- •6.050103 - «Програмна інженерія»
- •Списокскорочень
- •Семестровий модуль 1 Змістовний модуль 1 Системи підтримки ухвалення рішення лекція №1 Введення в бізнес-інтелект
- •Питання для самоперевірки
- •Лекція №2 Поняття сховища даних
- •Питання для самоперевірки
- •Змістовний модуль 2 olap-системи лекція №3 Аналітичні (olap) системи
- •Питання для самоперевірки
- •Лекція №4 Архітектура сховища даних
- •Питання для самоперевірки
- •Змістовний модуль 3 Багатомірні куби Лекція №5 Багатомірний куб. Основні поняття
- •Питання для самоперевірки
- •Лекція №6 Ієрархії вимірів. Схеми кубу «зірка» та «сніжинка»
- •Питання для самоперевірки
- •Лекція №7 Агрегація даних у багатомірному кубі
- •Лекція №8 Агреговані значення для різних видів вимірів
- •Питання для самоперевірки
- •Семестровий модуль 2 Змістовний модуль 4 Підготовка даних для сд лекція №9 Витяг, перетворення й завантаження даних
- •Питання для самоперевірки
- •Лекція №10 Очищення даних
- •Питання для самоперевірки
- •Лекція №11 Очищення даних (продовження)
- •Питання для самоперевірки
- •Змістовний модуль 5 Мова багатомірних виражень mdх лекція №12 Мова багатомірних виражень mdx. Основні поняття
- •Питання для самоперевірки
- •Лекція №13 Мова багатомірних виражень mdx. Запит до кубу
- •Питання для самоперевірки
- •Лекція №14 Функції мови багатомірних виражень mdx
- •Ці запити повертають різні результати.
- •Питання для самоперевірки
- •Змістовний модуль 6 Проблеми побудови сд лекція №15 Ключові показники ефективності
- •Питання для самоперевірки
- •Список літератури
Питання для самоперевірки
Дайте визначення сховища даних.
Поясніть, що розуміють під предметною орієнтацією й інтеграцією для СД.
Поясніть, що розуміють під підтримкою хронології й незмінністю для СД.
Опишіть регламент функціонування СД.
Назвіть етапи створення СД.
Перелічіть переваги використання СД.
У чому складаються проблеми створення й супроводу СД?
Які основні компоненти СД?
Методичні вказівки до лекції: [1, с. 23–30]; [2, с. 19–26]; [5, с. 944–951]; [6, с. 59–64].
Вправи
Знайдіть за допомогою різних джерел інформації приклад невдалого проекту СД.
Приведіть приклад аналітичного запиту для обраної Вами предметної області, результати якого дозволять підвищити прибутковість організації.
Змістовний модуль 2 olap-системи лекція №3 Аналітичні (olap) системи
Розглядаються наступні питання
порівняння характеристик систем оперативної обробки даних і аналітичних систем;
поняття оперативного аналізу даних;
функції аналітичних систем;
користувачі OLAP-систем;
типи використовуваних в аналітичних системах даних;
тест FASMI.
правила Кодда для опису характеристик аналітичних систем;
приклади використання OLAP-систем;
багатомірність в OLAP-застосуваннях;
способи реалізації багатомірної моделі.
Порівняння основних характеристик типових систем OLTP і сховищ даних
Практично в будь-якій організації склалася парадоксальна ситуація: інформація начебто б десь і є, її навіть занадто багато, але вона неструктурована, неузгоджена, розрізнена, не завжди достовірна, її практично неможливо знайти й отримати. У результаті можна говорити об відсутність інформації при її наявності й навіть надмірності.
Для того щоб витягати корисну інформацію з даних, вони повинні бути організовані способом, відмінним від прийнятого в OLTP-системах, тому що:
в OLTP-системах використовуються нормалізовані таблиці БД. Нормалізація ефективна, якщо відношення часто оновлюються, але дає негативний ефект у випадку операції вибірки (особливо у випадку складних запитів). А в DSS-системах використовуються тільки операції вибірки, і дані рідко змінюються, тому дані доцільно зберігати у вигляді слабко нормалізованих відношень, що містять заздалегідь обчислені основні підсумкові дані. Більша надмірність і пов'язані з нею проблеми отут не страшні, тому що відновлення відбувається тільки в момент завантаження нової порції даних. При цьому відбувається як додавання нових даних, так і перерахування підсумків;
виконання деяких аналітичних запитів вимагає хронологічної впорядкованості даних. Реляційна модель не припускає існування порядку записів у таблицях;
у випадку аналітичних запитів частіше використовуються не детальні, а узагальнені (агреговані дані).
Організація звичайно має кілька різних систем OLTP, призначених для підтримки таких ділових процесів, як керування запасами, виставляння рахунків клієнтам і продаж товарів. Системи OLTP оптимально підходять для інтенсивної обробки транзакцій, які проектують заздалегідь, багаторазово повторюються й зв'язані переважно з відновленням даних.
Однак в організації звичайно є тільки одне СД. СД призначені для обробки щодо невеликої кількості транзакцій, які мають непередбачений характер і вимагають відповіді на довільні, неструктуровані й евристичні запити. Інформація в СД призначена для підтримки прийняття довгострокових стратегічних рішень відносно невеликою кількістю керівників.
Хоча системи OLTP і СД мають різні характеристики й створюються для різних цілей, вони зв'язані в тому розумінні, що системи OLTP є джерелом інформації для сховища даних.
За допомогою СД можна одержати відповіді на запити, більш складні, ніж запити з найпростішими узагальненнями типу наступного: «Яка середня ціна об'єктів нерухомості в найбільших містах країни?».
Приклади запитів для сховища даних:
Які три райони в городах, що обслуговуються, були найбільш популярні з погляду оренди об'єктів нерухомості в певному році і як ці дані змінилися в порівнянні з даними за попередні два роки?
Який місячний дохід від продажу об'єктів нерухомості в кожному відділенні компанії в порівнянні з аналогічними показниками річної давнини?
Які типи об'єктів нерухомості продаються за цінами вище середньої ціни об'єктів нерухомості в найбільших містах країни і як ці дані пов'язані з демографічними даними?
Який зв'язок спостерігається між сумарним щорічним доходом у кожному відділенні компанії й загальною кількістю торгових агентів у кожному із цих відділень?
Порівняння основних характеристик типових систем OLTP і сховищ даних
Система OLTP |
Сховище даних |
Містить поточні дані |
Містить історичні дані |
Зберігає докладні відомості |
Зберігає докладні відомості, а також частково й повністю узагальнені дані |
Дані є динамічними |
Дані в основному є статичними |
Повторюваний спосіб обробки даних |
Нерегламентований, неструктурований і евристичний спосіб обробки даних |
Тип екранних форм в основному визначений заздалегідь |
Форми визначаються користувачем |
Висока інтенсивність обробки транзакцій |
Середня й низька інтенсивність обробки транзакцій |
Передбачуваний спосіб використання даних |
Непередбачений спосіб використання даних |
Призначена для обробки транзакцій |
Призначено для проведення аналізу |
Орієнтована на прикладні області |
Орієнтовано на предметні області |
Підтримка прийняття повсякденних рішень |
Підтримка прийняття стратегічних рішень |
Обслуговує велику кількість працівників виконавчої ланки |
Обслуговує відносно малу кількість працівників керівної ланки |
Відповідає на питання Скільки? Як? Коли? |
Відповідає на питання Чому? Що буде, якщо? |
Через ці розходження можуть виникнути труднощі при організації спільного функціонування оперативної системи обробки даних і системи підтримки прийняття рішень у рамках єдиної системи. Особливо це стосується планування обсягів, керування ресурсами й настроювання продуктивності системи.
Оперативний аналіз даних
Ідея обробки багатомірних даних виникла в 1962 році, коли К.Айверсон опублікував свою роботу «Мова програмування» (A Programming Language, APL). APL – це математично визначена мова з багатомірними змінними й досить абстрактними операторами. В 70-і й 80-і роки вона активно використовувалася в багатьох ділових застосуваннях, функціонально схожих із сучасними OLAP-системами.
В 1970 з’явився перший програмний продукт для багатомірного аналізу даних – Express. В 1992 році був випущений Essbase – перший OLAP продукт, що одержав масштабний ринок.
В 1993 році вийшла стаття Е.Ф.Кодда (E.F.Codd), у якій уперше було дано формальне визначення OLAP-технології.
OLAP – технологія оперативної аналітичної обробки даних, що використовує методи й засоби для збору, зберігання й аналізу багатомірних даних з метою підтримки процесів прийняття рішень.
Рис.1. Основні функції аналітичних систем
Користувачі OLAP-систем
керівники й менеджмент;
бізнес-аналітики, маркетологи й аналітикипо плануванню розвитку;
керівники середньої й молодшої ланки;
рядові співробітники;
співробітники ІТ-служб;
інші застосування.
Типи використовуваних даних
У системах аналізу багатомірних даних можна виділити три основних типи даних, аналіз яких дозволяє робити прогнозування бізнес процесів.
Агреговані дані
Користувача, що займається аналізом, рідко цікавлять деталізовані дані. Більш того, чим вище рівень користувача (керівника, керуючого, аналітика), тим вище рівень агрегації даних, використовуваних їм для ухвалення рішення.
Приклад. Є фірма із продажу комп'ютерів. Комерційного директора такої фірми мало цікавить питання: «Якого кольору комп'ютери краще всього продає менеджер Петров: чорного або сріблистого?» Для нього важливо, які моделі, і які кольори воліють у даному регіоні. Його також мало цікавить деталізація на рівні контракту, часу або навіть дня. Для правильного формування складу йому важлива й необхідна інформація на рівні декади, місяця або навіть кварталу.
Історичні дані
Після того як зафіксовано, що Петров у червні поточного року продав 2 комп'ютери Celeron і 12 комп'ютерів Pentium, дані про цю подію стають історичним (таким, що здійснився) фактом. І після того, як інформація про цей факт отримана, верифікована й заведена в БД, вона може бути багаторазово зчитана звідти, але вже не може й не повинна бути змінена.
Історичність даних припускає не тільки високий рівень статичності (незмінності) як властиво даних (наприклад: Петров продав цього року 51 комп'ютер Pentium), так і їхніх взаємозв'язків (наприклад: цього року Петров працював у м.Суми; цього року продавалися комп'ютери моделі Pentium). Це дає можливість використовувати спеціалізовані, засновані на припущенні про статичність даних і їхніх взаємозв'язків методи завантаження, зберігання, індексації й вибірки.
Прогнозовані дані
Коли говориться про незмінність і статичність даних в аналітичних системах, мається на увазі незмінність винятково історичних даних (даних, що описує події вже, які відбулися). Таке припущення не поширюється на прогнозовані дані (дані про подію, що ще не відбувалася).
Наприклад, якщо будується прогноз про обсяг продажів на наступні роки для менеджера Петрова, то в міру надходження фактичних (історичних) даних за поточний рік ця цифра буде багаторазово змінюватися й уточнюватися. Більш того, досить часте прогнозування й моделювання зачіпає не тільки майбутні, що ще не відбулися, але й минулі, що вже здійснилися події. Наприклад, аналіз: «а, що буде (було б)... якщо (би)..?», будується на припущенні про те, що значення деяких даних, у тому числі й з минулого, відмінні від реальних. І для відповіді на питання: «Який був би прогноз по обсягу продажів комп'ютерів Athlonдля менеджера Петрова на наступний рік, якби обсяг продажів комп'ютерів Celeron цього року в нього зріс на той же відсоток, що обсяг продажів Pentium»,буде потрібно не тільки обчислити нове, ще не існуюче значення обсягу продажів для року, що ще не наступив, але й попередньо обчислити гіпотетичне значення обсягу продажів за вже минулий період.
В 1995 році на основі вимог, викладених Коддом, сформульований тест FASMI (Fast Analysis of Shared Multidimensional Information), що переводиться як «швидкий аналіз поділюваної багатомірної інформації». Тест FASMI включає наступні вимоги до застосувань для багатомірного аналізу:
• надання користувачеві результатів аналізу за прийнятний час (приблизно 5 с) при припустимому рівні деталізації аналізу (прості за 2 с, невелика кількість дуже складних не більш ніж за 20 с);
• можливість здійснення будь-якого логічного й статистичного аналізу, підтримуваного використовуваним додатком, зі збереженням результатів у доступному для користувача виді;
• багатокористувальницький доступ до даних з підтримкою відповідних механізмів блокування й засобів автоматизованого доступу;
• багатомірне концептуальне представлення даних, включаючи повну підтримку для ієрархій і множинних ієрархій вимірів (ключова вимога OLAP);
• можливість звертатися до будь-якої потрібної інформації незалежно від її обсягу й місця зберігання.
У статті Е.Ф.Кодда, у якій уперше було дано формальне визначення OLAP-технології, також були описані дванадцять правил, які описуютьголовні особливості OLAP, до цих правил в 1995 році були додані ще кілька.
Характеристики OLAP розбиті на кілька груп.
Основні характеристики:
1. Багатомірність моделі даних. OLAP-система на концептуальному рівні повинна представляти дані у вигляді багатомірної моделі, що спрощує процеси аналізу й сприйняття інформації.
2. Інтуїтивні механізми маніпулювання даними. OLAP-система повинна надавати спосіб виконання операцій зрізу, обертання, консолідації й деталізації над OLAP-кубом без необхідності користувачеві робити множину дій з інтерфейсом. Маніпулювання даними повинне виконуватися за допомогою дій безпосередньо в комірках таблиць, без застосування меню або складних операцій.
3. Доступність. OLAP-система повинна надавати користувачеві єдину, погоджену й цілісну модель даних, забезпечуючи доступ до даних незалежно від того, як і де вони зберігаються.
4. Пакетне добування даних. Це правило вимагає, щоб продукти пропонували як власні бази для зберігання аналізованих даних, так і динамічний доступ до зовнішніх даних.
5. Архітектура «клієнт-сервер». OLAP-сервер забезпечує зберігання даних, виконання над ними необхідних операцій і формування багатомірної моделі на концептуальному рівні. OLAP-клієнт представляє користувачеві інтерфейс до багатомірної моделі даних, забезпечуючи його можливістю зручно маніпулювати даними для виконання завдань аналізу.
6. Прозорість – означає, що користувач, наприклад, електронної таблиці може одержати повний доступ до засобів, надаваним ядром OLAP, і може при цьому навіть не знати про те, звідки отримані ці дані. OLAP-система повинна приховувати від користувача реальну реалізацію багатомірної моделі, спосіб організації, джерела, засоби обробки й зберігання.
7. Багатокористувальницька робота. OLAP-система повинна надавати можливість працювати декільком користувачам разом з однією аналітичною моделлю або створювати для них різні моделі з єдиних даних.
8. Підтримка всіх моделей OLAP-аналізу.OLAP-система повинна підтримувати всі чотири моделі аналізу даних, визначені Коддом: категоріальну, тлумачевальну, умоглядну й стереотипну (формування звітів, що параметрично настроюються, формування розрізів і угруповань зі зверненням, аналізом у стилі «що, якщо» і моделями пошуку цілей, відповідно).
Спеціальні характеристики
9. Обробка ненормалізованих даних. Це означає можливість інтеграції між ядром OLAP і ненормалізованим джерелом даних. Кодд виділяє те, що при відновленні даних, виконаному в середовищі OLAP, повинна бути можливість змінювати ненормалізовані дані в зовнішніх системах.
10. Зберігання OLAP результатів окремо від вихідних даних.
11. Виділення відсутніх даних. Це означає, що відсутні дані повинні відрізнятися від нульового значення. Як правило, всі сучасні OLAP системи підтримують цю характеристику.
12. Обробка відсутніх значень. Всі відсутні значення повинні бути зігноровані при аналізі, поза залежністю від їхнього джерела.
Характеристики побудови звітів
13. Гнучка побудова звітів. OLAP-система повинна підтримувати різні способи візуалізації даних, тобто звіти повинні представлятися в будь-якій можливій орієнтації. Засоби формування звітів повинні представляти синтезовані дані або інформацію, що випливає з моделі даних у її будь-якій можливій орієнтації. Різні виміри повинні вибудовуватися будь-яким способом відповідно до потреб користувача.
14. Стабільна продуктивність при побудові звітів. Продуктивність OLAP-систем не повинна значно зменшуватися при збільшенні кількості вимірів, по яких виконується аналіз, або збільшенні обсягу бази даних.
15. Автоматичне регулювання фізичного рівня. OLAP-система повинна автоматично регулювати фізичну структуру для адаптації її до типу й структури моделі.
Керування розмірністю
16. Рівноправність вимірів. Всі виміри повинні мати однакові можливості в структурі й функціональності. Швидкість доступу повинна зберігатися поза залежністю від розташування комірок даних і бути постійною величиною для моделей, що мають різне число вимірів і різний ступінь розрідженості даних.
17. Необмежене число вимірів і рівнів агрегування. Фактично, під необмеженим числом Кодд має на увазі 15-20, тобто число, що свідомо перевищує максимальні потреби аналітика.
18. Необмежені операції між даними різних вимірів. Кодд вважає, що для того, щоб застосування називалося багатомірним, воно повинне підтримувати будь-які обчислення з використанням даних всіх вимірів.
Приклади використання OLAP-систем
Торгівля характеризується великим обсягом операцій (при незначному розмірі одиничної транзакції), великою кількістю клієнтів, широкою продуктовою лінійкою й часто розподіленим зберіганням даних.
Консолідація даних. За допомогою СД можна зібрати інформацію з територіально розподілених підрозділів і множини джерел даних, як внутрішніх, так і зовнішніх.
Прогнозування й оптимізація запасів. OLAP-системи дозволяють знаходити сезонність і тренди, ураховувати складний вплив множини зовнішніх факторів. Маючи якісний прогноз, можна вирішувати задачу оптимізації запасів і збільшення оборотності.
Програми лояльності. За допомогою методів глибокого аналізу даних можна зрозуміти особливості споживання клієнтів і відношення покупців до маркетингових програм, виявити цільові групи. Це дасть можливість будувати ефективні програми лояльності, що не зводяться просто до надання знижок, а враховують особливості кожної групи покупців і пропонують їм саме те, що їх зацікавить.
Стимулювання попиту. Аналіз споживчого кошика дозволяє знаходити самі ходові сполучення товарів і пропонувати саме ті продукти, які викличуть найбільший інтерес, правильно розмістити товари на полках, організувати системи знижок.
Аналіз залежностей. Порівняння обсягів продажів різних товарів у часі для виявлення необхідних асортиментів – «кошика».
Зіставлення (порівняльний аналіз). Порівняння результатів продажів у часі, або за заданий період, або для заданої групи товарів.
Закупівлі. Можливих завдань при аналізі закупівель множина, від планування коштів на основі минулого досвіду, до контролю за менеджерами, що вибирають постачальників.
Склад. Аналіз структури залишків на складі в розрізі видів товарів, складів, аналіз строків зберігання товарів, аналіз відвантаження по одержувачах і багато інші важливі для підприємства види аналізів можливі при наявності в організації складського обліку.
За допомогою OLAP-систем можна вирішити й інші завдання, актуальні для компаній роздрібної торгівлі: розрахунок показників ефективності, бюджетування, оцінка ефективності маркетингових дій і т.д.
Телекомунікації – розв'язувані завдання, насамперед, пов'язані із програмами лояльності й утриманням існуючої клієнтської бази, а також із залученням нових споживачів.
Побудова профілів клієнтів. Технології OLAP-систем дозволяють розділити абонентів на групи, виявляючи їхнє схоже поводження в частоті, тривалості й часі дзвінків, а також щомісячних витрат. Це дозволить вирішити задачу розробки маркетингових акцій, спрямованих на певні групи клієнтів, оцінки найбільше й найменш дохідних сегментів.
Адресне розсилання абонентам. У компаній регулярно з'являються додаткові послуги, змінюються тарифи, проводяться сезонні акції. Методи OLAP-систем допомагають вирішувати задачу виділення тих існуючих клієнтських сегментів, кому в першу чергу можуть бути цікаві нові пропозиції.
Запобігання відходу клієнтів. Актуальні завдання, метою яких є виявити причини відходу й оцінити ймовірність відходу клієнта із заданими показниками. На основі результатів таких досліджень можна розробити методи роботи із клієнтами, щоб підвищити їхня лояльність до компанії.
Медицина
Консолідація даних. За допомогою СД можна консолідувати всю інформацію, що має відношення до розв'язуваних задач: дані з медичних карт, результати аналізів і проб, вихідні показники діагностуючих тест-систем. Механізми інтеграції дають можливість одержати дані практично з будь-якого джерела: від офісних застосувнь до спеціалізованих медичних систем.
Діагностика захворювань. На базі OLAP-технологій легко створювати системи для діагностики захворювань, що радять, які використовують накопичені дані клінічних досліджень, автоматично виявляють значимі ознаки й моделюють складні залежності між симптомами й захворюваннями.
Виявлення побічних ефектів. Виявлення зв'язків між прийомом препаратів і побічних ефектів.
Дослідження ефективності нових методівлікування.
Багатомірність в OLAP-застосуваннях може бути розділена на три рівні.
Багатомірне представлення даних
Засоби кінцевого користувача, що забезпечують багатомірну візуалізацію й маніпулювання даними; шар багатомірного представлення абстрагований від фізичної структури даних і сприймає дані як багатомірні.
Багатомірна обробка
Засіб (мова) формулювання багатомірних запитів (традиційна реляційна мова SQL тут виявляється непридатною) і процесор, що вміє обробити й виконати такий запит.
Багатомірне зберігання
Засоби фізичної організації даних, що забезпечують ефективне виконання багатомірних запитів.
Перші два рівні в обов'язковому порядку присутні у всіх OLAP-засобах. Третій рівень, хоча і є широко розповсюдженим, не обов'язковий, тому що дані для багатомірного представлення можуть витягати й зі звичайних реляційних структур; процесор багатомірних запитів у цьому випадку транслює багатомірні запити в SQL-запити, які виконуються реляційною СКБД.
Теоретично засоби OLAP можна застосовувати й безпосередньо до оперативних даних або їхніх точних копій (щоб не заважати оперативним користувачам). Але в цьому випадку існує певний ризик, оскільки будуть аналізуватися оперативні дані, які прямо для аналізу непридатні.
Основні способи реалізації багатомірної моделі
В основі OLAP лежить ідеябагатомірної моделі даних, у якій на зміну таким поняттям як відношення й сутності приходять поняття вимірів і кубів даних.
З погляду аналізу кожний аналізований факт зручно розглядати як функцію від його характеристик. Наприклад, виробництво виробу є функція від матеріалів, верстатів, робітників, інженерів, технологів, керівників, можливо, ще якихось істотних параметрів. Параметри такого типу називаються вимірами.
По типі вхідної БД продукти OLAP діляться на наступні класи.
MOLAP (Multidimensional OLAP) – для реалізації багатомірної моделі використовуються багатомірні БД. При цьому дані зберігаються у вигляді впорядкованих багатомірних масивів. Такі масиви підрозділяються на гіперкуби, у яких всі збережені в БД комірки мають однакову мірність, і полікуби, у яких кожна комірка зберігається із власним набором вимірів. Фізично дані зберігаються в «плоских» файлах, при цьому куб представляється у вигляді однієї плоскої таблиці, у яку рядками вписуються всі комбінації елементів всіх вимірів з відповідними їм значеннями мер.
Виміри |
Міри |
||||
Магазин |
Час |
Постачальник |
Товар |
Одиниці товару |
Вартість товару |
№1 |
01.01.09 |
Іванов |
Картопля |
100 |
20 |
№1 |
01.01.09 |
Іванов |
Морква |
50 |
25 |
№1 |
01.02.09 |
Іванов |
Картопля |
150 |
20 |
№2 |
01.02.09 |
Петров |
Морква |
200 |
25 |
Дані передаються від джерела даних у багатомірну базу даних, а потім база даних піддається агрегації. Попередній розрахунок прискорює OLAP-запити, оскільки розрахунок зведених даних уже зроблений. Час запиту стає функцією винятково часу, необхідного для доступу до окремого фрагмента даних і виконання розрахунку. Цей метод підтримує концепцію, відповідно до якої робота виконується один раз, а результати потім використовуються знову й знову. Багатомірна база найчастіше буде надлишковою. Куб, побудований на її основі, буде сильно залежати від числа вимірів. При збільшенні кількості вимірів об'єм куба буде експоненційно рости. Іноді це може привести до «підривного росту» обсягу даних, що паралізує в результаті запити користувачів.
«Вибух» бази даних являє собою феномен багатомірних баз. Це пов'язане з розрідженістю бази даних і попередньою агрегацією даних. Якщо багатомірна база даних містить невелике число елементів даних, порівнянне з кількістю забезпечуваних нею рівнів агрегації, кожний фрагмент даних буде вносити більший вклад в усі одержувані з нього дані. Коли база даних «вибухає», розмір її стає істотно більше, ніж він повинен бути.
Переваги використання MOLAP:
пошук і вибірка даних здійснюється значно швидше, ніж при багатомірному концептуальному погляді на реляційну БД, тому що багатомірна БД денормалізована й містить заздалегідь агреговані показники, забезпечуючи оптимізований доступ до запитуваних комірок і не вимагаючи додаткових перетворень при переході від множини зв'язаних таблиць до багатомірної моделі; середній час відповіді на нерегламентований запит при використанні багатомірної СКБД звичайно на один-два порядки менше, ніж у випадку реляційної СКБД із нормалізованою схемою даних;
у випадку багатомірних БД легко включити в інформаційну модель різноманітні убудовані функції, тоді як обмеження мови SQL роблять виконання цих задач на основі реляційних БД досить складним, а іноді й неможливим;
структура й інтерфейси щонайкраще відповідають структурі аналітичних запитів. Цей спосіб більше схожий з ментальною моделлю людини, тому що аналітик звик оперувати плоскими таблицями. Провадячи перетин куба двовимірною площиною в тім або іншому напрямку, легко одержати взаємозалежність будь-якої пари величин щодо обраної міри. Наприклад, як змінювалася вартість виготовлення виробу (міра) у часі (вимір) у розрізі по ділянках, цехам і виробництвах (інший вимір).
Недоліки MOLAP:
за рахунок денормалізації й попередньо виконаної агрегації обсяг даних у багатомірній БД, як правило, відповідає (по оцінці Кодда) в 2,5... 100 разів меншому обсягу вхідних деталізованих даних;
у переважній більшості випадків інформаційний гіперкуб є сильно розрідженим, а оскільки дані зберігаються в упорядкованому виді, невизначені значення вдається видалити тільки за рахунок вибору оптимального порядку сортування, що дозволяє організувати дані в максимально великі безперервні групи. Крім того, оптимальний з погляду зберігання розріджених даних порядок сортування, швидше за все, не буде збігатися з порядком, що найчастіше використовується в запитах. Тому в реальних системах доводиться шукати компроміс між швидкодією й надмірністю дискового простору, зайнятого базою даних;
багатомірні БД чутливі до змін у багатомірній моделі. Наприклад, при додаванні нового виміру доводиться змінювати структуру всієї БД, що спричиняє великі витрати часу.
На підставі аналізу достоїнств і недоліків багатомірних БД можна виділити наступні умови, при яких їхнє використання є ефективним:
обсяг вхідних даних для аналізу не занадто великий (не більше декількох гігабайт), тобто рівень агрегації даних досить високий;
набір інформаційних вимірів стабільний;
час відповіді системи на нерегламентовані запити є найбільш критичним параметром;
потрібне широке використання складних убудованих функцій для виконання кросвимірних обчислень над комірками гіперкуба, у тому числі можливість написання користувальницьких функцій.
ROLAP (Relational OLAP) – для реалізації багатомірної моделі використовуються реляційні БД.
Достоїнства:
у більшості випадків корпоративні СД реалізуються засобами реляційних СКБД, і інструменти ROLAP дозволяють виконувати аналіз безпосередньо над ними. При цьому розмір сховища не є таким критичним параметром, як у випадку MOLAP;
у випадку змінної розмірності задачі, коли зміни в структуру вимірів доводиться вносити досить часто, ROLAP-системи з динамічним представленням розмірності є оптимальним рішенням, тому що в них такі модифікації не вимагають фізичної реорганізації БД;
реляційні СКБД забезпечують значно більш високий рівень захисту даних і гарні можливості розмежування прав доступу.
Головний недолік ROLAP у порівнянні з багатомірними СКБД – менша продуктивність. Для забезпечення продуктивності, порівнянної з MOLAP, реляційні системи вимагають ретельного пророблення схеми бази даних і настроювання індексів.
HOLAP (Hybrid OLAP) – для реалізації багатомірної моделі використовуються й багатомірні, і реляційні БД. HOLAP-сервери використовують гібридну архітектуру, що поєднує технології ROLAP і MOLAP. На відміну від MOLAP, що працює краще, коли дані більш-менш щільні, сервери ROLAP показують кращі параметри в тих випадках, коли дані досить розріджені. Сервери HOLAP застосовують підхід ROLAP для розріджених областей багатомірного простору й підхід MOLAP – для щільних областей. Сервери HOLAP розділяють запит на кфлька підзапитів, направляють їх до відповідних фрагментів даних, комбінують результати, а потім надають результат користувачеві.
