Внедрение и поддержка аналитических сервисов Microsoft SQL Server ч.1

Внедрение и поддержка аналитических сервисов Microsoft SQL Server 2008 R2
00:02:24 - Пример запроса к Хранилищу, упоминание учебной базы AdventureWorksDW
00:03:41 - пояснение запроса к хранилищу как такового
00:07:46 - остаются проблемы, которые хранилище не решает, а именно:
// нельзя ускорить индексами непредвиденные запросы, т.е невозможно реализовать хранилище чтобы делать срезы (отчеты) по любым параметрам быстро и в реальном
00:15:48 - теперь хотим абсолютно идеальную систему построить, чтобы она на любые запросы мгновенно мне отвечала, переваривая миллиарды строк - тогда придется сменить парадигму работы с данными и перейти к многомерным данным
00:18:11 - представим как данные хранятся в кубе
00:25:37 - Сечение куба //первая операция
00:30:09 - Сжатие (схлопывание) куба //вторая операция
00:37:17 - минусы OLAP
00:39:35 - важное отличие Многомерных баз от Реляционных
// реляционная база просто хранит данные, а многомерная база она (помимо данных) хранит еще модель данных
00:43:03 - при разработке многомерной базы требуется сделать шаг назад в реверс инжиниринге (по отношению к существующей модели реляционной БД)
00:44:34 - пример относительно вопроса детализации при хранении агрегаций (те что не были подсчитаны будут считаться в реальном времени)
00:48:49 - если нужно делать запрос на детализацию, т.е обращаться из куба к хранилищу
00:51:00 - Business Intelligence - как Microsoft видит процесс Бизнес Аналитики (БА)
00:59:36 - Data Mining (в SSAS) - это поиск скрытых закономерностей
// к кубам практически никакого отношения не имеет и они скорее вредны для него, т.к. на вход Data Mining`а вы должны подавать детализованные (не агрегированные) данные
01:05:24 - согласно новым веяниям система БА считается хорошей - если она настолько сильно пронизывает весь производственный и продажный процесс,
01:07:13 - Corporate BI, Personal BI, Коллективная БА

[e.shubenkov]

По мере изложения материала автор перечисляет "все, что не забыть", формируя чек-лист.
Мы также приводим своеобразную стенограмму-содержание видеоматериала с метками времени, чтобы всю структуру видео иметь перед глазами:
00:02:24 Пример запроса к Хранилищу, упоминание учебной базы AdventureWorksDW
00:03:41 пояснение запроса к хранилищу как такового
00:07:46 остаются проблемы, которые хранилище не решает, а именно:
// нельзя ускорить индексами непредвиденные запросы, т.е невозможно реализовать хранилище чтобы делать срезы (отчеты) по любым параметрам быстро и в реальном времени
// - и это главный недостаток хранилища
// - и причина того, почему все-таки надо строить МНОГОМЕРНЫЕ БАЗЫ
00:15:48 теперь хотим абсолютно идеальную систему построить, чтобы она на любые запросы мгновенно мне отвечала, переваривая миллиарды строк - тогда придется сменить парадигму работы с данными и перейти к многомерным данным
00:18:11 представим как данные хранятся в кубе
00:25:37 > Сечение куба //первая операция
00:30:09 > Сжатие (схлопывание) куба //вторая операция
00:32:14 ну а где же здесь (при использовании куба) ускорение возникает?
00:37:17 минусы OLAP
00:39:35 важное отличие Многомерных баз от Реляционных
// реляционная база просто хранит данные, а многомерная база она (помимо данных) хранит еще _модель данных_
// разработчик многомерной базы всегда должен помнить:
// - что его база видна насквозь пользователям (пользователь будет опираться на модель)
// - он эту базу делает для _удобного_ построения отчетов
// - в свою модель он должен заложить возможные агрегации и действия над мерами (перечислить какие агрегатные действия можно при схлопывании делать)
00:43:03 при разработке многомерной базы требуется сделать шаг назад в реверс инжиниринге (по отношению к существующей модели реляционной БД)
00:44:34 пример относительно вопроса детализации при хранении агрегаций (те что не были подсчитаны будут считаться в реальном времени)
00:48:49 если нужно делать запрос на детализацию, т.е обращаться из куба к хранилищу
00:51:00 > Business Intelligence - как Microsoft видит процесс Бизнес Аналитики (БА)
00:59:36 > Data Mining (в SSAS) - это поиск скрытых закономерностей
// к кубам практически никакого отношения не имеет и они скорее вредны для него, т.к. на вход Data Mining`а вы должны подавать детализованные (не агрегированные) данные
01:05:24 согласно новым веяниям система БА считается хорошей - если она настолько сильно пронизывает весь производственный и продажный процесс,
// что пользователь от этих отчетов просто спрятаться не может нигде - они везде его настигают
// идея в том что этой БА современной должен пользоваться каждый сотрудник, вообще каждый
01:07:13 Corporate BI, Personal BI, Коллективная БА