Data Mart คืออะไร

บริษัทต่างๆ ใช้ระบบพื้นที่เก็บข้อมูลหลายประเภทสำหรับการจัดการและวิเคราะห์ข้อมูล ลองดูพื้นที่เก็บข้อมูลบางประเภทที่พบบ่อย เพื่อจะเข้าใจบริบทในการที่บริษัทต่างๆ ใช้ Data Mart

ฐานข้อมูล

ฐานข้อมูลเป็นระบบจัดเก็บข้อมูลที่ระบบคอมพิวเตอร์ใช้ในการจัดเก็บ ค้นหา เรียกค้น และวิเคราะห์ข้อมูล ฐานข้อมูลมีหลายประเภท เช่น ฐานข้อมูลแบบเชิงสัมพันธ์ ฐานข้อมูลแบบเชิงสัมพันธ์เก็บข้อมูลเป็นตารางประกอบด้วยแถวและคอลัมน์ ข้อมูลในตารางต่างๆ เชื่อมต่อกันด้วยตัวระบุที่ไม่ซ้ำกันซึ่งเรียกว่าคีย์ คีย์คือค่าที่ไม่ซ้ำกันในคอลัมน์เฉพาะ

Data Mart เปรียบเทียบกับฐานข้อมูล

Data Mart ทำหน้าที่เป็นองค์ประกอบด้านหน้าสำหรับข้อมูลของแผนก  คุณสามารถใช้ Data Mart เพื่อดึงและวิเคราะห์ข้อมูล ในขณะที่ฐานข้อมูลจะรวบรวม จัดการ และจัดเก็บข้อมูล จากนั้นคุณสามารถใช้เครื่องมือในการประมวลผล จัดรูปแบบ และถ่ายโอนข้อมูลที่เก็บไว้ เพื่อ Data Mart 

คลังข้อมูล

คลังข้อมูล เป็นระบบฐานข้อมูลอย่างกว้างที่เก็บข้อมูลสำหรับธุรกิจทั้งหมด ซึ่งจะรวบรวมข้อมูลดิบจากแหล่งต่างๆ เช่น ซอฟต์แวร์ธุรกิจและฟีดโซเชียลมีเดีย แล้วประมวลผลให้เป็นข้อมูลที่มีโครงสร้าง แล้วจึงจัดเก็บไว้ในรูปแบบตาราง ธุรกิจสามารถเชื่อมต่อคลังข้อมูลขององค์กรกับเครื่องมือระบบธุรกิจอัจฮริยะ เพื่อทำการตัดสินใจได้อย่างชาญฉลาด 

Data Mart เปรียบเทียบกับคลังข้อมูล

Data Mart มีคุณสมบัติหลายประการของคลังข้อมูล ที่แตกต่างกันก็คือ คลังข้อมูลประกอบด้วยข้อมูลทั่วทั้งองค์กรในหัวข้อต่างๆ ในขณะที่ Data Mart เก็บข้อมูลที่เกี่ยวข้องอย่างใกล้ชิดกับเรื่องที่เฉพาะเจาะจง ยกตัวอย่างเช่น คลังข้อมูลอาจเก็บข้อมูลสำหรับการตลาด, ทรัพยากรมนุษย์, การจัดซื้อจัดจ้างและหน่วยงานสนับสนุนลูกค้า อย่างไรก็ตาม Data Mart อาจจัดเก็บเฉพาะข้อมูลธุรกรรมที่เกี่ยวข้องกับแผนกๆ เดียว ความน่าสนใจในการสร้าง Data Mart ก็คือแผนกต่างๆ ที่จัดการ Data Mart ของตนสามารถควบคุมการโหลดและการจัดการข้อมูลได้อย่างสมบูรณ์ 

หลายองค์กรมีการใช้เทคโนโลยี เช่น การแชร์ข้อมูลเพื่อเผยแพร่ Data Mart ของพวกเขาไปยังคลังข้อมูลกลาง  โดยการทำเช่นนั้นพวกเขาจะมีความคล่องตัวมากขึ้นโดยการกระจายความเป็นเจ้าของและแยกเวิร์กโหลด  ในทำนองเดียวกัน การแบ่งปันข้อมูลช่วยให้ Data Mart ของแผนกใช้ข้อมูลที่แชร์จากคลังข้อมูลหรือ Data Mart อื่นๆ

Data Lake

Data Lake คือ พื้นที่เก็บข้อมูล ที่เก็บข้อมูลดิบและไม่มีโครงสร้าง ไม่ได้เก็บข้อมูลเป็นไฟล์และโฟลเดอร์ แต่จะเก็บข้อมูลที่ยังไม่ได้ประมวลผลในลำดับชั้นแนวราบบนที่จัดเก็บข้อมูลขนาดใหญ่ Data Lake จัดเก็บข้อมูลดิบประเภทต่างๆ รวมถึงเอกสารข้อความ รูปภาพ วิดีโอ และเสียง 

นักวิเคราะห์ข้อมูลใช้ Data Lake เพื่อทำการวิเคราะห์เชิงคาดการณ์จากข้อมูลที่ไม่มีโครงสร้าง ยกตัวอย่างเช่น Data Lake อาจเก็บข้อความจากความคิดเห็นของสื่อโซเชียลที่ธุรกิจสามารถใช้สำหรับการวิเคราะห์ความเชื่อมั่นได้ นักวิเคราะห์ข้อมูลสามารถใช้การวิเคราะห์ความเชื่อมั่นในการตรวจสอบแนวโน้มความคิดเห็นเชิงลบกับบริษัท 

Data Mart เปรียบเทียบกับ Data Lake

เพราะ Data Lake จัดเก็บข้อมูลที่ยังไม่ได้ประมวลผล บางส่วนของข้อมูลอาจจะซ้ำกัน หรืออาจจะไม่มีความหมายต่อบริษัท ในขณะที่ Data Mart เก็บข้อมูลการประมวลผลที่ตรงกับความต้องการที่เฉพาะเจาะจง Data Lake อาจจะเป็นแหล่งข้อมูลให้กับ Data Mart ธุรกิจพิจารณาแนวโน้มของข้อมูลโดยดูจากข้อมูลในอดีตใน Data Mart แต่ใช้ Data Lake เพื่อวิเคราะห์ข้อมูลที่เก็บไว้อย่างลึกซึ้ง 

OLAP

Online Analytical Processing (OLAP) เป็นวิธีการแสดงข้อมูลในหลายมิติ ตัวอย่างเช่น นักวิเคราะห์ข้อมูลใช้ OLAP คิวบ์ เพื่อแสดงรายได้จากการขายตามเดือน เมือง และผลิตภัณฑ์ โครงสร้างข้อมูลของ OLAP จะมีลักษณะกว้าง โดยฟิลด์ที่จัดเป็นข้อเท็จจริงหรือมิติและส่งผลให้ข้อมูลซ้ำกัน  ซึ่งแตกต่างกับฐานข้อมูลแบบเชิงสัมพันธ์แบบเดิมซึ่งสนับสนุนโครงสร้างที่แคบและมีข้อมูลซ้ำไม่มาก

Data Mart เปรียบเทียบกับ OLAP คิวบ์

OLAP เป็นกลยุทธ์การจัดเก็บข้อมูลเฉพาะที่ทำให้ข้อมูลเป็นปกติในตารางกว้าง OLAP ช่วยลดความซับซ้อนของการแสดงข้อมูลหลายมิติที่ซับซ้อน Data Mart บางแห่งอาจใช้ OLAP เพื่อจัดโครงสร้างข้อมูลของตน แต่บางบริษัทก็ใช้โครงสร้างแบบปกติธรรมดา นักวิเคราะห์ธุรกิจได้รับประโยชน์จากโครงสร้าง OLAP เพื่อให้เห็นภาพข้อมูลจาก Data Mart 

ส่วนที่จัดเก็บข้อมูลปฏิบัติการ

ส่วนที่จัดเก็บข้อมูลปฏิบัติการ (ODS) คือ การจัดเก็บข้อมูลที่ทำหน้าที่เป็นตัวกลางระหว่างแหล่งที่มาของข้อมูลและคลังข้อมูล นักวิเคราะห์ข้อมูลใช้ ODS เพื่อจัดทำรายงานเกี่ยวกับข้อมูลธุรกรรมแบบเกือบเรียลไทม์ ODS รองรับคำสั่งที่เรียบง่ายและให้ข้อมูลเพียงจำนวนจำกัด ตัวอย่างเช่น ODS อาจเก็บบันทึกการขายเฉพาะในช่วง 12 ชั่วโมงที่ผ่านมา 

Data Mart เปรียบเทียบกับ ODS

Data Mart ดึงข้อมูลตามหัวข้อจากคลังข้อมูล แต่ ODS จะส่งข้อมูลไปยังคลังข้อมูลเพื่อการประมวลผล Data Mart นำเสนอข้อมูลในอดีตที่คุณสามารถวิเคราะห์ แต่ ODS ให้มุมมองการปรับปรุงของการดำเนินงานในปัจจุบัน ตัวอย่างเช่น คุณสามารถใช้ Data Mart เพื่อระบุรูปแบบการขายสำหรับไตรมาสที่ผ่านมา แต่ได้รับการปรับปรุงตัวเลขยอดขายรายชั่วโมงจาก ODS 

Data Mart เปลี่ยนข้อมูลดิบให้เป็นเนื้อหาที่มีโครงสร้าง และเป็นเนื้อหาที่มีความหมายสำหรับแผนกธุรกิจโดยเฉพาะ ในการทำเช่นนี้ วิศวกรข้อมูลได้ตั้ง Data Mart เพื่อรับข้อมูลจากคลังข้อมูลหรือโดยตรงจากแหล่งที่มาของข้อมูลภายนอก 

เมื่อเชื่อมต่อกับคลังข้อมูล Data Mart จะดึงข้อมูลบางส่วนที่เกี่ยวข้องกับหน่วยธุรกิจ บ่อยครั้งข้อมูลประกอบด้วยข้อมูลสรุป ไม่รวมข้อมูลหรือรายละเอียดที่ไม่จำเป็น 

ETL 

กระบวนการ Extract, Transform and Load (ETL) เป็นกระบวนการสำหรับการรวมและถ่ายโอนข้อมูลจากแหล่งข้อมูลต่างๆ ลงในฐานข้อมูลทางกายภาพเดียว Data Mart ใช้ ETL เพื่อดึงข้อมูลจากแหล่งภายนอกเมื่อมันไม่ได้มาจากคลังข้อมูล กระบวนการนี้เกี่ยวข้องกับขั้นตอนต่อไปนี้

• Extract: การรวบรวมข้อมูลดิบจากแหล่งต่างๆ
• Transform: จัดโครงสร้างข้อมูลให้อยู่ในรูปแบบทั่วไป
• Load: ถ่ายโอนข้อมูลที่ประมวลผลไปยังฐานข้อมูล

เครื่องมือ ETL คัดลอกข้อมูลจากแหล่งภายนอกเช่น สเปรดชีท แอป และเอกสารข้อความ แล้ว Data Mart จะทำการประมวลผล จัดระเบียบ และเก็บข้อมูลในรูปแบบที่มีโครงสร้าง 

Analytics

นักวิเคราะห์ธุรกิจจะใช้เครื่องมือซอฟต์แวร์เพื่อ ดึง วิเคราะห์ และแสดงข้อมูลจาก Data Mart ตัวอย่างเช่น พวกเขาใช้ข้อมูลที่เก็บไว้ใน Data Mart สำหรับการวิเคราะห์ระบบธุรกิจอัจฉริยะ การรายงานแดชบอร์ด และการใช้งานระบบคลาวด์ 

แต่ละ Data Mart ให้บริการผู้ใช้จำนวนน้อย ตัวอย่างเช่น ผู้จัดการฝ่ายการตลาดและนักการตลาดอาวุโสสามารถเข้าถึง Data Mart ดังนั้นจึงใช้เวลาน้อยลงในการสร้างรายงานและกราฟ หรือดำเนินการวิเคราะห์เชิงคาดการณ์

Data Mart ใช้โครงสร้างเหล่านี้ในการจัดเก็บและแสดงข้อมูล 

ดาว

โครงสร้างดาวมีตารางข้อเท็จจริงที่ศูนย์กลางและแยกออกเป็นตารางมิติต่างๆ ส่งผลให้เกิดการเชื่อมต่อเป็นรูปดาว ตารางข้อเท็จจริงก็คือตารางข้อมูลที่มีข้อมูลสรุปที่คุณสามารถใช้เพื่อวัตถุประสงค์ในการวิเคราะห์ ในขณะเดียวกัน ตารางมิติจะเก็บข้อมูลที่สื่อความหมายในตารางข้อเท็จจริง แต่ละตารางมิติเชื่อมโยงไปยังตารางข้อเท็จจริงที่มีคีย์นอก คีย์นอกเป็นตัวระบุที่ไม่ซ้ำกัน เช่น หมายเลขผลิตภัณฑ์หรือหมายเลขผู้จัดจำหน่าย 

ตัวอย่างเช่น ตารางข้อเท็จจริงสำหรับธุรกรรมการขายจะมีคอลัมน์ต่อไปนี้

• หมายเลขการขาย
• รหัสผลิตภัณฑ์
• หมายเลขซัพพลายเออร์
• ยอดขาย

ตารางมิติสำหรับผลิตภัณฑ์เก็บข้อมูลต่อไปนี้

• รหัสผลิตภัณฑ์
• ชื่อผลิตภัณฑ์
• ต้นทุนของผลิตภัณฑ์

ตารางมิติซัพพลายเออร์มีคอลัมน์ต่อไปนี้

• หมายเลขซัพพลายเออร์
• ชื่อซัพพลายเออร์
• เมือง

ประโยชน์

ในโครงสร้างดาว ตารางมิติถูกดีนอร์มอลไลซ์เพื่อไม่ให้ขยายไปเป็นตารางเพิ่มเติม ซึ่งหมายความว่า ตารางมิติอาจมีข้อมูลที่ซ้ำซ้อน แต่ช่วยเพิ่มความเร็วของการค้นหาและการดึงข้อมูล นอกจากนี้ยังใช้พื้นที่น้อยในการจัดเก็บตารางมิติ

นักวิเคราะห์ธุรกิจสามารถใช้ Data Mart ที่มีโครงสร้างดาวเพื่อทำให้การสืบค้นที่ซับซ้อนนั้นง่ายขึ้น เมื่อพวกเขาค้นหาบันทึกการขายแบบเฉพาะ ระบบการจัดการข้อมูลจะค้นหาผ่านตารางข้อเท็จจริง เมื่อระบบ Data Mart พบบันทึกที่ถูกต้อง ระบบจะใช้รหัสผลิตภัณฑ์และหมายเลขซัพพลายเออร์เพื่อสอบถามข้อมูลจากตารางมิติที่เกี่ยวข้อง 

ดีนอร์มอลไลซ์

โครงสร้างแบบดีนอร์มอลไลซ์จะเก็บข้อมูลที่เกี่ยวข้องทั้งหมดในตารางเดียว จะไม่มีการเชื่อมโยงที่ซับซ้อนระหว่างตารางข้อเท็จจริงและตารางมิติ นักวิเคราะห์ข้อมูลใช้ Data Mart แบบดีนอร์มอลไลซ์ เพราะช่วยเพิ่มความเร็วในการค้นหา ยกตัวอย่างเช่น การค้นหาบันทึกการขายเกิดขึ้นในตารางเดียวที่มีการดีนอร์มอลไลซ์ ดังนี้

• หมายเลขการขาย
• ผลิตภัณฑ์ 
• ชื่อผลิตภัณฑ์
• ต้นทุนของผลิตภัณฑ์
• ชื่อรุ่น
• น้ำหนัก 
• ขนาด
• ชัพพลายเออร์ 
• ชื่อซัพพลายเออร์
• เมือง
• ยอดขาย

Data Mart แบบดีนอร์มอลไลซ์เหมาะสำหรับการรายงานแบบเรียลไทม์เนื่องจากใช้เพียงตารางเดียว อย่างไรก็ตาม Data Mart แบบดีนอร์มอลไลซ์ทำให้ข้อมูลมีความความซ้ำซ้อน ตัวอย่างเช่น ชื่อของผลิตภัณฑ์เดียวกันอาจปรากฏในหลายระเบียน ซึ่งทำให้ต้องมีการจัดพื้นที่จัดเก็บเพิ่มเติม และมีค่าใช้จ่ายในการดำเนินงานที่มีราคาแพง

บริษัทต่างๆ จำเป็นต้องประมวลผลข้อมูลเพิ่มขึ้นซึ่งจะขยายพื้นที่จัดเก็บข้อมูลแบบเดิมของ Data Mart ไปจนถึงขีดสุด Data Mart ที่ติดตั้งบนเซิร์ฟเวอร์ภายในองค์กรเป็นเรื่องยากที่จะปรับขนาด สถาปัตยกรรมคลาวด์นำเสนอการผสานรวมระดับองค์กรที่ถูกกว่า ปรับขนาดได้มากกว่า และจัดการได้ดีกว่าสำหรับ Data Mart

Amazon Redshift เป็นโซลูชันคลังข้อมูลที่คุณสามารถนำมาปรับใช้กับ Data Mart ในระบบคลาวด์ คุณสามารถรับข้อมูลเชิงลึกแบบผสมผสานด้วยการเรียกใช้การวิเคราะห์แบบเรียลไทม์และเชิงคาดการณ์บนข้อมูลที่ซับซ้อนและปรับขนาดได้ทั่วทั้งฐานข้อมูลในการดำเนินงาน Data Lake คลังข้อมูล และชุดข้อมูลบุคคลภายนอกได้หลายพันชุด คุณสามารถสร้าง ฝึกอบรม และปรับใช้โมเดลแมชชีนเลิร์นนิ่ง (ML) ได้โดยอัตโนมัติ คุณสามารถสร้าง Data Mart ใน Amazon Redshift และใช้มันในการตัดสินใจอย่างชาญฉลาด 

Amazon Redshift มีคุณสมบัติที่สำคัญบางอย่างที่ทำให้มันเป็นทางออกที่ดีสำหรับ Data Mart ของคุณ:

• Amazon Redshift Serverless สามารถจัดการเกี่ยวกับขนาดของคลัสเตอร์และการเพิ่มขึ้นของคลัสเตอร์ให้กับคุณ 
• เนื่องจากเป็นการแชร์ข้อมูลแบบเนทีฟ ข้อมูลใน Data Mart ของคุณจึงสามารถเข้าถึงข้อมูลในคลังข้อมูลของคุณ หรือสามารถแชร์ไปยังคลังข้อมูลของคุณได้

เริ่มต้นใช้งาน Data Mart ด้วยการสร้างบัญชี AWS วันนี้