جديدترين مقالات مرتبط با مدیریت فناوری اطلاعات IT

هوش تجاري در SQL Server 2008

ارسال شده توسط احمد محمدی | 31 December, 2013 | بازدید‌ها (2961)

    به نام خداوند بخشنده مهربان

     

    هوش تجاري در SQL Server 2008

    Business Intelligence Development Studio

    (SSAS)

    احمد محمدي

    Ahmad.Mohammadi.A@gmail.com

    پاييز 1392

    چکيده

    در اين  سعي شده است بصورت کاملا عملي به بيان امکانات و ابزار هاي داده کاوي و هوش تجاري درsql server  پرداخته و توضيحي در خصوص لغات و اصلاحات مورد استفاده خواهيم داد .

    همچنين در آموزشي يک مدل داده کاوي ايجاد مي نماييم که اين عمليات از طريق سرويس هاي آناليز   sql server 2012 انجام مي دهيم .که در آن الگوريتم هاي سرويس آناليز نظير درخت تصميم آموزش داده مي شود که براي ايجاد مدل داده کاوي مورد استفاده قرار مي گيرند.در نهايت بعد از ايجاد مدل و تنظيم ساختار يک تست روي مدل اجرا مي گردد.

     

     مقدمه

    امروزه با پيشرفت فناوري، سازمان ها به دنبال راه ها و ترفندهايي مي گردند که بقايشان را در اين عرصه تضمين کنند. سازمان ها مي دانند که ديگر بقاي آنها تنها در رسيدن به وضعيت سوددهي مداوم نيست و بايد به دنبال رقابت و ابزار آن باشند. همچنين مي دانند که کليد موفقيت در عصر اطلاعات، اتخاذ تصميماتي است که بدون تناقض، بهتر و سريع تر در رقابت پيش دستي کند.

    يک سازمان در طول حياتش، داده ايجاد مي کند. اين داده معمولا پيرامون دارايي، بازاريابي، فروش، منابع انساني، مديريت ارتباط با مشتري و ... گروه بندي مي شوند و هر بخش يک وظيفه جدا در شرکت انجام داده و داده هاي مرتبط به خود را جمع آوري مي کند. اين حقيقت سازمان ها را ملزم به جستجوي ابزارهايي براي تسهيل فرايند کسب اثربخش داده ها، پردازش و تحليل وسيع آنها کرده است تا براساس آن پايه اي را براي کشف دانش جديد بنا نهند.

    براي ساليان متوالي از سيستم هاي اطلاعات مديريت موجود مانند: MIS,DSS,ES,EIS استفاده مي شد اما اين سيستم ها قادر به ايجاد يکپارچگي ميان داده هاي پراکنده و ناهمگن و شناسايي مناسب وابستگي هاي موجود ميان داده هاي جديد نبودند. براي اينکه سازمان ها قادر به واکنش سريع در برابر تغييرات بازار باشند، نياز به سيستم هاي اطلاعات مديريتي دارند که بتوانند از سازمان و محيط آن تحليل هاي علت و معلولي مختلف انجام دهند.

    بنابراين سازمان ها براي حفظ بقا همزمان با پيشرفت فناوري، بايد تسلط بر فناوري هاي جديدي مانند هوش تجاري را در کسب وکارها يک الزام و ضرورتي اجتناب ناپذير تلقي کنند. سيستم هاي هوش تجاري ابزاري را فراهم مي کنند که بر اساس آن نيازهاي اطلاعاتي سازمان به شکل مناسبي پاسخ داده شود.

    واژه هوش تجاري توسط گروه گارتنر 1در اواسط ده? 1991 رواج پيدا کرد. با اين حال، اين واژه اخيراً

    رواج بسيار زيادي يافته است و در سيستم هاي گزارش دهي MIS ده? 1971 ريشه دارد. در آن دوران، سيستم هاي گزارش دهي ايستا، دو بعدي و فاقد قابليت تحليل بودند. در اوايل ده? 1981 ، مفهوم سيستم اطلاعات اجرايي ( EIS ) به وجود آمد. اين مفهوم سيستم هاي پشتيباني کامپيوتري را به سطوح مديران عالي و اجرايي برد. اين سيستم ها از قابليت گزارش دهي پويا و چند بعدي )ادهاک 4 يا بر مبناي خواسته(، پيش بيني، تجزيه و تحليل روند، پرداختن به جزئيات، دسترسي به وضعيت و عوامل کليدي موفقيت برخوردار بودند. تا اواسط ده? 1991 بسياري از محصولات تجاري از اين ويژگي ها برخوردار بودند. سپس برخي از محصولات جديد تحت نام هوش تجاري پا به عرصه گذاشتند. امروزه همگي به اين نتيجه رسيده اند که کلي? نيازهاي اطلاعات مديران اجرايي در قالب يک سيستم اطلاعات مبتني بر هوش تجاري قابل پاسخ است. بنابراين، مفهوم اصلي سيستم اطلاعات اجرايي به هوش تجاري تغيير يافت.

    هوش تجاري، شامل ابزارها، تکنولوژي ها و فرايندهاي تبديل داده ها به اطلاعات و تبديل اطلاعات به دانش مورد نياز براي بهينه سازي تصميم گيري در سازمان است . امروزه با اطمينان کامل مي توان ادعا کرد که استفاده از راه حل هوش تجاري مي تواند قدرت رقابت پذيري يک سازمان را افزايش دهد و آن را از ديگر سازمان ها متمايز نمايد. اين راه حل اين امکان را به سازمان ها مي دهد تا با به کارگيري اطلاعات موجود از مزاياي رقابتي و پيشرو بودن بهره برداري نمايند و درک بهتر تقاضاها و نيازمندي هاي مشتريان و مديريت ارتباط با آنان را ميسر مي سازند.

    مفهوم هوش تجاري:

    تعاريف زيادي براي هوش تجاري وجود دارد، اما به طور کلي هوش تجاري به عنوان يک رويکرد جديد در معماري سازماني مطرح شده است که اين معماري بر اساس سرعت در تحليل اطلاعات به مديران جهت اتخاذ تصميمات دقيق و هوشمند کسب و کار در حداقل زمان ممکن کمک مي کند. هوش تجاري يک چارچوب کاري شامل فرايندها، ابزار و فناوري هاي مختلف است که براي تبديل داده به اطلاعات و اطلاعات به دانش مورد نياز هستند، که با استفاده از همين دانش مديران قادر به تصميم گيري بهتر مي شوند و در نتيجه عملکرد سازمان خود را بهبود مي بخشند.

    با پياده سازي راهکارهاي هوش تجاري فاصله موجود بين مديران مياني و مديران ارشد از ديدگاه ارتباط اطلاعاتي از ميان خواهد رفت و اطلاعات مورد نياز مديران در هر سطح، در لحظه و با کيفيت بالا در اختيار آنها قرار خواهد گرفت. همچنين کارشناسان و تحليل گران مي توانند با استفاده از امکانات ساده، فعاليتهاي خود را بهبود بخشند و به نتايج بهتري دست پيدا نمايند.

    احساس نياز به وجود يک سيستم هوش تجاري در سازمان براي اولين بار در سطوح بالاي مديريتي احساس مي شود و از بالاي هرم ساختار سازماني به بخش هاي زيرين منتقل مي گردد. مهم ترين نياز يک مدير، تصميم گيري است. فرآيند تصميم گيري مي تواند به سه بخش کلي تقسيم شود که عبارتند از:

    1) دسترسي، جمع آوري و پالايش داده ها و اطلاعات مورد نياز.

    2) پردازش، تحليل و نتيجه گيري براساس دانش.

    3) اعمال نتيجه و نظارت بر پيامد هاي اجراي آن.

    در هر يک از موارد فوق، سازمان هاي قديمي که از هوش تجاري استفاده نمي کنند، داراي مشکلاتي هستند که اغلب به دليل حجيم بودن داده ها، پيچيدگي تحليل ها و ناتواني در ردگيري پيامدهاي تصميم گرفته شده، به وجود مي آيند. هوش تجاري با کمک به حل مشکلات فوق، به دليل ساختاري که در سازمان به وجود مي آورد، خالق فرصت هاي جديدي براي سازمان است.

    هوش تجاري يک چارچوب کاري شامل فرايندها، ابزار و فناوري هاي مختلف است که براي تبديل داده به اطلاعات و اطلاعات به دانش مورد نياز هستند، که با استفاده از همين دانش مديران قادر به تصميم گيري بهتر مي شوند و در نتيجه عملکرد سازمان خود را بهبود مي بخشند.

    بنابراين هوش تجاري مجموعه اي از مهارت ها، فناوري ها و سيستم هاي کاربردي است  که براي جمع آوري، ذخيره سازي ، تحليل و ايجاد دسترسي کارآمد به انبارهاي داده جهت کمک به سازمان ها براي تصميم گيري صحيح مورد استفاده قرار مي گيرد.

    پس از آن که داده ها در انبارهاي داده و بازارهاي داده گردآوري و سازمان دهي شدند، مي توان آن ها را براي تحليل هاي آتي به کار گرفت. تحليل داده ها شامل طبقه بندي، خوشته بندي، آناليزهاي آماري، پيش بيني هاي رياضي، تحليل هاي هوشمند مبتني بر شبکه هاي عصبي و الگوريتم هاي ژنتيک مي باشد.

    هوش تجاري شما را براي تصميم گيري در همه عوامل موثر بر سازمان يا شرکت توانمند مي سازد.

    مجموعه اي از ابزارها کاربران را قادر مي سازند تا داده ها را براي کشف الگوها، ارتباطات و چشم اندازهاي جديدي که براي هدايت تصميم گيري ها سودمند هستند، تحليل کنند. به اين ابزارهاکه براي يکپارچه سازي، تحليل و فراهم نمودن دسترسي به انبوه داده ها براي کمک به اتخاذ تصميمات بهتر مورد استفاده قرار مي گيرند، هوش يا هوشمندي تجاري، اطلاق مي شود.

    ابزارهاي اصلي هوشمندي تجاري شامل نرم افزار ارائ? پرسش و گزارش گيري، ابزارهاي تحليل چند بعدي داده (پردازش تحليلي آنلاين  ) و داده کاوي است.

    وقتي به مفهوم هوشمندي در انسان ها فکر مي کنيم، عموماً مقصود ما قابليت افراد براي ادغام دانش فرا گرفته شده به اطلاعات جديد و تغيير رفتارها است، به گونه اي که موجب توفيق آن ها در انجام وظايف يا انطباق با شرايط جديد مي شود. به طور مشابه، هوش تجاري اين قابليت را به سازمان ها مي دهد تا اطلاعات را جمع آوري کنند؛ در مورد رقبا، مشتريان و عمليات داخلي خود دانش ايجاد کنند و رفتار تصميم گيري خود را به منظور دستيابي به سوددهي بالاتر و ساير اهداف تجاري تغيير دهند.

     

    مراحل هوش تجاري

    اگر مراحل هوش تجاري را به صورت شکل زير در نظر بگيريم، منابع داده در مرحله اول جمع آوري مي شوند. اين منابع مي تواند داده هاي انواع پايگاه داده يا اطلاعات نرم افزارهاي موجود را در بر بگيرد.

    اطلاعات جمع آوري شده طي فرايند  ETLدر پايگاه داده تحليلي يا همان انبار داده(Data Warehouse) بارگذاري مي شود.

    داده در پايگاه داده تحليلي در بخش هاي مجزايي به نام داده گاه (Data Mart) قرار مي گيرد.

    در مرحله بعد هوش تجاري وارد عمل شده و روي اطلاعات طبقه بندي شده تجزيه و تحليل انجام مي دهد.

    در نهايت اطلاعات جهت انتشار به ابزارهاي سطح بالا تحويل داده مي شود.

     

     

    تکنيک هاي مورد استفاده در هوش تجاري

     

    در عصري که زمان، کليد اصلي در تجارت است، شرکت ها به استفاده از ابزارهاي اطلاعاتي روي آورده اند تا بتوانند اطلاعات مورد نظر را به سرعت از منابع استخراج کنند. هوش تجاري در امر تصميم گيري در سطوح مختلف سازمان به ويژه سطوح مديران ارشد با تحليل اطلاعات و روش هاي پرس و جو تسهيلات زيادي را فراهم مي کند که متداول ترين اين روش ها به قرار زير است:

     On-Line Analytical Processing (OLAP)

     On-Line Transaction Processing (OLTP)

     Data Warehousing (DW)

     Data Mining (DM)

     Intelligent Decision Support System (IDSS)

     Intelligent Agent (IA)

     Knowledge Management System (KMS)

     Supply Chain Management (SCM)

     Customer Relationship Management (CRM)

    Enterprise Resource Planning (ERP )

     Enterprise Information Management (EIM)

    لازم به ذکر است، صرف وجود تمام اين تکنيک ها در سطح سازمان بدون در نظر داشتن فرهنگ سازمان و رويکرد سيستمي موجود بين کارکنان نمي‌تواند اثبات کننده هوشمندي کسب و کار آن سازمان باشد.

     

     آشنايي با داده‌کاوي :

    OLAP و Data Mining دو راهکاري هستند که در SSAS براي مديرت داده ها و کشف دانش معرفي شده است. در اينجا به معرفي اجمالي داده کاوي(DataMining) مي پردازيم.

    داده‌کاوي علمي نوين و جذاب براي کشف دانش از داده ها مي باشد. با توجه به رقابتي شدن بازار و تلاش سازمان ها براي رقابت و بدست آوردن درآمد بيشتر، استفاده از داده‌کاوي امري مهم تلقي مي شود. استفاده از داده هاي پيشين و نتيجه گرفتن از آن ها جهت بهبود عملکرد آينده، يکي از ايده‌آل‌ترين روش ها براي کمک به سازمان ها مي‌باشد. از سوي ديگر با توجه به قابليت حضور داده‌کاوي در تمام عرصه‌ها و همچنين وجود بنيان قوي علوم آمار، کامپيوتر، هوش مصنوعي و الگوشناسي در نهان داد‌ه‌کاوي موجب فراگير شدن اين دانش در تمامي سطوح گرديده است.

    داده‌کاوي عملي بسيار ظريف بوده که اگر در آن تحليل داده‌ها بصورت دقيق انجام نگيرد، ممکن است باعث استدلال نادرست گردد. از طرفي الگوريتم هاي دادهکاوي نيز پيچيدگي زيادي دارند، خوشبختانه نرم افزارSQL Server Business Intelligence Development Studio سبب گرديده که از پيچيدگي محتواي الگوريتم‌هاي داده‌کاوي دور گرديم و با خيالي آسوده عمليات داده‌کاوي را انجام دهيم. 

    آشنايي با  Analysis Services :

    تحليل در قلب هوش تجاري است و با آن، مي توان به داده هاي خود مفهوم بخشيد.

    SQL Server  شامل موتور بسيار قدرتمندي براي ساخت ساختمان هاي داده چند بعدي است که به شما اجازه مرتب کردن ، تجميع و تحليل داده ها را مي دهد و تحت عنوان   SQL Server Analysis Services

    شناخته مي شود. جمع آوري اطلاعات صرفاً به منظور گردآوري آن ها موجب هدر دادن وقت، پول و نيروي انساني است، زماني گردآوري اطلاعات مفيد خواهد بود که بتوان از اين اطلاعات براي کشف تمايلات، شناسايي مشکلات و ساماندهي کمبودها، که ارزش تجاري به همراه دارد استفاده کرد.

    SQL Server Analysis Services از يک موتور OLAP براي ساخت و ذخيره سازي پايگاه داده هاي چند بعدي استفاده مي کند.

    هدف از اين تحقيق، بررسي مطالبي درباره اصول فناوري OLAP ، ابزارهاي مورد استفاده براي ساخت

    پايگاه داده هاي OLAP و اجزاي مورد استفاده در آن مي باشد. هم چنين در حين بررسي مفاهيم تئوري در رابطه با SSAS ، روند ايجاد يک پروژه در SSAS از ابتدا به شکل گام به گام به صورت شماتيک ارائه مي شود؛ که در اين راستا از انبار? داد? نمون? ماکروسافت با عنوان dventureWorksDW2008R2 و از نرم افزار SQL Server 2008 R2 (Enterprise Data Management & Business Intelligence Software) استفاده شده است.

    آشنايي با: OLAP 

    پايگاه داده هاي OLAP حول مفهوم مکعب 9 ساخته مي شوند. مکعب ها، اشياي چند بعدي هستند که ساختارهاي آن ها با اشياي سلسله مرتبه اي تحت عنوان ابعاد 11 تعريف مي شوند. نمونه اي از پر استفاده ترين بعدها، بعد تاريخ است. واحد هاي زماني درصورت نياز مي توانند بر طبق سطح يا عمق داده اي که در پايگاه داده ذخيره خواهد شد، تقسيم بندي يا ترکيب شوند. مثلاً بعد Date ممکن است شامل يک سطح دهه، يک سطح سال، يک سطح فصل و الي آخر باشد که در نهايت به روز ختم مي شود )يا در صورت لزوم کمتر(.

     

    مفهوم مهم ديگر هنگام کار با مکعب ها، شناخت اين مساله است که بيشتر داده هاي دستيابي شده، تجميع مي شوند يا حداقل مي توانند تجميع شوند. اين بدان معني است که هنگام ساخت يک مکعب، نيازي به ذخيره سازي کليه محاسبات احتمالي روي داده ها نيست، بلکه در عوض مي توانيد روشي را تعريف کنيد که پايين ترين سطح داده ها ترکيب شوند تا بتوانيد به پاسخ مورد نظر دست يابيد.

    مثلاً، اگر تعداد فروش روزانه خود را رديابي کنيد، ولي بخواهيد بدانيد کل فروش فصل گذشته چقدر بوده است، برطبق روشي که مکعب مربوطه طراحي شده است، مي تواند به طور خودکار کل فروش روزانه رابراي 91 روز گذشته با هم جمع کند. بسته به چگونگي تعريف بعد Date ، هم چنين مي  توانيد داده مشابهي را بررسي کنيد که به ماه يا هفته تقسيم شده است، بدون اينکه مجبور به انجام محاسبات پيچيده اضافي باشيد.

    مکعب هاي OLAP هم چنين مي توانند مقادير خلاصه شده و داده هاي پايين ترين سطح را ذخيره کنند.

    اين امر بازيابي اطلاعات را آسان تر مي کند. مثلاً داده هاي 91 روز آخر فروش، زيرا آن مجموع هم اکنون در مکعب به عنوان يک مقدار محاسبه شده ذخيره شده است.

    اصطلاحات OLAP   :

    تاکنون، تعدادي از واژه هاي کليدي مورد استفاده در محيط هاي OLAP به شما معرفي شدند، ولي در

    اين بخش، فهرستي ساخت يافته تر از واژه ها و تعاريفي ارائه مي شود که معمولاً مورد استفاده قرار مي

    گيرند.

    شناخت اجزاي مختلف يک راه حل OLAP کمک شاياني در مديريت بهتر پايگاه داده هاي OLAP مي

    کند. در اين قسمت واژه ها و تعاريف مذکور در يک جدول ارائه مي شوند.

    پايگاه داده OLAP:کانتينري براي اشياي متفاوتي که در يک راه حل Analysis Services وجود

    دارد، مي باشد که علاوه بر ابعاد و مکعب هاي مذکور در صفحات قبل، اين

    قسمت هم چنين شامل اشياي ديگري از قبيل منابع داده مي باشد که در اين

    فهرست معرفي خواهند شد.

    منبع داده:داده ها از يک پايگاه OLAP سرچشمه نمي گيرند، بلکه در عوض از پايگاه داده هاي ديگري استفاده مي کنند که اغلب يک پايگاه داده رابطه اي، منبع آن مي باشد. پشتيباني هاي مايکروسافت از تامين کننده هاي OLE DB موجود براي اتصال به 1 Microsoft SQL Server و پايگاه داده هاي جديدتر و هم چنين SQL Native Client براي Analysis Services استفاده مي کنند. برخي از پايگاه داده هاي شخص ثالث مي توانند به عنوان منبع داده استفاده شوند، مادامي که يک درايور OLE DB مناسب داشته باشيد.

     

    بعد: بلوک هاي سازنده ساختار يک مکعب مي باشند. ابعاد برطبق جداول يا ديدگاه هاي منبع داده بوده و حاوي صفاتي خواهند بود که بر طبق ستون هاي اين جداول يا ديدگاه ها باشند. هر چند ابعاد براي ساخت مکعب ها استفاده مي شوند، تعريف ابعاد در مکعب ذخيره نمي شود مگر آن که، آن ها به مکعب اضافه شوند. تعريف ابعاد نيز در کلکسيون بعد پايگاه داده OLAP ذخيره مي شود. اين امر به يک بعد واحد اجازه مي دهد در يک يا چند مکعب استفاده شود.

     

    سلسله مراتب:          دو نوع سلسله مرتبه در SQL Server Analysis Services وجود دارد. سلسله مراتب صفات با استفاده از خصوصيات بعد براي تعريف يک ساختار سلسله مرتبه اي ساخته مي شود. از طرف ديگر، سلسله مراتب تعريف شده کاربر به طور دستي با تعريف متدي که در آن مکعب مي تواند در بعد خاص برش داده شود، ساخته مي شود. علاوه بر مثال سلسله مرتبه تاريخ بخش قبل، مثال ديگري که ممکن است استفاده کنيد بعد مکان جغرافيايي است که به شما اجازه مي دهد داده هاي خود را در صورت لزوم براساس قاره، کشور، ايالت، استان، بخش و شهر تحليل کنيد.

     

    سطح  موقعيتي در يک سلسله مرتبه را شناسايي مي کند که آيتم هاي مجزا )تحت عنوان اعضا( به آن تعلق دارند.

    عضو    اشيا يي در سلسله مرتبه اي که يک يا چند نمونه از داده واقعيت را نشان مي دهد، مي باشند.

    مثلاً سلسله مرتبه مکان جغرافيايي ممکن است سطح کشور را تعريف کند که شامل اعضاي ايالات متحده، کانادا و ژاپن مي باشد. سطح شهر ممکن است شامل اعضاي سياتل، ونکوور و توکيو باشد.

     

    معيارها معيارها، داده واقعيت کميت پذير در پايگاه داده شما را نشان مي دهند.

    )معيارها قابل اندازه گيري اند(.

     

    گروه هاي معيار براي مرتبط کردن ابعاد با معيارها از جداول واقعيت مرتبط استفاده مي شود، درست مانند زماني که تعداد متمايزي به عنوان رفتار تجميعي براي داده واقعيت استفاده مي شوند. اين گروه ها موجب بهينه شدن پردازش تجميع مي شوند.

    مکعب  اشياي اصلي ايجاد شده در پايگاه داده OLAP مي باشد. دو جزء اصلي براي مکعب وجود دارد: ابعاد که براي تعريف ساختار مکعب استفاده مي شوند و معيارها که حاوي داده واقعيتي )واقعي( هستند که توسط مکعب به آن ها مراجعه مي شود و بلوک هاي سازند? پايگاه داده هاي OLAP شما هستند.

     

    شاخص هاي کليدي

    عملکرد :محاسبات داده گروه معيار که براي مقايسه عملکرد واقعي در برابر ارزش هدف تعيين شده استفاده مي شوند. مثلاً، دپارتمان فروش ممکن است دو هدف را براي کمک به شناسايي عمکلرد فروش تعريف کند. اولين هدف، تنظيم ارزش هدف براي تعداد واحدهاي فروخته شده و دومين هدف، شناسايي درآمد متصور از تمام فروش هاست. هر يک از اين اهداف مي توانند به عنوان شاخص

    کليدي عملکرد دنبال شوند و شما مي توانيد فروش هاي ساليانه واقعي خود را با اهداف تعريف شده مقايسه کنيد .

    OLAP به زبان ساده

    OLAP  مجموعه‌اي از مکعب‌ها (Cubes) است. داخل اين مکعب‌ها داده‌هايي قرار دارند که از پيش انتخاب شده‌اند. ارتباطات بين ابعاد از قبل تعريف شده و همه ابعاد (نتايج) از قبل محاسبه و پيش‌بيني شده است. هنگامي که يک مکعب ايجاد مي‌شود، يک واسط کاربر نهايي که مي‌تواند يک داشبورد باشد براي يک فرد واقعي پياده‌سازي مي‌شود که کاربر نهايي(مديران و تصميم گيرندگان سازمان) بتواند با جواب‌هاي داخل مکعب تعامل داشته باشد.

    اما فرض کنيد در يک مکعب براي تحليل فروش در يک سازمان مقدار و مبلغ فروش را بر اساس ابعادِ مناطق فروش، فروشنده (بازارياب)، مشتري و ماه داشته باشيم. زماني که اين مکعب فرضي ساخته مي‌شود، نرم‌افزار مبتني بر OLAP کليه ترکيبات عناصر داده‌ها را محاسبه و ذخيره مي‌کند، کاربر نهايي به اين داده‌ها از طريق داشبوردها و يا يک سري فرم‌ها مثلا Pivot Table  ها يا انواع ديگر فرم‌ها دسترسي خواهد داشت.

     در اين مثال فرضي کاربر نهايي محدود به تحليل در محدوده ابعاد از قبل تعريف شده مثل مناطق، نمايندگي‌ها، مشتري‌ها و ماه است. اگر کاربر بخواهد درباره فروش هفتگي، روزهاي هفته يا محصولات فروخته شده (و يا صدها ترکيب ديگر از داده‌ها) اطلاعاتي کسب کند ديگر شانسي براي بدست آوردن آن ندارد، بايد صبر کند که مکعب ديگري از اطلاعات مورد نياز او ايجاد شود که اين يعني محدودسازي و کاهش بهره‌وري و اثربخشي براي تصميم‌گيران آن سازمان. به عبارت ديگر کاربر نهايي بايد نيازهاي خود را از پيش شناخته و براي اين نيازها Cubeها، جداول حقايق (Fact) و ابعاد (Dimension) مورد نياز را پياده سازي کند تا با کنار هم قرار دادن گزارشات مختلف تا حدودي به دانش استخراج شده و مورد نياز خود دست پيدا کند.OLAP  برخي از قابليت‌هاي تحليل را فراهم مي‌کند، اما تقريبا مي‌توان گفت در کشورهاي  پيشرفته يک رويکرد قديمي است و متاسفانه در کشور ما همچنان ناشناخته! يا کمتر شناخته شده است. در حال حاضر انواع مختلف OLAPوجود دارد، مثل MultiDimensional OLAP (MOLAP) که به آن MMD نيز گفته مي‌شود و  Relational OLAP ROLAP  ياRDBMS  و سيستم هاي OLAP از نوع HOLAP.

    کارکردن با : SSAS 

    همانند ساير خدمات هوش تجاري، مي توان هم از Business Intelligence Development و هم از

    SQL Server Management Studio  براي مديريت جنبه هاي مختلف  SQL Server Analysis Services

    استفاده کرد.  BIDS  در اصل براي ايجاد و مديريت ابعاد، ساخت مکعب ها، تعريف KPI ها و ساير وظايف مربوط به مرتب کردن و ساختاردهي داده ها استفاده مي شود.

    ايجاد پروژه: 

    با ايجاد يک پروژه Analysis Services جديد شروع کنيد. در BIDS بايد پروژ? جديدي را ايجاد کنيد

    که از الگوي پروژه Analysis Services استفاده مي کند. هم چنين ممکن است توجه داشته باشيد که

    يک گزينه براي وارد کردن پايگاه داده SSAS موجود در پروژه جديد وجود دارد. براي مثال، پروژه اي به

    نام Adventure Works 2008 Data Warehouse ايجاد خواهيم کرد .

     

    تعريف منبع داده:

    پس از ايجاد پروژه، مرحله بعدي، ايجاد منبع داده اي است که توسط پايگاه داده OLAP استفاده خواهد شد. در اين جا نياز به پايگاه داده AdventureWorksDW2008R2 داريد که مي توانيد از سايت

    مايکروسافت دانلود کنيد. مراحل زير را انجام دهيد:

    1.       با کليک راست روي پوشه Data Source در Solution Explorer شروع کنيد و New Data Source را انتخاب کنيد. اين امر موجب اجراي ويزارد New Data Source مي شود. همانند اکثر

    ويزاردهاي SQL ، اولين صفحه ويزارد، به طور طبيعي صفحه مقدماتي است و مي توان با کليک بر

    روي Next از آن رد شد.

    2.       صفحه بعدي ويزارد به شما اجازه تعريف اتصال داده را مي دهد. ممکن است هم اکنون اتصالات داده تعريف شده اي داشته باشيد، ولي با توجه به تجربه اي که پس از اجراي پروژه توسط اينجانب به دست آمد بهتر است ابتدا با کليک بر روي Delete اتصال فعلي را حذف کرده و سپس با کليک بر روي New اتصال جديدي را درپنجره باز شده با نام Connection Manager ايجاد کرد.

    3.ايجاد اتصال داده مورد نظر

     

    4.       همانگونه که در شکل 2-5  مشاهده مي کنيد، مي توانيد خصوصيات اتصال جديد را انتخاب کنيد. از جمله تامين کننده OLE DB ) که در اين مثال بايد Native Client 10.0 SQL Server باشد(.سپس در قسمت Server Name يک نقطه ).( قرار مي دهيم )بدين وسيله از پايگاه داده محلي        استفاده مي کند( و سپس از کومبوباکس پايين پنجره نام پايگاه داده مورد استفاده را مشخص مي کنيم. )در اين جا AdventureWorksDW2008R2 مي باشد.( براي بازگشت به ويزارد، OK را کليک کنيد.

    5.       پس از داشتن اتصال داده مناسب براي ادامه ويزارد، روي Next کليک کنيد. در اين مورد، مي توانيد حساب و رمز عبور را Windows


ارسال نظر
Info

توجه: از ارسال پيام هاي خصوصي در حالت لاگين براي نويسنده وبلاگ اجتناب نماييد.
در صورتی که در فرم ارسال نظر، نام شما توسط سیستم شناسایی شده باشد(در حالت لاگین) نظر شما بلافاصله منتشر خواهد شد.


در غیر اینصورت نظر شما پس از تایید توسط مالک وبلاگ منتشر خواهد شد.

 authimage

درباره من

  • 9163858398
  • احمد محمدی (کارشناس ارشد مدیریت فناوری اطلاعات و مهندس نرم افزار)

    مشاور و عضو کمیسیون نظارت و ارزشیابی سازمان نظام مهندسی رایانه ای خراسان رضوی

    جديدترين مقالات مرتبط با مدیریت فناوری اطلاعات

    ahmad.mohammadi.a@gmail.com

آخرين مطالب بروز شده