1993-ൽ, ഡാറ്റാബേസ് നിർമ്മാണത്തോടുള്ള ആപേക്ഷിക സമീപനത്തിന്റെ സ്ഥാപകനായ എഡ്ഗർ കോഡും അദ്ദേഹത്തിന്റെ പങ്കാളികളും (എഡ്ഗർ കോഡും, ഒരു ഗണിതശാസ്ത്രജ്ഞനും, IBM ഫെല്ലോയും), ആർബർ സോഫ്റ്റ്‌വെയർ (ഇന്നത്തെ പ്രശസ്ത കമ്പനിയായ ഹൈപ്പീരിയൻ സൊല്യൂഷൻസ്) ആരംഭിച്ച ഒരു ലേഖനം പ്രസിദ്ധീകരിച്ചു, "OLAP ലഭ്യമാക്കുന്നു ( ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) അനലിറ്റിക്കൽ ഉപയോക്താക്കൾക്കായി", ഇത് OLAP സാങ്കേതികവിദ്യയുടെ 12 സവിശേഷതകൾ രൂപപ്പെടുത്തി, അത് പിന്നീട് ആറ് കൂടി അനുബന്ധമായി നൽകി. ഈ വ്യവസ്ഥകൾ പുതിയതും വളരെ പ്രതീക്ഷ നൽകുന്നതുമായ ഒരു സാങ്കേതികവിദ്യയുടെ പ്രധാന ഉള്ളടക്കമായി മാറി.

OLAP സാങ്കേതികവിദ്യയുടെ പ്രധാന സവിശേഷതകൾ (അടിസ്ഥാനം):

• ഡാറ്റയുടെ ബഹുമുഖ ആശയ പ്രാതിനിധ്യം;
• അവബോധജന്യമായ ഡാറ്റ കൃത്രിമത്വം;
• ഡാറ്റയുടെ ലഭ്യതയും വിശദാംശങ്ങളും;
• ബാച്ച് ഡാറ്റ എക്സ്ട്രാക്ഷൻ vs. വ്യാഖ്യാനം;
• OLAP വിശകലന മോഡലുകൾ;
• ക്ലയന്റ്-സെർവർ ആർക്കിടെക്ചർ (ഡെസ്ക്ടോപ്പിൽ നിന്ന് OLAP ആക്സസ് ചെയ്യാം);
• സുതാര്യത (ബാഹ്യ ഡാറ്റയിലേക്കുള്ള സുതാര്യമായ ആക്സസ്);
• മൾട്ടി-ഉപയോക്തൃ പിന്തുണ.

പ്രത്യേകതകള്:

• അനൗപചാരികമായ ഡാറ്റയുടെ പ്രോസസ്സിംഗ്;
• OLAP ഫലങ്ങൾ സംരക്ഷിക്കുന്നു: ഉറവിട ഡാറ്റയിൽ നിന്ന് അവയെ പ്രത്യേകം സംഭരിക്കുന്നു;
• നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ ഒഴിവാക്കൽ;
• നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ കൈകാര്യം ചെയ്യുന്നു.

റിപ്പോർട്ട് അവതരണ സവിശേഷതകൾ:

• റിപ്പോർട്ടിംഗിലെ വഴക്കം;
• സ്റ്റാൻഡേർഡ് റിപ്പോർട്ടിംഗ് പ്രകടനം;
• ഫിസിക്കൽ ഡാറ്റ എക്സ്ട്രാക്ഷൻ ലെയറിന്റെ ഓട്ടോമാറ്റിക് കോൺഫിഗറേഷൻ.

ഡൈമൻഷൻ മാനേജ്മെന്റ്:

• അളവുകളുടെ സാർവത്രികത;
• പരിധിയില്ലാത്ത അളവുകളും അഗ്രഗേഷൻ ലെവലുകളും;
• അളവുകൾ തമ്മിലുള്ള പരിധിയില്ലാത്ത പ്രവർത്തനങ്ങളുടെ എണ്ണം.

ചരിത്രപരമായി, ഇന്ന് "OLAP" എന്ന പദം അന്തിമ ഉപയോക്താവിൽ നിന്നുള്ള ഡാറ്റയുടെ ഒരു മൾട്ടിഡൈമൻഷണൽ കാഴ്ച മാത്രമല്ല, ടാർഗെറ്റ് ഡാറ്റാബേസിലെ ഡാറ്റയുടെ ഒരു മൾട്ടി-ഡൈമൻഷണൽ കാഴ്ചയും സൂചിപ്പിക്കുന്നു. അതുകൊണ്ടാണ് "റിലേഷണൽ OLAP" (ROLAP), "Multidimensional OLAP" (MOLAP) എന്നീ പദങ്ങൾ സ്വതന്ത്ര പദങ്ങളായി പ്രത്യക്ഷപ്പെട്ടത്.

വലിയ അളവിലുള്ള ഡാറ്റ തത്സമയം വിശകലനം ചെയ്യുന്നതിനുള്ള ഒരു ഉപകരണമാണ് OLAP സേവനം. OLAP സിസ്റ്റവുമായി സംവദിക്കുന്നതിലൂടെ, ഉപയോക്താവിന് വിവരങ്ങൾ അയവില്ലാതെ കാണാനും അനിയന്ത്രിതമായ ഡാറ്റ സ്ലൈസുകൾ നേടാനും ഡ്രിൽ-ഡൗൺ, റോൾ-അപ്പ്, എൻഡ്-ടു-എൻഡ് ഡിസ്ട്രിബ്യൂഷൻ, ഒരേസമയം നിരവധി പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് കാലക്രമേണ താരതമ്യം ചെയ്യൽ എന്നിവയുടെ വിശകലന പ്രവർത്തനങ്ങൾ നടത്താനും കഴിയും. OLAP സിസ്റ്റവുമായുള്ള എല്ലാ പ്രവർത്തനങ്ങളും സബ്ജക്ട് ഏരിയയുടെ അടിസ്ഥാനത്തിൽ സംഭവിക്കുന്നു കൂടാതെ ബിസിനസ്സ് സാഹചര്യത്തിന്റെ സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് മികച്ച മോഡലുകൾ നിർമ്മിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

ഒരു വെയർഹൗസിൽ അടങ്ങിയിരിക്കുന്ന ഡാറ്റയുടെ പ്രവർത്തന വിശകലനത്തിനുള്ള ഒരു ഉപകരണമാണ് OLAP സോഫ്‌റ്റ്‌വെയർ. പ്രധാന സവിശേഷത, ഈ ഉപകരണങ്ങൾ ഉപയോഗിക്കാൻ ഉദ്ദേശിച്ചത് വിവരസാങ്കേതിക മേഖലയിലെ ഒരു സ്പെഷ്യലിസ്റ്റിനല്ല, ഒരു വിദഗ്ദ്ധ സ്റ്റാറ്റിസ്റ്റിഷ്യനല്ല, മറിച്ച് മാനേജ്മെന്റ് മേഖലയിലെ ഒരു പ്രൊഫഷണലാണ് - ഒരു വകുപ്പ്, വകുപ്പ്, മാനേജ്മെന്റ്, കൂടാതെ , ഒടുവിൽ, ഒരു സംവിധായകൻ. കമ്പ്യൂട്ടറുമായിട്ടല്ല, പ്രശ്നവുമായി ആശയവിനിമയം നടത്താൻ അനലിസ്റ്റിനെ അനുവദിക്കുന്നതിനാണ് ഉപകരണങ്ങൾ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ചിത്രത്തിൽ. ചിത്രം 6.14 ഒരു അടിസ്ഥാന OLAP ക്യൂബ് കാണിക്കുന്നു, അത് മൂന്ന് അളവുകളിൽ ഡാറ്റ വിലയിരുത്താൻ നിങ്ങളെ അനുവദിക്കുന്നു.

ഒരു മൾട്ടിഡൈമൻഷണൽ OLAP ക്യൂബും സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോസസ്സിംഗിനുള്ള അനുബന്ധ ഗണിത അൽഗോരിതങ്ങളുടെ സംവിധാനവും ഏത് സമയ ഇടവേളയിലും ഏത് സങ്കീർണ്ണതയുടെ ഡാറ്റയും വിശകലനം ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

അരി. 6.14പ്രാഥമിക OLAP ക്യൂബ്

ഡേറ്റാ കൃത്രിമത്വത്തിനും വിഷ്വൽ ഡിസ്പ്ലേയ്ക്കും വേണ്ടിയുള്ള ഫ്ലെക്‌സിബിൾ മെക്കാനിസങ്ങൾ ഉള്ളതിനാൽ (ചിത്രം 6.15, ചിത്രം 6.16), പരിഹരിക്കപ്പെടുന്ന പ്രശ്‌നവുമായി ബന്ധപ്പെട്ടേക്കാവുന്ന (അല്ലെങ്കിൽ അല്ലാത്തവ) ഡാറ്റ വ്യത്യസ്ത കോണുകളിൽ നിന്ന് മാനേജർ ആദ്യം പരിശോധിക്കുന്നു.

അടുത്തതായി, അവൻ വിവിധ ബിസിനസ്സ് സൂചകങ്ങളെ പരസ്പരം താരതമ്യം ചെയ്യുന്നു, മറഞ്ഞിരിക്കുന്ന ബന്ധങ്ങൾ തിരിച്ചറിയാൻ ശ്രമിക്കുന്നു; ഡാറ്റയെ കൂടുതൽ സൂക്ഷ്മമായി നോക്കാം, വിശദമായി, ഉദാഹരണത്തിന്, സമയം, പ്രദേശം അല്ലെങ്കിൽ ഉപഭോക്താവ് എന്നിവ പ്രകാരം ഘടകങ്ങളായി വിഭജിക്കുക, അല്ലെങ്കിൽ, ശ്രദ്ധ തിരിക്കുന്ന വിശദാംശങ്ങൾ നീക്കംചെയ്യുന്നതിന് വിവരങ്ങളുടെ അവതരണം കൂടുതൽ സാമാന്യവൽക്കരിക്കുക. ഇതിനുശേഷം, സ്റ്റാറ്റിസ്റ്റിക്കൽ മൂല്യനിർണ്ണയവും സിമുലേഷൻ മൊഡ്യൂളും ഉപയോഗിച്ച്, ഇവന്റുകളുടെ വികസനത്തിന് നിരവധി ഓപ്ഷനുകൾ നിർമ്മിക്കപ്പെടുന്നു, അവയിൽ നിന്ന് ഏറ്റവും സ്വീകാര്യമായ ഓപ്ഷൻ തിരഞ്ഞെടുക്കപ്പെടുന്നു.

അരി. 6.15

ഉദാഹരണത്തിന്, ഒരു കമ്പനി മാനേജർക്ക്, കമ്പനിയുടെ വിവിധ ശാഖകളിലെ ആസ്തി വളർച്ചയുടെ വ്യാപനം സാങ്കേതികവും സാമ്പത്തികവുമായ വിദ്യാഭ്യാസമുള്ള സ്പെഷ്യലിസ്റ്റുകളുടെ അനുപാതത്തെ ആശ്രയിച്ചിരിക്കുന്നു എന്ന ഒരു സിദ്ധാന്തം ഉണ്ടായിരിക്കാം. ഈ സിദ്ധാന്തം പരിശോധിക്കുന്നതിന്, മാനേജർക്ക് വെയർഹൗസിൽ നിന്ന് അഭ്യർത്ഥിക്കാനും കഴിഞ്ഞ വർഷത്തെ അപേക്ഷിച്ച് നിലവിലെ പാദത്തിൽ ആസ്തി വളർച്ച 10% ത്തിൽ കൂടുതൽ കുറഞ്ഞ ശാഖകൾക്കായുള്ള പലിശ അനുപാതം ഒരു ഗ്രാഫിൽ പ്രദർശിപ്പിക്കാനും കഴിയും. 25%. നൽകിയിരിക്കുന്ന മെനുവിൽ നിന്ന് ഒരു ലളിതമായ തിരഞ്ഞെടുപ്പ് ഉപയോഗിക്കാൻ അദ്ദേഹത്തിന് കഴിയണം. ലഭിച്ച ഫലങ്ങൾ ഗണ്യമായി രണ്ട് അനുബന്ധ ഗ്രൂപ്പുകളായി വീഴുകയാണെങ്കിൽ, മുന്നോട്ട് വച്ച അനുമാനത്തിന്റെ കൂടുതൽ പരിശോധനയ്ക്ക് ഇത് ഒരു പ്രോത്സാഹനമായി മാറണം.

നിലവിൽ, മുകളിൽ സൂചിപ്പിച്ച FASMI തത്വം പൂർണ്ണമായും നടപ്പിലാക്കുന്ന ഡൈനാമിക് മോഡലിംഗ് (ഡൈനാമിക് സിമുലേഷൻ) എന്ന ഒരു ദിശയ്ക്ക് ദ്രുതഗതിയിലുള്ള വികസനം ലഭിച്ചു.

ഡൈനാമിക് മോഡലിംഗ് ഉപയോഗിച്ച്, ഒരു പ്രത്യേക സാഹചര്യം അനുസരിച്ച്, കാലക്രമേണ വികസിക്കുന്ന ഒരു ബിസിനസ് സാഹചര്യത്തിന്റെ ഒരു മാതൃക അനലിസ്റ്റ് നിർമ്മിക്കുന്നു. മാത്രമല്ല, അത്തരം മോഡലിംഗിന്റെ ഫലം നിരവധി പുതിയ ബിസിനസ്സ് സാഹചര്യങ്ങളാകാം, ഓരോന്നിന്റെയും സാധ്യതയും സാധ്യതകളും വിലയിരുത്തി സാധ്യമായ പരിഹാരങ്ങളുടെ ഒരു വൃക്ഷം സൃഷ്ടിക്കുന്നു.

അരി. 6.16ഡാറ്റാ എക്‌സ്‌ട്രാക്‌ഷൻ, പ്രോസസ്സിംഗ്, വിവരങ്ങളുടെ അവതരണം എന്നിവയ്ക്കുള്ള അനലിറ്റിക്കൽ ഐഎസ്

സ്റ്റാറ്റിക്, ഡൈനാമിക് വിശകലനത്തിന്റെ താരതമ്യ സവിശേഷതകൾ പട്ടിക 6.3 കാണിക്കുന്നു.

ഡാറ്റാ വിശകലനത്തിന്റെ ഇന്നത്തെ ജനപ്രിയ രീതികളിൽ ഒന്നാണ് OLAP സംവിധാനം. ഈ പ്രശ്നം പരിഹരിക്കുന്നതിന് രണ്ട് പ്രധാന സമീപനങ്ങളുണ്ട്. അവയിൽ ആദ്യത്തേത് മൾട്ടിഡൈമൻഷണൽ OLAP (MOLAP) എന്ന് വിളിക്കുന്നു - സെർവർ വശത്ത് ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാബേസ് ഉപയോഗിച്ച് മെക്കാനിസം നടപ്പിലാക്കൽ, രണ്ടാമത്തേത് റിലേഷണൽ OLAP (ROLAP) - ഒരു റിലേഷണൽ DBMS-ലേക്കുള്ള SQL അന്വേഷണങ്ങളെ അടിസ്ഥാനമാക്കി ഈച്ചയിൽ ക്യൂബുകളുടെ നിർമ്മാണം. ഈ സമീപനങ്ങളിൽ ഓരോന്നിനും അതിന്റെ ഗുണങ്ങളും ദോഷങ്ങളുമുണ്ട്. അവരുടെ താരതമ്യ വിശകലനം ഈ ലേഖനത്തിന്റെ പരിധിക്കപ്പുറമാണ്. ഡെസ്‌ക്‌ടോപ്പ് ROLAP മൊഡ്യൂളിന്റെ കോർ നടപ്പിലാക്കുന്നത് ഞങ്ങൾ വിവരിക്കും.

ബോർലാൻഡ് ഡെൽഫിയിൽ ഉൾപ്പെടുത്തിയിട്ടുള്ള ഡിസിഷൻ ക്യൂബ് ഘടകങ്ങളുടെ അടിസ്ഥാനത്തിൽ നിർമ്മിച്ച ഒരു ROLAP സിസ്റ്റം ഉപയോഗിച്ചതിന് ശേഷമാണ് ഈ ടാസ്‌ക് ഉടലെടുത്തത്. നിർഭാഗ്യവശാൽ, ഈ ഘടകങ്ങളുടെ ഉപയോഗം വലിയ അളവിലുള്ള ഡാറ്റയിൽ മോശം പ്രകടനം കാണിച്ചു. ക്യൂബുകളായി നൽകുന്നതിന് മുമ്പ് കഴിയുന്നത്ര ഡാറ്റ വെട്ടിമാറ്റാൻ ശ്രമിക്കുന്നതിലൂടെ ഈ പ്രശ്നം ലഘൂകരിക്കാനാകും. എന്നാൽ ഇത് എല്ലായ്പ്പോഴും പര്യാപ്തമല്ല.

ഇൻറർനെറ്റിലും പത്രങ്ങളിലും OLAP സിസ്റ്റങ്ങളെക്കുറിച്ചുള്ള ധാരാളം വിവരങ്ങൾ നിങ്ങൾക്ക് കണ്ടെത്താൻ കഴിയും, എന്നാൽ ഇത് ഉള്ളിൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ച് ഒരിടത്തും പറഞ്ഞിട്ടില്ല. അതിനാൽ, മിക്ക പ്രശ്നങ്ങൾക്കുമുള്ള പരിഹാരം പരീക്ഷണത്തിലൂടെയും പിശകിലൂടെയും ഞങ്ങൾക്ക് നൽകി.

ജോലിയുടെ സ്കീം

ഒരു ഡെസ്ക്ടോപ്പ് OLAP സിസ്റ്റത്തിന്റെ പ്രവർത്തനത്തിന്റെ പൊതുവായ സ്കീം ഇനിപ്പറയുന്ന രീതിയിൽ പ്രതിനിധീകരിക്കാം:

പ്രവർത്തന അൽഗോരിതം ഇപ്രകാരമാണ്:

1. ഒരു ഫ്ലാറ്റ് ടേബിളിന്റെ രൂപത്തിലോ ഒരു SQL അന്വേഷണം നടപ്പിലാക്കുന്നതിന്റെ ഫലമായോ ഡാറ്റ സ്വീകരിക്കുന്നു.
2. ഡാറ്റ കാഷെ ചെയ്‌ത് ഒരു മൾട്ടിഡൈമൻഷണൽ ക്യൂബിലേക്ക് പരിവർത്തനം ചെയ്യുന്നു.
3. ഒരു ക്രോസ്ടാബ് അല്ലെങ്കിൽ ചാർട്ട് മുതലായവ ഉപയോഗിച്ച് നിർമ്മിച്ച ക്യൂബ് പ്രദർശിപ്പിക്കുന്നു. പൊതുവേ, ഒരു അനിയന്ത്രിതമായ കാഴ്ചകൾ ഒരു ക്യൂബിലേക്ക് ബന്ധിപ്പിക്കാൻ കഴിയും.

അത്തരമൊരു സംവിധാനം ആന്തരികമായി എങ്ങനെ ക്രമീകരിക്കാമെന്ന് നമുക്ക് നോക്കാം. കാണാനും സ്പർശിക്കാനും കഴിയുന്ന വശത്ത് നിന്ന്, അതായത് ഡിസ്പ്ലേകളിൽ നിന്ന് ഞങ്ങൾ ആരംഭിക്കും.

OLAP സിസ്റ്റങ്ങളിൽ ഉപയോഗിക്കുന്ന ഡിസ്പ്ലേകൾ മിക്കപ്പോഴും രണ്ട് തരത്തിലാണ് വരുന്നത്: ക്രോസ്-ടാബുകളും ചാർട്ടുകളും. ഒരു ക്യൂബ് പ്രദർശിപ്പിക്കുന്നതിനുള്ള അടിസ്ഥാനവും ഏറ്റവും സാധാരണവുമായ മാർഗമായ ഒരു ക്രോസ്ടാബ് നോക്കാം.

ക്രോസ് ടേബിൾ

ചുവടെയുള്ള ചിത്രത്തിൽ, സമാഹരിച്ച ഫലങ്ങൾ അടങ്ങിയ വരികളും നിരകളും മഞ്ഞ നിറത്തിലും വസ്തുതകൾ അടങ്ങിയ സെല്ലുകൾ ഇളം ചാരനിറത്തിലും ഡൈമൻഷണൽ ഡാറ്റ അടങ്ങിയ സെല്ലുകൾ ഇരുണ്ട ചാരനിറത്തിലും കാണിച്ചിരിക്കുന്നു.

അതിനാൽ, പട്ടികയെ ഇനിപ്പറയുന്ന ഘടകങ്ങളായി തിരിക്കാം, അത് ഞങ്ങൾ ഭാവിയിൽ പ്രവർത്തിക്കും:

വസ്തുതകൾ ഉപയോഗിച്ച് മാട്രിക്സ് പൂരിപ്പിക്കുമ്പോൾ, ഞങ്ങൾ ഇനിപ്പറയുന്ന രീതിയിൽ മുന്നോട്ട് പോകണം:

• അളക്കൽ ഡാറ്റയെ അടിസ്ഥാനമാക്കി, മാട്രിക്സിൽ ചേർക്കേണ്ട മൂലകത്തിന്റെ കോർഡിനേറ്റുകൾ നിർണ്ണയിക്കുക.
• കൂട്ടിച്ചേർത്ത മൂലകം ബാധിക്കുന്ന ആകെത്തുകകളുടെ നിരകളുടെയും വരികളുടെയും കോർഡിനേറ്റുകൾ നിർണ്ണയിക്കുക.
• മാട്രിക്സിലേക്ക് ഒരു ഘടകവും അനുബന്ധ മൊത്തം നിരകളും വരികളും ചേർക്കുക.

തത്ഫലമായുണ്ടാകുന്ന മാട്രിക്സ് വളരെ വിരളമായിരിക്കും എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്, അതിനാലാണ് ദ്വിമാന അറേയുടെ രൂപത്തിൽ അതിന്റെ ഓർഗനൈസേഷൻ (ഉപരിതലത്തിൽ കിടക്കുന്ന ഓപ്ഷൻ) യുക്തിരഹിതം മാത്രമല്ല, മിക്കവാറും, വലിയതിനാൽ അസാധ്യമാണ്. ഈ മാട്രിക്സിന്റെ അളവ്, സംഭരിക്കുന്നതിന്, റാമിന്റെ അളവില്ല. ഉദാഹരണത്തിന്, ഞങ്ങളുടെ ക്യൂബിൽ ഒരു വർഷത്തേക്കുള്ള വിൽപ്പനയെക്കുറിച്ചുള്ള വിവരങ്ങൾ അടങ്ങിയിട്ടുണ്ടെങ്കിൽ, അതിന് 3 അളവുകൾ മാത്രമേ ഉള്ളൂ - ഉപഭോക്താക്കൾ (250), ഉൽപ്പന്നങ്ങൾ (500), തീയതി (365) എന്നിവയാണെങ്കിൽ, ഇനിപ്പറയുന്ന അളവുകളുടെ ഒരു വസ്തുത മാട്രിക്സ് ഞങ്ങൾക്ക് ലഭിക്കും:

മൂലകങ്ങളുടെ എണ്ണം = 250 x 500 x 365 = 45,625,000

മാട്രിക്സിൽ പൂരിപ്പിച്ച ഏതാനും ആയിരം ഘടകങ്ങൾ മാത്രമേ ഉണ്ടാകൂ എന്ന വസ്തുത ഉണ്ടായിരുന്നിട്ടും ഇത്. മാത്രമല്ല, അളവുകളുടെ എണ്ണം കൂടുന്തോറും മാട്രിക്സ് കൂടുതൽ വിരളമായിരിക്കും.

അതിനാൽ, ഈ മാട്രിക്സുമായി പ്രവർത്തിക്കാൻ, വിരളമായ മെട്രിക്സുകളിൽ പ്രവർത്തിക്കുന്നതിന് നിങ്ങൾ പ്രത്യേക സംവിധാനങ്ങൾ ഉപയോഗിക്കേണ്ടതുണ്ട്. ഒരു വിരളമായ മാട്രിക്സ് സംഘടിപ്പിക്കുന്നതിനുള്ള വിവിധ ഓപ്ഷനുകൾ സാധ്യമാണ്. പ്രോഗ്രാമിംഗ് സാഹിത്യത്തിൽ അവ നന്നായി വിവരിച്ചിരിക്കുന്നു, ഉദാഹരണത്തിന്, ഡൊണാൾഡ് നൂത്തിന്റെ "ദി ആർട്ട് ഓഫ് പ്രോഗ്രാമിംഗ്" എന്ന ക്ലാസിക് പുസ്തകത്തിന്റെ ആദ്യ വാല്യത്തിൽ.

ഒരു വസ്തുതയുമായി ബന്ധപ്പെട്ട അളവുകൾ അറിഞ്ഞുകൊണ്ട് അതിന്റെ കോർഡിനേറ്റുകൾ എങ്ങനെ നിർണ്ണയിക്കാമെന്ന് നമുക്ക് ഇപ്പോൾ നോക്കാം. ഇത് ചെയ്യുന്നതിന്, നമുക്ക് തലക്കെട്ട് ഘടന സൂക്ഷ്മമായി പരിശോധിക്കാം:

ഈ സാഹചര്യത്തിൽ, അനുബന്ധ സെല്ലിന്റെ നമ്പറുകളും അത് വീഴുന്ന ആകെത്തുകകളും നിർണ്ണയിക്കുന്നതിനുള്ള ഒരു മാർഗം നിങ്ങൾക്ക് എളുപ്പത്തിൽ കണ്ടെത്താനാകും. ഇവിടെ നിരവധി സമീപനങ്ങൾ നിർദ്ദേശിക്കാവുന്നതാണ്. അവയിലൊന്ന് പൊരുത്തപ്പെടുന്ന കോശങ്ങൾ കണ്ടെത്തുന്നതിന് ഒരു മരം ഉപയോഗിക്കുക എന്നതാണ്. ഈ വൃക്ഷം സെലക്ഷനിലൂടെ സഞ്ചരിച്ച് നിർമ്മിക്കാം. കൂടാതെ, ആവശ്യമായ കോർഡിനേറ്റ് കണക്കാക്കാൻ ഒരു അനലിറ്റിക്കൽ ആവർത്തന ഫോർമുല എളുപ്പത്തിൽ നിർവചിക്കാം.

ഡാറ്റ തയ്യാറാക്കൽ

ഉപയോഗിക്കുന്നതിന് പട്ടികയിൽ സംഭരിച്ചിരിക്കുന്ന ഡാറ്റ രൂപാന്തരപ്പെടുത്തേണ്ടതുണ്ട്. അതിനാൽ, ഒരു ഹൈപ്പർക്യൂബ് നിർമ്മിക്കുമ്പോൾ പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിന്, ക്യൂബിന്റെ അളവുകളുള്ള നിരകളിൽ സംഭരിച്ചിരിക്കുന്ന അദ്വിതീയ ഘടകങ്ങൾ കണ്ടെത്തുന്നത് അഭികാമ്യമാണ്. കൂടാതെ, ഒരേ അളവിലുള്ള മൂല്യങ്ങളുള്ള റെക്കോർഡുകൾക്കായി നിങ്ങൾക്ക് വസ്തുതകളുടെ പ്രാഥമിക സംഗ്രഹം നടത്താം. മുകളിൽ സൂചിപ്പിച്ചതുപോലെ, മെഷർമെന്റ് ഫീൽഡുകളിൽ ലഭ്യമായ അദ്വിതീയ മൂല്യങ്ങൾ ഞങ്ങൾക്ക് പ്രധാനമാണ്. അവ സംഭരിക്കുന്നതിന് ഇനിപ്പറയുന്ന ഘടന നിർദ്ദേശിക്കാം:

ഈ ഘടന ഉപയോഗിക്കുന്നതിലൂടെ, ഞങ്ങൾ മെമ്മറി ആവശ്യകത ഗണ്യമായി കുറയ്ക്കുന്നു. ഇത് തികച്ചും പ്രസക്തമാണ്, കാരണം ... പ്രവർത്തന വേഗത വർദ്ധിപ്പിക്കുന്നതിന്, റാമിൽ ഡാറ്റ സംഭരിക്കുന്നത് നല്ലതാണ്. കൂടാതെ, നിങ്ങൾക്ക് ഘടകങ്ങളുടെ ഒരു നിര മാത്രമേ സംഭരിക്കാനും അവയുടെ മൂല്യങ്ങൾ ഡിസ്കിലേക്ക് ഇടാനും കഴിയൂ, കാരണം ക്രോസ്-ടാബ് പ്രദർശിപ്പിക്കുമ്പോൾ മാത്രമേ ഞങ്ങൾക്ക് അവ ആവശ്യമുള്ളൂ.

ക്യൂബ്ബേസ് ഘടക ലൈബ്രറി

മുകളിൽ വിവരിച്ച ആശയങ്ങളാണ് ക്യൂബ്ബേസ് ഘടക ലൈബ്രറി സൃഷ്ടിക്കുന്നതിനുള്ള അടിസ്ഥാനം.

TCubeSourceഒരു ആന്തരിക ഫോർമാറ്റിലേക്ക് ഡാറ്റയുടെ കാഷിംഗും പരിവർത്തനവും കൂടാതെ ഡാറ്റയുടെ പ്രാഥമിക സംയോജനവും നടത്തുന്നു. ഘടകം TCubeEngineഹൈപ്പർക്യൂബിന്റെ കണക്കുകൂട്ടലുകളും അതുപയോഗിച്ചുള്ള പ്രവർത്തനങ്ങളും നടത്തുന്നു. വാസ്തവത്തിൽ, ഇത് ഒരു ഫ്ലാറ്റ് ടേബിളിനെ ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാ സെറ്റാക്കി മാറ്റുന്ന ഒരു OLAP എഞ്ചിനാണ്. ഘടകം TCubeGridക്രോസ്-ടാബ് പ്രദർശിപ്പിക്കുകയും ഹൈപ്പർക്യൂബിന്റെ ഡിസ്പ്ലേ നിയന്ത്രിക്കുകയും ചെയ്യുന്നു. TCubeChartഗ്രാഫുകളുടെ രൂപത്തിൽ ഹൈപ്പർക്യൂബ്, ഘടകഭാഗം എന്നിവ കാണാൻ നിങ്ങളെ അനുവദിക്കുന്നു TCubePivotക്യൂബ് കോറിന്റെ പ്രവർത്തനം നിയന്ത്രിക്കുന്നു.

പ്രകടന താരതമ്യം

ഈ ഘടകങ്ങളുടെ കൂട്ടം ഡിസിഷൻ ക്യൂബിനേക്കാൾ വളരെ ഉയർന്ന പ്രകടനം കാഴ്ചവച്ചു. അതിനാൽ, 45 ആയിരം റെക്കോർഡുകളുടെ ഒരു സെറ്റിൽ, ഡിസിഷൻ ക്യൂബ് ഘടകങ്ങൾക്ക് 8 മിനിറ്റ് ആവശ്യമാണ്. ഒരു പിവറ്റ് ടേബിൾ നിർമ്മിക്കാൻ. CubeBase 7 സെക്കൻഡിനുള്ളിൽ ഡാറ്റ ലോഡ് ചെയ്തു. 4 സെക്കൻഡിനുള്ളിൽ ഒരു പിവറ്റ് ടേബിൾ നിർമ്മിക്കുകയും ചെയ്യുന്നു. 700,000 ഡിസിഷൻ ക്യൂബ് റെക്കോർഡുകൾ പരിശോധിക്കുമ്പോൾ, 30 മിനിറ്റിനുള്ളിൽ ഞങ്ങൾക്ക് ഒരു പ്രതികരണം ലഭിച്ചില്ല, അതിനുശേഷം ഞങ്ങൾ ടാസ്ക് റദ്ദാക്കി. ക്യൂബ്ബേസ് 45 സെക്കൻഡിനുള്ളിൽ ഡാറ്റ ലോഡ് ചെയ്തു. 15 സെക്കൻഡിനുള്ളിൽ ഒരു ക്യൂബ് നിർമ്മിക്കുകയും ചെയ്യുന്നു.

ആയിരക്കണക്കിന് റെക്കോർഡുകളുടെ ഡാറ്റ വോള്യങ്ങളിൽ, ഡിസിഷൻ ക്യൂബിനേക്കാൾ പതിനായിരക്കണക്കിന് മടങ്ങ് വേഗത്തിൽ CubeBase പ്രോസസ്സ് ചെയ്തു. ലക്ഷക്കണക്കിന് റെക്കോർഡുകളുള്ള പട്ടികകളിൽ - നൂറുകണക്കിന് മടങ്ങ് വേഗത. OLAP സിസ്റ്റങ്ങളുടെ ഏറ്റവും പ്രധാനപ്പെട്ട സൂചകങ്ങളിലൊന്നാണ് ഉയർന്ന പ്രകടനം.

1993-ൽ, ഡാറ്റാബേസ് നിർമ്മാണത്തോടുള്ള ആപേക്ഷിക സമീപനത്തിന്റെ സ്ഥാപകനായ എഡ്ഗർ കോഡും അദ്ദേഹത്തിന്റെ പങ്കാളികളും (എഡ്ഗർ കോഡും, ഒരു ഗണിതശാസ്ത്രജ്ഞനും, IBM ഫെല്ലോയും), ആർബർ സോഫ്റ്റ്‌വെയർ (ഇന്നത്തെ പ്രശസ്ത കമ്പനിയായ ഹൈപ്പീരിയൻ സൊല്യൂഷൻസ്) ആരംഭിച്ച ഒരു ലേഖനം പ്രസിദ്ധീകരിച്ചു, "OLAP ലഭ്യമാക്കുന്നു ( ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) അനലിറ്റിക്കൽ ഉപയോക്താക്കൾക്കായി", ഇത് OLAP സാങ്കേതികവിദ്യയുടെ 12 സവിശേഷതകൾ രൂപപ്പെടുത്തി, അത് പിന്നീട് ആറ് കൂടി അനുബന്ധമായി നൽകി. ഈ വ്യവസ്ഥകൾ പുതിയതും വളരെ പ്രതീക്ഷ നൽകുന്നതുമായ ഒരു സാങ്കേതികവിദ്യയുടെ പ്രധാന ഉള്ളടക്കമായി മാറി.

സാങ്കേതികവിദ്യയുടെ പ്രധാന സവിശേഷതകൾ OLAP (അടിസ്ഥാനം):

• ഡാറ്റയുടെ ബഹുമുഖ ആശയ പ്രാതിനിധ്യം;
• അവബോധജന്യമായ ഡാറ്റ കൃത്രിമത്വം;
• ഡാറ്റയുടെ ലഭ്യതയും വിശദാംശങ്ങളും;
• ബാച്ച് ഡാറ്റ എക്സ്ട്രാക്ഷൻവ്യാഖ്യാനത്തിനെതിരെ;
• OLAP വിശകലന മോഡലുകൾ;
• ക്ലയന്റ്-സെർവർ ആർക്കിടെക്ചർ (ഡെസ്ക്ടോപ്പിൽ നിന്ന് OLAP ആക്സസ് ചെയ്യാം);
• സുതാര്യത (ബാഹ്യ ഡാറ്റയിലേക്കുള്ള സുതാര്യമായ ആക്സസ്);
• മൾട്ടി-ഉപയോക്തൃ പിന്തുണ.

പ്രത്യേകതകള്(പ്രത്യേകം):

• അനൗപചാരികമായ ഡാറ്റയുടെ പ്രോസസ്സിംഗ്;
• OLAP ഫലങ്ങൾ സംരക്ഷിക്കുന്നു: ഉറവിട ഡാറ്റയിൽ നിന്ന് അവയെ പ്രത്യേകം സംഭരിക്കുന്നു;
• നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ ഒഴിവാക്കൽ;
• നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ കൈകാര്യം ചെയ്യുന്നു.

റിപ്പോർട്ടിംഗിന്റെ സവിശേഷതകൾ(റിപ്പോർട്ട്):

• റിപ്പോർട്ടിംഗിലെ വഴക്കം;
• സ്റ്റാൻഡേർഡ് റിപ്പോർട്ടിംഗ് പ്രകടനം;
• ഫിസിക്കൽ ഡാറ്റ എക്സ്ട്രാക്ഷൻ ലെയറിന്റെ ഓട്ടോമാറ്റിക് കോൺഫിഗറേഷൻ.

ഡൈമൻഷൻ മാനേജ്മെന്റ്(അളവ്):

• അളവുകളുടെ സാർവത്രികത;
• പരിധിയില്ലാത്ത അളവുകളും അഗ്രഗേഷൻ ലെവലുകളും;
• അളവുകൾ തമ്മിലുള്ള പരിധിയില്ലാത്ത പ്രവർത്തനങ്ങളുടെ എണ്ണം.

ചരിത്രപരമായി, ഇന്ന് "OLAP" എന്ന പദം അന്തിമ ഉപയോക്താവിൽ നിന്നുള്ള ഡാറ്റയുടെ ഒരു മൾട്ടിഡൈമൻഷണൽ കാഴ്ച മാത്രമല്ല, ടാർഗെറ്റ് ഡാറ്റാബേസിലെ ഡാറ്റയുടെ ഒരു മൾട്ടി-ഡൈമൻഷണൽ കാഴ്ചയും സൂചിപ്പിക്കുന്നു. അതുകൊണ്ടാണ് സ്വതന്ത്ര പദങ്ങളുടെ ആവിർഭാവം ബന്ധിപ്പിക്കുന്നത് "റിലേഷണൽ OLAP"(ROLAP) കൂടാതെ "മൾട്ടിഡൈമൻഷണൽ OLAP"(MOLAP).

വലിയ അളവിലുള്ള ഡാറ്റ തത്സമയം വിശകലനം ചെയ്യുന്നതിനുള്ള ഒരു ഉപകരണമാണ് OLAP സേവനം. OLAP സിസ്റ്റവുമായി സംവദിക്കുന്നതിലൂടെ, ഉപയോക്താവിന് വിവരങ്ങൾ അയവോടെ കാണാനും അനിയന്ത്രിതമായ ഡാറ്റ സ്ലൈസുകൾ നേടാനും ഒരേസമയം നിരവധി പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് ഡീറ്റെയിലിംഗ്, കൺവ്യൂഷൻ, എൻഡ്-ടു-എൻഡ് ഡിസ്ട്രിബ്യൂഷൻ, താരതമ്യപ്പെടുത്തൽ എന്നിവയുടെ വിശകലന പ്രവർത്തനങ്ങൾ നടത്താനും കഴിയും. OLAP സിസ്റ്റവുമായുള്ള എല്ലാ പ്രവർത്തനങ്ങളും സബ്ജക്ട് ഏരിയയുടെ അടിസ്ഥാനത്തിൽ സംഭവിക്കുന്നു കൂടാതെ ബിസിനസ്സ് സാഹചര്യത്തിന്റെ സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് മികച്ച മോഡലുകൾ നിർമ്മിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

OLAP സോഫ്റ്റ്‌വെയർ - പ്രവർത്തന ഡാറ്റ വിശകലനത്തിനുള്ള ഒരു ഉപകരണമാണ്ശേഖരത്തിൽ അടങ്ങിയിരിക്കുന്നു. പ്രധാന സവിശേഷത, ഈ ഉപകരണങ്ങൾ ഉപയോഗിക്കാൻ ഉദ്ദേശിച്ചത് വിവരസാങ്കേതിക മേഖലയിലെ ഒരു സ്പെഷ്യലിസ്റ്റിനല്ല, ഒരു വിദഗ്ദ്ധ സ്റ്റാറ്റിസ്റ്റിഷ്യനല്ല, മറിച്ച് മാനേജ്മെന്റ് മേഖലയിലെ ഒരു പ്രൊഫഷണലാണ് - ഒരു വകുപ്പ്, വകുപ്പ്, മാനേജ്മെന്റ്, കൂടാതെ , ഒടുവിൽ, ഒരു സംവിധായകൻ. ഉപകരണങ്ങൾ അനലിസ്റ്റ് ആശയവിനിമയത്തിനായി രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ് കമ്പ്യൂട്ടറിലല്ല പ്രശ്നം. ചിത്രത്തിൽ. ചിത്രം 6.14 കാണിക്കുന്നത് ത്രിമാനത്തിൽ ഡാറ്റ വിലയിരുത്താൻ നിങ്ങളെ അനുവദിക്കുന്ന ഒരു പ്രാഥമിക OLAP ക്യൂബ് ആണ്.

ഒരു മൾട്ടിഡൈമൻഷണൽ OLAP ക്യൂബും സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോസസ്സിംഗിനുള്ള അനുബന്ധ ഗണിത അൽഗോരിതങ്ങളുടെ സംവിധാനവും ഏത് സമയ ഇടവേളയിലും ഏത് സങ്കീർണ്ണതയുടെ ഡാറ്റയും വിശകലനം ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

അരി. 6.14

ഡാറ്റാ കൃത്രിമത്വത്തിനും വിഷ്വൽ ഡിസ്പ്ലേയ്ക്കും (ചിത്രം 6.15, ചിത്രം 6.16) വഴക്കമുള്ള സംവിധാനങ്ങൾ ഉള്ളതിനാൽ, മാനേജർ ആദ്യം വ്യത്യസ്ത കോണുകളിൽ നിന്നുള്ള ഡാറ്റ പരിശോധിക്കുന്നു, അത് പരിഹരിക്കപ്പെടുന്ന പ്രശ്നവുമായി ബന്ധപ്പെട്ടിരിക്കാം (അല്ലെങ്കിൽ അല്ലായിരിക്കാം).

അടുത്തതായി, അവൻ വിവിധ ബിസിനസ്സ് സൂചകങ്ങളെ പരസ്പരം താരതമ്യം ചെയ്യുന്നു, മറഞ്ഞിരിക്കുന്ന ബന്ധങ്ങൾ തിരിച്ചറിയാൻ ശ്രമിക്കുന്നു; ഡാറ്റയെ കൂടുതൽ സൂക്ഷ്മമായി നോക്കാം, വിശദമായി, ഉദാഹരണത്തിന്, സമയം, പ്രദേശം അല്ലെങ്കിൽ ഉപഭോക്താവ് എന്നിവ പ്രകാരം ഘടകങ്ങളായി വിഭജിക്കുക, അല്ലെങ്കിൽ, ശ്രദ്ധ തിരിക്കുന്ന വിശദാംശങ്ങൾ നീക്കംചെയ്യുന്നതിന് വിവരങ്ങളുടെ അവതരണം കൂടുതൽ സാമാന്യവൽക്കരിക്കുക. അതിനുശേഷം, മൊഡ്യൂൾ ഉപയോഗിച്ച് സ്റ്റാറ്റിസ്റ്റിക്കൽ മൂല്യനിർണ്ണയവും സിമുലേഷൻ മോഡലിംഗുംഇവന്റുകൾ വികസിപ്പിക്കുന്നതിനുള്ള നിരവധി ഓപ്ഷനുകൾ നിർമ്മിക്കപ്പെടുന്നു, അവയിൽ നിന്ന് ഏറ്റവും സ്വീകാര്യമായ ഓപ്ഷൻ തിരഞ്ഞെടുക്കപ്പെടുന്നു.

അരി. 6.15

ഉദാഹരണത്തിന്, ഒരു കമ്പനി മാനേജർക്ക്, കമ്പനിയുടെ വിവിധ ശാഖകളിലെ ആസ്തി വളർച്ചയുടെ വ്യാപനം സാങ്കേതികവും സാമ്പത്തികവുമായ വിദ്യാഭ്യാസമുള്ള സ്പെഷ്യലിസ്റ്റുകളുടെ അനുപാതത്തെ ആശ്രയിച്ചിരിക്കുന്നു എന്ന ഒരു സിദ്ധാന്തം ഉണ്ടായിരിക്കാം. ഈ സിദ്ധാന്തം പരിശോധിക്കുന്നതിന്, മാനേജർക്ക് വെയർഹൗസിൽ നിന്ന് അഭ്യർത്ഥിക്കാനും കഴിഞ്ഞ വർഷത്തെ അപേക്ഷിച്ച് നിലവിലെ പാദത്തിൽ ആസ്തി വളർച്ച 10% ത്തിൽ കൂടുതൽ കുറഞ്ഞ ശാഖകൾക്കായുള്ള പലിശ അനുപാതം ഒരു ഗ്രാഫിൽ പ്രദർശിപ്പിക്കാനും കഴിയും. 25%. നൽകിയിരിക്കുന്ന മെനുവിൽ നിന്ന് ഒരു ലളിതമായ തിരഞ്ഞെടുപ്പ് ഉപയോഗിക്കാൻ അദ്ദേഹത്തിന് കഴിയണം. ലഭിച്ച ഫലങ്ങൾ ഗണ്യമായി രണ്ട് അനുബന്ധ ഗ്രൂപ്പുകളായി വീഴുകയാണെങ്കിൽ, മുന്നോട്ട് വച്ച അനുമാനത്തിന്റെ കൂടുതൽ പരിശോധനയ്ക്ക് ഇത് ഒരു പ്രോത്സാഹനമായി മാറണം.

നിലവിൽ, ഒരു ദിശ വിളിക്കുന്നു ഡൈനാമിക് മോഡലിംഗ്(ഡൈനാമിക് സിമുലേഷൻ), മുകളിൽ പറഞ്ഞ FASMI തത്വം പൂർണ്ണമായി നടപ്പിലാക്കുന്നു.

ഡൈനാമിക് മോഡലിംഗ് ഉപയോഗിച്ച്, ഒരു പ്രത്യേക സാഹചര്യം അനുസരിച്ച്, കാലക്രമേണ വികസിക്കുന്ന ഒരു ബിസിനസ് സാഹചര്യത്തിന്റെ ഒരു മാതൃക അനലിസ്റ്റ് നിർമ്മിക്കുന്നു. മാത്രമല്ല, അത്തരം മോഡലിംഗിന്റെ ഫലം നിരവധി പുതിയ ബിസിനസ്സ് സാഹചര്യങ്ങളാകാം, ഓരോന്നിന്റെയും സാധ്യതയും സാധ്യതകളും വിലയിരുത്തി സാധ്യമായ പരിഹാരങ്ങളുടെ ഒരു വൃക്ഷം സൃഷ്ടിക്കുന്നു.

അരി. 6.16

സ്റ്റാറ്റിക്, ഡൈനാമിക് വിശകലനത്തിന്റെ താരതമ്യ സവിശേഷതകൾ പട്ടിക 6.3 കാണിക്കുന്നു.

പട്ടിക 6.3.

സ്വഭാവം	സ്റ്റാറ്റിക് വിശകലനം	ഡൈനാമിക് വിശകലനം
ചോദ്യങ്ങളുടെ തരങ്ങൾ	WHO? എന്ത്? എത്ര? എങ്ങനെ? എപ്പോൾ? എവിടെ?	എന്തുകൊണ്ടാണത്? എങ്കിൽ എന്ത് സംഭവിക്കും...? എങ്കിൽ എന്ത് സംഭവിക്കും...?
പ്രതികരണ സമയം	ക്രമീകരിച്ചിട്ടില്ല	സെക്കന്റുകൾ
സാധാരണ ഡാറ്റ പ്രവർത്തനങ്ങൾ	നിയന്ത്രിത റിപ്പോർട്ട്, ചാർട്ട്, പട്ടിക, ഡ്രോയിംഗ്	സംവേദനാത്മക റിപ്പോർട്ടുകൾ, ഡയഗ്രമുകൾ, സ്ക്രീൻ ഫോമുകൾ എന്നിവയുടെ ക്രമം. അഗ്രഗേഷൻ ലെവലുകളും ഡാറ്റ സ്ലൈസുകളും ചലനാത്മകമായി മാറ്റുന്നു
വിശകലന ആവശ്യകതകളുടെ നില	ശരാശരി	ഉയർന്ന
സ്ക്രീൻ ഫോമുകളുടെ തരം	അടിസ്ഥാനപരമായി മുൻകൂട്ടി നിശ്ചയിച്ചിട്ടുള്ള, നിയന്ത്രിത	ഉപയോക്താവ് നിർവചിച്ചിരിക്കുന്നത്, ഇഷ്ടാനുസൃതമാക്കാവുന്നത്
ഡാറ്റ അഗ്രഗേഷൻ ലെവൽ	വിശദവും സംഗ്രഹവും	ഉപയോക്താവ് നിർവചിച്ചു
ഡാറ്റയുടെ "പ്രായം"	ചരിത്രപരവും നിലവിലുള്ളതും	ചരിത്രപരവും നിലവിലുള്ളതും പ്രൊജക്റ്റുചെയ്തതും
അഭ്യർത്ഥനകളുടെ തരങ്ങൾ	മിക്കവാറും പ്രവചനാതീതമാണ്	പ്രവചനാതീതമായ - കേസ് മുതൽ കേസ് വരെ
ഉദ്ദേശ്യം	നിയന്ത്രിത അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്	മൾട്ടി-പാസ് വിശകലനം, മോഡലിംഗ്, പ്രവചനം

മിക്കവാറും എല്ലായ്‌പ്പോഴും, മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റാ വിശകലനത്തിനായി ഒരു അനലിറ്റിക്കൽ സിസ്റ്റം നിർമ്മിക്കുക എന്നത് നിർമ്മിക്കാനുള്ള ചുമതലയാണ്. വൈവിധ്യമാർന്ന സോഫ്റ്റ്‌വെയറുകളും പരിഹാരങ്ങളും അടിസ്ഥാനമാക്കിയുള്ള, സ്ഥിരമായി പ്രവർത്തിക്കുന്ന ഒരൊറ്റ വിവര സംവിധാനം. ഐപി നടപ്പിലാക്കുന്നതിനുള്ള മാർഗങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് വളരെ ബുദ്ധിമുട്ടുള്ള കാര്യമാണ്. വിവിധ ഘടകങ്ങളുടെ പരസ്പര അനുയോജ്യത ഉൾപ്പെടെ നിരവധി ഘടകങ്ങൾ ഇവിടെ കണക്കിലെടുക്കണം സോഫ്റ്റ്വെയർ ഘടകങ്ങൾ, അവയുടെ വികസനം, ഉപയോഗവും സംയോജനവും, പ്രവർത്തന കാര്യക്ഷമത, സ്ഥിരത, രൂപങ്ങൾ പോലും, വിവിധ നിർമ്മാണ കമ്പനികൾ തമ്മിലുള്ള ബന്ധത്തിന്റെ നിലയും സാധ്യതകളും.

മൾട്ടിവേറിയറ്റ് ഡാറ്റ വിശകലനം ചെയ്യാനുള്ള ചുമതലയുള്ളിടത്തെല്ലാം OLAP ബാധകമാണ്. പൊതുവേ, നിങ്ങൾക്ക് ഒരു വിവരണാത്മക കോളവും നമ്പറുകളുള്ള ഒരു കോളവും ഉള്ള ഒരു ഡാറ്റാ ടേബിൾ ഉണ്ടെങ്കിൽ, റിപ്പോർട്ടുകൾ വിശകലനം ചെയ്യുന്നതിനും സൃഷ്ടിക്കുന്നതിനുമുള്ള ഒരു ഫലപ്രദമായ ഉപകരണമായിരിക്കും OLAP ടൂൾ. OLAP സാങ്കേതികവിദ്യയുടെ ഉപയോഗത്തിന്റെ ഉദാഹരണമായി, വിൽപ്പന പ്രക്രിയയുടെ ഫലങ്ങളെക്കുറിച്ചുള്ള ഒരു പഠനം പരിഗണിക്കുക.

പ്രധാന ചോദ്യങ്ങൾ: "എത്രയാണ് വിറ്റത്?", "എത്ര തുകയ്ക്കാണ് വിറ്റത്?" ബിസിനസ്സ് കൂടുതൽ സങ്കീർണ്ണമാവുകയും ചരിത്രപരമായ ഡാറ്റ ഒരു നിശ്ചിത എണ്ണം ഘടകങ്ങളിലേക്ക് ശേഖരിക്കപ്പെടുകയും ചെയ്യുന്നു, അല്ലെങ്കിൽ വിഭാഗങ്ങൾ: ".. സെന്റ് പീറ്റേഴ്സ്ബർഗ്, മോസ്കോ, യുറൽസ്, സൈബീരിയയിൽ...", ".. കഴിഞ്ഞ പാദത്തിൽ, താരതമ്യം ചെയ്യുമ്പോൾ നിലവിലുള്ളത്,” “ .. വിതരണക്കാരൻ എയിൽ നിന്ന് വിതരണക്കാരൻ ബി യെ അപേക്ഷിച്ച് ...” മുതലായവ.

മാനേജ്മെന്റ് തീരുമാനങ്ങൾ എടുക്കുന്നതിന് അത്തരം ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ ആവശ്യമാണ്: ശേഖരണം, വിലകൾ, സ്റ്റോറുകൾ, ശാഖകൾ അടയ്ക്കൽ, തുറക്കൽ, ഡീലർമാരുമായി കരാറുകൾ അവസാനിപ്പിക്കൽ, ഒപ്പിടൽ, പരസ്യ കാമ്പെയ്‌നുകൾ നടത്തുക അല്ലെങ്കിൽ അവസാനിപ്പിക്കുക തുടങ്ങിയവ.

കമ്പനിയുടെ ബിസിനസ്സ് വിപുലീകരിക്കാനോ ഒപ്റ്റിമൈസ് ചെയ്യാനോ ശ്രമിക്കുന്ന, അനലിസ്റ്റ് കൈകാര്യം ചെയ്യുന്ന പ്രധാന കണക്കുകളും (വസ്തുതകൾ) വിഭാഗങ്ങളും (അളവ് വാദങ്ങൾ) ഹൈലൈറ്റ് ചെയ്യാൻ നിങ്ങൾ ശ്രമിക്കുകയാണെങ്കിൽ, ഉചിതമായ ക്രമീകരണങ്ങൾ ആവശ്യമുള്ള ഒരു തരത്തിലുള്ള ടെംപ്ലേറ്റായി നിങ്ങൾക്ക് വിൽപ്പന വിശകലനത്തിന് അനുയോജ്യമായ ഒരു പട്ടിക ലഭിക്കും. ഓരോ നിർദ്ദിഷ്ട സംരംഭവും.

സമയം. ചട്ടം പോലെ, ഇവ നിരവധി കാലഘട്ടങ്ങളാണ്: വർഷം, പാദം, മാസം, ദശകം, ആഴ്ച, ദിവസം. പല OLAP ടൂളുകളും ഒരു തീയതിയിൽ നിന്നുള്ള ഏറ്റവും ഉയർന്ന കാലയളവുകൾ സ്വയമേവ കണക്കാക്കുകയും അവയുടെ ആകെത്തുക കണക്കാക്കുകയും ചെയ്യുന്നു.

ഉൽപ്പന്ന വിഭാഗം. നിരവധി വിഭാഗങ്ങൾ ഉണ്ടാകാം, അവ ഓരോ തരത്തിലുമുള്ള ബിസിനസ്സിനും വ്യത്യാസപ്പെട്ടിരിക്കുന്നു: വെറൈറ്റി, മോഡൽ, പാക്കേജിംഗ് തരം മുതലായവ. ഒരു ഉൽപ്പന്നം മാത്രം വിൽക്കുകയോ അല്ലെങ്കിൽ ശേഖരം വളരെ ചെറുതാണെങ്കിൽ, ഒരു വിഭാഗം ആവശ്യമില്ല.

ഉൽപ്പന്നം. ചിലപ്പോൾ ഉൽപ്പന്നത്തിന്റെ പേര് (അല്ലെങ്കിൽ സേവനം), അതിന്റെ കോഡ് അല്ലെങ്കിൽ ലേഖന നമ്പർ ഉപയോഗിക്കുന്നു. ശേഖരം വളരെ വലുതായ സന്ദർഭങ്ങളിൽ (ചില സംരംഭങ്ങൾക്ക് പതിനായിരക്കണക്കിന് ഇനങ്ങളുടെ വില പട്ടികയിൽ ഉണ്ട്), എല്ലാത്തരം സാധനങ്ങൾക്കുമുള്ള പ്രാരംഭ വിശകലനം നടത്തില്ല, പക്ഷേ ചില അംഗീകരിച്ച വിഭാഗങ്ങളിലേക്ക് സാമാന്യവൽക്കരിക്കുക.

പ്രദേശം. ബിസിനസ്സിന്റെ ആഗോളതയെ ആശ്രയിച്ച്, നിങ്ങൾക്ക് ഭൂഖണ്ഡം, രാജ്യങ്ങളുടെ ഗ്രൂപ്പ്, രാജ്യം, പ്രദേശം, നഗരം, ജില്ല, തെരുവ്, തെരുവിന്റെ ഭാഗം എന്നിവ അർത്ഥമാക്കാം. തീർച്ചയായും, ഒരു ഔട്ട്ലെറ്റ് മാത്രമേ ഉള്ളൂവെങ്കിൽ, ഈ അളവ് കാണുന്നില്ല.

സെയിൽസ്മാൻ. ഈ അളവ് ബിസിനസ്സിന്റെ ഘടനയെയും സ്കെയിലിനെയും ആശ്രയിച്ചിരിക്കുന്നു. ഇത് ഇതായിരിക്കാം: ബ്രാഞ്ച്, സ്റ്റോർ, ഡീലർ, സെയിൽസ് മാനേജർ. ചില സന്ദർഭങ്ങളിൽ, ഒരു അളവും ഇല്ല, ഉദാഹരണത്തിന്, വിൽപ്പനക്കാരൻ വിൽപ്പന വോള്യങ്ങളെ സ്വാധീനിക്കാത്തപ്പോൾ, ഒരു സ്റ്റോർ മാത്രമേയുള്ളൂ, മുതലായവ.

വാങ്ങുന്നയാൾ. ചില്ലറ വിൽപ്പന പോലുള്ള ചില സന്ദർഭങ്ങളിൽ, വാങ്ങുന്നയാൾ വ്യക്തിത്വമില്ലാത്തവനാണ്, അളവുകളൊന്നുമില്ല; മറ്റ് സന്ദർഭങ്ങളിൽ, വാങ്ങുന്നയാളെക്കുറിച്ചുള്ള വിവരങ്ങൾ ലഭ്യമാണ്, അത് വിൽപ്പനയ്ക്ക് പ്രധാനമാണ്. ഈ മാനത്തിൽ വാങ്ങുന്ന കമ്പനിയുടെ പേര് അല്ലെങ്കിൽ നിരവധി ഗ്രൂപ്പുകളും ക്ലയന്റുകളുടെ സവിശേഷതകളും അടങ്ങിയിരിക്കാം: വ്യവസായം, സംരംഭങ്ങളുടെ ഗ്രൂപ്പ്, ഉടമ, അങ്ങനെ പലതും താൽപ്പര്യത്തിന്റെ പശ്ചാത്തലത്തിൽ ഏറ്റവും പ്രധാനപ്പെട്ട ഘടകങ്ങൾ തിരിച്ചറിയുന്നതിനുള്ള വിൽപ്പന ഘടനയുടെ വിശകലനം. ഇതിനായി, 3 അളവുകൾ ഒരേസമയം പരിശോധിക്കുമ്പോൾ സങ്കീർണ്ണമായ സന്ദർഭങ്ങളിൽ “പൈ” തരം ഡയഗ്രം ഉപയോഗിക്കുന്നത് സൗകര്യപ്രദമാണ് - “നിരകൾ”. ഉദാഹരണത്തിന്, ഈ പാദത്തിലെ കമ്പ്യൂട്ടർ ഉപകരണ സ്റ്റോറിൽ, കമ്പ്യൂട്ടറുകളുടെ വിൽപ്പന $100,000, ഫോട്ടോഗ്രാഫിക് ഉപകരണങ്ങൾ - $10,000, ഉപഭോഗവസ്തുക്കൾ - $4,500. ഉപസംഹാരം: സ്റ്റോറിന്റെ വിറ്റുവരവ് കമ്പ്യൂട്ടറുകളുടെ വിൽപ്പനയെ ആശ്രയിച്ചിരിക്കുന്നു (വാസ്തവത്തിൽ, കമ്പ്യൂട്ടറുകൾ വിൽക്കാൻ ഉപഭോഗവസ്തുക്കൾ ആവശ്യമാണ്, പക്ഷേ ഇത് ആന്തരിക ആശ്രിതത്വങ്ങളുടെ വിശകലനമാണ്).

ഡൈനാമിക്സ് വിശകലനം ( റിഗ്രഷൻ വിശകലനം- ട്രെൻഡുകൾ തിരിച്ചറിയൽ). ട്രെൻഡുകളുടെയും സീസണൽ ഏറ്റക്കുറച്ചിലുകളുടെയും തിരിച്ചറിയൽ. ഒരു "ലൈൻ" ടൈപ്പ് ഗ്രാഫ് വഴി ഡൈനാമിക്സ് വ്യക്തമായി പ്രദർശിപ്പിച്ചിരിക്കുന്നു. ഉദാഹരണത്തിന്, Intel ഉൽപ്പന്നങ്ങളുടെ വിൽപ്പന വർഷത്തിൽ കുറഞ്ഞു, അതേസമയം മൈക്രോസോഫ്റ്റിന്റെ വിൽപ്പന വർദ്ധിച്ചു. ഒരുപക്ഷേ ശരാശരി ഉപഭോക്താവിന്റെ ക്ഷേമം മെച്ചപ്പെട്ടു, അല്ലെങ്കിൽ സ്റ്റോറിന്റെ ഇമേജ് മാറി, അതോടൊപ്പം ഉപഭോക്താക്കളുടെ ഘടനയും. ശേഖരം ക്രമീകരിക്കേണ്ടതുണ്ട്. മറ്റൊരു ഉദാഹരണം: 3 വർഷത്തേക്ക്, ശൈത്യകാലത്ത് വീഡിയോ ക്യാമറകളുടെ വിൽപ്പന കുറയുന്നു.

ആശ്രിതത്വ വിശകലനം(പരസ്പര വിശകലനം). ആവശ്യമായ ശേഖരം തിരിച്ചറിയാൻ കാലക്രമേണ വ്യത്യസ്ത ഉൽപ്പന്നങ്ങളുടെ വിൽപ്പന അളവുകളുടെ താരതമ്യം - "ബാസ്കറ്റ്". ഈ ആവശ്യത്തിനായി ഒരു "ലൈൻ" ചാർട്ട് ഉപയോഗിക്കുന്നതും സൗകര്യപ്രദമാണ്. ഉദാഹരണത്തിന്, ആദ്യ രണ്ട് മാസങ്ങളിൽ പ്രിന്ററുകൾ ശ്രേണിയിൽ നിന്ന് നീക്കം ചെയ്തപ്പോൾ, പൊടി കാട്രിഡ്ജുകളുടെ വിൽപ്പന കുറയുന്നതായി കണ്ടെത്തി.

ഈയിടെ പ്രസിദ്ധീകരിച്ച "ഡാറ്റാബേസുകളിലേക്കുള്ള ആമുഖം" എന്ന ലേഖന പരമ്പരയിൽ (കമ്പ്യൂട്ടർപ്രസ്സ് നമ്പർ 3'2000 - 3'2001 കാണുക), വിവര സംവിധാനങ്ങൾ - ഡെസ്‌ക്‌ടോപ്പ്, സെർവർ ഡിബിഎംഎസുകൾ, ഡാറ്റ ഡിസൈൻ ടൂളുകൾ, ആപ്ലിക്കേഷൻ ഡെവലപ്‌മെന്റ് എന്നിവ സൃഷ്‌ടിക്കുന്നതിന് ഉപയോഗിക്കുന്ന വിവിധ സാങ്കേതികവിദ്യകളും സോഫ്റ്റ്‌വെയറുകളും ഞങ്ങൾ ചർച്ച ചെയ്തു. ടൂളുകൾ, അതുപോലെ തന്നെ ബിസിനസ് ഇന്റലിജൻസ് - എന്റർപ്രൈസ് സ്കെയിൽ ഡാറ്റ വിശകലനവും പ്രോസസ്സിംഗ് ടൂളുകളും, നിലവിൽ നമ്മുടെ രാജ്യത്തുൾപ്പെടെ ലോകത്ത് കൂടുതൽ പ്രചാരത്തിലുണ്ട്. എന്നിരുന്നാലും, ബിസിനസ് ഇന്റലിജൻസ് ടൂളുകൾ ഉപയോഗിക്കുന്നതിലെ പ്രശ്‌നങ്ങളും ഈ ക്ലാസിന്റെ ആപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതികവിദ്യകളും ആഭ്യന്തര സാഹിത്യത്തിൽ ഇതുവരെ വേണ്ടത്ര ഉൾപ്പെടുത്തിയിട്ടില്ലെന്ന് ഞങ്ങൾ ശ്രദ്ധിക്കുന്നു. ലേഖനങ്ങളുടെ ഒരു പുതിയ പരമ്പരയിൽ, ഈ വിടവ് നികത്താനും അത്തരം ആപ്ലിക്കേഷനുകൾക്ക് അടിസ്ഥാനമായ സാങ്കേതികവിദ്യകൾ എന്താണെന്നതിനെക്കുറിച്ച് സംസാരിക്കാനും ഞങ്ങൾ ശ്രമിക്കും. നടപ്പിലാക്കൽ ഉദാഹരണങ്ങൾ എന്ന നിലയിൽ, ഞങ്ങൾ പ്രധാനമായും Microsoft OLAP സാങ്കേതികവിദ്യകൾ ഉപയോഗിക്കും (പ്രധാനമായും Microsoft SQL സെർവർ 2000-ലെ വിശകലന സേവനങ്ങൾ), എന്നാൽ മെറ്റീരിയലിന്റെ ഭൂരിഭാഗവും മറ്റ് ഉപകരണങ്ങളുടെ ഉപയോക്താക്കൾക്ക് ഉപയോഗപ്രദമാകുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.

ഈ പരമ്പരയിലെ ആദ്യ ലേഖനം OLAP (ഓൺ-ലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) - മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റ വിശകലനത്തിനുള്ള സാങ്കേതികവിദ്യയുടെ അടിസ്ഥാനകാര്യങ്ങൾക്കായി നീക്കിവച്ചിരിക്കുന്നു. അതിൽ, ഡാറ്റ വെയർഹൗസിംഗിന്റെയും OLAPയുടെയും ആശയങ്ങൾ, ഡാറ്റ വെയർഹൗസിംഗിനും OLAP ടൂളുകൾക്കുമുള്ള ആവശ്യകതകൾ, OLAP ഡാറ്റയുടെ ലോജിക്കൽ ഓർഗനൈസേഷൻ, മൾട്ടിഡൈമൻഷണൽ വിശകലനം ചർച്ച ചെയ്യുമ്പോൾ ഉപയോഗിക്കുന്ന അടിസ്ഥാന നിബന്ധനകളും ആശയങ്ങളും ഞങ്ങൾ നോക്കും.

എന്താണ് ഒരു ഡാറ്റ വെയർഹൗസ്

എന്റർപ്രൈസ്-സ്കെയിൽ വിവര സംവിധാനങ്ങൾ, ഒരു ചട്ടം പോലെ, ഡാറ്റയുടെ സങ്കീർണ്ണമായ മൾട്ടിഡൈമൻഷണൽ വിശകലനം, അതിന്റെ ചലനാത്മകത, ട്രെൻഡുകൾ മുതലായവയ്ക്കായി രൂപകൽപ്പന ചെയ്ത ആപ്ലിക്കേഷനുകൾ ഉൾക്കൊള്ളുന്നു. അത്തരം വിശകലനം ആത്യന്തികമായി തീരുമാനമെടുക്കുന്നതിനെ പിന്തുണയ്ക്കാൻ ഉദ്ദേശിച്ചുള്ളതാണ്. ഈ സംവിധാനങ്ങളെ പലപ്പോഴും തീരുമാന പിന്തുണാ സംവിധാനങ്ങൾ എന്ന് വിളിക്കുന്നു.

ആവശ്യമായ വിവരങ്ങൾ ഇല്ലാതെ മാനേജ്മെന്റ് തീരുമാനങ്ങൾ എടുക്കുന്നത് അസാധ്യമാണ്, സാധാരണയായി അളവ്. ഇതിന് ഡാറ്റ വെയർഹൗസുകൾ സൃഷ്ടിക്കേണ്ടതുണ്ട്, അതായത്, സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനത്തിനായി (പലപ്പോഴും അനലിറ്റിക്കൽ റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കുന്നതിനും) തത്ഫലമായുണ്ടാകുന്ന വിവരങ്ങൾ ഉപയോക്താക്കൾക്ക് നൽകുന്നതിന് ഡാറ്റ ശേഖരിക്കുന്നതിനും വേർതിരിച്ചെടുക്കുന്നതിനും മുൻകൂട്ടി പ്രോസസ്സ് ചെയ്യുന്നതിനുമുള്ള പ്രക്രിയ ആവശ്യമാണ്.

ഡാറ്റ വെയർഹൗസ് ആശയത്തിന്റെ ഉപജ്ഞാതാക്കളിൽ ഒരാളായ റാൽഫ് കിംബോൾ, ഒരു ഡാറ്റ വെയർഹൗസിനെ "ആളുകൾക്ക് അവരുടെ ഡാറ്റ ആക്സസ് ചെയ്യാൻ കഴിയുന്ന ഒരു സ്ഥലം" എന്ന് വിശേഷിപ്പിച്ചു (ഉദാഹരണത്തിന്, റാൽഫ് കിംബോൾ, "ഡാറ്റ വെയർഹൗസ് ടൂൾകിറ്റ്: അളവുകൾ ഡാറ്റ വെയർഹൗസുകൾ നിർമ്മിക്കുന്നതിനുള്ള പ്രായോഗിക സാങ്കേതിക വിദ്യകൾ കാണുക. ", ജോൺ വൈലി ആൻഡ് സൺസ്, 1996, "ദ ഡാറ്റ വെബ്‌ഹൗസ് ടൂൾകിറ്റ്: വെബ്-എനേബിൾഡ് ഡാറ്റ വെയർഹൗസ് നിർമ്മിക്കൽ", ജോൺ വൈലി ആൻഡ് സൺസ്, 2000). ഡാറ്റ വെയർഹൗസുകൾക്കുള്ള അടിസ്ഥാന ആവശ്യകതകളും അദ്ദേഹം രൂപപ്പെടുത്തി:

• സംഭരണത്തിൽ നിന്ന് ഉയർന്ന വേഗതയുള്ള ഡാറ്റ വീണ്ടെടുക്കുന്നതിനുള്ള പിന്തുണ;
• ആന്തരിക ഡാറ്റ സ്ഥിരത നിലനിർത്തുക;
• ഡാറ്റ സ്ലൈസുകൾ എന്ന് വിളിക്കപ്പെടുന്നവ (സ്ലൈസും ഡൈസും) നേടാനും താരതമ്യം ചെയ്യാനും ഉള്ള കഴിവ്;
• സംഭരണത്തിൽ ഡാറ്റ കാണുന്നതിന് സൗകര്യപ്രദമായ യൂട്ടിലിറ്റികളുടെ ലഭ്യത;
• സംഭരിച്ച ഡാറ്റയുടെ പൂർണ്ണതയും വിശ്വാസ്യതയും;
• ഉയർന്ന ഗുണമേന്മയുള്ള ഡാറ്റ പുനർനിർമ്മിക്കൽ പ്രക്രിയയ്ക്കുള്ള പിന്തുണ.

ഒരേ ഉൽപ്പന്നത്തിനുള്ളിൽ മേൽപ്പറഞ്ഞ എല്ലാ ആവശ്യങ്ങളും നിറവേറ്റുന്നത് പലപ്പോഴും സാധ്യമല്ല. അതിനാൽ, ഡാറ്റ വെയർഹൗസുകൾ നടപ്പിലാക്കുന്നതിന്, സാധാരണയായി നിരവധി ഉൽപ്പന്നങ്ങൾ ഉപയോഗിക്കുന്നു, അവയിൽ ചിലത് യഥാർത്ഥ ഡാറ്റ സ്റ്റോറേജ് ടൂളുകളാണ്, മറ്റുള്ളവ വീണ്ടെടുക്കുന്നതിനും കാണുന്നതിനുമുള്ള ഉപകരണങ്ങൾ, മറ്റുള്ളവ അവ നിറയ്ക്കുന്നതിനുള്ള ഉപകരണങ്ങൾ മുതലായവയാണ്.

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 ഡൈനാമിക്‌സിന്റെ വിശകലനം ഒരു ഡാറ്റ വെയർഹൗസ് ഉപയോഗിച്ചാണ് നടത്തുന്നത്.

രണ്ടാമതായി, ഉപയോക്താക്കൾ പ്രവർത്തിക്കുന്നതിനനുസരിച്ച് പരമ്പരാഗത ഡാറ്റാബേസുകൾ നിരന്തരമായ മാറ്റത്തിന് വിധേയമാണെങ്കിലും, ഡാറ്റ വെയർഹൗസ് താരതമ്യേന സ്ഥിരതയുള്ളതാണ്: അതിലെ ഡാറ്റ സാധാരണയായി ഒരു ഷെഡ്യൂൾ അനുസരിച്ച് അപ്ഡേറ്റ് ചെയ്യപ്പെടുന്നു (ഉദാഹരണത്തിന്, ആഴ്ചതോറുമുള്ളതോ, ദിവസേനയോ അല്ലെങ്കിൽ മണിക്കൂറോ, ആവശ്യങ്ങൾ അനുസരിച്ച്). എബൌട്ട്, സമ്പുഷ്ടീകരണ പ്രക്രിയ, സ്റ്റോറിൽ ഇതിനകം ഉള്ള മുൻ വിവരങ്ങൾ മാറ്റാതെ തന്നെ ഒരു നിശ്ചിത കാലയളവിൽ പുതിയ ഡാറ്റ ചേർക്കുന്നു.

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

എന്താണ് OLAP

ധാരണയ്ക്കും വിശകലനത്തിനും സൗകര്യപ്രദമായ രൂപത്തിൽ യഥാർത്ഥ സെറ്റിൽ നിന്നുള്ള വിവിധ സാമ്പിളുകൾക്കായി മൊത്തത്തിലുള്ള ഡാറ്റ ഉപയോക്താവിന് നൽകാനുള്ള മാർഗങ്ങൾ ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റങ്ങൾക്ക് സാധാരണയായി ഉണ്ട്. സാധാരണഗതിയിൽ, അത്തരം മൊത്തത്തിലുള്ള ഫംഗ്‌ഷനുകൾ ഒരു മൾട്ടി-ഡൈമൻഷണൽ (അതിനാൽ നോൺ-റിലേഷണൽ) ഡാറ്റാ സെറ്റ് (പലപ്പോഴും ഹൈപ്പർക്യൂബ് അല്ലെങ്കിൽ മെറ്റാക്യൂബ് എന്ന് വിളിക്കുന്നു), അതിന്റെ അക്ഷങ്ങളിൽ പാരാമീറ്ററുകൾ അടങ്ങിയിരിക്കുന്നു, അവയുടെ സെല്ലുകളിൽ അവയെ ആശ്രയിക്കുന്ന മൊത്തം ഡാറ്റ അടങ്ങിയിരിക്കുന്നു. ഓരോ അക്ഷത്തിലും, വ്യത്യസ്ത തലത്തിലുള്ള വിശദാംശങ്ങളെ പ്രതിനിധീകരിക്കുന്ന ഒരു ശ്രേണിയിലേക്ക് ഡാറ്റ ക്രമീകരിക്കാം. 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. ഡാറ്റ വെയർഹൗസിംഗിന്റെ ഒരു പ്രധാന ഘടകമാണ് OLAP. OLAP എന്ന ആശയം 1993-ൽ വിവരിച്ചത് പ്രശസ്ത ഡാറ്റാബേസ് ഗവേഷകനും റിലേഷണൽ ഡാറ്റ മോഡലിന്റെ രചയിതാവുമായ എഡ്ഗർ കോഡ് ആണ് (ഇ.എഫ്. കോഡ്, എസ്.ബി. കോഡ്, സി.ടി. സാലി എന്നിവ കാണുക, ഉപയോക്തൃ-വിശകലനക്കാർക്ക് OLAP (ഓൺ-ലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) നൽകുന്നു: An ഐടി കമാൻഡ്, സാങ്കേതിക റിപ്പോർട്ട്, 1993). 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 വിശകലനത്തിന്റെ 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-ന്റെ 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. എന്നാൽ ഈ പ്രവർത്തനത്തിന്റെ വിവിധ നിർവ്വഹണങ്ങളെക്കുറിച്ച് സംസാരിക്കുന്നതിന് മുമ്പ്, ലോജിക്കൽ വീക്ഷണകോണിൽ നിന്ന് OLAP ക്യൂബുകൾ എന്താണെന്ന് നോക്കാം.

മൾട്ടിഡൈമൻഷണൽ ക്യൂബുകൾ

ഈ വിഭാഗത്തിൽ, OLAP, മൾട്ടിഡൈമൻഷണൽ ക്യൂബുകൾ എന്നിവയുടെ ആശയം ഞങ്ങൾ സൂക്ഷ്മമായി പരിശോധിക്കും. OLAP തത്ത്വങ്ങൾ ചിത്രീകരിക്കാൻ ഞങ്ങൾ ഉപയോഗിക്കുന്ന ഒരു റിലേഷണൽ ഡാറ്റാബേസിന്റെ ഉദാഹരണമായി, Microsoft SQL സെർവർ അല്ലെങ്കിൽ Microsoft Access എന്നിവയിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന നോർത്ത്‌വിൻഡ് ഡാറ്റാബേസ് ഞങ്ങൾ ഉപയോഗിക്കും, ഇത് മൊത്തവ്യാപാര ഭക്ഷണ വിതരണ കമ്പനിയുടെ ട്രേഡിംഗ് വിവരങ്ങൾ സംഭരിക്കുന്ന ഒരു സാധാരണ ഡാറ്റാബേസാണ്. അത്തരം ഡാറ്റയിൽ വിതരണക്കാർ, ക്ലയന്റുകൾ, ഡെലിവറി കമ്പനികൾ, വിതരണം ചെയ്ത സാധനങ്ങളുടെ ഒരു ലിസ്റ്റ്, അവയുടെ വിഭാഗങ്ങൾ, ഓർഡറുകളെയും ഓർഡർ ചെയ്ത സാധനങ്ങളെയും കുറിച്ചുള്ള ഡാറ്റ, കമ്പനി ജീവനക്കാരുടെ ലിസ്റ്റ് എന്നിവ ഉൾപ്പെടുന്നു. നോർത്ത്‌വിൻഡ് ഡാറ്റാബേസിന്റെ വിശദമായ വിവരണം Microsoft SQL സെർവർ അല്ലെങ്കിൽ Microsoft Access ഹെൽപ്പ് സിസ്റ്റങ്ങളിൽ കാണാം - സ്ഥലക്കുറവ് കാരണം ഞങ്ങൾ അത് ഇവിടെ നൽകുന്നില്ല.

OLAP എന്ന ആശയം പര്യവേക്ഷണം ചെയ്യാൻ, ഓർഡർ ചെയ്‌ത എല്ലാ സാധനങ്ങളെയും ഇഷ്യൂ ചെയ്ത ഇൻവോയ്‌സുകളെയും കുറിച്ചുള്ള വിശദമായ വിവരങ്ങൾ നൽകുന്ന ഒരു അന്വേഷണം സൃഷ്‌ടിക്കാൻ ഞങ്ങൾ ഇൻവോയ്‌സ് കാഴ്‌ചയും നോർത്ത്‌വിൻഡ് ഡാറ്റാബേസിൽ നിന്നുള്ള ഉൽപ്പന്നങ്ങളും വിഭാഗ പട്ടികകളും ഉപയോഗിക്കും:

dbo.Invoices.Country, dbo.Invoices.City, dbo.Invoices.Customer Name, dbo.Invoices.Salesperson, dbo.Invoices.OrderDate, dbo.Categories.CategoryName, dbo.Invoices.CategoryName dbo .Invoices.ExtendedPrice FROM dbo.Products INNER JOIN dbo.Categories ON dbo.Products.CategoryID = dbo.Categories.CategoryID INNER ചേരുക dbo.Invoices ON dbo.Products.Introducts =

ആക്സസ് 2000-ൽ, സമാനമായ ഒരു ചോദ്യം ഇതുപോലെ കാണപ്പെടുന്നു:

ഇൻവോയ്‌സുകൾ.രാജ്യം, ഇൻവോയ്‌സുകൾ.നഗരം, ഇൻവോയ്‌സുകൾ.ഉപഭോക്താക്കൾ.കമ്പനിയുടെ പേര് ഉപഭോക്താവിന്റെ പേര്, ഇൻവോയ്‌സുകൾ.വിൽപ്പനക്കാരൻ, ഇൻവോയ്‌സുകൾ.ഓർഡർ തീയതി, വിഭാഗങ്ങൾ.വിഭാഗത്തിന്റെ പേര്, ഇൻവോയ്‌സുകൾ.ഉൽപ്പന്നങ്ങളുടെ പേര്, ഇൻവോയ്‌സുകൾ, ഇൻവോയ്‌സുകൾ. ഇൻറർ ജോയിൻ വിഭാഗങ്ങളിൽ നിന്നുള്ള വിപുലീകരിച്ച വില (ഇൻ വോയ്‌സുകൾ ഇൻവോയ്‌സുകളിൽ ഉൽപ്പന്നങ്ങൾ ചേരുക. ഉൽപ്പന്ന ഐഡി = ഉൽപ്പന്നങ്ങൾ. ഉൽപ്പന്ന ഐഡി) വിഭാഗങ്ങളിൽ

ഈ ചോദ്യം ഇൻവോയ്‌സ് കാഴ്‌ച ആക്‌സസ് ചെയ്യുന്നു, അതിൽ ഇഷ്യൂ ചെയ്‌ത എല്ലാ ഇൻവോയ്‌സുകളെയും കുറിച്ചുള്ള വിവരങ്ങളും യഥാക്രമം ഓർഡർ ചെയ്‌ത ഉൽപ്പന്നങ്ങളുടെ വിഭാഗങ്ങളെയും ഉൽപ്പന്നങ്ങളെയും കുറിച്ചുള്ള വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്ന വിഭാഗങ്ങളും ഉൽപ്പന്ന പട്ടികകളും ഉൾപ്പെടുന്നു. ഈ അഭ്യർത്ഥനയുടെ ഫലം, ഓർഡർ ചെയ്ത ഇനത്തിന്റെ വിഭാഗവും പേരും, ഓർഡർ നൽകിയ തീയതി, ഇൻവോയ്സിംഗ് വ്യക്തിയുടെ പേര്, ഓർഡർ ചെയ്യുന്ന കമ്പനിയുടെ നഗരം, രാജ്യം, കമ്പനിയുടെ പേര് എന്നിവ ഉൾപ്പെടുന്ന ഒരു കൂട്ടം ഓർഡർ ഡാറ്റയാണ്. ഷിപ്പിംഗ് കമ്പനിയുടെ പേരായി.

സൗകര്യാർത്ഥം, ഈ അഭ്യർത്ഥനയെ ഇൻവോയ്‌സുകൾ1 എന്ന് വിളിക്കുന്ന ഒരു കാഴ്ചയായി സംരക്ഷിക്കാം. ഈ പ്രാതിനിധ്യം ആക്സസ് ചെയ്തതിന്റെ ഫലം ചിത്രം കാണിച്ചിരിക്കുന്നു. 1 .

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

• ഫ്രാൻസിൽ നിന്നുള്ള ഉപഭോക്താക്കൾ നൽകുന്ന ഓർഡറുകളുടെ ആകെ മൂല്യം എന്താണ്?
• ഫ്രാൻസിലെ ഉപഭോക്താക്കൾ നൽകുന്ന ഓർഡറുകളുടെ ആകെ മൂല്യം എന്താണ്?
• 1997-ൽ ഫ്രാൻസിലെ ഉപഭോക്താക്കൾ നൽകിയ ഓർഡറുകളുടെ ആകെ മൂല്യം എന്താണ്?

നമുക്ക് ഈ ചോദ്യങ്ങൾ SQL-ലെ ചോദ്യങ്ങളായി വിവർത്തനം ചെയ്യാം (പട്ടിക 1).

മുകളിലുള്ള ഏതെങ്കിലും ചോദ്യങ്ങളുടെ ഫലം ഒരു സംഖ്യയാണ്. ആദ്യ ചോദ്യത്തിൽ നിങ്ങൾ 'ഫ്രാൻസ്' പാരാമീറ്റർ മാറ്റി 'ഓസ്ട്രിയ' അല്ലെങ്കിൽ മറ്റൊരു രാജ്യത്തിന്റെ പേരാണെങ്കിൽ, നിങ്ങൾക്ക് ഈ ചോദ്യം വീണ്ടും പ്രവർത്തിപ്പിച്ച് മറ്റൊരു നമ്പർ നേടാം. എല്ലാ രാജ്യങ്ങളിലും ഈ നടപടിക്രമം നടത്തുന്നതിലൂടെ, ഞങ്ങൾക്ക് ഇനിപ്പറയുന്ന ഡാറ്റ സെറ്റ് ലഭിക്കും (ഒരു ശകലം താഴെ കാണിച്ചിരിക്കുന്നു):

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

തത്ഫലമായുണ്ടാകുന്ന മൊത്തം മൂല്യങ്ങളുടെ കൂട്ടം (ഈ സാഹചര്യത്തിൽ, തുകകൾ) ഒരു ഏകമാന ഡാറ്റാ സെറ്റായി വ്യാഖ്യാനിക്കാം. ഇനിപ്പറയുന്ന ഫോമിന്റെ ക്ലോസ് പ്രകാരം ഒരു ഗ്രൂപ്പ് പ്രകാരമുള്ള ഒരു അന്വേഷണത്തിന്റെ ഫലമായി അതേ ഡാറ്റാ സെറ്റ് ലഭിക്കും:

ഇൻവോയ്സുകളിൽ നിന്ന് രാജ്യം തിരഞ്ഞെടുക്കുക (വിപുലീകരിച്ച വില) രാജ്യം തിരിച്ചുള്ള 1 ഗ്രൂപ്പ്

ഇപ്പോൾ മുകളിലെ രണ്ടാമത്തെ ചോദ്യം നോക്കാം, അതിൽ WHERE ക്ലോസിൽ രണ്ട് നിബന്ധനകൾ അടങ്ങിയിരിക്കുന്നു. കൺട്രി, ഷിപ്പർ നെയിം പാരാമീറ്ററുകൾക്കായി സാധ്യമായ എല്ലാ മൂല്യങ്ങളും പ്ലഗ് ചെയ്‌ത് ഞങ്ങൾ ഈ ചോദ്യം പ്രവർത്തിപ്പിക്കുകയാണെങ്കിൽ, ഇതുപോലെയുള്ള ഒരു ദ്വിമാന ഡാറ്റാ സെറ്റ് ഞങ്ങൾക്ക് ലഭിക്കും (ഒരു സ്‌നിപ്പറ്റ് ചുവടെ കാണിച്ചിരിക്കുന്നു):

	ഷിപ്പർനാമം
രാജ്യം	ഫെഡറൽ ഷിപ്പിംഗ്	സ്പീഡ് എക്സ്പ്രസ്	യുണൈറ്റഡ് പാക്കേജ്
അർജന്റീന	1 210.30	1 816.20	5 092.60
ഓസ്ട്രിയ	40 870.77	41 004.13	46 128.93
ബെൽജിയം	11 393.30	4 717.56	17 713.99
ബ്രസീൽ	16 514.56	35 398.14	55 013.08
കാനഡ	19 598.78	5 440.42	25 157.08
ഡെൻമാർക്ക്	18 295.30	6 573.97	7 791.74
ഫിൻലാൻഡ്	4 889.84	5 966.21	7 954.00
ഫ്രാൻസ്	28 737.23	21 140.18	31 480.90
ജർമ്മനി	53 474.88	94 847.12	81 962.58
…	…	…	…

അത്തരമൊരു ഡാറ്റാ സെറ്റിനെ പിവറ്റ് ടേബിൾ അല്ലെങ്കിൽ ക്രോസ് ടേബിൾ എന്ന് വിളിക്കുന്നു. നിരവധി സ്‌പ്രെഡ്‌ഷീറ്റുകളും ഡെസ്‌ക്‌ടോപ്പ് DBMS-കളും അത്തരം ടേബിളുകൾ സൃഷ്‌ടിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു - DOS-നുള്ള Paradox മുതൽ Microsoft Excel 2000 വരെ. ഉദാഹരണത്തിന്, Microsoft Access 2000-ൽ സമാനമായ ഒരു ചോദ്യം ഇങ്ങനെയാണ്:

പരിവർത്തന തുക (ഇൻവോയ്‌സുകൾ1.വിപുലീകരിച്ച വില) വിപുലീകരിച്ച വിലയായി ഇൻവോയ്‌സുകൾ തിരഞ്ഞെടുക്കുക1. ഇൻവോയ്‌സുകളിൽ നിന്ന് രാജ്യം1 ഇൻവോയ്‌സുകൾ പ്രകാരം ഗ്രൂപ്പ്

അത്തരമൊരു പിവറ്റ് ടേബിളിനായുള്ള മൊത്തം ഡാറ്റയും ഒരു സാധാരണ ഗ്രൂപ്പ് ബൈ ചോദ്യം ഉപയോഗിച്ച് ലഭിക്കും:

രാജ്യം, ഷിപ്പർനാമം, തുക (വിപുലീകരിച്ച വില) ഇൻവോയ്‌സുകളിൽ നിന്ന് 1 ഗ്രൂപ്പ് ബൈ രാജ്യം, ഷിപ്പർ നെയിം എന്നിവ തിരഞ്ഞെടുക്കുക, എന്നിരുന്നാലും, ഈ അന്വേഷണത്തിന്റെ ഫലം പിവറ്റ് ടേബിളായിരിക്കില്ല, എന്നാൽ അതിന്റെ നിർമ്മാണത്തിനായുള്ള മൊത്തം ഡാറ്റയുടെ ഒരു കൂട്ടം മാത്രമായിരിക്കും (ഒരു ശകലം ചുവടെ കാണിച്ചിരിക്കുന്നു. ):

രാജ്യം	ഷിപ്പർനാമം	SUM (വിപുലീകരിച്ച വില)
അർജന്റീന	ഫെഡറൽ ഷിപ്പിംഗ്	845.5
ഓസ്ട്രിയ	ഫെഡറൽ ഷിപ്പിംഗ്	35696.78
ബെൽജിയം	ഫെഡറൽ ഷിപ്പിംഗ്	8747.3
ബ്രസീൽ	ഫെഡറൽ ഷിപ്പിംഗ്	13998.26
…	…	…

മുകളിൽ ചർച്ച ചെയ്ത ചോദ്യങ്ങളിൽ മൂന്നാമത്തേതിന് ഇതിനകം WHERE അവസ്ഥയിൽ മൂന്ന് പാരാമീറ്ററുകളുണ്ട്. അവ വ്യത്യാസപ്പെടുത്തുന്നതിലൂടെ, നമുക്ക് ഒരു ത്രിമാന ഡാറ്റാ സെറ്റ് ലഭിക്കും (ചിത്രം 2).

ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ക്യൂബിന്റെ സെല്ലുകൾ. ക്യൂബ് അക്ഷങ്ങളിൽ സ്ഥിതി ചെയ്യുന്ന WHERE ക്ലോസിലെ അന്വേഷണ പരാമീറ്ററുകളുടെ മൂല്യങ്ങളുമായി പൊരുത്തപ്പെടുന്ന മൊത്തം ഡാറ്റ 2 ഉൾക്കൊള്ളുന്നു.

ഒരു ക്യൂബ് അതിന്റെ മുഖത്തിന് സമാന്തരമായി മുറിച്ചുകൊണ്ട് നിങ്ങൾക്ക് ദ്വിമാന പട്ടികകളുടെ ഒരു കൂട്ടം ലഭിക്കും (ക്രോസ്-സെക്ഷനുകളും സ്ലൈസുകളും എന്ന പദങ്ങൾ അവയെ സൂചിപ്പിക്കാൻ ഉപയോഗിക്കുന്നു).

വ്യക്തമായും, ക്യൂബ് സെല്ലുകളിൽ അടങ്ങിയിരിക്കുന്ന ഡാറ്റയും ഒരു ഗ്രൂപ്പ് ബൈ ക്ലോസ് ഉപയോഗിച്ച് ഉചിതമായ ചോദ്യം ഉപയോഗിച്ച് ലഭിക്കും. കൂടാതെ, ചില സ്‌പ്രെഡ്‌ഷീറ്റുകൾ (പ്രത്യേകിച്ച് Microsoft Excel 2000) ഒരു ത്രിമാന ഡാറ്റാ സെറ്റ് പ്ലോട്ട് ചെയ്യാനും വർക്ക്ബുക്ക് ഷീറ്റിൽ കാണിച്ചിരിക്കുന്നതുപോലെ അതിന്റെ മുഖത്തിന് സമാന്തരമായി ക്യൂബിന്റെ വിവിധ ക്രോസ്-സെക്ഷനുകൾ കാണാനും നിങ്ങളെ അനുവദിക്കുന്നു.

WHERE ക്ലോസിൽ നാലോ അതിലധികമോ പാരാമീറ്ററുകൾ അടങ്ങിയിട്ടുണ്ടെങ്കിൽ, തത്ഫലമായുണ്ടാകുന്ന മൂല്യങ്ങളുടെ സെറ്റ് (OLAP ക്യൂബ് എന്നും അറിയപ്പെടുന്നു) 4-ഡൈമൻഷണൽ, 5-ഡൈമൻഷണൽ മുതലായവ ആകാം.

മൾട്ടിഡൈമൻഷണൽ OLAP ക്യൂബുകൾ എന്താണെന്ന് പരിശോധിച്ച ശേഷം, മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാ വിശകലനത്തിൽ ഉപയോഗിക്കുന്ന ചില പ്രധാന പദങ്ങളിലേക്കും ആശയങ്ങളിലേക്കും നമുക്ക് പോകാം.

ചില നിബന്ധനകളും ആശയങ്ങളും

തുകകൾക്കൊപ്പം, OLAP ക്യൂബിന്റെ സെല്ലുകളിൽ MIN, MAX, AVG, COUNT എന്നിങ്ങനെയുള്ള SQL ഭാഷയുടെ മറ്റ് അഗ്രഗേറ്റ് ഫംഗ്‌ഷനുകളും ചില സന്ദർഭങ്ങളിൽ മറ്റുള്ളവയും (വ്യതിയാനം, സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ മുതലായവ) എക്‌സിക്യൂട്ട് ചെയ്യുന്നതിനുള്ള ഫലങ്ങൾ അടങ്ങിയിരിക്കാം. സെല്ലുകളിലെ ഡാറ്റ മൂല്യങ്ങൾ വിവരിക്കാൻ, സംഗ്രഹം എന്ന പദം ഉപയോഗിക്കുന്നു (പൊതുവേ, ഒരു ക്യൂബിൽ അവയിൽ പലതും ഉണ്ടാകാം), അവ കണക്കാക്കിയ ഉറവിട ഡാറ്റയെ സൂചിപ്പിക്കാൻ അളവ് എന്ന പദം ഉപയോഗിക്കുന്നു, കൂടാതെ ക്വറി പാരാമീറ്ററുകളെ സൂചിപ്പിക്കാൻ ടേം ഡൈമൻഷൻ ഉപയോഗിക്കുന്നു (റഷ്യൻ ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യുന്നത് OLAP ക്യൂബുകളെ കുറിച്ച് പറയുമ്പോൾ "ഡൈമൻഷൻ" എന്നും ഡാറ്റ വെയർഹൗസുകളെക്കുറിച്ച് പറയുമ്പോൾ "ഡൈമൻഷൻ" എന്നും വിളിക്കുന്നു). അക്ഷങ്ങളിൽ രൂപപ്പെടുത്തിയ മൂല്യങ്ങളെ ഡൈമൻഷൻ അംഗങ്ങൾ എന്ന് വിളിക്കുന്നു.

അളവുകളെക്കുറിച്ച് പറയുമ്പോൾ, അക്ഷങ്ങളിൽ രൂപപ്പെടുത്തിയിരിക്കുന്ന മൂല്യങ്ങൾക്ക് വ്യത്യസ്ത തലത്തിലുള്ള വിശദാംശങ്ങളുണ്ടാകുമെന്നത് എടുത്തുപറയേണ്ടതാണ്. ഉദാഹരണത്തിന്, വ്യത്യസ്‌ത രാജ്യങ്ങളിലെ ഉപഭോക്താക്കൾ നടത്തിയ ഓർഡറുകളുടെ മൊത്തം മൂല്യത്തിലോ നഗരത്തിന് പുറത്തുള്ള ഉപഭോക്താക്കൾ അല്ലെങ്കിൽ വ്യക്തിഗത ഉപഭോക്താക്കൾ നടത്തിയ ഓർഡറുകളുടെ മൊത്തം മൂല്യത്തിലോ ഞങ്ങൾക്ക് താൽപ്പര്യമുണ്ടാകാം. സ്വാഭാവികമായും, രണ്ടാമത്തെയും മൂന്നാമത്തെയും കേസുകളിലെ മൊത്തം ഡാറ്റയുടെ ഫലമായുണ്ടാകുന്ന സെറ്റ് ആദ്യത്തേതിനേക്കാൾ കൂടുതൽ വിശദമായിരിക്കും. വ്യത്യസ്ത അളവിലുള്ള വിശദാംശങ്ങളോടെ മൊത്തത്തിലുള്ള ഡാറ്റ നേടാനുള്ള കഴിവ് ഡാറ്റ വെയർഹൗസുകളുടെ ആവശ്യകതകളിലൊന്ന് നിറവേറ്റുന്നുവെന്നത് ശ്രദ്ധിക്കുക - താരതമ്യത്തിനും വിശകലനത്തിനുമായി വിവിധ ഡാറ്റ സ്ലൈസുകളുടെ ലഭ്യതയ്ക്കുള്ള ആവശ്യകത.

പരിഗണിക്കുന്ന ഉദാഹരണത്തിൽ, പൊതുവേ, ഓരോ രാജ്യത്തിനും നിരവധി നഗരങ്ങൾ ഉണ്ടായിരിക്കാം, ഒരു നഗരത്തിന് നിരവധി ക്ലയന്റുകളുണ്ടാകാം, അളവുകളിലെ മൂല്യങ്ങളുടെ ശ്രേണിയെക്കുറിച്ച് നമുക്ക് സംസാരിക്കാം. ഈ സാഹചര്യത്തിൽ, രാജ്യങ്ങൾ ശ്രേണിയുടെ ആദ്യ തലത്തിലാണ് സ്ഥിതി ചെയ്യുന്നത്, നഗരങ്ങൾ രണ്ടാമത്തേതാണ്, ക്ലയന്റുകൾ മൂന്നാം സ്ഥാനത്താണ് (ചിത്രം 3).

ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്ന ശ്രേണി പോലെയുള്ള ശ്രേണികൾ സന്തുലിതമാക്കാൻ കഴിയുമെന്നത് ശ്രദ്ധിക്കുക. 3, കൂടാതെ തീയതി-സമയവും അസന്തുലിതമായ ഡാറ്റയും അടിസ്ഥാനമാക്കിയുള്ള ശ്രേണികൾ. അസന്തുലിതമായ ശ്രേണിയുടെ ഒരു സാധാരണ ഉദാഹരണം ഒരു "സുപ്പീരിയർ-സബോർഡിനേറ്റ്" ശ്രേണിയാണ് (ഉദാഹരണത്തിന്, മുകളിൽ ചർച്ച ചെയ്ത ഉദാഹരണത്തിൽ നിന്നുള്ള യഥാർത്ഥ ഡാറ്റയുടെ സെയിൽസ്പേഴ്സൺ ഫീൽഡിന്റെ മൂല്യങ്ങൾ ഉപയോഗിച്ച് ഇത് നിർമ്മിക്കാൻ കഴിയും), ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്നു. 4 .

ചിലപ്പോഴൊക്കെ ഇത്തരം ശ്രേണികൾക്ക് പേരന്റ്-ചൈൽഡ് ശ്രേണി എന്ന പദം ഉപയോഗിക്കാറുണ്ട്.

സന്തുലിതവും അസന്തുലിതവും തമ്മിലുള്ള ഒരു ഇന്റർമീഡിയറ്റ് സ്ഥാനം വഹിക്കുന്ന ശ്രേണികളുമുണ്ട് (അവ റാഗഡ് എന്ന പദത്താൽ നിയുക്തമാക്കിയിരിക്കുന്നു). ലോജിക്കൽ "മാതാപിതാക്കൾ" ഉടനടി ഉയർന്ന തലത്തിലല്ലാത്ത അംഗങ്ങളെ സാധാരണയായി അവയിൽ അടങ്ങിയിരിക്കുന്നു (ഉദാഹരണത്തിന്, ഒരു ഭൂമിശാസ്ത്രപരമായ ശ്രേണിക്ക് രാജ്യം, നഗരം, സംസ്ഥാനം എന്നീ ലെവലുകൾ ഉണ്ട്, എന്നാൽ ഡാറ്റാസെറ്റിൽ രാജ്യത്തിനും രാജ്യത്തിനും ഇടയിൽ സംസ്ഥാനങ്ങളോ പ്രദേശങ്ങളോ ഇല്ലാത്ത രാജ്യങ്ങളുണ്ട്. നഗര നിലകൾ; ചിത്രം 5).

എല്ലാ OLAP ടൂളുകളും അസന്തുലിതമായ "അസമമായ" ശ്രേണികളെ പിന്തുണയ്ക്കുന്നില്ല എന്നത് ശ്രദ്ധിക്കുക. 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.

ഉപസംഹാരം

ഈ ലേഖനത്തിൽ ഞങ്ങൾ OLAP ന്റെ അടിസ്ഥാനകാര്യങ്ങൾ പഠിച്ചു. ഞങ്ങൾ ഇനിപ്പറയുന്നവ പഠിച്ചു:

• സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനത്തിനും മാനേജ്മെന്റ് തീരുമാനങ്ങൾ എടുക്കുന്നതിനുമുള്ള വിവരങ്ങൾ ഉപയോക്താക്കൾക്ക് നൽകുക എന്നതാണ് ഡാറ്റ വെയർഹൗസുകളുടെ ഉദ്ദേശ്യം.
• ഡാറ്റ വെയർഹൗസുകൾ ഡാറ്റ വീണ്ടെടുക്കലിന്റെ ഉയർന്ന വേഗത, ഡാറ്റ സ്ലൈസുകൾ എന്ന് വിളിക്കപ്പെടുന്നവ നേടുന്നതിനും താരതമ്യം ചെയ്യുന്നതിനുമുള്ള കഴിവ്, അതുപോലെ തന്നെ ഡാറ്റയുടെ സ്ഥിരത, പൂർണ്ണത, വിശ്വാസ്യത എന്നിവ ഉറപ്പാക്കണം.
• ഡാറ്റ വെയർഹൗസുകൾ നിർമ്മിക്കുന്നതിനും ഉപയോഗിക്കുന്നതിനുമുള്ള ഒരു പ്രധാന ഘടകമാണ് OLAP (ഓൺ-ലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്). ഈ സാങ്കേതികവിദ്യ മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാ സെറ്റുകളുടെ നിർമ്മാണത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് - OLAP ക്യൂബുകൾ, അവയുടെ അക്ഷങ്ങളിൽ പാരാമീറ്ററുകൾ അടങ്ങിയിരിക്കുന്നു, കൂടാതെ സെല്ലുകളിൽ അവയെ ആശ്രയിക്കുന്ന മൊത്തം ഡാറ്റ അടങ്ങിയിരിക്കുന്നു.
• OLAP പ്രവർത്തനക്ഷമതയുള്ള ആപ്ലിക്കേഷനുകൾ ഉപയോക്താവിന് സ്വീകാര്യമായ സമയത്ത് വിശകലന ഫലങ്ങൾ നൽകണം, ലോജിക്കൽ, സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം നടത്തണം, ഡാറ്റയിലേക്കുള്ള മൾട്ടി-ഉപയോക്തൃ ആക്‌സസ് പിന്തുണയ്ക്കണം, ഡാറ്റയുടെ മൾട്ടി-ഡൈമൻഷണൽ ആശയപരമായ പ്രാതിനിധ്യം നൽകണം, കൂടാതെ ആവശ്യമായ വിവരങ്ങൾ ആക്‌സസ് ചെയ്യാൻ കഴിയണം.

കൂടാതെ, OLAP ക്യൂബുകളുടെ ലോജിക്കൽ ഓർഗനൈസേഷന്റെ അടിസ്ഥാന തത്വങ്ങൾ ഞങ്ങൾ അവലോകനം ചെയ്തു, കൂടാതെ മൾട്ടിഡൈമൻഷണൽ വിശകലനത്തിൽ ഉപയോഗിക്കുന്ന അടിസ്ഥാന നിബന്ധനകളും ആശയങ്ങളും പഠിച്ചു. അവസാനമായി, OLAP ക്യൂബ് അളവുകളിൽ വ്യത്യസ്ത തരം ശ്രേണികൾ എന്താണെന്ന് ഞങ്ങൾ മനസ്സിലാക്കി.

ഈ പരമ്പരയിലെ അടുത്ത ലേഖനത്തിൽ, ഞങ്ങൾ ഡാറ്റ വെയർഹൗസുകളുടെ സാധാരണ ഘടന നോക്കും, ക്ലയന്റ്, സെർവർ OLAP എന്താണെന്നതിനെക്കുറിച്ച് സംസാരിക്കും, കൂടാതെ മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ സംഭരണത്തിന്റെ ചില സാങ്കേതിക വശങ്ങളിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കും.

കമ്പ്യൂട്ടർപ്രസ്സ് 4"2001

ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്, അല്ലെങ്കിൽ OLAP, എല്ലാത്തരം ഡാറ്റയുടെയും വലിയ അളവുകളെ അടിസ്ഥാനമാക്കി സംഗ്രഹ വിവരങ്ങൾ നിർമ്മിക്കുന്ന ഫലപ്രദമായ ഡാറ്റ പ്രോസസ്സിംഗ് സാങ്കേതികവിദ്യയാണ്. വ്യത്യസ്ത വീക്ഷണകോണുകളിൽ നിന്ന് വിശകലനം ചെയ്തുകൊണ്ട് നിങ്ങളുടെ പിസിയിലെ വിവരങ്ങൾ ആക്‌സസ് ചെയ്യാനും വീണ്ടെടുക്കാനും കാണാനും സഹായിക്കുന്ന ശക്തമായ ഒരു ഉൽപ്പന്നമാണിത്.

ദീർഘകാല ആസൂത്രണത്തിന് തന്ത്രപരമായ സ്ഥാനം നൽകുന്ന ഒരു ഉപകരണമാണ് OLAP, കൂടാതെ 5, 10 അല്ലെങ്കിൽ അതിലധികമോ വർഷത്തേക്കുള്ള പ്രവർത്തന ഡാറ്റയുടെ അടിസ്ഥാന വിവരങ്ങൾ പരിശോധിക്കുന്നു. ഒരു അളവിലുള്ള ഡാറ്റാബേസിൽ ഡാറ്റ സംഭരിക്കുന്നു, അത് അതിന്റെ ആട്രിബ്യൂട്ടാണ്. വിശകലനത്തിന്റെ ഉദ്ദേശ്യത്തെ ആശ്രയിച്ച് ഉപയോക്താക്കൾക്ക് വ്യത്യസ്ത ആട്രിബ്യൂട്ടുകൾ ഉപയോഗിച്ച് ഒരേ ഡാറ്റ സെറ്റ് കാണാൻ കഴിയും.

OLAP ന്റെ ചരിത്രം

OLAP ഒരു പുതിയ ആശയമല്ല, പതിറ്റാണ്ടുകളായി ഉപയോഗിച്ചുവരുന്നു. വാസ്തവത്തിൽ, സാങ്കേതികവിദ്യയുടെ ഉത്ഭവം 1962 മുതൽ കണ്ടെത്താനാകും. എന്നാൽ ഈ പദം 1993 ൽ ഡാറ്റാബേസ് രചയിതാവായ ടെഡ് കോഡോം ഉപയോഗിച്ചു, അദ്ദേഹം ഉൽപ്പന്നത്തിനായി 12 നിയമങ്ങളും സ്ഥാപിച്ചു. മറ്റ് പല പ്രയോഗങ്ങളെയും പോലെ, ഈ ആശയം പരിണാമത്തിന്റെ പല ഘട്ടങ്ങൾക്ക് വിധേയമായിട്ടുണ്ട്.

എക്സ്പ്രസ് ഇൻഫർമേഷൻ റിസോഴ്സുകളും ആദ്യത്തെ ഓലാപ് സെർവറും പുറത്തിറങ്ങിയ 1970 മുതലാണ് OLAP സാങ്കേതികവിദ്യയുടെ ചരിത്രം ആരംഭിക്കുന്നത്. അവ 1995-ൽ ഒറാക്കിൾ ഏറ്റെടുത്തു, തുടർന്ന് പ്രശസ്ത കമ്പ്യൂട്ടർ ബ്രാൻഡ് അതിന്റെ ഡാറ്റാബേസിൽ നൽകിയ മൾട്ടി-ഡൈമൻഷണൽ കമ്പ്യൂട്ടിംഗ് എഞ്ചിന്റെ ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗിന് അടിസ്ഥാനമായി. 1992-ൽ, മറ്റൊരു അറിയപ്പെടുന്ന ഓൺലൈൻ അനലിറ്റിക്സ് പ്രോസസ്സിംഗ് ഉൽപ്പന്നമായ എസ്സ്ബേസ്, ആർബർ സോഫ്റ്റ്വെയർ പുറത്തിറക്കി (2007-ൽ ഒറാക്കിൾ ഏറ്റെടുത്തത്).

1998-ൽ, മൈക്രോസോഫ്റ്റ് ഓൺലൈൻ അനലിറ്റിക്കൽ ഡാറ്റ പ്രോസസ്സിംഗ് സെർവർ MS അനാലിസിസ് സർവീസസ് പുറത്തിറക്കി. ഇത് സാങ്കേതികവിദ്യയുടെ ജനപ്രീതിക്ക് കാരണമാവുകയും മറ്റ് ഉൽപ്പന്നങ്ങളുടെ വികസനത്തിന് പ്രേരിപ്പിക്കുകയും ചെയ്തു. IBM, SAS, SAP, Essbase, Microsoft, Oracle, IcCube എന്നിവയുൾപ്പെടെ ഒലാപ് ആപ്ലിക്കേഷനുകൾ വാഗ്ദാനം ചെയ്യുന്ന നിരവധി ലോകപ്രശസ്ത വെണ്ടർമാർ ഇന്ന് ഉണ്ട്.

ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്

ആസൂത്രിതമായ ഇവന്റുകളെ കുറിച്ച് തീരുമാനമെടുക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന ഒരു ഉപകരണമാണ് OLAP. ഒരു വിഭിന്നമായ Olap കണക്കുകൂട്ടൽ ഡാറ്റ സമാഹരിക്കുന്നതിനേക്കാൾ സങ്കീർണ്ണമായേക്കാം. വ്യത്യസ്‌ത ടൂളുകളുടെ പ്രകടനം താരതമ്യം ചെയ്യാൻ ഒരു സ്റ്റാൻഡേർഡ് ബെഞ്ച്‌മാർക്കായി അനലിറ്റിക്കൽ ക്വയറി പെർ മിനിട്ട് (AQM) ഉപയോഗിക്കുന്നു. ഈ സംവിധാനങ്ങൾ ഉപയോക്താക്കളെ സങ്കീർണ്ണമായ അന്വേഷണ വാക്യഘടനയിൽ നിന്ന് പരമാവധി സംരക്ഷിക്കുകയും എല്ലാവർക്കും സ്ഥിരമായ പ്രതികരണ സമയം നൽകുകയും വേണം (എത്ര സങ്കീർണ്ണമായാലും).

OLAP ന്റെ ഇനിപ്പറയുന്ന പ്രധാന സവിശേഷതകൾ ഉണ്ട്:

1. മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റ പ്രാതിനിധ്യം.
2. സങ്കീർണ്ണമായ കണക്കുകൂട്ടലുകൾ പിന്തുണയ്ക്കുന്നു.
3. താൽക്കാലിക നിരീക്ഷണം.

എന്റർപ്രൈസ് ഡാറ്റയിലേക്കുള്ള ഫ്ലെക്സിബിൾ ആക്സസ് വഴി അനലിറ്റിക്കൽ പ്രോസസ്സിംഗിനുള്ള അടിസ്ഥാനം ഒരു മൾട്ടിഡൈമൻഷണൽ കാഴ്ച നൽകുന്നു. ഏത് അളവിലും ഏത് തലത്തിലുള്ള സംയോജനത്തിലും ഡാറ്റ വിശകലനം ചെയ്യാൻ ഇത് ഉപയോക്താക്കളെ അനുവദിക്കുന്നു.

സങ്കീർണ്ണമായ കണക്കുകൂട്ടലുകൾക്കുള്ള പിന്തുണയാണ് OLAP സോഫ്റ്റ്വെയറിന്റെ കാതൽ.

ഒരു നിശ്ചിത കാലയളവിൽ ഏതെങ്കിലും അനലിറ്റിക്സ് ആപ്ലിക്കേഷന്റെ പ്രകടനം വിലയിരുത്താൻ ടൈം ഇന്റലിജൻസ് ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, കഴിഞ്ഞ മാസത്തെ അപേക്ഷിച്ച് ഈ മാസം, കഴിഞ്ഞ വർഷം ഇതേ മാസത്തെ അപേക്ഷിച്ച് ഈ മാസം.

മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റ ഘടന

ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗിന്റെ പ്രധാന സവിശേഷതകളിലൊന്ന് ഡാറ്റയുടെ മൾട്ടിഡൈമൻഷണൽ ഘടനയാണ്. ഒരു ക്യൂബിന് പല അളവുകൾ ഉണ്ടാകും. ഈ മോഡലിന് നന്ദി, മുഴുവൻ OLAP ഖനന പ്രക്രിയയും മാനേജർമാർക്കും എക്സിക്യൂട്ടീവുകൾക്കും ലളിതമാണ്, കാരണം സെല്ലുകളിൽ പ്രതിനിധീകരിക്കുന്ന വസ്തുക്കൾ യഥാർത്ഥ ലോക ബിസിനസ്സ് വസ്തുക്കളാണ്. കൂടാതെ, ഈ ഡാറ്റ മോഡൽ ഉപയോക്താക്കളെ ഘടനാപരമായ അറേകൾ മാത്രമല്ല, ഘടനയില്ലാത്തതും അർദ്ധ-ഘടനാപരമായവയും പ്രോസസ്സ് ചെയ്യാൻ അനുവദിക്കുന്നു. ഇതെല്ലാം ഡാറ്റാ വിശകലനത്തിനും BI ആപ്ലിക്കേഷനുകൾക്കും അവരെ പ്രത്യേകിച്ചും ജനപ്രിയമാക്കുന്നു.

OLAP സിസ്റ്റങ്ങളുടെ പ്രധാന സവിശേഷതകൾ:

1. മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ വിശകലന രീതികൾ ഉപയോഗിക്കുക.
2. വിപുലമായ ഡാറ്റാബേസ് പിന്തുണ നൽകുക.
3. എളുപ്പത്തിൽ ഉപയോഗിക്കാവുന്ന അന്തിമ ഉപയോക്തൃ ഇന്റർഫേസുകൾ സൃഷ്ടിക്കുക.
4. ക്ലയന്റ്/സെർവർ ആർക്കിടെക്ചറിനെ പിന്തുണയ്ക്കുന്നു.

OLAP ആശയങ്ങളുടെ പ്രധാന ഘടകങ്ങളിലൊന്നാണ് ക്ലയന്റ് സൈഡ് സെർവർ. ഒരു റിലേഷണൽ ഡാറ്റാബേസിൽ നിന്നുള്ള ഡാറ്റ കൂട്ടിച്ചേർക്കുന്നതിനും മുൻകൂട്ടി പ്രോസസ്സ് ചെയ്യുന്നതിനും പുറമേ, ഇത് വിപുലമായ കണക്കുകൂട്ടൽ, റെക്കോർഡിംഗ് ഓപ്ഷനുകൾ, അധിക പ്രവർത്തനങ്ങൾ, അടിസ്ഥാന വിപുലമായ അന്വേഷണ ശേഷികൾ, മറ്റ് പ്രവർത്തനങ്ങൾ എന്നിവ നൽകുന്നു.

നിങ്ങൾ തിരഞ്ഞെടുക്കുന്ന ആപ്ലിക്കേഷൻ ഉദാഹരണത്തെ ആശ്രയിച്ച്, തത്സമയ അലേർട്ടിംഗ്, എന്ത് സാഹചര്യങ്ങൾ, ഒപ്റ്റിമൈസേഷൻ, സങ്കീർണ്ണമായ OLAP റിപ്പോർട്ടിംഗ് എന്നിവ ഉൾപ്പെടെ വിവിധ ഡാറ്റ മോഡലുകളും ടൂളുകളും ലഭ്യമാണ്.

ക്യൂബിക് ആകൃതി

ഒരു ക്യൂബിക് ആകൃതിയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ആശയം. ഡാറ്റയുടെ ലേഔട്ട്, OLAP എങ്ങനെ മൾട്ടി-ഡൈമൻഷണൽ വിശകലനത്തിന്റെ തത്വം പാലിക്കുന്നുവെന്ന് കാണിക്കുന്നു, അതിന്റെ ഫലമായി വേഗതയേറിയതും കാര്യക്ഷമവുമായ വിശകലനത്തിനായി രൂപകൽപ്പന ചെയ്ത ഒരു ഡാറ്റാ ഘടന.

ഒരു OLAP ക്യൂബിനെ "ഹൈപ്പർക്യൂബ്" എന്നും വിളിക്കുന്നു. സംഖ്യാ വസ്‌തുതകൾ (അളവുകൾ) മുഖങ്ങളായി (അളവുകൾ) തരംതിരിച്ചിരിക്കുന്നതായി ഇത് വിവരിക്കുന്നു. ഒരു ബിസിനസ് പ്രശ്‌നം നിർവചിക്കുന്ന ആട്രിബ്യൂട്ടുകളെയാണ് അളവുകൾ സൂചിപ്പിക്കുന്നത്. ലളിതമായി പറഞ്ഞാൽ, ഒരു അളവ് എന്നത് ഒരു അളവ് വിവരിക്കുന്ന ഒരു ലേബലാണ്. ഉദാഹരണത്തിന്, വിൽപ്പന റിപ്പോർട്ടുകളിൽ, അളവ് വിൽപ്പനയുടെ അളവായിരിക്കും, കൂടാതെ അളവുകളിൽ വിൽപ്പന കാലയളവ്, വിൽപ്പനക്കാർ, ഉൽപ്പന്നം അല്ലെങ്കിൽ സേവനം, വിൽപ്പന മേഖല എന്നിവ ഉൾപ്പെടുന്നു. മാനുഫാക്ചറിംഗ് ഓപ്പറേഷൻസ് റിപ്പോർട്ടിംഗിൽ, അളവ് മൊത്തം നിർമ്മാണ ചെലവുകളും ഉൽപ്പാദന യൂണിറ്റുകളും ആയിരിക്കാം. അളവുകൾ ഉൽപ്പാദനത്തിന്റെ തീയതി അല്ലെങ്കിൽ സമയം, ഉൽപ്പാദന ഘട്ടം അല്ലെങ്കിൽ ഘട്ടം, ഉൽപ്പാദന പ്രക്രിയയിൽ ഏർപ്പെട്ടിരിക്കുന്ന തൊഴിലാളികൾ പോലും ആയിരിക്കും.

OLAP ഡാറ്റാ ക്യൂബ് സിസ്റ്റത്തിന്റെ ആണിക്കല്ലാണ്. ഒരു ക്യൂബിലെ ഡാറ്റ ഒരു നക്ഷത്രം അല്ലെങ്കിൽ സ്നോഫ്ലെക്ക് സ്കീമ ഉപയോഗിച്ച് ക്രമീകരിച്ചിരിക്കുന്നു. മധ്യഭാഗത്ത് അഗ്രഗേറ്റുകൾ (അളവുകൾ) അടങ്ങിയ ഒരു വസ്തുത പട്ടികയുണ്ട്. അളവുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ അടങ്ങുന്ന ഡയമൻഷൻ ടേബിളുകളുടെ ഒരു ശ്രേണിയുമായി ഇത് ബന്ധപ്പെട്ടിരിക്കുന്നു. ഈ അളവുകൾ എങ്ങനെ വിശകലനം ചെയ്യാമെന്ന് അളവുകൾ വിവരിക്കുന്നു. ഒരു ക്യൂബിൽ മൂന്നിൽ കൂടുതൽ അളവുകൾ ഉണ്ടെങ്കിൽ, അതിനെ പലപ്പോഴും ഹൈപ്പർക്യൂബ് എന്ന് വിളിക്കുന്നു.

ക്യൂബിന്റെ പ്രധാന സവിശേഷതകളിലൊന്ന് അതിന്റെ നിശ്ചല സ്വഭാവമാണ്, ഇത് വികസിപ്പിച്ച ശേഷം ക്യൂബ് മാറ്റാൻ കഴിയില്ലെന്ന് സൂചിപ്പിക്കുന്നു. അതിനാൽ, ക്യൂബ് കൂട്ടിച്ചേർക്കുകയും ഡാറ്റ മോഡൽ സജ്ജീകരിക്കുകയും ചെയ്യുന്ന പ്രക്രിയ OLAP ആർക്കിടെക്ചറിൽ ഉചിതമായ ഡാറ്റ പ്രോസസ്സിംഗിലേക്കുള്ള നിർണായക ഘട്ടമാണ്.

ഡാറ്റ ലയിപ്പിക്കൽ

OLAP ടൂളുകളിൽ (OLTP-യുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ) അന്വേഷണങ്ങൾ വളരെ വേഗത്തിൽ പ്രോസസ്സ് ചെയ്യപ്പെടുന്നതിനുള്ള പ്രധാന കാരണം അഗ്രഗേഷനുകളുടെ ഉപയോഗമാണ്. പ്രോസസ്സിംഗ് സമയത്ത് മുൻകൂട്ടി കണക്കാക്കിയ ഡാറ്റയുടെ സംഗ്രഹങ്ങളാണ് സംഗ്രഹങ്ങൾ. OLAP ഡൈമൻഷൻ ടേബിളുകളിൽ സംഭരിച്ചിരിക്കുന്ന എല്ലാ അംഗങ്ങളും ക്യൂബിന് ലഭിക്കാവുന്ന ചോദ്യങ്ങൾ നിർണ്ണയിക്കുന്നു.

ഒരു ക്യൂബിൽ, വിവരങ്ങളുടെ ശേഖരണം സെല്ലുകളിൽ സംഭരിക്കുന്നു, അവയുടെ കോർഡിനേറ്റുകൾ നിർദ്ദിഷ്ട അളവുകളാൽ വ്യക്തമാക്കുന്നു. ഒരു ക്യൂബിൽ അടങ്ങിയിരിക്കാവുന്ന അഗ്രഗേറ്റുകളുടെ എണ്ണം ഡൈമൻഷൻ അംഗങ്ങളുടെ സാധ്യമായ എല്ലാ സംയോജനങ്ങളെയും ആശ്രയിച്ചിരിക്കുന്നു. അതിനാൽ, ഒരു ആപ്ലിക്കേഷനിലെ ഒരു സാധാരണ ക്യൂബിൽ വളരെ വലിയ അഗ്രഗേറ്റുകൾ അടങ്ങിയിരിക്കാം. ഓൺലൈൻ അനലിറ്റിക്‌സ് ക്യൂബിൽ ഉടനീളം വിതരണം ചെയ്യുന്ന പ്രധാന അഗ്രഗേറ്റുകൾക്ക് മാത്രമേ മുൻകൂട്ടി കണക്കുകൂട്ടൽ നടത്തൂ. ഡാറ്റാ മോഡലിൽ ഒരു ചോദ്യം പ്രവർത്തിപ്പിക്കുമ്പോൾ ഏതെങ്കിലും അഗ്രിഗേഷനുകൾ നിർവചിക്കുന്നതിന് ആവശ്യമായ സമയം ഇത് ഗണ്യമായി കുറയ്ക്കും.

നിങ്ങളുടെ ഫിനിഷ്ഡ് ക്യൂബിന്റെ പ്രകടനം മെച്ചപ്പെടുത്താൻ നിങ്ങൾക്ക് ഉപയോഗിക്കാവുന്ന അഗ്രഗേഷനുകളുമായി ബന്ധപ്പെട്ട രണ്ട് ഓപ്ഷനുകളുണ്ട്: ഒരു കഴിവുള്ള കാഷെ അഗ്രഗേഷൻ സൃഷ്‌ടിക്കുകയും ഉപയോക്തൃ അന്വേഷണ-അടിസ്ഥാന അഗ്രഗേഷൻ ഉപയോഗിക്കുക.

പ്രവർത്തന തത്വം

സാധാരണഗതിയിൽ, ഇടപാടുകളിൽ നിന്ന് ലഭിച്ച പ്രവർത്തന വിവരങ്ങളുടെ വിശകലനം ഒരു ലളിതമായ സ്പ്രെഡ്ഷീറ്റ് ഉപയോഗിച്ച് നടത്താം (ഡാറ്റ മൂല്യങ്ങൾ വരികളിലും നിരകളിലും അവതരിപ്പിച്ചിരിക്കുന്നു). ഡാറ്റയുടെ ദ്വിമാന സ്വഭാവം കണക്കിലെടുക്കുമ്പോൾ ഇത് നല്ലതാണ്. OLAP-ന്റെ കാര്യത്തിൽ വ്യത്യാസങ്ങളുണ്ട്, അത് ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ അറേയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. അവ പലപ്പോഴും വ്യത്യസ്‌ത സ്രോതസ്സുകളിൽ നിന്ന് വരുന്നതിനാൽ, സ്‌പ്രെഡ്‌ഷീറ്റിന് എല്ലായ്പ്പോഴും അവ കാര്യക്ഷമമായി പ്രോസസ്സ് ചെയ്യാൻ കഴിയില്ല.

ക്യൂബ് ഈ പ്രശ്നം പരിഹരിക്കുന്നു, കൂടാതെ OLAP ഡാറ്റ വെയർഹൗസ് യുക്തിസഹവും ക്രമാനുഗതവുമായ രീതിയിൽ പ്രവർത്തിക്കുന്നു. ബിസിനസ്സുകൾ നിരവധി ഉറവിടങ്ങളിൽ നിന്ന് ഡാറ്റ ശേഖരിക്കുകയും ടെക്‌സ്‌റ്റ് ഫയലുകൾ, മൾട്ടിമീഡിയ ഫയലുകൾ, എക്‌സൽ സ്‌പ്രെഡ്‌ഷീറ്റുകൾ, ആക്‌സസ് ഡാറ്റാബേസുകൾ, കൂടാതെ OLTP ഡാറ്റാബേസുകൾ എന്നിങ്ങനെയുള്ള വിവിധ ഫോർമാറ്റുകളിൽ വരുന്നു.

എല്ലാ ഡാറ്റയും ഉറവിടങ്ങളിൽ നിന്ന് നേരിട്ട് പൂരിപ്പിച്ച ഒരു വെയർഹൗസിൽ ശേഖരിക്കുന്നു. അതിൽ, OLTP-യിൽ നിന്നും മറ്റ് ഉറവിടങ്ങളിൽ നിന്നും ലഭിക്കുന്ന അസംസ്കൃത വിവരങ്ങൾ തെറ്റായതും അപൂർണ്ണവും പൊരുത്തമില്ലാത്തതുമായ ഇടപാടുകളിൽ നിന്ന് മായ്‌ക്കും.

വൃത്തിയാക്കി രൂപാന്തരപ്പെടുത്തിക്കഴിഞ്ഞാൽ, വിവരങ്ങൾ ഒരു റിലേഷണൽ ഡാറ്റാബേസിൽ സൂക്ഷിക്കും. പിന്നീട് അത് വിശകലനത്തിനായി ഒരു മൾട്ടിഡൈമൻഷണൽ OLAP സെർവറിലേക്ക് (അല്ലെങ്കിൽ Olap ക്യൂബ്) അപ്‌ലോഡ് ചെയ്യും. ബിസിനസ്സ് ആപ്ലിക്കേഷനുകൾ, ഡാറ്റ മൈനിംഗ്, മറ്റ് ബിസിനസ്സ് പ്രവർത്തനങ്ങൾ എന്നിവയ്ക്ക് ഉത്തരവാദികളായ അന്തിമ ഉപയോക്താക്കൾക്ക് Olap ക്യൂബിൽ നിന്ന് ആവശ്യമായ വിവരങ്ങളിലേക്ക് ആക്സസ് ഉണ്ടായിരിക്കും.

അറേ മോഡലിന്റെ പ്രയോജനങ്ങൾ

ഒപ്റ്റിമൈസ് ചെയ്ത സ്റ്റോറേജ്, മൾട്ടി-ഡൈമൻഷണൽ ഇൻഡക്‌സിംഗ്, കാഷിംഗ് എന്നിവയിലൂടെ നേടിയ വേഗതയേറിയ അന്വേഷണ പ്രകടനം നൽകുന്ന ഒരു ഉപകരണമാണ് OLAP, ഇത് സിസ്റ്റത്തിന്റെ പ്രധാന നേട്ടങ്ങളിൽ ഒന്നാണ്. കൂടാതെ, ഗുണങ്ങൾ ഇവയാണ്:

1. ഡിസ്കിൽ ചെറിയ ഡാറ്റ വലുപ്പം.
2. ഉയർന്ന തലത്തിലുള്ള ഡാറ്റ അഗ്രഗേറ്റുകളുടെ സ്വയമേവയുള്ള കണക്കുകൂട്ടൽ.
3. അറേ മോഡലുകൾ സ്വാഭാവിക ഇൻഡെക്സിംഗ് നൽകുന്നു.
4. പ്രിലിമിനറി സ്ട്രക്ചറിങ്ങിലൂടെയാണ് ഫലപ്രദമായ ഡാറ്റ എക്സ്ട്രാക്ഷൻ സാധ്യമാകുന്നത്.
5. ലോ-ഡൈമൻഷണൽ ഡാറ്റാ സെറ്റുകൾക്കുള്ള കോംപാക്‌ട്‌നെസ്.

OLAP-ന്റെ പോരായ്മകളിൽ ചില തീരുമാനങ്ങൾ (പ്രോസസ്സിംഗ് സ്റ്റെപ്പുകൾ) വളരെയധികം സമയമെടുക്കുമെന്ന വസ്തുത ഉൾപ്പെടുന്നു, പ്രത്യേകിച്ച് വലിയ അളവിലുള്ള വിവരങ്ങൾ. ഇത് സാധാരണയായി ഇൻക്രിമെന്റൽ പ്രോസസ്സിംഗ് (മാറിപ്പോയ ഡാറ്റയിൽ നിന്ന് പഠിക്കൽ) നടത്തി ശരിയാക്കുന്നു.

അടിസ്ഥാന വിശകലന പ്രവർത്തനങ്ങൾ

കൺവ്യൂഷൻ(റോൾ-അപ്പ് / ഡ്രിൽ-അപ്പ്) "കോൺസോളിഡേഷൻ" എന്നും അറിയപ്പെടുന്നു. ലഭിക്കുന്ന എല്ലാ ഡാറ്റയും എടുക്കുകയും ഒന്നോ അതിലധികമോ അളവുകളിൽ എല്ലാം കണക്കാക്കുകയും ചെയ്യുന്നു. മിക്കപ്പോഴും, ഇതിന് ഒരു ഗണിത സൂത്രവാക്യം ആവശ്യമായി വന്നേക്കാം. ഒരു OLAP ഉദാഹരണമായി, വിവിധ നഗരങ്ങളിലെ ഔട്ട്‌ലെറ്റുകളുള്ള ഒരു റീട്ടെയിൽ ശൃംഖല നമുക്ക് പരിഗണിക്കാം. പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിനും ഭാവിയിലെ വിൽപ്പന ട്രെൻഡുകൾ മുൻകൂട്ടി അറിയുന്നതിനും, എല്ലാ സ്ഥലങ്ങളിൽ നിന്നുമുള്ള വിൽപ്പന ഡാറ്റ, ഏകീകരണത്തിനും കണക്കുകൂട്ടലിനും വേണ്ടി കമ്പനിയുടെ പ്രധാന വിൽപ്പന വകുപ്പിലേക്ക് "റോൾ അപ്പ്" ചെയ്യുന്നു.

വെളിപ്പെടുത്തൽ(ഡ്രിൽ-ഡൗൺ). ഇത് ഉരുളുന്നതിന്റെ വിപരീതമാണ്. പ്രക്രിയ ഒരു വലിയ ഡാറ്റാ സെറ്റിൽ ആരംഭിക്കുന്നു, തുടർന്ന് അതിനെ ചെറിയ ഭാഗങ്ങളായി വിഭജിക്കുന്നു, അതുവഴി വിശദാംശങ്ങൾ കാണാൻ ഉപയോക്താക്കളെ അനുവദിക്കുന്നു. റീട്ടെയിൽ ശൃംഖലയുടെ ഉദാഹരണത്തിൽ, അനലിസ്റ്റ് വിൽപ്പന ഡാറ്റ വിശകലനം ചെയ്യുകയും വ്യത്യസ്ത നഗരങ്ങളിലെ ഓരോ ഔട്ട്‌ലെറ്റിലും മികച്ച വിൽപ്പനക്കാരായി കണക്കാക്കപ്പെടുന്ന വ്യക്തിഗത ബ്രാൻഡുകൾ അല്ലെങ്കിൽ ഉൽപ്പന്നങ്ങൾ നോക്കുകയും ചെയ്യും.

വിഭാഗം(സ്ലൈസ് ആൻഡ് ഡൈസ്). വിശകലന പ്രവർത്തനങ്ങളിൽ രണ്ട് പ്രവർത്തനങ്ങൾ ഉൾപ്പെടുന്ന ഒരു പ്രക്രിയയാണിത്: ഒരു OLAP ക്യൂബിൽ നിന്ന് ഒരു പ്രത്യേക സെറ്റ് ഡാറ്റ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നു (വിശകലനത്തിന്റെ "കട്ടിംഗ്" വശം) അത് വ്യത്യസ്ത വീക്ഷണകോണുകളിൽ നിന്നോ കോണുകളിൽ നിന്നോ വീക്ഷിക്കുന്നു. എല്ലാ പോയിന്റ് ഓഫ് സെയിൽ ഡാറ്റയും ലഭിക്കുകയും ഹൈപ്പർക്യൂബിൽ നൽകുകയും ചെയ്യുമ്പോൾ ഇത് സംഭവിക്കാം. ഒരു OLAP ക്യൂബിൽ നിന്ന് വിൽപ്പനയുമായി ബന്ധപ്പെട്ട ഒരു കൂട്ടം ഡാറ്റ ഒരു അനലിസ്റ്റ് മുറിക്കുന്നു. അടുത്തതായി, ഓരോ പ്രദേശത്തെയും വ്യക്തിഗത യൂണിറ്റുകളുടെ വിൽപ്പന വിശകലനം ചെയ്യുമ്പോൾ അത് കാണും. ഈ സമയത്ത്, മറ്റ് ഉപയോക്താക്കൾക്ക് വിൽപ്പനയുടെ ചെലവ്-ഫലപ്രാപ്തി വിലയിരുത്തുന്നതിനോ മാർക്കറ്റിംഗ്, പരസ്യ പ്രചാരണത്തിന്റെ ഫലപ്രാപ്തി വിലയിരുത്തുന്നതിനോ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ കഴിയും.

വളവ്(പിവറ്റ്). വിവരങ്ങളുടെ ഒരു പകരം പ്രതിനിധാനം നൽകുന്നതിന് ഇത് ഡാറ്റ അക്ഷങ്ങൾ തിരിക്കുന്നു.

ഡാറ്റാബേസുകളുടെ തരങ്ങൾ

അടിസ്ഥാനപരമായി, ഇത് OLAP ക്യൂബ് അല്ലെങ്കിൽ ഏതെങ്കിലും ഡാറ്റ ക്യൂബ് ഉപയോഗിച്ച് മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റയുടെ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ് നടപ്പിലാക്കുന്ന ഒരു സാധാരണ OLAP ക്യൂബ് ആണ്, അതിനാൽ വിശകലന പ്രക്രിയയ്ക്ക് ആവശ്യമായ അളവുകൾ ചേർക്കാൻ കഴിയും. ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാബേസിലേക്ക് ലോഡുചെയ്തിരിക്കുന്ന ഏതൊരു വിവരവും സംഭരിക്കുകയോ ആർക്കൈവ് ചെയ്യുകയോ ചെയ്യും, ആവശ്യമുള്ളപ്പോൾ തിരിച്ചുവിളിക്കാവുന്നതാണ്.

	അർത്ഥം
റിലേഷണൽ OLAP (ROLAP)	സ്റ്റാൻഡേർഡ് റിലേഷണൽ ഓപ്പറേഷൻ നടത്തുന്നതിനുള്ള മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ മാപ്പിംഗിനൊപ്പം ഒരു നൂതന DBMS ആണ് ROLAP
മൾട്ടിഡൈമൻഷണൽ OLAP (MOLAP)	MOLAP - മൾട്ടിഡൈമൻഷണൽ ഡാറ്റയിൽ ജോലി നടപ്പിലാക്കുന്നു
ഹൈബ്രിഡ് ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ് (HOLAP)	HOLAP സമീപനത്തിൽ, മൊത്തം മൊത്തങ്ങൾ ഒരു മൾട്ടിഡൈമൻഷണൽ ഡാറ്റാബേസിൽ സംഭരിക്കുകയും വിശദമായ വിവരങ്ങൾ ഒരു റിലേഷണൽ ഡാറ്റാബേസിൽ സൂക്ഷിക്കുകയും ചെയ്യുന്നു. ഇത് ROLAP മോഡലിന്റെ കാര്യക്ഷമതയും MOLAP മോഡലിന്റെ പ്രകടനവും നൽകുന്നു
ഡെസ്ക്ടോപ്പ് OLAP (DOLAP)	ഡെസ്‌ക്‌ടോപ്പ് OLAP-ൽ, ഉപയോക്താവ് ഒരു ഡാറ്റാബേസിൽ നിന്ന് പ്രാദേശികമായോ അവന്റെ ഡെസ്‌ക്‌ടോപ്പിലേക്കോ ഒരു ഡാറ്റ ഡൗൺലോഡ് ചെയ്‌ത് വിശകലനം ചെയ്യുന്നു. DOLAP വിന്യസിക്കാൻ താരതമ്യേന വിലകുറഞ്ഞതാണ്, കാരണം മറ്റ് OLAP സിസ്റ്റങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഇത് വളരെ കുറച്ച് പ്രവർത്തനക്ഷമതയാണ് നൽകുന്നത്.
വെബ് OLAP (WOLAP)	ഒരു വെബ് ബ്രൗസറിലൂടെ ആക്സസ് ചെയ്യാവുന്ന ഒരു OLAP സിസ്റ്റമാണ് വെബ് OLAP. WOLAP ഒരു ത്രിതല വാസ്തുവിദ്യയാണ്. ഇതിൽ മൂന്ന് ഘടകങ്ങൾ അടങ്ങിയിരിക്കുന്നു: ക്ലയന്റ്, മിഡിൽവെയർ, ഡാറ്റാബേസ് സെർവർ
മൊബൈൽ OLAP	മൊബൈൽ OLAP ഉപയോക്താക്കളെ അവരുടെ മൊബൈൽ ഉപകരണങ്ങൾ ഉപയോഗിച്ച് OLAP ഡാറ്റ ആക്സസ് ചെയ്യാനും വിശകലനം ചെയ്യാനും സഹായിക്കുന്നു
സ്പേഷ്യൽ OLAP	ഒരു ജിയോഗ്രാഫിക് ഇൻഫർമേഷൻ സിസ്റ്റത്തിൽ (ജിഐഎസ്) സ്പേഷ്യൽ, നോൺ സ്പേഷ്യൽ ഡാറ്റയുടെ മാനേജ്മെന്റ് സുഗമമാക്കുന്നതിനാണ് SOLAP സൃഷ്ടിച്ചിരിക്കുന്നത്.

അത്ര അറിയപ്പെടാത്ത OLAP സംവിധാനങ്ങളോ സാങ്കേതികവിദ്യകളോ ഉണ്ട്, എന്നാൽ ഇവയാണ് നിലവിൽ വൻകിട കോർപ്പറേഷനുകളും ബിസിനസുകളും സർക്കാരുകളും പോലും ഉപയോഗിക്കുന്നത്.

OLAP ടൂളുകൾ

ഓൺലൈൻ അനലിറ്റിക്‌സ് ടൂളുകൾ ഇൻറർനെറ്റിൽ പണമടച്ചുള്ളതും സൗജന്യവുമായ പതിപ്പുകളിൽ നന്നായി ലഭ്യമാണ്.

അവയിൽ ഏറ്റവും ജനപ്രിയമായത്:

1. സംയോജിത ഡാഷ്‌ബോർഡുകൾ, OLAP റിപ്പോർട്ടിംഗ്, ഡാറ്റ അനലിറ്റിക്‌സ് എന്നിവ ഉൾപ്പെടുന്ന ബിസിനസ്സ് ഇന്റലിജൻസിനും ഡാറ്റ വിഷ്വലൈസേഷനുമുള്ള ഒരു ബ്രൗസർ അധിഷ്‌ഠിത പ്ലാറ്റ്‌ഫോമാണ് ദുണ്ടാസ് ഡാറ്റാ വിഷ്വലൈസേഷനിൽ നിന്നുള്ള Dundas BI.
2. വ്യത്യസ്‌ത വ്യവസായങ്ങളിലും വലുപ്പത്തിലുമുള്ള കമ്പനികൾക്കായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന ഒരൊറ്റ സംയോജിത പരിഹാരം നൽകുന്ന ഒരു ബിസിനസ് ഇന്റലിജൻസ് പ്ലാറ്റ്‌ഫോമാണ് യെല്ലോഫിൻ. അക്കൗണ്ടിംഗ്, പരസ്യംചെയ്യൽ, കൃഷി തുടങ്ങിയ മേഖലകളിലെ സംരംഭങ്ങൾക്കായി ഈ സംവിധാനം ഇച്ഛാനുസൃതമാക്കിയിരിക്കുന്നു.
3. ClicData എന്നത് ഒരു ബിസിനസ് ഇന്റലിജൻസ് (BI) സൊല്യൂഷനാണ്, പ്രധാനമായും ചെറുകിട, ഇടത്തരം ബിസിനസുകൾക്കായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നു. റിപ്പോർട്ടുകളും ഡാഷ്‌ബോർഡുകളും സൃഷ്‌ടിക്കാൻ ടൂൾ അന്തിമ ഉപയോക്താക്കളെ അനുവദിക്കുന്നു. ബിസിനസ് ഇന്റലിജൻസ്, കോർപ്പറേറ്റ് പെർഫോമൻസ് മാനേജ്‌മെന്റ് എന്നിവ സംയോജിപ്പിക്കുന്നതിനാണ് ബോർഡ് രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നത്, ഇത് മിഡ്-മാർക്കറ്റ്, എന്റർപ്രൈസ് കമ്പനികൾക്ക് സേവനം നൽകുന്ന ഒരു പൂർണ്ണ ഫീച്ചർ സംവിധാനമാണ്.
4. സ്‌പ്രെഡ്‌ഷീറ്റുകൾ, ഡാറ്റാബേസുകൾ, സോഷ്യൽ മീഡിയകൾ, നിലവിലുള്ള ഏതെങ്കിലും ക്ലൗഡ് അല്ലെങ്കിൽ ഓൺ-പ്രിമൈസ് സോഫ്‌റ്റ്‌വെയർ സൊല്യൂഷൻ എന്നിവയുൾപ്പെടെ ഒന്നിലധികം ഡാറ്റ ഉറവിടങ്ങളുമായി സംയോജിപ്പിക്കുന്ന ഒരു ക്ലൗഡ് അധിഷ്‌ഠിത ബിസിനസ്സ് മാനേജ്‌മെന്റ് സ്യൂട്ട് ആണ് Domo.
5. ഒരു മാഷപ്പ് എഞ്ചിൻ ഉപയോഗിച്ച് ഡാഷ്‌ബോർഡുകളും വിഷ്വൽ OLAP വിശകലന സാങ്കേതികവിദ്യയും റിപ്പോർട്ടുകളും സൃഷ്‌ടിക്കാൻ ഉപയോക്താക്കളെ അനുവദിക്കുന്ന ബിസിനസ്സ് അനലിസ്റ്റുകൾക്കുള്ള ഒരു സോഫ്റ്റ്‌വെയർ പ്ലാറ്റ്‌ഫോമാണ് InetSoft Style Intelligence.
6. വിവരമുള്ള തീരുമാനങ്ങൾ എടുക്കാൻ നിങ്ങളെ സഹായിക്കുന്നതിന് വൈവിധ്യമാർന്ന ടീമുകളുടെ സ്ഥിതിവിവരക്കണക്കുകൾ ബന്ധിപ്പിക്കുന്ന ഒരു വെബ് അധിഷ്ഠിത ബിസിനസ്സ് ഇന്റലിജൻസ് ആൻഡ് അനലിറ്റിക്സ് സൊല്യൂഷനാണ് Birst from Infor Company. വികേന്ദ്രീകൃത ഉപയോക്താക്കളെ എന്റർപ്രൈസ് ടീം മോഡൽ സ്കെയിൽ ചെയ്യാൻ ഉപകരണം അനുവദിക്കുന്നു.
7. വിതരണ ശൃംഖല മാനേജുമെന്റിനായി ബിസിനസ് പ്ലാനിംഗിലും ഇൻവെന്ററി പ്രവചനത്തിലും സഹായിക്കുന്ന ഒരു സമഗ്ര സപ്ലൈ ചെയിൻ മാനേജ്‌മെന്റും ബിസിനസ് ഇന്റലിജൻസ് സിസ്റ്റവുമാണ് ഹാലോ. സിസ്റ്റം എല്ലാ ഉറവിടങ്ങളിൽ നിന്നുമുള്ള ഡാറ്റ ഉപയോഗിക്കുന്നു - വലുതും ചെറുതും അതിനിടയിലുള്ളതും.
8. സ്ഥാപകർ, ബിസിനസ്സ് ടീമുകൾ, ഡാറ്റാ അനലിസ്റ്റുകൾ, ഉൽപ്പന്ന ടീമുകൾ എന്നിവർക്ക് അവരുടെ ദൈനംദിന പ്രവർത്തനത്തിനുള്ള ഓർഗനൈസേഷണൽ ടൂളുകൾ നൽകുന്ന ക്ലൗഡ് അധിഷ്‌ഠിത ബിസിനസ്സ് ഇന്റലിജൻസ് സൊല്യൂഷനാണ് ചാർറ്റിയോ.
9. വെബ് ആപ്ലിക്കേഷനുകളിൽ നടപ്പിലാക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്ത ഒരു വെബ് അധിഷ്ഠിത പരിഹാരമാണ് Exago BI. Exago BI നടപ്പിലാക്കുന്നത് എല്ലാ വലിപ്പത്തിലുള്ള കമ്പനികളെയും അവരുടെ ക്ലയന്റുകൾക്ക് അനുയോജ്യമായതും സമയബന്ധിതവും സംവേദനാത്മകവുമായ റിപ്പോർട്ടിംഗ് നൽകാൻ പ്രാപ്തമാക്കുന്നു.

ബിസിനസ്സ് ആഘാതം

വ്യവസായങ്ങളിലുടനീളമുള്ള മിക്ക ബിസിനസ് ആപ്ലിക്കേഷനുകളിലും ഉപയോക്താവ് OLAP കണ്ടെത്തും. വിശകലനം ബിസിനസ്സ് മാത്രമല്ല, മറ്റ് താൽപ്പര്യമുള്ള കക്ഷികളും ഉപയോഗിക്കുന്നു.

അതിന്റെ ഏറ്റവും സാധാരണമായ ചില ആപ്ലിക്കേഷനുകളിൽ ഇവ ഉൾപ്പെടുന്നു:

1. മാർക്കറ്റിംഗ് OLAP ഡാറ്റ വിശകലനം.
2. സാമ്പത്തിക റിപ്പോർട്ടിംഗ്, അത് വിൽപ്പനയും ചെലവുകളും, ബജറ്റിംഗ്, സാമ്പത്തിക ആസൂത്രണം എന്നിവ ഉൾക്കൊള്ളുന്നു.
3. ബിസിനസ്സ് പ്രോസസ്സ് മാനേജ്മെന്റ്.
4. വിൽപ്പന വിശകലനം.
5. ഡാറ്റാബേസ് മാർക്കറ്റിംഗ്.

വ്യവസായങ്ങൾ വളരുന്നത് തുടരുന്നു, അതായത് ഉപയോക്താക്കൾ ഉടൻ തന്നെ കൂടുതൽ OLAP ആപ്ലിക്കേഷനുകൾ കാണും. മൾട്ടിഡൈമൻഷണൽ അഡാപ്റ്റീവ് പ്രോസസ്സിംഗ് കൂടുതൽ ചലനാത്മക വിശകലനം നൽകുന്നു. ഇക്കാരണത്താൽ, ഈ OLAP സംവിധാനങ്ങളും സാങ്കേതികവിദ്യകളും എന്തെല്ലാം സാഹചര്യങ്ങളും ഇതര ബിസിനസ്സ് സാഹചര്യങ്ങളും വിലയിരുത്താൻ ഉപയോഗിക്കുന്നു.