Dimensional Design II Inventory.

Slides:



Advertisements
Presentasi serupa
Data Warehousing :: Overview
Advertisements

DESAIN & KONFIGURASI DATABASE
Data Warehousing :: DWH Design
STUDI KASUS BASIS DATA.
MANAGING A RETAIL BUSINESS
Model Kubus Data Melihat data sebagai kubus.
System Application and Product in data processing
CHAPTER 7 DATA EXTRACTION
By. Henny Oktavianti Sumber: 1. Mankiw 2. Ari Sudarman
Mengelola persediaan pada supply chain
OLAP - PERTEMUAN 8 – OLAP.
Pertemuan #2 OLAP.
Peranan Persediaan di Perusahaan
Desain Data Warehouse (Lanjutan): Dimensional Modelling
NIM : NAMA : M.ROYYAN.ASRILLAH
© 2004 Prentice-Hall, Inc Chapter 13 Keputusan Sourcing dalam Supply Chain Supply Chain Management (2nd Edition)
Data Warehouse dan Decision Support
Dimentional Design Retail Store.
TRANSACTION PROCESSING
Hospital Supply Chain Evolution
MATERIAL REQUIREMENT PLANNING
Rancang Bangun Sistem Informasi Perencanaan Produksi Dengan Metode Material Requirement Planning (Studi Kasus: Usaha Kecil Menengah Sehati) Suroyah.
Desain Data Warehouse (Dimensional Modelling)
Dimensional Modeling Achmad Yasid.
Dimensional Modeling Achmad Yasid.
MRP TERKOMPUTERISASI Pertemuan 9.
Data Warehousing Sistem Basis Data Lanjut Prepared by: MT. Wilson
Sesi 8 Persediaan I.
KETIDAKPASTIAN DALAM MENGELOLA SUPPLY CHAIN: SAFETY INVENTORY
Supply Chain Management with Lean Production and RFID Application :
KEY ISSUES IN SUPPLY CHAIN MANAGEMENT
Dika Anjar Pratiwi Ken Mentari Tilammura Agung Wibowo.
Sumber Data untuk DW Data operasional dalam organisasi, misalnya basis data pelanggan dan produk, dan Sumber eksternal yang diperoleh misalnya melalui.
Dimensional Modeling (Advance)
ONLINE ANALYTICAL PROCESSING (OLAP)
PEMBELIAN (PURCHASE) I
AUTO BUILD ITEMS (inventory) Pertemuan 08
 A. Mengidentifikasi A. Mengidentifikasi  B. Mencatat B. Mencatat  C. Mengomunikasikan C. Mengomunikasikan  D. Vertifikasi D. Vertifikasi.
Perancangan Data Warehouse
Konsep dan Teknik Data Mining
Pertemuan VI Desain Data Warehouse (Dimensional Modelling)
Desain Data Warehouse (Dimensional Modelling)
Presented by HANIM M.A. DATA WAREHOUSE (2nd) Presented by HANIM M.A.
Metode Pengembangan Datawarehouse
ANALISIS DATA KATEGORIK
PERSPEKTIF DAN PROSPEKTIF SISTEM INFORMASI Pertemuan Minggu-2
Model Kubus Data Melihat data sebagai kubus.
TRANSACTION PROCESSING
Pengenalan ERP (Enterprise Resource Planning)
TINJAUAN MENYELURUH PROSES BISNIS
Proses ETL (Extract-Transform-Load)
Diagram Hubungan Entitas / Entity Relationship Diagram
SISTEM PENYIMPANAN OTOMATIS (AUTOMATED STORAGE SYSTEMS)
Manajemen Inventory 8-9 Dani Leonidas S ,ST.MT.
KARAKTERISTIK DW Pertemuan ke-2.
Manajemen Inventory 4- Independent demand system deterministic model
PEMBELIAN (PURCHASE) I
The Data Warehouse and The ODS
Sesi 8 Persediaan I.
Presented by HANIM M.A. DATA WAREHOUSE (2nd) Presented by HANIM M.A.
Perancangan Penyimpanan Data
System Application and Product in data processing
Metodologi dan Pengembangan Data Warehouse
Analisis Multidimensional
Economic Order Quantity (EOQ)
PRODI MIK | FAKULTAS ILMU-ILMU KESEHATAN
Datawarehouse Planning
Diagram Hubungan Entitas / Entity Relationship Diagram
Introduction to Data Warehouse By: Marcello Singadji
Skema Star (Dalam RDBMS)
Transcript presentasi:

Dimensional Design II Inventory

Value Chain

Dimensional Model Inventory Daily Snapshot of Inventory Level Transactions that affect Inventory Level Inventory Accumulating Snapshot

1. Inventory Level Snapshot Proses Bisnis : Kita ingin tahu secara lebih mendalam mengenai Inventory dari retail store Tentukan Grain : Kita ingin lihat inventory harian dari setiap produk pada setiap store Tentukan Dimensi : date, product, store Identifikasi Fakta Numerik : quantity on hand

Rancangan Schema

Pengembangan Sekilas, dimensi produk, store dan date hampir sama dengan yang rancangan dimensi pada Retail Store Untuk Dimensi Produk: Kita bisa tambahkan atribut Minimum Order Quantity Untuk Dimensi Store: Kita bisa tambahkan luas area penyimpanan beku, dan luas area penyimpanan dingin

Efisiensi Space Memory Kalau kita punya 100 store dan masing2 store punya 60.000 produk, maka setiap hari kita akan me-load 60.000 x 100 = 6 juta baris ke dalam tabel fakta Kalau satu baris itu perlu 14 bytes, maka kita menghabiskan 84 MB untuk tiap kali kita me-load data. Dalam setahun akan memakan sekitar 30 GB !!! KOMPROMI : Mungkin kita catat 60 hari terakhir ke dalam tabel fakta harian, kemudian selanjutnya selanjutnya kita simpan snapshot mingguan ke dalam tabel fakta yang berbeda

Fakta Semi-additive Pada model retail store, fakta numerik bisa dijumlahkan berdasarkan hari (perfectly additive) Untuk model inventory level, fakta numerik tidak bisa dijumlahkan berdasarkan hari, tapi bisa dihitung rata-ratanya (semi-additive)

2. Inventory Transactions Proses Bisnis : Kita ingin tahu secara lebih mendalam mengenai transaksi yang mempengaruhi inventory (tipe2 transaksi  lihat halaman selanjutnya) Tentukan Grain : Kita ingin lihat setiap transaksi yang terjadi di warehouse Tentukan Dimensi : date, product, warehouse, vendor, transaction_type Identifikasi Fakta Numerik : inventory_transaction_dollar_amount

2. Inventory Transactions Transaksi inventori bisa mencakup hal2 berikut:

Inventory Level Schema

3. Inventory Accumulating Snapshot Dalam kasus ini, kita mencatat pengiriman produk dari dan penerimaan produk ke warehouse(gudang)

Inventory Accumulating Schema

Sharing Dimension Kita bisa melakukan drill-cross (penelusuran silang)

Data Warehouse Bus Architecture

Data Warehouse Bus Matrix