04/07/2011 Derek Comingore

Ikiwa umefanya kazi katika uwanja wowote unaohusiana na teknolojia, labda umesikia neno "mchemraba"; hata hivyo, wasimamizi wengi wa kawaida wa hifadhidata na watengenezaji hawakufanya kazi na vitu hivi. Michemraba hutoa usanifu thabiti wa data kwa kukusanya haraka maelezo ya pande nyingi. Ikiwa shirika lako linahitaji kuchambua idadi kubwa ya data, basi mchemraba ndio suluhisho bora.

Mchemraba ni nini?

Hifadhidata za uhusiano ziliundwa kushughulikia maelfu ya miamala ya wakati mmoja huku ikidumisha utendakazi na uadilifu wa data. Kwa muundo, hifadhidata za uhusiano hazina ufanisi katika kujumlisha na kutafuta idadi kubwa ya data. Ili kujumlisha na kurejesha idadi kubwa ya data, hifadhidata ya uhusiano lazima ipokee hoja kulingana na mpangilio, maelezo ambayo yatakusanywa na kujumlishwa kwa haraka. Maswali kama haya ya uhusiano ni ghali sana kwa sababu yanategemea viungio vingi na utendakazi wa jumla; Maswali ya jumla ya uhusiano hayafanyi kazi wakati wa kufanya kazi na idadi kubwa ya data.

Cubes ni huluki nyingi zilizoundwa kushughulikia upungufu huu katika hifadhidata za uhusiano. Kwa kutumia mchemraba, unaweza kuwapa watumiaji muundo wa data ambao hutoa majibu ya haraka kwa hoja zilizo na idadi kubwa ya kujumlisha. Cubes hufanya "uchawi huu wa kujumlisha" kwa kwanza kujumlisha data (vipimo) katika vipimo vingi. Mkusanyiko wa awali wa mchemraba kawaida hufanywa wakati wa usindikaji. Unapochakata mchemraba, unatoa miunganisho ya data iliyokadiriwa ambayo imehifadhiwa katika mfumo wa binary kwenye diski.

Mchemraba ni muundo mkuu wa data katika mfumo wa uendeshaji wa OLAP wa Uchambuzi wa Huduma za Seva ya SQL (SSAS). Cubes kawaida hujengwa kutoka kwa hifadhidata ya msingi ya uhusiano inayoitwa modeli ya mwelekeo, lakini ni huluki tofauti za kiufundi. Kimantiki, mchemraba ni ghala la data ambalo linajumuisha vipimo (vipimo) na vipimo (vipimo). Vipimo vina vipengele vya maelezo na madaraja, ilhali vipimo ni ukweli unaoeleza katika vipimo. Vipimo vimejumuishwa katika michanganyiko ya kimantiki inayoitwa vikundi vya vipimo. Unaunganisha vipimo kwa vikundi vya vipimo kulingana na sifa - kiwango cha maelezo.

Katika mfumo wa faili, mchemraba unatekelezwa kama mlolongo wa faili za binary zilizounganishwa. Usanifu wa binary wa mchemraba huwezesha urejeshaji wa haraka wa idadi kubwa ya data ya multidimensional.

Nilitaja kuwa cubes zimejengwa kutoka kwa hifadhidata ya msingi ya uhusiano inayoitwa modeli ya mwelekeo. Muundo wa vipimo una majedwali ya uhusiano (ukweli na kipimo) ambayo huiunganisha na vyombo vya mchemraba. Majedwali ya ukweli yana vipimo kama vile wingi wa bidhaa inayouzwa. Majedwali ya vipimo huhifadhi sifa za maelezo kama vile majina ya bidhaa, tarehe na majina ya wafanyikazi. Kwa kawaida, majedwali ya ukweli na majedwali ya vipimo yanahusiana kupitia vizuizi vya msingi vya kigeni, na vitufe vya kigeni vilivyo katika jedwali la ukweli (uhusiano huu unahusiana na sifa ya punje ya mchemraba iliyojadiliwa hapo juu). Wakati majedwali ya vipimo yanaunganishwa moja kwa moja na jedwali la ukweli, schema ya nyota huundwa. Wakati majedwali ya vipimo hayajaunganishwa moja kwa moja na jedwali la ukweli, matokeo yake ni schema ya theluji.

Tafadhali kumbuka kuwa mifano ya dimensional imeainishwa kulingana na programu. Data mart ni muundo wa mwelekeo ambao umeundwa kwa ajili ya mchakato mmoja wa biashara, kama vile mauzo au usimamizi wa orodha. Ghala la data ni kielelezo cha mwelekeo kilichoundwa ili kunasa michakato ya sehemu ya biashara ili kuwezesha uchanganuzi wa michakato ya biashara mtambuka.

Mahitaji ya programu

Sasa kwa kuwa una ufahamu wa kimsingi wa cubes ni nini na kwa nini ni muhimu, nitawasha gia na kukupeleka kwenye ziara ya hatua kwa hatua ya kujenga mchemraba wako wa kwanza kwa kutumia SSAS. Kuna baadhi ya vipengele vya msingi vya programu ambavyo utahitaji, hivyo kabla ya kuanza kujenga mchemraba wako wa kwanza, hakikisha mfumo wako unakidhi mahitaji.

Mfano wangu wa mchemraba wa Mauzo ya Mtandao utajengwa kutoka hifadhidata ya majaribio ya AdventureWorksDW 2005. Nitaunda mchemraba wa majaribio kutoka kwa kikundi kidogo cha majedwali yanayopatikana katika hifadhidata ya majaribio ambayo yatakuwa muhimu kwa kuchanganua data ya mauzo ya Mtandao. Kielelezo cha 1 kinaonyesha mpangilio wa msingi wa majedwali ya hifadhidata. Kwa kuwa ninatumia toleo la 2005, unaweza kufuata maagizo yangu kwa kutumia SQL Server 2005 au SQL Server 2008.

Kielelezo cha 1. Kitengo kidogo cha data ya Uuzaji wa Mtandao wa Adventure Works

Hifadhidata ya mafunzo ya Adventure WorksDW 2005 inaweza kupatikana kwenye tovuti ya CodePlex: msftdbprodsamples.codeplex.com. Pata kiungo "SQL Server 2005 hifadhidata za sampuli za bidhaa bado zinapatikana" (http://codeplex.com/MSFTDBProdSamples/Release/ProjectReleases.aspx?ReleaseId=4004). Hifadhidata ya mafunzo iko katika faili AdventureWorksBI.msi (http://msftdbprodsamples.codeplex.com/releases/view/4004#DownloadId=11755).

Kama ilivyotajwa, lazima uwe na ufikiaji wa mfano wa SQL Server 2008 au 2005, ikijumuisha SSAS na vipengee vya Studio ya Maendeleo ya Ushauri wa Biashara (BIDS). Nitakuwa nikitumia SQL Server 2008, kwa hivyo unaweza kuona tofauti ndogo ikiwa unatumia SQL Server 2005.

Kuunda Mradi wa SSAS

Jambo la kwanza unapaswa kufanya ni kuunda mradi wa SSAS kwa kutumia BIDS. Pata BIDS kwenye menyu ya Anza na kisha kwenye menyu ya Microsoft SQL Server 2008/2005, Studio ndogo ya SQL Server Business Intelligence Development. Kubofya kitufe hiki kutazindua BIDS kwa skrini chaguomsingi ya Splash. Unda mradi mpya wa SSAS kwa kuchagua Faili, Mpya, Mradi. Utaona kisanduku cha kidadisi cha Mradi Mpya, ambacho kinaonyesha Mchoro wa 1. Chagua folda ya Mradi wa Huduma za Uchambuzi na uweke maelezo ya mradi kuwa SQLMAG_MyFirstCube. Bofya Sawa.

Wakati mradi umeundwa, bonyeza-click juu yake kwenye Solution Explorer na uchague Mali kutoka kwa menyu ya muktadha. Sasa chagua sehemu ya Usambazaji kwenye upande wa kushoto wa kisanduku cha mazungumzo cha SQLMAG_MyFirstCube: Kurasa za Mali na uhakiki Seva Lengwa na mipangilio ya Hifadhidata, kama Kielelezo cha 2 kinavyoonyesha. Ikiwa unafanya kazi katika mazingira ya Seva ya SQL iliyosambazwa, utahitaji kuhitimu. mali ya Seva Inayolengwa yenye jina la seva ambayo unakwenda kupeleka. Bofya SAWA unapofurahishwa na mipangilio ya uwekaji wa mradi huu wa SSAS.

Kufafanua chanzo cha data

Kitu cha kwanza unachohitaji kuunda ni chanzo cha data. Kitu cha chanzo cha data hutoa schema na data inayotumiwa kuunda vitu vinavyohusishwa na msingi wa mchemraba. Ili kuunda chanzo cha data katika BIDS, tumia Mchawi wa Chanzo cha Data.

Anzisha Mchawi wa Chanzo cha Data kwa kubofya kulia kwenye folda ya Chanzo cha Data kwenye paneli ya Solution Explorer na kuchagua Chanzo Kipya cha Data. Utagundua kuwa kuunda vitu vya SSAS katika BIDS kuna asili ya ukuzaji. Mchawi kwanza hukutembeza kupitia mchakato wa kuunda kitu na mipangilio ya jumla. Na kisha unafungua kitu kinachosababisha SSAS katika mbuni na ubadilishe kwa undani ikiwa ni lazima. Mara tu unapopita skrini ya haraka, fafanua muunganisho mpya wa data kwa kubofya kitufe kipya. Chagua na uunde muunganisho mpya wa Native OLEDB\SQL Server Native 10 unaoelekeza kwenye Seva yako ya SQL unayotaka inayomiliki mfano wa hifadhidata unaohitajika. Unaweza kutumia uthibitishaji wa Windows au SQL Server, kulingana na mipangilio ya mazingira ya Seva yako ya SQL. Bofya kitufe cha Muunganisho wa Jaribio ili kuhakikisha kwamba umetambua kwa usahihi muunganisho wa hifadhidata, kisha ubofye Sawa.

Inayofuata inakuja Taarifa ya Uigaji, ambayo, kama vile uhusiano wa data, inategemea jinsi mazingira ya Seva ya SQL yameundwa. Ukopaji wa haki ni muktadha wa usalama ambao SSAS hutegemea wakati wa kuchakata vitu vyake. Ikiwa unadhibiti utumaji wako kwenye seva ya msingi, moja (au kompyuta ndogo), kama ninavyodhani wasomaji wengi wanavyofanya, unaweza kuchagua chaguo la Tumia akaunti ya huduma. Bofya Inayofuata ili kukamilisha Mchawi wa Chanzo cha Data na uweke AWDW2005 kama Jina la Chanzo cha Data. Ni rahisi sana kwamba unaweza kutumia njia hii kwa madhumuni ya majaribio, lakini katika mazingira halisi ya uzalishaji sio mazoezi mazuri kutumia akaunti ya huduma. Ni bora kutaja akaunti za kikoa ili kukopa haki za muunganisho wa SSAS kwa chanzo cha data.

Mwonekano wa Chanzo cha Data

Kwa chanzo cha data ulichofafanua, hatua inayofuata katika mchakato wa kujenga mchemraba wa SSAS ni kuunda Mwonekano wa Chanzo cha Data (DSV). DSV hutoa uwezo wa kutenganisha schema ambayo mchemraba wako unatarajia kutoka kwa hifadhidata ya msingi. Kwa hivyo, DSV inaweza kutumika kupanua schema ya msingi ya uhusiano wakati wa kuunda mchemraba. Baadhi ya vipengele muhimu vya DSV vya kupanua miundo ya chanzo cha data ni pamoja na hoja zilizotajwa, uhusiano wa kimantiki kati ya majedwali na safu wima zilizokokotolewa.

Hebu tuende mbele na ubofye kulia kwenye folda ya DSV na uchague Mwonekano wa Chanzo Kipya cha Data ili kuzindua kichawi cha Unda Mwonekano Mpya wa DSV. Katika sanduku la mazungumzo, katika hatua ya Chagua Chanzo cha Data, chagua uunganisho wa hifadhidata ya uhusiano na ubofye Ijayo. Teua majedwali ya FactInternetSales, DimProduct, DimTime, DimCustomer na ubofye kitufe cha mshale mmoja wa kulia ili kusogeza majedwali haya hadi safu wima Iliyojumuishwa. Hatimaye, bofya Ijayo na ukamilishe mchawi kwa kukubali jina chaguo-msingi na kubofya Maliza.

Katika hatua hii, unapaswa kuwa na mwonekano wa DSV ulio chini ya folda ya Maoni ya Chanzo cha Data katika Solution Explorer. Bofya mara mbili kwenye DSV mpya ili kuzindua kibunifu cha DSV. Unapaswa kuona jedwali zote nne za DSV fulani, kama inavyoonyeshwa kwenye Mchoro 2.

Kuunda Vipimo vya Hifadhidata

Kama nilivyoeleza hapo juu, vipimo hutoa vipengele vya maelezo vya vipimo na viwango vinavyotumika kuwezesha ujumlisho juu ya kiwango cha maelezo. Ni muhimu kuelewa tofauti kati ya mwelekeo wa hifadhidata na kipimo cha mchemraba: vipimo kutoka kwa hifadhidata hutoa vitu vya msingi vya vipimo kwa vipimo kadhaa vya mchemraba ambavyo vitatumika kujenga mchemraba.

Hifadhidata na vipimo vya mchemraba hutoa suluhisho la kifahari kwa dhana inayojulikana kama "vipimo vya jukumu." Vipimo vinavyotegemea jukumu hutumiwa wakati unahitaji kutumia kipimo kimoja katika mchemraba mara nyingi. Tarehe ni mfano kamili katika mfano huu wa mchemraba: utaunda kipimo cha tarehe moja na kurejelea mara moja kwa kila tarehe ambayo ungependa kuchambua mauzo ya mtandaoni. Tarehe ya kalenda itakuwa kipimo cha kwanza utakachounda. Bofya kulia folda ya Vipimo katika Suluhisho la Kuchunguza na uchague Kipimo Kipya ili kuzindua Mchawi wa Vipimo. Chagua Tumia jedwali lililopo na ubofye Ijayo katika hatua ya Chagua Mbinu ya Uundaji. Katika hatua ya Bainisha Taarifa ya Chanzo, taja jedwali la DimTime katika orodha ya kushuka ya Jedwali Kuu na ubofye Ijayo. Sasa, katika hatua ya Chagua Vipimo vya Sifa, unahitaji kuchagua sifa za kipimo cha wakati. Chagua kila sifa, kama Kielelezo 3 kinavyoonyesha.

Bofya Inayofuata. Kama hatua ya mwisho, weka Dim Date kwenye sehemu ya Jina na ubofye Maliza ili kukamilisha Kichawi cha Vipimo. Unapaswa sasa kuona kipimo kipya cha Dim Date kilicho chini ya folda ya Vipimo katika Solution Explorer.

Kisha utumie Dimension Wizard kuunda bidhaa na vipimo vya mteja. Fuata hatua sawa ili kuunda kipimo cha msingi kama hapo awali. Unapofanya kazi na Mchawi wa Vipimo, hakikisha kuwa umechagua sifa zote zinazowezekana katika hatua ya Chagua Sifa za Vipimo. Thamani chaguo-msingi za mipangilio mingine ni sawa kwa mfano wa mchemraba wa majaribio.

Kuunda Mchemraba wa Uuzaji wa Mtandao

Sasa kwa kuwa umetayarisha vipimo vya hifadhidata, unaweza kuanza kujenga mchemraba. Katika Kichunguzi cha Suluhisho, bonyeza-kulia folda ya Cubes na uchague Mchemraba Mpya ili kuzindua Mchawi wa Mchemraba. Katika dirisha la Chagua Njia ya Uumbaji, chagua chaguo la Tumia meza zilizopo. Chagua jedwali la FactInternetSales la Kupima Kikundi katika hatua ya Chagua Pima Majedwali ya Kikundi. Ondoa tiki kwenye visanduku vilivyo karibu na Ufunguo wa Kukuza, Ufunguo wa Sarafu, Ufunguo wa Eneo la Mauzo, na vipimo vya Nambari ya Marekebisho katika hatua ya Chagua Hatua na ubofye Inayofuata.

Kwenye skrini ya Teua Vipimo Vilivyopo, hakikisha kwamba vipimo vyote vya hifadhidata vilivyopo vimechaguliwa kutumika kama vipimo vya mchemraba. Kwa sababu ningependa kuweka mchemraba huu rahisi iwezekanavyo, acha kuchagua kipimo cha FactInternetSales katika hatua ya Chagua Vipimo Vipya. Kwa kuacha kipimo cha FactInternetSales kimechaguliwa, unaweza kuunda kile kinachoitwa kipimo cha ukweli au mwelekeo duni. Vipimo vya ukweli ni vipimo ambavyo viliundwa kwa kutumia jedwali la ukweli wa kimsingi kinyume na jedwali la vipimo vya jadi.

Bofya Ijayo ili kwenda kwenye hatua ya Kukamilisha Mchawi na uingie "Mchemraba Wangu wa Kwanza" kwenye uwanja wa Jina la Mchemraba. Bofya kitufe cha Maliza ili kukamilisha mchakato wa Unda Mchawi wa Mchemraba.

Kupanua na kusindika Mchemraba

Sasa uko tayari kupeleka na kuchakata mchemraba wa kwanza. Bonyeza kulia ikoni mpya ya mchemraba kwenye Solution Explorer na uchague Mchakato. Utaona kisanduku cha ujumbe kinachosema kuwa maudhui yanaonekana kuwa yamepitwa na wakati. Bofya Ndiyo ili kupeleka mchemraba mpya kwa seva inayolengwa ya SSAS. Unapopeleka mchemraba, unatuma faili ya XML ya Analisis (XMLA) kwa seva inayolengwa ya SSAS, ambayo huunda mchemraba kwenye seva yenyewe. Kama ilivyotajwa, usindikaji wa mchemraba hujaza jozi zake kwenye diski na data kutoka kwa chanzo kikuu, na metadata ya ziada ambayo umeongeza (vipimo vya mchemraba, vipimo, na mipangilio).

Mara tu mchakato wa kupeleka ukamilika, kisanduku kipya cha mazungumzo cha Mchemraba wa Mchakato huonekana. Bofya kitufe cha Run ili kuanza kuchakata mchemraba, ambao hufungua kwa dirisha la Maendeleo ya Mchakato. Uchakataji utakapokamilika, bofya Funga (mara mbili ili kufunga visanduku vyote viwili vya mazungumzo) ili kukamilisha michakato ya uwekaji na uchakataji wa mchemraba.

Sasa umejenga, umesambaza na kuchakata mchemraba wako wa kwanza. Unaweza kuona mchemraba huu mpya kwa kubofya kulia juu yake kwenye dirisha la Solution Explorer na kuchagua Vinjari. Buruta vipimo hadi katikati ya jedwali la egemeo na sifa za vipimo kwenye safu mlalo na safu wima ili kuchunguza mchemraba wako mpya. Angalia jinsi mchemraba huchakata kwa haraka maswali mbalimbali ya mkusanyiko. Sasa unaweza kufahamu nguvu isiyo na kikomo, na kwa hivyo thamani ya biashara, ya mchemraba wa OLAP.

Derek Comingore ( [barua pepe imelindwa]) ni mbunifu mkuu katika B. I. Voyage, ambayo ina hadhi ya Microsoft Partner katika uwanja wa uchanganuzi wa biashara. Ina jina la SQL Server MVP na vyeti kadhaa vya Microsoft

Ufafanuzi: Mhadhara huu unashughulikia misingi ya kubuni viunzi vya data kwa maghala ya data ya OLAP. Mfano unaonyesha njia ya kuunda mchemraba wa data kwa kutumia zana ya CASE.

Kusudi la hotuba

Baada ya kusoma nyenzo katika hotuba hii, utajua:

• mchemraba wa data ni nini Hifadhi ya data ya OLAP ;
• jinsi ya kuunda mchemraba wa data OLAP ghala za data ;
• ni kipimo gani cha mchemraba wa data;
• jinsi ukweli unahusiana na mchemraba wa data;
• ni sifa gani za mwelekeo;
• uongozi ni nini;
• metric ya mchemraba wa data ni nini;

na kujifunza:

• kujenga chati za multidimensional ;
• kubuni rahisi chati za multidimensional.

Utangulizi

Teknolojia ya OLAP sio moja programu, Hapana lugha ya programu. Ikiwa tutajaribu kufunika OLAP katika maonyesho yake yote, basi ni seti ya dhana, kanuni na mahitaji ambayo yanasisitiza bidhaa za programu ambazo hufanya iwe rahisi kwa wachambuzi kufikia data.

Wachambuzi ndio watumiaji wakuu wa habari za ushirika. Kazi ya mchambuzi ni kutafuta ruwaza katika kiasi kikubwa cha data. Kwa hiyo, mchambuzi hatazingatia ukweli wa mtu binafsi kwamba siku fulani kundi la kalamu za mpira ziliuzwa kwa mnunuzi Ivanov - anahitaji habari kuhusu mamia na maelfu ya matukio sawa. Ukweli mmoja katika ghala la data inaweza kuwa ya riba, kwa mfano, kwa mhasibu au mkuu wa idara ya mauzo, ambaye uwezo wake ni msaada wa mkataba fulani. Kwa mchambuzi, rekodi moja haitoshi - yeye, kwa mfano, anaweza kuhitaji habari kuhusu mikataba yote ya hatua ya kuuza kwa mwezi, robo au mwaka. Mchambuzi anaweza asipendezwe na TIN ya mnunuzi au nambari yake ya simu - anafanya kazi na data maalum ya nambari, ambayo ndio kiini cha shughuli yake ya kitaalam.

Uwekaji kati na muundo unaofaa sio yote ambayo mchambuzi anahitaji. Anahitaji chombo cha kutazama na kuibua habari. Ripoti za jadi, hata zile zilizojengwa kwa msingi wa ghala moja la data, hazina, hata hivyo, kubadilika fulani. Haziwezi "kupindishwa," "kupanuliwa," au "kukunja" ili kupata mwonekano unaotaka wa data. "Vipande" zaidi na "sehemu" za data ambazo mchambuzi anaweza kuchunguza, mawazo zaidi anayo, ambayo, kwa upande wake, yanahitaji "vipande" zaidi na zaidi kwa uthibitishaji. OLAP hutumika kama zana kama hiyo ya uchanganuzi wa data na mchambuzi.

Ingawa OLAP si sifa ya lazima ya ghala la data, inazidi kutumiwa kuchanganua maelezo yaliyokusanywa katika ghala hili la data.

Data ya uendeshaji inakusanywa kutoka vyanzo mbalimbali, kusafishwa, kuunganishwa na kuhifadhiwa katika ghala la data. Zaidi ya hayo, tayari zinapatikana kwa uchambuzi kwa kutumia zana mbalimbali za kuripoti. Kisha data (yote au sehemu) inatayarishwa kwa uchanganuzi wa OLAP. Wanaweza kupakiwa kwenye hifadhidata maalum ya OLAP au kuachwa katika hifadhidata ya uhusiano. Kipengele muhimu zaidi cha kutumia OLAP ni metadata, i.e. habari kuhusu muundo, uwekaji na mabadiliko ya data. Shukrani kwao, mwingiliano mzuri wa vipengele mbalimbali vya uhifadhi huhakikishwa.

Hivyo, OLAP inaweza kufafanuliwa kama seti ya zana za uchanganuzi wa data wa pande nyingi zilizokusanywa katika ghala la data.. Kinadharia, zana za OLAP zinaweza kutumika moja kwa moja kwenye data ya uendeshaji au nakala zao halisi. Hata hivyo, kuna hatari ya kuwasilisha data kwa uchambuzi ambayo haifai kwa uchambuzi huu.

OLAP kwenye mteja na seva

OLAP inategemea uchanganuzi wa data wa pande nyingi. Inaweza kuzalishwa kwa kutumia zana mbalimbali, ambazo zinaweza kugawanywa katika mteja na seva zana OLAP.

Zana za mteja wa OLAP ni programu zinazokokotoa data iliyojumlishwa (jumla, wastani, thamani ya juu zaidi au ya chini zaidi) na kuzionyesha, huku data ya jumla yenyewe ikiwa katika akiba ndani ya nafasi ya anwani ya zana kama hiyo ya OLAP.

Ikiwa data chanzo iko kwenye DBMS ya eneo-kazi, ukokotoaji wa data ya jumla hufanywa na zana ya OLAP yenyewe. Ikiwa chanzo cha data ya awali ni DBMS ya seva, zana nyingi za mteja za OLAP hutuma hoja za SQL zilizo na opereta GROUP BY kwa seva, na matokeo yake hupokea data ya jumla iliyokokotwa kwenye seva.

Kama sheria, utendakazi wa OLAP hutekelezwa katika zana za usindikaji wa takwimu (za bidhaa za darasa hili, bidhaa kutoka kwa Stat Soft na SPSS hutumiwa sana kwenye soko la Urusi) na katika baadhi ya lahajedwali. Hasa, Microsoft Excel 2000 ina zana nzuri za uchanganuzi wa pande nyingi. Kwa kutumia bidhaa hii, unaweza kuunda na kuhifadhi kama faili mchemraba mdogo wa karibu wa OLAP wa pande nyingi na kuonyesha sehemu zake za pande mbili au tatu.

Nyingi zana za maendeleo vyenye maktaba ya madarasa au vijenzi vinavyokuruhusu kuunda programu zinazotekeleza utendakazi rahisi wa OLAP (kama vile, kwa mfano, vipengele vya Decision Cube katika Borland Delphi na Borland C++ Builder). Aidha, makampuni mengi hutoa vidhibiti ActiveX na maktaba zingine zinazotekeleza utendakazi sawa.

Kumbuka kuwa zana za mteja za OLAP hutumiwa, kama sheria, na idadi ndogo ya vipimo (kawaida sio zaidi ya sita hupendekezwa) na aina ndogo ya maadili ya vigezo hivi - baada ya yote, data ya jumla inayotokana lazima ilingane na nafasi ya anwani ya zana kama hiyo, na idadi yao inakua kwa kasi kadri nambari inavyoongezeka vipimo Kwa hivyo, hata zana za OLAP za mteja wa zamani, kama sheria, huruhusu hesabu ya awali ya kiasi cha RAM inayohitajika kuunda mchemraba wa multidimensional ndani yake.

Zana nyingi (lakini sio zote) za mteja wa OLAP hukuruhusu kuhifadhi yaliyomo kwenye kashe na data ya jumla kama faili, ambayo, kwa upande wake, hukuruhusu kuzuia kuzihesabu tena. Kumbuka kuwa fursa hii mara nyingi hutumiwa kutenganisha data iliyojumlishwa kwa madhumuni ya kuihamisha kwa mashirika mengine au kuchapishwa. Mfano wa kawaida wa data kama hiyo ya jumla inayoweza kutengwa ni takwimu za magonjwa katika mikoa tofauti na katika vikundi tofauti vya umri, ambazo ni habari wazi zilizochapishwa na wizara za afya za nchi mbalimbali na Shirika la Afya Duniani. Wakati huo huo, data ya awali yenyewe, ambayo inawakilisha habari kuhusu kesi maalum za magonjwa, ni data ya siri kutoka kwa taasisi za matibabu na hakuna kesi inapaswa kuanguka mikononi mwa makampuni ya bima, kiasi kidogo kuwa hadharani.

Wazo la kuhifadhi kache ya data ya jumla katika faili iliendelezwa zaidi katika zana za seva za OLAP, ambapo kuhifadhi na kubadilisha data ya jumla, pamoja na kuhifadhi uhifadhi ulio nao, hufanywa na programu tofauti au mchakato unaoitwa. Seva ya OLAP. Programu za mteja zinaweza kuomba hifadhi kama hiyo ya pande nyingi na kupokea data fulani kwa kujibu. Baadhi ya programu za mteja zinaweza pia kuunda maduka kama hayo au kusasisha kulingana na data ya chanzo iliyobadilishwa.

Faida za kutumia zana za seva za OLAP ikilinganishwa na zana za mteja za OLAP ni sawa na faida za kutumia DBMS za seva ikilinganishwa na zile za mezani: katika kesi ya kutumia zana za seva, hesabu na uhifadhi wa data ya jumla hufanyika kwenye seva, na programu ya mteja. inapokea tu matokeo ya maswali dhidi yao, ambayo inaruhusu kwa ujumla, kupunguza trafiki ya mtandao, muda wa kuongoza maombi na mahitaji ya rasilimali zinazotumiwa na maombi ya mteja. Kumbuka kuwa zana za uchanganuzi wa data na usindikaji wa biashara, kama sheria, zinatokana na zana za seva za OLAP, kwa mfano, Oracle Express Server, Microsoft SQL Server 2000 Analysis Services, Hyperion Essbase, bidhaa kutoka kwa Crystal Decisions, Business Objects, Cognos, SAS. Taasisi. Kwa kuwa watengenezaji wote wanaoongoza wa seva za DBMS huzalisha (au wana leseni kutoka kwa kampuni zingine) zana moja au nyingine ya seva ya OLAP, chaguo ni pana kabisa, na karibu kila kesi unaweza kununua seva ya OLAP kutoka kwa mtengenezaji sawa na seva ya hifadhidata yenyewe. .

Kumbuka kuwa zana nyingi za mteja za OLAP (haswa, Microsoft Excel 2003, Seagate Analysis, n.k.) hukuruhusu kufikia hifadhi za seva za OLAP, zikifanya kazi katika kesi hii kama programu za mteja zinazotekeleza hoja kama hizo. Kwa kuongeza, kuna bidhaa nyingi ambazo ni maombi ya mteja kwa zana za OLAP kutoka kwa wazalishaji mbalimbali.

Vipengele vya kiufundi vya uhifadhi wa data wa multidimensional

Ghala za data za pande nyingi zina data ya jumla ya viwango tofauti vya maelezo, kwa mfano, kiasi cha mauzo kwa siku, mwezi, mwaka, kulingana na aina ya bidhaa, nk. Madhumuni ya kuhifadhi data ya jumla ni kupunguza muda wa kuongoza maombi, kwa kuwa katika hali nyingi, kwa uchambuzi na utabiri, sio maelezo ya kina, lakini data ya muhtasari ambayo ni ya riba. Kwa hiyo, wakati wa kuunda database ya multidimensional, baadhi ya data ya jumla daima huhesabiwa na kuhifadhiwa.

Kumbuka kwamba kuhifadhi data yote ya jumla sio haki kila wakati. Ukweli ni kwamba wakati vipimo vipya vinaongezwa, kiasi cha data kinachounda mchemraba kinakua kwa kasi (wakati mwingine huzungumzia "ukuaji wa kulipuka" wa kiasi cha data). Kwa usahihi, kiwango cha ukuaji katika kiasi cha data ya jumla inategemea idadi ya vipimo vya mchemraba na wanachama wa vipimo katika ngazi mbalimbali za viwango vya vipimo hivi. Ili kutatua tatizo la "ukuaji wa kulipuka", mipango mbalimbali hutumiwa, ambayo inafanya uwezekano wa kufikia kasi inayokubalika ya utekelezaji wa swala wakati wa kuhesabu si data zote zinazowezekana za jumla.

Data mbichi na ya jumla inaweza kuhifadhiwa katika miundo ya uhusiano au ya pande nyingi. Kwa hiyo, njia tatu za kuhifadhi data zinatumika sasa.

• MOLAP(Multidimensional OLAP) - data ya chanzo na jumla huhifadhiwa katika hifadhidata ya pande nyingi. Kuhifadhi data katika miundo ya multidimensional inakuwezesha kudhibiti data kama safu ya multidimensional, kwa sababu ambayo kasi ya kuhesabu maadili ya jumla ni sawa kwa vipimo vyovyote. Hata hivyo, katika kesi hii, hifadhidata ya multidimensional haina maana, kwa kuwa data ya multidimensional ina data ya awali ya uhusiano.
• ROLAP(OLAP ya Uhusiano) - data asili inasalia katika hifadhidata ile ile ya uhusiano ambapo ilipatikana hapo awali. Data ya jumla huwekwa kwenye jedwali la huduma iliyoundwa mahususi kwa ajili ya kuihifadhi kwenye hifadhidata sawa.
• SHINDA(Mseto OLAP) - data asili inasalia katika hifadhidata ile ile ya uhusiano ambapo ilipatikana hapo awali, na data ya jumla huhifadhiwa katika hifadhidata ya pande nyingi.

Baadhi ya zana za OLAP zinaauni kuhifadhi data katika miundo ya uhusiano pekee, nyingine katika miundo ya pande nyingi pekee. Hata hivyo, zana nyingi za kisasa za seva za OLAP zinaunga mkono mbinu zote tatu za kuhifadhi data. Chaguo la njia ya kuhifadhi inategemea kiasi na muundo wa data ya chanzo, mahitaji ya kasi ya utekelezaji wa hoja na mzunguko wa kusasisha cubes za OLAP.

Kumbuka pia kuwa idadi kubwa ya zana za kisasa za OLAP hazihifadhi thamani "tupu" (mfano wa thamani "tupu" itakuwa kukosekana kwa mauzo ya bidhaa ya msimu nje ya msimu).

Dhana za Msingi za OLAP

Mtihani wa FAMSI

Teknolojia ya uchanganuzi changamano wa data ya pande nyingi inaitwa OLAP (Uchakataji wa Uchanganuzi wa Mtandao). OLAP ni sehemu muhimu ya shirika la ghala la data. Wazo la OLAP lilielezewa mnamo 1993 na Edgar Codd, mtafiti maarufu wa hifadhidata na mwandishi wa modeli ya data ya uhusiano. Mnamo 1995, kulingana na mahitaji yaliyowekwa na Codd, kinachojulikana Mtihani wa FASMI(Uchambuzi wa Haraka wa Taarifa za Multidimensional Zilizoshirikiwa) - uchanganuzi wa haraka wa maelezo ya pande nyingi yaliyoshirikiwa, ikijumuisha mahitaji yafuatayo ya maombi ya uchanganuzi wa pande nyingi:

• Haraka(Haraka) - kumpa mtumiaji matokeo ya uchambuzi kwa wakati unaokubalika (kawaida si zaidi ya 5 s), hata kwa gharama ya uchambuzi mdogo wa kina;
• Uchambuzi(Uchambuzi) - uwezo wa kufanya uchambuzi wowote wa kimantiki na wa takwimu maalum kwa programu fulani na kuihifadhi katika fomu inayopatikana kwa mtumiaji wa mwisho;
• Imeshirikiwa(Imeshirikiwa) - ufikiaji wa watumiaji wengi kwa data na usaidizi wa njia zinazofaa za kufunga na njia za ufikiaji zilizoidhinishwa;
• Multidimensional(Multidimensional) - uwakilishi wa dhana nyingi za data, ikiwa ni pamoja na usaidizi kamili wa safu na viwango vingi (hii ni mahitaji muhimu ya OLAP);
• Habari(Habari) - maombi lazima iweze kupata taarifa yoyote muhimu, bila kujali kiasi chake na eneo la kuhifadhi.

Ikumbukwe kwamba utendakazi wa OLAP unaweza kutekelezwa kwa njia mbalimbali, kutoka kwa zana rahisi zaidi za uchambuzi wa data katika maombi ya ofisi hadi mifumo ya uchambuzi iliyosambazwa kulingana na bidhaa za seva.

Uwakilishi wa multidimensional wa habari

cubes

OLAP hutoa njia rahisi, za haraka za kufikia, kutazama, na kuchanganua maelezo ya biashara. Mtumiaji hupokea asili, angavu mfano wa data, kuzipanga kwa namna ya cubes za multidimensional (Cubes). Axes ya mfumo wa kuratibu wa multidimensional ni sifa kuu za mchakato wa biashara uliochambuliwa. Kwa mfano, kwa mauzo inaweza kuwa bidhaa, kanda, aina ya mnunuzi. Muda hutumika kama moja ya vipimo. Katika makutano ya axes kipimo (Vipimo) kuna data kwamba quantitatively tabia mchakato - hatua (Hatua). Hii inaweza kuwa kiasi cha mauzo katika vipande au kwa masharti ya fedha, salio la hisa, gharama, n.k. Mtumiaji anayechanganua maelezo anaweza "kukata" mchemraba katika mwelekeo tofauti, kupata muhtasari (kwa mfano, kwa mwaka) au, kinyume chake, maelezo ya kina ( kwa wiki. ) habari na kutekeleza udanganyifu mwingine unaokuja akilini mwake wakati wa mchakato wa uchambuzi.

Kama hatua katika mchemraba wa pande tatu inavyoonyeshwa kwenye Mtini. 26.1, kiasi cha mauzo kinatumika, na wakati, bidhaa na duka hutumiwa kama vipimo. Vipimo vinawasilishwa katika viwango maalum vya kuweka vikundi: bidhaa zimewekwa kulingana na kategoria, duka kulingana na nchi, na data ya muda wa ununuzi kwa mwezi. Baadaye kidogo tutaangalia viwango vya kambi ( uongozi) kwa undani zaidi.

Mchele. 26.1.

"Kukata" mchemraba

Hata mchemraba wa pande tatu ni ngumu kuonyesha kwenye skrini ya kompyuta ili maadili ya hatua za kupendeza zionekane. Tunaweza kusema nini kuhusu cubes na vipimo zaidi ya tatu? Ili kuibua data iliyohifadhiwa katika mchemraba, kama sheria, mitazamo inayojulikana ya pande mbili, i.e., maoni ya jedwali yenye safu tata ya safu na vichwa vya safu hutumiwa.

Uwakilishi wa pande mbili za mchemraba unaweza kupatikana kwa "kukata" kwa njia ya kuvuka kwa shoka moja au zaidi (vipimo): tunarekebisha maadili ya vipimo vyote isipokuwa mbili, na tunapata meza ya kawaida ya pande mbili. Mhimili mlalo wa jedwali (vichwa vya safu wima) huwakilisha kipimo kimoja, mhimili wima (vichwa vya safu mlalo) huwakilisha mwingine, na seli za jedwali zinawakilisha maadili ya vipimo. Katika kesi hii, seti ya hatua kwa kweli inazingatiwa kama moja ya vipimo: tunachagua kipimo kimoja cha kuonyesha (kisha tunaweza kuweka vipimo viwili kwenye safu na vichwa vya safu), au kuonyesha hatua kadhaa (na kisha moja ya safu. shoka za meza zitachukuliwa na majina ya hatua, na nyingine kwa maadili ya mwelekeo pekee "usiokatwa").

(ngazi). Kwa mfano, lebo zilizowasilishwa hazihimiliwi na zana zote za OLAP. Kwa mfano, Huduma za Uchambuzi za Microsoft 2000 zinaauni aina zote mbili za uongozi, lakini Huduma za Microsoft OLAP 7.0 zinaauni zilizosawazishwa pekee. Idadi ya viwango vya daraja, idadi ya juu zaidi inayoruhusiwa ya wanachama wa ngazi moja, na idadi ya juu iwezekanavyo ya vipimo vyenyewe vinaweza kuwa tofauti katika zana tofauti za OLAP.

Usanifu wa programu za OLAP

Kila kitu kilichosemwa hapo juu kuhusu OLAP kimsingi kinahusiana na uwasilishaji wa data wa pande nyingi. Jinsi data inavyohifadhiwa, kwa ufupi, haihusu mtumiaji wa mwisho au wasanidi wa zana ambayo mteja hutumia.

Multidimensionality katika programu za OLAP inaweza kugawanywa katika viwango vitatu.

• Uwakilishi wa data wa pande nyingi - zana za mtumiaji wa mwisho ambazo hutoa taswira ya pande nyingi na upotoshaji wa data; Safu ya uwakilishi wa pande nyingi huchota kutoka kwa muundo halisi wa data na huchukulia data kama ya pande nyingi.
• Uchakataji wa pande nyingi ni njia (lugha) ya kuunda maswali ya pande nyingi (lugha ya kimahusiano ya SQL haifai hapa) na kichakataji ambacho kinaweza kuchakata na kutekeleza hoja kama hiyo.
• Uhifadhi wa multidimensional ni njia ya kupanga data kimwili ambayo inahakikisha utekelezaji bora wa maswali ya multidimensional.

Viwango viwili vya kwanza ni vya lazima katika zana zote za OLAP. Ngazi ya tatu, ingawa imeenea, sio lazima, kwa kuwa data ya uwakilishi wa multidimensional inaweza kutolewa kutoka kwa miundo ya kawaida ya uhusiano; Kichakataji cha hoja za pande nyingi katika kesi hii hutafsiri maswali ya pande nyingi katika hoja za SQL ambazo hutekelezwa na DBMS ya uhusiano.

Bidhaa mahususi za OLAP, kama sheria, ni aidha zana ya uwasilishaji wa data ya pande nyingi (mteja wa OLAP - kwa mfano, Jedwali la Pivot katika Excel 2000 kutoka kwa Microsoft au ProClarity kutoka Knosys) au seva ya multidimensional DBMS (seva ya OLAP - kwa mfano, Seva ya Oracle Express au Huduma za Microsoft OLAP).

Safu ya uchakataji yenye pande nyingi kwa kawaida hujengwa ndani ya mteja wa OLAP na/au seva ya OLAP, lakini inaweza kutengwa katika hali yake safi, kama vile kipengele cha Huduma ya Jedwali cha Pivot cha Microsoft.

Labda kwa wengine, matumizi ya teknolojia ya OLAP (Uchanganuzi wa Mtandaoni) wakati wa kuunda ripoti itaonekana kuwa ya kigeni, kwa hivyo matumizi ya OLAP-CUBE kwao sio moja ya mahitaji muhimu wakati wa kusanidi bajeti na usimamizi wa hesabu.

Kwa kweli, ni rahisi sana kutumia CUBE ya multidimensional wakati wa kufanya kazi na ripoti ya usimamizi. Wakati wa kuendeleza muundo wa bajeti, unaweza kukutana na tatizo la fomu za multivariate (unaweza kusoma zaidi kuhusu hili katika Kitabu cha 8, "Teknolojia ya kuweka bajeti katika kampuni," na katika kitabu, "Kuweka na kuelekeza uhasibu wa usimamizi").

Hii ni kutokana na ukweli kwamba usimamizi madhubuti wa kampuni unahitaji ripoti ya kina ya usimamizi. Hiyo ni, mfumo hutumia zaidi na zaidi sehemu tofauti za uchambuzi (katika mifumo ya habari, analytics imedhamiriwa na seti ya vitabu vya kumbukumbu).

Kwa kawaida, hii inaongoza kwa ukweli kwamba wasimamizi wanataka kupokea ripoti katika sehemu zote za uchanganuzi zinazowavutia. Hii ina maana kwamba ripoti zinahitajika kufanywa ili "kupumua" kwa namna fulani. Kwa maneno mengine, tunaweza kusema kwamba katika kesi hii tunazungumza juu ya ukweli kwamba ripoti hiyo hiyo inapaswa kutoa habari katika nyanja tofauti za uchambuzi. Kwa hiyo, ripoti za tuli hazifai tena wasimamizi wengi wa kisasa. Wanahitaji mienendo ambayo CUBE ya multidimensional inaweza kutoa.

Kwa hivyo, teknolojia ya OLAP tayari imekuwa kipengele cha lazima katika mifumo ya habari ya kisasa na ya baadaye. Kwa hiyo, wakati wa kuchagua bidhaa ya programu, unahitaji kulipa kipaumbele ikiwa inatumia teknolojia ya OLAP.

Zaidi ya hayo, unahitaji kuwa na uwezo wa kutofautisha CUBES halisi kutoka kwa kuiga. Uigaji mmoja kama huo ni jedwali egemeo katika MS Excel. Ndio, chombo hiki kinaonekana kama CUBE, lakini kwa kweli sio moja, kwani hizi ni meza za tuli, sio za nguvu. Kwa kuongeza, wana utekelezaji mbaya zaidi wa uwezo wa kujenga ripoti kwa kutumia vipengele kutoka kwa saraka za uongozi.

Ili kuthibitisha umuhimu wa kutumia CUBE wakati wa kuunda ripoti ya usimamizi, tunaweza kutoa mfano rahisi na bajeti ya mauzo. Katika mfano unaozingatiwa, sehemu zifuatazo za uchambuzi zinafaa kwa kampuni: bidhaa, matawi na njia za mauzo. Ikiwa hizi analytics tatu ni muhimu kwa kampuni, basi bajeti ya mauzo (au ripoti) inaweza kuonyeshwa katika matoleo kadhaa.

Ikumbukwe kwamba ikiwa utaunda mistari ya bajeti kulingana na sehemu tatu za uchambuzi (kama katika mfano unaozingatiwa), hii inakuwezesha kuunda mifano ya bajeti ngumu kabisa na kuunda ripoti za kina kwa kutumia CUBE.

Kwa mfano, bajeti ya mauzo inaweza kukusanywa kwa kutumia uchanganuzi mmoja tu (saraka). Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya uchambuzi mmoja "Bidhaa" imewasilishwa Kielelezo cha 1.

Mchele. 1. Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya "Bidhaa" za uchanganuzi katika OLAP-CUBE

Bajeti sawa ya mauzo inaweza kukusanywa kwa kutumia uchanganuzi mbili (saraka). Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya uchanganuzi mbili "Bidhaa" na "Matawi" imewasilishwa Kielelezo cha 2.

Mchele. 2. Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya "Bidhaa" mbili za uchanganuzi na "Matawi" katika OLAP-CUBE ya kifurushi cha programu cha INTEGRAL.

.

Ikiwa kuna haja ya kujenga ripoti za kina zaidi, basi bajeti sawa ya mauzo inaweza kukusanywa kwa kutumia analytics tatu (saraka). Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya "Bidhaa", "Matawi" na "Njia za Mauzo" imewasilishwa kwenye Kielelezo cha 3.

Mchele. 3. Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya "Bidhaa" tatu za uchanganuzi, "Matawi" na "Njia za Uuzaji" katika OLAP-CUBE ya kifurushi cha programu cha INTEGRAL.

Inapaswa kukumbuka kuwa CUBE inayotumiwa kutoa ripoti hukuruhusu kuonyesha data katika mlolongo tofauti. Washa Kielelezo cha 3 Bajeti ya mauzo ni ya kwanza "kupanuliwa" na bidhaa, kisha kwa tawi, na kisha kwa njia ya mauzo.

Data sawa inaweza kuwasilishwa kwa mlolongo tofauti. Washa Kielelezo cha 4 bajeti sawa ya mauzo "hupanuliwa" kwanza kwa bidhaa, kisha kwa njia ya mauzo, na kisha kwa tawi.

Mchele. 4. Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya "Bidhaa" tatu za uchanganuzi, "Njia za Usambazaji" na "Matawi" katika OLAP-CUBE ya kifurushi cha programu INTEGRAL.

Washa Kielelezo cha 5 bajeti sawa ya mauzo "hufunuliwa" kwanza na matawi, kisha kwa bidhaa, na kisha kwa njia za mauzo.

Mchele. 5. Mfano wa bajeti ya mauzo iliyojengwa kwa misingi ya "Matawi" matatu ya uchanganuzi, "Bidhaa" na "Njia za Uuzaji" katika kifurushi cha programu cha OLAP-CUBE "INTEGRAL"

Kwa kweli, hizi sio chaguzi zote zinazowezekana za kuondoa bajeti ya mauzo.

Kwa kuongeza, unahitaji kuzingatia ukweli kwamba KUB inakuwezesha kufanya kazi na muundo wa hierarchical wa saraka. Katika mifano iliyowasilishwa, saraka za daraja ni "Bidhaa" na "Njia za Usambazaji".

Kwa mtazamo wa mtumiaji, katika mfano huu anapokea ripoti kadhaa za usimamizi (ona. Mchele. 1-5), na kutoka kwa mtazamo wa mipangilio katika bidhaa ya programu, hii ni ripoti moja. Kwa kutumia CUBE unaweza kuiona kwa njia kadhaa.

Kwa kawaida, katika mazoezi, idadi kubwa sana ya chaguzi za kutoa ripoti mbalimbali za usimamizi inawezekana ikiwa makala zao zinatokana na wachambuzi mmoja au zaidi. Na seti ya uchanganuzi yenyewe inategemea mahitaji ya watumiaji kwa undani. Kweli, hatupaswi kusahau kwamba, kwa upande mmoja, mchambuzi mkubwa, ripoti za kina zaidi zinaweza kujengwa. Lakini, kwa upande mwingine, hii ina maana kwamba mfano wa bajeti ya kifedha itakuwa ngumu zaidi. Kwa hali yoyote, ikiwa kuna KUB, kampuni itakuwa na fursa ya kuona taarifa muhimu katika matoleo mbalimbali, kwa mujibu wa sehemu za uchambuzi wa maslahi.

Ni muhimu kutaja vipengele kadhaa zaidi vya OLAP-CUBE.

Katika muundo wa hali ya juu wa OLAP-CUBE kuna vipimo kadhaa: aina ya safu, tarehe, safu, saraka 1, saraka ya 2 na saraka 3 (tazama. Mchele. 6) Kwa kawaida, ripoti huonyesha vitufe vingi vilivyo na saraka kama vilivyo katika mstari wa bajeti iliyo na idadi ya juu zaidi ya saraka. Ikiwa hakuna kitabu kimoja cha marejeleo katika mstari wowote wa bajeti, basi ripoti haitakuwa na kitufe kimoja chenye vitabu vya marejeleo.

Hapo awali, OLAP-CUBE imejengwa kwa vipimo vyote. Kwa chaguo-msingi, ripoti inapojengwa awali, vipimo vinapatikana katika maeneo yaliyoonyeshwa Kielelezo cha 6. Hiyo ni, mwelekeo kama vile "Tarehe" iko katika eneo la vipimo vya wima (vipimo katika eneo la safu), vipimo "Safu", "Safu ya 1", "Directory 2" na "Directory 3" - katika eneo la vipimo vya mlalo (vipimo katika safu za eneo), na mwelekeo wa "Aina ya safu" iko katika eneo la vipimo "zisizopanuliwa" (vipimo katika eneo la ukurasa). Ikiwa kipimo kiko katika eneo la mwisho, basi data katika ripoti "haitapanua" kwenye kipimo hicho.

Kila moja ya vipimo hivi inaweza kuwekwa katika yoyote ya maeneo matatu. Mara tu vipimo vinapohamishwa, ripoti hujengwa upya papo hapo ili kuendana na usanidi mpya wa kipimo. Kwa mfano, unaweza kubadilisha tarehe na mistari na vitabu vya kumbukumbu. Au unaweza kuhamisha moja ya vitabu vya marejeleo hadi eneo la kipimo kiwima (ona. Mchele. 7) Kwa maneno mengine, unaweza "kupotosha" ripoti katika OLAP-CUBE na kuchagua chaguo la kutoa ripoti ambalo linafaa zaidi kwa mtumiaji.

Mchele. 7. Mfano wa kuunda upya ripoti baada ya kubadilisha usanidi wa kipimo cha kifurushi cha programu INTEGRAL.

Usanidi wa kipimo unaweza kubadilishwa ama katika fomu kuu ya CUBE au katika kihariri cha mabadiliko ya ramani (ona. Mchele. 8) Katika kihariri hiki, unaweza pia kuburuta na kudondosha vipimo kutoka eneo moja hadi jingine kwa kutumia kipanya. Kwa kuongeza, unaweza kubadilisha vipimo katika eneo moja.

Kwa kuongeza, kwa fomu sawa unaweza kusanidi vigezo vingine vya kipimo. Kwa kila kipimo, unaweza kubinafsisha eneo la jumla, mpangilio wa upangaji wa vipengee, na majina ya vipengee (ona. Mchele. 8) Unaweza pia kubainisha ni jina gani la kipengele cha kuonyesha katika ripoti: kifupi (Jina) au kamili (FullName).

Mchele. 8. Mhariri wa ramani ya kipimo cha kifurushi cha programu INTEGRAL

Unaweza kuhariri vigezo vya kipimo moja kwa moja katika kila moja yao (tazama. Mchele. 9) Ili kufanya hivyo, bonyeza kwenye ikoni iliyo kwenye kitufe karibu na jina la kipimo.

Mchele. 9. Mfano wa saraka ya kuhariri 1 Bidhaa na huduma ndani

Kwa kutumia kihariri hiki, unaweza kuchagua vipengele unavyotaka kuonyesha kwenye ripoti. Kwa chaguo-msingi, vipengele vyote vinaonyeshwa kwenye ripoti, lakini ikiwa ni lazima, baadhi ya vipengele au folda zinaweza kuachwa. Kwa mfano, ikiwa unahitaji kuonyesha kikundi kimoja tu cha bidhaa kwenye ripoti, basi unahitaji kufuta alama zingine zote kwenye kihariri cha kipimo. Baada ya hapo, ripoti itakuwa na kikundi kimoja tu cha bidhaa (ona. Mchele. 10).

Unaweza pia kupanga vipengele katika kihariri hiki. Kwa kuongeza, vipengele vinaweza kupangwa upya kwa njia mbalimbali. Baada ya kuunganishwa tena, ripoti hiyo inajengwa upya mara moja.

Mchele. 10. Mfano wa pato katika ripoti ya kikundi kimoja tu cha bidhaa (folda) katika mfuko wa programu ya INTEGRAL

Katika kihariri cha vipimo, unaweza kuunda vikundi vyako kwa haraka, kuburuta na kudondosha vipengele kutoka kwa saraka huko, nk. Kwa chaguo-msingi, ni kundi lingine tu linaloundwa kiatomati, lakini vikundi vingine vinaweza kuundwa. Kwa hivyo, kwa kutumia kihariri cha vipimo, unaweza kusanidi ni vipengele vipi vya vitabu vya kumbukumbu na kwa utaratibu gani unapaswa kuonyeshwa kwenye ripoti.

Ikumbukwe kwamba upangaji upya kama huo haujarekodiwa. Hiyo ni, baada ya kufunga ripoti au baada ya kuhesabu upya, saraka zote zitaonyeshwa kwenye ripoti kwa mujibu wa mbinu iliyosanidiwa.

Kwa kweli, mabadiliko hayo yote yangeweza kufanywa awali wakati wa kuweka mistari.

Kwa mfano, kwa kutumia vizuizi unaweza pia kubainisha ni vipengele vipi au vikundi vya saraka vinapaswa kuonyeshwa kwenye ripoti na ni vipi visivyopaswa kuonyeshwa.

Kumbuka: mada ya makala hii inajadiliwa kwa undani zaidi katika warsha "Usimamizi wa bajeti ya biashara" Na "Shirika na otomatiki ya uhasibu wa usimamizi" iliyofanywa na mwandishi wa nakala hii, Alexander Karpov.

Ikiwa mtumiaji karibu mara kwa mara anahitaji kuonyesha vipengele fulani tu au folda za saraka katika ripoti, basi ni bora kufanya mipangilio hiyo mapema wakati wa kuunda mistari ya ripoti. Ikiwa mchanganyiko mbalimbali wa vipengele vya saraka katika ripoti ni muhimu kwa mtumiaji, basi hakuna haja ya kuweka vikwazo vyovyote wakati wa kuanzisha mbinu. Vikwazo vyote vile vinaweza kusanidiwa haraka kwa kutumia kihariri cha kipimo.

/ Kwa namna ya cubist. Utumiaji wa cubes za OLAP katika mazoezi ya usimamizi wa kampuni kubwa

Katika kuwasiliana na

Wanafunzi wenzako

Konstantin Tokmachev, mbunifu wa mfumo

Kwa mtindo wa cubist.
Utumiaji wa cubes za OLAP katika mazoezi ya usimamizi wa kampuni kubwa

Labda wakati umepita wakati rasilimali za kompyuta za shirika zilitumika tu kurekodi habari na ripoti za uhasibu. Wakati huo huo, maamuzi ya usimamizi yalifanywa "kwa jicho" katika ofisi, mikutano na mikutano. Labda nchini Urusi ni wakati wa kurudisha mifumo ya kompyuta ya kampuni kwenye rasilimali zao kuu - kutatua shida za usimamizi kulingana na data iliyosajiliwa kwenye kompyuta.

Kuhusu faida za uchanganuzi wa biashara

Katika kitanzi cha usimamizi wa shirika, kati ya data "ghafi" na "vigezo" vya kushawishi kitu kinachosimamiwa, kuna "viashiria vya utendaji" - KPIs. Wanaunda aina ya "dashibodi", inayoonyesha hali ya mifumo ndogo ya kitu kilichodhibitiwa. Kuandaa kampuni na viashiria vya utendaji vya habari na ufuatiliaji wa hesabu zao na maadili yaliyopatikana ni kazi ya mchambuzi wa biashara. Huduma za uchanganuzi otomatiki, kama vile shirika la Huduma za Uchambuzi wa Seva ya MS SQL (SSAS) na zana yake kuu, mchemraba wa OLAP, zinaweza kutoa usaidizi mkubwa katika kupanga kazi ya uchanganuzi ya shirika.

Jambo moja zaidi linahitaji kufanywa papa hapa. Hebu sema, katika mila ya Marekani, maalum inayozingatia kufanya kazi na cubes ya OLAP inaitwa BI (Business Intelligence). Haipaswi kuwa na udanganyifu kwamba BI ya Marekani inafanana na "mchambuzi wa biashara" wa Kirusi. Hakuna kosa, lakini mara nyingi mchambuzi wetu wa biashara ni "mhasibu wa chini" na "mpangaji wa programu", mtaalamu mwenye ujuzi usio wazi na mshahara mdogo, ambaye kwa kweli hana zana na mbinu yake mwenyewe.

Mtaalamu wa BI, kwa kweli, ni mtaalamu wa hisabati aliyetumika, mtaalamu aliyehitimu sana ambaye huweka mbinu za kisasa za hisabati kwenye ghala la kampuni (kile kiliitwa Utafiti wa Uendeshaji - mbinu za utafiti wa uendeshaji). BI inaendana zaidi na "mchambuzi wa mfumo" maalum ambaye hapo zamani alikuwa USSR, alihitimu kutoka Kitivo cha Hisabati na Hisabati cha Chuo Kikuu cha Jimbo la Moscow. M.V. Lomonosov. Mchemraba wa OLAP na huduma za uchambuzi zinaweza kuwa msingi wa kuahidi kwa mahali pa kazi ya mchambuzi wa biashara wa Kirusi, labda baada ya mafunzo ya juu katika mwelekeo wa BI ya Marekani.

Hivi majuzi, mwelekeo mwingine mbaya umeibuka. Shukrani kwa utaalam, uelewa wa pamoja kati ya kategoria tofauti za wafanyikazi wa shirika umepotea. Mhasibu, meneja na programu, kama "swan, kamba na pike" katika hadithi ya I.A. Krylov, wanavuta shirika katika mwelekeo tofauti.

Mhasibu anashughulika na kuripoti; kiasi chake, kwa maana na katika mienendo, hazihusiani moja kwa moja na mchakato wa biashara wa kampuni.

Meneja yuko busy na sehemu yake ya mchakato wa biashara, lakini hana uwezo wa kutathmini kimataifa, katika kiwango cha kampuni kwa ujumla, matokeo na matarajio ya vitendo vyake.

Hatimaye, programu, ambaye hapo awali (shukrani kwa elimu yake) alikuwa kondakta wa mawazo ya juu ya kiufundi kutoka nyanja ya sayansi hadi nyanja ya biashara, amegeuka kuwa mtekelezaji wa fantasia za mhasibu na meneja. tena kawaida kwa idara za IT za mashirika kuendeshwa na wahasibu na, kwa ujumla, kila mtu ambaye si mvivu kwake. Ukosefu wa mpango, wasiojua kusoma na kuandika, lakini programu ya 1C inayolipwa sana ni janga la kweli la mashirika ya Urusi. (Takriban kama mchezaji wa kandanda wa ndani.) Sizungumzi hata juu ya wale wanaoitwa "wachumi na wanasheria"; kila kitu kimesemwa kuwahusu muda mrefu uliopita.

Kwa hivyo, msimamo wa mchambuzi wa biashara, aliye na vifaa vya ujuzi wa SSAS, mwenye ujuzi katika misingi ya programu na uhasibu, ana uwezo wa kuunganisha kazi ya kampuni kuhusiana na uchambuzi na utabiri wa mchakato wa biashara.

Faida za cubes za OLAP

Mchemraba wa OLAP ni zana ya kisasa ya kuchambua hifadhidata ya mfumo wa kompyuta ya shirika ambayo hukuruhusu kuwapa wafanyikazi katika viwango vyote vya uongozi na seti inayohitajika ya viashiria vinavyoashiria mchakato wa uzalishaji wa kampuni. Jambo sio tu kwamba kiolesura cha urahisi na lugha rahisi ya kuuliza kwa mchemraba wa MDX (MultiDimensional eXpressions) hukuruhusu kuunda na kuhesabu viashiria muhimu vya uchambuzi, lakini kasi ya kushangaza na urahisi ambayo mchemraba wa OLAP hufanya hivi. Aidha, kasi hii na urahisi, ndani ya mipaka fulani, haitegemei ugumu wa mahesabu na ukubwa wa database.

Baadhi ya utangulizi wa OLAP-
mchemraba inaweza kutolewa na "meza egemeo" ya MS Excel. Vitu hivi vina mantiki sawa na miingiliano sawa. Lakini, kama itakavyoonekana katika makala, utendakazi wa OLAP ni tajiri zaidi, na utendakazi ni wa juu zaidi, kwa hivyo "meza egemeo" inabaki kuwa bidhaa ya eneo-kazi la ndani, huku OLAP ni bidhaa ya kiwango cha biashara.

Kwa nini mchemraba wa OLAP unafaa sana kwa kutatua matatizo ya uchanganuzi? Mchemraba wa OLAP umeundwa kwa njia ambayo viashiria vyote katika sehemu zote zinazowezekana vinahesabiwa awali (vizima au sehemu), na mtumiaji anaweza tu "kutoa" viashirio vinavyohitajika (vipimo) na vipimo (vipimo) kwa kutumia panya, na programu inaweza kuchora tena meza.

Uchanganuzi wote unaowezekana katika sehemu zote huunda sehemu moja kubwa, au tuseme, sio uwanja, lakini mchemraba wa OLAP wa pande nyingi. Ombi lolote mtumiaji (msimamizi, mchambuzi wa biashara, mtendaji) anageukia huduma ya uchanganuzi, kasi ya majibu inaelezewa na mambo mawili: kwanza, uchambuzi unaohitajika unaweza kutengenezwa kwa urahisi (ama kuchaguliwa kutoka kwa orodha kwa jina, au kubainishwa na formula katika lugha ya MDX ), pili, kama sheria, tayari imehesabiwa.

Uundaji wa uchanganuzi unawezekana katika chaguzi tatu: ni uwanja wa hifadhidata (au tuseme, uwanja wa ghala), au uwanja wa hesabu uliofafanuliwa katika kiwango cha muundo wa mchemraba, au usemi wa lugha ya MDX wakati wa kufanya kazi kwa maingiliano na mchemraba.

Hii inamaanisha vipengele kadhaa vya kuvutia vya cubes za OLAP. Kimsingi, kizuizi kati ya mtumiaji na data hupotea. Kizuizi kiko katika mfumo wa programu ya programu, ambaye, kwanza, anahitaji kuelezea shida (kuweka kazi). Pili, itabidi ungojee programu ya programu kuunda algorithm, kuandika na kurekebisha programu, na kisha ikiwezekana kuibadilisha. Ikiwa kuna wafanyikazi wengi na mahitaji yao ni tofauti na yanaweza kubadilika, basi timu nzima ya waandaaji wa programu inahitajika. Kwa maana hii, mchemraba wa OLAP (na mchambuzi wa biashara aliyehitimu) huchukua nafasi ya timu nzima ya watayarishaji programu kulingana na kazi ya uchanganuzi, kama vile mchimbaji mwenye nguvu aliye na mchimbaji hubadilisha timu nzima ya wafanyikazi wahamiaji na koleo wakati wa kuchimba mtaro!

Wakati huo huo, ubora mwingine muhimu sana wa data iliyopatikana ya uchambuzi unapatikana. Kwa kuwa kuna mchemraba mmoja tu wa OLAP kwa kampuni nzima, i.e. Hii ni sehemu sawa na wachambuzi kwa kila mtu, ambayo huondoa utofauti wa kuudhi katika data. Wakati meneja analazimika kuuliza kazi hiyo hiyo kwa wafanyikazi kadhaa wa kujitegemea ili kuondoa sababu ya kujitolea, lakini bado huleta majibu tofauti, ambayo kila mtu anajitolea kuelezea kwa njia fulani, nk. Mchemraba wa OLAP huhakikisha usawa wa data ya uchambuzi katika viwango tofauti vya uongozi wa shirika, i.e. ikiwa meneja anataka kuelezea kiashiria fulani cha riba kwake, basi hakika atakuja kwa data ya kiwango cha chini ambayo msaidizi wake hufanya kazi, na hii itakuwa data haswa kwa msingi ambao kiashiria cha kiwango cha juu kilihesabiwa. , na sio data nyingine, iliyopokelewa kwa njia nyingine, wakati mwingine, nk. Hiyo ni, kampuni nzima inaona uchanganuzi sawa, lakini katika viwango tofauti vya mkusanyiko.

Hebu tutoe mfano. Tuseme msimamizi anadhibiti akaunti zinazopokelewa. Alimradi KPI ya mapokezi yaliyochelewa ni ya kijani, inamaanisha kuwa kila kitu ni cha kawaida na hakuna hatua za usimamizi zinazohitajika. Ikiwa rangi imebadilika kuwa njano au nyekundu, kuna kitu kibaya: tunapunguza KPI na idara za mauzo na mara moja kuona idara "katika nyekundu". Sehemu inayofuata ya wasimamizi - na muuzaji ambaye wateja wake wako nyuma kwenye malipo hutambuliwa. (Zaidi ya hayo, kiasi kilichochelewa kinaweza kugawanywa na wateja, kwa masharti, nk) Mkuu wa shirika anaweza kuwasiliana moja kwa moja na wakiukaji katika ngazi yoyote. Lakini kwa ujumla, KPI sawa (katika viwango vyao vya uongozi) inaonekana na wakuu wa idara na wasimamizi wa mauzo. Kwa hiyo, ili kurekebisha hali hiyo, hawahitaji hata kusubiri "wito kwenye carpet"... Kwa kweli, KPI yenyewe sio lazima iwe kiasi cha malipo yaliyochelewa - inaweza kuwa uzani wa kipindi cha wastani cha malipo yaliyochelewa au, kwa ujumla, kiwango cha mauzo ya bidhaa zinazopokelewa.

Tutambue kwamba ugumu na unyumbulifu wa lugha ya MDX, pamoja na matokeo ya haraka (wakati mwingine ya papo hapo), huturuhusu kutatua (kwa kuzingatia hatua za ukuzaji na utatuzi) matatizo changamano ya udhibiti ambayo vinginevyo yasingefanywa kabisa. kwa sababu ya ugumu wa watayarishaji programu na kutokuwa na uhakika wa awali katika uundaji. (Makataa marefu ya watengeneza programu kutatua matatizo ya uchanganuzi kutokana na uundaji usioeleweka vizuri na marekebisho marefu ya programu wakati hali hubadilika mara nyingi hukutana katika mazoezi.)

Wacha tuzingatie ukweli kwamba kila mfanyakazi wa kampuni anaweza kukusanya kutoka kwa uwanja wa jumla mchambuzi wa OLAP haswa mavuno ambayo anahitaji kwa kazi yake, na asitosheke na "strip" ambayo amekatwa kwa jamii. "Ripoti za kawaida".

Kiolesura cha watumiaji wengi cha kufanya kazi na mchemraba wa OLAP katika hali ya seva ya mteja huruhusu kila mfanyakazi, bila ya wengine, kuwa na vizuizi vyake vya uchanganuzi (hata vilivyojitengenezea mwenyewe kwa ustadi fulani) (ripoti), ambavyo, mara tu vimefafanuliwa, vinakuwa kiotomatiki. updated - kwa maneno mengine, wao ni daima hadi tarehe hali.

Hiyo ni, mchemraba wa OLAP hukuruhusu kufanya kazi ya uchambuzi (ambayo kwa kweli inafanywa sio tu na wachambuzi wa mapokezi, lakini, kwa kweli, karibu na wafanyikazi wote wa kampuni, hata waendeshaji wa vifaa na wasimamizi ambao hudhibiti mizani na usafirishaji) kuchagua zaidi, "si kwa maneno ya jumla" , ambayo inaunda hali za kuboresha kazi na kuongeza tija.

Kwa muhtasari wa utangulizi wetu, tunakumbuka kuwa utumiaji wa cubes za OLAP unaweza kuinua usimamizi wa kampuni hadi kiwango cha juu. Usawa wa data ya uchambuzi katika viwango vyote vya uongozi, kuegemea kwao, ugumu, urahisi wa kuunda na kurekebisha viashiria, mipangilio ya mtu binafsi, kasi ya juu ya usindikaji wa data, na mwishowe, kuokoa pesa na wakati unaotumika kusaidia njia mbadala za uchambuzi (waandaaji wa programu, mahesabu ya kujitegemea ya mfanyakazi) kufungua matarajio ya matumizi ya cubes OLAP katika mazoezi ya makampuni makubwa ya Kirusi.

OLTP + OLAP: kitanzi cha maoni katika msururu wa usimamizi wa kampuni

Sasa hebu tuangalie wazo la jumla la cubes za OLAP na hatua yao ya matumizi katika mlolongo wa usimamizi wa kampuni. Neno OLAP (Uchakataji wa Uchanganuzi Mtandaoni) lilianzishwa na mwanahisabati Mwingereza Edgar Codd pamoja na neno lake lililotanguliwa awali la OLTP (Uchakataji wa Miamala Mtandaoni). Hii itajadiliwa baadaye, lakini E. Codd, bila shaka, alipendekeza sio tu masharti, lakini pia nadharia za hisabati za OLTP na OLAP. Bila kuingia katika maelezo, katika tafsiri ya kisasa, OLTP ni hifadhidata ya uhusiano, inayozingatiwa kama utaratibu wa kurekodi, kuhifadhi na kurejesha habari.

Mbinu ya suluhisho

Mifumo ya ERP (Enterprice Resource Planning), kama vile 1C7, 1C8, MS Dynamics AX, ina violesura vya programu vinavyoelekezwa na mtumiaji (hati za kuingiza na kuhariri, n.k.) na hifadhidata ya uhusiano (DB) ya kuhifadhi na kurejesha maelezo , inayowakilishwa leo na programu. bidhaa kama vile MS SQL Server (SS).

Kumbuka kwamba taarifa iliyosajiliwa katika hifadhidata ya mfumo wa ERP ni rasilimali muhimu sana. Jambo sio tu kwamba taarifa iliyosajiliwa inahakikisha mtiririko wa hati ya sasa ya shirika (kuchimba nyaraka, kurekebisha, uwezo wa kuchapisha na kupatanisha, nk) na si tu uwezo wa kuhesabu taarifa za kifedha (kodi, ukaguzi, nk). ) Kwa mtazamo wa usimamizi, ni muhimu zaidi kwamba mfumo wa OLTP (database ya uhusiano) ni, kwa kweli, mfano halisi wa ukubwa wa maisha wa shughuli za shirika.

Lakini kusimamia mchakato huo, haitoshi kusajili habari kuhusu hilo. Mchakato unapaswa kuwasilishwa kwa namna ya mfumo wa viashiria vya nambari (KPIs) zinazoonyesha maendeleo yake. Kwa kuongeza, safu zinazokubalika za maadili lazima zifafanuliwe kwa viashiria. Na tu ikiwa thamani ya kiashiria iko nje ya muda unaoruhusiwa, hatua ya udhibiti inapaswa kufuata.

Kuhusu mantiki hii (au mythology) ya udhibiti ("kudhibiti kwa kupotoka"), mwanafalsafa wa kale wa Kigiriki Plato, ambaye aliunda picha ya helmman (cybernose), ambaye huegemea kwenye kasia wakati mashua inapotoka kwenye njia, na Mwanahisabati wa Marekani Norbert Wiener, ambaye aliunda sayansi ya cybernetics katika usiku wa enzi ya kompyuta.

Mbali na mfumo wa kawaida wa kurekodi habari kwa kutumia njia ya OLTP, mfumo mwingine unahitajika - mfumo wa kuchambua habari iliyokusanywa. Nyongeza hii, ambayo katika kitanzi cha udhibiti ina jukumu la maoni kati ya usimamizi na kitu cha kudhibiti, ni mfumo wa OLAP au, kwa ufupi, mchemraba wa OLAP.

Kama programu ya utekelezaji wa OLAP, tutazingatia matumizi ya Huduma za Uchambuzi za MS, ambayo ni sehemu ya uwasilishaji wa kawaida wa Seva ya MS SQL, SSAS iliyofupishwa. Kumbuka kuwa, kulingana na mpango wa E. Codd, mchemraba wa OLAP katika uchanganuzi unapaswa kutoa uhuru wa kina wa kutenda sawa na ambao mfumo wa OLTP na hifadhidata ya uhusiano (SQL Server) hutoa katika kuhifadhi na kurejesha maelezo.

Vifaa vya OLAP

Sasa hebu tuangalie usanidi maalum wa vifaa vya nje, programu za maombi na shughuli za kiteknolojia ambazo uendeshaji wa otomatiki wa mchemraba wa OLAP unategemea.

Tutachukulia kuwa shirika linatumia mfumo wa ERP, kwa mfano, 1C7 au 1C8, ambapo taarifa hurekodiwa kama kawaida. Hifadhidata ya mfumo huu wa ERP iko kwenye seva fulani na inatumika na MS SQL Server.

Pia tutachukulia kuwa seva nyingine ina programu iliyosakinishwa, ikijumuisha Seva ya MS SQL yenye matumizi ya Huduma za Uchambuzi za MS (SSAS), pamoja na Studio ya Usimamizi wa Seva ya MS SQL, MS C#, MS Excel na MS Visual Studio. Programu hizi kwa pamoja huunda muktadha unaohitajika: zana na violesura muhimu vya msanidi wa cubes za OLAP.

Seva ya SSAS ina programu iliyosambazwa kwa uhuru inayoitwa blat, ambayo inaweza kuitwa (na vigezo) kutoka kwa mstari wa amri na hutoa huduma ya barua.

Kwenye vituo vya kazi vya wafanyikazi ndani ya mtandao wa ndani, kati ya mambo mengine, programu za MS Excel (toleo zisizo chini ya 2003) zimewekwa, pamoja na, ikiwezekana, dereva maalum ili kuhakikisha MS Excel inafanya kazi na Huduma za Uchambuzi wa MS (isipokuwa dereva inayolingana tayari iko. imejumuishwa katika MS Excel).

Kwa uhakika, tutachukulia kuwa mfumo wa uendeshaji wa Windows XP umewekwa kwenye vituo vya kazi vya wafanyakazi, na Windows Server 2008 kwenye seva. Kwa kuongezea, hebu tutumie MS SQL Server 2005 kama SQL Server, na turuhusu Toleo la Biashara (EE) lisakinishwe. kwenye seva iliyo na mchemraba wa OLAP ) au Toleo la Wasanidi Programu (DE). Katika matoleo haya inawezekana kutumia kinachojulikana. "hatua za kuongeza nusu", i.e. kazi za ziada za jumla (takwimu) zaidi ya hesabu za kawaida (kwa mfano, za ziada au wastani).

Muundo wa mchemraba wa OLAP ( ujazo wa OLAP)

Hebu tuseme maneno machache kuhusu muundo wa mchemraba wa OLAP yenyewe. Katika lugha ya takwimu, mchemraba wa OLAP ni seti ya viashirio vya utendaji vilivyokokotolewa katika sehemu zote muhimu, kwa mfano, kiashirio cha usafirishaji katika sehemu za wateja, bidhaa, tarehe, n.k. Kutokana na tafsiri ya moja kwa moja kutoka kwa Kiingereza katika fasihi ya Kirusi kwenye cubes OLAP, viashiria vinaitwa "hatua", na sehemu zinaitwa "vipimo". Hii ni tafsiri sahihi kihisabati, lakini kisintaksia na kisemantiki isiyofanikiwa sana. Maneno ya Kirusi "kipimo", "dimension", "dimension" ni karibu sawa katika maana na tahajia, wakati Kiingereza "kipimo" na "dimension" ni tofauti katika tahajia na maana. Kwa hiyo, tunatoa upendeleo kwa maneno ya jadi ya takwimu ya Kirusi "kiashiria" na "kata", ambayo ni sawa kwa maana.

Kuna chaguo kadhaa za utekelezaji wa programu ya mchemraba wa OLAP kuhusiana na mfumo wa OLTP ambapo data inarekodiwa. Tutazingatia mpango mmoja tu, rahisi zaidi, wa kuaminika na wa haraka zaidi.

Katika muundo huu, OLAP na OLTP hazishiriki majedwali, na uchanganuzi wa OLAP hukokotolewa kwa undani iwezekanavyo wakati wa hatua ya kusasisha mchemraba (Mchakato), ambayo hutangulia hatua ya matumizi. Mpango huu unaitwa MOLAP (Multidimensional OLAP). Hasara zake ni sawa na ERP na gharama kubwa za kumbukumbu.

Ingawa rasmi mchemraba wa OLAP unaweza kujengwa kwa kutumia (maelfu) ya jedwali zote za hifadhidata ya uhusiano wa mfumo wa ERP kama chanzo cha data na zote (mamia) ya sehemu zao kama viashiria au sehemu, kwa kweli hili halipaswi kufanywa. kinyume chake. Ili kupakia kwenye mchemraba, ni sahihi zaidi kuandaa hifadhidata tofauti, inayoitwa "onyesho" au "ghala".

Sababu kadhaa zinatulazimisha kufanya hivi.

• Kwanza, Kuunganisha mchemraba wa OLAP kwa meza kwenye hifadhidata halisi bila shaka kutaleta matatizo ya kiufundi. Kubadilisha data kwenye jedwali kunaweza kusababisha kiburudisho cha mchemraba, na kuburudisha mchemraba sio mchakato wa haraka, kwa hivyo mchemraba utakuwa katika hali ya kujengwa tena kila wakati; Wakati huo huo, utaratibu wa sasisho la mchemraba unaweza kuzuia (wakati wa kusoma) data ya meza za database, kupunguza kasi ya kazi ya watumiaji katika kusajili data katika mfumo wa ERP.
• Pili, Kuwa na viashiria vingi na kupunguzwa kutaongeza sana eneo la uhifadhi wa mchemraba kwenye seva. Tusisahau kwamba mchemraba wa OLAP huhifadhi sio tu data ya chanzo, kama ilivyo kwenye mfumo wa OLTP, lakini pia viashiria vyote vilivyofupishwa juu ya sehemu zote zinazowezekana (na hata mchanganyiko wote wa sehemu zote). Kwa kuongeza, kasi ya uppdatering mchemraba na, hatimaye, kasi ya kujenga na uppdatering analytics na ripoti za mtumiaji kulingana nao itapungua ipasavyo.
• Cha tatu, nyanja nyingi sana (viashiria na sehemu) zitaleta matatizo katika kiolesura cha msanidi wa OLAP, kwa sababu orodha ya vipengele itakuwa kubwa.
• Nne, Mchemraba wa OLAP ni nyeti sana kwa ukiukaji wa uadilifu wa data. Mchemraba hauwezi kujengwa ikiwa data muhimu haipo kwenye kiungo kilichotajwa katika muundo wa viunganisho vya shamba la mchemraba. Ukiukaji wa uadilifu wa muda au wa kudumu, sehemu tupu ni za kawaida katika hifadhidata ya mfumo wa ERP, lakini hii haifai kabisa kwa OLAP.

Unaweza pia kuongeza kuwa mfumo wa ERP na mchemraba wa OLAP unapaswa kuwekwa kwenye seva tofauti ili kushiriki mzigo. Lakini basi, ikiwa kuna meza za kawaida za OLAP na OLTP, tatizo la trafiki ya mtandao pia hutokea. Matatizo yasiyoweza kuyeyuka hutokea katika kesi hii wakati inahitajika kuunganisha mifumo kadhaa tofauti ya ERP (1C7, 1C8, MS Dynamics AX) kwenye mchemraba mmoja wa OLAP.

Pengine, tunaweza kuendelea kukusanya matatizo ya kiufundi. Lakini muhimu zaidi, kumbuka kwamba, tofauti na OLTP, OLAP si njia ya kurekodi na kuhifadhi data, lakini chombo cha uchambuzi. Hii ina maana kwamba hakuna haja ya kupakia na kupakua data "chafu" kutoka ERP hadi OLAP "ikiwa tu." Kinyume chake, lazima kwanza utengeneze wazo la kusimamia kampuni, angalau katika kiwango cha mfumo wa KPI, na kisha utengeneze ghala la data ya maombi (ghala), lililo kwenye seva sawa na mchemraba wa OLAP, na iliyo na ndogo. , kiasi kilichoboreshwa cha data kutoka kwa ERP muhimu kwa usimamizi.

Bila kukuza tabia mbaya, mchemraba wa OLAP kuhusiana na OLTP unaweza kulinganishwa na "bado" unaojulikana sana, ambapo "bidhaa safi" hutolewa kutoka kwa "misa iliyochacha" ya usajili halisi.

Kwa hiyo, tulipata kwamba chanzo cha data kwa OLAP ni hifadhidata maalum (ghala), iko kwenye seva sawa na OLAP. Kwa ujumla hii ina maana mambo mawili. Kwanza, lazima kuwe na taratibu maalum ambazo zitaunda ghala kutoka kwa hifadhidata za ERP. Pili, mchemraba wa OLAP haufanani na mifumo yake ya ERP.

Kwa kuzingatia hapo juu, tunapendekeza toleo lafuatayo la usanifu wa mchakato wa kompyuta.

Usanifu wa suluhisho

Tuseme kuna mifumo mingi ya ERP ya shirika fulani (inayoshikilia) iliyo kwenye seva tofauti, data ya uchanganuzi ambayo tungependa kuona ikiunganishwa ndani ya mchemraba mmoja wa OLAP. Tunasisitiza kuwa katika teknolojia iliyoelezwa, tunachanganya data kutoka kwa mifumo ya ERP katika kiwango cha ghala, na kuacha muundo wa mchemraba wa OLAP bila kubadilika.

Kwenye seva ya OLAP tunaunda picha (nakala tupu) za hifadhidata za mifumo hii yote ya ERP. Mara kwa mara (kila usiku) tunafanya uigaji sehemu wa hifadhidata amilifu za ERP kwenye nakala hizi tupu.

Ifuatayo, SP (utaratibu uliohifadhiwa) inazinduliwa, ambayo, kwenye seva sawa ya OLAP bila trafiki ya mtandao, kulingana na nakala za sehemu za hifadhidata za mfumo wa ERP, huunda (au kujaza) ghala (ghala) - chanzo cha data cha mchemraba wa OLAP.

Kisha utaratibu wa kawaida wa kusasisha / kujenga mchemraba kulingana na data ya ghala huzinduliwa (Operesheni ya mchakato katika kiolesura cha SSAS).

Wacha tutoe maoni juu ya vipengele kadhaa vya teknolojia. Je, SP hufanya kazi gani?

Kama matokeo ya urudiaji wa sehemu, data ya sasa inaonekana kwenye picha ya mfumo fulani wa ERP kwenye seva ya OLAP. Kwa njia, replication ya sehemu inaweza kufanywa kwa njia mbili.

Kwanza, kutoka kwa meza zote kwenye hifadhidata ya mfumo wa ERP, wakati wa kurudia kwa sehemu, ni zile tu zinazohitajika kujenga ghala ndizo zinakiliwa. Hii inadhibitiwa na orodha maalum ya majina ya jedwali.

Pili, urudufishaji wa sehemu unaweza pia kumaanisha kuwa sio sehemu zote za jedwali zinakiliwa, lakini zile tu zinazohusika katika ujenzi wa ghala. Orodha ya sehemu za kunakili ama imebainishwa au imeundwa kwa nguvu katika SP katika taswira ya nakala (ikiwa si sehemu zote zilizomo kwenye nakala ya jedwali).

Bila shaka, inawezekana si kunakili safu nzima ya meza, lakini tu kuongeza rekodi mpya. Hata hivyo, hii inaleta usumbufu mkubwa wakati wa kuhesabu masahihisho ya ERP "retroactively," ambayo mara nyingi hutokea katika mifumo ya maisha halisi. Kwa hiyo ni rahisi, bila ado zaidi, kunakili rekodi zote (au kusasisha "mkia" kuanzia tarehe fulani).

Ifuatayo, kazi kuu ya SP ni kubadilisha data ya mfumo wa ERP kuwa muundo wa ghala. Ikiwa kuna mfumo mmoja tu wa ERP, basi kazi ya ubadilishaji inakuja kwa kunakili na ikiwezekana kufomati data muhimu. Lakini ikiwa ni muhimu kuunganisha mifumo kadhaa ya ERP ya miundo tofauti katika mchemraba huo wa OLAP, basi mabadiliko yanakuwa magumu zaidi.

Kazi ya kuunganisha mifumo kadhaa tofauti ya ERP katika mchemraba ni ngumu sana ikiwa seti za vitu vyao (saraka za bidhaa, wakandarasi, ghala, n.k.) zinaingiliana kwa sehemu, vitu vina maana sawa, lakini kwa asili huelezewa tofauti katika saraka. ya mifumo tofauti (kwa maana ya misimbo, vitambulisho, majina, nk).

Kwa kweli, picha kama hiyo inatokea katika kampuni kubwa inayoshikilia, wakati kampuni kadhaa zinazojitegemea za aina moja zinafanya takriban aina sawa za shughuli katika takriban eneo moja, lakini hutumia mifumo yao ya usajili na isiyokubalika. Katika kesi hii, wakati wa kuunganisha data kwenye ngazi ya ghala, huwezi kufanya bila meza za ramani za msaidizi.

Hebu tuzingatie usanifu wa hifadhi ya ghala. Kwa kawaida, schema ya mchemraba wa OLAP inawakilishwa kwa namna ya "nyota", i.e. kama jedwali la data lililozungukwa na "miale" ya saraka - majedwali ya thamani kuu za upili. Jedwali ni kizuizi cha "viashiria"; vitabu vya kumbukumbu ni sehemu zao. Katika kesi hii, saraka, kwa upande wake, inaweza kuwa mti wa kiholela usio na usawa au uongozi wa usawa, kwa mfano, uainishaji wa ngazi mbalimbali wa bidhaa au makandarasi. Katika mchemraba wa OLAP, sehemu za nambari za jedwali la data kutoka ghala kiotomatiki huwa "viashiria" (au vipimo), na sehemu (au vipimo) zinaweza kubainishwa kwa kutumia majedwali ya ufunguo wa pili.

Haya ni maelezo ya kuona ya "kielimu". Kwa kweli, usanifu wa mchemraba wa OLAP unaweza kuwa ngumu zaidi.

Kwanza, ghala linaweza kujumuisha "nyota" kadhaa, ikiwezekana kuunganishwa kupitia saraka za kawaida. Katika kesi hii, mchemraba wa OLAP utakuwa muungano wa cubes kadhaa (vitalu kadhaa vya data).

Pili, "ray" ya nyota inaweza kuwa sio saraka moja tu, lakini mfumo mzima wa faili (wa kihierarkia).

Tatu, kwa misingi ya sehemu zilizopo za vipimo, sehemu mpya za daraja zinaweza kubainishwa kwa kutumia zana za kiolesura cha msanidi wa OLAP (sema, kwa viwango vichache, na mpangilio tofauti wa viwango, n.k.)

Nne, kwa kuzingatia viashiria na sehemu zilizopo, kwa kutumia maneno ya lugha ya MDX, viashiria vipya (mahesabu) vinaweza kuelezwa. Ni muhimu kutambua kwamba cubes mpya, viashiria vipya, sehemu mpya zinaunganishwa kikamilifu na vipengele vya awali. Inapaswa pia kuzingatiwa kuwa hesabu zilizoundwa vibaya na sehemu za hali ya juu zinaweza kupunguza kasi ya uendeshaji wa mchemraba wa OLAP.

MS Excel kama kiolesura na OLAP

Ya kuvutia zaidi ni kiolesura cha mtumiaji kilicho na cubes za OLAP. Kwa kawaida, interface kamili zaidi hutolewa na shirika la SSAS yenyewe. Hii ni pamoja na zana ya msanidi wa mchemraba wa OLAP, mbuni wa ripoti wasilianifu, na dirisha la kazi wasilianifu na mchemraba wa OLAP kwa kutumia hoja katika lugha ya MDX.

Mbali na SSAS yenyewe, kuna programu nyingi ambazo hutoa kiolesura kwa OLAP, kufunika utendaji wao kwa kiasi kikubwa au kidogo. Lakini kati yao kuna moja, ambayo, kwa maoni yetu, ina faida zisizoweza kuepukika. Hii ni MS Excel.

Kiolesura na MS Excel hutolewa na kiendeshi maalum, kinachoweza kupakuliwa kando au kilichojumuishwa katika usambazaji wa Excel. Haijumuishi utendaji wote wa OLAP, lakini kwa ukuaji wa nambari za toleo la MS Excel, chanjo hii inazidi kuwa pana (kwa mfano, katika MS Excel 2007 uwakilishi wa picha wa KPI unaonekana, ambao haukuwa katika MS Excel 2003, nk. )

Bila shaka, pamoja na utendaji wake kamili, faida kuu ya MS Excel ni usambazaji mkubwa wa programu hii na ujuzi wa karibu wa idadi kubwa ya watumiaji wa ofisi. Kwa maana hii, tofauti na programu zingine za kiolesura, kampuni haitaji kununua chochote cha ziada na haiitaji kufundisha mtu yeyote kwa kuongeza.

Faida kubwa ya MS Excel kama kiolesura cha OLAP ni uwezo wa kuchakata kwa kujitegemea zaidi data iliyopatikana katika ripoti ya OLAP (yaani, kuendelea kusoma data iliyopatikana kutoka kwa OLAP kwenye laha zingine za Excel sawa, bila kutumia tena zana za OLAP, lakini kutumia zana za kawaida za Excel).

Mzunguko wa matibabu ya usiku wa Facubi

Sasa tutaelezea mzunguko wa kila siku (usiku) wa hesabu wa operesheni ya OLAP. Hesabu inafanywa chini ya udhibiti wa programu ya fakubi, iliyoandikwa katika C# 2005 na kuzinduliwa kupitia Task Scheduler kwenye seva yenye ghala na SSAS. Mwanzoni, facubi huenda kwenye mtandao na inasoma viwango vya ubadilishaji wa sasa (hutumika kuwakilisha idadi ya viashiria katika sarafu). Ifuatayo, fanya hatua zifuatazo.

Kwanza, facubi huzindua SP ambazo hufanya urudiaji wa sehemu ya hifadhidata za mifumo mbalimbali ya ERP (vipengele vya kushikilia) vinavyopatikana kwenye mtandao wa ndani. Uigaji unafanywa, kama tulivyosema, kwa "asili" zilizotayarishwa awali - picha za mifumo ya mbali ya ERP iliyoko kwenye seva ya SSAS.

Pili, kupitia SP, uchoraji wa ramani unafanywa kutoka kwa nakala za ERP hadi hifadhi ya ghala - DB maalum, ambayo ni chanzo cha data ya mchemraba wa OLAP na iko kwenye seva ya SSAS. Katika kesi hii, kazi kuu tatu zinatatuliwa:

• Data ya ERP kurekebishwa kwa muundo wa mchemraba unaohitajika; Tunazungumza juu ya meza na uwanja wa meza. (Wakati mwingine jedwali linalohitajika linahitaji "kurekebishwa," tuseme, kutoka kwa karatasi kadhaa za MS Excel.) Data inayofanana inaweza kuwa na miundo tofauti katika ERP tofauti, kwa mfano, sehemu muhimu za kitambulisho katika saraka za 1C7 zina msimbo wa herufi wa tarakimu 36 wa urefu wa 8. , na mashamba ya _idrref katika saraka 1С8 - nambari za hexadecimal za urefu wa 32;
• wakati wa usindikaji udhibiti wa data wa mantiki unafanywa (ikiwa ni pamoja na kuandika "chaguo-msingi" mahali pa kukosa data, inapowezekana) na udhibiti wa uadilifu, i.e. kuangalia uwepo wa funguo za msingi na za sekondari katika waainishaji sambamba;
• uimarishaji wa kanuni vitu ambavyo vina maana sawa katika ERP tofauti. Kwa mfano, vipengele vinavyolingana vya saraka za ERP tofauti vinaweza kuwa na maana sawa, tuseme, ni mshirika sawa. Tatizo la kuunganisha kanuni hutatuliwa kwa kujenga meza za ramani, ambapo kanuni tofauti za vitu sawa huletwa kwa umoja.

Tatu, facubi inazindua utaratibu wa kawaida wa kusasisha data ya mchemraba wa Mchakato (kutoka kwa taratibu za matumizi ya SSAS).

Kulingana na orodha za ukaguzi, facubi hutuma barua pepe kuhusu maendeleo ya hatua za uchakataji.

Baada ya kutekeleza fakubi, Mratibu wa Task huzindua faili kadhaa bora kwa zamu, ambapo ripoti huundwa mapema kulingana na viashirio vya mchemraba vya OLAP. Kama tulivyosema, MS Excel ina kiolesura maalum cha programu (kinaweza kupakuliwa au kijengwa ndani kiendeshi) cha kufanya kazi na cubes za OLAP (na SSAS). Unapoanzisha MS Excel, programu za MS VBA (kama vile macros) zinawashwa, ambazo huhakikisha kwamba data katika ripoti inasasishwa; ripoti zinarekebishwa ikiwa ni lazima na kutumwa kwa barua (mpango wa blat) kwa watumiaji kulingana na orodha.

Watumiaji wa mtandao wa ndani walio na ufikiaji wa seva ya SSAS watapokea ripoti za "moja kwa moja" zilizosanidiwa kwa mchemraba wa OLAP. (Kimsingi, wao wenyewe, bila barua yoyote, wanaweza kusasisha ripoti za OLAP katika MS Excel iliyo kwenye kompyuta zao za ndani.) Watumiaji walio nje ya mtandao wa ndani watapokea ripoti asili, lakini kwa utendakazi mdogo, au kwao (baada ya kusasisha OLAP). ripoti katika MS Excel) ripoti maalum "zilizokufa" ambazo hazifikii seva ya SSAS zitahesabiwa.

Tathmini ya matokeo

Tulizungumza hapo juu juu ya usawa wa OLTP na OLAP. Katika kibadala cha teknolojia kinachozingatiwa, mzunguko wa kusasisha mchemraba wa OLAP unafanywa usiku (sema, huanza saa 1 asubuhi). Hii inamaanisha kuwa katika siku ya sasa ya kazi, watumiaji wanafanya kazi na data ya jana. Kwa kuwa OLAP si zana ya kurekodi (angalia masahihisho ya hivi punde ya waraka), lakini ni zana ya usimamizi (elewa mwenendo wa mchakato), kuchelewa vile kwa kawaida si muhimu. Walakini, ikiwa ni lazima, hata katika toleo lililoelezewa la usanifu wa mchemraba (MOLAP), sasisho linaweza kufanywa mara kadhaa kwa siku.

Muda wa utekelezaji wa taratibu za kusasisha unategemea vipengele vya muundo wa mchemraba wa OLAP (utata zaidi au mdogo, ufafanuzi zaidi au usio na mafanikio wa viashiria na sehemu) na kiasi cha hifadhidata za mifumo ya nje ya OLTP. Kulingana na uzoefu, utaratibu wa ujenzi wa ghala unachukua kutoka dakika kadhaa hadi saa mbili, utaratibu wa kusasisha mchemraba (Mchakato) unachukua kutoka dakika 1 hadi 20. Tunazungumza juu ya cubes changamano za OLAP ambazo huunganisha miundo kadhaa ya aina ya nyota, kadhaa ya "miale" ya kawaida (sehemu za marejeleo) kwao, na mamia ya viashiria. Kukadiria kiasi cha hifadhidata za mifumo ya nje ya ERP kulingana na hati za usafirishaji, tunazungumza juu ya mamia ya maelfu ya hati na, ipasavyo, mamilioni ya laini za bidhaa kwa mwaka. Kina cha usindikaji wa kihistoria cha riba kwa mtumiaji kilikuwa miaka mitatu hadi mitano.

Teknolojia iliyoelezwa imetumika katika idadi ya makampuni makubwa: tangu 2008 katika Kampuni ya Samaki ya Kirusi (RRK) na kampuni ya Bahari ya Kirusi (RM), tangu 2012 katika kampuni ya Santa Bremor (SB). Mashirika mengine yanafanya biashara na kununua makampuni (PPCs), mengine ni makampuni ya uzalishaji (viwanda vya kusindika samaki na dagaa katika Jamhuri ya Moldova na Jamhuri ya Belarusi). Mashirika yote yanamiliki hisa kubwa, yanaunganisha kampuni kadhaa zilizo na mifumo huru na tofauti ya uhasibu ya kompyuta - kuanzia mifumo ya kawaida ya ERP kama vile 1C7 na 1C8 hadi mifumo ya uhasibu ya "relic" kulingana na DBF na Excel. Nitaongeza kuwa teknolojia iliyoelezwa ya uendeshaji wa cubes OLAP (bila kuzingatia hatua ya maendeleo) ama hauhitaji wafanyakazi maalum wakati wote, au ni wajibu wa mchambuzi mmoja wa wakati wote wa biashara. Jukumu hili limekuwa likiendeshwa kiotomatiki kwa miaka, likiwapa kategoria mbalimbali za wafanyikazi wa shirika kuripoti habari za kila siku.

Faida na hasara za suluhisho

Uzoefu unaonyesha kuwa suluhisho lililopendekezwa ni la kuaminika na rahisi kutumia. Inabadilishwa kwa urahisi (uunganisho / kukatwa kwa ERP mpya, kuundwa kwa viashiria vipya na sehemu, uundaji na urekebishaji wa ripoti za Excel na orodha zao za barua) na kutofautiana kwa programu ya udhibiti wa facubi.

MS Excel kama kiolesura cha OLAP hutoa uelewa wa kutosha na inaruhusu aina tofauti za wafanyikazi wa ofisi kufahamiana haraka na teknolojia ya OLAP. Mtumiaji hupokea ripoti za OLAP "za kawaida" za kila siku; kwa kutumia kiolesura cha MS Excel na OLAP, inaweza kuunda ripoti za OLAP kwa kujitegemea katika MS Excel. Kwa kuongeza, mtumiaji anaweza kujitegemea kuendelea kujifunza taarifa za ripoti za OLAP kwa kutumia uwezo wa kawaida wa MS Excel wake.

Hifadhidata ya ghala "iliyosafishwa", ambayo mifumo kadhaa ya tofauti ya ERP imeunganishwa (wakati wa ujenzi wa mchemraba), hata bila OLAP yoyote, hukuruhusu kutatua (kwenye seva ya SSAS, kwa kutumia njia ya hoja katika Transact SQL au njia ya SP. , nk) matatizo mengi ya usimamizi yaliyotumika. Hebu tukumbuke kwamba muundo wa hifadhidata ya ghala ni umoja na rahisi zaidi (kwa suala la idadi ya meza na idadi ya mashamba ya meza) kuliko miundo ya hifadhidata ya ERP ya awali.

Tunatambua hasa kwamba katika ufumbuzi wetu uliopendekezwa kuna uwezekano wa kuunganisha mifumo mbalimbali ya ERP katika mchemraba mmoja wa OLAP. Hii hukuruhusu kupata uchanganuzi wa umiliki mzima na kudumisha mwendelezo wa muda mrefu katika uchanganuzi shirika linapohamia mfumo mwingine wa uhasibu wa ERP, tuseme, wakati wa kuhama kutoka 1C7 hadi 1C8.

Tulitumia mfano wa mchemraba wa MOLAP. Faida za mtindo huu ni uaminifu katika uendeshaji na kasi ya juu ya usindikaji maombi ya mtumiaji. Hasara: OLAP na OLTP ni asynchronous, pamoja na kiasi kikubwa cha kumbukumbu kwa ajili ya kuhifadhi OLAP.

Kwa kumalizia, hapa kuna hoja nyingine inayounga mkono OLAP ambayo inaweza kuwa inafaa zaidi katika Enzi za Kati. Kwa sababu nguvu yake ya ushuhuda iko juu ya mamlaka. Mwanahisabati Mwingereza E. Codd, ambaye ni mwanahisabati wa kawaida, aliyedunishwa waziwazi alianzisha nadharia ya hifadhidata za uhusiano mwishoni mwa miaka ya 60. Nguvu ya nadharia hii ilikuwa kwamba sasa, baada ya miaka 50, tayari ni vigumu kupata hifadhidata isiyo ya uhusiano na lugha ya swala la hifadhidata isipokuwa SQL.

Teknolojia ya OLTP, kulingana na nadharia ya hifadhidata za uhusiano, ilikuwa wazo la kwanza la E. Codd. Kwa kweli, wazo la cubes za OLAP ni wazo lake la pili, lililoonyeshwa naye mapema miaka ya 90. Hata bila kuwa mwanahisabati, unaweza kabisa kutarajia kwamba wazo la pili litakuwa na ufanisi kama la kwanza. Hiyo ni, kwa suala la uchambuzi wa kompyuta, mawazo ya OLAP hivi karibuni yatachukua ulimwengu na kuondoa wengine wote. Kwa sababu tu mada ya uchanganuzi hupata suluhisho lake la kina la hisabati katika OLAP, na suluhisho hili ni "kutosha" (neno la B. Spinoza) kwa tatizo la vitendo la uchanganuzi. "Inatosha" inamaanisha katika Spinoza kwamba Mungu mwenyewe hangeweza kufikiria chochote bora zaidi ...

1. Larson B. Maendeleo ya uchanganuzi wa biashara katika Microsoft SQL Server 2005. - St. Petersburg: "Peter", 2008.
2. Codd E. Ukamilifu wa Kihusiano wa Lugha Ndogo za Msingi wa Data, Mifumo ya Msingi wa Data, Mfululizo wa Sumposia wa Sayansi ya Kompyuta ya Courant 1972, v. 6, Englwood cliffs, N.Y., Prentice - Hall.

Katika kuwasiliana na

Faili ya mchemraba ya kusimama pekee (.cub) huhifadhi data katika fomu katika mchemraba wa kuchakata uchambuzi mtandaoni (OLAP). Data hii inaweza kuwakilisha sehemu ya hifadhidata ya OLAP kutoka kwa seva ya OLAP, au inaweza kuwa imeundwa bila kutegemea hifadhidata yoyote ya OLAP. Ili kuendelea kufanya kazi na ripoti za PivotTable na PivotChart wakati seva haipatikani au ikiwa nje ya mtandao, tumia faili ya mchemraba wa nje ya mtandao.

Pata maelezo zaidi kuhusu cubes za nje ya mtandao

Unapofanya kazi na ripoti ya PivotTable au PivotChart ambayo inategemea chanzo cha data kutoka kwa seva ya OLAP, tumia Offline Cube Wizard ili kunakili data chanzo kwenye faili tofauti ya mchemraba wa nje ya mtandao kwenye kompyuta yako. Ili kuunda faili hizi za nje ya mtandao, lazima uwe na mtoa huduma wa data wa OLAP anayetumia uwezo huu, kama vile MSOLAP kutoka Huduma za Uchambuzi wa Seva ya Microsoft SQL, iliyosakinishwa kwenye kompyuta yako.

Kumbuka: Kuunda na kutumia faili za mchemraba za kusimama pekee kutoka Huduma za Uchanganuzi wa Seva ya Microsoft SQL kunategemea sheria na masharti ya usakinishaji ya Seva ya Microsoft SQL na leseni. Kagua maelezo yanayofaa ya leseni ya toleo lako la Seva ya SQL.

Kwa kutumia Mchawi wa Mchemraba wa Nje ya Mtandao

Ili kuunda faili ya mchemraba wa nje ya mtandao, tumia Mchawi wa Mchemraba wa Nje ya Mtandao ili kuchagua kikundi kidogo cha data katika hifadhidata ya OLAP, na kisha uhifadhi seti hiyo. Ripoti si lazima ijumuishe sehemu zote zilizojumuishwa kwenye faili, na unaweza kuchagua kutoka kwa vipimo vyake vyovyote na sehemu za data zinazopatikana katika hifadhidata ya OLAP. Ili kupunguza ukubwa wa faili, unaweza kujumuisha tu data ambayo ungependa iweze kuonyesha kwenye ripoti. Unaweza kuruka vipimo vyote na, kwa aina nyingi za vipimo, pia uache maelezo ya kiwango cha chini na vipengele vya kiwango cha juu ambavyo hutaki kuonyesha. Kwa faili ya nje ya mtandao, vipengele vyote vinavyoweza kujumuishwa katika sehemu za mali ambazo zinapatikana katika hifadhidata ya vipengele hivyo pia huhifadhiwa.

Kuchukua data nje ya mtandao na kisha kurejesha data mtandaoni

Ili kufanya hivyo, kwanza unahitaji kuunda ripoti ya PivotTable au ripoti ya PivotChart ambayo inategemea hifadhidata ya seva, na kisha uunde faili ya mchemraba inayojitegemea kutoka kwa ripoti. Baadaye, unapofanya kazi na ripoti, unaweza kubadilisha kati ya hifadhidata ya seva na faili ya nje ya mkondo wakati wowote (kwa mfano, wakati wa kufanya kazi kwenye kompyuta ndogo nyumbani au barabarani na kisha kuunganisha tena kompyuta kwenye mtandao).

Ifuatayo inafafanua hatua za msingi za kuchukua data nje ya mtandao na kuirejesha mtandaoni.

Kumbuka:

Bofya ripoti ya PivotTable. Ikiwa hii ni ripoti ya PivotChart, chagua ripoti husika ya PivotTable.

Kwenye "tabo" Uchambuzi"katika Group mahesabu bonyeza kitufe huduma ya OLAP na bonyeza kitufe OLAP ya nje ya mtandao.

Chagua kipengee OLAP na muunganisho na kisha bonyeza kitufe sawa.

Ukiulizwa kutafuta chanzo cha data, bofya Tafuta chanzo na upate seva ya OLAP kwenye mtandao.

Bofya ripoti ya PivotTable ambayo inategemea faili ya mchemraba wa nje ya mtandao.

Katika Excel 2016: Kwenye kichupo cha " data"katika Group maombi na miunganisho Sasisha zote na bonyeza kitufe Sasisha.

Katika Excel 2013: Kwenye kichupo cha " data"katika Group miunganisho bonyeza mshale karibu na kifungo Sasisha zote na bonyeza kitufe Sasisha.

Kwenye "tabo" Uchambuzi"katika Group mahesabu bonyeza kitufe huduma ya OLAP na bonyeza kitufe OLAP ya nje ya mtandao.

Bofya kitufe Hali ya OLAP ya nje ya mtandao, na kisha -.

Kumbuka: Acha kwenye sanduku la mazungumzo.

Onyo:

Kuunda faili ya mchemraba wa nje ya mtandao kutoka kwa hifadhidata ya seva ya OLAP

Kumbuka: Ikiwa hifadhidata ya OLAP ni kubwa na faili ya mchemraba inahitajika ili kutoa ufikiaji wa kikundi kidogo cha data, nafasi nyingi za diski zitahitajika, na kuhifadhi faili kunaweza kuchukua muda mrefu. Ili kuboresha utendakazi, inashauriwa kuunda faili za mchemraba za kusimama pekee kwa kutumia hati ya MDX.

Tatizo: Kompyuta yangu haina nafasi ya kutosha ya diski wakati wa kuhifadhi mchemraba.

Hifadhidata za OLAP zimeundwa kudhibiti idadi kubwa ya data ya kina, kwa hivyo hifadhidata iliyopangishwa kwenye seva inaweza kuchukua nafasi kubwa zaidi kuliko inayopatikana kwenye diski kuu ya eneo lako. Ukichagua kiasi kikubwa cha data kwa mchemraba wa data wa nje ya mtandao, huenda huna nafasi ya kutosha ya diski. Mbinu ifuatayo itasaidia kupunguza ukubwa wa faili ya mchemraba wa nje ya mtandao.

Futa nafasi ya diski au chagua diski tofauti Kabla ya kuhifadhi faili ya mchemraba, ondoa faili zisizohitajika kutoka kwa diski au uhifadhi faili kwenye gari la mtandao.

Ikiwa ni pamoja na data kidogo katika faili ya mchemraba wa nje ya mtandao Zingatia jinsi unavyoweza kupunguza kiasi cha data kilichojumuishwa kwenye faili ili faili iwe na data yote inayohitajika kwa ripoti ya PivotTable au PivotChart. Jaribu hatua zilizo hapa chini.

Kuunganisha faili ya mchemraba wa nje ya mtandao kwenye hifadhidata ya seva ya OLAP

Kusasisha na kuunda upya faili ya mchemraba wa nje ya mtandao

Kusasisha faili ya mchemraba ya nje ya mtandao ambayo imeundwa kutoka kwa data ya hivi punde iliyopatikana kutoka kwa mchemraba wa seva au kutoka kwa faili mpya ya mchemraba ya nje ya mtandao inaweza kuchukua muda mkubwa na kuhitaji kiasi kikubwa cha nafasi ya muda ya diski. Endesha mchakato huu wakati hauitaji ufikiaji wa haraka wa faili zingine, baada ya kuhakikisha kuwa una nafasi ya kutosha kwenye diski yako kuu.

Tatizo: Data mpya haionekani katika ripoti inapoonyeshwa upya.

Kuangalia upatikanaji wa hifadhidata ya chanzo Huenda faili ya mchemraba ya nje ya mtandao isiweze kuunganishwa kwenye hifadhidata ya seva chanzo ili kupata data mpya. Hakikisha kuwa hifadhidata asili kwenye seva ambayo ni chanzo cha data cha mchemraba haijabadilishwa jina au kuhamishwa hadi eneo lingine. Hakikisha kuwa seva inapatikana na inaweza kuunganishwa.

Inatafuta data mpya Wasiliana na msimamizi wako wa hifadhidata ili kuona ikiwa data ambayo inapaswa kujumuishwa katika ripoti imesasishwa.

Kuangalia kutobadilika kwa shirika la hifadhidata Ikiwa mchemraba wa seva ya OLAP umerekebishwa, huenda ukahitaji kupanga upya ripoti, kuunda faili ya mchemraba wa nje ya mtandao, au endesha Unda OLAP Cube Wizard ili kufikia data iliyobadilishwa. Ili kupata maelezo kuhusu mabadiliko ya hifadhidata, wasiliana na msimamizi wako wa hifadhidata.

Ikiwa ni pamoja na data nyingine katika faili ya mchemraba wa nje ya mtandao

Kuhifadhi faili ya mchemraba iliyorekebishwa nje ya mtandao inaweza kuchukua muda, na huwezi kufanya kazi katika Microsoft Excel wakati faili inahifadhiwa. Endesha mchakato huu wakati hauitaji ufikiaji wa haraka wa faili zingine, baada ya kuhakikisha kuwa una nafasi ya kutosha kwenye diski yako kuu.

Thibitisha kuwa kuna muunganisho wa mtandao na kwamba hifadhidata ya chanzo cha seva ya OLAP ambayo faili ya mchemraba wa nje ya mtandao ilipata data inaweza kufikiwa.

Bofya ripoti ya PivotTable iliyoundwa kutoka kwa faili ya mchemraba ya kusimama pekee, au ripoti inayohusiana ya PivotTable kwa ripoti ya PivotChart.

Kwenye kichupo Chaguo katika Group Huduma bonyeza kitufe huduma ya OLAP na bonyeza kitufe Hali ya OLAP ya nje ya mtandao.

Bofya kitufe Hali ya OLAP ya nje ya mtandao, na kisha - Hariri Faili ya Data ya Nje ya Mtandao.

Fuata Mchawi wa Mchemraba wa Nje ya Mtandao ili kuchagua data nyingine ya kujumuisha kwenye faili hii. Katika hatua ya mwisho, taja jina na njia ya kubadilisha faili.

Kumbuka: Ili kughairi kuhifadhi faili, bofya kitufe Acha kwenye sanduku la mazungumzo Kuunda faili ya mchemraba - maendeleo.

Inafuta faili ya mchemraba wa nje ya mtandao

Onyo: Ukifuta faili ya mchemraba wa nje ya mtandao kwa ripoti, huwezi tena kutumia ripoti hiyo nje ya mtandao na huwezi tena kuunda faili ya mchemraba wa nje ya mtandao kwa ripoti hiyo.

Funga vitabu vya kazi vilivyo na ripoti zinazotumia faili ya mchemraba wa nje ya mtandao, au hakikisha kuwa ripoti kama hizo zimefutwa.

Kwenye Microsoft Windows, pata na ufute faili ya mchemraba wa nje ya mtandao (faili ya CUB).

Taarifa za ziada

Unaweza kuuliza swali kutoka kwa Jumuiya ya Excel Tech kila wakati, kuomba usaidizi katika jumuiya ya Majibu, au kupendekeza kipengele kipya au uboreshaji wa tovuti.