HomeTecnologia

Big Data
 
Data warehouse: cos’è, definizione
e casi d’uso delle DWH 
5 aprile, 2023 10 min


Intermedio

Cosa Imparerai

Data warehouse: cos’è e definizione di DWH

I tipi di data warehouse: livelli e componenti

Vantaggi, svantaggi e usi di una data warehouse

Cos’è una data warehouse? Per definizione, è molto più di un database:

una DWH è un sistema di archiviazione e analisi per big data, che
sostiene i processi decisionali di un’azienda, per ottenere linee guida
:
 migliori per il futuro. Studiamo la struttura di una data warehouse e il suo
funzionamento, per conoscere vantaggi, svantaggi e le applicazioni di
questa tecnologia. 

Data warehouse: cos’è e definizione di DWH

Capire cos’è una data warehouse (DW o DWH) e formulare una
definizione è essenziale per ogni realtà aziendale. Si tratta dell’insieme
degli strumenti utili a gestire il flusso continuo di informazioni in cui
siamo immersi, in modo tale da estrarne valore. Più precisamente, una
DWH è composta da un archivio storico di dati, strutturato su più livelli,
che è possibile analizzare attraverso query (domande) specifiche, così da
supportare le decisioni strategiche.

Questo processo è definito business intelligence (BI), un concetto

formulato dall’azienda IBM, che ha anche coniato il termine data
warehouse. Nel 1988, infatti, furono i ricercatori Barry Devlin e Paul
Murphy a dare nome a questa tecnologia per costruire un magazzino di
dati (database) e gli strumenti per esaminarlo. Una DWH è l’unica fonte di
verità fattuale per un’azienda, in base alla quale fare scelte ottimali per il
futuro. 

La definizione di data warehouse, quindi, coinvolge i big data, ovvero

informazioni di grande volume, varietà e velocità, incompatibili con i
sistemi tradizionali di analisi e archiviazione. Infatti, una DWH è
innanzitutto un’enorme raccolta di dati strutturati, informazioni dalle
caratteristiche predefinite, aggregate da fonti interne ed esterne
all’azienda. 

In particolare, è William Inmon a spiegarci cos’è una data warehouse,

partendo dalle 4 caratteristiche di questo sistema:
Orientato al soggetto: le DWH seguono una logica settoriale,
considerando dati appartenenti solo ad argomenti di interesse per
l’azienda. In pratica, sono archivi tematici, organizzati in aree
specifiche, come prodotti, clienti, vendite, ecc; 
Integrato: una data warehouse estrae informazioni da fonti diverse,
dunque è necessario curare la coerenza tra di esse, incrociando i dati
alla ricerca di inconsistenze. Questa integrazione è solitamente
eseguita prima dell’archiviazione, nella fase di trasformazione dati;
:
 Variabile nel tempo: una DWH serve da archivio storico per l’azienda,
dunque fa riferimento ad un periodo molto esteso, nell’ordine degli
anni. Vengono quindi registrati tutti i cambiamenti nelle informazioni,
relative ad ogni singolo elemento, creando nuove istanze senza
sovrascrivere i dati;
Non volatile: l’accesso alle informazioni memorizzate è in “sola
lettura” perché, data la valenza storica di una data warehouse, non è
necessario modificarle o aggiornarle, se ne possono soltanto
aggiungere di nuove.

Una definizione di data warehouse esaustiva, quindi, potrebbe essere: 

Sistema aziendale di archiviazione ed analisi, a supporto dei processi

decisionali, fondato su una raccolta storica di informazioni, permanente
ed organizzata per argomento, consultando fonti diverse. 

I tipi di data warehouse: livelli e componenti

Un altro modo per comprendere cos’è una data warehouse è osservarne
l’architettura,  gli elementi che la compongono e le fasi del suo
funzionamento.

In base al percorso delle informazioni, possiamo innanzitutto distinguere

due tipi di DWH. Il primo è organizzato seguendo, nell’ordine, le
operazioni di estrazione, trasformazione e caricamento dei dati. Il
secondo, invece, inverte gli ultimi due stadi del processo, risultando in
un sistema tecnicamente diverso.

Considerando la prima tipologia di data warehouse, il processo ETL

(Extract, Transform, Load) inizia con il recupero delle informazioni dalle
fonti selezionate, interrogando i rispettivi database. I dati grezzi, così
estratti, vengono raccolti in una sorta di “anticamera” per la data
warehouse, chiamata area di staging. 

Dopodiché, avviene la trasformazione delle informazioni:

essenzialmente, vengono “tradotte” in un unico linguaggio, conforme a
precise denominazioni, codifiche ed unità di misura. Inoltre, vengono
integrati o eliminati i dati incompleti, gli errori e le informazioni corrotte o
ridondanti. Questo processo è anche denominato data cleaning o
:
 cleansing e contribuisce alla definizione di data warehouse al pari della
successiva fase di “caricamento”

Questi dati elaborati e “puliti” vengono dunque registrati nell’archivio dei

dati operativi (ODS), dove verranno ulteriormente organizzati prima di
essere spostati nell’effettiva “memoria” della data warehouse. Questo
database contiene il massimo dettaglio delle informazioni, ma può
essere diviso in sottogruppi: le data mart, insiemi limitati di dati, che
riguardano un particolare ramo di un’azienda, come il marketing o il
servizio clienti. 

Qui, i big data sono organizzati in uno schema a stella: dato un certo
elemento, la tabella dei fatti ne elenca le caratteristiche essenziali, poi
esplicitate nelle tavole di dimensione. In pratica, i fatti sono codici
riassuntivi, a cui le dimensioni danno un contesto più ampio. 

Ad esempio, un cliente sarebbe rappresentato così in una data

warehouse, i fatti precedono le dimensioni:
ID Residenza: regione, provincia e città
ID Età: giorno, mese, anno (di nascita)
ID Impiego: ruolo, retribuzione, anzianità

Se le dimensioni fossero ulteriormente divise in sotto-tabelle, una per

ogni attributo, lo schema a stella si amplierebbe in uno schema a fiocco
:
 di neve, più ramificato. 

Questi tipi di database, che legano le informazioni in strutture

gerarchiche, sono detti relazionali. Ognuno di essi è associato ad un
catalog: una specie di registro per i metadati, ovvero informazioni
aggiuntive che spiegano la natura delle informazioni che accompagnano;
ad esempio, possono indicarne la provenienza o la data di estrazione.

Il processo ETL, tuttavia, non basta a spiegare cos’è una data warehouse:
i dati finemente elaborati, infatti, devono ancora essere analizzati dagli
strumenti di business intelligence. A questo punto, quindi, i vari database
della data warehouse vengono interrogati: gli vengono sottoposte delle
query, ovvero domande formulate secondo il linguaggio SQL (Structured
Query Language). In pratica, le query sono direttive basate su fatti e
dimensioni, che esplorano il database alla ricerca dei dati con migliore
corrispondenza. Sfruttando data mart specifici, si ottengono soluzioni in
breve tempo, ma si sacrifica il livello di dettaglio dell’archivio generale. 

In ogni caso, gli strumenti per analizzare una data warehouse sono gli
OLAP (On-Line Analytical Processing): in base agli schemi a stella,
costruiscono i cosiddetti cubi multidimensionali, istantanee del database
in un certo momento. Le risposte alle query sono dunque visualizzate in
report scritti, grafici o dashboard per essere presentate all’utente finale.

Secondo il modello ETL, dunque, potremmo spiegare cos’è una data

warehouse in 4 livelli o layer: 
Trasformazione: estrazione e integrazione (cleaning)
Preparazione e storage: database DWH e data mart
Analisi: strumenti OLAP
Presentazione: scritta o grafica
:
 La definizione di data warehouse comprende anche la tipologia ELT
(Extract, Load, Transform) che carica i dati grezzi direttamente nel
database centrale, trasformandoli solo all’occorrenza di un’analisi. Nel
processo ELT, in particolare, non ci sono aree di staging o data mart: i
dati vengono sia archiviati che processati nell’unico database della DWH.
Il modello ELT richiede meno operazioni ed è dunque più veloce e meno
costoso, inoltre supporta anche dati non strutturati (come immagini,
video o audio). Tuttavia, potrebbe portare a violazioni di privacy e
sicurezza: ad esempio, in mancanza di pre-elaborazione, i dati sensibili
non possono essere “oscurati” all’inizio del processo. 

Vantaggi, svantaggi e usi di una data

warehouse
La definizione di data warehouse, oltre a chiarire cos’è, ci presenta i suoi
principali vantaggi. 

Innanzitutto, fornisce dati qualitativi: aggregando diverse fonti, si

ottengono informazioni esaustive, ma è la fase di elaborazione a
renderle attendibili, eliminando gli errori e normalizzando i dati. Inoltre,
interrogare un unico database, curato ed integrato, al posto di
consultare le singole fonti, velocizza le operazioni di insight. Il vantaggio
principale di una data warehouse, a tal proposito, è il sostegno al
processo decisionale: è possibile organizzare strategie e piani futuri
:
 basandosi sui dati, aumentando così le probabilità di successo. Questo,
infine, rappresenta un vantaggio competitivo, rispetto alle aziende che
non compiono scelte informate grazie ad una DWH.

Le data warehouse, tuttavia, hanno anche alcuni svantaggi:

Creare e mantenere un sistema DWH richiede molto tempo ed
impegno costante, è necessario dedicare risorse specifiche per
conservarne il valore informativo.
L’intervento umano nell’elaborazione dati può generare inconsistenze
nei dati. Data l’immensità dei database, è difficile individuare gli
errori, e questo potrebbe portare a risultati distorti, ridimensionando
l’utilità della data warehouse.
Un archivio storico, per coprire diversi anni, ha bisogno di grande
spazio. Questo potrebbe portare ad un incremento nei costi, data la
crescita esponenziale delle informazioni generate da Internet. Le
soluzioni di cloud storage, tuttavia, possono rappresentare
un’alternativa agli hardware di proprietà, fornendo memoria  a prezzi
economici.
La scalabilità è una sfida per ogni tecnologia: l’accesso
contemporaneo di più utenti ad una data warehouse potrebbe
causare congestionamenti e rallentare le operazioni. Tuttavia,
distribuire il traffico tra diverse data mart potrebbe essere una
soluzione.

Avendo dato una definizione a cos’è una data warehouse, possiamo

osservare qualche applicazione. In generale, da una DWH sorgono due
tipi di sistemi, che rappresentano i suoi due scopi: 
Decision support system (DSS) – lo schema per la risoluzione di
problemi specifici
Executive/Enterprise Information System (EIS) – l’infrastruttura che
permette alle informazioni di diffondersi, senza particolari obiettivi.

Passando alla pratica, il primo caso d’uso è quello già esplorato di analisi
e report, il cosiddetto “controllo di gestione”. Le data warehouse, però,
possono anche essere usate per la gestione del rischio e l’individuazione
delle frodi: il loro potere statistico, dato da varie fonti, permette un
monitoraggio profondo, da cui è possibile individuare le potenziali
:
 vulnerabilità dell’azienda. Inoltre, l’applicazione al marketing è la più
nota, perché la data warehouse contiene informazioni utili ad
organizzare campagne, strategie di conversione dei clienti o vendita di
prodotti, soprattutto se le attività sono veicolate attraverso internet. 

Come anticipato, le DWH rappresentano una fonte di sapere per le

aziende, soprattutto nel caso di dati strutturati. Il loro potere
informativo, tuttavia, è accresciuto dai data lake, contenenti dati non
strutturati (come quelli provenienti dai social network), pertanto i due tipi
di database sono spesso integrati in un’unica data lakehouse. Infine, le
data warehouse sono fondamentali nella progettazione di nuovi prodotti
e servizi: gli strumenti di analisi, in questo caso, sono affiancati da
ambienti di simulazione chiamati “Sandbox” (non il metaverso) dove è
possibile fare test, costruire soluzioni o applicare nuovi metodi.

In conclusione, i data scientist conoscono bene cos’è una data

warehouse, la sua definizione operativa e i possibili utilizzi, ma è possibile
abbinare il loro contributo di analisi all’intelligenza artificiale, così da
automatizzare alcuni processi attraverso il machine learning.
:
 Registrati su Young Platform

Inizia ora 

Correlati
:
 Big Data

Big data: cosa sono e a cosa servono?

4 aprile, 2023 9 min

Big Data Web3

Cos’è il machine learning: come apprende l’intelligenza

artificiale
16 marzo, 2023 10 min

Prodotti 

Young Platform

Young Platform Pro

Young Platform Step

Young Platform Academy

Token NEW

Impara 

Inizia da qui

Glossario

Comprare Bitcoin

Comprare Ethereum

Comprare Tether

Comprare Dogecoin

Azienda 

Lavora con noi

:
Lavora con noi

Parlano di noi

Perché Young Platform

I Nostri Prodotti

Legal e Privacy

Leadership

Supporto 

Centro di Supporto

Commissioni e Prezzi

FAQ Tassazione

FAQ Compravendita

FAQ Commissioni

FAQ Earning Wallet

it 

Scarica l'app 

     
Aggiorna impostazioni cookie

2023 Young Platform S.p.a. Tutti i diritti riservati.-Young Platform S.p.a. Via Francesco Cigna 96/17, 10155 Torino (TO),
Italia P. Iva 11931440017
: