डेटा वेअरहाउस आणि डेटा मार्ट यांच्यात फरक
सामग्री
डेटा वेअरहाउस आणि डेटा मार्ट एक म्हणून वापरले जातात डेटा रेपॉजिटरी आणि त्याच उद्देशाने सेवा. ते संचयित करतात त्या डेटाच्या किंवा माहितीच्या प्रमाणात फरक करता येतो.डेटा वेअरहाऊस आणि डेटा मार्ट यातील महत्त्वाचा फरक हा आहे की डेटा वेअरहाऊस हा डेटाबेस आहे जो माहिती-निर्णय घेण्याची विनंती पूर्ण करण्यासाठी माहितीभिमुख करतो तर डेटा मार्ट हा संपूर्ण डेटा वेअरहाऊसचा संपूर्ण लॉजिकल सबसेट आहे.
सोप्या शब्दांत, डेटा मार्ट हा एक डेटा वेअरहाउस आहे जो व्याप्तीमध्ये मर्यादित आहे आणि ज्याचा डेटा सारांशित करून आणि डेटा वेअरहाऊसमधून डेटा निवडून किंवा स्त्रोत डेटा सिस्टममधून वेगळ्या अर्क, ट्रान्सफॉर्म आणि लोड प्रक्रियेच्या मदतीने मिळविला जाऊ शकतो.
- तुलना चार्ट
- व्याख्या
- मुख्य फरक
- निष्कर्ष
तुलना चार्ट
| तुलना करण्यासाठी आधार | डेटा वेअरहाउस | डेटा मार्ट |
|---|---|---|
| मूलभूत | डेटा वेअरहाउस अनुप्रयोग स्वतंत्र आहे. | डेटा मार्ट निर्णय समर्थन सिस्टम अनुप्रयोगासाठी विशिष्ट आहे. |
| प्रणालीचा प्रकार | केंद्रीकृत | विकेंद्रीकृत |
| डेटाचा फॉर्म | तपशीलवार | सारांश |
| नॅनोर्मॅलायझेशनचा वापर | डेटा किंचित विकृत केला आहे. | डेटा अत्यंत निरूपयोगी आहे. |
| डेटा मॉडेल | वरुन खाली | तळाशी |
| निसर्ग | लवचिक, डेटा-देणारं आणि दीर्घ आयुष्य. | प्रतिबंधात्मक, प्रकल्प-देणारं आणि लहान आयुष्य. |
| वापरलेल्या स्कीमाचा प्रकार | तथ्य नक्षत्र | स्टार आणि स्नोफ्लेक |
| इमारतीत सहजता | तयार करणे कठिण आहे | तयार करणे सोपे |
डेटा वेअरहाऊसची व्याख्या
टर्म डेटा कोठार म्हणजे एक वेळ-प्रकार, विषय-देणारं, नॉन-अस्थिर, आणि सहाय्य करणार्‍या डेटाचा एकात्मिक समूह निर्णय घेणे व्यवस्थापनाची प्रक्रिया. वैकल्पिकरित्या, एकाधिक साइटमधून एकत्रित केलेल्या माहितीचे एक भांडार, युनिफाइड स्कीमामध्ये संग्रहित, एका संपूर्ण साइटवर ज्यामुळे विविध अनुप्रयोग प्रणाली एकत्रित करण्यास परवानगी मिळते. एकदा हा डेटा गोळा केला की तो बराच काळ संचयित केला जातो, म्हणूनच दीर्घ आयुष्य आणि त्यात प्रवेश करण्याची परवानगी असते ऐतिहासिकमाहिती.
परिणामी, डेटा वेअरहाऊस वापरकर्त्यास सिंगल प्रदान करते एकात्मिक डेटाद्वारे इंटरफेस ज्याद्वारे वापरकर्ता सहजपणे निर्णय-समर्थन क्वेरी लिहू शकतो. डेटा वेअरहाऊस डेटाला माहितीमध्ये बदलण्यात मदत करते. डेटा वेअरहाऊसच्या डिझाइनमध्ये टॉप-डाऊन पध्दत समाविष्ट आहे.
हे संपूर्ण संस्था, ग्राहक, विक्री, मालमत्ता, वस्तू यासारख्या विषयांबद्दल माहिती एकत्रित करते आणि म्हणूनच त्याची श्रेणी एंटरप्राइझ-व्यापी आहे. सामान्यत: नक्षत्र त्यात स्कीमा वापरली गेली आहे, ज्यामध्ये विविध विषयांचा समावेश आहे. डेटा वेअरहाऊस स्थिर रचना नसते आणि ती असते विकसित सतत
डेटा मार्ट ची व्याख्या
ए डेटा मार्ट डेटा वेअरहाऊसचा एक सबसेट किंवा वापरकर्त्यांच्या विशिष्ट संचाशी संबंधित कॉर्पोरेट-व्यापी डेटाचा उपसमूह म्हणून संबोधले जाऊ शकते. डेटा गोदामात अनेकांचा समावेश आहे विभागीय आणि तार्किक डेटा मार्ट जे सुनिश्चित करण्यासाठी त्यांच्या डेटा स्पष्टीकरणात स्थिर असणे आवश्यक आहे मजबुती डेटा वेअरहाऊसचे. डेटा मार्ट टेबलवर सेट केलेला असतो जो एकावर लक्ष केंद्रित करतो एकच काम हे खाली-अप दृष्टिकोण वापरून डिझाइन केलेले आहेत.
म्हणूनतारा आणि स्नोफ्लेक स्कीमा सिंगल सब्जेक्ट मॉडेलिंगकडे वळवले जातात म्हणूनच हे सामान्यतः डेटा मार्टमध्ये वापरले जाते. तरी, स्नोफ्लेक स्कीमापेक्षा स्टार स्कीमा अधिक लोकप्रिय आहे. डेटा स्रोताच्या आधारे डेटा मार्टचे दोन प्रकार केले जाऊ शकतात: अवलंबून आणि स्वतंत्र डेटा मार्ट.
- डेटा वेअरहाउस applicationप्लिकेशन स्वतंत्र आहे तर डेटा मार्ट निर्णय समर्थन सिस्टम अनुप्रयोगासाठी विशिष्ट आहे.
- डेटा एकाच मध्ये संग्रहित आहे, केंद्रीकृत डेटा वेअरहाऊसमधील रेपॉजिटरी. त्याउलट डेटा मार्ट डेटा साठवतो सभ्यपणे वापरकर्ता क्षेत्रात.
- डेटा गोदामात ए तपशीलवार डेटा फॉर्म. याउलट, डेटा मार्टमध्ये समाविष्ट आहे सारांश आणि निवडलेला डेटा.
- डेटा गोदामातील डेटा आहे किंचित डेटा मार्टच्या बाबतीत असा केला जातो अत्यंत denormalised.
- डेटा वेअरहाऊसच्या बांधकामात समावेश आहे वरुन खाली दृष्टीकोन त्याउलट, डेटा मार्ट बनवतानातळाशी दृष्टीकोन वापरला जातो.
- डेटा गोदाम आहे लवचिक, माहिती देणारं आणि दीर्घकाळ अस्तित्वात असलेला निसर्ग. उलटपक्षी डेटा मार्ट आहे प्रतिबंधात्मक, प्रकल्पभिमुख आणि त्याचे अस्तित्व लहान आहे.
- तथ्यांक तारामंडल स्कीमा सहसा डेटा वेअरहाऊस मॉडेलिंगसाठी वापरली जाते तर डेटा मार्ट स्टार स्कीमा अधिक लोकप्रिय आहे.
निष्कर्ष
डेटा वेअरहाऊस एंटरप्राइझ व्ह्यू, सिंगल आणि सेंट्रलाइज्ड स्टोरेज सिस्टम, मूळ वास्तू आणि अनुप्रयोग स्वतंत्रता प्रदान करते तर डेटा मार्ट हा डेटा वेअरहाऊसचा उपसमूह आहे जो विभाग दृश्य, विकेंद्रित संचय प्रदान करतो. डेटा वेअरहाऊस खूप मोठे आणि समाकलित असल्याने, त्यात अपयशी होण्याचा उच्च धोका आहे आणि ते तयार करण्यात अडचण आहे. दुसरीकडे, डेटा मार्ट तयार करणे सोपे आहे आणि संबंधित अपयशाची जोखीम देखील कमी आहे परंतु डेटा मार्टमध्ये विखंडन येऊ शकते.
