Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Хранилища данных и OLAP-технологии. Учебное пособие.pdf
61
Рис. 3.20. Кросс-таблица со всеми включенными измерениями
Кросс-диаграмма. Помимо кросс-таблиц в качестве визуализатора
для многомерных OLAP-кубов могут использоваться графические представления, называемые кросс-диаграммами. Кросс-таблица, построенная
на большом числе измерений и фактов, как правило, оказывается достаточно громоздкой и сложной для визуального анализа, поэтому соответствующее графическое представление поможет сделать анализ более эффективным.
Чтобы открыть кросс-диаграмму, следует воспользоваться кнопкой
- «Показать/скрыть кросс-диаграмму». Общий вид кросс-диаграммы в
OLAP-модуле аналитической платформы Deductor представлен на рис.
3.21. Как можно догадаться, вид кросс-диаграммы соответствует текуще-
му представлению кросс-таблицы и меняется вместе с ним. По одной из
осей кросс-диаграммы (по умолчанию – горизонтальной) отображаются
значения одного из измерений, включенных в представление. А по вертикальной – значения всех фактов, связанных с данным измерением.
Следует отметить, что стремление включить в итоговую кросстаблицу или кросс-диаграмму максимум доступной информации редко
позволяет получить хорошие результаты, особенно в тех случаях, когда
измерений и фактов много. В большинстве случаев это приводит к построению очень громоздких кросс-таблиц, в которых трудно разобраться
и получить ответы на интересующие вопросы. Кроме этого, объёмы данных могут быть очень большими и выполнение запросов для построения
OLAP-куба может привести к резкому росту вычислительных затрат и
снижению производительности информационной системы организации.
62
Рис. 3.21. Кросс-диаграмма
Чтобы избежать данной проблемы, следует руководствоваться несколькими простыми правилами. Во-первых, выбирать для включения в
OLAP-куб только те измерения и факты, которые имеют непосредственное отношение к анализируемым бизнес-процессам предприятия или требуемым формам отчетов. При этом не рекомендуется использовать более
5 измерений, поскольку, как показывает практика, структуры данных
большей размерности почти не поддаются восприятию человеком. Если
решаемая задача является слишком сложной и требует привлечения
большего числа измерений, лучше попробовать выполнить её декомпозицию на несколько более простых задач. Во-вторых, не следует формировать слишком много агрегатов, поскольку их вычисление на больших
объёмах данных может значительно замедлить работу OLAP-куба.
В приведённом примере построения OLAP-куба в АП Deductor мы
рассмотрели только основные этапы данного процесса, которые помогут
пользователям получить представление о базовых принципах работы с
OLAP-системами различных производителей. Поэтому многие опции,
связанные с расширенными возможностями OLAP-анализа, остались нами не рассмотрены, так как предназначены для более опытных аналитиков. При желании изучить возможности работы с OLAP-кубами в АП
Deductor на более продвинутом уровне, следует обратиться на сайт разработчика www.basegroup.ru.
Вопросы для самопроверки
1. Каковы цели и задачи технологий OLAP?
2. Какие требования включает тест FASMI?
63
3. Дайте понятие OLAP-куба (многомерного куба, гиперкуба).
Опишите его структуру.
4. Что такое «срез» применительно к OLAP-кубу.
5. Дайте понятие кросс-таблицы. Для чего она используется?
6. Какие основные операции применяются к OLAP-кубам?
7. Какие виды OLAP вам известны?
8. В чём заключается различие моделей ROLAP и MOLAP? Каковы
их преимущества и недостатки?
9. Приведите примеры программных средств, реализующих функ-
циональность OLAP.
10. Следует ли включать в OLAP-куб все доступные в источнике
данных измерения и факты?
Библиографический список
1. Архипенков С., Голубев Д., Максименко О. Хранилища дан-
ных. От концепции до внедрения. М.: Диалог-МИФИ, 2002. 528 с.
2. Архипенков С.Я. Аналитические системы на базе Oracle
Express OLAP. Проектирование, создание, сопровождение. М.: Диалог-МИФИ, 2000. 320 с.
3. Бергер А. Б., Горбач И. В., Меломед Э. Л., Щербинин В. А.,
Степаненко В. П. Microsoft SQL Server 2005 Analysis Services. OLAP и
многомерный анализ данных. СПБ.: БХВ-Петербург, 2007. 909 с.
4. Гасанов Э.Э., Кудрявцев В.Б. Теория хранения и поиска ин-
формации. М.: Физматлит, 2002. 288 с.
5. Лоуенд Ш., Хилсон С., Хоббс Л. Oracle9iR2. Разработка и
эксплуатация хранилищ баз данных. М.: КУДИЦ-ОБРАЗ, 2004. 592 с.
6. Ноженкова Л.Ф., Шайдуров В.В. OLAP-технологии оператив-
ной информационно-аналитической поддержки организационного
управления // Информационные технологии и вычислительные системы. №2, 2010. С. 15 – 27.
7. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к зна-
ниям (+ СD): учеб. пособие. 2-е изд., испр. СПб.: Питер, 2013. 704 с.: ил.
8. Спирли Э. Корпоративные хранилища данных. Планирование,
разработка, реализация. М.: Издательский дом «Вильямс». Том I. 2001.
С. 400.
9. Сарка Д. Microsoft® SQL Server® 2012. Реализация хранилищ
данных: учеб. курс Microsoft: пер. с англ. / Д. Сарка, М. Лах, Г. Йеркич.
М.: Издательство «Русская редакция», 2014. 816 с.: ил. + CD-ROM.
10. Туманов В.Е., Маклаков С.В. Проектирование реляционных
хранилищ данных. М.: Диалог-МИФИ, 2007. 333 с.
64
11. Федоров А. Г., Елманова Н. З. Введение в OLAP-технологии
Microsoft. М.: Диалог-МИФИ, 2002. 270 с.
12. Adamson, Christopher. Mastering Data Warehouse Aggregates:
Solutions for Star Schema Performance. Wiley, 2006. P. 384.
13. Adamson, Christopher. Star Schema The Complete Reference.
McGraw-Hill Education, 2010. P. 510.
14. Encyclopedia of Data Warehousing and Mining / Wang, J. (ed.).
Idea Group Inc., 2006. P. 1348.
15. Fayyad, Usama, Piatetsky-Shapiro, Gregory, Padhraic, Smyth.
From Data Mining to Knowledge Discovery in Databases // American Association for Artificial Intelligence. AI Magazine. Volume 17. Number 3
(1996). P. 37 - 54.
16. Inmon W. Building the Data Warehouse. 4th ed. Wiley Publishing,
2005. P. 576.
17. Kimball, Ralph. The Data Warehouse ETL Toolkit: Practical
Techniques for Extracting, Cleaning, Conforming, and Delivering Data.
1nd ed. Wiley Publishing, 2004. P. 528.
18. Osborne, Jason W. Best Practices in Data Cleaning. SAGE Publications, Inc. 2012. P. 296.
19. Thomsen, Erik. OLAP Solutions: Building Multidimensional Information Systems. 2nd ed. Wiley Publishing, 2002. P. 696.
20. Wrembel, Robert. Data Warehouses and OLAP: Concepts, Ar-
chitectures and Solutions. IGI Global, 2006. P. 332.