/ ഒരു ക്യൂബിസ്റ്റ് രീതിയിൽ. വലിയ കമ്പനികളുടെ മാനേജ്മെൻ്റ് പ്രാക്ടീസിൽ OLAP ക്യൂബുകളുടെ പ്രയോഗം

എന്നിവരുമായി ബന്ധപ്പെട്ടു

സഹപാഠികൾ

കോൺസ്റ്റാൻ്റിൻ ടോക്മാചേവ്, സിസ്റ്റം ആർക്കിടെക്റ്റ്

ഒരു ക്യൂബിസ്റ്റ് ശൈലിയിൽ.
വലിയ കമ്പനികളുടെ മാനേജ്മെൻ്റ് പ്രാക്ടീസിൽ OLAP ക്യൂബുകളുടെ പ്രയോഗം

ഒരു കോർപ്പറേഷൻ്റെ കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങൾ വിവരങ്ങളും അക്കൌണ്ടിംഗ് റിപ്പോർട്ടുകളും രേഖപ്പെടുത്തുന്നതിന് മാത്രം ചെലവഴിച്ച സമയം കടന്നുപോയി. അതേ സമയം, ഓഫീസുകളിലും മീറ്റിംഗുകളിലും മീറ്റിംഗുകളിലും മാനേജ്മെൻ്റ് തീരുമാനങ്ങൾ "കണ്ണുകൊണ്ട്" എടുക്കപ്പെട്ടു. ഒരുപക്ഷേ റഷ്യയിൽ കോർപ്പറേറ്റ് കമ്പ്യൂട്ടിംഗ് സിസ്റ്റങ്ങളെ അവയുടെ പ്രധാന ഉറവിടത്തിലേക്ക് തിരികെ കൊണ്ടുവരാനുള്ള സമയമാണിത് - കമ്പ്യൂട്ടറിൽ രജിസ്റ്റർ ചെയ്ത ഡാറ്റയെ അടിസ്ഥാനമാക്കി മാനേജ്മെൻ്റ് പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നു

ബിസിനസ് അനലിറ്റിക്‌സിൻ്റെ നേട്ടങ്ങളെക്കുറിച്ച്

കോർപ്പറേറ്റ് മാനേജുമെൻ്റ് ലൂപ്പിൽ, നിയന്ത്രിത വസ്തുവിനെ സ്വാധീനിക്കുന്ന "റോ" ഡാറ്റയ്ക്കും "ലിവറുകൾക്കും" ഇടയിൽ, "പ്രകടന സൂചകങ്ങൾ" - കെപിഐകൾ ഉണ്ട്. നിയന്ത്രിത വസ്തുവിൻ്റെ വിവിധ ഉപസിസ്റ്റങ്ങളുടെ അവസ്ഥയെ പ്രതിഫലിപ്പിക്കുന്ന ഒരുതരം "ഡാഷ്ബോർഡ്" അവ രൂപപ്പെടുത്തുന്നു. വിവരദായക പ്രകടന സൂചകങ്ങൾ ഉപയോഗിച്ച് കമ്പനിയെ സജ്ജമാക്കുകയും അവയുടെ കണക്കുകൂട്ടലും ലഭിച്ച മൂല്യങ്ങളും നിരീക്ഷിക്കുകയും ചെയ്യുന്നത് ഒരു ബിസിനസ് അനലിസ്റ്റിൻ്റെ ജോലിയാണ്. MS SQL സെർവർ അനാലിസിസ് സർവീസസ് (SSAS) യൂട്ടിലിറ്റിയും അതിൻ്റെ പ്രധാന ഉപകരണമായ OLAP ക്യൂബും പോലുള്ള ഓട്ടോമേറ്റഡ് വിശകലന സേവനങ്ങൾക്ക് കോർപ്പറേഷൻ്റെ വിശകലന പ്രവർത്തനങ്ങൾ സംഘടിപ്പിക്കുന്നതിന് കാര്യമായ സഹായം നൽകാൻ കഴിയും.

ഇവിടെ ഒരു കാര്യം കൂടി പറയേണ്ടതുണ്ട്. നമുക്ക് പറയാം, അമേരിക്കൻ പാരമ്പര്യത്തിൽ, OLAP ക്യൂബുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ഒരു പ്രത്യേകതയെ BI (ബിസിനസ് ഇൻ്റലിജൻസ്) എന്ന് വിളിക്കുന്നു. അമേരിക്കൻ ബിഐ റഷ്യൻ "ബിസിനസ് അനലിസ്റ്റുമായി" യോജിക്കുന്നുവെന്ന മിഥ്യാധാരണകളൊന്നും ഉണ്ടാകരുത്. കുറ്റമില്ല, പക്ഷേ പലപ്പോഴും ഞങ്ങളുടെ ബിസിനസ്സ് അനലിസ്റ്റ് "അണ്ടർ-അക്കൗണ്ടൻ്റ്", "അണ്ടർ-പ്രോഗ്രാമർ" ആണ്, അവ്യക്തമായ അറിവും ചെറിയ ശമ്പളവുമുള്ള ഒരു സ്പെഷ്യലിസ്റ്റാണ്, അദ്ദേഹത്തിന് സ്വന്തമായി ഉപകരണങ്ങളും രീതിശാസ്ത്രവും ഒന്നുമില്ല.

ഒരു BI സ്പെഷ്യലിസ്റ്റ്, വാസ്തവത്തിൽ, ഒരു പ്രായോഗിക ഗണിതശാസ്ത്രജ്ഞനാണ്, ആധുനിക ഗണിതശാസ്ത്ര രീതികൾ കമ്പനിയുടെ ആയുധപ്പുരയിൽ ഉൾപ്പെടുത്തുന്ന ഉയർന്ന യോഗ്യതയുള്ള ഒരു സ്പെഷ്യലിസ്റ്റാണ് (ഓപ്പറേഷൻ റിസർച്ച് - പ്രവർത്തന ഗവേഷണ രീതികൾ എന്ന് വിളിക്കുന്നത്). മോസ്കോ സ്റ്റേറ്റ് യൂണിവേഴ്സിറ്റിയിലെ കംപ്യൂട്ടേഷണൽ മാത്തമാറ്റിക്സ് ആൻഡ് മാത്തമാറ്റിക്സ് ഫാക്കൽറ്റിയിൽ നിന്ന് ബിരുദം നേടിയ സോവിയറ്റ് യൂണിയനിൽ ഒരിക്കൽ ഉണ്ടായിരുന്ന സ്പെഷ്യാലിറ്റി "സിസ്റ്റം അനലിസ്റ്റുമായി" BI കൂടുതൽ സ്ഥിരത പുലർത്തുന്നു. എം.വി. ലോമോനോസോവ്. OLAP ക്യൂബും വിശകലന സേവനങ്ങളും ഒരു റഷ്യൻ ബിസിനസ്സ് അനലിസ്റ്റിൻ്റെ ജോലിസ്ഥലത്തിന് ഒരു നല്ല അടിത്തറയായി മാറും, ഒരുപക്ഷേ അമേരിക്കൻ ബിഐയുടെ ദിശയിലുള്ള ചില വിപുലമായ പരിശീലനത്തിന് ശേഷം.

സമീപകാലത്ത്, മറ്റൊരു ദോഷകരമായ പ്രവണത ഉയർന്നുവന്നിട്ടുണ്ട്. സ്പെഷ്യലൈസേഷന് നന്ദി, വിവിധ വിഭാഗങ്ങളിലെ കോർപ്പറേഷൻ ജീവനക്കാർ തമ്മിലുള്ള പരസ്പര ധാരണ നഷ്ടപ്പെട്ടു. I.A. യുടെ കെട്ടുകഥയിലെ "ഒരു ഹംസം, ഒരു കൊഞ്ച്, ഒരു പൈക്ക്" പോലെയുള്ള ഒരു അക്കൗണ്ടൻ്റും മാനേജരും പ്രോഗ്രാമറും. ക്രൈലോവ്, കോർപ്പറേഷനെ വ്യത്യസ്ത ദിശകളിലേക്ക് വലിക്കുന്നു.

അക്കൗണ്ടൻ്റ് റിപ്പോർട്ടിംഗിൽ തിരക്കിലാണ്; അർത്ഥത്തിലും ചലനാത്മകതയിലും അവൻ്റെ തുകകൾ കമ്പനിയുടെ ബിസിനസ്സ് പ്രക്രിയയുമായി നേരിട്ട് ബന്ധപ്പെട്ടിട്ടില്ല.

മാനേജർ തൻ്റെ ബിസിനസ്സ് പ്രക്രിയയിൽ തിരക്കിലാണ്, പക്ഷേ ആഗോളതലത്തിൽ, കമ്പനിയുടെ മൊത്തത്തിലുള്ള തലത്തിൽ, അവൻ്റെ പ്രവർത്തനങ്ങളുടെ ഫലങ്ങളും സാധ്യതകളും വിലയിരുത്താൻ കഴിയില്ല.

അവസാനമായി, ഒരു കാലത്ത് (അദ്ദേഹത്തിൻ്റെ വിദ്യാഭ്യാസത്തിന് നന്ദി) സയൻസ് മേഖല മുതൽ ബിസിനസ്സ് മേഖലയിലേക്കുള്ള നൂതന സാങ്കേതിക ആശയങ്ങളുടെ ചാലകനായിരുന്ന പ്രോഗ്രാമർ, അക്കൗണ്ടൻ്റിൻ്റെയും മാനേജരുടെയും ഫാൻ്റസികളുടെ നിഷ്ക്രിയ നിർവ്വഹണക്കാരനായി മാറി, അതിനാൽ അത് ഇല്ല. കോർപ്പറേഷനുകളുടെ ഐടി ഡിപ്പാർട്ട്‌മെൻ്റുകൾ അക്കൗണ്ടൻ്റുമാരാലും പൊതുവെ മടിയന്മാരല്ലാത്ത എല്ലാവരാലും നയിക്കപ്പെടുന്നത് അസാധാരണമാണ്. മുൻകൈയുടെ അഭാവം, നിരക്ഷരൻ, എന്നാൽ താരതമ്യേന ഉയർന്ന ശമ്പളമുള്ള 1C പ്രോഗ്രാമർ റഷ്യൻ കോർപ്പറേഷനുകളുടെ ഒരു യഥാർത്ഥ വിപത്താണ്. (ഏതാണ്ട് ഒരു ആഭ്യന്തര ഫുട്ബോൾ കളിക്കാരനെപ്പോലെ.) "സാമ്പത്തിക വിദഗ്ധരും അഭിഭാഷകരും" എന്ന് വിളിക്കപ്പെടുന്നവരെക്കുറിച്ച് പോലും ഞാൻ സംസാരിക്കുന്നില്ല; അവരെക്കുറിച്ച് എല്ലാം വളരെക്കാലം മുമ്പ് പറഞ്ഞിട്ടുണ്ട്.

അതിനാൽ, ഒരു ബിസിനസ് അനലിസ്റ്റിൻ്റെ സ്ഥാനം, വിജ്ഞാന-തീവ്രമായ SSAS ഉപകരണം കൊണ്ട് സജ്ജീകരിച്ചിരിക്കുന്നു, പ്രോഗ്രാമിംഗിൻ്റെയും അക്കൗണ്ടിംഗിൻ്റെയും അടിസ്ഥാനകാര്യങ്ങളിൽ പ്രാവീണ്യമുണ്ട്, ബിസിനസ്സ് പ്രക്രിയയുടെ വിശകലനവും പ്രവചനവുമായി ബന്ധപ്പെട്ട് കമ്പനിയുടെ പ്രവർത്തനം ഏകീകരിക്കാൻ പ്രാപ്തമാണ്.

OLAP ക്യൂബുകളുടെ പ്രയോജനങ്ങൾ

ഒരു കോർപ്പറേറ്റ് കമ്പ്യൂട്ടർ സിസ്റ്റം ഡാറ്റാബേസ് വിശകലനം ചെയ്യുന്നതിനുള്ള ഒരു ആധുനിക ഉപകരണമാണ് OLAP ക്യൂബ്, അത് ശ്രേണിയുടെ എല്ലാ തലങ്ങളിലുമുള്ള ജീവനക്കാർക്ക് കമ്പനിയുടെ ഉൽപ്പാദന പ്രക്രിയയെ ചിത്രീകരിക്കുന്ന ആവശ്യമായ സൂചകങ്ങൾ നൽകാൻ നിങ്ങളെ അനുവദിക്കുന്നു. MDX ക്യൂബിനായുള്ള സൗകര്യപ്രദമായ ഇൻ്റർഫേസും വഴക്കമുള്ള അന്വേഷണ ഭാഷയും (മൾട്ടിഡൈമൻഷണൽ എക്‌സ്‌പ്രഷനുകൾ) ആവശ്യമായ വിശകലന സൂചകങ്ങൾ രൂപപ്പെടുത്താനും കണക്കാക്കാനും നിങ്ങളെ അനുവദിക്കുന്നു എന്നത് മാത്രമല്ല, OLAP ക്യൂബ് ഇത് ചെയ്യുന്നതിൻ്റെ ശ്രദ്ധേയമായ വേഗതയും എളുപ്പവുമാണ്. മാത്രമല്ല, ഈ വേഗതയും എളുപ്പവും, ചില പരിധിക്കുള്ളിൽ, കണക്കുകൂട്ടലുകളുടെ സങ്കീർണ്ണതയെയും ഡാറ്റാബേസിൻ്റെ വലുപ്പത്തെയും ആശ്രയിക്കുന്നില്ല.

OLAP-ലേക്കുള്ള ചില ആമുഖം-
MS Excel-ൻ്റെ "പിവറ്റ് ടേബിൾ" വഴി ക്യൂബ് നൽകാം. ഈ ഒബ്‌ജക്‌റ്റുകൾക്ക് സമാനമായ ലോജിക്കും സമാന ഇൻ്റർഫേസുകളുമുണ്ട്. പക്ഷേ, ലേഖനത്തിൽ നിന്ന് കാണുന്നത് പോലെ, OLAP പ്രവർത്തനക്ഷമത താരതമ്യപ്പെടുത്താനാവാത്തവിധം സമ്പന്നമാണ്, കൂടാതെ പ്രകടനം താരതമ്യപ്പെടുത്താനാവാത്തവിധം ഉയർന്നതാണ്, അതിനാൽ "പിവറ്റ് ടേബിൾ" ഒരു പ്രാദേശിക ഡെസ്ക്ടോപ്പ് ഉൽപ്പന്നമായി തുടരുന്നു, അതേസമയം OLAP ഒരു എൻ്റർപ്രൈസ്-ലെവൽ ഉൽപ്പന്നമാണ്.

വിശകലന പ്രശ്‌നങ്ങൾ പരിഹരിക്കുന്നതിന് OLAP ക്യൂബ് ഏറ്റവും അനുയോജ്യമായത് എന്തുകൊണ്ട്? സാധ്യമായ എല്ലാ വിഭാഗങ്ങളിലെയും എല്ലാ സൂചകങ്ങളും മുൻകൂട്ടി കണക്കാക്കുന്ന വിധത്തിലാണ് OLAP ക്യൂബ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് (പൂർണ്ണമായോ ഭാഗികമായോ), കൂടാതെ ഉപയോക്താവിന് ആവശ്യമായ സൂചകങ്ങളും (അളവുകൾ) അളവുകളും (അളവുകൾ) മാത്രമേ "പുറന്തള്ളാൻ" കഴിയൂ. മൗസ്, കൂടാതെ പ്രോഗ്രാമിന് പട്ടികകൾ വീണ്ടും വരയ്ക്കാൻ കഴിയും.

എല്ലാ വിഭാഗങ്ങളിലും സാധ്യമായ എല്ലാ വിശകലനങ്ങളും ഒരു വലിയ ഫീൽഡ് ഉണ്ടാക്കുന്നു, അല്ലെങ്കിൽ, ഒരു ഫീൽഡ് അല്ല, മറിച്ച് ഒരു മൾട്ടിഡൈമൻഷണൽ OLAP ക്യൂബ് മാത്രമാണ്. ഉപയോക്താവ് (മാനേജർ, ബിസിനസ് അനലിസ്റ്റ്, എക്സിക്യൂട്ടീവ്) അനലിറ്റിക്‌സ് സേവനത്തിലേക്ക് തിരിയുന്ന ഏത് അഭ്യർത്ഥനയും, പ്രതികരണത്തിൻ്റെ വേഗത രണ്ട് കാര്യങ്ങളാൽ വിശദീകരിക്കപ്പെടുന്നു: ഒന്നാമതായി, ആവശ്യമായ അനലിറ്റിക്‌സ് എളുപ്പത്തിൽ രൂപപ്പെടുത്താൻ കഴിയും (ഒന്നുകിൽ ഒരു ലിസ്റ്റിൽ നിന്ന് പേര് പ്രകാരം തിരഞ്ഞെടുത്തു, അല്ലെങ്കിൽ വ്യക്തമാക്കുന്നു. MDX ഭാഷയിലെ ഫോർമുല ), രണ്ടാമതായി, ഒരു ചട്ടം പോലെ, ഇത് ഇതിനകം കണക്കാക്കിയിട്ടുണ്ട്.

അനലിറ്റിക്സിൻ്റെ രൂപീകരണം മൂന്ന് ഓപ്ഷനുകളിൽ സാധ്യമാണ്: ഇത് ഒന്നുകിൽ ഒരു ഡാറ്റാബേസ് ഫീൽഡ് (അല്ലെങ്കിൽ, ഒരു വെയർഹൗസ് ഫീൽഡ്), അല്ലെങ്കിൽ ക്യൂബ് ഡിസൈൻ തലത്തിൽ നിർവചിച്ചിരിക്കുന്ന ഒരു കണക്കുകൂട്ടൽ ഫീൽഡ് അല്ലെങ്കിൽ ക്യൂബുമായി സംവേദനാത്മകമായി പ്രവർത്തിക്കുമ്പോൾ ഒരു MDX ഭാഷാ എക്സ്പ്രഷൻ.

ഇതിനർത്ഥം OLAP ക്യൂബുകളുടെ ആകർഷകമായ നിരവധി സവിശേഷതകൾ എന്നാണ്. അടിസ്ഥാനപരമായി, ഉപയോക്താവും ഡാറ്റയും തമ്മിലുള്ള തടസ്സം അപ്രത്യക്ഷമാകുന്നു. തടസ്സം ഒരു ആപ്ലിക്കേഷൻ പ്രോഗ്രാമറുടെ രൂപത്തിലാണ്, ആദ്യം, പ്രശ്നം വിശദീകരിക്കേണ്ടതുണ്ട് (ഒരു ടാസ്ക് സജ്ജമാക്കുക). രണ്ടാമതായി, ആപ്ലിക്കേഷൻ പ്രോഗ്രാമർ ഒരു അൽഗോരിതം സൃഷ്ടിക്കുന്നതിനും പ്രോഗ്രാം എഴുതുന്നതിനും ഡീബഗ് ചെയ്യുന്നതിനുമായി നിങ്ങൾ കാത്തിരിക്കേണ്ടിവരും, തുടർന്ന് അത് പരിഷ്‌ക്കരിക്കാം. നിരവധി ജീവനക്കാരുണ്ടെങ്കിൽ അവരുടെ ആവശ്യകതകൾ വ്യത്യസ്തവും മാറ്റാവുന്നതുമാണെങ്കിൽ, ആപ്ലിക്കേഷൻ പ്രോഗ്രാമർമാരുടെ ഒരു ടീം ആവശ്യമാണ്. ഈ അർത്ഥത്തിൽ, ഒരു OLAP ക്യൂബ് (ഒപ്പം ഒരു യോഗ്യതയുള്ള ബിസിനസ്സ് അനലിസ്റ്റും) ഒരു മുഴുവൻ ആപ്ലിക്കേഷൻ പ്രോഗ്രാമർമാരുടെ ടീമിനെയും വിശകലന പ്രവർത്തനത്തിൻ്റെ കാര്യത്തിൽ മാറ്റിസ്ഥാപിക്കുന്നു, ഒരു എക്‌സ്‌കവേറ്റർ ഓപ്പറേറ്ററുള്ള ഒരു ശക്തമായ എക്‌സ്‌കവേറ്റർ ഒരു കുഴി കുഴിക്കുമ്പോൾ ഒരു മുഴുവൻ കുടിയേറ്റ തൊഴിലാളികളെയും കോരിക ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നതുപോലെ!

അതേ സമയം, ലഭിച്ച അനലിറ്റിക്കൽ ഡാറ്റയുടെ മറ്റൊരു വളരെ പ്രധാനപ്പെട്ട ഗുണനിലവാരം കൈവരിക്കുന്നു. മുഴുവൻ കമ്പനിക്കും ഒരു OLAP ക്യൂബ് മാത്രമുള്ളതിനാൽ, അതായത്. ഡാറ്റയിലെ ശല്യപ്പെടുത്തുന്ന പൊരുത്തക്കേടുകൾ ഇല്ലാതാക്കുന്ന എല്ലാവർക്കുമായി അനലിസ്റ്റുകളുള്ള ഒരേ മേഖലയാണിത്. ആത്മനിഷ്ഠതയുടെ ഘടകം ഇല്ലാതാക്കാൻ മാനേജർക്ക് ഒരേ ചുമതല നിരവധി സ്വതന്ത്ര ജീവനക്കാരോട് ചോദിക്കേണ്ടിവരുമ്പോൾ, അവർ ഇപ്പോഴും വ്യത്യസ്തമായ ഉത്തരങ്ങൾ നൽകുന്നു, അത് എങ്ങനെയെങ്കിലും വിശദീകരിക്കാൻ എല്ലാവരും ഏറ്റെടുക്കുന്നു. കോർപ്പറേറ്റ് ശ്രേണിയുടെ വിവിധ തലങ്ങളിൽ അനലിറ്റിക്കൽ ഡാറ്റയുടെ ഏകീകൃതത OLAP ക്യൂബ് ഉറപ്പാക്കുന്നു, അതായത്. ഒരു മാനേജർ തനിക്ക് താൽപ്പര്യമുള്ള ഒരു പ്രത്യേക സൂചകം വിശദീകരിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, അവൻ തീർച്ചയായും അവൻ്റെ കീഴിലുള്ള ഉദ്യോഗസ്ഥൻ പ്രവർത്തിക്കുന്ന താഴ്ന്ന നിലയിലുള്ള ഡാറ്റയിലേക്ക് വരും, ഇത് കൃത്യമായി ഉയർന്ന തലത്തിലുള്ള സൂചകം കണക്കാക്കിയ ഡാറ്റയായിരിക്കും. , മറ്റ് ചില ഡാറ്റയല്ല, മറ്റേതെങ്കിലും രീതിയിൽ, മറ്റേതെങ്കിലും സമയത്ത്, മുതലായവ സ്വീകരിച്ചു. അതായത്, മുഴുവൻ കമ്പനിയും ഒരേ അനലിറ്റിക്‌സ് കാണുന്നു, എന്നാൽ അഗ്രഗേഷൻ്റെ വ്യത്യസ്ത തലങ്ങളിൽ.

ഒരു ഉദാഹരണം പറയാം. സ്വീകാര്യമായ അക്കൗണ്ടുകൾ മാനേജർ നിയന്ത്രിക്കുന്നുവെന്ന് നമുക്ക് പറയാം. കാലഹരണപ്പെട്ട സ്വീകാര്യതയ്ക്കുള്ള കെപിഐ പച്ചയായിരിക്കുന്നിടത്തോളം, എല്ലാം സാധാരണമാണെന്നും മാനേജ്മെൻ്റ് നടപടികളൊന്നും ആവശ്യമില്ലെന്നും അർത്ഥമാക്കുന്നു. നിറം മഞ്ഞയോ ചുവപ്പോ ആയി മാറിയെങ്കിൽ, എന്തോ കുഴപ്പമുണ്ട്: ഞങ്ങൾ സെയിൽസ് ഡിപ്പാർട്ട്മെൻ്റുകൾ വഴി കെപിഐകൾ വെട്ടി, ഉടൻ തന്നെ വകുപ്പുകൾ "ചുവപ്പിൽ" കാണും. മാനേജർമാരുടെ അടുത്ത വിഭാഗം - പേയ്‌മെൻ്റുകളിൽ ക്ലയൻ്റുകൾ പിന്നിലുള്ള വിൽപ്പനക്കാരനും തിരിച്ചറിയപ്പെടുന്നു. (കൂടാതെ, കാലഹരണപ്പെട്ട തുക ഉപഭോക്താക്കൾക്ക്, നിബന്ധനകൾ മുതലായവ പ്രകാരം വിഭജിക്കാം.) കോർപ്പറേഷൻ മേധാവിക്ക് ഏത് തലത്തിലും നിയമലംഘകരുമായി നേരിട്ട് ബന്ധപ്പെടാം. എന്നാൽ പൊതുവേ, ഒരേ കെപിഐ (അവരുടെ ശ്രേണി തലങ്ങളിൽ) ഡിപ്പാർട്ട്മെൻ്റ് മേധാവികളും സെയിൽസ് മാനേജർമാരും കാണുന്നു. അതിനാൽ, സാഹചര്യം ശരിയാക്കാൻ, "കോൾ ഓൺ ദി കാർപെറ്റിനായി" അവർ കാത്തിരിക്കേണ്ടതില്ല... തീർച്ചയായും, കെപിഐ തന്നെ കാലഹരണപ്പെട്ട പേയ്‌മെൻ്റുകളുടെ തുക ആയിരിക്കണമെന്നില്ല - അത് കാലഹരണപ്പെട്ട പേയ്‌മെൻ്റുകളുടെ വെയ്റ്റഡ് ശരാശരി കാലയളവ് അല്ലെങ്കിൽ പൊതുവേ, സ്വീകാര്യതകളുടെ വിറ്റുവരവിൻ്റെ നിരക്ക്.

MDX ഭാഷയുടെ സങ്കീർണ്ണതയും വഴക്കവും, വേഗതയേറിയ (ചിലപ്പോൾ തൽക്ഷണം) ഫലങ്ങൾക്കൊപ്പം, സങ്കീർണ്ണമായ നിയന്ത്രണ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ (വികസനത്തിൻ്റെയും ഡീബഗ്ഗിംഗിൻ്റെയും ഘട്ടങ്ങൾ കണക്കിലെടുത്ത്) ഞങ്ങളെ അനുവദിക്കുന്ന കാര്യം ശ്രദ്ധിക്കുക. ആപ്ലിക്കേഷൻ പ്രോഗ്രാമർമാരുടെ സങ്കീർണ്ണതയും ഫോർമുലേഷനിലെ പ്രാരംഭ അനിശ്ചിതത്വവും കാരണം. (പ്രായോഗികമായി സാഹചര്യങ്ങൾ മാറുമ്പോൾ, ശരിയായി മനസ്സിലാക്കാത്ത ഫോർമുലേഷനുകളും പ്രോഗ്രാമുകളുടെ ദൈർഘ്യമേറിയ പരിഷ്കാരങ്ങളും കാരണം വിശകലന പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ആപ്ലിക്കേഷൻ പ്രോഗ്രാമർമാർക്കുള്ള ദൈർഘ്യമേറിയ സമയപരിധി.)

കമ്പനിയിലെ ഓരോ ജീവനക്കാരനും പൊതുമേഖലയിൽ നിന്ന് ഒരു OLAP അനലിസ്റ്റിന് അവൻ്റെ ജോലിക്ക് ആവശ്യമായ വിളവെടുപ്പ് കൃത്യമായി ശേഖരിക്കാനാകുമെന്ന വസ്തുതയും നമുക്ക് ശ്രദ്ധിക്കാം, മാത്രമല്ല വർഗീയതയിൽ അവനുവേണ്ടി മുറിച്ചെടുത്ത “സ്ട്രിപ്പിൽ” തൃപ്തിപ്പെടരുത്. "സ്റ്റാൻഡേർഡ് റിപ്പോർട്ടുകൾ".

ക്ലയൻ്റ്-സെർവർ മോഡിൽ ഒരു OLAP ക്യൂബ് ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതിനുള്ള മൾട്ടി-യൂസർ ഇൻ്റർഫേസ്, ഓരോ ജീവനക്കാരനെയും മറ്റുള്ളവരിൽ നിന്ന് സ്വതന്ത്രമായി, അവരുടേതായ (ചില വൈദഗ്ധ്യം ഉപയോഗിച്ച് സ്വയം നിർമ്മിച്ചത് പോലും) അനലിറ്റിക്സ് ബ്ലോക്കുകൾ (റിപ്പോർട്ടുകൾ) അനുവദിക്കുന്നു, അവ ഒരിക്കൽ നിർവചിച്ചാൽ, സ്വയമേവ അപ്ഡേറ്റ് ചെയ്തു - മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, അവ എല്ലായ്പ്പോഴും കാലികമാണ്.

അതായത്, വിശകലന പ്രവർത്തനങ്ങൾ നടത്താൻ OLAP ക്യൂബ് നിങ്ങളെ അനുവദിക്കുന്നു (ഇത് യഥാർത്ഥത്തിൽ റിസപ്ഷൻ അനലിസ്റ്റുകൾ മാത്രമല്ല, വാസ്തവത്തിൽ, കമ്പനിയിലെ മിക്കവാറും എല്ലാ ജീവനക്കാരും, ബാലൻസുകളും ഷിപ്പ്മെൻ്റുകളും നിയന്ത്രിക്കുന്ന ലോജിസ്റ്റിഷ്യൻമാരും മാനേജർമാരും പോലും) കൂടുതൽ തിരഞ്ഞെടുക്കുന്നു, "പൊതുവാക്കിൽ അല്ല" , ഇത് ജോലി മെച്ചപ്പെടുത്തുന്നതിനും ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നതിനുമുള്ള സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്നു.

ഞങ്ങളുടെ ആമുഖം സംഗ്രഹിക്കാൻ, OLAP ക്യൂബുകളുടെ ഉപയോഗം ഒരു കമ്പനിയുടെ മാനേജ്മെൻ്റിനെ ഉയർന്ന തലത്തിലേക്ക് ഉയർത്താൻ കഴിയുമെന്ന് ഞങ്ങൾ ശ്രദ്ധിക്കുന്നു. ശ്രേണിയുടെ എല്ലാ തലങ്ങളിലുമുള്ള അനലിറ്റിക്കൽ ഡാറ്റയുടെ ഏകീകൃതത, അവയുടെ വിശ്വാസ്യത, സങ്കീർണ്ണത, സൂചകങ്ങൾ സൃഷ്ടിക്കുന്നതിനും പരിഷ്‌ക്കരിക്കുന്നതിനുമുള്ള എളുപ്പം, വ്യക്തിഗത ക്രമീകരണങ്ങൾ, ഡാറ്റ പ്രോസസ്സിംഗിൻ്റെ ഉയർന്ന വേഗത, ഒടുവിൽ, ഇതര വിശകലന പാതകളെ പിന്തുണയ്ക്കുന്നതിനായി ചെലവഴിക്കുന്ന പണവും സമയവും ലാഭിക്കൽ (അപ്ലിക്കേഷൻ പ്രോഗ്രാമർമാർ, ജീവനക്കാരുടെ സ്വതന്ത്ര കണക്കുകൂട്ടലുകൾ) വലിയ റഷ്യൻ കമ്പനികളുടെ പ്രയോഗത്തിൽ OLAP ക്യൂബുകൾ ഉപയോഗിക്കുന്നതിനുള്ള സാധ്യതകൾ തുറക്കുന്നു.

OLTP + OLAP: കമ്പനി മാനേജ്‌മെൻ്റ് ശൃംഖലയിലെ ഫീഡ്‌ബാക്ക് ലൂപ്പ്

OLAP ക്യൂബുകളുടെ പൊതുവായ ആശയവും കോർപ്പറേറ്റ് മാനേജ്മെൻ്റ് ശൃംഖലയിലെ അവയുടെ പ്രയോഗത്തിൻ്റെ പോയിൻ്റും നോക്കാം. OLAP (ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) എന്ന പദം ബ്രിട്ടീഷ് ഗണിതശാസ്ത്രജ്ഞനായ എഡ്ഗർ കോഡ് തൻ്റെ മുമ്പ് അവതരിപ്പിച്ച OLTP (ഓൺലൈൻ ഇടപാടുകൾ പ്രോസസ്സിംഗ്) കൂടാതെ അവതരിപ്പിച്ചു. ഇത് പിന്നീട് ചർച്ച ചെയ്യപ്പെടും, എന്നാൽ E. കോഡ്, തീർച്ചയായും, നിബന്ധനകൾ മാത്രമല്ല, OLTP, OLAP എന്നിവയുടെ ഗണിതശാസ്ത്ര സിദ്ധാന്തങ്ങളും നിർദ്ദേശിച്ചു. വിശദാംശങ്ങളിലേക്ക് കടക്കാതെ, ആധുനിക വ്യാഖ്യാനത്തിൽ, OLTP എന്നത് ഒരു റിലേഷണൽ ഡാറ്റാബേസാണ്, ഇത് വിവരങ്ങൾ രേഖപ്പെടുത്തുന്നതിനും സൂക്ഷിക്കുന്നതിനും വീണ്ടെടുക്കുന്നതിനുമുള്ള ഒരു സംവിധാനമായി കണക്കാക്കപ്പെടുന്നു.

പരിഹാര രീതിശാസ്ത്രം

1C7, 1C8, MS Dynamics AX പോലുള്ള ERP സിസ്റ്റങ്ങൾക്ക് (എൻ്റർപ്രൈസ് റിസോഴ്‌സ് പ്ലാനിംഗ്) ഉപയോക്തൃ-അധിഷ്ഠിത സോഫ്റ്റ്‌വെയർ ഇൻ്റർഫേസുകളും (ഡോക്യുമെൻ്റുകൾ നൽകുന്നതും എഡിറ്റുചെയ്യുന്നതും മുതലായവ) ഒരു റിലേഷണൽ ഡാറ്റാബേസും (DB) ഉണ്ട്, ഇന്ന് സോഫ്റ്റ്‌വെയർ പ്രതിനിധീകരിക്കുന്നു. MS SQL സെർവർ (SS) പോലുള്ള ഉൽപ്പന്നങ്ങൾ.

ERP സിസ്റ്റം ഡാറ്റാബേസിൽ രജിസ്റ്റർ ചെയ്തിരിക്കുന്ന വിവരങ്ങൾ തീർച്ചയായും വളരെ മൂല്യവത്തായ ഒരു വിഭവമാണെന്ന് ശ്രദ്ധിക്കുക. രജിസ്റ്റർ ചെയ്ത വിവരങ്ങൾ കോർപ്പറേഷൻ്റെ നിലവിലെ ഡോക്യുമെൻ്റ് ഫ്ലോ (രേഖകൾ എക്‌സ്‌ട്രാക്റ്റുചെയ്യൽ, അവ ക്രമീകരിക്കൽ, അച്ചടിക്കാനും അനുരഞ്ജിപ്പിക്കാനുമുള്ള കഴിവ് മുതലായവ) മാത്രമല്ല സാമ്പത്തിക പ്രസ്താവനകൾ (നികുതികൾ, ഓഡിറ്റ് മുതലായവ) കണക്കാക്കാനുള്ള കഴിവ് മാത്രമല്ല. ). ഒരു മാനേജ്‌മെൻ്റ് വീക്ഷണകോണിൽ നിന്ന്, OLTP സിസ്റ്റം (റിലേഷണൽ ഡാറ്റാബേസ്) കോർപ്പറേഷൻ്റെ പ്രവർത്തനങ്ങളുടെ യഥാർത്ഥ ജീവിത വലുപ്പത്തിലുള്ള ഡിജിറ്റൽ മാതൃകയാണെന്നത് വളരെ പ്രധാനമാണ്.

എന്നാൽ പ്രക്രിയ നിയന്ത്രിക്കുന്നതിന്, അതിനെക്കുറിച്ചുള്ള വിവരങ്ങൾ രജിസ്റ്റർ ചെയ്താൽ മാത്രം പോരാ. പ്രക്രിയ അതിൻ്റെ പുരോഗതിയെ ചിത്രീകരിക്കുന്ന സംഖ്യാ സൂചകങ്ങളുടെ (കെപിഐ) ഒരു സംവിധാനത്തിൻ്റെ രൂപത്തിൽ അവതരിപ്പിക്കണം. കൂടാതെ, സൂചകങ്ങൾക്കായി മൂല്യങ്ങളുടെ സ്വീകാര്യമായ ശ്രേണികൾ നിർവചിക്കേണ്ടതുണ്ട്. ഇൻഡിക്കേറ്ററിൻ്റെ മൂല്യം അനുവദനീയമായ ഇടവേളയ്ക്ക് പുറത്താണെങ്കിൽ മാത്രം, ഒരു നിയന്ത്രണ പ്രവർത്തനം പാലിക്കണം.

നിയന്ത്രണത്തിൻ്റെ ഈ യുക്തിയെ (അല്ലെങ്കിൽ മിത്തോളജി) സംബന്ധിച്ച് ("വ്യതിചലനത്തിലൂടെയുള്ള നിയന്ത്രണം"), പുരാതന ഗ്രീക്ക് തത്ത്വചിന്തകനായ പ്ലേറ്റോ, ബോട്ട് ഗതിയിൽ നിന്ന് വ്യതിചലിക്കുമ്പോൾ തുഴയിൽ ചാരി നിൽക്കുന്ന ഹെൽംസ്മാൻ (സൈബർനോസ്) എന്ന ചിത്രം സൃഷ്ടിച്ചു. കമ്പ്യൂട്ടർ യുഗത്തിൻ്റെ തലേന്ന് സൈബർനെറ്റിക്സ് ശാസ്ത്രം സൃഷ്ടിച്ച അമേരിക്കൻ ഗണിതശാസ്ത്രജ്ഞൻ നോബർട്ട് വീനർ.

OLTP രീതി ഉപയോഗിച്ച് വിവരങ്ങൾ രേഖപ്പെടുത്തുന്നതിനുള്ള സാധാരണ സംവിധാനത്തിന് പുറമേ, മറ്റൊരു സിസ്റ്റം ആവശ്യമാണ് - ശേഖരിച്ച വിവരങ്ങൾ വിശകലനം ചെയ്യുന്നതിനുള്ള ഒരു സംവിധാനം. കൺട്രോൾ ലൂപ്പിൽ മാനേജ്മെൻ്റും കൺട്രോൾ ഒബ്‌ജക്‌റ്റും തമ്മിലുള്ള ഫീഡ്‌ബാക്കിൻ്റെ പങ്ക് വഹിക്കുന്ന ഈ ആഡ്-ഓൺ ഒരു OLAP സിസ്റ്റം അല്ലെങ്കിൽ ചുരുക്കത്തിൽ ഒരു OLAP ക്യൂബ് ആണ്.

OLAP-ൻ്റെ ഒരു സോഫ്‌റ്റ്‌വെയർ നടപ്പിലാക്കൽ എന്ന നിലയിൽ, SSAS എന്ന ചുരുക്കപ്പേരിൽ MS SQL സെർവറിൻ്റെ സ്റ്റാൻഡേർഡ് ഡെലിവറിയുടെ ഭാഗമായ MS അനാലിസിസ് സർവീസസ് യൂട്ടിലിറ്റി ഞങ്ങൾ പരിഗണിക്കും. E. Codd-ൻ്റെ പ്ലാൻ അനുസരിച്ച്, OLTP സിസ്റ്റവും റിലേഷണൽ ഡാറ്റാബേസും (SQL സെർവർ) വിവരങ്ങൾ സംഭരിക്കുന്നതിനും വീണ്ടെടുക്കുന്നതിനും നൽകുന്ന അതേ സമഗ്രമായ പ്രവർത്തന സ്വാതന്ത്ര്യം അനലിറ്റിക്സിലെ OLAP ക്യൂബ് നൽകണം എന്നത് ശ്രദ്ധിക്കുക.

OLAP ലോജിസ്റ്റിക്സ്

OLAP ക്യൂബിൻ്റെ ഓട്ടോമേറ്റഡ് പ്രവർത്തനം അടിസ്ഥാനമാക്കിയുള്ള ബാഹ്യ ഉപകരണങ്ങളുടെയും ആപ്ലിക്കേഷൻ പ്രോഗ്രാമുകളുടെയും സാങ്കേതിക പ്രവർത്തനങ്ങളുടെയും നിർദ്ദിഷ്ട കോൺഫിഗറേഷൻ നോക്കാം.

കോർപ്പറേഷൻ ഒരു ERP സംവിധാനം ഉപയോഗിക്കുന്നതായി ഞങ്ങൾ അനുമാനിക്കും, ഉദാഹരണത്തിന്, 1C7 അല്ലെങ്കിൽ 1C8, അതിനുള്ളിൽ സാധാരണ പോലെ വിവരങ്ങൾ രേഖപ്പെടുത്തുന്നു. ഈ ERP സിസ്റ്റത്തിൻ്റെ ഡാറ്റാബേസ് ഒരു നിശ്ചിത സെർവറിൽ സ്ഥിതിചെയ്യുന്നു, ഇത് MS SQL സെർവർ പിന്തുണയ്ക്കുന്നു.

MS Analysis Services (SSAS) യൂട്ടിലിറ്റിയുള്ള MS SQL സെർവറും MS SQL സെർവർ മാനേജ്‌മെൻ്റ് സ്റ്റുഡിയോ, MS C#, MS Excel, MS Visual Studio എന്നിവയുൾപ്പെടെ മറ്റൊരു സെർവറിൽ സോഫ്‌റ്റ്‌വെയർ ഇൻസ്റ്റാൾ ചെയ്‌തിട്ടുണ്ടെന്നും ഞങ്ങൾ അനുമാനിക്കും. ഈ പ്രോഗ്രാമുകൾ ഒരുമിച്ച് ആവശ്യമായ സന്ദർഭം രൂപപ്പെടുത്തുന്നു: OLAP ക്യൂബുകളുടെ ഡെവലപ്പർക്കുള്ള ഉപകരണങ്ങളും ആവശ്യമായ ഇൻ്റർഫേസുകളും.

SSAS സെർവറിന് ബ്ലാറ്റ് എന്ന് വിളിക്കപ്പെടുന്ന ഒരു സ്വതന്ത്ര പ്രോഗ്രാം ഉണ്ട്, അത് കമാൻഡ് ലൈനിൽ നിന്ന് വിളിക്കാം (പാരാമീറ്ററുകൾക്കൊപ്പം) കൂടാതെ ഒരു മെയിൽ സേവനം നൽകുന്നു.

ലോക്കൽ നെറ്റ്‌വർക്കിലെ ജീവനക്കാരുടെ വർക്ക്‌സ്റ്റേഷനുകളിൽ, മറ്റ് കാര്യങ്ങളിൽ, MS Excel പ്രോഗ്രാമുകൾ (2003-ൽ കുറയാത്ത പതിപ്പുകൾ) ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ട്, കൂടാതെ, MS അനാലിസിസ് സേവനങ്ങളുമായി MS Excel പ്രവർത്തിക്കുന്നുവെന്ന് ഉറപ്പാക്കാൻ ഒരു പ്രത്യേക ഡ്രൈവറും (അനുബന്ധ ഡ്രൈവർ ഇതിനകം ഇല്ലെങ്കിൽ) MS Excel ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്).

വ്യക്തതയ്ക്കായി, ജീവനക്കാരുടെ വർക്ക്സ്റ്റേഷനുകളിൽ Windows XP ഓപ്പറേറ്റിംഗ് സിസ്റ്റവും സെർവറുകളിൽ Windows Server 2008 ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഞങ്ങൾ അനുമാനിക്കും. കൂടാതെ, നമുക്ക് MS SQL Server 2005 SQL സെർവറായി ഉപയോഗിക്കുകയും എൻ്റർപ്രൈസ് പതിപ്പ് (EE) ഇൻസ്റ്റാൾ ചെയ്യുകയും ചെയ്യാം. OLAP ക്യൂബ് ) അല്ലെങ്കിൽ ഡെവലപ്പർ പതിപ്പ് (DE) ഉള്ള സെർവറിൽ. ഈ പതിപ്പുകളിൽ വിളിക്കപ്പെടുന്നവ ഉപയോഗിക്കാൻ കഴിയും. "സെമി-അഡിറ്റീവ് നടപടികൾ", അതായത്. സാധാരണ തുകകൾ ഒഴികെയുള്ള അധിക മൊത്തത്തിലുള്ള പ്രവർത്തനങ്ങൾ (സ്ഥിതിവിവരക്കണക്കുകൾ) (ഉദാഹരണത്തിന്, എക്സ്ട്രീം അല്ലെങ്കിൽ ശരാശരി).

OLAP ക്യൂബ് ഡിസൈൻ (OLAP ക്യൂബിസം)

OLAP ക്യൂബിൻ്റെ രൂപകൽപ്പനയെക്കുറിച്ച് കുറച്ച് വാക്കുകൾ പറയാം. സ്ഥിതിവിവരക്കണക്കുകളുടെ ഭാഷയിൽ, ആവശ്യമായ എല്ലാ വിഭാഗങ്ങളിലും കണക്കാക്കിയ പ്രകടന സൂചകങ്ങളുടെ ഒരു കൂട്ടമാണ് OLAP ക്യൂബ്, ഉദാഹരണത്തിന്, ഉപഭോക്താക്കൾ, സാധനങ്ങൾ, തീയതികൾ മുതലായവയുടെ വിഭാഗങ്ങളിലെ ഷിപ്പ്മെൻ്റ് സൂചകം. OLAP ക്യൂബുകളിൽ റഷ്യൻ സാഹിത്യത്തിൽ ഇംഗ്ലീഷിൽ നിന്നുള്ള നേരിട്ടുള്ള വിവർത്തനം കാരണം, സൂചകങ്ങളെ "അളവുകൾ" എന്നും വിഭാഗങ്ങളെ "അളവുകൾ" എന്നും വിളിക്കുന്നു. ഇത് ഗണിതശാസ്ത്രപരമായി ശരിയാണ്, എന്നാൽ വാക്യഘടനാപരമായും അർത്ഥപരമായും വളരെ വിജയകരമല്ല. റഷ്യൻ വാക്കുകൾ "അളവ്", "മാനം", "മാനം" എന്നിവ അർത്ഥത്തിലും അക്ഷരവിന്യാസത്തിലും ഏതാണ്ട് സമാനമാണ്, ഇംഗ്ലീഷ് "അളവ്", "മാനം" എന്നിവ അക്ഷരവിന്യാസത്തിലും അർത്ഥത്തിലും വ്യത്യസ്തമാണ്. അതിനാൽ, പരമ്പരാഗത റഷ്യൻ സ്റ്റാറ്റിസ്റ്റിക്കൽ പദങ്ങളായ "സൂചകം", "കട്ട്" എന്നിവയ്ക്ക് ഞങ്ങൾ മുൻഗണന നൽകുന്നു, അവ അർത്ഥത്തിൽ സമാനമാണ്.

ഡാറ്റ രേഖപ്പെടുത്തുന്ന OLTP സിസ്റ്റവുമായി ബന്ധപ്പെട്ട് OLAP ക്യൂബിൻ്റെ സോഫ്‌റ്റ്‌വെയർ നടപ്പിലാക്കുന്നതിന് നിരവധി ഓപ്ഷനുകൾ ഉണ്ട്. ഏറ്റവും ലളിതവും വിശ്വസനീയവും വേഗതയേറിയതുമായ ഒരു സ്കീം മാത്രമേ ഞങ്ങൾ പരിഗണിക്കൂ.

ഈ രൂപകൽപ്പനയിൽ, OLAP ഉം OLTP ഉം പട്ടികകൾ പങ്കിടില്ല, കൂടാതെ OLAP അനലിറ്റിക്‌സ് ഉപയോഗ ഘട്ടത്തിന് മുമ്പുള്ള ക്യൂബ് അപ്‌ഡേറ്റ് (പ്രോസസ്) ഘട്ടത്തിൽ കഴിയുന്നത്ര വിശദമായി കണക്കാക്കുന്നു. ഈ പദ്ധതിയെ MOLAP (മൾട്ടിഡൈമൻഷണൽ OLAP) എന്ന് വിളിക്കുന്നു. ഇആർപിയും ഉയർന്ന മെമ്മറി ചെലവും ഉള്ള അസമന്വിതമാണ് ഇതിൻ്റെ ദോഷങ്ങൾ.

എല്ലാ (ആയിരക്കണക്കിന്) ഇആർപി സിസ്റ്റം റിലേഷണൽ ഡാറ്റാബേസ് ടേബിളുകളും ഒരു ഡാറ്റാ ഉറവിടമായും അവയുടെ എല്ലാ (നൂറുകണക്കിന്) ഫീൽഡുകളും സൂചകങ്ങളായോ വിഭാഗങ്ങളായോ ഉപയോഗിച്ച് ഔപചാരികമായി ഒരു OLAP ക്യൂബ് നിർമ്മിക്കാമെങ്കിലും, വാസ്തവത്തിൽ ഇത് ചെയ്യാൻ പാടില്ല. വിപരീതമായി. ഒരു ക്യൂബിലേക്ക് ലോഡ് ചെയ്യാൻ, "ഷോകേസ്" അല്ലെങ്കിൽ "വെയർഹൗസ്" എന്ന് വിളിക്കപ്പെടുന്ന ഒരു പ്രത്യേക ഡാറ്റാബേസ് തയ്യാറാക്കുന്നത് കൂടുതൽ ശരിയാണ്.

പല കാരണങ്ങൾ നമ്മെ ഇത് ചെയ്യാൻ പ്രേരിപ്പിക്കുന്നു.

• ഒന്നാമതായി,ഒരു യഥാർത്ഥ ഡാറ്റാബേസിലെ പട്ടികകളുമായി OLAP ക്യൂബ് ലിങ്ക് ചെയ്യുന്നത് തീർച്ചയായും സാങ്കേതിക പ്രശ്നങ്ങൾ സൃഷ്ടിക്കും. ഒരു ടേബിളിലെ ഡാറ്റ മാറ്റുന്നത് ക്യൂബിൻ്റെ പുതുക്കലിന് കാരണമാകും, ഒരു ക്യൂബ് പുതുക്കുന്നത് ഒരു വേഗത്തിലുള്ള പ്രക്രിയയല്ല, അതിനാൽ ക്യൂബ് നിരന്തരമായ പുനർനിർമ്മാണ അവസ്ഥയിലായിരിക്കും; അതേ സമയം, ക്യൂബ് അപ്‌ഡേറ്റ് നടപടിക്രമത്തിന് ഡാറ്റാബേസ് പട്ടികകളുടെ ഡാറ്റ തടയാൻ (വായിക്കുമ്പോൾ) കഴിയും, ഇത് ERP സിസ്റ്റത്തിൽ ഡാറ്റ രജിസ്റ്റർ ചെയ്യുന്നതിൽ ഉപയോക്താക്കളുടെ പ്രവർത്തനം മന്ദഗതിയിലാക്കുന്നു.
• രണ്ടാമതായി, വളരെയധികം സൂചകങ്ങളും മുറിവുകളും ഉള്ളത് സെർവറിലെ ക്യൂബിൻ്റെ സംഭരണ ​​പ്രദേശം നാടകീയമായി വർദ്ധിപ്പിക്കും. OLAP ക്യൂബ് OLTP സിസ്റ്റത്തിലെന്നപോലെ ഉറവിട ഡാറ്റ മാത്രമല്ല, സാധ്യമായ എല്ലാ വിഭാഗങ്ങളിലും സംഗ്രഹിച്ചിരിക്കുന്ന എല്ലാ സൂചകങ്ങളും (എല്ലാ വിഭാഗങ്ങളുടെയും എല്ലാ കോമ്പിനേഷനുകളും പോലും) സംഭരിക്കുന്നു എന്നത് മറക്കരുത്. കൂടാതെ, ക്യൂബ് അപ്‌ഡേറ്റ് ചെയ്യുന്നതിൻ്റെ വേഗതയും, ആത്യന്തികമായി, അനലിറ്റിക്‌സും അവ അടിസ്ഥാനമാക്കിയുള്ള ഉപയോക്തൃ റിപ്പോർട്ടുകളും നിർമ്മിക്കുന്നതിനും അപ്‌ഡേറ്റ് ചെയ്യുന്നതിനുമുള്ള വേഗതയും അതിനനുസരിച്ച് മന്ദഗതിയിലാകും.
• മൂന്നാമത്, വളരെയധികം ഫീൽഡുകൾ (സൂചകങ്ങളും വിഭാഗങ്ങളും) OLAP ഡെവലപ്പർ ഇൻ്റർഫേസിൽ പ്രശ്നങ്ങൾ സൃഷ്ടിക്കും, കാരണം മൂലകങ്ങളുടെ പട്ടിക വളരെ വലുതായിരിക്കും.
• നാലാമതായി, ഡാറ്റ സമഗ്രത ലംഘനങ്ങളോട് OLAP ക്യൂബ് വളരെ സെൻസിറ്റീവ് ആണ്. ക്യൂബ് ഫീൽഡ് കണക്ഷനുകളുടെ ഘടനയിൽ വ്യക്തമാക്കിയ ലിങ്കിൽ കീ ഡാറ്റ സ്ഥിതി ചെയ്യുന്നില്ലെങ്കിൽ ക്യൂബ് നിർമ്മിക്കാൻ കഴിയില്ല. ഒരു ERP സിസ്റ്റം ഡാറ്റാബേസിൽ താൽക്കാലികമോ സ്ഥിരമോ ആയ സമഗ്രത ലംഘനങ്ങൾ, ശൂന്യമായ ഫീൽഡുകൾ സാധാരണമാണ്, എന്നാൽ ഇത് OLAP-ന് തികച്ചും അനുയോജ്യമല്ല.

ലോഡ് പങ്കിടുന്നതിന് ERP സിസ്റ്റവും OLAP ക്യൂബും വ്യത്യസ്‌ത സെർവറുകളിൽ സ്ഥിതിചെയ്യണമെന്നും നിങ്ങൾക്ക് ചേർക്കാം. എന്നാൽ, OLAP, OLTP എന്നിവയ്‌ക്കായി പൊതുവായ പട്ടികകൾ ഉണ്ടെങ്കിൽ, നെറ്റ്‌വർക്ക് ട്രാഫിക്കിൻ്റെ പ്രശ്‌നവും ഉയർന്നുവരുന്നു. വ്യത്യസ്‌തമായ നിരവധി ഇആർപി സിസ്റ്റങ്ങളെ (1C7, 1C8, MS ഡൈനാമിക്‌സ് AX) ഒരു OLAP ക്യൂബിലേക്ക് ഏകീകരിക്കേണ്ടത് ആവശ്യമായി വരുമ്പോൾ ഈ സാഹചര്യത്തിൽ പ്രായോഗികമായി പരിഹരിക്കാനാകാത്ത പ്രശ്നങ്ങൾ ഉണ്ടാകുന്നു.

ഒരുപക്ഷേ, നമുക്ക് സാങ്കേതിക പ്രശ്നങ്ങൾ കുമിഞ്ഞുകൂടുന്നത് തുടരാം. എന്നാൽ ഏറ്റവും പ്രധാനമായി, OLTP-യിൽ നിന്ന് വ്യത്യസ്തമായി, OLAP ഡാറ്റ റെക്കോർഡുചെയ്യുന്നതിനും സംഭരിക്കുന്നതിനുമുള്ള ഒരു മാർഗമല്ല, മറിച്ച് ഒരു അനലിറ്റിക്സ് ഉപകരണമാണെന്ന് ഓർമ്മിക്കുക. ഇതിനർത്ഥം ERP-യിൽ നിന്ന് OLAP-ലേക്ക് "ഡേർട്ടി" ഡാറ്റ അപ്‌ലോഡ് ചെയ്യുകയും ഡൗൺലോഡ് ചെയ്യുകയും ചെയ്യേണ്ട ആവശ്യമില്ല എന്നാണ്. നേരെമറിച്ച്, നിങ്ങൾ ആദ്യം കമ്പനി കൈകാര്യം ചെയ്യുന്നതിനുള്ള ഒരു ആശയം വികസിപ്പിക്കണം, കുറഞ്ഞത് KPI സിസ്റ്റത്തിൻ്റെ തലത്തിലെങ്കിലും, തുടർന്ന് OLAP ക്യൂബിൻ്റെ അതേ സെർവറിൽ സ്ഥിതി ചെയ്യുന്ന ഒരു ആപ്ലിക്കേഷൻ ഡാറ്റ വെയർഹൗസ് (വെയർഹൗസ്) രൂപകൽപ്പന ചെയ്യണം. , മാനേജ്മെൻ്റിന് ആവശ്യമായ ERP-യിൽ നിന്നുള്ള ഡാറ്റയുടെ ശുദ്ധീകരിച്ച തുക.

മോശം ശീലങ്ങൾ പ്രോത്സാഹിപ്പിക്കാതെ, OLTP-യുമായി ബന്ധപ്പെട്ട OLAP ക്യൂബിനെ അറിയപ്പെടുന്ന "ഇപ്പോഴും" എന്നതിനോട് ഉപമിക്കാം, അതിലൂടെ യഥാർത്ഥ രജിസ്ട്രേഷൻ്റെ "പുളിപ്പിച്ച പിണ്ഡത്തിൽ" നിന്ന് ഒരു "ശുദ്ധമായ ഉൽപ്പന്നം" വേർതിരിച്ചെടുക്കുന്നു.

അതിനാൽ, OLAP-നുള്ള ഡാറ്റ ഉറവിടം OLAP-ൻ്റെ അതേ സെർവറിൽ സ്ഥിതിചെയ്യുന്ന ഒരു പ്രത്യേക ഡാറ്റാബേസ് (വെയർഹൗസ്) ആണെന്ന് ഞങ്ങൾക്ക് ലഭിച്ചു. പൊതുവേ, ഇത് രണ്ട് കാര്യങ്ങളാണ് അർത്ഥമാക്കുന്നത്. ആദ്യം, ERP ഡാറ്റാബേസുകളിൽ നിന്ന് ഒരു വെയർഹൗസ് സൃഷ്ടിക്കുന്ന പ്രത്യേക നടപടിക്രമങ്ങൾ ഉണ്ടായിരിക്കണം. രണ്ടാമതായി, OLAP ക്യൂബ് അതിൻ്റെ ERP സിസ്റ്റങ്ങളുമായി അസമന്വിതമാണ്.

മുകളിൽ പറഞ്ഞ കാര്യങ്ങൾ കണക്കിലെടുത്ത്, കമ്പ്യൂട്ടിംഗ് പ്രോസസ് ആർക്കിടെക്ചറിൻ്റെ ഇനിപ്പറയുന്ന പതിപ്പ് ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു.

പരിഹാര വാസ്തുവിദ്യ

ഒരു നിശ്ചിത കോർപ്പറേഷൻ്റെ (ഹോൾഡിംഗ്) നിരവധി ഇആർപി സിസ്റ്റങ്ങൾ വ്യത്യസ്ത സെർവറുകളിൽ സ്ഥിതിചെയ്യുന്നുവെന്ന് കരുതുക, ഒരു OLAP ക്യൂബിനുള്ളിൽ ഏകീകരിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്ന വിശകലന ഡാറ്റ. വിവരിച്ച സാങ്കേതികവിദ്യയിൽ, വെയർഹൗസ് തലത്തിൽ ERP സിസ്റ്റങ്ങളിൽ നിന്നുള്ള ഡാറ്റ ഞങ്ങൾ സംയോജിപ്പിക്കുന്നു, OLAP ക്യൂബിൻ്റെ രൂപകൽപ്പന മാറ്റമില്ലാതെ തുടരുന്നു.

OLAP സെർവറിൽ ഈ എല്ലാ ERP സിസ്റ്റങ്ങളുടെയും ഡാറ്റാബേസുകളുടെ ചിത്രങ്ങൾ (ശൂന്യമായ പകർപ്പുകൾ) ഞങ്ങൾ സൃഷ്ടിക്കുന്നു. ഈ ശൂന്യമായ പകർപ്പുകളിൽ ഞങ്ങൾ ഇടയ്ക്കിടെ (രാത്രിയിൽ) അനുബന്ധ സജീവമായ ERP ഡാറ്റാബേസുകളുടെ ഭാഗികമായ പകർപ്പ് നടത്തുന്നു.

അടുത്തതായി, SP (സംഭരിച്ച നടപടിക്രമം) സമാരംഭിക്കുന്നു, ഇത് നെറ്റ്‌വർക്ക് ട്രാഫിക്കില്ലാത്ത അതേ OLAP സെർവറിൽ, ERP സിസ്റ്റം ഡാറ്റാബേസുകളുടെ ഭാഗിക പകർപ്പുകളെ അടിസ്ഥാനമാക്കി, ഒരു വെയർഹൗസ് (വെയർഹൗസ്) സൃഷ്ടിക്കുന്നു (അല്ലെങ്കിൽ നിറയ്ക്കുന്നു) - OLAP ക്യൂബിൻ്റെ ഡാറ്റ ഉറവിടം.

തുടർന്ന് വെയർഹൗസ് ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഒരു ക്യൂബ് അപ്‌ഡേറ്റ് ചെയ്യുന്നതിനും നിർമ്മിക്കുന്നതിനുമുള്ള സ്റ്റാൻഡേർഡ് നടപടിക്രമം സമാരംഭിക്കുന്നു (SSAS ഇൻ്റർഫേസിലെ പ്രോസസ്സ് പ്രവർത്തനം).

സാങ്കേതികവിദ്യയുടെ ചില വശങ്ങളെക്കുറിച്ച് നമുക്ക് അഭിപ്രായമിടാം. എസ്പിമാർ എന്ത് ജോലിയാണ് ചെയ്യുന്നത്?

ഭാഗികമായ ആവർത്തനത്തിൻ്റെ ഫലമായി, OLAP സെർവറിലെ ചില ERP സിസ്റ്റത്തിൻ്റെ ഇമേജിൽ നിലവിലെ ഡാറ്റ ദൃശ്യമാകുന്നു. വഴിയിൽ, ഭാഗികമായ അനുകരണം രണ്ട് തരത്തിൽ നടത്താം.

ഒന്നാമതായി, ERP സിസ്റ്റം ഡാറ്റാബേസിലെ എല്ലാ പട്ടികകളിൽ നിന്നും, ഭാഗികമായ പകർപ്പെടുക്കൽ സമയത്ത്, ഒരു വെയർഹൗസ് നിർമ്മിക്കാൻ ആവശ്യമായവ മാത്രം പകർത്തുന്നു. പട്ടിക നാമങ്ങളുടെ ഒരു നിശ്ചിത പട്ടികയാണ് ഇത് നിയന്ത്രിക്കുന്നത്.

രണ്ടാമതായി, ഭാഗികമായ പകർപ്പ് അർത്ഥമാക്കുന്നത് പട്ടികയുടെ എല്ലാ ഫീൽഡുകളും പകർത്തിയതല്ല, എന്നാൽ വെയർഹൗസ് നിർമ്മിക്കുന്നതിൽ ഏർപ്പെട്ടിരിക്കുന്നവ മാത്രമാണ്. പകർത്താനുള്ള ഫീൽഡുകളുടെ ലിസ്റ്റ് പകർപ്പിൻ്റെ ഇമേജിൽ SP-യിൽ വ്യക്തമാക്കിയതോ ചലനാത്മകമായി സൃഷ്ടിച്ചതോ ആണ് (പട്ടികയുടെ പകർപ്പിൽ എല്ലാ ഫീൽഡുകളും തുടക്കത്തിൽ ഇല്ലെങ്കിൽ).

തീർച്ചയായും, മുഴുവൻ പട്ടിക വരികളും പകർത്താൻ കഴിയില്ല, പക്ഷേ പുതിയ റെക്കോർഡുകൾ ചേർക്കാൻ മാത്രം. എന്നിരുന്നാലും, ഇആർപി പുനരവലോകനങ്ങൾ "മുൻകാലമായി" കണക്കാക്കുമ്പോൾ ഇത് ഗുരുതരമായ അസൗകര്യങ്ങൾ സൃഷ്ടിക്കുന്നു, ഇത് യഥാർത്ഥ ജീവിത സംവിധാനങ്ങളിൽ പലപ്പോഴും സംഭവിക്കാറുണ്ട്. അതിനാൽ എല്ലാ രേഖകളും പകർത്തുന്നത് (അല്ലെങ്കിൽ ഒരു നിശ്ചിത തീയതി മുതൽ ആരംഭിക്കുന്ന "ടെയിൽ" അപ്ഡേറ്റ് ചെയ്യുക) കൂടുതൽ സങ്കോചമില്ലാതെ എളുപ്പമാണ്.

അടുത്തതായി, ERP സിസ്റ്റം ഡാറ്റ വെയർഹൗസ് ഫോർമാറ്റിലേക്ക് പരിവർത്തനം ചെയ്യുക എന്നതാണ് എസ്പിയുടെ പ്രധാന ദൌത്യം. ഒരേയൊരു ഇആർപി സിസ്റ്റം മാത്രമേ ഉള്ളൂവെങ്കിൽ, പരിവർത്തനത്തിൻ്റെ ചുമതല പ്രധാനമായും ആവശ്യമായ ഡാറ്റ പകർത്തുന്നതിനും പുനർരൂപകൽപ്പന ചെയ്യുന്നതിനും വേണ്ടി വരുന്നു. എന്നാൽ ഒരേ OLAP ക്യൂബിൽ വ്യത്യസ്ത ഘടനകളുടെ നിരവധി ERP സംവിധാനങ്ങൾ ഏകീകരിക്കേണ്ടത് ആവശ്യമാണെങ്കിൽ, പരിവർത്തനങ്ങൾ കൂടുതൽ സങ്കീർണ്ണമാകും.

അവയുടെ ഒബ്‌ജക്‌റ്റുകൾ (ചരക്കുകളുടെ ഡയറക്ടറികൾ, കരാറുകാർ, വെയർഹൗസുകൾ മുതലായവ) ഭാഗികമായി ഓവർലാപ്പ് ചെയ്യുകയാണെങ്കിൽ, ഒബ്‌ജക്‌റ്റുകൾക്ക് ഒരേ അർത്ഥമുണ്ട്, പക്ഷേ ഡയറക്‌ടറികളിൽ സ്വാഭാവികമായും വ്യത്യസ്തമായി വിവരിച്ചിട്ടുണ്ടെങ്കിൽ, ഒരു ക്യൂബിൽ വിവിധ ഇആർപി സംവിധാനങ്ങൾ ഏകീകരിക്കുക എന്നത് വളരെ ബുദ്ധിമുട്ടാണ്. വ്യത്യസ്ത സിസ്റ്റങ്ങളുടെ (കോഡുകൾ, ഐഡൻ്റിഫയറുകൾ, പേരുകൾ മുതലായവയുടെ അർത്ഥത്തിൽ).

വാസ്തവത്തിൽ, ഒരു വലിയ ഹോൾഡിംഗ് കമ്പനിയിൽ അത്തരമൊരു ചിത്രം ഉണ്ടാകുന്നത്, ഒരേ തരത്തിലുള്ള നിരവധി സ്വയംഭരണ കമ്പനികൾ ഏകദേശം ഒരേ പ്രദേശത്ത് ഒരേ തരത്തിലുള്ള പ്രവർത്തനങ്ങൾ നടത്തുമ്പോൾ, എന്നാൽ അവരുടേതായതും അംഗീകരിക്കാത്തതുമായ രജിസ്ട്രേഷൻ സംവിധാനങ്ങൾ ഉപയോഗിക്കുമ്പോൾ. ഈ സാഹചര്യത്തിൽ, വെയർഹൗസ് തലത്തിൽ ഡാറ്റ ഏകീകരിക്കുമ്പോൾ, നിങ്ങൾക്ക് സഹായ മാപ്പിംഗ് പട്ടികകൾ ഇല്ലാതെ ചെയ്യാൻ കഴിയില്ല.

വെയർഹൗസ് സ്റ്റോറേജ് ആർക്കിടെക്ചറിലേക്ക് നമുക്ക് കുറച്ച് ശ്രദ്ധ നൽകാം. സാധാരണഗതിയിൽ, ഒരു OLAP ക്യൂബ് സ്കീമയെ ഒരു "നക്ഷത്രം" എന്ന രൂപത്തിൽ പ്രതിനിധീകരിക്കുന്നു, അതായത്. ഡയറക്‌ടറികളുടെ "കിരണങ്ങൾ" കൊണ്ട് ചുറ്റപ്പെട്ട ഒരു ഡാറ്റ ടേബിളായി - ദ്വിതീയ കീ മൂല്യങ്ങളുടെ പട്ടികകൾ. പട്ടിക "സൂചകങ്ങളുടെ" ഒരു ബ്ലോക്കാണ്; റഫറൻസ് പുസ്തകങ്ങൾ അവയുടെ വിഭാഗങ്ങളാണ്. ഈ സാഹചര്യത്തിൽ, ഡയറക്‌ടറി ഒരു ഏകപക്ഷീയമായ അസന്തുലിതമായ വൃക്ഷമോ സമതുലിതമായ ശ്രേണിയോ ആകാം, ഉദാഹരണത്തിന്, ചരക്കുകളുടെയോ കരാറുകാരുടെയോ മൾട്ടി-ലെവൽ വർഗ്ഗീകരണം. ഒരു OLAP ക്യൂബിൽ, ഒരു വെയർഹൗസിൽ നിന്നുള്ള ഡാറ്റാ ടേബിളിൻ്റെ സംഖ്യാ ഫീൽഡുകൾ സ്വയമേവ "സൂചകങ്ങൾ" (അല്ലെങ്കിൽ അളവുകൾ) ആയി മാറുന്നു, കൂടാതെ വിഭാഗങ്ങൾ (അല്ലെങ്കിൽ അളവുകൾ) ദ്വിതീയ കീ പട്ടികകൾ ഉപയോഗിച്ച് നിർവചിക്കാം.

ഇതൊരു വിഷ്വൽ "പെഡഗോഗിക്കൽ" വിവരണമാണ്. വാസ്തവത്തിൽ, ഒരു OLAP ക്യൂബിൻ്റെ വാസ്തുവിദ്യ കൂടുതൽ സങ്കീർണ്ണമായിരിക്കും.

ഒന്നാമതായി, ഒരു വെയർഹൗസിൽ നിരവധി "നക്ഷത്രങ്ങൾ" അടങ്ങിയിരിക്കാം, ഒരുപക്ഷേ പൊതുവായ ഡയറക്ടറികളിലൂടെ ബന്ധിപ്പിച്ചിരിക്കാം. ഈ സാഹചര്യത്തിൽ, OLAP ക്യൂബ് നിരവധി ക്യൂബുകളുടെ (നിരവധി ഡാറ്റ ബ്ലോക്കുകൾ) ഒരു യൂണിയൻ ആയിരിക്കും.

രണ്ടാമതായി, ഒരു നക്ഷത്രചിഹ്നത്തിൻ്റെ "റേ" എന്നത് ഒരു ഡയറക്‌ടറി മാത്രമല്ല, ഒരു മുഴുവൻ (ശ്രേണീകൃത) ഫയൽ സിസ്റ്റമായിരിക്കാം.

മൂന്നാമതായി, നിലവിലുള്ള ഡൈമൻഷൻ സെക്ഷനുകളുടെ അടിസ്ഥാനത്തിൽ, OLAP ഡെവലപ്പർ ഇൻ്റർഫേസ് ടൂളുകൾ ഉപയോഗിച്ച് പുതിയ ഹൈറാർക്കിക്കൽ വിഭാഗങ്ങൾ നിർവചിക്കാവുന്നതാണ് (അതായത്, കുറച്ച് ലെവലുകൾ, വ്യത്യസ്തമായ ലെവലുകൾ മുതലായവ)

നാലാമതായി, നിലവിലുള്ള സൂചകങ്ങളെയും വിഭാഗങ്ങളെയും അടിസ്ഥാനമാക്കി, MDX ഭാഷാ പദപ്രയോഗങ്ങൾ ഉപയോഗിച്ച്, പുതിയ സൂചകങ്ങൾ (കണക്കുകൂട്ടലുകൾ) നിർവചിക്കാം. പുതിയ ക്യൂബുകൾ, പുതിയ സൂചകങ്ങൾ, പുതിയ വിഭാഗങ്ങൾ എന്നിവ യഥാർത്ഥ ഘടകങ്ങളുമായി സ്വയമേവ സംയോജിപ്പിച്ചിരിക്കുന്നു എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. മോശമായി രൂപപ്പെടുത്തിയ കണക്കുകൂട്ടലുകളും ശ്രേണിപരമായ വിഭാഗങ്ങളും ഒരു OLAP ക്യൂബിൻ്റെ പ്രവർത്തനത്തെ ഗണ്യമായി മന്ദഗതിയിലാക്കുമെന്നതും ശ്രദ്ധിക്കേണ്ടതാണ്.

OLAP-യുമായുള്ള ഒരു ഇൻ്റർഫേസായി MS Excel

OLAP ക്യൂബുകളുമായുള്ള ഉപയോക്തൃ ഇൻ്റർഫേസാണ് പ്രത്യേക താൽപ്പര്യം. സ്വാഭാവികമായും, ഏറ്റവും പൂർണ്ണമായ ഇൻ്റർഫേസ് SSAS യൂട്ടിലിറ്റി തന്നെ നൽകുന്നു. ഇതിൽ ഒരു OLAP ക്യൂബ് ഡെവലപ്പർ ടൂൾകിറ്റ്, ഒരു ഇൻ്ററാക്ടീവ് റിപ്പോർട്ട് ഡിസൈനർ, MDX ഭാഷയിലുള്ള ചോദ്യങ്ങൾ ഉപയോഗിച്ച് OLAP ക്യൂബ് ഉപയോഗിച്ച് ഇൻ്ററാക്ടീവ് വർക്കിനുള്ള ഒരു വിൻഡോ എന്നിവ ഉൾപ്പെടുന്നു.

SSAS- ന് പുറമേ, OLAP-ന് ഒരു ഇൻ്റർഫേസ് നൽകുന്ന നിരവധി പ്രോഗ്രാമുകളുണ്ട്, അവയുടെ പ്രവർത്തനക്ഷമത കൂടുതലോ കുറവോ ആണ്. എന്നാൽ അവയിൽ ഒന്നുണ്ട്, അത് ഞങ്ങളുടെ അഭിപ്രായത്തിൽ നിഷേധിക്കാനാവാത്ത ഗുണങ്ങളുണ്ട്. ഇതാണ് MS Excel.

MS Excel-നുള്ള ഇൻ്റർഫേസ് ഒരു പ്രത്യേക ഡ്രൈവർ നൽകുന്നു, പ്രത്യേകം ഡൗൺലോഡ് ചെയ്യാവുന്നതാണ് അല്ലെങ്കിൽ Excel വിതരണത്തിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഇത് OLAP-ൻ്റെ എല്ലാ പ്രവർത്തനങ്ങളും ഉൾക്കൊള്ളുന്നില്ല, എന്നാൽ MS Excel പതിപ്പ് നമ്പറുകളുടെ വളർച്ചയോടെ, ഈ കവറേജ് വിശാലമാവുകയാണ് (ഉദാഹരണത്തിന്, MS Excel 2007-ൽ KPI-യുടെ ഒരു ഗ്രാഫിക്കൽ പ്രാതിനിധ്യം ദൃശ്യമാകുന്നു, അത് MS Excel 2003-ൽ ഇല്ലായിരുന്നു, മുതലായവ. ).

തീർച്ചയായും, അതിൻ്റെ പൂർണ്ണമായ പ്രവർത്തനത്തിന് പുറമേ, MS Excel ൻ്റെ പ്രധാന നേട്ടം ഈ പ്രോഗ്രാമിൻ്റെ വ്യാപകമായ വിതരണവും ധാരാളം ഓഫീസ് ഉപയോക്താക്കളുടെ അടുത്ത പരിചയവുമാണ്. ഈ അർത്ഥത്തിൽ, മറ്റ് ഇൻ്റർഫേസ് പ്രോഗ്രാമുകളിൽ നിന്ന് വ്യത്യസ്തമായി, കമ്പനിക്ക് അധികമായി ഒന്നും വാങ്ങേണ്ടതില്ല, അധികമായി ആരെയും പരിശീലിപ്പിക്കേണ്ടതില്ല.

OLAP-യുമായുള്ള ഒരു ഇൻ്റർഫേസ് എന്ന നിലയിൽ MS Excel-ൻ്റെ വലിയ നേട്ടം, OLAP റിപ്പോർട്ടിൽ ലഭിച്ച ഡാറ്റ കൂടുതൽ സ്വതന്ത്രമായി പ്രോസസ്സ് ചെയ്യാനുള്ള കഴിവാണ് (അതായത്, OLAP-ൽ നിന്ന് ലഭിച്ച ഡാറ്റ അതേ Excel-ൻ്റെ മറ്റ് ഷീറ്റുകളിൽ പഠിക്കുന്നത് തുടരുക, ഇനി OLAP ടൂളുകൾ ഉപയോഗിക്കില്ല, പക്ഷേ സാധാരണ Excel ടൂളുകൾ ഉപയോഗിച്ച്).

Facubi രാത്രി ചികിത്സ സൈക്കിൾ

ഇപ്പോൾ നമ്മൾ OLAP പ്രവർത്തനത്തിൻ്റെ ദൈനംദിന (രാത്രി) കമ്പ്യൂട്ടേഷണൽ സൈക്കിൾ വിവരിക്കും. C# 2005-ൽ എഴുതിയതും വെയർഹൗസും SSAS ഉം ഉള്ള സെർവറിൽ ടാസ്ക് ഷെഡ്യൂളർ വഴി സമാരംഭിച്ച, facubi പ്രോഗ്രാമിൻ്റെ നിയന്ത്രണത്തിലാണ് കണക്കുകൂട്ടൽ നടത്തുന്നത്. തുടക്കത്തിൽ, facubi ഇൻ്റർനെറ്റിൽ പോയി നിലവിലെ വിനിമയ നിരക്കുകൾ വായിക്കുന്നു (ഒരു കറൻസിയിലെ നിരവധി സൂചകങ്ങളെ പ്രതിനിധീകരിക്കാൻ ഉപയോഗിക്കുന്നു). അടുത്തതായി, ഇനിപ്പറയുന്ന ഘട്ടങ്ങൾ നടപ്പിലാക്കുക.

ആദ്യം, പ്രാദേശിക നെറ്റ്‌വർക്കിൽ ലഭ്യമായ വിവിധ ഇആർപി സിസ്റ്റങ്ങളുടെ (ഹോൾഡിംഗ് എലമെൻ്റുകൾ) ഡാറ്റാബേസുകളുടെ ഭാഗികമായ അനുകരണം നടത്തുന്ന എസ്പികൾ facubi സമാരംഭിക്കുന്നു. ഞങ്ങൾ പറഞ്ഞതുപോലെ, മുൻകൂട്ടി തയ്യാറാക്കിയ "പശ്ചാത്തലങ്ങളിലേക്ക്" - SSAS സെർവറിൽ സ്ഥിതി ചെയ്യുന്ന വിദൂര ERP സിസ്റ്റങ്ങളുടെ ഇമേജുകളിലേക്ക് പകർത്തൽ നടത്തുന്നു.

രണ്ടാമതായി, SP മുഖേന, ERP പകർപ്പുകളിൽ നിന്ന് വെയർഹൗസ് സ്റ്റോറേജിലേക്ക് ഒരു മാപ്പിംഗ് നടത്തുന്നു - ഒരു പ്രത്യേക ഡിബി, അത് OLAP ക്യൂബ് ഡാറ്റയുടെ ഉറവിടവും SSAS സെർവറിൽ സ്ഥിതിചെയ്യുന്നതുമാണ്. ഈ സാഹചര്യത്തിൽ, മൂന്ന് പ്രധാന ജോലികൾ പരിഹരിക്കപ്പെടുന്നു:

• ERP ഡാറ്റആവശ്യമായ ക്യൂബ് ഫോർമാറ്റുകളിലേക്ക് ക്രമീകരിച്ചു; ഞങ്ങൾ ടേബിളുകളെക്കുറിച്ചും ടേബിൾ ഫീൽഡുകളെക്കുറിച്ചും സംസാരിക്കുന്നു. (ചിലപ്പോൾ ആവശ്യമായ ടേബിൾ, നിരവധി MS Excel ഷീറ്റുകളിൽ നിന്ന് "ഫാഷൻ" ആക്കേണ്ടതുണ്ട്.) സമാനമായ ഡാറ്റയ്ക്ക് വ്യത്യസ്ത ERP-കളിൽ വ്യത്യസ്ത ഫോർമാറ്റുകൾ ഉണ്ടായിരിക്കാം, ഉദാഹരണത്തിന്, 1C7 ഡയറക്‌ടറികളിലെ കീ ഐഡി ഫീൽഡുകൾക്ക് 8 നീളമുള്ള 36-അക്ക പ്രതീക കോഡ് ഉണ്ട്. , കൂടാതെ 1С8 ഡയറക്‌ടറികളിലെ _idrref ഫീൽഡുകൾ - 32 നീളമുള്ള ഹെക്‌സാഡെസിമൽ സംഖ്യകൾ;
• പ്രോസസ്സിംഗ് സമയത്ത് ലോജിക്കൽ ഡാറ്റ നിയന്ത്രണം നടപ്പിലാക്കുന്നു (നഷ്‌ടമായ ഡാറ്റയുടെ സ്ഥാനത്ത് "സ്ഥിരസ്ഥിതി" എഴുതുന്നത് ഉൾപ്പെടെ, സാധ്യമായ ഇടങ്ങളിൽ) സമഗ്രത നിയന്ത്രണം, അതായത്. അനുബന്ധ ക്ലാസിഫയറുകളിൽ പ്രാഥമിക, ദ്വിതീയ കീകളുടെ സാന്നിധ്യം പരിശോധിക്കുന്നു;
• കോഡ് ഏകീകരണം വ്യത്യസ്ത ERP-കളിൽ ഒരേ അർത്ഥമുള്ള വസ്തുക്കൾ. ഉദാഹരണത്തിന്, വ്യത്യസ്ത ERP-കളുടെ ഡയറക്ടറികളുടെ അനുബന്ധ ഘടകങ്ങൾക്ക് ഒരേ അർത്ഥമുണ്ടാകാം, പറയുക, അവ ഒരേ എതിർകക്ഷിയാണ്. മാപ്പിംഗ് ടേബിളുകൾ നിർമ്മിക്കുന്നതിലൂടെ കോഡുകൾ ഏകീകരിക്കുന്നതിനുള്ള പ്രശ്നം പരിഹരിക്കപ്പെടുന്നു, അവിടെ ഒരേ ഒബ്‌ജക്റ്റുകളുടെ വ്യത്യസ്ത കോഡുകൾ ഐക്യത്തിലേക്ക് കൊണ്ടുവരുന്നു.

മൂന്നാമതായി, പ്രോസസ് ക്യൂബ് ഡാറ്റ അപ്‌ഡേറ്റ് ചെയ്യുന്നതിനുള്ള സ്റ്റാൻഡേർഡ് നടപടിക്രമം facubi സമാരംഭിക്കുന്നു (SSAS യൂട്ടിലിറ്റിയുടെ നടപടിക്രമങ്ങളിൽ നിന്ന്).

ചെക്ക്‌ലിസ്റ്റുകളെ അടിസ്ഥാനമാക്കി, പ്രോസസ്സിംഗ് ഘട്ടങ്ങളുടെ പുരോഗതിയെക്കുറിച്ച് facubi ഇമെയിലുകൾ അയയ്ക്കുന്നു.

facubi എക്സിക്യൂട്ട് ചെയ്ത ശേഷം, ടാസ്‌ക് ഷെഡ്യൂളർ നിരവധി എക്സൽ ഫയലുകൾ സമാരംഭിക്കുന്നു, അതിൽ OLAP ക്യൂബ് സൂചകങ്ങളെ അടിസ്ഥാനമാക്കി റിപ്പോർട്ടുകൾ മുൻകൂട്ടി സൃഷ്‌ടിക്കപ്പെട്ടവയാണ്. ഞങ്ങൾ പറഞ്ഞതുപോലെ, OLAP ക്യൂബുകൾക്കൊപ്പം (SSAS-നൊപ്പം) പ്രവർത്തിക്കാൻ MS Excel-ന് ഒരു പ്രത്യേക സോഫ്റ്റ്വെയർ ഇൻ്റർഫേസ് (പ്രത്യേകം ഡൗൺലോഡ് ചെയ്യാവുന്നതോ ബിൽറ്റ്-ഇൻ ഡ്രൈവർ) ഉണ്ട്. നിങ്ങൾ MS Excel ആരംഭിക്കുമ്പോൾ, MS VBA പ്രോഗ്രാമുകൾ (മാക്രോകൾ പോലുള്ളവ) സജീവമാക്കുന്നു, ഇത് റിപ്പോർട്ടുകളിലെ ഡാറ്റ അപ്ഡേറ്റ് ചെയ്യപ്പെടുന്നുവെന്ന് ഉറപ്പാക്കുന്നു; റിപ്പോർട്ടുകൾ ആവശ്യമെങ്കിൽ പരിഷ്‌ക്കരിക്കുകയും ചെക്ക്‌ലിസ്റ്റുകൾ അനുസരിച്ച് ഉപയോക്താക്കൾക്ക് മെയിൽ (ബ്ലാറ്റ് പ്രോഗ്രാം) വഴി അയയ്ക്കുകയും ചെയ്യുന്നു.

SSAS സെർവറിലേക്കുള്ള ആക്‌സസ് ഉള്ള ലോക്കൽ നെറ്റ്‌വർക്ക് ഉപയോക്താക്കൾക്ക് OLAP ക്യൂബിനായി കോൺഫിഗർ ചെയ്ത "തത്സമയ" റിപ്പോർട്ടുകൾ ലഭിക്കും. (തത്ത്വത്തിൽ, മെയിലുകളൊന്നും കൂടാതെ തന്നെ, അവരുടെ പ്രാദേശിക കമ്പ്യൂട്ടറുകളിൽ സ്ഥിതി ചെയ്യുന്ന MS Excel-ൽ OLAP റിപ്പോർട്ടുകൾ അപ്‌ഡേറ്റ് ചെയ്യാൻ അവർക്ക് കഴിയും.) പ്രാദേശിക നെറ്റ്‌വർക്കിന് പുറത്തുള്ള ഉപയോക്താക്കൾക്ക് ഒന്നുകിൽ യഥാർത്ഥ റിപ്പോർട്ടുകൾ ലഭിക്കും, എന്നാൽ പരിമിതമായ പ്രവർത്തനക്ഷമതയോ അല്ലെങ്കിൽ അവർക്ക് (OLAP അപ്‌ഡേറ്റ് ചെയ്തതിന് ശേഷം. MS Excel-ലെ റിപ്പോർട്ടുകൾ) SSAS സെർവർ ആക്സസ് ചെയ്യാത്ത പ്രത്യേക "ഡെഡ്" റിപ്പോർട്ടുകൾ കണക്കാക്കും.

ഫലങ്ങളുടെ വിലയിരുത്തൽ

OLTP, OLAP എന്നിവയുടെ അസമന്വിതത്തെക്കുറിച്ച് ഞങ്ങൾ മുകളിൽ സംസാരിച്ചു. പരിഗണനയിലുള്ള സാങ്കേതിക വേരിയൻ്റിൽ, OLAP ക്യൂബ് അപ്‌ഡേറ്റ് സൈക്കിൾ രാത്രിയിൽ നടത്തുന്നു (അത് പുലർച്ചെ 1 മണിക്ക് ആരംഭിക്കുന്നു). ഇതിനർത്ഥം നിലവിലെ പ്രവൃത്തി ദിവസത്തിൽ, ഉപയോക്താക്കൾ ഇന്നലത്തെ ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു എന്നാണ്. OLAP ഒരു റെക്കോർഡിംഗ് ടൂൾ അല്ല (ഡോക്യുമെൻ്റിൻ്റെ ഏറ്റവും പുതിയ പുനരവലോകനം നോക്കുക), ഒരു മാനേജ്മെൻ്റ് ടൂൾ (പ്രക്രിയയുടെ പ്രവണത മനസ്സിലാക്കുക), അത്തരം ഒരു കാലതാമസം സാധാരണയായി നിർണായകമല്ല. എന്നിരുന്നാലും, ആവശ്യമെങ്കിൽ, ക്യൂബ് ആർക്കിടെക്ചറിൻ്റെ (മോലാപ്) വിവരിച്ച പതിപ്പിൽ പോലും, അപ്ഡേറ്റ് ദിവസത്തിൽ പല തവണ നടത്താം.

അപ്‌ഡേറ്റ് നടപടിക്രമങ്ങളുടെ നിർവ്വഹണ സമയം OLAP ക്യൂബിൻ്റെ ഡിസൈൻ സവിശേഷതകളെയും (കൂടുതലോ കുറവോ സങ്കീർണ്ണത, സൂചകങ്ങളുടെയും വിഭാഗങ്ങളുടെയും കൂടുതലോ കുറവോ വിജയകരമായ നിർവചനങ്ങൾ) കൂടാതെ ബാഹ്യ OLTP സിസ്റ്റങ്ങളുടെ ഡാറ്റാബേസുകളുടെ അളവിനെയും ആശ്രയിച്ചിരിക്കുന്നു. അനുഭവം അനുസരിച്ച്, വെയർഹൗസ് നിർമ്മാണ നടപടിക്രമം നിരവധി മിനിറ്റ് മുതൽ രണ്ട് മണിക്കൂർ വരെ എടുക്കും, ക്യൂബ് അപ്ഡേറ്റ് നടപടിക്രമം (പ്രക്രിയ) 1 മുതൽ 20 മിനിറ്റ് വരെ എടുക്കും. ഡസൻ കണക്കിന് നക്ഷത്ര-തരം ഘടനകൾ, ഡസൻ കണക്കിന് സാധാരണ "കിരണങ്ങൾ" (റഫറൻസ് വിഭാഗങ്ങൾ), നൂറുകണക്കിന് സൂചകങ്ങൾ എന്നിവയെ ഒന്നിപ്പിക്കുന്ന സങ്കീർണ്ണമായ OLAP ക്യൂബുകളെക്കുറിച്ചാണ് നമ്മൾ സംസാരിക്കുന്നത്. ഷിപ്പിംഗ് ഡോക്യുമെൻ്റുകളെ അടിസ്ഥാനമാക്കി ബാഹ്യ ഇആർപി സിസ്റ്റങ്ങളുടെ ഡാറ്റാബേസുകളുടെ അളവ് കണക്കാക്കുന്നത്, ഞങ്ങൾ ലക്ഷക്കണക്കിന് രേഖകളെക്കുറിച്ചും അതനുസരിച്ച് പ്രതിവർഷം ദശലക്ഷക്കണക്കിന് ഉൽപ്പന്ന ലൈനുകളെക്കുറിച്ചും സംസാരിക്കുന്നു. ഉപയോക്താവിന് താൽപ്പര്യമുള്ള ചരിത്രപരമായ പ്രോസസ്സിംഗ് ആഴം മൂന്ന് മുതൽ അഞ്ച് വർഷം വരെയാണ്.

വിവരിച്ച സാങ്കേതികവിദ്യ നിരവധി വലിയ കോർപ്പറേഷനുകളിൽ ഉപയോഗിച്ചു: 2008 മുതൽ റഷ്യൻ ഫിഷ് കമ്പനിയിലും (ആർആർകെ) റഷ്യൻ സീ കമ്പനിയിലും (ആർഎം), 2012 മുതൽ സാന്താ ബ്രെമോർ കമ്പനിയിൽ (എസ്ബി). ചില കോർപ്പറേഷനുകൾ പ്രാഥമികമായി വ്യാപാരവും വാങ്ങുന്ന സ്ഥാപനങ്ങളുമാണ് (പിപിസികൾ), മറ്റുള്ളവ ഉൽപ്പാദന കമ്പനികളാണ് (റിപ്പബ്ലിക് ഓഫ് മോൾഡോവയിലെയും ബെലാറസ് റിപ്പബ്ലിക്കിലെയും മത്സ്യം, സീഫുഡ് സംസ്കരണ പ്ലാൻ്റുകൾ). എല്ലാ കോർപ്പറേഷനുകളും വലിയ ഹോൾഡിംഗുകളാണ്, സ്വതന്ത്രവും വ്യത്യസ്തവുമായ കമ്പ്യൂട്ടർ അക്കൗണ്ടിംഗ് സംവിധാനങ്ങളുള്ള നിരവധി കമ്പനികളെ ഒന്നിപ്പിക്കുന്നു - സാധാരണ ERP സിസ്റ്റങ്ങളായ 1C7, 1C8 മുതൽ DBF, Excel എന്നിവ അടിസ്ഥാനമാക്കിയുള്ള "റിലിക്ക്" അക്കൗണ്ടിംഗ് സിസ്റ്റങ്ങൾ വരെ. OLAP ക്യൂബുകൾ പ്രവർത്തിപ്പിക്കുന്നതിനുള്ള വിവരിച്ച സാങ്കേതികവിദ്യ (വികസന ഘട്ടം കണക്കിലെടുക്കാതെ) ഒന്നുകിൽ പ്രത്യേക ജീവനക്കാരെ ആവശ്യമില്ല, അല്ലെങ്കിൽ ഒരു മുഴുവൻ സമയ ബിസിനസ്സ് അനലിസ്റ്റിൻ്റെ ഉത്തരവാദിത്തമാണ്. വിവിധ വിഭാഗങ്ങളിലെ കോർപ്പറേറ്റ് ജീവനക്കാർക്ക് ദിവസേന ഏറ്റവും പുതിയ റിപ്പോർട്ടിംഗ് നൽകിക്കൊണ്ട് വർഷങ്ങളായി ഈ ടാസ്‌ക് സ്വയമേവ പ്രവർത്തിക്കുന്നു.

പരിഹാരത്തിൻ്റെ ഗുണങ്ങളും ദോഷങ്ങളും

നിർദ്ദിഷ്ട പരിഹാരം തികച്ചും വിശ്വസനീയവും ഉപയോഗിക്കാൻ എളുപ്പവുമാണെന്ന് അനുഭവം കാണിക്കുന്നു. ഫാക്യൂബി കൺട്രോൾ പ്രോഗ്രാമിൻ്റെ മാറ്റമില്ലാതെ ഇത് എളുപ്പത്തിൽ പരിഷ്‌ക്കരിക്കപ്പെടുന്നു (പുതിയ ERP-കളുടെ കണക്ഷൻ/വിച്ഛേദിക്കൽ, പുതിയ സൂചകങ്ങളുടെയും വിഭാഗങ്ങളുടെയും സൃഷ്‌ടി, Excel റിപ്പോർട്ടുകളുടെയും അവയുടെ മെയിലിംഗ് ലിസ്റ്റുകളുടെയും സൃഷ്‌ടിയും പരിഷ്‌ക്കരണവും).

OLAP-യുമായുള്ള ഒരു ഇൻ്റർഫേസ് എന്ന നിലയിൽ MS Excel മതിയായ ആവിഷ്‌കാരത പ്രദാനം ചെയ്യുന്നു കൂടാതെ ഓഫീസ് ജീവനക്കാരുടെ വിവിധ വിഭാഗങ്ങളെ OLAP സാങ്കേതികവിദ്യയുമായി പെട്ടെന്ന് പരിചയപ്പെടാൻ അനുവദിക്കുന്നു. ഉപയോക്താവിന് ദിവസേന "സ്റ്റാൻഡേർഡ്" OLAP റിപ്പോർട്ടുകൾ ലഭിക്കുന്നു; OLAP-നൊപ്പം MS Excel ഇൻ്റർഫേസ് ഉപയോഗിച്ച്, MS Excel-ൽ സ്വതന്ത്രമായി OLAP റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കാൻ കഴിയും. കൂടാതെ, ഉപയോക്താവിന് തൻ്റെ MS Excel-ൻ്റെ സാധാരണ കഴിവുകൾ ഉപയോഗിച്ച് OLAP റിപ്പോർട്ടുകളുടെ വിവരങ്ങൾ സ്വതന്ത്രമായി പഠിക്കാൻ കഴിയും.

"ശുദ്ധീകരിച്ച" വെയർഹൗസ് ഡാറ്റാബേസ്, അതിൽ നിരവധി വൈവിധ്യമാർന്ന ERP സിസ്റ്റങ്ങൾ (ക്യൂബിൻ്റെ നിർമ്മാണ സമയത്ത്) ഏകീകരിക്കപ്പെട്ടിരിക്കുന്നു (ക്യൂബിൻ്റെ നിർമ്മാണ വേളയിൽ), OLAP ഇല്ലാതെ പോലും, പരിഹരിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു (ഒരു SSAS സെർവറിൽ, ട്രാൻസാക്റ്റ് SQL അല്ലെങ്കിൽ SP രീതി ഉപയോഗിച്ച്. , മുതലായവ) പല പ്രയോഗിച്ച മാനേജ്മെൻ്റ് പ്രശ്നങ്ങൾ. യഥാർത്ഥ ERP-യുടെ ഡാറ്റാബേസ് ഘടനകളെ അപേക്ഷിച്ച് വെയർഹൗസ് ഡാറ്റാബേസ് ഘടന ഏകീകൃതവും (പട്ടികകളുടെ എണ്ണവും പട്ടിക ഫീൽഡുകളുടെ എണ്ണവും അനുസരിച്ച്) വളരെ ലളിതവുമാണെന്ന് നമുക്ക് ഓർക്കാം.

ഞങ്ങളുടെ നിർദ്ദിഷ്ട പരിഹാരത്തിൽ ഒരു OLAP ക്യൂബിൽ വിവിധ ERP സിസ്റ്റങ്ങൾ ഏകീകരിക്കാനുള്ള സാധ്യതയുണ്ടെന്ന് ഞങ്ങൾ പ്രത്യേകം ശ്രദ്ധിക്കുന്നു. ഒരു കോർപ്പറേഷൻ മറ്റൊരു അക്കൗണ്ടിംഗ് ഇആർപി സിസ്റ്റത്തിലേക്ക് മാറുമ്പോൾ, 1C7 ൽ നിന്ന് 1C8 ലേക്ക് മാറുമ്പോൾ, മുഴുവൻ ഹോൾഡിംഗിനും അനലിറ്റിക്‌സ് നേടാനും അനലിറ്റിക്‌സിൽ ദീർഘകാല തുടർച്ച നിലനിർത്താനും ഇത് നിങ്ങളെ അനുവദിക്കുന്നു.

ഞങ്ങൾ MOLAP ക്യൂബ് മോഡൽ ഉപയോഗിച്ചു. ഈ മോഡലിൻ്റെ പ്രയോജനങ്ങൾ പ്രവർത്തനത്തിലെ വിശ്വാസ്യതയും ഉപയോക്തൃ അഭ്യർത്ഥനകൾ പ്രോസസ്സ് ചെയ്യുന്നതിൻ്റെ ഉയർന്ന വേഗതയുമാണ്. പോരായ്മകൾ: OLAP, OLTP എന്നിവ അസമന്വിതമാണ്, അതുപോലെ തന്നെ OLAP സംഭരിക്കുന്നതിനുള്ള വലിയ അളവിലുള്ള മെമ്മറിയും.

ഉപസംഹാരമായി, മധ്യകാലഘട്ടത്തിൽ കൂടുതൽ ഉചിതമായിരുന്നേക്കാവുന്ന OLAP ന് അനുകൂലമായ മറ്റൊരു വാദം ഇതാ. കാരണം അതിൻ്റെ തെളിവ് ശക്തി അധികാരത്തിലാണ്. 60-കളുടെ അവസാനത്തിൽ ഒരു എളിമയുള്ള, വ്യക്തമായി അണ്ടർറേറ്റ് ചെയ്യപ്പെട്ട ബ്രിട്ടീഷ് ഗണിതശാസ്ത്രജ്ഞനായ ഇ. കോഡ് റിലേഷണൽ ഡാറ്റാബേസുകളുടെ സിദ്ധാന്തം വികസിപ്പിച്ചെടുത്തു. ഈ സിദ്ധാന്തത്തിൻ്റെ ശക്തി എന്തായിരുന്നു, ഇപ്പോൾ, 50 വർഷത്തിനു ശേഷം, SQL ഒഴികെയുള്ള ഒരു നോൺ-റിലേഷണൽ ഡാറ്റാബേസും ഒരു ഡാറ്റാബേസ് അന്വേഷണ ഭാഷയും കണ്ടെത്തുന്നത് ഇതിനകം തന്നെ ബുദ്ധിമുട്ടാണ്.

റിലേഷണൽ ഡാറ്റാബേസുകളുടെ സിദ്ധാന്തത്തെ അടിസ്ഥാനമാക്കിയുള്ള OLTP സാങ്കേതികവിദ്യയാണ് ഇ.കോഡിൻ്റെ ആദ്യ ആശയം. വാസ്തവത്തിൽ, OLAP ക്യൂബുകൾ എന്ന ആശയം അദ്ദേഹത്തിൻ്റെ രണ്ടാമത്തെ ആശയമാണ്, 90 കളുടെ തുടക്കത്തിൽ അദ്ദേഹം പ്രകടിപ്പിച്ചു. ഒരു ഗണിതശാസ്ത്രജ്ഞനല്ലെങ്കിലും, രണ്ടാമത്തെ ആശയം ആദ്യത്തേത് പോലെ ഫലപ്രദമാകുമെന്ന് നിങ്ങൾക്ക് പ്രതീക്ഷിക്കാം. അതായത്, കമ്പ്യൂട്ടർ അനലിറ്റിക്‌സിൻ്റെ കാര്യത്തിൽ, OLAP ആശയങ്ങൾ ഉടൻ തന്നെ ലോകത്തെ ഏറ്റെടുക്കുകയും മറ്റെല്ലാവരെയും സ്ഥാനഭ്രഷ്ടനാക്കുകയും ചെയ്യും. ലളിതമായി, അനലിറ്റിക്സിൻ്റെ വിഷയം അതിൻ്റെ സമഗ്രമായ ഗണിതശാസ്ത്രപരമായ പരിഹാരം OLAP-ൽ കണ്ടെത്തുന്നു, ഈ പരിഹാരം അനലിറ്റിക്സിൻ്റെ പ്രായോഗിക പ്രശ്നത്തിന് "പര്യാപ്തമാണ്" (ബി. സ്പിനോസയുടെ പദം). സ്പിനോസയിൽ "പര്യാപ്തമായത്" അർത്ഥമാക്കുന്നത് ദൈവത്തിന് തന്നെ ഇതിലും മികച്ചതൊന്നും ചിന്തിക്കാൻ കഴിയുമായിരുന്നില്ല...

1. ലാർസൺ ബി. മൈക്രോസോഫ്റ്റ് SQL സെർവർ 2005 ലെ ബിസിനസ് അനലിറ്റിക്‌സിൻ്റെ വികസനം. - സെൻ്റ് പീറ്റേഴ്‌സ്ബർഗ്: "പീറ്റർ", 2008.
2. കോഡ് ഇ. ഡാറ്റാ ബേസ് ഉപഭാഷകളുടെ റിലേഷണൽ കംപ്ലീറ്റ്നെസ്, ഡാറ്റാ ബേസ് സിസ്റ്റങ്ങൾ, കോറൻ്റ് കമ്പ്യൂട്ടർ സയൻസ് സമ്പോസിയ സീരീസ് 1972, വി. 6, ഇംഗ്ലീഷ് വുഡ് ക്ലിഫ്സ്, N.Y., പ്രെൻ്റിസ് - ഹാൾ.

എന്നിവരുമായി ബന്ധപ്പെട്ടു

OLAP (ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) ഡാറ്റ ക്യൂബുകൾ മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ കാര്യക്ഷമമായി വേർതിരിച്ചെടുക്കാനും വിശകലനം ചെയ്യാനും നിങ്ങളെ അനുവദിക്കുന്നു. മറ്റ് തരത്തിലുള്ള ഡാറ്റാബേസുകളിൽ നിന്ന് വ്യത്യസ്തമായി, OLAP ഡാറ്റാബേസുകൾ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗിനും അവയിൽ നിന്ന് എല്ലാത്തരം ഡാറ്റാ സെറ്റുകളുടെയും ദ്രുതഗതിയിലുള്ള വേർതിരിച്ചെടുക്കലിനായി പ്രത്യേകം രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ്. ആക്സസ് അല്ലെങ്കിൽ SQL സെർവർ, OLAP ഡാറ്റാബേസുകൾ എന്നിവ പോലുള്ള സ്റ്റാൻഡേർഡ് റിലേഷണൽ ഡാറ്റാബേസുകൾ തമ്മിൽ യഥാർത്ഥത്തിൽ നിരവധി പ്രധാന വ്യത്യാസങ്ങളുണ്ട്.

അരി. 1. ഒരു OLAP ക്യൂബ് ഒരു Excel വർക്ക്ബുക്കിലേക്ക് ബന്ധിപ്പിക്കുന്നതിന്, കമാൻഡ് ഉപയോഗിക്കുക അനലിറ്റിക്സ് സേവനങ്ങളിൽ നിന്ന്

കുറിപ്പ് ഡൗൺലോഡ് ചെയ്യുക അല്ലെങ്കിൽ

റിലേഷണൽ ഡാറ്റാബേസുകളിൽ, വിവരങ്ങൾ തുടർച്ചയായി ചേർക്കുന്നതും ഇല്ലാതാക്കുന്നതും അപ്ഡേറ്റ് ചെയ്യുന്നതുമായ റെക്കോർഡുകളായി പ്രതിനിധീകരിക്കുന്നു. OLAP ഡാറ്റാബേസുകൾ ഡാറ്റയുടെ ഒരു സ്നാപ്പ്ഷോട്ട് മാത്രമേ സംഭരിക്കുന്നുള്ളൂ. ഒരു OLAP ഡാറ്റാബേസിൽ, വിവരങ്ങൾ ഒരു ഡാറ്റാ ബ്ലോക്കായി ആർക്കൈവ് ചെയ്‌തിരിക്കുന്നു, അത് ഓൺ-ഡിമാൻഡ് ഔട്ട്‌പുട്ടിനായി മാത്രം ഉദ്ദേശിച്ചുള്ളതാണ്. OLAP ഡാറ്റാബേസിലേക്ക് പുതിയ വിവരങ്ങൾ ചേർക്കാമെങ്കിലും, നിലവിലുള്ള ഡാറ്റ വളരെ അപൂർവമായി മാത്രമേ എഡിറ്റ് ചെയ്യപ്പെടുന്നുള്ളൂ, വളരെ കുറച്ച് മാത്രമേ ഇല്ലാതാക്കുകയുള്ളൂ.

റിലേഷണൽ ഡാറ്റാബേസുകളും OLAP ഡാറ്റാബേസുകളും ഘടനാപരമായി വ്യത്യസ്തമാണ്. റിലേഷണൽ ഡാറ്റാബേസുകളിൽ സാധാരണയായി പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്ന ഒരു കൂട്ടം പട്ടികകൾ അടങ്ങിയിരിക്കുന്നു. ചില സാഹചര്യങ്ങളിൽ, ഒരു റിലേഷണൽ ഡാറ്റാബേസിൽ നിരവധി പട്ടികകൾ അടങ്ങിയിരിക്കുന്നു, അവ എങ്ങനെ ബന്ധിപ്പിച്ചിരിക്കുന്നു എന്ന് നിർണ്ണയിക്കാൻ വളരെ ബുദ്ധിമുട്ടാണ്. OLAP ഡാറ്റാബേസുകളിൽ, ഡാറ്റയുടെ വ്യക്തിഗത ബ്ലോക്കുകൾ തമ്മിലുള്ള ബന്ധങ്ങൾ മുൻകൂട്ടി നിർവചിക്കുകയും OLAP ക്യൂബുകൾ എന്നറിയപ്പെടുന്ന ഒരു ഘടനയിൽ സംഭരിക്കുകയും ചെയ്യുന്നു. ഡാറ്റാ ക്യൂബുകൾ ഡാറ്റാബേസിൻ്റെ ശ്രേണിപരമായ ഘടനയെയും ബന്ധങ്ങളെയും കുറിച്ചുള്ള പൂർണ്ണമായ വിവരങ്ങൾ സംഭരിക്കുന്നു, ഇത് അതിലൂടെയുള്ള നാവിഗേഷൻ വളരെ ലളിതമാക്കുന്നു. കൂടാതെ, നിങ്ങൾ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യുന്ന ഡാറ്റ എവിടെയാണെന്നും അതുമായി ബന്ധപ്പെട്ട മറ്റ് ഡാറ്റ എന്താണെന്നും മുൻകൂട്ടി അറിയാമെങ്കിൽ റിപ്പോർട്ടുകൾ സൃഷ്‌ടിക്കുന്നത് വളരെ എളുപ്പമാണ്.

റിലേഷണൽ ഡാറ്റാബേസുകളും OLAP ഡാറ്റാബേസുകളും തമ്മിലുള്ള പ്രധാന വ്യത്യാസം വിവരങ്ങൾ സംഭരിക്കുന്ന രീതിയാണ്. ഒരു OLAP ക്യൂബിലെ ഡാറ്റ അപൂർവ്വമായി പൊതുവായ രീതിയിൽ അവതരിപ്പിക്കപ്പെടുന്നു. OLAP ഡാറ്റ ക്യൂബുകളിൽ സാധാരണയായി മുൻകൂട്ടി രൂപകല്പന ചെയ്ത ഫോർമാറ്റിൽ അവതരിപ്പിക്കുന്ന വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു. അതിനാൽ, വിവരങ്ങൾ പൂരിപ്പിക്കുന്നതിന് മുമ്പ് ക്യൂബുകളിൽ ഡാറ്റ ഗ്രൂപ്പുചെയ്യൽ, ഫിൽട്ടറിംഗ്, തരംതിരിക്കൽ, ലയിപ്പിക്കൽ എന്നിവയുടെ പ്രവർത്തനങ്ങൾ നടത്തുന്നു. ഇത് അഭ്യർത്ഥിച്ച ഡാറ്റ വീണ്ടെടുക്കുന്നതും പ്രദർശിപ്പിക്കുന്നതും കഴിയുന്നത്ര ലളിതമാക്കുന്നു. റിലേഷണൽ ഡാറ്റാബേസുകളിൽ നിന്ന് വ്യത്യസ്തമായി, സ്ക്രീനിൽ പ്രദർശിപ്പിക്കുന്നതിന് മുമ്പ് വിവരങ്ങൾ ശരിയായി ക്രമീകരിക്കേണ്ട ആവശ്യമില്ല.

OLAP ഡാറ്റാബേസുകൾ സാധാരണയായി ഐടി അഡ്മിനിസ്ട്രേറ്റർമാർ സൃഷ്ടിക്കുകയും പരിപാലിക്കുകയും ചെയ്യുന്നു. നിങ്ങളുടെ ഓർഗനൈസേഷന് OLAP ഡാറ്റാബേസുകൾ കൈകാര്യം ചെയ്യുന്നതിന് ഉത്തരവാദിത്തമുള്ള ഒരു ഘടന ഇല്ലെങ്കിൽ, കോർപ്പറേറ്റ് നെറ്റ്‌വർക്കിൽ ചില OLAP സൊല്യൂഷനുകളെങ്കിലും നടപ്പിലാക്കുന്നതിനുള്ള അഭ്യർത്ഥനയുമായി നിങ്ങൾക്ക് റിലേഷണൽ ഡാറ്റാബേസ് അഡ്മിനിസ്ട്രേറ്ററെ ബന്ധപ്പെടാം.

ഒരു OLAP ഡാറ്റ ക്യൂബിലേക്ക് ബന്ധിപ്പിക്കുന്നു

ഒരു OLAP ഡാറ്റാബേസ് ആക്സസ് ചെയ്യുന്നതിന്, നിങ്ങൾ ആദ്യം OLAP ക്യൂബിലേക്ക് ഒരു കണക്ഷൻ സ്ഥാപിക്കേണ്ടതുണ്ട്. റിബൺ ടാബിലേക്ക് പോയി ആരംഭിക്കുക ഡാറ്റ. ബട്ടൺ ക്ലിക്ക് ചെയ്യുക മറ്റ് ഉറവിടങ്ങളിൽ നിന്ന്ഡ്രോപ്പ്-ഡൗൺ മെനുവിൽ നിന്ന് കമാൻഡ് തിരഞ്ഞെടുക്കുക അനലിറ്റിക്സ് സേവനങ്ങളിൽ നിന്ന്(ചിത്രം 1).

നിങ്ങൾ ഡാറ്റാ കണക്ഷൻ വിസാർഡിൻ്റെ നിർദ്ദിഷ്ട കമാൻഡ് തിരഞ്ഞെടുക്കുമ്പോൾ (ചിത്രം 2). സെർവറിലേക്ക് ഒരു കണക്ഷൻ സ്ഥാപിക്കാൻ നിങ്ങളെ സഹായിക്കുക എന്നതാണ് ഇതിൻ്റെ പ്രധാന ദൌത്യം, ഡാറ്റ കൈകാര്യം ചെയ്യുമ്പോൾ Excel ഉപയോഗിക്കും.

1. ആദ്യം നിങ്ങൾ എക്സൽ രജിസ്ട്രേഷൻ വിവരങ്ങൾ നൽകേണ്ടതുണ്ട്. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്നതുപോലെ, ഡയലോഗ് ബോക്‌സിൻ്റെ ഫീൽഡുകളിൽ സെർവറിൻ്റെ പേര്, ലോഗിൻ നാമം, ഡാറ്റ ആക്‌സസ് പാസ്‌വേഡ് എന്നിവ നൽകുക. 2. ബട്ടൺ ക്ലിക്ക് ചെയ്യുക കൂടുതൽ. നിങ്ങൾ ഒരു വിൻഡോസ് അക്കൗണ്ട് ഉപയോഗിച്ചാണ് കണക്റ്റുചെയ്യുന്നതെങ്കിൽ, സ്വിച്ച് തിരഞ്ഞെടുക്കുക വിൻഡോസ് ഓതൻ്റിക്കേഷൻ ഉപയോഗിക്കുക.

2. ഡ്രോപ്പ്-ഡൗൺ ലിസ്റ്റിൽ നിന്ന് നിങ്ങൾ പ്രവർത്തിക്കുന്ന ഡാറ്റാബേസ് തിരഞ്ഞെടുക്കുക (ചിത്രം 3). നിലവിലെ ഉദാഹരണം അനാലിസിസ് സർവീസസ് ട്യൂട്ടോറിയൽ ഡാറ്റാബേസ് ഉപയോഗിക്കുന്നു. നിങ്ങൾ ഈ ഡാറ്റാബേസ് തിരഞ്ഞെടുത്തുകഴിഞ്ഞാൽ, അതിൽ ലഭ്യമായ എല്ലാ OLAP ക്യൂബുകളും ഇറക്കുമതി ചെയ്യാൻ താഴെയുള്ള ലിസ്റ്റ് നിങ്ങളെ പ്രേരിപ്പിക്കുന്നു. ആവശ്യമായ ഡാറ്റ ക്യൂബ് തിരഞ്ഞെടുത്ത് ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക കൂടുതൽ.

അരി. 3. ഡാറ്റ വിശകലനത്തിനായി നിങ്ങൾ ഉപയോഗിക്കാൻ ഉദ്ദേശിക്കുന്ന പ്രവർത്തന ഡാറ്റാബേസും OLAP ക്യൂബും തിരഞ്ഞെടുക്കുക

3. അടുത്ത വിസാർഡ് ഡയലോഗ് ബോക്സിൽ, ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്നു. 4, നിങ്ങൾ സൃഷ്ടിക്കുന്ന കണക്ഷനെക്കുറിച്ചുള്ള വിവരണാത്മക വിവരങ്ങൾ നൽകേണ്ടതുണ്ട്. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ഡയലോഗ് ബോക്സിൻ്റെ എല്ലാ ഫീൽഡുകളും. 4 പൂരിപ്പിക്കേണ്ട ആവശ്യമില്ല. നിലവിലെ ഡയലോഗ് ബോക്‌സ് പൂരിപ്പിക്കാതെ തന്നെ നിങ്ങൾക്ക് അത് അവഗണിക്കാം, ഇത് നിങ്ങളുടെ കണക്ഷനെ ഒരു തരത്തിലും ബാധിക്കില്ല.

അരി. 4. കണക്ഷൻ വിവരണാത്മക വിവരങ്ങൾ മാറ്റുക

4. ബട്ടൺ ക്ലിക്ക് ചെയ്യുക തയ്യാറാണ്കണക്ഷൻ സൃഷ്ടിക്കൽ പൂർത്തിയാക്കാൻ. സ്ക്രീനിൽ ഒരു ഡയലോഗ് ബോക്സ് ദൃശ്യമാകും ഡാറ്റ ഇറക്കുമതി ചെയ്യുക(ചിത്രം 5). സ്വിച്ച് സജ്ജമാക്കുക പിവറ്റ് ടേബിൾ റിപ്പോർട്ട്പിവറ്റ് ടേബിൾ സൃഷ്‌ടിക്കാൻ ആരംഭിക്കുന്നതിന് ശരി ക്ലിക്കുചെയ്യുക.

OLAP ക്യൂബ് ഘടന

നിങ്ങൾ ഒരു OLAP ഡാറ്റാബേസിൽ നിന്ന് ഒരു പിവറ്റ് ടേബിൾ സൃഷ്ടിക്കുമ്പോൾ, ടാസ്ക് പാളി വിൻഡോ നിങ്ങൾ ശ്രദ്ധിക്കും പിവറ്റ് ടേബിൾ ഫീൽഡുകൾഒരു സാധാരണ പിവറ്റ് ടേബിളിൽ നിന്ന് വ്യത്യസ്തമായിരിക്കും. പിവറ്റ് ടേബിളിൻ്റെ ക്രമീകരണത്തിലാണ് കാരണം, അതിൽ ഘടിപ്പിച്ചിരിക്കുന്ന OLAP ക്യൂബിൻ്റെ ഘടനയെ അടുത്ത് പ്രതിഫലിപ്പിക്കുന്നു. ഒരു OLAP ക്യൂബിലൂടെ കഴിയുന്നത്ര വേഗത്തിൽ നാവിഗേറ്റ് ചെയ്യുന്നതിന്, അതിൻ്റെ ഘടകങ്ങളെക്കുറിച്ചും അവ എങ്ങനെ ഇടപഴകുന്നുവെന്നും നിങ്ങൾ നന്നായി അറിയേണ്ടതുണ്ട്. ചിത്രത്തിൽ. ഒരു സാധാരണ OLAP ക്യൂബിൻ്റെ അടിസ്ഥാന ഘടന ചിത്രം 6 കാണിക്കുന്നു.

നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, OLAP ക്യൂബിൻ്റെ പ്രധാന ഘടകങ്ങൾ അളവുകൾ, ശ്രേണികൾ, ലെവലുകൾ, അംഗങ്ങൾ, അളവുകൾ എന്നിവയാണ്:

• അളവുകൾ. വിശകലനം ചെയ്ത ഡാറ്റ ഘടകങ്ങളുടെ പ്രധാന സവിശേഷതകൾ. അളവുകളുടെ പൊതുവായ ഉദാഹരണങ്ങളിൽ ഉൽപ്പന്നങ്ങൾ, ഉപഭോക്താവ്, ജീവനക്കാരൻ എന്നിവ ഉൾപ്പെടുന്നു. ചിത്രത്തിൽ. ഉൽപ്പന്നങ്ങളുടെ അളവിൻ്റെ ഘടന ചിത്രം 6 കാണിക്കുന്നു.
• ശ്രേണികൾ. ഒരു നിർദ്ദിഷ്‌ട അളവിലുള്ള ലെവലുകളുടെ മുൻകൂട്ടി നിശ്ചയിച്ച സംഗ്രഹം. ഈ തലങ്ങൾക്കിടയിൽ നിലനിൽക്കുന്ന ബന്ധങ്ങൾ പരിശോധിക്കാതെ, സംഗ്രഹ ഡാറ്റ സൃഷ്ടിക്കാനും ഘടനയുടെ വിവിധ തലങ്ങളിൽ വിശകലനം ചെയ്യാനും ശ്രേണി നിങ്ങളെ അനുവദിക്കുന്നു. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ഉദാഹരണത്തിൽ. 6, ഉൽപ്പന്നങ്ങളുടെ അളവിന് മൂന്ന് തലങ്ങളുണ്ട്, അവ ഉൽപ്പന്ന വിഭാഗങ്ങളുടെ ഒരൊറ്റ ശ്രേണിയിലേക്ക് സംയോജിപ്പിച്ചിരിക്കുന്നു.
• ലെവലുകൾ. ഒരു പൊതു ശ്രേണിയിലേക്ക് സംയോജിപ്പിച്ചിരിക്കുന്ന വിഭാഗങ്ങളാണ് ലെവലുകൾ. പരസ്പരം പ്രത്യേകം അന്വേഷിക്കാനും വിശകലനം ചെയ്യാനും കഴിയുന്ന ഡാറ്റാ ഫീൽഡുകളായി ലെയറുകൾ ചിന്തിക്കുക. ചിത്രത്തിൽ. 6 മൂന്ന് ലെവലുകൾ മാത്രമേയുള്ളൂ: വിഭാഗം, ഉപവിഭാഗം, ഉൽപ്പന്ന നാമം.
• അംഗങ്ങൾ. ഒരു അളവിനുള്ളിൽ ഒരൊറ്റ ഡാറ്റ ഘടകം. അളവുകൾ, ശ്രേണികൾ, ലെവലുകൾ എന്നിവയുടെ ഒരു OLAP ഘടനയിലൂടെയാണ് അംഗങ്ങളെ സാധാരണയായി ആക്സസ് ചെയ്യുന്നത്. ചിത്രത്തിലെ ഉദാഹരണത്തിൽ. ഉൽപ്പന്ന നാമ നിലയ്ക്കായി 6 അംഗങ്ങളെ നിർവചിച്ചിരിക്കുന്നു. മറ്റ് ലെവലുകൾക്ക് അവരുടേതായ അംഗങ്ങളുണ്ട്, അവ ഘടനയിൽ കാണിച്ചിട്ടില്ല.
• അളവുകൾ- ഇത് OLAP ക്യൂബുകളിലെ യഥാർത്ഥ ഡാറ്റയാണ്. അളവുകൾ അവയുടെ സ്വന്തം അളവുകളിൽ സംഭരിച്ചിരിക്കുന്നു, അവയെ അളവ് അളവുകൾ എന്ന് വിളിക്കുന്നു. അളവുകൾ, ശ്രേണികൾ, ലെവലുകൾ, അംഗങ്ങൾ എന്നിവയുടെ ഏത് സംയോജനവും ഉപയോഗിച്ച് നിങ്ങൾക്ക് അളവുകൾ അന്വേഷിക്കാനാകും. ഈ പ്രക്രിയയെ "സ്ലൈസിംഗ്" നടപടികൾ എന്ന് വിളിക്കുന്നു.

ഇപ്പോൾ നിങ്ങൾക്ക് OLAP ക്യൂബുകളുടെ ഘടനയെക്കുറിച്ച് പരിചിതമാണ്, നമുക്ക് പിവറ്റ് ടേബിൾ ഫീൽഡ് ലിസ്റ്റിലേക്ക് പുതിയതായി നോക്കാം. ലഭ്യമായ ഫീൽഡുകളുടെ ഓർഗനൈസേഷൻ വ്യക്തമാവുകയും പരാതികളൊന്നും ഉണ്ടാക്കുകയും ചെയ്യുന്നില്ല. ചിത്രത്തിൽ. ഒരു OLAP പിവറ്റ് പട്ടികയുടെ ഘടകങ്ങളെ ഫീൽഡ് ലിസ്റ്റ് പ്രതിനിധീകരിക്കുന്നത് എങ്ങനെയെന്ന് ചിത്രം 7 കാണിക്കുന്നു.

ഒരു OLAP പിവറ്റ് പട്ടികയിലെ ഫീൽഡുകളുടെ പട്ടികയിൽ, അളവുകൾ ആദ്യം പ്രത്യക്ഷപ്പെടുകയും ഒരു സം ഐക്കൺ (സിഗ്മ) സൂചിപ്പിക്കുകയും ചെയ്യുന്നു. VALUE മേഖലയിൽ ഉണ്ടാകാവുന്ന ഒരേയൊരു ഡാറ്റ ഘടകങ്ങൾ ഇവയാണ്. പട്ടികയിൽ അവയ്ക്ക് ശേഷം അളവുകൾ സൂചിപ്പിച്ചിരിക്കുന്നു, ഒരു പട്ടിക ചിത്രമുള്ള ഒരു ഐക്കൺ സൂചിപ്പിച്ചിരിക്കുന്നു. ഞങ്ങളുടെ ഉദാഹരണം ഉപഭോക്തൃ മാനം ഉപയോഗിക്കുന്നു. ഈ മാനത്തിൽ നിരവധി ശ്രേണികൾ അടങ്ങിയിരിക്കുന്നു. ശ്രേണി വിപുലീകരിച്ചുകഴിഞ്ഞാൽ, നിങ്ങൾക്ക് വ്യക്തിഗത ഡാറ്റ ലെവലുകൾ കാണാൻ കഴിയും. ഒരു OLAP ക്യൂബിൻ്റെ ഡാറ്റാ ഘടന കാണുന്നതിന്, പിവറ്റ് പട്ടികയിലെ ഫീൽഡുകളുടെ ലിസ്റ്റിലൂടെ നാവിഗേറ്റ് ചെയ്യുക.

OLAP പിവറ്റ് പട്ടികകളിലെ പരിമിതികൾ

OLAP PivotTables-ൽ പ്രവർത്തിക്കുമ്പോൾ, Analysis Services OLAP പരിതസ്ഥിതിയിലെ പിവറ്റ് ടേബിൾ ഡാറ്റ ഉറവിടവുമായി നിങ്ങൾ സംവദിക്കുന്നുവെന്ന് ഓർക്കുക. ഇതിനർത്ഥം, ഡാറ്റ ക്യൂബിൻ്റെ എല്ലാ സ്വഭാവ സവിശേഷതകളും, അളവുകൾ മുതൽ ക്യൂബിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന അളവുകൾ വരെ, OLAP അനലിറ്റിക്‌സ് സേവനങ്ങളാൽ നിയന്ത്രിക്കപ്പെടുന്നു എന്നാണ്. അതാകട്ടെ, OLAP പിവറ്റ് ടേബിളുകളിൽ നടപ്പിലാക്കാൻ കഴിയുന്ന പ്രവർത്തനങ്ങളിൽ നിയന്ത്രണങ്ങളിലേയ്ക്ക് നയിക്കുന്നു:

• ഒരു പിവറ്റ് ടേബിളിൻ്റെ VALUES ഏരിയയിൽ അളവുകളല്ലാതെ നിങ്ങൾക്ക് ഫീൽഡുകൾ സ്ഥാപിക്കാൻ കഴിയില്ല;
• സംഗ്രഹിക്കാൻ ഉപയോഗിക്കുന്ന പ്രവർത്തനം മാറ്റുന്നത് അസാധ്യമാണ്;
• നിങ്ങൾക്ക് കണക്കാക്കിയ ഫീൽഡ് അല്ലെങ്കിൽ കണക്കാക്കിയ ഇനം സൃഷ്ടിക്കാൻ കഴിയില്ല;
• പിവറ്റ് ടേബിളിൽ നിന്ന് ഫീൽഡ് നീക്കം ചെയ്‌തതിന് ശേഷം ഫീൽഡ് നാമങ്ങളിലെ മാറ്റങ്ങളെല്ലാം ഉടൻ റദ്ദാക്കപ്പെടും;
• പേജ് ഫീൽഡ് പാരാമീറ്ററുകൾ മാറ്റുന്നത് അനുവദനീയമല്ല;
• കമാൻഡ് ലഭ്യമല്ല കാണിക്കുകപേജുകൾ;
• ഓപ്ഷൻ അപ്രാപ്തമാക്കി കാണിക്കുകഒപ്പുകൾഘടകങ്ങൾമൂല്യ മേഖലയിൽ ഫീൽഡുകൾ ഇല്ലെങ്കിൽ;
• ഓപ്ഷൻ അപ്രാപ്തമാക്കി ഉപമൊത്തംഫിൽട്ടർ തിരഞ്ഞെടുത്ത പേജ് ഘടകങ്ങൾ പ്രകാരം;
• പാരാമീറ്റർ ലഭ്യമല്ല പശ്ചാത്തലംഅഭ്യർത്ഥന;
• VALUES ഫീൽഡിൽ ഇരട്ട-ക്ലിക്കുചെയ്തതിനുശേഷം, പിവറ്റ് ടേബിൾ കാഷെയിൽ നിന്നുള്ള ആദ്യത്തെ 1000 റെക്കോർഡുകൾ മാത്രമേ തിരികെ ലഭിക്കൂ;
• ചെക്ക്ബോക്സ് പ്രവർത്തനരഹിതമാക്കി ഒപ്റ്റിമൈസ് ചെയ്യുകഓർമ്മ.

സ്വയംഭരണ ഡാറ്റ ക്യൂബുകൾ സൃഷ്ടിക്കുന്നു

ഒരു സാധാരണ പിവറ്റ് പട്ടികയിൽ, ഉറവിട ഡാറ്റ നിങ്ങളുടെ പ്രാദേശിക ഹാർഡ് ഡ്രൈവിൽ സംഭരിച്ചിരിക്കുന്നു. അതിനാൽ, നിങ്ങൾക്ക് എല്ലായ്പ്പോഴും അവ നിയന്ത്രിക്കാനും അതുപോലെ തന്നെ നെറ്റ്‌വർക്കിലേക്കുള്ള ആക്‌സസ് ഇല്ലാതെ തന്നെ ഘടന മാറ്റാനും കഴിയും. എന്നാൽ ഇത് OLAP പിവറ്റ് ടേബിളുകൾക്ക് ഒരു തരത്തിലും ബാധകമല്ല. OLAP പിവറ്റ് പട്ടികകളിൽ, പ്രാദേശിക ഹാർഡ് ഡ്രൈവിൽ കാഷെ സ്ഥിതി ചെയ്യുന്നില്ല. അതിനാൽ, ലോക്കൽ നെറ്റ്‌വർക്കിൽ നിന്ന് വിച്ഛേദിച്ച ഉടൻ, നിങ്ങളുടെ OLAP പിവറ്റ് ടേബിൾ പ്രവർത്തിക്കില്ല. അത്തരമൊരു പട്ടികയിൽ നിങ്ങൾക്ക് ഒരു ഫീൽഡ് പോലും നീക്കാൻ കഴിയില്ല.

നിങ്ങൾ ഒരു നെറ്റ്‌വർക്കിലേക്ക് കണക്റ്റുചെയ്‌തിട്ടില്ലാത്തപ്പോഴും OLAP ഡാറ്റ വിശകലനം ചെയ്യണമെങ്കിൽ, ഒരു ഓഫ്‌ലൈൻ ഡാറ്റ ക്യൂബ് സൃഷ്‌ടിക്കുക. പിവറ്റ് ടേബിൾ കാഷെ പ്രതിനിധീകരിക്കുന്ന ഒരു പ്രത്യേക ഫയലാണിത്. ലോക്കൽ നെറ്റ്‌വർക്കിൽ നിന്ന് വിച്ഛേദിച്ചതിന് ശേഷം കാണുന്ന OLAP ഡാറ്റ ഈ ഫയൽ സംഭരിക്കുന്നു. ഒരു ഒറ്റപ്പെട്ട ഡാറ്റ ക്യൂബ് സൃഷ്‌ടിക്കുന്നതിന്, ആദ്യം ഒരു OLAP പിവറ്റ് പട്ടിക സൃഷ്‌ടിക്കുക. പിവറ്റ് ടേബിളിൽ കഴ്സർ സ്ഥാപിച്ച് ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക OLAP ടൂളുകൾസന്ദർഭോചിത ടാബ് വിശകലനം, സന്ദർഭോചിത ടാബുകളുടെ കൂട്ടത്തിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് പിവറ്റ് ടേബിളുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നു. ഒരു ടീം തിരഞ്ഞെടുക്കുക ഓഫ്‌ലൈൻ OLAP മോഡ്(ചിത്രം 8).

സ്ക്രീനിൽ ഒരു ഡയലോഗ് ബോക്സ് ദൃശ്യമാകും OLAP ഓഫ്‌ലൈനായി സജ്ജീകരിക്കുന്നു(ചിത്രം 9). ബട്ടൺ ക്ലിക്ക് ചെയ്യുക ഓഫ്‌ലൈൻ ഡാറ്റ ഫയൽ സൃഷ്‌ടിക്കുക. ഡാറ്റ ക്യൂബ് ഫയൽ ക്രിയേഷൻ വിസാർഡിൻ്റെ ആദ്യ വിൻഡോ സ്ക്രീനിൽ ദൃശ്യമാകും. ബട്ടൺ ക്ലിക്ക് ചെയ്യുക കൂടുതൽനടപടിക്രമം തുടരാൻ.

രണ്ടാം ഘട്ടത്തിൽ (ചിത്രം 10), ഡാറ്റ ക്യൂബിൽ ഉൾപ്പെടുത്തേണ്ട അളവുകളും ലെവലുകളും സൂചിപ്പിക്കുക. ഡയലോഗ് ബോക്സിൽ, OLAP ഡാറ്റാബേസിൽ നിന്ന് ഇറക്കുമതി ചെയ്യുന്നതിനുള്ള ഡാറ്റ നിങ്ങൾ തിരഞ്ഞെടുക്കണം. പ്രാദേശിക നെറ്റ്‌വർക്കിൽ നിന്ന് കമ്പ്യൂട്ടർ വിച്ഛേദിച്ചതിന് ശേഷം ആവശ്യമായ അളവുകൾ മാത്രം തിരഞ്ഞെടുക്കേണ്ടത് ആവശ്യമാണ്. നിങ്ങൾ വ്യക്തമാക്കുന്ന കൂടുതൽ അളവുകൾ, ഓട്ടോണമസ് ഡാറ്റ ക്യൂബ് വലുതായിരിക്കും.

ബട്ടൺ ക്ലിക്ക് ചെയ്യുക കൂടുതൽമൂന്നാം ഘട്ടത്തിലേക്ക് പോകുന്നതിന് (ചിത്രം 11). ഈ വിൻഡോയിൽ നിങ്ങൾ ക്യൂബിൽ ഉൾപ്പെടുത്താത്ത അംഗങ്ങളെയോ ഡാറ്റ ഘടകങ്ങളെയോ തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്. ചെക്ക്ബോക്സ് തിരഞ്ഞെടുത്തിട്ടില്ലെങ്കിൽ, നിർദ്ദിഷ്ട ഇനം ഇറക്കുമതി ചെയ്യപ്പെടില്ല, നിങ്ങളുടെ പ്രാദേശിക ഹാർഡ് ഡ്രൈവിൽ അനാവശ്യ ഇടം എടുക്കും.

ഡാറ്റ ക്യൂബിൻ്റെ സ്ഥാനവും പേരും വ്യക്തമാക്കുക (ചിത്രം 12). ഡാറ്റ ക്യൂബ് ഫയലുകൾക്ക് .cub എന്ന വിപുലീകരണമുണ്ട്.

കുറച്ച് സമയത്തിന് ശേഷം, എക്സൽ ഓഫ്‌ലൈൻ ഡാറ്റ ക്യൂബ് നിർദ്ദിഷ്ട ഫോൾഡറിൽ സംരക്ഷിക്കും. ഇത് പരിശോധിക്കുന്നതിന്, ഫയലിൽ ഇരട്ട-ക്ലിക്കുചെയ്യുക, അത് തിരഞ്ഞെടുത്ത ഡാറ്റ ക്യൂബുമായി ബന്ധപ്പെട്ട പിവറ്റ് ടേബിൾ അടങ്ങുന്ന ഒരു Excel വർക്ക്ബുക്ക് സ്വയമേവ സൃഷ്ടിക്കും. ഒരിക്കൽ സൃഷ്ടിച്ചുകഴിഞ്ഞാൽ, ഓഫ്‌ലൈൻ ലാൻ മോഡിൽ പ്രവർത്തിക്കുന്ന താൽപ്പര്യമുള്ള എല്ലാ ഉപയോക്താക്കൾക്കും നിങ്ങൾക്ക് ഓഫ്‌ലൈൻ ഡാറ്റ ക്യൂബ് വിതരണം ചെയ്യാൻ കഴിയും.

ലോക്കൽ നെറ്റ്‌വർക്കിലേക്ക് കണക്‌റ്റ് ചെയ്‌തുകഴിഞ്ഞാൽ, നിങ്ങൾക്ക് ഓഫ്‌ലൈൻ ഡാറ്റ ക്യൂബ് ഫയൽ തുറന്ന് അതും അനുബന്ധ ഡാറ്റാ ടേബിളും അപ്‌ഡേറ്റ് ചെയ്യാം. നെറ്റ്‌വർക്ക് ആക്‌സസ്സ് ഇല്ലാത്തപ്പോൾ ഓഫ്‌ലൈൻ ഡാറ്റ ക്യൂബ് ഉപയോഗിക്കുന്നുണ്ടെങ്കിലും, നെറ്റ്‌വർക്ക് കണക്റ്റിവിറ്റി പുനഃസ്ഥാപിക്കുമ്പോൾ അത് അപ്‌ഡേറ്റ് ചെയ്യേണ്ടതുണ്ടെന്ന് ദയവായി ശ്രദ്ധിക്കുക. നെറ്റ്‌വർക്ക് കണക്ഷൻ നഷ്ടപ്പെട്ടതിന് ശേഷം ഒരു ഓഫ്‌ലൈൻ ഡാറ്റ ക്യൂബ് അപ്‌ഡേറ്റ് ചെയ്യാൻ ശ്രമിക്കുന്നത് പരാജയത്തിന് കാരണമാകും.

പിവറ്റ് പട്ടികകളിൽ ഡാറ്റ ക്യൂബ് ഫംഗ്‌ഷനുകൾ ഉപയോഗിക്കുന്നു

OLAP ഡാറ്റാബേസുകളിൽ ഉപയോഗിക്കുന്ന ഡാറ്റ ക്യൂബ് ഫംഗ്‌ഷനുകളും ഒരു പിവറ്റ് ടേബിളിൽ നിന്ന് പ്രവർത്തിപ്പിക്കാനാകും. Excel-ൻ്റെ ലെഗസി പതിപ്പുകളിൽ, അനാലിസിസ് പാക്ക് ആഡ്-ഇൻ ഇൻസ്റ്റാൾ ചെയ്തതിന് ശേഷം മാത്രമേ നിങ്ങൾക്ക് ഡാറ്റ ക്യൂബ് പ്രവർത്തനത്തിലേക്ക് ആക്സസ് ഉണ്ടായിരുന്നുള്ളൂ. Excel 2013-ൽ, ഈ ഫംഗ്ഷനുകൾ പ്രോഗ്രാമിൽ അന്തർനിർമ്മിതമായതിനാൽ ഉപയോഗത്തിന് ലഭ്യമാണ്. അവരുടെ കഴിവുകൾ പൂർണ്ണമായി മനസ്സിലാക്കാൻ, നമുക്ക് ഒരു പ്രത്യേക ഉദാഹരണം നോക്കാം.

ഡാറ്റ ക്യൂബ് ഫംഗ്‌ഷനുകൾ പഠിക്കാനുള്ള ഏറ്റവും എളുപ്പമുള്ള മാർഗ്ഗം ഒരു OLAP പിവറ്റ് ടേബിളിനെ ഡാറ്റ ക്യൂബ് ഫോർമുലകളാക്കി മാറ്റുക എന്നതാണ്. ഈ നടപടിക്രമം വളരെ ലളിതമാണ് കൂടാതെ സ്ക്രാച്ചിൽ നിന്ന് സൃഷ്ടിക്കാതെ തന്നെ ഡാറ്റ ക്യൂബ് ഫോർമുലകൾ വേഗത്തിൽ ലഭ്യമാക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. പിവറ്റ് ടേബിളിലെ എല്ലാ സെല്ലുകളും OLAP ഡാറ്റാബേസുമായി ബന്ധിപ്പിച്ചിരിക്കുന്ന ഫോർമുലകൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക എന്നതാണ് പ്രധാന തത്വം. ചിത്രത്തിൽ. OLAP ഡാറ്റാബേസുമായി ബന്ധപ്പെട്ട ഒരു പിവറ്റ് പട്ടിക ചിത്രം 13 കാണിക്കുന്നു.

പിവറ്റ് ടേബിളിൽ എവിടെയും കഴ്‌സർ സ്ഥാപിക്കുക, ബട്ടൺ ക്ലിക്കുചെയ്യുക OLAP ടൂളുകൾസന്ദർഭോചിതമായ റിബൺ ടാബ് വിശകലനംഒപ്പം ഒരു ടീമിനെ തെരഞ്ഞെടുക്കുക ഫോർമുലകളിലേക്ക് പരിവർത്തനം ചെയ്യുക(ചിത്രം 14).

നിങ്ങളുടെ പിവറ്റ് പട്ടികയിൽ ഒരു റിപ്പോർട്ട് ഫിൽട്ടർ ഫീൽഡ് അടങ്ങിയിട്ടുണ്ടെങ്കിൽ, ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്ന ഡയലോഗ് ബോക്സ് നിങ്ങളുടെ സ്ക്രീനിൽ ദൃശ്യമാകും. 15. ഈ വിൻഡോയിൽ, നിങ്ങൾക്ക് ഡാറ്റ ഫിൽട്ടർ ഡ്രോപ്പ്-ഡൗൺ ലിസ്റ്റുകൾ ഫോർമുലകളാക്കി മാറ്റണോ എന്ന് വ്യക്തമാക്കാൻ കഴിയും. ഉത്തരം അതെ എന്നാണെങ്കിൽ, ഡ്രോപ്പ്-ഡൗൺ ലിസ്റ്റുകൾ നീക്കം ചെയ്യുകയും പകരം സ്റ്റാറ്റിക് ഫോർമുലകൾ പ്രദർശിപ്പിക്കുകയും ചെയ്യും. പിവറ്റ് ടേബിളിലെ ഉള്ളടക്കങ്ങൾ മാറ്റാൻ ഭാവിയിൽ ഡ്രോപ്പ്-ഡൗൺ ലിസ്റ്റുകൾ ഉപയോഗിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഡയലോഗ് ബോക്സിലെ ഒരേയൊരു ചെക്ക്ബോക്സ് മായ്ക്കുക. നിങ്ങൾ കോംപാറ്റിബിലിറ്റി മോഡിൽ ഒരു പിവറ്റ് ടേബിളിൽ പ്രവർത്തിക്കുകയാണെങ്കിൽ, മുൻകൂർ മുന്നറിയിപ്പില്ലാതെ ഡാറ്റ ഫിൽട്ടറുകൾ സ്വയമേ ഫോർമുലകളിലേക്ക് പരിവർത്തനം ചെയ്യപ്പെടും.

കുറച്ച് നിമിഷങ്ങൾക്ക് ശേഷം, ഒരു പിവറ്റ് ടേബിളിന് പകരം, ഡാറ്റാ ക്യൂബുകളിൽ എക്സിക്യൂട്ട് ചെയ്യുന്ന ഫോർമുലകൾ പ്രദർശിപ്പിക്കുകയും Excel വിൻഡോയിൽ ആവശ്യമായ വിവരങ്ങളുടെ ഔട്ട്പുട്ട് നൽകുകയും ചെയ്യും. ഇത് മുമ്പ് പ്രയോഗിച്ച ശൈലികൾ നീക്കം ചെയ്യുന്നു എന്നത് ശ്രദ്ധിക്കുക (ചിത്രം 16).

അരി. 16. ഫോർമുല ബാർ നോക്കുക: സെല്ലുകളിൽ ഡാറ്റ ക്യൂബ് ഫോർമുലകൾ അടങ്ങിയിരിക്കുന്നു

നിങ്ങൾ കാണുന്ന മൂല്യങ്ങൾ പിവറ്റ് ടേബിൾ ഒബ്‌ജക്റ്റിൻ്റെ ഭാഗമല്ലാത്തതിനാൽ, നിങ്ങൾക്ക് കോളങ്ങളും വരികളും കണക്കാക്കിയ അംഗങ്ങളും ചേർക്കാനും അവയെ മറ്റ് ബാഹ്യ ഉറവിടങ്ങളുമായി സംയോജിപ്പിക്കാനും വലിച്ചിടുന്നതും വലിച്ചിടുന്നതും ഉൾപ്പെടെ വിവിധ മാർഗങ്ങളിൽ നിങ്ങളുടെ റിപ്പോർട്ട് പരിഷ്‌ക്കരിക്കാനും കഴിയും. സൂത്രവാക്യങ്ങൾ.

OLAP പിവറ്റ് പട്ടികകളിലേക്ക് കണക്കുകൂട്ടലുകൾ ചേർക്കുന്നു

Excel-ൻ്റെ മുൻ പതിപ്പുകളിൽ, OLAP പിവറ്റ് പട്ടികകൾ ഇഷ്ടാനുസൃത കണക്കുകൂട്ടലുകൾ അനുവദിച്ചില്ല. സാധാരണ പിവറ്റ് ടേബിളുകളിലേക്ക് കണക്കാക്കിയ ഫീൽഡുകളും അംഗങ്ങളും ചേർക്കുന്നത് പോലെ തന്നെ OLAP പിവറ്റ് ടേബിളുകളിലേക്ക് ഒരു അധിക തലത്തിലുള്ള വിശകലനം ചേർക്കുന്നത് സാധ്യമല്ല എന്നാണ് ഇതിനർത്ഥം (കൂടുതൽ വിവരങ്ങൾക്ക്, തുടരുന്നതിന് മുമ്പ് ഈ മെറ്റീരിയൽ നിങ്ങൾക്ക് പരിചിതമാണെന്ന് ഉറപ്പാക്കുക. വായന ).

Excel 2013 പുതിയ OLAP ടൂളുകൾ അവതരിപ്പിക്കുന്നു - കണക്കാക്കിയ അളവുകളും MDX എക്സ്പ്രഷനുകളുടെ കണക്കാക്കിയ അംഗങ്ങളും. നിങ്ങളുടെ DBA നൽകുന്ന OLAP ക്യൂബിലെ അളവുകളും അംഗങ്ങളും ഉപയോഗിക്കുന്നതിന് നിങ്ങൾ മേലിൽ പരിമിതപ്പെടുത്തിയിട്ടില്ല. ഇഷ്‌ടാനുസൃത കണക്കുകൂട്ടലുകൾ സൃഷ്‌ടിക്കുന്നതിലൂടെ നിങ്ങൾക്ക് അധിക വിശകലന ശേഷികൾ ലഭിക്കും.

MDX-ൻ്റെ ആമുഖം.നിങ്ങൾ ഒരു OLAP ക്യൂബിനൊപ്പം ഒരു പിവറ്റ് ടേബിൾ ഉപയോഗിക്കുമ്പോൾ, നിങ്ങൾ ഡാറ്റാബേസിലേക്ക് MDX (മൾട്ടിഡൈമൻഷണൽ എക്സ്പ്രഷനുകൾ) അന്വേഷണങ്ങൾ നൽകുന്നു. മൾട്ടിഡൈമൻഷണൽ സ്രോതസ്സുകളിൽ നിന്ന് (OLAP ക്യൂബുകൾ പോലുള്ളവ) ഡാറ്റ വീണ്ടെടുക്കാൻ ഉപയോഗിക്കുന്ന ഒരു അന്വേഷണ ഭാഷയാണ് MDX. ഒരു OLAP പിവറ്റ് ടേബിൾ മാറ്റുകയോ അപ്‌ഡേറ്റ് ചെയ്യുകയോ ചെയ്യുമ്പോൾ, അനുബന്ധ MDX അന്വേഷണങ്ങൾ OLAP ഡാറ്റാബേസിലേക്ക് അയയ്‌ക്കും. അന്വേഷണത്തിൻ്റെ ഫലങ്ങൾ Excel-ലേക്ക് തിരികെ നൽകുകയും PivotTable ഏരിയയിൽ പ്രദർശിപ്പിക്കുകയും ചെയ്യുന്നു. പിവറ്റ് ടേബിൾ കാഷെയുടെ പ്രാദേശിക പകർപ്പില്ലാതെ OLAP ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നത് ഇത് സാധ്യമാക്കുന്നു.

നിങ്ങൾ കണക്കാക്കിയ അളവുകളും MDX അംഗങ്ങളും സൃഷ്ടിക്കുമ്പോൾ, നിങ്ങൾ MDX ഭാഷാ വാക്യഘടന ഉപയോഗിക്കുന്നു. ഈ വാക്യഘടന ഉപയോഗിച്ച്, OLAP ഡാറ്റാബേസ് ബാക്കെൻഡുമായി സംവദിക്കാൻ ഒരു പിവറ്റ് പട്ടിക കണക്കുകൂട്ടലുകൾ അനുവദിക്കുന്നു. ഈ പുസ്തകത്തിലെ ഉദാഹരണങ്ങൾ Excel 2013-ലെ പുതിയ സവിശേഷതകൾ പ്രകടമാക്കുന്ന അടിസ്ഥാന MDX നിർമ്മിതികളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. നിങ്ങൾക്ക് സങ്കീർണ്ണമായ കണക്കുകൂട്ടൽ നടപടികളും MDX അംഗങ്ങളും സൃഷ്ടിക്കണമെങ്കിൽ, MDX-ൻ്റെ കഴിവുകൾ കൂടുതൽ ആഴത്തിൽ പരിശോധിക്കാൻ നിങ്ങൾ സമയമെടുക്കേണ്ടതുണ്ട്.

കണക്കാക്കിയ അളവുകൾ സൃഷ്ടിക്കുക.കണക്കാക്കിയ ഫീൽഡിൻ്റെ OLAP പതിപ്പാണ് കണക്കാക്കിയ അളവ്. നിലവിലുള്ള OLAP ഫീൽഡുകളിൽ നടത്തുന്ന ചില ഗണിത പ്രവർത്തനങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു പുതിയ ഡാറ്റ ഫീൽഡ് സൃഷ്ടിക്കുക എന്നതാണ് ആശയം. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ഉദാഹരണത്തിൽ. 17, ഒരു OLAP സംഗ്രഹ പട്ടിക ഉപയോഗിക്കുന്നു, അതിൽ സാധനങ്ങളുടെ ലിസ്റ്റും അളവും അവയിൽ ഓരോന്നിൻ്റെയും വിൽപ്പനയിൽ നിന്നുള്ള വരുമാനവും ഉൾപ്പെടുന്നു. ഒരു ഇനത്തിൻ്റെ യൂണിറ്റിന് ശരാശരി വില കണക്കാക്കുന്ന ഒരു പുതിയ അളവ് ഞങ്ങൾ ചേർക്കേണ്ടതുണ്ട്.

വിശകലനം പിവറ്റ് ടേബിളുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നു. ഡ്രോപ്പ് ഡൗൺ മെനുവിൽ OLAP ടൂളുകൾഇനം തിരഞ്ഞെടുക്കുക (ചിത്രം 18).

അരി. 18. ഒരു മെനു ഇനം തിരഞ്ഞെടുക്കുക MDX കമ്പ്യൂട്ട്ഡ് മെഷർ

സ്ക്രീനിൽ ഒരു ഡയലോഗ് ബോക്സ് ദൃശ്യമാകും കണക്കാക്കിയ അളവ് ഉണ്ടാക്കുക(ചിത്രം 19).

ഈ ഘട്ടങ്ങൾ പാലിക്കുക:

2. പുതിയ കണക്കാക്കിയ അളവ് സ്ഥിതി ചെയ്യുന്ന അളവ് ഗ്രൂപ്പ് തിരഞ്ഞെടുക്കുക. നിങ്ങൾ ഇത് ചെയ്യുന്നില്ലെങ്കിൽ, ലഭ്യമായ ആദ്യത്തെ അളവുകോൽ ഗ്രൂപ്പിൽ Excel സ്വയമേവ പുതിയ അളവ് സ്ഥാപിക്കും.

3. വയലിൽ MDX എക്സ്പ്രഷൻ(MDX) പുതിയ അളവ് വ്യക്തമാക്കുന്ന കോഡ് നൽകുക. പ്രവേശന പ്രക്രിയ വേഗത്തിലാക്കാൻ, കണക്കുകൂട്ടലുകളിൽ ഉപയോഗിക്കുന്നതിന് നിലവിലുള്ള അളവുകൾ തിരഞ്ഞെടുക്കുന്നതിന് ഇടതുവശത്തുള്ള ലിസ്റ്റ് ഉപയോഗിക്കുക. MDX ഫീൽഡിലേക്ക് ചേർക്കാൻ ആവശ്യമുള്ള അളവ് ഇരട്ട-ക്ലിക്കുചെയ്യുക. ശരാശരി യൂണിറ്റ് വിൽപ്പന വില കണക്കാക്കാൻ ഇനിപ്പറയുന്ന MDX ഉപയോഗിക്കുന്നു:

4. ശരി ക്ലിക്ക് ചെയ്യുക.

ബട്ടണിൽ ശ്രദ്ധിക്കുക MDX പരിശോധിക്കുക, ഇത് വിൻഡോയുടെ താഴെ വലതുഭാഗത്ത് സ്ഥിതിചെയ്യുന്നു. MDX വാക്യഘടന ശരിയാണോ എന്ന് പരിശോധിക്കാൻ ഈ ബട്ടൺ ക്ലിക്ക് ചെയ്യുക. വാക്യഘടനയിൽ പിശകുകൾ ഉണ്ടെങ്കിൽ, ഒരു സന്ദേശം ദൃശ്യമാകും.

നിങ്ങളുടെ പുതിയ കണക്കാക്കിയ അളവ് സൃഷ്ടിച്ചുകഴിഞ്ഞാൽ, ലിസ്റ്റിലേക്ക് പോകുക പിവറ്റ് ടേബിൾ ഫീൽഡുകൾഅത് തിരഞ്ഞെടുക്കുക (ചിത്രം 20).

കണക്കാക്കിയ അളവിൻ്റെ വ്യാപ്തി നിലവിലെ വർക്ക്ബുക്കിന് മാത്രമേ ബാധകമാകൂ. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, കണക്കാക്കിയ അളവുകൾ OLAP സെർവർ ക്യൂബിൽ നേരിട്ട് സൃഷ്ടിക്കപ്പെടുന്നില്ല. നിങ്ങൾ വർക്ക്‌ബുക്ക് പങ്കിടുകയോ ഓൺലൈനിൽ പ്രസിദ്ധീകരിക്കുകയോ ചെയ്യുന്നില്ലെങ്കിൽ ആർക്കും കണക്കാക്കിയ അളവ് ആക്‌സസ് ചെയ്യാൻ കഴിയില്ല എന്നാണ് ഇതിനർത്ഥം.

കണക്കാക്കിയ MDX അംഗങ്ങളെ സൃഷ്ടിക്കുക.ഒരു സാധാരണ കണക്കാക്കിയ അംഗത്തിൻ്റെ OLAP പതിപ്പാണ് MDX കണക്കാക്കിയ അംഗം. നിലവിലുള്ള OLAP ഘടകങ്ങളിൽ നടത്തുന്ന ചില ഗണിത പ്രവർത്തനങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു പുതിയ ഡാറ്റ ഘടകം സൃഷ്ടിക്കുക എന്നതാണ് ആശയം. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ഉദാഹരണത്തിൽ. 22, 2005-2008 വരെയുള്ള വിൽപ്പന വിവരങ്ങൾ ഉൾപ്പെടുന്ന ഒരു OLAP പിവറ്റ് പട്ടിക ഉപയോഗിക്കുന്നു (ത്രൈമാസ തകർച്ചയോടെ). വർഷത്തിൻ്റെ ആദ്യ പകുതി എന്ന പുതിയ ഘടകം സൃഷ്‌ടിച്ച് ഒന്നും രണ്ടും പാദങ്ങളിലെ ഡാറ്റ സമാഹരിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെന്ന് പറയാം. മൂന്നാമത്തെയും നാലാമത്തെയും പാദങ്ങളുമായി ബന്ധപ്പെട്ട ഡാറ്റയും ഞങ്ങൾ സംയോജിപ്പിച്ച്, വർഷത്തിലെ ഒരു പുതിയ ഘടകം രൂപീകരിക്കും.

അരി. 22. ഞങ്ങൾ പുതിയ MDX കണക്കാക്കിയ അംഗങ്ങളെ ചേർക്കാൻ പോകുന്നു, വർഷത്തിൻ്റെ ആദ്യ പകുതിയും വർഷത്തിൻ്റെ രണ്ടാം പകുതിയും

പിവറ്റ് ടേബിളിൽ എവിടെയും കഴ്‌സർ സ്ഥാപിച്ച് സന്ദർഭോചിത ടാബ് തിരഞ്ഞെടുക്കുക വിശകലനംഒരു കൂട്ടം സന്ദർഭോചിത ടാബുകളിൽ നിന്ന് പിവറ്റ് ടേബിളുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നു. ഡ്രോപ്പ് ഡൗൺ മെനുവിൽ OLAP ടൂളുകൾഇനം തിരഞ്ഞെടുക്കുക MDX കമ്പ്യൂട്ട്ഡ് അംഗം(ചിത്രം 23).

സ്ക്രീനിൽ ഒരു ഡയലോഗ് ബോക്സ് ദൃശ്യമാകും (ചിത്രം 24).

അരി. 24. വിൻഡോ ഒരു കണക്കാക്കിയ ഇനം സൃഷ്ടിക്കുന്നു

ഈ ഘട്ടങ്ങൾ പാലിക്കുക:

1. കണക്കാക്കിയ അളവിന് ഒരു പേര് നൽകുക.

2. നിങ്ങൾ പുതിയ കണക്കാക്കിയ അംഗങ്ങളെ സൃഷ്ടിക്കുന്ന രക്ഷാകർതൃ ശ്രേണി തിരഞ്ഞെടുക്കുക. ഒരു നിർമ്മാണ സ്ഥലത്ത് മാതൃ ഘടകംഒരു മൂല്യം നൽകുക എല്ലാം. ഒരു എക്‌സ്‌പ്രഷൻ മൂല്യനിർണ്ണയം നടത്തുമ്പോൾ രക്ഷാകർതൃ ശ്രേണിയിലെ എല്ലാ അംഗങ്ങളും ആക്‌സസ് ചെയ്യാൻ ഈ ക്രമീകരണം Excel-നെ അനുവദിക്കുന്നു.

3. വിൻഡോയിൽ MDX എക്സ്പ്രഷൻ MDX വാക്യഘടന നൽകുക. കുറച്ച് സമയം ലാഭിക്കുന്നതിന്, MDX-ൽ ഉപയോഗിക്കുന്നതിന് നിലവിലുള്ള അംഗങ്ങളെ തിരഞ്ഞെടുക്കുന്നതിന് ഇടതുവശത്തുള്ള ലിസ്റ്റ് ഉപയോഗിക്കുക. തിരഞ്ഞെടുത്ത ഇനത്തിൽ ഇരട്ട-ക്ലിക്കുചെയ്യുക, Excel അത് വിൻഡോയിലേക്ക് ചേർക്കും MDX എക്സ്പ്രഷൻ. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ഉദാഹരണത്തിൽ. 24, ഒന്നും രണ്ടും പാദങ്ങളുടെ ആകെത്തുക കണക്കാക്കുന്നു:

..&& +

.. && +

.. && + …

4. ശരി ക്ലിക്ക് ചെയ്യുക. എക്സൽ പിവറ്റ് ടേബിളിൽ പുതുതായി സൃഷ്ടിച്ച MDX കണക്കാക്കിയ അംഗത്തെ പ്രദർശിപ്പിക്കുന്നു. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്നതുപോലെ. 25, പിവറ്റ് ടേബിളിലെ മറ്റ് കണക്കാക്കിയ ഇനങ്ങൾക്കൊപ്പം പുതിയ കണക്കാക്കിയ ഇനം പ്രദർശിപ്പിക്കും.

ചിത്രത്തിൽ. വർഷത്തിൻ്റെ രണ്ടാം പകുതി കണക്കാക്കിയ ഇനം സൃഷ്ടിക്കാൻ ഉപയോഗിക്കുന്ന സമാനമായ ഒരു പ്രക്രിയ ചിത്രം 26 വ്യക്തമാക്കുന്നു.

Excel യഥാർത്ഥ MDX അംഗങ്ങളെ നീക്കം ചെയ്യാൻ പോലും ശ്രമിക്കുന്നില്ല എന്നത് ശ്രദ്ധിക്കുക (ചിത്രം 27). പിവറ്റ് ടേബിൾ 2005-2008 വർഷങ്ങളുമായി ബന്ധപ്പെട്ട റെക്കോർഡുകൾ കാണിക്കുന്നത് തുടരുന്നു, ഇത് ക്വാർട്ടർ തിരിച്ച്. ഈ സാഹചര്യത്തിൽ, ഇത് ഒരു വലിയ കാര്യമല്ല, എന്നാൽ മിക്ക സാഹചര്യങ്ങളിലും, വൈരുദ്ധ്യങ്ങൾ ഒഴിവാക്കാൻ നിങ്ങൾ "അധിക" ഘടകങ്ങൾ മറയ്ക്കണം.

അരി. 27. Excel സൃഷ്ടിച്ച MDX കണക്കാക്കിയ അംഗത്തെ യഥാർത്ഥ അംഗങ്ങളായി പ്രദർശിപ്പിക്കുന്നു. എന്നാൽ വൈരുദ്ധ്യങ്ങൾ ഒഴിവാക്കാൻ യഥാർത്ഥ ഘടകങ്ങൾ ഇല്ലാതാക്കുന്നതാണ് നല്ലത്

ഓർക്കുക: കണക്കാക്കിയ അംഗങ്ങളെ നിലവിലെ വർക്ക്ബുക്കിൽ മാത്രമേ കാണാനാകൂ. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, കണക്കാക്കിയ അളവുകൾ OLAP സെർവർ ക്യൂബിൽ നേരിട്ട് സൃഷ്ടിക്കപ്പെടുന്നില്ല. നിങ്ങൾ വർക്ക്‌ബുക്ക് പങ്കിടുകയോ ഓൺലൈനിൽ പ്രസിദ്ധീകരിക്കുകയോ ചെയ്യുന്നില്ലെങ്കിൽ, കണക്കാക്കിയ അളവുകളോ കണക്കാക്കിയ അംഗമോ ആർക്കും ആക്‌സസ് ചെയ്യാൻ കഴിയില്ല എന്നാണ് ഇതിനർത്ഥം.

ഒരു OLAP ക്യൂബിലെ പാരൻ്റ് ഹൈരാർക്കി അല്ലെങ്കിൽ പാരൻ്റ് എലമെൻ്റ് മാറുകയാണെങ്കിൽ, MDX കണക്കാക്കിയ ഘടകം ഇനി പ്രവർത്തിക്കില്ല എന്നത് ശ്രദ്ധിക്കുക. നിങ്ങൾ ഈ ഘടകം പുനർനിർമ്മിക്കേണ്ടതുണ്ട്.

OLAP കണക്കുകൂട്ടലുകൾ കൈകാര്യം ചെയ്യുന്നു. OLAP പിവറ്റ് പട്ടികകളിൽ കണക്കാക്കിയ അളവുകളും MDX അംഗങ്ങളും നിയന്ത്രിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന ഒരു ഇൻ്റർഫേസ് Excel നൽകുന്നു. പിവറ്റ് ടേബിളിൽ എവിടെയും കഴ്‌സർ സ്ഥാപിച്ച് സന്ദർഭോചിത ടാബ് തിരഞ്ഞെടുക്കുക വിശകലനംഒരു കൂട്ടം സന്ദർഭോചിത ടാബുകളിൽ നിന്ന് പിവറ്റ് ടേബിളുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നു. ഡ്രോപ്പ് ഡൗൺ മെനുവിൽ OLAP ടൂളുകൾഇനം തിരഞ്ഞെടുക്കുക കമ്പ്യൂട്ട് മാനേജ്മെൻ്റ്. ജനലിൽ കമ്പ്യൂട്ട് മാനേജ്മെൻ്റ്മൂന്ന് ബട്ടണുകൾ ലഭ്യമാണ് (ചിത്രം 28):

• സൃഷ്ടിക്കാൻ.ഒരു പുതിയ കണക്കാക്കിയ അളവ് അല്ലെങ്കിൽ കണക്കാക്കിയ MDX അംഗം സൃഷ്ടിക്കുക.
• മാറ്റുക.തിരഞ്ഞെടുത്ത കണക്കുകൂട്ടൽ മാറ്റുക.
• ഇല്ലാതാക്കുക.തിരഞ്ഞെടുത്ത കണക്കുകൂട്ടൽ ഇല്ലാതാക്കുക.

അരി. 28. ഡയലോഗ് ബോക്സ് കമ്പ്യൂട്ട് മാനേജ്മെൻ്റ്

OLAP ഡാറ്റയിൽ what-if വിശകലനം നടത്തുക. Excel 2013-ൽ, നിങ്ങൾക്ക് OLAP പിവറ്റ് ടേബിളുകളിൽ ഡാറ്റയിൽ എന്തെല്ലാം വിശകലനം നടത്താം. ഈ പുതിയ ഫീച്ചർ ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഒരു പിവറ്റ് ടേബിളിൽ മൂല്യങ്ങൾ മാറ്റാനും നിങ്ങളുടെ മാറ്റങ്ങളെ അടിസ്ഥാനമാക്കി അളവുകളും അംഗങ്ങളും വീണ്ടും കണക്കാക്കാനും കഴിയും. നിങ്ങൾക്ക് OLAP ക്യൂബിലേക്ക് മാറ്റങ്ങൾ പ്രചരിപ്പിക്കാനും കഴിയും. What-if വിശകലന ശേഷികൾ പ്രയോജനപ്പെടുത്തുന്നതിന്, ഒരു OLAP പിവറ്റ് ടേബിൾ സൃഷ്ടിച്ച് സന്ദർഭോചിത ടാബ് തിരഞ്ഞെടുക്കുക വിശകലനം പിവറ്റ് ടേബിളുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നു. ഡ്രോപ്പ് ഡൗൺ മെനുവിൽ OLAP ടൂളുകൾടീം തിരഞ്ഞെടുക്കുക എന്താണ്-എങ്കിൽ വിശകലനം –> What-if വിശകലനം പ്രവർത്തനക്ഷമമാക്കുക(ചിത്രം 29).

ഈ സമയം മുതൽ, നിങ്ങൾക്ക് പിവറ്റ് പട്ടികയുടെ മൂല്യങ്ങൾ മാറ്റാൻ കഴിയും. പിവറ്റ് ടേബിളിൽ തിരഞ്ഞെടുത്ത മൂല്യം മാറ്റാൻ, അതിൽ വലത്-ക്ലിക്കുചെയ്ത് സന്ദർഭ മെനുവിൽ നിന്ന് ഇനം തിരഞ്ഞെടുക്കുക (ചിത്രം 30). കണക്കാക്കിയ അളവുകളും കണക്കാക്കിയ MDX അംഗങ്ങളും ഉൾപ്പെടെ, നിങ്ങൾ വരുത്തിയ മാറ്റങ്ങൾ ഉപയോഗിച്ച് പിവറ്റ് ടേബിളിലെ എല്ലാ കണക്കുകൂട്ടലുകളും Excel വീണ്ടും പ്രവർത്തിപ്പിക്കും.

അരി. 30. ഒരു ഇനം തിരഞ്ഞെടുക്കുക പിവറ്റ് പട്ടിക കണക്കാക്കുമ്പോൾ മാറ്റം കണക്കിലെടുക്കുകപിവറ്റ് ടേബിളിൽ മാറ്റങ്ങൾ വരുത്താൻ

ഡിഫോൾട്ടായി, ഒരു പിവറ്റ് ടേബിളിൽ എന്ത് വിശകലനം മോഡിൽ വരുത്തിയ എഡിറ്റുകൾ പ്രാദേശികമാണ്. നിങ്ങൾക്ക് OLAP സെർവറിലേക്ക് മാറ്റങ്ങൾ പ്രചരിപ്പിക്കണമെങ്കിൽ, മാറ്റങ്ങൾ പ്രസിദ്ധീകരിക്കാനുള്ള കമാൻഡ് തിരഞ്ഞെടുക്കുക. ഒരു സന്ദർഭോചിത ടാബ് തിരഞ്ഞെടുക്കുക വിശകലനം, ഒരു കൂട്ടം സന്ദർഭോചിത ടാബുകളിൽ സ്ഥിതിചെയ്യുന്നു പിവറ്റ് ടേബിളുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നു. ഡ്രോപ്പ് ഡൗൺ മെനുവിൽ OLAP ടൂളുകൾഇനങ്ങൾ തിരഞ്ഞെടുക്കുക എന്താണ്-എങ്കിൽ വിശകലനം – > മാറ്റങ്ങൾ പ്രസിദ്ധീകരിക്കുക(ചിത്രം 31). ഈ കമാൻഡ് പ്രവർത്തിപ്പിക്കുന്നത് OLAP സെർവറിൽ റൈറ്റ്ബാക്ക് പ്രാപ്തമാക്കും, അതായത് ഉറവിടം OLAP ക്യൂബിലേക്ക് മാറ്റങ്ങൾ പ്രചരിപ്പിക്കാൻ കഴിയും. (OLAP സെർവറിലേക്കുള്ള മാറ്റങ്ങൾ പ്രചരിപ്പിക്കുന്നതിന്, സെർവർ ആക്‌സസ് ചെയ്യുന്നതിന് നിങ്ങൾക്ക് ഉചിതമായ അനുമതികൾ ഉണ്ടായിരിക്കണം. OLAP ഡാറ്റാബേസിലേക്ക് റൈറ്റ് ആക്‌സസ് അനുമതികൾ നേടാൻ നിങ്ങളെ സഹായിക്കുന്നതിന് നിങ്ങളുടെ ഡാറ്റാബേസ് അഡ്മിനിസ്‌ട്രേറ്ററെ ബന്ധപ്പെടുക.)

അലക്സാണ്ടർ എന്ന ജെലെൻ എഴുതിയ പുസ്തകത്തെ അടിസ്ഥാനമാക്കിയാണ് കുറിപ്പ് എഴുതിയത്. . അധ്യായം 9

ഗുരുതരമായ എൻ്റർപ്രൈസസിൻ്റെ വിവര സംവിധാനങ്ങൾ, ചട്ടം പോലെ, ഡാറ്റയുടെ സങ്കീർണ്ണമായ വിശകലനം, അവയുടെ ചലനാത്മകത, പ്രവണതകൾ മുതലായവയ്ക്കായി രൂപകൽപ്പന ചെയ്ത ആപ്ലിക്കേഷനുകൾ ഉൾക്കൊള്ളുന്നു. അതനുസരിച്ച്, വിശകലന ഫലങ്ങളുടെ പ്രധാന ഉപഭോക്താക്കളായി ഉയർന്ന മാനേജ്മെൻ്റ് മാറുന്നു. അത്തരം വിശകലനം ആത്യന്തികമായി തീരുമാനമെടുക്കുന്നതിനെ പിന്തുണയ്ക്കാൻ ഉദ്ദേശിച്ചുള്ളതാണ്. ഏതെങ്കിലും മാനേജ്മെൻ്റ് തീരുമാനം എടുക്കുന്നതിന്, ആവശ്യമായ വിവരങ്ങൾ ഉണ്ടായിരിക്കേണ്ടത് ആവശ്യമാണ്, സാധാരണയായി അളവ്. ഇത് ചെയ്യുന്നതിന്, എൻ്റർപ്രൈസസിൻ്റെ എല്ലാ വിവര സിസ്റ്റങ്ങളിൽ നിന്നും ഈ ഡാറ്റ ശേഖരിക്കേണ്ടത് ആവശ്യമാണ്, അത് ഒരു പൊതു ഫോർമാറ്റിലേക്ക് കൊണ്ടുവരികയും അതിനുശേഷം മാത്രം വിശകലനം ചെയ്യുകയും വേണം. ഇതിനായി, ഡാറ്റ വെയർഹൗസുകൾ സൃഷ്ടിക്കപ്പെടുന്നു.

എന്താണ് ഒരു ഡാറ്റ വെയർഹൗസ്?

സാധാരണയായി - വിശകലന മൂല്യമുള്ള എല്ലാ വിവരങ്ങളും ശേഖരിക്കുന്ന സ്ഥലം. അത്തരം സ്റ്റോറുകളുടെ ആവശ്യകതകൾ OLAP ൻ്റെ ക്ലാസിക് നിർവചനവുമായി പൊരുത്തപ്പെടുന്നു, അവ ചുവടെ വിശദീകരിക്കും.

ചിലപ്പോൾ വെയർഹൗസിന് മറ്റൊരു ലക്ഷ്യമുണ്ട് - എല്ലാ എൻ്റർപ്രൈസ് ഡാറ്റയുടെയും സംയോജനം, എല്ലാ വിവര സംവിധാനങ്ങളിലും വിവരങ്ങളുടെ സമഗ്രതയും പ്രസക്തിയും നിലനിർത്തുക. അത്. റിപ്പോസിറ്ററി വിശകലനം മാത്രമല്ല, മിക്കവാറും എല്ലാ വിവരങ്ങളും ശേഖരിക്കുന്നു, കൂടാതെ അത് മറ്റ് സിസ്റ്റങ്ങളിലേക്ക് ഡയറക്ടറികളുടെ രൂപത്തിൽ തിരികെ നൽകാനും കഴിയും.

ഒരു സാധാരണ ഡാറ്റ വെയർഹൗസ് സാധാരണ റിലേഷണൽ ഡാറ്റാബേസിൽ നിന്ന് വ്യത്യസ്തമാണ്. ഒന്നാമതായി, സാധാരണ ഡാറ്റാബേസുകൾ രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നത് ഉപയോക്താക്കളെ ദൈനംദിന ജോലികൾ ചെയ്യാൻ സഹായിക്കുന്നതിന് വേണ്ടിയാണ്, അതേസമയം ഡാറ്റ വെയർഹൗസുകൾ തീരുമാനമെടുക്കുന്നതിന് വേണ്ടി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നു. ഉദാഹരണത്തിന്, ട്രാൻസാക്ഷൻ പ്രോസസ്സിംഗിനായി രൂപകൽപ്പന ചെയ്ത ഒരു ഡാറ്റാബേസ് ഉപയോഗിച്ചാണ് സാധനങ്ങളുടെ വിൽപ്പനയും ഇൻവോയ്‌സുകളുടെ ഇഷ്യൂവും നടത്തുന്നത്, കൂടാതെ വിതരണക്കാരുമായി ആസൂത്രണം ചെയ്യാൻ അനുവദിക്കുന്ന നിരവധി വർഷങ്ങളായി സെയിൽസ് ഡൈനാമിക്‌സിൻ്റെ വിശകലനം ഒരു ഡാറ്റ വെയർഹൗസ് ഉപയോഗിച്ചാണ് നടത്തുന്നത്.

രണ്ടാമതായി, പരമ്പരാഗത ഡാറ്റാബേസുകൾ ഉപയോക്താക്കൾ പ്രവർത്തിക്കുമ്പോൾ സ്ഥിരമായ മാറ്റങ്ങൾക്ക് വിധേയമാകുമ്പോൾ, ഡാറ്റ വെയർഹൗസ് താരതമ്യേന സ്ഥിരതയുള്ളതാണ്: അതിലെ ഡാറ്റ സാധാരണയായി ഒരു ഷെഡ്യൂൾ അനുസരിച്ച് അപ്ഡേറ്റ് ചെയ്യപ്പെടുന്നു (ഉദാഹരണത്തിന്, ആഴ്ചതോറുമുള്ളതോ, ദിവസേനയോ, മണിക്കൂറോ, ആവശ്യങ്ങൾ അനുസരിച്ച്). വെയർഹൗസിലുള്ള മുൻ വിവരങ്ങൾ മാറ്റാതെ തന്നെ ഒരു നിശ്ചിത കാലയളവിൽ പുതിയ ഡാറ്റ ചേർക്കുന്നതാണ് സമ്പുഷ്ടീകരണ പ്രക്രിയ.

മൂന്നാമതായി, സാധാരണ ഡാറ്റാബേസുകളാണ് മിക്കപ്പോഴും വെയർഹൗസിൽ അവസാനിക്കുന്ന ഡാറ്റയുടെ ഉറവിടം. കൂടാതെ, സ്ഥിതിവിവരക്കണക്കുകൾ പോലുള്ള ബാഹ്യ ഉറവിടങ്ങളിൽ നിന്ന് ശേഖരം വീണ്ടും നിറയ്ക്കാൻ കഴിയും.

എങ്ങനെയാണ് ഒരു സ്റ്റോറേജ് സൗകര്യം നിർമ്മിക്കുന്നത്?

ETLഅടിസ്ഥാന ആശയം: മൂന്ന് ഘട്ടങ്ങൾ:

• എക്‌സ്‌ട്രാക്ഷൻ - മനസ്സിലാക്കാവുന്ന ഫോർമാറ്റിൽ ബാഹ്യ ഉറവിടങ്ങളിൽ നിന്ന് ഡാറ്റ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നു;
• പരിവർത്തനം - ഉറവിട ഡാറ്റയുടെ ഘടനയെ ഒരു വിശകലന സംവിധാനം നിർമ്മിക്കുന്നതിന് സൗകര്യപ്രദമായ ഘടനകളാക്കി മാറ്റുക;

നമുക്ക് ഒരു ഘട്ടം കൂടി ചേർക്കാം - ഡാറ്റ ക്ലീനിംഗ് ( വൃത്തിയാക്കൽ) - സ്ഥിതിവിവരക്കണക്ക് അല്ലെങ്കിൽ വിദഗ്ദ്ധ രീതികളെ അടിസ്ഥാനമാക്കി അപ്രസക്തമായ അല്ലെങ്കിൽ തെറ്റായ ഡാറ്റ ശരിയാക്കുന്നതിനുള്ള പ്രക്രിയ. "20011 ലെ വിൽപ്പന" പോലുള്ള റിപ്പോർട്ടുകൾ പിന്നീട് സൃഷ്ടിക്കാതിരിക്കാൻ.

നമുക്ക് വിശകലനത്തിലേക്ക് മടങ്ങാം.

എന്താണ് വിശകലനം, എന്തുകൊണ്ട് അത് ആവശ്യമാണ്?

തീരുമാനങ്ങൾ എടുക്കുന്നതിനുള്ള ഡാറ്റയുടെ പഠനമാണ് വിശകലനം. വിശകലന സംവിധാനങ്ങളെ തീരുമാന പിന്തുണാ സംവിധാനങ്ങൾ എന്ന് വിളിക്കുന്നു ( ഡി.എസ്.എസ്).

ഡിഎസ്എസിനൊപ്പം പ്രവർത്തിക്കുന്നതും നിയന്ത്രിതവും അനിയന്ത്രിതവുമായ റിപ്പോർട്ടുകളുടെ ലളിതമായ ഒരു കൂട്ടം തമ്മിലുള്ള വ്യത്യാസം ഇവിടെ ചൂണ്ടിക്കാണിക്കുന്നത് മൂല്യവത്താണ്. ഡിഎസ്എസിലെ വിശകലനം മിക്കവാറും എപ്പോഴും സംവേദനാത്മകവും ആവർത്തനപരവുമാണ്. ആ. വിശകലന വിദഗ്ധൻ ഡാറ്റ കുഴിച്ചെടുക്കുന്നു, വിശകലന ചോദ്യങ്ങൾ രചിക്കുകയും ക്രമീകരിക്കുകയും ചെയ്യുന്നു, കൂടാതെ റിപ്പോർട്ടുകൾ സ്വീകരിക്കുകയും ചെയ്യുന്നു, അതിൻ്റെ ഘടന മുൻകൂട്ടി അറിയില്ലായിരിക്കാം. ചോദ്യ ഭാഷയെ കുറിച്ച് ചർച്ച ചെയ്യുമ്പോൾ താഴെ കൂടുതൽ വിശദമായി ഞങ്ങൾ ഇതിലേക്ക് മടങ്ങും. MDX.

OLAP

ധാരണയ്ക്കും വിശകലനത്തിനും (പട്ടികകൾ, ചാർട്ടുകൾ മുതലായവ) സൗകര്യപ്രദമായ രൂപത്തിൽ യഥാർത്ഥ സെറ്റിൽ നിന്നുള്ള വിവിധ സാമ്പിളുകൾക്കായി മൊത്തത്തിലുള്ള ഡാറ്റ ഉപയോക്താവിന് നൽകുന്നതിനുള്ള മാർഗങ്ങൾ ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റങ്ങൾക്ക് സാധാരണയായി ഉണ്ട്. സോഴ്സ് ഡാറ്റ സെഗ്മെൻറ് ചെയ്യുന്നതിനുള്ള പരമ്പരാഗത സമീപനം സോഴ്സ് ഡാറ്റയിൽ നിന്ന് ഒന്നോ അതിലധികമോ മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാ സെറ്റുകൾ (പലപ്പോഴും ഹൈപ്പർക്യൂബ് അല്ലെങ്കിൽ മെറ്റാക്യൂബ് എന്ന് വിളിക്കുന്നു), ആട്രിബ്യൂട്ടുകൾ ഉൾക്കൊള്ളുന്ന അച്ചുതണ്ടുകൾ, കൂടാതെ സെല്ലുകളിൽ മൊത്തത്തിലുള്ള ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ അടങ്ങിയിരിക്കുന്നു. (അത്തരം ഡാറ്റ റിലേഷണൽ ടേബിളുകളിലും സംഭരിക്കാൻ കഴിയും, എന്നാൽ ഈ സാഹചര്യത്തിൽ നമ്മൾ സംസാരിക്കുന്നത് ഡാറ്റയുടെ ലോജിക്കൽ ഓർഗനൈസേഷനെക്കുറിച്ചാണ്, അല്ലാതെ അവയുടെ സംഭരണത്തിൻ്റെ ഭൗതിക നിർവ്വഹണത്തെക്കുറിച്ചല്ല.) ഓരോ അക്ഷത്തിലും, ആട്രിബ്യൂട്ടുകൾ ശ്രേണികളുടെ രൂപത്തിൽ ക്രമീകരിക്കാം, അവരുടെ വിശദാംശങ്ങളുടെ വ്യത്യസ്ത തലങ്ങളെ പ്രതിനിധീകരിക്കുന്നു. ഈ ഡാറ്റ മോഡലിന് നന്ദി, ഉപയോക്താക്കൾക്ക് സങ്കീർണ്ണമായ ചോദ്യങ്ങൾ രൂപപ്പെടുത്താനും റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കാനും ഡാറ്റയുടെ ഉപസെറ്റുകൾ നേടാനും കഴിയും.

സങ്കീർണ്ണമായ മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ വിശകലനത്തിനുള്ള സാങ്കേതികവിദ്യയെ OLAP (ഓൺ-ലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) എന്ന് വിളിക്കുന്നു. പരമ്പരാഗത ഡാറ്റ വെയർഹൗസിംഗിൻ്റെ ഒരു പ്രധാന ഘടകമാണ് OLAP. പ്രശസ്ത ഡാറ്റാബേസ് ഗവേഷകനും റിലേഷണൽ ഡാറ്റ മോഡലിൻ്റെ രചയിതാവുമായ എഡ്ഗർ കോഡ് 1993-ൽ OLAP എന്ന ആശയം വിവരിച്ചു. 1995-ൽ, കോഡ് നിർവചിച്ച ആവശ്യകതകളെ അടിസ്ഥാനമാക്കി, മൾട്ടിഡൈമൻഷണൽ വിശകലനത്തിനുള്ള ആപ്ലിക്കേഷനുകൾക്കുള്ള ഇനിപ്പറയുന്ന ആവശ്യകതകൾ ഉൾപ്പെടെ, ഫാസ്മി ടെസ്റ്റ് (പങ്കിട്ട മൾട്ടിഡൈമൻഷണൽ വിവരങ്ങളുടെ വേഗത്തിലുള്ള വിശകലനം) രൂപീകരിച്ചു:

• സ്വീകാര്യമായ സമയത്തിൽ (സാധാരണയായി 5 സെക്കൻഡിൽ കൂടരുത്) വിശകലന ഫലങ്ങൾ ഉപയോക്താവിന് നൽകുന്നത്, കുറച്ച് വിശദമായ വിശകലനത്തിൻ്റെ ചിലവിൽ പോലും;
• തന്നിരിക്കുന്ന ആപ്ലിക്കേഷനുമായി ബന്ധപ്പെട്ട ഏതെങ്കിലും ലോജിക്കൽ, സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം നടത്താനും അന്തിമ ഉപയോക്താവിന് ആക്സസ് ചെയ്യാവുന്ന ഫോമിൽ സംരക്ഷിക്കാനുമുള്ള കഴിവ്;
• ഉചിതമായ ലോക്കിംഗ് മെക്കാനിസങ്ങൾക്കും അംഗീകൃത ആക്സസ് മാർഗങ്ങൾക്കുമുള്ള പിന്തുണയോടെ ഡാറ്റയിലേക്കുള്ള മൾട്ടി-യൂസർ ആക്സസ്;
• ശ്രേണികൾക്കും ഒന്നിലധികം ശ്രേണികൾക്കുമുള്ള പൂർണ്ണ പിന്തുണ ഉൾപ്പെടെയുള്ള ഡാറ്റയുടെ മൾട്ടിഡൈമൻഷണൽ ആശയപരമായ പ്രാതിനിധ്യം (ഇത് OLAP-ൻ്റെ പ്രധാന ആവശ്യകതയാണ്);
• വോളിയവും സ്റ്റോറേജ് ലൊക്കേഷനും പരിഗണിക്കാതെ, ആവശ്യമായ ഏത് വിവരവും ആക്സസ് ചെയ്യാനുള്ള കഴിവ്.

ഓഫീസ് ആപ്ലിക്കേഷനുകളിലെ ഏറ്റവും ലളിതമായ ഡാറ്റാ വിശകലന ടൂളുകൾ മുതൽ സെർവർ ഉൽപ്പന്നങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള ഡിസ്ട്രിബ്യൂട്ടഡ് അനലിറ്റിക്കൽ സിസ്റ്റങ്ങൾ വരെ OLAP പ്രവർത്തനം വിവിധ രീതികളിൽ നടപ്പിലാക്കാൻ കഴിയുമെന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. ആ. OLAP ഒരു സാങ്കേതികവിദ്യയല്ല, പക്ഷേ പ്രത്യയശാസ്ത്രം.

വിവിധ OLAP നിർവ്വഹണങ്ങളെക്കുറിച്ച് സംസാരിക്കുന്നതിന് മുമ്പ്, ഒരു ലോജിക്കൽ വീക്ഷണകോണിൽ നിന്ന് ക്യൂബുകൾ എന്താണെന്ന് നമുക്ക് സൂക്ഷ്മമായി പരിശോധിക്കാം.

ബഹുമുഖ ആശയങ്ങൾ

OLAP-ൻ്റെ തത്ത്വങ്ങൾ വ്യക്തമാക്കുന്നതിന്, Microsoft SQL സെർവറിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന നോർത്ത്‌വിൻഡ് ഡാറ്റാബേസ് ഞങ്ങൾ ഉപയോഗിക്കും, കൂടാതെ മൊത്തവ്യാപാര ഭക്ഷണ വിതരണ കമ്പനിയുടെ ട്രേഡിംഗ് വിവരങ്ങൾ സംഭരിക്കുന്ന ഒരു സാധാരണ ഡാറ്റാബേസ് ആണ്. അത്തരം ഡാറ്റയിൽ വിതരണക്കാർ, ക്ലയൻ്റുകൾ, വിതരണം ചെയ്ത സാധനങ്ങളുടെ ഒരു ലിസ്റ്റ്, അവയുടെ വിഭാഗങ്ങൾ, ഓർഡറുകൾ, ഓർഡർ ചെയ്ത സാധനങ്ങൾ എന്നിവയുടെ ഡാറ്റ, കമ്പനി ജീവനക്കാരുടെ ലിസ്റ്റ് എന്നിവ ഉൾപ്പെടുന്നു.

ക്യൂബ്

കമ്പനിയുടെ ഓർഡറുകൾ അടങ്ങുന്ന ഇൻവോയ്സ്1 പട്ടിക നമുക്ക് ഉദാഹരണമായി എടുക്കാം. ഈ പട്ടികയിലെ ഫീൽഡുകൾ ഇനിപ്പറയുന്നതായിരിക്കും:

• ഓർഡർ തീയതി
• ഒരു രാജ്യം
• നഗരം
• ഉപഭോക്താവിന്റെ പേര്
• ഡെലിവറി കമ്പനി
• ഉത്പന്നത്തിന്റെ പേര്
• സാധനങ്ങളുടെ അളവ്
• ഓർഡർ വില

ഈ കാഴ്‌ചയിൽ നിന്ന് നമുക്ക് എന്ത് മൊത്തത്തിലുള്ള ഡാറ്റ ലഭിക്കും? സാധാരണയായി ഇവ പോലുള്ള ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങളാണ്:

• ഒരു പ്രത്യേക രാജ്യത്ത് നിന്നുള്ള ഉപഭോക്താക്കൾ നൽകുന്ന ഓർഡറുകളുടെ ആകെ മൂല്യം എത്രയാണ്?
• ഒരു നിശ്ചിത രാജ്യത്ത് ഉപഭോക്താക്കൾ നൽകുന്ന ഓർഡറുകളുടെ ആകെ മൂല്യം എത്രയാണ്, ഒരു നിശ്ചിത കമ്പനി ഡെലിവറി ചെയ്യുന്നു?
• ഒരു നിശ്ചിത വർഷത്തിൽ ഒരു പ്രത്യേക രാജ്യത്ത് ഉപഭോക്താക്കൾ നൽകുകയും ഒരു പ്രത്യേക കമ്പനി ഡെലിവർ ചെയ്യുകയും ചെയ്യുന്ന ഓർഡറുകളുടെ ആകെ മൂല്യം എത്രയാണ്?

ഗ്രൂപ്പിംഗിനൊപ്പം വളരെ വ്യക്തമായ SQL അന്വേഷണങ്ങൾ ഉപയോഗിച്ച് ഈ പട്ടികയിൽ നിന്ന് ഈ ഡാറ്റയെല്ലാം ലഭിക്കും.

ഈ അന്വേഷണത്തിൻ്റെ ഫലം എല്ലായ്‌പ്പോഴും സംഖ്യകളുടെ ഒരു നിരയും അതിനെ വിവരിക്കുന്ന ആട്രിബ്യൂട്ടുകളുടെ ഒരു ലിസ്റ്റും ആയിരിക്കും (ഉദാഹരണത്തിന്, രാജ്യം) - ഇതൊരു ഏകമാന ഡാറ്റാ സെറ്റ് അല്ലെങ്കിൽ ഗണിതശാസ്ത്ര ഭാഷയിൽ ഒരു വെക്‌റ്റർ ആണ്.

എല്ലാ രാജ്യങ്ങളിൽ നിന്നുമുള്ള ഓർഡറുകളുടെ ആകെ വിലയെക്കുറിച്ചും ഡെലിവറി കമ്പനികൾക്കിടയിലുള്ള അവയുടെ വിതരണത്തെക്കുറിച്ചും ഉള്ള വിവരങ്ങൾ ഞങ്ങൾക്ക് ലഭിക്കേണ്ടതുണ്ടെന്ന് സങ്കൽപ്പിക്കുക - ഡെലിവറി കമ്പനികൾ നിരയുടെ തലക്കെട്ടുകളിൽ പട്ടികപ്പെടുത്തിയിരിക്കുന്ന നമ്പറുകളുടെ ഒരു പട്ടിക (മാട്രിക്സ്) നമുക്ക് ലഭിക്കും. തലക്കെട്ടുകൾ, കൂടാതെ സെല്ലുകളിൽ ഓർഡറുകളുടെ അളവ് ഉണ്ടാകും. ഇതൊരു ദ്വിമാന ഡാറ്റാ ശ്രേണിയാണ്. ഈ ഡാറ്റയെ പിവറ്റ് ടേബിൾ എന്ന് വിളിക്കുന്നു ( പിവറ്റ് പട്ടിക) അല്ലെങ്കിൽ ക്രോസ്ടാബ്.

ഞങ്ങൾക്ക് ഒരേ ഡാറ്റ ലഭിക്കണമെങ്കിൽ, മാത്രമല്ല വർഷം തോറും, മറ്റൊരു മാറ്റം ദൃശ്യമാകും, അതായത്. ഡാറ്റാ സെറ്റ് ത്രിമാനമായി മാറും (ഒരു സോപാധികമായ മൂന്നാം ഓർഡർ ടെൻസർ അല്ലെങ്കിൽ ഒരു 3-ഡൈമൻഷണൽ "ക്യൂബ്").

വ്യക്തമായും, ഞങ്ങളുടെ സംഗ്രഹിച്ച ഡാറ്റ (ഓർഡറുകളുടെ അളവ്, ഉൽപ്പന്നങ്ങളുടെ എണ്ണം മുതലായവ) വിവരിക്കുന്ന എല്ലാ ആട്രിബ്യൂട്ടുകളുടെയും (തീയതി, രാജ്യം, ഉപഭോക്താവ് മുതലായവ) അളവുകളുടെ പരമാവധി എണ്ണം.

ഇങ്ങനെയാണ് നമ്മൾ ബഹുമുഖത്വവും അതിൻ്റെ മൂർത്തീഭാവവും എന്ന ആശയത്തിലേക്ക് എത്തുന്നത് - മൾട്ടിഡൈമൻഷണൽ ക്യൂബ്. ഞങ്ങൾ അത്തരമൊരു പട്ടികയെ വിളിക്കും " വസ്തുത പട്ടിക" അളവുകൾ അല്ലെങ്കിൽ ക്യൂബ് അക്ഷങ്ങൾ ( അളവുകൾ) ആട്രിബ്യൂട്ടുകളാണ് വസ്തുതാ പട്ടികയിൽ നിലവിലുള്ള ഈ ഗുണങ്ങളുടെ വ്യക്തിഗത മൂല്യങ്ങളാൽ കോർഡിനേറ്റുകൾ പ്രകടിപ്പിക്കുന്നത്. ആ. ഉദാഹരണത്തിന്, 2003 മുതൽ 2010 വരെ ഓർഡറുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ സിസ്റ്റത്തിൽ സൂക്ഷിച്ചിരുന്നെങ്കിൽ, ഈ വർഷത്തെ അക്ഷത്തിൽ 8 അനുബന്ധ പോയിൻ്റുകൾ അടങ്ങിയിരിക്കും. മൂന്ന് രാജ്യങ്ങളിൽ നിന്നാണ് ഓർഡറുകൾ വരുന്നതെങ്കിൽ, രാജ്യത്തിൻ്റെ അക്ഷത്തിൽ 3 പോയിൻ്റുകൾ അടങ്ങിയിരിക്കും. കൺട്രി ഡയറക്ടറിയിൽ എത്ര രാജ്യങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് എന്നത് പരിഗണിക്കാതെ തന്നെ. ഒരു അച്ചുതണ്ടിലെ പോയിൻ്റുകളെ അതിൻ്റെ "അംഗങ്ങൾ" എന്ന് വിളിക്കുന്നു ( അംഗങ്ങൾ).

ഈ സാഹചര്യത്തിൽ, സംഗ്രഹിച്ച ഡാറ്റയെ തന്നെ "അളവുകൾ" എന്ന് വിളിക്കും ( അളക്കുക). "അളവുകൾ" എന്ന ആശയക്കുഴപ്പം ഒഴിവാക്കാൻ, രണ്ടാമത്തേതിനെ "അക്ഷങ്ങൾ" എന്ന് വിളിക്കുന്നതാണ് നല്ലത്. അളവുകളുടെ കൂട്ടം മറ്റൊരു "അളവുകൾ" അക്ഷം ഉണ്ടാക്കുന്നു ( അളവുകൾ). വസ്തുതാ പട്ടികയിൽ അളവുകൾ (അഗ്രഗേറ്റഡ് കോളങ്ങൾ) ഉള്ളത്രയും അംഗങ്ങൾ (പോയിൻ്റുകൾ) ഇതിന് ഉണ്ട്.

അളവുകളുടെയോ അക്ഷങ്ങളുടെയോ അംഗങ്ങളെ ഒന്നോ അതിലധികമോ ശ്രേണികളാൽ സംയോജിപ്പിക്കാം ( അധികാരശ്രേണി). ഒരു ഉദാഹരണം ഉപയോഗിച്ച് ശ്രേണി എന്താണെന്ന് നമുക്ക് വിശദീകരിക്കാം: ഓർഡറുകളിൽ നിന്നുള്ള നഗരങ്ങളെ ജില്ലകളിലേക്കും ജില്ലകളെ പ്രദേശങ്ങളിലേക്കും ഒരു രാജ്യത്തിൻ്റെ പ്രദേശങ്ങളിലേക്കും രാജ്യങ്ങളെ ഭൂഖണ്ഡങ്ങളിലേക്കും മറ്റ് സ്ഥാപനങ്ങളിലേക്കും സംയോജിപ്പിക്കാം. ആ. ഒരു ശ്രേണിപരമായ ഘടനയുണ്ട് - ഭൂഖണ്ഡം- രാജ്യം-പ്രദേശം-ജില്ല-നഗരം- 5 ലെവലുകൾ ( ലെവൽ). ഒരു പ്രദേശത്തെ സംബന്ധിച്ചിടത്തോളം, അതിൽ ഉൾപ്പെട്ടിരിക്കുന്ന എല്ലാ നഗരങ്ങളുടെയും ഡാറ്റ സമാഹരിച്ചിരിക്കുന്നു. എല്ലാ നഗരങ്ങളും മറ്റും ഉൾക്കൊള്ളുന്ന എല്ലാ ജില്ലകളിലുമുടനീളമുള്ള ഒരു പ്രദേശത്തിനായി. എന്തുകൊണ്ടാണ് നമുക്ക് ഒന്നിലധികം ശ്രേണികൾ ആവശ്യമായി വരുന്നത്? ഉദാഹരണത്തിന്, ഓർഡർ തീയതി അച്ചുതണ്ടിൽ ഞങ്ങൾ പോയിൻ്റുകൾ (അതായത് ദിവസങ്ങൾ) ഒരു ശ്രേണിയിലേക്ക് ഗ്രൂപ്പുചെയ്യാൻ ആഗ്രഹിച്ചേക്കാം വർഷം-മാസം-ദിവസംഅല്ലെങ്കിൽ വഴി വർഷം-ആഴ്ച-ദിവസം: രണ്ട് സാഹചര്യങ്ങളിലും മൂന്ന് തലങ്ങളുണ്ട്. വ്യക്തമായും, ആഴ്ചയും മാസവും ദിവസങ്ങളെ വ്യത്യസ്തമായി തരംതിരിക്കുക. ശ്രേണികളുമുണ്ട്, ലെവലുകളുടെ എണ്ണം നിർണയിക്കാത്തതും ഡാറ്റയെ ആശ്രയിച്ചിരിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു കമ്പ്യൂട്ടർ ഡിസ്കിലെ ഫോൾഡറുകൾ.

നിരവധി സ്റ്റാൻഡേർഡ് ഫംഗ്ഷനുകൾ ഉപയോഗിച്ച് ഡാറ്റ അഗ്രഗേഷൻ സംഭവിക്കാം: തുക, കുറഞ്ഞത്, പരമാവധി, ശരാശരി, എണ്ണം.

MDX

മൾട്ടിഡൈമൻഷണൽ ഡാറ്റയിലെ അന്വേഷണ ഭാഷയിലേക്ക് നമുക്ക് പോകാം.
SQL ഭാഷ യഥാർത്ഥത്തിൽ രൂപകല്പന ചെയ്തത് പ്രോഗ്രാമർമാർക്ക് വേണ്ടിയല്ല, മറിച്ച് വിശകലന വിദഗ്ധർക്ക് വേണ്ടിയാണ് (അതിനാൽ സ്വാഭാവിക ഭാഷയോട് സാമ്യമുള്ള ഒരു വാക്യഘടനയുണ്ട്). എന്നാൽ കാലക്രമേണ ഇത് കൂടുതൽ കൂടുതൽ സങ്കീർണ്ണമായിത്തീർന്നു, ഇപ്പോൾ കുറച്ച് വിശകലന വിദഗ്ധർക്ക് ഇത് എങ്ങനെ ഉപയോഗിക്കാമെന്ന് അറിയാം. പ്രോഗ്രാമർമാർക്കുള്ള ഒരു ഉപകരണമായി ഇത് മാറിയിരിക്കുന്നു. മൈക്രോസോഫ്റ്റിൻ്റെ വൈൽഡ്‌സിൽ ഞങ്ങളുടെ മുൻ സ്വഹാബി മോഷ (അല്ലെങ്കിൽ മോഷ) പോസുമാൻസ്‌കി വികസിപ്പിച്ചെടുത്തതായി കിംവദന്തി പ്രചരിക്കുന്ന MDX അന്വേഷണ ഭാഷയും തുടക്കത്തിൽ വിശകലന വിദഗ്ധരെ ലക്ഷ്യം വച്ചുള്ളതായിരുന്നു, എന്നാൽ അതിൻ്റെ ആശയങ്ങളും വാക്യഘടനയും (അത് SQL-നെ അവ്യക്തമായി അനുസ്മരിപ്പിക്കുന്നതാണ്, കൂടാതെ പൂർണ്ണമായും വ്യർത്ഥമാണ്, അതായത് അത് ആശയക്കുഴപ്പത്തിലാക്കുന്നതിനാൽ), SQL നെക്കാൾ സങ്കീർണ്ണമാണ്. എന്നിരുന്നാലും, അതിൻ്റെ അടിസ്ഥാനകാര്യങ്ങൾ ഇപ്പോഴും മനസ്സിലാക്കാൻ എളുപ്പമാണ്.

പൊതുവായ XMLA പ്രോട്ടോക്കോൾ സ്റ്റാൻഡേർഡിൻ്റെ ചട്ടക്കൂടിനുള്ളിൽ സ്റ്റാൻഡേർഡ് സ്റ്റാറ്റസ് ലഭിച്ച ഒരേയൊരു ഭാഷയായതിനാൽ ഞങ്ങൾ ഇത് വിശദമായി പരിശോധിക്കും, രണ്ടാമതായി കമ്പനിയിൽ നിന്ന് മോണ്ട്രിയൻ പ്രോജക്റ്റിൻ്റെ രൂപത്തിൽ അതിൻ്റെ ഓപ്പൺ സോഴ്‌സ് നടപ്പിലാക്കൽ ഉള്ളതിനാൽ. പെൻ്റഹോ. മറ്റ് OLAP വിശകലന സംവിധാനങ്ങൾ (ഉദാഹരണത്തിന്, Oracle OLAP ഓപ്ഷൻ) സാധാരണയായി SQL വാക്യഘടനയുടെ സ്വന്തം വിപുലീകരണങ്ങൾ ഉപയോഗിക്കുന്നു, എന്നിരുന്നാലും, അവർ MDX-നുള്ള പിന്തുണയും പ്രഖ്യാപിക്കുന്നു.

വിശകലന ഡാറ്റാ സെറ്റുകളിൽ പ്രവർത്തിക്കുക എന്നതിനർത്ഥം അവ വായിക്കുക മാത്രമാണ്, അവ എഴുതുക എന്നല്ല. അത്. MDX-ന് ഡാറ്റ മാറ്റുന്നതിനുള്ള ക്ലോസുകളൊന്നുമില്ല, എന്നാൽ ഒരു സെലക്ഷൻ ക്ലോസ് മാത്രം - തിരഞ്ഞെടുക്കുക.

OLAP-ൽ നിങ്ങൾക്ക് മൾട്ടിഡൈമൻഷണൽ ക്യൂബുകൾ ഉണ്ടാക്കാം കഷ്ണങ്ങൾ– അതായത് ഡാറ്റ ഒന്നോ അതിലധികമോ അക്ഷങ്ങളിൽ ഫിൽട്ടർ ചെയ്യുമ്പോൾ, അല്ലെങ്കിൽ പ്രൊജക്ഷനുകൾ- ഒന്നോ അതിലധികമോ അക്ഷങ്ങൾക്കൊപ്പം ക്യൂബ് "തകർച്ച" ചെയ്യുമ്പോൾ, ഡാറ്റ സമാഹരിക്കുന്നു. ഉദാഹരണത്തിന്, രാജ്യങ്ങളിൽ നിന്നുള്ള ഓർഡറുകളുടെ അളവ് സംബന്ധിച്ച ഞങ്ങളുടെ ആദ്യ ഉദാഹരണം രാജ്യത്തിൻ്റെ അച്ചുതണ്ടിലേക്ക് ക്യൂബിൻ്റെ പ്രൊജക്ഷൻ ആണ്. ഈ കേസിനായുള്ള MDX ചോദ്യം ഇതുപോലെ കാണപ്പെടും:

തിരഞ്ഞെടുക്കുക ...നിരകളിലെ കുട്ടികൾ
എന്താ ഇവിടെ?

തിരഞ്ഞെടുക്കുക- പ്രധാന വാക്ക് വാക്യഘടനയിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്നത് സൗന്ദര്യത്തിന് വേണ്ടി മാത്രമാണ്.
അച്ചുതണ്ടിൻ്റെ പേരാണ്. MDX ലെ എല്ലാ ശരിയായ പേരുകളും ചതുര ബ്രാക്കറ്റുകളിൽ എഴുതിയിരിക്കുന്നു.
ശ്രേണിയുടെ പേരാണ്. ഞങ്ങളുടെ കാര്യത്തിൽ, ഇതാണ് രാജ്യ-നഗര ശ്രേണി
- ഇത് ശ്രേണിയുടെ (അതായത് രാജ്യം) ആദ്യ തലത്തിലുള്ള അച്ചുതണ്ട് അംഗത്തിൻ്റെ പേരാണ് - ഇത് അക്ഷത്തിലെ എല്ലാ അംഗങ്ങളെയും ഒന്നിപ്പിക്കുന്ന ഒരു മെറ്റാ അംഗമാണ്. ഓരോ അക്ഷത്തിലും അത്തരമൊരു മെറ്റാ-ടേം ഉണ്ട്. ഉദാഹരണത്തിന്, വർഷത്തിൻ്റെ അച്ചുതണ്ടിൽ "എല്ലാ വർഷങ്ങളും" മുതലായവ ഉണ്ട്.
കുട്ടികൾഅംഗത്തിൻ്റെ പ്രവർത്തനമാണ്. ഓരോ അംഗത്തിനും നിരവധി പ്രവർത്തനങ്ങൾ ലഭ്യമാണ്. മാതാപിതാക്കളെപ്പോലെ. ലെവൽ, ശ്രേണി, യഥാക്രമം പൂർവ്വികനെ തിരികെ നൽകുന്നു, ശ്രേണിയിലെ ലെവൽ, ഈ കേസിൽ അംഗം ഉൾപ്പെടുന്ന ശ്രേണി. കുട്ടികൾ - ഈ അംഗത്തിൻ്റെ ഒരു കൂട്ടം ചൈൽഡ് അംഗങ്ങൾ നൽകുന്നു. ആ. നമ്മുടെ കാര്യത്തിൽ - രാജ്യങ്ങൾ.
വരികളിൽ- ഫലമായുണ്ടാകുന്ന പട്ടികയിൽ ഈ ഡാറ്റ എങ്ങനെ ക്രമീകരിക്കാമെന്ന് സൂചിപ്പിക്കുന്നു. ഈ സാഹചര്യത്തിൽ - വരികളുടെ തലക്കെട്ടിൽ. ഇവിടെ സാധ്യമായ മൂല്യങ്ങൾ: നിരകളിൽ, പേജുകളിൽ, ഖണ്ഡികകളിൽ മുതലായവ. 0 മുതൽ ആരംഭിക്കുന്ന സൂചിക ഉപയോഗിച്ച് സൂചിപ്പിക്കാനും കഴിയും.
നിന്ന്- ഇത് തിരഞ്ഞെടുക്കപ്പെട്ട ക്യൂബിൻ്റെ സൂചനയാണ്.

ഞങ്ങൾക്ക് എല്ലാ രാജ്യങ്ങളും ആവശ്യമില്ല, എന്നാൽ രണ്ട് നിർദ്ദിഷ്ട രാജ്യങ്ങൾ മാത്രം മതിയെങ്കിൽ? ഇത് ചെയ്യുന്നതിന്, ചിൽഡ്രൻ ഫംഗ്ഷൻ ഉപയോഗിച്ച് എല്ലാം തിരഞ്ഞെടുക്കുന്നതിനുപകരം ഞങ്ങൾക്ക് ആവശ്യമുള്ള രാജ്യങ്ങൾ അഭ്യർത്ഥനയിൽ വ്യക്തമായി വ്യക്തമാക്കാൻ കഴിയും.

എന്നതിൽ നിന്നുള്ള വരികളിൽ ( ..., ... ) തിരഞ്ഞെടുക്കുക
ഈ കേസിലെ ചുരുണ്ട ബ്രേസുകൾ സെറ്റിൻ്റെ പ്രഖ്യാപനമാണ് ( സജ്ജമാക്കുക). ഒരു കൂട്ടം ഒരു പട്ടികയാണ്, അംഗങ്ങളുടെ എണ്ണമാണ് ഒരു അക്ഷത്തിൽ നിന്ന്.

ഇനി നമ്മുടെ രണ്ടാമത്തെ ഉദാഹരണത്തിനായി ഒരു ചോദ്യം എഴുതാം - ഒരു ഡെലിവറി വ്യക്തിയുടെ സന്ദർഭത്തിൽ ഔട്ട്പുട്ട്:

തിരഞ്ഞെടുക്കുക ... വരികളിലെ കുട്ടികൾ .ഇതിൽ നിന്നുള്ള നിരകളിലെ അംഗങ്ങൾ
ഇവിടെ ചേർത്തു:
- അച്ചുതണ്ട്;
.അംഗങ്ങൾ- അതിലെ എല്ലാ നിബന്ധനകളും നൽകുന്ന ഒരു ആക്സിസ് ഫംഗ്ഷൻ. ശ്രേണിയും ലെവലും ഒരേ പ്രവർത്തനമാണ്. കാരണം ഈ അക്ഷത്തിൽ ഒരു ശ്രേണി മാത്രമേയുള്ളൂ, അപ്പോൾ അതിൻ്റെ സൂചന ഒഴിവാക്കാം, കാരണം ലെവലും ശ്രേണിയും ഒന്നുതന്നെയാണ്, തുടർന്ന് നിങ്ങൾക്ക് എല്ലാ അംഗങ്ങളെയും ഒരു ലിസ്റ്റിൽ പ്രദർശിപ്പിക്കാൻ കഴിയും.

വർഷാവർഷം വിശദമായി ഞങ്ങളുടെ മൂന്നാമത്തെ ഉദാഹരണത്തിലൂടെ ഇത് എങ്ങനെ തുടരാം എന്നത് ഇതിനകം തന്നെ വ്യക്തമാണെന്ന് ഞാൻ കരുതുന്നു. എന്നാൽ വർഷം തോറും തുരക്കാതിരിക്കുന്നതാണ് നല്ലത്, പക്ഷേ ഫിൽട്ടർ ചെയ്യുക - അതായത്. ഒരു സ്ലൈസ് നിർമ്മിക്കുക ഇത് ചെയ്യുന്നതിന്, ഞങ്ങൾ ഇനിപ്പറയുന്ന ചോദ്യം എഴുതും:

തിരഞ്ഞെടുക്കുക ..വരികളിലെ കുട്ടികൾ .എവിടെ നിന്ന് (.) നിരകളിലെ അംഗങ്ങൾ
ഇവിടെ ഫിൽട്ടറേഷൻ എവിടെയാണ്?

എവിടെ- കീവേഡ്
ശ്രേണിയിലെ ഒരു അംഗമാണ് . എല്ലാ നിബന്ധനകളും ഉൾപ്പെടെ പൂർണ്ണമായ പേര് ഇതായിരിക്കും: .. , എന്നാൽ കാരണം ഈ അംഗത്തിൻ്റെ പേര് അച്ചുതണ്ടിനുള്ളിൽ അദ്വിതീയമായതിനാൽ, പേരിൻ്റെ എല്ലാ ഇൻ്റർമീഡിയറ്റ് വ്യക്തതകളും ഒഴിവാക്കാവുന്നതാണ്.

എന്തുകൊണ്ടാണ് തീയതി പദം പരാൻതീസിസിൽ ഉള്ളത്? പരാൻതീസിസുകൾ ഒരു ട്യൂപ്പിൾ ആണ് ( ട്യൂപ്പിൾ). ഒന്നോ അതിലധികമോ കോർഡിനേറ്റുകളാണ് ട്യൂപ്പിൾ വിവിധഅക്ഷങ്ങൾ ഉദാഹരണത്തിന്, ഒരേസമയം രണ്ട് അക്ഷങ്ങൾക്കൊപ്പം ഫിൽട്ടർ ചെയ്യുന്നതിന്, പരാൻതീസിസിൽ ഞങ്ങൾ രണ്ട് പദങ്ങൾ ലിസ്റ്റ് ചെയ്യുന്നു വ്യത്യസ്തഅളവുകൾ കോമകളാൽ വേർതിരിച്ചിരിക്കുന്നു. അതായത്, ട്യൂപ്പിൾ ക്യൂബിൻ്റെ ഒരു "സ്ലൈസ്" (അല്ലെങ്കിൽ "ഫിൽട്ടറിംഗ്", അത്തരം പദങ്ങൾ അടുത്താണെങ്കിൽ) നിർവചിക്കുന്നു.

ട്യൂപ്പിൾ ഫിൽട്ടറിംഗ് മാത്രമല്ല ഉപയോഗിക്കുന്നത്. Tuples വരി/നിര/പേജ് തലക്കെട്ടുകൾ മുതലായവയിലും ആകാം.

ഉദാഹരണത്തിന്, ഒരു ത്രിമാന അന്വേഷണത്തിൻ്റെ ഫലം ഒരു ദ്വിമാന പട്ടികയിൽ പ്രദർശിപ്പിക്കുന്നതിന് ഇത് ആവശ്യമാണ്.

വരികളിൽ ക്രോസ് ജോയിൻ (...കുട്ടികൾ, ..കുട്ടികൾ) തിരഞ്ഞെടുക്കുക .എവിടെ നിന്ന് (.) നിരകളിലെ അംഗങ്ങൾ
ക്രോസ് ജോയിൻഒരു ചടങ്ങാണ്. രണ്ട് സെറ്റുകളുടെ കാർട്ടീഷ്യൻ ഉൽപ്പന്നത്തിൻ്റെ ഫലമായി ഇത് ഒരു കൂട്ടം ട്യൂപ്പിൾസ് (അതെ, ഒരു സെറ്റിൽ ട്യൂപ്പിൾസ് അടങ്ങിയിരിക്കാം!) നൽകുന്നു. ആ. തത്ഫലമായുണ്ടാകുന്ന സെറ്റിൽ രാജ്യങ്ങളുടെയും വർഷങ്ങളുടെയും സാധ്യമായ എല്ലാ സംയോജനങ്ങളും അടങ്ങിയിരിക്കും. വരി തലക്കെട്ടുകളിൽ ഇങ്ങനെ ഒരു ജോടി മൂല്യങ്ങൾ അടങ്ങിയിരിക്കും: രാജ്യം-വർഷം.

ഏത് സംഖ്യാ സ്വഭാവസവിശേഷതകൾ പ്രദർശിപ്പിക്കണം എന്നതിൻ്റെ സൂചന എവിടെയാണ് എന്നതാണ് ചോദ്യം. ഈ സാഹചര്യത്തിൽ, ഈ ക്യൂബിനായി നിർവചിച്ചിരിക്കുന്ന ഡിഫോൾട്ട് അളവ് ഉപയോഗിക്കുന്നു, അതായത്. ഓർഡർ വില. നമുക്ക് മറ്റൊരു അളവ് ലഭിക്കണമെങ്കിൽ, അളവുകൾ ഒരു മാനത്തിൻ്റെ അംഗങ്ങളാണെന്ന് ഞങ്ങൾ ഓർക്കുന്നു അളവുകൾ. മറ്റ് അക്ഷങ്ങൾ പോലെ തന്നെ ഞങ്ങൾ പ്രവർത്തിക്കുന്നു. ആ. അളവുകളിലൊന്ന് ഉപയോഗിച്ച് ഒരു ചോദ്യം ഫിൽട്ടർ ചെയ്യുന്നത് സെല്ലുകളിൽ ഈ അളവ് കൃത്യമായി പ്രദർശിപ്പിക്കും.

ചോദ്യം: എവിടെ ഫിൽട്ടർ ചെയ്യുന്നതും വരികളിൽ അച്ചുതണ്ട് അംഗങ്ങളെ വ്യക്തമാക്കി ഫിൽട്ടർ ചെയ്യുന്നതും തമ്മിലുള്ള വ്യത്യാസം എന്താണ്. ഉത്തരം: പ്രായോഗികമായി ഒന്നുമില്ല. തലക്കെട്ടുകളുടെ രൂപീകരണത്തിൽ പങ്കെടുക്കാത്ത അക്ഷങ്ങൾക്കായി ഒരു സ്ലൈസ് സൂചിപ്പിച്ചിരിക്കുന്നിടത്ത്. ആ. ഒരേ അച്ചുതണ്ട് ഒന്നും കഴിയില്ലഒരേ സമയം ഹാജരാകുക വരികളിൽ, ഒപ്പം എവിടെ.

കണക്കാക്കിയ അംഗങ്ങൾ

കൂടുതൽ സങ്കീർണ്ണമായ ചോദ്യങ്ങൾക്ക്, നിങ്ങൾക്ക് കമ്പ്യൂട്ട് ചെയ്ത അംഗങ്ങളെ പ്രഖ്യാപിക്കാം. ആട്രിബ്യൂട്ട്, മെഷർ അക്ഷങ്ങൾ എന്നിവയിലെ അംഗങ്ങൾ. ആ. ഉദാഹരണത്തിന്, ഓർഡറുകളുടെ ആകെ തുകയിലേക്ക് ഓരോ രാജ്യത്തിൻ്റെയും സംഭാവന പ്രദർശിപ്പിക്കുന്ന ഒരു പുതിയ അളവ് നിങ്ങൾക്ക് പ്രഖ്യാപിക്കാം:

അംഗത്തോടൊപ്പം. '.CurrentMember / ..' ആയി, FORMAT_STRING='0.00%' തിരഞ്ഞെടുക്കുക ...എവിടെ നിന്ന് വരികളിലെ കുട്ടികൾ .
ഒരു സെല്ലിൻ്റെ എല്ലാ കോർഡിനേറ്റ് ആട്രിബ്യൂട്ടുകളും അറിയാവുന്ന പശ്ചാത്തലത്തിലാണ് കണക്കുകൂട്ടൽ നടക്കുന്നത്. ഓരോ ക്യൂബ് അക്ഷങ്ങൾക്കുമുള്ള നിലവിലെ മെമ്പർ ഫംഗ്‌ഷൻ വഴി അനുബന്ധ കോർഡിനേറ്റുകൾ (അംഗങ്ങൾ) ലഭിക്കും. പ്രയോഗം എന്ന് ഇവിടെ നാം മനസ്സിലാക്കണം .നിലവിലെ അംഗം/..’ ഒരു പദത്തെ മറ്റൊന്നുകൊണ്ട് വിഭജിക്കുന്നില്ല, മറിച്ച് വിഭജിക്കുന്നു പ്രസക്തമായ സംഗ്രഹിച്ച ഡാറ്റക്യൂബ് കഷ്ണങ്ങൾ! ആ. നിലവിലെ പ്രദേശത്തിനായുള്ള സ്ലൈസ് എല്ലാ പ്രദേശങ്ങൾക്കും ഒരു സ്ലൈസായി വിഭജിക്കപ്പെടും, അതായത്. എല്ലാ ഓർഡറുകളുടെയും ആകെ മൂല്യം. FORMAT_STRING - മൂല്യങ്ങൾ പ്രദർശിപ്പിക്കുന്നതിനുള്ള ഫോർമാറ്റ് സജ്ജമാക്കുന്നു, അതായത്. %.

കണക്കാക്കിയ അംഗത്തിൻ്റെ മറ്റൊരു ഉദാഹരണം, എന്നാൽ വർഷങ്ങളുടെ അക്ഷത്തിൽ:

അംഗത്തോടൊപ്പം. ' എന്ന നിലയിൽ. -.’
വ്യക്തമായും, റിപ്പോർട്ടിൽ ഒരു യൂണിറ്റ് അടങ്ങിയിരിക്കില്ല, എന്നാൽ അനുബന്ധ വിഭാഗങ്ങളുടെ വ്യത്യാസം, അതായത്. ഈ രണ്ട് വർഷത്തെ ഓർഡറുകളുടെ തുകയിലെ വ്യത്യാസം.

ROLAP-ൽ പ്രദർശിപ്പിക്കുക

OLAP സിസ്റ്റങ്ങൾ ഒരു തരത്തിലല്ലെങ്കിൽ മറ്റൊരു തരത്തിൽ ഡാറ്റാ സംഭരണത്തെയും ഓർഗനൈസേഷൻ സിസ്റ്റത്തെയും അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഞങ്ങൾ RDBMS-നെക്കുറിച്ച് സംസാരിക്കുമ്പോൾ, ഞങ്ങൾ ROLAP നെക്കുറിച്ച് സംസാരിക്കുന്നു (സ്വതന്ത്ര പഠനത്തിനായി ഞങ്ങൾ MOLAP, HOLAP എന്നിവ ഉപേക്ഷിക്കും). ROLAP - ഒരു റിലേഷണൽ ഡാറ്റാബേസിൽ OLAP, അതായത്. സാധാരണ ദ്വിമാന പട്ടികകളുടെ രൂപത്തിൽ വിവരിച്ചിരിക്കുന്നു. ROLAP സിസ്റ്റങ്ങൾ MDX അന്വേഷണങ്ങളെ SQL-ലേക്ക് പരിവർത്തനം ചെയ്യുന്നു. ഡാറ്റാബേസുകളുടെ പ്രധാന കമ്പ്യൂട്ടിംഗ് പ്രശ്നം വേഗത്തിലുള്ള സമാഹരണമാണ്. വേഗത്തിൽ സമാഹരിക്കാൻ, ഡാറ്റാബേസിലെ ഡാറ്റ സാധാരണയായി വളരെ ഡീനോർമലൈസ് ചെയ്തിരിക്കുന്നു, അതായത്. ഡിസ്ക് സ്പേസ് എടുക്കുന്നതിൻ്റെയും ഡാറ്റാബേസ് ഇൻ്റഗ്രിറ്റി മോണിറ്ററിംഗിൻ്റെയും കാര്യത്തിൽ വളരെ കാര്യക്ഷമമായി സംഭരിക്കുന്നില്ല. കൂടാതെ, ഭാഗികമായി സമാഹരിച്ച ഡാറ്റ സംഭരിക്കുന്ന സഹായ പട്ടികകൾ അവയിൽ അധികമായി അടങ്ങിയിരിക്കുന്നു. അതിനാൽ, OLAP-നായി, ഒരു പ്രത്യേക ഡാറ്റാബേസ് സ്കീമ സാധാരണയായി സൃഷ്ടിക്കപ്പെടുന്നു, ഇത് ഡയറക്‌ടറികളുടെ അടിസ്ഥാനത്തിൽ യഥാർത്ഥ ഇടപാട് ഡാറ്റാബേസുകളുടെ ഘടനയെ ഭാഗികമായി മാത്രം പകർത്തുന്നു.

നാവിഗേഷൻ

പല OLAP സിസ്റ്റങ്ങളും ഇതിനകം ജനറേറ്റുചെയ്‌ത അന്വേഷണത്തിനായി ഇൻ്ററാക്ടീവ് നാവിഗേഷൻ ടൂളുകൾ വാഗ്ദാനം ചെയ്യുന്നു (അതനുസരിച്ച് തിരഞ്ഞെടുത്ത ഡാറ്റ). ഈ സാഹചര്യത്തിൽ, "ഡ്രില്ലിംഗ്" അല്ലെങ്കിൽ "ഡ്രില്ലിംഗ്" എന്ന് വിളിക്കപ്പെടുന്നവ ഉപയോഗിക്കുന്നു. റഷ്യൻ ഭാഷയിലേക്ക് കൂടുതൽ പര്യാപ്തമായ വിവർത്തനം "ആഴം" എന്ന വാക്ക് ആയിരിക്കും. എന്നാൽ ഇത് അഭിരുചിയുടെ കാര്യമാണ്, ചില പരിതസ്ഥിതികളിൽ "ഡ്രില്ലിംഗ്" എന്ന വാക്ക് കുടുങ്ങി.

ഡ്രിൽ- ഇത് മറ്റ് ചില അക്ഷങ്ങളിൽ (അല്ലെങ്കിൽ നിരവധി അക്ഷങ്ങൾ) ഫിൽട്ടർ ചെയ്യുന്നതിനൊപ്പം ഡാറ്റ അഗ്രഗേഷൻ്റെ അളവ് കുറച്ചുകൊണ്ട് വിശദമാക്കുന്ന റിപ്പോർട്ടാണ്. നിരവധി തരം ഡ്രില്ലിംഗ് ഉണ്ട്:

• ഡ്രിൽ-ഡൗൺ- തിരഞ്ഞെടുത്ത ഫിൽട്ടറിംഗ് അംഗത്തിൻ്റെ ശ്രേണിയിലെ പിൻഗാമികളെക്കുറിച്ചുള്ള വിശദമായ വിവരങ്ങളുടെ പ്രദർശനം സഹിതം റിപ്പോർട്ടിൻ്റെ ഉറവിട അക്ഷങ്ങളിൽ ഒന്നിൽ ഫിൽട്ടർ ചെയ്യുന്നു. ഉദാഹരണത്തിന്, രാജ്യങ്ങളും വർഷങ്ങളും പ്രകാരം വിഭജിച്ച ഓർഡറുകളുടെ വിതരണത്തെക്കുറിച്ചുള്ള ഒരു റിപ്പോർട്ട് ഉണ്ടെങ്കിൽ, 2007 വർഷത്തിൽ ക്ലിക്കുചെയ്യുന്നത് അതേ രാജ്യങ്ങളും 2007 ലെ മാസങ്ങളും തകർത്ത ഒരു റിപ്പോർട്ട് പ്രദർശിപ്പിക്കും.
• ഡ്രിൽ സൈഡ്- തിരഞ്ഞെടുത്ത ഒന്നോ അതിലധികമോ അക്ഷങ്ങൾക്ക് കീഴിൽ ഫിൽട്ടർ ചെയ്യുകയും ഒന്നോ അതിലധികമോ അക്ഷങ്ങൾക്കൊപ്പം അഗ്രഗേഷൻ നീക്കം ചെയ്യുകയും ചെയ്യുന്നു. ഉദാഹരണത്തിന്, രാജ്യങ്ങളും വർഷങ്ങളും പ്രകാരം വിഭജിച്ച ഓർഡറുകളുടെ വിതരണത്തെക്കുറിച്ച് ഒരു റിപ്പോർട്ട് ഉണ്ടെങ്കിൽ, 2007-ൽ ക്ലിക്കുചെയ്യുന്നത് മറ്റൊരു റിപ്പോർട്ട് ദൃശ്യമാകും, ഉദാഹരണത്തിന്, രാജ്യങ്ങളും വിതരണക്കാരും 2007-ഓടെ ഫിൽട്ടറിംഗ് നടത്തി.
• ഡ്രിൽ-തൊട്ടി- എല്ലാ അക്ഷങ്ങളിലും അഗ്രഗേഷൻ നീക്കം ചെയ്യുകയും അവയ്‌ക്കൊപ്പം ഒരേസമയം ഫിൽട്ടറിംഗ് നടത്തുകയും ചെയ്യുന്നു - റിപ്പോർട്ടിലെ മൂല്യം ലഭിച്ച വസ്തുത പട്ടികയിൽ നിന്ന് ഉറവിട ഡാറ്റ കാണാൻ നിങ്ങളെ അനുവദിക്കുന്നു. ആ. നിങ്ങൾ ഒരു സെൽ മൂല്യത്തിൽ ക്ലിക്ക് ചെയ്യുമ്പോൾ, ഈ തുക നൽകിയ എല്ലാ ഓർഡറുകൾക്കൊപ്പം ഒരു റിപ്പോർട്ട് പ്രദർശിപ്പിക്കും. ക്യൂബിൻ്റെ "ആഴത്തിലേക്ക്" ഒരുതരം തൽക്ഷണ ഡ്രില്ലിംഗ്.

അത്രയേയുള്ളൂ. ഇപ്പോൾ, നിങ്ങൾ ബിസിനസ്സ് ഇൻ്റലിജൻസിനും OLAP-നും സ്വയം സമർപ്പിക്കാൻ തീരുമാനിക്കുകയാണെങ്കിൽ, ഗൗരവമേറിയ സാഹിത്യം വായിക്കാൻ തുടങ്ങേണ്ട സമയമാണിത്.

ടാഗുകൾ: ടാഗുകൾ ചേർക്കുക

വ്യാഖ്യാനം: OLAP ഡാറ്റ വെയർഹൗസുകൾക്കായി ഡാറ്റ ക്യൂബുകൾ രൂപകൽപ്പന ചെയ്യുന്നതിൻ്റെ അടിസ്ഥാനകാര്യങ്ങൾ ഈ പ്രഭാഷണം ഉൾക്കൊള്ളുന്നു. CASE ടൂൾ ഉപയോഗിച്ച് ഒരു ഡാറ്റ ക്യൂബ് നിർമ്മിക്കുന്ന രീതി ഉദാഹരണം കാണിക്കുന്നു.

പ്രഭാഷണത്തിൻ്റെ ഉദ്ദേശ്യം

ഈ പ്രഭാഷണത്തിലെ മെറ്റീരിയൽ പഠിച്ച ശേഷം, നിങ്ങൾക്കറിയാം:

• എന്താണ് ഒരു ഡാറ്റ ക്യൂബ് OLAP ഡാറ്റ വെയർഹൗസ് ;
• ഒരു ഡാറ്റ ക്യൂബ് എങ്ങനെ രൂപകൽപ്പന ചെയ്യാം OLAP ഡാറ്റ വെയർഹൗസുകൾ ;
• എന്താണ് ഒരു ഡാറ്റ ക്യൂബ് അളവ്;
• ഒരു വസ്തുത ഒരു ഡാറ്റ ക്യൂബുമായി എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നു;
• ഡൈമൻഷൻ ആട്രിബ്യൂട്ടുകൾ എന്തൊക്കെയാണ്;
• എന്താണ് ശ്രേണിക്രമം;
• എന്താണ് ഒരു ഡാറ്റ ക്യൂബ് മെട്രിക്;

കൂടാതെ പഠിക്കുക:

• പണിയുക മൾട്ടിഡൈമൻഷണൽ ചാർട്ടുകൾ ;
• ലളിതമായ ഡിസൈൻ മൾട്ടിഡൈമൻഷണൽ ചാർട്ടുകൾ.

ആമുഖം

OLAP സാങ്കേതികവിദ്യ ഒറ്റയല്ല സോഫ്റ്റ്വെയർ, അല്ല പ്രോഗ്രാമിംഗ് ഭാഷ. OLAP-നെ അതിൻ്റെ എല്ലാ പ്രകടനങ്ങളിലും ഉൾപ്പെടുത്താൻ ഞങ്ങൾ ശ്രമിക്കുകയാണെങ്കിൽ, അത് വിശകലന വിദഗ്ധർക്ക് ഡാറ്റ ആക്‌സസ് ചെയ്യുന്നത് എളുപ്പമാക്കുന്ന സോഫ്റ്റ്‌വെയർ ഉൽപ്പന്നങ്ങൾക്ക് അടിവരയിടുന്ന ആശയങ്ങളുടെയും തത്വങ്ങളുടെയും ആവശ്യകതകളുടെയും ഒരു കൂട്ടമാണ്.

കോർപ്പറേറ്റ് വിവരങ്ങളുടെ പ്രധാന ഉപഭോക്താക്കൾ അനലിസ്റ്റുകളാണ്. വലിയ അളവിലുള്ള ഡാറ്റയിൽ പാറ്റേണുകൾ കണ്ടെത്തുക എന്നതാണ് അനലിസ്റ്റിൻ്റെ ജോലി. അതിനാൽ, ഒരു നിശ്ചിത ദിവസം ഒരു ബാച്ച് ബോൾപോയിൻ്റ് പേനകൾ വാങ്ങുന്നയാൾ ഇവാനോവിന് വിറ്റു എന്ന വ്യക്തിഗത വസ്തുത അനലിസ്റ്റ് ശ്രദ്ധിക്കില്ല - നൂറുകണക്കിന്, ആയിരക്കണക്കിന് സമാന സംഭവങ്ങളെക്കുറിച്ചുള്ള വിവരങ്ങൾ അദ്ദേഹത്തിന് ആവശ്യമാണ്. ഡാറ്റ വെയർഹൗസിലെ ഒറ്റ വസ്തുതകൾ താൽപ്പര്യമുള്ളതായിരിക്കാം, ഉദാഹരണത്തിന്, ഒരു അക്കൗണ്ടൻ്റിനോ അല്ലെങ്കിൽ സെയിൽസ് ഡിപ്പാർട്ട്‌മെൻ്റ് മേധാവിക്കോ, ഒരു നിശ്ചിത കരാറിൻ്റെ പിന്തുണയുള്ള കഴിവ്. ഒരു അനലിസ്റ്റിന്, ഒരു റെക്കോർഡ് മതിയാകില്ല - ഉദാഹരണത്തിന്, ഒരു മാസത്തേക്കോ പാദത്തിനോ വർഷത്തേക്കോ ഒരു പോയിൻ്റ് ഓഫ് സെയിൽസിൻ്റെ എല്ലാ കരാറുകളെയും കുറിച്ചുള്ള വിവരങ്ങൾ അദ്ദേഹത്തിന് ആവശ്യമായി വന്നേക്കാം. വാങ്ങുന്നയാളുടെ ടിന്നിലോ അവൻ്റെ ഫോൺ നമ്പറിലോ അനലിസ്റ്റിന് താൽപ്പര്യമുണ്ടാകില്ല - അവൻ നിർദ്ദിഷ്ട സംഖ്യാ ഡാറ്റയുമായി പ്രവർത്തിക്കുന്നു, ഇത് അവൻ്റെ പ്രൊഫഷണൽ പ്രവർത്തനത്തിൻ്റെ സാരാംശമാണ്.

കേന്ദ്രീകരണവും സൗകര്യപ്രദമായ ഘടനയും ഒരു വിശകലന വിദഗ്ധന് ആവശ്യമുള്ളതെല്ലാം അല്ല. വിവരങ്ങൾ കാണാനും ദൃശ്യവൽക്കരിക്കാനും അവന് ഒരു ഉപകരണം ആവശ്യമാണ്. പരമ്പരാഗത റിപ്പോർട്ടുകൾ, ഒരൊറ്റ ഡാറ്റ വെയർഹൗസിൻ്റെ അടിസ്ഥാനത്തിൽ നിർമ്മിച്ചവ പോലും, അഭാവം, എന്നിരുന്നാലും, ഒരു നിശ്ചിത വഴക്കം. ഡാറ്റയുടെ ആവശ്യമുള്ള കാഴ്‌ച ലഭിക്കുന്നതിന് അവ "വളച്ചൊടിക്കുക", "വികസിക്കുക" അല്ലെങ്കിൽ "തകർച്ച" ചെയ്യാൻ കഴിയില്ല. ഒരു അനലിസ്റ്റിന് കൂടുതൽ "സ്ലൈസുകളും" "സെക്ഷനുകളും" ഡാറ്റ പര്യവേക്ഷണം ചെയ്യാൻ കഴിയും, അയാൾക്ക് കൂടുതൽ ആശയങ്ങൾ ഉണ്ട്, അതാകട്ടെ, സ്ഥിരീകരണത്തിനായി കൂടുതൽ കൂടുതൽ "സ്ലൈസുകൾ" ആവശ്യമാണ്. ഒരു അനലിസ്റ്റിൻ്റെ ഡാറ്റാ വിശകലനത്തിനുള്ള അത്തരമൊരു ഉപകരണമായി OLAP പ്രവർത്തിക്കുന്നു.

OLAP ഒരു ഡാറ്റാ വെയർഹൗസിൻ്റെ ആവശ്യമായ ആട്രിബ്യൂട്ട് അല്ലെങ്കിലും, ഈ ഡാറ്റ വെയർഹൗസിൽ ശേഖരിച്ച വിവരങ്ങൾ വിശകലനം ചെയ്യാൻ ഇത് കൂടുതലായി ഉപയോഗിക്കുന്നു.

പ്രവർത്തനപരമായ ഡാറ്റ വിവിധ ഉറവിടങ്ങളിൽ നിന്ന് ശേഖരിക്കുകയും വൃത്തിയാക്കുകയും സംയോജിപ്പിക്കുകയും ഒരു ഡാറ്റ വെയർഹൗസിൽ സംഭരിക്കുകയും ചെയ്യുന്നു. മാത്രമല്ല, വിവിധ റിപ്പോർട്ടിംഗ് ടൂളുകൾ ഉപയോഗിച്ച് വിശകലനത്തിനായി അവ ഇതിനകം ലഭ്യമാണ്. തുടർന്ന് ഡാറ്റ (പൂർണ്ണമായോ ഭാഗികമായോ) OLAP വിശകലനത്തിനായി തയ്യാറാക്കപ്പെടുന്നു. അവ ഒരു പ്രത്യേക OLAP ഡാറ്റാബേസിലേക്ക് ലോഡുചെയ്യാം അല്ലെങ്കിൽ ഒരു റിലേഷണൽ ഡാറ്റാബേസിൽ ഇടാം. OLAP ഉപയോഗിക്കുന്നതിനുള്ള ഏറ്റവും പ്രധാനപ്പെട്ട ഘടകം മെറ്റാഡാറ്റയാണ്, അതായത് ഘടന, സ്ഥാനം, എന്നിവയെ കുറിച്ചുള്ള വിവരങ്ങൾ ഡാറ്റ പരിവർത്തനം. അവർക്ക് നന്ദി, വിവിധ സംഭരണ ​​ഘടകങ്ങളുടെ ഫലപ്രദമായ ഇടപെടൽ ഉറപ്പാക്കുന്നു.

അങ്ങനെ, ഒരു ഡാറ്റ വെയർഹൗസിൽ കുമിഞ്ഞുകിടക്കുന്ന മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ വിശകലനത്തിനുള്ള ഒരു കൂട്ടം ടൂളുകളായി OLAP നിർവചിക്കാം.. സൈദ്ധാന്തികമായി, OLAP ടൂളുകൾ പ്രവർത്തന ഡാറ്റയിലേക്കോ അവയുടെ കൃത്യമായ പകർപ്പുകളിലേക്കോ നേരിട്ട് പ്രയോഗിക്കാൻ കഴിയും. എന്നിരുന്നാലും, ഈ വിശകലനത്തിന് അനുയോജ്യമല്ലാത്ത ഡാറ്റ വിശകലനത്തിന് വിധേയമാക്കാനുള്ള അപകടമുണ്ട്.

ക്ലയൻ്റിലും സെർവറിലും OLAP

മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാ വിശകലനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് OLAP. ക്ലയൻ്റ്, സെർവർ OLAP ടൂളുകളായി വിഭജിക്കാൻ കഴിയുന്ന വിവിധ ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ഇത് നിർമ്മിക്കാൻ കഴിയും.

മൊത്തം ഡാറ്റ (തുക, ശരാശരി, പരമാവധി അല്ലെങ്കിൽ കുറഞ്ഞ മൂല്യങ്ങൾ) കണക്കാക്കുകയും അവ പ്രദർശിപ്പിക്കുകയും ചെയ്യുന്ന ആപ്ലിക്കേഷനുകളാണ് OLAP ക്ലയൻ്റ് ടൂളുകൾ.

ഒരു ഡെസ്‌ക്‌ടോപ്പ് DBMS-ൽ സോഴ്‌സ് ഡാറ്റ അടങ്ങിയിട്ടുണ്ടെങ്കിൽ, മൊത്തം ഡാറ്റയുടെ കണക്കുകൂട്ടൽ OLAP ടൂൾ തന്നെയാണ് ചെയ്യുന്നത്. പ്രാരംഭ ഡാറ്റയുടെ ഉറവിടം ഒരു സെർവർ DBMS ആണെങ്കിൽ, പല ക്ലയൻ്റ് OLAP ടൂളുകളും സെർവറിലേക്ക് GROUP BY ഓപ്പറേറ്റർ അടങ്ങിയ SQL അന്വേഷണങ്ങൾ അയയ്ക്കുന്നു, അതിൻ്റെ ഫലമായി സെർവറിൽ കണക്കാക്കിയ മൊത്തം ഡാറ്റ ലഭിക്കും.

ചട്ടം പോലെ, സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡാറ്റ പ്രോസസ്സിംഗ് ടൂളുകളിലും (ഈ ക്ലാസിലെ ഉൽപ്പന്നങ്ങൾ, സ്റ്റാറ്റ് സോഫ്റ്റ്, SPSS എന്നിവയിൽ നിന്നുള്ള ഉൽപ്പന്നങ്ങൾ റഷ്യൻ വിപണിയിൽ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു) ചില സ്പ്രെഡ്ഷീറ്റുകളിലും OLAP പ്രവർത്തനം നടപ്പിലാക്കുന്നു. പ്രത്യേകിച്ചും, മൈക്രോസോഫ്റ്റ് എക്സൽ 2000-ന് നല്ല മൾട്ടിഡൈമൻഷണൽ അനാലിസിസ് ടൂളുകൾ ഉണ്ട്. ഈ ഉൽപ്പന്നം ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഒരു ചെറിയ പ്രാദേശിക മൾട്ടിഡൈമൻഷണൽ OLAP ക്യൂബ് സൃഷ്ടിക്കാനും ഒരു ഫയലായി സേവ് ചെയ്യാനും അതിൻ്റെ ദ്വിമാന അല്ലെങ്കിൽ ത്രിമാന വിഭാഗങ്ങൾ പ്രദർശിപ്പിക്കാനും കഴിയും.

പലതും വികസന ഉപകരണങ്ങൾലളിതമായ OLAP പ്രവർത്തനക്ഷമത (ഉദാഹരണത്തിന്, Borland Delphi, Borland C++Builder എന്നിവയിലെ ഡിസിഷൻ ക്യൂബ് ഘടകങ്ങൾ പോലുള്ളവ) നടപ്പിലാക്കുന്ന ആപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന ക്ലാസുകളുടെ ലൈബ്രറികളോ ഘടകങ്ങളോ അടങ്ങിയിരിക്കുന്നു. കൂടാതെ, നിരവധി കമ്പനികൾ വാഗ്ദാനം ചെയ്യുന്നു നിയന്ത്രണങ്ങൾ ActiveX ഉം സമാനമായ പ്രവർത്തനം നടപ്പിലാക്കുന്ന മറ്റ് ലൈബ്രറികളും.

ക്ലയൻ്റ് OLAP ടൂളുകൾ ഒരു ചട്ടം പോലെ, ചെറിയ അളവുകൾ (സാധാരണയായി ആറിൽ കൂടുതൽ ശുപാർശ ചെയ്യപ്പെടുന്നില്ല) കൂടാതെ ഈ പാരാമീറ്ററുകൾക്കായി ഒരു ചെറിയ വൈവിധ്യമാർന്ന മൂല്യങ്ങൾ ഉപയോഗിച്ചാണ് ഉപയോഗിക്കുന്നത് എന്നത് ശ്രദ്ധിക്കുക - എല്ലാത്തിനുമുപരി, തത്ഫലമായുണ്ടാകുന്ന മൊത്തത്തിലുള്ള ഡാറ്റ ഇവയുമായി പൊരുത്തപ്പെടണം. അത്തരമൊരു ഉപകരണത്തിൻ്റെ വിലാസ ഇടം, സംഖ്യ അളവുകൾ വർദ്ധിപ്പിക്കുന്നതിനനുസരിച്ച് അവയുടെ എണ്ണം ഗണ്യമായി വർദ്ധിക്കുന്നു അതിനാൽ, ഏറ്റവും പ്രാകൃതമായ ക്ലയൻ്റ് OLAP ടൂളുകൾ പോലും, ഒരു ചട്ടം പോലെ, അതിൽ ഒരു മൾട്ടിഡൈമൻഷണൽ ക്യൂബ് സൃഷ്ടിക്കാൻ ആവശ്യമായ റാം തുകയുടെ പ്രാഥമിക കണക്കുകൂട്ടൽ അനുവദിക്കുന്നു.

നിരവധി (എല്ലാം അല്ല) OLAP ക്ലയൻ്റ് ടൂളുകൾ കാഷെയിലെ ഉള്ളടക്കങ്ങൾ ഒരു ഫയലായി സംഭരിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു, ഇത് വീണ്ടും കണക്കാക്കുന്നത് ഒഴിവാക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. മറ്റ് ഓർഗനൈസേഷനുകൾക്ക് കൈമാറുന്നതിനോ പ്രസിദ്ധീകരിക്കുന്നതിനോ വേണ്ടി മൊത്തത്തിലുള്ള ഡാറ്റ അന്യമാക്കുന്നതിന് ഈ അവസരം പലപ്പോഴും ഉപയോഗിക്കപ്പെടുന്നു എന്നത് ശ്രദ്ധിക്കുക. വിവിധ രാജ്യങ്ങളിലെ ആരോഗ്യ മന്ത്രാലയങ്ങളും ലോകാരോഗ്യ സംഘടനയും പ്രസിദ്ധീകരിച്ച തുറന്ന വിവരങ്ങളാണ് വിവിധ പ്രദേശങ്ങളിലെയും വ്യത്യസ്ത പ്രായ വിഭാഗങ്ങളിലെയും രോഗാവസ്ഥ സ്ഥിതിവിവരക്കണക്കുകളാണ് അത്തരം അന്യവൽക്കരിക്കാവുന്ന മൊത്തം ഡാറ്റയുടെ ഒരു സാധാരണ ഉദാഹരണം. അതേസമയം, രോഗങ്ങളുടെ നിർദ്ദിഷ്ട കേസുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ പ്രതിനിധീകരിക്കുന്ന യഥാർത്ഥ ഡാറ്റ തന്നെ മെഡിക്കൽ സ്ഥാപനങ്ങളിൽ നിന്നുള്ള രഹസ്യാത്മക ഡാറ്റയാണ്, ഒരു സാഹചര്യത്തിലും ഇൻഷുറൻസ് കമ്പനികളുടെ കൈകളിൽ വീഴരുത്, വളരെ കുറവാണ്.

ഒരു ഫയലിൽ മൊത്തം ഡാറ്റയുടെ ഒരു കാഷെ സംഭരിക്കുന്നതിനുള്ള ആശയം സെർവർ OLAP ടൂളുകളിൽ കൂടുതൽ വികസിപ്പിച്ചെടുത്തു, അതിൽ മൊത്തം ഡാറ്റ സംരക്ഷിക്കുന്നതും മാറ്റുന്നതും അതുപോലെ തന്നെ അവ ഉൾക്കൊള്ളുന്ന സംഭരണം പരിപാലിക്കുന്നതും ഒരു പ്രത്യേക ആപ്ലിക്കേഷനോ പ്രക്രിയയോ ആണ് നടത്തുന്നത്. OLAP സെർവർ. ക്ലയൻ്റ് ആപ്ലിക്കേഷനുകൾക്ക് അത്തരം മൾട്ടിഡൈമൻഷണൽ സ്റ്റോറേജ് അഭ്യർത്ഥിക്കാനും പ്രതികരണമായി ചില ഡാറ്റ സ്വീകരിക്കാനും കഴിയും. ചില ക്ലയൻ്റ് ആപ്ലിക്കേഷനുകൾ അത്തരം സ്റ്റോറുകൾ സൃഷ്ടിക്കുകയോ അല്ലെങ്കിൽ മാറിയ ഉറവിട ഡാറ്റയെ അടിസ്ഥാനമാക്കി അപ്ഡേറ്റ് ചെയ്യുകയോ ചെയ്തേക്കാം.

ക്ലയൻ്റ് OLAP ടൂളുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ സെർവർ OLAP ടൂളുകൾ ഉപയോഗിക്കുന്നതിൻ്റെ ഗുണങ്ങൾ ഡെസ്‌ക്‌ടോപ്പുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ സെർവർ DBMS-കൾ ഉപയോഗിക്കുന്നതിൻ്റെ ഗുണങ്ങൾക്ക് സമാനമാണ്: സെർവർ ടൂളുകൾ ഉപയോഗിക്കുമ്പോൾ, മൊത്തം ഡാറ്റയുടെ കണക്കുകൂട്ടലും സംഭരണവും സെർവറിലും ക്ലയൻ്റ് ആപ്ലിക്കേഷനിലും സംഭവിക്കുന്നു. അവർക്കെതിരായ അന്വേഷണങ്ങളുടെ ഫലങ്ങൾ മാത്രമേ സ്വീകരിക്കുകയുള്ളൂ, ഇത് പൊതുവെ നെറ്റ്‌വർക്ക് ട്രാഫിക് കുറയ്ക്കാൻ അനുവദിക്കുന്നു, ലീഡ് ടൈംക്ലയൻ്റ് ആപ്ലിക്കേഷൻ ഉപയോഗിക്കുന്ന അഭ്യർത്ഥനകളും ഉറവിട ആവശ്യകതകളും. എൻ്റർപ്രൈസ് സ്കെയിൽ ഡാറ്റാ വിശകലനവും പ്രോസസ്സിംഗ് ടൂളുകളും, ചട്ടം പോലെ, സെർവർ OLAP ടൂളുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് ശ്രദ്ധിക്കുക, ഉദാഹരണത്തിന്, Oracle Express Server, Microsoft SQL Server 2000 Analysis Services, Hyperion Essbase, ക്രിസ്റ്റൽ തീരുമാനങ്ങളിൽ നിന്നുള്ള ഉൽപ്പന്നങ്ങൾ, ബിസിനസ്സ് ഒബ്ജക്റ്റുകൾ, കോഗ്നോസ്, എസ്എഎസ് ഇൻസ്റ്റിറ്റ്യൂട്ട്. സെർവർ ഡിബിഎംഎസുകളുടെ എല്ലാ മുൻനിര നിർമ്മാതാക്കളും ഒന്നോ അതിലധികമോ സെർവർ OLAP ടൂളുകൾ നിർമ്മിക്കുന്നതിനാൽ (അല്ലെങ്കിൽ മറ്റ് കമ്പനികളിൽ നിന്ന് ലൈസൻസ് നേടിയിട്ടുണ്ട്), തിരഞ്ഞെടുപ്പ് വളരെ വിശാലമാണ്, മിക്കവാറും എല്ലാ സാഹചര്യങ്ങളിലും ഡാറ്റാബേസ് സെർവറിൻ്റെ അതേ നിർമ്മാതാവിൽ നിന്ന് നിങ്ങൾക്ക് ഒരു OLAP സെർവർ വാങ്ങാം. .

നിരവധി ക്ലയൻ്റ് OLAP ടൂളുകൾ (പ്രത്യേകിച്ച്, Microsoft Excel 2003, Seagate Analysis, മുതലായവ) സെർവർ OLAP സ്റ്റോറേജുകൾ ആക്സസ് ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു, ഈ സാഹചര്യത്തിൽ അത്തരം അന്വേഷണങ്ങൾ നടത്തുന്ന ക്ലയൻ്റ് ആപ്ലിക്കേഷനുകളായി പ്രവർത്തിക്കുന്നു. കൂടാതെ, വിവിധ നിർമ്മാതാക്കളിൽ നിന്നുള്ള OLAP ടൂളുകൾക്കായുള്ള ക്ലയൻ്റ് ആപ്ലിക്കേഷനുകളായ നിരവധി ഉൽപ്പന്നങ്ങളുണ്ട്.

മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ സംഭരണത്തിൻ്റെ സാങ്കേതിക വശങ്ങൾ

മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റ വെയർഹൗസുകളിൽ വ്യത്യസ്ത അളവിലുള്ള വിശദാംശങ്ങളുടെ മൊത്തത്തിലുള്ള ഡാറ്റ അടങ്ങിയിരിക്കുന്നു, ഉദാഹരണത്തിന്, ദിവസം, മാസം, വർഷം, ഉൽപ്പന്ന വിഭാഗം മുതലായവ അനുസരിച്ച് വിൽപ്പന അളവ്. മൊത്തം ഡാറ്റ സംഭരിക്കുന്നതിൻ്റെ ഉദ്ദേശ്യം കുറയ്ക്കുക എന്നതാണ് ലീഡ് ടൈംഅഭ്യർത്ഥനകൾ, കാരണം മിക്ക കേസുകളിലും, വിശകലനത്തിനും പ്രവചനങ്ങൾക്കും, ഇത് വിശദമായതല്ല, മറിച്ച് താൽപ്പര്യമുള്ള സംഗ്രഹ ഡാറ്റയാണ്. അതിനാൽ, ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാബേസ് സൃഷ്ടിക്കുമ്പോൾ, ചില മൊത്തം ഡാറ്റ എല്ലായ്പ്പോഴും കണക്കാക്കുകയും സംഭരിക്കുകയും ചെയ്യുന്നു.

എല്ലാ മൊത്തത്തിലുള്ള ഡാറ്റയും സംരക്ഷിക്കുന്നത് എല്ലായ്പ്പോഴും ന്യായീകരിക്കപ്പെടുന്നില്ല എന്നത് ശ്രദ്ധിക്കുക. പുതിയ അളവുകൾ ചേർക്കുമ്പോൾ, ക്യൂബ് നിർമ്മിക്കുന്ന ഡാറ്റയുടെ അളവ് ഗണ്യമായി വളരുന്നു എന്നതാണ് വസ്തുത (ചിലപ്പോൾ അവർ ഡാറ്റ വോളിയത്തിൻ്റെ "സ്ഫോടനാത്മക വളർച്ച"യെക്കുറിച്ച് സംസാരിക്കുന്നു). കൂടുതൽ കൃത്യമായി പറഞ്ഞാൽ, മൊത്തം ഡാറ്റയുടെ വോളിയത്തിലെ വളർച്ചയുടെ അളവ് ക്യൂബിൻ്റെ അളവുകളുടെ എണ്ണത്തെയും ഈ അളവുകളുടെ ശ്രേണികളുടെ വിവിധ തലങ്ങളിലുള്ള അളവുകളിലെ അംഗങ്ങളെയും ആശ്രയിച്ചിരിക്കുന്നു. "സ്ഫോടനാത്മക വളർച്ച" എന്ന പ്രശ്നം പരിഹരിക്കുന്നതിന്, വിവിധ സ്കീമുകൾ ഉപയോഗിക്കുന്നു, ഇത് സാധ്യമായ എല്ലാ മൊത്തത്തിലുള്ള ഡാറ്റയും കണക്കാക്കുമ്പോൾ അന്വേഷണ നിർവ്വഹണത്തിൻ്റെ സ്വീകാര്യമായ വേഗത കൈവരിക്കുന്നത് സാധ്യമാക്കുന്നു.

അസംസ്കൃതവും മൊത്തത്തിലുള്ളതുമായ ഡാറ്റ റിലേഷണൽ അല്ലെങ്കിൽ മൾട്ടിഡൈമൻഷണൽ ഘടനകളിൽ സംഭരിക്കാൻ കഴിയും. അതിനാൽ, ഡാറ്റ സംഭരണത്തിൻ്റെ മൂന്ന് രീതികൾ നിലവിൽ ഉപയോഗിക്കുന്നു.

• മോലാപ്പ്(മൾട്ടിഡൈമൻഷണൽ OLAP) - ഉറവിടവും മൊത്തത്തിലുള്ള ഡാറ്റയും ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാബേസിൽ സംഭരിച്ചിരിക്കുന്നു. മൾട്ടിഡൈമൻഷണൽ ഘടനകളിൽ ഡാറ്റ സംഭരിക്കുന്നത് ഒരു മൾട്ടിഡൈമൻഷണൽ അറേ ആയി ഡാറ്റ കൈകാര്യം ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു, അതിനാൽ മൊത്തം മൂല്യങ്ങൾ കണക്കാക്കുന്നതിനുള്ള വേഗത ഏത് അളവുകൾക്കും തുല്യമാണ്. എന്നിരുന്നാലും, ഈ സാഹചര്യത്തിൽ, മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാബേസ് അനാവശ്യമാണ്, കാരണം മൾട്ടിഡൈമൻഷണൽ ഡാറ്റയിൽ യഥാർത്ഥ റിലേഷണൽ ഡാറ്റ അടങ്ങിയിരിക്കുന്നു.
• ROLAP(റിലേഷണൽ OLAP) - യഥാർത്ഥ ഡാറ്റ യഥാർത്ഥത്തിൽ സ്ഥിതിചെയ്യുന്ന അതേ റിലേഷണൽ ഡാറ്റാബേസിൽ തന്നെ തുടരുന്നു. മൊത്തം ഡാറ്റ അതേ ഡാറ്റാബേസിൽ സൂക്ഷിക്കുന്നതിനായി പ്രത്യേകം സൃഷ്ടിച്ച സേവന പട്ടികകളിൽ സ്ഥാപിച്ചിരിക്കുന്നു.
• HOLAP(ഹൈബ്രിഡ് OLAP) - യഥാർത്ഥ ഡാറ്റ യഥാർത്ഥത്തിൽ സ്ഥിതിചെയ്യുന്ന അതേ റിലേഷണൽ ഡാറ്റാബേസിൽ തന്നെ തുടരുന്നു, കൂടാതെ മൊത്തം ഡാറ്റ ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാബേസിൽ സംഭരിച്ചിരിക്കുന്നു.

ചില OLAP ടൂളുകൾ റിലേഷണൽ ഘടനകളിൽ മാത്രം ഡാറ്റ സംഭരിക്കുന്നതിനെ പിന്തുണയ്ക്കുന്നു, ചിലത് മൾട്ടിഡൈമൻഷണലുകളിൽ മാത്രം. എന്നിരുന്നാലും, മിക്ക ആധുനിക സെർവർ OLAP ടൂളുകളും ഡാറ്റ സംഭരണത്തിൻ്റെ മൂന്ന് രീതികളെയും പിന്തുണയ്ക്കുന്നു. സ്റ്റോറേജ് രീതി തിരഞ്ഞെടുക്കുന്നത് ഉറവിട ഡാറ്റയുടെ വോളിയവും ഘടനയും, അന്വേഷണ നിർവ്വഹണ വേഗതയുടെ ആവശ്യകതകളും OLAP ക്യൂബുകൾ അപ്ഡേറ്റ് ചെയ്യുന്നതിൻ്റെ ആവൃത്തിയും ആശ്രയിച്ചിരിക്കുന്നു.

ആധുനിക OLAP ടൂളുകളിൽ ബഹുഭൂരിപക്ഷവും "ശൂന്യമായ" മൂല്യങ്ങൾ സംഭരിക്കുന്നില്ല എന്നതും ശ്രദ്ധിക്കുക ("ശൂന്യമായ" മൂല്യത്തിൻ്റെ ഒരു ഉദാഹരണം സീസൺ പുറത്തുള്ള ഒരു സീസണൽ ഉൽപ്പന്നത്തിൻ്റെ വിൽപ്പനയുടെ അഭാവമായിരിക്കും).

അടിസ്ഥാന OLAP ആശയങ്ങൾ

FAMSI ടെസ്റ്റ്

സങ്കീർണ്ണമായ മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ വിശകലനത്തിനുള്ള സാങ്കേതികവിദ്യയെ OLAP (ഓൺ-ലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) എന്ന് വിളിക്കുന്നു. ഒരു ഡാറ്റ വെയർഹൗസ് ഓർഗനൈസേഷൻ്റെ ഒരു പ്രധാന ഘടകമാണ് OLAP. പ്രശസ്ത ഡാറ്റാബേസ് ഗവേഷകനും റിലേഷണൽ ഡാറ്റ മോഡലിൻ്റെ രചയിതാവുമായ എഡ്ഗർ കോഡ് 1993-ൽ OLAP എന്ന ആശയം വിവരിച്ചു. 1995-ൽ, കോഡ് നിർദ്ദേശിച്ച ആവശ്യകതകളെ അടിസ്ഥാനമാക്കി, വിളിക്കപ്പെടുന്നവ FASMI ടെസ്റ്റ്(പങ്കിട്ട മൾട്ടിഡൈമൻഷണൽ വിവരങ്ങളുടെ വേഗത്തിലുള്ള വിശകലനം) - മൾട്ടിഡൈമൻഷണൽ വിശകലനത്തിനുള്ള ആപ്ലിക്കേഷനുകൾക്കുള്ള ഇനിപ്പറയുന്ന ആവശ്യകതകൾ ഉൾപ്പെടെ, പങ്കിട്ട മൾട്ടിഡൈമൻഷണൽ വിവരങ്ങളുടെ വേഗത്തിലുള്ള വിശകലനം:

• വേഗം(വേഗത) - ഉപയോക്താക്കൾക്ക് വിശകലന ഫലങ്ങൾ നൽകുന്നത് സ്വീകാര്യമായ സമയം (സാധാരണയായി 5 സെക്കൻഡിൽ കൂടരുത്), കുറച്ച് വിശദമായ വിശകലനത്തിൻ്റെ ചിലവിൽ പോലും;
• വിശകലനം(വിശകലനം) - നൽകിയിരിക്കുന്ന ആപ്ലിക്കേഷനുമായി ബന്ധപ്പെട്ട ഏതെങ്കിലും ലോജിക്കൽ, സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം നടത്താനും അന്തിമ ഉപയോക്താവിന് ആക്സസ് ചെയ്യാവുന്ന ഫോമിൽ സംരക്ഷിക്കാനുമുള്ള കഴിവ്;
• പങ്കിട്ടു(പങ്കിട്ടത്) - ഉചിതമായ ലോക്കിംഗ് മെക്കാനിസങ്ങൾക്കും അംഗീകൃത ആക്‌സസ് മാർഗങ്ങൾക്കുമുള്ള പിന്തുണയോടെ ഡാറ്റയിലേക്കുള്ള മൾട്ടി-യൂസർ ആക്‌സസ്;
• ബഹുമുഖം(മൾട്ടിഡൈമൻഷണൽ) - ശ്രേണികൾക്കും ഒന്നിലധികം ശ്രേണികൾക്കുമുള്ള പൂർണ്ണ പിന്തുണ ഉൾപ്പെടെയുള്ള ഡാറ്റയുടെ മൾട്ടിഡൈമൻഷണൽ ആശയപരമായ പ്രാതിനിധ്യം (ഇത് OLAP-ൻ്റെ പ്രധാന ആവശ്യകതയാണ്);
• വിവരങ്ങൾ(വിവരങ്ങൾ) - ആപ്ലിക്കേഷൻ്റെ വോളിയവും സ്റ്റോറേജ് ലൊക്കേഷനും പരിഗണിക്കാതെ, ആവശ്യമായ ഏത് വിവരവും ആക്സസ് ചെയ്യാൻ കഴിയണം.

ഓഫീസ് ആപ്ലിക്കേഷനുകളിലെ ഏറ്റവും ലളിതമായ ഡാറ്റാ വിശകലന ടൂളുകൾ മുതൽ സെർവർ ഉൽപ്പന്നങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള ഡിസ്ട്രിബ്യൂട്ടഡ് അനലിറ്റിക്കൽ സിസ്റ്റങ്ങൾ വരെ OLAP പ്രവർത്തനം വിവിധ രീതികളിൽ നടപ്പിലാക്കാൻ കഴിയുമെന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്.

വിവരങ്ങളുടെ ബഹുമുഖ പ്രാതിനിധ്യം

സമചതുര

ബിസിനസ്സ് വിവരങ്ങൾ ആക്സസ് ചെയ്യുന്നതിനും കാണുന്നതിനും വിശകലനം ചെയ്യുന്നതിനുമുള്ള സൗകര്യപ്രദവും വേഗത്തിലുള്ളതുമായ മാർഗങ്ങൾ OLAP നൽകുന്നു. ഉപയോക്താവിന് സ്വാഭാവികവും അവബോധജന്യവും ലഭിക്കുന്നു ഡാറ്റ മോഡൽ, അവയെ മൾട്ടിഡൈമൻഷണൽ ക്യൂബുകളുടെ (ക്യൂബുകൾ) രൂപത്തിൽ ക്രമീകരിക്കുന്നു. മൾട്ടിഡൈമൻഷണൽ കോർഡിനേറ്റ് സിസ്റ്റത്തിൻ്റെ അക്ഷങ്ങൾ വിശകലനം ചെയ്ത ബിസിനസ്സ് പ്രക്രിയയുടെ പ്രധാന ആട്രിബ്യൂട്ടുകളാണ്. ഉദാഹരണത്തിന്, വിൽപ്പനയ്ക്ക് അത് ഉൽപ്പന്നം, പ്രദേശം, വാങ്ങുന്നയാളുടെ തരം എന്നിവ ആകാം. അളവുകളിലൊന്നായി സമയം ഉപയോഗിക്കുന്നു. അളക്കൽ അക്ഷങ്ങളുടെ (അളവുകൾ) കവലകളിൽ പ്രക്രിയയെ അളവ്പരമായി ചിത്രീകരിക്കുന്ന ഡാറ്റയുണ്ട് - അളവുകൾ (അളവുകൾ). ഇത് കഷണങ്ങളായോ പണത്തിൻ്റെ അടിസ്ഥാനത്തിലോ, സ്റ്റോക്ക് ബാലൻസുകൾ, ചെലവുകൾ മുതലായവ ആകാം. വിവരങ്ങൾ വിശകലനം ചെയ്യുന്ന ഒരു ഉപയോക്താവിന് ക്യൂബിനെ വ്യത്യസ്ത ദിശകളിലേക്ക് "മുറിക്കാൻ" കഴിയും, സംഗ്രഹം (ഉദാഹരണത്തിന്, വർഷം പ്രകാരം) അല്ലെങ്കിൽ, നേരെമറിച്ച്, വിശദമായി (ആഴ്ച പ്രകാരം) ) വിവരങ്ങളും വിശകലന പ്രക്രിയയിൽ അവൻ്റെ മനസ്സിൽ വരുന്ന മറ്റ് കൃത്രിമത്വങ്ങളും നടപ്പിലാക്കുക.

ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ത്രിമാന ക്യൂബിലെ അളവുകൾ പോലെ. 26.1, വിൽപ്പന തുകകൾ ഉപയോഗിക്കുന്നു, സമയം, ഉൽപ്പന്നം, സ്റ്റോർ എന്നിവ അളവുകളായി ഉപയോഗിക്കുന്നു. ഗ്രൂപ്പിംഗിൻ്റെ നിർദ്ദിഷ്‌ട തലങ്ങളിൽ അളവുകൾ അവതരിപ്പിക്കുന്നു: ഉൽപ്പന്നങ്ങൾ വിഭാഗമനുസരിച്ച് തരംതിരിച്ചിരിക്കുന്നു, രാജ്യം അനുസരിച്ച് സ്‌റ്റോറുകൾ, മാസം തോറും ഇടപാട് സമയ ഡാറ്റ. കുറച്ച് കഴിഞ്ഞ് ഞങ്ങൾ ഗ്രൂപ്പിംഗിൻ്റെ ( ശ്രേണി) ലെവലുകൾ കൂടുതൽ വിശദമായി പരിശോധിക്കും.

അരി. 26.1

ഒരു ക്യൂബ് "മുറിക്കുന്നു"

ഒരു ത്രിമാന ക്യൂബ് പോലും കമ്പ്യൂട്ടർ സ്ക്രീനിൽ പ്രദർശിപ്പിക്കാൻ പ്രയാസമാണ്, അതിനാൽ താൽപ്പര്യത്തിൻ്റെ അളവുകളുടെ മൂല്യങ്ങൾ ദൃശ്യമാകും. മൂന്നിൽ കൂടുതൽ അളവുകളുള്ള ക്യൂബുകളെ കുറിച്ച് നമുക്ക് എന്ത് പറയാൻ കഴിയും? ഒരു ക്യൂബിൽ സംഭരിച്ചിരിക്കുന്ന ഡാറ്റ ദൃശ്യവൽക്കരിക്കുന്നതിന്, ഒരു ചട്ടം പോലെ, പരിചിതമായ ദ്വിമാന, അതായത്, സങ്കീർണ്ണമായ ശ്രേണിയിലുള്ള വരികളും നിര തലക്കെട്ടുകളുമുള്ള പട്ടിക കാഴ്ചകൾ ഉപയോഗിക്കുന്നു.

ഒരു ക്യൂബിൻ്റെ ദ്വിമാന പ്രാതിനിധ്യം ഒന്നോ അതിലധികമോ അക്ഷങ്ങളിൽ (അളവുകൾ) കുറുകെ "മുറിക്കുന്നതിലൂടെ" ലഭിക്കും: രണ്ട് ഒഴികെയുള്ള എല്ലാ അളവുകളുടെയും മൂല്യങ്ങൾ ഞങ്ങൾ ശരിയാക്കുന്നു, കൂടാതെ ഞങ്ങൾക്ക് ഒരു സാധാരണ ദ്വിമാന പട്ടിക ലഭിക്കും. പട്ടികയുടെ തിരശ്ചീന അക്ഷം (നിര തലക്കെട്ടുകൾ) ഒരു അളവിനെ പ്രതിനിധീകരിക്കുന്നു, ലംബ അക്ഷം (വരി തലക്കെട്ടുകൾ) മറ്റൊന്നിനെ പ്രതിനിധീകരിക്കുന്നു, പട്ടിക സെല്ലുകൾ അളവുകളുടെ മൂല്യങ്ങളെ പ്രതിനിധീകരിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, അളവുകളുടെ ഒരു കൂട്ടം യഥാർത്ഥത്തിൽ അളവുകളിലൊന്നായി കണക്കാക്കപ്പെടുന്നു: ഒന്നുകിൽ പ്രദർശിപ്പിക്കുന്നതിന് ഞങ്ങൾ ഒരു അളവ് തിരഞ്ഞെടുക്കുന്നു (അതിനുശേഷം നമുക്ക് വരിയിലും കോളം തലക്കെട്ടുകളിലും രണ്ട് അളവുകൾ സ്ഥാപിക്കാം), അല്ലെങ്കിൽ നിരവധി അളവുകൾ കാണിക്കുക (പിന്നെ അതിലൊന്ന് ടേബിൾ അക്ഷങ്ങൾ അളവുകളുടെ പേരുകളാലും മറ്റൊന്ന് "അൺകട്ട്" അളവിൻ്റെ മൂല്യങ്ങളാലും ഉൾക്കൊള്ളും).

(ലെവലുകൾ). ഉദാഹരണത്തിന്, അവതരിപ്പിച്ച ലേബലുകൾ എല്ലാ OLAP ടൂളുകളും പിന്തുണയ്ക്കുന്നില്ല. ഉദാഹരണത്തിന്, Microsoft Analysis Services 2000 രണ്ട് തരത്തിലുള്ള ശ്രേണിയെയും പിന്തുണയ്ക്കുന്നു, എന്നാൽ Microsoft OLAP സേവനങ്ങൾ 7.0 സമതുലിതമായവയെ മാത്രമേ പിന്തുണയ്ക്കൂ. വിവിധ OLAP ടൂളുകളിൽ ശ്രേണി നിലകളുടെ എണ്ണം, ഒരു ലെവലിലെ അംഗങ്ങളുടെ പരമാവധി അനുവദനീയമായ എണ്ണം, അളവുകളുടെ പരമാവധി എണ്ണം എന്നിവ വ്യത്യസ്തമായിരിക്കും.

OLAP ആപ്ലിക്കേഷനുകളുടെ ആർക്കിടെക്ചർ

OLAP നെക്കുറിച്ച് മുകളിൽ പറഞ്ഞതെല്ലാം ഡാറ്റയുടെ മൾട്ടിഡൈമൻഷണൽ അവതരണവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. ഡാറ്റ എങ്ങനെ സംഭരിക്കുന്നു, ഏകദേശം പറഞ്ഞാൽ, ക്ലയൻ്റ് ഉപയോഗിക്കുന്ന ഉപകരണത്തിൻ്റെ അന്തിമ ഉപയോക്താവിനെയോ ഡെവലപ്പർമാരെയോ ബാധിക്കുന്നില്ല.

OLAP ആപ്ലിക്കേഷനുകളിലെ മൾട്ടിഡൈമൻഷണാലിറ്റിയെ മൂന്ന് തലങ്ങളായി തിരിക്കാം.

• മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാ പ്രാതിനിധ്യം - ഡാറ്റയുടെ മൾട്ടിഡൈമൻഷണൽ വിഷ്വലൈസേഷനും കൃത്രിമത്വവും നൽകുന്ന അന്തിമ ഉപയോക്തൃ ടൂളുകൾ; മൾട്ടിഡൈമൻഷണൽ റെപ്രസൻ്റേഷൻ ലെയർ ഡാറ്റയുടെ ഭൗതിക ഘടനയിൽ നിന്ന് സംഗ്രഹിക്കുകയും ഡാറ്റയെ മൾട്ടിഡൈമൻഷണലായി കണക്കാക്കുകയും ചെയ്യുന്നു.
• മൾട്ടിഡൈമൻഷണൽ പ്രോസസ്സിംഗ് എന്നത് മൾട്ടിഡൈമൻഷണൽ ക്വറികൾ രൂപപ്പെടുത്തുന്നതിനുള്ള ഒരു മാർഗമാണ് (ഭാഷ) (പരമ്പരാഗത റിലേഷണൽ ഭാഷ SQL ഇവിടെ അനുയോജ്യമല്ല) കൂടാതെ അത്തരം ഒരു ചോദ്യം പ്രോസസ്സ് ചെയ്യാനും എക്സിക്യൂട്ട് ചെയ്യാനും കഴിയുന്ന ഒരു പ്രോസസ്സർ ആണ്.
• മൾട്ടിഡൈമൻഷണൽ ക്വറികളുടെ കാര്യക്ഷമമായ നിർവ്വഹണം ഉറപ്പാക്കുന്ന ഡാറ്റ ഭൗതികമായി ഓർഗനൈസുചെയ്യുന്നതിനുള്ള ഒരു മാർഗമാണ് മൾട്ടിഡൈമൻഷണൽ സ്റ്റോറേജ്.

എല്ലാ OLAP ടൂളുകളിലും ആദ്യ രണ്ട് ലെവലുകൾ നിർബന്ധമാണ്. മൂന്നാമത്തെ തലം, വ്യാപകമാണെങ്കിലും, ആവശ്യമില്ല, കാരണം ഒരു മൾട്ടിഡൈമെൻഷണൽ പ്രാതിനിധ്യത്തിനായുള്ള ഡാറ്റ സാധാരണ റിലേഷണൽ ഘടനകളിൽ നിന്ന് വേർതിരിച്ചെടുക്കാൻ കഴിയും; ഈ കേസിലെ മൾട്ടിഡൈമൻഷണൽ ക്വറി പ്രൊസസർ, റിലേഷണൽ ഡിബിഎംഎസ് എക്സിക്യൂട്ട് ചെയ്യുന്ന മൾട്ടിഡൈമൻഷണൽ അന്വേഷണങ്ങളെ SQL ക്വറികളിലേക്ക് വിവർത്തനം ചെയ്യുന്നു.

നിർദ്ദിഷ്ട OLAP ഉൽപ്പന്നങ്ങൾ, ചട്ടം പോലെ, ഒന്നുകിൽ ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാ അവതരണ ടൂൾ ആണ് (OLAP ക്ലയൻ്റ് - ഉദാഹരണത്തിന്, Microsoft-ൽ നിന്നുള്ള Excel 2000 ലെ പിവറ്റ് ടേബിളുകൾ അല്ലെങ്കിൽ Knosys-ൽ നിന്നുള്ള ProClarity) അല്ലെങ്കിൽ ഒരു മൾട്ടിഡൈമൻഷണൽ സെർവർ DBMS (OLAP സെർവർ - ഉദാഹരണത്തിന്, Oracle Express സെർവർ അല്ലെങ്കിൽ Microsoft OLAP സേവനങ്ങൾ).

മൾട്ടിഡൈമൻഷണൽ പ്രോസസ്സിംഗ് ലെയർ സാധാരണയായി OLAP ക്ലയൻ്റ് കൂടാതെ/അല്ലെങ്കിൽ OLAP സെർവറിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്, എന്നാൽ മൈക്രോസോഫ്റ്റിൻ്റെ പിവറ്റ് ടേബിൾ സർവീസ് ഘടകം പോലെ അതിൻ്റെ ശുദ്ധമായ രൂപത്തിൽ വേർതിരിക്കാവുന്നതാണ്.

ഈ പരമ്പരയിലെ മുൻ ലേഖനത്തിൽ (നമ്പർ 2'2005 കാണുക), SQL സെർവർ 2005 ലെ അനലിറ്റിക്കൽ സേവനങ്ങളുടെ പ്രധാന കണ്ടുപിടിത്തങ്ങളെക്കുറിച്ച് ഞങ്ങൾ സംസാരിച്ചു. ഈ ഉൽപ്പന്നത്തിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന OLAP സൊല്യൂഷനുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള ടൂളുകൾ ഇന്ന് ഞങ്ങൾ സൂക്ഷ്മമായി പരിശോധിക്കും.

OLAP-ൻ്റെ അടിസ്ഥാനകാര്യങ്ങളെക്കുറിച്ച് ചുരുക്കത്തിൽ

OLAP സൊല്യൂഷനുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള ഉപകരണങ്ങളെക്കുറിച്ച് സംസാരിക്കാൻ തുടങ്ങുന്നതിനുമുമ്പ്, സങ്കീർണ്ണമായ മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റ വിശകലനത്തിനുള്ള ഒരു സാങ്കേതികവിദ്യയാണ് OLAP (ഓൺ-ലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) എന്ന് നമുക്ക് ഓർക്കാം, ഇതിൻ്റെ ആശയം 1993-ൽ റിലേഷണലിൻ്റെ പ്രശസ്ത എഴുത്തുകാരനായ E.F. കോഡ് വിവരിച്ചു. ഡാറ്റ മോഡൽ. നിലവിൽ, പല ഡിബിഎംഎസുകളിലും മറ്റ് ടൂളുകളിലും OLAP പിന്തുണ നടപ്പിലാക്കുന്നു.

OLAP ക്യൂബുകൾ

എന്താണ് OLAP ഡാറ്റ? ഈ ചോദ്യത്തിന് ഉത്തരം നൽകാൻ, ഒരു ലളിതമായ ഉദാഹരണം പരിഗണിക്കുക. ഒരു പ്രത്യേക എൻ്റർപ്രൈസസിൻ്റെ കോർപ്പറേറ്റ് ഡാറ്റാബേസിൽ ചരക്കുകളുടെയോ സേവനങ്ങളുടെയോ വിൽപ്പനയെക്കുറിച്ചുള്ള വിവരങ്ങൾ അടങ്ങിയ ഒരു കൂട്ടം പട്ടികകൾ ഉണ്ടെന്നും അവയുടെ അടിസ്ഥാനത്തിൽ രാജ്യം (രാജ്യം), നഗരം (നഗരം), ഉപഭോക്തൃനാമം എന്ന ഫീൽഡുകൾക്കൊപ്പം ഒരു ഇൻവോയ്‌സ് കാഴ്‌ച സൃഷ്‌ടിച്ചിട്ടുണ്ടെന്നും നമുക്ക് അനുമാനിക്കാം. (ക്ലയൻ്റ് കമ്പനിയുടെ പേര്), വിൽപ്പനക്കാരൻ (വിൽപന മാനേജർ), ഓർഡർ തീയതി (ഓർഡർ പ്ലേസ്മെൻ്റ് തീയതി), കാറ്റഗറി പേര് (ഉൽപ്പന്ന വിഭാഗം), ഉൽപ്പന്ന നാമം (ഉൽപ്പന്നത്തിൻ്റെ പേര്), ഷിപ്പർനെയിം (കാരിയർ കമ്പനി), എക്സ്റ്റെൻഡഡ് പ്രൈസ് (ചരക്കുകൾക്കുള്ള പേയ്മെൻ്റ്), അതേസമയം ഈ ഫീൽഡുകളിൽ അവസാനത്തേത്, വാസ്തവത്തിൽ, വിശകലനത്തിൻ്റെ ഒബ്ജക്റ്റ് ആണ്.

അത്തരമൊരു കാഴ്‌ചയിൽ നിന്ന് ഡാറ്റ തിരഞ്ഞെടുക്കുന്നത് ഇനിപ്പറയുന്ന ചോദ്യം ഉപയോഗിച്ച് ചെയ്യാം:

രാജ്യം, നഗരം, ഉപഭോക്താവിൻ്റെ പേര്, വിൽപ്പനക്കാരൻ, തിരഞ്ഞെടുക്കുക

ഓർഡർ തീയതി, വിഭാഗത്തിൻ്റെ പേര്, ഉൽപ്പന്നത്തിൻ്റെ പേര്, ഷിപ്പർ നാമം, വിപുലീകരിച്ച വില

ഇൻവോയ്സുകളിൽ നിന്ന്

വിവിധ രാജ്യങ്ങളിൽ നിന്നുള്ള ഉപഭോക്താക്കൾ നടത്തിയ ഓർഡറുകളുടെ ആകെ മൂല്യത്തിൽ ഞങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെന്ന് കരുതുക. ഈ ചോദ്യത്തിന് ഉത്തരം ലഭിക്കുന്നതിന് നിങ്ങൾ ഇനിപ്പറയുന്ന അഭ്യർത്ഥന നടത്തേണ്ടതുണ്ട്:

ഇൻവോയ്സുകളിൽ നിന്ന് രാജ്യം, തുക (വിപുലീകരിച്ച വില) തിരഞ്ഞെടുക്കുക

രാജ്യം അനുസരിച്ച് ഗ്രൂപ്പ്

ഈ അന്വേഷണത്തിൻ്റെ ഫലം മൊത്തം ഡാറ്റയുടെ ഒരു ഏകമാന സെറ്റ് ആയിരിക്കും (ഈ സാഹചര്യത്തിൽ, തുകകൾ):

രാജ്യം	SUM (വിപുലീകരിച്ച വില)
അർജൻ്റീന	7327.3
ഓസ്ട്രിയ	110788.4
ബെൽജിയം	28491.65
ബ്രസീൽ	97407.74
കാനഡ	46190.1
ഡെൻമാർക്ക്	28392.32
ഫിൻലാൻഡ്	15296.35
ഫ്രാൻസ്	69185.48
	209373.6
	...

വ്യത്യസ്‌ത രാജ്യങ്ങളിൽ നിന്നുള്ള ഉപഭോക്താക്കൾ നൽകുന്ന ഓർഡറുകളുടെ മൊത്തം വിലയും വിവിധ ഡെലിവറി സേവനങ്ങൾ ഡെലിവറി ചെയ്യുന്നതും ഞങ്ങൾക്ക് അറിയണമെങ്കിൽ, ഗ്രൂപ്പ് ബൈ ക്ലോസിൽ രണ്ട് പാരാമീറ്ററുകൾ അടങ്ങിയ ഒരു അന്വേഷണം ഞങ്ങൾ പ്രവർത്തിപ്പിക്കണം:

ഇൻവോയ്സുകളിൽ നിന്ന് രാജ്യം, ഷിപ്പർ പേര്, തുക (വിപുലീകരിച്ച വില) തിരഞ്ഞെടുക്കുക

രാജ്യം അനുസരിച്ച് ഗ്രൂപ്പ്, ഷിപ്പർനെയിം

ഈ ചോദ്യത്തിൻ്റെ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, നിങ്ങൾക്ക് ഇതുപോലെയുള്ള ഒരു പട്ടിക സൃഷ്ടിക്കാൻ കഴിയും:

ഈ ഡാറ്റയെ പിവറ്റ് ടേബിൾ എന്ന് വിളിക്കുന്നു.

ഇൻവോയ്സുകളിൽ നിന്ന് രാജ്യം, ഷിപ്പർ പേര്, സെയിൽസ് പേഴ്സൺ തുക (വിപുലീകരിച്ച വില) തിരഞ്ഞെടുക്കുക

രാജ്യം അനുസരിച്ച് ഗ്രൂപ്പ്, ഷിപ്പർ പേര്, വർഷം

ഈ അന്വേഷണത്തിൻ്റെ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, ഒരു ത്രിമാന ക്യൂബ് നിർമ്മിക്കാൻ കഴിയും (ചിത്രം 1).

വിശകലനത്തിനായി അധിക പാരാമീറ്ററുകൾ ചേർക്കുന്നതിലൂടെ, നിങ്ങൾക്ക് സൈദ്ധാന്തികമായി എത്ര അളവുകളുള്ള ഒരു ക്യൂബ് സൃഷ്ടിക്കാൻ കഴിയും, കൂടാതെ തുകകൾക്കൊപ്പം, OLAP ക്യൂബിൻ്റെ സെല്ലുകളിൽ മറ്റ് മൊത്തം ഫംഗ്ഷനുകൾ (ഉദാഹരണത്തിന്, ശരാശരി, പരമാവധി, കുറഞ്ഞ മൂല്യങ്ങൾ) കണക്കാക്കുന്നതിനുള്ള ഫലങ്ങൾ അടങ്ങിയിരിക്കാം. , നൽകിയിരിക്കുന്ന സെറ്റ് പാരാമീറ്ററുകൾക്ക് അനുയോജ്യമായ യഥാർത്ഥ കാഴ്ചയുടെ റെക്കോർഡുകളുടെ എണ്ണം). ഫലങ്ങൾ കണക്കാക്കുന്ന ഫീൽഡുകളെ ക്യൂബ് അളവുകൾ എന്ന് വിളിക്കുന്നു.

അളവുകളിലെ ശ്രേണികൾ

വിവിധ രാജ്യങ്ങളിലെ ഉപഭോക്താക്കൾ നടത്തുന്ന ഓർഡറുകളുടെ ആകെ മൂല്യത്തിൽ മാത്രമല്ല, ഒരേ രാജ്യത്തെ വിവിധ നഗരങ്ങളിലെ ഉപഭോക്താക്കൾ നടത്തുന്ന ഓർഡറുകളുടെ ആകെ മൂല്യത്തിലും ഞങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെന്ന് കരുതുക. ഈ സാഹചര്യത്തിൽ, അക്ഷങ്ങളിൽ രൂപപ്പെടുത്തിയ മൂല്യങ്ങൾക്ക് വ്യത്യസ്ത തലത്തിലുള്ള വിശദാംശങ്ങളുണ്ടെന്ന വസ്തുത നിങ്ങൾക്ക് പ്രയോജനപ്പെടുത്താം - ഇത് മാറ്റങ്ങളുടെ ഒരു ശ്രേണി എന്ന ആശയത്തിൽ വിവരിച്ചിരിക്കുന്നു. ശ്രേണിയുടെ ആദ്യ തലത്തിലാണ് രാജ്യങ്ങൾ സ്ഥിതിചെയ്യുന്നതെന്ന് നമുക്ക് പറയാം, നഗരങ്ങൾ രണ്ടാമത്തേതാണ്. SQL സെർവർ 2000 മുതൽ ആരംഭിക്കുന്നത്, വിശകലന സേവനങ്ങൾ അസന്തുലിതമായ ശ്രേണികൾ എന്ന് വിളിക്കപ്പെടുന്നതിനെ പിന്തുണയ്ക്കുന്നുവെന്നത് ശ്രദ്ധിക്കുക, ഉദാഹരണത്തിന്, ശ്രേണിയുടെ തൊട്ടടുത്ത തലങ്ങളിൽ "കുട്ടികൾ" അടങ്ങിയിട്ടില്ലാത്ത അല്ലെങ്കിൽ മാറ്റത്തിൻ്റെ ചില അംഗങ്ങൾക്ക് നഷ്‌ടമായ അംഗങ്ങളെ ഉൾക്കൊള്ളുന്നു. അത്തരം ഒരു ശ്രേണിയുടെ ഒരു സാധാരണ ഉദാഹരണം, വിവിധ രാജ്യങ്ങളിൽ രാജ്യങ്ങളും നഗരങ്ങളും തമ്മിലുള്ള ഭൂമിശാസ്ത്രപരമായ ശ്രേണിയിൽ സ്ഥിതി ചെയ്യുന്ന ഒരു സംസ്ഥാനം അല്ലെങ്കിൽ പ്രദേശം പോലുള്ള ഭരണ-പ്രാദേശിക യൂണിറ്റുകൾ ഉണ്ടാകാം അല്ലെങ്കിൽ ഇല്ലായിരിക്കാം എന്ന വസ്തുത കണക്കിലെടുക്കുന്നു (ചിത്രം 2).

ഈയിടെയായി സാധാരണ ശ്രേണികളെ വേർതിരിച്ചറിയുന്നത് സാധാരണമാണ്, ഉദാഹരണത്തിന് ഭൂമിശാസ്ത്രപരമോ താൽക്കാലികമോ ആയ ഡാറ്റ അടങ്ങിയിരിക്കുന്നവ, കൂടാതെ ഒരു മാനത്തിൽ (പ്രത്യേകിച്ച്, കലണ്ടറിനും സാമ്പത്തിക വർഷത്തിനും) നിരവധി ശ്രേണികളുടെ നിലനിൽപ്പിനെ പിന്തുണയ്ക്കുകയും ചെയ്യുന്നു.

SQL സെർവർ 2005-ൽ OLAP ക്യൂബുകൾ സൃഷ്ടിക്കുന്നു

SQL സെർവർ 2005 ക്യൂബുകൾ സൃഷ്ടിക്കുന്നത് SQL സെർവർ ബിസിനസ് ഇൻ്റലിജൻസ് ഡെവലപ്‌മെൻ്റ് സ്റ്റുഡിയോ ഉപയോഗിച്ചാണ്. ഈ ക്ലാസ് പ്രശ്‌നങ്ങൾ പരിഹരിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന വിഷ്വൽ സ്റ്റുഡിയോ 2005-ൻ്റെ ഒരു പ്രത്യേക പതിപ്പാണ് ഈ ടൂൾ (നിങ്ങൾക്ക് ഇതിനകം ഇൻസ്റ്റാൾ ചെയ്ത വികസന അന്തരീക്ഷമുണ്ടെങ്കിൽ, SQL സെവറിനെയും അതിൻ്റെ വിശകലന സേവനങ്ങളെയും അടിസ്ഥാനമാക്കിയുള്ള പരിഹാരങ്ങൾ സൃഷ്‌ടിക്കാൻ രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന പ്രോജക്‌റ്റുകൾക്കൊപ്പം പ്രോജക്‌റ്റ് ടെംപ്ലേറ്റുകളുടെ ലിസ്റ്റ് അനുബന്ധമാണ്) . പ്രത്യേകിച്ചും, വിശകലന സേവനങ്ങളുടെ പ്രോജക്റ്റ് ടെംപ്ലേറ്റ്, വിശകലന സേവനങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള പരിഹാരങ്ങൾ സൃഷ്ടിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ് (ചിത്രം 3).

ഒരു OLAP ക്യൂബ് സൃഷ്‌ടിക്കുന്നതിന്, ഏത് ഡാറ്റയാണ് രൂപപ്പെടുത്തേണ്ടതെന്ന് നിങ്ങൾ ആദ്യം തീരുമാനിക്കേണ്ടതുണ്ട്. മിക്കപ്പോഴും, OLAP ക്യൂബുകൾ സ്റ്റാർ അല്ലെങ്കിൽ സ്നോഫ്ലെക്ക് സ്കീമകളുള്ള റിലേഷനൽ ഡാറ്റ വെയർഹൗസുകളുടെ അടിസ്ഥാനത്തിലാണ് നിർമ്മിച്ചിരിക്കുന്നത് (ലേഖനത്തിൻ്റെ മുൻ ഭാഗത്ത് ഞങ്ങൾ അവരെക്കുറിച്ച് സംസാരിച്ചു). SQL പാക്കേജിൽ അത്തരമൊരു സംഭരണത്തിൻ്റെ ഒരു ഉദാഹരണം ഉൾപ്പെടുന്നു - AdventureWorksDW ഡാറ്റാബേസ്, സോല്യൂഷൻ എക്‌സ്‌പ്ലോററിലെ ഡാറ്റ സോഴ്‌സ് ഫോൾഡർ കണ്ടെത്തേണ്ട ഉറവിടമായി ഉപയോഗിക്കുന്നതിന്, പുതിയ ഡാറ്റ ഉറവിട സന്ദർഭ മെനു ഇനം തിരഞ്ഞെടുത്ത് അനുബന്ധ വിസാർഡിൻ്റെ ചോദ്യങ്ങൾക്ക് തുടർച്ചയായി ഉത്തരം നൽകുക ( ചിത്രം 4).

ക്യൂബ് സൃഷ്‌ടിക്കുന്ന ഒരു ഡാറ്റ സോഴ്‌സ് വ്യൂ സൃഷ്‌ടിക്കാൻ ശുപാർശ ചെയ്യുന്നു. ഇത് ചെയ്യുന്നതിന്, നിങ്ങൾ ഡാറ്റ ഉറവിട കാഴ്‌ചകളുടെ ഫോൾഡറിൽ ഉചിതമായ സന്ദർഭ മെനു ഇനം തിരഞ്ഞെടുത്ത് വിസാർഡിൻ്റെ ചോദ്യങ്ങൾക്ക് സ്ഥിരമായി ഉത്തരം നൽകേണ്ടതുണ്ട്. ഈ പ്രവർത്തനങ്ങളുടെ ഫലം ഒരു ഡാറ്റാ സ്കീമയായിരിക്കും, അതിൻ്റെ സഹായത്തോടെ ഡാറ്റ സ്രോതസ്സുകളുടെ പ്രാതിനിധ്യം നിർമ്മിക്കപ്പെടും, തത്ഫലമായുണ്ടാകുന്ന സ്കീമയിൽ, യഥാർത്ഥമായവയ്ക്ക് പകരം, നിങ്ങൾക്ക് "സൗഹൃദ" പട്ടിക നാമങ്ങൾ (ചിത്രം 5) വ്യക്തമാക്കാം. .

ഈ രീതിയിൽ വിവരിച്ചിരിക്കുന്ന ക്യൂബ്, പ്രോജക്റ്റ് സന്ദർഭ മെനുവിൽ നിന്ന് ഡിപ്ലോയ് ഓപ്ഷൻ തിരഞ്ഞെടുത്ത് അതിൻ്റെ ഡാറ്റ കാണുന്നതിലൂടെ അനലിറ്റിക്കൽ സേവന സെർവറിലേക്ക് മാറ്റാൻ കഴിയും (ചിത്രം 7).

ക്യൂബ് ക്രിയേഷൻ ഇപ്പോൾ SQL സെർവറിൻ്റെ പുതിയ പതിപ്പിൻ്റെ ഡാറ്റ സോഴ്‌സ് വ്യൂ പോലെയുള്ള പല സവിശേഷതകളും പ്രയോജനപ്പെടുത്തുന്നു. ഒരു ക്യൂബ് നിർമ്മിക്കുന്നതിനുള്ള ഉറവിട ഡാറ്റയുടെ വിവരണവും ക്യൂബിൻ്റെ ഘടനയുടെ വിവരണവും ഇപ്പോൾ പല ഡവലപ്പർമാർക്കും പരിചിതമായ വിഷ്വൽ സ്റ്റുഡിയോ ടൂൾ ഉപയോഗിച്ചാണ് ചെയ്യുന്നത്, ഇത് ഈ ഉൽപ്പന്നത്തിൻ്റെ പുതിയ പതിപ്പിൻ്റെ പ്രധാന നേട്ടമാണ് - ഈ സാഹചര്യത്തിൽ അനലിറ്റിക്കൽ സൊല്യൂഷനുകളുടെ ഡെവലപ്പർമാരുടെ പുതിയ ടൂളുകളെക്കുറിച്ചുള്ള പഠനം ചുരുക്കിയിരിക്കുന്നു.

സൃഷ്ടിച്ച ക്യൂബിൽ നിങ്ങൾക്ക് അളവുകളുടെ ഘടന മാറ്റാനും ഡൈമൻഷൻ ആട്രിബ്യൂട്ടുകൾ ഇല്ലാതാക്കാനും ചേർക്കാനും കഴിയും, നിലവിലുള്ള ആട്രിബ്യൂട്ടുകളെ അടിസ്ഥാനമാക്കി ഡൈമൻഷൻ അംഗങ്ങളുടെ കണക്കാക്കിയ ആട്രിബ്യൂട്ടുകൾ ചേർക്കുക (ചിത്രം 8).

അരി. 8. കണക്കാക്കിയ ആട്രിബ്യൂട്ട് ചേർക്കുക

കൂടാതെ, SQL സെർവർ 2005 ക്യൂബുകൾക്ക് ആട്രിബ്യൂട്ട് മൂല്യമനുസരിച്ച് മെമ്പർമാരെ സ്വയമേവ ഗ്രൂപ്പുചെയ്യാനോ തരംതിരിക്കാനോ കഴിയും, ആട്രിബ്യൂട്ടുകൾ തമ്മിലുള്ള ബന്ധങ്ങൾ നിർവചിക്കുന്നതിനും, നിരവധി-പല ബന്ധങ്ങൾ നടപ്പിലാക്കുന്നതിനും, പ്രധാന ബിസിനസ്സ് അളവുകൾ നിർണ്ണയിക്കുന്നതിനും, കൂടാതെ മറ്റു പലതിനും കഴിയും (ഈ ഘട്ടങ്ങളെല്ലാം എങ്ങനെ കണ്ടെത്താമെന്ന് അറിയുക. ആ ഉൽപ്പന്നത്തിൻ്റെ സഹായത്തിലെ SQL സെർവർ അനാലിസിസ് സർവീസസ് ട്യൂട്ടോറിയൽ).

ഈ പ്രസിദ്ധീകരണത്തിൻ്റെ തുടർന്നുള്ള ഭാഗങ്ങളിൽ, ഞങ്ങൾ SQL സെർവർ 2005-ൻ്റെ അനലിറ്റിക്കൽ സേവനങ്ങൾ പര്യവേക്ഷണം ചെയ്യുന്നത് തുടരുകയും ഡാറ്റാ മൈനിംഗ് പിന്തുണയുടെ മേഖലയിൽ പുതിയതെന്താണെന്ന് കണ്ടെത്തുകയും ചെയ്യും.