Articoli del meseArticoli del mese

Articoli del mese


Stampa articolo

Articolo del Mese - Maggio 2007

Integrare Master Data Management e BI (Parte Seconda)

Mike Ferguson by Mike Ferguson

Come mettere insieme il MDM con la BI?

Il primo punto da prendere in considerazione è che, in un sistema di BI, un dato master viene rappresentato come dimensioni e non è associato con eventi (ad esempio, transazioni). L'introduzione di un sistema di gestione dei Dati Master all'interno dell'impresa dovrebbe produrre un impatto positivo sui sistemi di BI. Come esempio, in un sistema MDM è tipico il caso che i nomi degli attributi e le definizioni dei dati usate per descrivere le entità dei dati master costituiscano uno standard per l'intera impresa. Tali definizioni spesso fanno riferimento a un vocabolario condiviso all'interno dell'impresa (SBV-Shared Business Vocabulary) che, quindi, costituisce l'insieme dei Metadati Master.

 

In un sistema di BI, possiamo trarre profitto di un SBV dei dati master per migliorare il riutilizzo delle medesime definizioni dei dati all'interno di tutti i modelli dimensionali, cubi e rappresentazioni per gli strumenti di BI dell'impresa, con lo scopo di gestire la consistenza tra i dati dimensionali (Figura 8). L'utilizzo di un SBV in questo modo può solamente migliorare la comprensione dei dati presentati nei report di un sistema di BI, nelle analisi OLAP, nei cruscotti aziendali e nelle scorecard. Inoltre, contribuisce alla richiesta di conformità e alla percezione dell'utilità, oltre che al consolidamento della BI.

Figura 8

In aggiunta a una maggiore consistenza dei metadati, l'arrivo di un sistema MDM nell'impresa può anche impattare l'integrazione dei dati in un sistema di BI (comunemente indicato come processo di data warehousing o ETL). Se attualmente non disponete di un sistema di MDM, il vostro sistema di BI sarà verosimilmente basato sull'architettura di un data warehouse classico, nel quale i dati fondamentali risultano suddivisi all'interno di data store multipli, attivi nell'ambito dei sistemi applicativi dedicati alle singole linee di business. Pertanto, dovendo realizzare datidimensionali integrati in un sistema di BI, per poterne creare le dimensioni, normalmente utilizzerete uno strumento di integrazione che consenta di integrare i Dati Master mantenuti nei diversi sistemi applicativi.

 

In questo senso, quindi, possiamo anche affermare che il vostro sistema di BI sia attualmente l'unico posto nel quale consolidate e integrate i dati master (Figura 9)

 

Figura 9

Pertanto, non dobbiamo meravigliarci se rimane una certa confusione tra il concetto di hub dei dati master e quello di data warehouse, poiché entrambi ne prevedono l'integrazione. A questo punto, sorge la questione del perché dovreste aver bisogno di un sistema MDM se già disponete di un Data Warehouse? Secondo me questo è un modo erroneo di considerare la domanda, che dovrebbe essere così riformulata: perché dobbiamo integrare i dati master in un sistema di BI? I dati master non dovrebbero essere già integrati e trattati come fonte di informazioni dagli strumenti di integrazione dei dati utilizzati in un sistema di BI? In effetti, secondo la mia opinione questa sarebbe la situazione migliore, perché i dati master debbono essere forniti ad altri sistemi oltre che a quello di BI. Infatti, dovrebbero essere contemporaneamente a disposizione dei sistemi applicativi e di BI, oltre a dover essere forniti agli strumenti di integrazione dei dati dei sistemi di BI, almeno in tre modalità diverse:

Utilizzando i servizi di integrazione e corrispondenza di un software per la qualità dei dati compatibile con architetture SOA, in modo da fornire i dati master direttamente ad un data warehouse, oppure ai job ETL dei data warehouse stessi.

Utilizzando soluzioni MDM basate sulla registrazione per creare una fonte dei dati virtuale per i dati master, disponibile per l'accesso da parte dei sistemi di integrazione dei dati di un sistema di BI.

Utilizzando un hub per i dati MDM, costruito oppure acquistato sul mercato, come fonte permanente dei dati per gli strumenti di integrazione operanti per un sistema di BI.

DataFlux costituisce l'esempio di un venditore che può supportare la prima di queste opzioni. In aggiunta, un sistema MDM basato sulla registrazione può essere supportato, ad esempio, da Purisma, che offre un raccordo per Informatica PowerCenter, per mezzo del quale riesce a fornire i dati master allo strumento di integrazione dei dati di Informatica per la creazione dei dati dimensionali. PowerCentre può applicare gli identificatori globali determinati da Purisma ai dati dei clienti suddivisi tra i diversi sistemi applicativi, in modo da creare record integrati dei clienti in un sistema di BI. Purisma ha in atto anche una partnership con Business Objects come parte dell'iniziativa Enterprise Information Management (EIM) di quest'ultima società, per passare i dati master allo strumento Data Integrator della stessa Business Objects. I sistemi MDM basati sulla registrazione possono anche fornire le modifiche dei dati master agli strumenti di

integrazione dei dati, con lo scopo di semplificare i processi di aggiornamento delle dimensioni.

Figura 10

Sotto certi aspetti, le prime due opzioni tra quelle appena indicate dovrebbero consentire un qualche effetto di semplificazione delle elaborazioni ETL classiche nei sistemi di BI, poiché questo tipo di operatività non potrebbe altrimenti essere conseguita nei job ETL corrispondenti.

La Figura 11 mostra come un hub MDM possa essere utilizzato come fonte dei dati per i sistemi di BI. Questo implicherebbe, naturalmente, una semplificazione significativa nei processi di realizzazione dei sistemi di BI, migliorando nel contempo la qualità dei dati dimensionali perché, in questo caso, la fonte di questi ultimi contiene già dati master integrati e di qualità elevata. Tuttavia, in questo approccio esiste anche un impatto molto più forte dovuto all'effettiva separazione dei dati dimensionali da quelli relativi ai fatti (transazioni). Potenzialmente, questo potrebbe significare che tutto quello che dobbiate fare sia combinare i dati master con quelli delle transazioni, per generare data mart con dimensioni conformi (comuni) a partire dai dati master e dalle transazioni come fonti dei dati. Questo approccio è molto simile a quello della soluzione MDM di Kalido. Infatti, possiamo affermare che sistemi MDM come quello di Kalido possono potenzialmente evitare la necessità dell'approccio a "un database unico e di grandi dimensioni" per realizzare un Data Warehouse d'impresa, se tutti i data mart usano dimensioni normalizzate. Lasciatemi chiarire che cosa intendo dire. In altre parole, il data warehouse dell'impresa diviene un insieme di data mart (che possono essere residenti su di un singolo server), ciascuno dei quali condivide i dati dimensionali. Si tratta di un cambiamento sottile di concetto, che non vuol dire che il warehouse dell'impresa non sia ancora vivo e vegeto, ma che la sua creazione avvenga combinando i dati master e i dati delle transazioni, in modo da creare un insieme di data mart collegati che condividono i dati dimensionali.

Figura 11

Il MDM può anche rendere più efficaci le analisi e il reporting dei sistemi di BI. Ad esempio, nell'area dei report con valore procedurale o statutario, per ragioni di coerenza dei dati è necessaria la consistenza univoca dei dati master per essere sicuri che i report risultino corretti nei confronti di uno o più sistemi di BI. Dati master accurati prevengono anche i problemi di riconciliazione che possono manifestarsi tra sistemi di BI, cubi e report. Ancora, se un sistema MDM supporta il controllo centrale delle gerarchie dei dati, questo significa che la modifica di queste ultime può essere diffusa facilmente tra modelli dimensionali multipli all'?interno delle diverse linee di business e dei singoli sistemi applicativi. Venditori di tecnologie MDM come Hyperion, Stratature e Siperian supportano tutti la gestione delle gerarchie dei dati master, anche con la possibilità di ricostruirne la storia (tracking). Questo significa che si possono creare versioni multiple delle gerarchie, consentendo di ri-creare versioni dimensionali multiple per ottenere report e analisi storiche più accurate. Anche i cubi possono essere ri-costruiti automaticamente con versioni diverse delle gerarchie, per consentire analisi di performance più accurate.

A tale proposito, consideriamo, ad esempio, i dati master di Prodotto. Se un prodotto che esiste nel 2005 viene spostato dalla sua categoria in una diversa per il 2006, allora si rendono necessarie modifiche nella gerarchia dei dati master di Prodotto.Tali modifiche debbono essere memorizzate e diffuse in tutti i sistemi elaborativi coinvolti. Rispetto alla BI, questo ci consente una corretta rilevazione delle vendite del prodotto stesso, con la possibilità di confrontare i risultati del 2005 con quelli del 2006, mediante la giusta attribuzione delle vendite per categorie di prodotti agli anni di rispettiva competenza. Pertanto, i sistemi MDM sono in grado di automatizzare la ri-creazione di versioni precedenti di una gerarchia di prodotto con lo scopo di produrre report di BI maggiormente significativi.

Figura 12

In sintesi, possiamo concludere affermando che le tecniche di Master Data Management rendono molto più efficaci i sistemi DW/BI (Data Warehouse/Business Intelligence):

Fornendo metadati master da utilizzare nei modelli di dati dimensionali e nei cubi

Fornendo dati master di alta qualità con funzione di fonte dei dati verificata per le elaborazioni ETL

Fornendo una visione completa e collegata dei dati master tra i diversi sistemi di reporting

Mantenendo traccia delle versioni delle gerarchie che si susseguono nel tempo

Automatizzando la ri-creazione di versioni diverse di una dimensione in uno schema a cubo o a stella, per riflettere i cambiamenti delle gerarchie

Fornendo dati verificati per il reporting e l'analisi dei dati

I sistemi MDM, quindi, forniscono le modifiche dei dati master sia ai sistemi applicativi che a quelli analitici. Non è verosimile che i dati master e i dati dimensionali di un DW siano costituiti dalla medesima istanza fisica, perché il dato master viene tipicamente normalizzato per supportare le elaborazioni OLTP, mentre i dati dimensionali vengono normalmente de-normalizzati per supportare le analisi dimensionali e semplificare il reporting. Nei prossimi anni, le imprese si muoveranno verosimilmente verso una gestione completa dei dati master e probabilmente non seguiranno fino in fondo la strada della fonte di dati unica. Se state acquistando soluzioni MDM, un percorso possibile forse consiste nel procedere per gradi, iniziando con un sistema MDM basato sulla registrazione, per passare poi a un hub dei dati e arrivando, infine, a un sistema MDM d'impresa. Come per la questione se costruire all'interno oppure acquistare sul mercato il sistema MDM, se la vostra organizzazione ha già in essere molte soluzioni precostituite, allora considerate l'acquisto di un sistema MDM basato su un hub come primo passo, per realizzare poi un sistema MDM d'impresa. Se, invece, nella vostra organizzazione la maggioranza delle applicazioni fondamentali utilizza già un database operativo comune, allora la soluzione migliore potrebbe essere la costruzione di un sistema MDM che riutilizzi le entità dei dati master delle applicazioni fondamentali, nell'ambito del proprio datastore. Quest'ultimo, infine, diventerebbe così una fonte per il data warehouse.

Integrare Master Data Management e BI (Parte Seconda) - Technology Transfer

Enterprise information catalog. I requisiti per fare la scelta giusta
Mike Ferguson

La nuova era dell’analisi predittiva - Le aziende alla prova del Machine Learning
Frank Greco

Uno sguardo Agile - Per capire il passato e progettare il futuro
Arie van Bennekum

Trasformazione Agile
Se il product owner diventa un collo di bottiglia

Sander Hoogendoorn

Una Fiat o una Ferrari?
Qual è la più adatta per il business digitale?

Barry Devlin

Vincere la complessità dei dati. È l’ora dello smart data management
Mike Ferguson

Big Data e Analytics - Se il machine learning accelera anche la data science
Mike Ferguson

I dati al centro del business
Christopher Bradley

I Big Data forniscono il contesto e la ricchezza predittiva attorno alle transazioni di business Avere dati coerenti e di qualità resta fondamentale per il processo decisionale
Barry Devlin

Cosa c’è dietro l’angolo? Cinque mosse per diventare un digital leader
Jeroen Derynck

Managing information technology Gestire l’IT come un business nel business
Mitchell Weisberg

Data integration self-service Miglioramento della produttività o caos totale?
Mike Ferguson

Project manager vecchi miti e nuove realtà
Aaron Shenhar

La catena alimentare dei requisiti
Suzanne Robertson

Come diventare un’azienda data-centric
Lindy Ryan

Enterprise analytical ecosystem - Come comprendere il comportamento online dei clienti e capitalizzare il valore dei dati nell’era Big Data
Mike Ferguson

Agilità? Basta Volere
Suzanne Robertson

Ma la vostra architettura è efficace?
Mike Rosen

Se il NoSQL diventa SQL
Rick van der Lans

La data quality e l’impatto sul business
Danette McGilvray

Business analysis e regole di business By Ronald G. Ross con Gladys S.W. Lam
Ronald Ross

Usare Scrum su larga scala: cosa cambia?
Craig Larman

Le architetture per ridurre il debito tecnico
Mike Rosen

Conversando con un marziano
Suzanne Robertson

Cosa c’è di nuovo nel project management?
Aaron Shenhar

Reinventare la Business Intelligence
Barry Devlin

Il nuovo volto della business intelligence
Shaku Atre

Alla ricerca del valore tra i pomodori nell'orto
John Favaro

I big data cambiano il mercato dei Database Server
Rick van der Lans

Un “superstorm” di informazioni
Barry Devlin

I dieci step per la qualità dei dati
Danette McGilvray

Perché è meglio evitare il private cloud?
Jason Bloomberg

Leonardo da Vinci aveva ragione!
Chris Date

Mobile user experience: Come adottare una strategia sostenibile
James Hobart

Cosa significa occuparsi di architettura?
Mike Rosen

Virtualizzazione dei dati e sistemi di Business Intelligence Agili
Rick van der Lans

Modelli e linguaggi naturali, quale il modo migliore per definire i requisiti?
James Robertson

Extreme Scoping: un approccio Agile all'Edw e alla BI
Larissa Moss

BI², la Business Intelligence al quadrato
Barry Devlin

I test di regressione in ambienti legacy
Randy Rice

Le conseguenze della consumerizzazione e del Cloud
Chris Potts

Come vanno gli affari? Chiedetelo al vostro cruscotto
Shaku Atre

Organizzare team di progetto efficienti in ambienti DW/BI
Larissa Moss

Big Data, come e perché
Colin White

Business Capabilities e l'allineamento del business all'IT
Mike Rosen

Il valore della tassonomia nella ricerca delle informazioni
Zach Wahl

BI, ma il Data Warehouse è ancora necessario?
Colin White

Reinventare la Business Intelligence
Barry Devlin

Il cruscotto delle prestazioni: il nuovo volto della Business Intelligence
Shaku Atre

Modelli e processi di User acceptance testing
Randy Rice

I limiti nel gestire l'IT come un Business
Chris Potts

Le componenti fondamentali del Cloud
George Reese

Metadati e DW 2.0
Derek Strauss

BI Open Source: basso costo e alto valore?
Jos van Dongen

Semplicità e requisiti
Suzanne Robertson

Business intelligence e analisi testuale
Bill Inmon

Extreme Scoping™: approcci agili al DW e alla BI
Larissa Moss

Dalla BI a un'architettura IT di livello Enterprise
Barry Devlin

Ambiente efficiente di ricerca di informazioni
James Hobart

Il Business deve trainare la Strategia IT
Chris Potts

Web database: la questione MapReduce (seconda parte)
Colin White

Web database: la questione MapReduce
Colin White

Misura delle prestazioni. I sette comandamenti
Harry Chapman

Le dieci cose che un architetto deve fare per creare valore
Mike Rosen

Sviluppare applicazioni a prova di sicurezza
Ken van Wyk

The ECM Landscape in 2008
Alan Pelz-Sharpe

Ma chi sono gli operatori dell’informazione?
Colin White

Qualità dell’informazione e trasformazione del management
Larry English

Classificazione sistematica delle informazioni
Zach Wahl

L’uso intensivo del Web nelle applicazioni di Bi
Colin White

Enterprise Search
Theresa Regli

La forza dell'astrazione
Steve Hoberman

La strada verso una BI pervasiva
Cindi Howson

Soa, una strategia di test
Randy Rice

Verso una BI più semplice e a minor costo
Colin White

I contenuti “Killer” del Web
Gerry McGovern

Sviluppo iterativo del software per i Dw
Larissa Moss

Qualità delle Informazioni e Datawarehousing
Larry English

Lo scenario Ecm 2008
Alan Pelz-Sharpe

La nascita del Web 3.0
John Kneiling

Documentazione: il dossier del crimine
Suzanne Robertson

L’impatto del Web 2.0 sui portali delle imprese
Colin White

Le tecniche vincenti di IT Management
Ken Rau

Web 2.0
Ed Yourdon

Web di successo se si conosce il cliente
Gerry McGovern

Un approccio alla BI incentrato sui processi
Colin White

Integrare Master Data Management e BI (Parte Seconda)
Mike Ferguson

Integrare Master Data Management e BI (Parte Prima)
Mike Ferguson

Il Project Manager è una Tata
Suzanne Robertson

Web di successo se si conosce il cliente
Gerry McGovern

L'informazione personalizzata
Colin White

La Tassonomia dell'Impresa
Zach Wahl

Managed Meta Data Environment (II parte)
David Marco

Managed Meta Data Environment
David Marco

Migliorare le applicazioni dell'impresa con Web 2.0
James Hobart

La Balanced Scorecard migliora la Performance dell'IT
Harry Chapman

La fusione dei processi dell'impresa grazie a Soa (II parte)
Max Dolgicer

La fusione dei processi dell'impresa grazie a SOA (I parte)
Max Dolgicer

Volere è Potere, in Ogni Senso
Suzanne Robertson

Dimostrate con i numeri il valore dei contenuti del web
Gerry McGovern

Il Back-end della pianificazione strategica dell'It
Ken Rau

L'audit delle prescrizioni di progetto (II parte)
Suzanne Robertson

L'audit delle prescrizioni di progetto (I parte)
Suzanne Robertson

Il Processo di gestione delle informazioni
Ted Lewis

I requisiti come strumento di gestione dei progetti
Suzanne Robertson

Il futuro è nel contenuto killer del web
Gerry McGovern

Alla ricerca del valore tra i pomodori nell'orto
John Favaro

Rilevare i costi sulla base delle attività
Ken Rau

Un percorso verso l'impresa intelligente (II parte)
Mike Ferguson

Un percorso verso l'impresa intelligente (I parte)
Mike Ferguson

Il Data Store Operativo: un lavoro di martello
Claudia Imhoff

Il data warehouse orientato all'impresa
Michael Schmitz

Dieci punti chiave per realizzare balanced scorecard di successo
Harry Chapman

Content management: i contenuti al primo posto
Gerry McGovern

Applicazioni Web ad alta disponibilità
John Kneiling

Il 2004, sarà l'anno in cui abbandoneremo html?
James Hobart

La tecnologia EII ripropone il data warehousing virtuale?
Colin White

Misurare per Gestire
Ken Rau

Volere è Potere, in Ogni Senso
Suzanne Robertson

Realizzare il CPM e l'integrazione della BI
Mike Ferguson

Tutti i punti della FPA
Koni Thompson

Requiem per il Portale?
Colin White

Business Intelligence: dalla teoria alla realtà (II parte)
Shaku Atre

Business Intelligence: dalla teoria alla realtà (I parte)
Shaku Atre

I portali Corporate e di E-business: la nuova generazione del posto di lavoro
Mike Ferguson

I 10 errori da evitare nella realizzazione di un Meta Data Repository (II Parte)
David Marco

I 10 errori da evitare nella realizzazione di un Meta Data Repository (I parte)
David Marco

Usare i modelli per acquisire l'esperienza di progettazione
James Hobart

Realizzare l'Impresa Intelligente
Colin White

.NET or J2EE - Choosing the Right Web Services Framework
John Kneiling

Progettare Applicazioni Mobili di Successo
James Hobart

La Sociologia del Progetto: Identificare e Coinvolgere tutti i Partecipanti
Suzanne Robertson

Integrare la Business Intelligence nell'Impresa (II parte)
Mike Ferguson

Integrare la Business Intelligence nell'Impresa (I parte)
Mike Ferguson

L'Evoluzione del Portale di e-Business (II parte)
Colin White

L'Evoluzione del Portale di e-Business (I parte)
Colin White

Il Consulente WebEAI: Servizi Web, XML e l'Impresa
John Kneiling

Data Mining: Come Gestire le Relazioni con i Clienti Secondo i Principi del CRM
Weaver James

Articoli del mese - Technology Transfer