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

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 ഡാറ്റാബേസിന്റെ 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 സ്ഥാപനത്തിന് 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 വിസാർഡിന്റെ നിർദ്ദിഷ്ട കമാൻഡ് തിരഞ്ഞെടുക്കുമ്പോൾ (ചിത്രം 2). സെർവറിലേക്ക് ഒരു കണക്ഷൻ സ്ഥാപിക്കാൻ നിങ്ങളെ സഹായിക്കുക എന്നതാണ് ഇതിന്റെ പ്രധാന ദൌത്യം, ഡാറ്റ കൈകാര്യം ചെയ്യുമ്പോൾ Excel ഉപയോഗിക്കും.

1. ആദ്യം നിങ്ങൾ എക്സൽ രജിസ്ട്രേഷൻ വിവരങ്ങൾ നൽകേണ്ടതുണ്ട്. ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്നതുപോലെ, ഡയലോഗ് ബോക്‌സിന്റെ ഫീൽഡുകളിൽ സെർവറിന്റെ പേര്, ലോഗിൻ നാമം, ഡാറ്റ ആക്‌സസ് പാസ്‌വേഡ് എന്നിവ നൽകുക. 2. ബട്ടൺ ക്ലിക്ക് ചെയ്യുക കൂടുതൽ. നിങ്ങൾ ഒരു വിൻഡോസ് അക്കൗണ്ട് ഉപയോഗിച്ചാണ് കണക്റ്റുചെയ്യുന്നതെങ്കിൽ, സ്വിച്ച് തിരഞ്ഞെടുക്കുക വിൻഡോസ് ഓതന്റിക്കേഷൻ 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 ബോക്സിന്റെ 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 ടേബിളിന്റെ ക്രമീകരണത്തിലാണ് കാരണം, അതിൽ ഘടിപ്പിച്ചിരിക്കുന്ന OLAP ക്യൂബിന്റെ ഘടനയെ അടുത്ത് പ്രതിഫലിപ്പിക്കുന്നു. ഒരു OLAP ക്യൂബിലൂടെ കഴിയുന്നത്ര വേഗത്തിൽ നാവിഗേറ്റ് ചെയ്യുന്നതിന്, അതിന്റെ ഘടകങ്ങളെക്കുറിച്ചും അവ എങ്ങനെ ഇടപഴകുന്നുവെന്നും നിങ്ങൾ നന്നായി അറിയേണ്ടതുണ്ട്. ചിത്രത്തിൽ. ഒരു സാധാരണ OLAP ക്യൂബിന്റെ അടിസ്ഥാന ഘടന ചിത്രം 6 കാണിക്കുന്നു.

നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, OLAP ക്യൂബിന്റെ 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 അളവിന്റെ 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 ക്യൂബിന്റെ 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 ക്യൂബിന്റെ 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 ടേബിളിന്റെ 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 വിസാർഡിന്റെ 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 ക്യൂബിന്റെ 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-ന്റെ 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, ഡാറ്റ 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 ഇനി പിവറ്റ് ടേബിൾ ഒബ്‌ജക്റ്റിന്റെ ഭാഗമല്ലാത്തതിനാൽ, നിങ്ങൾക്ക് കോളങ്ങളും വരികളും കണക്കാക്കിയ അംഗങ്ങളും ചേർക്കാനും മറ്റ് ബാഹ്യ ഉറവിടങ്ങളുമായി സംയോജിപ്പിക്കാനും നിങ്ങളുടെ റിപ്പോർട്ട് വലിച്ചിടുന്നതും വലിച്ചിടുന്നതും ഉൾപ്പെടെ വിവിധ രീതികളിൽ പരിഷ്‌ക്കരിക്കാനും കഴിയും. സൂത്രവാക്യങ്ങൾ.

OLAP പിവറ്റ് പട്ടികകളിലേക്ക് കണക്കുകൂട്ടലുകൾ ചേർക്കുന്നു

Excel-ന്റെ 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 മെറ്റീരിയലുമായി നിങ്ങൾക്ക് പരിചയമുണ്ടെന്ന് ഉറപ്പാക്കുക. വായന ).

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

MDX-ന്റെ 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. അന്വേഷണത്തിന്റെ 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-ന്റെ കഴിവുകൾ കൂടുതൽ ആഴത്തിൽ പരിശോധിക്കാൻ നിങ്ങൾ സമയമെടുക്കേണ്ടതുണ്ട്.

കണക്കാക്കിയ അളവുകൾ സൃഷ്ടിക്കുക.കണക്കാക്കിയ ഫീൽഡിന്റെ 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 ഓരോന്നിന്റെയും വിൽപ്പനയിൽ നിന്നുള്ള വരുമാനവും ഉൾപ്പെടുന്നു. ഒരു ഇനത്തിന്റെ 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 അളവിന്റെ 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 അംഗത്തിന്റെ 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). വർഷത്തിന്റെ 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, വർഷത്തിന്റെ ആദ്യ പകുതിയും വർഷത്തിന്റെ 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. വർഷത്തിന്റെ 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 പാരന്റ് ഹൈരാർക്കി അല്ലെങ്കിൽ പാരന്റ് എലമെന്റ് 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 ഇന്റർഫേസ് 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 മാനേജ്മെന്റ്. ജനലിൽ കമ്പ്യൂട്ട് മാനേജ്മെന്റ്മൂന്ന് 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 മാനേജ്മെന്റ്

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

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

എന്നിവരുമായി ബന്ധപ്പെട്ടു

സഹപാഠികൾ

കോൺസ്റ്റാന്റിൻ ടോക്മാചേവ്, സിസ്റ്റം ആർക്കിടെക്റ്റ്

ഒരു ക്യൂബിസ്റ്റ് ശൈലിയിൽ.
വലിയ കമ്പനികളുടെ മാനേജ്മെന്റ് പ്രാക്ടീസിൽ OLAP ക്യൂബുകളുടെ പ്രയോഗം

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

ബിസിനസ് അനലിറ്റിക്‌സിന്റെ നേട്ടങ്ങളെക്കുറിച്ച്

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

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

ഒരു BI സ്പെഷ്യലിസ്റ്റ്, വാസ്തവത്തിൽ, ഒരു അപ്ലൈഡ് 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 ബിസിനസ് അനലിസ്റ്റിന്റെ ജോലിസ്ഥലത്തിന് ഒരു നല്ല അടിത്തറയായി മാറും, ഒരുപക്ഷേ അമേരിക്കൻ ബിഐയുടെ ദിശയിലുള്ള ചില നൂതന 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 അക്കൗണ്ടന്റും മാനേജരും പ്രോഗ്രാമറും. ക്രൈലോവ്, കോർപ്പറേഷനെ വ്യത്യസ്ത ദിശകളിലേക്ക് വലിക്കുന്നു.

അക്കൗണ്ടന്റ് റിപ്പോർട്ടിംഗിൽ തിരക്കിലാണ്; അർത്ഥത്തിലും ചലനാത്മകതയിലും അവന്റെ തുകകൾ കമ്പനിയുടെ ബിസിനസ്സ് പ്രക്രിയയുമായി നേരിട്ട് ബന്ധപ്പെട്ടിട്ടില്ല.

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

അവസാനമായി, ഒരു കാലത്ത് (അദ്ദേഹത്തിന്റെ വിദ്യാഭ്യാസത്തിന് നന്ദി) സയൻസ് മേഖല മുതൽ ബിസിനസ്സ് മേഖലയിലേക്കുള്ള നൂതന സാങ്കേതിക ആശയങ്ങളുടെ ചാലകനായിരുന്ന പ്രോഗ്രാമർ, അക്കൗണ്ടന്റിന്റെയും മാനേജരുടെയും ഫാന്റസികളുടെ നിഷ്ക്രിയ നിർവ്വഹണക്കാരനായി മാറി, അതിനാൽ അത് ഇല്ല. കോർപ്പറേഷനുകളുടെ ഐടി ഡിപ്പാർട്ട്‌മെന്റുകൾ അക്കൗണ്ടന്റുമാരാലും 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 അനലിസ്റ്റിന്റെ സ്ഥാനം, വിജ്ഞാന-തീവ്രമായ SSAS ഉപകരണം കൊണ്ട് സജ്ജീകരിച്ചിരിക്കുന്നു, പ്രോഗ്രാമിംഗിന്റെയും അക്കൗണ്ടിംഗിന്റെയും 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 ഇന്റർഫേസും വഴക്കമുള്ള അന്വേഷണ ഭാഷയും (മൾട്ടിഡൈമൻഷണൽ എക്‌സ്‌പ്രഷനുകൾ) ആവശ്യമായ വിശകലന സൂചകങ്ങൾ രൂപപ്പെടുത്താനും കണക്കാക്കാനും നിങ്ങളെ അനുവദിക്കുന്നു എന്നത് മാത്രമല്ല, OLAP ക്യൂബ് ഇത് ചെയ്യുന്നതിന്റെ ശ്രദ്ധേയമായ വേഗതയും എളുപ്പവുമാണ്. മാത്രമല്ല, ഈ വേഗതയും എളുപ്പവും, ചില പരിധിക്കുള്ളിൽ, കണക്കുകൂട്ടലുകളുടെ സങ്കീർണ്ണതയെയും ഡാറ്റാബേസിന്റെ വലുപ്പത്തെയും ആശ്രയിക്കുന്നില്ല.

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

അനലിറ്റിക്സിന്റെ 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 പ്രവർത്തനത്തിന്റെ 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 അവന്റെ 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 അഗ്രഗേഷന്റെ വ്യത്യസ്ത തലങ്ങളിൽ.

ഒരു ഉദാഹരണം പറയാം. സ്വീകാര്യമായ അക്കൗണ്ടുകൾ മാനേജർ നിയന്ത്രിക്കുന്നുവെന്ന് നമുക്ക് പറയാം. കാലഹരണപ്പെട്ട സ്വീകാര്യതയ്ക്കുള്ള കെപിഐ പച്ചയായിരിക്കുന്നിടത്തോളം, എല്ലാം സാധാരണമാണെന്നും മാനേജ്മെന്റ് നടപടികളൊന്നും ആവശ്യമില്ലെന്നും അർത്ഥമാക്കുന്നു. നിറം മഞ്ഞയോ ചുവപ്പോ ആയി മാറിയെങ്കിൽ, എന്തോ കുഴപ്പമുണ്ട്: ഞങ്ങൾ സെയിൽസ് ഡിപ്പാർട്ട്മെന്റുകൾ വഴി കെപിഐകൾ വെട്ടി, ഉടൻ തന്നെ വകുപ്പുകൾ "ചുവപ്പിൽ" കാണും. മാനേജർമാരുടെ അടുത്ത വിഭാഗം - പേയ്‌മെന്റുകളിൽ ക്ലയന്റുകൾ 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) ഡിപ്പാർട്ട്മെന്റ് മേധാവികളും സെയിൽസ് മാനേജർമാരും കാണുന്നു. അതിനാൽ, സാഹചര്യം ശരിയാക്കാൻ, "കോൾ ഓൺ ദി കാർപെറ്റിനായി" അവർ കാത്തിരിക്കേണ്ടതില്ല... തീർച്ചയായും, കെപിഐ തന്നെ കാലഹരണപ്പെട്ട പേയ്‌മെന്റുകളുടെ തുക ആയിരിക്കണമെന്നില്ല - അത് കാലഹരണപ്പെട്ട പേയ്‌മെന്റുകളുടെ വെയ്റ്റഡ് ശരാശരി കാലയളവ് അല്ലെങ്കിൽ പൊതുവേ, സ്വീകാര്യതകളുടെ വിറ്റുവരവിന്റെ നിരക്ക്.

MDX ഭാഷയുടെ സങ്കീർണ്ണതയും വഴക്കവും, വേഗതയേറിയ (ചിലപ്പോൾ തൽക്ഷണം) ഫലങ്ങളോടൊപ്പം, സങ്കീർണ്ണമായ നിയന്ത്രണ ജോലികൾ പരിഹരിക്കാൻ (വികസനത്തിന്റെയും ഡീബഗ്ഗിംഗിന്റെയും ഘട്ടങ്ങൾ കണക്കിലെടുത്ത്) ഞങ്ങളെ അനുവദിക്കുന്നു. 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 അവന്റെ ജോലിക്ക് ആവശ്യമായ വിളവെടുപ്പ് കൃത്യമായി ശേഖരിക്കാനാകുമെന്ന വസ്തുതയും നമുക്ക് ശ്രദ്ധിക്കാം, മാത്രമല്ല വർഗീയതയിൽ അവനുവേണ്ടി മുറിച്ചെടുത്ത “സ്ട്രിപ്പിൽ” തൃപ്തിപ്പെടരുത്. "സ്റ്റാൻഡേർഡ് റിപ്പോർട്ടുകൾ".

ക്ലയന്റ്-സെർവർ മോഡിൽ ഒരു OLAP ക്യൂബ് ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതിനുള്ള മൾട്ടി-യൂസർ ഇന്റർഫേസ്, 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 ഷിപ്പ്മെന്റുകളും നിയന്ത്രിക്കുന്ന ലോജിസ്റ്റിഷ്യൻമാരും മാനേജർമാരും പോലും) കൂടുതൽ തിരഞ്ഞെടുക്കുന്നു, "പൊതുവാക്കിൽ അല്ല" , ഇത് ജോലി മെച്ചപ്പെടുത്തുന്നതിനും ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നതിനുമുള്ള സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്നു.

ഞങ്ങളുടെ ആമുഖം സംഗ്രഹിക്കാൻ, OLAP ക്യൂബുകളുടെ ഉപയോഗം ഒരു കമ്പനിയുടെ മാനേജ്മെന്റിനെ ഉയർന്ന തലത്തിലേക്ക് ഉയർത്താൻ കഴിയുമെന്ന് ഞങ്ങൾ ശ്രദ്ധിക്കുന്നു. ശ്രേണിയുടെ എല്ലാ തലങ്ങളിലുമുള്ള അനലിറ്റിക്കൽ ഡാറ്റയുടെ ഏകീകൃതത, അവയുടെ വിശ്വാസ്യത, സങ്കീർണ്ണത, സൂചകങ്ങൾ സൃഷ്ടിക്കുന്നതിനും പരിഷ്‌ക്കരിക്കുന്നതിനുമുള്ള എളുപ്പം, വ്യക്തിഗത ക്രമീകരണങ്ങൾ, ഡാറ്റ പ്രോസസ്സിംഗിന്റെ 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 മാനേജ്‌മെന്റ് ശൃംഖലയിലെ ഫീഡ്‌ബാക്ക് ലൂപ്പ്

OLAP ക്യൂബുകളുടെ പൊതുവായ ആശയവും കോർപ്പറേറ്റ് മാനേജ്മെന്റ് ശൃംഖലയിലെ അവയുടെ പ്രയോഗത്തിന്റെ പോയിന്റും നോക്കാം. OLAP (ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്) എന്ന പദം ബ്രിട്ടീഷ് ഗണിതശാസ്ത്രജ്ഞനായ എഡ്ഗർ കോഡ് തന്റെ 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 (എന്റർപ്രൈസ് റിസോഴ്‌സ് പ്ലാനിംഗ്) ഉപയോക്തൃ-അധിഷ്ഠിത സോഫ്റ്റ്‌വെയർ ഇന്റർഫേസുകളും (ഡോക്യുമെന്റുകൾ 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 കോർപ്പറേഷന്റെ നിലവിലെ ഡോക്യുമെന്റ് ഫ്ലോ (രേഖകൾ എക്‌സ്‌ട്രാക്റ്റുചെയ്യൽ, അവ ക്രമീകരിക്കൽ, അച്ചടിക്കാനും അനുരഞ്ജിപ്പിക്കാനുമുള്ള കഴിവ് മുതലായവ) മാത്രമല്ല സാമ്പത്തിക പ്രസ്താവനകൾ (നികുതികൾ, ഓഡിറ്റ് മുതലായവ) കണക്കാക്കാനുള്ള കഴിവ് മാത്രമല്ല. ). ഒരു മാനേജ്‌മെന്റ് വീക്ഷണകോണിൽ നിന്ന്, OLTP സിസ്റ്റം (റിലേഷണൽ ഡാറ്റാബേസ്) കോർപ്പറേഷന്റെ പ്രവർത്തനങ്ങളുടെ യഥാർത്ഥ ജീവിത വലുപ്പത്തിലുള്ള ഡിജിറ്റൽ മാതൃകയാണെന്നത് വളരെ പ്രധാനമാണ്.

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

നിയന്ത്രണത്തിന്റെ ഈ യുക്തിയെ (അല്ലെങ്കിൽ മിത്തോളജി) സംബന്ധിച്ച് ("വ്യതിചലനത്തിലൂടെയുള്ള നിയന്ത്രണം"), പുരാതന ഗ്രീക്ക് തത്ത്വചിന്തകനായ പ്ലേറ്റോ, ബോട്ട് ഗതിയിൽ നിന്ന് വ്യതിചലിക്കുമ്പോൾ തുഴയിൽ ചാരി നിൽക്കുന്ന ഹെൽംസ്മാൻ (സൈബർനോസ്) എന്ന ചിത്രം സൃഷ്ടിച്ചു. കമ്പ്യൂട്ടർ യുഗത്തിന്റെ 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 മാനേജ്മെന്റും കൺട്രോൾ ഒബ്‌ജക്‌റ്റും തമ്മിലുള്ള ഫീഡ്‌ബാക്കിന്റെ പങ്ക് വഹിക്കുന്ന ഈ ആഡ്-ഓൺ ഒരു OLAP സിസ്റ്റം അല്ലെങ്കിൽ ചുരുക്കത്തിൽ ഒരു OLAP ക്യൂബ് ആണ്.

OLAP-ന്റെ ഒരു സോഫ്‌റ്റ്‌വെയർ നടപ്പിലാക്കൽ എന്ന നിലയിൽ, SSAS എന്ന ചുരുക്കപ്പേരിൽ MS SQL സെർവറിന്റെ സ്റ്റാൻഡേർഡ് ഡെലിവറിയുടെ ഭാഗമായ MS അനാലിസിസ് സർവീസസ് യൂട്ടിലിറ്റി ഞങ്ങൾ പരിഗണിക്കും. E. Codd-ന്റെ 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 ക്യൂബിന്റെ 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 സിസ്റ്റത്തിന്റെ ഡാറ്റാബേസ് ഒരു നിശ്ചിത സെർവറിൽ സ്ഥിതിചെയ്യുന്നു, ഇത് MS SQL സെർവർ പിന്തുണയ്ക്കുന്നു.

MS Analysis Services (SSAS) യൂട്ടിലിറ്റിയുള്ള MS SQL സെർവറും MS SQL സെർവർ മാനേജ്‌മെന്റ് 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 ഇന്റർഫേസുകളും.

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 എന്റർപ്രൈസ് 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 ക്യൂബിന്റെ രൂപകൽപ്പനയെക്കുറിച്ച് കുറച്ച് വാക്കുകൾ പറയാം. സ്ഥിതിവിവരക്കണക്കുകളുടെ ഭാഷയിൽ, ആവശ്യമായ എല്ലാ വിഭാഗങ്ങളിലും കണക്കാക്കിയ പ്രകടന സൂചകങ്ങളുടെ ഒരു കൂട്ടമാണ് OLAP ക്യൂബ്, ഉദാഹരണത്തിന്, ഉപഭോക്താക്കൾ, സാധനങ്ങൾ, തീയതികൾ മുതലായവയുടെ വിഭാഗങ്ങളിലെ ഷിപ്പ്മെന്റ് 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 ക്യൂബിന്റെ 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 ഇതിന്റെ 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 ക്യൂബിന്റെ 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 ക്യൂബിന്റെ 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 ചെയ്യുന്നതിന്റെ വേഗതയും, ആത്യന്തികമായി, അനലിറ്റിക്‌സും അവ അടിസ്ഥാനമാക്കിയുള്ള ഉപയോക്തൃ റിപ്പോർട്ടുകളും നിർമ്മിക്കുന്നതിനും അപ്‌ഡേറ്റ് ചെയ്യുന്നതിനുമുള്ള വേഗതയും അതിനനുസരിച്ച് മന്ദഗതിയിലാകും.
• മൂന്നാമത്, വളരെയധികം ഫീൽഡുകൾ (സൂചകങ്ങളും വിഭാഗങ്ങളും) OLAP ഡെവലപ്പർ ഇന്റർഫേസിൽ 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 ട്രാഫിക്കിന്റെ 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 സിസ്റ്റത്തിന്റെ തലത്തിലെങ്കിലും, തുടർന്ന് OLAP ക്യൂബിന്റെ അതേ സെർവറിൽ സ്ഥിതി ചെയ്യുന്ന ഒരു ആപ്ലിക്കേഷൻ ഡാറ്റ വെയർഹൗസ് (വെയർഹൗസ്) രൂപകൽപ്പന ചെയ്യണം. , മാനേജ്മെന്റിന് ആവശ്യമായ ERP-യിൽ നിന്നുള്ള ഡാറ്റയുടെ ശുദ്ധീകരിച്ച തുക.

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

അതിനാൽ, OLAP-നുള്ള ഡാറ്റ ഉറവിടം OLAP-ന്റെ 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 അതിന്റെ ERP സിസ്റ്റങ്ങളുമായി അസമന്വിതമാണ്.

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

പരിഹാര വാസ്തുവിദ്യ

ഒരു നിശ്ചിത കോർപ്പറേഷന്റെ (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 ക്യൂബിന്റെ 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 ക്യൂബിന്റെ ഡാറ്റ ഉറവിടം.

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

സാങ്കേതികവിദ്യയുടെ ചില വശങ്ങളെ കുറിച്ച് നമുക്ക് അഭിപ്രായമിടാം. എസ്പിമാർ എന്ത് ജോലിയാണ് ചെയ്യുന്നത്?

ഭാഗികമായ ആവർത്തനത്തിന്റെ ഫലമായി, OLAP സെർവറിലെ ചില ERP സിസ്റ്റത്തിന്റെ 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 പകർപ്പിന്റെ 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, പരിവർത്തനത്തിന്റെ 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, ഐഡന്റിഫയറുകൾ, 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 ടേബിളിന്റെ സംഖ്യാ ഫീൽഡുകൾ സ്വയമേവ "സൂചകങ്ങൾ" (അല്ലെങ്കിൽ അളവുകൾ) ആയി മാറുന്നു, കൂടാതെ വിഭാഗങ്ങൾ (അല്ലെങ്കിൽ അളവുകൾ) ദ്വിതീയ കീ പട്ടികകൾ ഉപയോഗിച്ച് നിർവചിക്കാം.

ഇതൊരു വിഷ്വൽ "പെഡഗോഗിക്കൽ" വിവരണമാണ്. വാസ്തവത്തിൽ, ഒരു OLAP ക്യൂബിന്റെ 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 നക്ഷത്രചിഹ്നത്തിന്റെ "റേ" എന്നത് ഒരു ഡയറക്‌ടറി മാത്രമല്ല, ഒരു മുഴുവൻ (ശ്രേണീകൃത) ഫയൽ സിസ്റ്റമായിരിക്കാം.

മൂന്നാമതായി, നിലവിലുള്ള ഡൈമൻഷൻ സെക്ഷനുകളുടെ അടിസ്ഥാനത്തിൽ, OLAP ഡെവലപ്പർ ഇന്റർഫേസ് ടൂളുകൾ ഉപയോഗിച്ച് പുതിയ ശ്രേണി 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 ക്യൂബിന്റെ പ്രവർത്തനത്തെ ഗണ്യമായി മന്ദഗതിയിലാക്കുമെന്നതും ശ്രദ്ധിക്കേണ്ടതാണ്.

OLAP-യുമായുള്ള ഒരു ഇന്റർഫേസായി MS Excel

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

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

MS Excel-നുള്ള ഇന്റർഫേസ് ഒരു പ്രത്യേക ഡ്രൈവർ നൽകുന്നു, പ്രത്യേകം ഡൗൺലോഡ് ചെയ്യാവുന്നതാണ് അല്ലെങ്കിൽ Excel വിതരണത്തിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഇത് OLAP-ന്റെ 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, അതിന്റെ പൂർണ്ണമായ പ്രവർത്തനത്തിന് പുറമേ, MS Excel ന്റെ പ്രധാന നേട്ടം ഈ പ്രോഗ്രാമിന്റെ വ്യാപകമായ വിതരണവും ധാരാളം ഓഫീസ് ഉപയോക്താക്കളുടെ അടുത്ത പരിചയവുമാണ്. ഈ അർത്ഥത്തിൽ, മറ്റ് ഇന്റർഫേസ് പ്രോഗ്രാമുകളിൽ നിന്ന് വ്യത്യസ്തമായി, കമ്പനിക്ക് അധികമായി ഒന്നും വാങ്ങേണ്ടതില്ല, അധികമായി ആരെയും പരിശീലിപ്പിക്കേണ്ടതില്ല.

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

Facubi രാത്രി ചികിത്സ സൈക്കിൾ

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

ആദ്യം, പ്രാദേശിക നെറ്റ്‌വർക്കിൽ ലഭ്യമായ വിവിധ ഇആർപി സിസ്റ്റങ്ങളുടെ (ഹോൾഡിംഗ് എലമെന്റുകൾ) 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 ഇന്റർഫേസ് (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 വേരിയന്റിൽ, 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 (ഡോക്യുമെന്റിന്റെ ഏറ്റവും പുതിയ പുനരവലോകനം നോക്കുക), ഒരു മാനേജ്മെന്റ് ടൂൾ (പ്രക്രിയയുടെ പ്രവണത മനസ്സിലാക്കുക), അത്തരം ഒരു കാലതാമസം സാധാരണയായി നിർണായകമല്ല. എന്നിരുന്നാലും, ആവശ്യമെങ്കിൽ, ക്യൂബ് ആർക്കിടെക്ചറിന്റെ (മോലാപ്) വിവരിച്ച പതിപ്പിൽ പോലും, അപ്ഡേറ്റ് ദിവസത്തിൽ പല തവണ നടത്താം.

അപ്‌ഡേറ്റ് നടപടിക്രമങ്ങളുടെ നിർവ്വഹണ സമയം OLAP ക്യൂബിന്റെ 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 ഡോക്യുമെന്റുകളെ 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 പ്ലാന്റുകൾ). 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 അനലിസ്റ്റിന്റെ ഉത്തരവാദിത്തമാണ്. വിവിധ വിഭാഗങ്ങളിലെ കോർപ്പറേറ്റ് ജീവനക്കാർക്ക് ദിവസേനയുള്ള കാലികമായ റിപ്പോർട്ടിംഗ് നൽകിക്കൊണ്ട് വർഷങ്ങളായി ഈ ടാസ്‌ക് സ്വയമേവ പ്രവർത്തിക്കുന്നു.

പരിഹാരത്തിന്റെ ഗുണവും ദോഷവും

നിർദ്ദിഷ്ട പരിഹാരം തികച്ചും വിശ്വസനീയവും ഉപയോഗിക്കാൻ എളുപ്പവുമാണെന്ന് അനുഭവം കാണിക്കുന്നു. ഫാക്യൂബി കൺട്രോൾ പ്രോഗ്രാമിന്റെ മാറ്റമില്ലാതെ ഇത് എളുപ്പത്തിൽ പരിഷ്‌ക്കരിക്കപ്പെടുന്നു (പുതിയ ERP-കളുടെ കണക്ഷൻ/വിച്ഛേദിക്കൽ, പുതിയ സൂചകങ്ങളും വിഭാഗങ്ങളും സൃഷ്ടിക്കൽ, Excel റിപ്പോർട്ടുകളും അവയുടെ മെയിലിംഗ് ലിസ്റ്റുകളും സൃഷ്ടിക്കുകയും പരിഷ്‌ക്കരിക്കുകയും ചെയ്യുക).

OLAP-യുമായുള്ള ഒരു ഇന്റർഫേസ് എന്ന നിലയിൽ MS Excel മതിയായ ആവിഷ്‌കാരത പ്രദാനം ചെയ്യുന്നു കൂടാതെ വിവിധ വിഭാഗത്തിലുള്ള ഓഫീസ് ജീവനക്കാരെ OLAP സാങ്കേതികവിദ്യയുമായി പെട്ടെന്ന് പരിചയപ്പെടാൻ അനുവദിക്കുന്നു. ഉപയോക്താവിന് ദിവസേന "സ്റ്റാൻഡേർഡ്" OLAP റിപ്പോർട്ടുകൾ ലഭിക്കുന്നു; OLAP-നൊപ്പം MS Excel ഇന്റർഫേസ് ഉപയോഗിച്ച്, MS Excel-ൽ സ്വതന്ത്രമായി OLAP റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കാൻ കഴിയും. കൂടാതെ, ഉപയോക്താവിന് തന്റെ MS Excel-ന്റെ സാധാരണ കഴിവുകൾ ഉപയോഗിച്ച് OLAP റിപ്പോർട്ടുകളുടെ വിവരങ്ങൾ സ്വതന്ത്രമായി പഠിക്കാൻ കഴിയും.

"ശുദ്ധീകരിച്ച" വെയർഹൗസ് ഡാറ്റാബേസ്, അതിൽ നിരവധി വൈവിധ്യമാർന്ന ERP സിസ്റ്റങ്ങൾ (ക്യൂബിന്റെ നിർമ്മാണ സമയത്ത്) ഏകീകരിക്കപ്പെട്ടിരിക്കുന്നു (ക്യൂബിന്റെ നിർമ്മാണ വേളയിൽ), OLAP ഇല്ലാതെ പോലും, പരിഹരിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു (ഒരു SSAS സെർവറിൽ, ട്രാൻസാക്റ്റ് SQL അല്ലെങ്കിൽ SP രീതി ഉപയോഗിച്ച്. , മുതലായവ) പല പ്രയോഗിച്ച മാനേജ്മെന്റ് 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 മോഡലിന്റെ പ്രയോജനങ്ങൾ പ്രവർത്തനത്തിലെ വിശ്വാസ്യതയും ഉപയോക്തൃ അഭ്യർത്ഥനകൾ പ്രോസസ്സ് ചെയ്യുന്നതിന്റെ 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 അതിന്റെ തെളിവ് ശക്തി അധികാരത്തിലാണ്. 60-കളുടെ അവസാനത്തിൽ ഒരു എളിമയുള്ള, വ്യക്തമായി അണ്ടർറേറ്റ് ചെയ്യപ്പെട്ട ബ്രിട്ടീഷ് ഗണിതശാസ്ത്രജ്ഞനായ ഇ. കോഡ് റിലേഷണൽ ഡാറ്റാബേസുകളുടെ സിദ്ധാന്തം വികസിപ്പിച്ചെടുത്തു. ഈ സിദ്ധാന്തത്തിന്റെ 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.കോഡിന്റെ ആദ്യ ആശയം. വാസ്തവത്തിൽ, OLAP ക്യൂബുകൾ എന്ന ആശയം അദ്ദേഹത്തിന്റെ രണ്ടാമത്തെ ആശയമാണ്, 90 കളുടെ തുടക്കത്തിൽ അദ്ദേഹം പ്രകടിപ്പിച്ചു. ഒരു ഗണിതശാസ്ത്രജ്ഞനല്ലെങ്കിലും, രണ്ടാമത്തെ ആശയം ആദ്യത്തേത് പോലെ ഫലപ്രദമാകുമെന്ന് നിങ്ങൾക്ക് പ്രതീക്ഷിക്കാം. അതായത്, കമ്പ്യൂട്ടർ അനലിറ്റിക്‌സിന്റെ കാര്യത്തിൽ, OLAP ആശയങ്ങൾ ഉടൻ തന്നെ ലോകത്തെ ഏറ്റെടുക്കുകയും മറ്റെല്ലാവരെയും സ്ഥാനഭ്രഷ്ടനാക്കുകയും ചെയ്യും. ലളിതമായി, അനലിറ്റിക്സിന്റെ വിഷയം അതിന്റെ സമഗ്രമായ ഗണിതശാസ്ത്രപരമായ പരിഹാരം OLAP-ൽ കണ്ടെത്തുന്നു, ഈ പരിഹാരം അനലിറ്റിക്സിന്റെ പ്രായോഗിക പ്രശ്നത്തിന് "പര്യാപ്തമാണ്" (ബി. സ്പിനോസയുടെ പദം). സ്പിനോസയിൽ "പര്യാപ്തമായത്" അർത്ഥമാക്കുന്നത് ദൈവത്തിന് തന്നെ ഇതിലും മികച്ചതൊന്നും ചിന്തിക്കാൻ കഴിയുമായിരുന്നില്ല...

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

എന്നിവരുമായി ബന്ധപ്പെട്ടു

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.

04/07/2011 ഡെറക് കമിംഗോർ

സാങ്കേതികവിദ്യയുമായി ബന്ധപ്പെട്ട ഏതെങ്കിലും മേഖലയിൽ നിങ്ങൾ പ്രവർത്തിച്ചിട്ടുണ്ടെങ്കിൽ, "ക്യൂബ്" എന്ന പദം നിങ്ങൾ കേട്ടിട്ടുണ്ടാകും; എന്നിരുന്നാലും, മിക്ക സാധാരണ ഡാറ്റാബേസ് അഡ്മിനിസ്ട്രേറ്റർമാരും ഡവലപ്പർമാരും ഈ ഒബ്‌ജക്‌റ്റുകളിൽ പ്രവർത്തിച്ചില്ല. മൾട്ടിഡൈമൻഷണൽ വിവരങ്ങൾ വേഗത്തിൽ സമാഹരിക്കാൻ ക്യൂബുകൾ ശക്തമായ ഒരു ഡാറ്റാ ആർക്കിടെക്ചർ നൽകുന്നു. നിങ്ങളുടെ ഓർഗനൈസേഷന് വലിയ അളവിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യണമെങ്കിൽ, ക്യൂബ് ആണ് ഏറ്റവും അനുയോജ്യമായ പരിഹാരം.

എന്താണ് ഒരു ക്യൂബ്?

പ്രകടനവും ഡാറ്റാ സമഗ്രതയും നിലനിർത്തിക്കൊണ്ട് ആയിരക്കണക്കിന് ഒരേസമയം ഇടപാടുകൾ കൈകാര്യം ചെയ്യുന്നതിനാണ് റിലേഷണൽ ഡാറ്റാബേസുകൾ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ഡിസൈൻ പ്രകാരം, റിലേഷണൽ ഡാറ്റാബേസുകൾ വലിയ അളവിലുള്ള ഡാറ്റ സമാഹരിക്കുന്നതിലും തിരയുന്നതിലും കാര്യക്ഷമമല്ല. വലിയ അളവിലുള്ള ഡാറ്റ സമാഹരിക്കാനും തിരികെ നൽകാനും, ഒരു റിലേഷണൽ ഡാറ്റാബേസിന് ഒരു സെറ്റ് അധിഷ്‌ഠിത അന്വേഷണം ലഭിക്കണം, അതിനുള്ള വിവരങ്ങൾ ഫ്ലൈയിൽ ശേഖരിക്കുകയും സമാഹരിക്കുകയും ചെയ്യും. അത്തരത്തിലുള്ള റിലേഷണൽ അന്വേഷണങ്ങൾ വളരെ ചെലവേറിയതാണ്, കാരണം അവ ഒന്നിലധികം ജോയിംഗുകളിലും മൊത്തത്തിലുള്ള പ്രവർത്തനങ്ങളിലും ആശ്രയിക്കുന്നു; വലിയ അളവിലുള്ള ഡാറ്റയുമായി പ്രവർത്തിക്കുമ്പോൾ മൊത്തത്തിലുള്ള റിലേഷണൽ അന്വേഷണങ്ങൾ പ്രത്യേകിച്ചും ഫലപ്രദമല്ല.

റിലേഷണൽ ഡാറ്റാബേസുകളിലെ ഈ കുറവ് പരിഹരിക്കാൻ രൂപകൽപ്പന ചെയ്ത മൾട്ടിഡൈമൻഷണൽ എന്റിറ്റികളാണ് ക്യൂബുകൾ. ഒരു ക്യൂബ് ഉപയോഗിക്കുന്നതിലൂടെ, വലിയ അഗ്രഗേഷൻ വോള്യങ്ങളുള്ള ചോദ്യങ്ങൾക്ക് വേഗത്തിലുള്ള പ്രതികരണം നൽകുന്ന ഒരു ഡാറ്റാ ഘടന നിങ്ങൾക്ക് ഉപയോക്താക്കൾക്ക് നൽകാനാകും. ഒന്നിലധികം അളവുകളിലുടനീളം ഡാറ്റ (അളവുകൾ) സമാഹരിച്ച് ക്യൂബുകൾ ഈ "അഗ്രഗേഷൻ മാജിക്" നിർവഹിക്കുന്നു. ക്യൂബിന്റെ പ്രീ-അഗ്രഗേഷൻ സാധാരണയായി പ്രോസസ്സിംഗ് സമയത്ത് നടത്തുന്നു. നിങ്ങൾ ഒരു ക്യൂബ് പ്രോസസ്സ് ചെയ്യുമ്പോൾ, ഡിസ്കിൽ ബൈനറി രൂപത്തിൽ സംഭരിച്ചിരിക്കുന്ന പ്രീകംപ്യൂട്ടഡ് ഡാറ്റ അഗ്രഗേഷനുകൾ നിങ്ങൾ നിർമ്മിക്കുന്നു.

SQL സെർവർ അനലിറ്റിക്കൽ സർവീസസ് (SSAS) പ്രവർത്തന OLAP ഡാറ്റാ അനാലിസിസ് സിസ്റ്റത്തിലെ സെൻട്രൽ ഡാറ്റ കൺസ്ട്രക്‌റ്റാണ് ക്യൂബ്. ക്യൂബുകൾ സാധാരണയായി ഡൈമൻഷണൽ മോഡൽ എന്ന് വിളിക്കപ്പെടുന്ന ഒരു അന്തർലീനമായ റിലേഷണൽ ഡാറ്റാബേസിൽ നിന്നാണ് നിർമ്മിച്ചിരിക്കുന്നത്, എന്നാൽ അവ പ്രത്യേക സാങ്കേതിക എന്റിറ്റികളാണ്. യുക്തിപരമായി, ഒരു ക്യൂബ് എന്നത് അളവുകളും (അളവുകൾ) അളവുകളും (അളവുകൾ) ചേർന്ന ഒരു ഡാറ്റ വെയർഹൗസാണ്. അളവുകളിൽ വിവരണാത്മക സവിശേഷതകളും ശ്രേണികളും അടങ്ങിയിരിക്കുന്നു, അതേസമയം അളവുകൾ നിങ്ങൾ അളവുകളിൽ വിവരിക്കുന്ന വസ്തുതകളാണ്. അളവുകളെ ഡൈമൻഷൻ ഗ്രൂപ്പുകൾ എന്ന് വിളിക്കുന്ന ലോജിക്കൽ കോമ്പിനേഷനുകളായി തരം തിരിച്ചിരിക്കുന്നു. നിങ്ങൾ അളവുകൾ ഒരു സ്വഭാവത്തെ അടിസ്ഥാനമാക്കി അളവുകൾ ഗ്രൂപ്പുകളിലേക്ക് ലിങ്ക് ചെയ്യുന്നു - വിശദാംശങ്ങളുടെ അളവ്.

ഒരു ഫയൽ സിസ്റ്റത്തിൽ, ലിങ്ക് ചെയ്ത ബൈനറി ഫയലുകളുടെ ഒരു ശ്രേണിയായി ഒരു ക്യൂബ് നടപ്പിലാക്കുന്നു. ക്യൂബിന്റെ ബൈനറി ആർക്കിടെക്ചർ, മൾട്ടിഡൈമൻഷണൽ ഡാറ്റയുടെ വലിയ അളവുകൾ വേഗത്തിൽ വീണ്ടെടുക്കാൻ സഹായിക്കുന്നു.

ഡൈമൻഷണൽ മോഡൽ എന്ന് വിളിക്കപ്പെടുന്ന ഒരു അടിസ്ഥാന റിലേഷണൽ ഡാറ്റാബേസിൽ നിന്നാണ് ക്യൂബുകൾ നിർമ്മിച്ചിരിക്കുന്നത് എന്ന് ഞാൻ സൂചിപ്പിച്ചു. ഡൈമൻഷൻ മോഡലിൽ ക്യൂബ് എന്റിറ്റികളുമായി ബന്ധിപ്പിക്കുന്ന റിലേഷണൽ ടേബിളുകൾ (വസ്തുതയും അളവും) അടങ്ങിയിരിക്കുന്നു. ഫാക്റ്റ് ടേബിളുകളിൽ വിറ്റഴിച്ച ഉൽപ്പന്നത്തിന്റെ അളവ് പോലുള്ള അളവുകൾ അടങ്ങിയിരിക്കുന്നു. ഉൽപ്പന്ന നാമങ്ങൾ, തീയതികൾ, ജീവനക്കാരുടെ പേരുകൾ എന്നിവ പോലുള്ള വിവരണാത്മക ആട്രിബ്യൂട്ടുകൾ ഡൈമൻഷൻ ടേബിളുകൾ സംഭരിക്കുന്നു. സാധാരണഗതിയിൽ, ഫാക്‌ട് ടേബിളുകളും ഡൈമൻഷൻ ടേബിളുകളും പ്രാഥമിക വിദേശ കീ നിയന്ത്രണങ്ങളിലൂടെ ബന്ധപ്പെട്ടിരിക്കുന്നു, ഫാക്‌ട് ടേബിളിൽ സ്ഥിതിചെയ്യുന്ന വിദേശ കീകൾ (ഈ റിലേഷണൽ ബന്ധം മുകളിൽ ചർച്ച ചെയ്ത ക്യൂബ് ഗ്രാനുലാരിറ്റി ആട്രിബ്യൂട്ടുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു). ഡയമൻഷൻ ടേബിളുകൾ ഒരു ഫാക്‌ട് ടേബിളുമായി നേരിട്ട് ബന്ധിപ്പിച്ചാൽ, ഒരു സ്റ്റാർ സ്കീമ രൂപപ്പെടുന്നു. ഡൈമൻഷൻ ടേബിളുകൾ ഒരു വസ്തുത പട്ടികയുമായി നേരിട്ട് ബന്ധിപ്പിച്ചിട്ടില്ലെങ്കിൽ, ഫലം ഒരു സ്നോഫ്ലെക്ക് സ്കീമയാണ്.

ആപ്ലിക്കേഷൻ അനുസരിച്ച് ഡൈമൻഷണൽ മോഡലുകൾ തരംതിരിച്ചിട്ടുണ്ടെന്ന് ദയവായി ശ്രദ്ധിക്കുക. സെയിൽസ് അല്ലെങ്കിൽ ഇൻവെന്ററി മാനേജ്മെന്റ് പോലെയുള്ള ഒരൊറ്റ ബിസിനസ് പ്രക്രിയയ്ക്കായി രൂപകൽപ്പന ചെയ്തിട്ടുള്ള ഒരു ഡൈമൻഷണൽ മോഡലാണ് ഡാറ്റാ മാർട്ട്. ക്രോസ്-ബിസിനസ് പ്രോസസ്സ് അനലിറ്റിക്‌സ് സുഗമമാക്കുന്നതിന് ഘടക ബിസിനസ്സ് പ്രക്രിയകൾ ക്യാപ്‌ചർ ചെയ്യാൻ രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന ഒരു ഡൈമൻഷണൽ മോഡലാണ് ഡാറ്റ വെയർഹൗസ്.

സോഫ്റ്റ്വെയർ ആവശ്യകതകൾ

ക്യൂബുകൾ എന്താണെന്നും അവ എന്തിനാണ് പ്രധാനം എന്നും നിങ്ങൾക്ക് ഇപ്പോൾ ഒരു അടിസ്ഥാന ധാരണയുണ്ട്, ഞാൻ ഗിയറുകൾ ഓണാക്കി SSAS ഉപയോഗിച്ച് നിങ്ങളുടെ ആദ്യ ക്യൂബ് നിർമ്മിക്കുന്നതിനുള്ള ഒരു ഘട്ടം ഘട്ടമായുള്ള ടൂറിൽ നിങ്ങളെ കൊണ്ടുപോകും. നിങ്ങൾക്ക് ആവശ്യമായ ചില അടിസ്ഥാന സോഫ്‌റ്റ്‌വെയർ ഘടകങ്ങളുണ്ട്, അതിനാൽ നിങ്ങളുടെ ആദ്യ ക്യൂബ് നിർമ്മിക്കാൻ തുടങ്ങുന്നതിന് മുമ്പ്, നിങ്ങളുടെ സിസ്റ്റം ആവശ്യകതകൾ പാലിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക.

എന്റെ ഉദാഹരണം ഇന്റർനെറ്റ് സെയിൽസ് ക്യൂബ് നിർമ്മിക്കുന്നത് AdventureWorksDW 2005 ടെസ്റ്റ് ഡാറ്റാബേസിൽ നിന്നാണ്. ഇന്റർനെറ്റ് സെയിൽസ് ഡാറ്റ വിശകലനം ചെയ്യാൻ ഉപയോഗപ്രദമാകുന്ന ടെസ്റ്റ് ഡാറ്റാബേസിൽ കാണുന്ന ടേബിളുകളുടെ ഒരു ഉപസെറ്റിൽ നിന്ന് ഞാൻ ടെസ്റ്റ് ക്യൂബ് നിർമ്മിക്കും. ഡാറ്റാബേസ് പട്ടികകളുടെ അടിസ്ഥാന ലേഔട്ട് ചിത്രം 1 കാണിക്കുന്നു. ഞാൻ 2005 പതിപ്പ് ഉപയോഗിക്കുന്നതിനാൽ, നിങ്ങൾക്ക് SQL സെർവർ 2005 അല്ലെങ്കിൽ SQL സെർവർ 2008 ഉപയോഗിച്ച് എന്റെ നിർദ്ദേശങ്ങൾ പാലിക്കാം.

ചിത്രം 1. അഡ്വഞ്ചർ വർക്ക്സ് ഇന്റർനെറ്റ് സെയിൽസ് ഡാറ്റാ മാർട്ടിന്റെ ഉപവിഭാഗം

Adventure WorksDW 2005 പരിശീലന ഡാറ്റാബേസ് CodePlex വെബ്സൈറ്റിൽ കാണാം: msftdbprodsamples.codeplex.com. "SQL സെർവർ 2005 ഉൽപ്പന്ന സാമ്പിൾ ഡാറ്റാബേസുകൾ ഇപ്പോഴും ലഭ്യമാണ്" (http://codeplex.com/MSFTDBProdSamples/Release/ProjectReleases.aspx?ReleaseId=4004) എന്ന ലിങ്ക് കണ്ടെത്തുക. പരിശീലന ഡാറ്റാബേസ് AdventureWorksBI.msi (http://msftdbprodsamples.codeplex.com/releases/view/4004#DownloadId=11755) എന്ന ഫയലിൽ അടങ്ങിയിരിക്കുന്നു.

സൂചിപ്പിച്ചതുപോലെ, SSAS, ബിസിനസ് ഇന്റലിജൻസ് ഡെവലപ്‌മെന്റ് സ്റ്റുഡിയോ (BIDS) ഘടകങ്ങൾ ഉൾപ്പെടെയുള്ള SQL സെർവർ 2008 അല്ലെങ്കിൽ 2005-ന്റെ ഒരു ഉദാഹരണത്തിലേക്ക് നിങ്ങൾക്ക് ആക്‌സസ് ഉണ്ടായിരിക്കണം. ഞാൻ SQL സെർവർ 2008 ഉപയോഗിക്കും, അതിനാൽ നിങ്ങൾ SQL സെർവർ 2005 ഉപയോഗിക്കുകയാണെങ്കിൽ ചില സൂക്ഷ്മമായ വ്യത്യാസങ്ങൾ നിങ്ങൾ കണ്ടേക്കാം.

ഒരു SSAS പ്രോജക്റ്റ് സൃഷ്ടിക്കുന്നു

നിങ്ങൾ ആദ്യം ചെയ്യേണ്ടത് ബിഡ്സ് ഉപയോഗിച്ച് ഒരു SSAS പ്രോജക്റ്റ് സൃഷ്ടിക്കുക എന്നതാണ്. ആരംഭ മെനുവിലും തുടർന്ന് Microsoft SQL സെർവർ 2008/2005 മെനുവിലും BIDS കണ്ടെത്തുക, ഉപ-ഇനം SQL സെർവർ ബിസിനസ് ഇന്റലിജൻസ് ഡെവലപ്‌മെന്റ് സ്റ്റുഡിയോ. ഈ ബട്ടണിൽ ക്ലിക്കുചെയ്യുന്നത് ഡിഫോൾട്ട് സ്പ്ലാഷ് സ്‌ക്രീനിനൊപ്പം ബിഡ്‌സ് സമാരംഭിക്കും. ഫയൽ, പുതിയത്, പ്രോജക്‌റ്റ് തിരഞ്ഞെടുത്ത് ഒരു പുതിയ SSAS പ്രോജക്‌റ്റ് സൃഷ്‌ടിക്കുക. ചിത്രം 1 കാണിക്കുന്ന പുതിയ പ്രോജക്റ്റ് ഡയലോഗ് ബോക്സ് നിങ്ങൾ കാണും. അനാലിസിസ് സർവീസസ് പ്രോജക്റ്റ് ഫോൾഡർ തിരഞ്ഞെടുത്ത് പ്രോജക്റ്റ് വിവരണം SQLMAG_MyFirstCube ആയി സജ്ജമാക്കുക. ശരി ക്ലിക്ക് ചെയ്യുക.

പ്രോജക്റ്റ് സൃഷ്ടിക്കുമ്പോൾ, സൊല്യൂഷൻ എക്സ്പ്ലോററിൽ അതിൽ വലത്-ക്ലിക്കുചെയ്ത് സന്ദർഭ മെനുവിൽ നിന്ന് പ്രോപ്പർട്ടികൾ തിരഞ്ഞെടുക്കുക. ഇപ്പോൾ SQLMAG_MyFirstCube: പ്രോപ്പർട്ടി പേജുകളുടെ ഡയലോഗ് ബോക്‌സിന്റെ ഇടതുവശത്തുള്ള വിന്യാസ വിഭാഗം തിരഞ്ഞെടുക്കുക, ചിത്രം 2 കാണിക്കുന്നത് പോലെ ടാർഗെറ്റ് സെർവറും ഡാറ്റാബേസ് ക്രമീകരണങ്ങളും അവലോകനം ചെയ്യുക. നിങ്ങൾ ഒരു വിതരണം ചെയ്ത SQL സെർവർ പരിതസ്ഥിതിയിലാണ് പ്രവർത്തിക്കുന്നതെങ്കിൽ, നിങ്ങൾ യോഗ്യത നേടേണ്ടതുണ്ട്. നിങ്ങൾ വിന്യസിക്കാൻ പോകുന്ന സെർവറിന്റെ പേരോടുകൂടിയ ടാർഗെറ്റ് സെർവർ പ്രോപ്പർട്ടി. ഈ SSAS പ്രൊജക്‌റ്റിനായുള്ള വിന്യാസ ക്രമീകരണത്തിൽ നിങ്ങൾ സന്തുഷ്ടനാണെങ്കിൽ ശരി ക്ലിക്കുചെയ്യുക.

ഡാറ്റ ഉറവിടം നിർവചിക്കുന്നു

നിങ്ങൾ സൃഷ്ടിക്കേണ്ട ആദ്യത്തെ ഒബ്ജക്റ്റ് ഡാറ്റ ഉറവിടമാണ്. ഒരു ഡാറ്റ സോഴ്സ് ഒബ്‌ജക്റ്റ്, ക്യൂബിന്റെ അടിഭാഗത്തുമായി ബന്ധപ്പെട്ട ഒബ്‌ജക്‌റ്റുകൾ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന സ്കീമയും ഡാറ്റയും നൽകുന്നു. BIDS-ൽ ഒരു ഡാറ്റ ഉറവിട ഒബ്‌ജക്റ്റ് സൃഷ്‌ടിക്കുന്നതിന്, ഡാറ്റ ഉറവിട വിസാർഡ് ഉപയോഗിക്കുക.

സൊല്യൂഷൻ എക്സ്പ്ലോറർ പാനലിലെ ഡാറ്റ സോഴ്സ് ഫോൾഡറിൽ റൈറ്റ് ക്ലിക്ക് ചെയ്ത് പുതിയ ഡാറ്റ സോഴ്സ് തിരഞ്ഞെടുത്ത് ഡാറ്റ സോഴ്സ് വിസാർഡ് ആരംഭിക്കുക. ബിഡ്‌സിൽ SSAS ഒബ്‌ജക്‌റ്റുകൾ സൃഷ്‌ടിക്കുന്നതിന് ഒരു വികസന സ്വഭാവമുണ്ടെന്ന് നിങ്ങൾ കണ്ടെത്തും. വിസാർഡ് ആദ്യം നിങ്ങളെ ഒബ്ജക്റ്റ് സൃഷ്ടിക്കൽ പ്രക്രിയയിലൂടെയും പൊതുവായ ക്രമീകരണങ്ങളിലൂടെയും നടത്തുന്നു. തുടർന്ന് നിങ്ങൾ തത്ഫലമായുണ്ടാകുന്ന SSAS ഒബ്‌ജക്റ്റ് ഡിസൈനറിൽ തുറന്ന് ആവശ്യമെങ്കിൽ അത് വിശദമായി ഇഷ്ടാനുസൃതമാക്കുക. പ്രോംപ്റ്റ് സ്‌ക്രീൻ കഴിഞ്ഞാൽ, പുതിയ ബട്ടൺ ക്ലിക്കുചെയ്‌ത് ഒരു പുതിയ ഡാറ്റ കണക്ഷൻ നിർവചിക്കുക. ആവശ്യമുള്ള ഡാറ്റാബേസ് ഇൻസ്‌റ്റൻസ് സ്വന്തമാക്കിയ നിങ്ങൾ ആഗ്രഹിക്കുന്ന SQL സെർവറിലേക്ക് പോയിന്റ് ചെയ്യുന്ന ഒരു പുതിയ നേറ്റീവ് OLEDB\SQL സെർവർ നേറ്റീവ് ക്ലയന്റ് 10 കണക്ഷൻ തിരഞ്ഞെടുത്ത് സൃഷ്‌ടിക്കുക. നിങ്ങളുടെ SQL സെർവർ എൻവയോൺമെന്റ് ക്രമീകരണങ്ങൾ അനുസരിച്ച് നിങ്ങൾക്ക് Windows അല്ലെങ്കിൽ SQL സെർവർ പ്രാമാണീകരണം ഉപയോഗിക്കാം. നിങ്ങൾ ഡാറ്റാബേസ് കണക്ഷൻ ശരിയായി തിരിച്ചറിഞ്ഞിട്ടുണ്ടെന്ന് ഉറപ്പാക്കാൻ ടെസ്റ്റ് കണക്ഷൻ ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക, തുടർന്ന് ശരി ക്ലിക്കുചെയ്യുക.

അടുത്തതായി വരുന്നത് ആൾമാറാട്ട വിവരം, ഡാറ്റാ അസോസിയേഷൻ പോലെ, SQL സെർവർ എൻവയോൺമെന്റ് എങ്ങനെയാണ് ഘടനാപരമായിരിക്കുന്നത് എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു. SSAS അതിന്റെ ഒബ്‌ജക്റ്റുകൾ പ്രോസസ്സ് ചെയ്യുമ്പോൾ ആശ്രയിക്കുന്ന സുരക്ഷാ സന്ദർഭമാണ് പ്രിവിലേജ് കടം വാങ്ങൽ. നിങ്ങൾ ഒരു പ്രാഥമിക, ഒറ്റ സെർവറിൽ (അല്ലെങ്കിൽ ലാപ്‌ടോപ്പ്) നിങ്ങളുടെ വിന്യാസം നിയന്ത്രിക്കുകയാണെങ്കിൽ, മിക്ക വായനക്കാരും ഉണ്ടെന്ന് ഞാൻ അനുമാനിക്കുന്നു, നിങ്ങൾക്ക് സേവന അക്കൗണ്ട് ഉപയോഗിക്കുക ഓപ്ഷൻ തിരഞ്ഞെടുക്കാം. ഡാറ്റ ഉറവിട വിസാർഡ് പൂർത്തിയാക്കാൻ അടുത്തത് ക്ലിക്ക് ചെയ്ത് AWDW2005 ഡാറ്റ ഉറവിട നാമമായി സജ്ജമാക്കുക. പരിശോധനാ ആവശ്യങ്ങൾക്കായി നിങ്ങൾക്ക് ഈ രീതി ഉപയോഗിക്കാൻ കഴിയുന്നത് വളരെ സൗകര്യപ്രദമാണ്, എന്നാൽ ഒരു യഥാർത്ഥ ഉൽപ്പാദന അന്തരീക്ഷത്തിൽ ഒരു സേവന അക്കൗണ്ട് ഉപയോഗിക്കുന്നത് നല്ല രീതിയല്ല. ഡാറ്റ ഉറവിടത്തിലേക്ക് SSAS കണക്ഷൻ അവകാശങ്ങൾ കടമെടുക്കാൻ ഡൊമെയ്ൻ അക്കൗണ്ടുകൾ വ്യക്തമാക്കുന്നതാണ് നല്ലത്.

ഡാറ്റ ഉറവിട കാഴ്ച

നിങ്ങൾ നിർവചിച്ച ഡാറ്റ ഉറവിടത്തിനായി, SSAS ക്യൂബ് നിർമ്മാണ പ്രക്രിയയിലെ അടുത്ത ഘട്ടം ഒരു ഡാറ്റാ ഉറവിട കാഴ്ച (DSV) സൃഷ്ടിക്കുക എന്നതാണ്. നിങ്ങളുടെ ക്യൂബ് പ്രതീക്ഷിക്കുന്ന സ്കീമയെ അടിസ്ഥാന ഡാറ്റാബേസിൽ നിന്ന് വേർതിരിക്കുന്നതിനുള്ള കഴിവ് DSV നൽകുന്നു. തൽഫലമായി, ഒരു ക്യൂബ് നിർമ്മിക്കുമ്പോൾ അടിസ്ഥാന റിലേഷണൽ സ്കീമ വിപുലീകരിക്കാൻ DSV ഉപയോഗിക്കാം. ഡാറ്റ സോഴ്‌സ് സ്‌കീമകൾ വിപുലീകരിക്കുന്നതിനുള്ള DSV-യുടെ ചില പ്രധാന സവിശേഷതകളിൽ പേരുള്ള അന്വേഷണങ്ങൾ, പട്ടികകൾ തമ്മിലുള്ള ലോജിക്കൽ ബന്ധങ്ങൾ, കണക്കാക്കിയ കോളങ്ങൾ എന്നിവ ഉൾപ്പെടുന്നു.

നമുക്ക് മുന്നോട്ട് പോയി DSV ഫോൾഡറിൽ വലത്-ക്ലിക്കുചെയ്ത് പുതിയ DSV വ്യൂ വിസാർഡ് സൃഷ്‌ടിക്കാൻ പുതിയ ഡാറ്റ ഉറവിട കാഴ്ച തിരഞ്ഞെടുക്കുക. ഡയലോഗ് ബോക്സിൽ, ഒരു ഡാറ്റ ഉറവിടം തിരഞ്ഞെടുക്കുക എന്ന ഘട്ടത്തിൽ, ഒരു റിലേഷണൽ ഡാറ്റാബേസ് കണക്ഷൻ തിരഞ്ഞെടുത്ത് അടുത്തത് ക്ലിക്കുചെയ്യുക. FactInternetSales, DimProduct, DimTime, DimCustomer ടേബിളുകൾ തിരഞ്ഞെടുത്ത് ഈ ടേബിളുകൾ ഉൾപ്പെടുത്തിയ കോളത്തിലേക്ക് നീക്കാൻ ഒറ്റ വലത് അമ്പടയാള ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക. അവസാനമായി, അടുത്തത് ക്ലിക്ക് ചെയ്ത് ഡിഫോൾട്ട് പേര് സ്വീകരിച്ച് ഫിനിഷ് ക്ലിക്ക് ചെയ്ത് വിസാർഡ് പൂർത്തിയാക്കുക.

ഈ ഘട്ടത്തിൽ, നിങ്ങൾക്ക് സൊല്യൂഷൻ എക്സ്പ്ലോററിലെ ഡാറ്റാ സോഴ്സ് വ്യൂസ് ഫോൾഡറിന് കീഴിലുള്ള ഒരു DSV കാഴ്ച ഉണ്ടായിരിക്കണം. DSV ഡിസൈനർ സമാരംഭിക്കുന്നതിന് പുതിയ DSV-യിൽ ഡബിൾ ക്ലിക്ക് ചെയ്യുക. ചിത്രം 2-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, തന്നിരിക്കുന്ന DSV-യ്‌ക്കായുള്ള നാല് പട്ടികകളും നിങ്ങൾ കാണും.

ഡാറ്റാബേസ് അളവുകൾ സൃഷ്ടിക്കുന്നു

ഞാൻ മുകളിൽ വിശദീകരിച്ചതുപോലെ, അളവുകൾ, വിശദാംശങ്ങളുടെ തലത്തിന് മുകളിലുള്ള സംഗ്രഹം പ്രവർത്തനക്ഷമമാക്കാൻ ഉപയോഗിക്കുന്ന അളവുകളുടെയും ശ്രേണികളുടെയും വിവരണാത്മക സവിശേഷതകൾ നൽകുന്നു. ഒരു ഡാറ്റാബേസ് അളവും ഒരു ക്യൂബ് അളവും തമ്മിലുള്ള വ്യത്യാസം മനസ്സിലാക്കേണ്ടത് പ്രധാനമാണ്: ഡാറ്റാബേസിൽ നിന്നുള്ള അളവുകൾ ക്യൂബ് നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന ക്യൂബിന്റെ വിവിധ അളവുകൾക്ക് അടിസ്ഥാന അളവിലുള്ള ഒബ്ജക്റ്റുകൾ നൽകുന്നു.

ഡാറ്റാബേസും ക്യൂബ് അളവുകളും "റോൾ അളവുകൾ" എന്നറിയപ്പെടുന്ന ഒരു ആശയത്തിന് മനോഹരമായ ഒരു പരിഹാരം നൽകുന്നു. നിങ്ങൾ ഒരു ക്യൂബിൽ ഒരു ഡൈമൻഷൻ ഒന്നിലധികം തവണ ഉപയോഗിക്കേണ്ടിവരുമ്പോൾ റോൾ അടിസ്ഥാനമാക്കിയുള്ള അളവുകൾ ഉപയോഗിക്കുന്നു. ഈ ക്യൂബ് സംഭവത്തിൽ തീയതി ഒരു മികച്ച ഉദാഹരണമാണ്: നിങ്ങൾ ഒരു തീയതി അളവ് നിർമ്മിക്കുകയും നിങ്ങൾ ഓൺലൈൻ വിൽപ്പന വിശകലനം ചെയ്യാൻ ആഗ്രഹിക്കുന്ന ഓരോ തീയതിക്കും ഒരിക്കൽ റഫറൻസ് ചെയ്യുകയും ചെയ്യും. കലണ്ടർ തീയതി നിങ്ങൾ സൃഷ്ടിക്കുന്ന ആദ്യ മാനമായിരിക്കും. സൊല്യൂഷൻ എക്‌സ്‌പ്ലോററിലെ അളവുകൾ ഫോൾഡറിൽ വലത്-ക്ലിക്കുചെയ്ത് ഡൈമൻഷൻ വിസാർഡ് സമാരംഭിക്കുന്നതിന് പുതിയ അളവ് തിരഞ്ഞെടുക്കുക. നിലവിലുള്ള ഒരു പട്ടിക ഉപയോഗിക്കുക തിരഞ്ഞെടുത്ത് സെലക്ട് ക്രിയേഷൻ മെത്തേഡ് സ്റ്റെപ്പിൽ അടുത്തത് ക്ലിക്ക് ചെയ്യുക. സ്‌പെസിഫൈ സോഴ്‌സ് ഇൻഫർമേഷൻ സ്റ്റെപ്പിൽ, മെയിൻ ടേബിൾ ഡ്രോപ്പ്-ഡൗൺ ലിസ്റ്റിലെ ഡിംടൈം ടേബിൾ വ്യക്തമാക്കി അടുത്തത് ക്ലിക്ക് ചെയ്യുക. ഇപ്പോൾ, Select Dimension Attributes ഘട്ടത്തിൽ, നിങ്ങൾ സമയ മാനത്തിന്റെ ആട്രിബ്യൂട്ടുകൾ തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്. ചിത്രം 3 കാണിക്കുന്നത് പോലെ ഓരോ ആട്രിബ്യൂട്ടും തിരഞ്ഞെടുക്കുക.

അടുത്തത് ക്ലിക്ക് ചെയ്യുക. അവസാന ഘട്ടമായി, പേര് ഫീൽഡിൽ മങ്ങിയ തീയതി നൽകുക, ഡൈമൻഷൻ വിസാർഡ് പൂർത്തിയാക്കാൻ പൂർത്തിയാക്കുക ക്ലിക്കുചെയ്യുക. സൊല്യൂഷൻ എക്‌സ്‌പ്ലോററിലെ അളവുകളുടെ ഫോൾഡറിന് കീഴിലുള്ള പുതിയ മങ്ങിയ തീയതി അളവ് നിങ്ങൾ ഇപ്പോൾ കാണും.

തുടർന്ന് ഉൽപ്പന്നവും ഉപഭോക്തൃ അളവുകളും സൃഷ്ടിക്കാൻ ഡൈമൻഷൻ വിസാർഡ് ഉപയോഗിക്കുക. മുമ്പത്തെ പോലെ അടിസ്ഥാന അളവ് സൃഷ്ടിക്കാൻ അതേ ഘട്ടങ്ങൾ പാലിക്കുക. ഡൈമൻഷൻ വിസാർഡുമായി പ്രവർത്തിക്കുമ്പോൾ, സെലക്ട് ഡൈമൻഷൻ ആട്രിബ്യൂട്ടുകൾ സ്റ്റെപ്പിൽ സാധ്യതയുള്ള എല്ലാ ആട്രിബ്യൂട്ടുകളും നിങ്ങൾ തിരഞ്ഞെടുത്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക. മറ്റ് ക്രമീകരണങ്ങൾക്കുള്ള ഡിഫോൾട്ട് മൂല്യങ്ങൾ ഒരു ടെസ്റ്റ് ക്യൂബ് ഉദാഹരണത്തിന് നല്ലതാണ്.

ഒരു ഇന്റർനെറ്റ് സെയിൽസ് ക്യൂബ് സൃഷ്ടിക്കുന്നു

ഇപ്പോൾ നിങ്ങൾ ഡാറ്റാബേസ് അളവുകൾ തയ്യാറാക്കിയ ശേഷം, നിങ്ങൾക്ക് ക്യൂബ് നിർമ്മിക്കാൻ തുടങ്ങാം. സൊല്യൂഷൻ എക്സ്പ്ലോററിൽ, ക്യൂബ് വിസാർഡ് സമാരംഭിക്കുന്നതിന് ക്യൂബ്സ് ഫോൾഡറിൽ റൈറ്റ് ക്ലിക്ക് ചെയ്ത് പുതിയ ക്യൂബ് തിരഞ്ഞെടുക്കുക. സെലക്ട് ക്രിയേഷൻ മെത്തേഡ് വിൻഡോയിൽ, നിലവിലുള്ള ടേബിളുകൾ ഉപയോഗിക്കുക എന്ന ഓപ്ഷൻ തിരഞ്ഞെടുക്കുക. സെലക്ട് മെഷർ ഗ്രൂപ്പ് ടേബിളുകൾ എന്ന ഘട്ടത്തിൽ മെഷർ ഗ്രൂപ്പിനായി FactInternetSales പട്ടിക തിരഞ്ഞെടുക്കുക. സെലക്ട് മെഷേഴ്സ് സ്റ്റെപ്പിലെ പ്രൊമോഷൻ കീ, കറൻസി കീ, സെയിൽസ് ടെറിട്ടറി കീ, റിവിഷൻ നമ്പർ ഡയമൻഷനുകൾ എന്നിവയ്‌ക്ക് അടുത്തുള്ള ബോക്സുകൾ അൺചെക്ക് ചെയ്‌ത് അടുത്തത് ക്ലിക്കുചെയ്യുക.

നിലവിലുള്ള അളവുകൾ തിരഞ്ഞെടുക്കുക സ്ക്രീനിൽ, നിലവിലുള്ള എല്ലാ ഡാറ്റാബേസ് അളവുകളും ക്യൂബ് അളവുകളായി ഉപയോഗിക്കുന്നതിന് തിരഞ്ഞെടുത്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക. ഈ ക്യൂബ് കഴിയുന്നത്ര ലളിതമാക്കാൻ ഞാൻ ആഗ്രഹിക്കുന്നതിനാൽ, പുതിയ അളവുകൾ തിരഞ്ഞെടുക്കുക എന്ന ഘട്ടത്തിലെ FactInternetSales മാനം തിരഞ്ഞെടുത്തത് മാറ്റുക. തിരഞ്ഞെടുത്ത FactInternetSales മാനം ഉപേക്ഷിക്കുന്നതിലൂടെ, നിങ്ങൾ ഒരു വസ്തുത മാനം അല്ലെങ്കിൽ ഡീജനറേറ്റ് ഡൈമൻഷൻ എന്ന് വിളിക്കുന്നത് സൃഷ്ടിക്കും. ഒരു പരമ്പരാഗത ഡയമൻഷൻ ടേബിളിൽ നിന്ന് വ്യത്യസ്തമായി ഒരു അടിസ്ഥാന വസ്തുത പട്ടിക ഉപയോഗിച്ച് സൃഷ്ടിച്ച അളവുകളാണ് ഫാക്റ്റ് അളവുകൾ.

വിസാർഡ് പൂർത്തിയാക്കുന്ന ഘട്ടത്തിലേക്ക് പോകുന്നതിന് അടുത്തത് ക്ലിക്ക് ചെയ്ത് ക്യൂബ് നെയിം ഫീൽഡിൽ "എന്റെ ആദ്യ ക്യൂബ്" നൽകുക. ക്രിയേറ്റ് ക്യൂബ് വിസാർഡ് പ്രക്രിയ പൂർത്തിയാക്കാൻ ഫിനിഷ് ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക.

ഒരു ക്യൂബ് വികസിപ്പിക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യുന്നു

ഇപ്പോൾ നിങ്ങൾ ആദ്യത്തെ ക്യൂബ് വിന്യസിക്കാനും പ്രോസസ്സ് ചെയ്യാനും തയ്യാറാണ്. സൊല്യൂഷൻ എക്സ്പ്ലോററിലെ പുതിയ ക്യൂബ് ഐക്കണിൽ വലത്-ക്ലിക്കുചെയ്ത് പ്രോസസ്സ് തിരഞ്ഞെടുക്കുക. ഉള്ളടക്കം കാലഹരണപ്പെട്ടതായി ദൃശ്യമാകുന്ന ഒരു സന്ദേശ ബോക്സ് നിങ്ങൾ കാണും. ടാർഗെറ്റ് SSAS സെർവറിലേക്ക് പുതിയ ക്യൂബ് വിന്യസിക്കാൻ അതെ ക്ലിക്ക് ചെയ്യുക. നിങ്ങൾ ഒരു ക്യൂബ് വിന്യസിക്കുമ്പോൾ, ടാർഗെറ്റ് SSAS സെർവറിലേക്ക് നിങ്ങൾ ഒരു XML ഫോർ അനലിസിസ് (XMLA) ഫയൽ അയയ്ക്കുന്നു, അത് സെർവറിൽ തന്നെ ക്യൂബ് സൃഷ്ടിക്കുന്നു. സൂചിപ്പിച്ചതുപോലെ, ഒരു ക്യൂബ് പ്രോസസ്സ് ചെയ്യുന്നത് അതിന്റെ ബൈനറികൾ ഡിസ്കിൽ പ്രധാന ഉറവിടത്തിൽ നിന്നുള്ള ഡാറ്റയും കൂടാതെ നിങ്ങൾ ചേർത്ത അധിക മെറ്റാഡാറ്റയും (ക്യൂബ് അളവുകൾ, അളവുകൾ, ക്രമീകരണങ്ങൾ) ഉപയോഗിച്ച് പോപ്പുലേറ്റ് ചെയ്യുന്നു.

വിന്യാസ പ്രക്രിയ പൂർത്തിയായിക്കഴിഞ്ഞാൽ, ഒരു പുതിയ പ്രോസസ് ക്യൂബ് ഡയലോഗ് ബോക്സ് ദൃശ്യമാകുന്നു. ക്യൂബ് പ്രോസസ്സ് ചെയ്യുന്നത് ആരംഭിക്കാൻ റൺ ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക, അത് പ്രോസസ് പ്രോഗ്രസ് വിൻഡോയിൽ തുറക്കുന്നു. പ്രോസസ്സിംഗ് പൂർത്തിയാകുമ്പോൾ, ക്യൂബ് വിന്യാസവും പ്രോസസ്സിംഗ് പ്രക്രിയകളും പൂർത്തിയാക്കാൻ അടയ്ക്കുക (രണ്ട് ഡയലോഗ് ബോക്സുകളും അടയ്ക്കുന്നതിന് രണ്ട് തവണ) ക്ലിക്ക് ചെയ്യുക.

നിങ്ങൾ ഇപ്പോൾ നിങ്ങളുടെ ആദ്യ ക്യൂബ് നിർമ്മിക്കുകയും വിന്യസിക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്തു. സൊല്യൂഷൻ എക്സ്പ്ലോറർ വിൻഡോയിൽ വലത്-ക്ലിക്കുചെയ്ത് ബ്രൗസ് തിരഞ്ഞെടുത്ത് നിങ്ങൾക്ക് ഈ പുതിയ ക്യൂബ് കാണാൻ കഴിയും. നിങ്ങളുടെ പുതിയ ക്യൂബ് പര്യവേക്ഷണം ചെയ്യാൻ പിവറ്റ് പട്ടികയുടെ മധ്യഭാഗത്തേക്ക് അളവുകൾ വലിച്ചിടുക. ക്യൂബ് വിവിധ അഗ്രഗേഷൻ ചോദ്യങ്ങൾ എത്ര വേഗത്തിൽ പ്രോസസ്സ് ചെയ്യുന്നു എന്ന് ശ്രദ്ധിക്കുക. ഇപ്പോൾ നിങ്ങൾക്ക് OLAP ക്യൂബിന്റെ പരിധിയില്ലാത്ത ശക്തിയും അതിനാൽ ബിസിനസ്സ് മൂല്യവും അഭിനന്ദിക്കാം.

ഡെറക് കമിംഗോർ ( [ഇമെയിൽ പരിരക്ഷിതം]) ബിസിനസ് അനലിറ്റിക്സ് മേഖലയിൽ മൈക്രോസോഫ്റ്റ് പാർട്ണർ പദവിയുള്ള ബി.ഐ. വോയേജിലെ മുതിർന്ന ആർക്കിടെക്റ്റാണ്. SQL സെർവർ MVP ശീർഷകവും നിരവധി Microsoft സർട്ടിഫിക്കേഷനുകളും ഉണ്ട്