Esempi di analisi dei dati

Una volta descritto in linea generale il significato di analisi sui dati e di quali stru- menti Pentaho `e provvisto per effettuarle, si pu`o passare alla dimostrazione pratica dell’utilit`a di questo strumento attraverso alcuni esempi.

Esempio di analisi

Supponiamo di voler effettuare un’analisi che calcoli, sulla base delle autorizza- zioni, il numero di distinti servizi e il numero totale di bambini autorizzati per provincia, comune e natura giuridica del titolare (pubblica/privata).

Secondo la logica descritta precedentemente, si devono usare i tre strumenti descritti nel capitolo precedente per ottenere l’analisi richiesta, utilizzando la de- finizione di cubo. In primo luogo, tramite Schema Workbench viene definito uno schema a partire dal data warehouse di interesse. Nel caso in esame siamo inte- ressati al data mart relativo al fatto Autorizzazione, che tenga in considerazione la tabella dei fatti “Autorizzazione“, la dimensione “Titolare“ e la dimensione “Co- muni“ definita in fase di progettazione fisica. si mostra in Figura 9.8 parte dello schema logico di interesse, considerando le sole misure e dimensioni di interesse.

9.1. ANALISI SUI DATI 77 Autorizzazione IDAutorizzazione CodAutorizzazione FKServizio FKComune FKTitolare CapacitaRicettiva Titolare PKTitolare NaturaGiuridicaTPubblicaPrivata Comune PKComune Provincia Comune

Figura 9.8: Data mart parziale per l’analisi

Una volta individuato la parte del data mart di interesse, con l’apposita proce- dura lo schema viene validato e salvato nella repository presente sulla macchina server di Pentaho.

Lo schema pu`o essere personalizzato scegliendo la tabella dei fatti e le tabelle dimensionali, come in Figura 9.9, mostrando quali sono gli attributi di giunzione di interesse.

Figura 9.9: Definizione delle tabelle di interesse del data mart

Definite le tabelle relazionali di interesse, bisogna definire quali sono le misure e quali le dimensioni di analisi. Proseguendo la procedura infatti, l’utente ha modo di scegliere i parametri di interesse, come `e possibile notare in Figura 9.10 con un procedimento analogo alle tabelle Pivot.

Figura 9.10: Definizione delle misure e dimensioni di analisi

Dalla figura si nota come l’insieme delle dimensioni e misure che l’utente pu`o scegliere sono mostrate nella sezione sinistra; nella parte centrale sono evidenziate le misure e le dimensioni selezionate, indicando da quale tabella relazionale esse sono state prese. Infine nella sezione sinistra l’utente pu`o modificare alcune impo- stazioni. Per ogni attributo selezionato `e possibile modificare il nome visualizzato: inoltre per le misure `e permessa la scelta della funzione di aggregazione da appli- care e anche in questo caso dare il nuovo nome al risultato, scegliendo tra sum, average, minimum, maximum, counte count distinct.

Si vuole ricordare che nonostante questa procedura venga eseguita dal motore OLAP, essa verr`a successivamente trasformata in un’interrogazione SQL con la struttura mostrata nel seguito.

SELECT c.Provincia, c.Comune, t.NaturaGiuridicaTPubblicaPrivata sum(CapacitaRicettiva) as BambiniAutorizzatiTotale, count(distinct FKServizio) as NumeroServizi

FROM tblAutorizzazione a

INNER JOIN tblTitolare t ON t.PKTitolare=a.FKTitolare INNER JOIN tblComuni c ON c.PKComune=a.FKComune

GROUP BY c.Provincia, c.Comune, t.NaturaGiuridicaTPubblicaPrivata

Per visualizzare successivamente il cubo di analisi, `e necessario che l’utente avvii la procedura New analysis view presente nell’interfaccia grafica della console utente, come mostrato in Figura 9. 11.

9.1. ANALISI SUI DATI 79

Figura 9.11: Procedura New Analysis View

Successivamente il sistema recupera gli schemi presenti nella repository e chie- de all’utente quale vuole considerare. Effettuata tale operazione si apre un’ulteriore schermata che mostra l’analisi di interesse.

A questo punto il sistema, grazie a JPivot, permette all’utente di manipolare il cubo di analisi, scegliendo su quali dati si ritiene necessario filtrare, mostrando diversi livelli di dettaglio e scegliendo se `e opportuno mostrare grafici.

Figura 9.12: Schermata di anlisi del cubo con bottoni per la manipolazione Dalla Figura 9.12 si vede il primo livello di dettaglio dell’analisi ed un insieme di bottoni tramite i quali l’utente pu`o manipolare il cubo. Il bottone evidenziato in giallo permette all’utente di navigare nel cubo OLAP, scegliendo quali misure si ritiene opportuno mostrare e quali nascondere e permettendo all’utente di effet- tuare alcuni filtri. Il bottone evidenziato in verde permette invece di vedere quale interrogazione MDX `e stat generata a partire dalle operazioni effettuate nelle fasi precedenti, come in Figura 9.13.

Figura 9.13: Esempio di MDX editor con JPivot

Tale interrogazione pu`o essere modificata ottenendo i dati di interesse, ma con maggiore difficolt`a rispetto all’uso di semplici interfacce grafiche. Il bottone evi- denziato in blu permette di fare l’insersione delle tabelle e delle righe, mentre quel- lo rosso permette di visualizzare i dati attraverso alcuni grafici. Infine il bottone rosa permette di esportare i dati in formato xls.

Sulla base dell’analisi richiesta si mostrano le informazioni di interesse ad un diverso livello di dettaglio, a partire da quello che prevede un’aggregazione massima per poi proseguire con operazioni di drill-down.

Figura 9.14: Livello di aggregazione massimo

9.1. ANALISI SUI DATI 81 Si vuole ricordare che JPivot prevede di visualizzare i dati inizialmente al mas- simo livello di aggregazione, riportando la somma complessiva dei bambini auto- rizzati e il conteggio complessivo dei servizi educativi distinti, per tutti i valori di tutte le dimensioni. Nel nostro caso al massimo livello di aggregazione vediamo il numero di bambini autorizzati per tutte le provincie, tutti i comuni e tutte le tipo- logie di natura giuridica del titolare. Solamente applicando un apposito bottone si pu scendere nel dettaglio, mostrando sia i dati parziali che totali.

Figura 9.16: Livello di aggregazione per provincia e comune

Figura 9.17: Livello di aggregazione per provincia, comune e natura giuridica del titolare

Infine si ricorda che JPivot permette di mostrare i dati dell’analisi anche in forma grafica. Si mostra nel seguito un istogramma e una rappresentazione dei dati con un grafico a torta su un sottoinsieme di dati, precisamente filtrando i dati sul solo comune di Gubbio, dopo aver fatto un operazione di slice sul comune.

Figura 9.18: Istogramma su un sottoinsieme di dati