Fundamentals of Data Warehouses

انبارهای داده توجه پزشکان و محققان را به طور یکسان به خود جلب کرده اند. اما طراحی و بهینه سازی انبارهای داده یک هنر باقی می ماند تا یک علم.
این کتاب اولین بررسی مقایسه ای از وضعیت هنر و بهترین عملکرد فعلی انبارهای داده را ارائه می دهد. این یکپارچه سازی منبع و داده، تجمیع چند بعدی، بهینه سازی پرس و جو، انتشار به روز رسانی، مدیریت ابرداده، ارزیابی کیفیت و بهینه سازی طراحی را پوشش می دهد. علاوه بر این، یک چارچوب مفهومی ارائه می‌کند که توسط آن می‌توان معماری و کیفیت تلاش‌های انبار داده را با استفاده از مدیریت ابرداده غنی‌شده همراه با تکنیک‌های پیشرفته از پایگاه‌های داده، مدل‌سازی کسب‌وکار و هوش مصنوعی ارزیابی و بهبود بخشید. برای محققان و متخصصان پایگاه داده در دانشگاه و صنعت، این کتاب مقدمه ای عالی برای مسائل کیفیت و استفاده از ابرداده در زمینه انبارهای داده ارائه می دهد.
در ویرایش دوم، پیشرفت های قابل توجه وضعیت عملکرد در سه سال گذشته مورد بحث قرار گرفته و چارچوب مفهومی به یک روش کامل برای طراحی انبار داده، که توسط چندین مطالعه موردی صنعتی نشان داده شده است، گسترش یافته است.

Data warehouses have captured the attention of practitioners and researchers alike. But the design and optimization of data warehouses remains an art rather than a science.
This book presents the first comparative review of the state of the art and best current practice of data warehouses. It covers source and data integration, multidimensional aggregation, query optimization, update propagation, metadata management, quality assessment, and design optimization. Furthermore, it presents a conceptual framework by which the architecture and quality of data warehouse efforts can be assessed and improved using enriched metadata management combined with advanced techniques from databases, business modeling, and artificial intelligence. For researchers and database professionals in academia and industry, the book offers an excellent introduction to the issues of quality and metadata usage in the context of data warehouses.
In the second edition, the significant advances of the state of the practice in the last three years are discussed and the conceptual framework is extended to a full methodology for data warehouse design, illustrated by several industrial case studies.