0142owych zapisane w&nbsp;trzeciej postaci normalnej. Na&nbsp;podstawie jednej centralnej hurtowni danych, okre\u015blanej czasem jako&nbsp;Korporacyjna Fabryka Informacji&nbsp;(ang.&nbsp;Corporate Information Factory) budowane s\u0105 data marty. Data marty lub kostki OLAP zbudowane na&nbsp;podstawie mart\u00f3w stanowi\u0105 \u017ar\u00f3d\u0142a danych dla r\u00f3\u017cnych aplikacji raportowych wyposa\u017conych w&nbsp;takie funkcjonalno\u015bci jak tabela przestawna, wizualizacja danych w&nbsp;postaci wykres\u00f3w, prezentacja kluczowych wska\u017anik\u00f3w KPI (ang.&nbsp;<em>Performance Key Indicator<\/em>), itd.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Wielowymiarowy-\u015bwiat-Kimballa\">Wielowymiarowy \u015bwiat Kimballa<\/h2>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Nazwisko Kimball bardzo mocno kojarzone jest ze&nbsp;schematem logicznym hurtowni danych, okre\u015blanym mianem&nbsp;schematu gwiazdy&nbsp;(ang.&nbsp;<em>star schema<\/em>). To&nbsp;skojarzenie jest jak najbardziej trafne, Kimball opracowa\u0142 bowiem koncepcj\u0119 schematu gwiazdy, czyli relacyjnej struktury bazy danych, kt\u00f3rej&nbsp;centraln\u0105 cz\u0119\u015b\u0107 stanowi tzw. tabela fakt\u00f3w (ang.&nbsp;<em>fact table<\/em>) wraz z&nbsp;otaczaj\u0105cymi j\u0105 tabelami wymiar\u00f3w (ang.&nbsp;dimension tables).&nbsp;Tabela fakt\u00f3w&nbsp;zawiera miary (ang.&nbsp;<em>measures<\/em>) oraz&nbsp;klucze obce wymiar\u00f3w, czyli referencje do&nbsp;wymiar\u00f3w. Miara charakteryzuje wielko\u015b\u0107 zaistnia\u0142ego zjawiska (np.&nbsp;warto\u015b\u0107 sprzeda\u017cy w&nbsp;przypadku zaistnienia faktu sprzeda\u017cy jakiego\u015b produktu).<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Wymiary&nbsp;opisuj\u0105 natomiast zaistnia\u0142y w&nbsp;rzeczywisto\u015bci fakt, dostarczaj\u0105c dodatkowych informacji na&nbsp;jego temat (np.&nbsp;informacje o&nbsp;sprzedanym produkcie oraz&nbsp;o&nbsp;kliencie, kt\u00f3ry&nbsp;dokona\u0142 zakupu). Ka\u017cda hurtownia musi zawiera\u0107&nbsp;wymiar czasu, kt\u00f3ry&nbsp;pozwala na&nbsp;jednoznaczne okre\u015blenie daty i&nbsp;godziny danego zdarzenia.<\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_6_modelowanie_danych_BI-1.png\" alt=\"Schemat gwiazdy opracowany przez Ralpha Kimballa\" class=\"wp-image-31683\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left\"><span style=\"color: windowtext;\">Rys. 5. Schemat gwiazdy opracowany przez Ralpha Kimballa<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Opr\u00f3cz schematu gwiazdy istniej\u0105 tak\u017ce schematy okre\u015blane mianem p\u0142atka \u015bniegu i konstelacji gwiazd, b\u0119d\u0105ce wariacj\u0105 na temat schematu gwiazdy (wi\u0119cej informacji mo\u017cna odnale\u017a\u0107 w artykule Czy hurtownia to lek na dezintegracj\u0119 danych?).<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Kimball zak\u0142ada, \u017ce hurtownia danych to tak naprawd\u0119 zbi\u00f3r sp\u00f3jnych data marts opartych na wsp\u00f3\u0142dzielonych wymiarach. Raporty tworzone s\u0105 bezpo\u015brednio na podstawie data marts lub poprzez dodatkow\u0105 warstw\u0119, jak\u0105 stanowi\u0105 kostki OLAP.<\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_8_modelowanie_danych_BI.png\" alt=\"Schemat architektury hurtowni danych wg Kimballa\" class=\"wp-image-31686\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left\"><span style=\"color: windowtext;\">Rys. 6. Schemat architektury hurtowni danych wg Kimballa<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left\">Wymiary w&nbsp;rozumieniu Kimballa powinny by\u0107 uzgodnione, czyli zachowywa\u0107 to&nbsp;samo znaczenie w&nbsp;relacji z&nbsp;wieloma faktami. Etap projektowania tego podej\u015bcia zak\u0142ada opracowanie macierzy proces\u00f3w biznesowych i&nbsp;wymiar\u00f3w (ang.&nbsp;<em>bus matrix<\/em>). Dzi\u0119ki takiemu podej\u015bciu konkretne tabele fakt\u00f3w wpinane s\u0105 w&nbsp;\u201emagistral\u0119\u201d, reprezentuj\u0105c\u0105 dost\u0119pne wymiary organizacji w&nbsp;hurtowni danych.<\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_5_modelowanie_danych_BI.png\" alt=\"Macierz proces\u00f3w ewolucja technik modelowania hurtowni danych\" class=\"wp-image-31684\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left image_description\"><span style=\"color: windowtext;\">Rys. <\/span><span style=\"color: windowtext;\">7<\/span><span style=\"color: windowtext;\">. Macierz proces\u00f3w biznesowych i wymiar\u00f3w<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left\">Ponadto podej\u015bcie Kimballa, w przeciwie\u0144stwie do Inmona, zak\u0142ada mocne zaanga\u017cowanie u\u017cytkownik\u00f3w ko\u0144cowych ju\u017c od samego pocz\u0105tku tworzenia hurtowni.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Jedna-wersja-fakt\u00f3w-Linstedta-Data-Vault\">Jedna wersja fakt\u00f3w Linstedta \u2013 Data Vault<\/h2>\n\n\n\n<p class=\"has-text-align-left\">W&nbsp;przeciwie\u0144stwie do&nbsp;spojrzenia Inmona na&nbsp;dane, Linstedt zak\u0142ada, \u017ce&nbsp;wszystkie dost\u0119pne dane z&nbsp;ca\u0142ego okresu powinny zosta\u0107 za\u0142adowane do&nbsp;hurtowni. Stanowi to&nbsp;podej\u015bcie okre\u015blane jako \u201ejedna wersja fakt\u00f3w\u201d. Tak&nbsp;jak w&nbsp;przypadku schematu gwiazdy Kimballa, tak&nbsp;w&nbsp;przypadku Data Vault Linstedt wprowadza pewne dodatkowe obiekty w&nbsp;celu organizacji struktury hurtowni danych. Obiekty te okre\u015blane s\u0105 jako:&nbsp;<strong>hub,&nbsp;satelita&nbsp;i&nbsp;link.<\/strong><\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_7_modelowanie_danych_BI.png\" alt=\"Data Vault Linstedt - architektura hurtowni danych\" class=\"wp-image-31685\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left\"><span style=\"color: windowtext;\">Rys. 8. Schemat architektury Data Vault wg Linstedta<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left\">Huby to obiekty zawieraj\u0105ce unikaln\u0105 list\u0119 kluczy biznesowych (pochodz\u0105cych z system\u00f3w \u017ar\u00f3d\u0142owych). Dodatkowo w hubie przechowywane s\u0105 metadane dotycz\u0105ce daty i godziny pierwszego pojawienia si\u0119 danego klucza oraz \u017ar\u00f3d\u0142a pochodzenia. Hub nie zawiera danych opisowych ani fakt\u00f3w. Linki z kolei pozwalaj\u0105 na okre\u015blanie relacji pomi\u0119dzy hubami. Przypominaj\u0105 one tabele fakt\u00f3w w modelowaniu wielowymiarowym. Satelity zawieraj\u0105 dane opisowe, przypominaj\u0105c tym samym znane z modelowania wielowymiarowego wymiary, i mog\u0105 \u0142\u0105czy\u0107 si\u0119 tylko z hubami lub linkami. Przyk\u0142adowym hubem mo\u017ce by\u0107 zatem unikalny identyfikator klienta w systemie sprzeda\u017cowym; \u0142\u0105czem b\u0119dzie pojedyncza linia sprzeda\u017cowa, a satelit\u0105 dane klienta do wysy\u0142ki.<\/p>\n\n\n\n<div style=\"height:34px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter\"><img decoding=\"async\" src=\"https:\/\/nearshore-it.eu\/wp-content\/uploads\/2024\/09\/2020.12.02_graphic_9_modelowanie_danych_BI.png\" alt=\"Schemat architektury Linstedta - architektura hurtowni danych\" class=\"wp-image-31687\" title=\"\"><\/figure>\n<\/div>\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"has-text-align-left\"><span style=\"color: windowtext;\">Rys. 9. Schemat architektury hurtowni danych wg Linstedta<\/span><\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">W celach optymalizacyjnych w Data Vault 2.0 zamiast kluczy g\u0142\u00f3wnych bezpo\u015brednio pochodz\u0105cych z system\u00f3w \u017ar\u00f3d\u0142owych (najcz\u0119\u015bciej liczby ca\u0142kowite), poddaje si\u0119 je przekszta\u0142ceniu przy wykorzystaniu tzw. funkcji skr\u00f3tu (haszuj\u0105cej), np. MD5 lub bezpieczniejsze SHA-2. Dodatkowo, dzi\u0119ki takiemu podej\u015bciu mo\u017cliwe jest wdro\u017cenie Data Vault na Hadoopie. Inn\u0105 innowacj\u0105 Data Vault 2.0 jest wykorzystanie tzw. Hash Diff do wydajnego por\u00f3wnywania danych ju\u017c za\u0142adowanych, z danymi oczekuj\u0105cymi na za\u0142adowanie w kolejnym zasileniu. Hash Diff wyznaczany jest na podstawie wszystkich opisowych kolumn w satelicie (nieb\u0119d\u0105cych metadanymi) za pomoc\u0105 funkcji skr\u00f3tu. W przypadku r\u00f3\u017cnic pomi\u0119dzy skr\u00f3tami nast\u0119puje zapisanie nowego rekordu (analogicznie jak w przypadku SCD typu 2), brak zmian to brak akcji.<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">W hurtowni danych wg Listedta wyr\u00f3\u017cnia si\u0119 czasem tzw. Raw Vault oraz Business Vault. Raw Vault to serce Data Vault zorganizowane w satelity, huby i linki umo\u017cliwiaj\u0105ce historyczne \u015bledzenie zmian w zintegrowanych danych pochodz\u0105cych z r\u00f3\u017cnych \u017ar\u00f3de\u0142. Na podstawie tej warstwy tworzone jest tzw. Business Vault, czyli warstwa przechowuj\u0105ca dane o znaczeniu biznesowym. Dane w tej warstwie poddane zosta\u0142y podstawowym przekszta\u0142ceniom wymaganym przez biznes. Business Vault stanowi przygotowanie danych dla data marts. Okre\u015blane jest czasem mianem <em>staging out,<\/em> w odr\u00f3\u017cnieniu od <em>staging in,<\/em> czyli warstwy przechowuj\u0105cej dane zebrane bezpo\u015brednio ze \u017ar\u00f3de\u0142 bez przekszta\u0142ce\u0144 (obszar przej\u015bciowy). Od Data Vault 2.0 zamiast terminu data mart u\u017cywany jest termin information mart w celu podkre\u015blenia roli, jak\u0105 powinny spe\u0142nia\u0107, czyli dostarczanie u\u017cytecznej informacji decydentom.<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Omawiaj\u0105c Data Vault, warto wspomnie\u0107 nazwiska os\u00f3b, kt\u00f3re aktywnie wsp\u00f3\u0142tworz\u0105 i&nbsp;propaguj\u0105 koncepcj\u0119 Data Vault na&nbsp;\u015bwiecie: Hans Hultgren, Michael Olschimke, Roelant Vos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Por\u00f3wnanie-technik-modelowania\">Por\u00f3wnanie technik modelowania<\/h2>\n\n\n\n<p class=\"has-text-align-left\">Istnieje wiele aspekt\u00f3w, kt\u00f3re odr\u00f3\u017cniaj\u0105 lub \u0142\u0105cz\u0105 przedstawione w&nbsp;artykule podej\u015bcia. <\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Wyb\u00f3r-?\">Wyb\u00f3r?<\/h2>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Bior\u0105c pod uwag\u0119 ugruntowan\u0105 pozycj\u0119 hurtowni danych w podej\u015bciu Kimballa, mo\u017ce pojawi\u0107 si\u0119 pytanie: czy modelowanie wielowymiarowe jest zatem przestarza\u0142\u0105 technik\u0105 modelowania hurtowni danych? Odpowied\u017a jest prosta: potrzeby klienta decyduj\u0105 o doborze odpowiedniej techniki modelowania. Dla niekt\u00f3rych rozwi\u0105zanie Data Vault nie jest adekwatne, dla innych z kolei bezcelowe jest wykorzystanie podej\u015bcia Inmona. W \u201enaturze\u201d odnale\u017a\u0107 mo\u017cna niejednokrotnie hybrydowe rozwi\u0105zania, \u0142\u0105cz\u0105ce r\u00f3\u017cne podej\u015bcia. Zamiast dogmatycznego wyboru pomi\u0119dzy akademickimi podej\u015bciami, nale\u017cy postawi\u0107 na pragmatyzm i elastyczno\u015b\u0107. Ka\u017cdy przypadek jest indywidualny i tylko trafna analiza poparta do\u015bwiadczeniem pozwala na odpowiedni wyb\u00f3r i&nbsp;<a href=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/outsourcing-uslug-it-wspiera-realizacje-projektow\/\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/outsourcing-uslug-it-wspiera-realizacje-projektow\/\" rel=\"noreferrer noopener\">dostosowanie rozwi\u0105zania do&nbsp;potrzeb klienta<\/a>.<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\">Og\u00f3lnie rzecz ujmuj\u0105c, w&nbsp;przypadku braku wyspecyfikowanych wymaga\u0144 dotycz\u0105cych analizy lub te\u017c w&nbsp;sytuacji kiedy celem mart\u00f3w jest dostarczenie informacji do&nbsp;kilku system\u00f3w BI, warto skorzysta\u0107 z&nbsp;podej\u015bcia Inmona. Tym bardziej, je\u017celi struktury baz danych system\u00f3w \u017ar\u00f3d\u0142owych s\u0105 stabilne.<\/p>\n\n\n\n<p class=\"has-text-align-left ql-align-justify\"><strong>Podej\u015bcie Kimballa<\/strong> jest zalecane, gdy wymagania s\u0105 dobrze znane i zdefiniowane. Modele wielowymiarowe s\u0105 zalecane jako struktura mart\u00f3w z uwagi na swoje zalety, do kt\u00f3rych mo\u017cna zaliczy\u0107 wysok\u0105 wydajno\u015b\u0107 i czytelno\u015b\u0107 dla u\u017cytkownik\u00f3w ko\u0144cowych. Z drugiej strony, niekt\u00f3re narz\u0119dzia doskonale radz\u0105 sobie z data marts o strukturze p\u0142askiej, kt\u00f3re dodatkowo doskonale nadaj\u0105 si\u0119 do analiz <a href=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/ai-machine-learning-i-big-data-czym-sa-i-co-dalej\/\" data-type=\"link\" data-id=\"https:\/\/nearshore-it.eu\/pl\/artykuly\/ai-machine-learning-i-big-data-czym-sa-i-co-dalej\/\">Data Science.<\/a><\/p>\n\n\n\n<p class=\"has-text-align-left\"><\/p>\n\n\n\n<h2 class=\"wp-block-heading has-text-align-left\">Big Data<\/h2>\n\n\n\n<p class=\"has-text-align-left\">Omawiaj\u0105c sposoby przechowywania du\u017cych zbior\u00f3w danych, nie mo\u017cna nie wspomnie\u0107 tak\u017ce o zyskuj\u0105cych na popularno\u015bci rozwi\u0105zaniach okre\u015blanych mianem Big Data. W obliczu olbrzymiej ilo\u015bci danych dost\u0119pnych w przedsi\u0119biorstwach obok koncepcji hurtowni danych rozwija si\u0119 koncepcja tzw. jeziora danych (ang. Data Lake), przeznaczonego w\u0142a\u015bnie dla przechowywania i analizy Big Data. Pojawianie si\u0119 nowych rozwi\u0105za\u0144 tego typu nie wyklucza dotychczasowych hurtownianych rozwi\u0105za\u0144, a jedynie uzupe\u0142nia dotychczasow\u0105 luk\u0119. Wzajemna koegzystencja i integracja system\u00f3w przechowywania danych (nieustrukturyzowanych i ustrukturyzowanych) w organizacji pozwala na zapanowanie nad chaosem i uzyskanie potrzebnej wiedzy biznesowej.<\/p>\n\n\n<div id=\"rank-math-faq\" class=\"rank-math-block\">\n<div class=\"rank-math-list \">\n<div id=\"faq-question-1727273935796\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Warto zobaczy\u0107<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Arshad A.: <a href=\"https:\/\/www.mssqltips.com\/sqlservertip\/2976\/comparing-data-warehouse-design-methodologies-for-microsoft-sql-server\/\" target=\"_blank\" rel=\"noopener\"><em>Comparing Data Warehouse Design Methodologies for Microsoft SQL Server<\/em><\/a>, opublikowano: 24 czerwca 2013.<br \/>Evers M.: Data Vault, <a href=\"https:\/\/slideplayer.com\/slide\/3986761\/\" target=\"_blank\" rel=\"noopener\"><em>The new Datawarehouse Supermodel<\/em><\/a><br \/><a href=\"http:\/\/bukhantsov.org\/2012\/04\/what-is-data-vault\/\" target=\"_blank\" rel=\"noopener\"><em>What is Data Vault?<\/em><\/a>, 10 kwietnia 2012.<br \/>YouTube: <a href=\"https:\/\/www.youtube.com\/watch?v=Xx4sdjGRriw\" target=\"_blank\" rel=\"noopener\"><em>Brief History of the Data Vault<\/em><\/a><br \/>YouTube: <a href=\"https:\/\/www.youtube.com\/watch?v=--OJpdPeH80\" target=\"_blank\" rel=\"noopener\"><em>Dimensional Modeling to Data Vault Evolution<\/em><\/a><\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1727273929130\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">\u0179r\u00f3d\u0142a<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Abramson I.: <a href=\"https:\/\/www.ismll.uni-hildesheim.de\/lehre\/bi-10s\/script\/Inmon-vs-Kimball.pdf\" target=\"_blank\" rel=\"noopener\"><em>Data Warehouse: The Choice of Inmon versus Kimball<\/em><\/a><br \/>Adamson C.: <a href=\"http:\/blog.chrisadamson.com\/2007\/03\/three-data-warehouse-architectures-that.html\"><em>Three Data Warehouse Architectures that Use Star Schema<\/em><\/a>, opublikowano: 26 marca 2007.<br \/>Anderson D.: <a href=\"https:\/\/www.talend.com\/blog\/2015\/03\/27\/what-is-the-data-vault-and-why-do-we-need-it\/\" target=\"_blank\" rel=\"noopener\"><em>What is \u201cThe Data Vault\u201d and why do we need it?<\/em><\/a>, opublikowano 27 marca 2015.<br \/>Czarko-Wasiutycz R.: <a href=\"http:\/\/sqlday.pl\/materials2017\/Roman%20Czarko-Wasiutycz\/SQLDay2017%20Data%20Vault%20Roman%20Czarko-Wasiutycz.pptx\" target=\"_blank\" rel=\"noopener\"><em>Miejsce architektury Data Vault 2.0 w hurtowniach danych<\/em><\/a>, prezentacja na konferencji SQLDay, Wroc\u0142aw 2018.<br \/>Dalby J.: <a href=\"http:\/\/www.joakimdalby.dk\/HTM\/DimensionalModeling.htm\" target=\"_blank\" rel=\"noopener\"><em>Dimensional modeling \u2013 architecture and terminology<\/em><\/a>.<br \/>Drozda P.: <a href=\"http:\/\/wmii.uwm.edu.pl\/~pdrozda\/pliki\/ZSBDwyk01.ppt\" target=\"_blank\" rel=\"noopener\">Bazy danych. Wprowadzenie<\/a>.<br \/><a href=\"http:\/\/www.sersc.org\/journals\/IJCG\/vol8_no1\/2.pdf\" target=\"_blank\" rel=\"noopener\"><em>Comparison Between Inmon and Kimball Methodology for the Purpose of Designing, Constructing and Testing of a Commercial BIDW Project<\/em><\/a>, International Journal of Computer Graphics Vol. 8, No.1 (2017).<br \/>George S.: <em><a href=\"https:\/www.computerweekly.com\/tip\/Inmon-or-Kimball-Which-approach-is-suitable-for-your-data-warehouse\">Inmon or Kimball: Which approach is suitable for your data warehouse?<\/a><\/em>, opublikowano 14 kwietnia 2012.<br \/>Graczyk B.: <em>Ciebie te\u017c to czeka\u2026ewolucja trwa\u2026<\/em>, opublikowano 14 marca 2017.<br \/>Graczyk B.: <a href=\"http:\/\/sql4you.info\/2017\/08\/23\/najwiekszy-mit-swiata-bi-poznaj-odpowiedz\/\" target=\"_blank\" rel=\"noopener\"><em>Najwi\u0119kszy mit \u015bwiata BI \u2013 poznaj odpowied\u017a\u2026<\/em><\/a>, opublikowano 23 sierpnia 2017.<br \/>Graziano K.: <a href=\"\/www.vertabelo.com\/blog\/technical-articles\/data-vault-series-data-vault-2-0-modeling-basics\">Data Vault 2.0 Modeling Basics<\/a>, opublikowano 20 pa\u017adziernika 2015.<br \/>Graziano K.: <a href=\"http:\/\/www.vertabelo.com\/blog\/technical-articles\/data-vault-series-building-an-information-mart-with-your-data-vault\" target=\"_blank\" rel=\"noopener\"><em>Building an Information Mart With Your Data Vault<\/em><\/a>, opublikowano 17 listopada 2015.<br \/>Hall M.: The 10 IT People Who Mattered in the Past 40 Years (but You May Not Know Why), opublikowano 9 lipca 2007.<br \/>Hultgren P.: <a href=\"https:\/\/hanshultgren.wordpress.com\/2011\/02\/20\/data-vault-layers-the-raw-vault\/\" target=\"_blank\" rel=\"noopener\">Data Vault layers &amp; the Raw Vault<\/a>, opublikowano 20 lutego 2011<br \/><strong>Inmon W.H.: <em>Corporate Information Factory<\/em>, John Wiley &amp; Sons, Indianapolis 2000.<\/strong><br \/>Kempe S.: <a href=\"http:\/\/www.dataversity.net\/a-short-history-of-data-warehousing\/\" target=\"_blank\" rel=\"noopener\"><em>A Short History of Data Warehousing<\/em><\/a>, opublikowano 23 sierpnia 2012.<br \/><strong>Kimball R., Ross M.: <em>The Data Warehouse ToolKit, Third Edition: The Definitive Guide to Dimensional Modeling<\/em>, John Wiley &amp; Sons, Indianapolis 2013.<\/strong><br \/><strong>Linstedt D., Olschimke M.: <em>Building a Scalable Data Warehouse with Data Vault 2.0<\/em>, Morgan Kaufmann, Cambridge, MA, USA, 2015.<\/strong><br \/>Mor Y.: <a href=\"https:\/\/www.xplenty.com\/blog\/Inmon-vs-Kimball-The-Big-Data-Warehouse-Duel\/\" target=\"_blank\" rel=\"noopener\"><em>Inmon vs. Kimball &#8211; The Big Data Warehouse Duel<\/em><\/a>, opublikowano 10 kwietnia 2014.<br \/>Naamane Z., Jovanovic V.: <a href=\"http:\/\/www.ijcsi.org\/papers\/IJCSI-13-4-16-31.pdf\" target=\"_blank\" rel=\"noopener\"><em>Effectiveness of Data Vault compared to Dimensional Data Marts on Overall Performance of a Data Warehouse System<\/em><\/a>, IJCSI International Journal of Computer Science Issues, Volume 13, Issue 4, July 2016.<br \/>Orlov V.: <a href=\"\/blog.westmonroepartners.com\/data-warehouse-architecture-inmon-cif-kimball-dimensional-or-linstedt-data-vault\/\"><em>Data Warehouse Architecture: Inmon CIF, Kimball Dimensional or Linstedt Data Vault?<\/em><\/a>, opublikowano 9 kwietnia 2014.<br \/>Ross M.: <em>Differences of Opinion<\/em>, opublikowano 3 marca 2004.<br \/><a href=\"https:\/\/bluesoft.net.pl\/en\/data-vault-architecture-2\/\" target=\"_blank\" rel=\"noopener\">The Data Vault Architecture<\/a>, opublikowano 14 grudnia 2012.<br \/>Vos R.: <a href=\"http:\/\/roelantvos.com\/blog\/?p=740\" target=\"_blank\" rel=\"noopener\"><em>Comparisons between Data Warehouse modelling techniques<\/em><\/a>, opublikowano 12 lutego 2013.<br \/>Vos R.: <a href=\"http:\/\/roelantvos.com\/blog\/?p=580\" target=\"_blank\" rel=\"noopener\"><em>Data Vault comparisons<\/em><\/a>, opublikowano 16 maja 2012.<br \/>Yessad L., Labiod A.: <a href=\"https:\/\/ieeexplore.ieee.org\/document\/7815845\/\" target=\"_blank\" rel=\"noopener\"><em>Comparative study of data warehouses modeling approaches: Inmon, Kimball and Data Vault<\/em><\/a>, International Conference on System Reliability and Science (ICSRS), Paris 2016.<\/p>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n<div style=\"height:32px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p>Pragn\u0119 podzi\u0119kowa\u0107 zespo\u0142owi Business Intelligence naszej Firmy za szereg interesuj\u0105cych dyskusji w toku powstawania artyku\u0142u. Dzi\u0119kuj\u0119 serdecznie Grzegorzowi Goli za wsparcie w obszarze Data Vault.&nbsp;Ponadto swoje podzi\u0119kowania za konsultacje kieruje w stron\u0119 Adriana Chodkowskiego, wsp\u00f3\u0142autora bloga seequality.net.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Poszukiwanie efektywnego sposobu przechowywania danych i ich wydajnego przetwarzania jest znakiem naszych czas\u00f3w. Niniejszy artyku\u0142 porusza wi\u0119c tematyk\u0119 sposobu relacyjnego przechowywania du\u017cych ustrukturyzowanych zbior\u00f3w danych, pochodz\u0105cych z r\u00f3\u017cnych \u017ar\u00f3de\u0142, okre\u015blanego mianem hurtowni danych. Artyku\u0142 powinien zainteresowa\u0107 wszystkich tych, kt\u00f3rzy zastanawiaj\u0105 si\u0119, czym jest hurtownia danych, czym jest Data Vault i co na przestrzeni ostatnich lat zmieni\u0142o si\u0119 w postrzeganiu \u201etradycyjnej\u201d wielowymiarowej hurtowni da<\/p>\n","protected":false},"author":111,"featured_media":29595,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"iawp_total_views":1311,"footnotes":""},"categories":[1,582],"tags":[600],"offering":[521],"class_list":["post-29566","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artykuly","category-technologie","tag-business-intelligence-2","offering-modern-data-solutions"],"acf":[],"_links":{"self":[{"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/posts\/29566","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/users\/111"}],"replies":[{"embeddable":true,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/comments?post=29566"}],"version-history":[{"count":6,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/posts\/29566\/revisions"}],"predecessor-version":[{"id":33747,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/posts\/29566\/revisions\/33747"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/media\/29595"}],"wp:attachment":[{"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/media?parent=29566"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/categories?post=29566"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/tags?post=29566"},{"taxonomy":"offering","embeddable":true,"href":"https:\/\/nearshore-it.eu\/pl\/wp-json\/wp\/v2\/offering?post=29566"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}