Best practices for data modeling with hana

Nuevas Best Practices para
Modeling SAP HANA

SAP HANA Views
© 2014 SAP SE or an SAP affiliate company. All rights reserved. Public 5
Nota: En la sucesivas pagina , los ejemplos fueron hechos y extraídos de un ambiente
de Prueba HANA cockpit.
También vale aclarar que algunos Términos técnicos se utilizan en Ingles para evitar
confusiones ya que el ambiente CLOUD de prueba se encuentra en ingles.
Sergio Cannelli Master Software Developer SAP

SAP HANA Views
Virtu
al
Dat
a
Model
ing
Virtual Data Flow
Informes operativos | aplicaciones
SAP HANA PLATFORM
HANA Views
Tablas fisicas
Database Layer
• No hay Aggregations | copia atómica única de datos .
• In-Memory Engines | Performance.
• Modelos de Información multidimensionales.
• Modelos de aplicaciones empresariales de datos
virtualizados.

SAP HANA Views
Virtu
al
Data Models
Multidimensionales
Calculation View
Column TableAnalytical View Attribute View
Herramientas de Reporteo que
consume Views de diferentes
tipos.
Herramientas multidimensionales
para la navegación, filtrado y
agregación y HANA Prompts
(variables y parámetros de
entrada) para un eficiente pre-
filtrado de los datos.
Calculation Views ,se
construyen
generalmente sobre
analíticas-, Attribute-
Views y Columnas .

SAP HANA Views
Virtual Data
Models
Para escenarios normalizados
SAP HANA Calculation
Views ,normalmente se
alimentan de datos a las
aplicaciones empresariales,
como SAP HANA XS .
SAP HANA
Calculation Views,
proporcionan los
medios para
modelar vistas
sofisticadas y
basados en
estructuras de datos
normalizados.

ews Views C n View
SAP HANA Views
Enfoques de modelado
Attribute Vi Analytic alculatio
• Componer una vista dimensional
con una serie de atributos
derivados de una colección de
tablas, por ejemplo, Vistas Datos
Maestros .
Re-usar y compartir, Analytic-
y Calculation Views
Usado para crear Jerarquías
Las Jerarquías son elementos
claves en Analytic View para
Reportes multidimensionales
• Combina Fact-Tables con •
•
Muy flexible para uso avanzado
Aproximación a modelos
personalizados
 Uso combinado de Multiple-Fact
Tables/Analytics Views
 Construir modelos con datos
normalizados
 Re-Usar stack views
 Hacer uso de custom scripted
views
Attribute-Views para esquema
tipo estrella o cubos para
Reportes Multidimensionales.
Store, no Aggregates
,adicionados en masa
Jerarquias como clave para
reportes multidimensionales
 •


•

Public 9
SAP HANA Views
Modeling Attribute Informacion de Data
Models
Que es un Attribute View?
• ...Son dimensiones Reutilizables,añadiendo
contextos de datos en el flujo
Puede ser considerado como Master Data-Views
 Construir una colección de atributos semánticos
Semantic Attribute Information
•
De varias tablas (e.g. join ‘Planta’ - ‘Material’)
 Medidas no pueden ser modeladas
Re-usado como dimensiones en escenarios multidimensional
(Analytic Views) o
 Attribute Data Foundation
re-usado para modelos complejos en datos
normalizados
Reportes para datos maestros no pueden
No pueden ser consumidos directamente
Reportes clientes multidimensionales.

© 2014 SAP SE or an SAP affiliate company. All rights reserved.Sergio Cannelli Master Software Developer SAP

SAP HANA Views
Modeling Attribute Informacion de Data Models
Cuales son las Capacidades de un Attribute Views?
• Attribute Views soporta



Data Foundation join (varios tipos de joins)
Calculated Attributes (Cálculos estaticos o dinamico)
Descripción Mapping & Text-join tablas de datos maestros , por
ejemplo, utilizando en el manejo de los datos maestros en varios
idiomas.
Dimensión de tiempo para Attribute Views
Especificacion tipo de semanticas
Jerarquias(Niveles, Parent-Child), Comportamiento Jerarquico
Definir filtro en atributos & columnas .
Uso de parámetros de entrada Search
embedidos





Public 10Sergio Cannelli Master Software Developer SAP

SAP HANAAnalytic Views
Modeling Facts y dimensiones como un modelo
multidimensional de datos
Que es un Analytic View?
• Puede ser considerado como un Cubo-/OLAP o un esquema estrella
 Sin almacenar datos agregados
 Uso de clientes multidimensionales o
reutilizar flujos de datos complejos
Fact data desde el ‘Data Foundation’.
1Analytical View
1
Fact Table
Left Outer
N N
• 1
Dimensión Vs Modelados (Attribute Views
 fact table contiene claves ‘Medidas’
 Dimensiones describe las claves para
enriquecer datos.
N
1 N
1N
 La cardinalidad en un esquema de estrella es generalmente N:1
Los modelos OLAP No están diseñados para manejar operaciones complejas de Join
 HANAAnalytical Views esta optimizado para aggregating en masa

SAP HANAAnalytic Views
Modeling Facts y dimensiones como un modelo
multidimensional de datosCuales son las capacidades de Analytic Views?
• Modelo infraestructura de datos informativo para esquema en estrella
Definición de medidas para datos Foundation Facts
 Contadores de medidas, Calculado & Restriccion de medidas,
moneda- Unidades de medida
 Default Aggregation (sum, max, count, ...)
Re-usar Para cambiar lentamente los datos de dimension
 Union temporal entre facts y datos de dimensión
Variables y parámetros de entrada
 Filtro dinámico y cálculos basados en parámetros
IU-prompts para uso con los clientes en sus informes
multidimensionales
•
•
•

Modeling custom
Escenarios
Views
Que es un Calculation View? Application UI
• Calculation Views vistas compuestas Y son usadas para combinar otras views
 Pueden consumir otras. Analytical-, Attribute-, otras Calculation Views &
tablas
Modelos personalizados como :
 Uso combinado de Multiple-Fact Tables/Analytics Views
•
 Construir modelos con datos normalizados
 Re-Usar y apilar Views
 Hacer uso de custom scripted views
Gran flexibilidad para uso avanzado
Personalizar modelos: Modeler grafico y
Editor SQLScript
Calculation View
•
•
© 2014 SAP SE or an SAP affiliate company. All rights reserved. Public 13Sergio Cannelli Master Software Developer SAP

SAP HANA Calculation Views
Modeling custom Escenarios
Cuales son las capacidades del “graphical modeled Calculation View”
• Graphical Calculation Views
 Vistas como objetos cliente consumibles en consultas
multidimensionales u objetos internos de reutilización o Views
sin medidas
 Construir una View compuesta con datos procedentes de
múltiples fuentes
 Embeds Analytical-, Attribute-, Calculation Views & tables
 Nodos para operación, Join, Projection & Aggregation
(No se requiere conocimiento SQL o SQL Script )
 Flexibilidad para construir Complejos modelos virtuales*
Con unica capacidad como dynamic joins, ….
Calculation View-data flows
 Optimizar y explotar los motores subyacentes(i.e.
OLAP Engine) …
Calculation View
Attribute View
Analytical View
•
Calculation View Column Table
Public 14

SAP HANA Modeling Best Practices
Modelo general guía de performance
• Evitar la transferencia de grandes conjuntos de datos entre
una aplicación HANA y el cliente
Reducir la cantidad de datos a transferir entre VIEWS
Hacer cálculos después del aggregation y evitar cálculos
antes del aggregation a nivel ítem.
Agregar registros (e.g usando GROUP BY, mantener flags,
reduciendo columnas, ….)
•
•Procedures Calculation View
•
Analytical View Attribute View
• Filtrar datos usando: ..
Analytical Privileges • Constraint filters
• WHERE clause / Parameters
• Analytical PrivilegesColumn
Store Tables

Escenario Modelado – Multidimensional
Analytical View (incluyeAttribute views) Calculation View
Esquema de estrella
para Aggregation CON O
SIN cláusulas WHERE
Combina multipleAnalytical usando Uniones
(Dimensions similares)
Multidimensional, Star Schema
Attribute View (independiente) Calculation View
Modelo con Multiple QUERY
NORMALIZADO complejo
con JOIN con cláusulas
WHERE
Joins complejos Joins complejos incluyendo facts

Cosas a ver para movimiento de datos
Abstenerse de
mover grandes
cantidades de datos
entre VIEWS y el
front-end
Para la reutilización de
Analytic View y calculation
View, seleccionar
cuidadosamente, cortar,
filtrar.
Filtros pushed
down SELECT SPART, MATNR, WERKS, SUM(KWMENG) FROM AV
WHERE WERKS = ? AND MATNR = ? GROUP BY…
En la estructura de datos
multidimensional detalles a
nivel
Aggregation
Select…Where Matnr = DPC1017 Group By Spart

Cosas a ver para movimiento de datos
SELECT WERKS, SUM(KWMENGA), SUM(KWMENGB), SUM(TOTAL) FROM CV WHERE MATNR = DPC1017 GROUP BY WERKS
Visualizar y revisar el
Plan para asegurar los
filtros .
Filtro aplicado
Filtro aplicado
Select … From Sales_Av Where
Werks = 100 & Matnr = DPC1017
Select … From Sales_Av Where
Werks = 1000 & Matnr = DPC1017
Select Werks, Matnr, Sum(KwMeng) From Sales_Av

Cosas para ver… Operadores Columnas y filas
Aggregation & Filters)
Revisar el plan .Limitar el
número de registros
utilizados por los operadores
de FILA.

Cosas para ver… – Scripted Calculation Views
SQL estático siempre se ejecuta como se ha
definido y se materializa en conjuntos de
resultados intermedios
Filtro aplicado a columnas
con Funciones CE se trata de explotar los motores de base de datos
subyacentes y los filtros, columnas omitiendo Joins siempre que sea
posible
Filtros aplicados a columnas .
Aggregation generados por OLAP engine
FIELDA COUNT
Apple 3000000
Banana 4000000
Orange 9000000
FIELDA COUNT
Apple 3000000
Banana 4000000
Orange 9000000
SELECT FIELDA, SUM(COUNT) FROM MODEL GROUP BY FIELDA WHERE FIELDA IN Apple, Orange, Banana

Define Input Parameters in the
Data Foundation to explicit and
compulsory Filter the data
Tips and Tricks … – Parámetros de entrada(Filtro implícito)
Constraint Filter
$$YEAR_1$$
Constraint Filter
$$YEAR_2$$
SELECT CATEGORY, SUM(YEAR1), SUM(YEAR2) FROM MODEL GROUP BY CATEGORY
WITH PARAMETERS (
'PLACEHOLDER' = ('$$YEAR_1$$', '2011'),
'PLACEHOLDER' = ('$$YEAR_2$$', '2012'))

Define Input Parameters in the
Data Foundation to explicit and
compulsory Filter the data
Tips and Tricks … – Parámetros entrada(Filtro explicito)
Constraint Filter
$$YEAR_1$$
Constraint Filter
$$YEAR_2$$
SELECT CATEGORY, SUM(YEAR1), SUM(YEAR2) FROM MODEL GROUP BY CATEGORY
WITH PARAMETERS (
'PLACEHOLDER' = ('$$YEAR_1$$', '2011'),
'PLACEHOLDER' = ('$$YEAR_2$$', '2012'))

Tips and Tricks … –
 Constant Column!i;m). U
11ion
1- ,t= ,ae J!.__L �� L
_
 Filtro en Column constantes
Model C, D, E, F are NOT executed)
ORDER
AMOUNT
GROUP_CONSTANT
FROM VIEW
OR
SELECT :gm Semanti'cs
SALESORG
DIVISION G X Agg.-eg;ati'on
QUANTITY
Gffl llJJm-on
WHERE �A
(GROUP_CONSTANT = A AND ORDER IN 1, 2,3) �B
�e
(GROUP_CONSTANT = B AND ORDER IN 6,7,8) �D
�E
, �F
----------.
GROUP_CONSTANT
Map the target to either a .source column or
constant value.
Source Model Source Column Constant V... is Null
ACTUAL_AV A D
C
.. EPl 00 B
Data Type: [ NVARCHAR ...-] Length:

Tips and Tricks … – Union con Valores constantes
Tabla dinámica utilizando Unión con valores constantes
Standard Union

Tips and Tricks … –Join Analytics Models
Join Analytic Models
con cuidado.
•Usar WHERE para minimizar
la cantidad de registros en el
join.
•Recortar columnas
•…
Variables y parámetros
de entrada
Join optimizado
clause(s) filtros
Antes del Join
Variable .Achicar
usando WHERE
clause Delivery Date
Mantener pequeño
usando
WHERE clauses
Where

Escenario Normalizado Data Models/Virtual Data Models
Construir Modelos complejos
Identificar el
patrón
reproducible
Dividir modelos
grandes en
partes más
pequeñas
No construir
modelos
monolíticos
• Exige un intento más explícita y el control del modelado basado en el flujo de
datos, es decir, aggregatión y filtrado de conjuntos como entrada para joins,
Unions, etc.

SAP HANA Live! – Virtual Data Models para SAP Business Suite
Query Views
• Completamente construido en
– Top de SAP HANA Live view
hierarchy(VDM) ,provee campos de
salida consumibles por los informes o
aplicaciones analíticas.
Views
–SAP-
delivered
Query
Views Reusar Views
– Son para uso en Querys Views no
para el consumo directo por los
informes y aplicaciones analíticas
Reutilizar VIEWS que representan el
modelo de datos real o mediante la
exposición de "traducir" tablas de
origen SAP Business Suite .
Re-uso de
Real-Time
Views
Reuse Views
–Private Views
SAP HANA Live (VDM)
Views Privadas
– Encapsular transformaciones SQL
en tablas de bases individuales o
múltiples reutilización de VIEWS
– Vistas privados son comparables a
las subrutinas
Physical Tables
Personalized
Views
Personalized
Views
Personalized
Views
Customer Extensions
Open Interfaces https | oData | SQL | MDX

Escenario Normalizado Data Models/Virtual Data Models
Ejecución optimizada para consultas en escenarios relacionales complejos
Para los modelos Stacked
Calculation Views, el motor de
cálculo puede generar una
instrucción SQL optimizada en
tiempo de ejecución si se utiliza
SQL Engine.
• Nota: La ejecución optimizada de
SQL Engine- encuentra modelos
que permite implícitamente el
motor OLAP push-down en ciertos
escenarios.
• Ver SAP Note 1857202 Para consideraciones
– i.e. Soporta solo Tablas y Calculation views .
– Join mejorado y ordenado
38

Best practices for data modeling with hana

Más contenido relacionado

Similar a Best practices for data modeling with hana

Más de Sergio Cannelli

Best practices for data modeling with hana