מהן מערכות OLAP?

עיבוד אנליטי מקוון, או OLAP, הוא טכנולוגיה יעילה לעיבוד נתונים, כתוצאה ממנה, על סמך מערכים עצומים של כל מיני נתונים, מוצג המידע הסופי. זהו מוצר רב עוצמה המסייע בגישה, אחזור וצפייה של מידע במחשב אישי, תוך ניתוחו מנקודות מבט שונות.

OLAP הוא כלי המספק עמדה אסטרטגית לתכנון ארוך טווח ושוקל את המידע הבסיסי של נתונים תפעוליים לפרספקטיבה של 5, 10 ומעלה. הנתונים נשמרים בבסיס הנתונים עם הממד, שהוא המאפיין שלהם. משתמשים יכולים להציג את אותה מערך נתונים עם תכונות שונות, בהתאם למטרת הניתוח.

היסטוריית OLAP

OLAP אינו מושג חדש ומשמש כבר עשרות שנים. למעשה, מקור הטכנולוגיה הוחלף עד שנת 1962. אך המונח נטבע רק בשנת 1993 על ידי מחבר המאגר Ted Coddom, שקבע גם 12 כללים למוצר. כמו ביישומים רבים אחרים, הרעיון עבר כמה שלבי אבולוציה.

ההיסטוריה של טכנולוגיית OLAP עצמה מתוארכת לשנת 1970, אז פורסמו משאבי מידע אקספרס ושרת ה- Olap הראשון. הם נרכשו על ידי אורקל בשנת 1995 ובהמשך הפכו לבסיס העיבוד האנליטי המקוון של מנגנון המחשוב הרב-ממדי שסיפק מותג המחשבים הנודע בבסיס הנתונים שלו. בשנת 1992 שוחרר מוצר עיבוד אנליטי מקוון ידוע נוסף Essbase על ידי ארבור תוכנה (שנרכשה על ידי אורקל בשנת 2007).

בשנת 1998 פרסמה מיקרוסופט את שרת עיבוד הנתונים המקוון לניתוח MS Services Services. זה תרם לפופולריות של הטכנולוגיה והניע את פיתוחם של מוצרים אחרים. כיום ישנם מספר ספקים בעלי שם עולמי המציעים יישומי אולאפ, ביניהם IBM, SAS, SAP, Essbase, Microsoft, Oracle, IcCube.

עיבוד אנליטי מקוון

OLAP הוא כלי המאפשר לקבל החלטות לגבי אירועים מתוכננים. חישוב אולפ טיפוסי יכול להיות מסובך יותר מסתם צבירת נתונים. שאילתות אנליטיות לדקה (AQM) משמשות כהפניה סטנדרטית להשוואה בין ביצועים של מכשירים שונים. מערכות אלו צריכות להסתיר את המשתמשים ככל האפשר מתחביר השאילתות המורכבות ולספק זמן תגובה עקבי לכולם (לא משנה כמה הם מורכבים).

התכונות העיקריות הבאות של OLAP קיימות:

1. ייצוגי נתונים רב מימדיים.
2. תמיכה במחשוב מורכב.
3. מודיעין זמני.

מצגת רב ממדית מספקת את הבסיס לעיבוד אנליטי באמצעות גישה גמישה לנתונים ארגוניים. זה מאפשר למשתמשים לנתח נתונים בכל ממד ובכל רמה של צבירה.

תמיכה במחשוב מורכב היא הבסיס של תוכנת OLAP.

אינטליגנציה זמנית משמשת להערכת יעילות כל יישום אנליטי בפרק זמן מסוים. לדוגמה, החודש לעומת החודש הקודם, החודש לעומת אותו חודש בשנה שעברה.

מבנה נתונים רב ממדי

אחד המאפיינים העיקריים של עיבוד אנליטי מקוון הוא מבנה הנתונים הרב ממדי. קוביה יכולה להיות בעלת מספר מימדים. בזכות מודל זה, כל התהליך של ניתוח אינטליגנטי של OLAP הוא פשוט עבור מנהלים ומנהלים, מכיוון שהאובייקטים המיוצגים בתאים הם אובייקטים עסקיים בעולם האמיתי. בנוסף, מודל נתונים זה מאפשר למשתמשים לעבד לא רק מערכים מובנים, אלא גם לא מובנים וחצי מובנים.כל זה הופך אותם לפופולריים במיוחד לניתוח נתונים ויישומי BI.

תכונות עיקריות של מערכות OLAP:

1. השתמש בשיטות ניתוח נתונים רב ממדי.
2. ספק תמיכה מתקדמת באתר.
3. צור ממשקי משתמש קצה קלים לשימוש.
4. תמיכה בארכיטקטורת לקוח / שרת.

אחד המרכיבים העיקריים של מושגי OLAP הוא שרת בצד הלקוח. בנוסף לצבירה ועיבוד נתונים מראש ממסד נתונים יחסי, הוא מספק פרמטרים חישובים והקלטות מתקדמים, פונקציות נוספות, יכולות בסיסיות של שאילתה מתקדמת ופונקציות אחרות.

בהתאם ליישום המדגם שנבחר על ידי המשתמש, קיימים מודלים וכלים שונים של נתונים, כולל התראות בזמן אמת, תכונה ליישום תרחישים מה-אם, אופטימיזציה ודוחות OLAP מורכבים.

צורה מעוקבת

הרעיון מבוסס על צורה מעוקבת. מיקום הנתונים בהם מראה כיצד OLAP דבק בעקרון הניתוח הרב-משתני, כתוצאה ממנו נוצר מבנה נתונים לניתוח מהיר ויעיל.

קוביית OLAP נקראת גם "היפר קוביה". זה מתואר כמורכב מעובדות מספריות (מדדים), המסווגות לפי היבטים (מידות). הממדים מתייחסים לתכונות המגדירות בעיה עסקית. במילים פשוטות, ממד הוא תווית המתארת ​​מידה. לדוגמה, בדוחות מכירות, המדד יהיה נפח מכירות, והממדים יכללו את תקופת המכירות, המוכרים, מוצר או שירות ואזור המכירות. בדיווח על פעולות הייצור, המדד עשוי להיות עלויות הייצור הכוללות ויחידות התפוקה. הממדים יהיו תאריך או זמן הייצור, שלב הייצור או השלב, אפילו העובדים המעורבים בתהליך הייצור.

קוביית הנתונים של OLAP היא אבן הפינה של המערכת. הנתונים בקוביה מאורגנים באמצעות תבנית של כוכב או פתית שלג. במרכז יש טבלת עובדות הכוללת אגרגטים (מדדים). זה קשור לסדרה של טבלאות מדידה הכוללות מידע על מדדים. מימדים מתארים כיצד ניתן לנתח אמצעים אלה. אם קוביה מכילה יותר משלושה ממדים, היא נקראת לרוב היפר קוביה.

אחד התפקידים העיקריים השייכים לקוביה הוא אופי הסטטי, שמשמע שלא ניתן לשנות את הקוביה לאחר התפתחותה. לפיכך, תהליך בניית קוביה והקמת מודל נתונים הוא צעד מכריע לעיבוד נתונים מתאים בארכיטקטורת OLAP.

צבירת נתונים

השימוש במצטברים הוא הסיבה העיקרית לכך שבקשות מעובדות הרבה יותר מהר בכלים של OLAP (לעומת OLTP). אגרגציות הן סיכומי נתונים שחושבו בעבר במהלך העיבוד. כל החברים המאוחסנים בטבלאות הממדים של OLAP מגדירים את השאילתות שהקוביה יכולה לקבל.

בקוביה מאוחסנים הצטברות מידע בתאים שהקואורדינטות שלהם מוגדרים לפי גדלים ספציפיים. מספר המצרפים שקוביה יכולה להכיל תלוי בכל השילובים האפשריים של אלמנטים הממדים. לכן קוביה טיפוסית ביישום יכולה להכיל מספר גדול מאוד של אגרגטים. חישוב מקדים יבוצע רק עבור אגרגטים מרכזיים המופצים בכל הקוביה האנליטית של ניתוח מקוון. זה יקטין באופן משמעותי את הזמן הנדרש לקביעת צבירות כלשהי בעת ביצוע שאילתה במודל נתונים.

ישנן גם שתי אפשרויות הקשורות לצבירות איתן ניתן לשפר את הביצועים של קוביה מוגמרת: ליצור צבירה של מטמון היכולות ולהשתמש בצבירה על בסיס ניתוח של בקשות משתמשים.

עקרון עבודה

בדרך כלל, ניתוח המידע התפעולי המתקבל מעסקאות ניתן לבצע באמצעות גיליון אלקטרוני פשוט (ערכי הנתונים מוצגים בשורות ובעמודות). זה טוב לאור האופי הדו-ממדי של הנתונים. במקרה של OLAP, ישנם הבדלים עקב מערך הנתונים הרב ממדי.מכיוון שלעתים קרובות הם מתקבלים ממקורות שונים, יתכן שגיליון אלקטרוני לא תמיד יוכל לעבד אותם ביעילות.

הקוביה פותרת בעיה זו וגם מבטיחה שמחסן הנתונים של OLAP יפעל בצורה הגיונית ומסודרת. העסק אוסף נתונים ממקורות רבים ומוצג בפורמטים שונים כמו קבצי טקסט, קבצי מולטימדיה, גיליונות אלקטרוניים של Excel, מסדי נתונים של Access ואפילו מסדי נתונים של OLTP.

כל הנתונים נאספים במאגר שממלא ישירות ממקורות. בתוכו, המידע הגולמי שהתקבל מ- OLTP וממקורות אחרים יימחק מכל עסקאות שגויות, לא שלמות ולא עקביות.

לאחר הניקוי והמרה, המידע יאוחסן במסד נתונים יחסי. לאחר מכן הוא יעלה לשרת OLAP הרב ממדי (או קוביית Olap) לצורך ניתוח. משתמשי קצה האחראים ליישומים עסקיים, כריית נתונים ופעולות עסקיות אחרות יקבלו גישה למידע שהם צריכים מקוביית Olap.

יתרונות מודל מערך

OLAP הוא כלי המספק ביצועי שאילתה מהירים, המושגים באמצעות אחסון אופטימלי, אינדקס רב ממדי וקבוצת זיכרון מטמון, שהם יתרונות משמעותיים של המערכת. בנוסף היתרונות הם:

1. נתונים קטנים יותר בדיסק.
2. חישוב אוטומטי של אגרגטים של רמה גבוהה יותר של נתונים.
3. דגמי מערך מספקים אינדקס טבעי.
4. אחזור נתונים יעיל מושגת באמצעות מבנה מקדים.
5. קומפקטי עבור מערכי נתונים בעלי מימד נמוך.

החסרונות של OLAP כוללים את העובדה כי פתרונות מסוימים (שלב עיבוד) יכולים להיות ארוכים למדי, במיוחד עם כמויות גדולות של מידע. בדרך כלל זה מתוקן על ידי ביצוע עיבוד מצטבר בלבד (נבדק נתונים ששונו).

פעולות אנליטיות בסיסיות

המרה (רול-אפ / תרגיל) ידוע גם בשם "איחוד". קרישה כוללת איסוף כל הנתונים שניתן להשיג, וחישוב כולם בממד אחד או יותר. לרוב זה עשוי לדרוש יישום של נוסחה מתמטית. כדוגמה של OLAP, אנו יכולים לשקול רשת קמעונאית עם חנויות בערים שונות. כדי לזהות דגמים ולחזות מגמות מכירות עתידיות, הנתונים עליהם מכל הנקודות "קורסים" למחלקת המכירות הראשית של החברה לצורך איחוד וחישוב.

גילוי נאות (תרגיל למטה). זה ההפך מקרישה. התהליך מתחיל בערכת נתונים גדולה ואז מתפרק לחלקים קטנים יותר, ובכך מאפשר למשתמשים להציג פרטים. בדוגמה של הרשת הקמעונאית, אנליסט ינתח נתוני מכירות ויבדוק מותגים או מוצרים בודדים הנחשבים לרבי המכר בכל אחד מהשקעים בערים שונות.

מדור (פרוסה וקוביות). זהו תהליך כאשר פעולות אנליטיות כוללות שתי פעולות: להפיק מערך נתונים ספציפי מקוביית OLAP ("לחתוך" את היבט הניתוח) ולהציג אותו מנקודות מבט או זוויות שונות. זה יכול לקרות כאשר כל נתוני השקעים מתקבלים ונכנסים לתוך קוביית ההיפר קוביה. האנליסט מנתק את נתוני המכירות מקבוצת OLAP. לאחר מכן היא תוצג בעת ניתוח מכירות של יחידות בודדות בכל אזור. נכון לעכשיו משתמשים אחרים עשויים להתמקד בהערכת יעילות העלות של מכירות או הערכת האפקטיביות של קמפיין שיווקי ופרסומי.

תסתובב (ציר). צירי הנתונים מסתובבים בו בכדי לספק תחליף להצגת המידע.

מגוון מאגרי מידע

באופן עקרוני, זוהי קוביית OLAP טיפוסית המיישמת עיבוד אנליטי של נתונים רב ממדיים באמצעות קוביית OLAP או כל קוביית נתונים כך שהתהליך האנליטי יכול להוסיף מימדים לפי הצורך. כל מידע שהועלה למסד נתונים רב ממדי יאוחסן או ייארח בארכיון וניתן יהיה לקרוא אותו במידת הצורך.

קיימות מערכות או טכנולוגיות OLAP פחות מוכרות, אך אלה הן העיקריות המשמשות כיום על ידי תאגידים גדולים, מבנים עסקיים ואפילו הממשלה.

כלי OLAP

כלים לעיבוד אנליטי מקוון מוצגים היטב באינטרנט בצורה של גרסאות בתשלום וגם בחינם.

הפופולרי שבהם:

1. Dundas BI מבית Dundas Data Visualization היא פלטפורמה מבוססת דפדפן לאינטליגנציה עסקית והמחשת נתונים, הכוללת לוחות מחוונים משולבים, כלי דיווח OLAP וניתוח נתונים.
2. Yellowfin היא פלטפורמת בינה עסקית, שהיא פיתרון משולב יחיד המיועד לחברות בענפים וגדלים שונים. מערכת זו מוגדרת עבור ארגונים בתחום חשבונאות, פרסום, חקלאות.
3. ClicData הוא פיתרון בינה עסקית (BI) המיועד בעיקר לשימוש של עסקים קטנים ובינוניים. הכלי מאפשר למשתמשי קצה ליצור דוחות ולוחות מחוונים. Board הוקם כדי לשלב בין בינה עסקית, ניהול ביצועים ארגוניים והיא מערכת פונקציונאלית לחלוטין המשרתת חברות בינוניים ותאגידים.
4. Domo היא חבילת ניהול עסק מבוססת ענן המשתלבת עם מספר מקורות נתונים, כולל גיליונות אלקטרוניים, מסדי נתונים, רשתות חברתיות וכל פיתרון תוכנה בענן או מקומי.
5. InetSoft Style Intelligence היא פלטפורמת תוכנת בינה עסקית המאפשרת למשתמשים ליצור לוחות מחוונים, טכנולוגיית ניתוח OLAP חזותית ודיווחים באמצעות מנגנון ה- mashup.
6. חברת Birst מחברת Infor היא פיתרון רשת לרשת אנליסטים וניתוחים עסקיים, המשלב רעיונות של צוותים שונים ומסייע בקבלת החלטות מושכלות. הכלי מאפשר למשתמשים מבוזרים להגדיל את המודל של צוותים ארגוניים.
7. Halo הינה מערכת ניהול אספקה ​​ומודיעין עסקי מקיף המסייעת בתכנון עסקי ובחיזוי מלאי לניהול שרשרת האספקה. המערכת משתמשת בנתונים מכל המקורות - גדולים, קטנים ובינוניים.
8. Chartio הוא פיתרון מודיעין עסקי מבוסס ענן המספק למייסדים, קבוצות עסקיות, אנליסטים נתונים וקבוצות מוצרים כלים ארגוניים לעבודה יומיומית.
9. Exago BI הוא פתרון מבוסס אינטרנט המיועד ליישום ביישומי אינטרנט. יישום Exago BI מאפשר לחברות בכל הגדלים לספק ללקוחותיהן דיווח מיוחד, בזמן ואינטראקטיבי.

השפעה עסקית

המשתמש ימצא OLAP ברוב היישומים העסקיים בענפים.הניתוח משמש לא רק על ידי עסקים, אלא גם על ידי בעלי עניין אחרים.

כמה מהיישומים הנפוצים ביותר כוללים:

1. ניתוח נתונים של OLAP שיווקי.
2. דוחות כספיים המכסים מכירות והוצאות, תקצוב ותכנון פיננסי.
3. ניהול תהליכים עסקיים.
4. ניתוח מכירות.
5. שיווק בסיסי נתונים.

תעשיות ממשיכות לצמוח, כלומר המשתמשים בקרוב יראו יישומי OLAP נוספים. עיבוד מותאם רב-ממדי מספק ניתוח דינמי יותר. מסיבה זו משתמשים במערכות וטכנולוגיות OLAP אלה כדי להעריך תרחישים מה-אם ותרחישים עסקיים אלטרנטיביים.