Vad är OLAP-system?

Onlineanalytisk bearbetning, eller OLAP, är en effektiv databehandlingsteknologi, vilket gör att den slutliga informationen, baserat på enorma matriser av alla typer av data, visas. Detta är en kraftfull produkt som hjälper till att komma åt, hämta och visa information på en PC och analysera den från olika synvinklar.

OLAP är ett verktyg som tillhandahåller en strategisk position för långsiktig planering och tar hänsyn till grundläggande information om driftsdata för ett perspektiv på 5, 10 eller fler år. Data lagras i databasen med dimensionen, som är deras attribut. Användare kan visa samma datauppsättning med olika attribut, beroende på syftet med analysen.

OLAP-historia

OLAP är inte ett nytt koncept och har använts i årtionden. I själva verket har teknikens ursprung spårats tillbaka till 1962. Men termen myntades först 1993 av databasförfattaren Ted Coddom, som också fastställde 12 regler för produkten. Liksom i många andra applikationer har konceptet genomgått flera utvecklingsstadier.

OLAP-teknikens historia går tillbaka till 1970, då Express-informationsresurser och den första Olap-servern släpptes. De förvärvades av Oracle 1995 och blev därefter grunden för den online analytiska behandlingen av den flerdimensionella datormekanismen som det kända datormärket tillhandahöll i sin databas. 1992 släpptes en annan välkänd online analytisk bearbetningsprodukt Essbase av Arbor Software (förvärvad av Oracle 2007).

1998 släppte Microsoft online-databehandlingsservern, MS Analysis Services. Detta bidrog till teknikens popularitet och föranledde utvecklingen av andra produkter. Idag finns det flera världsberömda leverantörer som erbjuder Olap-applikationer, inklusive IBM, SAS, SAP, Essbase, Microsoft, Oracle, IcCube.

Online analytisk bearbetning

OLAP är ett verktyg som låter dig fatta beslut om planerade evenemang. Atypisk Olap-beräkning kan vara mer komplicerad än bara att samla data. Analysfrågor per minut (AQM) används som standardreferens för att jämföra prestandan för olika instrument. Dessa system bör dölja användare så mycket som möjligt från syntaxen för komplexa frågor och ge en konsekvent responstid för alla (oavsett hur komplicerade de är).

Följande nyckelfunktioner i OLAP finns:

1. Multidimensionella datarepresentationer.
2. Stöd för komplex datoranvändning.
3. Tillfällig underrättelse.

Multidimensionell presentation ger grunden för analytisk bearbetning genom flexibel tillgång till företagsdata. Det gör det möjligt för användare att analysera data i valfri dimension och på vilken nivå som helst av aggregeringen.

Stöd för komplex datoranläggning är grunden för OLAP-programvara.

Tillfällig intelligens används för att utvärdera effektiviteten hos varje analytisk applikation under en viss tidsperiod. Till exempel denna månad jämfört med föregående månad, denna månad jämfört med samma månad förra året.

Flerdimensionell datastruktur

En av de viktigaste kännetecknen för online analytisk behandling är den flerdimensionella datastrukturen. En kub kan ha flera dimensioner. Tack vare denna modell är hela processen med intelligent analys av OLAP enkel för chefer och chefer, eftersom de objekt som representeras i cellerna är verkliga affärsobjekt. Dessutom tillåter denna datamodell användare att bearbeta inte bara strukturerade matriser, utan också ostrukturerade och semistrukturerade.Allt detta gör dem särskilt populära för dataanalys och BI-applikationer.

Nyckelfunktioner för OLAP-system:

1. Använd flerdimensionella dataanalysmetoder.
2. Ge avancerat databasstöd.
3. Skapa användargränssnitt som är lätta att använda.
4. Stöd klient / serverarkitektur.

En av huvudkomponenterna i OLAP-koncept är en server på klientsidan. Förutom att aggregera och förbehandla data från en relationsdatabas tillhandahåller den avancerade beräknings- och inspelningsparametrar, ytterligare funktioner, grundläggande avancerade frågefunktioner och andra funktioner.

Beroende på den exempla applikation som valts av användaren, finns olika datamodeller och verktyg tillgängliga, inklusive realtidsvarningar, en funktion för att tillämpa vad-om-scenarier, optimering och komplexa OLAP-rapporter.

Kubisk form

Konceptet är baserat på en kubisk form. Platsen för uppgifterna i den visar hur OLAP följer principen för multivariat analys, vilket resulterar i att en datastruktur skapas för snabb och effektiv analys.

En OLAP-kub kallas också en "hypercube". Det beskrivs som att det består av numeriska fakta (mått), klassificerade efter fasetter (dimensioner). Dimensioner avser attribut som definierar ett affärsproblem. Enkelt uttryckt är en dimension en etikett som beskriver ett mått. I försäljningsrapporter kommer till exempel åtgärden att vara försäljningsvolym och dimensioner inkluderar försäljningsperioden, säljare, en produkt eller tjänst och försäljningsregionen. Vid rapportering av produktionsverksamheten kan åtgärden vara totala produktionskostnader och produktionsenheter. Dimensioner kommer att vara datum eller tid för produktion, produktionsfas eller fas, även de arbetare som är involverade i produktionsprocessen.

OLAP-datakuben är hörnstenen i systemet. Uppgifterna i kuben organiseras med antingen ett stjärn- eller snöflingamönster. I mitten finns en faktatabell som innehåller aggregat (mått). Det är associerat med en serie mät tabeller som innehåller information om mått. Dimensioner beskriver hur dessa åtgärder kan analyseras. Om en kub innehåller mer än tre dimensioner kallas den ofta en hyperkub.

En av huvudfunktionerna som hör till kuben är dess statiska natur, vilket innebär att kuben inte kan ändras efter dess utveckling. Därför är processen att bygga en kub och inrätta en datamodell ett avgörande steg mot lämplig databehandling i OLAP-arkitekturen.

Samling av data

Användningen av aggregeringar är det främsta skälet till att förfrågningar behandlas mycket snabbare i OLAP-verktyg (jämfört med OLTP). Aggregeringar är sammanfattningar av data som tidigare beräknades under behandlingen. Alla medlemmar lagrade i OLAP-dimensionstabeller definierar de frågor som kuben kan ta emot.

I en kub lagras informationsackumulationer i celler vars koordinater specificeras av specifika storlekar. Antalet aggregat som en kub kan innehålla beror på alla möjliga kombinationer av dimensionselement. Därför kan en typisk kub i en applikation innehålla ett extremt stort antal aggregat. En preliminär beräkning kommer endast att utföras för viktiga aggregat som är fördelade över den analytiska kuben för onlineanalys. Detta kommer att avsevärt minska den tid som krävs för att bestämma eventuella aggregeringar vid körning av en fråga i en datamodell.

Det finns också två alternativ relaterade till aggregeringar med vilka du kan förbättra prestandan för en färdig kub: skapa en sammanställning av kapacitetscachen och använda aggregering baserat på en analys av användarförfrågningar.

Arbetsprincip

Vanligtvis kan analysen av operationell information erhållen från transaktioner utföras med hjälp av ett enkelt kalkylblad (datavärden presenteras i rader och kolumner). Detta är bra med tanke på datorns tvådimensionella karaktär. När det gäller OLAP finns det skillnader på grund av den flerdimensionella dataarrayen.Eftersom de ofta erhålls från olika källor kanske ett kalkylblad inte alltid kan behandla dem effektivt.

Kuben löser detta problem och säkerställer också att OLAP-datalageret fungerar på ett logiskt och ordnat sätt. Verksamheten samlar in data från flera källor och presenteras i olika format som textfiler, multimediafiler, Excel-kalkylark, Access-databaser och till och med OLTP-databaser.

All data samlas in i ett förvar som fylls direkt från källor. I den kommer den råa informationen som tas emot från OLTP och andra källor att raderas för felaktiga, ofullständiga och inkonsekventa transaktioner.

Efter rengöring och konvertering kommer informationen att lagras i en relationsdatabas. Sedan laddas den upp till den flerdimensionella OLAP-servern (eller Olap-kuben) för analys. Slutanvändare som är ansvariga för affärsapplikationer, data mining och annan affärsverksamhet kommer att få tillgång till den information de behöver från Olap-kuben.

Fördelar med arraymodeller

OLAP är ett verktyg som ger snabb frågaprestanda, vilket uppnås genom optimerad lagring, multidimensionell indexering och caching, vilket är betydande fördelar med systemet. Dessutom är fördelarna:

1. Mindre data på disken.
2. Automatisk beräkning av aggregat för en högre datainivå
3. Array-modeller ger naturlig indexering.
4. Effektiv datainsamling uppnås genom förstrukturering.
5. Kompakt för lågdimensionella datasätt.

Nackdelarna med OLAP inkluderar det faktum att vissa lösningar (behandlingssteg) kan vara ganska långa, särskilt med stora mängder information. Detta korrigeras vanligtvis genom att endast utföra stegvis behandling (data som har modifierats studeras).

Grundläggande analytiska operationer

faltning (roll-up / drill-up) kallas också "konsolidering". Koagulation innebär att alla data som kan erhållas samlas in och beräknas i en eller flera dimensioner. Oftast kan detta kräva tillämpning av en matematisk formel. Som ett OLAP-exempel kan vi överväga ett detaljhandelsnätverk med butiker i olika städer. För att identifiera modeller och förutse framtida försäljningsutveckling "kollapsas" uppgifter om dem från alla punkter till företagets främsta försäljningsavdelning för konsolidering och beräkning.

avslöjande (Drill-ner). Detta är motsatsen till koagulering. Processen börjar med en stor datauppsättning och bryts sedan upp i mindre delar, varigenom användarna kan se detaljer. I detaljhandelsnätverket kommer analysen att analysera försäljningsdata och titta på enskilda varumärken eller produkter som anses vara bästsäljare i var och en av butikerna i olika städer.

avsnitt (Skiva och tärning). Detta är en process när analytiska operationer inkluderar två åtgärder: härleda en specifik datauppsättning från OLAP-kuben (”skära” analysaspekten) och se den från olika synvinklar eller vinklar. Detta kan hända när alla data från uttag mottas och matas in i hyperkuben. Analytikern stänger av försäljningsdatauppsättningen från OLAP Cube. Det kommer sedan att ses när man analyserar försäljningen av enskilda enheter i varje region. För närvarande kan andra användare fokusera på att utvärdera försäljningens kostnadseffektivitet eller utvärdera effektiviteten i en marknadsförings- och reklamkampanj.

twist (Pivot). Dataaxlarna roteras i den för att ge en ersättning för presentationen av information.

Olika databaser

I princip är detta en typisk OLAP-kub som implementerar analytisk bearbetning av flerdimensionell data med hjälp av OLAP-kuben eller vilken datakub som helst, så att den analytiska processen kan lägga till dimensioner efter behov. All information som laddas upp till en flerdimensionell databas lagras eller arkiveras och kan samlas upp vid behov.

Mindre kända OLAP-system eller tekniker finns, men det är de viktigaste som för närvarande används av stora företag, affärsstrukturer och till och med regeringen.

OLAP-verktyg

Verktyg för online analysbehandling presenteras mycket väl på Internet i form av både betalda och gratisversioner.

De mest populära av dem:

1. Dundas BI från Dundas Data Visualization är en webbläsarbaserad plattform för affärsinformation och datavisualisering, som inkluderar integrerade instrumentpaneler, OLAP-rapporteringsverktyg och dataanalys.
2. Yellowfin är en business intelligence-plattform, som är en enda integrerad lösning designad för företag i olika branscher och storlekar. Detta system är konfigurerat för företag inom redovisning, reklam, jordbruk.
3. ClicData är en BI-lösning (business intelligence) som främst är utformad för användning av små och medelstora företag. Verktyget gör det möjligt för slutanvändare att skapa rapporter och instrumentpaneler. Board skapades för att kombinera business intelligence, corporate performance management och är ett fullt funktionellt system som tjänar medelnivå och företag.
4. Domo är ett molnbaserat företagsledningspaket som integreras med flera datakällor, inklusive kalkylblad, databaser, sociala nätverk och alla befintliga moln- eller lokala mjukvarulösningar.
5. InetSoft Style Intelligence är en mjukvaruplattform för affärsintelligens som gör det möjligt för användare att skapa instrumentpaneler, visuell OLAP-analysteknik och rapporter med mashup-mekanismen.
6. Birst från Infor Company är en nätverkslösning för affärsanalytiker och analys, som kombinerar idéer från olika team och hjälper till att fatta välgrundade beslut. Verktyget gör det möjligt för decentraliserade användare att öka modellen för företagsteam.
7. Halo är ett omfattande system för hantering av leveranskedjor och business intelligence som hjälper till med affärsplanering och lagerprognoser för hantering av leveranskedjor. Systemet använder data från alla källor - stora, små och mellanliggande.
8. Chartio är en molnbaserad business intelligence-lösning som ger grundare, affärsgrupper, dataanalytiker och produktgrupper organisatoriska verktyg för vardagsarbete.
9. Exago BI är en webbaserad lösning designad för implementering i webbapplikationer. Genomförandet av Exago BI gör det möjligt för företag i alla storlekar att ge sina kunder speciell, snabb och interaktiv rapportering.

Affärseffekter

Användaren hittar OLAP i de flesta affärsapplikationer i olika branscher.Analysen används inte bara av företag utan också av andra intresserade parter.

Några av de vanligaste applikationerna inkluderar:

1. Marknadsföring av OLAP-dataanalys.
2. Finansiella rapporter som täcker försäljning och utgifter, budgetering och ekonomisk planering.
3. Affärsprocesshantering.
4. Försäljningsanalys.
5. Databasmarknadsföring.

Industrierna fortsätter att växa, vilket innebär att användare snart kommer att se fler OLAP-applikationer. Multidimensionell skräddarsydd behandling ger mer dynamisk analys. Det är av denna anledning som dessa OLAP-system och teknik används för att utvärdera scenarier om alternativa affärsscenarier.