DataWarehouse = Almacén de datos = DW = DWH = EDW
(Enterprise Data Warehouse)
En informática , un almacén de datos ( DW o DWH ), también conocido como almacén de datos
empresariales ( EDW ), es un sistema que se utiliza para la generación de informes y el análisis de datos y se
considera un componente central de BI (Bussiness Intelligence). Los DW son repositorios centrales de datos
integrados de una o más fuentes dispares. Almacenan datos actuales e históricos en un solo lugar que se utilizan
para crear informes analíticos para los trabajadores de toda la empresa.
Orientado a selects (consultas) mientras que las bases de datos de journaling (bases de datos corrientes del día a
día) también conocidas como bases de datos transaccionales están orientadas a transacciones (insert, update y
delete).
Un DW es un repositorio central de datos recogidos de varias fuentes. Para recoger los datos se hace un proceso
llamado ETL (Extract, Transform y Load).
Data Mart: subconjuntos más pequeños del DW para ambitos de datos (por ejemplo, un data mart para compras, un
data mart para ventas, un data mart para logística, etc).
Los datos almacenados en el almacén se cargan desde los sistemas operacionales, transaccionales, de journaling, es
decir las bases de datos de operaciones, bases de datos de producción (como marketing o ventas). Los datos pueden
pasar a través de un almacén de datos operacional (almacén temporal intermedio) y pueden requerir una limpieza
de datos, un formateo de datos, una estructuración de datos, añadirles metadatos para hacerlos
interoperables; para operaciones adicionales a fin de garantizar la calidad de los datos antes de que se utilicen en el
DW para generar informes, o hacer minería de datos o para consultas de un cuadro de mando.
Extraer, transformar, cargar (ETL) y extraer, cargar, transformar (ELT) son los dos enfoques principales utilizados
para construir un sistema de almacenamiento de datos (un data warehouse).
El data warehousing basado en ETL:
El proceso típico ETL usa un área de pruebas o área de ensayo (staging area), también llamada zona de landing
(zona de aterrizaje), que es un área intermedia de almacenamiento de datos que se usa para el procesamiento ETL.
Esta área de staging está entre la fuente de los datos (la base de datos operacional transaccional) y el destino de los
datos (el DW final).
Un área de stage es transitoria, se borra antes de cargarse, o se borra después de haber cargado los datos
procesados en el DW. Aunque existen arquitecturas de área de stage diseñadas para mantener los datos durante
largos períodos de tiempo con la finalidad de mantener un archivo de los mismos o para poder resolver problemas
detectados a posteriori.
ETL usa staging, integración de datos y capas de acceso para desarrollar sus funciones. La capa de staging o base de
datos de staging almacena datos crudos (sin procesar) extraidos de todas las fuentes de datos (usualmente bases
de datos operacionales). La capa de integración integra los conjuntos de datos dispares, distintos y heterogéneos
transformando los datos de staging y almacenándolos en una base de datos ODS (operational data store =
almacén de datos operacional). Los datos integrados se mueven entonces a otra base de datos más, que esta sí es el
almacén de datos (DW), y aquí los datos se configuran en jerarquías (estructuras arbóreas), llamadas dimensiones,
y además se configuran en hechos y hechos agregados. La combinación de hechos y dimensiones se llama esquema
en estrella. La capa de acceso permite recuperar datos (selects, consultas) de estas estructuras.