Apakah Modelling Data Menggunakan Kimball Masih Relevant Saat Ini?
Boy Sugijako, Brillian Vieri, Dewa Ayu D. Audrey N, Jason Timotius P, Teddy Aristan
Perkembangan teknologi yang berkembang pesat membuat persaingan di dalam bisnis juga semakin meningkat. Perusahaan membutuhkan sistem pengambil keputusan yang strategis, tepat, dan cepat. Data warehouse merupakan solusi atas permasalahan tersebut. Metode Kimball merupakan metode pengembangan Data Warehouse yang ditemukan pertama kali oleh Ralph Kimball pada tahun 1980-an dan merupakan suatu metode yang digunakan sebagai Dimensional Modelling. Proses pengembangan metode Kimball adalah pendekatan botton up dan Kimball’s data warehouse life cycle.
Data Mart merupakan gudang data spesifik yang dirancang untuk menjawab pertanyaan spesifik. Beberapa data mart ada di area bidang yang berbeda. Sedangkan Data Warehouse adalah repositori perusahaan yang berisi informasi dari seluruh organisasi. Kimball mengikuti pendekatan berbeda di mana dimensi data mart dibuat terlebih dahulu. Sumber data kemudian diidentifikasi dan diambil dari berbagai sumber dan dimuat.
Star Schema merupakan salah satu schema yang ada di dalam dimensional modelling dan bisa ada di dalam satu model. Untuk mengatur proses integrasi data, Kimball merekomendasikan bahwa tabel dimensi harus dibagi dengan tabel yang berbeda dalam berbagai data mart. Ini membantu kita untuk memahami bahwa satu bagian data dapat digunakan dengan cara yang sama di seluruh fakta.
Bagaimana Cara Kerja Metode Kimball?
Fokus metode Kimball adalah mengidentifikasi proses bisnis utama dan solusi bisnis selanjutnya yang perlu kita sediakan dengan gudang data. Kimball menggunakan model dimensi seperti star schema dan snowflakes schema untuk mengatur data ke dalam berbagai data bisnis yang diklasifikasikan, untuk memungkinkan proses bisnis dengan cepat. Sekarang dari perspektif arsitektur, Kimball mengusulkan bahwa tidak perlu memisahkan data mart dari dimensional data warehouse yang sudah ada.
Kimball berfokus pada penyediaan sistem analitik yang dapat diakses langsung dari data warehouse. Dengan kata lain, Kimball mengusulkan arsitektur di mana sistem analitis dapat secara langsung memakai data dari data warehouse. Dibutuhkan waktu yang relatif lebih sedikit untuk mengimplementasikan Kimball.
Sementara dalam kasus desain berbasis Kimball, pemeliharaannya sulit karena mungkin ada data yang berlebihan dan revisi memerlukan tugas tambahan. Kimball mengeluarkan biaya awal yang rendah karena kita hanya perlu merencanakan gudang data dan biayanya tetap sama untuk fase selanjutnya. Hal ini membutuhkan tim umum untuk mengimplementasikannya. Sumber daya yang terlibat perlu mengetahui cara bekerja dengan pemodelan ER, tanpa perlu memisahkannya ke berbagai data mart. Juga dengan gudang data berbasis Kimball, persyaratan integrasi data difokuskan pada area bisnis individu. Desain berbasis kimball, perawatannya sulit karena mungkin ada data yang berlebihan.
Kelebihan dari Metode Kimball
- Cepat saat set-up dan build. Fase pertama dalam pembuatan data warehouse akan dikirimkan dengan cepat
- Star Schema dapat dengan mudah dipahami oleh pengguna dan mudah digunakan untuk reporting. Sebagian besar BI tools menggunakan Star Schema
- Kimball mengeluarkan biaya awal yang rendah karena kita hanya perlu merencanakan data warehouse dan biayanya tetap sama untuk fase selanjutnya.
- Dalam metode Kimball, persyaratan integrasi data difokuskan pada area bisnis pada setiap individu.
Kesimpulan
Arsitektur Kimball membutuhkan sumber data, staging data, kemampuan ETL, dan data mart. Persyaratan bisnis perlu ditangkap dan keduanya membutuhkan atribut waktu untuk data guna memfasilitasi data historis. Kimball kebetulan berorientasi pada proses karena fokusnya adalah pada proses bisnis. Kimball lebih menyukai model data yang didenormalisasi, dan karena itu, kami menemukan model data yang berlebihan hadir dalam arsitektur Kimball. Gudang data berbasis Kimball lebih mudah untuk dirancang dan diimplementasikan. Kita harus beradaptasi dengan perubahan dan tingkat data warehouse. Dengan Kimball, kita mendapatkan satu penyimpanan data warehouse yang perlu digunakan secara logis tergantung pada proses bisnisnya.
REFERENSI
https://tdan.com/data-warehouse-design-inmon-versus-kimball/20300
https://www.holistics.io/books/setup-analytics/kimball-s-dimensional-data-modeling/
https://linkredglue.com/should-i-still-use-a-kimball-approach-on-a-modern-data-warehouse/
Disusun oleh:
2201811214 – Dewa Ayu Defina Audrey
2201798830 – Brillian Fieri
2201746612 – Jason Timotius Purwoko
2201758852 – Boy Sugijakko
2201747602 – Teddy Aristan