OLAP sistemi. Višedimenzionalni prikaz podataka

OLAP(od engleskog OnLine Analytical Processing - operativna analitička obrada podataka, takođe: analitička obrada podataka u realnom vremenu, interaktivna analitička obrada podataka) - pristup analitičkoj obradi podataka zasnovan na njihovom višedimenzionalnom hijerarhijskom predstavljanju, koji je deo šireg polja informacija tehnologija - poslovni -analitičari ().

Za katalog OLAP rješenja i projekata pogledajte odjeljak OLAP na TAdviseru.

Sa stanovišta korisnika, OLAP-sistemi obezbeđuju sredstvo fleksibilnog pregleda informacija u različitim rezovima, automatskog dobijanja agregiranih podataka, izvođenja analitičkih operacija konvolucije, detaljiranja, poređenja u vremenu. Sve ovo čini OLAP sisteme rešenjem sa očiglednim prednostima u oblasti pripreme podataka za sve vrste poslovnog izveštavanja, koje podrazumeva prezentaciju podataka u različitim sekcijama i različitim nivoima hijerarhije – na primer izveštaji o prodaji, različiti oblici budžeta itd. on. Prednosti takve prezentacije su očigledne iu drugim oblicima analize podataka, uključujući predviđanje.

Zahtjevi za OLAP sisteme. FASMI

Ključni zahtev za OLAP sisteme je brzina, koja im omogućava da se koriste u procesu interaktivnog rada analitičara sa informacijama. U tom smislu, OLAP sistemi su suprotstavljeni, prije svega, tradicionalnim RDBMS-ovima, odabiri iz kojih su uz tipične upite za analitičare koji koriste grupisanje i agregaciju podataka obično skupi u smislu vremena čekanja i učitavanja RDBMS-a, stoga je interaktivni rad sa njima na bilo koja značajna količina podataka je složena. Drugo, OLAP sistemi se suprotstavljaju uobičajenoj prezentaciji podataka u ravnim datotekama, na primjer, u obliku uobičajenih tradicionalnih tabela, gdje je višedimenzionalna prezentacija podataka teška i nije intuitivna, a operacije za promjenu odsječka - gledište podaci - takođe zahtevaju vreme i komplikuju interaktivni rad sa podacima.

Istovremeno, s jedne strane, zahtjevi za podacima specifični za OLAP sisteme obično podrazumijevaju pohranjivanje podataka u posebne strukture optimizirane za tipične OLAP zadatke, s druge strane, direktno izdvajanje podataka iz postojećih sistema tokom analize dovelo bi do značajnog pad njihovih performansi.

Stoga je važan zahtjev da se obezbijedi najfleksibilnija uvozno-izvozna veza između postojećih sistema koji djeluju kao izvor podataka i OLAP sistema, kao i OLAP sistema i eksternih aplikacija za analizu i izvještavanje podataka.

Istovremeno, takva veza treba da zadovolji očigledne zahtjeve podrške uvozu-izvozu iz više izvora podataka, implementaciju procedura za čišćenje i transformaciju podataka, objedinjavanje korišćenih klasifikatora i referentnih knjiga. Osim toga, ovi zahtjevi su dopunjeni potrebom da se uzmu u obzir različiti ciklusi ažuriranja podataka u postojećim informacionim sistemima i unificira potreban nivo detalja podataka. Složenost i svestranost ovog problema dovela je do pojave koncepta skladišta podataka, te, u užem smislu, do izdvajanja posebne klase uslužnih programa za konverziju i transformaciju podataka – ETL (Extract Transform Load).

Aktivni modeli skladištenja podataka

Gore smo istakli da OLAP pretpostavlja višedimenzionalnu hijerarhijsku reprezentaciju podataka i, u određenom smislu, suprotan je sistemima baziranim na RDBMS-u.

To, međutim, ne znači da svi OLAP sistemi koriste višedimenzionalni model za skladištenje aktivnih, "radnih" sistemskih podataka. Budući da model skladištenja aktivnih podataka utiče na sve zahtjeve koje diktira FASMI test, njegovu važnost naglašava činjenica da se na osnovu toga tradicionalno razlikuju OLAP podtipovi - multidimenzionalni (MOLAP), relacijski (ROLAP) i hibridni (HOLAP) .

Međutim, neki stručnjaci, predvođeni gore navedenim Nigel Pends ukazuju da klasifikacija zasnovana na jednom kriterijumu nije dovoljno potpuna. Štaviše, ogromna većina postojećih OLAP sistema će biti hibridnog tipa. Stoga ćemo se detaljnije zadržati na modelima skladištenja aktivnih podataka, navodeći koji od njih odgovaraju kojem od tradicionalnih OLAP podtipova.

Pohranjivanje aktivnih podataka u višedimenzionalnu bazu podataka

U ovom slučaju, OLAP podaci se pohranjuju u višedimenzionalni DBMS koji koristi konstrukcije optimizirane za ovu vrstu podataka. Tipično, višedimenzionalni DBMS podržavaju sve tipične OLAP operacije, uključujući agregaciju prema potrebnim hijerarhijskim nivoima, itd.

U određenom smislu, ovaj tip skladištenja podataka može se nazvati klasičnim za OLAP. Za njega su, međutim, u potpunosti potrebni svi koraci za preliminarnu pripremu podataka. Obično se podaci višedimenzionalnog DBMS-a pohranjuju na disk, međutim, u nekim slučajevima, da bi se ubrzala obrada podataka, takvi sistemi omogućavaju pohranjivanje podataka u RAM. U iste svrhe ponekad se koristi skladištenje u bazi podataka unaprijed izračunatih agregatnih vrijednosti i drugih izračunatih vrijednosti.

Višedimenzionalni DBMS-ovi koji u potpunosti podržavaju višekorisnički pristup sa konkurentnim transakcijama čitanja i pisanja su prilično rijetki; uobičajeni način rada za takve DBMS-ove je jednokorisnički s pristupom za više korisnika samo za čitanje ili samo za čitanje za više korisnika.

Među uslovnim nedostacima karakterističnim za neke implementacije višedimenzionalnih DBMS i OLAP sistema baziranih na njima, može se uočiti njihova podložnost nepredvidivom, sa stanovišta korisnika, povećanju količine prostora koji zauzima baza podataka. Ovaj efekat je uzrokovan željom da se minimizira vrijeme odziva sistema, što diktira pohranjivanje unaprijed izračunatih vrijednosti agregatnih indikatora i drugih veličina u bazi podataka, što uzrokuje nelinearni rast obima informacija pohranjenih u bazi podataka sa dodavanjem novih vrijednosti podataka ili mjerenja.

Stepen ispoljenosti ovog problema, kao i pratećih problema efikasnog skladištenja retke kocke podataka, određen je kvalitetom primenjenih pristupa i algoritama konkretnih implementacija OLAP sistema.

Pohranjivanje aktivnih podataka u relacijsku bazu podataka

OLAP podaci se također mogu pohraniti u tradicionalni RDBMS. U većini slučajeva, ovaj pristup se koristi kada se pokušava "bezbolna" OLAP integracija sa postojećim računovodstvenim sistemima, ili bazirana na RDBMS skladištima podataka. U isto vrijeme, ovaj pristup zahtijeva od RDBMS-a da obezbijedi efektivno ispunjavanje FASMI testnih zahtjeva (posebno da osigura minimalno vrijeme odziva sistema) neke dodatne mogućnosti. Obično se OLAP podaci pohranjuju u denormaliziranom obliku, a neki od unaprijed izračunatih agregata i vrijednosti pohranjuju se u posebne tablice. Prilikom skladištenja u normalizovanom obliku, efikasnost RDBMS-a kao metode za skladištenje aktivnih podataka opada.

Problem izbora efikasnih pristupa i algoritama za skladištenje unapred izračunatih podataka je takođe relevantan za OLAP sisteme bazirane na RDBMS, pa se proizvođači ovakvih sistema obično fokusiraju na prednosti korišćenih pristupa.

Općenito se vjeruje da su OLAP sistemi bazirani na RDBMS sporiji od sistema baziranih na višedimenzionalnim DBMS-ovima, uključujući i zbog manje efikasnih struktura skladištenja podataka za OLAP zadatke, ali u praksi to zavisi od karakteristika određenog sistema.

Jedna od prednosti skladištenja podataka u RDBMS obično je veća skalabilnost takvih sistema.

Pohranjivanje aktivnih podataka u ravnim datotekama

Ovaj pristup pretpostavlja pohranjivanje dijelova podataka u regularne datoteke. Obično se koristi kao dodatak jednom od dva glavna pristupa kako bi se ubrzao rad keširanjem stvarnih podataka na disku ili u RAM-u klijentskog računara.

Hibridni pristup skladištenju podataka

Većina proizvođača OLAP sistema promovirajući svoja kompleksna rješenja, često uključujući, pored samog OLAP sistema, DBMS, ETL (Extract Transform Load) i alate za izvještavanje, trenutno koriste hibridni pristup organizaciji skladištenja aktivnih sistemskih podataka, distribuciji istih. na ovaj ili onaj način između RDBMS-a i specijalizirane memorije, te između struktura diska i keširanja u memoriji.

Budući da efikasnost ovakvog rješenja ovisi o specifičnim pristupima i algoritmima koje proizvođač koristi da bi utvrdio da li koje podatke i gdje pohraniti, zatim žurno izvući zaključke o inicijalno većoj efikasnosti takvih rješenja kao klase bez evaluacije specifičnih karakteristika sistema koji se razmatra.

OLAP(eng. on-line analytical processing) - skup metoda za dinamičku obradu višedimenzionalnih upita u analitičkim bazama podataka. Takvi izvori podataka su obično prilično veliki, a u alatima koji se koriste za njihovu obradu jedan od najvažnijih zahtjeva je velika brzina. U relacionim bazama podataka, informacije se pohranjuju u odvojene tabele koje su dobro normalizovane. Ali složeni upiti sa više tablica u njima su prilično spori. Značajno bolje stope brzine obrade u OLAP sistemima postižu se zbog posebnosti strukture skladištenja podataka. Sve informacije su jasno organizirane i primjenjuju se dvije vrste skladišta podataka: mjerenja(sadrže direktorije podijeljene po kategorijama, na primjer, prodajna mjesta, kupci, zaposlenici, usluge, itd.) i činjenice(okarakterišu interakciju elemenata različitih dimenzija, na primer, 3. marta 2010. prodavac A je pružio uslugu kupcu B u prodavnici C u iznosu od D novčanih jedinica). Primjenjuju se mjere za izračunavanje rezultata u analitičkoj kocki. Mjere su zbirke činjenica agregiranih po odgovarajućim odabranim dimenzijama i njihovim članovima. Ove karakteristike čine složene upite sa višedimenzionalnim podacima mnogo manje vremenskim nego relacioni izvori.

Jedan od glavnih proizvođača OLAP sistema je Microsoft Corporation. Pogledajmo implementaciju OLAP principa koristeći praktične primjere kreiranja analitičke kocke u Microsoft SQL Server Business Intelligence Development Studio (BIDS) i Microsoft Office PerformancePoint Server Planning Business Modeler (PPS) aplikacijama i upoznamo se sa mogućnostima vizualnog predstavljanja višedimenzionalnih podatke u obliku grafikona, grafikona i tabela.

Na primjer, u BIDS-u morate kreirati OLAP kocku na osnovu podataka o osiguravajućem društvu, njegovim zaposlenima, partnerima (kupcima) i prodajnim mjestima. Pretpostavimo da kompanija pruža jednu vrstu usluge, tako da nema potrebe za mjerenjem usluga.

Hajde da prvo definišemo mere. Sljedeći subjekti (kategorije podataka) povezani su sa aktivnostima kompanije:

• Prodajna mjesta
  - Zaposleni
  - Partneri

Također se kreiraju dimenzije Vrijeme i Skripta, koje su potrebne za svaku kocku.
Zatim vam je potrebna jedna tabela za pohranjivanje činjenica (tabela činjenica).
Informacije u tabele se mogu unositi ručno, ali najčešće je učitavanje podataka pomoću čarobnjaka za uvoz iz različitih izvora.
Sljedeća slika ilustruje tok ručnog kreiranja i popunjavanja tabela dimenzija i činjenica:

Slika 1. Tablice dimenzija i činjenica u analitičkoj bazi podataka. Redoslijed stvaranja
Nakon kreiranja višedimenzionalnog izvora podataka u BIDS-u, moguće je vidjeti njegov prikaz izvora podataka. U našem primjeru dobijate krug prikazan na donjoj slici.

sl. 2. Prikaz izvora podataka u Studiju za razvoj poslovne inteligencije (BIDS)

Kao što vidite, tabela činjenica je povezana sa tabelama dimenzija pomoću korespondencije jedan-na-jedan polja identifikatora (PartnerID, EmployeeID, itd.).

Da vidimo rezultat. Na kartici pretraživača kocke, prevlačenjem i ispuštanjem mjera i dimenzija u polja total, red, stupac i filter, možemo dobiti uvid u podatke od interesa (npr. sklopljeni poslovi po ugovorima o osiguranju koje je zaključio određeni zaposlenik 2005. godine ).

Godine 1993. osnivač relacionog pristupa izgradnji baza podataka, Edgar Codd i partneri (Edgar Codd, matematičar i IBM Fellow), objavili su članak koji je pokrenuo Arbor Software (danas je to poznata kompanija Hyperion Solutions), pod naslovom „OLAP (operational analitička obrada) za korisnike-analitičare“, koji formuliše 12 karakteristika OLAP tehnologije, koje su naknadno dopunjene sa još šest. Ove odredbe postale su glavni sadržaj nove i vrlo perspektivne tehnologije.

Glavne karakteristike OLAP tehnologije (osnovne):

• višedimenzionalni konceptualni prikaz podataka;
• intuitivna manipulacija podacima;
• dostupnost i detaljnost podataka;
• ekstrakcija skupnih podataka naspram interpretacije;
• OLAP modeli analize;
• klijent-server arhitektura (OLAP je dostupan sa desktopa);
• transparentnost (transparentan pristup eksternim podacima);
• podrška za više igrača.

Posebne karakteristike:

• obrada neformaliziranih podataka;
• čuvanje OLAP rezultata: čuvanje ih odvojeno od originalnih podataka;
• eliminacija nedostajućih vrijednosti;
• rukovanje nedostajućim vrijednostima.

Karakteristike prezentacije izvještaja (Report):

• fleksibilnost u generiranju izvještaja;
• standardne performanse izvještavanja;
• automatska konfiguracija fizičkog sloja ekstrakcije podataka.

Upravljanje dimenzijama:

• univerzalnost mjerenja;
• neograničen broj dimenzija i nivoa agregacije;
• neograničen broj operacija između dimenzija.

Istorijski gledano, danas termin "OLAP" podrazumijeva ne samo višedimenzionalni prikaz podataka krajnjeg korisnika, već i višedimenzionalni prikaz podataka u ciljnoj bazi podataka. To je razlog zašto su se pojmovi "relacijski OLAP" (ROLAP) i "multidimenzionalni OLAP" (MOLAP) pojavili kao nezavisni pojmovi.

OLAP servis je alat za analizu velikih količina podataka u realnom vremenu. Interakcijom sa OLAP sistemom, korisnik će moći da izvrši fleksibilan pregled informacija, dobije proizvoljne rezove podataka i izvrši analitičke operacije detaljisanja, konvolucije, end-to-end distribucije, poređenja tokom vremena u mnogim parametrima istovremeno. Sav rad sa OLAP sistemom odvija se u terminima predmetne oblasti i omogućava vam da izgradite statistički ispravne modele poslovne situacije.

OLAP softver je alat za onlajn analizu podataka sadržanih u skladištu. Glavna karakteristika je da ovi alati nisu namijenjeni da ih koristi stručnjak iz oblasti informacionih tehnologija, ne stručnjak-statičar, već profesionalac u primijenjenoj oblasti menadžmenta - menadžer odjela, odjela, menadžmenta. , i, konačno, režiser. Alati su namijenjeni analitičaru da komunicira s problemom, a ne s računarom. Na sl. 6.14 prikazuje elementarnu OLAP kocku koja vam omogućava procjenu podataka u tri dimenzije.

Višedimenzionalna OLAP kocka i sistem odgovarajućih matematičkih algoritama za statističku obradu omogućavaju analizu podataka bilo koje složenosti u bilo kom vremenskom intervalu.

Rice. 6.14. Elementarna OLAP kocka

Imajući na raspolaganju fleksibilne mehanizme za manipulaciju podacima i vizuelni prikaz (sl. 6.15, sl. 6.16), menadžer prvo sagledava podatke iz različitih uglova, koji mogu, ali i ne moraju biti povezani sa problemom koji se rešava.

Zatim uspoređuje različite poslovne pokazatelje jedni s drugima, pokušavajući otkriti skrivene odnose; može detaljnije sagledati podatke, detaljizirajući ih, na primjer, razlažući ih na komponente prema vremenu, regiji ili klijentu, ili, obrnuto, još više generalizirati prezentaciju informacija kako bi se uklonili detalji koji ometaju. Nakon toga, pomoću modula statističke procjene i simulacije, konstruiše se nekoliko scenarija razvoja događaja i od njih se bira najprihvatljivija opcija.

Rice. 6.15.

Menadžer kompanije, na primjer, može razviti hipotezu da širenje rasta imovine u različitim granama kompanije zavisi od omjera stručnjaka sa tehničkim i ekonomskim obrazovanjem u njima. Da bi testirao ovu hipotezu, menadžer može iz skladišta da postavi upit i na grafikonu prikaže omjer interesa za one filijale čiji je rast aktive u tekućem tromjesečju smanjen za više od 10% u odnosu na prethodnu godinu, te za one koje su porasle za više od 25%. Trebalo bi da bude u mogućnosti da koristi jednostavan izbor iz ponuđenog menija. Ako se dobijeni rezultati primjetno svrstavaju u dvije odgovarajuće grupe, onda bi to trebalo postati poticaj za daljnje testiranje postavljene hipoteze.

Trenutno se brzo razvio pravac pod nazivom Dynamic Simulation, koji u potpunosti implementira gore navedeni FASMI princip.

Koristeći dinamičko modeliranje, analitičar gradi model poslovne situacije koja se razvija tokom vremena, prema određenom scenariju. Istovremeno, rezultat ovakvog modeliranja može biti nekoliko novih poslovnih situacija koje generišu stablo mogućih rješenja sa procjenom vjerovatnoće i izgleda svake od njih.

Rice. 6.16. Analitički IS ekstrakcije, obrade i prezentacije informacija

U tabeli 6.3 prikazane su komparativne karakteristike statičke i dinamičke analize.

Koncept OLAP tehnologije formulirao je Edgar Codd 1993. godine.

Ova tehnologija se zasniva na konstrukciji višedimenzionalnih skupova podataka - takozvanih OLAP kocki (ne nužno trodimenzionalnih, kako se može zaključiti iz definicije). Svrha upotrebe OLAP tehnologija je analiziranje podataka i predstavljanje ove analize u obliku koji je pogodan za rukovodeće osoblje da percipira i donosi odluke na osnovu njih.

Ključni zahtjevi za aplikacije multivarijantne analize:

• - pružanje rezultata analize korisniku u razumnom roku (ne više od 5 s.);
• - višekorisnički pristup podacima;
• - višedimenzionalni prikaz podataka;
• - mogućnost pristupa bilo kojoj informaciji bez obzira na lokaciju i volumen pohrane.

Alati OLAP sistema pružaju mogućnost sortiranja i odabira podataka prema specificiranim uvjetima. Mogu se specificirati različiti kvalitativni i kvantitativni uslovi.

Glavni model podataka koji se koristi u brojnim alatima za kreiranje i održavanje baza podataka - DBMS, je relacijski model. Podaci u njemu predstavljeni su u obliku skupa dvodimenzionalnih tabela odnosa povezanih ključnim poljima. Da bi se eliminisalo dupliciranje, nekonzistentnost, smanjili troškovi rada za održavanje baza podataka, koristi se formalni aparat za normalizaciju tabela entiteta. Međutim, njegova upotreba je povezana s dodatnim vremenom utrošenim na generiranje odgovora na upite baze podataka, iako se memorijski resursi čuvaju.

Višedimenzionalni model podataka predstavlja predmet koji se proučava u obliku višedimenzionalne kocke, češće se koristi trodimenzionalni model. Dimenzije ili atributi atributa su iscrtani duž osi ili lica kocke. Osnovni atributi su popunjavanje ćelija kocke. Multidimenzionalna kocka se može predstaviti kombinacijom trodimenzionalnih kocki kako bi se olakšala percepcija i prezentacija u formiranju izvještajno-analitičkih dokumenata i multimedijalnih prezentacija na osnovu materijala analitičkog rada u sistemu za podršku odlučivanju.

U okviru OLAP tehnologija, na osnovu činjenice da se višedimenzionalna prezentacija podataka može organizovati kako pomoću relacionog DBMS-a, tako i višedimenzionalnih specijalizovanih alata, postoje tri tipa višedimenzionalnih OLAP sistema:

• - višedimenzionalni OLAP-MOLAP;
• - relacijski (relacija) OLAP-ROLAP;
• - mješoviti ili hibridni (Hibrid) OLAP-HOLAP.

U višedimenzionalnim DBMS-ovima podaci se ne organizuju u obliku relacionih tabela, već u obliku uređenih višedimenzionalnih nizova u obliku hiperkocki, kada svi pohranjeni podaci moraju imati istu dimenziju, što znači da je potrebno formirati najpotpuniju osnovu mjerenja. Podaci se mogu organizirati u obliku polikubova, u ovoj verziji vrijednosti svakog indikatora se pohranjuju s vlastitim skupom mjerenja, obradu podataka vrši vlastiti alat sistema. Struktura skladištenja u ovom slučaju je pojednostavljena, jer nema potrebe za višedimenzionalnim ili objektno orijentisanim prostorom za skladištenje. Ogromni troškovi rada za kreiranje modela i sistema za transformaciju podataka iz relacionog modela u objektni model su smanjeni.

Prednosti MOLAP-a su:

• - brže, nego kod ROLAP-a, prijem odgovora na zahtjeve - utrošeno vrijeme je za jedan do dva reda veličine manje;
• - Mnoge ugrađene funkcije je teško implementirati zbog SQL ograničenja.

MOLAP ograničenja uključuju:

• - relativno mala veličina baza podataka;
• - zbog denormalizacije i preliminarne agregacije, višedimenzionalni nizovi koriste 2,5-100 puta više memorije od originalnih podataka (potrošnja memorije raste eksponencijalno sa povećanjem broja mjerenja);
• - ne postoje standardi za interfejs i alate za manipulaciju podacima;
• - postoje ograničenja prilikom učitavanja podataka.

Napor potreban za stvaranje višedimenzionalnih podataka dramatično se povećava. u ovoj situaciji, praktično ne postoje specijalizovana sredstva za objektivizaciju relacionog modela podataka koji se nalazi u skladištu informacija. Vrijeme odgovora na upite često ne može zadovoljiti zahtjeve za OLAP sisteme.

Prednosti ROLAP sistema su:

• - mogućnost online analize podataka direktno sadržanih u skladištu podataka, od većina izvornih baza podataka su relacijske;
• - sa varijabilnom dimenzijom problema, RO-LAP pobjeda, jer nije potrebna fizička reorganizacija baze podataka;
• - ROLAP sistemi mogu koristiti manje moćne klijentske stanice i servere, a serveri snose najveći dio tereta obrade složenih SQL upita;
• - nivo zaštite informacija i diferencijacije prava pristupa u relacionim DBMS je neuporedivo viši nego u multidimenzionalnim.

Nedostaci ROLAP sistema su niže performanse, potreba za temeljnom razradom šema baze podataka, posebno podešavanje indeksa, analiza statistike upita i uvažavanje nalaza analize prilikom modifikacije šema baze podataka, što dovodi do značajnih dodatnih troškova rada.

Ispunjavanje ovih uslova omogućava da se pri korišćenju ROLAP sistema ostvare indikatori slični MOLAP sistemima u pogledu vremena pristupa, kao i da se nadmaše uštede memorije.

Hibridni OLAP sistemi su kombinacija alata koji implementiraju relacioni i višedimenzionalni model podataka. To vam omogućava da dramatično smanjite troškove resursa za stvaranje i održavanje takvog modela, vrijeme odgovora na zahtjeve.

Ovaj pristup koristi prednosti prva dva pristupa i kompenzuje njihove nedostatke. Ovaj princip je implementiran u najrazvijenijim softverskim proizvodima za ovu svrhu.

Upotreba hibridne arhitekture u OLAP sistemima je najprikladniji način za rješavanje problema povezanih s korištenjem softverskih alata u multivarijantnoj analizi.

Režim detekcije šablona zasniva se na inteligentnoj obradi podataka. Ovdje je glavni zadatak utvrđivanje obrazaca u proučavanim procesima, međuodnosa i interakcija različitih faktora, traženje velikih „neobičnih“ devijacija, predviđanje toka različitih bitnih procesa. Ovo područje pripada rudarenju podataka.

4. Klasifikacija OLAP proizvoda.

5. Principi rada OLAP klijenata.

7. Oblasti primjene OLAP-tehnologija.

8. Primjer korištenja OLAP-tehnologija za analizu u oblasti prodaje.

1. Mjesto OLAP-a u informacionoj strukturi preduzeća.

Termin OLAP je neraskidivo povezan sa pojmom skladište podataka.

Podaci u skladištu dolaze iz operativnih sistema (OLTP sistemi), koji su dizajnirani za automatizaciju poslovnih procesa. Osim toga, skladište se može dopuniti vanjskim izvorima, kao što su statistički izvještaji.

Zadatak repozitorija je da na jednom mjestu iu jednostavnoj, razumljivoj strukturi obezbijedi "sirov materijal" za analizu.

Postoji još jedan razlog koji opravdava pojavu zasebnog skladišta - složeni analitički upiti do operativnih informacija usporavaju trenutni rad kompanije, dugo blokirajući tabele i oduzimajući resurse servera.

Skladištenje nije nužno ogromna akumulacija podataka - najvažnije je da je pogodno za analizu.

Centralizacija i pogodno strukturiranje nisu sve što analitičaru treba. I dalje mu je potreban alat za pregled i vizualizaciju informacija. Tradicionalnim izvještajima, čak i izgrađenim na osnovu jednog spremišta, nedostaje jedna stvar – fleksibilnost. Ne mogu se uvrnuti, proširiti ili skupiti da bi se dobio željeni prikaz podataka. Volio bih da ima takav alat koji bi omogućio jednostavno i praktično proširenje i sažimanje podataka! OLAP djeluje kao takav alat.

Iako OLAP nije neophodan atribut skladišta podataka, on se sve više koristi za analizu informacija akumuliranih u ovom skladištu.

Mjesto OLAP-a u informacionoj strukturi preduzeća (Sl. 1).

Slika 1... MjestoOLAP u informacionoj strukturi preduzeća

Operativni podaci se prikupljaju iz različitih izvora, čiste, integriraju i pohranjuju u relacijsku memoriju. Štaviše, oni su već dostupni za analizu koristeći različite alate za izvještavanje. Zatim se podaci (u cijelosti ili djelomično) pripremaju za OLAP analizu. Mogu se učitati u specijalnu OLAP bazu podataka ili ostaviti u relacijskoj memoriji. Njegov najvažniji element su metapodaci, odnosno informacije o strukturi, smještaju i transformaciji podataka. Zahvaljujući njima, osigurana je efikasna interakcija različitih komponenti skladištenja.

Ukratko, OLAP se može definirati kao zbirka višedimenzionalnih alata za analizu podataka akumuliranih u skladištu.

2. Operativna analitička obrada podataka.

OLAP koncept se zasniva na principu višedimenzionalne prezentacije podataka. EF Codd je 1993. godine osvrnuo se na nedostatke relacionog modela, prije svega, ukazavši na nemogućnost „kombiniranja, pregledavanja i analize podataka u terminima više dimenzija, odnosno na najrazumljiviji način za korporativne analitičare“, te definisao opšti zahtjevi za OLAP sisteme koji proširuju funkcionalnost relacionog DBMS-a i uključuju multivarijantnu analizu kao jednu od njegovih karakteristika.

Prema Codd-u, višedimenzionalni konceptualni pogled je višestruka perspektiva koja se sastoji od nekoliko nezavisnih dimenzija duž kojih se mogu analizirati specifični skupovi podataka.

Simultana analiza u više dimenzija definira se kao multivarijantna analiza. Svaka dimenzija uključuje pravce konsolidacije podataka, koji se sastoje od niza uzastopnih nivoa agregacije, pri čemu svaki viši nivo odgovara većem stepenu agregacije podataka za odgovarajuću dimenziju.

Dakle, dimenzija Izvođač može biti određena pravcem konsolidacije, koji se sastoji od nivoa generalizacije "preduzeće - odjel - odjel - zaposlenik". Dimenzija vremena može čak uključiti dva pravca konsolidacije - godina - kvartal - mjesec - dan i sedmica - dan, jer je računanje vremena po mjesecu i po sedmici nespojivo. U ovom slučaju postaje moguće proizvoljno odabrati željeni nivo detalja informacija za svako od mjerenja.

Operacija bušenja odgovara kretanju od viših faza konsolidacije ka nižim; naprotiv, operacija skupljanja znači prelazak sa nižih nivoa na više nivoe (slika 2).

Slika 2.Mjerenja i pravci konsolidacije podataka

3. Zahtjevi za alate za on-line analitičku obradu.

Višedimenzionalni pristup se pojavio gotovo istovremeno i paralelno sa relacionim pristupom. Međutim, tek od sredine devedesetih, tačnije od tada
1993, interesovanje za MSUBD počeo da dobija opšti karakter. Upravo ove godine pojavio se novi programski članak jednog od začetnika relacionog pristupa E. Codda, u kojem je formulisao 12 osnovnih zahtjeva za sredstva implementacije OLAP(Tabela 1).

Tabela 1.

	Višedimenzionalni prikaz podataka	Alati moraju podržavati višedimenzionalni konceptualni pogled na podatke.
	Transparentnost	Korisnik ne bi trebao biti svjestan koja se posebna sredstva koriste za pohranu i obradu podataka, kako su podaci organizirani i odakle dolaze.
	Dostupnost	Na alatima je da izaberu i komuniciraju s najboljim izvorom podataka koji će odgovoriti na dati zahtjev. Alati bi trebali biti u mogućnosti da automatski mapiraju vlastitu logiku u različite heterogene izvore podataka.
	Konzistentna izvedba	Učinak praktično ne bi trebao ovisiti o broju Dimenzija u zahtjevu.
	Podrška klijent-server arhitekturi	Alati moraju raditi u klijent-server arhitekturi.
	Jednakost svih mjerenja	Nijedno od mjerenja ne smije biti osnovno, sve treba da budu jednake (simetrične).
	Dinamička obrada rijetkih matrica	Nedefinirane vrijednosti treba pohraniti i obrađivati ​​na najefikasniji način.
	Podrška za višekorisnički način rada sa podacima	Alati moraju pružiti mogućnost rada za više od jednog korisnika.
	Podržava operacije zasnovane na različitim dimenzijama	Sve višedimenzionalne operacije (npr. Agregacija) moraju se primjenjivati ​​jednolično i dosljedno na bilo koji broj bilo koje dimenzije.
	Lakoća manipulacije podacima	Alati bi trebali imati najprikladniji, prirodniji i udobniji korisnički interfejs.
	Napredni alati za prezentaciju	Alati bi trebali podržavati različite načine vizualizacije (prezentovanja) podataka.
	Neograničen broj dimenzija i nivoa agregacije podataka	Ne bi trebalo postojati ograničenje broja podržanih dimenzija.

Pravila za vrednovanje softverskih proizvoda OLAP klase

Skup ovih zahtjeva, koji su služili kao de facto definicija OLAP-a, treba smatrati savjetodavnim, a specifične proizvode treba ocijeniti po stepenu u kojem su oni blizu savršenog ispunjavanja svih zahtjeva.

Kasnije je Coddova definicija revidirana u takozvani FASMI test, koji zahtijeva da OLAP aplikacija pruži mogućnost brze analize podijeljenih višedimenzionalnih informacija.

Prisjećanje na Coddovih 12 pravila je previše opterećujuće za većinu ljudi. Ispostavilo se da OLAP definiciju možete sažeti sa samo pet ključnih riječi: Brza analiza zajedničkih multidimenzionalnih informacija - ili, ukratko - FASMI (prevedeno s engleskog:F ast A analiza S hared M višedimenzionalan I informacije).

Ova definicija je prvi put formulisana početkom 1995. godine i od tada joj nije bila potrebna revizija.

BRZO ( brzo) - znači da bi sistem trebao biti u stanju da pruži većinu odgovora korisnicima u roku od pet sekundi. Istovremeno, najjednostavniji zahtjevi se obrađuju u roku od jedne sekunde, a vrlo rijetki - više od 20 sekundi. Istraživanja su pokazala da krajnji korisnici smatraju da je proces neuspješan ako se ne dobiju rezultati nakon 30 sekundi.

Na prvi pogled može izgledati iznenađujuće da prilikom prijema izvještaja u minuti, što je ne tako davno trajalo danima, korisniku vrlo brzo postane dosadno dok čeka, a projekat se ispostavi mnogo manje uspješnim nego u slučaju trenutni odgovor, čak i po cijenu manje detaljne analize.

ANALIZA (analiza)znači da sistem može rukovati bilo kojom logičkom i statističkom analizom specifičnom za aplikaciju i osigurava da se ona pohrani u obliku dostupnom krajnjem korisniku.

Nije bitno da li se ova analiza radi u vlastitom alatu dobavljača ili u paketu eksternog softverskog proizvoda kao što je tabela, samo treba da pruži svu potrebnu funkcionalnost analize na intuitivan način krajnjim korisnicima. Alati za analizu mogu uključivati ​​specifične procedure kao što su analiza vremenskih serija, alokacija troškova, devizni transferi, pretraživanje cilja, promjene višedimenzionalne strukture, neproceduralno modeliranje, otkrivanje izuzetaka, ekstrakcija podataka i druge operacije zavisne od aplikacije. Takve mogućnosti uvelike variraju među proizvodima, ovisno o ciljnoj orijentaciji.

SHARED znači da sistem ispunjava sve zahtjeve zaštite privatnosti (moguće do nivoa ćelije) i, ako je potreban višestruki pristup pisanju, osigurava da su modifikacije blokirane na odgovarajućem nivou. Ne moraju sve aplikacije upisivati ​​podatke. Međutim, broj ovakvih aplikacija raste i sistem mora biti u stanju da podnese višestruke modifikacije na pravovremen i siguran način.

MULTIDIMENZIONALNO - ovo je ključni uslov. Kada biste morali da definišete OLAP jednom rečju, izabrali biste je. Sistem bi trebao pružiti višedimenzionalni konceptualni prikaz podataka, uključujući punu podršku za hijerarhije i višestruke hijerarhije, jer je to definitivno najlogičniji način analize poslovanja i organizacije. Ne postoji minimalni broj dimenzija koje treba obraditi jer je to također ovisno o aplikaciji, a većina OLAP proizvoda ima dovoljno dimenzija za tržišta na koja ciljaju.

INFORMACIJE - to je sve. Potrebne informacije se moraju dobiti tamo gdje su potrebne. Međutim, mnogo toga ovisi o aplikaciji. Snaga različitih proizvoda mjeri se u smislu toga koliko inputa mogu obraditi, ali ne i koliko gigabajta mogu pohraniti. Snaga proizvoda uvelike varira - najveći OLAP proizvodi mogu podnijeti najmanje hiljadu puta više podataka od najmanjih. Postoji mnogo faktora koje treba uzeti u obzir u tom pogledu, uključujući dupliciranje podataka, potrebnu RAM memoriju, iskorišćenost prostora na disku, performanse, integraciju skladištenja podataka i još mnogo toga.

FASMI test je razumna i razumljiva definicija ciljeva na koje je OLAP fokusiran.

4. KlasifikacijaOLAP-proizvodi.

Dakle, suština OLAP-a sastoji se u tome što su početne informacije za analizu predstavljene u obliku višedimenzionalne kocke, te je omogućena mogućnost proizvoljnog manipulisanja njome i dobijanja potrebnih informacionih sekcija - izvještaja. U ovom slučaju, krajnji korisnik vidi kocku kao višedimenzionalnu dinamičku tabelu koja automatski sumira podatke (činjenice) u različitim sekcijama (dimenzijama) i omogućava vam da interaktivno kontrolišete proračune i formu izveštaja. Izvršenje ovih operacija je osigurano OLAP -mašina (ili mašina OLAP proračuni).

Do danas je u svijetu razvijeno mnogo proizvoda koji implementiraju OLAP -tehnologije. Da bi se lakše snalazio među njima, koriste se klasifikacije OLAP -proizvodi: po načinu skladištenja podataka za analizu i po lokaciji OLAP -automobili. Pogledajmo pobliže svaku kategoriju OLAP proizvodi.

Klasifikacija prema načinu skladištenja

Višedimenzionalne kocke se grade na osnovu izvornih i agregatnih podataka. I neobrađeni i zbirni podaci za kocke mogu se pohraniti u relacijske i višedimenzionalne baze podataka. Stoga trenutno postoje tri načina pohranjivanja podataka: MOLAP (multidimenzionalni OLAP), ROLAP (relacijski OLAP) i HOLAP (hibridni OLAP ). odnosno OLAP -Proizvodi su podeljeni u tri slične kategorije po načinu skladištenja podataka:

1. U slučaju MOLAP-a , izvorni i zbirni podaci pohranjeni su u višedimenzionalnoj bazi podataka ili u višedimenzionalnoj lokalnoj kocki.

2. U ROLAP-u -proizvodi, izvorni podaci se pohranjuju u relacijske baze podataka ili u ravne lokalne tablice na serveru datoteka. Zbirni podaci se mogu postaviti u servisne tabele u istoj bazi podataka. Konverzija podataka iz relacione baze podataka u višedimenzionalne kocke se dešava na zahtev OLAP alati.

3. U slučaju upotrebe HOLAP arhitekture, originalni podaci ostaju u relacionoj bazi podataka, a agregati se postavljaju u multidimenzionalnu. Zgrada OLAP -kocka se izvodi na zahtjev OLAP - Sredstva zasnovana na relacionim i višedimenzionalnim podacima.

Klasifikacija lokacija OLAP-automobili.

Na osnovu toga OLAP -proizvodi se dijele na OLAP serveri i OLAP klijenti:

Server OLAP -sredstva obračuna i skladištenja zbirnih podataka obavlja poseban proces - server. Klijentska aplikacija prima samo rezultate upita prema višedimenzionalnim kockama koje su pohranjene na serveru. Neki OLAP -serveri podržavaju skladištenje podataka samo u relacionim bazama podataka, neki - samo u višedimenzionalnim. Mnogi moderni OLAP -serveri podržavaju sva tri načina pohranjivanja podataka:MOLAP, ROLAP i HOLAP.

MOLAP.

MOLAP je Višedimenzionalna on-line analitička obrada, odnosno Multidimenzionalni OLAP.To znači da server koristi višedimenzionalnu bazu podataka (MDB) za skladištenje podataka. Smisao upotrebe MDB-a je očigledan. Može efikasno skladištiti podatke koji su višedimenzionalne prirode, pružajući sredstvo za brzo servisiranje upita baze podataka. Podaci se prenose iz izvora podataka u višedimenzionalnu bazu podataka, a zatim se baza podataka agregira. Predkalkulacija je ono što čini OLAP upite bržima jer su zbirni podaci već izračunati. Vrijeme zahtjeva postaje funkcija isključivo vremena potrebnog za pristup određenom dijelu podataka i izvođenje izračuna. Ova metoda podržava koncept da se rad obavlja jednom, a rezultati se zatim koriste iznova i iznova. Multidimenzionalne baze podataka su relativno nova tehnologija. Upotreba MDB-a ima iste nedostatke kao i većina novih tehnologija. Naime, one nisu stabilne kao relacijske baze podataka (RDB) i nisu optimizirane u istoj mjeri. Još jedna slaba tačka MDB-a je nemogućnost korištenja većine multidimenzionalnih baza podataka u procesu agregacije podataka, pa je potrebno vrijeme da nove informacije postanu dostupne za analizu.

ROLAP.

ROLAP je Relaciona on-line analitička obrada, odnosno relacijski OLAP.Termin ROLAP znači da je OLAP server baziran na relacijskoj bazi podataka. Originalni podaci se unose u relacionu bazu podataka, obično u shemi zvijezda ili pahulja, što pomaže da se skrati vrijeme preuzimanja. Server pruža višedimenzionalni model podataka koristeći optimizirane SQL upite.

Postoji niz razloga za odabir relacijske umjesto višedimenzionalne baze podataka. RDB je dobro uspostavljena tehnologija sa mnogo mogućnosti za optimizaciju. Stvarna upotreba rezultirala je složenijim proizvodom. Pored toga, RDB-ovi podržavaju veće količine podataka od MDB-ova. Oni su upravo dizajnirani za takve količine. Glavni argument protiv RDB-ova je složenost upita potrebnih za dohvaćanje informacija iz velike baze podataka koristeći SQL. Neiskusni SQL programer bi lako mogao opteretiti vrijedne sistemske resurse pokušajem da izvrši neki sličan upit, koji je mnogo lakše izvršiti u MDB-u.

Agregirani / Pre-agregirani podaci.

Brza implementacija upita je imperativ za OLAP. Ovo je jedan od osnovnih principa OLAP-a - sposobnost intuitivnog manipulisanja podacima zahtijeva brzo pronalaženje informacija. Općenito, što je više računanja potrebno da bi se dobila informacija, to je odgovor sporiji. Stoga, da bi se uštedjelo malo vremena za implementaciju upita, dijelovi informacija kojima se obično pristupa najčešće, ali koji istovremeno zahtijevaju računanje, podliježu preliminarnom agregiranju. To jest, oni se broje i zatim pohranjuju u bazu podataka kao novi podaci. Primjer tipa podataka koji se može izračunati unaprijed su zbirni podaci — na primjer, podaci o prodaji po mjesecu, kvartalu ili godini — za koje su stvarni uneseni podaci dnevni podaci.

Različiti dobavljači imaju različite metode odabira za parametre koji zahtijevaju prethodno združivanje i određeni broj unaprijed izračunatih vrijednosti. Pristup agregacije utječe i na bazu podataka i na vrijeme izvršenja upita. Ako se izračuna više vrijednosti, povećava se vjerovatnoća da će korisnik zatražiti već izračunatu vrijednost, a samim tim i vrijeme odgovora će biti kraće, jer nema potrebe tražiti početnu vrijednost za izračun. Međutim, ako izračunavanje svih mogućih vrijednosti nije najbolje rješenje - u ovom slučaju će se veličina baze podataka značajno povećati, što će je učiniti neupravljivom, a vrijeme agregacije će biti predugo. Osim toga, kada se numeričke vrijednosti dodaju u bazu podataka, ili ako se promijene, ove informacije bi trebale biti odražene u unaprijed izračunatim vrijednostima ovisno o novim podacima. Stoga ažuriranje baze podataka također može potrajati dugo u slučaju velikog broja unaprijed izračunatih vrijednosti. Pošto je baza podataka obično van mreže tokom agregacije, poželjno je da vrijeme agregacije ne bude predugo.

OLAP -klijent je drugačije uređen. Izgradnja višedimenzionalne kocke i OLAP -proračuni se izvode u memoriji klijentskog računara.OLAP -klijenti se također dijele na ROLAP i MOLAP.Neki mogu podržavati oba tipa pristupa podacima.

Svaki od ovih pristupa ima svoje prednosti i nedostatke. Suprotno uvriježenom mišljenju o prednostima serverskih alata u odnosu na klijentske, u velikom broju slučajeva korištenje OLAP - klijent za korisnike može biti efikasniji i profitabilniji od korišćenja OLAP serveri.

Razvoj analitičkih aplikacija pomoću OLAP klijentskih alata je brz proces i ne zahtijeva posebnu obuku izvođača. Korisnik koji poznaje fizičku implementaciju baze podataka može sam razviti analitičku aplikaciju, bez uključivanja IT stručnjaka.

Kada koristite OLAP server, morate proučiti 2 različita sistema, ponekad različitih proizvođača - za kreiranje kocki na serveru i za razvoj klijentske aplikacije.

OLAP klijent pruža objedinjeni vizuelni interfejs za opisivanje kocki i prilagođavanje njihovih korisničkih interfejsa.

Dakle, u kojim slučajevima korištenje OLAP klijenta za korisnike može biti efikasnije i isplativije od korištenja OLAP servera?

· Ekonomska opravdanost primjene OLAP -server se javlja kada je količina podataka veoma velika i nepodnošljiva OLAP - klijenta, inače je upotreba potonjeg opravdanija. U ovom slučaju OLAP -Kupac kombinuje karakteristike visokih performansi sa niskim troškovima.

· Snažni računari za analitičare su još jedan dobar razlog OLAP -klijenti. Prilikom prijave OLAP -server, ovi kapaciteti se ne koriste.

Među prednostima OLAP klijenata su sljedeće:

· Troškovi implementacije i održavanja OLAP - klijent je znatno niži od cijene OLAP server.

· Koristeći OLAP - za klijenta sa ugrađenom mašinom, prenos podataka preko mreže se vrši jednokratno. Radeći OLAP -operacije novih tokova podataka se ne stvaraju.

5. Principi rada OLAP-klijenti.

Pogledajmo proces kreiranja OLAP aplikacije pomoću klijentskog alata (slika 1).

Slika 1.Napravite OLAP aplikaciju koristeći ROLAP klijentski alat

Princip rada ROLAP klijenata je preliminarni opis semantičkog sloja iza kojeg se krije fizička struktura početnih podataka. U ovom slučaju izvori podataka mogu biti: lokalne tablice, RDBMS. Lista podržanih izvora podataka je specifična za proizvod. Nakon toga, korisnik može samostalno manipulirati objektima koje razumije u smislu predmetne oblasti kako bi kreirao kocke i analitička sučelja.

Klijent OLAP servera radi drugačije. U OLAP serveru, prilikom kreiranja kocki, korisnik manipulira fizičkim opisima baze podataka. Ovo stvara prilagođene opise u samoj kocki. Klijent OLAP servera je konfigurisan samo po kocki.

Prilikom kreiranja semantičkog sloja, izvori podataka - tabele Sales i Deal - opisuju se terminima koji su razumljivi krajnjem korisniku i pretvaraju se u "Proizvodi" i "Deals". Polje “ID” iz tabele “Proizvodi” preimenovano je u “Šifra”, a “Naziv” u “Proizvod” itd.

Zatim se kreira poslovni objekat Prodaja. Poslovni objekat je ravan sto od kojeg se formira višedimenzionalna kocka. Kada se kreira poslovni objekat, tabele "Proizvodi" i "Ponude" kombinuju se poljem "Šifra" proizvoda. Budući da se u izvještaju ne moraju prikazati sva polja tabele, poslovni objekat koristi samo polja "Stavka", "Datum" i "Iznos".

U našem primjeru, na osnovu poslovnog objekta Prodaja, kreirali smo izvještaj o prodaji robe po mjesecima.

Kada radi sa interaktivnim izvještajem, korisnik može postaviti uvjete filtriranja i grupisanja istim jednostavnim pokretima miša. U ovom trenutku, ROLAP klijent pristupa podacima u kešu. S druge strane, klijent OLAP servera generiše novi upit prema višedimenzionalnoj bazi podataka. Na primjer, primjenom filtera po proizvodima u izvještaju o prodaji, možete dobiti izvještaj o prodaji proizvoda koji nas zanimaju.

Sve postavke OLAP aplikacije mogu se pohraniti u namjensko spremište metapodataka, u aplikaciju ili u višedimenzionalno spremište sistema baze podataka.Implementacija zavisi od konkretnog softverskog proizvoda.

Sve što je uključeno u ove aplikacije je standardni pogled na interfejs, unapred definisane funkcije i struktura, kao i brza rešenja za manje-više standardne situacije. Na primjer, finansijski paketi su popularni. Unaprijed izgrađene finansijske aplikacije će omogućiti profesionalcima da koriste poznate finansijske instrumente bez potrebe za dizajniranjem strukture baze podataka ili uobičajenih obrazaca i izvještaja.

Internet je novi oblik klijenta. Osim toga, nosi pečat novih tehnologija; gomila internet rješenja značajno se razlikuju po svojim mogućnostima općenito, a posebno po kvalitetu OLAP rješenja. Postoje mnoge prednosti generiranja OLAP izvještaja preko Interneta. Najznačajniji je nepostojanje potrebe za specijalizovanim softverom za pristup informacijama. Ovo kompaniji štedi mnogo vremena i novca.

6. Izbor arhitekture OLAP aplikacije.

Prilikom implementacije informacijsko-analitičkog sistema važno je ne pogriješiti u odabiru arhitekture OLAP aplikacije. Bukvalan prevod termina On-line analitički proces - "on-line analitička obrada" - često se shvata doslovno u smislu da se podaci koji ulaze u sistem promptno analiziraju. Ovo je zabluda - efikasnost analize nema nikakve veze sa realnim vremenom ažuriranja podataka u sistemu. Ova karakteristika se odnosi na vrijeme odgovora OLAP sistema na zahtjeve korisnika. Istovremeno, analizirani podaci često su snimak informacija "za juče", ako se, na primjer, podaci u skladištima ažuriraju jednom dnevno.

U ovom kontekstu, prijevod OLAP-a kao "interaktivna analitička obrada" je precizniji. Sposobnost analize podataka u interaktivnom režimu je ono što razlikuje OLAP sisteme od sistema za pripremu regulisanih izveštaja.

Još jedna karakteristika interaktivne obrade u formulaciji osnivača OLAP-a E. Codd je mogućnost „kombinovanja, pregleda i analize podataka sa stanovišta više dimenzija, odnosno na najrazumljiviji način za korporativne analitičare“. Za samog Codda, pojam OLAP označava isključivo specifičan način predstavljanja podataka na konceptualnom nivou – višedimenzionalni. Na fizičkom nivou, podaci se mogu pohraniti u relacijske baze podataka, ali u stvarnosti, OLAP alati imaju tendenciju da rade sa višedimenzionalnim bazama podataka, u kojima su podaci organizirani u hiperkocku (slika 1).

Slika 1. OLAP- kocka (hiperkocka, metakocka)

Štaviše, relevantnost ovih podataka određena je trenutkom kada se hiperkocka napuni novim podacima.

Očigledno, vrijeme formiranja višedimenzionalne baze podataka značajno ovisi o količini podataka učitanih u nju, pa je razumno ograničiti taj volumen. Ali kako ne suziti mogućnosti analize i ne uskratiti korisniku pristup svim informacijama od interesa? Postoje dva alternativna puta: analiziraj, pa upitaj i upitaj pa analiziraj.

Sljedbenici prvog puta predlažu učitavanje generalizovanih informacija u višedimenzionalnu bazu podataka, na primjer, mjesečne, tromjesečne, godišnje ukupne vrijednosti za odjele. A ako je potrebno detaljnije analizirati podatke, od korisnika se traži da generiše izvještaj o relacijskoj bazi podataka koji sadrži potrebnu selekciju, na primjer, po danu za dati odjel ili po mjesecima i zaposlenima odabranog odjela.

Pobornici drugog načina, naprotiv, nude korisniku, prije svega, da odluči o podacima koje će analizirati i da ih učita u mikrokocku - malu višedimenzionalnu bazu podataka. Oba pristupa se konceptualno razlikuju i imaju svoje prednosti i nedostatke.

Prednosti drugog pristupa uključuju "svježinu" informacija koje korisnik dobija u obliku višedimenzionalnog izvještaja - "mikrokocke". Mikrokocka se formira na osnovu informacija koje su upravo zatražene iz trenutne relacione baze podataka. Rad s mikrokockom odvija se u interaktivnom načinu - dobijanje isječaka informacija i njihovo detaljiziranje unutar mikrokocke vrši se trenutno. Još jedna pozitivna stvar je to što dizajn strukture i punjenje mikrokocke korisnik obavlja "u hodu", bez sudjelovanja administratora baze podataka. Međutim, pristup također pati od ozbiljnih nedostataka. Korisnik ne vidi opću sliku i mora se unaprijed odrediti sa smjerom svog istraživanja. U suprotnom, tražena mikrokocka može biti premala i ne sadrži sve podatke od interesa, a korisnik će morati tražiti novu mikrokocku, zatim novu, pa opet i opet. Pristup analize upita zatim implementira BusinessObjects alat istoimene kompanije i alate platforme Company Contour.Intersoft Lab.

Sa pristupom Analyze then query, količina podataka učitanih u višedimenzionalnu bazu podataka može biti prilično velika, popunjavanje bi trebalo biti izvedeno prema pravilima i može potrajati. Međutim, svi ovi nedostaci se kasnije isplate, kada korisnik ima pristup gotovo svim potrebnim podacima u bilo kojoj kombinaciji. Upućivanje na izvorne podatke u relacijskoj bazi podataka vrši se samo kao posljednje sredstvo, kada su potrebne detaljne informacije, na primjer, na određenoj fakturi.

Broj korisnika koji joj pristupaju praktično ne utiče na rad jedne višedimenzionalne baze podataka. Oni samo čitaju podatke koji su tamo dostupni, za razliku od pristupa Query then Analysis, u kojem broj mikrokocki u ekstremnom slučaju može rasti istom brzinom kao i broj korisnika.

Ovakav pristup povećava opterećenje IT servisa, koji su, pored relacionih, primorani da opslužuju i višedimenzionalne baze podataka.Ove usluge su odgovorne za pravovremeno automatsko ažuriranje podataka u višedimenzionalnim bazama podataka.

Najistaknutiji predstavnici pristupa „Analiziraj pa upitaj“ su PowerPlay i Impromptu alati iz Cognosa.

Izbor pristupa i alata koji ga implementira prvenstveno zavisi od cilja kojem se teži: uvijek morate balansirati između uštede budžeta i poboljšanja kvaliteta usluge za krajnje korisnike. Treba imati na umu da, strateški, kreiranje informaciono-analitičkih sistema ima za cilj postizanje konkurentske prednosti, a ne izbjegavanje troškova automatizacije. Na primjer, korporativni informaciono-analitički sistem može pružiti potrebne, pravovremene i pouzdane informacije o kompaniji, čije će objavljivanje za potencijalne investitore osigurati transparentnost i predvidljivost ovog preduzeća, što će neminovno postati uslov njegove investicione atraktivnosti.

7. Oblasti primjene OLAP-tehnologija.

OLAP je primjenjiv gdje god postoji zadatak analize multivarijantnih podataka. Generalno, ako imate neku tabelu sa podacima, u kojoj postoji bar jedna deskriptivna kolona (dimenzija) i jedna kolona sa brojevima (mere ili činjenice), OLAP alat će obično biti efikasan alat za analizu i generisanje izveštaja.

Razmotrimo neke oblasti primjene OLAP tehnologija, preuzete iz stvarnog života.

1. Prodaja.

Na osnovu analize strukture prodaje rješavaju se pitanja neophodna za donošenje upravljačkih odluka: o promjeni asortimana robe, cijenama, zatvaranju i otvaranju radnji, poslovnica, raskidu i potpisivanju ugovora sa dilerima, provođenju ili prekidu reklamnih kampanja itd.

2. Kupovine.

Zadatak je suprotan analizi prodaje. Mnoga preduzeća kupuju komponente i materijale od dobavljača. Trgovci kupuju robu za preprodaju. Postoji mnogo mogućih zadataka u analizi nabavke, od planiranja gotovine na osnovu prethodnog iskustva, do kontrolu nad menadžerima biranje dobavljača.

3. Cijene.

Analiza nabavki usko je povezana sa analizom tržišnih cijena. Svrha ove analize je optimizacija troškova, odabir najpovoljnijih ponuda.

4. Marketing.

Pod marketinškom analizom podrazumijevat ćemo samo područje analize kupaca ili kupaca-potrošača usluga. Zadatak ove analize je pravilno pozicioniranje proizvoda, identifikacija grupa kupaca za ciljano oglašavanje i optimizacija asortimana. Zadatak OLAP-a u ovom slučaju je da korisniku pruži alat da brzo, brzinom razmišljanja, dobije odgovore na pitanja koja se intuitivno nameću prilikom analize podataka.

5. Skladište.

Analiza strukture stanja zaliha u kontekstu vrsta robe, skladišta, analiza roka trajanja robe, analiza pošiljke po primaocu i mnoge druge vrste analiza bitnih za kompaniju moguće su ukoliko organizacija ima skladišno računovodstvo.

6. Novčani tok.

Ovo je čitavo područje analize, sa mnogo škola i metodologija. OLAP tehnologija može poslužiti kao alat za implementaciju ili poboljšanje ovih tehnika, ali nikako kao zamjena za njih. Analizira gotovinski promet bezgotovinskog i gotovog novca u smislu poslovnih transakcija, ugovornih strana, valuta i vremena u cilju optimizacije tokova, obezbjeđenja likvidnosti itd. Sastav mjerenja u velikoj mjeri zavisi od specifičnosti poslovanja, industrije i metodologije.

7. Budžet.

Jedno od najplodnijih područja primjene OLAP tehnologija. Nije uzalud da se nijedan savremeni sistem budžetiranja ne smatra potpunim bez prisustva OLAP alata za analizu budžeta u svom sastavu. Većina budžetskih izvještaja se lako gradi na osnovu OLAP sistema. Istovremeno, izvještaji odgovaraju na vrlo širok spektar pitanja: analiza strukture rashoda i prihoda, poređenje rashoda po pojedinim stavkama u različitim odjeljenjima, analiza dinamike i kretanja rashoda po pojedinim stavkama, analiza troškova i dobiti. .

8. Računi.

Klasični bilans stanja, koji se sastoji od broja računa i koji sadrži ulazna stanja, promet i izlazna stanja, može se savršeno analizirati u OLAP sistemu. Osim toga, OLAP sistem može automatski i vrlo brzo izračunati konsolidovana stanja višegranske organizacije, stanja za mjesec, kvartal i godinu, agregirana stanja po hijerarhiji računa, analitička stanja na osnovu analitičkih karakteristika.

9. Finansijsko izvještavanje.

Tehnološki napredan sistem izvještavanja nije ništa drugo do skup imenovanih indikatora sa vrijednostima na dan, koji moraju biti grupisani i sumirani u različitim aspektima da bi se dobili konkretni izvještaji. Kada je to slučaj, prikazivanje i štampanje izveštaja je najlakši i najjeftiniji za implementaciju u OLAP sisteme. U svakom slučaju, interni sistem izvještavanja preduzeća nije toliko konzervativan i može se rekonstruisati kako bi se uštedio novac na tehničkom radu na izradi izvještaja i da bi se dobile mogućnosti višedimenzionalne operativne analize.

10. Promet na web stranici.

Log datoteka internet servera je višedimenzionalne prirode, što znači da je pogodna za OLAP analizu. Činjenice su: broj posjeta, broj posjeta, vrijeme provedeno na stranici i druge informacije dostupne u dnevniku.

11. Obim proizvodnje.

Ovo je još jedan primjer statističke analize. Tako je moguće analizirati količine uzgojenog krompira, istopljenog čelika, proizvedene robe.

12. Potrošnja potrošnog materijala.

Zamislite postrojenje koje se sastoji od desetina radionica, koje troše hlađenje, tekućine za ispiranje, ulja, krpe, brusni papir - stotine artikala potrošnog materijala. Za precizno planiranje i optimizaciju troškova potrebna je detaljna analiza stvarne potrošnje potrošnog materijala.

13. Korištenje prostorija.

Druga vrsta statističke analize. Primjeri: analiza opterećenja učionica, iznajmljenih zgrada i prostorija, korištenje konferencijskih sala itd.

14. Fluktuacija zaposlenih u preduzeću.

Analiza fluktuacije zaposlenih u preduzeću u kontekstu grana, odeljenja, zanimanja, nivoa obrazovanja, pola, starosti, vremena.

15. Putnički saobraćaj.

Analiza broja prodatih karata i iznosa u kontekstu godišnjih doba, pravca, vrsta automobila (klasa), vrsta vozova (aviona).

Opseg primjene nije ograničen na ovu listu. OLAP - tehnologije. Na primjer, razmotrite tehnologiju OLAP -analiza u oblasti prodaje.

8. Primjer upotrebe OLAP -tehnologije za analizu u oblasti prodaje.

Dizajniranje višedimenzionalnog prikaza podataka za OLAP -analiza počinje formiranjem mjerne karte. Na primjer, prilikom analize prodaje može biti preporučljivo izdvojiti pojedine dijelove tržišta (razvojni, stabilni, veliki i mali potrošači, vjerovatnoća novih potrošača itd.) i procijeniti obim prodaje po proizvodima, teritorijama, kupcima, tržišni segmenti, kanali distribucije itd. veličina narudžbi. Ovi pravci čine mrežu višedimenzionalnog pogleda na prodaju – strukturu njenih dimenzija.

Budući da se aktivnost svakog preduzeća odvija u vremenu, prvo pitanje koje se postavlja u analizi je pitanje dinamike razvoja poslovanja. Ispravna organizacija vremenske ose će dati kvalitativni odgovor na ovo pitanje. Obično je vremenska osa podijeljena na godine, kvartale i mjesece. Moguća je još veća fragmentacija na sedmice i dane. Struktura vremenske dimenzije formira se uzimajući u obzir učestalost prijema podataka; može biti uslovljena i učestalošću zahtjeva za informacijama.

Dimenzija „grupa proizvoda“ je dizajnirana da što bliže odražava strukturu proizvoda koji se prodaju. Pri tome je važno poštovati određeni balans kako bi se, s jedne strane, izbjeglo pretjerano detaljiziranje (broj grupa bi trebao biti vidljiv), as druge strane, ne bi se propustio značajan segment tržišta. .

Dimenzija „Kupci“ odražava strukturu prodaje prema geografskoj lokaciji. Svaka dimenzija može imati svoje hijerarhije, na primjer, u ovoj dimenziji to može biti struktura: Zemlje - Regije - Gradovi - Klijenti.

Da biste analizirali učinak odjela, trebali biste kreirati vlastitu dimenziju. Na primjer, možete razlikovati dva nivoa hijerarhije: odjele i njihove pododjele, što bi trebalo biti odraženo u dimenziji "Odjeli".

Naime, dimenzije "Vrijeme", "Proizvodi", "Kupci" dosta u potpunosti definiraju prostor predmetne oblasti.

Osim toga, korisno je podijeliti ovaj prostor na uslovne oblasti, uzimajući kao osnovu izračunate karakteristike, na primjer, opsege obima transakcija u vrijednosti. Tada se cijeli posao može podijeliti u niz raspona vrijednosti u kojima se obavlja. U ovom primjeru možete se ograničiti na sljedeće pokazatelje: iznos prodaje robe, broj prodane robe, iznos prihoda, broj transakcija, broj kupaca, obim kupovine od proizvođača.

OLAP - kocka za analizu će izgledati ovako (slika 2):

Slika 2.OLAP- kocka za analizu obima prodaje

Upravo takav trodimenzionalni niz u OLAP terminima se zove kocka. Zapravo, sa stanovišta stroge matematike, takav niz neće uvijek biti kocka: prava kocka treba da ima isti broj elemenata u svim dimenzijama, dok OLAP kocke nemaju takvo ograničenje. OLAP kocka uopće ne mora biti 3D. Može biti dvodimenzionalan i višedimenzionalan - ovisno o problemu koji se rješava. Ozbiljni OLAP proizvodi su dizajnirani za oko 20 dimenzija. Jednostavnije desktop aplikacije podržavaju oko 6 dimenzija.

Daleko od svih elemenata kocke treba popuniti: ako nema informacija o prodaji proizvoda 2 kupcu 3 u trećem kvartalu, vrijednost u odgovarajućoj ćeliji jednostavno neće biti određena.

Međutim, sama kocka nije pogodna za analizu. Ako je još uvijek moguće adekvatno predstaviti ili prikazati trodimenzionalnu kocku, onda sa šest ili devetnaestodimenzionalni situacija je mnogo gora. Stoga se prije upotrebe obične dvodimenzionalne tablice izdvajaju iz višedimenzionalne kocke. Ova operacija se zove "rezanje" kocke. Analitičar, takoreći, uzima i "seče" dimenzije kocke prema oznakama od interesa. Na taj način analitičar uzima dvodimenzionalni isječak kocke (izvještaj) i radi s njim. Struktura izvještaja je prikazana na slici 3.

Slika 3.Struktura analitičkog izvještaja

Izrežemo našu OLAP - kocku i dobijemo izvještaj o prodaji za treći kvartal, to će izgledati ovako (slika 4).

Slika 4.Izvještaj o prodaji za treći kvartal

Kocku možete iseći po drugoj osi i dobiti izvještaj o prodaji grupe proizvoda 2 tokom godine (Sl. 5).

Slika 5.Tromjesečni izvještaj o prodaji proizvoda 2

Slično, možete analizirati odnos sa kupcem 4, rezanjem kocke na oznaci Klijenti(sl. 6)

Slika 6.Izveštaj o isporuci robe klijentu 4

Možete detaljnije analizirati izvještaj po mjesecima ili razgovarati o isporuci robe određenoj filijali kupaca.

Glavna razlika između činjenica i informacija je u tome što podatke primamo i bilježimo, te ih možemo koristiti u svoju korist. Grubo govoreći, informacije se analiziraju i sistematiziraju podaci. Zahvaljujući informacijama dobijenim na vrijeme, mnoge firme uspijevaju izdržati kako finansijsku krizu, tako i najžešću konkurenciju. Nije dovoljno prikupiti činjenice i imati sve podatke koji su vam potrebni. Takođe morate biti u stanju da ih analizirate. Razvijeni su različiti sistemi podrške kako bi se ljudima olakšalo donošenje važnih poslovnih odluka. U tu svrhu su razvijeni različiti složeni sistemi koji vam omogućavaju da analizirate velike nizove heterogenih podataka i pretvorite ih u informacije korisne za poslovnog korisnika. Novo polje poslovne inteligencije nastoji poboljšati upravljanje procesima poslovnih sistema korištenjem skladišta podataka i tehnologija.

Tržište informacionih sistema za poslovanje danas nudi širok spektar rešenja koja pomažu preduzeću da organizuje upravljačko računovodstvo, obezbedi operativno upravljanje proizvodnjom i prodajom i efektivno komunicira sa kupcima i dobavljačima.

Posebnu nišu na tržištu poslovnih sistema zauzimaju analitički softverski proizvodi dizajnirani da podrže donošenje odluka na strateškom nivou upravljanja preduzećem. Osnovna razlika između ovakvih alata i sistema operativnog upravljanja je u tome što potonji omogućavaju upravljanje preduzećem u „modu rada“, odnosno implementaciju dobro definisanog proizvodnog programa, dok analitički sistemi na strateškom nivou pomažu u upravljanju preduzećima. preduzeća da razradi rješenja u "razvojnom modu".

Obim izvršenih promena može varirati od dubokog restrukturiranja do delimične obnove tehnologija na pojedinim proizvodnim lokacijama, ali, u svakom slučaju, donosioci odluka razmatraju razvojne alternative, od kojih dugoročno zavisi sudbina preduzeća.

Koliko god moćan i razvijen informacioni sistem preduzeća, on ne može pomoći u rešavanju ovih pitanja, prvo, jer je prilagođen stacionarnim, dobro uspostavljenim poslovnim procesima, a drugo, nema, niti može biti informacija za donošenje odluka o novim oblastima poslovanja, novim tehnologijama, novim organizacionim odlukama.

Zahvaljujući OLAP (On-Line Analytical Processing) tehnologiji obrade podataka, svaka organizacija može gotovo trenutno (u roku od pet sekundi) primiti podatke koji su joj potrebni za rad. OLAP se može sažeti u pet ključnih riječi.

FAST (Fast) - to znači da traženje i dostava potrebnih informacija ne traje više od pet sekundi. Najjednostavniji upiti se obrađuju u sekundi, a samo nekoliko složenih upita ima vrijeme obrade duže od dvadeset sekundi. Da bi se postigao ovaj rezultat, koriste se različite metode, od posebnih oblika pohranjivanja podataka do opsežnog prethodnog izračunavanja. Dakle, možete dobiti izvještaj za minut, za koji su ranije bili potrebni dani za pripremu.

ANALIZA (Analitička) kaže da sistem može da uradi bilo koju analizu, i statističku i logičku, a zatim je pohranjuje u pristupačnom obliku.

SHARED znači da sistem pruža potrebnu privatnost, sve do nivoa ćelije

MULTIDIMENZIONALNOST - Ovo je glavna karakteristika OLAP-a. Sistem mora u potpunosti podržavati hijerarhije i višestruke hijerarhije, jer je na taj način najlogičnije analizirati i poslovanje i aktivnosti organizacija.

INFORMACIJE Informacije koje su vam potrebne moraju biti dostavljene tamo gdje su potrebne.

Tokom rada organizacije uvijek se akumuliraju podaci koji se odnose na područje njenog djelovanja, koji se ponekad pohranjuju na potpuno različitim mjestima i nije lako i dugotrajno prikupiti ih. Upravo u cilju ubrzanja prikupljanja podataka za testiranje novonastalih poslovnih hipoteza razvijena je tehnologija interaktivne analitičke obrade podataka ili OLAP. Glavna svrha ovakvih OLAP sistema je da brzo odgovore na proizvoljne zahtjeve korisnika. Takva potreba se često javlja prilikom razvoja nekog važnog poslovnog projekta, kada je programeru potrebna radna hipoteza koja se pojavila. Najčešće, informacije koje su potrebne korisniku treba da budu predstavljene u obliku neke vrste zavisnosti – na primer, kako obim prodaje zavisi od kategorije proizvoda, od regiona prodaje, od sezone i tako dalje. Zahvaljujući OLAP-u, ima mogućnost da odmah primi potrebne podatke u željenom rasporedu za odabrani period.

Interaktivna OLAP tehnologija pretvara ogromne gomile izvještaja i tone podataka u korisne i tačne informacije koje će pomoći zaposleniku da donese informiranu poslovnu ili finansijsku odluku u pravo vrijeme.

Osim toga, zahvaljujući OLAP-u, povećava se efikasnost obrade, a korisnik može dobiti velike količine sortiranih (agregiranih) informacija gotovo trenutno. Zahvaljujući OLAP-u, korisnik može jasno vidjeti koliko efikasno njegova organizacija radi, ima sposobnost da brzo i fleksibilno reaguje na vanjske promjene i ima mogućnost da minimizira finansijske gubitke svoje organizacije. OLAP pruža tačne informacije koje poboljšavaju kvalitet vaših odluka.

Jedini nedostatak sistema poslovne inteligencije je njihova visoka cijena. Izgradnja skladišta ličnih podataka zahtijeva i vrijeme i mnogo novca.

Upotreba OLAP tehnologije u poslovanju omogućava brzo dobijanje potrebnih informacija, koje se na zahtjev korisnika mogu prikazati u uobičajenom obliku - izvještajima, grafikonima ili tabelama.

Procedure sistemske integracije poslovnih struktura baziraju se na korištenju zajedničkih ERP, CRM i SCM rješenja. U mnogim slučajevima, sisteme isporučuju različiti proizvođači, a uvezeni podaci moraju proći proceduru usaglašavanja podataka i prezentaciju u obliku heterogenih podataka. U poslovnom okruženju pretpostavlja se nedvosmislen zahtjev - potpuna analiza podataka, koja podrazumijeva sagledavanje konsolidovanih izvještaja sa različitih stajališta.

Različiti dobavljači imaju različite mehanizme prezentacije. Procedura heterogenog predstavljanja uključuje ekstrakciju, transformaciju i učitavanje (ETL). Na primjer, u Microsoft SQL Server 2005 Analysis Services, problem konsolidacije podataka implementiran je korištenjem prikaza izvora podataka, koji su tipovi izvora podataka koji opisuju analitičke modele pogleda.

Poslovne aplikacije zasnovane na OLAP tehnologijama, primjeri proizvoda. Najčešće primjene OLAP tehnologija su:

Analiza podataka.

Zadatak za koji su OLAP alati prvobitno korišteni i još uvijek su najpopularniji. Višedimenzionalni model podataka, mogućnost analize značajnih količina podataka i brz odgovor na zahtjeve čine ovakve sisteme nezamjenjivim za analizu prodaje, marketinga, distribucije i drugih zadataka s velikom količinom početnih podataka.

Primjeri proizvoda: Microsoft Excel Pivot Tables, Microsoft Analysis Services, SAP BW, Oracle Essbase, Oracle OLAP, Cognos PowerPlay, MicroStrategy, Business Objects.

Finansijsko planiranje i budžetiranje.

Višedimenzionalni model vam omogućava da istovremeno unosite podatke i lako ih analizirate (na primjer, analiza plan-činjenica). Stoga veliki broj modernih proizvoda klase CPM (Corporate Performance Management) koristi OLAP% model. Važan zadatak je višedimenzionalno izračunavanje nazad (backsolve, breakback, writeback), koji vam omogućava da izračunate potrebne promjene u ćelijama detalja kada se agregirana vrijednost promijeni. To je alat za analizu šta ako. igrati razne varijante događaja prilikom planiranja.

Primjeri proizvoda: Microsoft PerformancePint, Oracle EPB, Oracle OFA, Oracle Hyperion Planning, SAP SEM, Cognos Enterprise Planning, Geac.

Finansijska konsolidacija.

Konsolidacija podataka u skladu sa međunarodnim računovodstvenim standardima, uzimajući u obzir vlasničke udjele, različite valute i interne promete, hitan je zadatak u vezi sa pooštravanjem zahtjeva revizorskih tijela (SOX, Basel II) i kompanija koje ulaze u IPO. OLAP tehnologije omogućavaju ubrzanje izračunavanja konsolidovanih izvještaja i povećanje transparentnosti cjelokupnog procesa.

Primjeri proizvoda: Oracle FCH, Oracle Hyperion FM, Cognos Controller.

Skladišta podataka i tehnologije on-line analitičke obrade (OLAP).
važni su elementi podrške poslovnom odlučivanju, koji sve više postaju sastavni dio svake industrije. Upotreba OLAP tehnologija kao alata za poslovnu inteligenciju daje veću kontrolu i pravovremeni pristup strateškim
informacije koje doprinose efikasnom donošenju odluka.
Ovo pruža mogućnost simulacije prognoza u stvarnom svijetu i efikasnije korištenje resursa. OLAP omogućava organizaciji da brže odgovori na zahtjeve tržišta.

Bibliografija:

1. Erik Thomsen. OLAP rješenja: Izgradnja multidimenzionalnih informacionih sistema drugo izdanje. Wiley Computer Publishing John Wiley & Sons, Inc., 2002.

2. Bijela knjiga OLAP vijeća, http://www.olapcouncil.org/research/whtpaply.htm

3. Gerd Stumme i Bernhard Ganter. Formalna analiza koncepta _ Matematičke osnove.