dimensional data model data warehouse tutorial with examples
Questo tutorial spiega i vantaggi e i miti del modello di dati dimensionale nel data warehouse. Inoltre, scopri le tabelle delle dimensioni e le tabelle dei fatti con esempi:
Test del data warehouse è stato spiegato nel nostro precedente tutorial, in questo Serie di formazione sul data warehouse per tutti .
I dati enormi sono organizzati nel Data Warehouse (DW) con tecniche di modellazione dei dati dimensionali. Queste tecniche di modellazione dimensionale dei dati rendono il lavoro degli utenti finali molto facile da interrogare sui dati aziendali. Questo tutorial spiega tutto sui modelli di dati dimensionali in DW.
Destinatari
- Sviluppatori e tester di data warehouse / ETL.
- Professionisti di database con conoscenza di base dei concetti di database.
- Amministratori di database / esperti di big data che desiderano comprendere i concetti di data warehouse / ETL.
- Laureati / matricole che cercano lavori nel data warehouse.
Cosa imparerai:
Modelli di dati dimensionali
I modelli di dati dimensionali sono le strutture di dati disponibili per gli utenti finali nel flusso ETL, per interrogare e analizzare i dati. Il processo ETL termina con il caricamento dei dati nei modelli di dati dimensionali di destinazione. Ogni modello di dati dimensionali è costruito con una tabella dei fatti circondata da più tabelle delle dimensioni.
Passaggi da seguire durante la progettazione di un modello di dati dimensionali:
Vantaggi della modellazione dimensionale dei dati
Di seguito sono elencati i vari vantaggi del Dimensional Data Modeling.
- Sono protetti per utilizzare gli ambienti DW in continua evoluzione.
- È possibile creare facilmente dati enormi con l'aiuto di modelli di dati dimensionali.
- I dati dei modelli di dati dimensionali sono facili da comprendere e analizzare.
- Sono rapidamente accessibili dagli utenti finali per eseguire query con prestazioni elevate.
- I modelli di dati dimensionali ci consentono di eseguire il drill-down (o) il rollup dei dati in modo gerarchico.
ER Modeling vs Dimensional Data Modeling
- La modellazione ER è adatta per i sistemi operativi mentre la modellazione dimensionale è adatta per il data warehouse.
- La modellazione ER mantiene i dati transazionali attuali dettagliati mentre la modellazione dimensionale mantiene il riepilogo dei dati transazionali attuali e storici.
- La modellazione ER ha dati normalizzati mentre la modellazione dimensionale ha dati denormalizzati.
- La modellazione ER utilizza più join durante il recupero delle query, mentre la modellazione dimensionale utilizza un numero inferiore di join, quindi le prestazioni delle query sono più veloci nella modellazione dimensionale.
Miti della modellazione dei dati dimensionali
Di seguito sono riportati alcuni dei miti esistenti sulla modellazione dei dati dimensionali.
- I modelli di dati dimensionali vengono utilizzati solo per rappresentare il riepilogo dei dati.
- Sono specifici del reparto in un'organizzazione.
- Non supportano la scalabilità.
- Sono progettati per servire allo scopo di report e query degli utenti finali.
- Non possiamo integrare i modelli di dati dimensionali.
Tabelle delle dimensioni
Le tabelle delle dimensioni svolgono un ruolo chiave nel sistema DW memorizzando tutti i valori metrici analizzati. Questi valori vengono memorizzati in attributi dimensionali (colonne) facilmente selezionabili nella tabella. La qualità di un sistema DW dipende principalmente dalla profondità degli attributi di quota.
Quindi dovremmo provare a fornire molti attributi insieme ai rispettivi valori nelle tabelle delle dimensioni.
Esploriamo la struttura delle tabelle delle dimensioni !!
# 1) Chiave tabella dimensionale: Ogni tabella Dimensione avrà uno qualsiasi dei suoi attributi di dimensione come chiave primaria per identificare in modo univoco ogni riga. Quindi i valori numerici distinti di quell'attributo possono agire come chiavi primarie.
Se i valori degli attributi non sono univoci in ogni caso, è possibile considerare i numeri di sistema generati in sequenza come chiavi primarie. Queste sono anche chiamate chiavi surrogate.
I modelli di dati dimensionali devono avere il vincolo di integrità referenziale per ogni chiave tra dimensioni e fatti. Pertanto, le tabelle dei fatti avranno un riferimento di chiave esterna per ciascuna chiave primaria / surrogata nella tabella delle dimensioni per mantenere l'integrità referenziale.
Se non è riuscito, i dati della tabella dei fatti rispettivi non possono essere recuperati per quella chiave dimensione.
# 2) Il tavolo è ampio: Possiamo dire che le tabelle delle dimensioni sono larghe poiché possiamo aggiungere un numero qualsiasi di attributi a una tabella delle dimensioni in qualsiasi punto del ciclo DW. L'architetto DW richiederà al team ETL di aggiungere i rispettivi nuovi attributi allo schema.
In scenari in tempo reale, puoi visualizzare le tabelle delle dimensioni con 50 (o) più attributi.
# 3) Attributi testuali: Gli attributi dimensionali possono essere di qualsiasi tipo come preferibilmente testo (o) numerico. Gli attributi testuali avranno parole commerciali reali piuttosto che codici. Le tabelle delle dimensioni non sono pensate per i calcoli, quindi i valori numerici sono usati raramente per gli attributi dimensionali.
# 4) Gli attributi potrebbero non essere direttamente correlati: Tutti gli attributi in una tabella delle dimensioni potrebbero non essere correlati tra loro.
# 5) Non normalizzato: La normalizzazione di una tabella delle dimensioni porta più tabelle intermedie nell'immagine che non è efficiente. Pertanto le tabelle delle dimensioni non vengono normalizzate.
Gli attributi dimensionali possono fungere da origine per i vincoli nelle query e possono anche essere visualizzati come etichette nei report. Le query verranno eseguite in modo efficiente se si seleziona direttamente un attributo dalla tabella delle dimensioni e si fa riferimento direttamente alla rispettiva tabella dei fatti senza toccare altre tabelle intermedie.
# 6) Drilling Down e Rolling Up: Gli attributi di dimensione hanno la capacità di eseguire il drill-down (o) il rollup dei dati quando necessario.
# 7) Gerarchie multiple: Una singola tabella dimensionale con più gerarchie è molto comune. Una tabella delle dimensioni avrà una gerarchia semplice se esiste un solo percorso dal livello inferiore a quello superiore. Allo stesso modo, avrà più gerarchie se sono presenti più percorsi da raggiungere dal livello inferiore a quello superiore.
# 8) Pochi record: Le tabelle delle dimensioni avranno un numero inferiore di record (in centinaia) rispetto alle tabelle dei fatti (in milioni). Sebbene siano più piccoli dei fatti, forniscono tutti gli input alle tabelle dei fatti.
Ecco un esempio di tabella delle dimensioni del cliente:
Comprendendo i concetti di cui sopra, è possibile decidere se un campo dati può fungere da attributo di dimensione (o) non durante l'estrazione dei dati dalla sorgente stessa.
Il piano di carico di base per una dimensione
Le dimensioni possono essere create in due modi, ovvero estraendo i dati delle dimensioni da sistemi di origine esterna (o) Il sistema ETL può creare le dimensioni dalla messa in scena senza coinvolgere alcuna fonte esterna. Tuttavia, un sistema ETL senza alcuna elaborazione esterna è più adatto per creare tabelle delle dimensioni.
Di seguito sono riportati i passaggi coinvolti in questo processo:
qual è il miglior sistema operativo per PC
- Pulizia dei dati: I dati vengono puliti, convalidati e le regole aziendali vengono applicate prima del caricamento nella tabella delle dimensioni per mantenere la coerenza.
- Dati conformi: I dati provenienti da altre parti del data warehouse devono essere correttamente aggregati come un singolo valore, rispetto a ciascun campo della tabella delle dimensioni.
- Condividi gli stessi domini: Una volta confermati i dati, vengono nuovamente archiviati nelle tabelle di staging.
- Consegna dei dati: Alla fine tutti i valori degli attributi dimensionali vengono caricati con le chiavi primarie / surrogate assegnate.
Tipi di dimensioni
I vari tipi di dimensioni sono elencati di seguito per riferimento.
Iniziamo!!
# 1) Piccole dimensioni
Le piccole dimensioni nel data warehouse fungono da tabelle di ricerca con un numero inferiore di righe e colonne. I dati in piccole dimensioni possono essere facilmente caricati da fogli di calcolo. Se necessario piccole dimensioni possono essere combinate come una super dimensione.
# 2) Dimensione conforme
Una dimensione conforme è una dimensione a cui è possibile fare riferimento allo stesso modo con ogni tabella dei fatti a cui è correlata.
La dimensione della data è il miglior esempio di una dimensione conforme poiché gli attributi della dimensione della data come anno, mese, settimana, giorni, ecc. Comunicano gli stessi dati nello stesso modo in qualsiasi numero di fatti.
Un esempio di dimensione conforme.
# 3) Dimensione spazzatura
Pochi attributi in una tabella dei fatti, come flag e indicatori, possono essere spostati in una tabella delle dimensioni spazzatura separata. Anche questi attributi non appartengono ad altre tabelle delle dimensioni esistenti. In generale, i valori di questi attributi sono semplicemente un 'sì / no' (o) 'vero / falso'.
La creazione di una nuova dimensione per ogni singolo attributo flag lo rende complesso creando un numero maggiore di chiavi esterne per la tabella dei fatti. Allo stesso tempo, mantenere tutti questi flag e informazioni sugli indicatori nelle tabelle dei fatti aumenta anche la quantità di dati memorizzati nei fatti, il che riduce le prestazioni.
Quindi la soluzione migliore per questo è creare una singola dimensione spazzatura poiché una dimensione spazzatura è in grado di contenere un numero qualsiasi di indicatori 'sì / no' o 'vero / falso'. Tuttavia, le dimensioni spazzatura memorizzano valori descrittivi per questi indicatori (sì / no (o) vero / falso) come attivo e in sospeso, ecc.
In base alla complessità di una tabella dei fatti e dei suoi indicatori, una tabella dei fatti può avere una o più dimensioni spazzatura.
Un esempio di dimensione spazzatura.
# 4) Dimensione del gioco di ruolo
Una singola dimensione a cui è possibile fare riferimento per più scopi in una tabella dei fatti è nota come dimensione del gioco di ruolo.
Il miglior esempio per una dimensione di gioco di ruolo è ancora una volta una tabella delle dimensioni Data poiché lo stesso attributo della data in una dimensione può essere utilizzato per scopi diversi in un fatto come la data dell'ordine, la data di consegna, la data della transazione, la data di cancellazione, eccetera.
Se necessario, è possibile creare quattro diverse visualizzazioni sulla tabella delle dimensioni della data rispetto a quattro diversi attributi della data di una tabella dei fatti.
Un esempio di dimensione del gioco di ruolo.
# 5) Dimensioni degenerate
Potrebbero esserci pochi attributi che non possono essere né dimensioni (metriche) né fatti (misure) ma necessitano di analisi. Tutti questi attributi possono essere spostati in dimensioni degenerate.
Per esempio, puoi considerare il numero dell'ordine, il numero della fattura ecc. come attributi di dimensione degeneri.
Un esempio di una dimensione degenerata.
# 6) Modifica lenta delle dimensioni
Una dimensione che cambia lentamente è un tipo in cui i dati possono cambiare lentamente in qualsiasi momento piuttosto che a intervalli regolari periodici. I dati modificati nelle tabelle delle dimensioni possono essere gestiti in modi diversi, come spiegato di seguito.
È possibile selezionare il tipo di SCD per rispondere a una modifica individualmente per ogni attributo in una tabella dimensionale.
(i) SCD di tipo 1
- Nel tipo 1, quando si verifica una modifica dei valori degli attributi dimensionali, i valori esistenti vengono sovrascritti con i valori appena modificati che non è altro che un aggiornamento.
- I vecchi dati non vengono conservati per riferimento storico.
- I rapporti precedenti non possono essere rigenerati a causa dell'inesistenza di vecchi dati.
- Facile da mantenere.
- L'impatto sulle tabelle dei fatti è maggiore.
Esempio di SCD di tipo 1:
(Ii) SCD di tipo 2
- Nel tipo 2, in caso di modifica dei valori degli attributi dimensionali, verrà inserita una nuova riga con i valori modificati senza modificare i dati della vecchia riga.
- Se è presente un riferimento a una chiave esterna esistente al vecchio record in una qualsiasi delle tabelle dei fatti, la vecchia chiave surrogata viene aggiornata automaticamente ovunque con una nuova chiave surrogata.
- L'impatto sulle modifiche della tabella dei fatti è molto minore con il passaggio precedente.
- I vecchi dati non vengono considerati da nessuna parte dopo le modifiche.
- Nel tipo 2, possiamo tenere traccia di tutti i cambiamenti che stanno accadendo agli attributi dimensionali.
- Non ci sono limiti alla memorizzazione dei dati storici.
- Nel tipo 2, l'aggiunta di pochi attributi a ciascuna riga come la data modificata, la data-ora di validità, la data-ora di fine, il motivo della modifica e il flag corrente è facoltativo. Ma questo è significativo se l'azienda vuole conoscere il numero di modifiche apportate durante un certo periodo di tempo.
Esempio di SCD di tipo 2:
(Iii) SCD di tipo 3
- Nel tipo 3 quando si verifica una modifica nei valori degli attributi dimensionali, i nuovi valori vengono aggiornati ma i vecchi valori rimangono comunque validi come seconda opzione.
- Invece di aggiungere una nuova riga per ogni modifica, verrà aggiunta una nuova colonna se non esiste in precedenza.
- I vecchi valori vengono inseriti negli attributi aggiunti sopra e i dati dell'attributo principale vengono sovrascritti con il valore modificato come nel tipo 1.
- C'è un limite alla memorizzazione dei dati storici.
- L'impatto sulle tabelle dei fatti è maggiore.
Esempio di SCD di tipo 3:
(iv) SCD di tipo 4
- Nel tipo 4, i dati correnti vengono archiviati in una tabella.
- Tutti i dati storici vengono conservati in un'altra tabella.
Esempio di SCD di tipo 4:
(v) SCD di tipo 6
- Una tabella dimensionale può anche avere una combinazione di tutti e tre i tipi di SCD 1, 2 e 3, nota come dimensione ibrida di tipo 6 (o) a variazione lenta.
Tabelle dei fatti
Le tabelle dei fatti memorizzano una serie di valori misurati quantitativamente utilizzati per i calcoli. I valori della tabella dei fatti vengono visualizzati nei rapporti aziendali. A differenza del tipo di dati testuale delle tabelle delle dimensioni, il tipo di dati delle tabelle dei fatti è notevolmente Numerico.
Le tabelle dei fatti sono profonde mentre le tabelle delle dimensioni sono larghe poiché le tabelle dei fatti avranno un numero maggiore di righe e un numero minore di colonne. Una chiave primaria definita nella tabella dei fatti consiste principalmente nell'identificare ogni riga separatamente. La chiave primaria è anche chiamata tabella dei fatti chiave composita.
Se la chiave composita non è presente in una tabella dei fatti e se due record hanno gli stessi dati, è molto difficile distinguere tra i dati e fare riferimento ai dati nelle tabelle delle dimensioni.
Quindi, se esiste una chiave univoca appropriata come chiave composta, è bene generare un numero di sequenza per ogni record della tabella dei fatti. Un'altra alternativa è formare una chiave primaria concatenata. Questo verrà generato concatenando tutte le chiavi primarie riferite delle tabelle delle dimensioni per riga.
Una singola tabella dei fatti può essere circondata da più tabelle delle dimensioni. Con l'aiuto delle chiavi esterne presenti nelle tabelle dei fatti, è possibile fare riferimento al rispettivo contesto (dati dettagliati) dei valori misurati nelle tabelle dimensionali. Con l'aiuto delle query, gli utenti eseguiranno il drill down e il rollup in modo efficiente.
Il livello più basso di dati che può essere archiviato in una tabella dei fatti è noto come Granularità. Il numero di tabelle delle dimensioni associate a una tabella dei fatti è inversamente proporzionale alla granularità dei dati della tabella dei fatti. cioè il valore di misurazione più piccolo necessita di più tabelle dimensionali per essere riferito.
In un modello dimensionale, le tabelle dei fatti mantengono una relazione molti-a-molti con le tabelle delle dimensioni.
Un esempio di tabella dei fatti di vendita:
Piano di carico per tabelle dei fatti
È possibile caricare i dati di una tabella dei fatti in modo efficiente considerando i seguenti puntatori:
# 1) Elimina e ripristina gli indici
Gli indici in effetti le tabelle sono buoni stimolatori delle prestazioni durante l'interrogazione dei dati, ma demoliscono le prestazioni durante il caricamento dei dati. Quindi, prima di caricare dati di grandi dimensioni nelle tabelle dei fatti, eliminare principalmente tutti gli indici su quella tabella, caricare i dati e ripristinare gli indici.
# 2) Separare gli inserti dagli aggiornamenti
Non unire l'inserimento e l'aggiornamento dei record durante il caricamento in una tabella dei fatti. Se il numero di aggiornamenti è inferiore, elaborare gli inserimenti e gli aggiornamenti separatamente. Se il numero di aggiornamenti è maggiore, è consigliabile troncare e ricaricare la tabella dei fatti per ottenere risultati rapidi.
# 3) Partizionamento
Eseguire il partizionamento fisico su una tabella dei fatti in mini tabelle per migliorare le prestazioni delle query sui dati della tabella dei fatti in blocco. Fatta eccezione per gli amministratori di database e il team ETL, nessuno sarà a conoscenza delle partizioni sui fatti.
Come un esempio , è possibile partizionare una tabella in base al mese, al trimestre, all'anno, ecc. Durante l'interrogazione, vengono considerati solo i dati partizionati invece di scansionare l'intera tabella.
# 4) Carica in parallelo
sottostringa (0,0)
Ora abbiamo un'idea delle partizioni nelle tabelle dei fatti. Anche le partizioni sui fatti sono utili durante il caricamento di enormi dati nei fatti. A tale scopo, innanzitutto suddividere i dati in modo logico in diversi file di dati ed eseguire i lavori ETL per caricare tutte queste parti logiche di dati in parallelo.
# 5) Utilità di caricamento in blocco
A differenza di altri sistemi RDBMS, il sistema ETL non ha bisogno di mantenere i log di rollback esplicitamente per gli errori a metà transazione. Qui i 'carichi di massa' si verificano nei fatti invece di 'inserimenti SQL' per caricare dati enormi. Se nel caso in cui un singolo caricamento fallisca, allora tutti i dati possono essere facilmente ricaricati (o) può essere continuato da dove è stato interrotto con il caricamento di massa.
# 6) Eliminazione di un record di fatti
L'eliminazione di un record della tabella dei fatti avviene solo se l'azienda lo desidera esplicitamente. Se sono presenti dati della tabella dei fatti che non esistono più nei sistemi di origine, i rispettivi dati possono essere eliminati fisicamente (o) logicamente.
- Eliminazione fisica: I record indesiderati vengono rimossi in modo permanente dalla tabella dei fatti.
- Cancellazione logica: Verrà aggiunta una nuova colonna alla tabella dei fatti come 'cancellata' di tipo bit (o) booleano. Questo funge da flag per rappresentare i record eliminati. È necessario assicurarsi di non selezionare i record eliminati durante l'interrogazione dei dati della tabella dei fatti.
# 7) Sequenza per aggiornamenti ed eliminazioni in una tabella dei fatti
Quando sono presenti dati da aggiornare, le tabelle delle dimensioni dovrebbero essere aggiornate per prime, seguite dall'aggiornamento delle chiavi surrogate nella tabella di ricerca, se necessario, e successivamente la rispettiva tabella dei fatti si aggiorna. L'eliminazione avviene al contrario perché l'eliminazione di tutti i dati indesiderati dalle tabelle dei fatti semplifica l'eliminazione dei dati indesiderati collegati dalle tabelle delle dimensioni.
Dovremmo seguire la sequenza di cui sopra in entrambi i casi, perché le tabelle delle dimensioni e dei fatti mantengono sempre l'integrità referenziale.
Tipi di fatti
In base al comportamento dei dati delle tabelle dei fatti, vengono classificati come tabelle dei fatti delle transazioni, tabelle dei fatti delle istantanee e tabelle dei fatti delle istantanee accumulate. Tutti e tre questi tipi seguono caratteristiche differenti con differenti strategie di caricamento dei dati.
# 1) Tabelle dei fatti di transazione
Come indica il nome, le tabelle dei fatti delle transazioni memorizzano i dati a livello di transazione per ogni evento che si verifica. Questo tipo di dati è facile da analizzare a livello di tabella dei fatti stessa. Ma per ulteriori analisi, puoi anche fare riferimento alle dimensioni associate.
Per esempio, ogni vendita (o) acquisto effettuato da un sito Web di marketing deve essere caricato in una tabella dei fatti delle transazioni.
Di seguito è riportato un esempio di tabella dei fatti di transazione.
# 2) Tabelle dei fatti istantanee periodiche
Come indica il nome, i dati nella tabella dei fatti delle istantanee periodiche vengono archiviati sotto forma di istantanee (immagini) a intervalli periodici come per ogni giorno, settimana, mese, trimestre, ecc a seconda delle esigenze aziendali.
Quindi è chiaro che questa è un'aggregazione di dati in ogni momento. Quindi i fatti dell'istantanea sono più complessi rispetto alle tabelle dei fatti delle transazioni. Per esempio, i dati dei rapporti sui ricavi delle prestazioni possono essere archiviati in tabelle dei fatti istantanee per un facile riferimento.
Di seguito è riportato un esempio di una tabella dei fatti istantanea periodica.
# 3) Accumulo di tabelle dei fatti istantanee
L'accumulo di tabelle dei fatti istantanee consente di archiviare i dati in tabelle per l'intera durata di un prodotto. Funziona come una combinazione dei due tipi precedenti in cui i dati possono essere inseriti da qualsiasi evento in qualsiasi momento come istantanea.
In questo tipo, colonne di date e dati aggiuntivi per ogni riga vengono aggiornati con ogni pietra miliare di quel prodotto.
Un esempio di una tabella dei fatti istantanea accumulata.
Oltre ai tre tipi precedenti, ecco alcuni altri tipi di tabelle dei fatti:
# 4) Tabelle dei fatti senza fatti: Un fatto è una raccolta di misure mentre fact less cattura solo eventi (o) condizioni che non contengono misure. Una tabella dei fatti priva di fatti viene utilizzata principalmente per tenere traccia di un sistema. I dati in queste tabelle possono essere analizzati e utilizzati per il reporting.
Per esempio, puoi cercare i dettagli di un dipendente che ha usufruito delle ferie e il tipo di ferie in un anno, ecc. Includendo tutti questi dettagli non chiari in un fatto, la tabella aumenterà sicuramente la dimensione dei fatti.
Di seguito è riportato un esempio di tabella dei fatti senza fatti.
# 5) Tabelle dei fatti conformi: Un fatto conforme è un fatto a cui si può fare riferimento allo stesso modo con ogni data mart a cui è correlato.
Specifiche di una tabella dei fatti
Di seguito sono riportate le specifiche di una tabella dei fatti.
- Nome del fatto: Questa è una stringa che descrive in breve la funzionalità della tabella dei fatti.
- Processo di business: I discorsi sul business devono essere soddisfatti da quella tabella dei fatti.
- Domande: Menziona un elenco di domande aziendali a cui verrà data risposta in tale tabella dei fatti.
- Grano: Indica il livello di dettaglio più basso associato ai dati della tabella dei fatti.
- Dimensioni: Elenca tutte le tabelle delle dimensioni associate a quella tabella dei fatti.
- Le misure: I valori calcolati memorizzati nella tabella dei fatti.
- Frequenza di caricamento Rappresenta gli intervalli di tempo per caricare i dati nella tabella dei fatti.
- Righe iniziali: Fare riferimento ai dati iniziali inseriti per la prima volta nella tabella dei fatti.
Esempio di modellazione dati dimensionale
È possibile avere un'idea di come le tabelle delle dimensioni e delle tabelle dei fatti possono essere progettate per un sistema osservando il diagramma di modellazione dei dati dimensionali di seguito per vendite e ordini.
Conclusione
A questo punto, dovresti aver acquisito una conoscenza eccellente delle tecniche di modellazione dei dati dimensionali, dei loro vantaggi, miti, tabelle dimensionali, tabelle dei fatti, insieme ai loro tipi e processi.
Dai un'occhiata al nostro prossimo tutorial per saperne di più sugli schemi di data warehouse !!
=> Visita qui per apprendere il data warehousing da zero.
Lettura consigliata
- Esercitazione sul test del data warehouse con esempi | Guida al test ETL
- Esempi di data mining: applicazioni più comuni del data mining 2021
- Tutorial Python DateTime con esempi
- Fondamenti di data warehousing: una guida definitiva con esempi
- Esercitazione sul test del volume: esempi e strumenti per il test del volume
- I 10 principali strumenti di data warehouse e tecnologie di test più diffusi
- Data mining: processo, tecniche e problemi principali nell'analisi dei dati
- Come eseguire test basati sui dati in SoapUI Pro - SoapUI Tutorial n. 14