Minggu, 03 Februari 2013

Blazer - BLZ 167


Kode > BLZ 167
Harga > Rp 150.000
Bahan > Jeans

Size > All Size
Pundak > 44cm
Lingkar Dada > 96cm
Panjang > 63cm
Lengan > 56cm

Apa yang Anda pikirkan setelah melihat foto ini?
A. Ingin berbagi ke teman Anda? Klik "Share"
B. Ingin tambahkan ke album foto Anda? Klik "Tag"
C. Suka? Klik "Like"
D. Ingin berkomentar? Isi "Comment"

Blazer - BLZ 175


Kode > BLZ 175
Harga > Rp 150.000
Bahan > Jeans halus

Size > All Size
Pundak > 40cm
Lingkar Dada > 96cm
Panjang > 63cm
Lengan > 56cm

Apa yang Anda pikirkan setelah melihat foto ini?
A. Ingin berbagi ke teman Anda? Klik "Share"
B. Ingin tambahkan ke album foto Anda? Klik "Tag"
C. Suka? Klik "Like"
D. Ingin berkomentar? Isi "Comment"

JAKET - JAK 663


Kode > JAK 663
Harga > Rp 160.000
Bahan > Taslan Super

Size > All Size
Pundak > 44cm
Lingkar Dada > 110cm
Panjang > 71cm
Lengan > 62cm

Apa yang Anda pikirkan setelah melihat foto ini?
A. Ingin berbagi ke teman Anda?
B. Ingin tambahkan ke album foto Anda?
C. Suka? Klik "Like"
D. Ingin berkomentar? Isi "Comment"

Minggu, 27 Januari 2013

Tugas Kapita Selekta


Data Mart
Sebuah data mart adalah lapisan akses dari lingkungan data warehouse yang digunakan untuk mendapatkan data keluar bagi pengguna. Data mart adalah subset dari data warehouse yang biasanya berorientasi pada lini bisnis tertentu atau tim. Dalam beberapa penyebaran, masing-masing departemen atau unit bisnis dianggap sebagai pemilik data mart yang termasuk semua perangkat lunak, perangkat keras dan data [1] Hal ini memungkinkan masing-masing departemen untuk menggunakan, memanipulasi dan mengembangkan data mereka dengan cara apapun yang mereka mau,. Tanpa mengubah informasi dalam data mart lain atau data warehouse. Dalam penyebaran lain di mana dimensi sesuai digunakan, kepemilikan unit usaha ini tidak akan terus berlaku untuk dimensi bersama seperti pelanggan, produk, dll

The spreadmart istilah yang terkait menggambarkan situasi yang terjadi ketika satu atau lebih analis bisnis mengembangkan sistem spreadsheet terkait dengan melakukan analisis bisnis, kemudian tumbuh ke ukuran dan tingkat kompleksitas yang membuatnya hampir mustahil untuk mempertahankan.
Penggunaan utama untuk data mart adalah business intelligence (BI) aplikasi. BI digunakan untuk mengumpulkan, menyimpan, mengakses dan menganalisis data. Data mart dapat digunakan oleh usaha kecil untuk memanfaatkan data yang mereka telah mengumpulkan. Sebuah data mart dapat lebih murah daripada menerapkan data warehouse, sehingga membuatnya lebih hemat biaya untuk usaha kecil. Sebuah data mart juga dapat diatur dalam waktu yang jauh kurang dari data warehouse, mampu dibentuk dalam waktu kurang dari 90 hari. Karena kebanyakan usaha kecil hanya memiliki penggunaan untuk sejumlah kecil aplikasi BI, biaya rendah dan cepat set up data mart membuatnya menjadi metode yang cocok untuk menyimpan data

data warehouse
======
warehouse adalah "Sebuah skema database relasional yang menyimpan data historis dan metadata dari sistem operasi atau sistem, sedemikian rupa untuk memudahkan pelaporan dan analisis data, dikumpulkan untuk berbagai tingkatan." Definisi ini adalah penggabungan dari berbagai definisi yang saya temui.
Ada beberapa poin penting di sini. Pertama, gudang data jarang berisi informasi yang ada tidak ada tempat lain dalam suatu organisasi. Tujuan dari data warehousing adalah untuk mengumpulkan dan membuat catatan sejarah dari informasi dari sistem lain. Ini mungkin sebuah aplikasi ERP, log dari aplikasi web, data dari sistem manufaktur atau bahkan data dari teleskop radio. Data ini diambil dari sistem sumber (s) dan kemudian dibersihkan dan dimasukkan ke dalam gudang data dengan alat ETL. Proses ini biasanya disebut "sesuai" sumber data ke dalam skema gudang. Aspek penting lain dari definisi adalah agregasi. Sebuah data warehouse biasanya digunakan untuk meringkas data yang selama bertahun-tahun, bulan, triwulan, atau atribut lain waktu dimensi. Hal ini membantu dalam mengidentifikasi tren historis dan membuat prediksi tentang tren masa depan. Data sering dikumpulkan dalam berbagai cara. Data agregat dapat disimpan dalam tabel agregat sehingga dapat diakses dengan cepat. Hal ini sangat penting karena tabel fakta mencapai ke miliaran baris dan ratusan gigabyte informasi yang dikumpulkan. Mengakses data ini di luar bentuk diringkas sering membutuhkan waktu yang sangat lama.

perbedaan data mart dan warehouse
on covering the following topics: Introduction to OLAP and business intelligence. (this post) Identifying the differences between a data warehouse, and a data mart. Introduction to MDX queries and the kind of SQL which a ROLAP… next? Next we’ll talk about the difference between data marts and data warehouses. The former are usually used for OLAP analysis, but they can be fundamentally related to a warehouse.

OLAP analisis biasanya dilakukan pada skema bintang yang sebagian denormalizes data. Sebuah skema bintang tentang subyek tertentu, seperti penjualan, biasanya disebut sebagai "data mart". Mungkin ini karena mereka menyediakan one stop shopping untuk semua informasi tentang subyek tertentu. Itu cukup banyak apa yang saya bayangkan ketika saya mendengar ungkapan.
Data mart cenderung sering diupdate, setidaknya sekali per hari. Seperti yang saya sebutkan di posting saya sebelumnya, skema bintang terdiri dari sebuah meja pusat yang disebut tabel fakta dan tabel dimensi tambahan yang berisi informasi tentang fakta-fakta, seperti daftar pelanggan atau produk. Karena sifat sebagian denormalized dari skema bintang, tabel dimensi dalam data mart dapat diperbarui. Bahkan, ada istilah untuk dimensi seperti itu - Sebuah "dimensi pelan-pelan berubah" atau SCD. Tabel fakta biasanya hanya dimasukkan, tapi data yang lebih tua mungkin akan dibersihkan dari itu. Kadang-kadang tabel fakta akan dikumpulkan dari sumber data. Sebuah situs web yang menjual iklan banner mungkin menggulung semua aktivitas untuk iklan tertentu ke tingkat hari, bukannya menyimpan informasi rinci tentang kesan setiap dan klik untuk iklan.
Sebuah skema data warehouse dinormalisasi mungkin berisi tabel disebut item, kategori dan item_category. Ketiga tabel memungkinkan pengguna untuk menentukan item milik kategori mana, tetapi struktur ini menciptakan sejumlah besar bergabung ketika banyak dimensi yang terlibat. Sebuah data mart akan runtuh semua informasi ini ke dalam dimensi item yang akan mencakup informasi kategori di baris yang sama dengan informasi item. Ini akan mungkin membuat dua dimensi yang berbeda, produk dan kategori, namun kinerja cenderung menurun sebagai meningkatnya jumlah dimensi

Senin, 19 November 2012

Kemeja - LNG 400 (Fred Perry)


Kode > LNG 400 (Fred Perry)
Harga > Rp 128.000
Bahan > Katun Impor
Motif > Polos, Tanpa Saku
Ukuran > SLIM FIT

Detail Ukuran:

Size > M
Pundak > 43cm
Lingkar Dada > 98cm
Panjang > 70cm
Lengan > 58cm

Size > L
Pundak > 44cm
Lingkar Dada > 104cm
Panjang > 73cm
Lengan > 59cm

Size > XL
Pundak > 45cm
Lingkar Dada > 106cm
Panjang > 75cm
Lengan > 61cm





Apa yang Anda pikirkan setelah melihat foto ini?
A. Ingin berbagi ke teman Anda?
B. Ingin tambahkan ke album foto Anda?
C. Suka? Klik "Like"
D. Ingin berkomentar? Isi "Comment"

Kemeja - LNG 397 (Fred Perry)


Kode > LNG 397 (Fred Perry)
Harga > Rp 128.000
Bahan > Katun Impor
Motif > Polos, Tanpa Saku
Ukuran > SLIM FIT

Detail Ukuran:

Size > M
Pundak > 43cm
Lingkar Dada > 98cm
Panjang > 70cm
Lengan > 58cm

Size > L
Pundak > 44cm
Lingkar Dada > 104cm
Panjang > 73cm
Lengan > 59cm

Size > XL
Pundak > 45cm
Lingkar Dada > 106cm
Panjang > 75cm
Lengan > 61cm






Apa yang Anda pikirkan setelah melihat foto ini?
A. Ingin berbagi ke teman Anda?
B. Ingin tambahkan ke album foto Anda?
C. Suka? Klik "Like"
D. Ingin berkomentar? Isi "Comment"

Kemeja - LNG 396 (Fred Perry)


Kode > LNG 396 (Fred Perry)
Harga > Rp 128.000
Bahan > Katun Impor
Motif > Polos, Tanpa Saku
Ukuran > SLIM FIT

Detail Ukuran:

Size > M
Pundak > 43cm
Lingkar Dada > 98cm
Panjang > 70cm
Lengan > 58cm

Size > L
Pundak > 44cm
Lingkar Dada > 104cm
Panjang > 73cm
Lengan > 59cm

Size > XL
Pundak > 45cm
Lingkar Dada > 106cm
Panjang > 75cm
Lengan > 61cm





Apa yang Anda pikirkan setelah melihat foto ini?
A. Ingin berbagi ke teman Anda?
B. Ingin tambahkan ke album foto Anda?
C. Suka? Klik "Like"
D. Ingin berkomentar? Isi "Comment"

 
Design by Wordpress Theme | Bloggerized by Free Blogger Templates | free samples without surveys