El valor de la gestión de datos

Importancia de un Master Data Management impulsando tu data warehouse

Posted on Thu, Jul 6, 2017

Los sistemas de business intelligence se utilizan principalmente para mejorar la calidad en la toma de decisiones de una empresa. Sin embargo, si los datos incluidos en el data warehouse no tienen calidad, no son completos o tienen duplicidades, los informes extraídos con tu business intelligence, lo único que conseguirán es perjudicar a tu empresa. 

MDM impulsando Data Warehouse

Si los informes extraídos de un data warehouse no son inteligentes, el trabajo de todos los usuarios se verá ralentizado y todas las decisiones serán cuestionadas.

Para que un data warehouse puede asegurar su inteligencia, es necesario que reciba el apoyo de un Master Data Management. De esta forma la empresa podrán desarrollar todo su potencial lo que permitirá que la empresa desarrolle el suyo.

 

¡Resuelve aquí tus dudas sobre Data Lake con uno de nuestros expertos!

 

Dos enfoques principales de MDM

Existen dos enfoques principales para la gestión de datos maestros: MDM operativo y MDM analítico. El primero se centra en asegurar que los datos que deberían ser los mismos en los diferentes sistemas operativos son los mismos. Por otra parte, el MDM analítico se asocia generalmente con el almacenamiento de datos y ha sido adoptado por organizaciones que buscan mejorar la velocidad y la calidad de sus procesos de generación de informes de inteligencia empresarial (BI).

La estrecha relación entre el MDM y el data warehousing no es sorprendente, ya que las "dimensiones" de un data warehouse (por ejemplo: clientes o jerarquías de productos) son esencialmente datos maestros. Pero estas dos áreas importantes tienden a ser tratadas como completamente separadas entre sí.

 

¿Cómo podemos combinar un MDM y un Business Intelligence?

Lo primero que hay que señalar es que los datos maestros se representan como dimensiones en los sistemas BI. Los datos maestros no están asociados con hechos (es decir, transacciones) en los sistemas BI. La introducción de un sistema de gestión de datos maestros dentro de la empresa debería tener un impacto positivo en los sistemas de BI. Por ejemplo, es típico en un sistema MDM que los nombres de datos de atributos y las definiciones de datos utilizadas para describir entidades de datos maestros sean los nombres de datos estándar y las definiciones de datos para la empresa. A menudo, estas definiciones de datos maestros se denominan “vocabulario empresarial compartido” (SBV=shared business vocabulary) para la empresa. El SBV es por lo tanto un metadata maestro.

Podemos aprovechar un SBV de datos maestros en un sistema de BI para reforzar la reutilización de las mismas definiciones de datos en todos los modelos dimensionales, cubos y vistas de negocio de herramienta de BI con el fin de impulsar la consistencia entre datos dimensionales. La adopción de un SBV de datos maestros de esta manera mejora la comprensión de los datos presentados en los informes del sistema BI, los análisis OLAP, los paneles de control y los scorecards.

Además de metadatos consistentes, la llegada de un sistema MDM a la empresa también puede afectar a la integración de datos en el data warehouse de un sistema BI. Si no se dispone de un sistema MDM, un sistema de BI se basa en una arquitectura clásica de data warehouse, en la que los datos maestros se encuentran divididos entre múltiples almacenes de datos en diferentes líneas de sistemas operacionales de negocio. Por lo tanto, para crear datos dimensionales integrados en un sistema de BI, normalmente se utiliza una herramienta de integración de datos para integrar datos maestros dispares mantenidos en múltiples sistemas operacionales para construir dimensiones.

Por lo tanto, no es de extrañar que nos confundamos entre el concepto de un centro de datos maestro y un data warehouse cuando ambos están integrando datos maestros. Así que se nos plantea la pregunta de por qué necesitamos un sistema MDM cuando ya tenemos un data warehouse. Pero esta es la pregunta equivocada. La pregunta debe ser, ¿por qué estamos haciendo integración de datos maestros en un sistema de BI? ¿No deberían los datos maestros estar ya integrados y tratados como una fuente de datos por las herramientas de integración de datos utilizadas en un sistema de BI? En efecto, esto podrías ser una mejor opción porque los datos maestros tienen que ser suministrados a algo más que un sistema BI. Deben suministrarse a los sistemas operacionales y de BI.

Los datos maestros se pueden suministrar a las herramientas de integración de datos del sistema BI de al menos tres maneras:

  • Mediante el uso de servicios de integración y emparejamiento de un software de calidad de datos habilitado para SOA para suministrar datos maestros directamente en un data warehouse o para procesos de ETL que alimentan data warehouses.
  • Mediante el uso de una solución MDM para crear una fuente de datos virtual de datos maestros a la que puede acceder una herramienta de integración de datos del sistema de BI
  • Utilizando un hub de datos MDM construido o comprado como una fuente de datos persistente para una herramienta de integración de datos del sistema de BI

 

Conclusión

En resumen, podría decirse que la gestión de datos maestros fortalece los sistemas Data warehouse / BI de las siguientes maneras:

  • Proporcionando metadatos maestros para su uso en modelos de datos dimensionales y cubos
  • Proporcionando datos maestros de alta calidad como fuente de datos de confianza para el procesamiento ETL
  • Proporcionando vistas federadas de datos maestros a través de sistemas dispares para la generación de informes
  • Seguimiento de versiones de jerarquías a través del tiempo
  • Automatizando la recreación de diferentes versiones de una dimensión en un esquema de cubo o estrella para reflejar cambios en jerarquías
  • Proporcionando datos confiables para la elaboración de informes y análisis

 

 Data Lake

Topics: Data Lake