OLAP - это технология для обработки и анализа больших массивов данных в реальном времени. Данная технология позволяет проводить всесторонний анализ коммерческой информации. Системы построены с помощью данной технологии, дают фактически безграничные возможности по составлению отчетов, построению прогнозов и сценариев, разработки множества вариантов планов.
Актуальность темы исследования заключается в том, что в условиях современной экономики для каждого предприятия становится актуальным повысить конкурентоспособность и сохранить ее на должном уровне.
Целью выпускной квалификационной работы является разработка структуры и построение аналитических кубов для OLAP системы.
Для достижения цели в рамках выпускной квалификационной работы необходимо решить основные задачи:
1. Изучить основные понятия, классификацию, схемы OLAP-системы.
2. Разобрать принципы построения OLAP-куба.
3. Ознакомится с существующими программными продуктами OLAP- решений.
4. Создать OLAP куб для организации «АвтоСталь».
5. Реализовать хранилище данных с помощью средств языка Transact- SQL.
6. Провести анализ построения срезов куба.
7. Провести тестирование построенного куба и созданного хранилища данных.
Объектом исследования в представленной работе является процесс построения аналитических кубов для OLAP системы.
Предмет исследования: принципы, методы и алгоритмы обработки информации для разработки структуры и построения аналитических кубов для OLAP системы.
В работе была рассмотрена разработка структуры и построение аналитических кубов для системы OLAP, описано создание куба OLAP для организации «АвтоСталь», разобрана внутренняя структура компонентов гиперкуба.
В данном кубе сделано 3 измерения, двухуровневая иерархия и в итоге получился развернутый куб, благодаря которому можно произвести анализ движения товаров и увидеть в какие дни был пик продаж, и проанализировать причины увеличения продаж, а так же использовать это в дальнейшей деятельности предприятия. Для построения куба были сделаны таблицы, настроены связи между ними, добавили новое измерение, чтобы связывать имеющую таблицу и вновь созданную между собой. В процессе работы был написан код, в котором было создано хранилище данных, описано создание измерения. Произведена ручная загрузка данных, после которой мы перешли в SSIS, где смогли перенести данные в созданное и готовое хранилище данных.
OLAP система одна из лучших технологий для организации, с ее помощью можно обрабатывать огромное количество информации и данных в реальном времени. Главные плюсы это, конечно же, высокая скорость и большой объем данных, а так же открытый доступ для всех пользователей.
Все пользователи могут выполнить комплексный анализ данных, так же пользователям могут помочь в решение аналитических задач, для этого сделаны аналитические приложения.
Для многих OLAP система будет полезна, особенно в областях: финансов, маркетинга, банков, медицина, наука, образование, розничной и оптовой торговли.
1. Аналитическая платформа Deductor Электронный ресурс. URL: http://www.basegroup.ru/deductor/(дата обращения: 25.05.2021)
2. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. Спб.: БХВ-Петербург, 2017. - 384 с.
3. Гладченко А., Щербинин В. Репликация Microsoft SQL Server 2005/2008. -М.: ЭКОМ Паблишерз, 2019. - 288 с.
4. Дейт К.Дж. Введение в системы баз данных. - 8-е изд. - М.: Вильяме, 2018. - 1328 с.
5. Дорожкин А.К. Оценка объемов многомерного куба в OLAP системах // Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2018. -111 с.
6. Зыкин C.B. Реализация OLAP-технологии на основе межмодельных преобразований данных // Информационные технологии моделирования и управления. 2018. - № 1 (выпуск 44). - 770 с.
7. Каширин И.Ю., Семченков С.Ю. Интерактивная аналитическая обработка данных в современных OLAP-системах // Журнал «Бизнес- информатика». Москва, 2019. № 8(02). - 148 с.
8. Макаров И.М., Рахманкулов В.З., Ахрем А.А., Ровкин И.О. Построение СННР на основе OLAP-технологии // Информационные технологии и вычислительные системы. 2019. - № 1. - 144 с.
9. Мейер Б. Объектно-ориентированное конструирование программных систем / Пер. с англ. М.: Издательско-торговый дом «Русская редакция», 2018. - 1232 с.
10. Плоткин Б.И. Универсальная алгебра, алгебраическая логика и базы данных-М.: Наука, 2018. - 448 с.
11. Послед Б.С. Borland C++ Builder 6. Разработка приложений баз данных. -Спб.:ДиасофтЮП, 2019. - 320 с.
12. Семченков С.Ю. Вопросы организации промежуточной области хранения для OLAP систем // Математическое и программное обеспечение вычислительных систем. 2018.- 358 с.
13. Семченков С.Ю. Особенности применения OLAP систем: проблемы и актуальные подходы // Математическое и программное обеспечение вычислительных систем. 2018. - 897 с.
14. Семченков С.Ю. Принципы реализации иерархической структуры измерений в OLAP системах // Математическое и программное обеспечение вычислительных систем. 2017. - 471 с.
15. Харинатх С., Куинн С. SQL Server 2005 Analysis Services и MDX для профессионалов. - М.: Диалектика, 2018. - 848 с.
16. Чубукова H.A. Data Mining: учебное пособие. М.: БИНОМ, 2018. - 382 с.
17. Шилдт Г. Swing. Руководство для начинающих. М.: Вильяме, 2017. - 704 с.
18. Alkharouf N.W, Matthews B.F. The soybean genomics and microarray database. Nucleic Acids Research. 2004; 32:398-400.
19. Eastmond P.J, Li Y, Graham I.A. Is trehalose-6-phosphate a regulator of sugar metabolism in plants? Exp Bot. 2003; 54(582):533-537.
20. Jukic, N., “Data Modeling strategies and Alternatives for Data Warehousing Projects,” Communications of the ACM. 2006; 49(4): 83-88.
21. Khan R, Alkharouf N, Beard H, et al. Resistance mechanisms in soybean: gene expression profile at an early stage of soybean cyst nematode invasion. Nematology. 2004; 36(3):241-248.
22. Puthoff D.P, Nettleton D, Rodermel S.R, Baum T.J. Arabidopsis gene expression changes during cyst nematode parasitism revealed by statistical analyses of microarray expression profiles. Plant. 2003; 33(5):911-921.