လွယ်လွယ်ပြောရရင် Data Warehouse ဆိုတာ နေရာအမျိုးမျိုးက ဒေတာတွေကို တစ်နေရာတည်းမှာ စုပြီး၊ ခွဲခြမ်းစိတ်ဖြာလို့ လွယ်အောင် စီစဉ်ပေးထားတဲ့ ကြီးမားတဲ့ ဒေတာ သိုလှောင်ရုံပါ။ နေ့စဉ် အလုပ်လုပ်တဲ့ Database နဲ့ မတူဘူး — ဒါက အတိတ်ဒေတာကို ပြန်ကြည့်ပြီး ဆုံးဖြတ်ချက် ချဖို့ အတွက်ပဲ။
ကျွန်တော် အရင်က ဆိုင်တစ်ဆိုင်ရဲ့ ဒေတာကို စဉ်းစားမိတယ်။ ဆိုင်မှာ နေ့တိုင်း ရောင်းရတဲ့ စာရင်း၊ Customer စာရင်း၊ ပစ္စည်း လက်ကျန်စာရင်း — တစ်ခုချင်းစီက သီးခြား စနစ်တွေထဲမှာ ရှိနေတယ်။ “ပြီးခဲ့တဲ့ ၆ လမှာ ဘယ်ပစ္စည်း အရောင်းရဆုံးလဲ?” လို့ မေးရင် စနစ် ၃ ခုလုံးက ဒေတာကို ဆွဲထုတ်၊ ပေါင်းစပ်၊ ပြန်တွက်ရတယ်။ အဲဒီအလုပ်ကို နေ့တိုင်း လုပ်နေရင် ဆိုင်ရဲ့ နေ့စဉ် စနစ်က လေးသွားတယ်။ Data Warehouse က အဲဒီပြဿနာကို ဖြေရှင်းတာ။
Data Warehouse နဲ့ ရိုးရိုး Database ဘာကွာလဲ?
ရိုးရိုး Database (OLTP) က နေ့စဉ် အရောင်းအဝယ် အတွက်။ Customer တစ်ယောက် ပစ္စည်း ဝယ်တိုင်း တစ်ကြောင်း ထည့်တယ်၊ လက်ကျန် တစ်ခု လျှော့တယ်။ မြန်မြန် ထည့်ရ၊ မြန်မြန် ပြင်ရ၊ မြန်မြန် ဖျက်ရဖို့ အဓိက။
Data Warehouse (OLAP) က မေးခွန်းဖြေဖို့ အတွက်။ ဒေတာကို ဖျက်တာ၊ ပြင်တာ မရှိသလောက်ပဲ။ ရှိပြီးသား ဒေတာကို ဖတ်ပြီး တွက်ချက်တာ အဓိက။ ဥပမာ “ပြီးခဲ့တဲ့ နှစ်က ဘယ်လက အရောင်းအကောင်းဆုံးလဲ?”၊ “ဘယ်မြို့က Customer တွေ အများဆုံး ပြန်ဝယ်လဲ?” ဆိုတဲ့ မေးခွန်းမျိုးတွေကို စက္ကန့်ပိုင်းအတွင်း ဖြေပေးနိုင်တယ်။
စာကြည့်တိုက်နဲ့ ပြောရရင် ရိုးရိုး Database က စာကြည့်တိုက်ရဲ့ နေ့စဉ် ငှားရမ်းမှတ်တမ်းပဲ။ ဘယ်စာအုပ်ကို ဘယ်သူ ငှားသွားတယ် ဆိုတာ ချက်ချင်း မှတ်ရတယ်။ Data Warehouse က နှစ်ချုပ် စာရင်းအင်းစာအုပ်ပဲ။ တစ်နှစ်လုံး ဘယ်စာအုပ်အမျိုးအစား လူကြိုက်အများဆုံးလဲ ဆိုတာ ပြန်ကြည့်ဖို့ လုပ်ထားတာ။
Data Warehouse ကို ဘယ်လို တည်ဆောက်လဲ?
အဆင့် ၃ ဆင့်ရှိတယ်။ ETL လို့ ခေါ်တယ်။
Extract — နေရာအမျိုးမျိုးက ဒေတာကို ဆွဲထုတ်တယ်။ Website စနစ်၊ ဆိုင်ရဲ့ POS စနစ်၊ Customer Service စနစ် — တစ်ခုချင်းစီက ဒေတာကို ထုတ်ယူတယ်။
Transform — ထုတ်လာတဲ့ ဒေတာကို သန့်ရှင်းပြီး တစ်ပုံစံတည်း ဖြစ်အောင် လုပ်တယ်။ ဥပမာ တစ်နေရာမှာ ရက်စွဲက “2026/10/27″၊ နောက်တစ်နေရာမှာ “27-Oct-2026” ဆိုရင် တစ်ပုံစံတည်း ဖြစ်အောင် ညှိတယ်။ ဒေတာ ပျောက်နေတာ၊ မှားနေတာတွေကိုလည်း ဒီအဆင့်မှာ ရှင်းတယ်။
Load — သန့်ရှင်းပြီးသား ဒေတာကို Data Warehouse ထဲ ထည့်တယ်။ ပုံမှန်အားဖြင့် ညဘက် ဆိုင်ပိတ်ချိန်မှာ ဒီအလုပ်ကို လုပ်တယ်။ ဒါကြောင့် နေ့စဉ် စနစ်ကို မထိခိုက်ဘူး။
ဒေတာတွေ ထည့်ပြီးရင် ခွဲခြမ်းစိတ်ဖြာဖို့ စီစဉ်တယ်။ အသုံးများတဲ့ ပုံစံက Star Schema လို့ ခေါ်တယ်။ အလယ်မှာ အဓိက အချက်အလက် (ဥပမာ အရောင်းစာရင်း) ရှိပြီး၊ ပတ်လည်မှာ ဘောင်တွေ (ရက်စွဲ၊ ပစ္စည်း၊ ဆိုင်ခွဲ၊ Customer) ရှိတယ်။ ဒီပုံစံကြောင့် “ရန်ကုန်ဆိုင်ခွဲမှာ ပြီးခဲ့တဲ့ လတုန်းက ဖုန်းအမျိုးအစား ဘယ်လောက် ရောင်းရလဲ?” ဆိုတဲ့ မေးခွန်းကို မြန်မြန် ဖြေနိုင်တယ်။
နာမည်ကြီး Data Warehouse တွေ
Google BigQuery — Google Cloud ရဲ့ Data Warehouse။ ဒေတာ ပမာဏ ကြီးကြီးကို စက္ကန့်ပိုင်းအတွင်း ရှာနိုင်တယ်။ သုံးသလောက် ပေးရတဲ့ စနစ်။
Amazon Redshift — AWS ရဲ့ Data Warehouse။ Company ကြီးတွေမှာ အသုံးများတယ်။
Snowflake — Cloud ပေါ်မှာ သီးသန့် တည်ဆောက်ထားတဲ့ Data Warehouse။ Storage နဲ့ တွက်ချက်မှုကို သီးခြား ခွဲထားလို့ လိုသလောက် တိုးလျှော့လို့ရတယ်။
Microsoft Fabric / Synapse — Microsoft ရဲ့ စနစ်။ Excel, Power BI နဲ့ တွဲသုံးရတာ လွယ်တယ်။
Data Lake နဲ့ ဘာကွာလဲ?
Data Lake ဆိုတာ ဒေတာကို မသန့်ရှင်းဘဲ အစိမ်းလိုက် သိမ်းထားတဲ့ ကန်ကြီးလိုပဲ။ ဘာဖြစ်မယ်မှန်း မသိသေးတဲ့ ဒေတာတွေကို အရင် သိမ်းထားတာ။ နောက်မှ လိုအပ်မှ ထုတ်ပြီး သုံးတယ်။
Data Warehouse ဆိုတာ သန့်ရှင်းပြီး စီစဉ်ပြီးသား ဒေတာကိုပဲ သိမ်းထားတဲ့ ဂိုဒေါင်ပဲ။ ချက်ချင်း မေးခွန်းမေး၊ ချက်ချင်း အဖြေရဖို့ ရည်ရွယ်တယ်။
များသောအားဖြင့် Company တွေက နှစ်ခုလုံးကို သုံးတယ်။ Data Lake ထဲမှာ ဒေတာ အစိမ်းကို သိမ်း၊ လိုတဲ့ ဒေတာကို သန့်ရှင်းပြီး Data Warehouse ထဲ ပို့တယ်။
ကိုယ့်အတွက် ဘာထူးလဲ?
သင် Shop app မှာ “ဒီလ အရောင်းရဆုံး ပစ္စည်း” ဆိုတဲ့ စာရင်း မြင်ရတာ၊ Bank app မှာ တစ်နှစ်စာ သုံးငွေ အမျိုးအစားခွဲပြီး ပြတာ၊ YouTube မှာ တစ်နှစ်စာ ကြည့်ရှုမှု အကျဉ်းချုပ် ရတာ — ဒါတွေအားလုံး နောက်ကွယ်မှာ Data Warehouse ရှိတယ်။
အသေးစား လုပ်ငန်းအတွက်တော့ Data Warehouse ကြီး ဆောက်စရာ မလိုဘူး။ Google Sheets ဒါမှမဟုတ် Excel မှာ ဒေတာကို စနစ်တကျ စုထားရုံနဲ့တင် အလားတူ အကျိုးရနိုင်တယ်။ အရေးကြီးတာက ဒေတာကို တစ်နေရာတည်း၊ တစ်ပုံစံတည်း စုထားဖို့ပဲ။ ဒေတာ ပျံ့နေရင် မေးခွန်းမေးတိုင်း အချိန်ကုန်တယ်။ ဒေတာ စုနေရင် အဖြေက ချက်ချင်း ထွက်တယ်။
ဒေတာဆိုတာ ရွှေလိုပဲ။ ဒါပေမယ့် ရွှေကို အိတ်ထဲမှာ ရှုပ်ပွနေအောင် ထည့်ထားရင် သုံးရခက်တယ်။ စီစဉ်ပြီး သိမ်းထားမှ တကယ် အဖိုးတန်တယ်။ Data Warehouse ဆိုတာ ရွှေကို စီစဉ်သိမ်းတဲ့ ဂိုဒေါင်ပဲ။ 🙂
