2000 y Analysis Services Jos Mariano lvarez Gonzlez jose.alvarez@mug.org.ar
Agenda Caractersticas y objetivos de los Data Warehouses Bases de datos involucradas Modelos dimensionales ETL y DTS MDX Herramientas del MS SQL Server 2000 Visin de Microsoft sobre BI The more relevant, useful intelligence you have at your fingertipsabout your business, your customers, your partners and your operationsthe more your organization can make better decisions and increase competitive advantage. Visin de Microsoft sobre BI La inteligencia ms til y relevante que est disponible se encuentra en la punta de los dedos, sus clientes, socios y operaciones, lo que le permitir tomar mejores decisiones e incrementar su ventaja competitiva. Que da una solucin de BI Minimizar el tiempo requerido para obtener la informacin relevante del negocio Automatizar la asimilacin de la informacin Proveer herramientas de anlisis para hacer comparaciones y decisiones ms inteligentes Cerrar el lazo desde la decisin a la accin Qu es un Data Warehouse ? Es una fuente de datos de la empresa fcilmente consultable. Frecuentemente es la unin de los Data Marts que lo componen. Caractersticas de un data warehouse Analistas de base de datos Analistas avanzados Analistas de negocio Ejecutivos Data mining OLAP Aplicaciones a medida Query tools EIS Preguntas de negocio Son los requerimientos de informacin para tomar decisiones Peden incluir grficos o reportes Se pueden responder con rankings, comparaciones, parettos, semforos, reportes, diagramas de dispersin, paneles, etc. Indicadores Son los componentes de las respuestas a las preguntas de negocio Pueden ser simples como acumulados Pueden ser variaciones relativas o absolutas Pueden ser comparaciones Etc. Diferencias con los sistemas operativos o transaccionales Comparacin (1) OLAP
Anlisis de mtricas de negocio por categoras y atributos Optimizado para la carga masiva, consultas grandes, complejas e impredecibles que acceden a muchos registros por tabla OLTP
Satisfacer las operaciones de negocio en tiempo real Optimizada para un conjunto de transacciones que habitualmente operan sobre uno o pocos registros por tabla Comparacin (2) OLAP
Cargado con datos consistentes y vlidos. No requiere validacin en tiempo real Tiene menos usuarios concurrentes OLTP
Optimizado para la validacin de los datos que se cargan durante las transacciones Soporta miles de usuarios concurrentes OLAP (1) On Line Analytical Process Es la actividad general de consulta y presentacin de datos desde el data warehouse, as como un estilo especficamente dimensional de consultar y presentar esos datos CUBOS Product Grapes Apples Melons Cherries Pears Q4 Time Q1 Q2 Q3 Location Atlanta Denver Detroit 1,930 UNITS $6,745 GROSS $5,831 COST OLAP (2) Tipos de almacenamiento. Olap Rolap - Relacional Molap - Multidimensional Holap - Hbrido MOLAP Es un conjunto de interfaces de usuario, aplicaciones y tcnicas de base de datos propietarias que estn orientadas a hacia el modelo multidimensional. Las bases de datos no son relacionales No hay lenguajes de consulta estndar ROLAP Relational OLAP Es un conjunto de interfaces y aplicaciones que le da a una base de datos relacional una presentacin multidimensional. HOLAP Combina los modelos ROLAP y MOLAP tratando de obtener lo mejor de cada uno de ellos. Data Warehouse Elementos involucrados Elementos bsicos
Sistemas fuente Son los sistemas operacionales de la empresa y cuyo propsito principal es llevar el registro de todas las transacciones de la empresa Se los suele llamar legacy systems Son los ERP, CRM, SCM, etc. Data Stage Area Es un rea de almacenamiento y un conjunto de procesos que limpian, transforman, combinan, eliminan duplicados, archivan y preparan los datos fuentes para ser usados en el Data Warehouse Es una de las etapas mas difciles en empresas con muchos sistemas fuente Presentation Server Es la mquina de destino donde se almacenan y organizan los datos para la consulta directa por parte de los usuarios, generadores de reportes, y otras aplicaciones. Dimensional Model Es la disciplina de modelado de datos que se suele usar en el Data Warehouse y est especialmente preparada para este tipo de soluciones Sus componentes principales son las Fact Tables y las Dimension Tables Business process o Proceso de Negocio Es un conjunto coherente de actividades de negocio que dan sentido a los usuarios de negocio del Data Warehouse Data Mart Es un subconjunto lgico del Data Warehouse NO ES un un conjunto de datos sumarizados En el modelo propuesto por Kimbal no son elementos diseados por separado que luego se juntan.
Bases de datos involucradas De los sistemas operacionales. (Suele haber ms de una) Del proceso de extraccin, transformacin y carga (Puede haber ms de una) De consulta (Puede haber ms de una) Procesos bsicos de un data warehouse Extraccin Transformacin Carga e indexacin Aseguracin de calidad Publicacin release Actualizacin Armado de consultas Data feedbak (a legacy systems) Auditoria Seguridad Backup Modelado dimensional Caractersticas, comparacin y justificacin Modelado dimensional Es la tcnica para entregar datos a los usuarios dentro de un Data Warehouse. Busca presentar los datos en un esqueleto (framework) que es intuitivo y permite el acceso a los datos de forma altamente eficiente Orientada al anlisis de datos E-R Modeling Es una tcnica que permite eliminar la redundancia de datos dentro del modelo relacional Es una disciplina dedicada a darle importancia a las relaciones microscpicas entre los elementos de datos. Orientada a las transacciones Contras de E-R Modeling Los usuarios no pueden entender, recordar o navegar los modelos ER Las herramientas generalmente no pueden consultar en forma general los modelos ER El modelo ER va en contra de los principios del Data Warehouse tales como lo son intuitivo y eficiente. De que estamos hablando? Modelos dimensionales Elementos componentes Fact table Tabla de hechos. Generalmente es una tabla muy grande Dimension tables Tablas de dimensiones. Generalmente son pequeas en comparacin a la fact table Star schema FACT TABLE Tablas de dimensiones Tablas de dimensiones Fact table Los hechos ms importantes en una fact table son los que tiene la propiedad de ser aditivos ya que permiten sumarizarse y obtener un resultado agrupado Otros hechos pueden utilizar otras funciones de agregacin Dimension Tables Contienen la descripciones textuales de la informacin Son los puntos de entrada del Data Warehouse Son las categoras en las cuales se agrupa la informacin Mitos falsos En los modelos dimensionales hay menos informacin Los modelos dimensionales son usados para datos agregados Metadata Es la informacin y las caractersticas de los modelos y los datos. Sirve para las distintas etapas desde la extraccin de los datos hasta la explotacin Es esencial para el xito a largo plazo Metadata (2) La de los procesos de ETL queda en el DTS La de los modelos y la explotacin queda en la base del repositorio habitualmente en C:\Program Files\Microsoft Analysis Services 2k\Bin\msmdrep.mdb Construccin del Data Warehouse Alternativas de construccin tradicionales Top Down Master Database Sumarizaciones y publicacin Bottom Up Data mart no relacionados (por ejemplo departamentales) Data warehouse Bus Architecture Clave para entender el modelo Para entender el modelo dimensional se debe tener en cuenta que un solo modelo entidad relacin se descompone en mltiples modelos dimensionales Como convertir un modelo E-R en un modelo multidimensional Primer paso Identificar y separar los componentes del modelo entidad relacin en los distintos procesos discretos de negocio, de forma tal de poder modelarlos separadamente Segundo paso Identificar y seleccionar en estos modelos entidad relacin separados, las tablas con relaciones muchos a muchos y que contienen hechos numricos y aditivos (que no son claves del modelo ER) y determinar a partir de ellas las fact tables Tercer paso Desnormalizar el resto de las tablas en tablas planas con un solo campo clave que se relaciona directamente con un campo idntico en la fact table. Estas sern las tablas de las dimensiones Resultado Matriz dimensional Un conjunto de modelos dimensionales Los star schema tienen normalmente entre 5 y 10 dimensiones Algunas de las dimensiones son compartidas entre los distintos star schema Ejemplo de matriz dimensional Fortalezas del modelo (1) Al ser un esqueleto previsible permite tanto a los sistemas de bases de datos como a los query tools hacer fuertes suposiciones sobre los datos de forma tal de ayudar a la presentacin y a la performance Permite soportar cambio en el comportamiento de los usuarios Fortalezas del modelo (2) Soporta cambios de datos o modelo airosamente Agregado de datos no previstos del mismo grano que la tabla de hechos Agregado de nuevas dimensiones siempre y cuando un solo valor de esta nueva dimensin se define para cada registro de hechos Agregado de nuevos atributos de una dimensin Agregado de niveles ms bajos en una dimensin a partir de un momento en el tiempo Fortalezas del modelo (3) Hay un nmero importante de aproximaciones estndar para manejar situaciones comunes de modelado el mundo de los negocios. Slowly changing dimensions Heterogeneous products Pay in advance databases Event handling databases Fortalezas del modelo (4) Un nmero creciente de aplicaciones y utilidades de software que apoyan la tecnologa de modelado multidimensional propuesto y que proveen tecnologa de agregacin lo que permite respuestas ms performantes Data Warehouse Bus Architecture (DWBA) Como realizar la construccin Nadie cree en un una aproximacin totalmente monoltica Nadie defiende la aproximacin de Data Marts aislados Todos los lderes defienden alguna clase de arquitectura paso a paso Data Marts Los Data Marts debern estar basados en datos lo ms atmicos posibles que se puedan obtener de los legacy systems El termino Data Mart expresa la imposibilidad de la construccin de todo el Data Warehouse completo en un paso Data Marts en la DWBA (1) Comenzar la planificacin con una completa y corta fase de arquitectura con metas especficas para todo el Data Warehouse Definir alcance Definir implementacin Data Marts en la DWBA (2) Seguir con una fase de implementacin paso a paso de cada Data Mart Supervisar la construccin de cada pieza completa del Data Warehouse Dimensiones Dimensiones Es la organizacin de los atributos que describen las cosas que componen el modelo dimensional Estos atributos estn fuertemente correlacionados entre si Si hay datos poco correlacionados suele ser indicador de que se deben separar en dos dimensiones Atributos de las dimensiones Deben ser lo ms verborrgicos posible Deben ser descriptivos Deben ser completos Deben tener calidad. Documentados en la metadata Deben ser descripciones cortas y no cdigos o abreviaciones Niveles de las dimensiones Es la forma de agrupar los atributos de una dimensin Es el nombre del conjunto de miembros de una dimensin que se encuentran a una misma distancia de la raiz de la jerarqua Suele definirse un ALL (todos) que agrupa a todos y es la raz de la jerarqua Se los usa para crear agregaciones Ejemplo de niveles Niveles de la dimensin Dimensin Claves (Keys) Usar claves subrogadas, aun para la dimensin tiempo Evitar claves de mltiples campos Evitar darle significado a la clave Claves subrogadas Son clave propias generadas dentro del modelo dimensional No son las mismas claves que la de los sistemas operacionales Aseguran el xito ya que tarde o temprano los legacy systems pueden realizar cambios que sean incompatibles con el Data Warehouse Creacin de dimensiones Conformed dimensions (1) Es una dimensin que significa lo mismo para cada posible fact table a la cual puede ser asociada Generalmente es la misma tabla para todos los Data Mart Conformed dimensions (2) Es una de las mayores responsabilidades del grupo de diseo del Data Warehouse Debe realizar las siguientes tareas Establecer Publicar Mantener Imponer Conformed dimensions (3) Sin la estricta adhesin a la realizacin de conformed dimensions el Data Warehouse no puede funcionar como un todo integrado Conformed dimensions (4) Si no se realizan conformed dimensions se puede llegar a Tener modelos que no se pueden usar juntos Obtener resultados errneos Conformed dimensions (5) Una nica dimensin puede ser usada en mltiples tablas de hechos Las interfaces de usuario y el contenido de datos es consistente en todos los lugares donde se la use Hay una coherente interpretacin de los atributos en todos los Data Mart Conformed dimensions (6) La determinacin y el diseo de estas Conformed dimensions debera tomar unas pocas semanas Debern ser definidas al nivel mas atmico posible El uso de conformed dimensions ms que una decisin tcnica suele ser una decisin poltica Dimensiones compartidas Son las conformed dimensions Pueden ser usadas en varios cubos Pertenecen a una sola base de datos Permiten cruzar datos entre distintos cubos Dimensiones privadas Son propias de un cubo No son conformed dimensions Limitan la navegacin cuando se crean cubos virtuales Snowflake (copo de nieve 1) Se dice que una dimensin tiene este tipo de estructura cuando est normalizada. Los campos de menor cardinalidad se encuentran separados en tablas Snowflake (copo de nieve 2) Snowflake (copo de nieve 3) Normalmente se argumenta ahorro de espacio. No suelen ser ptimas para la navegacin (performance) en ROLAP Los modelos son ms complejos En Analysis Services suele ser igual de ptimo que sin normalizar Creacin de una dimensin en copo de nieve (Snowflake) Tipo de modelos segn las dimensiones Star Cada dimensin se compone de 0 o 1 tabla relacionada con la tabla de hechos Snowflake Todas las dimensiones estn normalizadas Starflake Solo alguna de las dimensiones estn normalizadas Dimensin tiempo (1) Ocupa un lugar especial en cada Data Warehouse Cada fact table en un Data Warehouse es una serie de tiempo de observaciones da alguna clase Debido a la globalizacin debe soportar mltiples formas de visualizacin Dimensin tiempo (2) Creacin de la dimensin tiempo Slowly changing dimensions A veces las claves de los sistemas transaccionales no cambian pero sus descripciones s. Los atributos de alguna de las dimensiones cambian Suelen ser espordicos Tipo 1 Sobreescribir el registro de dimensin con los nuevos valores Se pierde la informacin histrica Tipo 2 Crear un nuevo registro con los nuevos valores Se requiere claves subrogadas Permite particionar claramente la historia para cada valor de atributo Tipo 3 Crear un campo OLD en la dimensin para almacenar el atributo inmediato previo Se usa en cambios de la empresa del tipo suaves o tentativos Cambios en Large dimension No se pueden utilizar las tcnicas vistas Se debe separar en distintas tablas Informacin constante Informacin variable Se debe crear atributos de tipo banda con valores discretos Cambios en Large dimension Dimensiones degeneradas Master-Detail. Cuando los datos de la fact table son tem de El Numero de factura, pedido, etc se almacena en la fact table Hablamos de una dimensin degenerada porque si creramos una tabla para la misma solo tendra el atributo Nmero Junk Dimensions Suelen ser Atributos que son flags de los sistemas transaccionales De baja cardinalidad y dispersos La interpretacin depende del contexto No suele ser til Dejarlos en la Fact table Crear una dimensin para cada uno Junk Dimensions Se deben estudiar cuidadosamente La solucin es crear una o varias dimensiones para todos agrupndolos lo mximo posible Dimensiones balanceadas y desbalanceadas Dimension Parent-Child (1) Dimension Parent-Child (2) Propiedades de miembros Se definen en un nivel determinado Suelen usarse para crear dimensiones virtuales No se crean agregaciones por estas propiedades Se las usa cuando el atributo esta correlacionado con un nivel determinado de una dimension Dimensiones Virtuales Es una dimensin lgica basada en una fsica Puede ser creada en base a Propiedades de los niveles Columnas de la dimension fisica No tienen agregaciones y por lo tanto no aumentan el espacio requerido al procesar el cubo Pueden ser ms lentas La calidad de los atributos define la calidad del Data Warehouse Hechos
Tipo de hechos Aditivos Semiaditivos No aditivos Hechos aditivos Se pueden obtener mediante medidas comunes o calculadas Se pueden sumarizar en cualquier dimensin Suelen expresar actividad Ejemplo Dlares o unidades vendidas Hechos semiaditivos (1) Se suelen poder sumarizar en cualquier dimensin excepto alguna Suelen expresar intensidad o un estado en un momento determinado No suele ser til la funcin AVG Ejemplo Niveles de balance Saldos de cuentas Hechos semiaditivos (2) Para combinarlos a travs de la dimensin tiempo se debe Primero sumarizar a travs del tiempo Dividir por el numero de periodos de tiempo en cuestin No es el mismo resultado que la funcin AVG Requieren medidas calculadas Hechos no aditivos No se los puede sumarizar pero si agregar. Se los puede promediar, obtener el mximo, etc Se puede usar la funcin AVG Ejemplo Temperatura Diseo de la fact table Seleccionar la fuente de datos del Data Mart Determinar el grano de la fact table Seleccionar las dimensiones Seleccionar los hechos Tipos de grano ms usados Transacciones individuales Fotos de los niveles ( actividad, endeudamiento, etc) Items de lnea de documentos (facturas, ordenes de compra, etc.) Fact tables sin hechos (1) Describen eventos y alcance Se las usa en situaciones particulares donde generalmente se hacen cuentas y no sumarizaciones Fact tables sin hechos (2) Fact tables sin hechos (3) Cubos reales Se crean fsicamente Contienen los datos y las agregaciones Contiene al menos una particin Se pueden escribir Cubos virtuales Es una vista de uno o varios cubos No contiene datos ni agregaciones Contiene solo la definicin Medidas Define la forma en que se agregan los datos Pueden tener operaciones sobre la columna dbo.precio * dbo.cantidad Medidas calculadas Se obtienen a partir de otras medidas del cubo Se usa MDX para definirla Pueden traer problemas de performance Medidads de flujo y de stock FLUJO: Analizan un indicador en intervalos o transacciones Suelen ser aditivas STOCK: Analizan fotos de la situacin Suelen ser semi aditivas respecto del tiempo Transactions Facts Es til crear campos de auditoria Se pueden realizar anlisis poderosos que no se pueden realizar con datos sumarizados Permiten analizar comportamiento Anlisis de colas comportamiento secuencial Deteccin de fraude No dan rpida respuesta a algunas preguntas de negocio Snapshot facts Son la solucin cuando las respuestas de negocio corresponden a actividad Permiten medir rpidamente el estado de la empresa Suelen estar orientadas a cuentas y tiempo Aparecen dimensiones de estado Conformed fact (1) Las conformed dimensions son el 80% del esfuerzo de construccin de la arquitectura del Data Warehouse. El restante 20 % lo constituye la identificacin de definiciones de conformed facts, Se realizan al mismo tiempo que las conformed dimensions Conformed fact (2) Usualmente los hechos tienen unidades naturales de medidas idnticas para todos los modelos Algunas veces los hechos pueden tener diferentes unidades naturales de medidas Conformed fact (3) Algunas veces es imposible obtener conformed facts Por mas que se refiera a los mismos tipos de hechos se deber asegurar que las diferentes interpretaciones tengan diferentes nombres Caractersticas de los hechos Suelen ser numricos y rara vez son alfanumricos Suelen ser campos con datos en punto flotante de los sistemas transaccionales Se pueden medir Granularidad La granularidad de las fact tables de cada Data Mart deber estar al nivel ms bajo de todas las dimensiones integrantes del modelo Cuando se hace drill down no es inteligente perder los beneficios de la presentacin dimensional en los ltimos pasos Idea fundamental Cada tipo de de datos de negocio puede ser representado por un cubo con Valores mensurables en las celdas del cubo Las aristas del cubo definen las dimensiones naturales de los datos Caractersticas de los cubos Los modelos tienen generalmente entre 4 y 15 dimensiones Modelos con 2 o 3 dimensiones son raros Modelos con mas de 15 dimensiones suelen tener dimensiones que se pueden combinar Creacin de cubos Donde comenzar Comenzar con Data Marts de una sola fuente de informacin para Minimizar riesgos Asegurarse la implementacin Importante Una implementacin eficiente de un Data Mart de una sola fuente de informacin proveer suficientes datos interesantes como para mantener a los usuarios felices y tranquilos mientras se realizan las tareas ms difciles de construccin del resto del Data Warehouse Agregaciones (1) Permiten mejorar los tiempos de respuesta Requieren almacenamiento adicional Si no son controladas pueden provocar una explosion en los requerimientos de almacenamiento Agregaciones (2) Debe controlarse cuidadosamente cuando hau muchas dimensiones y niveles Comenzae con un % de mejora bajo 30% o menos Se suele mejorar las agregaciones de acuerdo al perfil de consultas Impacto en la performance A mayor numero de agregaciones mas tiempo de procesamiento y ms espacio se requiere A mayor numero de agregaciones es probable que se obtenga un mejor tiempo de respuesta de las consultas ETL Extraccin Transformacin Carga Extraccion Generalmente se accede a los sistemas fuente y suele programarse en el mismo lenguaje Se define una periodicidad de extraccin y se la programa Suelen definirse interfaces en archivos planos de texto o colas Transformacin (1) Validacin de datos Valida que las filas de la tabla de hechos tengan el correspondiente elemento de cada una de las dimensiones Precisin Valida que todos los campos tengan valores correctos Transformacin (2) Conversin de tipos y datos Se asegura que todos los valores de un mismo campo estn almacenados y codificados de la misma forma sin importar cual es el sistema fuente que lo informa. Aplicacin de reglas de negocio Asegura que se cumplen las reglas de negocio Transformacin (3) Limpieza de datos Normalizacion Eliminacion de ruido Valores perdidos Inconsistencias Discretizacion o generacion de conceptos o categorias Componentes ETL de SQL Server DTS SQL Server Agent T-SQL Ole-DB COM Introduccin al MDX. Multidimensional Expressions Qu es MDX? Sintaxis para definir y manipular objetos multidimensionales. Es equivalente al SQL para los objetos relacionales. No es una ampliacion del SQL. Partes de una sentencia MDX Cubo o cubos (alcance) Especificacin de Ejes Especificacion de las dimensiones (tuplas miembro de cada dimensin), nivel de anidamiento que aparece en cada eje y el orden Especificacion de slice o corte (where) Algunos conceptos (1) Los datos multidimensionales se representan en dimensiones (DIMENSION) Las dimensiones tienen niveles en donde hay miembros (MEMBER) Un miembro a su vez se puede dividir en un nivel inferior en mas miembros (LEVEL) En cada interseccin de los miembros de un cubo PUEDE haber medidas (MEASURES) Algunos conceptos (1 Bis) Algunos conceptos (2) CELDA es la interseccin de todas las dimensiones de un cubo. TUPLA es la referencia de una o de varias celdas en cuyo caso estamos hablando de SLICES. SET (conjunto) es una coleccin ordenada de tuplas. NAMED SET es un conjunto con nombre o alias. Ejemplos de tuplas (Source.[Eastern Hemisphere].Africa, Time.[2nd half].[4th quarter], Route.Air, Measures.Packages)
(Source.[Eastern Hemisphere])
(Time.[2nd half], Source.[Western Hemisphere])
Ejemplo de set { (Time.[1st half].[1st quarter]) , (Time.[2nd half].[3rd quarter]) }
Algunos conceptos (3) MEASURES (medidas) es tratada como una dimensin privada ms y de donde generalmente se obtienen los datos que se analizan. Algunos conceptos (4) Calculated Members (miembros calculados) Son miembros que se basan en la evaluacin de expresiones MDX User-Defined Functions (funciones definidas por el usuario) MDX provee extensibilidad mediante estas funciones usando las interfaces (COM). Solo un cubo Instruccin tpica SELECT <axis_specification> [, <axis_specification>...] FROM <cube_specification> WHERE <slicer_specification> Algunos conceptos (5) Axis dimension Slicer dimension Algunos conceptos (5 bis) Cada dimensin en una consulta de un cubo puede ser : axis dimension slicer dimension Una dimension no puede participar de ambas a la vez Las dimensiones que no se explicitan en el query se asignan automticamente como slicer dimensions Slicer Dimension Criterio de seleccin Sus miembros por defecto (ALL) Todos sus miembros Clausula WHERE Where WHERE ( [Route].[All], [Time].[1st half] )
Miembros (1) Member name [Time].[2nd half].[4th quarter] Member Key [Time].[2nd half].&[Q4] Member Functions Time.FirstChild (es lo mismo que Time.[1st half] si ese es el primer hijo) Miembros (2) Calculated Members WITH MEMBER [Measures].[PackagesForecast] AS '[Measures].[Packages] * 1.1' Tuplas (1) (Time.[2nd half])
Tuplas (2) (Time.[2nd half], Route.nonground.air)
Set Functions {[1st quarter]:[4th quarter]} {[1st quarter], [2nd quarter], [3rd quarter], [4th quarter]} Ejemplos Importancia de las herramientas de explotacin.
Clientes Aplicaciones de usuario final Aplicaciones de acceso a datos Data report Graph reports Query tools Aplicaciones de modelo Forecasting Socoring de comportamiento Data Mining Drill Drill down Drill down Significa agregar mas detalle por ejemplo agregando un atributo ms Las herramientas de explotacin suelen llamar: Drill Down: agregar al reporte detalle de nivel ms bajo dentro de la misma dimensin Drill To: agregar al reporte detalle de otra dimensin Drill up Drill up Anlogamente significa quitar algn detalle dentro del reporte Drill Ejemplo de DRILL Justificacin econmica para el data warehouse Ahorros en recursos usados en la generacin de informacin Ahorro por mejoras en la toma de decisiones Mejores resultados por mejores decisiones ROI habitual del 50% en los proyectos exitosos Muchas gracias por su atencin Jos Mariano lvarez Gonzlez jose.alvarez@mug.org.ar