Transcript Corporate Portal Pertemuan 12

Dimentional Design
Retail Store
4 Langkah Proses Desain
Model Multidimensi
1. 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
2. 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
Result:
Hasil Query
Hasil Query dlm Cross-Tabular
Pengembangan Schema
Possibility of Snowflaking
Problem with Snowflaking
(Normalisasi Tabel Dimensi)
1. Gambaran yang terlalu kompleks, padahal salah satu tujuan
utama Denormalisasi Model Dimensi adalah
Kesederhanaan(Simplicity)
2. Terlalu banyaknya tabel dan juga proses Join yang harus
dilakukan menyebabkan performansi query yang lamban
3. Pengurangan Space Memory dengan normalisasi tabel dimensi
tidak signifikan
4. 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