1

2 Miejsce architektury Data Vault 2.0 w hurtowniach danychRoman Czarko-Wasiutycz Polish SQL Server User Group

3 Roman Czarko-WasiutyczOd kilkunastu lat zbieram doświadczenia związane z technologiami Microsoftu. Począwszy od developera C++, PHP, C#, administratora SharePoint poprzez administrację bazami Microsoft SQL Server na projektowaniu i rozwijaniu dużych hurtowni danych kończąc. Posiadacz tytułów: MCTS, MCSA: SQL Server 2012, MCSE: BI oraz MCSE: Data Management and Analytics Członek Zarządu Stowarzyszenia Użytkowników SQL Server PLSSUG Wolontariusz oraz współorganizator konferencji SQLDay , SQLDay Lite, SQLSaturday i innych. Lider Wrocławskiego oddziału Stowarzyszenia PLSSUG Prywatnie fan gier komputerowych :)

4 Koncepcja architektury Składniki i budowa Optymalizacje Proces budowyAgenda Koncepcja architektury Składniki i budowa Optymalizacje Proces budowy

5 Podejście relacyjne (Inmon)schemat płatka śniegu (snowflake) normalizacja (3NF) wiele tabel silne użycie złączeń (JOINs) mniejsze zużycie przestrzeni utrudnione równoległe ładowanie utrudnione śledzenie zmian w strukturze tabel https://en.wikipedia.org/wiki/File:Snowflake-schema-example.png

6 Podejście wymiarowe (Kimball)tabele faktów znormalizowane (3NF) tabele wymiarów zdenormalizowane schemat gwiazdy (star) mniej tabel ale duplikacja danych Slowly Changing Dimensions (SCD) łatwiejsze do użycia przez użytkowników efektywne przy odczycie cięższe w utrzymaniu - wymiary z kilku tabel źródłówych skomplikowane równoległe ładowanie – j.w. utrudnione śledzenie zmian w strukturze tabel https://en.wikipedia.org/wiki/File:Star-schema-example.png

7 Koncepcja architektury Data Vault 2.0Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN: Source: Building a Scalable Data Warehouse with Data Vault 2.0

8 Definicja The Data Vault is a detail oriented, historical tracking and uniquely linked set of normalized tables that support one or more functional areas of business. It is a hybrid approach encompassing the best of breed between 3rd normal form (3NF) and star schema. The design is flexible, scalable, consistent and adaptable to the needs of the enterprise. It is a data model that is architected specifically to meet the needs of today’s enterprise data warehouses.

9 Co chcemy mieć w hurtowni?Jedna wersja faktów czy jedna wersja prawdy? Czym jest prawda? Case: Autobus, czujnik zgłasza błąd, awaria części czy czujnika? – storing RAW data or parsed? Prawda jest często subiektywna i relatywna w świecie danych

10 Składniki - Hub Pierwszy składnik do modelowania, podstawa dalszych działań Hub zawiera unikalną listę kluczy biznesowych Klucze biznesowe, czyli te, które biznes używa do identyfikacji encji biznesowych (nr CRM klienta, VIN auta, nr faktury, ISBN) Tabela zawiera również dodatkowe atrybuty: Kiedy pierwszy raz pojawił się klucz Jakie było źródło pochodzenia Hub nie zawiera danych opisowych ani faktów Klucz biznesowy może być kluczem złożonym Dodatkowo w tabeli klucz biznesowy jest również przechowywany w formie skróconej funkcją skrótu (hash np. MD5, SHA1) i jest używany jako klucz główny (PK) Hashed PK – używane w hybrydowych hurtowniach np z użyciem Hadoopa Hash = funkcja skrótu (https://pl.wikipedia.org/wiki/Funkcja_skr%C3%B3tu) Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

11 Składniki - Links Opisują relacje pomiędzy HubamiUmożliwiają mapowanie M:M pomiędzy Hubami Kluczowe składniki elastyczności i skalowalności Złączenia pomiędzy Hubami mogą być realizowane tylko za pomocą linków Zawierają relacje na najniższym możliwym poziomie ziarna z otaczających hubów Bardzo zbliżone do tabel Faktów w modelowaniu wielowymiarowym Składają się z: Link PK (Hash), PKs z połączonych hubów (dla złączeń), BK columns (nowe w arch. 2.0), daty ładowania i źródła rekordu Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

12 Składniki - SatellitesŁączą się tylko z Hubami lub z Linkami – zawsze z jednym rodzicem Zawierają wszystkie dane opisowe Bardzo zbliżone do tabel wymiarów z SCD typu 2 PK oparty o PK z tabeli Hub/Link plus data ładowania (LOAD_DTS) Dodatkowo zawierają określenie źródła rekordu (REC_SRC) oraz kolumnę z hash-em wszystkich kolumn z danymi (HASH_DIFF) Generalna zasada - brak updatów Nowa tabela gdy: nowy system źródłowy, różna częstotliwość zmian danych, zmiana tabeli w źródle Comparing one column vs. 50 columns (or several hundred columns)? Patterns, automation Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

13 Składniki - podsumowanieHuby = Klucze Biznesowe Linki = Relacje / Transakcje Satelity = Dane opisowe / Wymiary Huby sprawiają, że hurtownia jest oparta o procesy biznesowe, pozwalają również na integrację pomiędzy systemami Linki dają elastyczność w absorbowaniu zmian strukturalnych i biznesowych bez potrzeby ponownego ładowania danych Satelity dają historię, audytowalność, śledzenie pochodzenia danych aż do systemów źródłowych

14 Rozszerzalność Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

15 Optymalizacje w ramach architektury - PITPoint In Time table (PIT) Zawiera informację o aktualnych rekordach z satelit powiązanych z jednym Hubem/Linkiem w wymaganym interwale czasowym Jest częścią Business Data Vault Zmniejsza liczbę potrzebnych do wykonania złączeń w celu pobrania danych „Ghost record” w satelitach - JOIN Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

16 Optymalizacje w ramach architektury - BridgeŁączy dane pomiędzy różnymi hubami/Linkami Mogą posiadać grubsze ziarno niż poszczególne Huby/Linki Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

17 Proces budowy – 5 prostych krokówKrok 1: Znajdź klucze biznesowe -> Huby Krok 2: Znajdź relacje pomiędzy kluczami biznesowymi -> Linki Krok 3: Znajdź dane opisowe dla kluczy biznesowych -> Satelity Krok 4: Dodaj składniki autonomiczne np. Kalendarze, słowniki do dekodowania akronimów dla Data Martów Krok 5: Dostrój rozwiązanie pod Twoje zapytania np. dodając tabele optymalizacyjne takiej jak Bridge oraz Point In Time.

18 Podejście Data Vault (Daniel Linstedt)Duża liczba tabel ale bardzo mała liczba typów tabel Zoptymalizowana pod duże, nie tylko monolityczne hurtownie Dzięki małej liczbie typów i architekturze łatwo zautomatyzować Duże użycie złączeń (JOIN) z możliwością optymalizacji Bardzo elastyczny i łatwo adoptujący się do zmian w tabelach źródłowych Możliwość znacznego zrównoleglenia ładowania danych Dane do kolejnych warstw są przekazywane za pomocą widoków i tabel (Business DV) w których są zaimplementowane wymagane reguły biznesowe Początki sięgają roku 1990, w roku 2000 opublikowana pierwsza wersja, w 2013 opublikowany standard Data Vault 2.0 Wspiera koncepcję wirtualizacji danych

19 Data Vault 2.0 Standard - komponentyData Vault 2.0 Modeling – Changes to the model for performance and scalability Data Vault 2.0 Methodology – Following Scrum and Agile best practices Data Vault 2.0 Architecture – Including NoSQL systems and big-data systems Data Vault 2.0 Implementation – Pattern based, automation, generation CMMI level 5 Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN: CMMI (Capability Maturity Model Integration) - https://en.wikipedia.org/wiki/Capability_Maturity_Model_Integration

20 Ładowanie danych Source: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

21 Rozszerzanie istniejącej hurtowni danychSource: Building a Scalable Data Warehouse with Data Vault 2.0, ISBN:

22 Jeśli masz pytanie to jest dobry czas, żeby je zadać 

23 Materiały dodatkowe Building a Scalable Data Warehouse with Data Vault 2.0 (684 pages)

24 Ciekawe strony o Data Vault https://kentgraziano.com/ https://en.wikipedia.org/wiki/Data_vault_modeling

25 Miejsce architektury Data Vault 2Miejsce architektury Data Vault 2.0 w hurtowniach danych Dziękuję za uwagę Roman Czarko-Wasiutycz Polish SQL Server User Group

26