Hvad er OLAP-systemer?

Online analytisk behandling, eller OLAP, er en effektiv databehandlingsteknologi, som et resultat heraf, baseret på enorme matriser af alle slags data, vises de endelige oplysninger. Dette er et kraftfuldt produkt, der hjælper med at få adgang til, hente og se oplysninger på en pc ved at analysere dem fra forskellige synsvinkler.

OLAP er et værktøj, der giver en strategisk position til langtidsplanlægning og overvejer de grundlæggende oplysninger om operationelle data i et perspektiv på 5, 10 eller flere år. Data gemmes i databasen med dimensionen, som er deres attribut. Brugere kan se det samme datasæt med forskellige attributter, afhængigt af analysens formål.

OLAP-historie

OLAP er ikke et nyt koncept og har været brugt i årtier. Faktisk er teknologiens oprindelse sporet tilbage til 1962. Men udtrykket blev først opfundet i 1993 af databaseforfatteren Ted Coddom, der også satte 12 regler for produktet. Som i mange andre applikationer har konceptet gennemgået adskillige stadier af udvikling.

Selve OLAP-teknologiens historie går tilbage til 1970, da Express-informationsressourcer og den første Olap-server blev frigivet. De blev erhvervet af Oracle i 1995 og blev derefter grundlaget for online analytisk behandling af den multidimensionelle computermekanisme, som det berømte computermærke leverede i sin database. I 1992 blev et andet velkendt online analytisk forarbejdningsprodukt Essbase frigivet af Arbor Software (erhvervet af Oracle i 2007).

I 1998 frigav Microsoft onlineanalysedatabehandlingsserveren, MS Analysis Services. Dette bidrog til teknologiens popularitet og fik anledning til udvikling af andre produkter. I dag er der flere verdenskendte leverandører, der tilbyder Olap-applikationer, herunder IBM, SAS, SAP, Essbase, Microsoft, Oracle, IcCube.

Online analytisk behandling

OLAP er et værktøj, der giver dig mulighed for at tage beslutninger om planlagte begivenheder. Atypisk Olap-beregning kan være mere kompliceret end blot at samle data. Analytiske forespørgsler pr. Minut (AQM) bruges som en standardreference til sammenligning af ydeevnen for forskellige instrumenter. Disse systemer skal skjule brugerne så meget som muligt for syntaks af komplekse forespørgsler og give en ensartet responstid for alle (uanset hvor komplicerede de er).

Følgende nøglefunktioner i OLAP findes:

1. Multidimensionelle datarepresentationer.
2. Support til kompleks computing.
3. Midlertidig efterretning.

Multidimensionel præsentation giver grundlaget for analytisk behandling gennem fleksibel adgang til virksomhedsdata. Det giver brugerne mulighed for at analysere data i enhver dimension og på ethvert niveau af aggregering.

Support til kompleks computing er grundlaget for OLAP-software.

Midlertidig intelligens bruges til at evaluere effektiviteten af ​​enhver analytisk applikation over en bestemt periode. F.eks. Denne måned sammenlignet med den foregående måned, denne måned sammenlignet med den samme måned sidste år.

Multidimensionel datastruktur

En af de vigtigste egenskaber ved online analytisk behandling er den multidimensionelle datastruktur. En terning kan have flere dimensioner. Takket være denne model er hele processen med OLAP intelligent analyse enkel for ledere og ledere, da objekterne, der er repræsenteret i cellerne, er forretningsvirksomheder i den virkelige verden. Derudover giver denne datamodel brugere mulighed for at behandle ikke kun strukturerede arrays, men også ustrukturerede og semistrukturerede.Alt dette gør dem specielt populære til dataanalyse og BI-applikationer.

Nøglefunktioner ved OLAP-systemer:

1. Brug flerdimensionelle datamanalysemetoder.
2. Giv avanceret databasesupport.
3. Opret brugervenlige slutbrugergrænseflader, der er brugervenlige.
4. Support klient / server arkitektur.

En af hovedkomponenterne i OLAP-koncepter er en server på klientsiden. Ud over at aggregere og forbehandle data fra en relationel database leverer den avancerede beregnings- og optagelsesparametre, ekstra funktioner, grundlæggende avancerede forespørgselsfunktioner og andre funktioner.

Afhængigt af det eksempler, applikationen har valgt af brugeren, er forskellige datamodeller og værktøjer tilgængelige, herunder realtidsalarmer, en funktion til anvendelse af hvad-hvis-scenarier, optimering og komplekse OLAP-rapporter.

Kubisk form

Konceptet er baseret på en kubisk form. Placeringen af ​​dataene deri viser, hvordan OLAP overholder princippet om multivariat analyse, hvilket resulterer i, at der oprettes en datastruktur til hurtig og effektiv analyse.

En OLAP-terning kaldes også en "hypercube". Det beskrives som bestående af numeriske fakta (mål), klassificeret efter facetter (dimensioner). Dimensioner vedrører attributter, der definerer et forretnings problem. Kort sagt er en dimension en etiket, der beskriver et mål. F.eks. I salgsrapporter er foranstaltningen salgsvolumen, og dimensioner vil omfatte perioden med salg, sælgere, et produkt eller en tjeneste og salgsområdet. Ved rapportering af produktionsoperationer kan foranstaltningen være samlede produktionsomkostninger og enheder af produktionen. Dimensioner vil være datoen eller tidspunktet for produktionen, produktionsfasen eller fasen, selv de arbejdstagere, der er involveret i produktionsprocessen.

OLAP-datakuben er hjørnestenen i systemet. Dataene i terningen er organiseret ved hjælp af enten et stjerne- eller snefnugmønster. I midten er der en faktatabel, der indeholder aggregater (målinger). Det er forbundet med en række målingstabeller, der indeholder oplysninger om målinger. Dimensioner beskriver, hvordan disse mål kan analyseres. Hvis en terning indeholder mere end tre dimensioner, kaldes den ofte en hypercube.

En af hovedfunktionerne, der tilhører terningen, er dens statiske karakter, hvilket indebærer, at terningen ikke kan ændres efter dens udvikling. Derfor er processen med at opbygge en terning og opsætning af en datamodel et afgørende skridt hen imod passende databehandling i OLAP-arkitekturen.

Datasamling

Brug af aggregeringer er hovedårsagen til, at anmodninger behandles meget hurtigere i OLAP-værktøjer (sammenlignet med OLTP). Aggregationer er resuméer af data, der tidligere blev beregnet under behandlingen. Alle medlemmer gemt i OLAP-dimensionstabeller definerer de forespørgsler, som terningen kan modtage.

I en terning gemmes informationsakkumuleringer i celler, hvis koordinater er specificeret efter specifikke størrelser. Antallet af aggregater, som en terning kan indeholde, afhænger af alle mulige kombinationer af dimensionelementer. Derfor kan en typisk terning i en applikation indeholde et ekstremt stort antal aggregater. En foreløbig beregning vil kun blive udført for nøgleaggregater, der er fordelt over den analytiske terning onlineanalyse. Dette vil reducere den tid, der kræves for at bestemme eventuelle aggregeringer markant, når der udføres en forespørgsel i en datamodel.

Der er også to indstillinger, der er relateret til aggregeringer, som du kan forbedre ydelsen på en færdig terning: oprette en sammenlægning af kapacitetscachen og bruge aggregering baseret på en analyse af brugeranmodninger.

Arbejdsprincip

Typisk kan analysen af ​​operationel information opnået fra transaktioner udføres ved hjælp af et simpelt regneark (dataværdier er præsenteret i rækker og kolonner). Dette er godt i betragtning af den to-dimensionelle karakter af dataene. I tilfælde af OLAP er der forskelle på grund af den flerdimensionelle datasamling.Fordi de ofte er hentet fra forskellige kilder, er et regneark muligvis ikke altid i stand til at behandle dem effektivt.

Terningen løser dette problem og sikrer også, at OLAP-datalager fungerer på en logisk og ordnet måde. Virksomheden indsamler data fra adskillige kilder og præsenteres i forskellige formater, såsom tekstfiler, multimediefiler, Excel-regneark, Access-databaser og endda OLTP-databaser.

Alle data indsamles i et lager, der udfyldes direkte fra kilder. I den vil den rå information, der er modtaget fra OLTP og andre kilder, blive slettet for eventuelle forkerte, ufuldstændige og inkonsekvente transaktioner.

Efter rengøring og konvertering gemmes informationen i en relationsdatabase. Derefter uploades den til den multidimensionale OLAP-server (eller Olap-kuben) til analyse. Slutbrugere, der er ansvarlige for forretningsapplikationer, data mining og andre forretningsdrift, får adgang til de oplysninger, de har brug for fra Olap-terningen.

Array Model Fordele

OLAP er et værktøj, der giver hurtig forespørgselsydelse, der opnås gennem optimeret lagring, multidimensionel indeksering og cache, som er væsentlige fordele ved systemet. Derudover er fordelene:

1. Mindre data på disken.
2. Automatisk beregning af aggregater af et højere dataniveau.
3. Array-modeller giver naturlig indeksering.
4. Effektiv dataindhentning opnås gennem forstrukturering.
5. Kompakt til lavdimensionelle datasæt.

Ulemperne ved OLAP inkluderer det faktum, at nogle løsninger (behandlingstrin) kan være ret lange, især med store mængder information. Dette korrigeres normalt ved kun at udføre inkrementel behandling (data, der er ændret, studeres).

Grundlæggende analytiske operationer

convolution (roll-up / drill-up) er også kendt som "konsolidering". Koagulation involverer indsamling af alle de data, der kan fås, og beregning af alle i en eller flere dimensioner. Oftest kan dette kræve anvendelse af en matematisk formel. Som et OLAP-eksempel kan vi overveje et detailnetværk med forretninger i forskellige byer. For at identificere modeller og forudse fremtidige salgstendenser, "data" om alle punkter "kollapses" i virksomhedens vigtigste salgsafdeling med henblik på konsolidering og beregning.

afsløring (Drill-down). Dette er det modsatte af koagulation. Processen starter med et stort datasæt og går derefter op i mindre dele, hvorved brugerne kan se detaljer. I eksemplet på detailnetværket vil analytikeren analysere salgsdata og se på individuelle mærker eller produkter, der betragtes som bedst sælgere i hvert af forretningerne i forskellige byer.

sektion (Skiver og terninger). Dette er en proces, når analytiske operationer inkluderer to handlinger: udlede et specifikt datasæt fra OLAP-terningen ("skære" analyse-aspektet) og se det fra forskellige synsvinkler eller vinkler. Dette kan ske, når alle data til afsætningsmulighederne modtages og indtastes i hypercube. Analytikeren skærer salgsdatasættet fra OLAP Cube ud. Det vises derefter, når salget af individuelle enheder i hver region analyseres. På dette tidspunkt kan andre brugere fokusere på at evaluere omkostningseffektiviteten af ​​salget eller evaluere effektiviteten af ​​en marketing- og reklamekampagne.

twist (Pivot). Dataakserne drejes deri for at give en erstatning for præsentationen af ​​information.

Forskellige databaser

I princippet er dette en typisk OLAP-terning, der implementerer analytisk behandling af multidimensionelle data ved hjælp af OLAP-kuben eller en hvilken som helst datakube, så den analytiske proces kan tilføje dimensioner efter behov. Alle oplysninger, der uploades til en multidimensionel database, gemmes eller arkiveres og kan åbnes efter behov.

Mindre kendte OLAP-systemer eller -teknologier findes, men disse er de vigtigste, der i øjeblikket bruges af store virksomheder, forretningsstrukturer og endda regeringen.

OLAP-værktøjer

Værktøjer til online analytisk behandling er meget godt præsenteret på Internettet i form af både betalte og gratis versioner.

De mest populære af dem:

1. Dundas BI fra Dundas Data Visualization er en browser-baseret platform til forretningsinformation og datavisualisering, der inkluderer integrerede dashboards, OLAP-rapporteringsværktøjer og dataanalyse.
2. Yellowfin er en business intelligence platform, som er en enkelt integreret løsning designet til virksomheder i forskellige brancher og størrelser. Dette system er konfigureret til virksomheder inden for regnskab, reklame, landbrug.
3. ClicData er en Business Intelligence (BI) -løsning, der primært er designet til brug for små og mellemstore virksomheder. Værktøjet giver slutbrugerne mulighed for at oprette rapporter og dashboards. Board blev oprettet for at kombinere forretningsinformation, corporate performance management og er et fuldt funktionelt system, der betjener mellemstore virksomheder og virksomheder.
4. Domo er en skybaseret forretningsstyringspakke, der integreres med flere datakilder, herunder regneark, databaser, sociale netværk og enhver eksisterende cloud- eller lokal softwareløsning.
5. InetSoft Style Intelligence er en business intelligence-platform, der giver brugerne mulighed for at oprette dashboards, visuel OLAP-analyseteknologi og rapporter ved hjælp af mashup-mekanismen.
6. Birst fra Infor Company er en netværksløsning for forretningsanalytikere og analyser, der kombinerer ideer fra forskellige hold og hjælper med at tage informerede beslutninger. Værktøjet gør det muligt for decentrale brugere at øge modellen for virksomhedsteam.
7. Halo er et omfattende supply chain management og business intelligence-system, der hjælper med forretningsplanlægning og lagerprognoser for supply chain management. Systemet bruger data fra alle kilder - store, små og mellemliggende.
8. Chartio er en skybaseret business intelligence-løsning, der giver grundlæggere, forretningsgrupper, dataanalytikere og produktgrupper organisatoriske værktøjer til hverdagens arbejde.
9. Exago BI er en webbaseret løsning designet til implementering i webapplikationer. Implementeringen af ​​Exago BI giver virksomheder i alle størrelser mulighed for at give deres kunder særlig, rettidig og interaktiv rapportering.

Forretningsvirkning

Brugeren finder OLAP i de fleste forretningsapplikationer på tværs af brancher.Analysen bruges ikke kun af erhvervslivet, men også af andre interesserede parter.

Nogle af dets mest almindelige applikationer inkluderer:

1. Marketing af OLAP-dataanalyse.
2. Regnskab, der dækker salg og udgifter, budgettering og økonomisk planlægning.
3. Forretningsprocessestyring.
4. Salgsanalyse.
5. Databasemarkedsføring.

Industrier fortsætter med at vokse, hvilket betyder, at brugerne snart vil se flere OLAP-applikationer. Multidimensionel skræddersyet behandling giver mere dynamisk analyse. Det er af denne grund, at disse OLAP-systemer og -teknologier bruges til at vurdere hvad-hvis-scenarier og alternative forretningsscenarier.