Многомерный анализ данных

Тенденции развития баз данных

Организации устанавливают мощные инструментальные средства для анализа данных и создают информационные хранилища, чтобы более эффективно ис­пользовать информацию, хранимую в их базах данных, а также пользуются пре­имуществами технологий баз данных, связанных со Всемирной паутиной. В этой главе мы изучим эти разработки.

Иногда менеджерам требуется проанализировать данные методами, которые не поддерживаются в традиционных моделях баз данных. Например, компании, про­дающей четыре различных товара — гайки, болты, шайбы и шурупы — в восточ­ном, западном и центральном регионах, может потребоваться получить сведения о реальных продажах каждого товара в каждом регионе, а также сравнить эти све­дения с намеченными продажами. Для проведения такого анализа требуется представить данные в нескольких аспектах.

On-line analytical processing (OLAP) (аналитическая обработка в реаль­ном мире)

Возможности манипуляции большими объемами данных и их анализа под

различными ракурсами.

Чтобы предоставить информацию такого рода, организации могут воспользо­ваться либо специализированной многомерной базой данных, либо инструмен­тальным средством, с помощью которого создается многомерное представление данных в реляционных базах данных. Многомерный анализ позволяет пользова­телям по-разному оценить одни и те же данные, используя несколько параметров. Каждый аспект информации — товар, ценовая политика, стоимость, регион или период времени — представляет собой отдельный параметр. Поэтому менеджер по данному виду товара может воспользоваться методом многомерного анализа данных для того, чтобы узнать, например, сколько шайб было продано в восточном регионе в июне, сравнить полученные данные с предыдущим месяцем и июнем прошлого года, а также сравнить их с прогнозируемыми продажами. Для обозна­чения многомерного анализа данных также применяется еще один термин — ана­литическая обработка в реальном времени (OLAP).

На рис. 7.18 представлена многомерная модель, которую можно создать для отображения товаров, регионов, реальных продаж и прогнозируемых продаж. Таблицу, отображающую реальные продажи, можно разместить за таблицей про­гнозируемых продаж, в результате чего получим куб с шестью гранями. Если куб повернуть в одну сторону на 90°, появится грань, отображающая товар по отно­шению к реальным и прогнозируемым продажам. Если куб снова повернуть на

90°, перед вами появится регион по отношению к реальным и прогнозируемым продажам. Если куб повернуть с изначального положения на 180°, перед вами предстанут грани, отображающие прогнозируемые продажи и товар, по отноше­нию к региону. Кубы можно размещать внутри других кубов, в результате чего получают сложные представления данных.

Информационные хранилища и извлечение данных (datamining)

Лицам, принимающим решения, нужна лаконичная, надежная информация о те­кущих операциях, тенденциях и изменениях. В большинстве фирм на сегодняш­ний день доступны только текущие данные (исторические данные можно получить только из специальных ОС-отчетов, на составление которых требуется длитель­ное время). Зачастую данные разбиты на отдельные части и находятся в раз­личных системах, например в системе сбыта и системе платежных ведомостей. В результате менеджеры разных отделов принимают решения, руководствуясь неполной базой знаний. Пользователям и специалистам по информационным си­стемам приходится тратить немыслимое количество времени только лишь на то, чтобы найти и собрать нужные данные в одно целое (Watson and Haley, 1998). Эту проблему решает применение информационных хранилищ, которые позво­ляют объединить ключевые операционные данные со всех отделов компании в единое целое, содержащее непротиворечивую, надежную и легко доступную для отчетности информацию. Всю информацию можно получить в одном месте. Та­кое информационное хранилище можно разработать в целях объективного ото­бражения корпоративной информации.

Дата добавления: 2015-04-29