Системы OLAP - это что такое?

Содержание

OLAP системы
Возможности системы
Преимущества OLAP систем
Структура OLAP системы
Основные виды OLAP систем
Olap технологии
Оглавление
Olap – технологии
Что такое хранилище данных?
Типичная структура хранилищ данных
Таблица фактов
Кубы
“Разрезание” куба
Метки
Иерархии и уровни
Архитектура OLAP приложений
Список использованных материалов

OLAP системы

OLAP системы – это системы, основанные на обработке больших массивов данных и подготовке аналитической информации в реальном времени. Расчеты осуществляются на основе многомерного учета, поэтому их часто называют OLAP Кубы. Путем внедрения такой системы анализа и прогнозирования достигается автоматизация управления организацией на стратегическом уровне.

При внедрении системы SalesWorks клиент получает OLAP-отчетность с большим количеством стандартных отчетов и возможностью настроить произвольный отчет для достижения специфических потребностей каждой отдельной компании.

Типичными задачами, которые реализуют посредством OLAP систем являются:

Анализ продаж – создает отчетность о продажах и позволяет произвести анализ зависимостей, оценить динамику продаж.
Анализ цен – позволяет регулировать ценообразование.
Анализ движения денежных средств – корректирует денежные потоки.
Складские запасы – аналитические отчеты по продажам и отгрузкам дистрибьюторам, срокам хранения скоропортящихся товаров позволяют создавать оптимальное количество запасов и оптимизировать логистические процессы.

Возможности системы

Через использование аналитических сервисов достигается автоматизация отчетности путем возможности:

Выполнять аналитические задачи высокой сложности.
Выполнять прогнозирование на основе многомерной информации.
Разрабатывать множество вариантов планов.
Использовать любую информацию независимо от объема, места хранения.
Получать доступ большому количеству пользователей с обеспечением необходимой безопасности: блокировки, авторизации.
Многомерного концептуального вывода информации. При этом обязательным условием является представление данных с поддержкой иерархии.
Быстро получать результаты. OLAP анализ и получение данных обычно не превышает 5 секунд.
Посредством системы можно анализировать данные как в простейших офисных приложениях (Excel), так и в мощнейших программах, базирующихся на серверных продуктах (Tableau, QlickView, MS Power BI).

Преимущества OLAP систем

Возможность отслеживания причинно-следственных связей.
Возможность получения многовариантных прогнозов.
Легкая и простая настройка детализации отчетов: каждый пользователь может создавать отчет исключительно с необходимой информацией.
Многомерные связи позволяют выявить скрытые зависимости.
Создание любых прогнозов и управления любыми процессами: прогноз бюджета, KPI торговых представителей (KPI – ключевые показатели эффективности), прогноз закупок, аналитические отчеты по продажам, определение плана стратегического развития и т.д.

Структура OLAP системы

Основой OLAP технологии является обработка многомерных массивов. Сложность заключается в том, что элементы массива имеют множественные связи. Для создания массива OLAP-сервис использует данные других массивов при поступлении запроса. В результате пользователь получает ответ на свой запрос в структурированном и удобном для просмотра виде.

Структура:

Базы данных. Это источник работы системы. На вид базы данных оказывает влияние вид OLAP системы, а также алгоритм работы OLAP сервера. В SFA комплексе SalesWorks система отчетности подключается к базе данных SFA и оперирует достоверной информацией из полей и дистрибьюторской сети.
OLAP сервер управляет многомерной структурой данных, обеспечивает связь между пользователями системы с базой SalesWorks.
Пользовательские приложения используются для создания запросов, вывода результатов.

Храниться и обрабатываться данные могут на локальных компьютерах или на специально отведенных серверах.

Основные виды OLAP систем

OLAP системы создают полную, реалистичную отчетность KPI, создают наиболее точные прогнозы, поскольку при анализе используется множество данных, отображающие разнообразные процессы жизнедеятельности предприятия.

Источник: https://www.softservebs.com/solutions/sistema-otchetnosti/

Olap технологии

Финансовая Академия при правительстве РФ

Кафедра «Информационных технологий»

Реферат на тему

«Olap – технологии»

Выполнил студент

группы ГМУ 1-1

Стефанов Олег

Olap – технологии

Согласно недавно проведенному опросу финансовых директоров, большинство из них (81%) считает, что сегодня наиболее важной задачей является достижение высокой точности прогнозирования доходов и поступлений. Примечательно, что при этом более половины из них (63%) не удовлетворены качеством своих систем бюджетирования и прогнозирования.

Чем объясняются подобные пессимистичные настроения работников финансовой сферы? Дело в том, что сегодня финансовые директора оказываются под постоянно растущим “давлением” – новые реалии бизнеса требуют более надежной, значимой и точной финансовой информации:

Технологии Internet создают новые бизнес-модели, для которых необходимы новые финансовые модели.
Изменение бизнес-среды вызвало обострение конкурентной борьбы, когда неоспоримым преимуществом можно считать возможность проведения динамического анализа конкурентной среды.
Бухгалтерские скандалы и реакция надзорных органов повысили требования к целостности и точности данных.

При этом, как выяснилось в результате еще одного опроса, две трети “мировых” и 90% “средних” компаний не уверены в точности и надежности своих прогнозов и отчетов. Возникает вопрос: почему? В качестве ответа необходимо рассмотреть два момента:

несовместимость многочисленных ERP-систем, используемых для сбора данных для бюджетирования, прогнозирования и отчетности, является основной причиной неточности данных;
электронные таблицы по-прежнему широко используются в финансовых отделах при проведении бюджетирования, прогнозирования и подготовке отчетности.

Все больше и больше исследований свидетельствуют о наличие проблем, связанные с использованием электронных таблиц. Другими словами, электронные системы, вероятно, далеко не самая лучшая система для финансовых отделов. Здесь логично задать вопрос: “Могут ли другие технологии заменить электронные таблицы, используемые в финансовом отделе?”

Да. В наше время доступны новые технологии, одна из таких – OLAP-технология, которая стала мощной альтернативой электронным таблицам.

Термин OLAP – расшифровывается как OnLine Analytical Processing. То есть примерно можно перевести как “Обработка данных в реальном времени”. Это не упоминание какой то конкретной технологии или архитектуры, а как бы формулировка задачи.

OLAP также можно определить как особый способ анализа данных и получения отчетов. Сам термин OLAP появился уже гораздо позже появления промышленных серверов, которые называются сейчас OLAP-серверами.

Термин был введен в употребление в 1993 году Эдгаром Коддом, “отцом” реляционных СУБД (система управления базами данных). Он также сформулировал 12 правил OLAP1, которым должна удовлетворять OLAP система.

Они на экране.

Что такое хранилище данных?

Информационные системы масштаба предприятия, как правило, содержат приложения, предназначенные для комплексного многомерного анализа данных, их динамики, тенденций и т.п. Такой анализ в конечном итоге призван содействовать принятию решений. Нередко эти системы так и называются — системы поддержки принятия решений.

Принять любое управленческое решение невозможно не обладая необходимой для этого информацией, обычно количественной.

Для этого необходимо создание хранилищ данных (Data warehouses), то есть процесс сбора, отсеивания и предварительной обработки данных с целью предоставления результирующей информации пользователям для статистического анализа (а нередко и создания аналитических отчетов). Основные требования к хранилищам данных на экране.

Типичная структура хранилищ данных

Конечной целью использования OLAP является анализ данных и представление результатов этого анализа в виде, удобном для восприятия и принятия решений. Основная идея OLAP заключается в построении многомерных кубов, которые будут доступны для пользовательских запросов.

Однако исходные данные для построения OLAP-кубов обычно хранятся в реляционных базах данных. Нередко это специализированные реляционные базы данных, называемые также хранилищами данных (Data Warehouse).

В отличие от так называемых оперативных баз данных, с которыми работают приложения, модифицирующие данные, хранилища данных предназначены исключительно для обработки и анализа информации, поэтому проектируются они таким образом, чтобы время выполнения запросов к ним было минимальным.

Обычно данные копируются в хранилище из оперативных баз данных согласно определенному расписанию.

Типичная структура хранилища приведена на слайде.

Таблица фактов

Таблица фактов является основной таблицей хранилища данных. Как правило, она содержит сведения об объектах или событиях, совокупность которых будет в дальнейшем анализироваться. Обычно говорят о четырех наиболее часто встречающихся типах фактов. Они показаны на экране. Таблица фактов, как правило, содержит уникальный составной ключ, объединяющий первичные ключи таблиц измерений.

Чаще всего это целочисленные значения либо значения типа «дата/время» — ведь таблица фактов может содержать сотни тысяч или даже миллионы записей, и хранить в ней повторяющиеся текстовые описания, как правило, невыгодно — лучше поместить их в меньшие по объему таблицы измерений. При этом как ключевые, так и некоторые не ключевые поля должны соответствовать будущим измерениям OLAP-куба.

Помимо этого таблица фактов содержит одно или несколько числовых полей, на основании которых в дальнейшем будут получены агрегатные данные.
Таблицы измерений содержат неизменяемые либо редко изменяемые данные. В подавляющем большинстве случаев эти данные представляют собой по одной записи для каждого члена нижнего уровня иерархии в измерении.

Таблицы измерений также содержат как минимум одно описательное поле (обычно с именем члена измерения) и, как правило, целочисленное ключевое поле (обычно это суррогатный ключ) для однозначной идентификации члена измерения.

Если будущее измерение, основанное на данной таблице измерений, содержит иерархию, то таблица измерений также может содержать поля, указывающие на «родителя» данного члена в этой иерархии.

Нередко (но не всегда) таблица измерений может содержать и поля, указывающие на «прародителей», и иных «предков» в данной иерархии (это обычно характерно для сбалансированных иерархий), а также дополнительные атрибуты членов измерений, содержавшиеся в исходной оперативной базе данных (например, адреса и телефоны клиентов).

Каждая таблица измерений должна находиться в отношении «один ко многим» с таблицей фактов. Пример на экране.

Кубы

OLAP предоставляет удобные быстродействующие средства доступа, просмотра и анализа деловой информации. Пользователь получает естественную, интуитивно понятную модель данных, организуя их в виде многомерных кубов (Cubes).

Осями многомерной системы координат служат основные атрибуты анализируемого бизнес-процесса. Например, для продаж это могут быть товар, регион, тип покупателя. В качестве одного из измерений используется время.

На пересечениях осей – измерений (Dimensions) – находятся данные, количественно характеризующие процесс – меры (Measures). Это могут быть объемы продаж в штуках или в денежном выражении, остатки на складе, издержки и т. п.

Пользователь, анализирующий информацию, может “разрезать” куб по разным направлениям, получать сводные (например, по годам) или, наоборот, детальные (по неделям) сведения и осуществлять прочие манипуляции, которые ему придут в голову в процессе анализа.

“Разрезание” куба

Даже трехмерный куб сложно отобразить на экране компьютера так, чтобы были видны значения интересующих мер. Что уж говорить о кубах с количеством измерений, большим трех? Для визуализации данных, хранящихся в кубе, применяются, как правило, привычные двумерные, т. е.

табличные, представления, имеющие сложные иерархические заголовки строк и столбцов.

Двумерное представление куба можно получить, “разрезав” его поперек одной или нескольких осей (измерений): мы фиксируем значения всех измерений, кроме двух, – и получаем обычную двумерную таблицу.

В горизонтальной оси таблицы (заголовки столбцов) представлено одно измерение, в вертикальной (заголовки строк) – другое, а в ячейках таблицы – значения мер.

При этом набор мер фактически рассматривается как одно из измерений – мы либо выбираем для показа одну меру (и тогда можем разместить в заголовках строк и столбцов два измерения), либо показываем несколько мер (и тогда одну из осей таблицы займут названия мер, а другую – значения единственного “неразрезанного” измерения).

Метки

Значения, “откладываемые” вдоль измерений, называются членами или метками (members).

Метки используются как для “разрезания” куба, так и для ограничения (фильтрации) выбираемых данных – когда в измерении, остающемся “неразрезанным”, нас интересуют не все значения, а их подмножество, например три города из нескольких десятков. Значения меток отображаются в двумерном представлении куба как заголовки строк и столбцов

Иерархии и уровни

Метки могут объединяться в иерархии, состоящие из одного или нескольких уровней (levels). Например, метки измерения “Магазин” (Store) естественно объединяются в иерархию с уровнями:

All (Мир)

Country (Страна)

State (Штат)

City (Город)

Store (Магазин).

В соответствии с уровнями иерархии вычисляются агрегатные значения, например объем продаж для USA (уровень “Country”) или для штата California (уровень “State”). В одном измерении можно реализовать более одной иерархии – скажем, для времени: {Год, Квартал, Месяц, День} и {Год, Неделя, День}.

Отметим, что иерархии могут быть сбалансированными (balanced), плюс иерархии, основанные на данных типа “дата—время”, и несбалансированными (unbalanced). Типичный пример несбалансированной иерархии — иерархия типа “начальник—подчиненный”.

Существуют также иерархии, занимающие промежуточное положение между сбалансированными и несбалансированными (они обозначаются термином ragged — “неровный”).

Обычно они содержат такие члены, логические “родители” которых находятся не на непосредственно вышестоящем уровне (например, в географической иерархии есть уровни Country, City и State, но при этом в наборе данных имеются страны, не имеющие штатов или регионов между уровнями Country и City.

Архитектура OLAP приложений

Как данные хранятся, грубо говоря, не волнует ни конечного пользователя, ни разработчиков инструмента, которым клиент пользуется.

Многомерность в OLAP-приложениях может быть разделена на три уровня:

Многомерное представление данных – средства конечного пользователя, обеспечивающие многомерную визуализацию и манипулирование данными; слой многомерного представления абстрагирован от физической структуры данных и воспринимает данные как многомерные.
Многомерная обработка – средство (язык) формулирования многомерных запросов (традиционный реляционный язык SQL здесь оказывается непригодным) и процессор, умеющий обработать и выполнить такой запрос.
Многомерное хранение – средства физической организации данных, обеспечивающие эффективное выполнение многомерных запросов.

Первые два уровня в обязательном порядке присутствуют во всех OLAP-средствах. Третий уровень, хотя и является широко распространенным, не обязателен, так как данные для многомерного представления могут извлекаться и из обычных реляционных структур.

В отличие от большинства предлагаемых сегодня на рынке решений, приобретение которых заранее предполагает использование какой-то определенной архитектуры хранилища, Microsoft OLAP Services не ограничивает выбор администратора, предлагая гибкую модель хранения.

Если для нас являются критичными вопросы быстродействия, мы можем выбрать MOLAP, если мы не хотим забирать дополнительное место на диске за счет переноса детальных данных – можно выбрать ROLAP, если мы хотим взять лучшее из двух – то HOLAP.

Более того, в Microsoft OLAP Services разные чаcти одного куба могут храниться в разных форматах, что позволяет более четко и аккуратно подстроиться под требования пользователя.

Например, куб, содержащий данные о продажах, может быть разбит на несколько фрагментов, один из которых с данными за текущий год, запрашивается довольно часто, а остальные – не очень.