O recurso de modelagem de dados do DataWorks segue a metodologia de modelagem dimensional Kimball. Projete e crie tabelas de dimensão, tabelas de fatos, tabelas de agregação e tabelas de aplicação, publique modelos nos mecanismos de desenvolvimento e aplique modelagem reversa em tabelas físicas existentes para gerar modelos lógicos.
A modelagem de dados destina-se ao planejamento e ao projeto de data warehouses. Os modelos criam tabelas físicas nos recursos de computação. Excluir um modelo não afeta a tabela física correspondente.
Perspectivas de modelagem
Organize as tabelas do modelo em camadas: Data Import Layer, Common Layer e Application Layer. Cada camada oferece suporte a diferentes perspectivas de gerenciamento.
Common Layer: processa e integra dados da camada de importação em dimensões e métricas unificadas, construindo tabelas de fatos e de agregação reutilizáveis. Gerencie as tabelas pela perspectiva de Data Domain ou Business Category.
Application Layer: gera estatísticas personalizadas com base nos dados da camada comum para cenários ou produtos específicos. Gerencie as tabelas exclusivamente pela perspectiva de Business Category.
Unlayered: tabelas de modelo não atribuídas à Common Layer ou à Application Layer aparecem na seção Unlayered.
Após selecionar uma camada, só é possível criar tabelas dentro dela. Alterne entre as perspectivas de gerenciamento na árvore de diretórios para visualizar e gerenciar as tabelas.
Dimensão
As dimensões fornecem contexto para um processo de negócio e permitem análises sob diversos ângulos. Por exemplo, em uma transação de e-commerce, as dimensões incluem produtos, regiões e tempo.
Para criar uma dimensão, siga Criar um modelo conceitual: Dimensão.
Tabela de dimensão
Extraia todas as dimensões possíveis de cada domínio de dados e armazene-as, com seus respectivos atributos, em tabelas de dimensão. Ao analisar dados de negócios de e-commerce, por exemplo, as dimensões possíveis (atributos de cada dimensão) incluem pedido (ID do pedido, hora de criação do pedido, ID do comprador e ID do vendedor), usuário (gênero e data de nascimento) e mercadoria (ID da mercadoria, nome da mercadoria e data de disponibilização). Nesse caso, crie as seguintes tabelas: tabela de dimensão de pedido, tabela de dimensão de usuário e tabela de dimensão de mercadoria. Os atributos de cada dimensão tornam-se os campos da tabela de dimensão. Implante essas tabelas em um data warehouse e execute operações de extração, transformação e carga (ETL) para armazenar os dados dimensionais no formato definido. Assim, as equipes de negócios podem acessar os dados para análises subsequentes.
Para criar uma tabela de dimensão, siga Criar um modelo lógico: Tabela de dimensão.
Tabela de fatos
Classifique e analise os dados gerados em cada processo de negócio e armazene-os como campos em tabelas de fatos. Para o processo de realização de um pedido, por exemplo, crie uma tabela de fatos e registre as seguintes informações como campos: ID do pedido, hora de criação do pedido, ID da mercadoria, quantidade de mercadorias e valor da venda. Implante as tabelas de fatos em um data warehouse e execute operações de ETL para resumir e armazenar os dados no formato definido na tabela. Dessa forma, as equipes de negócios podem acessar os dados para análises posteriores.
Para criar uma tabela de fatos, siga Criar um modelo lógico: Tabela de fatos.
Tabela de agregação
Uma tabela de agregação organiza dados estatísticos para múltiplas métricas derivadas dentro de um domínio de dados que compartilham o mesmo período e as mesmas dimensões. Ela oferece suporte a consultas de negócios, análises OLAP e distribuição de dados. Criar um modelo lógico: Tabela de agregação.
Tabela de aplicação
Uma tabela de aplicação atende a um cenário de negócio específico e organiza métricas atômicas, métricas derivadas ou estatísticas em diferentes granularidades que compartilham o mesmo período e as mesmas dimensões. Ela oferece suporte a consultas de negócios, análises OLAP e distribuição de dados. Criar um modelo lógico: Tabela de aplicação.
Modelagem reversa
A modelagem reversa gera um modelo lógico a partir de uma tabela física existente, evitando a repetição das etapas de modelagem. Aplicar modelagem reversa em tabelas físicas.