Στο πλαίσιο των ακολούθων παραδειγμάτων περιγράφονται οι βασικές αρχές σχεδιασμού μοντέλου διαστάσεων. Τα παραδείγματα δεν αποτελούν περιγραφή συνολικών λύσεων για κάθε περίπτωση, αλλά συνθέτουν τις βασικές έννοιες μοντέλου διαστάσεων.
Στην δραστηριότητα λιανικής πώλησης ιδιαίτερο ενδιαφέρον παρουσιάζουν οι διαστάσεις :
Διάσταση Πελάτη
Η καταγραφή αναλυτικών στοιχείων του Πελάτη είναι ιδιαίτερα σημαντική ειδικά σε ανταγωνιστικό περιβάλλον.
Τα χαρακτηριστικά μπορεί να αφορούν:
o Στοιχεία ταυτοποίησης
Αν ο Πελάτης δεν είναι φυσικό πρόσωπο αλλά νομική οντότητα, τα στοιχεία που διαμορφώνουν το προφίλ του είναι διαφορετικά. Αν πρόκειται για εμπορική Επιχείρηση, το προφίλ θα μπορούσε να περιλαμβάνει:
Η ανάλυση στοιχείων Πελατειακής βάσης μπορεί να γίνει με στόχο:
Συχνά η ανάπτυξη αποθήκης δεδομένων σε εμπορικές επιχειρήσεις έχει ως πρωταρχικό στόχο να υποστηρίξει δράσεις μάρκετινγκ ή CRM (customer relationship management). Στην περίπτωση αυτή η διάσταση του Πελάτη πρέπει να είναι εμπλουτισμένη με χαρακτηριστικά στο μέγιστο δυνατό βαθμό.
Η διάσταση του χρόνου είναι ενσωματωμένη σχεδόν πάντα στα μοντέλα διαστάσεων. Ανάλογα με τις επιχειρησιακές απαιτήσεις αλλά και τις δυνατότητες των παραγωγικών συστημάτων πληροφορικής, ο χρόνος μπορεί να τηρείται σε επίπεδο ημέρας ή αναλυτικότερα σε επίπεδο ημέρας και ώρας.
Αν θεωρήσουμε ως επίπεδο καταγραφής (grain) την ημέρα, ο πίνακας διάστασης θα μπορούσε να περιλαμβάνει τα ακόλουθα:
Η ημέρα εβδομάδας (Δευτέρα, Τρίτη κλπ) μπορεί να χρησιμοποιηθεί π.χ. για να συγκριθούν πωλήσεις που έγιναν Δευτέρα με αυτές του Σαββάτου.
Ο αριθμός ημέρας (1 έως 29,30) μπορεί να αξιοποιηθεί για να συγκριθούν πωλήσεις την ίδια ημέρα διαφορετικών μηνών ή διαφορετικές ημέρες του ίδιου μήνα, ώστε να αναλυθεί η συμπεριφορά καταναλωτών.
Επιπλέον μπορεί να μετρηθεί-αναλυθεί η καταναλωτική συμπεριφορά σε διάφορες περιόδους του έτους.
Η παραπάνω ανάλυση της ημέρας επιτρέπει τον ορισμό χρονικών περιόδων βάσει πολύπλοκων ημερολογιακών υπολογισμών.
Η καταγραφή αυτών των ειδικών χαρακτηριστικών κάθε ημέρας σε πίνακα διαστάσεων διευκολύνει την ανάλυση και απαλείφει την ανάγκη εκτέλεσης περίπλοκων υπολογισμών καθορισμού των χαρακτηριστικών αυτών σε ερωτήματα SQL. Αν και συχνά τα παραγωγικά συστήματα δεν τηρούν τέτοιου είδους αναλυτικά στοιχεία ημερομηνίας ή χρόνου, ο υπολογισμός και η φόρτωση τους σε μοντέλο διαστάσεων είναι σημαντική παράμετρος για την ανάπτυξη αναλυτικής ικανότητας.
Η καταγραφή του χρόνου σε επίπεδο ημέρας δεν αρκεί για κάποιες εφαρμογές. Παραδείγματα σχετικών εφαρμογών είναι:
Η διάσταση του χρόνου είναι ιεραρχική διάσταση, δεδομένου ότι μπορεί να καταγράφεται:
Καθώς ‘κατεβαίνουμε’ στην ιεραρχία.
Η διάσταση του χρόνου μπορεί να ενσωματώνει περισσότερες της μιας χρονικές ιεραρχίες XE "χρονικές ιεραρχίες" π.χ.: ιεραρχία ημερολογιακού έτους, ιεραρχία οικονομικού έτους, όπως φαίνεται στην εικόνα 9.
Εικόνα 9 – Ιεραρχίες χρόνου
Το χαρακτηριστικό της ιεραρχικότητας επιτρέπει την εμβάθυνση της ανάλυσης στοιχείων καθώς επιλέγεται από τον χρήστη, χαμηλότερο επίπεδο της ιεραρχίας (drill down), όπως φαίνεται στο νοηματικό μοντέλο (conceptual model) της εικόνας 10. Η χρήση νοηματικού μοντέλου κατά τον αρχικό σχεδιασμό ενδείκνυται δεδομένου ότι:
Εικόνα 10 - Εμβάθυνση της ανάλυσης στοιχείων (drill down)
Η χρήση νοηματικών μοντέλων κατά τον αρχικό σχεδιασμό είναι βέλτιστη πρακτική και προηγείται της χρήσης λογικών μοντέλων απεικόνισης. Ενδιαφέρον έχει η χρήση της μεθοδολογίας Adapt για τη συστηματική απεικόνιση μοντέλων διαστάσεων σε νοηματικό επίπεδο.
Τα χαρακτηριστικά του προϊόντος διαφέρουν σημαντικά ανάλογα με την φύση αυτού, όπως είναι αυτονόητο.
Χαρακτηριστικά ενός προϊόντος λιανικής αγοράς (που αγοράζεται σε κατάστημα), μπορεί να είναι τα ακόλουθα:
Η επιλογή των χαρακτηριστικών εξαρτάται από την ανάλυση που έχει επιχειρησιακό ενδιαφέρον για τον Οργανισμό. Όπως έχει ήδη αναφερθεί, όσο πλουσιότερη σε χαρακτηριστικά είναι η διάσταση τόσο μεγαλύτερες δυνατότητες απρόβλεπτης (ad-hoc) ανάλυσης υπάρχουν.
Η διάσταση μπορεί να περιλαμβάνει :
Καθώς και άλλα χαρακτηριστικά ανάλογα με τον τύπο του Οργανισμού.
Η διάσταση Παραρτήματος ή Υποκαταστήματος, επιτρέπει την γεωγραφική ανάλυση των μετρήσεων επί μιας επιχειρησιακής διαδικασίας (όπως είναι η λιανική πώληση). Επιπλέον επιτρέπει την σύγκριση της απόδοσης ομοειδών Παραρτημάτων.
Η τοποθεσία είναι πληροφορία XE "πληροφορία" ιεραρχικής φύσεως που μπορεί να ενσωματώνεται σε πολλές διαστάσεις ενός μοντέλου διαστάσεων όπως: διεύθυνση Πελάτη, διεύθυνση σημείου πωλήσεων Επιχείρησης, διεύθυνση σημείου τεχνικής εξυπηρέτησης Επιχείρησης
Σε αρκετές περιπτώσεις η πληροφορία XE "πληροφορία" τοποθεσίας έχει νόημα να περιλαμβάνει περισσότερες της μιας ιεραρχίες όπως:
· κοινή γεωγραφική ιεραρχία: δρόμος / συνοικία / περιοχή / πόλη / νομός /περιφέρεια χώρα
· ιεραρχία σε σχέση με την Οργανωτική δομή Πωλήσεων της Επιχείρησης: ομάδα καταστημάτων (π.χ. ομαδοποίηση καταστημάτων ή πωλητών σε γεωγραφικές περιοχές σύμφωνα με την Οργάνωση Πωλήσεων της επιχείρησης)
· ιεραρχία σε σχέση με την Οργανωτική δομή Παροχής Υπηρεσιών της Επιχείρησης: ομαδοποίηση μονάδων ή ομάδων τεχνικής υποστήριξης σε γεωγραφικές περιοχές,
ώστε να καλύπτει ιεραρχική ανάλυση που σχετίζεται με την γενικότερη γεωγραφία της αγοράς αλλά και την υφιστάμενη δομή του Οργανισμού (βλέπε εικόνα 11).
Εικόνα 11 – Ιεραρχίες τοποθεσίας
Η γεωγραφική ανάλυση στοιχείων Πελατών ή Παραρτημάτων σε σχέση με την ακτίνα εξυπηρέτησης (κάτι που μπορεί να συμβάλλει στην γεωγραφική αναδιάρθρωση ενός δικτύου εξυπηρέτησης) δεν είναι εύκολη όταν τα στοιχεία διευθύνσεων δεν είναι εύκολα επεξεργάσιμα ως προς την γεωγραφική τους σύνδεση.
Ενδιαφέρουσα ιδέα είναι η διασύνδεση συστημάτων αποθηκών δεδομένων (data warehouse) με γεωγραφικά πληροφορικά συστήματα (GIS) ώστε να ενισχυθούν οι δυνατότητες γεωγραφικής ανάλυσης των επιχειρησιακών δεδομένων.