10 سیستم گزارش تحلیلی برتر olap. OLAP-CUBE (گزارش‌دهی مدیریت پویا)

هدف مقاله ترممطالعه فناوری OLAP، مفهوم پیاده سازی و ساختار آن است.

AT دنیای مدرنشبکه های کامپیوتری و سیستم های محاسباتیبه شما امکان تجزیه و تحلیل و پردازش حجم زیادی از داده ها را می دهد.

حجم زیادی از اطلاعات جستجوی راه حل ها را بسیار پیچیده می کند، اما به دست آوردن محاسبات و تجزیه و تحلیل بسیار دقیق تر را ممکن می کند. برای حل این مشکل، یک کلاس کامل از سیستم های اطلاعاتی وجود دارد که تجزیه و تحلیل را انجام می دهند. چنین سیستم هایی را سیستم های پشتیبانی تصمیم (DSS) (DSS, Decision Support System) می نامند.

برای انجام تجزیه و تحلیل، DSS باید اطلاعات را با داشتن ابزار ورودی و ذخیره سازی انباشته کند. در کل، سه کار اصلی در DSS حل شده است:

· ورود اطلاعات؛

· ذخیره سازی داده ها

· تحلیل داده ها.

ورود داده ها به DSS به طور خودکار از حسگرهایی که وضعیت محیط یا فرآیند را مشخص می کنند یا توسط یک اپراتور انسانی انجام می شود.

اگر داده‌ها به‌طور خودکار از حسگرها وارد شوند، داده‌ها توسط یک سیگنال آماده جمع‌آوری می‌شوند که هنگام ظاهر شدن اطلاعات یا با نظرسنجی چرخه‌ای رخ می‌دهد. اگر ورودی توسط یک انسان انجام شود، آن‌ها باید به کاربران ارائه دهند وسیله مناسببرای وارد کردن داده ها، آنها را از نظر صحت ورودی بررسی کنید و همچنین محاسبات لازم را انجام دهید.

هنگام وارد کردن داده ها به طور همزمان توسط چندین اپراتور، لازم است مشکلات اصلاح و دسترسی موازی همان داده ها حل شود.

DSS داده هایی را در قالب گزارش ها، جداول، نمودارها برای مطالعه و تحلیل در اختیار تحلیلگران قرار می دهد، به همین دلیل است که چنین سیستم هایی عملکردهای پشتیبانی تصمیم را ارائه می دهند.

در زیرسیستم های ورود داده ها که OLTP (On-linetransactionprocessing) نامیده می شوند، پردازش داده های عملیاتی اجرا می شود. برای اجرای آنها، استفاده کنید سیستم های معمولیمدیریت پایگاه داده (DBMS).

زیرسیستم تحلیل را می توان بر اساس موارد زیر ایجاد کرد:

· زیرسیستم های تحلیل بازیابی اطلاعات بر اساس DBMS رابطه ای و پرس و جوهای استاتیک با استفاده از زبان SQL.

· زیرسیستم های تحلیل عملیاتی. برای پیاده سازی چنین زیرسیستم هایی، از فناوری پردازش داده های تحلیلی آنلاین OLAP با استفاده از مفهوم نمایش داده های چند بعدی استفاده می شود.

· زیر سیستم های تحلیل فکری. این زیر سیستمروش ها و الگوریتم های DataMining را پیاده سازی می کند.

از دیدگاه کاربر، سیستم‌های OLAP ابزاری برای مشاهده انعطاف‌پذیر اطلاعات در بخش‌های مختلف، دریافت خودکار داده‌های جمع‌آوری‌شده، انجام عملیات تحلیلی کانولوشن، جزئیات، مقایسه در طول زمان فراهم می‌کنند. با تشکر از همه اینها، سیستم های OLAP راه حلی هستند مزایای بزرگدر زمینه تهیه داده ها برای انواع گزارش های تجاری، شامل ارائه داده ها در بخش های مختلف و سطوح مختلفسلسله مراتب، مانند گزارش های فروش، اشکال مختلف بودجه، و موارد دیگر. سیستم های OLAP مزایای بزرگی از چنین نمایشی در سایر اشکال تجزیه و تحلیل داده ها از جمله پیش بینی دارند.

1.2 تعریف OLAP -سیستم های

فن آوری تجزیه و تحلیل داده های چند بعدی پیچیده OLAP نامیده می شود. OLAP جزء کلیدی یک سازمان انبار داده است.

عملکرد OLAP را می توان به روش های مختلفی پیاده سازی کرد، از ساده ترین، مانند تجزیه و تحلیل داده ها در برنامه های اداری، تا سیستم های تحلیلی پیچیده تر و توزیع شده بر اساس محصولات سرور.

OLAP (On-Line Analytical Processing) یک فناوری برای پردازش داده های تحلیلی آنلاین است که از ابزارها و روش هایی برای جمع آوری، ذخیره و تجزیه و تحلیل داده های چند بعدی و به منظور پشتیبانی از فرآیندهای تصمیم گیری استفاده می کند.

هدف اصلی سیستم های OLAP پشتیبانی است فعالیت های تحلیلی، درخواست های خودسرانه کاربران - تحلیلگران. هدف از تجزیه و تحلیل OLAP آزمایش فرضیه های در حال ظهور است.

با درک اینکه OLAP چیست و چه ویژگی هایی دارد، اجازه دهید به مهمترین، شاید، سوال برویم: محصولات نرم افزاری این کلاس برای چه کسانی در نظر گرفته شده است؟

همانطور که قبلاً اشاره شد، زیرساخت اطلاعاتی شرکت سلسله مراتبی است و شامل سطح جمع آوری اطلاعات اولیه (سطح تراکنش)، سطوح ذخیره سازی و داده ها، سطح OLAP، سطح برنامه های کاربردی تحلیلی مشتری است. بنابراین، سیستم های OLAP جایگاه مشخصی را در زیرساخت اطلاعات شرکت اشغال می کنند.

این سوال اغلب مطرح می شود: از دیدگاه یک کاربر تحلیلگر، چگونه یک سیستم OLAP با یک انبار داده متفاوت است؟ می توان گفت که نکته اصلی، از دیدگاه کاربر، تفاوت OLAPساختار اطلاعات مطابق با ماهیت موضوع (یعنی موضوع، و نه فنی) است. هنگام کار با یک برنامه OLAP، تحلیلگر از اصطلاحات، دسته‌ها و شاخص‌های معمول مالی و اقتصادی (انواع مواد و محصولات نهایی، مناطق فروش، حجم فروش، هزینه، سود و غیره) استفاده می‌کند و به منظور شکل‌دهی هر یک، حتی بهتر پرس و جو پیچیده، او مجبور به یادگیری نیست زبان SQL. و در عین حال پاسخ درخواست در عرض تنها چند ثانیه دریافت می شود. علاوه بر این، هنگام کار با یک سیستم OLAP، یک اقتصاددان می تواند از ابزارهای آشنا مانند صفحات گسترده یا ابزارهای گزارش ویژه استفاده کند.

اگر انبار داده عمدتاً مورد توجه سرویس فناوری اطلاعات باشد، OLAP ابزاری برای تحلیلگران «موضوع» است. در عین حال، تحلیلگران ممکن است از وجود مخزن آگاه نباشند. بنابراین، OLAP را بدون اغراق می توان یک ابزار نرم افزاری از زرادخانه یک اقتصاددان نامید، زیرا اقتصاددانی است که با انواع وظایف تحلیلی سروکار دارد: تحلیل بازاریابی، تجزیه و تحلیل فروش، تجزیه و تحلیل شاخص های بودجه، تجزیه و تحلیل صورت های مالی و بسیاری دیگر.

درباره LAP یک ابزار جهانی است. اما در عین حال، دقیقاً جهانی بودن آن است که باعث می شود برای کارهای مالی و اقتصادی خاصی که مستلزم استفاده از روش ها و اصول سازمانی خاص است، کاملاً مناسب نباشد. بنابراین، برنامه های OLAP نمی توانند به عنوان یک جایگزین کامل برای برنامه های کاربردی تحلیلی تخصصی، مانند سیستم های بودجه بندی یا ادغام گزارش های مالی عمل کنند. در اینجا هیچ تناقضی وجود ندارد: یک محصول نرم افزاری که اصول کلی تحلیل اقتصادی را پیاده می کند، به سختی می تواند ادعا کند که کاملاً همه مشکلات خاص را حل می کند. اما، از سوی دیگر، ترکیب OLAP و سیستم های تخصصی است که بیشترین مزیت ها را به اقتصاددان می دهد، زیرا در این مورد توابع، روش ها و الگوریتم های خاص با موفقیت با جهانی بودن پردازش داده های تحلیلی ترکیب می شوند.

به همین دلیل است که ابزارهای OLAP اغلب توسط برنامه های کاربردی تحلیلی مشتری برای ذخیره سازی داده های چند بعدی استفاده می شوند. در اینجا، کاربر از ابزارهای آشنا برای پیاده سازی تکنیک های مدیریتی خاص استفاده می کند، اما داده های پردازش و تجزیه و تحلیل در سرور OLAP ذخیره می شود. یک مثال گویا برنامه ریزی Hyperion - یک سیستم بودجه ریزی، برنامه ریزی و پیش بینی است. عنصر اجباری آن یک پایگاه داده چند بعدی است که برای ذخیره پویاترین اطلاعات در حال تغییر استفاده می شود (فراداده و سایر اطلاعات استاتیک در پایگاه داده رابطه ایداده ها).

بنابراین، یک سیستم OLAP خوش ساخت نقش بسیار مهمی در زندگی یک اقتصاددان ایفا می کند، زیرا می توان از آن برای دسترسی به آخرین اطلاعات و انجام سریع رویه های تحلیلی عمومی استفاده کرد. و کارکردهای مالی پیچیده و جنبه های سازمانی لازم توسط سیستم های تخصصی، دوباره بر اساس داده های OLAP ارائه می شود. همانطور که تجربه شرکت‌های پیشرو (چه بین‌المللی و چه روسی) نشان می‌دهد، فناوری‌های OLAP مقرون‌به‌صرفه هستند و سرمایه‌گذاری در چنین راه‌حل‌هایی نسبتاً سریع جواب می‌دهد.

چشم انداز مدیریت عملکرد تجاری: شروع به کار ابزارهای پرس و جو و گزارش

همانطور که قبلاً اشاره شد، ابزارهای پرس و جو و گزارش (پرس و جو و گزارش گیری انجام شد) عملکردهای ساخت پرس و جوها را به سیستم های اطلاعاتی و تحلیلی، یکپارچه سازی داده ها از چندین منبع، مشاهده داده ها با قابلیت استخراج و تعمیم، ساخت و چاپ کامل ارائه می کنند. گزارش ها، از جمله کیفیت ارائه برخی از محصولات نرم افزاری در این کلاس می توانند توسط کاربران نهایی با حداقل پشتیبانی از بخش فناوری اطلاعات استفاده شوند، در حالی که برخی دیگر نیاز به برنامه نویسی دارند و توسط تکنسین ها پیکربندی می شوند.

نمایندگان معمولی سیستم های این کلاس، محصولات نرم افزاری Hyperion Corporation هستند که در خانواده Hyperion Performance Suite متحد شده اند.

Hyperion Performance Suite مجموعه ای از ابزارهای پرس و جو، تحلیل، گزارش و تحویل برنامه ریزی شده در سراسر سازمان است. این محصولات نرم‌افزاری از زمانی که Hyperion در سال 2003 نرم‌افزار Brio را خریداری کرد، بخشی از مجموعه Hyperion BI بودند، شرکتی که در بازار هوش تجاری به دلیل راه‌حل‌های کارآمد و آسان برای استفاده خود شناخته شده است. پیش از این، برای چندین سال، Hyperion و Brio به عنوان شرکای فناوری از نزدیک با یکدیگر همکاری داشتند، بنابراین ترکیب پیشرفت های آنها خط منحصر به فردی را ایجاد کرده است که در آن راه حل های Hyperion (سیستم Hyperion Essbase OLAP و برنامه های تحلیلی - برنامه ریزی Hyperion، مدیریت مالی Hyperion و دیگران) معلوم شد که با ابزارهای پرس و جو و گزارش مدرن Brio بهبود یافته است. در نتیجه، هایپریون صاحب قدرتمندترین و کامل ترین خط تولید نرم افزار هوش تجاری در بازار شده است. امروزه، همه این راه حل ها، که توسط بسیاری از شرکت های خارجی قدردانی می شود، در اختیار شرکت های روسی قرار گرفته است.

مجموعه Hyperion Performance شامل دو مورد است محصول نرم افزاری- Hyperion Intelligence و Hyperion SQR.

Hyperion Intelligence یک سیستم مدرن و با کاربری آسان برای ایجاد پرس و جوهای پیچیده است منابع مختلفداده ها، از جمله ERP، CRM، بانکداری و سایر سیستم های تراکنش، و همچنین ارائه این داده ها به شکلی مناسب برای تجزیه و تحلیل. با استفاده از داده های ذخیره شده در سیستم های اطلاعاتی موجود، Hyperion Intelligence به توسعه دهندگان، تحلیلگران و مصرف کنندگان این امکان را می دهد تا داده های خام را به اطلاعات ارزشمندبرای تصمیم گیری قابلیت های تحلیلی این سیستم به متخصصان شرکت اجازه می دهد تا به سرعت فرصت ها و روندهای تجاری را ارزیابی کرده و اعتبار تصمیمات مدیریتی را بهبود بخشند و یک رابط کاربری بصری مبتنی بر فناوری های اینترنتی اطلاعات را در اختیار هر یک از کاربران مجاز قرار می دهد.

سیستم Hyperion SQR است راه حل موثربرای مدیریت جریان های بزرگ گزارش - از نسبتا پیام های سادهبه گزارش های پیچیده سازمانی. Hyperion SQR به توسعه دهندگان این امکان را می دهد تا گزارش های با کیفیت ارائه با هر پیچیدگی تولید کنند و سپس این گزارش ها را از طریق کاربران نهایی در سراسر سازمان ارائه کنند. Hyperion SQR با پردازش پرس و جوهای پیچیده و تولید گزارش های بصری بر اساس آنها، مجموعه داده ها را به اطلاعات تجاری تبدیل می کند که کارایی کل سازمان را بهبود می بخشد. این سیستم بر روی کار با گزارش‌های تنظیم‌شده، تولید گزارش‌ها مطابق با یک برنامه زمان‌بندی و ارائه اطلاعات به موقع به کارکنان، مشتریان، تامین‌کنندگان و شرکای تجاری متمرکز است. کار با گزارش ها بسیار آسان است: با استفاده از مرورگرهای وب آشنا، کاربران می توانند گزارش ها را مشاهده کنند، آنها را چاپ کنند یا از طریق ایمیل به فرمت های مختلف. این سیستم همچنین طبقه بندی پیام، کنترل نسخه و بایگانی را امکان پذیر می کند، در حالی که یک زبان برنامه نویسی داخلی نسل سوم اجازه می دهد تا Hyperion SQR به عنوان ابزاری برای ساخت ابزارهای استخراج داده، تبدیل و بارگذاری استفاده شود.

خط راه حل های BI Hyperion که با ابزارهای پرس و جو و گزارش قدیمی Brio تکمیل می شود، هم برای متخصصان فناوری اطلاعات و هم برای کاربران نهایی مورد توجه است.

از دیدگاه کاربر نهایی، این است - ابزار مفید، که امکان حل مشکل قبلاً ذکر شده را می دهد که مدیران و متخصصان موضوع اغلب با آن روبرو هستند - مشکل "دیدگاه یکپارچه اطلاعات مدیریت". یادآوری می کنیم که این مشکل در این واقعیت نهفته است که اغلب اطلاعات مدیریتی لازم برای تجزیه و تحلیل و تصمیم گیری در منابع مختلف - سیستم های حسابداری، سیستم های ERP، پایگاه های داده و غیره ذخیره می شود. این امر دستیابی به اطلاعات لازم و ارائه آن را بسیار دشوار می کند. به روشی کاربرپسند: متخصصان مجبورند برای جمع‌آوری و پردازش داده‌ها وقت بگذارند و در معرض خطر تحریف هستند. اطلاعات مدیریتی که از این طریق به دست می آید اغلب الزامات قابلیت اطمینان و ارتباط را برآورده نمی کند که ارزش آن را کاهش می دهد. در این راستا راهکارهای Hyperion BI می توانند جمع آوری اطلاعات را به میزان قابل توجهی ساده و سرعت بخشند، آن ها را یکسان کرده و به شکلی مناسب و بصری ارائه کنند. چنین اطلاعاتی مبنای قابل اعتمادی برای تصمیم گیری های مدیریتی است، در حالی که رویه های معمول به حداقل می رسد و زمان متخصصان برای حل مشکلات تحلیلی آزاد می شود.

از نقطه نظر خدمات فناوری اطلاعات، راه حل های BI Hyperion به دلیل مقیاس پذیری، سهولت پشتیبانی و زبان های داخلی برای گسترش عملکرد نرم افزار متمایز هستند.

فلش های آبی راه هایی هستند که اطلاعات از طریق آن وارد سیستم می شوند، فلش های سبز نحوه استفاده بیشتر از اطلاعات هستند.

1. اطلاعات مربوط به سفارشات در سیستم 1c - نسخه dbf وارد می شود.
2. در حال بارگیری اطلاعات "تبادل خودکار". در واقع، این است مرحله اضافی. داده ها را می توان مستقیماً از پایگاه داده dbf به دست آورد. اما برنامه نویسان 1s تصمیم گرفتند که مکانیسم استاندارد (برای 1s) برای آپلود داده ها آسیب کمتری داشته باشد.
3. یک بار در روز، تغییرات روز گذشته در یک پایگاه داده MsSql - ذخیره سازی که مخصوص آماده شده است، آپلود می شود. همه اطلاعات تخلیه نمی شود، بلکه فقط آنچه برای مکعب ها لازم است.

   اصولاً لازم نیست "ذخیره" بسازید. داده های مکعب را می توان مستقیماً از پایگاه داده 1c (MsSQL یا dbf) به دست آورد. اما در مورد من، داده های دوره های گذشته به صورت دوره ای از 1 ها حذف می شوند و دایرکتوری ها پاک می شوند. علاوه بر این، داده ها قبل از بارگیری در فضای ذخیره سازی کمی "تمیز" می شوند.

4. مکعب دوباره محاسبه می شود - داده ها وارد مکعب می شوند.

اطلاعات ذخیره‌سازی نه تنها توسط مکعب‌ها، بلکه توسط برنامه‌های کاربردی خارجی نیز استفاده می‌شود، به عنوان مثال، این داده‌ها برای محاسبه حقوق، حسابداری پرداخت‌ها و لوازم و برنامه‌ریزی کار یک مدیر مورد نیاز است. در عین حال داده های اینها برنامه های خارجینیز به مکعب می افتند.

کارمندان در دفتر با مکعب کار می کنند - مدیریت، مدیران، بازاریابی، حسابداری. همچنین اطلاعات برای تامین کنندگان و نمایندگان فروش در شهرهای مختلف منطقه ارسال می شود.

هر کاربر می تواند اطلاعات را به روش های مختلف دریافت کند:

1. خودتان در یک صفحه وب یا در اکسل یک گزارش بسازید

   در ابتدا فقط از اکسل استفاده می شد، اما مشکلات زیادی با این واقعیت وجود داشت که فایل های اکسل "پراکنده" بودند، لازم بود برای انتخاب اطلاعات یک "نقطه ورودی" دریافت کنید.
   بنابراین، یک سایت محلی ایجاد شد که صفحاتی را با PivotTable منتشر می کرد. کارمندی که می خواهد چند عدد "اینجا و اکنون" را دریافت کند از این سایت بازدید می کند و گزارشی را به شکل مورد نیاز خود می سازد. اگر شخصی در آینده نیاز به استفاده از این گزارش داشته باشد، می تواند درخواستی بنویسد تا گزارش خود را در SSRS منتشر کند یا خودش در اکسل ذخیره کند.

2. مشاهده یک گزارش استاندارد منتشر شده در SQL Server Reporting Services (SSRS)
3. یک مکعب محلی دریافت کنید - و خارج از دفتر، داده ها را با استفاده از اکسل "چرخش" کنید
4. در خبرنامه مشترک شوید و گزارش های استاندارد از SSRS را از طریق ایمیل دریافت کنید
5. بخش بازاریابی نیز از نرم افزار CubeSlice استفاده می کند. این به شما امکان می دهد مکعب های محلی را به تنهایی ایجاد کنید و بسیار راحت تر از اکسل است

مکعب های محلی

گاهی اوقات کاربر نیاز به دریافت گزارش های دوره ای حاوی مقادیر زیادی داده دارد. به عنوان مثال، بخش بازاریابی گزارش هایی را در قالب فایل های اکسل حاوی چندین ده صفحه برای تامین کنندگان ارسال می کرد.
Olap برای به دست آوردن چنین اطلاعاتی "تیز" نیست - گزارش ها برای مدت بسیار طولانی تولید شده اند.

به عنوان یک قاعده، کار با گزارش های بزرگ برای تامین کننده نیز ناخوشایند است. بنابراین، اکثریت، با تلاش برای کار با مکعب های محلی، موافقت کردند که گزارش در این فرم را دریافت کنند. لیست گزارش های تولید شده توسط بخش بازاریابی به میزان قابل توجهی کاهش یافته است. گزارش‌های سنگین باقی‌مانده در SSRS پیاده‌سازی شدند، اشتراک‌ها ایجاد شدند (گزارش‌ها به‌طور خودکار تولید می‌شوند و براساس یک برنامه برای تامین‌کنندگان ارسال می‌شوند)

پارامترهای اصلی سیستم

پیکربندی سرور:

پردازنده: 2xAMD Opteron 280
حافظه: 4 گیگ
آرایه های دیسک:
سیستم عامل: RAID 1 (Mirror) 2xSCSI 15k
داده: RAID 0+1 4xSCSI 10k

موافقم، چنین ماشینی را به سختی می توان سرور "قدرتمند" نامید

حجم داده:

10 گیگابایت حافظه، داده از سال 2002
تجمع 30%
سایز پایه چند بعدی 350M
تعداد اعضای "ابعاد بزرگ": کالا 25 هزار، آدرس - 20 هزار.
تعداد اسناد در روز - 400. میانگین تعداد خطوط در هر سند - 30

آنچه شرکت در نتیجه دریافت کرد:

طرفداران

• برای مدیریت شرکت

  به شما امکان می دهد "از بالا" به وضعیت نگاه کنید تا الگوهای کلی توسعه تجارت را شناسایی کنید.
  این به ردیابی پویایی تغییرات در شاخص های اصلی عملکرد سازمان به عنوان یک کل کمک می کند و به سرعت شاخص های عملکرد کار زیردستان را ارزیابی می کند.

• برای مدیر

  توانایی به دست آوردن مستقل و در زمان کوتاه اطلاعات لازم برای تصمیم گیری.
  سهولت کار. همه اقدامات شهودی هستند

• برای تامین کنندگان

  امکان کار تعاملی با اطلاعات

• از دیدگاه یک متخصص فناوری اطلاعات

  کاهش کار روتین کاربر بیشتر گزارش ها را به تنهایی دریافت می کند.

معایب:

• هزینه اجرا ضروری است تجهیزات اختیاریو نرم افزار
• فقدان متخصصان آموزش دیده هزینه آموزش کارکنان بخش فناوری اطلاعات.

4. طبقه بندی محصولات OLAP.

5. اصول عملکرد مشتریان OLAP.

7. حوزه های کاربرد فن آوری های OLAP.

8. نمونه ای از استفاده از فناوری های OLAP برای تحلیل در زمینه فروش.

1. جایگاه OLAP در ساختار اطلاعات شرکت.

اصطلاح "OLAP" به طور جدایی ناپذیر با اصطلاح "انبار داده" (Data Warehouse) پیوند خورده است.

داده‌های ذخیره‌سازی از سیستم‌های عملیاتی (سیستم‌های OLTP) می‌آیند که برای خودکارسازی فرآیندهای تجاری طراحی شده‌اند. علاوه بر این، ذخیره سازی را می توان دوباره پر کرد منابع خارجیمانند گزارش های آماری.

وظیفه مخزن ارائه "مواد خام" برای تجزیه و تحلیل در یک مکان و در یک ساختار ساده و قابل درک است.

دلیل دیگری وجود دارد که ظاهر یک مخزن جداگانه را توجیه می کند - پرس و جوهای تحلیلی پیچیده برای اطلاعات عملیاتی کند می شوند. کار جاریشرکت ها، جداول را برای مدت طولانی مسدود می کنند و منابع سرور را جذب می کنند.

در زیر ذخیره سازی می توان درک کرد که لزوماً یک انباشت غول پیکر از داده ها نیست - نکته اصلی این است که برای تجزیه و تحلیل راحت باشد.

تمرکز و ساختار راحت با تمام نیازهای یک تحلیلگر فاصله دارد. از این گذشته ، او هنوز به ابزاری برای مشاهده ، تجسم اطلاعات نیاز دارد. گزارش های سنتی، حتی بر اساس یک مخزن ساخته شده اند، فاقد یک چیز هستند - انعطاف پذیری. آنها را نمی توان "پیچان"، "بسط" یا "جمع کرد" تا نمای مورد نظر از داده ها را بدست آورد. ای کاش او چنین ابزاری داشت که به او اجازه می داد داده ها را به سادگی و به راحتی بسط و جمع کند! OLAP یکی از این ابزارهاست.

اگرچه OLAP یک ویژگی ضروری یک انبار داده نیست، اما به طور فزاینده ای برای تجزیه و تحلیل اطلاعات انباشته شده در این انبار داده استفاده می شود.

جایگاه OLAP در ساختار اطلاعات شرکت (شکل 1).

تصویر 1. محلOLAP در ساختار اطلاعاتی شرکت

داده‌های عملیاتی از منابع مختلف جمع‌آوری می‌شوند، پاکسازی می‌شوند، یکپارچه می‌شوند و در یک فروشگاه رابطه‌ای قرار می‌گیرند. در عین حال، آنها در حال حاضر برای تجزیه و تحلیل با استفاده از ابزارهای گزارش دهی مختلف در دسترس هستند. سپس داده ها (به طور کامل یا جزئی) برای تجزیه و تحلیل OLAP آماده می شوند. آنها را می توان در یک پایگاه داده ویژه OLAP بارگذاری کرد یا در یک فروشگاه رابطه ای رها کرد. مهمترین عنصر آن ابرداده است، یعنی اطلاعاتی در مورد ساختار، قرارگیری و تبدیل داده ها. با تشکر از آنها، تعامل موثر اجزای مختلف ذخیره سازی تضمین می شود.

به طور خلاصه، ما می توانیم OLAP را به عنوان مجموعه ای از ابزارها برای تجزیه و تحلیل چند بعدی داده های انباشته شده در یک انبار تعریف کنیم.

2. عملیاتی پردازش تحلیلیداده ها.

مفهوم OLAP بر اساس اصل نمایش داده های چند بعدی است. در سال 1993، E. F. Codd کاستی ها را در نظر گرفت مدل رابطه ایابتدا به عدم امکان «ترکیب، مشاهده و تجزیه و تحلیل داده ها در ابعاد چندگانه، یعنی به بهترین شکل برای تحلیلگران شرکتی» اشاره کرد و الزامات کلی تعریف کرد. سیستم های OLAPکه کارایی DBMS رابطه ای را گسترش می دهد و یکی از ویژگی های آن تحلیل چند بعدی است.

به گفته کاد، یک دیدگاه مفهومی چند بعدی از داده ها یک دیدگاه چندگانه است که از چندین بعد مستقل تشکیل شده است که در امتداد آنها مجموعه های خاصی از داده ها قابل تجزیه و تحلیل هستند.

تحلیل همزمان در ابعاد چندگانه به عنوان تحلیل چند متغیره تعریف می شود. هر بعد شامل جهت‌هایی برای تجمیع داده‌ها است که شامل یک سری سطوح متوالی تعمیم است که در آن هر سطح بالاتر با درجه بیشتری از تجمیع داده‌ها برای بعد مربوطه مطابقت دارد.

بنابراین، بعد پیمانکار را می توان با جهت ادغام، متشکل از سطوح تعمیم "شرکت - بخش - بخش - کارمند" تعیین کرد. بعد زمان حتی می تواند شامل دو جهت تثبیت شود - "سال - ربع - ماه - روز" و "هفته - روز"، زیرا شمارش زمان بر اساس ماه و هفته سازگار نیست. در این صورت امکان انتخاب دلخواه سطح جزئیات اطلاعات مورد نظر برای هر یک از اندازه گیری ها وجود دارد.

عملیات فرود (حفاری پایین) مربوط به حرکت از سطوح بالاتر تحکیم به سطوح پایین تر است. برعکس، عملیات بلند کردن (غلت کردن) به معنای حرکت از سطوح پایین تر به سطوح بالاتر است (شکل 2).

شکل 2.ابعاد و جهت ادغام داده ها

3. الزامات برای ابزار پردازش تحلیلی عملیاتی.

رویکرد چند بعدی تقریباً به طور همزمان و به موازات رویکرد رابطه ای پدید آمد. با این حال، فقط از اواسط دهه نود، یا بهتر است بگوییم از
1993، علاقه به MDBMSشروع به عمومی شدن کرد امسال، جدید مقاله برنامهیکی از بنیانگذاران رویکرد رابطه ای E. Codda، که در آن 12 الزام اساسی برای ابزار اجرا تدوین کرد OLAP(میز 1).

میز 1.

	نمای داده چند بعدی	ابزارها باید از دید چند بعدی داده ها در سطح مفهومی پشتیبانی کنند.
	شفافیت	کاربر نیازی ندارد بداند که از چه ابزار خاصی برای ذخیره و پردازش داده ها استفاده می شود، داده ها چگونه سازماندهی شده اند و از کجا می آیند.
	دسترسی	ابزارها باید بهترین ها را انتخاب کرده و با آنها ارتباط برقرار کنند تا به آن پاسخ دهند درخواست داده شدهمنبع اطلاعات. ابزارها باید نمایش خودکار خود را ارائه دهند نمودار منطقیبه منابع مختلف داده ناهمگن
	عملکرد ثابت	عملکرد باید عملاً مستقل از تعداد ابعاد در پرس و جو باشد.
	پشتیبانی از معماری مشتری-سرور	ابزارها باید در معماری مشتری-سرور کار کنند.
	برابری در همه ابعاد	هیچ یک از ابعاد نباید پایه باشد، همه آنها باید برابر (متقارن) باشند.
	پردازش پویاماتریس های پراکنده	مقادیر تهی باید به کارآمدترین روش ذخیره و مدیریت شوند.
	پشتیبانی از حالت چند کاربره کار با داده ها	ابزارها باید به بیش از یک کاربر اجازه کار بدهند.
	پشتیبانی از عملیات بر اساس اندازه گیری های مختلف	تمام عملیات چند بعدی (مثلاً تجمع) باید به طور یکنواخت و پیوسته برای هر تعداد از ابعاد اعمال شود.
	سهولت دستکاری داده ها	ابزارها باید راحت ترین، طبیعی ترین و راحت ترین رابط کاربری را داشته باشند.
	ابزارهای پیشرفته ارائه داده ها	صندوق ها باید حمایت کنند راه های مختلفتجسم (بازنمایی) داده ها.
	تعداد نامحدود ابعاد و سطوح تجمیع داده ها	نباید محدودیتی در تعداد ابعاد پشتیبانی شده وجود داشته باشد.

قوانین ارزیابی محصولات نرم افزاری کلاس OLAP

مجموعه ای از این الزامات که به عنوان تعریف واقعی OLAP عمل می کند باید به عنوان توصیه در نظر گرفته شود و محصولات منفرد باید بر اساس درجه تقریب به انطباق کامل ایده آل با همه الزامات قضاوت شوند.

بعداً، تعریف Codd به‌اصطلاح آزمون FASMI بازنگری شد و نیاز داشت که یک برنامه کاربردی OLAP توانایی تجزیه و تحلیل سریع اطلاعات چند بعدی مشترک را ارائه دهد.

یادآوری 12 قانون کاد برای اکثر مردم بسیار سخت است. معلوم شد که می توان تعریف OLAP را تنها با پنج خلاصه کرد کلید واژه ها: تجزیه و تحلیل سریع اطلاعات چند بعدی مشترک - یا به طور خلاصه - FASMI (ترجمه شده از انگلیسی:اف ast آ تجزیه و تحلیل اس به اشتراک گذاشته شده است م فوق بعدی من اطلاعات).

این تعریف برای اولین بار در اوایل سال 1995 تدوین شد و از آن زمان به تجدید نظر نیازی نداشت.

سریع ( سریع) - به این معنی است که سیستم باید اکثر پاسخ ها را در عرض تقریباً پنج ثانیه به کاربران ارائه دهد. در عین حال، بیشترین درخواست های سادهدر عرض یک ثانیه و بسیار کمی - بیش از 20 ثانیه پردازش می شوند. تحقیقات نشان داده است که کاربران نهایی در صورت عدم دریافت نتایج پس از 30 ثانیه، فرآیندی را با شکست مواجه می‌کنند.

در نگاه اول، ممکن است تعجب برانگیز به نظر برسد که هنگام دریافت گزارش در یک دقیقه، که چندی پیش روزها طول کشید، کاربر به سرعت در حین انتظار خسته می شود و پروژه بسیار کمتر از یک مورد موفق عمل می کند. پاسخ فوری، حتی به قیمت تجزیه و تحلیل کمتر.

آنالیز (تحلیل)به این معنی که سیستم می تواند هر گونه تحلیل منطقی و آماری خاص را انجام دهد این نرم افزار، و حفظ آن را به شکلی که برای کاربر نهایی در دسترس باشد تضمین می کند.

مهم نیست که این تجزیه و تحلیل در ابزارهای خود فروشنده انجام شود یا در یک محصول نرم افزاری خارجی مرتبط مانند صفحه گسترده، فقط این است که تمام عملکردهای تجزیه و تحلیل مورد نیاز باید به روشی بصری برای کاربران نهایی ارائه شود. ابزار تجزیه و تحلیل می تواند شامل رویه های خاصی مانند تجزیه و تحلیل سری های زمانی، تخصیص هزینه، انتقال ارز، جستجوی هدف، تغییر ساختارهای چند بعدی، مدل سازی غیر رویه ای، تشخیص استثنا، استخراج داده ها و سایر عملیات های خاص برنامه باشد. بسته به جهت گیری هدف، چنین قابلیت هایی در بین محصولات بسیار متفاوت است.

به اشتراک گذاشته شده (به اشتراک گذاشته شده) به این معنی که سیستم تمام الزامات حفاظت از محرمانگی (شاید تا سطح سلول) را اعمال می کند و اگر دسترسی چندگانه به نوشتن مورد نیاز باشد، قفل اصلاح را در سطح مناسب اعمال می کند. همه برنامه ها نیاز ندارند جواب دادنداده ها. با این حال، تعداد چنین برنامه هایی در حال افزایش است و سیستم باید بتواند تغییرات متعدد را به موقع و ایمن انجام دهد.

چند بعدی - این یک نیاز کلیدی است. اگر بخواهیم OLAP را در یک کلمه تعریف کنیم، آن را انتخاب می کنیم. این سیستم باید یک نمایش مفهومی چند بعدی از داده ها، از جمله پشتیبانی کامل از سلسله مراتب و سلسله مراتب چندگانه را ارائه دهد، زیرا این قطعاً منطقی ترین راه برای تجزیه و تحلیل کسب و کار و سازمان ها است. حداقل تعداد ابعادی وجود ندارد که باید پردازش شوند زیرا به کاربرد نیز بستگی دارد و اکثر محصولات OLAP ابعاد کافی برای بازارهای مورد نظر خود دارند.

اطلاعات -همه اطلاعات لازمباید در جایی که لازم است تهیه شود. با این حال، خیلی به برنامه بستگی دارد. قدرت محصولات مختلف بر حسب میزان ورودی آنها اندازه گیری می شود، نه اینکه چند گیگابایت می توانند ذخیره کنند. قدرت محصولات بسیار متفاوت است - بزرگترین محصولات OLAP می توانند روی آنها کار کنند حداقل، هزار بار بیشتر از کوچکترین داده. فاکتورهای زیادی در این زمینه وجود دارد که از جمله می توان به کپی شدن داده ها، رم مورد نیاز، استفاده از آن اشاره کرد فضای دیسک، شاخص های عملیاتی، ادغام با انبارهای اطلاعات و غیره.

آزمون FASMI یک تعریف معقول و قابل درک از اهدافی است که OLAP بر آن متمرکز است.

4. طبقه بندیOLAP- محصولات

بنابراین، جوهر OLAP در این واقعیت نهفته است که اطلاعات اولیه برای تجزیه و تحلیل در قالب یک مکعب چند بعدی ارائه می شود و امکان دستکاری خودسرانه آن و به دست آوردن بخش های اطلاعات - گزارش های لازم وجود دارد. در عین حال، کاربر نهایی مکعب را به عنوان یک جدول پویا چند بعدی می بیند که به طور خودکار داده ها (واقعیت ها) را در بخش های مختلف (ابعاد) خلاصه می کند و به شما امکان می دهد محاسبات و فرم گزارش را به صورت تعاملی مدیریت کنید. این عملیات انجام می شود OLAP ماشین (یا ماشینمحاسبات OLAP).

تا به امروز محصولات زیادی در دنیا ساخته شده است که پیاده سازی می کنند OLAP -فن آوری. برای سهولت در پیمایش در میان آنها، از طبقه بندی استفاده کنید OLAP محصولات: از طریق ذخیره داده ها برای تجزیه و تحلیل و بر اساس مکان OLAP -ماشین ها. بیایید نگاهی دقیق تر به هر دسته بیندازیم.محصولات OLAP

طبقه بندی بر اساس روش ذخیره سازی داده ها

مکعب های چند بعدی بر اساس منبع و داده های کل ساخته می شوند. هم داده های منبع و هم داده های جمعی برای مکعب ها را می توان در هر دو حالت رابطه ای و رابطه ای ذخیره کرد پایه های چند بعدیداده ها. بنابراین، در حال حاضر سه راه برای ذخیره داده ها وجود دارد: MOLAP (OLAP چند بعدی)، ROLAP (OLAP رابطه‌ای) و HOLAP (OLAP ترکیبی) ). به ترتیب، OLAP -محصولات با توجه به روش ذخیره سازی داده ها به سه دسته مشابه تقسیم می شوند:

1. در مورد MOLAP ، داده های منبع و جمع در یک پایگاه داده چند بعدی یا در یک مکعب محلی چند بعدی ذخیره می شوند.

2. در ROLAP -محصولات، داده های منبع در پایگاه داده های رابطه ای یا در جداول محلی مسطح در سرور فایل ذخیره می شوند. داده های انبوه را می توان در جداول سرویس در همان پایگاه داده قرار داد. تبدیل داده ها از یک پایگاه داده رابطه ای به مکعب های چند بعدی در صورت درخواست انجام می شودابزارهای OLAP

3. در صورت استفاده HOLAP معماری، داده های منبع در پایگاه داده رابطه ای باقی می ماند، در حالی که تجمیع ها در پایگاه داده چند بعدی قرار می گیرند. ساختمان OLAP مکعب در صورت درخواست انجام می شود OLAP ابزارهای مبتنی بر داده های رابطه ای و چند بعدی.

طبقه بندی مکان OLAP-ماشین ها.

بر این اساس OLAP -محصولات به دو دسته تقسیم می شوندسرورهای OLAP و مشتریان OLAP:

· در سرور OLAP -وسیله محاسبه و ذخیره سازی داده های انبوه توسط یک فرآیند جداگانه - سرور انجام می شود. درخواست مشتریفقط نتایج پرس و جوها را در برابر مکعب های چند بعدی که در سرور ذخیره می شوند دریافت می کند. مقداری OLAP -سرورها از ذخیره سازی داده ها فقط در پایگاه داده های رابطه ای پشتیبانی می کنند، برخی از آنها فقط در پایگاه های چند بعدی. بسیاری از مدرن OLAP -سرورها از هر سه روش ذخیره سازی داده ها پشتیبانی می کنند:MOLAP، ROLAP و HOLAP.

MOLAP.

MOLAP است پردازش تحلیلی چند بعدی روی خط،یعنی OLAP چند بعدی.این بدان معنی است که سرور از یک پایگاه داده چند بعدی (MBD) برای ذخیره داده ها استفاده می کند. معنای استفاده از MDB واضح است. این می تواند داده هایی را که ماهیت چند بعدی دارند، به طور کارآمد ذخیره کند و ابزاری برای سرویس دهی سریع پرس و جوهای پایگاه داده فراهم کند. داده ها از منبع داده به پایگاه داده چند بعدی منتقل می شوند و سپس پایگاه داده تجمیع می شود. پیش محاسبه چیزی است که پرس و جوهای OLAP را سرعت می بخشد زیرا داده های خلاصه قبلاً محاسبه شده اند. زمان پرس و جو صرفاً تابعی از زمان مورد نیاز برای دسترسی به یک قطعه خاص از داده و انجام یک محاسبه است. این روش از این مفهوم پشتیبانی می کند که کار یک بار انجام می شود و نتایج دوباره و دوباره استفاده می شوند. پایگاه داده های چند بعدی یک فناوری نسبتا جدید هستند. استفاده از MDB همان اشکالات بسیاری از فناوری های جدید را دارد. یعنی، آنها به اندازه پایگاه های داده رابطه ای (RDB) پایدار نیستند و به همان میزان بهینه سازی نشده اند. دیگر ضعف MDB در عدم توانایی استفاده از اکثر پایگاه های داده چند بعدی در فرآیند تجمیع داده ها نهفته است، بنابراین زمان می برد تا اطلاعات جدیدبرای تجزیه و تحلیل در دسترس قرار گرفت.

ROLAP.

ROLAP است پردازش تحلیلی روی خط رابطه ای،یعنی OLAP رابطه ای.اصطلاح ROLAP به این معنی است که سرور OLAP بر اساس یک پایگاه داده رابطه ای است. داده‌های منبع در یک پایگاه‌داده رابطه‌ای، معمولاً در یک طرحواره ستاره‌ای یا دانه‌های برف، وارد می‌شوند تا به کاهش زمان بازیابی کمک کنند. سرور یک مدل داده چند بعدی را با استفاده از پرس و جوهای SQL بهینه ارائه می دهد.

دلایل مختلفی برای انتخاب یک پایگاه داده رابطه ای به یک پایگاه داده چند بعدی وجود دارد. RDB یک فناوری جاافتاده با فرصت های زیادی برای بهینه سازی است. استفاده در شرایط واقعیمنجر به یک محصول دقیق تر شد. علاوه بر این، RDB ها از حجم بیشتری از داده ها نسبت به MDB ها پشتیبانی می کنند. آنها فقط برای چنین حجم هایی طراحی شده اند. بحث اصلی در برابر RDB ها پیچیدگی پرس و جوهای مورد نیاز برای بازیابی اطلاعات از یک پایگاه داده بزرگ با استفاده از SQL است. یک برنامه نویس بی تجربه SQL می تواند به راحتی منابع ارزشمند سیستم را با تلاش برای اجرای برخی از این پرس و جوها، که انجام آن در MDB بسیار ساده تر است، بار کند.

داده های انباشته/پیش انباشته شده.

اجرای سریع پرس و جو برای OLAP ضروری است. این یکی از اصول اساسی OLAP - توانایی دستکاری شهودی داده ها نیاز دارد استخراج سریعاطلاعات به طور کلی، هر چه محاسبات بیشتری برای بدست آوردن یک اطلاعات انجام شود، سرعت پاسخ دهی کمتر می شود. بنابراین، به منظور صرفه جویی در زمان اجرای پرس و جو، بخش هایی از اطلاعات که معمولاً اغلب به آنها دسترسی پیدا می کنند، اما در همان زمان نیاز به محاسبه دارند، از قبل جمع آوری می شوند. یعنی شمارش می شوند و سپس به عنوان داده های جدید در پایگاه داده ذخیره می شوند. نمونه ای از نوع داده هایی که می توان از قبل محاسبه کرد، داده های خلاصه است، مانند ارقام فروش ماهانه، فصلی یا سالانه، که داده های واقعی وارد شده برای آنها ارقام روزانه است.

فروشندگان مختلف روش های متفاوتی برای انتخاب پارامترها دارند که نیاز به پیش تجمع و تعدادی مقادیر از پیش محاسبه شده دارند. رویکرد تجمیع هم بر پایگاه داده و هم بر زمان اجرای کوئری ها تأثیر می گذارد. اگر محاسبه شود مقادیر بیشتر، احتمال اینکه کاربر یک مقدار محاسبه شده از قبل را درخواست کند افزایش می یابد و بنابراین زمان پاسخ کاهش می یابد زیرا نیازی به درخواست مقدار اولیه برای محاسبه نخواهد بود. با این حال، اگر همه مقادیر ممکن را محاسبه کنیم، اینطور نیست بهترین راه حل- در این صورت حجم پایگاه داده به میزان قابل توجهی افزایش می یابد که آن را غیرقابل مدیریت می کند و زمان تجمیع بیش از حد طولانی می شود. علاوه بر این، زمانی که پایگاه داده اضافه می شود مقادیر عددی، یا در صورت تغییر، این اطلاعات باید در مقادیر از پیش محاسبه شده که به داده های جدید بستگی دارد منعکس شود. بنابراین، به روز رسانی پایگاه داده نیز می تواند مدت زیادی طول بکشد تعداد زیادیمقادیر از پیش محاسبه شده از آنجایی که پایگاه داده معمولاً در حین تجمیع به صورت آفلاین کار می کند، مطلوب است که زمان تجمیع خیلی طولانی نباشد.

OLAP کلاینت به طور متفاوتی پیکربندی شده است. ساخت مکعب چند بعدی و OLAP -محاسبات در حافظه کامپیوتر مشتری انجام می شود.OLAP -مشتریان نیز به دو دسته تقسیم می شوند ROLAP و MOLAP.و برخی ممکن است از هر دو گزینه دسترسی به داده پشتیبانی کنند.

هر یک از این رویکردها مزایا و معایب خود را دارند. برخلاف تصور رایج در مورد مزایای ابزارهای سرور نسبت به ابزارهای سرویس گیرنده، در تعدادی از موارد استفاده از OLAP - استفاده از مشتری برای کاربران می تواند کارآمدتر و سودآورتر باشدسرورهای OLAP

توسعه برنامه های کاربردی تحلیلی با استفاده از ابزارهای OLAP مشتری یک فرآیند سریع است و نیازی به آموزش خاصی از مجری ندارد. کاربری که پیاده سازی فیزیکی پایگاه داده را می داند می تواند به تنهایی یک برنامه تحلیلی را بدون دخالت متخصص فناوری اطلاعات توسعه دهد.

هنگام استفاده از یک سرور OLAP، باید 2 سیستم مختلف را یاد بگیرید، گاهی اوقات از فروشندگان مختلف، برای ایجاد مکعب در سرور، و توسعه یک برنامه مشتری.

مشتری OLAP یک رابط بصری واحد برای توصیف مکعب ها و سفارشی کردن رابط های کاربری برای آنها فراهم می کند.

بنابراین، در چه مواردی استفاده از کلاینت OLAP برای کاربران می تواند کارآمدتر و سودمندتر از استفاده از سرور OLAP باشد؟

· امکان سنجی اقتصادی کاربرد OLAP - سرور زمانی اتفاق می افتد که حجم داده ها بسیار زیاد و غیر قابل تحمل باشد OLAP -مشتری، در غیر این صورت استفاده از دومی موجه تر است. در این مورد OLAP -مشتری ویژگی های عملکرد بالا و هزینه کم را ترکیب می کند.

· رایانه های شخصی تحلیلگر قدرتمند استدلال دیگری است که به نفع آن است OLAP -مشتریان هنگامی که اعمال می شود OLAP -سرور از این ظرفیت ها استفاده نمی شود.

سایر مزایای مشتریان OLAP عبارتند از:

· هزینه های اجرا و نگهداری OLAP -مشتری به طور قابل توجهی کمتر از هزینه استسرور OLAP.

· استفاده كردن OLAP -کلاینت با ماشین داخلی انتقال داده از طریق شبکه یک بار انجام می شود. درحین انجام OLAP - عملیات جریان های داده جدید تولید نمی شود.

5. اصول عملیاتی OLAP-مشتریان

فرآیند ایجاد یک برنامه OLAP با استفاده از ابزار مشتری را در نظر بگیرید (شکل 1).

تصویر 1.با استفاده از ابزار ROLAP Client Tool یک برنامه OLAP ایجاد کنید

اصل عملکرد مشتریان ROLAP یک توصیف اولیه از لایه معنایی است که ساختار فیزیکی داده های منبع در پشت آن پنهان است. در این مورد، منابع داده می توانند عبارتند از: جداول محلی، RDBMS. لیست منابع داده پشتیبانی شده توسط محصول نرم افزاری خاص تعیین می شود. پس از آن، کاربر می تواند به طور مستقل اشیاء قابل درک برای او را از نظر دستکاری کند موضوعبرای ایجاد مکعب و رابط های تحلیلی.

اصل عملکرد مشتری سرور OLAP متفاوت است. در سرور OLAP، هنگام ایجاد مکعب، کاربر توضیحات فیزیکی پایگاه داده را دستکاری می کند. این باعث ایجاد توضیحات سفارشی در خود مکعب می شود. مشتری سرور OLAP فقط برای مکعب پیکربندی شده است.

هنگام ایجاد یک لایه معنایی، منابع داده - جداول فروش و معامله - به روشی قابل درک توصیف می شوند. کاربر نهاییشرایط و تبدیل به "محصولات" و "تعاملات". فیلد "ID" از جدول "محصولات" به "کد" و "نام" - به "محصول" و غیره تغییر نام داده می شود.

سپس یک شیء تجاری فروش ایجاد می شود. یک شی تجاری یک میز صاف است که بر اساس آن یک مکعب چند بعدی تشکیل می شود. هنگام ایجاد یک شی تجاری، جداول "محصولات" و "تعاملات" با فیلد "کد" محصول ترکیب می شوند.از آنجایی که نیازی به نمایش تمام فیلدهای جداول در گزارش نخواهد بود، شی کسب و کار فقط از فیلدهای "Item"، "Date" و "Amount" استفاده می کند.

در مثال ما، بر اساس شی تجاری "فروش"، گزارشی در مورد فروش کالاها بر اساس ماه ایجاد شد.

هنگام کار با یک گزارش تعاملی، کاربر می تواند شرایط فیلتر و گروه بندی را با همان حرکات ساده ماوس تنظیم کند. در این مرحله، مشتری ROLAP به داده های موجود در حافظه پنهان دسترسی پیدا می کند. کلاینت سرور OLAP یک پرس و جو جدید در پایگاه داده چند بعدی ایجاد می کند. به عنوان مثال با اعمال فیلتر محصول در گزارش فروش می توانید گزارشی از فروش محصولات مورد علاقه ما دریافت کنید.

تمام تنظیمات یک برنامه OLAP را می توان در یک مخزن متادیتا اختصاصی، در یک برنامه کاربردی یا در یک مخزن سیستم پایگاه داده چند بعدی ذخیره کرد.پیاده سازی بستگی به محصول نرم افزاری خاص دارد.

هر چیزی که در این برنامه ها گنجانده شده است یک نمای استاندارد از رابط، توابع و ساختار از پیش تعریف شده و رفع سریعبرای موقعیت های کم و بیش استاندارد. به عنوان مثال، بسته های مالی محبوب هستند. برنامه های مالی از پیش ساخته شده به متخصصان این امکان را می دهد که از ابزارهای مالی آشنا بدون نیاز به طراحی ساختار پایگاه داده یا فرم ها و گزارش های رایج استفاده کنند.

اینترنت است فرم جدیدمشتری. علاوه بر این، مهر فناوری های جدید را نیز به همراه دارد. بسیاری از راه حل های اینترنتیبه طور قابل توجهی در قابلیت های آنها به طور کلی و در کیفیت راه حل OLAP به طور خاص متفاوت است. تولید گزارش های OLAP از طریق اینترنت مزایای زیادی دارد. مهمتر از همه، نیازی به تخصص ندارد نرم افزاربرای دسترسی به اطلاعات این باعث صرفه جویی زیادی در زمان و هزینه شرکت می شود.

6. انتخاب معماری برنامه OLAP.

هنگام پیاده سازی یک سیستم اطلاعاتی-تحلیلی، مهم است که در انتخاب معماری یک برنامه OLAP اشتباه نکنید. ترجمه تحت اللفظی عبارت On-Line Analytical Process - «پردازش تحلیلی آنلاین» - اغلب به معنای واقعی کلمه به این معنا تلقی می شود که داده های وارد شده به سیستم به سرعت تجزیه و تحلیل می شوند. این یک تصور اشتباه است - کارایی تجزیه و تحلیل به هیچ وجه با آن مرتبط نیست به موقعبه روز رسانی داده ها در سیستم این مشخصه به زمان پاسخگویی سیستم OLAP به درخواست های کاربر اشاره دارد. در عین حال، داده های تجزیه و تحلیل شده اغلب یک عکس فوری از اطلاعات "برای دیروز" هستند، اگر برای مثال، داده های موجود در انبارها یک بار در روز به روز شوند.

در این زمینه، ترجمه OLAP به عنوان "پردازش تحلیلی تعاملی" دقیق تر است. این توانایی تجزیه و تحلیل داده ها در حالت تعاملی است که سیستم های OLAP را از سیستم های گزارش دهی تنظیم شده متمایز می کند.

یکی دیگر از ویژگی های پردازش تعاملی در فرمول بندی موسس OLAP، E. Codd، توانایی "ترکیب، مشاهده و تجزیه و تحلیل داده ها در ابعاد چندگانه، یعنی به قابل درک ترین روش برای تحلیلگران شرکتی" است. برای خود کاد، اصطلاح OLAP بیانگر روشی بسیار خاص برای ارائه داده ها در سطح مفهومی است - چند بعدی. در سطح فیزیکی، داده‌ها را می‌توان در پایگاه‌های داده رابطه‌ای ذخیره کرد، اما در واقع، ابزارهای OLAP تمایل دارند با پایگاه‌های داده چند بعدی که در آن داده‌ها به شکل یک ابر مکعب سازماندهی شده‌اند، کار کنند (شکل 1).

تصویر 1. OLAP- مکعب (هایپر مکعب، متاکوب)

در همان زمان، ارتباط این داده ها با لحظه ای که هایپرمکعب با داده های جدید پر می شود تعیین می شود.

بدیهی است که زمان تشکیل یک پایگاه داده چند بعدی به میزان قابل توجهی به میزان داده های بارگذاری شده در آن بستگی دارد، بنابراین منطقی است که این مقدار را محدود کنیم. اما چگونه نمی توان امکانات تحلیل را محدود کرد و کاربر را از دسترسی به تمام اطلاعات مورد علاقه محروم کرد؟ دو مسیر جایگزین وجود دارد: تجزیه و تحلیل سپس پرس و جو («ابتدا تجزیه و تحلیل - سپس اطلاعات اضافی درخواست کنید») و پرس و جو سپس تجزیه و تحلیل («ابتدا داده ها را جستجو کنید - سپس تجزیه و تحلیل کنید»).

پیروان مسیر اول بارگذاری اطلاعات عمومی را در یک پایگاه داده چند بعدی پیشنهاد می کنند، به عنوان مثال، نتایج ماهانه، فصلی، سالانه برای بخش ها. و اگر نیاز به اصلاح داده ها باشد، از کاربر خواسته می شود تا گزارشی را در پایگاه داده رابطه ای حاوی انتخاب مورد نیاز تولید کند، به عنوان مثال، بر اساس روز برای یک بخش معین یا بر اساس ماه ها و کارمندان یک بخش انتخابی.

طرفداران راه دوم، برعکس، پیشنهاد می کنند که کاربر، اول از همه، در مورد داده هایی که قرار است تجزیه و تحلیل کند تصمیم بگیرد و آن را در یک میکرو مکعب بارگذاری کند - یک پایگاه داده چند بعدی کوچک. هر دو رویکرد در سطح مفهومی متفاوت هستند و مزایا و معایب خود را دارند.

از مزایای رویکرد دوم می توان به "تازه بودن" اطلاعاتی اشاره کرد که کاربر در قالب یک گزارش چند بعدی - "میکرو مکعب" دریافت می کند. ریزمکعب بر اساس اطلاعاتی که فقط از پایگاه داده رابطه ای واقعی درخواست شده است، تشکیل می شود. کار با یک میکرو مکعب در حالت تعاملی انجام می شود - به دست آوردن برش هایی از اطلاعات و جزئیات آن در چارچوب یک میکرو مکعب فوراً انجام می شود. دیگر لحظه مثبتاین است که طراحی ساختار و پر کردن ریزمکعب توسط کاربر "در حال پرواز" و بدون مشارکت مدیر پایگاه داده انجام می شود. با این حال، این رویکرد نیز از کاستی های جدی رنج می برد. کاربر تصویر بزرگ را نمی بیند و باید از قبل در مورد جهت تحقیق خود تصمیم بگیرد. در غیر این صورت، ریز مکعب درخواستی ممکن است خیلی کوچک باشد و تمام داده های مورد علاقه را در خود نداشته باشد و کاربر باید یک میکرو مکعب جدید، سپس یک میکرو مکعب جدید، سپس دیگری و دیگری درخواست کند. سپس رویکرد تحلیل Query ابزار BusinessObjects همان شرکت را پیاده سازی می کند و ابزارپلت فرم شرکت Contourاینترسافتآزمایشگاه.

با رویکرد Analyze then query، مقدار داده های بارگذاری شده در یک پایگاه داده چند بعدی می تواند بسیار زیاد باشد، پر کردن باید طبق قوانین انجام شود و زمان زیادی می برد. با این حال، زمانی که کاربر تقریباً به تمام داده های لازم در هر ترکیبی دسترسی داشته باشد، همه این کاستی ها بعداً جبران می شود. ارجاع به داده های اصلی در پایگاه داده رابطه ای تنها به عنوان آخرین راه حل انجام می شود، زمانی که به اطلاعات دقیق، به عنوان مثال، در یک فاکتور خاص نیاز است.

عملکرد یک پایگاه داده چند بعدی عملاً تحت تأثیر تعداد کاربرانی که به آن دسترسی دارند، نمی باشد. آن‌ها فقط داده‌های موجود در آنجا را می‌خوانند، برخلاف رویکرد Query سپس تجزیه و تحلیل، که در آن تعداد ریزمکعب‌ها در حالت محدود می‌تواند به همان میزان تعداد کاربران رشد کند.

با این رویکرد، بار روی خدمات فناوری اطلاعات افزایش می‌یابد که علاوه بر رابطه‌ای، مجبور به ارائه پایگاه‌های اطلاعاتی چند بعدی نیز می‌شوند.این سرویس ها هستند که مسئول به روز رسانی خودکار به موقع داده ها در پایگاه های داده چند بعدی هستند.

برجسته ترین نمایندگان رویکرد «تجزیه و تحلیل سپس پرس و جو» ابزارهای PowerPlay و Impromptu Cognos هستند.

انتخاب هر دو رویکرد و ابزاری که آن را اجرا می کند در درجه اول به هدف دنبال شده بستگی دارد: شما همیشه باید بین صرفه جویی در بودجه و بهبود کیفیت خدمات کاربر نهایی تعادل برقرار کنید. در عین حال باید در نظر داشت که در برنامه راهبردی ایجاد سیستم های اطلاعاتی و تحلیلی هدف دستیابی به مزیت رقابتی و عدم اجتناب از هزینه اتوماسیون را دنبال می کند. به عنوان مثال یک سیستم اطلاعاتی و تحلیلی شرکتی می تواند اطلاعات لازم، به موقع و اطلاعات قابل اعتماددرباره شرکتی که انتشار آن برای سرمایه گذاران بالقوه شفافیت و قابل پیش بینی بودن این شرکت را تضمین می کند که به ناچار شرط جذابیت سرمایه گذاری آن خواهد بود.

7. حوزه های کاربرد فن آوری های OLAP.

OLAP در هر جایی که وظیفه تجزیه و تحلیل داده های چند عاملی وجود داشته باشد قابل اجرا است. به طور کلی، اگر جدولی با داده‌ها دارید که حداقل یک ستون توصیفی (بعد) و یک ستون با اعداد (اندازه‌ها یا واقعیت‌ها) دارد، ابزار OLAP معمولاً ابزاری مؤثر برای تجزیه و تحلیل و تولید گزارش‌ها خواهد بود.

برخی از زمینه های کاربرد فناوری های OLAP را که از زندگی واقعی گرفته شده اند در نظر بگیرید.

1. فروش.

بر اساس تجزیه و تحلیل ساختار فروش، موارد لازم برای تصمیم گیری مدیریتی حل می شود: تغییر محدوده کالا، قیمت، بسته شدن و افتتاح فروشگاه ها، شعب، فسخ و امضای قرارداد با نمایندگی ها، انجام یا فسخ. کمپین های تبلیغاتیو غیره.

2. خرید.

وظیفه برعکس تحلیل فروش است. بسیاری از شرکت ها قطعات و مواد را از تامین کنندگان خریداری می کنند. بازرگانان کالاها را برای فروش مجدد خریداری می کنند. در تحلیل تدارکات، از برنامه ریزی، وظایف محتمل زیادی وجود دارد پولبر اساس تجربیات گذشته، کنترل بر مدیرانانتخاب تامین کنندگان

3. قیمت ها.

تجزیه و تحلیل خریدها با تجزیه و تحلیل قیمت های بازار ادغام می شود. هدف از این تجزیه و تحلیل، بهینه سازی هزینه ها، انتخاب سودمندترین پیشنهادات است.

4. بازاریابی.

منظور از تحلیل بازاریابی، تنها حوزه تحلیل خریداران یا مشتریان-مصرف کنندگان خدمات است. وظیفه این تحلیل، موقعیت‌یابی صحیح کالاها، شناسایی گروه‌های خریداران برای تبلیغات هدفمند و بهینه‌سازی مجموعه است. وظیفه OLAP در این مورد- به کاربر ابزاری بدهید تا به سرعت و با سرعت فکر به سوالاتی که به طور مستقیم در جریان تجزیه و تحلیل داده ها به وجود می آیند، پاسخ دریافت کند.

5. انبار.

تجزیه و تحلیل ساختار موجودی انبار در انبار بر اساس انواع کالا، انبارها، تجزیه و تحلیل عمر مفید کالا، تجزیه و تحلیل حمل و نقل توسط گیرندگان و بسیاری از انواع دیگر تجزیه و تحلیل مهم برای شرکت در صورتی امکان پذیر است که سازمان حسابداری انبار داشته باشد.

6. جریان نقدی.

این یک حوزه کامل از تجزیه و تحلیل است که مکاتب و روش های زیادی دارد. فناوری OLAP می تواند به عنوان ابزاری برای پیاده سازی یا بهبود این تکنیک ها عمل کند، اما جایگزینی برای آنها نیست. جریان های نقدی وجوه غیر نقدی و نقدی در چارچوب عملیات تجاری، طرف مقابل، ارز و زمان به منظور بهینه سازی جریان ها، اطمینان از نقدینگی و غیره تجزیه و تحلیل می شود. ترکیب اندازه گیری ها به شدت به ویژگی های کسب و کار، صنعت، روش بستگی دارد.

7. بودجه.

یکی از پربارترین زمینه های کاربرد فناوری OLAP. بیهوده نیست که هیچ سیستم بودجه ریزی مدرن بدون وجود یک جعبه ابزار OLAP برای تجزیه و تحلیل بودجه در ترکیب آن کامل تلقی نمی شود. اکثر گزارش های بودجه به راحتی بر اساس سیستم های OLAP ساخته می شوند. در عین حال، گزارش ها به بسیار پاسخ می دهند دامنه ی وسیعمسائل: تجزیه و تحلیل ساختار هزینه ها و درآمد، مقایسه هزینه ها برای اقلام خاص در بخش های مختلف، تجزیه و تحلیل پویایی و روند هزینه ها برای اقلام خاص، تجزیه و تحلیل هزینه و سود.

8. حساب های حسابداری.

ترازنامه کلاسیک متشکل از یک شماره حساب و حاوی مانده های ورودی، گردش مالی و مانده های خروجی را می توان به طور کامل در یک سیستم OLAP تجزیه و تحلیل کرد. علاوه بر این، سیستم OLAP می تواند به طور خودکار و بسیار سریع ترازهای تلفیقی یک سازمان چند شعبه، مانده های ماهانه، فصلی و سالانه، مانده های جمع شده بر اساس سلسله مراتب حساب، مانده های تحلیلی بر اساس ویژگی های تحلیلی را محاسبه کند.

9. گزارشگری مالی.

یک سیستم گزارش‌دهی که از نظر فناوری ساخته شده است چیزی نیست جز مجموعه‌ای از شاخص‌های نام‌گذاری شده با مقادیری برای تاریخ که باید در بخش‌های مختلف برای به دست آوردن گزارش‌های خاص گروه‌بندی و خلاصه شوند. در این حالت، نمایش و چاپ گزارش ها به آسانی و ارزان ترین حالت در سیستم های OLAP پیاده سازی می شود. در هر صورت، سیستم گزارش دهی داخلی شرکت چندان محافظه کارانه نیست و می توان به منظور صرفه جویی در هزینه ها، ساختار آن را تغییر داد. کارهای مهندسیدر ایجاد گزارش و به دست آوردن امکان تحلیل عملیاتی چند متغیره.

10. ترافیک سایت.

فایل لاگ سرور اینترنت ماهیت چند بعدی دارد و بنابراین برای تجزیه و تحلیل OLAP مناسب است. حقایق عبارتند از: تعداد بازدیدها، تعداد بازدیدها، زمان صرف شده در صفحه و سایر اطلاعات موجود در لاگ.

11. حجم تولید.

این یک مثال دیگر است تحلیل آماری. بنابراین، می توان حجم سیب زمینی رشد کرده، فولاد ذوب شده، کالاهای تولیدی را تجزیه و تحلیل کرد.

12. مصرف مواد مصرفی.

کارخانه ای متشکل از ده ها کارگاه را تصور کنید که خنک کننده ها، مایعات شستشو، روغن ها، پارچه های پارچه ای، کاغذ سنباده - صدها مورد مصرف می کنند. تدارکات. برنامه ریزی دقیق و بهینه سازی هزینه نیاز به تجزیه و تحلیل کامل از مصرف واقعی مواد مصرفی دارد.

13. استفاده از محل.

نوع دیگری از تجزیه و تحلیل آماری. به عنوان مثال: تجزیه و تحلیل حجم کار کلاس های درس، ساختمان ها و اماکن اجاره ای، استفاده از اتاق های کنفرانس و غیره.

14. گردش کارکنان در شرکت.

تجزیه و تحلیل گردش کارکنان در شرکت در زمینه شاخه ها، بخش ها، حرفه ها، سطح تحصیلات، جنسیت، سن، زمان.

15. حمل و نقل مسافر.

تجزیه و تحلیل تعداد بلیط های فروخته شده و مبالغ بر اساس فصل، مقصد، انواع واگن ها (کلاس ها)، انواع قطار (هواپیما).

این لیست به حوزه های کاربردی محدود نمی شود. OLAP - فن آوری ها به عنوان مثال، فناوری را در نظر بگیرید OLAP - تجزیه و تحلیل فروش

8. مثال استفاده OLAP -فناوری برای تجزیه و تحلیل در زمینه فروش.

طراحی نمایش داده های چند بعدی برای OLAP -تحلیل با تشکیل نقشه اندازه گیری آغاز می شود. به عنوان مثال، هنگام تجزیه و تحلیل فروش، ممکن است شناسایی بخش‌های مختلف بازار (مشتریان در حال توسعه، پایدار، بزرگ و کوچک، احتمال مشتریان جدید و غیره) و ارزیابی حجم فروش بر اساس محصولات، مناطق، مشتریان، بخش‌های بازار، توزیع مفید باشد. کانال ها و اندازه های سفارش این جهت ها شبکه مختصات نمایش چند بعدی فروش - ساختار ابعاد آن را تشکیل می دهند.

از آنجایی که فعالیت هر شرکتی در زمان پیش می رود، اولین سوالی که در تحلیل مطرح می شود، پویایی توسعه کسب و کار است. سازماندهی مناسبمحور زمان پاسخی کیفی به این سوال خواهد داد. معمولاً محور زمان به سال، ربع و ماه تقسیم می شود. شاید حتی بیشتر به هفته ها و روزها تقسیم شود. ساختار بعد زمانی با در نظر گرفتن فراوانی دریافت داده ها شکل می گیرد. همچنین می توان با فراوانی درخواست اطلاعات تعیین کرد.

بعد "گروه کالا" طراحی شده است تا ساختار محصولات فروخته شده را تا حد امکان منعکس کند. در عین حال، حفظ تعادل خاصی مهم است تا از یک سو از جزئیات بیش از حد اجتناب شود (تعداد گروه ها باید قابل مشاهده باشد) و از سوی دیگر، بخش قابل توجهی از بازار را از دست ندهید.

بعد "مشتریان" ساختار فروش را بر اساس منطقه جغرافیایی منعکس می کند. هر بعد می تواند سلسله مراتب خاص خود را داشته باشد، به عنوان مثال، در این بعد می تواند یک ساختار باشد: کشورها - مناطق - شهرها - مشتریان.

برای تجزیه و تحلیل عملکرد بخش ها، باید بعد خود را ایجاد کنید. به عنوان مثال، دو سطح از سلسله مراتب را می توان متمایز کرد: بخش ها و بخش های موجود در آنها، که باید در بعد "زیر بخش ها" منعکس شوند.

در واقع، ابعاد "زمان"، "محصولات"، "مشتریان" به طور کامل فضای حوزه موضوع را مشخص می کند.

علاوه بر این، تقسیم این فضا به مناطق مشروط با در نظر گرفتن ویژگی های محاسبه شده، به عنوان مثال، محدوده حجم تراکنش بر حسب ارزش، مفید است. سپس کل تجارت را می توان به تعدادی محدوده هزینه تقسیم کرد که در آن انجام می شود. در این مثال می توانید خود را به شاخص های زیر محدود کنید: میزان فروش کالا، تعداد کالاهای فروخته شده، میزان درآمد، تعداد معاملات، تعداد مشتریان، حجم خرید از تولیدکنندگان.

OLAP - مکعب برای تجزیه و تحلیل مانند (شکل 2) خواهد بود:

شکل 2.OLAP- یک مکعب برای تجزیه و تحلیل حجم فروش

دقیقاً چنین آرایه سه بعدی از نظر OLAP است که مکعب نامیده می شود. در واقع، از نقطه نظر ریاضیات دقیق، چنین آرایه ای همیشه یک مکعب نخواهد بود: برای یک مکعب واقعی، تعداد عناصر در همه ابعاد باید یکسان باشد، در حالی که مکعب های OLAP چنین محدودیتی ندارند. یک مکعب OLAP اصلاً لازم نیست سه بعدی باشد. بسته به مشکلی که حل می شود، می تواند دو بعدی و چند بعدی باشد. محصولات جدی OLAP برای حدود 20 بعد طراحی شده اند.برنامه های دسکتاپ ساده تر حدود 6 بعد را پشتیبانی می کنند.

همه عناصر مکعب نباید پر شوند: اگر اطلاعاتی در مورد فروش محصول 2 به مشتری 3 در سه ماهه سوم وجود نداشته باشد، مقدار در سلول مربوطه به سادگی تعیین نمی شود.

با این حال، خود مکعب برای تجزیه و تحلیل مناسب نیست. اگر هنوز هم می توان به اندازه کافی یک مکعب سه بعدی را نشان داد یا به تصویر کشید، از شش یا نوزده بعدیاوضاع خیلی بدتر است بنابراین، جداول دو بعدی معمولی قبل از استفاده از یک مکعب چند بعدی استخراج می شود. این عملیات «برش» مکعب نامیده می شود. تحلیلگر، همانطور که بود، ابعاد مکعب را با توجه به علائم مورد علاقه خود می گیرد و "برش" می دهد. به این ترتیب، تحلیلگر یک برش دو بعدی از مکعب (گزارش) را دریافت کرده و با آن کار می کند. ساختار گزارش در شکل 3 نشان داده شده است.

شکل 3ساختار گزارش تحلیلی

بیایید مکعب OLAP خود را برش دهیم و یک گزارش فروش برای سه ماهه سوم دریافت کنیم، به این شکل خواهد بود (شکل 4).

شکل 4گزارش فروش سه ماهه سوم

می توانید مکعب را در امتداد محور دیگر برش دهید و گزارشی از فروش گروه محصول 2 در طول سال دریافت کنید (شکل 5).

شکل 5گزارش فصلی فروش محصول 2

به طور مشابه، می توانید رابطه با مشتری را تجزیه و تحلیل کنید. برش مکعب با توجه به برچسب مشتریان(شکل 6)

شکل 6گزارش عرضه کالا به مشتری 4

می توانید گزارش را به تفصیل به تفصیل بیان کنید یا در مورد عرضه کالا به شعبه خاصی از مشتری صحبت کنید.

نزدیکی شگفت انگیز ...

در طول کار، اغلب نیاز به تهیه گزارش های پیچیده داشتم، همیشه سعی می کردم چیزی مشترک در آنها پیدا کنم تا آنها را ساده تر و جهانی تر بسازم، حتی مقاله ای در مورد این موضوع "درخت اوسیپوف" نوشتم و منتشر کردم. با این حال، آنها مقاله من را مورد انتقاد قرار دادند و گفتند که تمام مشکلاتی که من مطرح کردم مدتهاست که در MOLAP.RU v.2.4 (www.molap.rgtu.ru) حل شده است و توصیه کردند به جداول محوری در EXCEL نگاه کنید.
معلوم شد که آنقدر ساده است که با چسباندن دستان کوچک مبتکرانه ام به آن، خیلی به آن دست پیدا کردم مدار سادهبرای تخلیه داده ها از 1C7 یا هر پایگاه داده دیگری (از این پس 1C به معنای هر پایگاه داده است) و تجزیه و تحلیل در OLAP.
من فکر می کنم بسیاری از طرح های آپلود OLAP بسیار پیچیده هستند، من سادگی را انتخاب می کنم.

مشخصات :

1. فقط EXCEL 2000 برای کار مورد نیاز است.
2. خود کاربر می تواند بدون برنامه نویسی گزارش طراحی کند.
3. تخلیه از 1C7 به فرمت سادهفایل متنی
4. برای ورودی های حسابداری در حال حاضر موجود است پردازش جهانیبرای تخلیه، کار در هر پیکربندی. برای تخلیه داده های دیگر، پردازش نمونه وجود دارد.
5. می توانید فرم های گزارش را از قبل طراحی کنید و سپس بدون طراحی مجدد، آنها را روی داده های مختلف اعمال کنید.
6. زیبا عملکرد خوب. در اولین مرحله طولانی، ابتدا داده‌ها از یک فایل متنی به EXCEL وارد می‌شوند و یک مکعب OLAP ساخته می‌شود و سپس هر گزارشی را می‌توان به سرعت بر اساس این مکعب ساخت. به عنوان مثال، داده های مربوط به فروش کالا در یک فروشگاه به مدت 3 ماه با مجموعه ای از 6000 کالا در 8 دقیقه در Cel600-128M در EXCEL بارگیری می شود، رتبه بندی کالاها و گروه ها (گزارش OLAP) در 1 دقیقه مجدداً محاسبه می شود.
7. داده ها از 1C7 به طور کامل برای دوره مشخص شده دانلود می شود (همه جابجایی ها، برای همه انبارها، شرکت ها، حساب ها). هنگام وارد کردن به EXCEL، می توان از فیلترهایی استفاده کرد که فقط داده های لازم را برای تجزیه و تحلیل بارگذاری می کنند (به عنوان مثال، از تمام حرکات، فقط فروش).
8. در حال حاضر روش هایی برای آنالیز حرکات یا باقیمانده ها ابداع شده است، اما نه حرکات و باقیمانده ها با هم، هرچند در اصل این امکان وجود دارد.

OLAP چیست؟ : (www.molap.rgtu.ru)

فرض کنید شما دارید شبکه تجاری. اجازه دهید داده های مربوط به عملیات معاملاتی در یک فایل متنی یا جدولی از فرم آپلود شود:

تاریخ - تاریخ معامله
ماه - ماه عملیات
هفته - هفته عملیات
نوع - خرید، فروش، بازگشت، حذف
طرف مقابل - یک سازمان خارجی شرکت کننده در عملیات
نویسنده - شخصی که فاکتور را صادر کرده است

به عنوان مثال، در 1C، یک خط از این جدول با یک خط فاکتور مطابقت دارد، برخی از فیلدها (پیمانکار، تاریخ) از سربرگ فاکتور گرفته شده است.

داده ها برای تجزیه و تحلیل معمولاً برای مدت زمان معینی در سیستم OLAP بارگذاری می شوند که در اصل با استفاده از فیلترهای بار می توان دوره دیگری را از آن متمایز کرد.

این جدول منبع تحلیل OLAP است.

گزارش	اندازه گیری ها	داده ها	فیلتر کنید
روزانه چند کالا و به چه میزان فروخته می شود؟	تاریخ، محصول	مقدار، مقدار	مشاهده "فروش"
کدام طرف مقابل کدام کالا را به چه میزان در ماه عرضه کرده است؟	ماه، پیمانکار، محصول	مجموع	مشاهده "خرید"
چه مبلغی توسط اپراتورها از چه نوع فاکتورهایی برای کل دوره گزارش صادر شده است؟		مجموع

خود کاربر تعیین می کند که کدام یک از فیلدهای جدول Dimensions باشد، کدام Data و کدام فیلتر اعمال شود. خود سیستم گزارشی را به صورت تصویری می سازد فرم جدولی. ابعاد را می توان در عناوین ردیف یا ستون یک جدول گزارش قرار داد.
همانطور که می بینید، از یک جدول ساده، می توانید داده های زیادی را در قالب گزارش های مختلف دریافت کنید.

نحوه استفاده به تنهایی :

بسته بندی داده ها را از بسته توزیع دقیقاً در دایرکتوری c:\fixin باز کنید (برای یک سیستم معاملاتی امکان c:\report وجود دارد). readme.txt را بخوانید و تمام دستورالعمل‌های موجود در آن را دنبال کنید.

ابتدا باید پردازشی بنویسید که داده ها را از 1C به یک فایل متنی (جدول) آپلود می کند. باید ترکیب فیلدهایی که آپلود می شوند را مشخص کنید.
به عنوان مثال، پردازش جهانی آماده که در هر پیکربندی کار می‌کند و تراکنش‌ها را برای یک دوره برای تحلیل OLAP تخلیه می‌کند، فیلدهای زیر را برای تجزیه و تحلیل تخلیه می‌کند:

تاریخ|روز هفته|هفته|سال|سه ماهه|ماه|سند|شرکت|بدهی |DtNomenclature
|DtGroupNomenclature|DtSectionNomenclature|اعتبار|مبلغ|ValAmount|مقدار
| ارز|DtContractors|DtGroupContractors|KtContractors|KtGroupContractors|
اشیاء متفرقه CTM

در جایی که زیر پیشوندهای Dt (Kt) زیرمجموعه های بدهی (اعتبار) وجود دارد، Group گروهی از این زیرمجموعه است (در صورت وجود)، بخش گروهی از یک گروه است، کلاس یک گروه بخش است.

برای یک سیستم معاملاتی، فیلدها می توانند به شرح زیر باشند:

جهت|نوع جابجایی|نقد|محصول|تعداد|قیمت|مبلغ|تاریخ|شرکت
|انبار|ارز|سند|روز هفته|هفته|سال|سه ماهه|ماه|نویسنده
|دسته محصول|دسته حرکت|دسته طرف مقابل|گروه محصول
|ValAmount|قیمت تمام شده|پیمانکار

برای تجزیه و تحلیل داده ها از جداول "Analysis of moves.xls" ("Analysis of accounting.xls") استفاده می شود. هنگام باز کردن آنها، ماکروها را غیرفعال نکنید، در غیر این صورت نمی توانید گزارش ها را به روز کنید (آنها توسط ماکروها در زبان VBA فعال می شوند). این فایل ها اطلاعات اولیه خود را از فایل های C:\fixin\motions.txt (C:\fixin\buh.txt) می گیرند، در غیر این صورت آنها یکسان هستند. بنابراین، ممکن است لازم باشد داده های خود را در یکی از این فایل ها کپی کنید.
برای اینکه داده های شما در EXCEL بارگذاری شوند، فیلتر خود را انتخاب کرده یا بنویسید و روی دکمه "Generate" در برگه "شرایط" کلیک کنید.
برگه های گزارش با پیشوند "از" شروع می شود. به برگه گزارش بروید، روی "Refresh" کلیک کنید و داده های گزارش با توجه به آخرین داده های بارگذاری شده تغییر می کند.
اگر از گزارش های استاندارد راضی نیستید، یک برگه OtchTemplate وجود دارد. آن را کپی کنید برگ تازهو نمای گزارش را با کار با جدول محوری در این برگه سفارشی کنید (درباره کار با جداول محوری - در هر کتابی در EXCEL 2000). توصیه می‌کنم گزارش‌ها را روی یک مجموعه داده کوچک تنظیم کنید و سپس آنها را روی یک آرایه بزرگ اجرا کنید، زیرا هیچ راهی برای غیرفعال کردن ترسیم مجدد جدول در هر بار تغییر طرح گزارش وجود ندارد.

نکات فنی :

هنگام آپلود داده ها از 1C، کاربر پوشه ای را انتخاب می کند که در آن فایل را آپلود کند. من این کار را انجام دادم زیرا به احتمال زیاد در آینده نزدیک چندین فایل (باقی مانده و حرکت) آپلود خواهد شد. سپس با کلیک بر روی دکمه "Send" --> "To OLAP analysis in EXCEL 2000" در Explorer، داده ها از پوشه انتخاب شده در پوشه C:\fixin کپی می شوند. (برای اینکه این دستور در لیست فرمان "Send" ظاهر شود، باید فایل "For OLAP analysis in EXCEL 2000.bat" را در پوشه C:\Windows\SendTo کپی کنید) بنابراین، داده ها را فوراً با نام گذاری آپلود کنید. به فایل های motions.txt یا buh.txt.

فرمت فایل متنی:
خط اول فایل متنی حاوی عناوین ستون‌هایی است که با «|» از هم جدا شده‌اند، خطوط باقیمانده حاوی مقادیر این ستون‌ها هستند که با «|» از هم جدا شده‌اند.

مایکروسافت کوئری برای وارد کردن فایل های متنی به اکسل ( جزء EXCEL) برای عملکرد آن، لازم است یک فایل shema.ini در پوشه import (C:\fixin) حاوی اطلاعات زیر:

ColNameHeader=درست است
قالب=محدود شده(|)
MaxScanRows=3
CharacterSet=ANSI
ColNameHeader=درست است
قالب=محدود شده(|)
MaxScanRows=3
CharacterSet=ANSI

توضیح: motions.txt و buh.txt نام بخش است، مربوط به نام فایل وارد شده است، نحوه وارد کردن یک فایل متنی به اکسل را توضیح می دهد. پارامترهای باقی مانده به این معنی است که خط اول شامل نام ستون ها است، جداکننده ستون "|" است، مجموعه کاراکتر Windows ANSI (برای DOS - OEM) است.
نوع فیلد به طور خودکار بر اساس داده های موجود در ستون (تاریخ، شماره، رشته) تعیین می شود.
لیست فیلدها نیازی به توضیح ندارد - EXCEL و OLAP خودشان تعیین می کنند که کدام فیلدها در فایل با سرفصل های خط اول موجود است.

توجه، تنظیمات منطقه ای خود را "کنترل پنل" --> "تنظیمات منطقه ای" بررسی کنید. در پردازش من، اعداد با جداکننده کاما آپلود می شوند و تاریخ ها در قالب "DD.MM.YYYY" هستند.

هنگامی که روی دکمه "تولید" کلیک می کنید، داده ها در جدول محوری در صفحه "Base" بارگیری می شوند و از این قسمت جدول محوریو داده های کلیه گزارشات را در برگه های "Otch" بگیرید.

من درک می کنم که دوستداران MS SQL Server و پایگاه های قدرتمندداده‌ها شروع به غر زدن می‌کنند که همه چیز برای من بسیار ساده شده است، که پردازش من روی یک نمونه سالانه خم می‌شود، اما اول از همه می‌خواهم مزایای تجزیه و تحلیل OLAP را به سازمان‌های متوسط ​​بدهم. من این محصول را به عنوان یک ابزار تجزیه و تحلیل سالانه برای عمده فروشان، تجزیه و تحلیل فصلی برای خرده فروشان و تجزیه و تحلیل عملیاتی برای هر سازمانی قرار می دهم.

مجبور شدم با VBA سرهم کنم تا داده ها از یک فایل با هر لیستی از فیلدها گرفته شود و امکان تهیه فرم های گزارش از قبل وجود داشته باشد.

شرح کار در EXCEL (برای کاربران):

دستورالعمل استفاده از گزارش ها:
1. داده های دانلود شده را برای تجزیه و تحلیل ارسال کنید (با مدیر بررسی کنید). برای انجام این کار، روی پوشه ای که داده ها را از 1C در آن آپلود کرده اید راست کلیک کرده و دستور "Submit" و سپس "To OLAP analysis in EXCEL 2000" را انتخاب کنید.
2. فایل "Motion Analysis.xls" را باز کنید
3. مقدار Filter را انتخاب کنید، فیلترهای مورد نیاز را می توانید در برگه "Values" اضافه کنید.
4. روی دکمه "Generate" کلیک کنید و داده های دانلود شده در EXCEL بارگذاری می شوند.
5. پس از بارگذاری داده ها در EXCEL، می توانید گزارش های مختلف را مشاهده کنید. برای انجام این کار، کافی است روی دکمه «Refresh» در گزارش انتخاب شده کلیک کنید. برگه های گزارش با Rep شروع می شوند.
توجه! بعد از اینکه مقدار فیلتر را تغییر دادید، باید دوباره روی دکمه "Generate" کلیک کنید تا داده های موجود در EXCEL از فایل آپلود مطابق با فیلترها دوباره بارگذاری شوند.

پردازش از نسخه ی نمایشی:

Processing motionsbuh2011.ert آخرین نسخه تخلیه تراکنش ها از حسابداری 7.7 برای تجزیه و تحلیل در اکسل است. دارای یک چک باکس "Adpend to file" است که به شما امکان می دهد داده ها را به صورت قسمتی بارگذاری کنید، آنها را به همان فایل پیوست کنید و دوباره در همان فایل آپلود نکنید:

پردازش motionswork.ert داده‌های فروش را برای تجزیه و تحلیل در اکسل بارگذاری می‌کند.

گزارش نمونه ها:

شطرنج با ارسال پست:

حجم کاری اپراتورها بر اساس انواع فاکتورها:

P.S. :

واضح است که طبق یک طرح مشابه، می توانید تخلیه داده ها را از 1C8 سازماندهی کنید.
در سال 2011، یک کاربر با من تماس گرفت که باید این پردازش را در 1C7 اصلاح کند تا بتواند حجم زیادی از داده را آپلود کند، یک برون سپاری پیدا کردم و این کار را انجام دادم. بنابراین توسعه کاملا مرتبط است.

پردازش Motionsbuh2011.ert برای مدیریت بارگذاری داده های بزرگ بهبود یافته است.