Dimentional Design Retail Store

4 Langkah Proses Desain Model Multidimensi Pilih proses bisnis yang akan dimodelkan Proses : aktivitas bisnis yang dilakukan di organisasi yang umumnya didukung oleh sistem koleksi data Cara paling efektif memilih bisnis proses : dengarkan apa yang disampaikan user Contoh bisnis proses : pembelian bahan baku, pesanan, pengiriman, pembuatan invoice, penyimpanan, pembuatan struk Tentukan grain (inti terkecil) dari proses bisnis tersebut Tentukan secara tepat apa yang digambarkan dalam setiap baris dari tabel fakta Merupakan jawaban dari : “ Bagaimana anda menggambarkan satu baris dalam tabel fakta ?” Contoh : satu baris Item barang dalam struk pembelian data harian level inventori suatu barang satu boarding pass untuk masuk ke pesawat gambaran bulanan untuk satu rekening bank

4 Langkah Proses Desain Model Multidimensi(2) 3. Pilih dimensi-dimensi yang terkait dengan tabel fakta Menjawab pertanyaan: “Bagaimana pelaku bisnis menggambarkan data yang dihasilkan dari bisnis proses ?”  produknya apa, kapan dibelinya ? Contoh dimensi: date, produk, customer, lokasi, etc 4. Identifikasi fakta-fakta numerik “Apa yang kita ukur ?” Pengguna bisnis sangat tertarik menganalisa ukuran-ukuran performansi suatu proses bisnis Semua kandidat ukuran harus sesuai dengan grain yang didefinisikan di langkah no. 2 Fakta umunya berupa angka. Contoh fakta: kuantitas pemesanan, total biaya, etc

Studi Kasus Jaringan Grosir Besar, 100 toko grosir di lima propinsi Masing-masing toko mempunyai departemen/bagian : grosir, makanan beku, daging, sayuran, roti, hasil olahan susu, bunga, kesehatan/kecantikan Masing-masing toko punya kira-kira 60.000 produk. Setiap produk diberi nomor SKU (stock keeping unit). 55.000 diantaranya disupply oleh dari luar yang ada UPC (Universal Product Codes), 5000 sisanya adalah produk dari departemen bunga, daging, roti, sayuran sehingga tidak ada UPC-nya

1. Pilih Proses Bisnis Manajemen ingin mengerti secara lebih baik pembelian yang dilakukan pelanggan sebagaimana yang terekam dalam sistem POS (Point of Sales) Jadi, proses bisnis yang akan kita modelkan adalah : “penjualan ritel POS” Data ini akan memungkinkan kita untuk menganalisa produk-produk apa yang sedang ramai terjual di toko mana, kapan dan dalam rangka promosi apa

2. Tentukan Grain Tip : tentukan informasi yang paling atomic (kecil) yang tidak bisa dibagi/dipecah lagi Dalam studi kasus ini, informasi yang paling kecil adalah : item barang yang dibeli dalam suatu transaksi (yang dicatat oleh sistem POS) Kenapa harus atomic?  Fleksibilitas yang maksimum untuk proses analisa. Contoh : dengan informasi yang atomic, bisa mengetahui perbedaan penjualan untuk suatu produk antara jam 6.00 – 12.00 dan 12.00 – 18.00.

3. Pilih Dimensi Ada 4 dimensi yang terkait dengan informasi yang sudah ditentukan pada langkah 2 :

4. Identifikasi Fakta Numerik Ada tiga fakta yang diambil oleh sistem POS : sales quantity, sales dollar amount, cost dollar amount

Atribut Tabel Dimensi Date

Contoh Tabel Dimensi Date

Atribut Tabel Dimensi Produk

Contoh Tabel Dimensi Product

Contoh Kegunaan Tabel Dimensi Produk Contoh Laporan Sederhana Contoh Kemampuan Drill Down – Brand Description

Atribut Tabel Dimensi Store

Atribut Tabel Dimensi Promosi

Contoh kasus query: Seorang pengguna bisnis mungkin tertarik untuk mengetahui lebih dalam mengenai penjualan mingguan (dlm dollar) berdasarkan promosi untuk kategori snack selama Januari 2002 untuk semua Store yang ada di District Boston

Retail Schema in Action

Hasil Query dlm Cross-Tabular Result: Hasil Query Hasil Query dlm Cross-Tabular

Pengembangan Schema

Possibility of Snowflaking

Problem with Snowflaking (Normalisasi Tabel Dimensi) Gambaran yang terlalu kompleks, padahal salah satu tujuan utama Denormalisasi Model Dimensi adalah Kesederhanaan(Simplicity) Terlalu banyaknya tabel dan juga proses Join yang harus dilakukan menyebabkan performansi query yang lamban Pengurangan Space Memory dengan normalisasi tabel dimensi tidak signifikan Snowflaking akan memperlambat kemampuan pengguna untuk browsing (mencari informasi) dalam satu tabel dimensi. Browsing seringkali mencakup pembatasan satu atau lebih atribut dimensi dan melihat nilai yang berbeda dari atribut yang lain dengan adanya batasan tersebut. Dengan browsing pengguna dapat memahami keterkaitan antar atribut tabel dimensi