21. Технология оперативной аналитической обработки данных olap.

Аналитики – это особые потребители корпоративной информации. Задача аналитика – находить закономерности в больших массивах данных.

Таким образом, OLAP-системы обладают следующими особенностями:

 анализ осуществляется над многомерными кубами;

 имеются средства навигации, позволяющие разрезать куб по разным направлениям

 имеются средства реализации специфических запросов (пять видов запросов: выбор, сокращающий куб; агрегирование и исключение размерности; комбинирование кубов с общими измерениями; возврат ячеек только верхних или нижних частей списка; поворот куба, чтобы увидеть данные, сгруппированные по другим измерениям);

 реализуются на базе киосков данных, доступных небольшому кругу пользователей, что сокращает затраты на корпоративное хранилище;

 имеют различные варианты хранения информации (MOLAP, ROLAP, HOLAP).

Хранить многомерные данные OLAP-серверы, или серверы многомерных БД, могут следующими способами:

1. MOLAP (Multidimensional OLAP). Предполагает создание явного физически хранимого многомерного куба с выполнением аналитических запросов только над ним без обращения к реляционной СУБД.

2. ROLAP (Relational OLAP). Аналитические запросы строятся над виртуальным многомерным представлением данных, их реальное выполнение происходит на уровне реляционной БД (выполняются SQL-запросы).

3. HOLAP (Hybrid OLAP). Детальные данные остаются на месте (в реляционной БД), а агрегаты хранятся в многомерной БД.

Типичные задачи информационных систем, которые могут быть решены средствами OLAP, следующие:

 анализ клиентской базы;

 анализ продаж;

 анализ доходов;

 управление активами и пассивами и др.

21. Интеллектуальный анализ данных Data Mining. Типы решаемых задач и методы Data Mining.

Интеллектуальный анализ данных (Data Mining) – процесс выявления тенденций, трендов, взаимных корреляций данных, находящихся в хранилище, с использованием статистических и кибернетических методов.

Цель Data Mining – поиск скрытых от аналитика функциональных и логических закономерностей, тенденций в накопленной информации, построение моделей и правил, которые объясняют найденные аномалии или прогнозируют развитие рассматриваемых процессов.

Методы Data Mining можно разделить на две группы: статистические и кибернетические.

Одно из наиболее перспективных направлений применения Data Mining – использование данной технологии в аналитическом CRM.

CRM (Customer Relationship Management) – управление отношениями с клиентами.

Важным аспектом в работе отделов маркетинга и отдела продаж является составление целостного представления о клиентах (информация об их особенностях, о характеристиках, структуре клиентской базы). В CRM используется так называемое профилирование клиентов, дающее полное представление всей необходимой информации о них. Профилирование клиентов включает следующие компоненты: сегментация клиентов, прибыльность клиентов, удержание клиентов, анализ реакции клиентов. Каждый из этих компонентов может исследоваться при помощи Data Mining, а анализ их в совокупности как компонентов профилирования в результате может дать те знания, которые из каждой отдельной характеристики получить невозможно.

Определяя закономерности поведения клиентов при помощи технологии Data Mining, можно существенно повысить эффективность работы отделов маркетинга, продаж и сбыта. При объединении технологий CRM и Data Mining и грамотном их внедрении в бизнес организация получит значительные преимущества перед конкурентами.