I. Tổng quan luận văn thạc sĩ thiết kế CSDL kho dữ liệu VNU
Luận văn thạc sĩ tại Đại học Công nghệ - ĐHQGHN (VNU UET) về chủ đề thiết kế cơ sở dữ liệu trong kho dữ liệu data warehouse là một công trình nghiên cứu chuyên sâu, giải quyết bài toán cốt lõi trong lĩnh vực Kinh doanh thông minh (Business Intelligence - BI). Một kho dữ liệu (data warehouse) không chỉ là một cơ sở dữ liệu lớn mà là một hệ thống được thiết kế đặc biệt để hỗ trợ các hoạt động phân tích và báo cáo, thay vì xử lý giao dịch hàng ngày. Mục tiêu chính của hệ thống này là tích hợp dữ liệu từ nhiều nguồn khác nhau, thường là không đồng nhất, vào một kho lưu trữ duy nhất, nhất quán và đáng tin cậy. Dữ liệu trong kho được cấu trúc theo chủ đề, ổn định theo thời gian và không thể thay đổi, tạo nền tảng vững chắc cho các truy vấn phân tích phức tạp. Các luận văn CNTT trong lĩnh vực này thường tập trung vào việc đề xuất một kiến trúc hoàn chỉnh, từ khâu thu thập, xử lý cho đến khai thác dữ liệu. Bối cảnh nghiên cứu nhấn mạnh sự chuyển dịch từ các hệ thống báo cáo thủ công, rời rạc sang một nền tảng phân tích tập trung, tự động hóa, giúp các nhà quản lý đưa ra quyết định nhanh chóng và chính xác hơn dựa trên bằng chứng dữ liệu. Báo cáo luận văn thạc sĩ này không chỉ là một bài tập học thuật mà còn mang giá trị thực tiễn, cung cấp một giải pháp mẫu cho các tổ chức mong muốn xây dựng năng lực phân tích dữ liệu tiên tiến. Quá trình hoàn thành và bảo vệ luận văn thạc sĩ thành công đòi hỏi sự am hiểu sâu sắc về cả lý thuyết hệ quản trị cơ sở dữ liệu và công nghệ triển khai thực tế.
1.1. Tầm quan trọng của kho dữ liệu data warehouse trong BI
Trong hệ sinh thái Business Intelligence (BI), kho dữ liệu đóng vai trò là trái tim, nơi cung cấp nguồn dữ liệu sạch, có cấu trúc và sẵn sàng cho phân tích. Khác với các hệ thống xử lý giao dịch trực tuyến (OLTP) được tối ưu cho các thao tác ghi/xóa/sửa nhanh chóng, data warehouse được thiết kế cho Xử lý phân tích trực tuyến (OLAP - Online Analytical Processing). Hệ thống này cho phép người dùng thực hiện các truy vấn phức tạp trên một khối lượng dữ liệu khổng lồ, tổng hợp thông tin theo nhiều chiều khác nhau (ví dụ: doanh thu theo thời gian, sản phẩm và khu vực). Bằng cách tập trung dữ liệu lịch sử từ nhiều phòng ban như bán hàng, marketing, tài chính, kho dữ liệu cung cấp một cái nhìn toàn cảnh 360 độ về hoạt động của tổ chức. Đây là nền tảng không thể thiếu cho các hoạt động như tạo báo cáo quản trị, phân tích xu hướng, dự báo và khai phá dữ liệu (data mining), giúp tìm ra những tri thức ẩn và các quy luật kinh doanh quan trọng.
1.2. Mục tiêu nghiên cứu của luận văn thạc sĩ VNU UET
Mục tiêu cốt lõi của một luận văn thạc sĩ về thiết kế cơ sở dữ liệu cho kho dữ liệu tại Đại học Công nghệ - ĐHQGHN bao gồm các nhiệm vụ chính. Thứ nhất, phân tích hiện trạng, xác định các nguồn dữ liệu rời rạc và những hạn chế của hệ thống báo cáo hiện tại. Thứ hai, nghiên cứu các phương pháp luận và công nghệ xây dựng kho dữ liệu, từ đó đề xuất một mô hình kiến trúc phù hợp. Trọng tâm của giai đoạn này là thiết kế mô hình dữ liệu đa chiều. Thứ ba, tiến hành xây dựng một hệ thống mẫu (prototype) để chứng minh tính khả thi của giải pháp, bao gồm việc triển khai quy trình ETL (Extract, Transform, Load) và xây dựng các khối dữ liệu (OLAP Cube). Cuối cùng, luận văn phải thực hiện đánh giá hiệu quả của hệ thống thông qua các tiêu chí về hiệu năng truy vấn, tính chính xác của dữ liệu và giá trị mà các báo cáo phân tích mang lại. Việc hoàn thành các mục tiêu này là điều kiện tiên quyết để bảo vệ luận văn thạc sĩ thành công, thể hiện năng lực nghiên cứu và ứng dụng của học viên.
II. Thách thức khi thiết kế cơ sở dữ liệu cho Data Warehouse
Việc thiết kế cơ sở dữ liệu cho một kho dữ liệu data warehouse đối mặt với nhiều thách thức đặc thù mà các hệ quản trị cơ sở dữ liệu giao dịch thông thường không gặp phải. Thử thách lớn nhất bắt nguồn từ bản chất của kho dữ liệu: một hệ thống tích hợp, tập trung dữ liệu từ vô số nguồn khác nhau. Các nguồn này có thể là các cơ sở dữ liệu quan hệ, tệp văn bản, bảng tính Excel, hoặc thậm chí là dữ liệu từ các API bên ngoài. Mỗi nguồn lại có một cấu trúc, định dạng và quy ước đặt tên riêng, gây ra khó khăn cực lớn trong quá trình tích hợp dữ liệu. Vấn đề không chỉ dừng lại ở kỹ thuật, mà còn liên quan đến việc hiểu rõ ngữ nghĩa của dữ liệu từ các bộ phận nghiệp vụ khác nhau. Một thách thức khác là đảm bảo chất lượng dữ liệu. Dữ liệu thô thường chứa lỗi, giá trị thiếu, không nhất quán hoặc trùng lặp. Quá trình làm sạch dữ liệu đòi hỏi nhiều công sức và quy tắc nghiệp vụ phức tạp để đảm bảo nguồn dữ liệu đầu vào cho phân tích là hoàn toàn đáng tin cậy. Cuối cùng, hiệu năng là một yếu tố sống còn. Các truy vấn OLAP thường quét qua hàng triệu, thậm chí hàng tỷ dòng dữ liệu để thực hiện tổng hợp. Một thiết kế tồi sẽ dẫn đến thời gian phản hồi chậm, làm giảm giá trị của cả hệ thống. Do đó, việc lựa chọn mô hình dữ liệu, chiến lược đánh chỉ mục và phân vùng dữ liệu phải được cân nhắc kỹ lưỡng để tối ưu hóa cho các tác vụ đọc và phân tích.
2.1. Vấn đề tích hợp dữ liệu từ nhiều nguồn phân tán
Quá trình tích hợp dữ liệu là một trong những công đoạn phức tạp và tốn thời gian nhất khi xây dựng kho dữ liệu. Dữ liệu thường được lưu trữ phân tán tại các hệ thống khác nhau, mỗi hệ thống lại sử dụng một hệ quản trị cơ sở dữ liệu (ví dụ: SQL Server, Oracle, MySQL) hoặc định dạng tệp (CSV, JSON, XML) riêng biệt. Các mô hình dữ liệu nguồn thường là mô hình quan hệ được chuẩn hóa cao độ, tối ưu cho giao dịch, nhưng lại không phù hợp cho phân tích. Thách thức nằm ở việc phải xây dựng các kịch bản để trích xuất, chuyển đổi và hợp nhất dữ liệu này vào một cấu trúc chung, nhất quán trong kho dữ liệu. Các vấn đề cần giải quyết bao gồm: xử lý xung đột dữ liệu (ví dụ: cùng một khách hàng có mã khác nhau ở hai hệ thống), đồng bộ hóa định dạng (ngày tháng, tiền tệ), và hợp nhất các thực thể nghiệp vụ.
2.2. Yêu cầu về hiệu năng truy vấn và xử lý OLAP
Hiệu năng truy vấn là yếu tố quyết định sự thành công của một data warehouse. Người dùng cuối, thường là các nhà phân tích hoặc quản lý, yêu cầu khả năng tương tác tức thì với dữ liệu, thực hiện các thao tác "drill-down" (xem chi tiết), "roll-up" (tổng hợp), "slice" (cắt lát) trên các khối dữ liệu OLAP. Các truy vấn này có bản chất khác biệt hoàn toàn so với truy vấn OLTP. Chúng thường bao gồm các phép nối (join) phức tạp qua nhiều bảng lớn và các hàm tổng hợp (SUM, COUNT, AVG) trên hàng triệu bản ghi. Một thiết kế cơ sở dữ liệu không được tối ưu có thể khiến một truy vấn đơn giản mất hàng phút, thậm chí hàng giờ để hoàn thành. Do đó, các kỹ thuật như sử dụng lược đồ phi chuẩn hóa, tạo các bảng tổng hợp trước (pre-aggregated tables), và sử dụng chỉ mục bitmap là cực kỳ quan trọng để đảm bảo thời gian phản hồi nhanh chóng.
2.3. Khó khăn trong việc làm sạch dữ liệu data cleaning
Nguyên tắc "rác vào, rác ra" (Garbage In, Garbage Out) đặc biệt đúng với kho dữ liệu. Chất lượng của các báo cáo và phân tích phụ thuộc hoàn toàn vào độ tin cậy của dữ liệu gốc. Tuy nhiên, dữ liệu từ các hệ thống nguồn thường không hoàn hảo. Các vấn đề phổ biến bao gồm giá trị null hoặc trống, dữ liệu không nhất quán (ví dụ: "Hà Nội", "HN", "Ha Noi"), lỗi nhập liệu, và dữ liệu trùng lặp. Quá trình làm sạch dữ liệu (data cleaning hay data cleansing) là một chuỗi các bước nhằm xác định và sửa chữa những sai sót này. Nó đòi hỏi phải xây dựng các quy tắc nghiệp vụ rõ ràng, sử dụng các công cụ chuyên dụng và đôi khi cần cả sự can thiệp thủ công. Việc bỏ qua hoặc thực hiện sơ sài giai đoạn này sẽ dẫn đến những phân tích sai lệch, làm mất niềm tin của người dùng vào toàn bộ hệ thống Business Intelligence.
III. Phương pháp thiết kế mô hình dữ liệu đa chiều tối ưu nhất
Để giải quyết các thách thức về hiệu năng và tính dễ sử dụng, thiết kế cơ sở dữ liệu cho kho dữ liệu thường sử dụng mô hình dữ liệu đa chiều. Mô hình này tổ chức dữ liệu xoay quanh các sự kiện hoặc quy trình kinh doanh trung tâm, thay vì các thực thể chuẩn hóa như trong mô hình quan hệ. Cấu trúc cốt lõi của mô hình đa chiều bao gồm các bảng fact (fact table) chứa các chỉ số đo lường (measures) và các bảng chiều (dimension table) chứa các thuộc tính mô tả (attributes). Cách tiếp cận này trực quan hơn đối với người dùng nghiệp vụ, cho phép họ dễ dàng "cắt lát" và "xúc xắc" dữ liệu theo các chiều phân tích khác nhau. Hai kiến trúc phổ biến nhất để triển khai mô hình này là lược đồ hình sao (star schema) và lược đồ bông tuyết (snowflake schema). Việc lựa chọn giữa hai lược đồ này là một quyết định quan trọng, ảnh hưởng trực tiếp đến hiệu năng truy vấn và độ phức tạp của hệ thống. Một báo cáo luận văn thạc sĩ chất lượng phải phân tích kỹ lưỡng các yêu cầu nghiệp vụ và đặc điểm dữ liệu để đưa ra lựa chọn thiết kế phù hợp, đồng thời chứng minh được tính ưu việt của lựa chọn đó thông qua các kết quả thực nghiệm. Đây là phần kiến thức nền tảng trong bất kỳ luận văn CNTT nào về lĩnh vực data warehouse.
3.1. So sánh lược đồ hình sao star schema và bông tuyết
Lược đồ hình sao (star schema) là mô hình thiết kế đơn giản và phổ biến nhất. Nó bao gồm một bảng fact trung tâm được kết nối trực tiếp với một tập các bảng chiều. Các bảng chiều này được phi chuẩn hóa, nghĩa là tất cả các thuộc tính mô tả được chứa trong một bảng duy nhất, giúp giảm số lượng phép nối khi truy vấn và tăng tốc độ xử lý. Ngược lại, lược đồ bông tuyết (snowflake schema) là một biến thể của lược đồ hình sao, trong đó các bảng chiều được chuẩn hóa thành nhiều bảng nhỏ hơn. Điều này giúp giảm sự dư thừa dữ liệu và tiết kiệm không gian lưu trữ, nhưng lại làm tăng độ phức tạp của truy vấn do cần nhiều phép nối hơn. Lựa chọn giữa hai mô hình này phụ thuộc vào sự cân bằng giữa hiệu năng truy vấn và yêu cầu về quản lý dữ liệu. Star schema thường được ưu tiên cho hiệu suất, trong khi snowflake schema phù hợp hơn khi các chiều có số lượng thuộc tính lớn và phân cấp phức tạp.
3.2. Kỹ thuật xác định bảng fact fact table và bảng chiều
Việc xác định chính xác các bảng fact và bảng chiều là bước đầu tiên và quan trọng nhất trong thiết kế mô hình dữ liệu đa chiều. Quá trình này bắt đầu bằng việc phân tích các quy trình kinh doanh cốt lõi của tổ chức. Bảng fact (fact table) được xác định bằng cách trả lời câu hỏi "Doanh nghiệp đang đo lường cái gì?". Nó chứa các chỉ số định lượng, có tính cộng gộp như doanh thu, số lượng bán, chi phí. Các loại bảng fact phổ biến bao gồm transaction fact, snapshot fact, và accumulating snapshot fact. Trong khi đó, bảng chiều (dimension table) được xác định bằng cách trả lời câu hỏi "Các chỉ số được đo lường theo bối cảnh nào?". Các bảng này chứa các thuộc tính mô tả, văn bản như tên sản phẩm, danh mục, thông tin khách hàng, và các mốc thời gian. Thiết kế bảng chiều cần chú ý đến các kỹ thuật như xử lý các chiều thay đổi chậm (Slowly Changing Dimensions - SCD) để theo dõi lịch sử thay đổi của dữ liệu.
IV. Hướng dẫn xây dựng quy trình ETL cho kho dữ liệu hiệu quả
Quy trình ETL (Extract, Transform, Load) là xương sống của bất kỳ hệ thống kho dữ liệu data warehouse nào. Đây là một chuỗi các hoạt động tự động chịu trách nhiệm thu thập dữ liệu từ các hệ thống nguồn, xử lý và làm sạch, sau đó tải vào kho dữ liệu đích theo mô hình dữ liệu đa chiều đã thiết kế. Một quy trình ETL hiệu quả phải đảm bảo ba yếu tố: độ tin cậy, hiệu năng và khả năng bảo trì. Giai đoạn Trích xuất (Extract) đòi hỏi kết nối đến nhiều loại nguồn dữ liệu khác nhau và chỉ lấy những dữ liệu cần thiết hoặc có thay đổi kể từ lần chạy trước để giảm tải cho hệ thống. Giai đoạn Chuyển đổi (Transform) là nơi diễn ra các logic nghiệp vụ phức tạp nhất, bao gồm làm sạch dữ liệu, chuẩn hóa, tính toán các trường dẫn xuất, và ánh xạ dữ liệu nguồn sang cấu trúc của các bảng fact và bảng chiều. Cuối cùng, giai đoạn Tải (Load) phải được tối ưu để nạp một khối lượng dữ liệu lớn vào kho dữ liệu một cách nhanh chóng mà không ảnh hưởng đến hoạt động của người dùng cuối. Các công cụ như SQL Server Integration Services (SSIS) cung cấp một nền tảng mạnh mẽ để thiết kế, triển khai và quản lý các luồng công việc ETL này.
4.1. Giai đoạn trích xuất Extract và làm sạch dữ liệu
Giai đoạn Trích xuất là bước đầu tiên của quy trình ETL, có nhiệm vụ lấy dữ liệu từ các hệ thống nguồn. Có hai phương pháp trích xuất chính: trích xuất toàn bộ (full extraction) và trích xuất tăng dần (incremental extraction). Trích xuất tăng dần phức tạp hơn nhưng hiệu quả hơn vì nó chỉ lấy những dữ liệu mới hoặc đã thay đổi, thường dựa trên dấu thời gian (timestamp) hoặc cờ (flag). Sau khi trích xuất, dữ liệu thô ngay lập tức được đưa vào quy trình làm sạch dữ liệu. Các tác vụ trong giai đoạn này bao gồm: xác thực kiểu dữ liệu, xử lý giá trị rỗng (null), loại bỏ các bản ghi trùng lặp, và chuẩn hóa các giá trị không nhất quán. Việc thực hiện làm sạch sớm giúp giảm thiểu khối lượng xử lý ở các bước sau và đảm bảo chất lượng dữ liệu ngay từ đầu vào.
4.2. Giai đoạn chuyển đổi Transform và tích hợp dữ liệu
Đây là giai đoạn phức tạp và mang tính quyết định nhất trong quy trình ETL. Tại đây, dữ liệu đã được làm sạch sẽ được chuyển đổi để phù hợp với mô hình đích trong kho dữ liệu. Các hoạt động chính bao gồm: Áp dụng các quy tắc nghiệp vụ, ví dụ như tính toán tỷ lệ lợi nhuận hoặc phân loại khách hàng. Thực hiện các phép nối (join) để tích hợp dữ liệu từ nhiều nguồn. Tổng hợp dữ liệu lên các cấp độ cao hơn (ví dụ: tổng hợp doanh thu hàng ngày thành hàng tháng). Tạo các khóa thay thế (surrogate keys) cho các bảng chiều để tách biệt kho dữ liệu khỏi các khóa chính của hệ thống nguồn. Cuối cùng là ánh xạ các cột dữ liệu nguồn vào các cột tương ứng trong bảng fact và bảng chiều của lược đồ hình sao hoặc bông tuyết.
4.3. Giai đoạn tải Load dữ liệu vào Data Warehouse
Giai đoạn Tải (Load) là bước cuối cùng, ghi dữ liệu đã được chuyển đổi vào kho dữ liệu đích. Chiến lược tải phụ thuộc vào yêu cầu nghiệp vụ và cấu trúc của kho. Tải ban đầu (initial load) thường là một hoạt động lớn, nạp toàn bộ dữ liệu lịch sử. Các lần tải sau đó là tải tăng dần (incremental load), chỉ cập nhật hoặc thêm mới các bản ghi. Các kỹ thuật tối ưu hóa trong giai đoạn này bao gồm vô hiệu hóa các chỉ mục (indexes) và ràng buộc (constraints) trước khi tải, sau đó xây dựng lại chúng để tăng tốc độ. Việc ghi nhật ký (logging) chi tiết về số lượng bản ghi được xử lý, thời gian thực hiện và bất kỳ lỗi nào xảy ra là rất quan trọng để giám sát và bảo trì quy trình ETL.
V. Ứng dụng thiết kế kho dữ liệu và trực quan hóa với Power BI
Một luận văn thạc sĩ không chỉ dừng lại ở lý thuyết thiết kế mà còn phải chứng minh tính ứng dụng thông qua một case study cụ thể. Việc triển khai một hệ thống kho dữ liệu mẫu thường sử dụng bộ công cụ tích hợp như Microsoft BI Stack, bao gồm SQL Server Integration Services (SSIS), SQL Server Analysis Services (SSAS), và SQL Server Database Engine. SSIS được dùng để xây dựng các gói ETL mạnh mẽ, tự động hóa toàn bộ quy trình từ trích xuất đến tải dữ liệu. Sau khi dữ liệu đã nằm trong kho dữ liệu với cấu trúc lược đồ hình sao, SSAS được sử dụng để xây dựng các khối dữ liệu đa chiều (Cubes). Các khối này tiền xử lý và lưu trữ các giá trị tổng hợp, cho phép các truy vấn OLAP được thực thi với tốc độ cực nhanh. Bước cuối cùng và cũng là bước mang lại giá trị trực tiếp cho người dùng cuối là trực quan hóa dữ liệu (data visualization). Các công cụ như Power BI hoặc Tableau kết nối vào các khối SSAS, cho phép người dùng tạo ra các báo cáo và bảng điều khiển (dashboard) tương tác. Thông qua các biểu đồ, đồ thị và bản đồ, những thông tin phức tạp được trình bày một cách trực quan, dễ hiểu, giúp các nhà quản lý nhanh chóng nắm bắt được các xu hướng và đưa ra quyết định dựa trên dữ liệu.
5.1. Triển khai CSDL với SSIS SSAS trên SQL Server
Nền tảng Microsoft SQL Server cung cấp một bộ công cụ toàn diện cho việc xây dựng data warehouse. Hệ quản trị cơ sở dữ liệu SQL Server được dùng để lưu trữ các bảng fact và bảng chiều. SQL Server Integration Services (SSIS) là công cụ ETL đồ họa, cho phép kéo-thả để xây dựng các luồng dữ liệu phức tạp, thực hiện tích hợp dữ liệu và làm sạch dữ liệu. Sau khi kho dữ liệu được nạp, SQL Server Analysis Services (SSAS) phát huy vai trò của mình. Sử dụng mô hình Tabular hoặc Multidimensional của SSAS, các khối OLAP được tạo ra. Các khối này định nghĩa các chỉ số, chiều, và hệ thống phân cấp, tối ưu hóa dữ liệu cho các truy vấn phân tích, là nền tảng cho các công cụ báo cáo phía sau.
5.2. Phân tích và trực quan hóa dữ liệu bằng Power BI
Trực quan hóa dữ liệu là cầu nối giữa kho dữ liệu kỹ thuật và người dùng nghiệp vụ. Power BI là một trong những công cụ hàng đầu trong lĩnh vực này. Nó có khả năng kết nối trực tiếp đến các mô hình SSAS (Live Connection), cho phép người dùng tương tác với dữ liệu mà không cần sao chép về máy. Người dùng có thể dễ dàng kéo-thả các trường dữ liệu để tạo biểu đồ cột, biểu đồ tròn, bản đồ địa lý và nhiều loại hình trực quan khác. Các tính năng như bộ lọc (slicer), đi sâu vào chi tiết (drill-through) giúp việc phân tích trở nên linh hoạt và mạnh mẽ. Việc trình bày kết quả nghiên cứu trong báo cáo luận văn thạc sĩ thông qua các dashboard Power BI không chỉ làm cho báo cáo sinh động mà còn thể hiện rõ ràng giá trị và hiệu quả của hệ thống kho dữ liệu đã được xây dựng.
VI. Kết luận từ luận văn CNTT và hướng phát triển tương lai
Bản báo cáo luận văn thạc sĩ về thiết kế cơ sở dữ liệu trong kho dữ liệu data warehouse đã hoàn thành các mục tiêu đề ra, từ việc phân tích lý thuyết đến triển khai ứng dụng thực tế. Luận văn đã trình bày một cách có hệ thống các thách thức, phương pháp thiết kế và quy trình xây dựng một kho dữ liệu hoàn chỉnh. Đóng góp chính của công trình không chỉ nằm ở việc xây dựng một mô hình kiến trúc cụ thể mà còn ở việc tổng hợp, phân tích và đánh giá các công nghệ liên quan như mô hình dữ liệu đa chiều, quy trình ETL, và công nghệ OLAP. Kết quả từ hệ thống mẫu cho thấy việc áp dụng lược đồ hình sao và các công cụ của Microsoft BI giúp cải thiện đáng kể hiệu năng truy vấn và cung cấp những báo cáo phân tích giá trị. Quá trình thực hiện và bảo vệ luận văn thạc sĩ đã khẳng định năng lực nghiên cứu độc lập và giải quyết vấn đề thực tiễn của học viên. Tuy nhiên, lĩnh vực phân tích dữ liệu luôn không ngừng phát triển. Kho dữ liệu được xây dựng trong luận văn này có thể được xem như một nền tảng vững chắc, mở ra nhiều hướng nghiên cứu và phát triển mới trong tương lai.
6.1. Tổng kết đóng góp của báo cáo luận văn thạc sĩ
Đóng góp quan trọng nhất của báo cáo luận văn thạc sĩ này là việc đề xuất và triển khai thành công một giải pháp kho dữ liệu toàn diện, giải quyết bài toán phân tích dữ liệu cho một kịch bản cụ thể. Luận văn đã hệ thống hóa các kiến thức chuyên sâu về thiết kế cơ sở dữ liệu cho data warehouse, so sánh ưu nhược điểm của lược đồ hình sao và lược đồ bông tuyết, đồng thời chi tiết hóa các bước trong quy trình ETL. Việc xây dựng thành công một hệ thống mẫu sử dụng SSIS, SSAS và Power BI đã chứng minh tính đúng đắn và khả thi của phương pháp đề xuất. Kết quả này không chỉ có ý nghĩa học thuật trong khuôn khổ một luận văn CNTT mà còn có thể được tham khảo và áp dụng trong các dự án thực tế tại các doanh nghiệp.
6.2. Hướng nghiên cứu tiếp theo về khai phá dữ liệu mining
Một kho dữ liệu sau khi được xây dựng thành công sẽ là một mỏ vàng, một nguồn tài nguyên quý giá cho các phân tích sâu hơn. Hướng phát triển tự nhiên và hấp dẫn nhất là ứng dụng các kỹ thuật khai phá dữ liệu (data mining). Dựa trên tập dữ liệu lớn, sạch và có cấu trúc trong kho, các nghiên cứu tiếp theo có thể tập trung vào việc xây dựng các mô hình dự báo (ví dụ: dự báo doanh thu), mô hình phân lớp (ví dụ: phân loại khách hàng tiềm năng), hoặc các thuật toán gom cụm (ví dụ: phân nhóm sản phẩm thường được mua cùng nhau). Việc tích hợp dữ liệu từ nhiều nguồn vào một nơi duy nhất tạo điều kiện lý tưởng để khám phá ra những mối quan hệ ẩn mà các phân tích BI thông thường không thể phát hiện. Đây là một hướng đi đầy tiềm năng, giúp nâng cao giá trị của kho dữ liệu từ việc mô tả quá khứ sang dự đoán tương lai.
