4. OLAP პროდუქტების კლასიფიკაცია.

5. OLAP კლიენტების პრინციპები.

7. OLAP ტექნოლოგიების განვითარების სფეროები.

8. გაყიდვების ზონაში ანალიზისთვის OLAP ტექნოლოგიების გამოყენების გამოყენება.

1. OLAP-ის ადგილი ბიზნესის საინფორმაციო სტრუქტურაში.

ტერმინი "OLAP" მჭიდრო კავშირშია ტერმინთან "მონაცემთა საწყობი".

მონაცემები ინტენსიურად გროვდება ოპერაციული სისტემებიდან (OLTP სისტემები), რომლებიც გამოიყენება ბიზნეს პროცესების ავტომატიზაციისთვის. გარდა ამისა, შეგრძნებაზე შეიძლება გავლენა იქონიოს გარე წყაროების გავლენით, მაგალითად, სტატისტიკური მონაცემებით.

კონიუნქტივის შენარჩუნება - მიეცით "სიროვინი" ანალიზისთვის ერთ ადგილას და მარტივ, გონივრული სტრუქტურაში.

კიდევ ერთი მიზეზი, რომელიც დამაჯერებლად იწვევს ფარული ანალოგიის გაჩენას, არის ის, რომ ოპერაციული ინფორმაციის კომპლექსური ანალიტიკური მოთხოვნები ხელს უშლის კომპანიის მუშაობის ნაკადს, მუდმივად ბლოკავს ცხრილებს და უსარგებლო სერვერის რესურსებს.

კაპოტის ქვეშ შეგიძლიათ გაიგოთ მონაცემების არცთუ ისე გიგანტური დაგროვება - ჭუჭყიანი, ისე რომ ის მოსახერხებელია ანალიზისთვის.

ცენტრალიზაცია და სახელმძღვანელო სტრუქტურა არ არის ყველაფერი, რაც სჭირდება ანალიტიკოსს. თქვენ ასევე გჭირდებათ ინსტრუმენტი ინფორმაციის გადახედვისა და ვიზუალიზაციისთვის. ტრადიციული ხმები შეიქმნა ერთი სინქრონიის საფუძველზე, აღმოფხვრა ერთი რამ - თავმდაბლობა. მათი „დაგრეხვა“, „დაწვა“ ან „დაწვა“ შეუძლებელია, რათა ამოიღონ წარმოდგენილი მონაცემების მნიშვნელობა. მე მჭირდება ისეთი ხელსაწყო, რომელიც საშუალებას მაძლევს, რომ ხარკების გადალახვა და გადატანა მარტივად და ხელით! OLAP არის ასეთი ინსტრუმენტი.

მიუხედავად იმისა, რომ OLAP არ არის მონაცემთა საწყობის აუცილებელი ატრიბუტი, უფრო და უფრო ხშირად ხდება მონაცემთა საწყობში დაგროვილი მონაცემების ანალიზი.

OLAP-ის ადგილი ბიზნესის საინფორმაციო სტრუქტურაში (ნახ. 1).

მალიუნოკი 1. მისცეOLAP საწარმოს საინფორმაციო სტრუქტურაში

ოპერაციული მონაცემები გროვდება სხვადასხვა წყაროდან, იწმინდება, ინტეგრირებულია და შედგენილია ურთიერთობით სისტემაში. ამ შემთხვევაში, სუნი უკვე ხელმისაწვდომია ანალიზისთვის დამატებითი სხვადასხვა ტიპის ზარებისთვის. შემდგომი (ზოგადად ან ნაწილობრივ) მზადება მზადდება OLAP ანალიზისთვის. ისინი შეიძლება შევიდეს სპეციალურ OLAP მონაცემთა ბაზაში ან არ იყოს რელაციური ანალოგიიდან. ყველაზე მნიშვნელოვანი ელემენტია მეტამონაცემები, რომელიც წარმოადგენს ინფორმაციას მონაცემთა სტრუქტურის, განლაგებისა და ტრანსფორმაციის შესახებ. ეს უზრუნველყოფს ეფექტურ ურთიერთქმედებას მილის სხვადასხვა კომპონენტებს შორის.

სხვა სიტყვებით რომ ვთქვათ, OLAP შეიძლება განისაზღვროს, როგორც საცავში დაგროვილი მონაცემების ფართო სპექტრის ანალიზის მეთოდების ერთობლიობა.

2. მონაცემთა ოპერატიული ანალიტიკური შედგენა.

OLAP კონცეფცია ეფუძნება მონაცემთა მდიდარი და მრავალფეროვანი წარმოდგენის პრინციპს. 1993 წელს EF Codd-მა განიხილა რელაციური მოდელის რამდენიმე ნაწილი, უპირველეს ყოვლისა, მიუთითა ”მონაცემების შერწყმის, განხილვისა და ანალიზის შეუძლებლობა ცვლილებების სიმრავლის თვალსაზრისით, რათა ის ყველაზე სასარგებლო იყოს კორპორატიული ანალიზისთვის. .“ დანიშვნით“ და OLAP სისტემების ფარული შესაძლებლობების იდენტიფიცირების შემდეგ, რომლებიც გაფართოვდება. რელაციური DBMS-ების ფუნქციონირება მოიცავს მდიდარ ანალიზს, როგორც მის ერთ-ერთ მახასიათებელს.

კოდის აზრით, მონაცემთა მრავალგანზომილებიანი კონცეპტუალური ხედვა არის მრავალგანზომილებიანი პერსპექტივა, რომელიც შედგება რამდენიმე დამოუკიდებელი განზომილებისგან, რომელთა ანალიზიც შესაძლებელია მონაცემთა მთლიანობიდან.

მრავალი სამყაროს ერთსაათიანი ანალიზი ითვლება მდიდარ მსოფლიო ანალიზად. Kozhen vimir უშუალოდ მოიცავს მონაცემთა კონსოლიდაციას, რომელიც წარმოიქმნება ანალიზის თანმიმდევრული დონეების სერიიდან, სადაც მიმდინარე დონე დიდწილად აჩვენებს მონაცემთა აგრეგაციას იმავე მონაცემების უკან.

ამრიგად, ვიკონავეცის გარდაცვალება შეიძლება ჩაითვალოს პირდაპირ კონსოლიდაციად, რომელიც წარმოიქმნება "საწარმო - ქვედანაყოფი - განყოფილება - სერვისის" გათანაბრების შედეგად. ცვალებადი საათი ახლა შეიძლება მოიცავდეს ორ პირდაპირ კონსოლიდაციას - "მდინარე - მეოთხედი - თვე - დღე" და "კვირა - დღე", როგორც საათებისა და თვეების თანაფარდობა და კიდევ უფრო არაგონივრული. ამ შემთხვევაში შესაძლებელი ხდება კანის მკურნალობისთვის ინფორმაციის სასურველი დონის დეტალების შერჩევა.

ბურღვის ოპერაცია წარმოადგენს კოლაფსს კონსოლიდაციის უფრო მაღალი საფეხურებიდან ქვედაზე; თუმცა, გადახვევის ოპერაცია ნიშნავს გადასვლას ქვედა დონეებიდან უფრო მაღალზე (ნახ. 2).

სურათი 2.ვიბრაცია და მონაცემთა პირდაპირი კონსოლიდაცია

3. ოპერატიული ანალიტიკური დამუშავების შესაძლებლობებზე წვდომა.

ღვინისადმი მდიდარი მიდგომა პრაქტიკულად ღამისთევაა და ურთიერთობის პარალელურად. თუმცა, მხოლოდ 90-იანი წლების შუა პერიოდიდან და უფრო ზუსტად
დაბადებული 1993, პროცენტი მდე MDBMSრომელმაც დაიწყო ზაგალის ხასიათის განვითარება. ურთიერთობითი მიდგომის ერთ-ერთი დამფუძნებლის ახალი პროგრამა გამოჩნდა ე კოდა, რომელშიც ჩვენ ჩამოვაყალიბეთ 12 ძირითადი სარგებელი განხორციელებამდე OLAP(ცხრილი 1).

ცხრილი 1.

	მთელ მსოფლიოში ხელმისაწვდომია მრავალფეროვანი მონაცემები	კოშტიმ შეიძლება მხარი დაუჭიროს კონცეპტუალურ დონეზე მონაცემების მდიდარ მსოფლიო ხედვას.
	სერენდიპიტეტი	კორესპონდენტი არ არის ვალდებული იცოდეს, რა კონკრეტული მეთოდებით ხდება მონაცემების შენახვა და დამუშავება, როგორ ხდება მონაცემების ორგანიზება და მტკიცებულებების აღება.
	ხელმისაწვდომობა	თქვენი პასუხისმგებლობაა თავად აირჩიოთ ისინი და დაუკავშირდეთ საუკეთესოს, რათა ჩამოაყალიბოთ მონაცემების ტიპი. კატები პასუხისმგებელნი არიან უზრუნველყონ საკუთარი ლოგიკური სქემების ავტომატური წარმოქმნა სხვადასხვა ჰეტეროგენულ მონაცემთა წყაროებში.
	გაუმჯობესებული პროდუქტიულობა	პროდუქტიულობა პრაქტიკულად არ უნდა იყოს თქვენს სასმელში ნარჩენების რაოდენობაში.
	კლიენტ-სერვერის არქიტექტურის მხარდაჭერა	კოშტი შესაძლოა იმუშაოს კლიენტ-სერვერის არქიტექტურაში.
	ყველა სამყაროს თანასწორობა	გადაშენების წარმოშობა შეიძლება იყოს ძირითადი, ყველა მათგანი შეიძლება იყოს თანაბარი (სიმეტრიული).
	იშვიათი მატრიცების დინამიური დამუშავება	უმნიშვნელოვანესი პასუხისმგებლობა თავიდან უნდა იქნას აცილებული და უნდა გაუმკლავდეთ ყველაზე ეფექტურად.
	მონაცემებით მუშაობის უხვად დაზღვეული რეჟიმის მხარდაჭერა	კატების პასუხისმგებლობაა უზრუნველყონ ერთზე მეტ ადამიანთან მუშაობის უნარი.
	სხვადასხვა სამყაროზე დაფუძნებული ოპერაციების მხარდაჭერა	მთელ მსოფლიოში ყველა ოპერაცია (მაგალითად, აგრეგაცია) პასუხისმგებელია ერთსა და იმავე დროს და მოსალოდნელია, რომ სტაგნაცია მოხდება მანამ, სანამ არ მოხდება გარკვეული რაოდენობის გადაშენება.
	მონაცემთა მანიპულირების სიმარტივე	კოშტი დამნაშავე დედებს აქვთ მომხმარებლისთვის ყველაზე მოსახერხებელი, ბუნებრივი და კომფორტული ინტერფეისი.
	ბოდიშს გიხდით მონაცემების წარმოდგენისთვის	კოსტია პასუხისმგებელია მონაცემთა ვიზუალიზაციის (გაგზავნის) სხვადასხვა გზების პოპულარიზაციაზე.
	შეუძლებელია მონაცემთა აგრეგაციისა და მონაცემთა აგრეგაციის მოცულობის შეზღუდვა	არ არის ურიგო, რომ შემოიფარგლოთ იმ გადაშენებების რაოდენობით, რომლებსაც მხარს უჭერთ.

OLAP კლასის პროგრამული პროდუქტების შეფასების წესები

მათმა ერთობლიობამ შესაძლებელი გახადა, რომელიც გახდა OLAP ფაქტობრივი მნიშვნელობები, განხილულიყო რეკომენდაციებად და კონკრეტული პროდუქტების შეფასება ეტაპობრივად, სანამ ისინი იდეალურად შეესაბამებოდნენ ყველა შესაძლებლობას.

მოგვიანებით, Codd-ის ტესტი შეიცვალა, როგორც FASMI ტესტი, რომელიც შექმნილია OLAP დანამატის უზრუნველსაყოფად, რაც უზრუნველყოფს ინფორმაციის სიმდიდრის სწრაფად გაანალიზების შესაძლებლობას.

კოდის 12 წესის დამახსოვრება ადამიანების უმეტესობისთვის ძალიან რთულია. აღმოჩნდა, რომ თქვენ შეგიძლიათ შეაჯამოთ OLAP მნიშვნელობები მხოლოდ ხუთი საკვანძო სიტყვით: ცალკეული მდიდარი ატომური ინფორმაციის Swidy ანალიზი - ან, მოკლედ - FASMI (თარგმანი ინგლისურიდან:ფ ასთ ა ანალიზი ს კურდღელი მ ულტრაგანზომილებიანი მე ინფორმაცია).

ეს მნიშვნელობა პირველად ჩამოყალიბდა 1995 წლის დასაწყისში და მას შემდეგ არანაირი გადახედვა არ მოითხოვა.

ᲡᲬᲠᲐᲤᲘ ( შვიდკი - ნიშნავს, რომ სისტემას შეუძლია უზრუნველყოს, რომ ანგარიშების უმრავლესობა ხილვადი იყოს ტრეიდერებისთვის დაახლოებით ხუთი წამის განმავლობაში. უმარტივეს შემთხვევაში, მოთხოვნები მუშავდება ერთ წამში და კიდევ უფრო ნაკლებ - 20 წამზე მეტი. კვლევამ აჩვენა, რომ საბოლოო მომხმარებლები დაუყოვნებლივ აღიქვამენ პროცესს, რადგან შედეგები არ იშლება 30 წამის შემდეგ.

ერთი შეხედვით, შეიძლება გასაკვირი ჩანდეს, რომ როდესაც hvilina-ს კრედიტი ჩამოერთმევა, რადგან საჭიროების დღეები ახლახან დადგა, კორისტუვაჩი უკვე სწრაფად იწყებს დასახლებას და პროექტი გაცილებით ნაკლებად წარმატებული ჩანს. მით უმეტეს, სხვადასხვა ტიპის პასუხები ნაკლებად დეტალური ანალიზის ფასად.

ANALYSIS (ანალიზი)ეს ნიშნავს, რომ სისტემას შეუძლია გაუმკლავდეს მოცემული პროგრამისთვის დამახასიათებელ ნებისმიერ ლოგიკურ და სტატისტიკურ ანალიზს და უზრუნველყოფს დანაზოგის ხილვას საბოლოო მომხმარებლისთვის.

არც ისე მნიშვნელოვანია, რომ ეს ანალიზი დაფუძნებული იყოს საფოსტო ოპერატორის ოფიციალურ ინსტრუმენტებზე ან დაკავშირებულ გარე პროგრამულ პროდუქტზე, როგორიცაა ცხრილი, უბრალოდ ანალიზის ყველა ფუნქციონალური შესაძლებლობა, რომელიც აუცილებელია, არ არის დაბეჭდილი ინტუიციური გზით. ბოლო მომხმარებლები. ანალიზი შეიძლება მოიცავდეს დეტალურ პროცედურებს, როგორიცაა დროის სერიების ანალიზი, ხარჯების დაყოფა, ვალუტის გადარიცხვები, მიზნების ძიება, მდიდარ მსოფლიო სტრუქტურებში ცვლილებები, არაპროცედურული მოდელირება, დამნაშავე სიტუაციების იდენტიფიცირება, მონაცემთა მოპოვება და სხვა ოპერაციები. tsії, დეპოზიტები როგორც დამატებითი დანამატი. ასეთი შესაძლებლობები მნიშვნელოვნად განსხვავდება პროდუქტებს შორის, სამიზნე ორიენტაციის მიხედვით.

გაზიარებული ნიშნავს, რომ სისტემა ახორციელებს კონფიდენციალურობის ყველა შესაძლო დაცვას (შესაძლოა საშუალო დონემდე) და თუ საჭიროა მრავალჯერადი ჩაწერის წვდომა, ის უზრუნველყოფს ცვლილებების დაბლოკვას კონკრეტულ დონეზე. ყველა პროგრამა არ საჭიროებს მონაცემთა დაბრუნების ჩაწერას. თუმცა, ასეთი დამატებების რიცხვი იზრდება და სისტემას შეუძლია გაუმკლავდეს ბევრ ცვლილებას მოსახერხებელი, უსაფრთხო გზით.

მრავალგანზომილებიანი (ბაგატომირნი) - წე გასაღები ვიმოგა. თუ დაგჭირდათ OLAP-ის განსაზღვრა ერთი სიტყვით, აირჩიეთ იოგო. სისტემამ უნდა უზრუნველყოს მონაცემების მდიდარი კონცეპტუალური წარმოდგენა, მათ შორის იერარქიებისა და მრავალი იერარქიის მუდმივი მხარდაჭერა, როგორც ყველაზე ლოგიკური გზა ორგანიზაციის ბიზნესის გასაანალიზებლად. არ არის დადგენილი დამუშავების მინიმალური რაოდენობა, რომელიც შეიძლება წარმოიქმნას, ფრაგმენტები ასევე დარჩება პროგრამებში და OLAP პროდუქციის უმეტესობას აქვს საკმარისი რაოდენობის დამუშავება ამ ბაზრებისთვის, რადგან მათ უსიამოვნო სუნი აქვთ.

ინფორმაცია - სულ ეს არის. საჭირო ინფორმაცია შეიძლება წაიშალოს იქ, სადაც საჭიროა. თუმცა, პროგრამების უკან ბევრი დარჩა. სხვადასხვა პროდუქტის წონა იზომება იმის მიხედვით, თუ რამდენი შეყვანის დამუშავება შეიძლება და რამდენი გიგაბაიტი ნარჩენების დაზოგვა შეიძლება. პროდუქტების სირთულე უკვე ნათელია - OLAP-ის უდიდეს პროდუქტებს შეუძლიათ ათასობითჯერ დიდი რაოდენობით მონაცემების დამუშავება უფრო მცირე პროდუქტებთან შედარებით. ეს დისკი მოითხოვს სხვადასხვა ფაქტორს, მათ შორის მონაცემთა დუბლირებას, საჭირო ოპერატიული მეხსიერებას, დისკზე ადგილს, შესრულების ინდიკატორებს, ინფორმაციის შესანახ მოწყობილობებთან ინტეგრაციას და ა.შ.

FASMI ტესტი არის მიზნების გონივრული და გონივრული განსაზღვრა ნებისმიერი OLAP ორიენტაციის მისაღწევად.

4. კლასიფიკაციაOLAP- პროდუქტები

ისე, OLAP-ის არსი ითვლება, რომ ანალიზისთვის ხელმისაწვდომი ინფორმაცია წარმოდგენილია უხვად განზომილებიანი კუბის სახით და შესაძლებელია მისი საკმარისად მანიპულირება და საჭირო ინფორმაციის განყოფილებების იზოლირება - iti-დან. ამავდროულად, კუბი გამოიყენება როგორც მდიდარი დინამიური ცხრილი, რომელიც ავტომატურად აჯამებს მონაცემებს (ფაქტებს) სხვადასხვა განყოფილებიდან (დაბნელება) და საშუალებას აძლევს ინტერაქტიულ გამოთვლებს გამოთვლებით და ინფორმაციის ფორმით. ეს ოპერაციები უზრუნველყოფილი იქნება OLAP -მანქანით (ან მანქანით OLAP გაანგარიშება).

დღეს მსოფლიოში არსებობს პროდუქციის ფართო არჩევანი, რომლის გაყიდვაც შესაძლებელია OLAP - ტექნოლოგია. მათ შორის ნავიგაციის გასაადვილებლად და კლასიფიკაციის კლასიფიკაციისთვის OLAP -პროდუქტები: ანალიზისთვის მონაცემთა შენახვის მეთოდი და შეძენის ადგილი OLAP -მანქანა. მოდით უფრო ახლოს მივხედოთ კანის კატეგორიას OLAP პროდუქტები.

კლასიფიკაცია მონაცემთა შენახვის მეთოდის მიხედვით

მდიდარი კუბები დაფუძნებული იქნება გამომავალ და საერთო მონაცემებზე. კუბებისთვის გამომავალი და მთლიანი მონაცემები შეიძლება ინახებოდეს როგორც რელაციურ, ისე გლობალურ მონაცემთა ბაზაში. ამიტომ, ამ დროისთვის ფულის დაზოგვის სამი გზა არსებობს: MOLAP (მრავალგანზომილებიანი OLAP), ROLAP (რელატიური OLAP) და HOLAP (ჰიბრიდული OLAP) ). როგორც ჩანს, OLAP - პროდუქტები, რომლებიც დაფუძნებულია მონაცემთა შენახვის მეთოდზე, იყოფა სამ მსგავს კატეგორიად:

1. MOLAP-ის დროს , გამომავალი და მთლიანი მონაცემები ინახება მრავალ სამყაროს მონაცემთა ბაზაში ან მრავალ მსოფლიო ლოკალურ კუბში.

2. ROLAP-ში - პროდუქტების გამომავალი მონაცემები ინახება რელაციურ მონაცემთა ბაზებში ან ბრტყელ ლოკალურ ცხრილებში ფაილის სერვერზე. მთლიანი მონაცემები შეიძლება განთავსდეს იმავე მონაცემთა ბაზაში მომსახურების ცხრილში. რელაციური მონაცემთა ბაზიდან მონაცემების ტრანსფორმაცია კუბებად დიდი რაოდენობით ხდება თითო შეკითხვაზე OLAP-კოშტი.

3. U raz vikoristannyaჰოლაპი არქიტექტურა, გამომავალი მონაცემები ამოღებულია ურთიერთობის საფუძველზე და აგრეგატები განლაგებულია მდიდარ სამყაროში. პობუდოვა OLAP - კუბს მოსდევს კაპიტალიზაცია OLAP -კოშტი ურთიერთობით და მდიდარ გლობალურ მონაცემებზე დაყრდნობით.

კლასიფიკაცია მდებარეობის მიხედვით OLAP-მანქანა.

ამ ნიშნისთვის OLAP - პროდუქტები იყოფა OLAP სერვერები და OLAP კლიენტები:

· სერვერისთვის OLAP - აგრეგატული მონაცემების გამოთვლისა და შენახვის მეთოდები განისაზღვრება იგივე პროცესით - სერვერი.კლიენტის პროგრამა იღებს შეკითხვის შედეგებს კუბების დიდ რაოდენობამდე, რომლებიც ინახება სერვერზე. დეიაკები OLAP - სერვერები მხარს უჭერენ მონაცემთა შენახვას მხოლოდ რელაციურ მონაცემთა ბაზებში და მხოლოდ ფართომასშტაბიანებში. ბევრი დღევანდელი OLAP - სერვერები მხარს უჭერენ მონაცემთა შენახვის სამივე გზას:MOLAP, ROLAP და HOLAP.

MOLAP.

MOLAP - ცე მრავალგანზომილებიანი ონლაინ ანალიტიკური დამუშავება,ეს არის მდიდარი OLAP.ეს ნიშნავს, რომ მონაცემთა შენახვის სერვერი შეიცავს ფართო დიაპაზონის მონაცემთა ბაზას (WDB). Sens vikoristannya MBD აშკარაა. თქვენ შეგიძლიათ ეფექტურად დაზოგოთ ბევრი ფული თქვენს მონაცემებზე მონაცემთა ბაზაში მოთხოვნების შეუფერხებელი სერვისის უზრუნველსაყოფად. მონაცემები მონაცემთა ძრავის საშუალებით გადადის დიდ მონაცემთა ბაზაში, შემდეგ კი მონაცემთა ბაზა ექვემდებარება აგრეგაციას. წინსვლის განლაგება არის ის, რომელიც აჩქარებს OLAP მოთხოვნებს; მონაცემების ნაწილი უკვე შედგენილია. მოთხოვნის საათი არის ფუნქცია, რომელიც მოიცავს საათს, რომელიც საჭიროა მონაცემთა მიმდებარე ფრაგმენტზე და ვიკი ხედზე წვდომისთვის. ეს მეთოდი ემყარება იმ კონცეფციას, რომ სამუშაო ხორციელდება ერთხელ და შედეგების გაანალიზება ხდება ისევ და ისევ. მსოფლიოს მდიდარი ბაზები შეიცავს სრულიად ახალ ტექნოლოგიას. MBD-ის განვითარება შეიცავს მხოლოდ რამდენიმე, ისევე როგორც ახალ ტექნოლოგიებს. და ისინი თავად არ არიან ისეთი სტაბილური, როგორც რელაციური მონაცემთა ბაზები (RDB), და ისინი თავად არ არიან ოპტიმიზებული. MDB-ის კიდევ ერთი სისუსტე მდგომარეობს მონაცემთა აგრეგაციის პროცესში დიდი რაოდენობით მონაცემთა ბაზების ანალიზის შეუძლებლობაში, რაც მოითხოვს ერთ საათს ახალი ინფორმაციის გასაანალიზებლად.

ROLAP.

ROLAP - ცე ურთიერთობითი ონლაინ ანალიტიკური დამუშავება,ეს არის Relational OLAP.ტერმინი ROLAP ნიშნავს, რომ OLAP სერვერი დაფუძნებულია რელაციურ მონაცემთა ბაზაზე. გამომავალი მონაცემები შეყვანილია ურთიერთობათა მონაცემთა ბაზაში „ვარსკვლავის“ ან „ფიფქის“ სქემის მიხედვით, რაც ნიშნავს დამუშავების უფრო სწრაფ დროს. სერვერი უზრუნველყოფს მონაცემთა მდიდარ მოდელს დამატებითი ოპტიმიზებული SQL მოთხოვნებისთვის.

არსებობს მცირე მიზეზი, რომ აირჩიოთ ძალიან ურთიერთკავშირი, ვიდრე მდიდარი მონაცემთა ბაზა. RDB არის კარგად განვითარებული ტექნოლოგია, რომელსაც არ აქვს ოპტიმიზაციის სფერო. Vikoristannya-მ რეალურ გონებაში გამოიწვია პროდუქტის მეტი ტესტირება. გარდა ამისა, RDB-ები მხარს უჭერენ უფრო მეტ მონაცემთა ვალდებულებას, ვიდრე MDB. სუნები ასეთი მოვალეობებისთვისაა შექმნილი. RDB-ის წინააღმდეგ მთავარი არგუმენტი არის მოთხოვნების სირთულე, ინფორმაციის ამოღების საჭიროება დიდი მონაცემთა ბაზიდან SQL-ის გამოყენებით. თუ არსებობს რაიმე ხარვეზები, SQL პროგრამისტს შეუძლია მარტივად დახარჯოს სისტემის ღირებული რესურსები ნებისმიერი მსგავსი შეკითხვაზე შესვლის მცდელობით, რომლის MDB შესვლა შეიძლება ბევრად უფრო მარტივად.

აგრეგირებული/გადაგზავნა აგრეგირებული მონაცემები.

მოთხოვნების განხორციელება აუცილებელია OLAP-ისთვის. ეს არის OLAP-ის ერთ-ერთი ძირითადი პრინციპი – მონაცემების ინტუიციურად მანიპულირების უნარი იწვევს ინფორმაციის სწრაფ განვითარებას. ზოგადად, რაც უფრო მეტი გამოთვლა გჭირდებათ ინფორმაციის ამოსაღებად, მით უფრო დიდია მისი გამოყენების ალბათობა. ამიტომ, მოთხოვნების განხორციელებისთვის მცირე დროის დაზოგვის მიზნით, ინფორმაციის ფრაგმენტები, როგორიცაა ცხოველები, ყველაზე ხშირად იკითხება და რომლებიც საჭიროებენ გაანგარიშებას, ექვემდებარება წინსვლას. შემდეგ ისინი დაცულია და შემდეგ ინახება მონაცემთა ბაზაში, როგორც ახალი მონაცემები. როგორც მონაცემების ტიპების მაგალითზე, რომლის მიღებაც შესაძლებელია წინასწარ, შეგიძლიათ შეიყვანოთ მონაცემები - მაგალითად, გაყიდვების მაჩვენებლები თვეების, კვარტლების ან წლების განმავლობაში, რისთვისაც მონაცემები შეყვანილია ეფექტურად და არის სასარგებლო მაჩვენებლები.

სხვადასხვა საფოსტო მენეჯერი იყენებს სხვადასხვა მეთოდს პარამეტრების შესარჩევად, რათა მიიღონ წინასწარი აგრეგაცია და ადრე გამოთვლილი მნიშვნელობების რაოდენობა. აგრეგაციის მიდგომა ერთდროულად ივსება მონაცემთა ბაზაში და შეკითხვის განხორციელების საათზე. რაც უფრო მეტი რაოდენობა გამოითვლება, მყიდველის მოთხოვნის ალბათობა უკვე გამოთვლილ რაოდენობას ითხოვს, იზრდება და შესაბამისად, საათი შემცირდება, ისე, რომ იგი ვერ შეძლებს გამოანგარიშებისთვის კობის რაოდენობის მიღებას. თუმცა, თუ ჩვენ გამოვთვლით ყველა შესაძლო მნიშვნელობას - მაგრამ ეს არ არის საუკეთესო გამოსავალი - მონაცემთა ბაზის ზომა ბუნებრივად იზრდება ასეთ ვითარებაში, რომელიც უნდა იყოს შედგენილი დაუფარავად და აგრეგაციის დრო დიდი იქნება. გარდა ამისა, თუ მონაცემთა ბაზას ემატება რიცხვითი მნიშვნელობები, ან თუ ისინი შეიცვლება, ინფორმაცია უნდა იყოს ნაჩვენები ადრე გამოთვლილ მნიშვნელობებზე, რომლებიც დევს ახალი მონაცემების უკან. ამრიგად, მონაცემთა ბაზის განახლებას ასევე შეიძლება დიდი დრო დასჭირდეს ადრე გამოთვლილი რაოდენობით დიდი რაოდენობით. ფრაგმენტები იქმნება აგრეგაციის საათში; მონაცემთა ბაზა მუშაობს დამოუკიდებლად, ისე, რომ აგრეგაციის საათი სათანადოდ წყდება.

OLAP - კლიენტი განსხვავებულად აგვარებს საკითხებს. პობუდოვას მდიდარი მსოფლიო კუბი OLAP -ანგარიშები ინახება კლიენტის კომპიუტერის მეხსიერებაში.OLAP -კლიენტებიც იყოფა ROLAP და MOLAP.და ქმედებებმა შეიძლება მხარი დაუჭიროს მონაცემებზე წვდომის ვარიანტებს.

თითოეულ ამ მიდგომას აქვს საკუთარი "დადებითი" და "მინუსები". მიუხედავად იმისა, რომ დუმას აზროვნება გაფართოვდა სერვერის ფუნქციების მნიშვნელობის შესახებ კლიენტებთან შედარებით, რიგ შემთხვევებში ადგილი აქვს სტაგნაციას. OLAP - კლიენტებისთვის კლიენტები შეიძლება აღმოჩნდნენ ეფექტური და მომგებიანი OLAP სერვერები.

კლიენტის OLAP ინსტრუმენტების გამოყენებით ანალიტიკური დანამატების შემუშავება მარტივი პროცესია, რომელიც არ საჭიროებს სპეციალურ ტრენინგს. დეველოპერს, რომელმაც იცის მონაცემთა ბაზის ფიზიკური დანერგვა, შეუძლია ანალიტიკური პროგრამის შემუშავება დამოუკიდებლად, IT სპეციალისტის დაქირავების გარეშე.

OLAP სერვერის დაყენებისას აუცილებელია ორი განსხვავებული სისტემის გამოყენება, ერთი სერვერზე კუბების შესაქმნელად და ერთი კლიენტის პროგრამების განვითარებისთვის.

OLAP კლიენტი უზრუნველყოფს ერთ ვიზუალურ ინტერფეისს კუბების აღწერისთვის და მათთვის კლიენტის ინტერფეისების დასაყენებლად.

ასე რომ, რა სიტუაციებში შეიძლება იყოს OLAP კლიენტის ინსტალაცია ბიზნეს მომხმარებლებისთვის უფრო ეფექტური და მომგებიანი OLAP სერვერის გამოყენებისთვის?

· სტაგნაციის ეკონომიკური ეფექტურობა OLAP - სერვერის ბრალია, როდესაც მონაცემთა ვალდებულება ძალიან დიდია და ძალიან ბევრია მათთვის OLAP -კლიენტო, თორემ დანარჩენის სტაგნაცია უფრო გამართლებული იქნებოდა. Ამ შემთხვევაში OLAP - კლიენტი განიცდის მაღალი პროდუქტიულობის მახასიათებლებს და დაბალ პროდუქტიულობას.

· ანალიტიკოსთა კომპიუტერების გამკაცრება არის კიდევ ერთი არგუმენტი საკუთარი თავის მართლებისთვის OLAP -კლიენტები. როცა გაყინულია OLAP -სერვერები და ძალისხმევა არ ექვემდებარება ვიკორიზმს.

OLAP კლიენტების ძირითადი უპირატესობები შეიძლება ეწოდოს შემდეგნაირად:

· Vitrati vikoristannya ta suprovid OLAP -მომხმარებლის ღირებულება უფრო დაბალია, ნაკლები ხარჯები იხარჯება OLAP სერვერი.

· როცა ვიკორისტანნა OLAP - კლიენტისთვის შეძენილი აპარატით მონაცემთა გადაცემა ხდება ერთხელ. ვიკონანის ქვეშ OLAP -ოპერაციები არ წარმოქმნის მონაცემთა ახალ ნაკადებს

5. მუშაობის პრინციპები OLAP-კლიენტები.

მოდით შევხედოთ OLAP-ის შექმნის პროცესს დამატებითი კლიენტის ხელსაწყოს გამოყენებით (ნახ. 1).

მალიუნოკი 1.OLAP-zastosunka-ს შექმნა დამატებითი კლიენტის ROLAP-way გამოყენებით

ROLAP კლიენტების მუშაობის პრინციპი არის სემანტიკური სფეროს წინა აღწერა, რომელიც მოითხოვს გამომავალი მონაცემების ფიზიკურ სტრუქტურას. ზოგიერთი ტიპის მონაცემი შეიძლება მოიცავდეს: ლოკალურ ცხრილებს, RDBMS. მხარდაჭერილი მონაცემების სია მითითებულია კონკრეტული პროგრამული პროდუქტით. ამრიგად, მომხმარებლებს შეუძლიათ დამოუკიდებლად მანიპულირება დიდი ობიექტების დომენის თვალსაზრისით კუბების და ანალიტიკური ინტერფეისების შესაქმნელად.

OLAP სერვერის კლიენტის მუშაობის პრინციპი განსხვავებულია. OLAP სერვერზე, კუბების შექმნისას, კლიენტი მანიპულირებს მონაცემთა ბაზის ფიზიკურ აღწერილობებზე. ამრიგად, თავად კუბში იქმნება კორისტუვაჩის ინვენტარი. OLAP სერვერის კლიენტი კონფიგურირებულია კუბურ მეტრზე.

სემანტიკური სფეროს შექმნით, მონაცემთა ნაკრები - გაყიდვების და გარიგების ცხრილები - აღწერილია გონივრული თვალსაზრისით და გარდაიქმნება "პროდუქტებად" და "სიამოვნებად". "პროდუქტები" ცხრილის "ID" ველს ეწოდა "კოდი", ხოლო "სახელი" - "პროდუქტი" და ა.შ.

შემდეგ იქმნება "გაყიდვების" ბიზნეს ობიექტი. ბიზნეს ობიექტი არის ბრტყელი მაგიდა, საიდანაც წარმოიქმნება მდიდარი კუბი. როდესაც იქმნება ბიზნეს ობიექტი, "პროდუქტები" და "პროდუქტები" ცხრილები გაერთიანებულია პროდუქტის "კოდი" ველის გამოყენებით.ინფორმაციის სანახავად არ გჭირდებათ ცხრილის ყველა ველი - ბიზნეს ობიექტი, გარდა ველების „პროდუქტი“, „თარიღი“ და „თანხა“.

ჩვენი აპლიკაცია, "გაყიდვების" ბიზნეს ობიექტზე დაფუძნებული, ეფუძნება საქონლის გაყიდვას თვეების განმავლობაში.

ინტერაქტიული ხმით მუშაობის საათის განმავლობაში მომხმარებელს შეუძლია დააყენოს ფილტრის გონება და დაჯგუფება იგივე მარტივი „სამიზნე“ კონტროლებით. ამ ეტაპზე, ROLAP კლიენტი იწყებს ქეშის მონაცემებით. OLAP სერვერის კლიენტი ქმნის ახალ მოთხოვნას დიდი მონაცემთა ბაზისთვის. მაგალითად, თუ თქვენ დარჩებით პროდუქტის გაყიდვების ანგარიშში, შეგიძლიათ გააუქმოთ პროდუქტის გაყიდვების ანგარიში, რაც დაგვეხმარება.

OLAP პროგრამების ყველა პარამეტრი შეიძლება შეინახოს მეტამონაცემების საცავში, ან დიდი მონაცემთა ბაზის დამატებით სისტემურ საცავში.განხორციელება დამოკიდებულია კონკრეტულ პროგრამულ პროდუქტზე.

ყველაფერი, რაც მოყვება ამ დანამატებს, მოიცავს ინტერფეისის სტანდარტულ სახეს, შემდეგ ფუნქციების და სტრუქტურის განსაზღვრას, ასევე გადაწყვეტილებებს მეტ-ნაკლებად სტანდარტული სიტუაციებისთვის. მაგალითად, პოპულარული ფინანსური პაკეტები. გარდა ამისა, შეიქმნა ფინანსური პროგრამები, რათა სპეციალისტებს მიეცეთ წვდომა ძირითად ფინანსურ ინსტრუმენტებზე მონაცემთა ბაზის სტრუქტურის ან კულისებში არსებული ფორმებისა და ანგარიშების შემუშავების საჭიროების გარეშე.

ინტერნეტი კლიენტის ახალი ფორმაა. გარდა ამისა, მას ბევრი ახალი ტექნოლოგია ატარებდა; უპიროვნო ინტერნეტ გადაწყვეტამათ ნამდვილად აინტერესებთ თავიანთი შესაძლებლობები და როგორ მუშაობს OLAP გადაწყვეტა. აშკარა უპირატესობაა OLAP მონაცემების ინტერნეტის საშუალებით გენერირებაში. ყველაზე დიდი უპირატესობა არის სპეციალიზებული პროგრამული უზრუნველყოფის საჭიროება ინფორმაციის წვდომისთვის. ეს დაზოგავს ბიზნესს დიდ დროსა და ფულს.

6. აირჩიეთ OLAP პროგრამის არქიტექტურა.

საინფორმაციო და ანალიტიკური სისტემის დანერგვისას მნიშვნელოვანია, რომ კომპრომისზე არ წახვიდეთ OLAP დანამატის არქიტექტურის არჩევანზე. ტერმინის On-Line ანალიტიკური პროცესის პირდაპირი თარგმანი - „ოპერაციული ანალიტიკური დამუშავება“ - ხშირად აღებულია სიტყვასიტყვით იმ გაგებით, რომ მონაცემები სწრაფად ანალიზდება. ეს არის სიფრთხილე - ანალიზის ეფექტურობა არ არის დაკავშირებული სისტემაში მონაცემების განახლების რეალურ დროსთან. ეს მახასიათებელი ეხება OLAP სისტემის რეაგირების დროს მომხმარებლის მოთხოვნებზე. ამ შემთხვევაში, მონაცემები ხშირად აანალიზებს დიდი რაოდენობით ინფორმაციას „გუშინ მდგომარეობით“, რადგან, მაგალითად, კოლექციებში მონაცემები განახლდება დღეში ერთხელ.

ამ კონტექსტში, OLAP-ის ზუსტი თარგმანი არის „ინტერაქტიული ანალიტიკური დამუშავება“. მონაცემთა ინტერაქტიული რეჟიმში ანალიზის შესაძლებლობა განასხვავებს OLAP სისტემებს მარეგულირებელი ანგარიშების მომზადების სისტემებისგან.

OLAP E. Koda-ს დამფუძნებლის ფორმულირებაში ინტერაქტიული დამუშავების კიდევ ერთი მახასიათებელია „მონაცემების გაერთიანების, განხილვისა და ანალიზის შესაძლებლობა მრავალი ვარიაციის თვალსაზრისით, ისე, რომ ის ყველაზე სასარგებლო იყოს კორპორატიული ანალიტიკოსებისთვის და ერთგვარად. " Codd-ისთვის ტერმინი OLAP ასევე ეხება კონცეპტუალურ დონეზე მონაცემების წარმოდგენის სპეციფიკურ ხერხს - მდიდარს. მიუხედავად იმისა, რომ მონაცემთა ფიზიკურად შენახვა შესაძლებელია რელაციურ მონაცემთა ბაზებში, OLAP ინსტრუმენტები, როგორც წესი, მუშაობენ დიდ მონაცემთა ბაზებთან, რომლებშიც მონაცემები ორგანიზებულია ჰიპერკუბის სახით (ნახ. 1).

მალიუნოკი 1. OLAP- კუბი (ჰიპერკუბი, მეტაკუბი)

ამ შემთხვევაში, ამ მონაცემების შესაბამისობა განისაზღვრება ჰიპერკუბის ახალი მონაცემებით შევსების მომენტით.

ცხადია, მსოფლიო მასშტაბით მონაცემთა მდიდარი მონაცემთა ბაზის ფორმირების მომენტში არსებობს უამრავი მონაცემი, რომელიც დაინტერესდება ამით, ამიტომ მიზანშეწონილია ამ ვალდებულების დელიმიტაცია. რატომ არ უნდა მოხდეს ანალიზი და არ მივცეთ კორესპონდენტს წვდომა ყველა იმ ინფორმაციაზე, რომელზეც უნდა დააწკაპუნოთ? არსებობს ორი ალტერნატიული მარშრუტი: ანალიზი, შემდეგ შეკითხვა და შეკითხვა, შემდეგ ანალიზი.

პირველი გზის მიმდევრები ცდილობენ მიიღონ წვდომა განახლებული ინფორმაციის უზარმაზარ გლობალურ მონაცემთა ბაზაზე, მაგალითად, ბავშვებისთვის ყოველთვიური, კვარტალური და მდინარის მარაგი. და თუ საჭიროა მონაცემების დეტალიზაცია, მიზანშეწონილია შეადგინოთ ანგარიში ურთიერთობის საფუძველზე, რათა განთავსდეს საჭირო შერჩევა, მაგალითად, დღეების მიხედვით, რომელი ერთეულისთვის ან თვის მიხედვით, შერჩეული ბავშვის თითოეული მუშაკისთვის.

სხვა გზის მიმდევრები კი სიმართლეს დაადგენენ, წააწყდებიან იმ მონაცემებს, რომელთა ანალიზს და მიკროკუბში დაჭერას აპირებენ - მონაცემთა პატარა, მდიდარ მონაცემთა ბაზაში. ორი მიდგომა განსხვავდება კონცეპტუალურ დონეზე და აქვს თავისი დადებითი და უარყოფითი მხარეები.

სანამ სხვა მიდგომაზე გადავიდოდეთ, საჭიროა გააცნოთ ინფორმაციის „სიახლე“, რომელსაც კორესპონდენტი ართმევს მსოფლიოში ცნობილ სახელს – „მიკროკუბს“. მიკროკუბი იქმნება ახალი ინფორმაციის საფუძველზე მიმდინარე რელაციური მონაცემთა ბაზიდან. p align="justify">მიკროკუბთან მუშაობა მუშაობს ინტერაქტიულ რეჟიმში - ინფორმაციის ამოჭრა და დეტალები მიკროკუბში მყისიერად მუშაობს. კიდევ ერთი დადებითი წერტილი არის ის, რომ სტრუქტურისა და მიკროკუბის ზედაპირის დიზაინი შესრულებულია „ფრენაზე“, მონაცემთა ბაზის ადმინისტრატორის მონაწილეობის გარეშე. თუმცა, მიდგომა სერიოზულ ნაკლოვანებებს განიცდის. კორისტუვაჩი არ ხატავს ბინძურ სურათებს და დამნაშავეა უშუალოდ მის გამოძიებაში მონაწილეობისთვის. წინააღმდეგ შემთხვევაში, მიკროკუბი შეიძლება აღმოჩნდეს ძალიან პატარა და არ შეიცავდეს ყველა მონაცემს, რომელიც უნდა შეგროვდეს, და თქვენს სისტემას მოუწევს ახალი მიკროკუბი, შემდეგ ახალი, შემდეგ მეორე და სხვა. შეკითხვის შემდეგ ანალიზის მიდგომა ახორციელებს იმავე კომპანიის BusinessObjects ინსტრუმენტებს და Company Outline პლატფორმის ინსტრუმენტებს.ინტერსოფტილაბორატორია.

როდესაც თქვენ მიუახლოვდებით Analyze then query-ს, თქვენ აგროვებთ მონაცემებს, რომლებიც შედის მონაცემთა დიდ მონაცემთა ბაზაში, რომელიც შეიძლება გაგრძელდეს დიდი ხნის განმავლობაში, რომელიც შეიძლება ექვემდებარება რეგულაციას და შეიძლება გაგრძელდეს დიდი ხნის განმავლობაში. თუმცა, ყველა ეს ხარვეზი იხსნება წელიწადში, თუ კლიენტს აქვს წვდომა თითქმის ყველა საჭირო მონაცემზე, რა კომბინაციითაც არ უნდა იყოს. რელაციურ მონაცემთა ბაზაში განახლებული მონაცემების შეცვლა შესაძლებელია მხოლოდ როგორც უკანასკნელი საშუალება, როდესაც საჭიროა დეტალური ინფორმაცია, მაგალითად, კონკრეტული ინვოისისთვის.

ერთი მდიდარი მონაცემთა ბაზის საფუძველზე, პრაქტიკულად შეუძლებელია იმის მითითება, თუ რამდენი ინვესტორები მუშაობენ მასზე ადრე. თქვენ არ გჭირდებათ იქ არსებული მონაცემების წაკითხვა Query-ის საფუძველზე, შემდეგ გააანალიზეთ მიდგომა, რომლის დროსაც ლიმიტზე არსებული მიკროკუბების რაოდენობა შეიძლება გაიზარდოს იგივე სითხისგან, ისევე როგორც კორისტუვაჩების რაოდენობა.

ამ მიდგომით, გაზრდილი აქცენტი კეთდება IT სერვისებზე, რომლებსაც, გარდა ურთიერთობისა, სჭირდებათ მსოფლიოს უმდიდრესი მონაცემთა ბაზების მომსახურება.თავად ეს სერვისები ემსახურება მონაცემთა დროულ და ავტომატურ განახლებას მონაცემთა ფართო სპექტრიდან.

„გაანალიზე და შემდეგ შეკითხვის“ მიდგომის საუკეთესო მაგალითებია Cognos-ის PowerPlay და Impromptu ინსტრუმენტები.

მიდგომის არჩევა და ინსტრუმენტი, რომელიც ახორციელებს მას, წინ უნდა უსწრებდეს ხელახლა განხილულ შენიშვნას: ყოველთვის უნდა იყოს ბალანსი ბიუჯეტის დაზოგვასა და საბოლოო მომხმარებლების მომსახურების გაზრდილ ღირებულებას შორის. ამ შემთხვევაში, აუცილებელია ვივარაუდოთ, რომ სტრატეგიული გეგმის მიხედვით, საინფორმაციო და ანალიტიკური სისტემების შექმნამ შეიძლება მიაღწიოს კონკურენტულ უპირატესობას და არა ავტომატიზაციის უნიკალურ ღირებულებას. მაგალითად, კორპორატიულ საინფორმაციო და ანალიტიკურ სისტემას შეუძლია მიაწოდოს საჭირო, დროული და სანდო ინფორმაცია კომპანიის შესახებ, რომლის გამოქვეყნებაც პოტენციური ინვესტორებისთვის უზრუნველყოფს ინფორმაციის გააზრებას და გადაცემას. ეს არის კომპანიები, რომლებიც აუცილებლად გახდებიან საინვესტიციო მომგებიანობის წყარო.

7. OLAP ტექნოლოგიების განვითარების სფეროები.

OLAP ემყარება მრავალფაქტორული მონაცემების ანალიზს. ზოგადად, მონაცემთა ნებისმიერი ცხრილის გათვალისწინებით, რომელსაც სჭირდება ერთი აღწერილობითი სვეტი (განზომილებები) და ერთი სვეტი რიცხვებით (ჩანაწერები და ფაქტები), OLAP ინსტრუმენტი, როგორც წესი, იქნება მონაცემთა ანალიზისა და გენერირების ეფექტური საშუალება.

მოდით, გადავხედოთ OLAP ტექნოლოგიების სფეროში განვითარებულ მოვლენებს, რეალური ცხოვრებიდან.

1. გაყიდვები.

გაყიდვების სტრუქტურის ანალიზის საფუძველზე განისაზღვრება მენეჯმენტის გადაწყვეტილებების მისაღებად საჭირო ინფორმაცია: საქონლის ასორტიმენტის, ფასების, მაღაზიების, ფილიალების დახურვისა და გახსნის, დილერებთან ხელშეკრულებების დაშლისა და გაფორმების, მეტი სარეკლამო კამპანიის ჩატარების შესახებ.

2. შეძენილი.

გაყიდვის წინასწარი წარმოების ანალიზი. ბევრი საწარმო ყიდულობს კომპონენტებსა და მასალებს მომწოდებლებისგან. სავაჭრო საწარმოები ყიდულობენ საქონელს ხელახალი გასაყიდად. ანალიზის დროს შესაძლო ამოცანები შეძენილი იქნა ყოველგვარი პასუხისმგებლობის გარეშე, წარსულის მტკიცებულებებზე დაფუძნებული დაგეგმვის ხარჯების სახით, მდე კონტროლი მენეჯერებზე, რას ირჩევენ ფოსტის ოსტატებს?

3. ფასები.

შესყიდვების ანალიზს მოსდევს საბაზრო ფასების ანალიზი. ამ ანალიზის მეთოდი არის ხარჯების ოპტიმიზაცია, ყველაზე მომგებიანი წინადადებების შერჩევა.

4. მარკეტინგი.

მარკეტინგული ანალიზის დროს ჩვენ ყურადღებას მივაქცევთ მყიდველების და კლიენტების და სერვისის პროვაიდერების ანალიზს. ამ ანალიზის მიზნები მოიცავს პროდუქტის სწორ პოზიციონირებას, მყიდველთა ჯგუფების იდენტიფიკაციას მიზნობრივი რეკლამისთვის და ასორტიმენტის ოპტიმიზაციას. OLAP-ის ამოცანა ამავდროულად არის მონაცემებზე ორიენტირებული ინსტრუმენტი, აზრების სითხის გამო, ელექტრომომარაგების მოცილება, რაც ინტუიციურად წარმოიქმნება მონაცემთა ანალიზის პროცესში.

5. საწყობი.

საწყობებში ჭარბი სტრუქტურის ანალიზი საქონლის ტიპების მიხედვით, საწყობები, საქონლის დაზოგვის პირობების ანალიზი, საქონლის შეძენის ანალიზი და მრავალი სხვა სახის ანალიზი, რომელიც მნიშვნელოვანია საწარმოსთვის. ხილვადობა საწყობის გარემოს ორგანიზებაში. .

6. რუხ კოშტივი.

არსებობს ანალიზის მთელი სფერო, რომელიც ექვემდებარება მეთოდების უპიროვნო სკოლას. OLAP ტექნოლოგია შეიძლება იყოს ინსტრუმენტი ამ ტექნიკის განხორციელების ან განვითარებისთვის, ვიდრე მათი ჩანაცვლებისთვის. ჩვენ ვაანალიზებთ მოუმზადებელი და მზა ვალუტების პენი ბრუნვას ბიზნეს ოპერაციებში, კონტრაგენტებში, ვალუტაში და საათებში ნაკადების ოპტიმიზაციის, ლიკვიდობის უზრუნველყოფის მეთოდით და ა.შ. საწყობი დამოკიდებულია ბიზნესის თავისებურებებზე, მოსაზრებებსა და მეთოდებზე.

7. ბიუჯეტი.

ერთ-ერთი ყველაზე მომგებიანი პრობლემაა OLAP ტექნოლოგიის გამოყენება. ტყუილად არ ითვლება ყოველდღიური ბიუჯეტირების სისტემა დასრულებულად ბიუჯეტის ანალიზისთვის OLAP ინსტრუმენტების არსებობის გარეშე. ბიუჯეტის პროექტების უმეტესობა ადვილად შეიძლება დაფუძნდეს OLAP სისტემებზე. ამ შემთხვევაში, მონაცემები გვთავაზობს კვების ფართო სპექტრს: ხარჯებისა და შემოსავლების სტრუქტურის ანალიზი, ფინანსური ანგარიშგების დანახარჯების დონე სხვადასხვა დეპარტამენტში, ფინანსური ანგარიშგების ხარჯების დინამიკისა და ტენდენციების ანალიზი, პირადი ხარჯებისა და მოგების ანალიზი. .

8. საბუღალტრო დოკუმენტები.

კლასიკური ბალანსი, რომელიც შედგება ანგარიშების რაოდენობისა და შეყვანის ჭარბი, ბრუნვისა და გამომავალი ჭარბი ადგილმდებარეობისგან, უკეთ შეიძლება გაანალიზდეს OLAP სისტემაში. გარდა ამისა, OLAP სისტემას შეუძლია ავტომატურად და სწრაფად გამოთვალოს ფართომასშტაბიანი ორგანიზაციის კონსოლიდირებული ბალანსი, ბალანსები თვის, კვარტალისა და მდინარის, აგრეგირებული ბალანსები ანგარიშების იერარქიიდან, ანალიტიკური ბალანსები შემცვლელი ანალიტიკური სიმბოლოებისთვის.

9. ფინანსური ინფორმაცია.

ხმის ხარისხის ტექნოლოგიურად მოწინავე სისტემა სხვა არაფერია, თუ არა დასახელებული ინდიკატორების ნაკრები თარიღის მნიშვნელობებით, რომლებიც უნდა დაჯგუფდეს და დაიყოს სხვადასხვა განყოფილებებში კონკრეტული ბგერების იზოლირებისთვის. თუ ასეა, სხვა ბგერების წარმოდგენა ყველაზე მარტივი და იაფია OLAP სისტემებში. ნებისმიერ შემთხვევაში, საწარმოს შიდა კომუნიკაციის სისტემა არც თუ ისე კონსერვატიულია და შეიძლება გადატვირთული იყოს ტექნიკურ სამუშაოზე ფულის დაზოგვით, ცოდნის შექმნისა და მდიდარი ოპერატიული ანალური Izu-ს შესაძლებლობების შემცირების გამო.

10. საიტის პოპულარიზაცია.

ინტერნეტ სერვერის ჟურნალის ფაილი მდიდარია ბუნებით, რაც ნიშნავს, რომ ის შესაფერისია OLAP ანალიზისთვის. ფაქტები: აეროდრომების რაოდენობა, დარტყმების რაოდენობა, საიტზე გატარებული საათები და სხვა ხელმისაწვდომი ინფორმაცია.

11. ობსიაგი ვირობნიცტვა.

აქ არის სტატისტიკური ანალიზის კიდევ ერთი მაგალითი. ამ გზით თქვენ შეგიძლიათ გაანალიზოთ მოყვანილი კარტოფილის, დნობის ფოლადის და წარმოებული საქონლის რაოდენობა.

12. სახარჯო მასალების დაგროვება.

აღმოაჩინეთ ქარხანა, რომელიც შედგება ათობით სახელოსნოსგან, რომლებშიც გამოიყენება ცივი წყალი, სარეცხი სითხეები, ზეთები, განჩერები, ზურმუხტის ქაღალდი - ასობით ნივთი ნარჩენი მასალა. ხარჯების ზუსტი დაგეგმვისა და ოპტიმიზაციისთვის საჭიროა ხარჯვითი მასალების რეალური მოხმარების საფუძვლიანი ანალიზი.

13. Vikoristannya განთავსება.

სხვა ტიპის სტატისტიკური ანალიზი. აპლიკაციები: პირველადი აუდიტორიების მნიშვნელობის ანალიზი, რომლებიც ხელმისაწვდომია ქირავდება, მათ შორის შენობები, კონფერენციების ოთახები და ა.შ.

14. საწარმოს ჩარჩოების სიგრძე.

დასაქმების პერსონალის მრავალფეროვნების ანალიზი ფილას, ფილიალებს, პროფესიებს, განათლების დონეს, სტატუსს, საუკუნეს, საათს შორის.

15. მგზავრთა გადაყვანა.

ბილეთების რაოდენობისა და გაყიდული თანხების ანალიზი სეზონებზე, მარშრუტებზე, მანქანების ტიპებზე (კლასებზე), მატარებლების ტიპებზე (ფრენები).

ეს სია არ შემოიფარგლება სტაგნაციის სფეროებით OLAP - ტექნოლოგია. მაგალითად, მოდით შევხედოთ ტექნოლოგიას OLAP - გაყიდვების სფეროს ანალიზი.

8. ვიკორისტანის კონდახი OLAP - გაყიდვების სფეროში ანალიზის ტექნოლოგია

მონაცემთა მრავალფეროვანი პრეზენტაციის პროექტირება OLAP -ანალიზი იწყება ვიმირიუვან რუკის ფორმირებით. მაგალითად, გაყიდვების ანალიზის დროს, თქვენ შეგიძლიათ სრულად ნახოთ ბაზრის კიდეები (განვითარებადი, სტაბილური, დიდი და მრავალფეროვანი პარტნიორები, ახალი პარტნიორების გამოჩენის ალბათობა და ა. დადგინდება არხები და ზომები. ისინი პირდაპირ ქმნიან გაყიდვების მდიდრულად გლობალური წარმოდგენის კოორდინატთა ბადეს - მისი სამყაროების სტრუქტურას.

ნებისმიერი ბიზნესის აქტივობის უმეტესი ნაწილი ერთ საათში ხდება, პირველ რიგში, ეს მოდის ანალიზის საათზე და ბიზნესის განვითარების დინამიკის შესახებ ინფორმაციას. დროის ღერძის სწორი ორგანიზება იძლევა მკაფიო კომუნიკაციის საშუალებას კვების ჯაჭვზე. დარეკეთ მთელ საათს პერიოდებად, კვარტალებად და თვეებად დასაყოფად. უახლოეს დღეებში შესაძლებელია კიდევ უფრო მეტი ჩახშობა. დრო-საათის მონაცემების სტრუქტურა ყალიბდება მონაცემთა მოპოვების სიხშირის მიხედვით; ასევე შეგიძლიათ გაითვალისწინოთ ინფორმაციის მიღების პერიოდულობა.

"პროდუქტის ჯგუფების" მრავალფეროვნება დაყოფილია ისე, რომ მაქსიმალურად დივერსიფიცირებული იყოს გაყიდული პროდუქციის სტრუქტურა. ამ შემთხვევაში, მნიშვნელოვანია სრულყოფილი ბალანსის მიღწევა, რათა, ერთის მხრივ, დაინახოთ დახვეწილი დეტალები (ჯგუფების დიდი რაოდენობა შეიძლება იყოს ხელმისაწვდომი შესამოწმებლად), ხოლო მეორეს მხრივ, არ გამოტოვოთ ბაზრის შესაბამისი სეგმენტი.

კატეგორია „კლიენტები“ ასახავს გაყიდვების სტრუქტურას ტერიტორიულ-გეოგრაფიულ საზღვრებზე დაყრდნობით. თითოეულ რეგიონს შეიძლება ჰქონდეს საკუთარი იერარქია, მაგალითად, ამ რეგიონს შეიძლება ჰქონდეს შემდეგი სტრუქტურა: რეგიონები – რეგიონები – ადგილები – კლიენტები.

პროდუქტების საქმიანობის ეფექტურობის გასაანალიზებლად, შექმენით ტენიანობის ტესტი. მაგალითად, შეგიძლიათ იხილოთ ორი თანაბარი იერარქია: განყოფილებები და განყოფილებები, რომლებიც მათ წინ დგას, რომლებიც შეიძლება ჩაითვალოს სამყაროს „პიდროზდილის“ ანარეკლად.

ფაქტობრივად, კატეგორიები „საათი“, „პროდუქტები“, „ზამოვნიკი“ განაგრძობენ საგნის არეალის განსაზღვრას.

გარდა ამისა, სასარგებლოა ამ სივრცის გონებრივ სფეროებად დაყოფა, საფუძვლად რომ მივიღოთ ის მახასიათებლები, რომლებიც გამოითვლება, მაგალითად, დიაპაზონი ვარტიკულ გამოხატულებაზე. მაშინ ყველა ბიზნესი შეიძლება დაიყოს დაბალ დიაპაზონებად, სადაც ის მუშაობს. ამ შემთხვევაში შეგიძლიათ გამოიყენოთ შემდეგი ინდიკატორები: საქონლის გაყიდვების რაოდენობა, გაყიდული საქონლის რაოდენობა, შემოსავლის ოდენობა, მოთხოვნების რაოდენობა, კლიენტების რაოდენობა, მწარმოებლებისგან შესყიდვების საერთო რაოდენობა.

OLAP – კუბი ანალიზისთვის matime viglyad (ნახ. 2):

სურათი 2.OLAP– კუბი ანალიზისა და გასაყიდად

OLAP თვალსაზრისით, ასეთ სამგანზომილებიან მასივს თავად კუბი ეწოდება. სინამდვილეში, ჩვეულებრივი მათემატიკის მიხედვით, ასეთი მასივი ყოველთვის არ იქნება კუბი: საცნობარო კუბს ექნება ელემენტების ერთნაირი რაოდენობა ყველა სამყაროში, მაგრამ OLAP კუბებს არ ექნებათ ასეთი საზღვარი. OLAP კუბი სულაც არ არის ტრივიალური. ისინი შეიძლება იყოს როგორც ორმაგი, ასევე მდიდარი - ეს დამოკიდებულია დავალებაზე. სერიოზული OLAP პროდუქტები ხელმისაწვდომია დაახლოებით 20 წლის განმავლობაში. მარტივი დესკტოპის პროგრამების მხარდაჭერა 6-ჯერ.

კუბის ყველა ელემენტი არ არის შევსებული: ვინაიდან მესამე კვარტალში არ არის ინფორმაცია პროდუქტი 2-ის კლიენტ 3-ზე გაყიდვების შესახებ, შესაბამისი პერიოდის ღირებულება უბრალოდ არ გამოითვლება.

თუმცა, თავად კუბი არ არის შესაფერისი ანალიზისთვის. თუ ჯერ კიდევ შესაძლებელია სამგანზომილებიანი კუბის ადეკვატურად იდენტიფიცირება და წარმოდგენა, მაშინ ექვსი ან ცხრამეტი წლისმარჯვნივ ნიშნავს გირშას. მაშასადამე, მრავალ სამყაროს კუბიდან შესვლამდე შედგენილია ორიგინალური ორი სამყაროს ცხრილები. ამ ოპერაციას კუბის „გაჭრა“ ეწოდება. ანალიტიკოსი იღებს და "ჭრის" კუბს ნიშნების მიხედვით, თუ რა უნდა ამოთხაროს. ამ გზით ანალიტიკოსი ირჩევს კუბის ორგანზომილებიან მონაკვეთს (ხმას) და მუშაობს მასთან. ვარსკვლავის სტრუქტურა წარმოდგენილია Malunku 3-ის მიერ.

სურათი 3.ანალიტიკური ანგარიშის სტრუქტურა

მოდით დავჭრათ ჩვენი OLAP კუბი და გადავხედოთ გაყიდვების მონაცემებს მესამე კვარტალში, რომელიც ასე გამოიყურება (ნახ. 4).

სურათი 4.მესამე კვარტლის გაყიდვების ანგარიში

თქვენ შეგიძლიათ მოჭრათ კუბი ერთმანეთის ღერძის გასწვრივ და ამოიღოთ გაყიდვების მონაცემები 2 პროდუქტის ჯგუფისთვის ხაზის გასწვრივ (ნახ. 5).

მალიუნოკი 5.კვარტალური განცხადება პროდუქტის გაყიდვების შესახებ 2

ანალოგიურად, თქვენ შეგიძლიათ გააანალიზოთ მონაცემები კლიენტთან 4, კუბის მოჭრა კლიენტის ნიშნის უკან(ნახ. 6)

სურათი 6.შეტყობინება კლიენტისთვის საქონლის მიწოდების შესახებ 4

შეგიძლიათ დაწვრილებით ანგარიში თვეების მიხედვით ან ისაუბროთ კლიენტის სახელზე საქონლის მიწოდებაზე.

OLAP სისტემის დანერგვა საშუალებას გაძლევთ ავტომატიზირდეთ ორგანიზაციის მართვის სტრატეგიული დონე. OLAP (Online Analytical Processing - ანალიტიკური მონაცემთა დამუშავება რეალურ დროში) არის დახვეწილი ტექნოლოგია მონაცემთა დამუშავებისა და თვალყურის დევნებისთვის. OLAP ტექნოლოგიაზე დაფუძნებული სისტემები იძლევა ფაქტობრივად შეუზღუდავ შესაძლებლობებს ინფორმაციის შეგროვებისთვის, რთული ანალიტიკური სტრუქტურების შემუშავებისთვის, საბოლოო პროგნოზებისა და სცენარებისთვის და გეგმის სხვადასხვა ვარიანტების შემუშავებისთვის.

სრულფასოვანი OLAP სისტემები გაჩნდა 90-იანი წლების დასაწყისში, გადაწყვეტილების მიღების მხარდასაჭერად საინფორმაციო სისტემების განვითარების შედეგად. ისინი გამოიყენება ორიგინალური ინფორმაციის სხვადასხვა, ხშირად განსხვავებული მონაცემების ტრანსფორმაციისთვის. OLAP სისტემებს შეუძლიათ მონაცემების ორგანიზება კონკრეტული კრიტერიუმების მიხედვით. თუმცა, არ არის სავალდებულო, რომ კრიტერიუმებს მცირე მკაფიო მახასიათებლები ჰქონდეს.

OLAP სისტემებმა იპოვეს მათი გამოყენება ორგანიზაციის სტრატეგიული მენეჯმენტის ბევრ სფეროში: ბიზნესის შესრულების მენეჯმენტი, სტრატეგიული დაგეგმვა, ბიუჯეტირება, ზრდის პროგნოზირება, ფინანსური ინფორმაციის მომზადება, სამუშაოს ანალიზი, ორგანიზაციის გარე და შიდა გარემოს სიმულაციური მოდელირება, დაზოგვა. მონაცემები და ინფორმაცია.

OLAP სისტემის სტრუქტურა

OLAP სისტემის გულში არის მონაცემთა ფართო სპექტრის დამუშავება. მდიდარი მასივები დატენიანებულია ისე, რომ მასივის ტყავის ელემენტს აქვს დიდი რაოდენობით ლიგატები სხვა ელემენტებთან. მდიდარი მასივის შესაქმნელად, OLAP სისტემამ უნდა მოიძიოს გამომავალი მონაცემები სხვა სისტემებიდან (მაგალითად, ERP ან CRM სისტემებიდან) ან გარე შეყვანის საშუალებით. სისტემის OLAP სისტემა ამოიღებს საჭირო მონაცემებს სტრუქტურირებული ხედიდან მისი მოთხოვნის შესაბამისად. მოქმედებების მითითებული თანმიმდევრობიდან გამომდინარე, შეგიძლიათ განსაზღვროთ OLAP სისტემის სტრუქტურა.

ზოგადად, OLAP სისტემის სტრუქტურა შედგება შემდეგი ელემენტებისაგან:

• მონაცემთა ბაზა. მონაცემთა ბაზა არის ინფორმაციის წყარო OLAP სისტემისთვის. მონაცემთა ბაზა ეფუძნება OLAP სისტემას და OLAP სერვერის ალგორითმებს. როგორც წესი, გამოიყენება რელაციური მონაცემთა ბაზები, მდიდარი გლობალური მონაცემთა ბაზები, მონაცემთა საწყობები და ა.შ.
• OLAP სერვერი. ის უზრუნველყოფს მონაცემთა მდიდარი სტრუქტურის მართვას და ურთიერთკავშირს მონაცემთა ბაზასა და OLAP სისტემის კომპონენტებს შორის.
• კორისტუვაცკის პროგრამები. OLAP სისტემის სტრუქტურის ეს ელემენტი მართავს მომხმარებელთა შეყვანას და აყალიბებს მათ მონაცემთა ბაზაში შეჯამების შედეგებს (ანგარიშები, გრაფიკები, ცხრილები და ა.შ.)

მონაცემების ორგანიზების, დამუშავებისა და შენახვის მეთოდიდან გამომდინარე, OLAP სისტემები შეიძლება განხორციელდეს მომხმარებლების ლოკალურ კომპიუტერებზე ან სხვა სერვერების დახმარებით.

მონაცემთა შენახვისა და დამუშავების სამი ძირითადი გზა არსებობს:

• ადგილობრივად. მონაცემები განთავსებულია კორესპონდენტების კომპიუტერებზე. დამუშავება, ანალიზი და მონაცემთა მართვა ხდება ადგილობრივ სამუშაო სადგურებზე. OLAP სისტემის ამ სტრუქტურას აქვს გარკვეული უარყოფითი მხარეები მონაცემთა დამუშავების სიჩქარის, მონაცემთა უსაფრთხოებისა და ანალიზის ფართო სპექტრის შეზღუდული სირთულის გამო.
• ურთიერთობითი მონაცემთა ბაზები. ეს მონაცემთა ბაზები გაანალიზებულია ყოვლისმომცველი OLAP სისტემის გამოყენებით CRM სისტემით ან ERP სისტემით. მონაცემები ინახება ამ სისტემების სერვერებზე, როგორიცაა რელაციური მონაცემთა ბაზები ან მონაცემთა საწყობები. OLAP სერვერი იხსნება ამ მონაცემთა ბაზებისთვის, რათა ჩამოაყალიბოს საჭირო მდიდარი სტრუქტურები და განახორციელოს ანალიზი.
• მდიდარი მსოფლიო მონაცემთა ბაზები. და აქ მონაცემები ორგანიზებულია, როგორც მონაცემთა სპეციალური კოლექცია დანიშნულ სერვერზე. ყველა ოპერაცია მონაცემებით ხდება ამ სერვერზე, რომელიც გარდაქმნის გამომავალ მონაცემებს მრავალფეროვან სტრუქტურებად. ასეთ სტრუქტურებს OLAP კუბი ეწოდება. მონაცემთა წყაროები OLAP კუბის ფორმირებისთვის არის რელაციური მონაცემთა ბაზები და/ან კლიენტის ფაილები. მონაცემთა სერვერი ახორციელებს მონაცემთა გაფართოებულ მომზადებას და დამუშავებას. OLAP სერვერი აწარმოებს OLAP კუბს მონაცემთა ფაილებზე (რელატიური მონაცემთა ბაზები, კლიენტის ფაილები და ა.შ.) პირდაპირი წვდომის გარეშე.

იხილეთ OLAP სისტემები

მონაცემთა შენახვისა და დამუშავების მეთოდიდან გამომდინარე, ყველა OLAP სისტემა შეიძლება დაიყოს სამ ძირითად ტიპად.

1. ROLAP (Relational OLAP - relational OLAP systems) - ამ ტიპის OLAP სისტემა მუშაობს რელაციური მონაცემთა ბაზებით. შემდეგ მონაცემები პირდაპირ გაერთიანებულია ურთიერთდამოკიდებულ მონაცემთა ბაზაში. მონაცემები შენახულია ურთიერთდამოკიდებულების ცხრილის სახით. კლიენტებს შეუძლიათ შეასრულონ მდიდარი ანალიზი, როგორც ტრადიციული OLAP სისტემები. ეს ხელმისაწვდომია SQL ინსტრუმენტებისა და სპეციალური მოთხოვნების გამოყენებით.

ROLAP-ის ერთ-ერთი უპირატესობა არის დიდი რაოდენობით მონაცემების ეფექტურად დამუშავების შესაძლებლობა. ROLAP-ის კიდევ ერთი უპირატესობა არის როგორც რიცხვითი, ისე ტექსტური მონაცემების ეფექტურად დამუშავების შესაძლებლობა.

არასაკმარისი ROLAP იწვევს დაბალ პროდუქტიულობას (ტრადიციული OLAP სისტემების წინააღმდეგ), რადგან მონაცემები მუშავდება OLAP სერვერის მიერ. კიდევ ერთი ნაკლი არის ფუნქციონირების დაკარგვა SQL-ის საშუალებით.

2. MOLAP (Multidimensional OLAP - rich OLAP systems). ამ ტიპის OLAP სისტემები დადებითად ადარებს ტრადიციულ სისტემებს. ტრადიციული OLAP სისტემის უპირატესობა სხვა სისტემებთან შედარებით მდგომარეობს მონაცემთა წინასწარ მომზადებასა და ოპტიმიზაციაში. ეს სისტემები ირჩევენ ხედვის სერვერს, რომელზედაც ხდება მონაცემთა დამუშავება. მონაცემები იქმნება მასივების ფართო სპექტრისგან - OLAP კუბებიდან.

MOLAP სისტემები ყველაზე ეფექტურია მონაცემთა დამუშავებისთვის, რადგან ისინი საშუალებას გაძლევთ მარტივად მოაწყოთ მონაცემების რეორგანიზაცია და სტრუქტურირება სხვადასხვა მიზნებისთვის. MOLAP ანალიტიკური ინსტრუმენტები შესაძლებელს ხდის რთული განლაგების შედგენას. MOLAP-ის კიდევ ერთი უპირატესობა არის მოთხოვნების სწრაფად ჩამოყალიბებისა და შედეგების ამოღების შესაძლებლობა. ეს იქნება გათვალისწინებული OLAP კუბების წინა ჩამოსხმისთვის.

MOLAP სისტემის ნაკლოვანებამდე არსებობს მონაცემთა დამუშავების და მონაცემთა ზენაციონალურობის ვალდებულება, რადგან დიდი კუბების შესაქმნელად, სხვადასხვა ასპექტიდან, მონაცემები უნდა იყოს დუბლირებული.

3. HOLAP (Hybrid OLAP – hybrid OLAP systems). ჰიბრიდული OLAP სისტემები აერთიანებს ROLAP და MOLAP სისტემებს. ჰიბრიდულ სისტემებში ისინი ცდილობდნენ ორი სისტემის უპირატესობების გაერთიანებას: ფართომასშტაბიანი მონაცემთა ბაზების ძიება და რელაციური მონაცემთა ბაზების მართვა. HOLAP სისტემები საშუალებას გაძლევთ შეინახოთ დიდი რაოდენობით მონაცემები რელაციურ ცხრილებში, ხოლო მონაცემები ინახება დიდი რაოდენობით OLAP კუბებში. ამ ტიპის სისტემის უპირატესობა მდგომარეობს მონაცემთა მასშტაბში, მონაცემთა სწრაფ დამუშავებასა და მონაცემებზე მოქნილ წვდომაში.

არსებობს OLAP სისტემების სხვა ტიპები, გარდა მწარმოებლების მარკეტინგული ხრიკისა, ნაკლებად დამოუკიდებელი ტიპის OLAP სისტემა.

ასეთი შეხედულებების წინ:

• WOLAP (ვებ OLAP). OLAP სისტემის ნახვა ვებ ინტერფეისის მხარდაჭერით. ამ OLAP სისტემებში შეგიძლიათ მონაცემთა ბაზებზე წვდომა ვებ ინტერფეისის საშუალებით.
• DOLAP (Desktop OLAP). ამ ტიპის OLAP სისტემა საშუალებას აძლევს ბიზნესის მფლობელებს, უმასპინძლონ მონაცემთა ბაზას ადგილობრივ სამუშაო მაგიდაზე და იმუშაონ მასთან ადგილობრივად.
• მობილურიOLAP. ეს არის OLAP სისტემების ფუნქცია, რომელიც საშუალებას გაძლევთ იმუშაოთ მონაცემთა ბაზასთან დისტანციურად, ვიკორისტასთან და მობილურ მოწყობილობებთან.
• SOLAP (სივრცითი OLAP). ამ ტიპის OLAP აპლიკაციის სისტემები ფართომასშტაბიანი მონაცემების დასამუშავებლად. შედეგი არის გეოგრაფიული საინფორმაციო სისტემებისა და OLAP სისტემების ინტეგრაციის შედეგი. ეს სისტემები იძლევა მონაცემთა დამუშავების საშუალებას არა მხოლოდ ალფანუმერული ფორმატით, არამედ ვიზუალური ობიექტების და ვექტორების სახით.

OLAP სისტემის უპირატესობები

OLAP სისტემის დანერგვა ორგანიზაციას აძლევს შესაძლებლობას ეფექტურად იწინასწარმეტყველოს და გააანალიზოს სხვადასხვა სიტუაციები, რომლებიც დაკავშირებულია საქმიანობის დინებასა და განვითარების პერსპექტივასთან. ეს სისტემები შეიძლება დაემატოს სამრეწველო ავტომატიზაციის სისტემებს. OLAP სისტემების ყველა უპირატესობა პირდაპირ მდგომარეობს გამომავალი მონაცემების სიზუსტეში, საიმედოობაში და მთლიანობაში.

OLAP სისტემის ძირითადი უპირატესობებია:

• გამომავალი ინფორმაციის და ანალიზის შედეგების სარგებლიანობა. OLAP სისტემით, ახლა უკვე შესაძლებელია ბევრი ინფორმაციის გავლა და შედეგებსა და გამომავალ მონაცემებს შორის ლოგიკური კავშირების იდენტიფიცირება. მცირდება ანალიზის შედეგების სუბიექტურობა.
• მრავალფეროვანი ანალიზის ჩატარება. OLAP სისტემის დანერგვა საშუალებას გაძლევთ განახორციელოთ ბრმა განვითარების სცენარები გამომავალი მონაცემების ერთობლიობის საფუძველზე. ანალიზის ხელსაწყოების გამოყენებით, შეგიძლიათ სიტუაციების მოდელირება "რა მოხდება" პრინციპის გამოყენებით.
• დეტალების მართვა. წარმოდგენილი შედეგების დეტალები შეიძლება განსხვავდებოდეს მომხმარებელთა საჭიროებიდან გამომდინარე. ამ შემთხვევაში, არ არის საჭირო რთული კორექტირების სისტემების შექმნა და გამოთვლების გამეორება. თქვენ შეგიძლიათ მიაწოდოთ ინფორმაცია, რომელიც საჭიროა გადაწყვეტილების მისაღებად.
• დეპოზიტების იდენტიფიკაცია. კავშირების ფართო სპექტრის ანალიზისთვის შესაძლებელია გამოვლინდეს და განისაზღვროს გადატვირთულობის არსებობა სხვადასხვა პროცესებსა და სიტუაციებში, რომლებიც გავლენას ახდენენ ბიზნეს საქმიანობაზე.
• ერთიანი პლატფორმის შექმნა. OLAP სისტემის დანერგვით, შესაძლებელია ერთიანი პლატფორმის შექმნა საწარმოში პროგნოზირებისა და ანალიზის ყველა პროცესისთვის. ზოგადად, ეს OLAP სისტემები არის საფუძველი ბიუჯეტის პროგნოზების, გაყიდვების პროგნოზების, შესყიდვების პროგნოზების, სტრატეგიული განვითარების გეგმების და ა.შ.

p align="justify"> მდიდარი მონაცემთა ანალიზის კონცეფცია მჭიდროდ არის დაკავშირებული ოპერაციულ ანალიზთან, რომელიც ეფუძნება OLAP სისტემების სპეციფიკას.

OLAP (On-Line Analytical Processing) არის ონლაინ ანალიტიკური მონაცემთა დამუშავების ტექნოლოგია, რომელიც იყენებს მოწინავე მეთოდებსა და ტექნიკას მონაცემთა სიმდიდრის შეგროვების, შენახვისა და ანალიზისთვის გადაწყვეტილების მიღების პროცესების მხარდასაჭერად.

OLAP სისტემების მთავარი მიზანია ანალიტიკური აქტივობების მხარდაჭერა და კორპორატიული ანალიტიკოსების ყოვლისმომცველი (ხშირად გამოყენებული ad-hoc ტერმინი) მონაცემები. Meta OLAP ანალიზი - წარმოშობილი ჰიპოთეზების ხელახალი შემოწმება.

OLAP ტექნოლოგიის მიხედვით, რელაციური მიდგომის ფუძემდებელია ე.კოდი. დაიბადა 1993 წელს მან გამოაქვეყნა სტატია სათაურით "OLAP მონაცემთა ანალიტიკოსებისთვის: როგორ გამოიყურება". ეს ნაშრომი ასახავს ოპერაციული ანალიტიკური დამუშავების ძირითად კონცეფციებს და მიუთითებს, რომ ახლა 12 ადამიანი კმაყოფილი იქნება პროდუქტებით, რომლებიც იძლევა ოპერატიული ანალიტიკური დამუშავების საშუალებას. ტოკმაკი გ.პ. ბასი ხარკი. მონაცემთა ბაზის კონცეფცია, რელაციური მონაცემთა მოდელი, SQL ენა. გვ. 51

ქვემოთ მოცემულია Codd-ის მიერ შექმნილი 12 წესი და ორიგინალური OLAP წესები.

1. მრავალფეროვნება - OLAP სისტემა კონცეპტუალურ დონეზე საჭიროა მონაცემთა მრავალგანზომილებიანი მოდელის სახით წარმოსაჩენად, რაც გაამარტივებს ინფორმაციის ანალიზისა და დამუშავების პროცესს.

2. ინსაითი - OLAP სისტემამ უნდა აითვისოს მომხმარებლისგან მდიდარი მოდელის რეალური დანერგვა, ორგანიზების მეთოდი, დიზაინი, დამუშავების და დაზოგვის მეთოდები.

3. ხელმისაწვდომობა - OLAP სისტემამ უნდა უზრუნველყოს მონაცემთა ერთიანი, თანმიმდევრული მოდელი, რომელიც უზრუნველყოფს მონაცემებზე წვდომას, მიუხედავად იმისა, თუ როგორ ინახება ისინი.

4. მონაცემთა მოპოვების სტაბილური პროდუქტიულობა - OLAP სისტემების პროდუქტიულობა შეიძლება მნიშვნელოვნად შეიცვალოს ცვლადების რაოდენობის გაზრდით, რომლებიც გავლენას ახდენენ ანალიზზე.

5. კლიენტ-სერვერის არქიტექტურა - OLAP სისტემა შეიძლება შეიქმნას "კლიენტ-სერვერის" გარემოში მუშაობისთვის, რადგან მონაცემთა უმეტესობა, რომელიც ამჟამად საჭიროა სწრაფი ანალიტიკური დამუშავებისთვის, ცალკე ინახება. აქ მთავარი იდეა ისაა, რომ OLAP ინსტრუმენტის სერვერის კომპონენტი შეიძლება გამდიდრდეს ინტელექტით და დაუშვას ყოვლისმომცველი კონცეპტუალური სქემის შემუშავება, რომელიც დაფუძნებულია კორპორატიული მონაცემთა ბაზების სხვადასხვა ლოგიკური და ფიზიკური სქემების ფორმალიზაციასა და კონსოლიდაციაზე, რათა უზრუნველყოს ინსაიტის ეფექტი.

6. სამყაროთა თანასწორობა - OLAP სისტემამ უნდა მხარი დაუჭიროს მდიდარ მსოფლიო მოდელს, რომელშიც ყველა სამყარო თანაბარია. საჭიროების შემთხვევაში, დამატებითი მახასიათებლები შეიძლება მიენიჭოს მეზობელ ვიმირებს, ან ასეთი უნარი შეიძლება მიეცეს ნებისმიერ ვიმირს.

7. მწირი მატრიცების დინამიური მართვა - OLAP სისტემა პასუხისმგებელია მწირი მატრიცების ოპტიმალური დამუშავების უზრუნველყოფაზე. წვდომის სითხე უნდა იყოს დაცული შუა მონაცემების განაწილების მიუხედავად და იყოს მუდმივი მნიშვნელობა მოდელებისთვის, სადაც ცვლილებების რაოდენობა და მონაცემთა მწირის განსხვავებული დონე შეიძლება განსხვავდებოდეს.

8. უხვად მხარდაჭერილი რეჟიმის მხარდაჭერა - OLAP სისტემამ უნდა უზრუნველყოს რამდენიმე კლიენტთან მუშაობის შესაძლებლობა ერთი ანალიტიკური მოდელის გამოყენებით ან ერთი და იგივე მონაცემებიდან მათთვის განსხვავებული მოდელების შექმნა. როდესაც მონაცემთა წაკითხვა და ჩაწერა შესაძლებელია, სისტემამ უნდა უზრუნველყოს მისი მთლიანობა და უსაფრთხოება.

9. აუცილებელი გადაკვეთის ოპერაციები - OLAP სისტემა პასუხისმგებელია ჰიპერკუბის შუას შორის ცალკე ფორმალურად აღწერილი ფუნქციური ხაზების შენარჩუნების უზრუნველსაყოფად ნებისმიერი ოპერაციების შესრულებისას მხედველობაში, შეფუთვაზე, კონსოლის მონაცემებზე ან დეტალებზე. სისტემას შეუძლია დამოუკიდებლად (ავტომატურად) მოახდინოს ჩანართების ხელახალი ინსტალაციის კონფიგურაცია, მათი ხელახალი მინიჭების ზემოქმედების გარეშე.

10. ინტუიციური მონაცემების მანიპულირება - OLAP სისტემას შეუძლია უზრუნველყოს ოპერაციების ვიზუალიზაცია, გადახვევა, კონსოლიდაცია და დეტალები ჰიპერკუბზე რთული ოპერაციების საჭიროების გარეშე რა უნდა გააკეთოს ინტერფეისთან. ანალიტიკურ მოდელში გამოვლენილი ცვლადები პასუხისმგებელნი არიან შეიცავდეს ყველა საჭირო ინფორმაციას პროგნოზირებადი ოპერაციების შესასრულებლად.

11. პასუხების მოპოვების განსხვავებული შესაძლებლობები - OLAP სისტემას შეუძლია მონაცემთა ვიზუალიზაციის სხვადასხვა გზების მხარდაჭერა. თქვენ მოეთხოვებათ წარუდგინოთ ნებისმიერი შესაძლო ორიენტაცია. მონაცემთა ფორმირების გზა წარმოადგენს მონაცემებს, რომლებიც სინთეზირდება და ინფორმაციას, რომელიც მიედინება მონაცემთა მოდელიდან ნებისმიერი შესაძლო ორიენტაციის მიხედვით. ეს ნიშნავს, რომ სტრიქონები, სვეტები ან გვერდები დაზიანებულია ერთდროულად აჩვენებს 0-დან N-მდე მნიშვნელობებს, სადაც N არის ყველა ანალიტიკური მოდელის გამრავლების რაოდენობა. გარდა ამისა, ყოველ ჯერზე, ერთი ჩანაწერის, სვეტის ან მხარის წაკითხვის ნაცვლად, აუცილებელია აჩვენოთ ელემენტების (მნიშვნელობის) ქვეჯგუფი, რომლებიც არსებობს მსოფლიოში, ნებისმიერი თანმიმდევრობით.

12. თანაბარი აგრეგაციების ზომა და რაოდენობა არ არის განსაზღვრული - ანალიტიკურ მოდელში საჭირო საჭირო ცვლილებების შესაძლო რაოდენობის შესახებ კვლევამ აჩვენა, რომ შესაძლებელია ვიმირიუვანში ერთდროულად 19-მდე მიღწევა. შედეგი არის რეკომენდაცია, რომ ანალიტიკურ ინსტრუმენტს შეუძლია დაუყოვნებლივ გამოიყენოს მინიმუმ 15 და რაც მთავარია - 20 კორექტირება. უფრო მეტიც, მკვდრების კანი არ არის დამნაშავე იმ თანაბარი აგრეგაციების რაოდენობაში, რომლებიც გამოვლენილია ანალიტიკოსის მიერ და კონსოლიდაციის გზები.

Codd-ის დამატებითი წესები.

მათგან ერთობლიობა, რომელიც დე ფაქტო OLAP ფუნქციებს ასრულებდა, ხშირად იწვევს სხვადასხვა საჩივრებს, მაგალითად, წესები 1, 2, 3, 6 ძლიერია, ხოლო წესები 10, 11 არაფორმალური მიზეზებია. ტოკმაკი გ.პ. ბასი ხარკი. მონაცემთა ბაზის კონცეფცია, რელაციური მონაცემთა მოდელი, SQL ენა. გვ. 68 ამრიგად, კაპიტალური რემონტით 12 კოდის ძალებს არ აქვთ უფლება ზუსტად გამოთვალონ OLAP. U 1995 რ. კოდმა დაამატა ეს ექვსი წესი ცვლამდე:

13. ჯგუფური სწავლება ინტერპრეტაციის წინააღმდეგ - OLAP სისტემამ ეფექტურად უნდა უზრუნველყოს ხელმისაწვდომობა როგორც ორიგინალურ, ისე გარე მონაცემებზე.

14. OLAP ანალიზის ყველა მოდელის მხარდაჭერა - OLAP სისტემამ უნდა უზრუნველყოს Codd-ის მიერ განსაზღვრული მონაცემთა ანალიზის ყველა მოდელი: კატეგორიული, კატეგორიული, ჩვეულებრივი და სტერეოტიპული.

15. არანორმალური მონაცემების დამუშავება - OLAP სისტემა შეიძლება იყოს ინტეგრირებული არანორმალურ მონაცემებთან. OLAP სისტემებში შექმნილი მონაცემების ცვლილებები სულაც არ იწვევს გარე სისტემებში შენახული მონაცემების ცვლილებას.

16. OLAP-ის შედეგების შენახვა: მათი ცალ-ცალკე შენახვა, როგორც გამომავალი მონაცემები - OLAP სისტემა, რომელიც მუშაობს წაკითხვა-ჩაწერის რეჟიმში, გამომავალი მონაცემების მოდიფიცირების შემდეგ, შედეგების შენახვა შესაძლებელია ცალკე. სხვა სიტყვებით რომ ვთქვათ, უზრუნველყოფილია გამომავალი მონაცემების უსაფრთხოება.

17. დღიური მნიშვნელობების დაგროვება - OLAP სისტემა, რომელიც წარმოადგენს კორესპონდენტის მონაცემებს, პასუხისმგებელია ყველა დღიური მნიშვნელობის დამატებაზე. სხვა სიტყვებით რომ ვთქვათ, დამნაშავეთა ყოველდღიური მნიშვნელობები განსხვავდება ნულოვანი მნიშვნელობებისაგან.

18. დღიური მნიშვნელობების დამუშავება - OLAP სისტემა დამნაშავეა ყველა დღიური მნიშვნელობის იგნორირებაში მათი სათანადო კორექტირების გარეშე. ეს თავისებურება დაკავშირებულია მე-17 წესთან.

გარდა ამისა, კოდმა 18-ვე წესი ოთხ ჯგუფად დაყო და მათ თავისებურება უწოდა. ამ ჯგუფებს მიენიჭათ სახელები, S, R და D.

ძირითადი მახასიათებლები (B) მოიცავს შემდეგ წესებს:

არსებობს მონაცემთა კონცეპტუალური წარმოდგენის მდიდარი მრავალფეროვნება (წესი 1);

მონაცემებით ინტუიციური მანიპულირება (წესი 10);

ხელმისაწვდომობა (წესი 3);

პაკეტის სწავლება ინტერპრეტაციის წინააღმდეგ (წესი 13);

ყველა მოდელის მხარდაჭერა OLAP ანალიზისთვის (წესი 14);

კლიენტ-სერვერის არქიტექტურა (წესი 5);

ინსაითი (წესი 2);

დაზღვეული უხვად კორისტუვაჩივის მხარდაჭერისთვის (წესი 8)

სპეციალური მახასიათებლები (S):

არანორმალური მონაცემების დამუშავება (წესი 15);

OLAP შედეგების შენახვა: მათი ცალკე შენახვა გამომავალი მონაცემების სახით (წესი 16);

ყოველდღიური მნიშვნელობის ბრალი (წესი 17);

ყოველდღიური ღირებულებების დამუშავება (წესი 18). ზარების პრეზენტაციის მახასიათებლები (R):

ბგერების ჩამოსხმის მოქნილობა (წესი 11);

ბგერების სტანდარტული პროდუქტიულობა (წესი 4);

ფიზიკური დონის ავტომატური რეგულირება (შეცვალა თავდაპირველი წესი 7).

მაკონტროლებელი Vimirs (D):

ვიმირების უნივერსალურობა (წესი 6);

ვიბრაციის და მსგავსი აგრეგაციის რაოდენობა შეზღუდული არ არის (წესი 12);

არაგაცვლის ოპერაციები ზომებს შორის (წესი 9).

შედი

დღესდღეობით, თითქმის ყველა ორგანიზაციას არ შეუძლია მონაცემთა ბაზის მართვის სისტემების გარეშე, განსაკუთრებით ის, რაც ტრადიციულად ორიენტირებულია კლიენტებთან ურთიერთობისკენ. ბანკები, სადაზღვევო კომპანიები, ავიაკომპანიები და სხვა სატრანსპორტო კომპანიები, სუპერმარკეტების ქსელები, სატელეკომუნიკაციო და მარკეტინგული ფირმები, ორგანიზაციები, რომლებიც მუშაობენ მომსახურების სექტორში და სხვა - ისინი აგროვებენ და ინახავენ მისი მონაცემთა ბაზიდან, შეიცავს გიგაბაიტიან მონაცემებს კლიენტების, პროდუქტებისა და სერვისების შესახებ. ასეთი მტკიცებულების ღირებულება ეჭვგარეშეა. ასეთ მონაცემთა ბაზებს ეწოდება ოპერაციული ან ტრანზაქციული და მათ ახასიათებთ მცირე ტრანზაქციების ან ჩაწერის წაკითხვის ოპერაციების დიდი რაოდენობა. კომპიუტერულ სისტემებს, რომლებიც ამუშავებენ ოპერაციებს და წვდომას ტრანზაქციების მონაცემთა ბაზებზე, ჩვეულებრივ უწოდებენ ონლაინ ტრანზაქციის დამუშავების სისტემებს (OLTP - On-Line Transaction Processing) ან ღრუბლოვან სისტემებს.

ღრუბლოვანი სისტემები მორგებულია და ოპტიმიზებულია იმისთვის, რომ მიაღწიოს ტრანზაქციების მაქსიმალურ რაოდენობას მოკლე დროში. განვიხილოთ რამდენიმე ოპერაცია, რომელიც თუნდაც მცირეა და დაკავშირებულია ერთმანეთთან. თუმცა, მონაცემთა ყოველდღიური ჩაწერა, რომელიც ახასიათებს კლიენტთან ინტერაქციას (დარეკვა მხარდაჭერის სერვისზე, ნაღდი ტრანზაქცია, კატალოგის მოთხოვნა, კომპანიის ვებსაიტის გაგზავნა და ა.შ.) შეიძლება გამოყენებულ იქნას აშკარად ახალი ინფორმაციის მისაღებად. კომპანიის საქმიანობის შედეგები და ანალიზი.

ღრუბლოვან სისტემებში ანალიტიკური ფუნქციების ნაკრები დამოკიდებულია საზღვრებზე. OLTP დანამატებში გამოყენებული სქემები, როგორც წესი, ქმნის მარტივ მონაცემებს, მონაცემთა ფრაგმენტები ყველაზე ხშირად ნაწილდება ცხრილებზე და მათი აგრეგაცია უნდა იყოს შერწყმული რთულ ოპერაციებთან. როგორც წესი, რთული პროცესები ცდილობენ შექმნან დიდი ძალისხმევა და გამოიწვიოს პროდუქტიულობის დაკარგვა.

გარდა ამისა, ღრუბლოვანი სისტემები ინახავს მონაცემებს, რომლებიც მუდმივად იცვლება. შეგროვებული ტრანზაქციების სამყაროში მთლიანი მნიშვნელობებიც კი სწრაფად იცვლება, ამიტომ ინტერვალებით განხორციელებულმა ორმა ანალიზმა შეიძლება გამოიწვიოს განსხვავებული შედეგი. ყველაზე ხშირად, ანალიზი სრულდება სინათლის პერიოდის დასრულების შემდეგ, წინააღმდეგ შემთხვევაში სურათი შეიძლება დამახინჯდეს. გარდა ამისა, ანალიზისთვის საჭირო მონაცემები შეიძლება ინახებოდეს მრავალ სისტემაზე.

ყველა სახის ანალიზი მოითხოვს ისეთ სტრუქტურულ ცვლილებებს, რომლებიც მიუღებელია უწყვეტი ოპერაციული გარემოში. მაგალითად, აუცილებელია იმის გაგება, თუ რა მოხდება, თუ კომპანია ახალ პროდუქტს წარადგენს. ასეთი გამოძიების პირდაპირ რეჟიმში ჩატარება შეუძლებელია. თუმცა, ეფექტური ანალიზი იშვიათად არის შესაძლებელი ღრუბლოვან სისტემაში.

დამხმარე სისტემები იღებენ გადაწყვეტილებებს სისტემაში მონაცემების მიწოდების აუცილებლობის საფუძველზე, სხვადასხვა ნიმუშებისთვის, გამომავალი კომპლექტიდან ხელით, ხედის დამუშავებისა და ანალიზისთვის. როგორც წესი, ასეთი აგრეგატული ფუნქციები ქმნიან მონაცემთა მდიდარ (და შესაბამისად არარელატიურ) კრებულს (ხშირად უწოდებენ ჰიპერკუბს ან მეტაკუბს), რომლის ღერძები შეიცავს პარამეტრებს, ხოლო გამოთვლები - მათგან შენახული მთლიანი მონაცემები - და ინახავს ასეთ მონაცემებს. ასევე შეიძლება ინახებოდეს ურთიერთობით ცხრილებში. კანის ყველა ღერძი შეიძლება იყოს ორგანიზებული იერარქიებად, რომლებიც წარმოადგენენ დეტალების სხვადასხვა დონეს. მონაცემთა ასეთი მოდელების გამოყენებით, დეველოპერებს შეუძლიათ ჩამოაყალიბონ რთული მოთხოვნები, შექმნან მონაცემები და ამოიღონ მონაცემთა ქვეჯგუფები.

ამან თავად გააჩინა ინტერესი გადაწყვეტილების მხარდაჭერის სისტემების მიმართ, რომლებიც იქცა OLAP-ის მთავარ სფეროდ (On-Line ანალიტიკური დამუშავება, ონლაინ ანალიტიკური დამუშავება, ონლაინ მონაცემთა ანალიზი), რომელიც გარდაქმნის OLTP სისტემების „მადანს“ მზად. virib”, რომელიც არის Nicky Ta-ს ძირითადი ანალიტიკოსები შეიძლება იყოს სრულიად გამარჯვებული. ეს მეთოდი ანალიტიკოსებს, მენეჯერებსა და ანალიტიკოსებს საშუალებას აძლევს დაგროვილი მონაცემების „ძირამდე მიაღწიონ“ სწრაფი წვდომისა და ინფორმაციის ფართო სპექტრზე მარტივი წვდომის გზით.

კურსის თემაა OLAP ტექნოლოგია.

მდიდარი ამქვეყნიური ანალიტიკური ანგარიში

Მთავარი ნაწილი

1 ძირითადი ინფორმაცია OLAP-ის შესახებ

OLAP კონცეფცია ეფუძნება მონაცემთა მდიდარი და მრავალფეროვანი წარმოდგენის პრინციპს. 1993 წელს ტერმინი OLAP შემოიღო ედგარ კოდმა. რელაციური მოდელის ნაკლოვანებების შემხედვარე მან პირველ რიგში მიუთითა „კორპორატიული ანალიტიკოსებისთვის მრავლობითი ცვლილებების მონაცემების გაერთიანების, განხილვისა და ანალიზის შეუძლებლობაზე“ და მიუთითა შეუთავსებლობა OLAP სისტემებთან, რომლებიც აფართოებენ რელაციური DBMS-ების ფუნქციონირებას და მოიცავს ანალიზის ფართო სპექტრს მის ერთ-ერთ მახასიათებელს.

ბევრ პუბლიკაციაში, აბრევიატურა OLAP გამოიყენება მონაცემთა მდიდარი ხედის აღსანიშნავად და თავად მონაცემთა მდიდარ მონაცემთა ბაზაში შესანახად. როგორც ჩანს, მაგრამ არასწორია, რომ თავად კოდმა განაცხადა, რომ „რელატიური მონაცემთა ბაზები იქნება ყველაზე შესაფერისი ტექნოლოგია კორპორატიული მონაცემების შესანახად. არ არის საჭირო მონაცემთა ბაზის ახალი ტექნოლოგიები და, უფრო მეტიც, ანალიზის ტექნიკა, რომელიც ავსებს არსებული DBMS-ების ფუნქციებს და არსებობს საკმარისი ხელსაწყოები სხვადასხვა ტიპის ინტელექტუალური ანალიზის გადასატანად და ავტომატიზაციისთვის, OLAP-ის გაძლიერებისთვის. ასეთი დაბნეულობა შეიძლება ჩაითვალოს ფორმულაში "OLAP ან ROLAP", რომელიც არ არის მთლად სწორი, რადგან ROLAP (რელაციური OLAP) კონცეპტუალურ დონეზე მხარს უჭერს ტერმინს OLAP ფუნქციონირება. რაც უფრო მნიშვნელოვანია არის OLAP-ის განვითარება, რომელიც დაფუძნებულია DBMS-ების მრავალფეროვნებაზე, სპეციალურ ტერმინზე MOLAP. კოდის აზრით, არსებობს მრავალგანზომილებიანი კონცეპტუალური ხედვა, მრავალგანზომილებიანი პერსპექტივა, რომელიც შედგება რამდენიმე დამოუკიდებელი განზომილებისგან, რომლებიც შეიძლება გაანალიზდეს მონაცემთა მთლიანობიდან. მრავალი სამყაროს ერთსაათიანი ანალიზი ითვლება მდიდარ მსოფლიო ანალიზად. Kozhen vimir უშუალოდ მოიცავს მონაცემთა კონსოლიდაციას, რომელიც წარმოიქმნება ანალიზის თანმიმდევრული დონეების სერიიდან, სადაც მიმდინარე დონე დიდწილად აჩვენებს მონაცემთა აგრეგაციას იმავე მონაცემების უკან. დიახ, ვიმირ.

დღეს ჩვენ ვხედავთ პირდაპირ კონსოლიდაციას, რომელიც ყალიბდება ტრადიციული „საწარმო – ქვედანაყოფი – ფილიალი – სერვისი“-დან. ცვალებადი საათი ახლა შეიძლება მოიცავდეს ორ პირდაპირ კონსოლიდაციას - "მდინარე - მეოთხედი - თვე - დღე" და "კვირა - დღე", როგორც საათებისა და თვეების თანაფარდობა და კიდევ უფრო არაგონივრული. ამ შემთხვევაში შესაძლებელი ხდება კანის მკურნალობისთვის ინფორმაციის სასურველი დონის დეტალების შერჩევა. ბურღვის ოპერაცია მიჰყვება მოძრაობას კონსოლიდაციის უმაღლესი დონეებიდან ყველაზე დაბალზე; თუმცა, ოპერაციის გადახვევა ნიშნავს გადაადგილებას ყველაზე დაბალი დონეებიდან უმაღლესზე.

Codd-მა გამოავლინა 12 წესი, რაც შესაძლებელს ხდის პროგრამული პროდუქტის დაკმაყოფილებას OLAP კლასში.

1.2 ოპერაციული ანალიტიკური დამუშავების სარგებელი

მრავალგანზომილებიანი კონცეპტუალური ხედი. OLAP პროდუქტის კონცეპტუალური მონაცემთა მოდელი შეიძლება იყოს მდიდარი ბუნებით, რაც ანალიტიკოსებს საშუალებას აძლევს გააცნობიერონ "ნაჭრისა და კამათლის", როტაციის და განთავსების (pi). vot) ინტუიციური ოპერაციები პირდაპირ კონსოლიდაციიდან. გამჭვირვალობა. კორესპონდენტი არ არის პასუხისმგებელი იმის ცოდნაზე, თუ რა კონკრეტული მეთოდები გამოიყენება მონაცემთა შესანახად და დასამუშავებლად, როგორ ხდება მონაცემების ორგანიზება და მტკიცებულებების აღება.

ხელმისაწვდომობა. ანალიტიკოსი პასუხისმგებელია ანალიზის აგების უნარზე კულისებს მიღმა კონცეპტუალური სქემების ფარგლებში და ამ შემთხვევაში მათ შეიძლება დაკარგონ კონტროლი DBMS-ზე, რომელიც დაიკარგა ძველი კატასტროფის შედეგად. საქმე მიბმული კულისების ანალიტიკურ მოდელებთან. ამიტომ, OLAP ინსტრუმენტმა უნდა დააწესოს თავისი ლოგიკური სქემა მონაცემთა ფიზიკურ მასივებზე, საბოლოო ჯამში გარდაქმნას ყველაფერი, რათა უზრუნველყოს შეგროვებული ინფორმაციის ერთიანი, მოსახერხებელი და ყოვლისმომცველი ხედვა.

თანმიმდევრული ანგარიშგების შესრულება. მონაცემთა ბაზის გაზრდილი მოცულობისა და ზომის გამო, ანალიტიკა აუცილებლად განიცდის ნებისმიერ ცვლილებას პროდუქტიულობაში. თანმიმდევრული პროდუქტიულობა აუცილებელია განვითარების სიმარტივისა და სირთულისგან თავისუფლების შესანარჩუნებლად, რომელიც საჭიროა OLAP-ის რეალიზაციისთვის.

კლიენტი – სერვერის არქიტექტურა (Client-Server Architecture). მონაცემების უმეტესობა, რომელიც საჭიროებს სწრაფ ანალიტიკურ დამუშავებას, ინახება მთავარ სისტემებში და ამოღებულია პერსონალური კომპიუტერებიდან. აქედან გამომდინარე, შესაძლებელია OLAP პროდუქტების შექმნა კლიენტ-სერვერის გარემოში. აქ მთავარი იდეა ისაა, რომ OLAP ინსტრუმენტის სერვერის კომპონენტი უნდა იყოს შემუშავებული ინტელექტუალური და პრაქტიკული დიზაინით, რომელიც დაფუძნებულია კორპორატიული მონაცემთა ბაზების სხვადასხვა ლოგიკური და ფიზიკური სქემების ფორმალიზაციასა და კონსოლიდაციაზე, რათა უზრუნველყოს ინსაიტის ეფექტი.

ზოგადი განზომილება. ყველა ეს მონაცემი შეიძლება იყოს თანაბარი. დამატებითი მახასიათებლები შეიძლება მიენიჭოს მსგავს ვიმირებს, მაგრამ რადგან ყველა ელემენტი სიმეტრიულია, ეს დამატებითი ფუნქციონირება შეიძლება მიენიჭოს ნებისმიერ ვიმირს. მონაცემთა ძირითადი სტრუქტურა, მონაცემთა ფორმულები და ფორმატები არ უნდა აგვერიოს ერთ სამყაროში.

დინამიური იშვიათი მატრიცის მართვა. OLAP ინსტრუმენტი პასუხისმგებელია იშვიათი მატრიცების ოპტიმალური დამუშავების უზრუნველსაყოფად. წვდომის სითხე უნდა იყოს შენარჩუნებული შუა მონაცემების განაწილების მიუხედავად და იყოს მუდმივი მნიშვნელობის მოდელებისთვის, რაც შეიძლება განსხვავდებოდეს ცვალებადობის ოდენობითა და მონაცემთა მწირობის სხვაობით.

მდიდრულად დაცული რეჟიმის მხარდაჭერა (Multi-User Support). ხშირად, რამდენიმე ანალიტიკოსს დასჭირდება ერთდროულად იმუშაოს ერთ ანალიტიკურ მოდელთან ან შექმნას სხვადასხვა მოდელები იმავე კორპორატიულ მონაცემებზე დაყრდნობით. OLAP ინსტრუმენტი პასუხისმგებელია ერთდროული წვდომის უზრუნველყოფაზე, მონაცემთა მთლიანობისა და უსაფრთხოების უზრუნველყოფაზე.

შეუზღუდავი ჯვარედინი განზომილებიანი ოპერაციების მხარდაჭერა. მონაცემების გაანგარიშება და მანიპულირება რაიმე მიზეზით არ უნდა იყოს დაბლოკილი ან გამიჯნული მონაცემებს შორის. ხელახალი შექმნა, რომელიც მოითხოვს საკმარის მნიშვნელობას, უნდა მიეცეს ფუნქციურად ახალი ფორმულის ენა.

ინტუიციური მონაცემების მანიპულირება. კონსოლიდაციური დირექტივების გადახედვა, მონაცემების დეტალები სვეტებში და რიგებში, აგრეგაცია და სხვა მანიპულაციები, ძალაუფლების სტრუქტურები და კონსოლიდაციის დირექტივების იერარქია, სავარაუდოდ მიაღწევს მაქსიმალურ სახელმძღვანელოს, ბუნებრივ და კომფორტულ ინტერფეისს.

მოქნილი ანგარიშგების მექანიზმი. გთხოვთ, განიხილოთ მონაცემების ვიზუალიზაციის სხვადასხვა გზები, რათა თქვენი მოთხოვნები იყოს წარმოდგენილი ნებისმიერი შესაძლო ორიენტირებით.

შეუზღუდავი ზომები და აგრეგაციის დონეები. მკაცრად რეკომენდირებულია OLAP ინსტრუმენტის გამოყენება ანალიტიკურ მოდელში მინიმუმ თხუთმეტი და უფრო ხშირად ოც პერიოდზე.

2 OLAP კომპონენტი

2.1 სერვერი. კლიენტი. ინტერნეტი

OLAP გაძლევთ საშუალებას შეასრულოთ დიდი რაოდენობით მონაცემების სწრაფი და ეფექტური ანალიზი. მონაცემები ინახება მდიდარ მსოფლმხედველობაში, რაც ყველაზე მჭიდროდ ასახავს რეალური ბიზნეს მონაცემების ბუნებრივ მდგომარეობას. გარდა ამისა, OLAP კომპიუტერულ მეცნიერებს აძლევს შესაძლებლობას ამოიღონ მონაცემები უფრო სწრაფად და მარტივად. ამ დახმარებით, საჭიროების შემთხვევაში, ამ მონაცემების ნაცვლად, უფრო დეტალური ინფორმაციისთვის შესაძლებელია სუნების გაბურღვა.

OLAP სისტემა შედგება რამდენიმე კომპონენტისგან. ძირითადად, წარმოდგენილი სისტემა მოიცავს მონაცემთა სერვერს, OLAP სერვერს და კლიენტს. მონაცემთა წყარო არის წყარო, საიდანაც მონაცემები აღებულია ანალიზისთვის. მონაცემები გადადის ან კოპირებულია OLAP სერვერზე, შემდეგ სისტემატიზებულია და მზადდება შეკითხვის პასუხების შემდგომი გენერირებისთვის. კლიენტი არის ინტერფეისი კლიენტსა და OLAP სერვერს შორის. სტატიის ეს ნაწილი აღწერს კანის კომპონენტების ფუნქციებს და მთელი სისხლძარღვთა სისტემის მნიშვნელობას. ძერელა. Jerel OLAP სისტემებში არის სერვერი, რომელიც იღებს მონაცემებს ანალიზისთვის. OLAP პროდუქტის მჭიდროდ შეგიძლიათ გამოიყენოთ მონაცემთა საწყობი, მონაცემთა ბაზა ფარული მონაცემების შესანახად, ცხრილი ფინანსური მონაცემების შესაგროვებლად ან ზედაზღვევის ნებისმიერი კომბინაცია. ძალიან მნიშვნელოვანია OLAP პროდუქტის უნარი იმუშაოს სხვადასხვა ტიპის მოწყობილობების მონაცემებთან. ერთი ფორმატის ან ერთი მონაცემთა ბაზის საჭიროება, რომელშიც ყველა გამომავალი მონაცემი იყო შენახული, არ არის შესაფერისი მონაცემთა ბაზის ადმინისტრატორებისთვის. გარდა ამისა, ეს მიდგომა ამცირებს OLAP პროდუქტის სიმტკიცეს და სიმტკიცეს. ადმინისტრატორები და ბიზნესის მფლობელები აფასებენ, რომ OLAP პროდუქტები, რომლებიც უზრუნველყოფენ მონაცემთა მოპოვებას სხვადასხვა და მდიდარი წყაროებიდან, უფრო დამღლელი და ყავისფერია, ვიდრე ის, რაც შეიძლება იყოს უფრო მკაცრი.

სერვერი OLAP სისტემის აპლიკაციის ნაწილია OLAP სერვერი. ეს საწყობი ინახავს ყველა სამუშაოს (დამოკიდებულია სისტემის მოდელზე) და ინახავს ყველა ინფორმაციას აქტიური წვდომის უზრუნველყოფამდე. სერვერის არქიტექტურა იმართება სხვადასხვა კონცეფციით. Zokrem, OLAP პროდუქტის მთავარი ფუნქციური მახასიათებელია მდიდარი (MMDB, MDDB) ან ურთიერთობითი (RDB, RDB) მონაცემთა ბაზების სწრაფი შენახვა. აგრეგირებული/გადაგზავნა აგრეგირებული მონაცემები

მოთხოვნების განხორციელება აუცილებელია OLAP-ისთვის. ეს არის OLAP-ის ერთ-ერთი ძირითადი პრინციპი – მონაცემების ინტუიციურად მანიპულირების უნარი იწვევს ინფორმაციის სწრაფ განვითარებას. ზოგადად, რაც უფრო მეტი გამოთვლა გჭირდებათ ინფორმაციის ამოსაღებად, მით უფრო დიდია მისი გამოყენების ალბათობა. ამიტომ, მოთხოვნების განხორციელებისთვის მცირე დროის დაზოგვის მიზნით, ინფორმაციის ფრაგმენტები, როგორიცაა ცხოველები, ყველაზე ხშირად იკითხება და რომლებიც საჭიროებენ გაანგარიშებას, ექვემდებარება წინსვლას. შემდეგ ისინი დაცულია და შემდეგ ინახება მონაცემთა ბაზაში, როგორც ახალი მონაცემები. როგორც მონაცემების ტიპების მაგალითზე, რომლის მიღებაც შესაძლებელია წინასწარ, შეგიძლიათ შეიყვანოთ მონაცემები - მაგალითად, გაყიდვების მაჩვენებლები თვეების, კვარტლების ან წლების განმავლობაში, რისთვისაც მონაცემები ეფექტურად არის შეყვანილი და არის სასარგებლო ინდიკატორები.

სხვადასხვა საფოსტო მენეჯერი იყენებს სხვადასხვა მეთოდს პარამეტრების შესარჩევად, რათა მიიღონ წინასწარი აგრეგაცია და ადრე გამოთვლილი მნიშვნელობების რაოდენობა. აგრეგაციის მიდგომა ერთდროულად ივსება მონაცემთა ბაზაში და შეკითხვის განხორციელების საათზე. რაც უფრო მეტი რაოდენობა გამოითვლება, მყიდველის მოთხოვნის ალბათობა უკვე გამოთვლილ რაოდენობას ითხოვს, იზრდება და შესაბამისად, საათი შემცირდება, ისე, რომ იგი ვერ შეძლებს გამოანგარიშებისთვის კობის რაოდენობის მიღებას. თუმცა, თუ ჩვენ გამოვთვლით ყველა შესაძლო მნიშვნელობას - მაგრამ ეს არ არის საუკეთესო გამოსავალი - მონაცემთა ბაზის ზომა ბუნებრივად იზრდება ასეთ ვითარებაში, რომელიც უნდა იყოს შედგენილი დაუფარავად და აგრეგაციის დრო დიდი იქნება. გარდა ამისა, თუ მონაცემთა ბაზას ემატება რიცხვითი მნიშვნელობები, ან თუ ისინი შეიცვლება, ინფორმაცია უნდა იყოს ნაჩვენები ადრე გამოთვლილ მნიშვნელობებზე, რომლებიც დევს ახალი მონაცემების უკან. ამრიგად, მონაცემთა ბაზის განახლებას ასევე შეიძლება დიდი დრო დასჭირდეს ადრე გამოთვლილი რაოდენობით დიდი რაოდენობით. ფრაგმენტები იქმნება აგრეგაციის საათში; მონაცემთა ბაზა მუშაობს დამოუკიდებლად, ისე, რომ აგრეგაციის საათი სათანადოდ წყდება.

კლიენტი. კლიენტი არის ის, რომელიც გამოიყენება მონაცემთა ბაზაში მონაცემების წარმოსაჩენად და მანიპულირებისთვის. კლიენტი შეიძლება იყოს რთული - ცხრილის სახით, რომელიც მოიცავს ისეთ OLAP შესაძლებლობებს, როგორიცაა, მაგალითად, მონაცემთა შეფუთვა (გადატრიალება) და მონაცემებში ჩაღრმავება (ბურღვა) და წარმოადგენს როგორც სპეციალიზებულ, ასევე მარტივ ამოცანას, რომელსაც მე გავაკეთებ. შეხედეთ ვარსკვლავებს ან იყავით იგივე მძიმე ინსტრუმენტებით, როგორც შეიქმნა პროგრამა, რომელიც შექმნილია მონაცემების რთული მანიპულირებისთვის. ინტერნეტი კლიენტის ახალი ფორმაა. გარდა ამისა, მას ბევრი ახალი ტექნოლოგია ატარებდა; ანონიმური ინტერნეტ გადაწყვეტილებები ძალიან შეშფოთებულია მათი შესაძლებლობებით ზოგადად და როგორ არის დაცული OLAP გადაწყვეტილებები. სექცია განიხილავს კლიენტების კანის ტიპის სხვადასხვა ფუნქციურ შესაძლებლობებს.

იმისდა მიუხედავად, რომ სერვერი არის OLAP გადაწყვეტის "ხერხემი", კლიენტი არანაკლებ მნიშვნელოვანია. სერვერს შეუძლია შექმნას შესანიშნავი საფუძველი მონაცემთა უფრო მარტივი მანიპულირებისთვის, მაგრამ ვინაიდან კლიენტი დასაკეცი ან დაბალ ფუნქციონალურია, მას შეუძლია სწრაფად მიაღწიოს მყარი სერვერის ყველა უპირატესობას. კლიენტი იმდენად მნიშვნელოვანია, რომ ბევრი მომხმარებელი ინვესტირებას უწევს ძალისხმევას, კლიენტის გამოცდილების ჩათვლით. ყველაფერი, რაც მოყვება ამ დანამატებს, მოიცავს ინტერფეისის სტანდარტულ სახეს, შემდეგ ფუნქციების და სტრუქტურის განსაზღვრას, ასევე გადაწყვეტილებებს მეტ-ნაკლებად სტანდარტული სიტუაციებისთვის. მაგალითად, პოპულარული ფინანსური პაკეტები. გარდა ამისა, შეიქმნა ფინანსური პროგრამები, რათა სპეციალისტებს მიეცეთ წვდომა ძირითად ფინანსურ ინსტრუმენტებზე მონაცემთა ბაზის სტრუქტურის ან კულისებში არსებული ფორმებისა და ანგარიშების შემუშავების საჭიროების გარეშე. ხმის ხელსაწყო/ხმის გენერატორი. შეკითხვის ინსტრუმენტი ან შეკითხვის გენერატორი უზრუნველყოფს მარტივ წვდომას OLAP მონაცემებზე. მათ აქვთ მარტივი გრაფიკული ინტერფეისი და საშუალებას აძლევს მომხმარებლებს შექმნან ობიექტების მოძრაობები "გადაათრიე და ჩამოაგდე" მეთოდის გამოყენებით. მიუხედავად იმისა, რომ ტრადიციული ხმის გენერატორი სისტემას აძლევს შესაძლებლობას სწრაფად წარმოქმნას ფორმატირებული შეტყობინებები, ხმის გენერატორები, რომლებიც მხარს უჭერენ OLAP-ს, ქმნიან რეალურ შეტყობინებებს. საბოლოო პროდუქტს აქვს ხმა, რომელიც შეიძლება დაიკარგოს მონაცემებში იმავე დონის დეტალებამდე, ბგერების შეფუთვა (გაფუჭება), იერარქიის მხარდაჭერა და ა.შ. დანამატები (დამატებითი) ელექტრონული ცხრილი.

დღეს ბევრი პირდაპირი ბიზნესი იყენებს ელექტრონულ ცხრილებს კორპორატიული მონაცემების ანალიზის სხვადასხვა ფორმის შესაქმნელად. სიმღერის შეგრძნებას იდეალური დანიშნულება აქვს ბგერების შესაქმნელად და მონაცემების გადახედვისთვის. ანალიტიკოსს შეუძლია შექმნას მაკროები, რომლებიც მოქმედებენ შერჩეულ მონაცემებზე, და შაბლონი შეიძლება შეიქმნას ისე, რომ მონაცემთა შეყვანისას ფორმულები უზრუნველყოფენ სწორ მნიშვნელობებს, მათ შორის მარტივი გამოთვლების განმეორებით შეყვანის აუცილებლობას.

ეს არანაკლებ მართალია, მაგრამ შედეგი არის „ბრტყელი“ ჟღერადობა, რაც იმას ნიშნავს, რომ, როგორც ყველა ქმნილება, მნიშვნელოვანია მისი შეხედვა სხვადასხვა ასპექტში. მაგალითად, დიაგრამა აჩვენებს ინფორმაციას ათი საათის განმავლობაში, ვთქვათ, ერთი თვის განმავლობაში. და თუ გსურთ მიიღოთ მეტი მონაცემები დღეში (პირიქით, მოდით გავაკეთოთ ეს თვეში), დაგჭირდებათ სრულიად ახალი დიაგრამის შექმნა. შემდეგი, აირჩიეთ მონაცემთა ახალი ნაკრები, დაამატეთ ახალი ეტიკეტები დიაგრამაზე და შეიტანეთ სხვა მარტივი ან რთული ცვლილებები. გარდა ამისა, არსებობს მთელი რიგი სფეროები, რომლებშიც შესაძლებელია შეღავათების დაწესება, რაც შესაბამისად ცვლის სანდოობას. თუ ცხრილს დაემატება OLAP, შესაძლებელია შექმნათ ერთი დიაგრამა და შემდეგ განახორციელოთ სხვადასხვა მანიპულაციები საჭირო ინფორმაციის გამოყენებით საკუთარი თავის დამძიმების გარეშე.ყველა შესაძლო გამოვლინება. ინტერნეტი, როგორც კლიენტი. OLAP კლიენტების ოჯახის უახლესი წევრი არის ინტერნეტი. აშკარა უპირატესობაა OLAP მონაცემების ინტერნეტის საშუალებით გენერირებაში. ყველაზე დიდი უპირატესობა არის სპეციალიზებული პროგრამული უზრუნველყოფის საჭიროება ინფორმაციის წვდომისთვის. ეს დაზოგავს ბიზნესს დიდ დროსა და ფულს.

Kozhen ინტერნეტ პროდუქტი სპეციფიკურია. ეს გაამარტივებს ვებ გვერდების შექმნას, მაგრამ ნაკლებ მოქნილობას გამოიწვევს. სხვები საშუალებას გაძლევთ შექმნათ მონაცემთა გამონათქვამები და შემდეგ შეინახოთ ისინი სტატიკური HTML ფაილების სახით. ეს ყველაფერი იძლევა ინტერნეტის საშუალებით მონაცემების ნახვის შესაძლებლობას, მაგრამ მეტი არაფერი. დახმარებისთვის მონაცემების აქტიური მანიპულირება შეუძლებელია.

პროდუქციის ძირითადი სხვა სახეობა არის ინტერაქტიული და დინამიური, რაც ასეთ პროდუქტებს მრავალფუნქციურ იარაღად გარდაქმნის. Koristuvach-ს შეუძლია შექმნას შთანთქმა მონაცემებში, მობრუნება, ჩაძირვა და ა.შ. სანამ ინტერნეტის დანერგვას აირჩევთ, მნიშვნელოვანია გვესმოდეს, რა ფუნქციონალური შესაძლებლობებია ხელმისაწვდომი ვებ გადაწყვეტაში და შემდეგ დაადგინოთ, რომელი პროდუქტი საუკეთესოდ აერთიანებს ამ ფუნქციას.

პროგრამა პროგრამა არის კლიენტის ტიპი, რომელიც მხარს უჭერს OLAP მონაცემთა ბაზებს. სუნი იდენტურია ელექტრომომარაგების ინსტრუმენტებისა და ხმის გენერატორების ზემოთ აღწერილი, მაგრამ გარდა ამისა, ისინი ანიჭებენ პროდუქტს უფრო ფართო ფუნქციონალურ შესაძლებლობებს. პროგრამა, როგორც წესი, უფრო რთულია, ქვედა ხელსაწყო იკვებება.

როზრობკა. დარწმუნდით, რომ OLAP-ის ინსტალატორები უზრუნველყოფენ შუა საფუძველს ძლიერი მორგებული პროგრამების შესაქმნელად. მთლიანობაში განვითარების ბირთვი არის გრაფიკული ინტერფეისი, რომელიც ხელს უწყობს დანამატების ობიექტზე ორიენტირებულ განვითარებას. გარდა ამისა, მომხმარებლების უმეტესობა უზრუნველყოფს API-ს, რომელიც შეიძლება გამოყენებულ იქნას OLAP მონაცემთა ბაზების სხვა დანამატებთან ინტეგრირებისთვის.

2.2 OLAP კლიენტები

OLAP კლიენტები დაინსტალირებული OLAP აპარატიდან დაინსტალირებულია კლიენტის კომპიუტერზე. ისინი არ იყენებენ სერვერებს გამოთვლებისთვის და აქვთ ნულოვანი ადმინისტრირება. ასეთი კლიენტები საშუალებას აძლევს თავიანთ კლიენტებს დაუკავშირდნენ სხვა მონაცემთა ბაზებს; როგორც წესი, ეს ქმნის ლექსიკონს, რომელიც აღწერს მონაცემების ფიზიკურ სტრუქტურას მისი ობიექტური აღწერის მიღმა, გონივრული აღწერილობის მიღმა. ამის შემდეგ, OLAP კლიენტი ასრულებს შემდგომ შეკითხვებს და აჩვენებს მათ შედეგებს OLAP ცხრილში. ამ ცხრილით, თავისებურად, მომხმარებელს შეუძლია მონაცემების მანიპულირება და ეკრანზე ასობით განსხვავებული ხედის ჩვენება. OLAP კლიენტები, რომლებიც შექმნილია RDBMS-თან მუშაობისთვის, საშუალებას გაძლევთ გაანალიზოთ მონაცემები, რომლებიც უკვე არის კორპორაციაში, მაგალითად, შენახული OLTP მონაცემთა ბაზაში. თუმცა, სხვა მიზეზების გამო, შეიძლება უფრო იაფი იყოს მონაცემთა საწყობების ან მონაცემთა ფანჯრების შექმნა - ამ შემთხვევაში, ორგანიზაციების პროგრამისტებმა უნდა შექმნან "სარკის" ტიპის ცხრილი რელატიურ მონაცემთა ბაზებში და მონაცემთა შეძენის პროცედურებში. სამუშაოს ყველაზე რთული ნაწილი - ინტერფეისის დაწერა მრავალი მოთხოვნისა და პასუხების ვარიანტებით - ხორციელდება OLAP კლიენტში ფაქტიურად რამდენიმე წელიწადში. ასეთი პროგრამის დასაუფლებლად კინცევოი კორისტუვაჩევს დაახლოებით 30 წუთი სჭირდება. OLAP კლიენტებს აწვდიან თავად მონაცემთა ბაზის გამყიდველებს, როგორც გლობალურ, ასევე ურთიერთობებში. ეს მოიცავს SAS Corporate Reporter-ს, რომელიც არის კიდევ ერთი სტანდარტული პროდუქტი საიმედოობისა და სილამაზისთვის, Oracle Discoverer, MS Pivot Services და Pivot Table პროგრამული უზრუნველყოფა და ა.შ. პროგრამების დიდი რაოდენობა, რომლებიც შექმნილია MS OLAP სერვისებთან მუშაობისთვის, მოწოდებულია კამპანიის „OLAP in Mac-ის“ ფარგლებში, რომელსაც ახორციელებს Microsoft Corporation. როგორც წესი, ისინი იყენებენ Pivot Table-ის უფრო მოკლე ვერსიებს და მხარდაჭერილია MS Office-ის ან ვებ ბრაუზერის მიერ. Matryx-ის, Knosys-ის და ა.შ. ამ პროდუქტებმა, სიმარტივის, სიიაფის და ეფექტურობის გამო, დიდი პოპულარობა მოიპოვა ზაჰოდში.

3 OLAP პროდუქტების კლასიფიკაცია

3.1 მსოფლიო OLAP

ამჟამად ბაზარზე არის პროდუქციის დიდი რაოდენობა, რომელიც უზრუნველყოფს OLAP ფუნქციონირებას როგორც ამ, ასევე სხვა სამყაროში. მდიდარი კონცეპტუალური გაგების უზრუნველყოფით backend ინტერფეისიდან გამომავალი მონაცემთა ბაზამდე, ყველა OLAP პროდუქტი იყოფა სამ კლასად, გამომავალი მონაცემთა ბაზის ტიპის მიხედვით.

1. უმსხვილესი ოპერაციული ანალიტიკური დამუშავების სისტემები (მაგალითად, Essbase Arbor Software-დან, Oracle Express Server Oracle-დან) იყო MOLAP კლასამდე, ასე რომ მათ შეეძლოთ ემუშავათ საკუთარ დიდ მონაცემთა ბაზებთან. ისინი ეყრდნობიან დაპატენტებულ ტექნოლოგიებს მსოფლიოში ყველაზე დიდი და ძვირადღირებული DBMS-ებისთვის. ეს სისტემები უზრუნველყოფენ OLAP დამუშავების უახლეს ციკლს. თქვენ შეგიძლიათ, სერვერის კომპონენტის გარდა, შეიტანოთ კლიენტის ინტერფეისის ინტეგრაციის ძალა, ან გამოიყენოთ vicor გარე პროგრამებთან და ცხრილებთან დასაკავშირებლად. ასეთი სისტემების შესანარჩუნებლად საჭიროა მომსახურე ტექნიკოსების სპეციალური პერსონალი, რომლებიც მონაწილეობენ სისტემის დამონტაჟებაში, მოვლა-პატრონობაში და ტერმინალის კომპონენტებზე მონაცემების ფორმირებაში.

2. რელაციური მონაცემების ონლაინ ანალიტიკური დამუშავების სისტემები (ROLAP) იძლევა რელაციურ მონაცემთა ბაზაში შენახული მონაცემების პრეზენტაციას მდიდარი სამყაროს სახით, ინფორმაციის უსაფრთხოდ გარდაქმნის მდიდარ სამყაროს მოდელად შუალედური niy ბურთის მეტამონაცემების მეშვეობით. ამ კლასში შედის DSS Suite MicroStrategy-დან, MetaCube Informix-დან, DecisionSuite Information Advantage-დან და სხვა. InfoVisor პროგრამული კომპლექსი, რომელიც შემუშავებულია რუსეთში, ივანოვოს სახელმწიფო ენერგეტიკულ უნივერსიტეტში, ასევე ამ კლასის სისტემაა. ROLAP სისტემები კარგად არის შესაფერისი დიდი უპირატესობებით მუშაობისთვის. MOLAP სისტემების მსგავსად, ისინი წარმოქმნიან მნიშვნელოვან ხარჯებს ინფორმაციული ტექნოლოგიების მუშაკების მოვლა-პატრონობისთვის და ხარჯების გადასაცემად უხვად ავტომატიზირებულ სამუშაო სისტემაზე.

3. ჰიბრიდული სისტემები (Hybrid OLAP, HOLAP) დაიშალა პროგრესის გაზრდისა და წამყვანი კლასების არაპრივილეგირებული ძალაუფლების მინიმიზაციის მეთოდის გამოყენებით. რა კლასს ეკუთვნის Media/MR კომპანია Speedware. მოვაჭრეების თქმით, ეს უზრუნველყოფს MOLAP პლატფორმის ანალიტიკურ მოქნილობას და მოქნილობას ROLAP-ის მიერ მოწოდებულ რეალურ მონაცემებზე მყისიერი წვდომით.

ზედაზღვევის ხარჯების გარდა, არსებობს კიდევ ერთი კლასი - ინსტრუმენტები დესკტოპის კომპიუტერებისთვის მოთხოვნებისა და ბგერების გენერირებისთვის, დამატებული OLAP ფუნქციებით ან ინტეგრაცია გარე მეთოდებიდან, რომლებიც დაამატებენ ასეთ ფუნქციებს tsії. როდესაც სისტემა კარგად არის განვითარებული, შესაძლებელია გამომავალი მოწყობილობებიდან მონაცემების შერჩევა, მათი გარდაქმნა და განთავსება დინამიურ, მდიდარ მონაცემთა ბაზაში, რომელიც ფუნქციონირებს საბოლოო მომხმარებლის კლიენტურ სადგურზე. ამ კლასის მთავარი წარმომადგენლები არიან ამავე კომპანიის BusinessObjects, BrioQuery of Brio Technology და PowerPlay of Cognos. პროგრამაში მოცემულია ყველა OLAP პროდუქტის მიმოხილვა.

სპეციალიზებულ DBMS-ებში, მონაცემთა მდიდარ მიწოდებაზე დაფუძნებული, მონაცემები ორგანიზებულია ურთიერთდამოკიდებულების ცხრილის სახით და ჰგავს მდიდარი მონაცემთა მასივის შეკვეთას:

1) ჰიპერკუბები (ყველა ინახება მონაცემთა ბაზაში დამნაშავე დედის შუაგულში, თუმცა, რათა დარჩეს გადაშენების ყველაზე სრულ მონაცემთა ბაზაში) ან

2) პოლიკუბები (კანის ცვლილებები დაცულია ტენიანობის კომპლექტიდან და მასთან დაკავშირებული დამუშავების ყველა სირთულე გადადის სისტემის შიდა მექანიზმებზე).

იგივე უპირატესობები აქვს ოპერაციულ ანალიტიკურ დამუშავების სისტემებში მდიდარი მონაცემთა ბაზების გამოყენებას.

1. DBMS ძიებების მრავალფეროვნებისა და მონაცემების შერჩევის შემთხვევაში, ეს ბევრად უფრო სწრაფია, ვიდრე რელაციური მონაცემთა ბაზის მდიდარი კონცეპტუალური ხედვით, ვინაიდან მდიდარი მსოფლიო მონაცემთა ბაზა დენორმალიზებულია, ფონზე რომ დავაყენოთ აგრეგატული ჩვენებები და უზრუნველყოს ოპტიმიზირებული წვდომა შუაზე, რომელიც მოთხოვნილია.

2. თანამედროვე DBMS-ების უმეტესობას ადვილად შეუძლია გაუმკლავდეს სხვადასხვა ფუნქციების საინფორმაციო მოდელში ჩართვის ამოცანებს, მაშინ ობიექტურად, SQL ურთიერთკავშირებს შეუძლიათ ამ ამოცანების გადაჭრა ამ კავშირზე დაყრდნობით.ზოგიერთი DBMS არის მოქნილი, მაგრამ სხვები შეუვალი.

მეორეს მხრივ, არსებობს არსებითი გაცვლა.

1. ბევრი საერთაშორისო DBMS არ იძლევა დიდ მონაცემთა ბაზებთან მუშაობის საშუალებას. უფრო მეტიც, დიდი გლობალური მონაცემთა ბაზიდან მონაცემების დენორმალიზაციისა და ადრე დადგენილი აგრეგაციის გამო, ის ჩვეულებრივ შეესაბამება (კოდის შეფასებით) 2,5-100-ჯერ ნაკლებ დეტალურ მონაცემებს.

2. ფართომასშტაბიანი DBMS-ები რელაციურის წინააღმდეგ ეფექტურად არ იყენებენ გარე მეხსიერებას. უმეტეს შემთხვევაში, ინფორმაციის ჰიპერკუბი ძალიან მწირია, ხოლო მონაცემთა ფრაგმენტები ინახება მოწესრიგებულ ფორმაში; უმნიშვნელო მნიშვნელობების დალაგება შესაძლებელია მხოლოდ დახარისხების ოპტიმალური თანმიმდევრობის არჩევით. საშუალებას გაძლევთ დაალაგოთ მონაცემები ჯგუფებად რაც შეიძლება შეუფერხებლად. . თუმცა, ამ შემთხვევაში, პრობლემა ნაკლებად ჩნდება. გარდა ამისა, დახარისხების ოპტიმალური თანმიმდევრობა იშვიათი მონაცემების დაზოგვის თვალსაზრისით სრულიად შეუსაბამოა იმ წესრიგთან, რომელიც ყველაზე ხშირად გამოიყენება შეკითხვებში. აქედან გამომდინარე, რეალურ სისტემებში არის კომპრომისი სიჩქარის კოდსა და მონაცემთა ბაზის მიერ დაკავებულ დიდ ადგილს შორის.

ისე, ბევრი მსოფლიო DBMS დაჯილდოვდა ასეთი გონებისთვის.

1. ანალიზისთვის გამომავალი მონაცემების რაოდენობა მცირეა (არაუმეტეს რამდენიმე გიგაბაიტისა), ამიტომ მონაცემთა აგრეგაციის დონე მაღალი უნდა იყოს.

2. ინფორმაციის ცვლილებების ნაკრები სტაბილურია (მათი სტრუქტურის ნებისმიერმა ცვლილებამ შესაძლოა მომავალში მოითხოვოს ჰიპერკუბის ახალი გამოღვიძება).

3. სისტემის რეაგირების დრო დაურეგულირებელ ელექტრომომარაგებაზე კრიტიკული პარამეტრია.

4. საჭიროა დასაკეცი ფუნქციების უფრო ფართო სპექტრი ჰიპერკუბის შუაზე უზარმაზარი გამოთვლების გამოსათვლელად, კორესპონდენტის ფუნქციების ჩაწერის შესაძლებლობის ჩათვლით.

ოპერაციულ ანალიტიკურ დამუშავების სისტემებში რელაციური მონაცემთა ბაზების დაუყოვნებლივ გამოყენებას იგივე სარგებელი აქვს.

1. კორპორატიული მონაცემთა შეგროვების უმეტეს ტიპებში, ისინი განხორციელებულია რელაციური DBMS-ის გამოყენებით, ხოლო ROLAP ინსტრუმენტები საშუალებას გაძლევთ უშუალოდ გააანალიზოთ ისინი. ამ შემთხვევაში, მყესის ზომა არ არის ისეთი კრიტიკული პარამეტრი, როგორც MOLAP ტიპის.

2. ამოცანის განზომილების ცვალებადობის შემთხვევაში, თუ სტრუქტურაში ცვლილებები უნდა მოხდეს ხშირად, ROLAP სისტემები დინამიური განზომილებებით და ოპტიმალური გადაწყვეტილებებით, ვინაიდან ასეთი ცვლილებები არ საჭიროებს მონაცემთა ბაზის ფიზიკურ პიროვნულ რეორგანიზაციას.

3. რელაციური DBMS უზრუნველყოფს მონაცემთა მნიშვნელოვნად მეტ უსაფრთხოებას და წვდომის უფლებების დიფერენცირების კარგ უნარს.

ROLAP-ის მთავარი ნაკლი მდიდარი DBMS-ის მქონე სამყაროში არის ნაკლები პროდუქტიულობა. იმ პროდუქტიულობის უზრუნველსაყოფად, რომელიც მოყვება MOLAP-ს, რელაციური სისტემები მოითხოვს მონაცემთა ბაზის სქემების ფრთხილად დამუშავებას და ინდექსების კორექტირებას, რაც დიდად უწყობს ხელს მონაცემთა ბაზის ადმინისტრატორების ძალისხმევას. მხოლოდ მაღალეფექტური სქემების გამოყენებით, კარგად მორგებული ურთიერთობითი სისტემების პროდუქტიულობა შეიძლება მიუახლოვდეს მსოფლიოს უმდიდრეს მონაცემთა ბაზებზე დაფუძნებული სისტემების პროდუქტიულობას.

მე აღვწერ ვარსკვლავის სქემას (ვარსკვლავური სქემა) და გირჩევთ, თუ როგორ უნდა გამოიყენოთ იგი მთელი ნაწარმოების განმავლობაში. იდეა მდგომარეობს იმაში, რომ არსებობს ცხრილები კანის ვიმირისთვის და ყველა ფაქტი მოთავსებულია ერთ ცხრილში, რომელიც ინდექსირებულია მრავალი გასაღებით, რომელიც შეჯამებულია სხვა ვიმირების კლავიშებიდან (დანართი A). სარკისებური სქემების კანის გაცვლა კოდის ტერმინოლოგიაში აკონკრეტებს მსგავსი სახეობის მონაცემების პირდაპირ კონსოლიდაციას.

კომპლექსურ შენობებში მდიდარი ვიმირებით, არსებობს სარკისებური სქემების გაფართოების გრძნობა - ფაქტი თანავარსკვლავედის სქემა და ფიფქის სქემა. ასეთ სიტუაციებში იქმნება ფაქტების ცხრილები სხვადასხვა გადაშენების შესაძლო შედარებისთვის (დანართი B). ეს საშუალებას გაძლევთ მიაღწიოთ უფრო მეტ პროდუქტიულობას, მაგრამ ხშირად იწვევს მონაცემთა ზეადამიანურობას და მონაცემთა ბაზის სტრუქტურაში მნიშვნელოვან სირთულეს, რომელიც ჩნდება როგორც ფაქტების ანონიმური ცხრილი.

მონაცემთა ბაზაში ფაქტების ცხრილების დიდი რაოდენობა შეიძლება წარმოიშვას არა მხოლოდ სხვადასხვა გადაშენების კონკურენტების სიმრავლის გამო, არამედ ის ფაქტიც, რომ ფაქტები ზოგჯერ შეიძლება წარმოიშვას გადაშენების სხვადასხვა რაოდენობით. გარემომცველი სამყაროებიდან აბსტრაქციისას, კორესპონდენტი ვალდებულია დახატოს მაქსიმალური შესაძლო ჰიპერკუბის პროექცია და ყოველთვის არ არის ინდიკატორების მნიშვნელობა ელემენტარული სუბსუქციის შედეგი. ამრიგად, დამოუკიდებელი ცვლილებების დიდი რაოდენობით, აუცილებელია ფაქტების დამოუკიდებელი ცხრილის შენარჩუნება, რომელიც მიუთითებს ცვლილებების გამოთვლაში გაკეთებული არჩევანის შესაძლო კანის რეაქციაზე, რაც ასევე იწვევს არაეკონომიურ სიახლოვეს.ჩვენი მეხსიერება ზრდის დროს მონაცემთა ბაზაში მონაცემთა მოძიება გარე მოწყობილობებიდან მონიტორინგის სქემებით და ადმინისტრირების ფუნქციებით.

ეს პრობლემა ხშირად ჩნდება SQL ენის გაფართოებით (ოპერატორები GROUP BY CUBE, GROUP BY ROLLUP და GROUP BY GROUPING SETS), გარდა ამისა, სუპერ-ამქვეყნიურობასა და სიჩქარის კოდს შორის კომპრომისის პოვნის მექანიზმი მომხრეა, რეკომენდებულია შექმენით ფაქტების ცხრილები არა იმიტომ, რომ ჩვენ მოვკლავთ ყველას, ვისაც შეუძლია და მხოლოდ მათ, ვისაც შეუძლია, შუა მნიშვნელობების ამოღება შეუძლებელია უმაღლესი ფაქტების ცხრილების დამატებითი გაფართოებული აგრეგაციის გამოყენებით (დანართი B).

ნებისმიერ შემთხვევაში, თუ მდიდარი მოდელი განხორციელებულია რელაციური მონაცემთა ბაზის სახით, თქვენ უნდა შექმნათ გრძელი "პატარა" ფაქტების ცხრილები და შეინახოთ პატარა და "ფართო" ცხრილები მკვდარი. ფაქტების ცხრილები შეიცავს ჰიპერკუბის შუა წერტილების რიცხვით მნიშვნელობებს, ხოლო სხვა ცხრილები მიუთითებს მათ მდიდარ საფუძველს. ინფორმაციის ნაწილის ამოღება შესაძლებელია მონაცემთა დამატებითი დინამიური აგრეგაციის გამოყენებით, დაყოფილი არანორმალიზებულ სტრუქტურებად, თუ გსურთ დაიმახსოვროთ რა უნდა ჩაწეროთ აგრეგაციის გასააქტიურებლად, უაღრესად ნორმალიზებული მონაცემთა ბაზის სტრუქტურით. მათ შეუძლიათ შეჩერება და დასრულება მანამ, სანამ შეუძლიათ .

ფოკუსირება მდიდარი სამყაროს ინფორმაციის წარმოდგენაზე მძლავრი რელაციური მოდელების გამოყენებით საშუალებას გვაძლევს აღმოვფხვრათ მწირი მატრიცების შენახვის ოპტიმიზაციის პრობლემები, რომლებსაც მწვავედ აწყდებიან მდიდარი DBMS (სადაც იშვიათობის პრობლემა წარმოიქმნება სქემების სპეციალური არჩევანისგან). კანის გადასარჩენად იქმნება მთელი ჩანაწერი, რომელიც, გარდა თავად მნიშვნელობებისა, მოიცავს მეორად გასაღებებს - იგზავნება ფაქტების ცხრილში, უცნობი მნიშვნელობები უბრალოდ არ შედის ფაქტების ცხრილში.

ვისნოვოკი

მკვებავი რობოტებისა და OLAP ტექნოლოგიის ამჟამინდელი მდგომარეობის გათვალისწინებით, კომპანიები უპირისპირდებიან კვების გადაწყვეტილებებს, რომლებიც მათ საშუალებას აძლევს აირჩიონ პროდუქტი, რომელიც საუკეთესოდ შეესაბამება მომხმარებლის საჭიროებებს.

Ესენი არიან:

გჭირდებათ რაიმე მონაცემი? – მონაცემები, რომლებიც მხარს უჭერს ანალიზს, შეიძლება მოიძებნოს სხვადასხვა ადგილას. შესაძლებელია OLAP მონაცემთა ბაზის ამოღება კორპორატიული მონაცემთა საწყობიდან ან OLTP სისტემიდან. ვინაიდან OLAP პროდუქტს უკვე შეუძლია უარი თქვას ნებისმიერ მონაცემზე წვდომაზე, მონაცემთა კატეგორიზაციისა და გაწმენდის პროცესი სწრაფია.

რა სახის მანიპულაციები აქვს კორისტუვაჩს მონაცემებზე? -
როგორც მხოლოდ მათ, ვინც დაკარგა წვდომა მონაცემთა ბაზაზე და დაიწყო ანალიზის დახურვა, მნიშვნელოვანია, რომ თქვენ მართოთ მონაცემები სათანადო წესით. მომხმარებლის საჭიროებიდან გამომდინარე, შეიძლება აღმოაჩინოთ, რომ გჭირდებათ ძლიერი ხმის გენერატორი ან დინამიური ვებ გვერდების შექმნისა და მასპინძლობის შესაძლებლობა. ამავდროულად, თქვენ შეგიძლიათ იყოთ უფრო ლამაზი, ვიდრე თქვენი შეკვეთით, დენის დანამატების მარტივი და სწრაფი შექმნით.

როგორი ზაგალნი აკვიატებული მოვალეობა დაეკისრათ მათ? - ეს არის ყველაზე მნიშვნელოვანი თანამდებობის პირი OLAP მონაცემთა ბაზის განვითარებისთვის. რელაციური OLAP წარმოების პროდუქტები ამუშავებს დიდი რაოდენობით მონაცემებს უფრო მარტივი, ნაკლებად ყოვლისმომცველი გზით. ვინაიდან ეს მონაცემები არ საჭიროებს განსხვავებულ ურთიერთობით საფუძველს, მდიდარი პროდუქტის გამოყენება შეიძლება არანაკლებ წარმატებით.

კიმ კორისტუვაჩი? - OLAP სისტემის კლიენტის შერჩევისას ასევე მნიშვნელოვანია ინტერვიუერის კვალიფიკაციის დონე. ზოგიერთი დეველოპერისთვის უფრო ადვილია OLAP-ის ინტეგრირება მაგიდასთან, ზოგი კი ისარგებლებს სპეციალიზებული დანამატით. კვების ტრენინგი დამოკიდებულია მედდის პრაქტიკოსის კვალიფიკაციაზე. მსხვილ კომპანიას შეუძლია გადაიხადოს ტრენინგები ბიზნეს პროფესიონალებისთვის, ხოლო მცირე კომპანიებს შეუძლიათ მიიღონ ტრენინგი მათგან. კლიენტი ვალდებულია მოიქცეს ისე, რომ მხარდამჭერებმა იგრძნონ თავი თავდაჯერებულად და შეძლონ მისი ეფექტურად ვიკორიზაცია.

დღეს, განათების კომპანიების უმეტესობამ მიიღო OLAP, როგორც ძირითადი ტექნოლოგია გადაწყვეტილების მიმღებთათვის ინფორმაციის მიწოდებისთვის. საკვების მნიშვნელობა, რომელიც უნდა იყოს მიწოდებული, არ ნიშნავს იმას, რომ ელექტრონული ცხრილები კვლავ იქნება გამოყენებული, როგორც ძირითადი პლატფორმა ანგარიშგების, ბიუჯეტირებისა და პროგნოზირებისთვის. კომპანიებმა უნდა იცოდნენ ის ფაქტი, რომ ისინი მზად არიან გაფლანგონ კონკურენტული უპირატესობები არაზუსტი, არარელევანტური და არარელევანტური ინფორმაციის საშუალებით, სანამ მომწიფდებიან და განიხილავენ ალტერნატიულ ტექნოლოგიებს.

ასევე, დასასრულს, უნდა აღინიშნოს, რომ OLAP ტექნოლოგიების ანალიტიკური შესაძლებლობები ზრდის კორპორატიული ინფორმაციის საწყობში შენახული მონაცემების რაოდენობას, რაც საშუალებას აძლევს კომპანიებს უფრო ეფექტურად დაუკავშირდნენ ტანსაცმელს თქვენს კლიენტებთან.

ლექსიკონი

	Შინაარსი	ვიზნაჩენნია
1	BI ინსტრუმენტები	ინსტრუმენტები და ტექნოლოგიები, რომლებიც გამოიყენება ინფორმაციის მისაღებად. მოიცავს OLAP ტექნოლოგიებს, მონაცემთა მოპოვებას და ანალიზს; საბოლოო კონტროლის სისტემის მახასიათებლები და ინსტრუმენტები დაურეგულირებელი მოთხოვნების წასაკითხად, ხელსაწყოების პანელები მთავრობის საქმიანობის მონიტორინგისთვის და კორპორატიული საჯაროობის გენერატორები.
2	ონლაინ ანალიტიკური დამუშავება, OLAP (ოპერაციული ანალიტიკური დამუშავება)	რეალურ დროში ინფორმაციის ანალიტიკური დამუშავების ტექნოლოგია, რომელიც მოიცავს მიმოხილვებისა და დოკუმენტების კომპლექსურ და დინამიურ გამოქვეყნებას.
3	ნაჭერი და კამათელი (მოგვიანებით და განივი ჭრა, სიტყვასიტყვით - "კუბებად და კუბებად დაჭრა")	ტერმინი, რომელიც გამოიყენება მონაცემთა რთული ანალიზის აღსაწერად, რომელიც მოწოდებულია OLAP-ის მიერ. მონაცემთა შერჩევა მდიდარი კუბიდან მითითებული მნიშვნელობებით და მითითებული ურთიერთმოდიფიკაციებით.
4	მონაცემთა კრებული	ცხრილის მონაცემებით შეფუთვის პროცესი, შემდეგ სვეტების მწკრივად გადაწყობა და მსგავსი.
5	გამოთვლილი წევრი	ელემენტი, რომლის ღირებულება განისაზღვრება სხვა ელემენტების მნიშვნელობებით (მაგალითად, მათემატიკური და ლოგიკური დამატებები). გაანგარიშების ელემენტი შეიძლება იყოს OLAP სერვერის ნაწილი ან აღწერის ნაწილი ინტერაქტიული სესიის დროს. გამომთვლელი ელემენტი არ არის ელემენტი, რომლის შეყვანა ან გამოთვლა შესაძლებელია.
6	გლობალური ბიზნეს მოდელები	მონაცემთა საწყობის ტიპი, რომელიც უზრუნველყოფს ინფორმაციის ხელმისაწვდომობას, რომელიც განაწილებულია სხვადასხვა ბიზნეს სისტემაში და იმყოფება სხვადასხვა ქვედანაყოფების ან განყოფილებების კონტროლის ქვეშ, სხვადასხვა მონაცემთა ბაზებით და მონაცემთა მოდელებით. მონაცემთა დაგროვების ეს ტიპი მნიშვნელოვანია სხვადასხვა ქვედანაყოფის ძალისხმევის წახალისებისთვის, რათა წაახალისოს გაერთიანების აუცილებლობა ფარდულისთვის მონაცემთა ყოვლისმომცველი მოდელის შესაქმნელად.
7	Მონაცემების მოპოვება	ტექნიკური ტექნიკა, რომლითაც vikorist პროგრამული ინსტრუმენტები განკუთვნილია ისეთი კისტუვაჩისთვის, რომელიც, როგორც წესი, წინასწარ ვერ გეტყვით რას ეძებს, მაგრამ შეუძლია მხოლოდ სიმღერა მიუთითოს და პირდაპირ მოძებნოს.
8	Კლიენტის სერვერი	ტექნოლოგიური მიდგომა, რომელიც მხარს უჭერს პროცესის დაყოფას სხვადასხვა ფუნქციებად. სერვერს აქვს მთელი რიგი ფუნქციები - კომუნიკაციის მართვა, მონაცემთა ბაზის უსაფრთხო შენარჩუნება და ა.შ. კლიენტი ირჩევს მომხმარებელთა მომსახურების ინდივიდუალურ ფუნქციებს - დამატებითი ინტერფეისების უზრუნველყოფას, ჯვარედინი ეკრანის ნავიგაციის შექმნას, დახმარების ფუნქციების უზრუნველყოფას და ა.შ.
9	მრავალგანზომილებიანი მონაცემთა ბაზა, MDBS და MDBMS	ძლიერი მონაცემთა ბაზა მონაცემთა მეცნიერებს საშუალებას აძლევს გააანალიზონ დიდი რაოდენობით მონაცემები. მონაცემთა ბაზას აქვს სპეციალური შენახვის ორგანიზაცია - კუბები, რაც უზრუნველყოფს სამუშაოს მაღალ სითხეს ფაქტების ერთობლიობის სახით შენახულ მონაცემებთან და შემდგომში აგრეგატების გამოთვლაზე.
10	საბურღი ქვემოთ	დეტალური მონაცემების მოპოვების მეთოდი, რომელიც ანალიზდება მონაცემთა მთლიანი დონის ანალიზის დროს. „განადგურების“ დონეები დევს მონაცემთა დეტალების დონეზე [ჭრილობა.
11	ცენტრალური საწყობი	1. მონაცემთა ბაზა, რომელიც შეიცავს მონაცემებს, რომლებიც გროვდება ორგანიზაციის ოპერაციული სისტემებიდან. მას აქვს სტრუქტურა, რომელიც მოსახერხებელია მონაცემთა ანალიზისთვის. გამიზნულია გადაწყვეტილების მიღებისა და კორპორაციისთვის ერთიანი საინფორმაციო სივრცის შესაქმნელად. 2. ავტომატიზაციის მეთოდი, რომელიც ინახავს ყველა საინფორმაციო სისტემას, რომელიც ინახება ერთ ადგილზე.

1 გოლიცინი ო.ლ., მაქსიმოვი ნ.ვ., პოპოვი ი.ი. მონაცემთა ბაზა: Navchalnyi pos_bnik. - M.: FORUM: INFRA-M, 2003. - 352 გვ.

2 თარიღი K. შესავალი მონაცემთა ბაზის სისტემაში. - მ.: ნაუკა, 2005 - 246 გვ.

3 ელმანოვა ნ.ვ., ფედოროვი ა.ა. Microsoft OLAP ტექნოლოგიების შესავალი. - M.: Dialogue-MIFI, 2004. - 312გვ.

4 კარპოვა თ.ს. მონაცემთა ბაზები: მოდელები, განვითარება, განხორციელება. - პეტერბურგი: პეტრე, 2006. - 304გვ.

5 კოროვკინი ს.დ., ლევენეც ი. ა., რატმანოვა ი. D., Starikh V. A., Shchavelov L. V. ინფორმაციის და მონაცემთა შენახვის რთული ოპერატიული ანალიზის პრობლემის ვირუსი // DBMS. – 2005. – No5-6. – 47-51 წ.

6 Krechetov N., Ivanov P. ინტელექტუალური მონაცემთა ანალიზის პროდუქტები ComputerWeek-Moscow. – 2003. – No14-15. – 32-39 წ.

7 Przhiyalkovsky U. U. დიდი მონაცემების კომპოზიტური ანალიზი: კომპიუტერიზაციის ახალი პერსპექტივები // DBMS. – 2006. – No 4. – 71-83გვ.

8 Sakharov A. A. მონაცემთა ანალიზზე ორიენტირებული ინფორმაციული სისტემების მოტივაციისა და დანერგვის კონცეფცია // DBMS. – 2004. – No 4. – 55-70გვ.

9 Ullman J. მონაცემთა ბაზის სისტემების საფუძვლები. - მ.: ფინანსები და სტატისტიკა, 2003. - 312გვ.

10 Hubbard J. მონაცემთა ბაზების ავტომატური დიზაინი. - მ.: სვიტი, 2007. - 294გვ.

კოროვკინი S.D., Levenets I. ა., რატმანოვა ი. D., Starikh V. A., Shchavelov L. V. ინფორმაციის და მონაცემთა შენახვის რთული ოპერატიული ანალიზის პრობლემის ვირუსი // DBMS. – 2005. – No5-6. – 47-51 წ.

Ullman J. მონაცემთა ბაზის სისტემების საფუძვლები. - მ.: ფინანსები და სტატისტიკა, 2003. - 312გვ.

ბარსეღიანი ა.ა., კუპრიანოვი მ.ს. მონაცემთა ანალიზის ტექნოლოგიები: DataMining, VisualMining, TextMining, Olap. - სანკტ-პეტერბურგი: BHV-Petersburg, 2007. - 532 გვ.

ელმანოვა ნ.ვ., ფედოროვი ა.ა. Microsoft OLAP ტექნოლოგიების შესავალი. - M.: Dialogue-MIFI, 2004. - 312გვ.

თარიღი K. შესავალი მონაცემთა ბაზის სისტემაში. - მ.: ნაუკა, 2005 - 246 გვ.

გოლიცინა ო.ლ., მაქსიმოვი ნ.ვ., პოპოვი ი.ი. მონაცემთა ბაზა: Navchalnyi pos_bnik. - M.: FORUM: INFRA-M, 2003. - 352 გვ.

Sakharov A. A. კონცეფცია მონაცემთა ანალიზზე ორიენტირებული ინფორმაციული სისტემების განხორციელებისთვის // DBMS. – 2004. – No 4. – 55-70გვ.

პრჟიალკოვსკი V.V. დიდი ობსიაგუს მონაცემების კომპოზიტური ანალიზი: კომპიუტერიზაციის ახალი პერსპექტივები // DBMS – 2006. – No. 4. – 71-83 გვ.

ადვილია თქვენი ფულის გაგზავნა რობოტზე ბაზაზე. Vikorist ფორმა, დაჩრდილვის იგი ქვედა

სტუდენტები, ასპირანტები, ახალგაზრდები, რომლებსაც აქვთ ძლიერი ცოდნის ბაზა ახალ სამუშაოზე, კიდევ უფრო მადლობელი იქნებიან თქვენი.

გამოქვეყნდა http://www.allbest.ru/

კურსის მუშაობა

დისციპლინიდან: მონაცემთა ბაზები

თემა: ტექნიკაOLAP

ვიკონავი:

ჩიჟიკოვი ალექსანდრე ალექსანდროვიჩი

შედი

1. OLAP პროდუქტების კლასიფიკაცია

2. OLAP კლიენტი - OLAP სერვერი: დადებითი და უარყოფითი მხარეები

3. OLAP სისტემის ბირთვი

3.1 პრინციპები

ვისნოვოკი

Wikorista Gerels-ის სია

პროგრამა

INvedennya

მნიშვნელოვანია იცოდეთ ადამიანი კომპიუტერულ სამყაროში, რომელიც ინტუიციურად ვერ გაიგებს, რომ ასეთი მონაცემთა ბაზებია საჭირო. ტრადიციულ რელაციურ DBMS-ებთან შედარებით, OLAP-ის კონცეფცია არც თუ ისე ფართოდ არის ცნობილი, თუმცა იდუმალი ტერმინი „OLAP კუბები“ ხშირად ისმის. რა არის ონლაინ ანალიტიკური დამუშავება?

OLAP არის პროგრამული პროდუქტის, არაენოვანი პროგრამისა და კონკრეტული ტექნოლოგიის ერთობლიობა. თუ შევეცდებით გამოვიკვლიოთ OLAP-ის ყველა გამოვლინება, ცნებების, პრინციპებისა და უპირატესობების ერთობლიობა, რომლებიც საფუძვლად უდევს პროგრამულ პროდუქტებს, ანალიტიკოსებს გაუადვილებს მონაცემებზე წვდომას. იმისდა მიუხედავად, რომ ასეთი შექება ნაკლებად სავარაუდოა, რომ გამოგადგებათ, საეჭვოა, რომ არასპეციალისტებს ერთი იოტით მიუახლოვდეს თემის გაგებას. ამიტომ, უკეთესია, ვინც ჯერ კიდევ არ ისწავლა OLAP, აიღოს სხვა მარშრუტი. დასაწყისისთვის, აუცილებელია გვესმოდეს, რომ ანალიტიკოსებს უნდა ჰქონდეთ სპეციალური წვდომა მონაცემებზე.

სიმართლე ისაა, რომ ანალიტიკოსები კორპორატიული ინფორმაციის განსაკუთრებული მომხმარებლები არიან. გაფართოებული ანალიტიკა ცნობს ნიმუშებს მონაცემთა დიდ ნაკრებებში. ამიტომ, ანალიტიკოსი არ სცემს პატივს მიღებულ ფაქტს, რადგან მას სჭირდება ინფორმაცია ასობით და ათასობით მიდგომის შესახებ. საუბრის დაწყებამდე, ერთ-ერთი მთავარი პუნქტი, რომელიც მიმზიდველი იყო OLAP-ის გამოჩენამდე, იყო პროდუქტიულობა და ეფექტურობა. ნათელია, რომ ეს აუცილებელია, როდესაც ანალიტიკოსს სჭირდება ინფორმაციის მოძიება და OLAP-ის ხარჯები ყოველდღიურად იწარმოება. ანალიტიკოსს შეუძლია დამოუკიდებლად (რაც არ არის ძალიან სანდო) ან გამოიყენოს დამატებითი პროგრამა შემდეგი SQL მოთხოვნის გასაშვებად და ამოღებული მონაცემების ამოსაღებად, ან მისი ექსპორტი ელცხრილში. პრობლემა გამოწვეულია გულგრილობის გამო. უპირველეს ყოვლისა, ხმაურის ანალიტიკოსს უჩნდება ცდუნება, გააკეთოს სხვა რამ, გარდა საკუთარი სამუშაოსა (SQL პროგრამირება) ან შეამოწმოს, როდის წაიშლება პროგრამები ახალი სამუშაოსთვის - ეს ყველაფერი უარყოფითად აისახება პროდუქტიულობაზე, რაც იწვევს ინფარქტის და ინსულტის განვითარებას. და ასე შემდეგ. სხვაგვარად, ერთი სიტყვა ან ცხრილი, როგორც წესი, არ წარმოადგენს აზროვნების გიგანტებს და რუსული ანალიზის მამებს - და მთელი პროცედურა ისევ და ისევ უნდა განმეორდეს. მესამე, როგორც უკვე ავხსენით, ფრაქციული ანალიტიკოსების კითხვა არ შეიძლება - მათ სასწრაფოდ სჭირდებათ ყველაფერი. ეს ნიშნავს (მიუხედავად იმისა, რომ ტექნოლოგია წინ მიიწევს ნახტომებით) რომ კორპორატიული ურთიერთობის DBMS სერვერი, რომლის წინაშეც ანალიტიკოსი ამუშავდება, შეიძლება სერიოზულად იყოს ჩართული სხვა ტრანზაქციების დაბლოკვაში.

ასეთი პრობლემების გადასაჭრელად გამოჩნდა OLAP-ის კონცეფცია. OLAP კუბები, არსებითად, მეტა-მონაცემებია. სამყაროს მიღმა მეტამონაცემების (ანუ კუბების) ამოკვეთით, ანალიტიკოსი რეალურად ამოიცნობს „პირველად“ ორ სამყაროს მონაცემებს (მაგრამ ეს არ არის სავალდებულო ყველაზე გავრცელებული გაგებით საუბარი - ჩვენ ვსაუბრობთ მონაცემთა სტრუქტურებზე. იგივე ფუნქციები). კუბების უპირატესობები აშკარაა - მონაცემების მოთხოვნილება რელაციური DBMS-დან მხოლოდ ერთხელ უნდა მოხდეს - ყოველ ჯერზე კუბის შექმნისას. ანალიტიკის ფრაგმენტები, როგორც წესი, არ მუშაობს ინფორმაციასთან, რომელიც ავსებს და იცვლება „ფრენისას“, ქმნის კუბს და გრძელდება ბოლო საათამდე. ამრიგად, არა მხოლოდ არის შეფერხებები რელაციური DBMS სერვერის მუშაობაში (არსებობს მრავალი მოთხოვნა ათასობით ან მილიონობით სტრიქონიდან), არამედ თავად ანალიტიკოსისთვის მონაცემთა წვდომის ხელმისაწვდომობა სწრაფად იზრდება. გარდა ამისა, როგორც უკვე აღვნიშნეთ, პროდუქტიულობა განპირობებულია იერარქიის და სხვა საერთო მნიშვნელობების შუალედური ჯამების შენახვით კუბის გააქტიურების მომენტში.

რა თქმა უნდა, თქვენ უნდა გადაიხადოთ ამ ტიპის პროდუქტიულობის წინსვლა. ზოგჯერ ჩანს, რომ მონაცემთა სტრუქტურა უბრალოდ "ამოყვება" - OLAP კუბს შეუძლია ათობით ან თუნდაც ასობით ჯერ მეტი ადგილი დაიკავოს, ვიდრე გამომავალი მონაცემები.

ახლა, თუ ჩვენ ცოტა გვესმის, თუ როგორ და რატომ გამოიყენება OLAP, მაინც მნიშვნელოვანია OLAP-ის შესახებ ჩვენი ცოდნისა და კრიტერიუმების ფორმალიზება სინქრონული თარგმანის გარეშე ორიგინალურ ენაზე. ეს კრიტერიუმები (12 ნომერი) ჩამოყალიბდა 1993 წელს ე.ფ. Kodd არის რელაციური DBMS-ების კონცეფციის და, საბოლოოდ, OLAP-ის შემქმნელი. ჩვენ არ დავაკვირდებით მათ, სუნის ფრაგმენტები გადაკეთდა ეგრეთ წოდებულ FASMI ტესტში, რაც მიუთითებს OLAP პროდუქტების შესაძლებლობებზე. FASMI არის კანის ტესტის წერტილის სახელის აბრევიატურა:

სწრაფი (შვედური).ეს ძალა ნიშნავს, რომ სისტემა პასუხისმგებელია კლიენტის კითხვაზე პასუხის გაცემაზე ხუთ წამში; რომლის მიხედვითაც მოთხოვნების უმეტესობა მუშავდება ერთ წამში, ხოლო ყველაზე რთული მოთხოვნები მუშავდება ოც წამში. დარჩენილმა კვლევამ აჩვენა, რომ მომხმარებელი იწყებს ეჭვს მოთხოვნის წარმატებაში, რადგან ამას ოცდაათ წამზე მეტი სჭირდება.

ანალიზი (ანალიტიკური).სისტემა უნდა გაუმკლავდეს ბიზნეს აპლიკაციებისთვის დამახასიათებელ ნებისმიერ ლოგიკურ და სტატისტიკურ ანალიზს და უზრუნველყოს შედეგების შენახვა ისე, რომ ხელმისაწვდომი იყოს საბოლოო მომხმარებლისთვის. ანალიზი შეიძლება მოიცავდეს დროის სერიების ანალიზის პროცედურებს, ხარჯების განაწილებას, ვალუტის კონვერტაციას, ორგანიზაციულ სტრუქტურებში ცვლილებების მოდელირებას და სხვა.

გაზიარებული.სისტემა ვალდებულია უზრუნველყოს მონაცემთა ფართო სპექტრი და მყისიერი მუშაობა მდიდარი კლიენტებისთვის.

მრავალგანზომილებიანი (მდიდარი).სისტემა პასუხისმგებელია მონაცემთა კონცეპტუალურად მდიდარი წარმოდგენის უზრუნველყოფაზე, მდიდარი იერარქიის მუდმივი მხარდაჭერის ჩათვლით.

ინფორმაცია.სხვადასხვა პროგრამული პროდუქტის სირთულე ხასიათდება დამუშავებული შეყვანის მონაცემების რაოდენობით. სხვადასხვა OLAP სისტემები განსხვავდება სირთულის მიხედვით: მოწინავე OLAP გადაწყვეტილებებს შეუძლიათ ათასობითჯერ მეტი მონაცემების დამუშავება ძველი და ნაკლებად დახვეწილიდან. OLAP ხელსაწყოს არჩევისას, თქვენ უნდა გაითვალისწინოთ მრავალი ფაქტორი, მათ შორის მონაცემთა დუბლირება, საჭირო ოპერატიული მეხსიერება, დისკის ადგილი, შესრულების მოსაზრებები, ინტეგრაცია საინფორმაციო აქტივებთან და ა.შ.

1. OLAP პროდუქტების კლასიფიკაცია

ისე, OLAP-ის არსი იმაში მდგომარეობს, რომ ანალიზისთვის ხელმისაწვდომი ინფორმაცია წარმოდგენილია როგორც მდიდარი კუბი, და შესაძლებელია მისი საკმარისად მანიპულირება და საჭირო ინფორმაციის სექციების იზოლირება - იმიტომ, რომ iti. ამავდროულად, კუბი გამოიყენება როგორც მდიდარი დინამიური ცხრილი, რომელიც ავტომატურად აჯამებს მონაცემებს (ფაქტებს) სხვადასხვა განყოფილებიდან (დაბნელება) და საშუალებას აძლევს ინტერაქტიულ გამოთვლებს გამოთვლებით და ინფორმაციის ფორმით. ყველა ეს ოპერაცია შესრულებულია OLAP აპარატით (ან OLAP გამომთვლელი აპარატით).

დღეს მსოფლიოში შეიმუშავა მთელი რიგი პროდუქტები, რომლებიც ახორციელებენ OLAP ტექნოლოგიებს. მათ შორის ნავიგაციის გასაადვილებლად, აირჩიეთ OLAP პროდუქტების კლასიფიკაცია: ანალიზისთვის მონაცემთა შენახვის მეთოდი და OLAP აპარატის მდებარეობა. მოდით შევხედოთ OLAP პროდუქტების თითოეულ კატეგორიას.

დავიწყებ მონაცემთა შენახვის მეთოდის კლასიფიკაციით. მე გამოვიცნობ, რომ ბევრი მსოფლიო კუბი იქნება დაფუძნებული გამომავალსა და საერთო მონაცემებზე. კუბებისთვის გამომავალი და მთლიანი მონაცემები შეიძლება ინახებოდეს როგორც რელაციურ, ისე გლობალურ მონაცემთა ბაზაში. აქედან გამომდინარე, ახლა არსებობს მონაცემთა შენახვის სამი გზა: MOLAP (მრავალგანზომილებიანი OLAP), ROLAP (რელაციური OLAP) და HOLAP (ჰიბრიდული OLAP). როგორც ჩანს, OLAP პროდუქტები, მონაცემების შენახვის ხერხიდან გამომდინარე, იყოფა სამ მსგავს კატეგორიად:

1. MOLAP რეჟიმში, გამომავალი და მთლიანი მონაცემები ინახება მრავალ სამყაროს მონაცემთა ბაზაში ან მრავალ სამყაროს ლოკალურ კუბში.

2. ROLAP პროდუქტებში გამომავალი მონაცემები ინახება რელაციურ მონაცემთა ბაზებში ან ბრტყელ ლოკალურ ცხრილებში ფაილ სერვერზე. მთლიანი მონაცემები შეიძლება განთავსდეს იმავე მონაცემთა ბაზაში მომსახურების ცხრილში. რელაციური მონაცემთა ბაზიდან მონაცემების დიდ კუბებად გარდაქმნა ხორციელდება OLAP ინსტრუმენტის გამოყენებით.

3. განსხვავებული HOLAP არქიტექტურის შემთხვევაში, გამომავალი მონაცემები იკარგება რელაციურ მონაცემთა ბაზაში და აგრეგატები განლაგებულია მდიდარ სამყაროში. თითოეული OLAP კუბი კონფიგურირებულია OLAP ამოცანების გასაძლიერებლად, რომელიც დაფუძნებულია რელაციურ და გლობალურ მონაცემებზე.

კლასიფიკაცია იწყება - OLAP აპარატის ადგილმდებარეობის შემდეგ. ამ ნიშნით, OLAP პროდუქტები იყოფა OLAP სერვერებად და OLAP კლიენტებად:

სერვერის OLAP სისტემებში, მთლიანი მონაცემების გაანგარიშება და შენახვა შემოიფარგლება ერთი პროცესით - სერვერით. კლიენტის პროგრამა კითხულობს მხოლოდ შეკითხვის შედეგებს კუბების დიდ რაოდენობამდე, რომლებიც ინახება სერვერზე. ზოგიერთი OLAP სერვერი ხელს უწყობს მონაცემთა შენახვას რელაციურ მონაცემთა ბაზებში, მაგრამ არა მდიდარში. ბევრი მიმდინარე OLAP სერვერი მხარს უჭერს მონაცემთა შენახვის სამივე მეთოდს: MOLAP, ROLAP და HOLAP.

OLAP კლიენტი სხვა გზით. მას შემდეგ, რაც დიდი კუბი და OLAP გაანგარიშება ინახება კლიენტის კომპიუტერის მეხსიერებაში. OLAP კლიენტები ასევე იყოფა ROLAP და MOLAP. და ქმედებებმა შეიძლება მხარი დაუჭიროს მონაცემებზე წვდომის ვარიანტებს.

თითოეულ ამ მიდგომას აქვს საკუთარი "დადებითი" და "მინუსები". სერვერის ფუნქციების პრიორიტეტის შესახებ აზროვნების გაფართოების გარდა, რიგ შემთხვევებში, OLAP კლიენტის გამოყენება ბიზნეს მომხმარებლებისთვის შეიძლება უფრო ეფექტური და მომგებიანი აღმოჩნდეს OLAP სერვერის ჩანაცვლებისთვის.

2. OLAP კლიენტი - OLAP სერვერი: დადებითი და უარყოფითი მხარეები

საინფორმაციო სისტემის გამოყენებისას, OLAP ფუნქციონირება შეიძლება განხორციელდეს როგორც სერვერის, ასევე კლიენტის OLAP ინსტრუმენტებით. პრაქტიკაში, არჩევანი არის შესრულების მახასიათებლებსა და პროგრამული უზრუნველყოფის ხელმისაწვდომობას შორის ურთიერთგაცვლის შედეგი.

მონაცემთა მთლიანობა განისაზღვრება შემდეგი მახასიათებლების მთლიანობით: ჩანაწერების რაოდენობა, ცვლილებების რაოდენობა, მოდიფიკაციის ელემენტების რაოდენობა, ცვლილებების რაოდენობა და ფაქტების რაოდენობა. ნათელია, რომ OLAP სერვერს შეუძლია კომპიუტერთან ერთად უფრო მეტი მონაცემების დამუშავება, ვიდრე OLAP კლიენტი. ეს ნიშნავს, რომ OLAP სერვერი ინახავს დიდ მონაცემთა ბაზას მყარ დისკებზე, რათა მოახდინოს კუბების გაანგარიშება.

OLAP ოპერაციის შესრულების დროს კლიენტის პროგრამები ავსებენ მას SQL-ის მსგავსი ენით, რომელიც ამოიღებს არა მთელ კუბს, არამედ მის ფრაგმენტებს, რომლებიც ნაჩვენებია. ოპერაციის მომენტში OLAP კლიენტი პასუხისმგებელია RAM-ის მთელ კუბზე. ROLAP არქიტექტურის შემთხვევაში, აუცილებელია მეხსიერებაში შეინახოს მონაცემთა მთელი მასივი, რომელიც მუშავდება კუბის გამოსათვლელად. გარდა ამისა, გადაშენების, ფაქტების ან გადაშენების ელემენტების რაოდენობის გაზრდით, გეომეტრიულ პროგრესიაში იზრდება ერთეულების რაოდენობა. ამრიგად, OLAP კლიენტის მიერ შეგროვებული მონაცემები უნდა იყოს შენახული უშუალოდ კლიენტის კომპიუტერის RAM-ში.

გთხოვთ გაითვალისწინოთ, რომ OLAP კლიენტების უმეტესობა გთავაზობთ ცალკეულ გამოთვლებს. მაშასადამე, დაკვირვებადი ჩანაწერების რაოდენობა, რომლებიც კვეთს კლიენტის OLAP კომპიუტერის მუშაობას, რა თქმა უნდა, არ ეხება კორპორატიული მონაცემთა ბაზის პირველად მონაცემებს, არამედ მისგან გაერთიანებული შერჩევის ზომას. OLAP კლიენტი წარმოქმნის მოთხოვნას DBMS-ში, რომელიც აღწერს მენტალურ ფილტრაციას და პირველადი მონაცემების შემდგომი დაჯგუფების ალგორითმს. სერვერმა იცის როგორ დააჯგუფოს ჩანაწერები და ატრიალებს კომპაქტურ არჩევანს OLAP-ის შემდგომი გამოთვლებისთვის. ნიმუშის ზომა შეიძლება იყოს ათობით ან ასჯერ უფრო მცირე, ვიდრე ორიგინალური, არააგრეგირებული ჩანაწერები. ამრიგად, OLAP კლიენტზე მოთხოვნა PC რესურსებზე მნიშვნელოვნად შემცირდა.

გარდა ამისა, გადაშენების სიდიდე ზღუდავს ადამიანთა კომუნიკაციის შესაძლებლობას. როგორც ჩანს, საშუალო ადამიანს ერთ საათში შეუძლია 3-4, მაქსიმუმ 8 ვიმირს. უფრო დიდი რაოდენობით, ძალიან რთული ხდება ინფორმაციის დამუშავება დინამიური ცხრილიდან. ეს ფაქტორი მხედველობაში უნდა იქნას მიღებული ოპერატიული მეხსიერების საწყისი გაფართოების დროს, რომელიც შეიძლება მოითხოვოს OLAP კლიენტს.

გაორმაგება ასევე ზრდის OLAP ამოცანის მისამართების სივრცის ზომას, რომელიც დაკავებულია OLAP კუბის გაანგარიშებისას. რაც უფრო ძველია სამყარო, მით მეტი რესურსია საჭირო მდიდარი მსოფლიო მასივის შემდგომი დახარისხებისთვის და ა.შ. გამომავალი მონაცემების მხოლოდ მცირე შეფერხებები კიდევ ერთი არგუმენტია OLAP კლიენტის სასარგებლოდ.

ეს მახასიათებელი განისაზღვრება ორი ძირითადი ფაქტორით: მონაცემთა ხელმისაწვდომობა და კომპიუტერების სირთულე. რიცხვის მატებასთან ერთად, მაგალითად, ყველა OLAP ფუნქციის პროდუქტიულობა მცირდება ერთეულების რაოდენობის მნიშვნელოვანი ზრდის ტემპით, ან მრავალფეროვნების შემცირების სიჩქარით. ჩვენ ვაჩვენებთ ამ დეპოზიტს გრაფიკაზე.

სქემა 1. კლიენტისა და სერვერის OLAP მახასიათებლების პროდუქტიულობის დამოკიდებულება მონაცემთა მოხმარების გაზრდის გამო

მიმდინარე OLAP სერვერის მახასიათებლები ნაკლებად მგრძნობიარეა მონაცემთა ზრდის მიმართ. ეს აიხსნება OLAP სერვერისა და OLAP კლიენტის მიერ კლიენტის მოთხოვნების დამუშავების სხვადასხვა ტექნოლოგიებით. მაგალითად, დეტალური ოპერაციის შესრულებისას, OLAP სერვერი ხსნის შენახულ მონაცემებს და „აგროვებს“ მონაცემებს. OLAP კლიენტი ითვლის ერთეულების მთელ კომპლექტს შეძენის დროს. თუმცა, დღის ბოლომდე სერვერისა და კლიენტის ფუნქციების პროდუქტიულობა უცვლელი რჩება. OLAP კლიენტებისთვის, რომლებიც მხარს უჭერენ ბილინგის განყოფილებებს, პროდუქტიულობის ფარგლები შეიძლება გაფართოვდეს კლიენტების დიდი რაოდენობის OLAP ანალიზის საჭიროებების დასაფარად. ეს ადასტურებს MS OLAP სერვერის და OLAP კლიენტის "Kontour Standard" შიდა ტესტირების შედეგებს. ჩანაწერების ტესტი კომპიუტერზე IBM PC Pentium Celeron 400 MHz, 256 Mb 1 მილიონი უნიკალური (ან გაერთიანებული) ჩანაწერის შერჩევისთვის 7 ვიმირიდან, რომელიც მერყეობს 10-დან 70 წევრამდე. კუბის დამუშავების საათი ორივე შემთხვევაში არ აღემატება 1 წამს, ხოლო OLAP-ის სხვადასხვა ოპერაციების (გაბურღვა, გაბურღვა, გადაადგილება, გაფილტვრა და ა.შ.) დასრულებას წამის ასობით წილადი სჭირდება.

თუ არჩევანი გადადის RAM-ზე, იწყება დისკის შეცვლა და OLAP კლიენტის პროდუქტიულობა მკვეთრად ეცემა. მხოლოდ ამ ეტაპზე შეიძლება ვისაუბროთ OLAP სერვერის გაუმჯობესებაზე.

გახსოვდეთ, რომ გარდამტეხი წერტილი აღნიშნავს OLAP გადაწყვეტის ფასის მკვეთრ ზრდას შორის. კონკრეტული მიზნის დასაყენებლად, ეს წერტილი ადვილად შეიძლება განისაზღვროს OLAP კლიენტის პროდუქტიულობის ტესტირებით. ასეთი ტესტების მიღება შესაძლებელია სადისტრიბუციო კომპანიისგან.

გარდა ამისა, OLAP სერვერის გადაწყვეტის პროდუქტიულობა იზრდება კლიენტების რაოდენობის გაზრდით. მარჯვნივ არის ის, რომ OLAP სერვერი ითვლის გადახდებს ყველა ანგარიშისთვის ერთ კომპიუტერზე. როგორც ჩანს, რაც უფრო მეტი კომპიუტერია, მით მეტია ოპერატიული მეხსიერება და დამუშავების სიმძლავრე. ამრიგად, ვინაიდან შეგროვებული მონაცემები სერვერისა და კლიენტის სისტემების თანაბარი პროდუქტიულობის არეალშია, მაშინ სხვა თანაბარი გონებისთვის OLAP კლიენტი უფრო მომგებიანი იქნება.

ალტერნატიული OLAP სერვერი "კლასიკურ" იდეოლოგიაში გადასცემს მონაცემთა მოპოვებას რელაციური DBMS-ებიდან ფართო მონაცემთა ბაზაში. ჩვენება ხდება გარკვეული პერიოდის განმავლობაში, ამიტომ OLAP სერვერის მონაცემები არ აჩვენებს პერიოდს ზუსტად მომენტში. ასევე არის რამდენიმე OLAP სერვერი, რომლებიც მხარს უჭერენ ROLAP ოპერაციულ რეჟიმს.

ანალოგიურად, OLAP კლიენტების მთელი სპექტრი საშუალებას გაძლევთ განახორციელოთ ROLAP და Desktop არქიტექტურა მონაცემთა ბაზაზე პირდაპირი წვდომით. ეს უზრუნველყოფს გამომავალი მონაცემების ანალიზს ონლაინ რეჟიმში.

OLAP სერვერი უზრუნველყოფს კლიენტის ტერმინალების მინიმალურ მხარდაჭერას. ობიექტურად, OLAP კლიენტის სარგებელი უფრო დიდია, რადგან ეს მოიცავს გამოთვლებს მომხმარებლის კომპიუტერის ოპერატიული მეხსიერებაში. კონკრეტული ორგანიზაციის აპარატურის ინვენტარი არის ყველაზე მნიშვნელოვანი მაჩვენებელი იმისა, თუ რა შეიძლება იყოს მოსალოდნელი OLAP ხელსაწყოს არჩევისას. კარგად, ამას აქვს თავისი "დადებითი" და "მინუსები". OLAP სერვერი არ ემთხვევა თანამედროვე კომპიუტერების უზარმაზარ გამოთვლით ტვირთს. სამწუხაროდ, ვინაიდან ორგანიზაციას უკვე აქვს ამჟამინდელი პერსონალური კომპიუტერების ფლოტი, არაეფექტურია მათი შენახვა, როგორც ტერმინალები, რომლებიც აჩვენებენ და, ამავე დროს, დამატებით ხარჯებს იწვევენ ცენტრალურ სერვერზე.

ვინაიდან კომპიუტერების სირთულე უზარმაზარია, OLAP კლიენტს შეუძლია მაქსიმალურად იმუშაოს ან საერთოდ ვერ იმუშაოს. ერთი ძლიერი სერვერის შეძენა შეიძლება უფრო იაფი იყოს, ვიდრე ყველა კომპიუტერის განახლება.

აქ სასარგებლოა ტექნიკის უსაფრთხოების განვითარების ტენდენციების გათვალისწინება. ვინაიდან ანალიზისთვის საჭირო მონაცემების რაოდენობა პრაქტიკულად მუდმივია, კომპიუტერის გამოყენების სტაბილური ზრდა განპირობებულია OLAP კლიენტების შესაძლებლობების გაზრდით და OLAP სერვერების გაზრდილი ხელმისაწვდომობით თუნდაც დიდი მონაცემთა ბაზების სეგმენტში.

როდესაც OLAP სერვერი დაინსტალირებულია, მხოლოდ ჩვენებისთვის მონაცემები გადადის ქსელის მეშვეობით კლიენტის კომპიუტერზე, ხოლო OLAP კლიენტი იბრუნებს ყველა მონაცემს პირველი შერჩევისგან.

ამიტომ, სადაც OLAP კლიენტი სტაგნაციაშია, ზღვარზე ტრაფიკი უფრო დიდი იქნება.

თუმცა, როდესაც OLAP სერვერი გამორთულია, კლიენტის ოპერაციები, მაგალითად, დეტალების გაცნობა, წარმოქმნის ახალ მოთხოვნებს მდიდარ მონაცემთა ბაზაში და, შესაბამისად, ახალ მონაცემთა გადაცემას. OLAP კლიენტის მიერ შესრულებული ყველა OLAP ოპერაცია ხორციელდება ოპერატიული მეხსიერებით და, როგორც ჩანს, არ საჭიროებს მონაცემთა ახალ ნაკადებს ამასობაში.

ასევე უნდა აღინიშნოს, რომ არსებული ტექნიკის უსაფრთხოება უზრუნველყოფს გამტარუნარიანობის მაღალ დონეს.

ამიტომ, უმეტეს შემთხვევაში, "საშუალო" ზომის მონაცემთა ბაზების ანალიზი OLAP კლიენტის დახმარებით არ ერევა კორესპონდენტის მუშაობაში.

OLAP სერვერის შესრულება მაღალია. ეს მოიცავს თქვენს მიერ ნანახი კომპიუტერის ღირებულებას და დიდი გლობალური ბაზის ადმინისტრირების მიმდინარე ხარჯებს. გარდა ამისა, OLAP სერვერის შენარჩუნება და შენარჩუნება მოითხოვს მაღალკვალიფიციურ პერსონალს.

OLAP კლიენტის შესრულება OLAP სერვერზე უფრო დაბალია. სერვერისთვის ადმინისტრაცია და დამატებითი ტექნიკური ექსპერტიზა არ არის საჭირო. კვალიფიკაციამდე პერსონალს არ უნდა მოეთხოვოს მაღალი დონის ამოცანების შესრულება OLAP კლიენტის მიწოდების დროს. OLAP კლიენტს შეუძლია გადაიხადოს მნიშვნელოვნად ნაკლები, ვიდრე OLAP სერვერი.

კლიენტის OLAP ინსტრუმენტების გამოყენებით ანალიტიკური დანამატების შემუშავება მარტივი პროცესია, რომელიც არ საჭიროებს სპეციალურ ტრენინგს Vikonavian-ისგან. დეველოპერს, რომელმაც იცის მონაცემთა ბაზის ფიზიკური დანერგვა, შეუძლია ანალიტიკური პროგრამის შემუშავება დამოუკიდებლად, IT სპეციალისტის დაქირავების გარეშე. OLAP სერვერის ინსტალაციისას აუცილებელია ორი განსხვავებული სისტემის გამოყენება, მათ შორის სხვადასხვა სერვერები, სერვერზე კუბების შესაქმნელად და კლიენტის პროგრამების შესაქმნელად. OLAP კლიენტი უზრუნველყოფს ერთ ვიზუალურ ინტერფეისს კუბების აღწერისთვის და მათთვის კლიენტის ინტერფეისების დასაყენებლად.

მოდით შევხედოთ OLAP პროგრამების შექმნის პროცესს დამატებითი კლიენტის ხელსაწყოების გამოყენებით.

სქემა 2. OLAP პროგრამების შექმნა კლიენტის ROLAP მეთოდის გამოყენებით

ROLAP კლიენტების მუშაობის პრინციპი არის სემანტიკური სფეროს წინა აღწერა, რომელიც მოითხოვს გამომავალი მონაცემების ფიზიკურ სტრუქტურას. ზოგიერთი ტიპის მონაცემი შეიძლება მოიცავდეს: ლოკალურ ცხრილებს, RDBMS. მხარდაჭერილი მონაცემების სია მითითებულია კონკრეტული პროგრამული პროდუქტით. ამრიგად, მომხმარებლებს შეუძლიათ დამოუკიდებლად მანიპულირება დიდი ობიექტების დომენის თვალსაზრისით კუბების და ანალიტიკური ინტერფეისების შესაქმნელად.

OLAP სერვერის კლიენტის მუშაობის პრინციპი განსხვავებულია. OLAP სერვერზე, კუბების შექმნისას, კლიენტი მანიპულირებს მონაცემთა ბაზის ფიზიკურ აღწერილობებზე.

ამრიგად, თავად კუბში იქმნება კორისტუვაჩის ინვენტარი. OLAP სერვერის კლიენტი კონფიგურირებულია კუბურ მეტრზე.

მოდით ავხსნათ ROLAP კლიენტის მუშაობის პრინციპი დინამიური გაყიდვების ანგარიშის შექმნის აპლიკაციაში (დიაგრამა 2). ანალიზისთვის გამომავალი მონაცემები ინახება ორ ცხრილში: გაყიდვები და გარიგება.

როდესაც იქმნება სემანტიკური სფერო, მონაცემთა ველები - გაყიდვების და გარიგების ცხრილები - აღიწერება გონივრული ტერმინებით და გარდაიქმნება "პროდუქტებად" და "პროდუქტებად". "პროდუქტები" ცხრილის "ID" ველს ეწოდა "კოდი", ხოლო "სახელი" - "პროდუქტი" და ა.შ.

შემდეგ იქმნება "გაყიდვების" ბიზნეს ობიექტი. ბიზნეს ობიექტი არის ბრტყელი მაგიდა, რომლის საფუძველზეც იქმნება მდიდარი კუბი. როდესაც იქმნება ბიზნეს ობიექტი, "პროდუქტები" და "პროდუქტები" ცხრილები იძებნება პროდუქტის "კოდი" ველში. ინფორმაციის სანახავად არ გჭირდებათ ცხრილის ყველა ველი - ბიზნეს ობიექტი, გარდა ველების „პროდუქტი“, „თარიღი“ და „თანხა“.

შემდეგ იქმნება OLAP კავშირი ბიზნეს ობიექტზე დაყრდნობით. მომხმარებელი ირჩევს ბიზნეს ობიექტს და გადაათრევს მის ატრიბუტებს ცხრილის სვეტების ან რიგების არეში. ჩვენი აპლიკაცია, "გაყიდვების" ბიზნეს ობიექტზე დაფუძნებული, ეფუძნება საქონლის გაყიდვას თვეების განმავლობაში.

ინტერაქტიულ ხმასთან მუშაობისას მომხმარებელს შეუძლია დააყენოს ფილტრაცია და დაჯგუფება იგივე მარტივი „სამიზნე“ კონტროლებით. ამ ეტაპზე, ROLAP კლიენტი იწყებს ქეშის მონაცემებით. OLAP სერვერის კლიენტი ქმნის ახალ მოთხოვნას დიდი მონაცემთა ბაზისთვის. მაგალითად, თუ თქვენ დარჩებით პროდუქტის გაყიდვების ანგარიშში, შეგიძლიათ გააუქმოთ პროდუქტის გაყიდვების ანგარიში, რაც დაგვეხმარება.

OLAP პროგრამების ყველა პარამეტრი შეიძლება შეინახოს მეტამონაცემების საცავში, ან დიდი მონაცემთა ბაზის დამატებით სისტემურ საცავში. განხორციელება დამოკიდებულია კონკრეტულ პროგრამულ პროდუქტზე.

ასე რომ, რა სიტუაციებში შეიძლება იყოს OLAP კლიენტის ინსტალაცია ბიზნეს მომხმარებლებისთვის უფრო ეფექტური და მომგებიანი OLAP სერვერის გამოყენებისთვის?

OLAP სერვერის გაშვების ხარჯების ეფექტურობა მოქმედებს მაშინ, როდესაც მონაცემთა დატვირთვა ძალიან დიდია და ზედმეტად დიდია OLAP კლიენტისთვის, წინააღმდეგ შემთხვევაში დანარჩენის გაშვება უფრო გამართლებულია. ამ ტიპის OLAP კლიენტს ექნება მაღალი პროდუქტიულობის მახასიათებლები და დაბალი პროდუქტიულობა.

ანალიტიკოსთა კომპიუტერების სიმკვრივე კიდევ ერთი არგუმენტია OLAP კლიენტების სასარგებლოდ. თუ იყენებთ OLAP სერვერს, გთხოვთ, ნუ ეცდებით მის გამოყენებას. OLAP კლიენტების ძირითადი უპირატესობები შეიძლება ეწოდოს შემდეგნაირად:

OLAP კლიენტის გაშვებისა და შენარჩუნების ღირებულება მნიშვნელოვნად დაბალია, ვიდრე OLAP სერვერის ღირებულება.

OLAP კლიენტის დაყენებულ მანქანასთან დაკავშირებისას, მონაცემთა გადაცემა ქსელში ერთხელ ხორციელდება. როდესაც OLAP ოპერაცია დასრულდება, მონაცემთა ახალი ნაკადები არ იქნება გენერირებული.

ROLAP კლიენტების დაყენება გამარტივებულია შუა ხაზის გამორთვით - მდიდარი მონაცემთა ბაზის შექმნით.

3. OLAP სისტემის ბირთვი

3.1 პრინციპები

დამატებების კლიენტის ძირითადი მონაცემები

რაც უკვე ითქვა, ცხადია, რომ OLAP მექანიზმი დღეს მონაცემთა ანალიზის ერთ-ერთი ყველაზე პოპულარული მეთოდია. ამ მიზნის მისაღწევად ორი ძირითადი მიდგომა არსებობს. პირველს ჰქვია მრავალგანზომილებიანი OLAP (MOLAP) - მექანიზმის დანერგვა სერვერების მდიდარი მონაცემთა ბაზის გამოყენებით, ხოლო მეორე არის Relational OLAP (ROLAP) - თითო კუბიანი სისტემა, რომელიც დაფუძნებულია SQL შეკითხვებზე რელაციურ DBMS-ზე. თითოეულ ამ მიდგომას აქვს თავისი დადებითი და უარყოფითი მხარეები. ეს ზოგადი ანალიზი სცილდება ამ სამუშაოს ფარგლებს. აქ ჩვენ აღვწერთ მხოლოდ დესკტოპის ROLAP მოდულის ბირთვის განხორციელებას.

ეს სიტუაცია შეიქმნა ROLAP სისტემის გათიშვის შემდეგ, Decision Cube კომპონენტების საფუძველზე, რომელიც შედიოდა Borland Delphi-ის საწყობში. სამწუხაროდ, კომპონენტების ამ ნაკრების შერჩევამ აჩვენა დაბალი პროდუქტიულობა ამ დიდ საქმეში. ამ პრობლემის სიმძიმის შემცირება შესაძლებელია კუბებზე გაგზავნამდე რაც შეიძლება მეტი მონაცემების შეგროვებით. არასოდეს მოიწყინო ალეკი.

ინტერნეტში შეგიძლიათ იპოვოთ ბევრი ინფორმაცია OLAP სისტემების შესახებ, მაგრამ პრაქტიკულად არაფერია ნათქვამი მათზე, რომლებიც კონტროლდება შუაში.

რობოტის სქემა:

დესკტოპის OLAP სისტემის ძირითადი დიაგრამა შეიძლება წარმოდგენილი იყოს შემდეგნაირად:

სქემა 3. დესკტოპის OLAP სისტემის მუშაობა

რობოტის თავდასხმის ალგორითმი:

1. მოამზადეთ მონაცემები ერთი შეხედვით ბრტყელი ცხრილიდან ან შეიტანეთ შედეგი SQL-ში.

2. მონაცემთა შენახვა და მათი გადაქცევა მდიდარ სამყაროს კუბად.

3. არჩეული კუბის ჩვენება დამატებითი ჯვარედინი ცხრილის ან დიაგრამების გამოყენებით და ა.შ. ჰალალის კონფიგურაციაში შესაძლებელია ერთ კუბამდე საკმარისი რაოდენობის ვიბრაციის დაკავშირება.

მოდი ვნახოთ, როგორ შეიძლება ასეთი სისტემის კონტროლი შუაში. მოდით შევხედოთ ამ მხარეს, რომელიც შეგიძლიათ გაოცდეთ და გახეხეთ, რადგან ეს კარგი იდეაა. სურათები, რომლებიც ანალიზდება OLAP სისტემებში, ყველაზე ხშირად ორი ტიპისაა - ჯვარედინი ცხრილები და დიაგრამები. მოდით შევხედოთ ჯვარედინი ცხრილს, რომელიც არის კუბის ჩვენების მთავარი და ყველაზე ვრცელი გზა.

პატარაზე, რომელიც დევს ქვემოთ, იგივე ფერი აჩვენებს სტრიქონებს და სვეტებს გაერთიანებული შედეგების საჩვენებლად, ღია ნაცრისფერი ფერი მიუთითებს შუაზე, რომელიც წარმოადგენს ფაქტებს, ხოლო მუქი ნაცრისფერი ფერები ვარდების მონაცემების საჩვენებლად. სიმშვიდე.

ამრიგად, ცხრილი შეიძლება დაიყოს შემდეგ ელემენტებად, როგორც უკვე აღვნიშნეთ:

მატრიცას ფაქტებით შენახვით, შეგვიძლია ვიმუშაოთ ასე:

ვიბრაციის შესახებ მონაცემთა ბაზაზე მიუთითეთ ელემენტის კოორდინატები, რომელიც შედის მატრიცაში.

განსაზღვრეთ სვეტებისა და ჩანთების რიგების კოორდინატები, სადაც ჩასმულია დასამატებელი ელემენტი.

დაამატეთ ელემენტი მატრიცაში და ჩანთების შესაბამისი სვეტები და რიგები.

ამ შემთხვევაში, აუცილებელია გავითვალისწინოთ, რომ მიღებული მატრიცა იქნება ძალიან მწირი, ისე, რომ მისი ორგანიზება ორგანზომილებიანი მასივის სახით (ვარიანტი, რომელიც ზედაპირზე დევს) არა მხოლოდ ირაციონალური, არამედ, ყველაფერზე უკეთესია და შეუძლებელია მატრიცის დიდი ზომის გამო, ფულის დაზოგვის მიზნით, ამოიღეთ ოპერატიული მეხსიერების საჭირო რაოდენობა. მაგალითად, თუ ჩვენი კუბი შეიცავს ინფორმაციას გაყიდვების შესახებ ერთი პერიოდის განმავლობაში, და თუ მომავალში იქნება მხოლოდ 3 განზომილება - კლიენტები (250), პროდუქტები (500) და თარიღი (365), მაშინ ჩვენ ვქმნით მიმდინარე ფაქტების მატრიცას. ზომები: რაოდენობის ელემენტები = 250 x 500 x 365 = 45 625 000. ეს მიუხედავად იმისა, რომ მატრიცაში შეიძლება იყოს რამდენიმე ათასზე მეტი ელემენტი. უფრო მეტიც, რაც მეტია ვიბრაციების რაოდენობა, მით უფრო მწირი იქნება მატრიცა.

ამიტომ, ამ მატრიცთან მუშაობისთვის აუცილებელია სპეციალური რობოტული მექანიზმების გამოყენება იშვიათი მატრიცებით. იშვიათი მატრიცის ორგანიზების სხვადასხვა ვარიანტი არსებობს. სუნი კარგად არის აღწერილი პროგრამირების ლიტერატურაში, მაგალითად, დონალდ კნუტის კლასიკური წიგნის "პროგრამირების საიდუმლო" პირველ ტომში.

მოდით ახლა შევხედოთ, თუ როგორ შეგვიძლია განვსაზღვროთ ფაქტის კოორდინატები სხვადასხვა სამყაროს შეცნობით. ამ მიზნით, გადავხედოთ მოხსენების სათაურის სტრუქტურას:

ამ შემთხვევაში, თქვენ შეგიძლიათ მარტივად გაიგოთ, თუ როგორ უნდა მივანიჭოთ ტელეფონის ნომრის ნომრები და ჩანთები, რომლებშიც ის გამოიყენება. აქ შეგიძლიათ გააცნოთ რამდენიმე მიდგომა. ერთ-ერთი მათგანია ხის შერჩევა უნიკალური შუალედების მოსაძებნად. ამ ხის აღდგენა შესაძლებელია შერჩევაში გავლისას. გარდა ამისა, თქვენ შეგიძლიათ მარტივად იპოვოთ ანალიტიკური განმეორებითი ფორმულა საჭირო კოორდინატების გამოსათვლელად.

მონაცემები, რომლებიც შენახულია ცხრილში, უნდა იყოს კონვერტირებული, რათა გამოიყენონ იგი როგორც შემცვლელი. ამრიგად, ჰიპერკუბის გამოყენებისას პროდუქტიულობის გაზრდის მიზნით, მნიშვნელოვანია იპოვოთ უნიკალური ელემენტები, რომლებიც შენარჩუნებულია კუბის ზომების ელემენტებში. გარდა ამისა, შესაძლებელია ჩანაწერებისთვის ფაქტების წინა აგრეგაცია, რომლებსაც, თუმცა, აქვთ იგივე განზომილების მნიშვნელობები. როგორც მსოფლიო დაინიშნა, ჩვენთვის მნიშვნელოვანია უნიკალური მნიშვნელობები, რომლებიც გადაშენების სფეროებშია. მათი შესანახად, შეგიძლიათ შექმნათ შემდეგი სტრუქტურა:

სქემა 4. უნიკალური მნიშვნელობების შენახვის სტრუქტურა

ამ სტრუქტურის გამოყენებით ჩვენ საგრძნობლად ვამცირებთ მეხსიერების მოთხოვნილებას. რისი დამატებაა აქტუალური, რადგან... მუშაობის სიჩქარის გასაზრდელად, თქვენ უნდა შეინახოთ მონაცემები RAM-ში. გარდა ამისა, თქვენ შეგიძლიათ შეინახოთ ელემენტების მხოლოდ დიდი მასივი და შეინახოთ მათი მნიშვნელობები დისკზე, ასე რომ, ისინი აღარ დაგვჭირდება ჯვარედინი ცხრილის ჩვენებისას.

უფრო დიდი იდეების აღწერილობები, რომლებიც ქმნიან CubeBase კომპონენტის ბიბლიოთეკის საფუძველს.

სქემა 5. CubeBase კომპონენტის ბიბლიოთეკის სტრუქტურა

TСubeSource უზრუნველყოფს მონაცემთა ქეშირებას და ტრანსფორმაციას შიდა ფორმატში, ასევე მონაცემთა ფორუმზე აგრეგაციას. TCubeEngine კომპონენტი ასრულებს ჰიპერკუბის გამოთვლებს და ოპერაციებს მასთან. სინამდვილეში, ეს არის OLAP ძრავა, რომელიც ქმნის ბრტყელ მაგიდას მონაცემთა დიდი ნაკრებით. TCubeGrid კომპონენტი აჩვენებს ეკრანზე ჯვარედინი ცხრილების და ჰიპერკუბების ხედებს. TСubeChart საშუალებას გაძლევთ შექმნათ ჰიპერკუბი დიაგრამის ხედში, ხოლო TСubePivote კომპონენტი ამუშავებს კუბის ბირთვებს.

კარგად, მე გადავხედე კომპონენტების არქიტექტურასა და ურთიერთქმედებას, რომლებიც შეიძლება გამოყენებულ იქნას OLAP მანქანების შესაქმნელად. ახლა მოდით შევხედოთ ანგარიშს კომპონენტების შიდა კომპონენტების შესახებ.

სისტემის პირველი ეტაპი იქნება მონაცემების შეგროვება და შიდა ფორმატში გადაქცევა. კვება ბუნებრივი იქნება - და ეს არის ის, რაც საჭიროა და თქვენ შეგიძლიათ უბრალოდ დაალაგოთ მონაცემები ბრტყელი მაგიდიდან, შეხედოთ მას კუბის პერსპექტივიდან. აზრის გასაგებად, მოდით შევხედოთ ცხრილის სტრუქტურას OLAP აპარატის თვალსაზრისით. OLAP სისტემებისთვის ცხრილის სვეტები შეიძლება იყოს ფაქტები ან ხედები. ამ შემთხვევაში, ამ სვეტებთან მუშაობის ლოგიკა განსხვავებული იქნება. ჰიპერკუბში ზომები რეალურად განისაზღვრება ღერძებით, ხოლო ზომების მნიშვნელობები არის ამ ღერძების კოორდინატები. ამ შემთხვევაში კუბი ძალიან არათანაბრად შეივსება - იქნება კოორდინატები, რომლებიც არ შეესაბამება თითოეულ ჩანაწერს და იქნება ჩანაცვლება, რომელიც შეესაბამება გამომავალი ცხრილის ჩანაწერების რაოდენობას, და პირველი სიტუაცია იქნება იგივე. ხდება უფრო ხშირად, ვიდრე არა, რომ კუბი დაემსგავსება მთელ სამყაროს - ცარიელი სივრცე, ზოგან ხალხმრავლობა ხდება ქულების ყიდვისას (ფაქტები). ამგვარად, ვინაიდან მონაცემთა თავდაპირველი შეძენისას ჩვენ საფუძვლიანად ვაგროვებთ მონაცემებს, ისე რომ ჩანაწერები გაერთიანდეს, რასაც, თუმცა, შეიძლება ჰქონდეს მნიშვნელოვანი ცვლილებები, რაც გადაიჭრა მნიშვნელოვანი ფაქტების შემდგომი გაერთიანებით, მაშინ ჩვენ უნდა გაუმკლავდეთ ნაკლებ ჩანაწერს, რათა გაზარდოთ მუშაობის სიჩქარე და შეცვალოთ სარგებელი ოპერაციულ მეხსიერებამდე.

ჰიპერკუბის ხედების შესაქმნელად, ჩვენ გვჭირდება შემდეგი შესაძლებლობები - კოორდინატების მინიჭება (რეალურად გადაშენების მნიშვნელობები) ცხრილის ჩანაწერებისთვის და მინიჭებული ჩანაწერების მინიჭება კონკრეტული კოორდინატების შესაქმნელად (გადაშენების მნიშვნელობები). ვნახოთ, როგორ შეიძლება ამ შესაძლებლობების რეალიზება. ჰიპერკუბის შესანახად უმარტივესი გზაა მონაცემთა ბაზის შიდა ფორმატში გადაყვანა.

ტრანსფორმაცია სქემატურად შეიძლება წარმოდგენილი იყოს შემდეგნაირად:

სქემა 6. მონაცემთა ბაზის შიდა ფორმატიდან ნორმალიზებულ მონაცემთა ბაზაში გადაყვანა

შემდეგ ერთი ცხრილის ნაცვლად შევქმენით ნორმალიზებული მონაცემთა ბაზა. ზოგადად, ნორმალიზება ამცირებს რობოტული სისტემის სითხეს, შეიძლება ითქვას მონაცემთა ბაზის სპეციალისტებმა და ამაში ისინი აბსოლუტურად მართლები იქნებიან, რადგან ლექსიკონების ელემენტების მნიშვნელობა უნდა მოვაშოროთ (ჩვენს შემთხვევაში, მნიშვნელობა არის გადაშენება). ალე მარჯვნივ არის ის, რომ ჩვენ არ გვჭირდება ეს ღირებულებები სცენაზე დაუყოვნებლივ. ვინაიდან გადაწყდა, რომ კოორდინატები უნდა გვქონდეს ჩვენს ჰიპერკუბთან, კოორდინატები მნიშვნელოვანია სამყაროების მნიშვნელობისთვის. უმარტივესი გზა იქნება ელემენტების მნიშვნელობების გადანომრვა. იმისათვის, რომ დავრწმუნდეთ, რომ ნუმერაცია ერთ ვიმირს შორის არის ცალსახა, ჩვენ ჯერ ვახარისხებთ vimir მნიშვნელობების სიებს (ლექსიკონები DB ტერმინებზე დაფუძნებული) ანბანური თანმიმდევრობით. გარდა ამისა, ხდება ფაქტების გადანომრვა და ფაქტების გადანაწილება. ავიღოთ შემდეგი დიაგრამა:

სქემა 7. ნორმალიზებული მონაცემთა ბაზის ხელახალი ნუმერაცია, კოორდინატების მინიჭება, მოდიფიკაციის მნიშვნელობა

ახლა უკვე შეუძლებელია სხვადასხვა ცხრილის ელემენტების ერთმანეთთან დაკავშირება. თეორიულად, რელაციური მონაცემთა ბაზები აგებულია სპეციალური შუალედური ცხრილების დახმარებით. ჩვენთვის საკმარისია თითოეულ ცხრილში შევიტანოთ სია, რომლის ელემენტები იქნება ფაქტების რაოდენობა, რომლებიც გამოყენებული იქნა მონაცემთა ფორმირებისას (იმისათვის, რომ განვსაზღვროთ ყველა ის ფაქტი, რომელსაც აქვს იგივე კოორდინატთა მნიშვნელობები, რომლებიც აღწერილია მ ვიმირის მიერ). კანის ჩანაწერთან შესაბამისობაში მყოფი ფაქტებისთვის, ჩვენ ვაყენებთ კოორდინატთა მნიშვნელობების ტიპს, რომლის უკანაც ის გადაადგილდება ჰიპერკუბში. შემდეგი, ჰიპერკუბის ჩანაწერის კოორდინატების ქვეშ, შესაბამისი ჩანაწერების ნომრები გამოჩნდება მნიშვნელობების ცხრილებში. ამიტომ, ჩვენი ჰიპოთეტური კონდახისთვის, ჩვენ უარვყოფთ შემტევ კომპლექტს, რაც ნიშნავს ჰიპერკუბის შიდა გამოვლინებას:

სქემა 8. ჰიპერკუბის შიდა გამოვლინებები

ასე გვექნება ჰიპერკუბის შიდა სტრუქტურა. თუ ჩვენ ვმუშაობთ რელაციური მონაცემთა ბაზისთვის, მაშინ ველების როლები მომაკვდავი სამყაროების მნიშვნელობის კავშირში განისაზღვრება უბრალოდ ცვალებადი თარიღის ველებით (RDB-ში ამის გაკეთება შეგვიძლია, რადგან არის რამდენიმე სვეტი წინასწარ მითითებულ ცხრილში) ალეგიდ).

თქვენ შეგიძლიათ სცადოთ ვიკორისტიკა ჰიპერკუბის განსახორციელებლად, რომელიც აკრიფებს საათობრივ ცხრილს, თუ ეს მეთოდი უზრუნველყოფს ძალიან დაბალი სიჩქარის კოდს (მაგალითად, გადაწყვეტილების კუბის კომპონენტების ნაკრები), მაშინ ჩვენ ვიქტორინებთ თქვენს მონაცემთა დაზოგვის სტრუქტურებს.

ჰიპერკუბის განსახორციელებლად, ჩვენ გვჭირდება მონაცემთა სტრუქტურების მორგება, რათა უზრუნველვყოთ მაქსიმალური სიჩქარე და ოპერატიული მეხსიერების მინიმალური ხარჯვა. ცხადია, ჩვენი ძირითადი სტრუქტურები იქნება ლექსიკონებისა და ფაქტების ცხრილების შესანახად. მოდით შევხედოთ ამოცანას, რომელიც შეიძლება გამოყენებულ იქნას ლექსიკონის ასაგებად მაქსიმალური მოქნილობით:

ლექსიკონში ელემენტის არსებობის შემოწმება;

ლექსიკონში ელემენტის დამატება;

მოძებნეთ ჩანაწერების რიცხვები, რომლებიც მიუთითებენ კონკრეტულ კოორდინატთა მნიშვნელობებზე;

ვიმირუ მნიშვნელობების კოორდინატების ძიება;

მოძებნეთ ვიმირი თქვენი კოორდინატის უკან.

ამის განსახორციელებლად, შეგიძლიათ გამოიყენოთ სხვადასხვა ტიპის მონაცემთა სტრუქტურები. მაგალითად, შეგიძლიათ vikoristati massivi სტრუქტურები. სინამდვილეში, ბევრი მასივი საჭიროებს დამატებით ინდექსირების მექანიზმებს მონაცემთა შეძენისა და ინფორმაციის მოპოვების სითხის გასაზრდელად.

ჰიპერკუბის მუშაობის ოპტიმიზაციისთვის აუცილებელია განვსაზღვროთ ის ამოცანები, რომლებიც უნდა შესრულდეს პირველი რიგით და რა კრიტერიუმებით უნდა მივაღწიოთ რობოტის სიჩქარის გაზრდას. ჩვენთვის მთავარია რობოტული პროგრამების სიჩქარის გაზრდა, ამ შემთხვევაში მნიშვნელოვანია, რომ RAM-ის საჭირო რაოდენობა მცირე იყოს. სიჩქარის კოდის გაუმჯობესება შესაძლებელია მონაცემთა წვდომის დამატებითი მექანიზმების დანერგვით, მაგალითად, ინდექსირება. სამწუხაროდ, არსებობს დიდი ზედნადები, რომლებიც დაკავშირებულია RAM-ის გაფლანგვასთან. აქედან გამომდინარე, მნიშვნელოვანია, რომ ჩვენ უნდა შევასრულოთ ყველა ოპერაცია მაქსიმალური ეფექტურობით. მოდით შევხედოთ კომპონენტებს ჰიპერკუბის განსახორციელებლად. ეს კომპონენტები ორი ძირითადი ტიპისაა - სიმულაციური და ფაქტების ცხრილი. ვიზუალიზაციისთვის, ტიპიური დავალებები იქნება:

ახალი მნიშვნელობის დამატება;

მნიშვნელობის კოორდინატები მნიშვნელობების მიღმა;

კოორდინატების მნიშვნელობა.

ახალი მნიშვნელობის ელემენტის დამატებისას უნდა შევამოწმოთ არის თუ არა უკვე იგივე მნიშვნელობები და არა ახლის დამატება, არამედ გამოკვეთილი კოორდინატის შეცვლა, წინააღმდეგ შემთხვევაში საჭიროა ახალი ელემენტის დამატება და მისი კოორდინატის შეცვლა. ამ მიზნით, საჭიროა სწრაფად მოძებნოთ საჭირო ელემენტის არსებობა (გარდა ამისა, ეს ამოცანა ასევე ჩნდება, როდესაც მითითებულია ელემენტის საკოორდინატო მნიშვნელობა). ამ მიზნით, ოპტიმალური გადაწყვეტა იქნება Vikoristannya Kheshuvannya. ამ შემთხვევაში, ოპტიმალური სტრუქტურა იქნება ერთი ჰეშის ხე, რომელიც დაზოგავს დროს ელემენტებზე. ამ შემთხვევაში, ელემენტები იქნება Vimiru ლექსიკის რიგები. შემდეგ ვიმირის მნიშვნელობის სტრუქტურა შეიძლება წარმოდგენილი იყოს შემდეგნაირად:

PFactLink = ^TFactLink;

TFactLink = ჩანაწერი

FactNo: მთელი რიცხვი; // ფაქტების ინდექსი ცხრილში

TDimensionRecord = ჩანაწერი

მნიშვნელობა: სიმებიანი; // სამყაროს მნიშვნელობა

ინდექსი: მთელი რიცხვი; // კოორდინატთა მნიშვნელობები

FactLink: PFactLink; // აჩვენე ელემენტების სია ფაქტების ცხრილში

ხოლო ჰეშის ხეში შეტყობინებები ინახება უნიკალურ ელემენტებზე. გარდა ამისა, ჩვენ უნდა გადავჭრათ კარიბჭის ხელახალი შექმნის პრობლემა - კოორდინატისა და სამყაროს ღირებულების მიხედვით. მაქსიმალური პროდუქტიულობის უზრუნველსაყოფად, დაიცავით პირდაპირი მიმართვა. აქედან გამომდინარე, შეგიძლიათ შექმნათ სხვა მასივი, რომლის ინდექსი არის შერჩევის კოორდინატი და მნიშვნელობა იგზავნება ლექსიკონში სპეციალურ ჩანაწერში. თუმცა, ამის გაკეთება შეგიძლიათ უფრო მარტივი გზით (და შეინახეთ გარკვეული მეხსიერება) უბრალოდ ელემენტების მასივის შეკვეთით ისე, რომ ელემენტის ინდექსი იყოს მისი კოორდინატი.

მასის ორგანიზაცია, რომელიც ახორციელებს ფაქტების ნაკადს, არ ქმნის განსაკუთრებულ პრობლემებს მისი მარტივი სტრუქტურით. მნიშვნელოვანია აღინიშნოს, რომ მნიშვნელოვანია გაერთიანების ყველა მეთოდის დაფარვა, რომელიც შეიძლება საჭირო გახდეს და რომელთა დაფინანსება შესაძლებელია თანდათანობით (მაგალითად, თანხა).

ჩვენ აღვწერეთ ჰიპერკუბის მსგავსი მონაცემების შენახვის მეთოდი. ეს საშუალებას გაძლევთ ჩამოაყალიბოთ წერტილების ნაკრები სივრცის უზარმაზარ სამყაროში მონაცემთა საწყობში ნაპოვნი ინფორმაციის საფუძველზე. იმისათვის, რომ ადამიანმა შეძლოს ამ მონაცემებთან მუშაობა, ისინი უნდა წარედგინოს დამუშავების უნარს. აქედან გამომდინარე, შედგენილია ცხრილი და გრაფიკები, როგორც მონაცემთა წარმოდგენის ძირითადი ტიპები. უფრო მეტიც, ეს მეთოდები რეალურად არის ჰიპერკუბის პროგნოზები. გაღვიძების მანიფესტაციების დროს მაქსიმალური ეფექტურობის უზრუნველსაყოფად, განისაზღვრება თუ რა არის ეს პროგნოზები. მოდით, საბოლოოდ შევხედოთ ამ ცხრილს, რადგან ის ყველაზე მნიშვნელოვანია მონაცემთა ანალიზისთვის.

ჩვენ ვიცით ასეთი სტრუქტურის განხორციელების გზები. თქვენ შეგიძლიათ ნახოთ სამი ნაწილი, რომლებიც ქმნიან ცხრილს: მწკრივის სათაურები, სვეტების სათაურები და აგრეგირებული ფაქტების მნიშვნელობების ცხრილი. ფაქტების ცხრილის წარმოდგენის უმარტივესი გზა არის ორგანზომილებიანი მასივის დათვალიერება, რომლის ზომა შეიძლება განისაზღვროს სათაურების გამოყენებით. სამწუხაროდ, უმარტივესი მეთოდი არაეფექტური იქნება, რადგან ცხრილი იქნება ძალიან მწირი, ხოლო მეხსიერება ძალიან არაეფექტურად იქნება გამოყენებული, რის შედეგადაც იქნება მხოლოდ ძალიან პატარა კუბურები და სხვა მეხსიერების ფრაგმენტები შეიძლება არ იყოს გამოყენებული. ამიტომ, ინფორმაციის შესანახად უნდა ავირჩიოთ მონაცემთა სტრუქტურა, რომელიც უზრუნველყოფს ახალი ელემენტის ძიების/დამატების მაქსიმალურ სიჩქარეს და ამავდროულად ოპერატიული მეხსიერების მინიმალურ ხარჯვას. ეს სტრუქტურა იქნება ეგრეთ წოდებული იშვიათი მატრიცა, რომლის შესახებაც შეგიძლიათ წაიკითხოთ კნუტის მოხსენება. მატრიცის ორგანიზების სხვადასხვა მეთოდი არსებობს. ვარიანტის ასარჩევად, ჯერ გადავხედოთ ცხრილის სათაურების სტრუქტურას.

სათაურებს აქვთ მკაფიო იერარქიული სტრუქტურა, ამიტომ ბუნებრივია, რომ მათ ხე გადავარჩინოთ. ამ შემთხვევაში, ხის კვანძის სტრუქტურა სქემატურად შეიძლება წარმოდგენილი იყოს შემდეგნაირად:

დამატება C

მოდიფიკაციის მნიშვნელობიდან გამომდინარე, ლოგიკურია ინფორმაციის შენახვა მდიდარი სამყაროს კუბის მოდიფიკაციის ცხრილის მეორად ელემენტში. თქვენ შეგიძლიათ სწრაფად დახარჯოთ მეხსიერება, რომ დაზოგოთ ფული და დააჩქაროთ მუშაობა. მამათა და ქალიშვილის უნივერსიტეტების მსგავსად, მათაც უგზავნიან ვიკორს.

ხეზე ელემენტის დასამატებლად საჭიროა ინფორმაცია ჰიპერკუბში მდებარეობის შესახებ. იმის გამო, რომ ასეთი ინფორმაცია უნდა იყოს შენახული მის კოორდინატებში, სიტყვის მნიშვნელობა ინახება ლექსიკონში. მოდით შევხედოთ დიაგრამას ელემენტის დამატების შესახებ კონსოლიდირებული ცხრილის სათაურების ხეზე. ამ შემთხვევაში, გამომავალი ინფორმაცია განისაზღვრება კოორდინატების ვიკორისტული მნიშვნელობებით. მონაცემების ზედაზღვევის თანმიმდევრობა განისაზღვრება სათაურის ხის იერარქიული დონეების აგრეგაციისა და თავიდან აცილების აუცილებელი მეთოდით. შედეგად, ელემენტის დასამატებლად აუცილებელია გაერთიანებული ცხრილის სვეტების ან რიგების სიის შერჩევა.

დანამატიდ

როგორც გამომავალი მონაცემები სტრუქტურის მნიშვნელობის დასადგენად, ვიკორისტული კოორდინატები არის ვიმირუვანი. გარდა ამისა, სიმარტივისთვის, ჩვენ გავითვალისწინებთ იმას, რასაც ვგულისხმობთ მატრიცაში (როგორც ცოტა მოგვიანებით ვიგულისხმებთ მოსაზრებების სერიას, რადგან აქ უფრო ადვილია მონაცემთა სხვა სტრუქტურების განლაგება, ამ არჩევანის მიზეზი არის ასევე გასაკვირი. ქვედა). როგორ მოვახდინოთ მთელი რიცხვის კოორდინაცია - განსაზღვრულია რიცხვები და მნიშვნელობა, რომელიც შეიძლება გამოითვალოს ზემოთ აღწერილი.

ასევე, ამ პროცედურის დასრულების შემდეგ, შეტყობინებების მასივი იგზავნება მწირი მატრიცის სტეკებში. ახლა თქვენ უნდა გააუქმოთ ყველა მწკრივი. ამ ტიპის კანის მოვლისთვის აუცილებელია საჭირო ელემენტის ცოდნა და იქ შესაბამისი ღირებულების დამატება. კანის ღირებულების დასადგენად, აუცილებელია იცოდეთ უნიკალური მნიშვნელობების რაოდენობა და როგორ აირჩიოთ ეს მნიშვნელობები.

ახლა ვნახოთ, რომელი სახეა საჭირო სვეტების შუაში მნიშვნელობების იდენტიფიცირება - საჭირო მწკრივის დასადგენად. ამ მიზნით, არსებობს მთელი რიგი მიდგომები. უმარტივესი რამ იქნება ვექტორის კანის იდენტიფიცირება, მაგრამ თუ ფრაგმენტები მნიშვნელოვნად დასუსტებულია, მაშინ მეხსიერება სრულიად არაეფექტური იქნება. იმის უზრუნველსაყოფად, რომ ეს უნიკალურია, ჩვენ განვსაზღვრავთ მონაცემთა სტრუქტურას, რათა უზრუნველვყოთ უფრო მეტი ეფექტურობა იშვიათი ერთგანზომილებიანი მასივების (ვექტორების) წარმოდგენისას. მათგან უმარტივესი იქნება პირველადი სია, ერთი ან ორი ბმული, მაგრამ არა ეკონომიური ელემენტების წვდომის თვალსაზრისით. ამიტომ, ჩვენ ვირჩევთ ხეს ელემენტების ოპტიმალური წვდომის უზრუნველსაყოფად.

მაგალითად, შეგიძლიათ მიიღოთ იგივე ხე, როგორც კანისთვის, მაგრამ შემდეგ თქვენ მოგიწევთ საკუთარი ხე კანისთვის, რაც გამოიწვევს მნიშვნელოვან ხარჯებს მეხსიერებისთვის და დამუშავების დროისთვის. მოდით, ცოტა უფრო ეშმაკურად მივიჩნიოთ - ჩვენ ვიცით ერთი ხე, რომ გადავარჩინოთ ყველა გადაშენება, რომელიც წარმოიქმნება კომბინაციების რიგებში, რომელიც იქნება აღწერილის იდენტური, მაგრამ მისი ელემენტები არ იქნება რიგების შემკვეთები (რომლებიც არის ბევრი), მაგრამ მათი ინდექსები, რატომ არ გვაწუხებს თავად ინდექსის მნიშვნელობები? კლავიშები შეირჩევა მხოლოდ უნიკალურ გასაღებებად. შემდეგ კლავიშები ირჩევა საჭირო ელემენტის მოსაძებნად სცენის შუაში. თავად სტრუქტურა ყველაზე ადვილად აღიარებულია, როგორც ძირითადი ორი ხე. სტრუქტურა შეიძლება წარმოდგენილი იყოს გრაფიკულად შემდეგნაირად:

სქემა 9. დაწყობილი მაგიდის ორი ხის სახით წარმოდგენა

სტრიქონების სპეციალური ნომრების მინიჭებისთვის, შეგიძლიათ მიჰყვეთ იგივე პროცედურას, როგორც ზემოთ აღწერილი ცხრილში სვეტების მინიჭებისთვის. ამ შემთხვევაში, მწკრივების ნომრები უნიკალურია ერთი შეჯამებული ცხრილის ფარგლებში და განსაზღვრავს ელემენტებს ვექტორებში, რომლებიც შეჯამებული ცხრილის წევრები არიან. ამ რიცხვების გენერირების უმარტივესი ვარიანტი იქნება ექიმის გაშვება და მათი ერთით გაზრდა მწკრივის სათაურის ხეზე ახალი ელემენტის დამატებისას. თავად ვექტორების შენახვა უმარტივესია ორი ხის ხის სახით, რადგან გასაღები არის რიგის ნომრის მნიშვნელობა. გარდა ამისა, თქვენ ასევე შეგიძლიათ გამოიყენოთ ჰეშის ცხრილი. ვინაიდან ამ ხეებთან მუშაობის პროცედურები დეტალურად იქნა განხილული სხვა განყოფილებებში, ჩვენ არავისზე არ ვისაუბრებთ და გადავხედავთ სტანდარტში ელემენტის დამატების ფარულ სქემას.

ფორმალიზებული ფორმით, მატრიცაში ელემენტის დამატების მოქმედებების თანმიმდევრობა შეიძლება აღწერილი იყოს შემდეგნაირად:

1. განსაზღვრეთ რიგების რიცხვები, რომლებზეც ელემენტები დამატებულია

2. განსაზღვრეთ ელემენტთა სიმრავლე, რომლებსაც ემატება ელემენტები

3. ყველა Stovptziv, Elehement Trekvyv Elemin ნომრებით, აყვავებული ელეჰემენტი (დანართი შედის PIDKOVICHENNYA KILOSTI-ში, აგრეგატების აგრეგატების ფაქტი, იაკი შეიძლება იყოს ამაო იზმონტალურად).

ამ ალგორითმის დასრულების შემდეგ წარმოიქმნება მატრიცა, რომელიც არის ცხრილი, რომელიც უნდა შევქმნათ.

ახლა რამდენიმე სიტყვა ფილტრაციის შესახებ გაღვიძების საათებში. ამის გაკეთება ყველაზე ადვილია უშუალოდ მატრიცის მატრიცის ეტაპზე, რადგან ამ ეტაპზე თქვენ გაქვთ წვდომა ყველა საჭირო ველზე და, გარდა ამისა, ხდება მნიშვნელობების აგრეგაცია. ამ შემთხვევაში, როდესაც ჩანაწერი ამოღებულია ქეშიდან, მოწმდება ფილტრაციის სისტემის ვალიდობა და ნებისმიერი ჩანაწერი გაუქმებულია.

თუ სტრუქტურა სრულად არის აღწერილი, როგორც ეს მოცემულია ცხრილში, მაშინ მისი ვიზუალიზაცია ტრივიალური იქნება. ამ შემთხვევაში, შეგიძლიათ გამოიყენოთ ცხრილის სტანდარტული კომპონენტები, რომლებიც გვხვდება Windows-ის თითქმის ყველა პროგრამაში.

პირველი პროდუქტი, რომელიც მოყვება OLAP-ს, არის Express (IRI კომპანია). თავად ტერმინი OLAP გამოიგონა ედგარ კოდმა, „რელატიური მონაცემთა ბაზების მამა“. და Codd-ის მუშაობა დააფინანსა Arbor-მა, კომპანიამ, რომელმაც გამოუშვა თავისი ძლიერი OLAP პროდუქტი - Essbase (უგვიანეს Hyperion-ის შეძენა, რომელიც Oracle-მა 2007 წელს შეიძინა) - საბედისწეროდ ადრე. სხვა ცნობილ OLAP პროდუქტებში შედის Microsoft Analysis Services (ადრე ეწოდებოდა OLAP Services, SQL Server-ის ნაწილი), Oracle OLAP Option, DB2 OLAP სერვერი IBM-დან (სინამდვილეში EssBase დამატებითი IBM-ით), SAP BW, Brio პროდუქტები, BusinessObjects, Cognos, MicroStrategy და სხვა ვირობნიკები.

ტექნიკური თვალსაზრისით, ბაზარზე წარმოდგენილი პროდუქტები იყოფა "ფიზიკურ OLAP" და "ვირტუალურ". პირველ ეტაპზე არის პროგრამა, რომელიც ინახავს ერთეულების პირველ განვითარებას, რომლებიც შემდეგ ინახება სპეციალურ მდიდარ მონაცემთა ბაზაში, რაც უზრუნველყოფს სისტემის გაძლიერებას. ასეთი პროდუქტების მაგალითებია Microsoft Analysis Services, Oracle OLAP Option, Oracle/Hyperion EssBase, Cognos PowerPlay. სხვა შემთხვევაში, მონაცემები ინახება რელაციურ DBMS-ებში და აგრეგატები შეიძლება არ იყოს შენახული დაუყოვნებლივ, მაგრამ შეიძლება შეიქმნას პირველი მოთხოვნით DBMS-დან ან ანალიტიკური პროგრამული უზრუნველყოფის ქეშით. ასეთი პროდუქტების მაგალითებია SAP BW, BusinessObjects, Microstrategy. სისტემები, რომლებიც დაფუძნებულია „ფიზიკურ OLAP“-ზე, უზრუნველყოფენ სტაბილურად ხანმოკლე მუშაობის ხანგრძლივობას, ვიდრე „ვირტუალური OLAP“ სისტემები. „ვირტუალური OLAP“ სისტემების მომხრეები აცხადებენ, რომ მათი პროდუქციის უფრო მასშტაბურობაა მონაცემთა კიდევ უფრო დიდი მოცულობის მხარდასაჭერად.

ამ რობოტით მსურს უფრო ახლოს დავაკვირდე კომპანია BaseGroup Labs-ის პროდუქტს - Deductor.

დედუქტორი არის ანალიტიკური პლატფორმა. დასრულებული გამოყენებითი გადაწყვეტილებების შექმნის საფუძველი. Deductor-ში დანერგილი ტექნოლოგიები საშუალებას იძლევა, ერთიანი არქიტექტურის საფუძველზე, გაიაროს დინამიური ანალიტიკური სისტემის ყველა ეტაპი: მონაცემთა შეგროვებიდან მოდელების ავტომატურ შერჩევამდე და შედეგების ვიზუალიზაციამდე.

საწყობის სისტემა:

Deductor Studio არის Deductor პლატფორმის ანალიტიკური ბირთვი. Deductor Studio მოიცავს მექანიზმების ახალ კომპლექტს, რომელიც საშუალებას გაძლევთ ამოიღოთ ინფორმაცია დიდი რაოდენობით მონაცემებიდან, განახორციელოთ დამუშავების მთელი ციკლი (მონაცემების გაწმენდა, ტრანსფორმაცია, მოდელების შექმნა), შედეგების ჩვენება ყველაზე მოწინავე გზით (OLAP, ცხრილები, და ა.შ.) აგრამები, ხის ხსნარები...), რომლებიც შედეგების ექსპორტს ახდენენ.

Deductor Viewer არის სამუშაო ადგილი საბოლოო მომხმარებლისთვის. პროგრამა საშუალებას გაძლევთ მინიმუმამდე დაიყვანოთ სარგებელი პერსონალისთვის, რადგან ყველა საჭირო ოპერაცია სრულდება ავტომატურად, ადრეული დამუშავების სკრიპტების მომზადების შემდეგ, არ არის საჭირო მონაცემების მოპოვების მეთოდისა და მათი დამუშავების მექანიზმების შესახებ ფიქრი. Koristuvachev Deduсtor Viewer-ში თქვენ მხოლოდ უნდა აირჩიოთ ხმა, რომელზეც გსურთ დააწკაპუნოთ.

Deductor Warehouse არის მდიდარი მრავალპლატფორმული მონაცემთა საწყობი, რომელიც აგროვებს ყველა ინფორმაციას, რომელიც აუცილებელია საგნის არეალის გასაანალიზებლად. ერთი სინქრონიის გამოყენება საშუალებას იძლევა ხელით წვდომა, დამუშავების მაღალი სიჩქარე, ინფორმაციის თანმიმდევრულობა, ცენტრალიზებული შენახვა და მონაცემთა ანალიზის მთელი პროცესის ავტომატური მხარდაჭერა.

4. კლიენტი-სერვერი

Deductor სერვერი განკუთვნილია დისტანციური ანალიტიკური დამუშავებისთვის. ის საშუალებას გაძლევთ ავტომატურად „გაუშვათ“ მონაცემები სერვერზე არსებული სკრიპტების მეშვეობით და ხელახლა მინიჭოთ არსებული მოდელები. Deductor Server ვიკი საშუალებას გაძლევთ განახორციელოთ სრულფასოვანი Trilank არქიტექტურა, მათ შორის დამატებითი სერვერის ფუნქცია. სერვერზე წვდომა უზრუნველყოფილია Deductor Client-ის მიერ.

რობოტის პრინციპები:

1. მონაცემთა იმპორტი

Deductor-ში ნებისმიერი ინფორმაციის ანალიზი იწყება მონაცემთა იმპორტით. იმპორტის შედეგად, მონაცემები გადადის შემდგომი ანალიზისთვის შესაფერის ფორმაში, პროგრამაში ნაპოვნი ყველა მექანიზმის გამოყენებით. მონაცემთა ბუნებას, ფორმატს, DBMS-ს და სხვა რამეებს მნიშვნელობა არ აქვს, რადგან რობოტული მექანიზმები მთლიანად ერთიანია.

2. მონაცემთა ექსპორტი

საექსპორტო მექანიზმების ხელმისაწვდომობა შესაძლებელს ხდის მესამე მხარის პროგრამებში მიღებული შედეგების გადალახვას, მაგალითად, გაყიდვების პროგნოზის გადაცემას სისტემაში მიტანის შეკვეთების ფორმირებისთვის ან კორპორატიულ ვებსაიტზე მომზადების განთავსებისთვის.

3. ხარკის დამუშავება

დედუქტორში დამუშავებისას ყურადღება უნდა მიაქციოთ ნებისმიერ მოქმედებას, რომელიც დაკავშირებულია მონაცემთა წინა ტრანსფორმაციასთან, მაგალითად, ფილტრაცია, შემთხვევითი მოდელები, გაწმენდა და ა.შ. ვლასნა, რომლის ბლოკი ვიბრირებს ყველაზე მნიშვნელოვანს სიტუაციის ანალიზის პერსპექტივიდან. დედუქტორში დანერგილი დამუშავების მექანიზმების ყველაზე დიდი თავისებურება ისაა, რომ მონაცემთა დამუშავების შედეგად ამოღებულები შეიძლება ხელახლა დამუშავდეს მეთოდების ნებისმიერი არსებული სისტემის გამოყენებით. ამ გზით შესაძლებელია წარმოების დახვეწილი სცენარების შექმნა.

4. ვიზუალიზაცია

თქვენ შეგიძლიათ მონაცემების ვიზუალიზაცია Deductor Studio-ში (Viewer) დამუშავების ნებისმიერ ეტაპზე. სისტემა დამოუკიდებლად განსაზღვრავს, თუ რა გზით შეუძლია მუშაობა, მაგალითად, თუ შეიქმნა ნერვული ქსელი, ცხრილისა და დიაგრამების გარდა, შეგიძლიათ ნახოთ ნერვული ქსელის გრაფიკი. თქვენ უნდა აირჩიოთ საჭირო ვარიანტი სიიდან და დაარეგულიროთ რამდენიმე პარამეტრი.

5. ინტეგრაციის მექანიზმები

Deductor არ იძლევა მონაცემთა შეყვანის ვარიანტებს - პლატფორმა ორიენტირებულია ექსკლუზიურად ანალიტიკურ დამუშავებაზე. ღირებული ინფორმაციისთვის, რომელიც ინახება სხვადასხვა სისტემაში, გადადის მთელი რიგი იმპორტ-ექსპორტის მექანიზმები. ურთიერთქმედების ორგანიზება შესაძლებელია დამატებითი პარტიული კავშირის გამოყენებით, რობოტები OLE სერვერის რეჟიმში და Deductor სერვერამდე.

6. ცირკულაციის ცოდნა

დედუქტორი საშუალებას გაძლევთ განახორციელოთ ნებისმიერი ანალიტიკური სისტემის ერთ-ერთი ყველაზე მნიშვნელოვანი ფუნქცია - ცოდნის რეპლიკაციის პროცესის მხარდაჭერა, ანუ. ის უზრუნველყოფს პრაქტიკოსების უნარს, რომლებიც არ იცნობენ ანალიზის მეთოდებს და ამა თუ იმ შედეგის გამოტანის მეთოდებს, შეარჩიონ დასკვნა ექსპერტის მიერ მომზადებული მოდელების საფუძველზე.

ზგამონაკლისი

ამ ნაშრომმა შეისწავლა მიმდინარე საინფორმაციო ტექნოლოგიების ისეთი სფერო, როგორიცაა მონაცემთა ანალიზის სისტემები. გაანალიზებულია ანალიტიკური ინფორმაციის დამუშავების მთავარი ინსტრუმენტი – OLAP – ტექნოლოგია. ახსნილია OLAP-ის კონცეფციის არსი და OLAP სისტემების მნიშვნელობა ყოველდღიურ ბიზნეს პროცესებში. ROLAP სერვერის სტრუქტურა და პროცესი დეტალურად არის აღწერილი. როგორც ამ OLAP ტექნოლოგიების დანერგვის მაგალითი, შემუშავებულია Deductor ანალიტიკური პლატფორმა. წარმოდგენილი დოკუმენტაცია იყოფა და ადასტურებს სარგებელს.

OLAP ტექნოლოგიები მნიშვნელოვანი ინსტრუმენტია მონაცემთა რეალურ დროში დამუშავებისთვის. OLAP სერვერი საშუალებას გაძლევთ მოაწყოთ და წარმოადგინოთ მონაცემები სხვადასხვა ანალიტიკურ ხაზებში და აქცევთ მონაცემებს ღირებულ ინფორმაციად, რაც ეხმარება კომპანიებს მიიღონ უფრო ინფორმირებული გადაწყვეტილებები.

OLAP სისტემების გამოყენება უზრუნველყოფს პროდუქტიულობისა და მასშტაბურობის მუდმივ მაღალ დონეს, მხარს უჭერს გიგაბაიტის ზომის მონაცემებს და მათზე წვდომა ათასობით მომხმარებელს შეუძლია. OLAP ტექნოლოგიების დახმარებით ინფორმაციაზე წვდომა საათშია შესაძლებელი. შეკითხვის დამუშავება აღარ აუმჯობესებს ანალიზის პროცესს, რათა უზრუნველყოს მისი სიჩქარე და ეფექტურობა. ვიზუალური ადმინისტრირების ინსტრუმენტები საშუალებას გაძლევთ გაანალიზოთ და განახორციელოთ დახვეწილი ანალიტიკური პროგრამები, რაც პროცესს მარტივს და მარტივს ხდის.

მსგავსი დოკუმენტები

OLAP (On-Line Analytical Processing) კონცეფციის საფუძველია მონაცემთა ოპერატიული ანალიტიკური დამუშავება, განსაკუთრებით კლიენტზე და სერვერზე. დეტალური აღწერა OLAP სისტემების ძირითადი მახასიათებლებისა და მათგან მონაცემების შენახვის მეთოდების შესახებ.

რეზიუმე, დამატება 10/12/2010


OLAP: ფუნდამენტური მახასიათებლები, მიზანი, მიზნები, მიზანი. OLAP პროდუქტების კლასიფიკაცია. OLAP სისტემის აგების პრინციპები, კომპონენტების ბიბლიოთეკა CubeBase. კლიენტის და სერვერის OLAP ფუნქციების პროდუქტიულობა იზრდება მონაცემთა მოხმარებაში.

კურსის მუშაობა, დაამატეთ 25/12/2013


შეინახეთ თქვენი მონაცემები სამუდამოდ. OLAP-ის (On-line Analytical Processing) არსი და მნიშვნელობა. საფუძველია მონაცემთა შეგროვება, მათი მახასიათებლები. სტრუქტურა, მონაცემთა დაზოგვის არქიტექტურა, საფოსტო მუშაკები. ჩვენ მოხარულნი ვართ OLAP კუბების პროდუქტიულობის ზრდით.

რობოტის კონტროლი, დაამატეთ 10/23/2010


პობუდოვას მონაცემთა ანალიზის სისტემები. დაფუძნებულია OLAP კუბის დიზაინისა და კონსოლიდირებულ ცხრილზე მოთხოვნების შექმნის ალგორითმებზე. OLAP ტექნოლოგია მდიდარი მონაცემთა ანალიზისთვის. კორპორატიული ინფორმაციის დაცვა მენეჯმენტის გადაწყვეტილებების მხარდასაჭერად.

კურსის მუშაობა, დაამატეთ 19/09/2008


ძირითადი ინფორმაცია OLAP-ის შესახებ. მონაცემთა ოპერატიული ანალიტიკური შედგენა. OLAP პროდუქტების კლასიფიკაცია. ოპერატიული ანალიტიკური დამუშავების შესაძლებლობებზე წვდომა. მდიდარი მონაცემთა ბაზების გამოყენება ოპერატიული ანალიტიკურ დამუშავების სისტემებში, მათი უპირატესობები.

კურსის მუშაობა, დაამატეთ 06/10/2011


ვებსაიტების ანალიზის ქვესისტემების შემუშავება Microsoft Access და Olap ტექნოლოგიების გამოყენებით. მუსიკალური პორტალის საინფორმაციო სისტემის მონაცემთა ანალიზის ქვესისტემის შემუშავების თეორიული ასპექტები. Olap ტექნოლოგიები ქვესისტემაში საკვლევი ობიექტის გასაანალიზებლად.

საკურსო სამუშაო, დამატება 06.11.2009წ


OLAP-ის მახასიათებლების გადახედვა: ფანჯრებისა და ინფორმაციის საცავების კლასიფიკაცია, მონაცემთა კუბების ცნებები. მოგვარდება მხარდაჭერის სისტემის არქიტექტურა. „აბიტურა“ სისტემის პროგრამული დანერგვა. ვებ საიტის შექმნა საანგარიშო სერვისების დამატებითი ტექნოლოგიის გამოყენებით.

კურსის მუშაობა, დაამატეთ 05.12.2012წ


მონაცემთა სიმრავლე, ორგანიზაციის პრინციპები. დაამუშავეთ სამუშაო მონაცემებიდან. OLAP სტრუქტურა, მდიდარი მონაცემთა დაზოგვის ტექნიკური ასპექტები. ინტეგრაციის სერვისები, საცავი და მონაცემთა ჩვენებები. Microsoft-ის ტექნოლოგიებზე დაფუძნებული სისტემების შესაძლებლობები.

კურსის მუშაობა, დაამატეთ 05.12.2012წ


პობუდოვის სქემები კომერციული საწარმოებიდან მონაცემთა შეგროვებისთვის. კონიუნქტივის სქემების აღწერა. პროდუქტის შესახებ ინფორმაციის ჩვენება. ინფორმაციის შემდგომი ანალიზისთვის OLAP კუბის შექმნა. კითხვების ანალიზი, რომელიც საშუალებას გვაძლევს შევაფასოთ სუპერმარკეტის მუშაობის ეფექტურობა.

საკონტროლო რობოტი, დაამატეთ 19/12/2015


მონაცემთა შეგროვების მიზანი. SAP BW არქიტექტურა. OLAP კუბებზე დაფუძნებული ანალიტიკური მონაცემების მიწოდება SAP BW სისტემაში. ძირითადი ფუნქციები მონაცემთა საწყობსა და OLTP სისტემას შორის. ფუნქციური ნაპერწკლების შემოწმება BEx. შექმნა შესრულებულია BEx Query Designer-ის გამოყენებით.