Vad är Dataoptimering / online-lärande

Dataoptimering är en process som förbereder det logiska schemat från datavy-schemat. Det är motsvarigheten till data de-optimering. Dataoptimering är en viktig aspekt i databashantering i synnerhet och i datalagerhantering i allmänhet. Dataoptimeringar är oftast känt för att vara en icke-specifik teknik som används av flera applikationer för att hämta data från datakällor så att data kan användas i datavisningsverktyg och applikationer som de som används i statistikrapportering.

ett logiskt schema är också en icke-fysiskt beroende metod för att definiera en datamodell för en specifik domän i termer av en viss datahanteringsteknik utan att vara specifik för en viss databashanteringsleverantör. I enklare termer hänvisar det logiska schemat till semantiken som beskriver en viss datamanipulationsteknik och dessa beskrivningar kan vara i termer av tabeller, kolumner, XML-taggar och objektorienterade klasser.

datavyer är verktyg för att skapa effektiva rapporter baserade på exakta frågor. För att få en datavy måste databashanteringssystemet hämta önskad data och visa den förväntade utmatningen. Eftersom databasen, särskilt de databaser som hanterar stora volymer som de som används i datalager, behöver hämta stora mängder data, kan det vara en långsam och komplex process att få en datavy. Att använda dataoptimering kan minska processens komplexitet samtidigt som man försöker optimera de nödvändiga resurserna genom att minska fysiska bearbetningsbehov.

i vissa databasapplikationer är själva databashanteringssystemet laddat med funktioner för att göra det enkelt att fråga datavyer genom att direkt utföra frågan och omedelbart generera vyer. Vissa databasapplikationer har sitt eget flexibla språk för att förmedla mellan peer-scheman som sträcker sig från kända integrationsformalismer till mer komplex arkitektur.

dataoptimering kan uppnås genom datakartläggning, en viktig aspekt i dataintegration. Denna process för dataoptimering inkluderar datatransformation eller dataförmedling mellan en datakälla och dess destination, och i detta fall kan datakällorna hänvisa till det logiska schemat och destinationen datavyschemat. Data mapping som ett medel för dataoptimering kan översätta data mellan olika typer av datatyper och presentationsformat till ett enhetligt format som används i olika rapporteringsverktyg.

vissa program erbjuder ett grafiskt användargränssnitt (GUI) baserat verktyg som används för att utforma och generera XML-baserade frågor och för datavyer. Eftersom data kan komma från en mängd olika källor från en heterogen datakälla, kan köra frågor med detta verktyg vara ett effektivt sätt att generera en datavy. Använda grafisk datavy kan frigöra en datakonsument från att behöva fokusera på den invecklade karaktären av frågespråk eftersom de verktyg kan ge bild-och dra-och-släpp-kartläggningsmetod.

att vara fri från alla invecklingar i samband med frågespråk innebär att man kan fokusera mer på informationsdesign och konceptuell syntesinformation som kan komma från många olika olika källor. Eftersom verktyg på hög nivå behöver skydda slutanvändare från bakändens invecklingar, måste den hantera data från bakänden effektivt.

att ha ett grafiskt verktyg kan ha sina fördelar men nackdelen är att grafiken kan lägga till belastning i datorminnet. Så grafiska verktyg behöver så mycket dataoptimering för att balansera belastningsavgiften från de grafiska komponenterna.

det finns flera moduler tillgängliga för dataoptimering. Dessa moduler kan enkelt “anslutas” till befintlig programvara och integrationen kan vara sömlös. Att ha dessa pluggbara dataoptimeringsmoduler kan definitivt göra databasrelaterade applikationer fokusera mer på utvecklingen av grafiskt rapporteringsverktyg för icke-tekniska datakonsumenter.