Strumenti per le decisioni aziendali: le tecniche di Data Warehousing

 2 
decisionali più raffinati, sono dotate di infrastrutture informatiche dislocate 
geograficamente e basate su differenti piattaforme. I dati in esse residenti 
sono a loro volta raccolti in svariate tipologie di contenitori, i c.d. database. 
Questi ultimi possono risultare differenti sia dal punto di vista del contenuto 
che della struttura. Gli stessi fruitori delle informazioni sono eterogenei e le 
loro richieste sono parimenti dissimili. 
Tutte le difficoltà elencate finora hanno rallentato lo sviluppo di 
sistemi decisionali avvinti perfettamente ai dati in possesso delle imprese. 
Ancora oggi vi sono delle difficoltà, ma si pò sicuramente affermare che 
ormai il Data Warehousing rientri a pieno titolo tra quegli elementi 
imprescindibili sui quali si basa la struttura portante di qualsiasi sistema 
decisionale. 
Il Data Warehouse è l’anello di congiungimento tra il sistema 
decisionale ed i dati in possesso dell’impresa. Le tecniche di Data 
Warehousing sono mirate a raggiungere i seguenti scopi: accedere 
velocemente ad un’ampia gamma di sorgenti dei dati; omogeneizzare, 
trasformare e ripulire i dati; collocare i dati nell’ambito di un modello 
facilmente gestibile dagli utenti al fine di supportare le loro decisioni. Sia 
ben inteso che la presenza del Data Warehouse è solo una condizione 
necessaria al fine della costruzione di un sistema decisionale efficiente e 
che porti alle scelte ottimali. L’altro fattore cruciale è quello delle risorsa 
umana. Non è possibile estrarre dal Data Warehouse tutte le potenzialità se 
gli utenti non sono a conoscenza delle tecniche di analisi più appropriate e 
se essi non hanno maturato nessuna esperienza statistica. 
Se nel breve periodo l’obiettivo del Data Warehouse è quello della 
facilità di fruizione dei dati, nel lungo periodo esso è l’ottenimento di un 
vantaggio competitivo derivante dalla trasformazione dei dati in 
informazione. 
 3 
Le tecniche di Data Warehousing sono già entrate nella fase di 
maturazione. I tentativi pioneristici sono stati molti e da tempo si stanno 
configurando organicamente tecniche di sviluppo di riferimento. Esistono 
nel mercato molti prodotti capaci di implementare un Data Warehouse. 
Tuttavia, non è correto riferirsi al Data Warehouse come un software, ma 
piuttosto come una soluzione. Conseguentemente, lo sviluppo di un Data 
Warehouse coinvolge molti tool e non solo un singolo applicativo. In 
genere si tratta di software costosi a cui hanno accesso solo grandi 
organizzazioni. Recentemente la situazione sta mutando. Si stanno 
diffondendo applicativi a basso costo accessibili anche da parte di aziende 
di piccole e medie dimensioni. Per converso, una delle caratteristiche 
salienti dei progetti di Data Warehousing odierni è proprio quella della 
corretta determinazione dell’architettura del Data Warehouse in relazione 
alle esigenze informative dell’impresa, così da adeguare in modo ottimale 
l’impegno finanziario agli obiettivi da raggiungere. 
Obiettivo del presente lavoro è quello di realizzare un prototipo di 
Data Warehouse nel tentativo di risolvere un caso aziendale reale 
sperimentando le attuali tecniche di Data Warehousing. Queste ultime sono 
state proposte in rassegna nella prima parte del lavoro, cercando al 
contempo di evidenziare il risvolto che esse hanno sul sistema decisionale. 
Inoltre, si è posta particolare enfasi sulla necessità di rendere consapevoli 
gli utilizzatori della ricchezza informativa del Data Warehouse. 
Quest’ultimo punto è la chiave per estrarre dal Data Warehouse tutto il suo 
potenziale, rendendolo così uno strumento strategico di prim’ordine. 
La trattazione si articola in tre capitoli. La prima parte illustra in 
dettaglio gli obiettivi del Data Warehousing e tutte le fasi di sviluppo di un 
progetto di Data Warehouse. In essa sono state trattate in modo particolare 
le problematiche della definizione del modello dei dati e delle tecniche di 
 4 
analisi degli stessi. Sono stati inoltre indicati i principali tool esistenti nel 
mercato. 
Il secondo capitolo riguarda la creazione di un prototipo di Data 
Warehouse concernente la tematica delle “vendite”. Si tratta di un caso 
reale e la sua realizzazione ha comportato l’applicazione di tutti i principi e 
delle tecniche viste nella parte precedente, curando direttamente tutte le fasi 
dello sviluppo e senza l’ausilio di applicativi forniti da terze parti. 
L’ultima parte del lavoro si concentra sull’aspetto economico-
finanziario del Data Warehousing, trattando i processi di budgeting e di 
valutazione di un progetto di Data Warehouse. A tale fine si è cercato di 
delineare un modello formale di valutazione seguendo i comuni paradigmi 
di valutazione dei progetti d’investimento arricchiti dalle peculiarità del 
Data Warehousing. 
Ai primi tre capitoli sono state accluse tre appendici. Le prime due 
contengono il codice di programmazione afferente la parte tecnica del 
progetto implementato nel secondo capitolo. Infine, l’ultima appendice 
contiene una elencazione delle letture consigliate per ulteriori 
approfondimenti sull’argomento. Alle tre appendici segue la bibliografia e 
la sitografia. 
 
 
∗    ∗   ∗  
 
 
Un particolare ringraziamento è rivolto a Laura Patricia Barberi e 
all’Ing. Massimo Marinelli per i loro preziosi consigli di cui si è fatto tesoro 
durante la stesura del presente lavoro. 
 5 
1 Il Data Warehousing 
 
 
 
 
 
 
 
 
 
1.1 Introduzione 
L’analisi dei dati ha rivestito in passato un ruolo critico nella gestione 
aziendale ed ancora più lo rivestirà in futuro. Scenari in continuo 
cambiamento, estrema volatilità dei mercati, tempi di scelta ridotti rendono 
indispensabile l’adozione di strumenti sempre più raffinati ed efficienti di 
supporto alle decisioni manageriali.  
Affinché coloro che prendono le decisioni in azienda, o decision 
makers, possano operare la scelta più opportuna, i dati devono essere 
trasformati in informazioni. Nel corso degli ultimi anni, attraverso l’utilizzo 
di sistemi informativi aziendali capaci di registrare ogni singolo attributo di 
ciascuna transazione, è stata memorizzata una rilevante quantità di dati. La 
disponibilità di tali dati ha incentivato notevolmente lo studio della loro 
possibile utilizzazione dando vita alla tematica del “Data Warehousing”. 
La trasformazione dei dati in informazioni avviene attraverso 
l’adozione di un paradigma di modellizzazione dei dati tale da agevolare il 
processo d’analisi
1
. 
                                                 
1
 D’Ercole L., La Noce F., “Data Warehousing”, Franco Angeli, Milano, 1998 
 6 
Per sistemi operazionali si intendono tutti quei sistemi che 
supportano il funzionamento quotidiano dell’impresa e che costituiscono le 
basi dell’attività; essi sono stati modificati nel tempo al fine di integrarsi 
completamente con il business dell’azienda. Il sistema informazionale è 
invece un sistema orientato all’analisi dei dati (OLAP – on line analytical 
processing) e quindi al supporto delle decisioni (DSS – decision support 
system). I dati utilizzati da questo sistema provengono dall’ambiente 
operazionale. Il sistema informativo è la combinazione dei due precedenti 
sistemi. Sarebbe errato pensare che il sistema informazionale è ridondante 
rispetto a quello operazionale e a tale proposito
2
: 
 
• I dati sono filtrati prima di entrare nel sistema informazionale. 
Solo dati necessari al DSS riescono a superare i filtri di 
importazione. 
• L’orizzonte temporale è differente. L’ambiente operazionale 
contiene dati attuali e dettagliati. 
• I dati dell’ambiente operazionale, al contrario di quello 
informazionale, non sono aggregati. 
• Sono indispensabili trasformazioni, modifiche e correzioni prima 
che i dati entrino nell’ambiente informazionale. 
• La diversità dei report generati dal sistema operazionale e da 
quello informazionale sono una altro fattore discriminante: molto 
dettagliati e di utilizzo frequente nel primo; poco dettagliati e 
aggregati nel secondo. 
 
All’inizio i sistemi informativi erano rappresentati dal solo sistema 
operazionale o transazionale (OLTP – on line transactional process) che 
                                                 
2
 La Noce F., D’Ercole L., op. cit., Franco Angeli, Milano, 1998 
 7 
teneva traccia di tutte le transazioni aziendali. Negli anni ’70 i sistemi 
informativi si basavano su mainframe IBM e su strumenti di sviluppo quali 
COBOL, CICS, IMS, DB2. Durante gli anni ’80 si diffusero nuove 
piattaforme chiamate mini-computer come l’AS/400 e il VAX/VMS. Questi 
sistemi vengono oggi indicati come legacy systems e da essi ancora oggi si 
attingono dati. Alla fine degli anni ’80 e inizio anni ’90 fu introdotta 
l’architettura client/server; il sistema operativo Unix risultava la piattaforma 
server più diffusa. In quegli anni, la maggior parte dei fornitori di 
tecnologie per database erano concentrati sull’implementazione delle 
funzioni di base, quasi sempre orientate alle performance tecniche, mentre i 
tools di interrogazione erano relegati al ruolo di accessori. Pochi vendors, 
tra i quali Teradata, erano concentrati su database orientati all’utente ed 
erano comunque considerati attori marginali
3
. 
 
Data Warehouse
Metadati
Dati 
aggregati
Sistema operazionale
DSS
 
Fig. 1.1 – Sistema operazionale, Data Warehouse e sistemi decisionali 
 
Gli anni ’90 sono stati caratterizzati dalla diffusione del Personal 
Computer che ha reso disponibile agli utenti finali numerosi strumenti di 
                                                 
3
 Gupta V.R., “An Introduction to Data Warehousing”, System Services Corp. 
(http://www.system-services.com) 
 8 
analisi e un’elevata potenza di calcolo. L’attenzione era essenzialmente 
rivolta alle attività individuali piuttosto che a quelle corporate: i dati nel PC 
erano personali, gestiti singolarmente e isolati rispetto ai dati dell’azienda, 
che risiedevano su mainframe
4
. 
Nonostante tutti questi cambiamenti, oggi si stima che più del 70% dei 
dati operazionali sia ancora contenuto nei mainframes.  
La comprensione della necessità di architetture che rendessero 
realmente disponibili le informazioni agli utenti finali, il conseguente 
bisogno di accedere a tali dati attraverso le piattaforme attuali e il notevole 
sviluppo dell’hardware e del software hanno profondamente modificato la 
morfologia dei sistemi informativi. Questi ultimi oggi comprendono anche 
sistemi finalizzati all’analisi chiamati sistemi informazionali. Tale 
dicotomia ha dato origine ad un processo di separazione dal quale sono nati 
i primi sistemi dedicati al supporto delle decisioni manageriali
5
. Sin 
dall’inizio fu chiara la duplice necessità di: 
 
• separare l’ambiente operazionale da quello informazionale; 
• partizionare i dati di business a diversi livelli di granularità tra cui: 
aggregati di informazioni finalizzati ad analizzare fatti ad elevati 
livelli di sintesi ed altre partizioni caratterizzate da un livello di 
dettaglio maggiore ed utilizzate a fronte di specifiche esigenze di 
analisi
6
. 
 
 
 
                                                 
4
 Inmon W.H., “Data Warehouse And Software Development”, BillInmon.com 
(http://www.billinmon.com), 2000 
5
 Inmon W.H., “Separating Operational From DSS: Some Criteria”, BillInmon.com 
(http://www.billinomn.com), 2000 
6
 Orr K., “Data Warehousing Technology”, The Ken Orr Institute (http://www.kenorrinst.com), 
2000 
 9 
DATI OPERAZIONALI 
(di produzione) 
DATI INFORMAZIONALI 
(decisionali) 
• Analitici • Sintetici 
• Statici nella struttura, variabili nel 
contenuto 
• Flessibili nella struttura e nel contenuto 
• Utilizzati in modo ripetitivo da personale 
operativo 
• Utilizzati in modo non ripetitivo 
• Guidati dalle transazioni • Orientati e guidati dal processo di analisi 
• Orizzonte temporale 60-90 giorni • Orizzonte temporale 5-10 anni 
• Non sempre la chiave prevede una 
dimensione temporale 
• La chiave prevede sempre una 
dimensione temporale 
• Sono continuamente modificati • Una volta creati, i records non vengono 
modificati 
Fig. 1.2 – Dati operazionali vs. dati informazionali 
 
Si stima che il livello di ridondanza media tra i due sistemi non superi 
l’1%. Il Data Warehouse è l’anello di congiungimento tra i due sistemi e 
può essere definito come un insieme di dati subject oriented, integrati, 
dipendenti dal tempo, permanenti e finalizzati al supporto delle decisioni 
manageriali
7
: 
 
• Subject oriented. La prima caratteristica del Data Warehouse è la 
sua organizzazione per soggetti d’interesse (prodotto, cliente, 
fornitore etc.). Quest’approccio è contrastante con quello 
funzionale, o di processo, utilizzato dai sistemi operazionali 
(ordini, fatture, pagamenti etc.). Questi sistemi comprendono 
attività di progettazione di database e di processi. Invero, il Data 
Warehouse si concentra soltanto sulla modellizzazione dei dati e 
sulla progettazione del database. La progettazione dei processi non 
è parte dell’ambiente del Data Warehouse. Le differenze si 
riflettono immediatamente sul contenuto dei due sistemi. 
                                                 
7
 Inmon W.H., “What is a Data Warehouse”, BillInmon.com (http://www.billinmon.com), 2000 
 10 
L’ambiente operazionale comprende quei dati che permettono di 
soddisfare immediate richieste funzionali e operazionali (ad 
esempio, la fatturazione) molto dettagliate e per questo non 
utilizzabili dai DSS. Al contrario, i dati contenuti nel Data 
Warehouse presentano una minore granularità infatti un più basso 
livello di dettaglio ne permette l’utilizzazione da parte del DSS. 
• Integrazione. Condizione necessaria del Data Warehouse. 
Differenti sono i modi attraverso i quali si manifesta 
l’integrazione. Le convenzioni di naming devono essere consistenti 
in modo da adottare un metodo univoco di assegnazione dei nomi 
alle entità ed agli attributi che popolano il modello dei dati. Le 
unità di misura che permettono la quantificazione delle variabili 
devono adottare una metrica omogenea. La codifica consistente 
delle strutture dei dati dei Data Mart di cui è composto il Data 
Warehouse assicura la chiarezza del modello dei dati e ne permette 
una corretta interpretazione. Il complesso processo di integrazione 
dei dati ha luogo prima che essi entrino nel Data Warehouse. 
Secondo John Ladley di Metagroup, in media il processo di 
integrazione dei dati assorbe il 75% delle risorse finanziarie 
necessarie per l’implementazione dell’interi progetto. 
• Dipendenza dal tempo (time variancy). L’orizzonte temporale di 
un Data Warehouse è molto più ampio di quello della gestione 
operativa. I database operazionali contengono i valori correnti dei 
dati la cui validità è garantita al momento della lettura. Un Data 
Warehouse consiste invece in una serie di “fotografie” catturate in 
diversi istanti di tempo. L’obiettivo del Data Warehouse è infatti 
quello di fornire una visione storica del business, al fine di rendere 
più agevoli le decisioni che incidono sulla gestione e 
 11 
sull’organizzazione dell’azienda. Pertanto, tutti i dati in esso 
contenuti avranno riferimenti espliciti o impliciti alla dimensione 
temporale. Normalmente l’orizzonte temporale dei dati 
operazionali è di 60-90 giorni mentre quello del Data Warehouse 
varia da 5 a 10 anni. 
• Permanenza (non volatilità). I sistemi operazionali sono 
progettati per permettere inserimenti, interrogazioni, modifiche e 
cancellazioni dei dati. La manipolazione dei dati all’interno del 
Data Warehouse è invece molto più limitata: sono permesse solo le 
operazioni di caricamento iniziale dei dati e la loro interrogazione. 
 
Una definizione alternativa è quella di Ralph Kimball
8
 ove afferma 
che un Data Warehouse è una copia completa dei dati operazionali resa 
disponibile agli utenti finali in una forma da questi comprensibile ed 
utilizzabile nel contesto del business
9
. 
Le prime implementazioni di Data Warehouse incontrarono subito un 
difficile ostacolo da superare: quello di far comprendere che i modesti o 
addirittura inesistenti benefici immediati erano giustificati da opportunità 
future che poi si presentarono effettivamente durante gli anni ’90. I periodi 
di recessione costrinsero le aziende a razionalizzare i processi e l’esigenza 
di inseguire in maniera tempestiva ed efficace i mercati si manifestò in 
maniera irrinunciabile. Molte organizzazioni iniziarono a vedere un nuovo 
potenziale utilizzo dei dati esistenti. In questo contesto fu compresa a fondo 
l’importanza del Data Warehousing. In un’implementazione business-
driven, il vantaggio principale ottenibile dal Data Warehouse è legato alla 
                                                 
8
 Ralph Kimball e Bill Inmon sono considerati i “padri” del Data Warehouse. Pur avendo posizioni 
differenti, il loro approccio è compatibile. In particolare concordano sull’approccio iterativo 
(contrapposto ad uno di tipo “big bang”) e sull’importanza di uno sviluppo più aderente possibile 
al modello di business. Sono entrambi sostenitori dello “star scheme” come struttura base di dati 
(Gallas S., “Kimball Vs. Inmon”, DMReview.com, 1999). 
9
 Kimball R., “The Data Warehouse Toolkit”, Wiley, New York, 1996, p. 310 
 12 
sua abilità di interrogare i dati in modo innovativo, divenendo il veicolo che 
permette il cambiamento in azienda e quindi utile ad ottenere un vantaggio 
competitivo. 
Il vantaggio competitivo come obiettivo principe del processo di Data 
Warehousing sottende la capacità di fornire informazioni strategicamente 
rilevanti al sistema decisionale (DSS), estraendole da una massa di dati 
ingestibile. Questa linea di tendenza può essere riassunta in cinque punti 
che costituiscono le fondamenta per la progettazione di una soluzione di 
Data Warehousing: 
 
• Un’unica sorgente informazionale logicamente concentrata o 
distribuita tra più sistemi tematici integrati ove i dati grezzi 
provengono da varie fonti eterogenee, esterne o interne. Prima che 
i dati vengano resi disponibili sono necessarie operazioni di pulizia 
e trasformazione che ne assicurino integrazione e qualità. 
• Disponibilità di informazioni fisicamente distribuite: le 
informazioni fornite dal Data Warehouse saranno distribuite sia a 
livello organizzativo che geografico. 
• Informazioni contestualizzate rispetto al business: tanto più le 
informazioni saranno aderenti al modello di business adottato tanto 
maggiore risulterà la capacità degli utenti di interpretarle e il 
vantaggio competitivo da esse ottenibile. 
• Consegna automatica delle informazioni: non appena i dati 
operazionali sono stati trasformati devono essere instradati verso 
gli utenti attraverso sistemi di sincronizzazione e delivery, sempre 
presenti se il Data Warehouse è distribuito.