Principais conceitos em MDX (Analysis Services)
Aplica-se a:
SQL Server Analysis Services Azure Analysis Services Fabric/Power BI Premium
Antes de usar MDX (Multidimensional Expressions) para consultar dados multidimensionais ou criar expressões MDX em um cubo, é importante entender os conceitos e a terminologia multidimensional.
O melhor é começar com um exemplo de resumo de dados já conhecido para ver como o MDX se relaciona com ele. Aqui está uma Tabela Dinâmica criada no Excel, preenchida com dados de um cubo de exemplo do Analysis Services.
de
Medidas e dimensões
Um cubo do Analysis Services é composto por medida, dimensões e atributos de dimensão, todos demonstrados no exemplo do PivotTable.
Medidas são valores numéricos encontrados nas células, agregados como soma, contagem, percentual, mínimo, máximo ou média. Os valores de medida são dinâmicos, calculados em tempo real, em resposta à navegação do usuário e interação com o PivotTable. Neste exemplo, as células mostram os Valores de Venda do Revendedor que aumentam ou diminuem se você expandir ou ocultar os eixos. É possível obter o Valor de Vendas do Revendedor para qualquer contexto e combinação de Data (ano, trimestre, mês ou data) e Território de Vendas (Grupo de países, País, Região). Outros termos sinônimos de medidas são os fatos (nas data warehouses) e campos calculados (em modelos de dados tabulares ou do Excel).
Dimensões encontram-se nos eixos de coluna e linha do PivotTable, fornecendo o significado por trás da medida. Dimensões são análogas a Tabelas em um modelo de dados relacional. Exemplos comuns de dimensões incluem Hora, Geografia, Produtos, Clientes, Funcionários e assim por diante. Este exemplo possui duas dimensões, o Território de Vendas nas linhas e a Data no topo, porém você pode facilmente arrastar e soltar outras dimensões associadas às Vendas do Revendedor, como Promoções ou Produtos, para ver o desempenho de vendas de acordo com essas dimensões. Sua capacidade de explorar os dados de maneiras interessantes depende das dimensões criadas e se elas possuem relação com as tabelas de fatos na fonte de dados.
Atributos de Dimensão são os itens nomeados em uma dimensão, similar às colunas de uma tabela. Neste exemplo, os atributos da dimensão Território de Vendas consistem em Grupo de Países (Europa, América do Norte, Pacífico), País (Canadá, Estados Unidos) e Região (Central, Nordeste, Noroeste, Sudeste, Sudoeste).
Cada categoria tem um conjunto de valores de dados, ou membros, associado a ela. No nosso exemplo, os membros do atributo Grupo de Países são Europa, América do Norte e Pacífico. Membros refere-se aos valores de dados reais pertencentes a um atributo.
Observação
Um aspecto da modelagem de dados é formalizar os padrões e relacionamentos já existentes nos próprios dados. Ao trabalhar com dados que se enquadram em uma hierarquia natural, como é o caso de países/regiões-regiões-cidades, você pode formalizar essa relação criando uma relação de atributo. Uma relação de atributo é uma relação um-para-muitos entre atributos, por exemplo, uma relação entre um estado e uma cidade - um estado tem muitas cidades, mas uma cidade pertence a apenas um estado. A criação de relações de atributo no modelo acelera o desempenho da consulta, portanto, é uma prática recomendada criá-las se os dados derem suporte a ela. Você pode criar uma relação de atributo no Designer de Dimensão no SQL Server Data Tools. Consulte Define Attribute Relationships.
No Excel, os metadados do modelo são mostrados na lista de campos do PivotTable. Compare o PivotTable acima com a lista de campos abaixo. Observe que a lista de campos contém Território de Vendas, Grupo e País (metadados), enquanto o PivotTable contém somente os membros (valores dos dados). Conhecer o visual dos ícones pode ajudar você a relacionar mais facilmente as partes de um modelo multidimensional de PivotTable no Excel.
Hierarquias de atributo
Quase sem pensar nisso, você sabe que os valores de um PivotTable sobem ou descem ao expandir ou recolher os níveis em cada eixo, mas por que isso ocorre? A resposta está nas hierarquias de atributo.
Recolha todos os níveis e observe os totais de cada Grupo de País e Ano Civil. Este valor é derivado de algo chamado de Membro (Todos) em uma hierarquia. O Membro (All) é o valor calculado de todos os membros em uma hierarquia de atributos.
O Membro (All) de todos os Grupos de Países e Datas combinado é US$80.450.596,98
O Membro (All) do AC2008 is US$16.038.062,60
O Membro (All) do Pacífico é US$1.594.335,38
Agregações como esta são pré-computadas e armazenadas com antecedência, como parte do segredo para um desempenho de consulta rápida do Analysis Services.
tabela
Expanda a hierarquia e eventualmente você chegará ao nível mais baixo. Ele é chamado de membro folha. Um membro folha é um membro de uma hierarquia que não tem filho. Neste exemplo, Southwest é o membro folha.
com ponto de
Tudo acima é chamado de membro pai. Estados Unidos é o pai do Sudoeste.
Componentes de uma hierarquia de atributos.
Em conjunto, todos esses conceitos levam ao conceito de uma hierarquia de atributo. Uma hierarquia de atributo é uma árvore de membros de atributo que contém os seguintes níveis:
Um nível folha que contém cada membro distinto de atributo, com cada membro do nível folha também conhecido como um membro folha.
Níveis intermediários se a hierarquia de atributo for uma hierarquia pai-filho (veremos mais sobre este caso posteriormente).
Um Membro (All) que contém o valor agregado de todos os atributos filhos. Opcionalmente, você pode ocultar ou desativar o nível (Todos) quando não fizer sentido para os dados. Por exemplo, embora o Código do Produto seja numérico, não faria sentido somar ou média ou agregar todos os Códigos do Produto.
Observação
Os desenvolvedores de BI geralmente definem as propriedades de uma hierarquia de atributo para alcançar certos comportamentos em aplicativos cliente ou obter certos benefícios no desempenho. Por exemplo, você definiria AttributeHierarchyEnabled=False em atributos para os quais o membro (All) não faz sentido. Como alternativa, talvez você possa simplesmente ocultar o Membro (All), definindo nesse caso AttributeHierarchyVisible=False. Veja Dimension Attribute Properties Reference para obter mais detalhes sobre propriedades.
Hierarquias de navegação
No PivotTable (pelo menos nesse exemplo), os eixos de linha e coluna são expandidos para mostrar níveis inferiores dos atributos. Uma árvore expansível é obtida por meio das hierarquias de navegação criadas em um modelo. No modelo de exemplo do AdventureWorks, a dimensão Território de Vendas possui muitas hierarquias em múltiplos níveis, começando com Grupo de Países, seguido por País e por fim Região.
Vemos aqui como as hierarquias são usadas para fornecer um caminho de navegação em um PivotTable ou outros objetos de resumo de dados. Há dois tipos básicos: equilibrada e desbalanceada.
Hierarquias equilibradas
tabela
Uma hierarquia equilibrada é uma hierarquia em que o mesmo número de níveis existe entre o nível superior e qualquer membro folha.
Uma hierarquia natural é aquela que surge naturalmente dos dados subjacentes. Exemplos comuns são País-Região-Estado, Ano-Mês-Dia ou Categoria-Subcategoria-Modelo, onde cada nível subordinado flui previsivelmente do pai.
Em um modelo multidimensional, a maioria das hierarquias são equilibradas e muitas também são naturais.
Outro termo de modelagem relacionado é uma hierarquia definida pelo usuário, geralmente usado em contraste com hierarquias de atributo. Isso significa apenas uma hierarquia criada pelo desenvolvedor de BI, em contraposição a hierarquias de atributo geradas automaticamente pelo Analysis Services ao definir um atributo.
Hierarquias desbalanceadas
tabela
Uma hierarquia imperfeita ou hierarquia desbalanceada é uma hierarquia em que existem diferentes números de níveis entre o nível superior e os membros folha. Novamente, é uma hierarquia criada pelo desenvolvedor de BI, mas, nesse caso, há lacunas nos dados.
No modelo de exemplo AdventureWorks, Sales Territory ilustra uma hierarquia desbalanceada porque o Estados Unidos tem um nível adicional (Regiões) que não existe para outros países/regiões neste exemplo.
Hierarquias irregulares são um desafio para os desenvolvedores de BI se o aplicativo cliente não puder lidar com elas de maneira elegante. No modelo do Analysis Services, você pode criar uma hierarquia pai-filho que define explicitamente uma relação entre dados de vários níveis, eliminando qualquer ambiguidade quanto a como um nível se relaciona com o próximo. Consulte Dimensões pai-filho para obter detalhes.
Atributos de chave
Os modelos são uma colação de objetos relacionados que contam com chaves e índices para fazer associações. O mesmo vale para os modelos do Analysis Services. Para cada dimensão (lembre-se que é equivalente a uma tabela em um modelo relacional) há um atributo de chave. O atributo de chave é usado em relações de chave estrangeira com a tabela de fatos (grupo de medidas). Todos os atributos que não são de chave na dimensão são vinculados (direta ou indiretamente) ao atributo de chave.
Em geral, mas não sempre, o atributo de chave também é o Atributo de Granularidade. A granularidade refere-se ao nível de detalhes ou precisão dos dados. Novamente, um exemplo comum é o jeito mais rápido de entender. Considere os valores de data: Para vendas diárias, você precisa dos valores de data específicos do dia em questão; para cotas, pode ser suficiente especificar o trimestre, mas se seus dados analíticos são os resultados de corridas de um evento esportivo, a granulação poderá ser milissegundos. O nível de precisão dos valores dos dados é a granulação.
Conversor de Moedas é outro exemplo: um aplicativo financeiro pode rastrear valores monetários para muitas casas decimais, enquanto a arrecadação de fundos da sua escola local pode precisar apenas de valores para o dólar mais próximo. É importante entender a granulação para evitar armazenar dados desnecessários. Retirar os milissegundos da marcação de hora ou centavos do valor de vendas pode economizar espaço de armazenamento e tempo de processamento quando este nível de detalhe não for relevante para sua análise.
Para definir o atributo de granularidade, use a guia Uso da Dimensão no Designer de Cubo no SQL Server Data Tools. No modelo de exemplo do AdventureWorks, o atributo de chave da dimensão Data é a chave Data. Para Pedidos de Compra, o atributo de granularidade é equivalente ao atributo de chave. Para Metas de Venda, o nível de granularidade é trimestral, por isso o atributo de granularidade está definido para o Trimestre Civil.
Observação
Se o atributo de granularidade e o atributo de chave forem diferentes, todos os atributos não chave deverão ser vinculados, direta ou indiretamente, ao atributo de granularidade. Dentro de um cubo, o atributo de granularidade define a granularidade de uma dimensão.
Escopo da consulta (Espaço de cubo)
O escopo de uma consulta refere-se aos limites dentro dos quais os dados são selecionados. Ele pode variar de um cubo inteiro (um cubo é o maior objeto de consulta) até uma célula.
Espaço de cubo é o produto dos membros das hierarquias de atributo de um cubo com as medidas do cubo.
Subcubo é um subconjunto de um cubo que representa uma exibição filtrada do cubo. Subcubos podem ser definidos com uma instrução Scope no script de cálculo MDX ou em cláusula de subseleção em uma consulta MDX ou como um cubo de sessão.
Célula refere-se ao espaço na interseção de um membro do membro de dimensão de medidas e um membro de cada hierarquia de atributo em um cubo.
Outros termos de modelagem
Esta seção é uma coleção de conceitos e termos que não se encaixam facilmente em outras seções, mas você ainda precisa saber.
Membro calculado é um membro de dimensão definido e calculado na hora da consulta. Um membro calculado pode ser definido como uma consulta de usuário ou como script de cálculo MDX e armazenado no servidor. Um membro calculado corresponde a filas na tabela de dimensão da dimensão onde ele é definido.
Contagem Distinta é um tipo especial de medida usado para itens de dados que somente devem ser contados uma vez. O modelo de exemplo do AdventureWorks inclui diferentes medidas de contagem para Pedidos da Internet, Pedidos do Revendedor e Pedidos de Venda.
Grupos de medidas são uma coleção de uma ou mais medidas. A maioria deles são definidos pelo usuário, e você pode usá-los para reunir medidas relacionadas. A exceção são as medidas de contagens distintas. Elas sempre são colocadas em um grupo de medidas dedicado que contém somente a medida diferente. Você não pode ver o grupo de medidas na ilustração de exemplo de Tabela Dinâmica, mas ele aparece em uma lista de campos de Tabela Dinâmica, como uma coleção nomeada de medidas.
Dimensão de medidas é a dimensão que contém todas as medidas em um cubo. Ele não é exposto em um modelo multidimensional que você cria em SQL Server Data Tools, mas existe exatamente o mesmo. Como ela contém medidas, todos os membros de uma dimensão de medidas são tipicamente agregados (geralmente por soma ou contagem).
Dimensões de Banco de Dados e de Cubo. Em um modelo, você pode definir dimensões independentes que serão incluídas nos cubos do mesmo modelo. Quando você adiciona uma dimensão a um cubo, ela é chamada de dimensão de cubo. Por si só, dentro de um projeto, como um item autônomo no Pesquisador de Objetos, ele é chamado de dimensão de banco de dados. Por que esta diferença? Porque você pode definir suas propriedades independentemente. Na documentação do produto, você verá os dois termos usados, portanto, vale a pena entender o que eles significam.
Próximas etapas
Agora que você tem uma melhor compreensão de conceitos e terminologia importantes, prossiga para esses tópicos adicionais que explicam com mais detalhes os conceitos fundamentais no Analysis Services:
Consulte Também
Espaço de cubo
Tuplas
autoexists
Trabalhando com membros, tuplas e conjuntos (MDX)
Totais visuais e totais não visuais
Conceitos básicos de consulta MDX (Analysis Services)
Conceitos básicos de geração de scripts MDX (Analysis Services)
MDX (Referência de Linguagem MDX)
Referência de linguagem MDX