ডেটা গুদামজাতকরণ এবং এন্টারপ্রাইজ রিসোর্স প্ল্যানিং | DWH এবং ERP

সংরক্ষণাগার ডেটা কেন্দ্রীয়: ইতিহাস ইডি বিবর্তন

90 এর দশকে কর্পোরেট প্রযুক্তির দুটি প্রভাবশালী থিম ছিল i তথ্য গুদাম এবং ইআরপি। দীর্ঘকাল ধরে এই দুটি শক্তিশালী স্রোত কখনো ছেদ ছাড়াই কর্পোরেট আইটির অংশ হয়ে আছে। এটা প্রায় তারা পদার্থ এবং বিরোধী পদার্থ ছিল. কিন্তু উভয় ঘটনার বৃদ্ধি অনিবার্যভাবে তাদের ছেদ ঘটায়। আজ কোম্পানিগুলি ইআরপি এবং কী করতে হবে তা নিয়ে সমস্যার সম্মুখীন হচ্ছে তথ্য গুদাম. এই নিবন্ধটি সমস্যাগুলি কী এবং সংস্থাগুলি কীভাবে তাদের সমাধান করছে তার রূপরেখা দেবে।

প্রারম্ভে…

শুরুতে ছিল তথ্য গুদাম. তথ্য ভাণ্ডার লেনদেন প্রক্রিয়াকরণ অ্যাপ্লিকেশন সিস্টেম প্রতিহত করার জন্য তৈরি করা হয়েছিল। প্রারম্ভিক সময়ে মুখস্থ dati এটি লেনদেন প্রক্রিয়াকরণ অ্যাপ্লিকেশনের একটি কাউন্টারপয়েন্ট হতে বোঝানো হয়েছিল। কিন্তু আজকাল অনেক বেশী পরিশীলিত দৃষ্টিভঙ্গি আছে কি একটি তথ্য গুদাম। আজকের বিশ্বে তথ্য গুদাম এটি একটি কাঠামোর মধ্যে ঢোকানো হয় যাকে কর্পোরেট তথ্য কারখানা বলা যেতে পারে।

কর্পোরেশন তথ্য ফ্যাক্টরি (সিআইএফ)

কর্পোরেট ইনফরমেশন ফ্যাক্টরিতে স্ট্যান্ডার্ড আর্কিটেকচারাল উপাদান রয়েছে: রূপান্তর এবং কোড ইন্টিগ্রেশনের একটি স্তর যা সংহত করে dati যখন আমি dati তারা পরিবেশের দিকে অ্যাপ্লিকেশন পরিবেশ থেকে সরানো তথ্য গুদাম কোম্পানির; ক তথ্য গুদাম কোম্পানির যেখানে i dati বিস্তারিত এবং সংহত ইতিহাস। দ্য তথ্য গুদাম কোম্পানির ভিত্তি হিসাবে কাজ করে যার উপর পরিবেশের অন্যান্য অংশগুলি তৈরি করা যেতে পারে তথ্য গুদাম; একটি অপারেশনাল ডেটা স্টোর (ODS)। একটি ODS হল একটি হাইব্রিড গঠন যাতে এর কিছু দিক রয়েছে তথ্য গুদাম এবং একটি OLTP পরিবেশের অন্যান্য দিক; ডেটা মার্ট, যেখানে বিভিন্ন বিভাগের নিজস্ব সংস্করণ থাকতে পারে তথ্য গুদাম; ক তথ্য গুদাম অন্বেষণের যেখানে কোম্পানির "দার্শনিকরা" ক্ষতিকারক প্রভাব ছাড়াই 72 ঘন্টার জন্য তাদের প্রশ্ন জমা দিতে পারে তথ্য গুদাম; এবং একটি কাছাকাছি লাইন মেমরি, যা dati বৃদ্ধ এবং dati বাল্ক বিশদ সস্তায় সংরক্ষণ করা যেতে পারে।

যেখানে ERP এর সাথে একত্রিত হয় কর্পোরেশন তথ্য ফ্যাক্টরি

ইআরপি দুটি জায়গায় কর্পোরেট তথ্য কারখানার সাথে একীভূত হয়। প্রথমে একটি মৌলিক অ্যাপ্লিকেশন (বেসলাইন) হিসাবে যা প্রদান করে i dati অ্যাপ্লিকেশন তথ্য গুদাম। এই ক্ষেত্রে i dati, একটি লেনদেন প্রক্রিয়ার একটি উপজাত হিসাবে উত্পন্ন, একত্রিত এবং লোড করা হয় তথ্য গুদাম কোম্পানির. ERP এবং CIF এবং ODS এর মধ্যে ইউনিয়নের দ্বিতীয় বিন্দু। প্রকৃতপক্ষে, অনেক পরিবেশে ইআরপি একটি ক্লাসিক ওডিএস হিসাবে ব্যবহৃত হয়।

যদি ইআরপি মৌলিক অ্যাপ্লিকেশন হিসাবে ব্যবহার করা হয়, একই ইআরপি সিআইএফ-এও ওডিএস হিসাবে ব্যবহার করা যেতে পারে। যে কোনো ক্ষেত্রে, যদি উভয় ভূমিকায় ERP ব্যবহার করতে হয়, তবে দুটি সত্তার মধ্যে একটি স্পষ্ট পার্থক্য থাকতে হবে। অন্য কথায়, যখন ERP একটি মূল অ্যাপ্লিকেশন এবং একটি ODS-এর ভূমিকা পালন করে, তখন দুটি স্থাপত্য সত্তাকে আলাদা করতে হবে। যদি একটি একক ERP বাস্তবায়ন একই সাথে উভয় ভূমিকা সম্পাদন করার চেষ্টা করে তবে সেই কাঠামোর নকশা এবং বাস্তবায়নে অনিবার্যভাবে সমস্যা হবে।

ওডিএস এবং বেসিক অ্যাপ্লিকেশনগুলি আলাদা করুন

অনেক কারণ রয়েছে যা স্থাপত্য উপাদানগুলির বিভাজনের দিকে পরিচালিত করে। একটি স্থাপত্যের বিভিন্ন উপাদানকে আলাদা করার জন্য সম্ভবত সবচেয়ে গুরুত্বপূর্ণ বিষয় হল যে স্থাপত্যের প্রতিটি উপাদানের নিজস্ব দৃষ্টিভঙ্গি রয়েছে। বেসলাইন অ্যাপ্লিকেশনটি ওডিএসের চেয়ে ভিন্ন উদ্দেশ্যে কাজ করে। ওভারল্যাপ করার চেষ্টা করুন

একটি ODS বা তদ্বিপরীত বিশ্বের উপর একটি বেসলাইন অ্যাপ্লিকেশন দৃশ্য কাজ করার একটি সঠিক উপায় নয়।

ফলস্বরূপ, CIF-তে ERP-এর প্রথম সমস্যা হল বেসলাইন অ্যাপ্লিকেশন এবং ODS-এর মধ্যে পার্থক্য আছে কিনা তা যাচাই করা।

ডেটা কর্পোরেশনে মডেলগুলি তথ্য ফ্যাক্টরি

সিআইএফ আর্কিটেকচারের বিভিন্ন উপাদানের মধ্যে সমন্বয় অর্জনের জন্য একটি মডেল থাকতে হবে dati. এর মডেলগুলি dati তারা স্থাপত্যের বিভিন্ন উপাদান যেমন বেসলাইন অ্যাপ্লিকেশন এবং ODS-এর মধ্যে একটি লিঙ্ক হিসাবে কাজ করে। এর মডেলগুলি dati তারা CIF এর বিভিন্ন স্থাপত্য উপাদান থেকে সঠিক অর্থ পেতে "বুদ্ধিবৃত্তিক রাস্তার মানচিত্র" হয়ে ওঠে।

এই ধারণার সাথে হাত মিলিয়ে, ধারণাটি হল যে একটি বড় এবং একক মডেল থাকা উচিত dati. স্পষ্টতই এর একটি মডেল থাকতে হবে dati প্রতিটি উপাদানের জন্য এবং বিভিন্ন মডেলের সাথে সংযোগকারী একটি বুদ্ধিমান পথ থাকতে হবে। আর্কিটেকচারের প্রতিটি উপাদান – ODS, বেসলাইন অ্যাপ্লিকেশন, তথ্য গুদাম কোম্পানির, এবং তাই.. - তার নিজস্ব মডেল প্রয়োজন dati. এবং তাই এই মডেলগুলি কীভাবে তার একটি সুনির্দিষ্ট সংজ্ঞা থাকতে হবে dati তারা একে অপরের সাথে ইন্টারফেস।

আমি সরান ডেটা ইআরপি তারিখের ওয়্যারহাউস

মূল যদি dati একটি বেসলাইন অ্যাপ্লিকেশন এবং/অথবা একটি ODS, যখন ERP সন্নিবেশ করায় dati নেল তথ্য গুদাম, এই সন্নিবেশটি অবশ্যই "গ্রানুলারিটি" এর সর্বনিম্ন স্তরে ঘটতে হবে৷ সহজভাবে সংক্ষিপ্ত বা সমষ্টি i dati যেহেতু তারা ইআরপি বেসলাইন অ্যাপ্লিকেশন থেকে বেরিয়ে আসে বা ইআরপি ওডিএস করা সঠিক জিনিস নয়। দ্য dati বিস্তারিত মধ্যে প্রয়োজন তথ্য গুদাম DSS প্রক্রিয়ার ভিত্তি গঠন করতে। যেমন dati ডেটা মার্ট এবং অনুসন্ধানের দ্বারা অনেক উপায়ে পুনর্নির্মাণ করা হবে তথ্য গুদাম.

এর বাস্তুচ্যুতি dati ERP বেসলাইন অ্যাপ্লিকেশন পরিবেশ থেকে তথ্য গুদাম কোম্পানির একটি যুক্তিসঙ্গতভাবে শিথিল পদ্ধতিতে সম্পন্ন করা হয়. এই পদক্ষেপটি ERP-তে আপডেট বা তৈরি হওয়ার প্রায় 24 ঘন্টা পরে ঘটে। একটি "অলস" আন্দোলন থাকার সত্য dati নেল তথ্য গুদাম কোম্পানির অনুমতি দেয় dati ERP থেকে "জমাতে" আসছে। একদা আমি dati বেসলাইন অ্যাপ্লিকেশনে সংরক্ষণ করা হয়, তারপর আপনি নিরাপদে সরাতে পারেন dati এন্টারপ্রাইজে ERP এর। আরেকটি লক্ষ্য অর্জনযোগ্য ধন্যবাদ "অলস" আন্দোলন dati এটি অপারেশনাল প্রক্রিয়া এবং ডিএসএসের মধ্যে স্পষ্ট বর্ণনা। একটি "দ্রুত" আন্দোলন সঙ্গে dati ডিএসএস এবং অপারেশনালের মধ্যে বিভাজন রেখা অস্পষ্ট থাকে।

এর আন্দোলন dati ERP এর ওডিএস থেকে শুরু করে তথ্য গুদাম কোম্পানির পর্যায়ক্রমে করা হয়, সাধারণত সাপ্তাহিক বা মাসিক। এই ক্ষেত্রে আন্দোলন dati এটি পুরানো "পরিষ্কার" প্রয়োজনের উপর ভিত্তি করে dati ইতিহাসবিদ অবশ্যই, ODS-এ রয়েছে i dati যা এর চেয়ে অনেক বেশি সাম্প্রতিক dati ইতিহাসবিদরা পাওয়া গেছে তথ্য গুদাম.

এর বাস্তুচ্যুতি dati নেল তথ্য গুদাম এটা প্রায় কখনোই করা হয় না "পাইকারি" (একটি পাইকারি পদ্ধতিতে)। ERP পরিবেশ থেকে একটি টেবিল কপি করুন তথ্য গুদাম এটা জানার জন্য না. একটি আরো বাস্তবসম্মত পদ্ধতির নির্বাচিত ইউনিট সরানো dati. শুধুমাত্র dati যা শেষ আপডেটের পর থেকে পরিবর্তিত হয়েছে তথ্য গুদাম তারা মধ্যে সরানো উচিত যে বেশী তথ্য গুদাম. কোনটি জানার এক উপায় dati শেষ আপডেটের টাইমস্ট্যাম্প দেখার পর থেকে পরিবর্তিত হয়েছে dati ERP পরিবেশে পাওয়া যায়। ডিজাইনার শেষ আপডেটের পর থেকে ঘটে যাওয়া সমস্ত পরিবর্তন নির্বাচন করে। আরেকটি পদ্ধতি হল পরিবর্তন ক্যাপচার কৌশল ব্যবহার করা dati. এই কৌশলগুলির সাহায্যে, কোনটি নির্ধারণ করার জন্য লগ এবং জার্নাল টেপগুলি বিশ্লেষণ করা হয় dati ERP পরিবেশ থেকে এর মধ্যে স্থানান্তরিত করা আবশ্যক তথ্য গুদাম. এই কৌশলগুলি সর্বোত্তম কারণ লগ এবং জার্নাল টেপগুলি ইআরপি ফাইলগুলি থেকে অন্যান্য ইআরপি সংস্থানগুলিকে প্রভাবিত না করেই পড়া যায়।

অন্যান্য কমপ্লিকেশন

সিআইএফ-এর ইআরপি সমস্যাগুলির মধ্যে একটি হল অন্যান্য অ্যাপ্লিকেশন উত্সে বা যা ঘটে dati যে ওডিএসে অবশ্যই অবদান রাখতে হবে of তথ্য গুদাম কিন্তু তারা ERP পরিবেশের অংশ নয়। ইআরপি, বিশেষ করে এসএপি-এর বদ্ধ প্রকৃতির পরিপ্রেক্ষিতে, বাহ্যিক উত্স থেকে কীগুলিকে একীভূত করার চেষ্টা করছে dati আমি সাথে dati যেগুলি সরানোর সময় ERP থেকে আসে dati নেল তথ্য গুদাম, এটা একটা বড় চ্যালেঞ্জ। এবং ঠিক কি সম্ভাবনা আছে যে i dati ERP পরিবেশের বাইরের অ্যাপ্লিকেশন বা ODS এর সাথে একত্রিত করা হবে তথ্য গুদাম? মতভেদ আসলে খুব বেশী.

অনুসন্ধান ডেটা ইআরপি থেকে ইতিহাস

এর সাথে আর একটি সমস্যা dati ইআরপি হল যে প্রয়োজন থেকে উদ্ভূত dati ইতিহাসের মধ্যে তথ্য গুদাম. সাধারণত তথ্য গুদাম চাহিদা dati ইতিহাসবিদ এবং ইআরপি প্রযুক্তি সাধারণত এইগুলি সংরক্ষণ করে না dati ঐতিহাসিক, অন্তত বিন্দু যেখানে এটি প্রয়োজনীয় না তথ্য গুদাম. যখন একটি বড় পরিমাণ dati ইতিহাস ইআরপি পরিবেশে যুক্ত হতে শুরু করে, সেই পরিবেশকে পরিষ্কার করা দরকার। উদাহরণস্বরূপ, ধরুন যে ক তথ্য গুদাম পাঁচ বছরের সঙ্গে লোড করা আবশ্যক dati ঐতিহাসিক যখন ইআরপি সর্বোচ্চ ছয় মাস রাখে dati. যতক্ষণ পর্যন্ত সংস্থাটি একটি সিরিজ সংগ্রহ করে সন্তুষ্ট হয় dati ইতিহাসবিদরা সময় পার হওয়ার সাথে সাথে ইআরপিকে উত্স হিসাবে ব্যবহার করতে কোনও সমস্যা নেই তথ্য গুদাম। কিন্তু যখন তথ্য গুদাম তাকে সময়মতো ফিরে যেতে হবে এবং দেবতা পেতে হবে dati যে ইতিহাসগুলি আগে ERP দ্বারা সংগ্রহ এবং সংরক্ষণ করা হয়নি, তাহলে ERP পরিবেশ অকার্যকর হয়ে পড়ে।

ইআরপি এবং মেটাডেটা

ERP সম্পর্কে আরও একটি বিবেচনা এবং তথ্য গুদাম ইআরপি পরিবেশে বিদ্যমান মেটাডেটার একটি। ঠিক যেমন মেটাডেটা ইআরপি পরিবেশ থেকে প্রবাহিত হয় তথ্য গুদাম, মেটাডেটা একই ভাবে সরানো আবশ্যক। তদ্ব্যতীত, মেটাডেটা অবশ্যই অবকাঠামো দ্বারা প্রয়োজনীয় বিন্যাস এবং কাঠামোতে রূপান্তরিত হতে হবে তথ্য গুদাম. অপারেশনাল মেটাডেটা এবং DSS মেটাডেটার মধ্যে একটা বড় পার্থক্য আছে। অপারেশনাল মেটাডেটা প্রাথমিকভাবে বিকাশকারী এবং

প্রোগ্রামার DSS মেটাডেটা প্রাথমিকভাবে শেষ ব্যবহারকারীর জন্য। ইআরপি অ্যাপ্লিকেশন বা ওডিএস-এ বিদ্যমান মেটাডেটা রূপান্তর করা প্রয়োজন, এবং এই রূপান্তরটি সর্বদা সহজ এবং সরল নয়।

ইআরপি ডেটা সংগ্রহ করা OUR

যদি ERP সরবরাহকারী হিসাবে ব্যবহৃত হয় dati প্রতি ইল তথ্য গুদাম একটি কঠিন ইন্টারফেস হতে হবে যা স্থানান্তরিত করে dati ইআরপি পরিবেশ থেকে পরিবেশে তথ্য গুদাম। ইন্টারফেস অবশ্যই:

• ▪ ব্যবহার করা সহজ
• ▪ অ্যাক্সেসের অনুমতি দিন dati ERP এর
• ▪ এর অর্থ নিন dati যা স্থানান্তরিত হতে চলেছে তথ্য গুদাম
• ▪ অ্যাক্সেস করার সময় যে ERP সীমাবদ্ধতা দেখা দিতে পারে তা জানুন dati ERP এর:
• ▪ রেফারেন্সিয়াল অখণ্ডতা
• ▪ শ্রেণিবদ্ধ সম্পর্ক
• ▪ অন্তর্নিহিত যৌক্তিক সম্পর্ক
• ▪ আবেদন সম্মেলন
• ▪ এর সমস্ত কাঠামো dati ERP দ্বারা সমর্থিত, এবং আরও ...
• ▪ অ্যাক্সেসে দক্ষ হতে হবে dati, প্রদান করে:
• ▪ সরাসরি চলাচল dati
• ▪ পরিবর্তনের অধিগ্রহণ dati
• ▪ সময়মত অ্যাক্সেস সমর্থন dati
• ▪ এর বিন্যাস বুঝুন dati, এবং আরও… SAP এর সাথে ইন্টারফেস করুন ইন্টারফেস দুই ধরনের হতে পারে, দেশীয় বা বাণিজ্যিক। কিছু প্রধান ট্রেডিং ইন্টারফেসের মধ্যে রয়েছে:

• ▪ SAS
• ▪ প্রাইমস সলিউশন
• ▪ D2k, এবং আরও অনেক কিছু... একাধিক ইআরপি প্রযুক্তি ইআরপি পরিবেশকে একটি একক প্রযুক্তির মতো আচরণ করা একটি বড় ভুল। অনেক ইআরপি প্রযুক্তি রয়েছে, প্রত্যেকটির নিজস্ব শক্তি রয়েছে। বাজারে সবচেয়ে সুপরিচিত বিক্রেতারা হল:

• ▪ এসএপি
• ▪ ওরাকল ফিনান্সিয়ালস
• ▪ পিপল সফট
• ▪ জেডি এডওয়ার্ডস
• ▪ বান এসএপি SAP হল বৃহত্তম এবং সবচেয়ে সম্পূর্ণ ERP সফটওয়্যার। SAP অ্যাপ্লিকেশনগুলি অনেক ক্ষেত্রে অনেক ধরণের অ্যাপ্লিকেশন অন্তর্ভুক্ত করে। এসএপি এর একটি খ্যাতি রয়েছে:

• ▪ অনেক বড়
• ▪ বাস্তবায়ন করা খুবই কঠিন এবং ব্যয়বহুল
• ▪ বাস্তবায়নের জন্য অনেক লোক এবং পরামর্শক প্রয়োজন
• ▪ বাস্তবায়নের জন্য বিশেষ লোক প্রয়োজন
• ▪ বাস্তবায়ন করতে অনেক সময় লাগে উপরন্তু, SAP এর খ্যাতি আছে মুখস্থ করার জন্য dati খুব সাবধানে, এসএপি এলাকার বাইরের কারও পক্ষে তাদের অ্যাক্সেস করা কঠিন করে তোলে। SAP এর শক্তি হল এটি প্রচুর পরিমাণে ক্যাপচার এবং সংরক্ষণ করতে সক্ষম dati. সম্প্রতি SAP তার অ্যাপ্লিকেশনগুলিকে প্রসারিত করার অভিপ্রায় ঘোষণা করেছে৷ তথ্য গুদাম. বিক্রেতা হিসাবে SAP ব্যবহার করার অনেক সুবিধা এবং অসুবিধা রয়েছে তথ্য গুদাম. একটি সুবিধা হল যে SAP ইতিমধ্যে ইনস্টল করা আছে এবং বেশিরভাগ পরামর্শদাতা ইতিমধ্যে SAP জানেন।
  সরবরাহকারী হিসাবে এসএপি থাকার অসুবিধাগুলি তথ্য গুদাম অনেক আছে: SAP এর বিশ্বের কোন অভিজ্ঞতা নেই তথ্য গুদাম যদি এসএপি সরবরাহকারী হয় তথ্য গুদাম, এটা প্রয়োজন "নেওয়া" i dati এসএপি আল থেকে তথ্য গুদাম. তারিখ বন্ধ সিস্টেমের একটি SAP এর ট্র্যাক রেকর্ড, এটিতে SAP থেকে i পাওয়া সহজ হওয়ার সম্ভাবনা নেই (???)। অনেক উত্তরাধিকারী পরিবেশ রয়েছে যা SAP কে শক্তি দেয়, যেমন IMS, VSAM, ADABAS, ORACLE, DB2, এবং আরও অনেক কিছু। SAP একটি "এখানে উদ্ভাবিত নয়" পদ্ধতির উপর জোর দেয়। SAP ব্যবহার করতে বা তৈরি করতে অন্য বিক্রেতাদের সাথে অংশীদার হতে চায় না তথ্য গুদাম. SAP তার সমস্ত সফ্টওয়্যার নিজেই তৈরি করার উপর জোর দেয়।

যদিও এসএপি একটি বড় এবং শক্তিশালী কোম্পানি, ইএলটি, ওএলএপি, সিস্টেম অ্যাডমিনিস্ট্রেশন এবং এমনকি এর মূল কোডের প্রযুক্তি পুনর্লিখন করার চেষ্টা করছে ডিবিএমএস এটা শুধু পাগল এর সরবরাহকারীদের সাথে সহযোগিতামূলক মনোভাব গ্রহণের পরিবর্তে তথ্য গুদাম দীর্ঘস্থায়ী, SAP "তারা সবচেয়ে ভালো জানে" পদ্ধতি অনুসরণ করেছে। এই মনোভাব SAP এর এলাকায় যে সাফল্য পেতে পারে তা ধরে রাখে তথ্য গুদাম.
বহিরাগত বিক্রেতাদের অবিলম্বে এবং করুণাপূর্ণভাবে তাদের অ্যাক্সেস করার অনুমতি দিতে SAP-এর অস্বীকৃতি dati. একটি ব্যবহার খুব সারাংশ তথ্য গুদাম সহজ প্রবেশাধিকার dati. SAP-এর পুরো ইতিহাস এটিকে অ্যাক্সেস করা কঠিন করার উপর ভিত্তি করে dati.
বড় পরিমাণে ডিল করার ক্ষেত্রে স্যাপের অভিজ্ঞতার অভাব dati; ক্ষেত্রে তথ্য গুদাম এর খণ্ড আছে dati SAP দ্বারা দেখা যায় না এবং এই বৃহৎ পরিমাণে পরিচালনা করতে dati আপনার উপযুক্ত প্রযুক্তি থাকতে হবে। SAP দৃশ্যত এই প্রযুক্তিগত বাধা সম্পর্কে সচেতন নয় যা এর ক্ষেত্রে প্রবেশ করতে বিদ্যমান তথ্য গুদাম.
SAP এর কর্পোরেট সংস্কৃতি: SAP লাভের একটি ব্যবসা করেছে dati সিস্টেম থেকে কিন্তু এটা করার জন্য আপনার আলাদা মানসিকতা থাকতে হবে। ঐতিহ্যগতভাবে, সফ্টওয়্যার সংস্থাগুলি যেগুলি একটি পরিবেশে ডেটা পেতে ভাল ছিল তারা অন্য পথে যেতে ডেটা পাওয়ার ক্ষেত্রে ভাল ছিল না। SAP যদি এই ধরনের সুইচ তৈরি করতে পারে, তাহলে এটিই হবে প্রথম কোম্পানি।

সংক্ষেপে, একটি কোম্পানির সরবরাহকারী হিসাবে SAP নির্বাচন করা উচিত কিনা তা সন্দেহজনক তথ্য গুদাম. একদিকে খুব গুরুতর ঝুঁকি এবং অন্যদিকে খুব কম পুরষ্কার রয়েছে। কিন্তু আরেকটি কারণ আছে যা সরবরাহকারী হিসেবে SAP বেছে নেওয়াকে নিরুৎসাহিত করে তথ্য গুদাম. কারণ প্রতিটি কোম্পানির একই থাকা উচিত তথ্য গুদাম অন্য সব কোম্পানির? দ্য তথ্য গুদাম এটি প্রতিযোগিতামূলক সুবিধার হৃদয়। যদি প্রতিটি কোম্পানি একই গ্রহণ করে তথ্য গুদাম প্রতিযোগিতামূলক সুবিধা অর্জন করা কঠিন হবে, যদিও অসম্ভব নয়। SAP মনে হয় যে একটি তথ্য গুদাম এটি একটি কুকি হিসাবে দেখা যেতে পারে এবং এটি তাদের অ্যাপ্লিকেশনগুলির "ডেটা পেতে" মানসিকতার আরও একটি চিহ্ন।

অন্য কোন ERP বিক্রেতা SAP এর মত প্রভাবশালী নয়। নিঃসন্দেহে এমন কোম্পানি থাকবে যারা তাদের জন্য SAP এর পথ অনুসরণ করবে তথ্য গুদাম কিন্তু সম্ভবত এই তথ্য গুদাম SAP বড়, ব্যয়বহুল এবং তৈরি করা সময়সাপেক্ষ হবে।

এই পরিবেশগুলির মধ্যে ব্যাঙ্ক টেলার প্রসেসিং, এয়ারলাইন রিজার্ভেশন প্রসেস, ইন্স্যুরেন্স ক্লেইম প্রসেস ইত্যাদির মতো কার্যক্রম অন্তর্ভুক্ত থাকে। লেনদেন ব্যবস্থা যত বেশি কার্যকর ছিল, অপারেশনাল প্রক্রিয়া এবং ডিএসএস (ডিসিশন সাপোর্ট সিস্টেম) এর মধ্যে বিচ্ছেদের প্রয়োজনীয়তা তত বেশি স্পষ্ট ছিল। যাইহোক, এইচআর এবং কর্মী সিস্টেমের সাথে, আপনি কখনই প্রচুর পরিমাণে লেনদেনের মুখোমুখি হন না। এবং, অবশ্যই, যখন একজন ব্যক্তি নিয়োগ করা হয় বা কোম্পানি ছেড়ে চলে যায় তখন এটি একটি লেনদেনের রেকর্ড। কিন্তু অন্যান্য সিস্টেমের তুলনায়, এইচআর এবং কর্মী সিস্টেমে সহজভাবে অনেক লেনদেন হয় না। অতএব, এইচআর এবং কর্মীদের সিস্টেমে এটি সম্পূর্ণরূপে স্পষ্ট নয় যে একটি ডেটাওয়্যারহাউসের প্রয়োজন রয়েছে। অনেক উপায়ে এই সিস্টেমগুলি ডিএসএস সিস্টেমের সংমিশ্রণকে প্রতিনিধিত্ব করে।

আপনি যদি ডেটা গুদাম এবং পিপলসফ্ট নিয়ে কাজ করেন তবে আরও একটি বিষয় রয়েছে যা অবশ্যই বিবেচনা করা উচিত। অনেক পরিবেশে, i dati মানব ও ব্যক্তিগত সম্পদ কোম্পানির প্রাথমিক ব্যবসার জন্য গৌণ। বেশিরভাগ কোম্পানি উত্পাদন, বিক্রয়, পরিষেবা প্রদান ইত্যাদির সাথে জড়িত। মানব সম্পদ এবং কর্মীদের সিস্টেম সাধারণত কোম্পানির ব্যবসার প্রধান লাইনের (বা সমর্থনকারী) জন্য গৌণ। অতএব, এটি দ্ব্যর্থহীন এবং অসুবিধাজনক তথ্য গুদাম মানব সম্পদ এবং কর্মীদের সহায়তার জন্য পৃথক।

পিপলসফট এক্ষেত্রে SAP থেকে অনেক আলাদা। SAP এর সাথে, এটি বাধ্যতামূলক যে সেখানে একটি তথ্য গুদাম. PeopleSoft এর সাথে, এটি এতটা পরিষ্কার নয়। একটি ডেটা গুদাম PeopleSoft এর সাথে ঐচ্ছিক।

সেরা জিনিস যে জন্য বলা যেতে পারে dati PeopleSoft হল যে তথ্য গুদাম সংরক্ষণাগার করার জন্য ব্যবহার করা যেতে পারে i dati পুরানো মানব এবং ব্যক্তিগত সম্পদ সম্পর্কিত। একটি কোম্পানি ব্যবহার করতে চাইবে কেন একটি দ্বিতীয় কারণ একটি তথ্য গুদাম a

পিপলসফ্ট পরিবেশের ক্ষতি হ'ল বিশ্লেষণ সরঞ্জামগুলিতে অ্যাক্সেস এবং বিনামূল্যে অ্যাক্সেসের অনুমতি দেওয়া dati PeopleSoft দ্বারা. কিন্তু এই কারণগুলির বাইরেও, এমন কিছু ঘটনা থাকতে পারে যেখানে ডেটা গুদাম না রাখাই ভালো dati নরম মানুষ.

সংক্ষেপে

একটি নির্মাণ সম্পর্কে অনেক ধারণা আছে তথ্য গুদাম একটি ERP সফ্টওয়্যারের মধ্যে।
এর মধ্যে কয়েকটি:

• ▪ এটি একটি থাকা বোধগম্য তথ্য গুদাম যে শিল্প অন্য কিছু মত?
• ▪ একটি ERP কতটা নমনীয় তথ্য গুদাম সফটওয়্যার?
• ▪ একটি ইআরপি তথ্য গুদাম সফ্টওয়্যার একটি ভলিউম পরিচালনা করতে পারেন dati যা "এ অবস্থিত"তথ্য গুদাম আখড়া "?
• ▪ সময়ের পরিপ্রেক্ষিতে ERP বিক্রেতা সহজ এবং সস্তার মুখে কী ট্রেস রেকর্ডিং করে, dati? (সাশ্রয়ী, সময়মতো, সহজে ডেটা অ্যাক্সেস করার জন্য ইআরপি বিক্রেতাদের ট্র্যাক রেকর্ড কী?)
• ▪ DSS আর্কিটেকচার এবং কর্পোরেট তথ্য কারখানা সম্পর্কে ERP বিক্রেতার বোঝা কী?
• ▪ ইআরপি বিক্রেতারা বুঝতে পারে কিভাবে অর্জন করতে হয় dati পরিবেশের মধ্যে, কিন্তু তাদের রপ্তানি কিভাবে বুঝতে?
• ▪ ডেটা গুদামজাতকরণ সরঞ্জামগুলির জন্য ERP বিক্রেতা কতটা উন্মুক্ত?
  কোথায় রাখা হবে তা নির্ধারণে এই সমস্ত বিবেচনা করা আবশ্যক তথ্য গুদাম যা হোস্ট করবে i dati ইআরপি এবং অন্যান্য dati. সাধারণভাবে, অন্যথা করার জন্য একটি বাধ্যতামূলক কারণ না থাকলে, নির্মাণের সুপারিশ করা হয় তথ্য গুদাম ইআরপি বিক্রেতার পরিবেশের বাইরে। অধ্যায় 1 BI সংস্থার মূল বিষয়গুলির সংক্ষিপ্ত বিবরণ:
  তথ্য ভান্ডারগুলি ব্যবসায়িক বুদ্ধিমত্তা (BI) আর্কিটেকচারের বিপরীতে কাজ করে:
  কর্পোরেট সংস্কৃতি এবং আইটি BI সংস্থা তৈরিতে সাফল্যকে সীমিত করতে পারে।

BI সংস্থাগুলির জন্য প্রযুক্তি আর সীমাবদ্ধ ফ্যাক্টর নয়৷ স্থপতি এবং প্রকল্প পরিকল্পনাকারীদের জন্য প্রশ্ন প্রযুক্তি বিদ্যমান কিনা তা নয়, তবে তারা উপলব্ধ প্রযুক্তি কার্যকরভাবে বাস্তবায়ন করতে পারে কিনা।

অনেক সংস্থার জন্য ক তথ্য গুদাম এটি একটি প্যাসিভ ডিপোজিটের চেয়ে সামান্য বেশি যা বিতরণ করে dati যে ব্যবহারকারীদের এটি প্রয়োজন to দ্য dati তারা উৎস সিস্টেম থেকে নিষ্কাশন করা হয় এবং লক্ষ্য কাঠামোর মধ্যে জনবহুল করা হয় তথ্য গুদাম। আমি dati তারা কোনো ভাগ্য সঙ্গে পরিষ্কার করা যেতে পারে. যাইহোক কোন অতিরিক্ত মান যোগ বা সংগ্রহ করা হয় না dati এই প্রক্রিয়া চলাকালীন।

মূলত, প্যাসিভ Dw, সর্বোত্তমভাবে, শুধুমাত্র i প্রদান করে dati ব্যবহারকারী সমিতি পরিষ্কার এবং কর্মক্ষম. তথ্য তৈরি এবং বিশ্লেষণাত্মক বোঝার সম্পূর্ণরূপে ব্যবহারকারীদের উপর নির্ভর করে। বিচার করুন কিনা DW (তথ্য ভাণ্ডার) হল একটি সফলতা বিষয়ভিত্তিক। যদি আমরা দক্ষতার সাথে সংগ্রহ, সংহত এবং পরিষ্কার করার ক্ষমতার উপর সাফল্য বিচার করি dati একটি অনুমানযোগ্য ভিত্তিতে কর্পোরেট, তাহলে হ্যাঁ, DW একটি সাফল্য। অন্যদিকে, যদি আমরা সামগ্রিকভাবে সংস্থার দ্বারা তথ্য সংগ্রহ, একত্রীকরণ এবং শোষণের দিকে তাকাই, তবে DW একটি ব্যর্থতা। একটি DW সামান্য থেকে কোন তথ্য মান প্রদান করে। ফলস্বরূপ, ব্যবহারকারীরা করতে বাধ্য হয়, এইভাবে তথ্য সাইলো তৈরি করে। এই অধ্যায়টি কোম্পানির BI (বিজনেস ইন্টেলিজেন্স) আর্কিটেকচারের সংক্ষিপ্তসারের জন্য একটি ব্যাপক দৃষ্টিভঙ্গি উপস্থাপন করে। আমরা BI-এর একটি বর্ণনা দিয়ে শুরু করি এবং তারপরে তথ্যের নকশা এবং উন্নয়নের আলোচনায় চলে যাই, যা কেবল তথ্য প্রদানের বিপরীতে। dati ব্যবহারকারীদের কাছে। তারপর আলোচনাগুলি আপনার BI প্রচেষ্টার মূল্য গণনা করার উপর ফোকাস করে। IBM কীভাবে আপনার প্রতিষ্ঠানের BI স্থাপত্যের প্রয়োজনীয়তাগুলিকে সম্বোধন করে তা সংজ্ঞায়িত করে আমরা শেষ করি।

এর স্থাপত্যের বর্ণনা of বিআইয়ের সংস্থা

শক্তিশালী লেনদেন-ভিত্তিক তথ্য সিস্টেমগুলি এখন প্রতিটি বৃহৎ উদ্যোগে সাধারণ, কার্যকরভাবে বিশ্বজুড়ে কর্পোরেশনগুলির জন্য খেলার ক্ষেত্রকে সমতল করে।

প্রতিযোগীতা বজায় রাখার জন্য, এখন বিশ্লেষণাত্মক ভিত্তিক সিস্টেমের প্রয়োজন যা কোম্পানির ইতিমধ্যে তাদের কাছে থাকা তথ্য পুনঃআবিষ্কার এবং ব্যবহার করার ক্ষমতাকে বিপ্লব করতে পারে। এই বিশ্লেষণাত্মক সিস্টেমের সমৃদ্ধি বোঝা থেকে উদ্ভূত dati উপলব্ধ BI এন্টারপ্রাইজ জুড়ে কর্মক্ষমতা উন্নত করতে পারে। কোম্পানিগুলি গ্রাহক-সরবরাহকারী সম্পর্ক উন্নত করতে পারে, পণ্য এবং পরিষেবাগুলির লাভের উন্নতি করতে পারে, নতুন এবং আরও ভাল অফার তৈরি করতে পারে, ঝুঁকি নিয়ন্ত্রণ করতে পারে এবং অন্যান্য অনেক লাভের মধ্যে নাটকীয়ভাবে খরচ কমাতে পারে। BI-এর মাধ্যমে আপনার কোম্পানি অবশেষে গ্রাহকের তথ্যকে একটি প্রতিযোগিতামূলক সম্পদ হিসেবে ব্যবহার করতে শুরু করে, যার জন্য বাজারের উদ্দেশ্য রয়েছে।

সঠিক ব্যবসায়িক সরঞ্জাম থাকার অর্থ হল মূল প্রশ্নগুলির নির্দিষ্ট উত্তর যেমন:

• ▪ আমাদের কোনটি গ্রাহকদের তারা কি আমাদের আরও উপার্জন করে, নাকি তারা আমাদের অর্থ হারায়?
• ▪ যেখানে আমাদের সেরা বাস গ্রাহকদের সম্পর্কিত দোকান/ গুদাম যে তারা ঘন ঘন?
• ▪ আমাদের পণ্য এবং পরিষেবাগুলির মধ্যে কোনটি সবচেয়ে কার্যকরভাবে এবং কার কাছে বিক্রি করা যেতে পারে?
• ▪ কোন পণ্যগুলি সবচেয়ে কার্যকরভাবে বিক্রি করা যেতে পারে এবং কার কাছে?
• ▪ কোন বিক্রয় প্রচারাভিযান সবচেয়ে সফল এবং কেন?
• ▪ কোন পণ্যগুলির জন্য কোন বিক্রয় চ্যানেলগুলি সবচেয়ে কার্যকর?
• ▪ কিভাবে আমরা আমাদের সেরা মানুষদের সাথে সম্পর্ক উন্নত করতে পারি গ্রাহকদের? অধিকাংশ কোম্পানি আছে dati এই প্রশ্নের উত্তর দেওয়ার রুক্ষ উপায়।
  অপারেশনাল সিস্টেমগুলি প্রচুর পরিমাণে পণ্য, গ্রাহক এবং উৎপন্ন করে dati বিক্রয় পয়েন্ট, রিজার্ভেশন, গ্রাহক সেবা এবং প্রযুক্তিগত সহায়তা সিস্টেম থেকে বাজার. চ্যালেঞ্জ হল এই তথ্য বের করা এবং কাজে লাগানো। অনেক কোম্পানি শুধুমাত্র তাদের ছোট ভগ্নাংশ থেকে লাভ dati কৌশলগত বিশ্লেষণের জন্য।
  I dati অবশিষ্ট, প্রায়শই আমি যোগ দিয়েছি dati সরকারী প্রতিবেদন এবং অন্যান্য ক্রয়কৃত তথ্যের মতো বাহ্যিক উত্স থেকে প্রাপ্ত, একটি সোনার খনি যা কেবল অনুসন্ধানের অপেক্ষায় রয়েছে এবং dati তাদের শুধু আপনার প্রতিষ্ঠানের তথ্য প্রসঙ্গে পরিমার্জিত করা দরকার।

এই জ্ঞানটি বিভিন্ন উপায়ে প্রয়োগ করা যেতে পারে, যার মধ্যে একটি সামগ্রিক কর্পোরেট কৌশল ডিজাইন করা থেকে শুরু করে সরবরাহকারীদের সাথে ব্যক্তিগত যোগাযোগ, কল সেন্টার, ইনভয়েসিং, Internet এবং অন্যান্য পয়েন্ট। আজকের ব্যবসায়িক পরিবেশ নির্দেশ করে যে DW এবং সম্পর্কিত BI সমাধানগুলি প্রচলিত ব্যবসায়িক কাঠামোর বাইরে বিকশিত হয়। dati যা আমি dati পারমাণবিক স্তর এবং "স্টার/কিউব ফার্ম" এ স্বাভাবিক করা হয়েছে।

প্রতিযোগিতামূলক থাকার জন্য যা প্রয়োজন তা হল একটি বিশাল বিশ্লেষণাত্মক ল্যান্ডস্কেপ সমর্থন করার প্রয়াসে ঐতিহ্যগত এবং উন্নত প্রযুক্তির সংমিশ্রণ।
উপসংহারে, সাধারণ পরিবেশকে অবশ্যই কোম্পানির জ্ঞানকে সামগ্রিকভাবে উন্নত করতে হবে, নিশ্চিত করে যে বিশ্লেষণের ফলস্বরূপ গৃহীত পদক্ষেপগুলি কার্যকর হয় যাতে প্রত্যেকে উপকৃত হয়।

উদাহরণস্বরূপ, আসুন আমরা আপনাকে নিজের র‌্যাঙ্ক বলি গ্রাহকদের উচ্চ বা নিম্ন ঝুঁকি বিভাগে।
যদি এই তথ্যটি একটি মডেল এক্সট্র্যাক্টর বা অন্যান্য উপায়ে তৈরি করা হয়, তবে এটি অবশ্যই DW-তে রাখতে হবে এবং যেকোনো অ্যাক্সেস টুলের মাধ্যমে, যেমন স্ট্যাটিক রিপোর্ট, স্প্রেডশীট, টেবিল, বা অনলাইন বিশ্লেষণাত্মক প্রক্রিয়াকরণ (OLAP) এর মাধ্যমে যেকোনও ব্যক্তির কাছে অ্যাক্সেসযোগ্য করে তুলতে হবে। .

যাইহোক, বর্তমানে, এই ধরনের অনেক তথ্য সিলোতে রয়ে গেছে dati ব্যক্তি বা বিভাগ বিশ্লেষণ উৎপন্ন. সংগঠনটি, সামগ্রিকভাবে, বোঝার জন্য সামান্য থেকে কোন দৃশ্যমানতা নেই। শুধুমাত্র আপনার এন্টারপ্রাইজ ডিডব্লিউ-তে এই ধরনের তথ্য বিষয়বস্তু মিশ্রিত করার মাধ্যমে আপনি তথ্য সাইলোগুলিকে দূর করতে এবং আপনার ডিডব্লিউ পরিবেশকে উন্নত করতে পারেন।
একটি BI প্রতিষ্ঠান গড়ে তোলার ক্ষেত্রে দুটি প্রধান বাধা রয়েছে।
প্রথমত, আমাদের প্রতিষ্ঠানের নিজের এবং এর শৃঙ্খলার সমস্যা আছে।
যদিও আমরা সাংগঠনিক নীতি পরিবর্তনে সাহায্য করতে পারি না, আমরা একটি প্রতিষ্ঠানের BI এর উপাদান, এর স্থাপত্য এবং কিভাবে IBM প্রযুক্তি এর বিকাশকে সহজতর করে তা বুঝতে সাহায্য করতে পারি।
কাটিয়ে উঠতে দ্বিতীয় বাধা হল সমন্বিত প্রযুক্তির অভাব এবং এমন একটি পদ্ধতির জ্ঞান যা শুধুমাত্র একটি ছোট উপাদানের বিপরীতে সমগ্র BI স্থানকে সম্বোধন করে।

আইবিএম ইন্টিগ্রেশন প্রযুক্তির পরিবর্তনের সাথে গ্রীপ করতে আসছে। চিন্তাশীল ডিজাইন প্রদান করা আপনার দায়িত্ব। এই স্থাপত্যটি অবশ্যই সীমাবদ্ধ একীকরণের জন্য বাছাই করা প্রযুক্তির সাথে বা অন্ততপক্ষে, এমন প্রযুক্তির সাথে বিকাশ করা উচিত যা খোলা মান মেনে চলে। তদ্ব্যতীত, আপনার কোম্পানির ব্যবস্থাপনাকে অবশ্যই নিশ্চিত করতে হবে যে BI উদ্যোগটি পরিকল্পনা অনুযায়ী সম্পাদিত হয়েছে এবং সেল্ফ-সার্ভিং এজেন্ডা বা উদ্দেশ্যগুলি থেকে উদ্ভূত তথ্য সাইলোগুলির বিকাশের অনুমতি দেবে না।
এর মানে এই নয় যে BI পরিবেশ বিভিন্ন ব্যবহারকারীর বিভিন্ন চাহিদা এবং প্রয়োজনীয়তার প্রতি প্রতিক্রিয়া জানাতে সংবেদনশীল নয়; পরিবর্তে, এর অর্থ হল যে সেই সমস্ত ব্যক্তিগত চাহিদা এবং প্রয়োজনীয়তাগুলির বাস্তবায়ন সম্পূর্ণ BI সংস্থার সুবিধার জন্য করা হয়৷
BI সংস্থার স্থাপত্যের বর্ণনা চিত্র 9-এর পৃষ্ঠা 1.1-এ পাওয়া যাবে।
ঐতিহ্যগত দৃষ্টিকোণ থেকে, স্থাপত্যে নিম্নলিখিত গুদামের উপাদানগুলি অন্তর্ভুক্ত রয়েছে

পারমাণবিক স্তর

এটি হল ভিত্তি, সমগ্র DW এর হৃদয় এবং তাই কৌশলগত প্রতিবেদনের।
I dati এখানে সঞ্চিত historicalতিহাসিক অখণ্ডতা বজায় রাখা হবে, রিপোর্ট dati এবং উৎপন্ন মেট্রিক্স অন্তর্ভুক্ত, সেইসাথে মডেল নিষ্কাশন ব্যবহার করে পরিষ্কার, সমন্বিত এবং সংরক্ষণ করা হচ্ছে।
এগুলির পরবর্তী সমস্ত ব্যবহার dati এবং সম্পর্কিত তথ্য এই কাঠামো থেকে প্রাপ্ত করা হয়. এটি খনির জন্য একটি চমৎকার উৎস dati এবং কাঠামোগত এসকিউএল কোয়েরি সহ রিপোর্টগুলির জন্য

অপারেশনাল ডিপোজিট dati বা রিপোর্ট বেস dati(অপারেশনাল ডেটা স্টোর (ওডিএস) বা রিপোর্টিং ডাটাবেজ.)

এটি একটি কাঠামো dati প্রযুক্তিগত প্রতিবেদনের জন্য বিশেষভাবে ডিজাইন করা হয়েছে।

I dati এই কাঠামোর উপরে সংরক্ষিত এবং রিপোর্ট করা শেষ পর্যন্ত স্টেজিং এরিয়ার মাধ্যমে গুদামে ছড়িয়ে পড়তে পারে, যেখানে এটি কৌশলগত সংকেতের জন্য ব্যবহার করা যেতে পারে।

উপস্থাপনকারী এলাকা.

সর্বাধিক জন্য প্রথম স্টপ dati গুদাম পরিবেশের জন্য উদ্দেশ্য হল সংগঠন জোন.
আমি এখানে dati তারা সংহত, পরিষ্কার এবং রূপান্তরিত হয় dati লাভ যে গুদাম কাঠামো জনবহুল হবে

তারিখের মার্টস।

স্থাপত্যের এই অংশটি কাঠামোর প্রতিনিধিত্ব করে dati OLAP এর জন্য বিশেষভাবে ব্যবহৃত। ডেটামার্টের উপস্থিতি, যদি i dati ওভারল্যাপিং স্টার স্কিমাগুলিতে সংরক্ষণ করা হয় dati একটি আপেক্ষিক পরিবেশে বহুমাত্রিক, বা ফাইলগুলিতে dati নির্দিষ্ট OLAP প্রযুক্তি দ্বারা ব্যবহৃত গোপনীয়, যেমন DB2 OLAP সার্ভার, প্রাসঙ্গিক নয়।

একমাত্র সীমাবদ্ধতা হ'ল আর্কিটেকচারটি ব্যবহারের সুবিধার্থে dati বহুমাত্রিক
স্থাপত্যটিতে সমালোচনামূলক দ্বি-প্রযুক্তি এবং কৌশলগুলিও অন্তর্ভুক্ত রয়েছে যা নিম্নরূপ:

স্থানিক বিশ্লেষণ

স্পেস বিশ্লেষকদের জন্য একটি তথ্য বাতায়ন এবং সম্পূর্ণ রেজোলিউশনের জন্য গুরুত্বপূর্ণ। স্থান একটি নির্দিষ্ট অবস্থানে বসবাসকারী ব্যক্তিদের সম্পর্কে তথ্য উপস্থাপন করতে পারে, সেইসাথে সেই অবস্থানটি বিশ্বের বাকি অংশের সাথে শারীরিকভাবে আপেক্ষিক কোথায় সে সম্পর্কে তথ্য।

এই বিশ্লেষণটি সম্পাদন করতে, আপনাকে অবশ্যই আপনার তথ্য অক্ষাংশ এবং দ্রাঘিমাংশের স্থানাঙ্কের সাথে বেঁধে শুরু করতে হবে। এটিকে "জিওকোডিং" হিসাবে উল্লেখ করা হয় এবং আপনার গুদামের পারমাণবিক স্তরে নির্যাস, রূপান্তর এবং লোড (ETL) প্রক্রিয়ার অংশ হতে হবে।

ডেটা মাইনিং।

এর নিষ্কাশন dati আমাদের কোম্পানির সংখ্যা বাড়াতে অনুমতি দেয় গ্রাহকদের, বিক্রয় প্রবণতা ভবিষ্যদ্বাণী করতে এবং সাথে সম্পর্ক পরিচালনার অনুমতি দিতে গ্রাহকদের (সিআরএম), অন্যান্য BI উদ্যোগের মধ্যে।

এর নিষ্কাশন dati এটি অবশ্যই কাঠামোর সাথে একীভূত করা আবশ্যক dati প্রাসঙ্গিক প্রযুক্তি এবং কৌশল উভয়েরই কার্যকর এবং দক্ষ ব্যবহার নিশ্চিত করার জন্য Dwhouse এবং গুদাম প্রক্রিয়া দ্বারা সমর্থিত।

BI আর্কিটেকচারে নির্দেশিত হিসাবে, ডুহাউসের পারমাণবিক স্তর, সেইসাথে ডেটামার্টস, এর একটি চমৎকার উৎস dati নিষ্কাশনের জন্য। বিস্তৃত দর্শকদের কাছে উপলব্ধতা নিশ্চিত করার জন্য সেই একই সুবিধাগুলি অবশ্যই নিষ্কাশন ফলাফলের প্রাপক হতে হবে।

এজেন্ট।

কোম্পানির অপারেটিং সিস্টেম এবং ডিডব্লিউ এর মতো প্রতিটি পয়েন্টের জন্য ক্লায়েন্টকে পরীক্ষা করার জন্য বিভিন্ন "এজেন্ট" রয়েছে। এই এজেন্টগুলি প্রতিটি পয়েন্টে প্রবণতা সম্পর্কে জানতে প্রশিক্ষিত উন্নত নিউরাল নেটওয়ার্ক হতে পারে, যেমন বিক্রয় প্রচারের উপর ভিত্তি করে ভবিষ্যতের পণ্যের চাহিদা, নিয়ম-ভিত্তিক ইঞ্জিনগুলি প্রতিক্রিয়া জানাতে উপাত্ত পরিস্থিতির সেট, বা এমনকি সাধারণ এজেন্ট যারা "শীর্ষ কর্মকর্তাদের" ব্যতিক্রম রিপোর্ট করে। এই প্রক্রিয়াগুলি সাধারণত রিয়েল টাইমে ঘটে এবং তাই, তাদের আন্দোলনের সাথে ঘনিষ্ঠভাবে মিলিত হওয়া আবশ্যক dati. এই সব কাঠামো dati, প্রযুক্তি এবং কৌশলগুলি গ্যারান্টি দেয় যে আপনি আপনার BI-এর একটি সংস্থা তৈরি করতে রাত কাটাবেন না।

এই ক্রিয়াকলাপটি ছোট পয়েন্টের জন্য ক্রমবর্ধমান পদক্ষেপে বিকাশ করা হবে।
প্রতিটি পদক্ষেপ একটি স্বাধীন প্রকল্প প্রচেষ্টা, এবং আপনার DW বা BI উদ্যোগে একটি পুনরাবৃত্তি হিসাবে উল্লেখ করা হয়। পুনরাবৃত্তিতে নতুন প্রযুক্তি প্রয়োগ করা, নতুন কৌশল দিয়ে শুরু করা, নতুন কাঠামো যোগ করা অন্তর্ভুক্ত থাকতে পারে dati , লোড হচ্ছে i dati অতিরিক্ত, বা আপনার পরিবেশের বিশ্লেষণের সম্প্রসারণ সহ। এই অনুচ্ছেদটি 3 অধ্যায়ে আরও গভীরভাবে আলোচনা করা হয়েছে।

প্রথাগত DW স্ট্রাকচার এবং BI টুল ছাড়াও আপনার BI সংস্থার অন্যান্য ফাংশন রয়েছে যার জন্য আপনাকে ডিজাইন করতে হবে, যেমন:

গ্রাহক স্পর্শ পয়েন্ট (গ্রাহক স্পর্শ) পয়েন্ট)।

যেকোনো আধুনিক প্রতিষ্ঠানের মতোই অনেকগুলি গ্রাহক টাচপয়েন্ট রয়েছে যা নির্দেশ করে যে কীভাবে আপনার জন্য একটি ইতিবাচক অভিজ্ঞতা থাকতে হবে গ্রাহকদের. প্রথাগত চ্যানেল আছে যেমন খুচরা বিক্রেতা, সুইচবোর্ড অপারেটর, সরাসরি মেইল, মাল্টিমিডিয়া এবং প্রিন্ট বিজ্ঞাপন, সেইসাথে আরও বর্তমান চ্যানেল যেমন ইমেল এবং ওয়েব, dati যোগাযোগের কিছু পয়েন্ট সহ পণ্যগুলি অবশ্যই অর্জিত, পরিবহন, পরিষ্কার, প্রক্রিয়াকরণ এবং তারপর সুবিধাগুলিতে জনবহুল করা উচিত dati বিআই এর

এর মূল কথা dati অপারেশনাল এবং ব্যবহারকারী সমিতি (অপারেশনাল)

ডাটাবেস এবং ব্যবহারকারী সম্প্রদায়)।
এর যোগাযোগ পয়েন্ট শেষে গ্রাহকদের আপনি বেসিক পাবেন dati সংস্থা এবং ব্যবহারকারী সম্প্রদায়ের প্রয়োগ। দ্য dati বিদ্যমান আছে dati traditionalতিহ্যবাহী যা অবশ্যই পুনরায় মিলিত হতে হবে এবং এর সাথে একত্রী হতে হবে dati যে যোগাযোগ পয়েন্ট থেকে প্রবাহ প্রয়োজনীয় তথ্য সন্তুষ্ট.

বিশ্লেষকরা। (বিশ্লেষক)

BI পরিবেশের প্রাথমিক সুবিধাভোগী হলেন বিশ্লেষক। তিনিই এর বর্তমান নিষ্কাশন থেকে উপকৃত হন dati কর্মক্ষম, বিভিন্ন উৎসের সাথে একত্রিত dati , ভৌগলিক বিশ্লেষণ (জিওকোডিং) এর মতো বৈশিষ্ট্য সহ বর্ধিত এবং BI প্রযুক্তিতে উপস্থাপিত যা নিষ্কাশন, OLAP, উন্নত SQL রিপোর্টিং এবং ভৌগলিক বিশ্লেষণ সক্ষম করে। রিপোর্টিং পরিবেশের জন্য প্রাথমিক বিশ্লেষক ইন্টারফেস হল BI পোর্টাল।

যাইহোক, বিশ্লেষক একমাত্র নন যিনি বিআই আর্কিটেকচার থেকে উপকৃত হন।
এক্সিকিউটিভ, বৃহত ব্যবহারকারীর সমিতি এবং এমনকি অংশীদার, সরবরাহকারী এবং i গ্রাহকদের তাদের এন্টারপ্রাইজ বিআই-তে সুবিধা পাওয়া উচিত।

ব্যাক-ফিড লুপ

BI আর্কিটেকচার একটি শেখার পরিবেশ। উন্নয়নের একটি বৈশিষ্ট্যগত নীতি হল স্থায়ী কাঠামোর অনুমতি দেওয়া dati ব্যবহৃত BI প্রযুক্তি এবং ব্যবহারকারীর গৃহীত পদক্ষেপ দ্বারা আপডেট করা হবে। একটি উদাহরণ হল গ্রাহক স্কোরিং।

যদি বিক্রয় বিভাগ একটি নতুন পরিষেবা ব্যবহার করার জন্য গ্রাহকের স্কোর তৈরি করে, তবে বিক্রয় বিভাগ শুধুমাত্র পরিষেবা থেকে উপকৃত হওয়া উচিত নয়।

পরিবর্তে, মডেল নিষ্কাশন এন্টারপ্রাইজের মধ্যে ডেটা প্রবাহের একটি স্বাভাবিক অংশ হিসাবে সঞ্চালিত হওয়া উচিত এবং গ্রাহক স্কোরগুলি গুদাম তথ্য প্রসঙ্গের একটি সমন্বিত অংশ হওয়া উচিত, সমস্ত ব্যবহারকারীর কাছে দৃশ্যমান। DB2 UDB, DB2 OLAP সার্ভার সহ দ্বি-দ্বি-কেন্দ্রিক IBM স্যুটটি চিত্র 1.1-এ সংজ্ঞায়িত বেশিরভাগ প্রধান প্রযুক্তি উপাদান অন্তর্ভুক্ত করে।

আমরা স্থাপত্যটি ব্যবহার করি যেমনটি বই থেকে এই চিত্রে প্রদর্শিত হয় আমাদের ধারাবাহিকতার একটি স্তর দিতে এবং প্রতিটি IBM পণ্য সামগ্রিক BI স্কিমের সাথে কীভাবে ফিট করে তা প্রদর্শন করতে।

তথ্য সামগ্রী সরবরাহ করা (সরবরাহ করা) তথ্য সামগ্রী)

আপনার BI এনভায়রনমেন্ট ডিজাইন, ডেভেলপ করা এবং বাস্তবায়ন করা একটি কঠিন কাজ। নকশা বর্তমান এবং ভবিষ্যতে উভয় ব্যবসার প্রয়োজনীয়তা আলিঙ্গন করা আবশ্যক. স্থাপত্য অঙ্কন সম্পূর্ণ হতে হবে ডিজাইন পর্বের সময় পাওয়া সমস্ত উপসংহার অন্তর্ভুক্ত করতে। এক্সিকিউশন অবশ্যই একটি একক উদ্দেশ্যের জন্য প্রতিশ্রুতিবদ্ধ থাকতে হবে: ডিজাইনে আনুষ্ঠানিকভাবে উপস্থাপিত এবং ব্যবসার প্রয়োজনীয়তার ভিত্তিতে BI আর্কিটেকচারের বিকাশ করা।

এটা যুক্তি দেওয়া বিশেষভাবে কঠিন যে শৃঙ্খলা আপেক্ষিক সাফল্য নিশ্চিত করবে।
এটি সহজ কারণ আপনি একবারে একটি BI পরিবেশ তৈরি করেন না, তবে আপনি সময়ের সাথে সাথে ছোট ছোট ধাপে এটি করেন।

যাইহোক, আপনার স্থাপত্যের BI উপাদানগুলি সনাক্ত করা দুটি কারণের জন্য গুরুত্বপূর্ণ: আপনি পরবর্তী সমস্ত প্রযুক্তিগত স্থাপত্য সিদ্ধান্তগুলি পরিচালনা করবেন।
আপনি সচেতনভাবে প্রযুক্তির একটি নির্দিষ্ট ব্যবহারের পরিকল্পনা করতে সক্ষম হবেন যদিও আপনি কয়েক মাস ধরে প্রযুক্তির প্রয়োজনের পুনরাবৃত্তি নাও পেতে পারেন।

আপনার ব্যবসার প্রয়োজনীয়তাগুলি পর্যাপ্তভাবে বোঝা আপনার আর্কিটেকচারের জন্য আপনি যে ধরণের পণ্যগুলি অর্জন করবেন তা প্রভাবিত করবে।
আপনার স্থাপত্য ডিজাইন এবং বিকাশ নিশ্চিত করে যে আপনার গুদাম

একটি এলোমেলো ঘটনা নয়, বরং একটি সাবধানে নির্মিত "সুচিন্তিত"। অপেরা মিশ্র প্রযুক্তির মোজাইক হিসাবে শিল্পের।

তথ্য সামগ্রী ডিজাইন করুন

সমস্ত প্রাথমিক নকশার মূল BI উপাদানগুলির উপর ফোকাস করতে হবে এবং চিহ্নিত করতে হবে যা এখন এবং ভবিষ্যতে সামগ্রিক পরিবেশের জন্য প্রয়োজন হবে।
ব্যবসায়ের প্রয়োজনীয়তাগুলি জানা গুরুত্বপূর্ণ।

এমনকি কোনো আনুষ্ঠানিক নকশা শুরু হওয়ার আগেই, প্রকল্প পরিকল্পনাকারী প্রায়ই এক বা দুটি উপাদান অবিলম্বে সনাক্ত করতে পারেন।
আপনার স্থাপত্যের জন্য প্রয়োজনীয় উপাদানগুলির ভারসাম্য, তবে, সহজে পাওয়া যাবে না। ডিজাইনের পর্যায়ে, আর্কিটেকচারের প্রধান অংশটি ব্যবসার প্রয়োজনীয়তা সনাক্ত করার জন্য অ্যাপ্লিকেশন ডেভেলপমেন্ট (জেএডি) সেশনকে সংযুক্ত করে।

কখনও কখনও এই প্রয়োজনীয়তাগুলি ক্যোয়ারী এবং রিপোর্টিং সরঞ্জামগুলিতে ন্যস্ত করা যেতে পারে।
উদাহরণস্বরূপ, ব্যবহারকারীরা বলে যে তারা যদি একটি বর্তমান প্রতিবেদন স্বয়ংক্রিয় করতে চান তবে তাদের অবশ্যই দুটি বর্তমান প্রতিবেদন একত্রিত করে এবং এর সংমিশ্রণ থেকে প্রাপ্ত গণনা যোগ করে ম্যানুয়ালি এটি তৈরি করতে হবে। dati.
যদিও এই প্রয়োজনীয়তাটি সহজ, এটি বৈশিষ্ট্যটির একটি নির্দিষ্ট কার্যকারিতা সংজ্ঞায়িত করে যা আপনার প্রতিষ্ঠানের জন্য রিপোর্টিং সরঞ্জাম কেনার সময় আপনাকে অবশ্যই অন্তর্ভুক্ত করতে হবে।

একটি সম্পূর্ণ ছবি পেতে ডিজাইনারকে অবশ্যই অতিরিক্ত প্রয়োজনীয়তা অনুসরণ করতে হবে। ব্যবহারকারীরা কি এই প্রতিবেদনে সদস্যতা নিতে চান?
রিপোর্ট উপসেট তৈরি করা হয় এবং বিভিন্ন ব্যবহারকারীদের ইমেল করা হয়? তারা কি কোম্পানির পোর্টালে এই প্রতিবেদনটি দেখতে চান? এই সমস্ত প্রয়োজনীয়তাগুলি ব্যবহারকারীদের অনুরোধ অনুসারে একটি ম্যানুয়াল রিপোর্ট প্রতিস্থাপন করার সাধারণ প্রয়োজনের অংশ। এই ধরনের প্রয়োজনীয়তার সুবিধা হল যে প্রত্যেকের, ব্যবহারকারী এবং ডিজাইনারদের রিপোর্টের ধারণা সম্পর্কে ধারণা রয়েছে।

অন্যান্য ধরনের ব্যবসা আছে, যাইহোক, আমাদের পরিকল্পনা করতে হবে। যখন ব্যবসায়ের প্রয়োজনীয়তাগুলি কৌশলগত ব্যবসায়িক প্রশ্নের আকারে বলা হয়, তখন বিশেষজ্ঞ ডিজাইনারের পক্ষে পরিমাপ/তথ্য এবং মাত্রিক প্রয়োজনীয়তাগুলি উপলব্ধি করা সহজ।

যদি JAD ব্যবহারকারীরা ব্যবসায়িক সমস্যার আকারে তাদের প্রয়োজনীয়তাগুলি কীভাবে বর্ণনা করতে হয় তা জানেন না, তবে ডিজাইনার প্রায়শই প্রয়োজনীয়তা সংগ্রহের সেশন জাম্প-স্টার্ট করার জন্য উদাহরণ প্রদান করবেন।
বিশেষজ্ঞ ডিজাইনার ব্যবহারকারীদের শুধুমাত্র কৌশলগত ট্রেডিং নয়, এটি কীভাবে গঠন করতে হয় তাও বুঝতে সাহায্য করতে পারেন।
প্রয়োজনীয়তা সংগ্রহের পদ্ধতি অধ্যায় 3 এ আলোচনা করা হয়েছে; আপাতত আমরা সব ধরনের BI প্রয়োজনীয়তার জন্য ডিজাইন করার প্রয়োজনীয়তা নির্দেশ করতে চাই।

একটি কৌশলগত ব্যবসায়িক সমস্যা শুধুমাত্র একটি ব্যবসার প্রয়োজনীয়তা নয়, কিন্তু একটি নকশার সূত্রও। বহুমাত্রিক প্রশ্নের উত্তর দিতে হলে মুখস্থ করতে হবে, উপস্থাপন করতে হবে dati মাত্রা, এবং যদি আপনার প্রয়োজন হয় i dati বহুমাত্রিক, আপনাকে অবশ্যই সিদ্ধান্ত নিতে হবে আপনি কোন ধরণের প্রযুক্তি বা কৌশল নিয়োগ করতে যাচ্ছেন।

আপনি কি একটি সংরক্ষিত কিউব স্টার স্কিমা বা উভয়ই বাস্তবায়ন করেন? আপনি দেখতে পাচ্ছেন, এমনকি একটি সাধারণ ব্যবসায়িক সমস্যা নকশাকে উল্লেখযোগ্যভাবে প্রভাবিত করতে পারে। কিন্তু এই ধরনের ব্যবসায়ের প্রয়োজনীয়তাগুলি সাধারণ এবং বোঝা যায়, অন্তত প্রকল্পের অভিজ্ঞতা সহ ডিজাইনার এবং পরিকল্পনাকারীদের দ্বারা।

OLAP প্রযুক্তি এবং সমর্থন সম্পর্কে পর্যাপ্ত আলোচনা হয়েছে, এবং সমাধানের বিস্তৃত পরিসর উপলব্ধ। এখন পর্যন্ত আমরা ব্যবসার মাত্রিক প্রয়োজনীয়তার সাথে সাধারণ রিপোর্টিংকে একত্রিত করার প্রয়োজনীয়তার কথা উল্লেখ করেছি এবং কীভাবে এই প্রয়োজনীয়তাগুলি প্রযুক্তিগত স্থাপত্য সিদ্ধান্তগুলিকে প্রভাবিত করে।

কিন্তু প্রয়োজনীয়তাগুলি কী কী যা ব্যবহারকারীরা বা Dw টিম দ্বারা সহজেই বোঝা যায় না? আপনার কি কখনও স্থানিক বিশ্লেষণের প্রয়োজন হবে?
খনির মডেল dati তারা কি আপনার ভবিষ্যতের একটি প্রয়োজনীয় অংশ হবে? কে জানে?

এটি লক্ষ করা গুরুত্বপূর্ণ যে এই ধরণের প্রযুক্তিগুলি সাধারণ ব্যবহারকারী সম্প্রদায় এবং Dw টিমের সদস্যরা ভালভাবে জানেন না, আংশিকভাবে, এটি হতে পারে কারণ সেগুলি সাধারণত কিছু অভ্যন্তরীণ বা তৃতীয় পক্ষের প্রযুক্তি বিশেষজ্ঞরা পরিচালনা করেন। এই ধরনের প্রযুক্তিগুলি যে সমস্যাগুলি তৈরি করে তার এটি একটি চরম ঘটনা। ব্যবহারকারীরা যদি ব্যবসার প্রয়োজনীয়তা বর্ণনা করতে না পারে বা সেগুলিকে এমনভাবে ফ্রেম করতে না পারে যা ডিজাইনারদের নির্দেশনা প্রদান করে, তাহলে তারা অলক্ষিত হতে পারে বা আরও খারাপভাবে উপেক্ষা করা যেতে পারে।

ডিজাইনার এবং বিকাশকারী যখন এই উন্নত কিন্তু সমালোচনামূলক প্রযুক্তিগুলির একটির প্রয়োগ চিনতে পারে না তখন এটি আরও সমস্যাযুক্ত হয়ে ওঠে।
আমরা প্রায়শই ডিজাইনারদের বলতে শুনেছি, "আচ্ছা, আমরা এই অন্য জিনিসটি না পাওয়া পর্যন্ত কেন আমরা এটিকে একপাশে রাখব না? “তারা কি সত্যিই অগ্রাধিকারের প্রতি আগ্রহী, নাকি তারা যে প্রয়োজনীয়তাগুলি বুঝতে পারে না তা এড়িয়ে যাচ্ছে? এটি সম্ভবত পরবর্তী অনুমান। ধরা যাক আপনার সেলস টিম একটি ব্যবসার প্রয়োজনীয়তার কথা বলেছে, যেমনটি চিত্র 1.3-তে বলা হয়েছে, আপনি দেখতে পাচ্ছেন, প্রয়োজনটি একটি ব্যবসায়িক সমস্যার আকারে তৈরি করা হয়েছে। এই সমস্যা এবং সাধারণ মাত্রিক সমস্যার মধ্যে পার্থক্য হল দূরত্ব। এই ক্ষেত্রে, বিক্রয় দল জানতে চায়, মাসিক ভিত্তিতে, পণ্য, গুদাম এবং থেকে মোট বিক্রয় গ্রাহকদের তারা যে গুদামটি ক্রয় করে তার 5 মাইলের মধ্যে বসবাস করে।

দুঃখজনকভাবে, ডিজাইনার বা স্থপতিরা এই বলে স্থানিক উপাদানটিকে উপেক্ষা করতে পারেন, "আমাদের কাছে গ্রাহক, পণ্য এবং dati আমানতের। এর অন্য পুনরাবৃত্তি পর্যন্ত দূরত্ব রাখা যাক.

"ভুল উত্তর. এই ধরনের ব্যবসা সমস্যা সব BI সম্পর্কে. এটি আমাদের ব্যবসার গভীর উপলব্ধি এবং আমাদের বিশ্লেষকদের জন্য একটি শক্তিশালী বিশ্লেষণাত্মক স্থান উপস্থাপন করে। BI সাধারণ ক্যোয়ারী বা স্ট্যান্ডার্ড রিপোর্টিং বা এমনকি OLAP এর বাইরে। এর মানে এই নয় যে এই প্রযুক্তিগুলি আপনার BI-এর জন্য গুরুত্বপূর্ণ নয়, কিন্তু তারা একাই BI পরিবেশের প্রতিনিধিত্ব করে না।

তথ্য প্রসঙ্গে ডিজাইন (তথ্যের সামগ্রীর জন্য নকশা করা)

এখন যেহেতু আমরা ব্যবসার প্রয়োজনীয়তাগুলি চিহ্নিত করেছি যা বিভিন্ন মৌলিক উপাদানগুলির মধ্যে পার্থক্য করে, সেগুলিকে অবশ্যই একটি সামগ্রিক স্থাপত্য নকশায় অন্তর্ভুক্ত করতে হবে৷ কিছু BI উপাদান আমাদের প্রাথমিক প্রচেষ্টার অংশ, কিছু কিছু কয়েক মাস ধরে বাস্তবায়িত হবে না।

যাইহোক, সমস্ত পরিচিত প্রয়োজনীয়তাগুলি ডিজাইনে প্রতিফলিত হয় যাতে যখন আমাদের একটি নির্দিষ্ট প্রযুক্তি বাস্তবায়নের প্রয়োজন হয়, আমরা তা করতে প্রস্তুত থাকি। প্রকল্প সম্পর্কে কিছু ঐতিহ্যগত চিন্তা প্রতিফলিত হবে.

এই সেট dati এর পরবর্তী ব্যবহারগুলিকে সমর্থন করার জন্য ব্যবহৃত হয় dati আমরা চিহ্নিত করেছি ব্যবসায়িক সমস্যা দ্বারা পরিচালিত মাত্রিক। অতিরিক্ত নথি তৈরি করা হয়, যেমন নকশা উন্নয়ন dati, আমরা আনুষ্ঠানিকভাবে শুরু করব কিভাবে i dati তারা পরিবেশে ছড়িয়ে পড়ে। আমরা প্রতিনিধিত্ব করার প্রয়োজনীয়তা নিশ্চিত করেছি dati একটি মাত্রিক উপায়ে, তাদের (নির্দিষ্ট নির্দিষ্ট চাহিদা অনুযায়ী) ডেটা মার্টে বিভক্ত করা।

উত্তরের পরবর্তী প্রশ্ন হল: এই ডেটা মার্টগুলি কীভাবে তৈরি করা হবে?
আপনি কি কিউবকে সমর্থন করার জন্য নক্ষত্রগুলি তৈরি করেন, নাকি কেবল কিউবস, নাকি কেবল তারা? (বা ডান কিউব, বা ডান তারা)। নির্ভরশীল ডেটা মার্টের জন্য আর্কিটেকচার তৈরি করুন যার জন্য সকলের জন্য একটি পারমাণবিক স্তর প্রয়োজন dati অর্জিত? স্বাধীন ডেটা মার্টগুলি অর্জন করার অনুমতি দিন dati অপারেটিং সিস্টেম থেকে সরাসরি?

আপনি কোন কিউব প্রযুক্তি মানক করার চেষ্টা করবেন?

আপনার প্রচুর পরিমাণে দেবতা রয়েছে dati মাত্রিক বিশ্লেষণের জন্য প্রয়োজন বা আপনার কি সাপ্তাহিক ভিত্তিতে বা উভয় ক্ষেত্রে আপনার জাতীয় বিক্রয় শক্তি থেকে কিউব প্রয়োজন? আপনি কি অর্থের জন্য DB2 OLAP সার্ভার বা আপনার বিক্রয় সংস্থার জন্য Cognos PowerPlay কিউব বা উভয়ের মতো শক্তিশালী কিছু তৈরি করেন? এই হল বড় আর্কিটেকচারাল ডিজাইনের সিদ্ধান্ত যা এখান থেকে আপনার BI পরিবেশকে প্রভাবিত করবে। হ্যাঁ, আপনি OLAP-এর জন্য প্রয়োজনীয়তা প্রতিষ্ঠা করেছেন। এখন আপনি কীভাবে সেই ধরণের কৌশল এবং প্রযুক্তি পরিচালনা করবেন?

কিভাবে কিছু সবচেয়ে উন্নত প্রযুক্তি আপনার ডিজাইন প্রভাবিত করে? ধরুন আপনি আপনার প্রতিষ্ঠানে একটি স্থান প্রয়োজন চিহ্নিত করেছেন। আপনি কয়েক মাস ধরে স্থানিক উপাদান তৈরি করার পরিকল্পনা না করলেও আপনাকে এখন আর্কিটেকচারাল অঙ্কন সংস্করণগুলি স্মরণ করতে হবে। স্থপতিকে আজকে যা প্রয়োজন তার উপর ভিত্তি করে ডিজাইন করতে হবে। স্থানিক বিশ্লেষণের প্রয়োজনীয়তার পূর্বাভাস দিন যা তৈরি করে, সঞ্চয় করে, সঞ্চালন করে এবং অ্যাক্সেস প্রদান করে dati স্থানিক আপনি বর্তমানে বিবেচনা করতে পারেন এমন সফ্টওয়্যার প্রযুক্তি এবং প্ল্যাটফর্ম স্পেসিফিকেশনের ধরন সম্পর্কিত এটি একটি সীমাবদ্ধতা হিসাবে কাজ করা উচিত। উদাহরণস্বরূপ, প্রশাসন ব্যবস্থা তথ্যশালা আপনার পারমাণবিক স্তরের জন্য আপনি যে রিলেশনাল লেয়ার (RDBMS) সঞ্চালন করেন তার অবশ্যই শক্তিশালী স্থানিক পরিমাণ উপলব্ধ থাকতে হবে। আপনার বিশ্লেষণাত্মক অ্যাপ্লিকেশনগুলিতে জ্যামিতি এবং স্থানিক বস্তুগুলি ব্যবহার করার সময় এটি সর্বাধিক কর্মক্ষমতা নিশ্চিত করবে। যদি আপনার RDBMS পরিচালনা করতে না পারে dati (স্থানিক-কেন্দ্রিক) অভ্যন্তরীণভাবে, তাই আপনাকে একটি স্থাপন করতে হবে তথ্যশালা (স্থানিক-কেন্দ্রিক) বাহ্যিক। এটি সমস্যাগুলির ব্যবস্থাপনাকে জটিল করে তোলে এবং আপনার সামগ্রিক কার্যকারিতাকে আপোস করে, আপনার DBA-এর জন্য তৈরি অতিরিক্ত সমস্যাগুলি উল্লেখ না করে, কারণ তাদের সম্ভবত এর মৌলিক বিষয়গুলির একটি ন্যূনতম ধারণা রয়েছে dati পাশাপাশি স্থানিক। অন্যদিকে, যদি আপনার RDMBS ইঞ্জিন সমস্ত স্থানিক উপাদানগুলি পরিচালনা করে এবং এর অপ্টিমাইজার স্থানিক বস্তুগুলির বিশেষ প্রয়োজন (উদাহরণস্বরূপ, সূচীকরণ) সম্পর্কে সচেতন থাকে, তাহলে আপনার DBA গুলি সহজেই সমস্যাগুলির ব্যবস্থাপনা পরিচালনা করতে পারে এবং আপনি কর্মক্ষমতা সর্বাধিক করতে পারেন৷

অতিরিক্তভাবে, ঠিকানা পরিষ্কার করার জন্য আপনাকে স্টেজিং এরিয়া এবং পারমাণবিক পরিবেশের স্তর সামঞ্জস্য করতে হবে (ক

স্থানিক বিশ্লেষণের মূল উপাদান), সেইসাথে স্থান বস্তুর পরবর্তী সংরক্ষণ। অঙ্কন সংস্করণের ধারাবাহিকতা এখন অব্যাহত রয়েছে যে আমরা স্পষ্ট দিকনির্দেশের ধারণাটি চালু করেছি। এক জিনিসের জন্য, এই অ্যাপ্লিকেশনটি আপনার ETL প্রচেষ্টার জন্য প্রয়োজনীয় সফ্টওয়্যারের ধরন নির্দেশ করবে।

আপনার কি ট্রিলিয়ামের মতো পণ্যের প্রয়োজন যাতে এটি একটি পরিষ্কার ঠিকানা প্রদান করতে হয়, বা সেই কার্যকারিতা প্রদানের জন্য আপনার পছন্দের একটি ETL বিক্রেতার প্রয়োজন হয়?
আপাতত এটি গুরুত্বপূর্ণ যে আপনি আপনার গুদাম বাস্তবায়ন শুরু করার আগে ডিজাইনের স্তরের প্রশংসা করুন যা অবশ্যই সম্পূর্ণ করতে হবে। উপরের উদাহরণগুলি ডিজাইনের সিদ্ধান্তের বৃহৎ সংখ্যক প্রদর্শন করা উচিত যা কোনও নির্দিষ্ট ব্যবসার প্রয়োজনীয়তার সনাক্তকরণ অনুসরণ করতে হবে। সঠিকভাবে করা হলে, এই নকশার সিদ্ধান্তগুলি আপনার পরিবেশের শারীরিক গঠন, ব্যবহৃত প্রযুক্তির নির্বাচন এবং তথ্য সামগ্রীর প্রচারের প্রবাহের মধ্যে পারস্পরিক নির্ভরতাকে উন্নীত করে। এই প্রচলিত BI আর্কিটেকচার ব্যতীত, আপনার প্রতিষ্ঠানটি বিদ্যমান প্রযুক্তিগুলির একটি বিশৃঙ্খল মিশ্রণের অধীন হবে, আপাত স্থিতিশীলতা প্রদানের জন্য সর্বোত্তমভাবে একসাথে সেলাই করা হবে।

তথ্য সামগ্রী বজায় রাখুন

আপনার প্রতিষ্ঠানে তথ্যের মূল্য আনা একটি খুব কঠিন কাজ। পর্যাপ্ত বোধগম্যতা এবং অভিজ্ঞতা, বা সঠিক পরিকল্পনা এবং নকশা ছাড়া, এমনকি সেরা দলগুলিও ব্যর্থ হবে। অন্যদিকে, আপনার যদি দুর্দান্ত অন্তর্দৃষ্টি এবং বিশদ পরিকল্পনা থাকে তবে কার্যকর করার জন্য কোনও শৃঙ্খলা না থাকে তবে আপনি কেবল আপনার অর্থ এবং সময় নষ্ট করেছেন কারণ আপনার প্রচেষ্টা ব্যর্থ হবে। বার্তাটি পরিষ্কার হওয়া উচিত: আপনার যদি এই দক্ষতা, বোঝার/অভিজ্ঞতা বা পরিকল্পনা/ডিজাইন বা বাস্তবায়নের শৃঙ্খলার অভাব থাকে, তবে এটি BI সংস্থার বিল্ডিংকে পঙ্গু বা ধ্বংস করে দেবে।

আপনার দল কি যথেষ্ট প্রস্তুত? আপনার BI টিমে কি এমন কেউ আছেন যিনি BI পরিবেশে উপলব্ধ বিশাল বিশ্লেষণাত্মক ল্যান্ডস্কেপ এবং সেই ল্যান্ডস্কেপ বজায় রাখার জন্য প্রয়োজনীয় কৌশল ও প্রযুক্তিগুলি বোঝেন? আপনার দলে এমন কেউ আছেন যিনি অ্যাডভান্সডের মধ্যে আবেদনের পার্থক্য চিনতে পারেন

স্ট্যাটিক রিপোর্টিং এবং OLAP, বা ROLAP এবং OLAP এর মধ্যে পার্থক্য? আপনার দলের সদস্যদের মধ্যে একজন কি পরিষ্কারভাবে চিনতে পারে যে কীভাবে নিষ্কাশন করা যায় এবং এটি কীভাবে গুদামকে প্রভাবিত করতে পারে বা কীভাবে গুদামটি নিষ্কাশনের কার্যকারিতা সমর্থন করতে পারে? একজন দলের সদস্য এর মূল্য বোঝেন dati স্থান বা এজেন্ট ভিত্তিক প্রযুক্তি? আপনার কি এমন কেউ আছে যে বার্তা ব্রোকার প্রযুক্তি বনাম ETL সরঞ্জামগুলির অনন্য প্রয়োগের প্রশংসা করে? আপনার যদি একটি না থাকে তবে একটি পান। BI একটি স্বাভাবিক পারমাণবিক স্তর, OLAP, তারকা স্কিমা এবং একটি ODS থেকে অনেক বড়।

BI প্রয়োজনীয়তা এবং তাদের সমাধানগুলি চিনতে বোঝার এবং অভিজ্ঞতা থাকা আপনার ব্যবহারকারীর চাহিদাগুলিকে যথাযথভাবে আনুষ্ঠানিক করার এবং তাদের সমাধানগুলি ডিজাইন এবং বাস্তবায়ন করার ক্ষমতার জন্য অপরিহার্য। যদি আপনার ব্যবহারকারী সম্প্রদায়ের প্রয়োজনীয়তা বর্ণনা করতে অসুবিধা হয়, তাহলে সেই বোঝাপড়া প্রদান করা গুদাম দলের কাজ। তবে গুদামের দল হলে

BI-এর নির্দিষ্ট প্রয়োগকে চিনতে পারে না - উদাহরণস্বরূপ, ডেটা মাইনিং - তাহলে এটি সর্বোত্তম জিনিস নয় যে BI পরিবেশগুলি প্রায়শই প্যাসিভ রিপোজিটরিতে সীমাবদ্ধ থাকে। যাইহোক, এই প্রযুক্তিগুলিকে উপেক্ষা করা তাদের গুরুত্ব এবং আপনার প্রতিষ্ঠানের ব্যবসায়িক বুদ্ধিমত্তার ক্ষমতা, সেইসাথে আপনি যে তথ্যের ল্যান্ডস্কেপকে উৎসাহিত করার পরিকল্পনা করছেন তার উত্থানের উপর তাদের প্রভাব হ্রাস করে না।

পরিকল্পনার মধ্যে অবশ্যই অঙ্কনের ধারণা অন্তর্ভুক্ত থাকতে হবে এবং উভয়ের জন্য একজন দক্ষ ব্যক্তি প্রয়োজন। উপরন্তু, ডিজাইন করার জন্য একটি দলের গুদাম দর্শন এবং মান মেনে চলা প্রয়োজন। উদাহরণস্বরূপ, যদি আপনার কোম্পানি একটি স্ট্যান্ডার্ড প্ল্যাটফর্ম প্রতিষ্ঠা করে থাকে বা একটি নির্দিষ্ট RDBMS চিহ্নিত করে থাকে যেটিকে আপনি প্ল্যাটফর্ম জুড়ে মানসম্মত করতে চান, তাহলে সেই মানগুলি মেনে চলার দায়িত্ব টিমের প্রত্যেকের উপর। সাধারণত একটি দল স্ট্যান্ডার্ডাইজেশনের প্রয়োজনীয়তা প্রকাশ করে (ব্যবহারকারী সম্প্রদায়ের কাছে), তবে দল নিজেই কোম্পানির অন্যান্য ক্ষেত্রে বা এমনকি অনুরূপ কোম্পানিতেও প্রতিষ্ঠিত মানগুলি মেনে চলতে ইচ্ছুক নয়। এটি কেবল কপট নয়, এটি প্রতিষ্ঠিত করে যে সংস্থাটি বিদ্যমান সংস্থান এবং বিনিয়োগগুলিকে কাজে লাগাতে অক্ষম। এর মানে এই নয় যে এমন কোনো পরিস্থিতি নেই যা একটি অ-প্রমিত প্ল্যাটফর্ম বা প্রযুক্তির নিশ্চয়তা দেয়; যাইহোক, গুদাম প্রচেষ্টা

ব্যবসার প্রয়োজনীয়তা অন্যথায় নির্দেশ না দেওয়া পর্যন্ত তাদের ঈর্ষান্বিতভাবে এন্টারপ্রাইজের মান রক্ষা করা উচিত।

একটি BI সংস্থা গড়ে তোলার জন্য প্রয়োজনীয় তৃতীয় মূল উপাদান হল শৃঙ্খলা।
এটি সম্পূর্ণভাবে নির্ভর করে, সমানভাবে ব্যক্তি এবং পরিবেশের উপর। প্রকল্প পরিকল্পনাকারী, পৃষ্ঠপোষক, স্থপতি এবং ব্যবহারকারীদের অবশ্যই কোম্পানির তথ্য ল্যান্ডস্কেপ তৈরি করার জন্য প্রয়োজনীয় শৃঙ্খলার প্রশংসা করতে হবে। ডিজাইনারদের অবশ্যই তাদের ডিজাইনের প্রচেষ্টাকে এমনভাবে পরিচালনা করতে হবে যাতে সমাজে অন্যান্য প্রয়োজনীয় প্রচেষ্টা পরিপূরক হয়।

উদাহরণস্বরূপ, ধরা যাক আপনার কোম্পানি একটি ইআরপি অ্যাপ্লিকেশন তৈরি করে যার একটি গুদাম উপাদান রয়েছে।
তাই ইআরপি ডিজাইনারদের দায়িত্ব হল গুদাম পরিবেশ দলের সাথে সহযোগিতা করা যাতে প্রতিযোগিতা বা নকল কাজ ইতিমধ্যে শুরু না হয়।

শৃঙ্খলা একটি বিষয় যা অবশ্যই সমগ্র সংস্থার দ্বারা সম্বোধন করা উচিত এবং সাধারণত এটি একটি নির্বাহী স্তরে প্রতিষ্ঠিত এবং অর্পিত হয়।
পরিচালকরা কি একটি পরিকল্পিত পদ্ধতি মেনে চলতে ইচ্ছুক? এমন একটি পদ্ধতি যা তথ্য সামগ্রী তৈরি করার প্রতিশ্রুতি দেয় যা শেষ পর্যন্ত এন্টারপ্রাইজের সমস্ত ক্ষেত্রে মূল্য আনবে, তবে সম্ভবত ব্যক্তিগত বা বিভাগীয় এজেন্ডাগুলির সাথে আপস করবে? "শুধু একটি জিনিস সম্পর্কে চিন্তা করার চেয়ে সবকিছু সম্পর্কে চিন্তা করা আরও গুরুত্বপূর্ণ" কথাটি মনে রাখবেন। এই কথাটি BI সংস্থাগুলির জন্য সত্য।

দুর্ভাগ্যবশত, অনেক গুদাম একটি নির্দিষ্ট বিভাগ বা নির্দিষ্ট ব্যবহারকারীদের লক্ষ্য এবং মূল্য আনার চেষ্টা করার উপর তাদের প্রচেষ্টাকে কেন্দ্রীভূত করে, বৃহত্তরভাবে সংস্থার প্রতি সামান্যতম বিবেচনা করে। ধরুন নির্বাহী ওয়ারহাউস টিমের কাছ থেকে সহায়তার অনুরোধ করেছেন। দলটি 90-দিনের প্রচেষ্টার সাথে সাড়া দেয় যার মধ্যে শুধুমাত্র ম্যানেজার দ্বারা সংজ্ঞায়িত বিজ্ঞপ্তির প্রয়োজনীয়তাগুলি সরবরাহ করাই নয় বরং সমস্ত কিছু নিশ্চিত করা dati প্রস্তাবিত কিউব প্রযুক্তিতে প্রবর্তিত হওয়ার আগে বেস পারমাণবিক স্তরে মিশ্রিত হয়।
এই প্রকৌশল সংযোজন নিশ্চিত করে যে ওয়ারহাউস এন্টারপ্রাইজ উপকৃত হবে dati পরিচালকের জন্য প্রয়োজনীয়
যাইহোক, নির্বাহী বাইরের পরামর্শদাতা সংস্থাগুলির সাথে কথা বলেছেন যারা 4 সপ্তাহেরও কম সময়ে ডেলিভারির সাথে অনুরূপ আবেদনের প্রস্তাব করেছিলেন।

অভ্যন্তরীণ গুদাম দলটি যোগ্য বলে ধরে নিলে, নির্বাহীর একটি পছন্দ রয়েছে। যারা তথ্য সম্পদ এন্টারপ্রাইজ চাষ করার জন্য প্রয়োজনীয় অতিরিক্ত প্রকৌশল শৃঙ্খলাকে সমর্থন করতে পারে বা দ্রুত তাদের নিজস্ব সমাধান তৈরি করতে বেছে নিতে পারে। শেষেরটি প্রায়শই বেছে নেওয়া হয়েছে বলে মনে হয় এবং শুধুমাত্র কিছু বা ব্যক্তিকে উপকৃত করে এমন তথ্যের পাত্র তৈরি করতে কাজ করে।

স্বল্প ও দীর্ঘমেয়াদী লক্ষ্য

স্থপতি এবং প্রকল্প ডিজাইনারদের অবশ্যই সামগ্রিক স্থাপত্যের একটি দীর্ঘমেয়াদী দৃষ্টিভঙ্গি এবং একটি BI সংস্থায় বৃদ্ধির পরিকল্পনার আনুষ্ঠানিক রূপ দিতে হবে। স্বল্প-মেয়াদী লাভ এবং দীর্ঘমেয়াদী পরিকল্পনার এই সংমিশ্রণটি BI প্রচেষ্টার দুই পক্ষের প্রতিনিধিত্ব করে। স্বল্পমেয়াদী লাভ হল BI এর দিক যা আপনার গুদামের পুনরাবৃত্তির সাথে যুক্ত।

এখানেই পরিকল্পনাকারী, স্থপতি এবং স্পনসররা নির্দিষ্ট বাণিজ্যিক প্রয়োজনীয়তা পূরণের উপর ফোকাস করেন। এটি এই স্তরে যেখানে শারীরিক কাঠামো তৈরি করা হয়, প্রযুক্তি কেনা হয় এবং কৌশলগুলি প্রয়োগ করা হয়। নির্দিষ্ট ব্যবহারকারী সম্প্রদায়ের দ্বারা সংজ্ঞায়িত নির্দিষ্ট প্রয়োজনীয়তাগুলিকে মোকাবেলা করার জন্য এগুলি কোনওভাবেই তৈরি করা হয় না। একটি নির্দিষ্ট সম্প্রদায়ের দ্বারা সংজ্ঞায়িত নির্দিষ্ট প্রয়োজনীয়তাগুলিকে মোকাবেলা করার জন্য সবকিছু করা হয়।
দীর্ঘমেয়াদী পরিকল্পনা, তবে, BI এর অন্য দিক। এখানেই পরিকল্পনা এবং নকশাগুলি নিশ্চিত করে যে কোনও ভৌত কাঠামো তৈরি করা হয়েছে, প্রযুক্তি নির্বাচন করা হয়েছে এবং এন্টারপ্রাইজের দিকে নজর রেখে প্রয়োগ করা কৌশলগুলি। এটি দীর্ঘমেয়াদী পরিকল্পনা যা ব্যবসায়িক সুবিধাগুলি পাওয়া যে কোনও স্বল্পমেয়াদী লাভ থেকে উদ্ভূত হয় তা নিশ্চিত করার জন্য প্রয়োজনীয় সংহতি প্রদান করে।

আপনার দ্বিপক্ষীয় প্রয়াসকে ন্যায়সঙ্গত করুন

Un তথ্য গুদাম নিজেই এর কোন অন্তর্নিহিত মূল্য নেই। অন্য কথায়, গুদাম প্রযুক্তি এবং বাস্তবায়ন কৌশলগুলির মধ্যে কোন অন্তর্নিহিত মূল্য নেই।

যেকোন গুদামের প্রচেষ্টার মূল্য গুদামের পরিবেশ এবং সময়ের সাথে চাষ করা তথ্য সামগ্রীর ফলস্বরূপ সম্পাদিত ক্রিয়াগুলিতে পাওয়া যায়। আপনি যেকোনওখানের উদ্যোগের মূল্য অনুমান করার চেষ্টা করার আগে এটি বোঝার একটি গুরুত্বপূর্ণ বিষয়।

প্রায়শই, স্থপতি এবং ডিজাইনাররা গুদামের ভৌত এবং প্রযুক্তিগত উপাদানগুলিতে মূল্য প্রয়োগ করার চেষ্টা করে যখন প্রকৃতপক্ষে মূল্যটি ব্যবসায়িক প্রক্রিয়াগুলির উপর ভিত্তি করে যা গুদাম এবং ভালভাবে অর্জিত তথ্য দ্বারা ইতিবাচকভাবে প্রভাবিত হয়।

এখানে BI প্রতিষ্ঠার চ্যালেঞ্জ রয়েছে: আপনি কীভাবে বিনিয়োগকে ন্যায্যতা দেবেন? যদি যেখানে হাউসের নিজের কোনো অন্তর্নিহিত মূল্য না থাকে, তাহলে প্রকল্পের ডিজাইনারদের অবশ্যই সেই ব্যক্তিদের দ্বারা অর্জিত সুবিধাগুলি তদন্ত, সংজ্ঞায়িত এবং আনুষ্ঠানিক করতে হবে যারা নির্দিষ্ট ব্যবসায়িক প্রক্রিয়া বা সুরক্ষিত তথ্যের মান বা উভয়ের উন্নতির জন্য গুদাম ব্যবহার করবে।

বিষয়গুলিকে জটিল করার জন্য, গুদামজাতকরণ প্রচেষ্টা দ্বারা প্রভাবিত যেকোন ব্যবসায়িক প্রক্রিয়া "উল্লেখযোগ্য" বা "সামান্য" সুবিধা প্রদান করতে পারে। উল্লেখযোগ্য সুবিধাগুলি বিনিয়োগের উপর রিটার্ন (ROI) পরিমাপ করার জন্য একটি বাস্তব মেট্রিক প্রদান করে - উদাহরণস্বরূপ, একটি নির্দিষ্ট সময়ের মধ্যে ইনভেন্টরি বাড়তে বা প্রতি চালানের কম পরিবহন খরচের জন্য। বাস্তব মানের পরিপ্রেক্ষিতে তথ্যে উন্নত অ্যাক্সেসের মতো সূক্ষ্ম সুবিধাগুলিকে সংজ্ঞায়িত করা কঠিন।

আপনার প্রকল্পটি জানার জন্য সংযুক্ত করুন ব্যবসায়িক অনুরোধ

প্রায়শই, প্রকল্প পরিকল্পনাকারীরা গুদাম মূল্যকে নিরাকার এন্টারপ্রাইজ উদ্দেশ্যগুলির সাথে লিঙ্ক করার চেষ্টা করে। ঘোষণা করে যে "একটি গুদামের মূল্য আমাদের কৌশলগত অনুরোধগুলি সন্তুষ্ট করার ক্ষমতার উপর ভিত্তি করে" আমরা একটি আনন্দদায়ক উপায়ে আলোচনাটি খুলি। তবে ইনভেন্টরিতে বিনিয়োগ করা অর্থপূর্ণ কিনা তা নির্ধারণ করার জন্য এটি একাই যথেষ্ট নয়। সুনির্দিষ্ট, পরিচিত ব্যবসায়িক চাহিদার সাথে গুদাম পুনরাবৃত্ত লিঙ্ক করা সর্বোত্তম।

আরওআই পরিমাপ করছে

একটি গুদাম সেটিংয়ে ROI গণনা করা বিশেষভাবে কঠিন হতে পারে। বিশেষ করে সুবিধা হলে অসুবিধা হয়

একটি নির্দিষ্ট পুনরাবৃত্তির প্রধান হল এমন কিছু যা বাস্তব বা পরিমাপ করা সহজ নয়। একটি সমীক্ষায় দেখা গেছে যে ব্যবহারকারীরা BI উদ্যোগের দুটি প্রধান সুবিধা উপলব্ধি করে:

• ▪ সিদ্ধান্ত নেওয়ার ক্ষমতা তৈরি করুন
• ▪ তথ্যের অ্যাক্সেস তৈরি করুন
  এই সুবিধাগুলি নরম (বা হালকা) সুবিধা। পরিবহন খরচ কমানোর মতো কঠিন (বা বড়) সুবিধার উপর ভিত্তি করে আমরা কীভাবে একটি ROI গণনা করতে পারি তা দেখা সহজ, কিন্তু কীভাবে আমরা আরও ভাল সিদ্ধান্ত নেওয়ার ক্ষমতা পরিমাপ করব?
  প্রকল্প পরিকল্পনাকারীদের জন্য এটি অবশ্যই একটি চ্যালেঞ্জ যখন তারা কোম্পানিকে একটি নির্দিষ্ট গুদাম প্রচেষ্টায় বিনিয়োগ করতে রাজি করার চেষ্টা করছে। বিক্রয় বৃদ্ধি বা ব্যয় হ্রাস এখন আর কেন্দ্রীয় থিম নয় যা BI পরিবেশকে চালিত করে।
  পরিবর্তে, আপনি তথ্যে আরও ভাল অ্যাক্সেসের জন্য ব্যবসায়ের অনুরোধগুলি দেখছেন যাতে একটি নির্দিষ্ট বিভাগ দ্রুত সিদ্ধান্ত নিতে পারে। এগুলি হল কৌশলগত চালক যেগুলি এন্টারপ্রাইজের জন্য সমানভাবে গুরুত্বপূর্ণ কিন্তু একটি বাস্তব মেট্রিকে চিহ্নিত করা আরও অস্পষ্ট এবং কঠিন। এই ক্ষেত্রে, ROI গণনা করা বিভ্রান্তিকর হতে পারে, যদি অপ্রাসঙ্গিক না হয়।
  প্রজেক্ট প্ল্যানারদের অবশ্যই এক্সিকিউটিভদের জন্য বাস্তব মূল্য প্রদর্শন করতে সক্ষম হতে হবে যে কোন নির্দিষ্ট পুনরাবৃত্তিতে বিনিয়োগ করা মূল্যবান কিনা। যাইহোক, আমরা ROI গণনা করার জন্য একটি নতুন পদ্ধতি প্রস্তাব করব না, বা আমরা এর পক্ষে বা বিপক্ষে কোন যুক্তিও দেব না।
  ROI গণনার মৌলিক বিষয় নিয়ে আলোচনা করা অনেক নিবন্ধ এবং বই পাওয়া যায়। গার্টনারের মতো গোষ্ঠীগুলি দ্বারা অফার করা বিনিয়োগের উপর মূল্য (VOI) এর মতো বিশেষ মূল্য প্রস্তাব রয়েছে যা আপনি গবেষণা করতে পারেন। পরিবর্তে, আমরা যেকোন ROI বা অন্যান্য মূল্য প্রস্তাবের মূল দিকগুলিতে ফোকাস করব যা আপনাকে বিবেচনা করতে হবে। আরওআই প্রয়োগ করা হচ্ছে BI প্রচেষ্টার সাথে যুক্ত "কঠিন" সুবিধা বনাম "নরম" সুবিধা সম্পর্কে তর্কের বাইরেও ROI প্রয়োগ করার সময় বিবেচনা করার অন্যান্য বিষয় রয়েছে। উদাহরণ স্বরূপ:

DW প্রচেষ্টার জন্য অনেক বেশি সঞ্চয় বৈশিষ্ট্য যা যাইহোক আসবে
ধরা যাক আপনার কোম্পানি একটি মেইনফ্রেম আর্কিটেকচার থেকে একটি বিতরণকৃত UNIX পরিবেশে চলে গেছে। সুতরাং সেই প্রচেষ্টা থেকে যে কোনো সঞ্চয় (বা নাও হতে পারে) একচেটিয়াভাবে গুদামের জন্য দায়ী করা উচিত নয়।

সবকিছুর জন্য হিসাব করা ব্যয়বহুল নয়। এবং একাউন্টে নিতে অনেক বিষয় আছে. নিম্নলিখিত তালিকা বিবেচনা করুন:

• ▪ প্রারম্ভিক খরচ, সম্ভাব্যতা সহ।
• ▪ সম্পর্কিত স্টোরেজ এবং যোগাযোগের সাথে ডেডিকেটেড হার্ডওয়্যারের খরচ
• ▪ ব্যবস্থাপনা সহ সফ্টওয়্যারের খরচ dati এবং ক্লায়েন্ট/সার্ভার এক্সটেনশন, ইটিএল সফ্টওয়্যার, ডিএসএস প্রযুক্তি, ভিজ্যুয়ালাইজেশন টুল, শিডিউলিং এবং ওয়ার্কফ্লো অ্যাপ্লিকেশন, এবং মনিটরিং সফ্টওয়্যার,।
• ▪ স্ট্রাকচার ডিজাইনের খরচ dati, এর সৃষ্টি এবং অপ্টিমাইজেশন সহ
• ▪ সফ্টওয়্যার উন্নয়ন খরচ সরাসরি BI প্রচেষ্টার সাথে যুক্ত
• ▪ সফ্টওয়্যার সংস্করণ নিয়ন্ত্রণ এবং সহায়তা ক্রিয়াকলাপ সহ কর্মক্ষমতা অপ্টিমাইজেশান সহ অন-সাইট সহায়তার খরচ "বিগ-ব্যাং" আরওআই প্রয়োগ করুন। গুদামটিকে একটি একক, বিশাল প্রচেষ্টা হিসাবে তৈরি করা ব্যর্থ হবে, তাই একটি বৃহৎ-এন্টারপ্রাইজ উদ্যোগের জন্য ROI গণনাও করুন অফারটি আশ্চর্যজনক, এবং পরিকল্পনাকারীরা সম্পূর্ণ প্রচেষ্টার মূল্য অনুমান করার জন্য দুর্বল প্রচেষ্টা চালিয়ে যাচ্ছেন৷ কেন পরিকল্পনাকারীরা ব্যবসায়িক উদ্যোগে একটি আর্থিক মূল্য রাখার চেষ্টা করেন যদি এটি ব্যাপকভাবে পরিচিত এবং গৃহীত হয় যে নির্দিষ্ট পুনরাবৃত্তির অনুমান করা কঠিন? কিভাবে এটা সম্ভব? কিছু ব্যতিক্রম ছাড়া এটা সম্ভব নয়। এটা করবেন না। এখন যেহেতু আমরা ROI গণনা করার সময় কী করা উচিত নয় তা প্রতিষ্ঠিত করেছি, এখানে কয়েকটি পয়েন্ট রয়েছে যা আপনার BI প্রচেষ্টার মূল্য অনুমান করার জন্য একটি নির্ভরযোগ্য প্রক্রিয়া প্রতিষ্ঠা করতে আমাদের সাহায্য করবে৷

ROI ঐক্যমত প্রাপ্তি। আপনার BI প্রচেষ্টার মূল্য অনুমান করার জন্য আপনার পছন্দের কৌশল নির্বিশেষে, প্রকল্প ডিজাইনার, স্পনসর এবং ব্যবসায়িক নির্বাহীদের সহ সকল পক্ষের দ্বারা এটির সাথে একমত হতে হবে।

শনাক্তযোগ্য অংশে ROI হ্রাস করুন। যুক্তিসঙ্গতভাবে একটি ROI গণনা করার জন্য একটি প্রয়োজনীয় পদক্ষেপ হল একটি নির্দিষ্ট প্রকল্পে সেই গণনাকে ফোকাস করা। এটি আপনাকে নির্দিষ্ট ব্যবসার প্রয়োজনীয়তা পূরণের উপর ভিত্তি করে একটি মান অনুমান করতে দেয়

খরচ সংজ্ঞায়িত করুন। উল্লিখিত হিসাবে, অনেক খরচ বিবেচনা করা আবশ্যক. তদ্ব্যতীত, খরচের মধ্যে কেবলমাত্র একক পুনরাবৃত্তির সাথে যুক্ত নয় বরং এন্টারপ্রাইজ মানগুলির সাথে সম্মতি নিশ্চিত করার সাথে জড়িত খরচগুলিকে অন্তর্ভুক্ত করতে হবে।

সুবিধার সংজ্ঞা দাও। সুনির্দিষ্ট ব্যবসায়িক প্রয়োজনীয়তার সাথে ROI-কে স্পষ্টভাবে লিঙ্ক করার মাধ্যমে, আমাদের সেই সুবিধাগুলি সনাক্ত করতে সক্ষম হওয়া উচিত যা প্রয়োজনীয়তাগুলি পূরণের দিকে পরিচালিত করবে।

আসন্ন মুনাফায় খরচ এবং সুবিধা হ্রাস করুন। ভবিষ্যত উপার্জনে ভবিষ্যত মূল্যের পূর্বাভাস দেওয়ার চেষ্টা করার বিপরীতে নেট বর্তমান মূল্য (NPV) এর উপর আপনার মূল্যায়নের ভিত্তি করার এটি সর্বোত্তম উপায়।

ন্যূনতম আপনার ROI বিভক্ত করার সময় রাখুন। এটি আপনার ROI তে ব্যবহার করা হয়েছে এমন দীর্ঘ সময়ের জন্য এটি ভালভাবে নথিভুক্ত।

একাধিক ROI সূত্র ব্যবহার করুন। ROI পূর্বাভাস দেওয়ার জন্য অনেকগুলি পদ্ধতি রয়েছে এবং আপনার পরিকল্পনা করা উচিত যে নেট বর্তমান মূল্য, অভ্যন্তরীণ রিটার্ন রেট (IRR) এবং পেব্যাক সহ সেগুলির একটি বা একাধিক ব্যবহার করবেন কিনা।

পুনরাবৃত্তিযোগ্য প্রক্রিয়া সংজ্ঞায়িত করুন। যেকোনো দীর্ঘমেয়াদী মান গণনা করার জন্য এটি অত্যন্ত গুরুত্বপূর্ণ। একটি একক পুনরাবৃত্তিযোগ্য প্রক্রিয়া অনুসরণ করার জন্য সমস্ত প্রকল্প পরবর্তী জন্য নথিভুক্ত করা উচিত.

তালিকাভুক্ত সমস্যাগুলি হল ওয়ারহাউস পরিবেশের বিশেষজ্ঞদের দ্বারা সংজ্ঞায়িত সবচেয়ে সাধারণ সমস্যাগুলি৷ একটি "বিগ-ব্যাং" ROI প্রদানের জন্য ম্যানেজমেন্টের জেদ খুবই বিভ্রান্তিকর। আপনি যদি আপনার সমস্ত ROI গণনাগুলিকে শনাক্তযোগ্য, মূর্ত অংশে ভাগ করে শুরু করেন, তাহলে আপনার একটি সঠিক ROI রেটিং অনুমান করার একটি ভাল সুযোগ রয়েছে৷

আরওআইয়ের সুবিধা সম্পর্কে প্রশ্ন

আপনার সুবিধা যাই হোক না কেন, নরম বা কঠিন, আপনি তাদের মূল্য নির্ধারণ করতে কিছু মৌলিক প্রশ্ন ব্যবহার করতে পারেন। উদাহরণস্বরূপ, একটি সাধারণ স্কেলিং সিস্টেম ব্যবহার করে, 1 থেকে 10 পর্যন্ত, আপনি নিম্নলিখিত প্রশ্নগুলি ব্যবহার করে যে কোনও প্রচেষ্টার প্রভাব পরিমাপ করতে পারেন:

• আপনি কিভাবে বোঝার রেট হবে dati আপনার কোম্পানির এই প্রকল্প অনুসরণ করছেন?
• আপনি কিভাবে এই প্রকল্পের ফলে প্রক্রিয়া উন্নতি অনুমান করবেন?
• এই পুনরাবৃত্তির মাধ্যমে এখন উপলব্ধ করা নতুন অন্তর্দৃষ্টি এবং অনুমানের প্রভাব আপনি কীভাবে পরিমাপ করবেন
• যা শেখা হয়েছিল তার ফলস্বরূপ নতুন এবং পারফরম্যান্স কম্পিউটিং পরিবেশের প্রভাব কী ছিল? এই প্রশ্নের উত্তর কম হলে, এটা সম্ভব যে কোম্পানিটি করা বিনিয়োগের যোগ্য নয়। উচ্চ-স্কোরিং প্রশ্নগুলি উল্লেখযোগ্য মূল্য লাভের দিকে নির্দেশ করে এবং আরও তদন্তের জন্য গাইড হিসাবে কাজ করা উচিত। উদাহরণস্বরূপ, প্রক্রিয়ার উন্নতির জন্য একটি উচ্চ স্কোর ডিজাইনারদের প্রক্রিয়াগুলিকে কীভাবে উন্নত করা হয়েছে তা পরীক্ষা করতে পরিচালিত করবে। আপনি দেখতে পারেন যে কিছু বা সমস্ত লাভ বাস্তব এবং তাই একটি আর্থিক মূল্য সহজেই প্রয়োগ করা যেতে পারে। এর প্রথম পুনরাবৃত্তির মধ্যে সর্বাধিক সুবিধা পাওয়া গুদাম আপনার এন্টারপ্রাইজ প্রচেষ্টার সর্বশ্রেষ্ঠ ফলাফল প্রায়শই প্রথম কয়েকটি পুনরাবৃত্তিতে হয়। এই প্রারম্ভিক প্রচেষ্টাগুলি ঐতিহ্যগতভাবে জনসাধারণের জন্য সবচেয়ে দরকারী তথ্য সামগ্রী প্রতিষ্ঠা করে এবং পরবর্তী BI অ্যাপ্লিকেশনগুলির জন্য প্রযুক্তি ভিত্তি স্থাপনে সহায়তা করে। সাধারণত প্রতিটি পরবর্তী পরবর্তী dati গুদাম প্রকল্পগুলির সামগ্রিকভাবে এন্টারপ্রাইজে কম এবং কম অতিরিক্ত মূল্য নিয়ে আসে। এটি বিশেষভাবে সত্য যদি পুনরাবৃত্তি নতুন বিষয় যোগ না করে বা একটি নতুন ব্যবহারকারী সম্প্রদায়ের চাহিদা পূরণ না করে।

এই স্টোরেজ বৈশিষ্ট্যটি ক্রমবর্ধমান স্ট্যাকের ক্ষেত্রেও প্রযোজ্য dati ইতিহাসবিদরা। পরবর্তী প্রচেষ্টা হিসাবে আরও প্রয়োজন dati এবং আরও কি dati সময়ের সাথে সাথে গুদামে areালা হয় dati এটি ব্যবহৃত বিশ্লেষণের সাথে কম প্রাসঙ্গিক হয়ে ওঠে। এইগুলো dati তারা প্রায়ই বলা হয় dati সুপ্ত এবং তাদের রাখা সবসময় ব্যয়বহুল কারণ এগুলি প্রায় কখনই ব্যবহৃত হয় না।

প্রকল্প স্পনসরদের জন্য এর মানে কি? মূলত, প্রাথমিক স্পনসররা বিনিয়োগের খরচের চেয়ে বেশি ভাগ করে নেয়। এটি প্রাথমিক কারণ তারা জৈব সহ গুদামের বিস্তৃত প্রযুক্তি এবং সংস্থান পরিবেশ স্তর প্রতিষ্ঠার প্রেরণা।

কিন্তু এই প্রথম পদক্ষেপগুলি সর্বোচ্চ মূল্য নিয়ে আসে এবং তাই প্রকল্প ডিজাইনারদের প্রায়ই বিনিয়োগের ন্যায্যতা দিতে হয়।
আপনার BI উদ্যোগের পরে করা প্রকল্পগুলির কম (প্রথম তুলনায়) এবং সরাসরি খরচ হতে পারে, কিন্তু কোম্পানির জন্য কম মূল্য আনতে পারে।

এবং সংস্থার মালিকদের জমে থাকা জিনিসগুলিকে ফেলে দেওয়া বিবেচনা শুরু করতে হবে dati এবং কম প্রাসঙ্গিক প্রযুক্তি।

ডেটা মাইনিং: খনি Dati

অসংখ্য স্থাপত্য উপাদানের জন্য ডেটা মাইনিং প্রযুক্তি এবং কৌশলগুলির বৈচিত্র্য প্রয়োজন-
উদাহরণস্বরূপ, স্বার্থের পয়েন্টগুলি পরীক্ষার জন্য বিভিন্ন "এজেন্ট" গ্রাহকদের, কোম্পানির অপারেটিং সিস্টেম এবং dw নিজেই। এই এজেন্টগুলি POT প্রবণতাগুলির উপর প্রশিক্ষিত উন্নত নিউরাল নেটওয়ার্ক হতে পারে, যেমন বিক্রয় প্রচারের উপর ভিত্তি করে ভবিষ্যতের পণ্যের চাহিদা; নিয়ম-ভিত্তিক ইঞ্জিন একটি সেটে প্রতিক্রিয়া জানাতে উপাত্ত পরিস্থিতিতে, উদাহরণস্বরূপ, চিকিৎসা নির্ণয় এবং চিকিত্সার সুপারিশ; বা এমনকি সাধারণ এজেন্টরাও শীর্ষ কর্মকর্তাদের ব্যতিক্রম রিপোর্ট করার ভূমিকা নিয়ে। সাধারণত এই নিষ্কাশন প্রক্রিয়া dati si

বাস্তব সময়ে যাচাই; অতএব, তাদের আন্দোলনের সাথে সম্পূর্ণরূপে ঐক্যবদ্ধ হতে হবে dati নিজেদের.

অনলাইন অ্যানালিটিক প্রসেসিং প্রক্রিয়াজাতকরণ

অনলাইন অ্যানালিটিক্স

স্লাইস, ডাইস, রোল, ড্রিল ডাউন এবং বিশ্লেষণ করার ক্ষমতা
কি-যদি, সুযোগের মধ্যে থাকে, আইবিএম প্রযুক্তি স্যুটের ফোকাস। উদাহরণস্বরূপ, DB2 এর জন্য অনলাইন বিশ্লেষণাত্মক প্রক্রিয়াকরণ (OLAP) ফাংশন বিদ্যমান যা সফ্টওয়্যার ইঞ্জিনে মাত্রিক বিশ্লেষণ নিয়ে আসে। ডাটাবেজ একই

ফাংশনগুলি এসকিউএল-এ মাত্রিক উপযোগ যোগ করে যখন DB2-এর প্রাকৃতিক অংশ হওয়ার সমস্ত সুবিধার সুবিধা গ্রহণ করে। OLAP ইন্টিগ্রেশনের আরেকটি উদাহরণ হল নিষ্কাশন টুল, DB2 OLAP সার্ভার অ্যানালাইজার। এই প্রযুক্তিটি DB2 OLAP সার্ভার কিউবগুলিকে দ্রুত এবং স্বয়ংক্রিয়ভাবে বিশ্লেষণ করতে এবং মূল্যের মানগুলির উপর রিপোর্ট করার অনুমতি দেয় dati ব্যবসা বিশ্লেষকের কাছে কিউব জুড়ে অস্বাভাবিক বা অপ্রত্যাশিত। এবং অবশেষে, ডিডব্লিউ সেন্টারের বৈশিষ্ট্যগুলি স্থপতিদের জন্য ETL প্রক্রিয়াগুলির একটি প্রাকৃতিক অংশ হিসাবে DB2 OLAP সার্ভার কিউবের প্রোফাইলকে নিয়ন্ত্রণ করার জন্য একটি উপায় প্রদান করে।

স্থানিক বিশ্লেষণ স্থানিক বিশ্লেষণ

স্থান একটি প্যানোরামার জন্য প্রয়োজনীয় বিশ্লেষণাত্মক অ্যাঙ্কর (লিড) অর্ধেক প্রতিনিধিত্ব করে
বিশ্লেষণাত্মক বিস্তৃত (সময় অন্য অর্ধেক প্রতিনিধিত্ব করে)। গুদামের পারমাণবিক-স্তর, চিত্র 1.1-এ চিত্রিত, সময় এবং স্থান উভয় মৌলিক বিষয় অন্তর্ভুক্ত। টাইম স্ট্যাম্প অ্যাঙ্কর বিশ্লেষণ করে সময় এবং ঠিকানা তথ্য অ্যাঙ্কর বিশ্লেষণ করে স্থান অনুসারে। টাইমস্ট্যাম্প সময় অনুসারে বিশ্লেষণ পরিচালনা করে এবং ঠিকানা তথ্য স্থান দ্বারা বিশ্লেষণ পরিচালনা করে। ডায়াগ্রামটি জিওকোডিং দেখায় - ঠিকানাগুলিকে মানচিত্রের বিন্দুতে রূপান্তর করার প্রক্রিয়া বা স্থানের বিন্দুতে যাতে দূরত্ব এবং ভিতরে/বাইরের মত ধারণাগুলি বিশ্লেষণে ব্যবহার করা যেতে পারে - পারমাণবিক স্তরে পরিচালিত হয় এবং স্থানিক বিশ্লেষণ যা উপলব্ধ করা হয় বিশ্লেষক IBM এনভায়রনমেন্টাল সিস্টেম রিসার্চ ইনস্টিটিউট (ESRI) এর সাথে তৈরি স্থানিক এক্সটেনশন প্রদান করে ডাটাবেজ DB2 যাতে স্পেস অবজেক্টের একটি স্বাভাবিক অংশ হিসাবে সংরক্ষণ করা যায় ডাটাবেজ সম্পর্কিত ডিবি 2

স্থানিক এক্সটেন্ডার, স্থানিক বিশ্লেষণের সুবিধা নিতে সমস্ত SQL এক্সটেনশনও প্রদান করে। উদাহরণ স্বরূপ, এসকিউএল এক্সটেনশনের বিরুদ্ধে ক্যোয়ারী করতে হবে
ঠিকানাগুলির মধ্যে দূরত্ব বা একটি বিন্দু একটি সংজ্ঞায়িত বহুভুজ এলাকার ভিতরে বা বাইরে কিনা, স্থানিক এক্সটেন্ডারের সাথে একটি বিশ্লেষণাত্মক মান। আরও তথ্যের জন্য অধ্যায় 16 দেখুন।

ডেটাবেস-বাস্তব সরঞ্জাম সরঞ্জাম ডেটাবেস-নিবাসী

DB2 এর অনেক BI-আবাসিক SQL বৈশিষ্ট্য রয়েছে যা বিশ্লেষণের কাজে সহায়তা করে। এর মধ্যে রয়েছে:

• বিশ্লেষণ করার জন্য পুনরাবৃত্তি ফাংশন, যেমন " থেকে সমস্ত সম্ভাব্য ফ্লাইট পাথ খোঁজা৷ সানফ্রান্সিসকো a নিউ ইয়র্ক".
• র‌্যাঙ্কিং, ক্রমবর্ধমান ফাংশন, কিউব এবং রোলআপের জন্য বিশ্লেষণাত্মক ফাংশনগুলি এমন কাজগুলিকে সহজতর করার জন্য যা সাধারণত শুধুমাত্র OLAP প্রযুক্তির সাথে ঘটে, এখন ইঞ্জিনের একটি প্রাকৃতিক অংশ। ডাটাবেজ
• ফলাফল ধারণ করে এমন টেবিল তৈরি করার ক্ষমতা
  এর বিক্রেতারা ডাটাবেজ নেতারা BI ক্ষমতার মধ্যে আরও মিশ্রিত করে ডাটাবেজ একই
  এর প্রধান সরবরাহকারী তথ্যশালা তারা BI ক্ষমতার আরো মিশ্রিত করা হয় ডাটাবেজ একই
  এটি BI সমাধানগুলির জন্য আরও ভাল কর্মক্ষমতা এবং আরও কার্যকর করার বিকল্প সরবরাহ করে।
  DB2 V8 এর বৈশিষ্ট্য এবং কার্যাবলী নিম্নলিখিত অধ্যায়ে বিস্তারিতভাবে আলোচনা করা হয়েছে:
  প্রযুক্তিগত আর্কিটেকচার এবং ডেটা ম্যানেজমেন্ট ফাউন্ডেশন (অধ্যায় 5)

• DB2 BI মৌলিক (অধ্যায় 6)
• DB2 উপাদানযুক্ত ক্যোয়ারী টেবিল (অধ্যায় 7)
• DB2 OLAP ফাংশন (অধ্যায় 13)
• DB2 উন্নত BI বৈশিষ্ট্য এবং কার্যাবলী (অধ্যায় 15) সরলীকৃত ডেটা ডেলিভারি সিস্টেম ডেলিভারি সিস্টেম dati সরলীকৃত

চিত্র 1.1-এ চিত্রিত স্থাপত্যে অসংখ্য কাঠামো রয়েছে dati শারীরিক একটি হ'ল গুদাম dati অপারেটিং সাধারণত, একটি ODS হল একটি বিষয়ভিত্তিক, সমন্বিত এবং বর্তমান বস্তু। আপনি সমর্থন করার জন্য একটি ODS তৈরি করবেন, উদাহরণস্বরূপ, বিক্রয় অফিস। ODS বিক্রয় সম্পূরক হবে dati বিভিন্ন সিস্টেম থেকে কিন্তু শুধুমাত্র ধরে রাখবে, উদাহরণস্বরূপ, আজকের লেনদেন। ওডিএস দিনে অনেকবার আপডেট করা যেতে পারে। একই সময়ে, প্রক্রিয়াগুলি ধাক্কা দেয় dati অন্যান্য অ্যাপ্লিকেশনের সাথে একত্রিত। এই কাঠামোটি বিশেষভাবে সংহত করার জন্য ডিজাইন করা হয়েছে dati বর্তমান এবং গতিশীল এবং রিয়েল-টাইম অ্যানালিটিক্সকে সমর্থন করার জন্য সম্ভাব্য প্রার্থী হবেন, যেমন পরিষেবা এজেন্টদের প্রদান করা গ্রাহকদের গুদাম থেকেই বিক্রয় প্রবণতার তথ্য বের করে একজন গ্রাহকের বর্তমান বিক্রয় তথ্য। চিত্র 1.1-এ দেখানো আরেকটি কাঠামো হল dw-এর জন্য একটি আনুষ্ঠানিক অবস্থা। প্রয়োজনীয় ইন্টিগ্রেশন কার্যকর করার জন্য এই জায়গা না শুধুমাত্র, এর গুণমান dati, এবং এর রূপান্তর dati ইনকামিং গুদাম, কিন্তু এটি একটি নির্ভরযোগ্য এবং অস্থায়ী স্টোরেজ এলাকা জন্য dati প্রতিলিপি যা রিয়েল-টাইম বিশ্লেষণে ব্যবহার করা যেতে পারে। আপনি যদি একটি ODS বা একটি স্টেজিং এলাকা ব্যবহার করার সিদ্ধান্ত নেন, তাহলে এই কাঠামোগুলিকে জনবহুল করার জন্য সেরা সরঞ্জামগুলির মধ্যে একটি dati বিভিন্ন অপারেশনাল সোর্স ব্যবহার করা হল DB2 এর ভিন্নধর্মী বিতরণ করা প্রশ্ন। এই ক্ষমতাটি DB2 রিলেশনাল কানেক্ট নামক ঐচ্ছিক DB2 বৈশিষ্ট্য দ্বারা এবং DB2 DataJoiner (একটি পৃথক পণ্য যা ভিন্নধর্মী বিতরণ করা RDBMS গুলিকে ক্যোয়ারী, সন্নিবেশ, আপডেট এবং মুছে ফেলার ক্ষমতা প্রদান করে) এর মাধ্যমে বিতরণ করা হয়।

এই প্রযুক্তিটি স্থপতিদের অনুমতি দেয় dati বাঁধা dati বিশ্লেষণাত্মক প্রক্রিয়া সহ উত্পাদন। রিয়েল-টাইম অ্যানালিটিক্সের সাথে উত্থাপিত হতে পারে এমন প্রতিলিপির চাহিদাগুলির যে কোনওটির সাথে প্রযুক্তিটি কেবল খাপ খাইয়ে নিতে পারে না, তবে এটি বিভিন্ন ধরণের ডেটা বেসের সাথেও সংযুক্ত হতে পারে। dati DB2, Oracle, Sybase, SQL সার্ভার, Informix এবং অন্যান্য সহ সর্বাধিক জনপ্রিয়। DB2 DataJoiner একটি কাঠামো তৈরি করতে ব্যবহার করা যেতে পারে dati একটি ODS হিসাবে আনুষ্ঠানিক বা এমনকি একটি স্থায়ী টেবিল তাৎক্ষণিক আপডেটের দ্রুত পুনরুদ্ধারের জন্য বা বিক্রয়ের জন্য ডিজাইন করা গুদামে প্রতিনিধিত্ব করে। অবশ্যই, এই একই কাঠামো dati ব্যবহার করে পপুলেট করা যায়

প্রতিরূপ জন্য ডিজাইন করা অন্য একটি বড় প্রযুক্তি dati, আইবিএম ডেটাপ্রপাগেটর রিলেশনাল। (DataPropagator কেন্দ্রীয় সিস্টেমের জন্য একটি পৃথক পণ্য। DB2 UNIX, Linux, Windows, এবং OS/2 ডেটা প্রতিলিপি পরিষেবা অন্তর্ভুক্ত করে dati একটি মান বৈশিষ্ট্য হিসাবে)।
সরানোর জন্য অন্য পদ্ধতি dati এন্টারপ্রাইজের চারপাশে অপারেটিং একটি এন্টারপ্রাইজ অ্যাপ্লিকেশন ইন্টিগ্রেটর অন্যথায় একটি বার্তা ব্রোকার হিসাবে পরিচিত এই অনন্য প্রযুক্তিটি লক্ষ্যবস্তু এবং সরানোর জন্য অতুলনীয় নিয়ন্ত্রণের অনুমতি দেয় dati কোম্পানির চারপাশে। IBM-এর বহুল ব্যবহৃত বার্তা ব্রোকার, MQSeries, বা পণ্যের একটি ভিন্নতা রয়েছে যা এর প্রয়োজনীয়তাগুলি অন্তর্ভুক্ত করে ই-কমার্স, IBM WebSphere MQ.
একটি গুদাম এবং BI পরিবেশকে সমর্থন করার জন্য কীভাবে MQ ব্যবহার করতে হয় সে সম্পর্কে আরও আলোচনার জন্য, দেখুন ওয়েবসাইট বইয়ের. আপাতত, এটা বলাই যথেষ্ট যে এই প্রযুক্তিটি ক্যাপচার এবং রূপান্তর করার একটি চমৎকার মাধ্যম (MQSeries ইন্টিগ্রেটর ব্যবহার করে) dati কেন্দ্রীভূত (লক্ষ্যযুক্ত) অপারেটরদের বিআই সমাধানের জন্য নিয়োগ করা হয়েছে। MQ প্রযুক্তিকে UDB V8-এ একত্রিত করা হয়েছে এবং প্যাকেজ করা হয়েছে, অর্থাৎ বার্তা সারিগুলি এখন DB2 টেবিলের মতো পরিচালনা করা যেতে পারে। ওয়েল্ডিং সারিবদ্ধ বার্তা এবং মহাবিশ্বের ধারণা ডাটাবেজ একটি শক্তিশালী ডেলিভারি পরিবেশের দিকে সম্পর্কীয় মাথা dati.

জিরো-লেটেন্সি জিরো লেটেন্সি

IBM-এর চূড়ান্ত কৌশলগত লক্ষ্য হল শূন্য-বিলম্বন বিশ্লেষণ। দ্বারা সংজ্ঞায়িত হিসাবে
গার্টনারের মতে, একটি BI সিস্টেম অবশ্যই অনুমান করতে, আত্তীকরণ করতে এবং চাহিদা অনুযায়ী বিশ্লেষকদের তথ্য প্রদান করতে সক্ষম হতে হবে। চ্যালেঞ্জ, অবশ্যই, কিভাবে মিশ্রিত করা হয় dati প্রয়োজনীয় ঐতিহাসিক তথ্য সহ বর্তমান এবং বাস্তব সময়, যেমন i dati সম্পর্কিত প্যাটার্ন/প্রবণতা, বা এক্সট্রাক্টেড বোঝাপড়া, যেমন গ্রাহক প্রোফাইলিং।

এই জাতীয় তথ্যের মধ্যে উদাহরণস্বরূপ, সনাক্তকরণ অন্তর্ভুক্ত রয়েছে গ্রাহকদের উচ্চ বা কম ঝুঁকি বা কোন পণ্য i গ্রাহকদের তারা সম্ভবত ক্রয় করবে যদি তাদের শপিং কার্টে ইতিমধ্যেই পনির থাকে।

শূন্য বিলম্বিতা অর্জন করা আসলে দুটি মৌলিক প্রক্রিয়ার উপর নির্ভরশীল:

• এর সম্পূর্ণ মিলন dati যা BI দ্বারা তৈরি প্রতিষ্ঠিত কৌশল এবং সরঞ্জামগুলির সাথে বিশ্লেষণ করা হয়
• একটি বিতরণ সিস্টেম dati রিয়েল-টাইম অ্যানালিটিক্স সত্যিই উপলব্ধ তা নিশ্চিত করার জন্য দক্ষ এর ঘনিষ্ঠ মিলন dati এটি IBM এর নিরবচ্ছিন্ন ইন্টিগ্রেশন প্রোগ্রামের অংশ। এবং এর একটি ডেলিভারি সিস্টেম তৈরি করুন dati দক্ষ সম্পূর্ণরূপে উপলব্ধ প্রযুক্তির উপর নির্ভর করে যা বিতরণ প্রক্রিয়াকে সহজ করে dati. ফলস্বরূপ, আইবিএম-এর তিনটি লক্ষ্যের মধ্যে দুটি তৃতীয়টি উপলব্ধি করার জন্য গুরুত্বপূর্ণ। আইবিএম সচেতনভাবে তার প্রযুক্তিকে বিকশিত করছে যাতে গুদামের প্রচেষ্টার জন্য শূন্য লেটেন্সি একটি বাস্তবতা নিশ্চিত করা যায়। সংক্ষিপ্তসার / সংশ্লেষ BI সংস্থা আপনার পরিবেশ তৈরির জন্য একটি রোড ম্যাপ প্রদান করে
  পুনরাবৃত্তিমূলকভাবে বর্তমান এবং ভবিষ্যত উভয় ক্ষেত্রেই আপনার ব্যবসার চাহিদা প্রতিফলিত করার জন্য এটিকে সামঞ্জস্য করতে হবে। একটি বিস্তৃত স্থাপত্য দৃষ্টি ব্যতীত, গুদাম পুনরুক্তিগুলি কেন্দ্রীয় গুদামের এলোমেলো বাস্তবায়নের চেয়ে সামান্য বেশি যা একটি বিস্তৃত, তথ্যপূর্ণ উদ্যোগ তৈরি করতে খুব কমই করে। প্রকল্প পরিচালকদের জন্য প্রথম বাধা হল বিআই সংস্থার বিকাশের জন্য প্রয়োজনীয় বিনিয়োগগুলিকে কীভাবে ন্যায্যতা দেওয়া যায়। যদিও ROI গণনা গুদাম বাস্তবায়নের একটি প্রধান ভিত্তি হিসাবে রয়ে গেছে, এটি সঠিকভাবে ভবিষ্যদ্বাণী করা আরও কঠিন হয়ে উঠছে। আপনি আপনার অর্থের মূল্য পাচ্ছেন কিনা তা নির্ধারণ করার জন্য এটি অন্যান্য পদ্ধতির দিকে পরিচালিত করেছে। বিনিয়োগের মান 2 (VOI), উদাহরণস্বরূপ, একটি সমাধান হিসাবে প্রচার করা হয়। এটার স্থপতিদের দায়িত্ব dati এবং প্রকল্প পরিকল্পনাকারীরা ইচ্ছাকৃতভাবে ব্যবহারকারী সমিতিগুলিকে তথ্য তৈরি করে এবং প্রদান করে এবং কেবল তাদের একটি পরিষেবা প্রদান করে না dati. দুই মধ্যে একটি বিশাল পার্থক্য আছে। তথ্য এমন কিছু যা সিদ্ধান্ত গ্রহণ এবং কার্যকারিতার মধ্যে পার্থক্য করে; তুলনামূলকভাবে, i dati তারা সেই তথ্য অর্জনের জন্য ব্লক তৈরি করছে।

যদিও উত্স সমালোচনা dati ব্যবসায়িক অনুরোধগুলি মোকাবেলা করার জন্য, BI পরিবেশ তথ্য সামগ্রী তৈরিতে একটি বড় ভূমিকা পালন করা উচিত। ব্যবহারকারীরা কাজ করতে পারে এমন তথ্য সামগ্রী পরিষ্কার, সংহত, রূপান্তর বা অন্যথায় তৈরি করার জন্য আমাদের অবশ্যই অতিরিক্ত পদক্ষেপ নিতে হবে এবং তারপরে আমাদের অবশ্যই নিশ্চিত করতে হবে যে সেই ক্রিয়াকলাপ এবং সিদ্ধান্তগুলি, যেখানে যুক্তিসঙ্গত, BI পরিবেশে প্রতিফলিত হয়৷ আমরা গুদাম relegate যদি শুধুমাত্র পরিবেশন করা dati, এটি নিশ্চিত করা হয় যে ব্যবহারকারী সমিতিগুলি পদক্ষেপ নেওয়ার জন্য প্রয়োজনীয় তথ্য সামগ্রী তৈরি করবে৷ এটি নিশ্চিত করে যে তাদের সম্প্রদায় আরও ভাল সিদ্ধান্ত নিতে সক্ষম হবে, কিন্তু এন্টারপ্রাইজটি তাদের ব্যবহার করা জ্ঞানের অভাবে ভুগছে। তারিখ যেহেতু স্থপতি এবং প্রকল্প পরিকল্পনাকারীরা BI পরিবেশে নির্দিষ্ট প্রকল্পগুলি শুরু করেন, তারা সামগ্রিকভাবে এন্টারপ্রাইজের কাছে দায়বদ্ধ থাকে। BI পুনরাবৃত্তির এই দ্বিমুখী বৈশিষ্ট্যের একটি সহজ উদাহরণ উৎসে পাওয়া যায় dati। সব dati নির্দিষ্ট ব্যবসায়িক অনুরোধের জন্য প্রাপ্ত প্রথম পারমাণবিক স্তরে জনবহুল করা আবশ্যক। এটি এন্টারপ্রাইজ তথ্য সম্পদের বিকাশ নিশ্চিত করে, সেইসাথে পুনরাবৃত্তিতে সংজ্ঞায়িত নির্দিষ্ট ব্যবহারকারীর অনুরোধগুলি পরিচালনা করে।

ডাটা গুদাম কি?

তথ্য ভাণ্ডার এটি 1990 সাল থেকে তথ্য সিস্টেম আর্কিটেকচারের কেন্দ্রস্থল এবং একটি কঠিন সমন্বিত প্ল্যাটফর্ম অফার করে তথ্য প্রক্রিয়াগুলিকে সমর্থন করে dati পরবর্তী বিশ্লেষণের জন্য একটি ভিত্তি হিসাবে নেওয়া ঐতিহাসিক তথ্য। দ্য তথ্য গুদাম তারা বেমানান অ্যাপ্লিকেশন সিস্টেমের জগতে একীকরণের সহজতা প্রদান করে। তথ্য ভাণ্ডার এটি একটি প্রবণতা মধ্যে বিকশিত হয়েছে. তথ্য ভাণ্ডার আয়োজন এবং সঞ্চয় i dati দীর্ঘ ঐতিহাসিক সাময়িক দৃষ্টিভঙ্গির উপর ভিত্তি করে তথ্য এবং বিশ্লেষণী প্রক্রিয়ার জন্য প্রয়োজনীয়। এই সব নির্মাণ এবং রক্ষণাবেক্ষণ একটি যথেষ্ট এবং ধ্রুবক প্রতিশ্রুতি entails তথ্য গুদাম.

সুতরাং কি তথ্য গুদাম? একটি তথ্য গুদাম এবং:

• ▪ বিষয়ভিত্তিক
• ▪ সমন্বিত সিস্টেম
• ▪ বৈকল্পিক সময়
• ▪ অ-উদ্বায়ী (মোছা যাবে না)

একটি সংগ্রহ এর dati প্রক্রিয়া বাস্তবায়নে ব্যবস্থাপনাগত সিদ্ধান্ত সমর্থন করতে ব্যবহৃত হয়।
I dati .োকানো তথ্য গুদাম বেশিরভাগ ক্ষেত্রে তারা কর্মক্ষম পরিবেশ থেকে উদ্ভূত। দ্য তথ্য গুদাম এটি একটি স্টোরেজ ইউনিট দ্বারা তৈরি করা হয়েছে, যা এটি ধারণ করে বাকি সিস্টেম থেকে শারীরিকভাবে আলাদা dati পূর্বে অপারেটিং পরিবেশ থেকে প্রাপ্ত তথ্যের উপর কাজ করে এমন অ্যাপ্লিকেশন দ্বারা রূপান্তরিত।

আক্ষরিক সংজ্ঞা a তথ্য গুদাম একটি গভীরভাবে ব্যাখ্যার যোগ্য কারণ গুরুত্বপূর্ণ প্রেরণা এবং অন্তর্নিহিত অর্থ রয়েছে যা একটি গুদামের বৈশিষ্ট্য বর্ণনা করে।

সাবজেক্ট ওরিয়েন্টেশন ওরিয়েন্টেশন থেম্যাটিক

এ এর প্রথম বৈশিষ্ট্য তথ্য গুদাম এটি একটি কোম্পানির প্রধান খেলোয়াড়দের দিকে ভিত্তিক। ট্রায়াল এর মাধ্যমে গাইড dati এটি আরও ক্লাসিক পদ্ধতির বিপরীতে যার মধ্যে প্রসেস এবং ফাংশনগুলির দিকে অ্যাপ্লিকেশনগুলির অভিযোজন জড়িত, একটি পদ্ধতি যা বেশিরভাগই কম সাম্প্রতিক ব্যবস্থাপনা সিস্টেমগুলির দ্বারা ভাগ করা হয়।

একটি আর্থিক প্রতিষ্ঠানের জন্য ঋণ, সঞ্চয়, ব্যাঙ্ককার্ড এবং বিশ্বাসের মতো অ্যাপ্লিকেশন এবং ফাংশনগুলিকে ঘিরে অপারেশনাল বিশ্ব ডিজাইন করা হয়েছে। গ্রাহক, বিক্রেতা, পণ্য এবং কার্যকলাপের মতো প্রধান বিষয়গুলিকে ঘিরে dw-এর জগত সংগঠিত। বিষয়ের চারপাশে প্রান্তিককরণ নকশা এবং বাস্তবায়নকে প্রভাবিত করে dati dw এ পাওয়া গেছে। আরও গুরুত্বপূর্ণভাবে, মূল বিষয় কী কাঠামোর সবচেয়ে গুরুত্বপূর্ণ অংশকে প্রভাবিত করে।

অ্যাপ্লিকেশনের বিশ্ব ডাটাবেসের নকশা এবং প্রক্রিয়া নকশা উভয় দ্বারা প্রভাবিত হয়। dw-এর জগৎ শুধুমাত্র মডেলিং-এর উপর দৃষ্টি নিবদ্ধ করে dati এবং নকশা উপর ডাটাবেজ. প্রক্রিয়া নকশা (তার ক্লাসিক আকারে) dw পরিবেশের অংশ নয়।

প্রক্রিয়া/ফাংশন অ্যাপ্লিকেশনের পছন্দ এবং বিষয় পছন্দের মধ্যে পার্থক্যগুলিও বিষয়বস্তুর পার্থক্য হিসাবে প্রকাশ করা হয় dati একটি বিস্তারিত স্তরে দ্য dati del dw আমি অন্তর্ভুক্ত না i dati যেটি আবেদন করার সময় DSS প্রক্রিয়ার জন্য ব্যবহার করা হবে না

অপারেশন ভিত্তিক dati ধারণ করি i dati অবিলম্বে কার্যকরী/প্রসেসিং প্রয়োজনীয়তা পূরণ করতে যা ডিএসএস বিশ্লেষকের জন্য কোন কাজে লাগতে পারে বা নাও পারে।
আরেকটি গুরুত্বপূর্ণ উপায় যা অপারেশনাল-ভিত্তিক অ্যাপ্লিকেশন dati থেকে পৃথক dati ডব্লিউ এর রিপোর্ট হয় dati। আমি dati ক্রিয়াকলাপগুলি সক্রিয় একটি ব্যবসায়িক নিয়মের ভিত্তিতে দুটি বা ততোধিক টেবিলের মধ্যে একটি অবিচ্ছিন্ন সম্পর্ক বজায় রাখে। দ্য dati dw-এর সময় একটি বর্ণালী অতিক্রম করে এবং dw-তে পাওয়া সম্পর্কগুলি অনেক। অনেক ট্রেডিং নিয়ম (এবং অনুরূপভাবে, এর অনেক সম্পর্ক dati ) এর গুদামে প্রতিনিধিত্ব করা হয় dati দুই বা ততোধিক টেবিলের মধ্যে।

(কিভাবে সম্পর্কগুলির একটি বিশদ ব্যাখ্যার জন্য dati DW-তে পরিচালনা করা হয়, আমরা সেই বিষয়ে টেক টপিক উল্লেখ করি।)
একটি কার্যকরী/প্রসেস অ্যাপ্লিকেশন পছন্দ এবং একটি বিষয় পছন্দের মধ্যে মৌলিক পার্থক্যের তুলনায় অন্য কোন দৃষ্টিকোণ থেকে, অপারেটিং সিস্টেম এবং এর মধ্যে একটি বড় পার্থক্য আছে কি? dati এবং ডিডাব্লু

সংহত ইন্টিগ্রেশন

ডাব্লু পরিবেশের সবচেয়ে গুরুত্বপূর্ণ দিকটি হ'ল i dati dw এর মধ্যে পাওয়া সহজে একত্রিত হয়. সর্বদা. ব্যতিক্রম ছাড়া. dw পরিবেশের খুব সারমর্ম হল যে i dati গুদাম সীমা মধ্যে অন্তর্ভুক্ত একীভূত হয়।

ইন্টিগ্রেশন নিজেকে বিভিন্ন উপায়ে প্রকাশ করে - সুসংগত চিহ্নিত কনভেনশনে, সামঞ্জস্যপূর্ণ পরিবর্তনশীল পরিমাপে, সামঞ্জস্যপূর্ণ কোডেড কাঠামোতে, এর শারীরিক বৈশিষ্ট্যে dati ধারাবাহিক, এবং তাই।

বছরের পর বছর ধরে, বিভিন্ন অ্যাপ্লিকেশনের ডিজাইনাররা কীভাবে একটি অ্যাপ্লিকেশন তৈরি করা উচিত সে সম্পর্কে অনেক সিদ্ধান্ত নিয়েছে। ডিজাইনারদের অ্যাপ্লিকেশানগুলির শৈলী এবং স্বতন্ত্র ডিজাইনের সিদ্ধান্তগুলি নিজেকে একশত উপায়ে প্রকাশ করে: কোডিং, মূল কাঠামো, শারীরিক বৈশিষ্ট্য, কনভেনশন সনাক্তকরণ এবং আরও অনেক কিছুতে পার্থক্য। অসামঞ্জস্যপূর্ণ অ্যাপ্লিকেশন তৈরি করার জন্য অনেক অ্যাপ্লিকেশন ডিজাইনারের সম্মিলিত ক্ষমতা কিংবদন্তি। চিত্র 3 অ্যাপ্লিকেশনগুলি ডিজাইন করার উপায়গুলির মধ্যে কিছু গুরুত্বপূর্ণ পার্থক্য তুলে ধরে।

এনকোডিং: এনকোড:

অ্যাপ্লিকেশন ডিজাইনাররা ক্ষেত্রের এনকোডিং বেছে নিয়েছেন – যৌনতা – বিভিন্ন উপায়ে। একজন ডিজাইনার লিঙ্গকে "m" এবং "f" হিসাবে উপস্থাপন করে। অন্য ডিজাইনার লিঙ্গকে "1" এবং একটি "0" হিসাবে উপস্থাপন করে। অন্য ডিজাইনার লিঙ্গকে "x" এবং "y" হিসাবে উপস্থাপন করে। আরেকজন ডিজাইনার লিঙ্গকে "পুরুষ" এবং "মহিলা" হিসেবে উপস্থাপন করেন। যৌনতা কীভাবে DW-তে আসে তা বিবেচ্য নয়। "M" এবং "F" সম্ভবত পুরো নাটকটির মতোই ভাল।

গুরুত্বপূর্ণ বিষয় হল যে যৌন ক্ষেত্র থেকে উৎপত্তি যাই হোক না কেন, সেই ক্ষেত্রটি একটি ধারাবাহিক সমন্বিত অবস্থায় DW-তে আসে। ফলস্বরূপ যখন একটি অ্যাপ্লিকেশন থেকে ক্ষেত্রটি DW-তে লোড করা হয় যেখানে এটি "M" এবং "F" ফর্ম্যাটে উপস্থাপন করা হয়েছে, dati অবশ্যই DW ফর্ম্যাটে রূপান্তর করতে হবে।

বৈশিষ্ট্য পরিমাপ: পরিমাপ বৈশিষ্ট্য:

অ্যাপ্লিকেশন ডিজাইনাররা বছরের পর বছর ধরে বিভিন্ন উপায়ে পাইপলাইন পরিমাপ করতে বেছে নিয়েছে। একজন ডিজাইনার সঞ্চয় করে dati সেন্টিমিটারে পাইপলাইনের। অন্য অ্যাপ্লিকেশন ডিজাইনার সঞ্চয় dati ইঞ্চি পরিপ্রেক্ষিতে পাইপলাইনের. অন্য অ্যাপ্লিকেশন ডিজাইনার সঞ্চয় dati প্রতি সেকেন্ডে মিলিয়ন ঘনফুট পাইপলাইন। এবং অন্য ডিজাইনার গজ পরিপ্রেক্ষিতে পাইপলাইন তথ্য সঞ্চয়. উৎস যাই হোক না কেন, যখন পাইপলাইনের তথ্য DW-তে আসে তখন একইভাবে পরিমাপ করতে হবে।

চিত্র 3 এর ইঙ্গিত অনুসারে, ইন্টিগ্রেশন সমস্যাগুলি প্রকল্পের প্রায় প্রতিটি দিককে প্রভাবিত করে - এর শারীরিক বৈশিষ্ট্যগুলি dati, একাধিক উত্স থাকার দ্বিধা dati, অসঙ্গত চিহ্নিত নমুনার সমস্যা, এর বিন্যাস dati অসামঞ্জস্যপূর্ণ, ইত্যাদি।

ডিজাইনের বিষয় যাই হোক না কেন, ফলাফল একই - i dati DW-তে একক এবং বিশ্বব্যাপী গ্রহণযোগ্য পদ্ধতিতে সংরক্ষণ করতে হবে এমনকি অন্তর্নিহিত অপারেটিং সিস্টেমগুলি আলাদাভাবে সংরক্ষণ করলেও dati.

যখন DSS বিশ্লেষক DW-এর দিকে তাকায়, বিশ্লেষকের লক্ষ্য হওয়া উচিত dati গুদামে যারা আছেন

এর বিশ্বাসযোগ্যতা বা ধারাবাহিকতা সম্পর্কে অবাক হওয়ার চেয়ে বরং dati.

সময়ের বিভিন্নতা

সব dati ডিডব্লিউ-তে তারা কিছু সময়ে সঠিক। এই মৌলিক বৈশিষ্ট্য dati ডিডাব্লু এ এটির চেয়ে আলাদা dati অপারেটিং পরিবেশে পাওয়া যায়। দ্য dati অপারেটিং এনভায়রনমেন্ট অ্যাক্সেসের মুহূর্তের মতোই সুনির্দিষ্ট। অন্য কথায়, অপারেটিং পরিবেশে যখন একটি ড্রাইভ অ্যাক্সেস করা হয় dati, এটা প্রত্যাশিত যে এটি অ্যাক্সেসের সময় হিসাবে সুনির্দিষ্ট মান প্রতিফলিত করবে। কারন আমি dati ডিডব্লিউ-তে সুনির্দিষ্ট কিছু সময়ের মতো (অর্থাৎ, "এখন নয়"), বলা হয় যে আমি dati DW তে পাওয়া যায় "সময়ের বৈচিত্র্য"।
সময়ের বৈচিত্র্য dati ডাব্লু অনেক উপায়ে উল্লেখ করা হয়।
সহজ উপায় হ'ল i dati একটি ডিডাব্লু প্রতিনিধিত্ব করে dati দীর্ঘ সময়ের দিগন্তে - পাঁচ থেকে দশ বছর। অপারেটিং এনভায়রনমেন্টের জন্য উপস্থাপিত সময় দিগন্ত আজকের বর্তমান মানের থেকে ষাট নব্বই পর্যন্ত অনেক ছোট
যে অ্যাপ্লিকেশনগুলিকে অবশ্যই ভালভাবে কাজ করতে হবে এবং লেনদেন প্রক্রিয়াকরণের জন্য অবশ্যই উপলব্ধ হতে হবে সেগুলির ন্যূনতম পরিমাণ বহন করতে হবে dati যদি তারা নমনীয়তার কোনো মাত্রার অনুমতি দেয়। তাই অডিও অ্যাপ্লিকেশন ডিজাইন বিষয়ের মতো অপারেশনাল অ্যাপ্লিকেশনগুলির একটি স্বল্প সময়ের দিগন্ত থাকে৷
DW-তে দ্বিতীয় যেভাবে 'টাইম ভ্যারিয়েন্স' প্রদর্শিত হয় তা হল মূল কাঠামোতে। DW-এর প্রতিটি মূল কাঠামোতে অন্তর্নিহিত বা স্পষ্টভাবে একটি সময়ের উপাদান থাকে, যেমন দিন, সপ্তাহ, মাস ইত্যাদি। সময়ের উপাদানটি প্রায় সবসময়ই ডিডব্লিউতে পাওয়া সংযুক্ত কী-এর নীচে থাকে। এই উপলক্ষগুলিতে, সময়ের উপাদানটি অন্তর্নিহিতভাবে বিদ্যমান থাকবে, যেমন ক্ষেত্রে যেখানে মাস বা ত্রৈমাসিকের শেষে একটি সম্পূর্ণ ফাইল নকল করা হয়।
তৃতীয় উপায়ে সময় বৈকল্পিকতা প্রদর্শিত হয় যে i dati DW এর, একবার সঠিকভাবে নিবন্ধিত হলে, আপডেট করা যাবে না। দ্য dati DW-এর সমস্ত ব্যবহারিক উদ্দেশ্যে, স্ন্যাপশটের একটি দীর্ঘ সিরিজ। অবশ্যই যদি স্ন্যাপশটগুলি ভুলভাবে নেওয়া হয় তবে স্ন্যাপশটগুলি পরিবর্তন করা যেতে পারে। তবে স্ন্যাপশটগুলি সঠিকভাবে নেওয়া হয়েছে বলে ধরে নিলে, সেগুলি নেওয়ার সাথে সাথে সেগুলি পরিবর্তন করা হয় না। কিছু

কিছু ক্ষেত্রে এটি অনৈতিক বা এমনকি অবৈধ হতে পারে DW-তে স্ন্যাপশটগুলি সংশোধন করা। দ্য dati কার্যকরী, অ্যাক্সেসের মুহুর্তে হিসাবে সুনির্দিষ্ট, প্রয়োজন দেখা দিলে সেগুলি আপডেট করা যেতে পারে।

ভোলিটাইল নয়

ডিডাব্লু এর চতুর্থ গুরুত্বপূর্ণ বৈশিষ্ট্যটি হ'ল এটি অ-উদ্বায়ী।
আপডেট, সন্নিবেশ, মুছে ফেলা এবং পরিবর্তনগুলি নিয়মিতভাবে রেকর্ড-বাই-রেকর্ডের ভিত্তিতে অপারেশনাল পরিবেশে করা হয়। কিন্তু মৌলিক হেরফের dati ডিডব্লিউতে যেগুলো প্রয়োজন তা অনেক সহজ। DW-তে শুধুমাত্র দুই ধরনের অপারেশন হয় - প্রাথমিক লোডিং dati এবং অ্যাক্সেস dati. এর কোন আপডেট নেই dati (আপডেট করার সাধারণ অর্থে) একটি স্বাভাবিক প্রক্রিয়াকরণ অপারেশন হিসাবে DW-তে। অপারেশনাল প্রসেসিং এবং ডিডব্লিউ প্রসেসিং এর মধ্যে এই মৌলিক পার্থক্যের কিছু খুব শক্তিশালী ফলাফল রয়েছে। ডিজাইন স্তরে, অস্বাভাবিক আপডেটের বিষয়ে সতর্ক হওয়ার প্রয়োজন DW-তে একটি ফ্যাক্টর নয়, যেহেতু আপডেট করার সময় dati বাহিত হয় না এর মানে হল যে শারীরিক নকশা স্তরে, অ্যাক্সেস অপ্টিমাইজ করার জন্য স্বাধীনতা নেওয়া যেতে পারে dati, বিশেষ করে শারীরিক স্বাভাবিকীকরণ এবং অস্বাভাবিককরণের বিষয়গুলি নিয়ে কাজ করার ক্ষেত্রে। DW ক্রিয়াকলাপগুলির সরলতার আরেকটি ফলাফল হল DW পরিবেশ চালানোর জন্য ব্যবহৃত অন্তর্নিহিত প্রযুক্তিতে। ইনলাইন রেকর্ড-বাই-রেকর্ড আপডেটগুলিকে সমর্থন করার জন্য (যেমনটি প্রায়শই অপারেশনাল প্রসেসিংয়ের ক্ষেত্রে হয়) প্রযুক্তির আপাত সরলতার নীচে একটি খুব জটিল ভিত্তি থাকা প্রয়োজন।
প্রযুক্তি যা ব্যাকআপ এবং পুনরুদ্ধার, লেনদেন এবং অখণ্ডতা সমর্থন করে dati এবং অচল অবস্থার সনাক্তকরণ এবং প্রতিকার বেশ জটিল এবং DW প্রক্রিয়াকরণের জন্য প্রয়োজনীয় নয়। একটি DW এর বৈশিষ্ট্য, ডিজাইন ওরিয়েন্টেশন, এর ইন্টিগ্রেশন dati DW এর মধ্যে, সময়ের বৈচিত্র্য এবং ব্যবস্থাপনার সরলতা dati, এটি সব একটি পরিবেশের দিকে পরিচালিত করে যা ক্লাসিক অপারেটিং পরিবেশ থেকে খুব, খুব আলাদা। প্রায় সকলের উৎস dati DW এর অপারেটিং পরিবেশ। এটা ভাবতে প্রলুব্ধ হয় যে এর বিশাল অপ্রয়োজনীয়তা আছে dati দুটি পরিবেশের মধ্যে।
প্রকৃতপক্ষে, অনেক লোকের প্রথম ছাপটি হল মহান অপ্রয়োজনীয়তার dati অপারেটিং পরিবেশ এবং

DW. এই ধরনের ব্যাখ্যা অতিমাত্রায় এবং ডিডব্লিউ-তে কী ঘটে তা বোঝার অভাব দেখায়।
প্রকৃতপক্ষে অপ্রয়োজনীয় কমপক্ষে dati অপারেটিং পরিবেশ এবং i এর মধ্যে dati DW এর। নিম্নলিখিত বিবেচনা করুন: I dati ফিল্টার করা হয় উপাত্ত অপারেটিং পরিবেশ থেকে DW পরিবেশে স্যুইচ করা। অনেক dati তারা কখনই অপারেটিং পরিবেশের বাইরে যায় না। তা ছাড়া i dati যেগুলি ডিএসএস প্রক্রিয়াকরণের জন্য প্রয়োজনীয় পরিবেশে তাদের দিক খুঁজে বের করে

▪ সময় দিগন্ত dati এটি এক পরিবেশ থেকে অন্য পরিবেশে খুব আলাদা। দ্য dati অপারেটিং পরিবেশে তারা খুব তাজা। দ্য dati DW-তে তারা অনেক বেশি বয়স্ক। শুধুমাত্র সময় দিগন্তের দৃষ্টিকোণ থেকে, অপারেশনাল পরিবেশ এবং DW-এর মধ্যে খুব কম ওভারল্যাপ আছে।

▪ DW-তে রয়েছে dati সারাংশ যা পরিবেশে পাওয়া যায় না

▪ আমি dati তারা চিত্র 3 এ রূপান্তরিত হওয়ার সাথে সাথে একটি মৌলিক রূপান্তরের মধ্য দিয়ে যায় যা সবচেয়ে বেশি চিত্রিত করে dati উল্লেখযোগ্যভাবে পরিবর্তিত হয় যদি সেগুলি নির্বাচিত হয় এবং DW-তে স্থানান্তরিত হয়। অন্য উপায় রাখুন, অধিকাংশ dati এটি DW-তে স্থানান্তরিত হওয়ার সাথে সাথে এটি শারীরিক এবং আমূল পরিবর্তন হয়। একীকরণের দৃষ্টিকোণ থেকে তারা এক নয় dati যা অপারেটিং পরিবেশে থাকে। এই কারণগুলির আলোকে, এর অপ্রয়োজনীয়তা dati দুটি পরিবেশের মধ্যে একটি বিরল ঘটনা, যা দুটি পরিবেশের মধ্যে 1% এর কম অপ্রয়োজনীয়তার দিকে পরিচালিত করে। গুদাম স্ট্রাকচার DW এর একটি স্বতন্ত্র গঠন আছে। বিভিন্ন স্তরের সারাংশ এবং বিশদ বিবরণ রয়েছে যা DW-কে সীমাবদ্ধ করে।
ডিডাব্লু এর বিভিন্ন উপাদানগুলি হ'ল:

• মেটাডাটা
• Dati বর্তমান বিশদ
• Dati পুরানো বিস্তারিত
• Dati সামান্য সংক্ষেপে
• Dati অত্যন্ত সংক্ষেপে

এখন পর্যন্ত মূল উদ্বেগ i dati বর্তমান বিবরণ। এটি প্রধান উদ্বেগ কারণ:

• I dati বর্তমান বিবরণ সবচেয়ে সাম্প্রতিক ঘটনাগুলি প্রতিফলিত করে, যা সর্বদা মহান আগ্রহের এবং
• i dati বর্তমান বিশদটি বিশাল কারণ এটি গ্রানুলারিটির সর্বনিম্ন স্তরে সংরক্ষণ করা হয় এবং
• i dati বর্তমান বিবরণ প্রায় সবসময় ডিস্ক মেমরিতে সংরক্ষণ করা হয়, যা দ্রুত অ্যাক্সেস করা যায়, কিন্তু ব্যবহার করা ব্যয়বহুল এবং জটিল dati পুরানো বিবরণ হয় dati যা কিছু স্মৃতিতে সংরক্ষিত থাকে ভর. এটি বিক্ষিপ্তভাবে অ্যাক্সেস করা হয় এবং এর সাথে সামঞ্জস্যপূর্ণ বিশদ স্তরে সংরক্ষণ করা হয় dati বর্তমান বিবরণ। যদিও এটি একটি বিকল্প স্টোরেজ মিডিয়ামে সঞ্চয় করা বাধ্যতামূলক নয়, এর বড় ভলিউমের কারণে dati এর বিক্ষিপ্ত অ্যাক্সেসের সাথে মিলিত dati, স্মৃতি মাধ্যমের জন্য dati পুরানো বিস্তারিত তথ্য সাধারণত ডিস্কে সংরক্ষণ করা হয় না। দ্য dati সংক্ষেপে হালকা হয় dati যেগুলি নিম্ন স্তরের বিশদ বিবরণ থেকে বর্তমান স্তরে পাওয়া যায়। DW-এর এই স্তরটি প্রায় সবসময়ই ডিস্ক স্টোরেজে সংরক্ষিত থাকে। নকশা সমস্যা স্থপতি সম্মুখীন dati ডিডাব্লু এর এই স্তরের নির্মাণে রয়েছে:

• উপরের সারাংশটি সময়ের কোন একক
• কোন বিষয়বস্তু, গুণাবলী সামান্য বিষয়বস্তু সংক্ষিপ্ত হবে dati পরবর্তী স্তর dati ডিডাব্লু পাওয়া যায় যে dati অত্যন্ত সংক্ষিপ্ত. দ্য dati অত্যন্ত সংক্ষিপ্ত কম্প্যাক্ট এবং সহজে অ্যাক্সেসযোগ্য. দ্য dati অত্যন্ত সংক্ষিপ্ত করা কখনও কখনও DW পরিবেশে পাওয়া যায় এবং অন্যান্য ক্ষেত্রে i dati অত্যন্ত সংক্ষিপ্ত করা প্রযুক্তির তাৎক্ষণিক দেয়ালের বাইরে পাওয়া যায় যেখানে DW রয়েছে। (যে কোনো ক্ষেত্রে, i dati অত্যন্ত সংক্ষিপ্ত বিবরণ DW এর অংশ যেখানে i dati শারীরিকভাবে রাখা হয়)। DW এর চূড়ান্ত উপাদান হল মেটাডেটা। অনেক ক্ষেত্রেই মেটাডেটা অন্যদের থেকে ভিন্ন মাত্রায় বসে dati ডিডাব্লু এর, কারণ মেটাডেটাতে কোনওটি নেই উপাত্ত অপারেটিং পরিবেশ থেকে সরাসরি নেওয়া। মেটাডেটা DW-তে একটি বিশেষ এবং অত্যন্ত গুরুত্বপূর্ণ ভূমিকা রয়েছে। মেটাডেটা হিসাবে ব্যবহার করা হয়:

• DSS বিশ্লেষককে DW এর বিষয়বস্তু সনাক্ত করতে সাহায্য করার জন্য একটি ডিরেক্টরি,
• ম্যাপিং করার জন্য একটি গাইড dati কিভাবে আমি dati অপারেশনাল পরিবেশ থেকে DW পরিবেশে রূপান্তরিত হয়েছে,
• এর মধ্যে সংক্ষিপ্তকরণের জন্য ব্যবহৃত অ্যালগরিদমগুলির একটি নির্দেশিকা dati বর্তমান বিবরণ ei dati সামান্য সংক্ষেপে, i dati অত্যন্ত সংক্ষিপ্ত, মেটাডেটা DW পরিবেশে অপারেশনাল পরিবেশের তুলনায় অনেক বেশি ভূমিকা পালন করে পুরানো বিশদ স্টোরেজ মিডিয়াম চৌম্বকীয় টেপটি এই ধরণের সঞ্চয় করতে ব্যবহার করা যেতে পারে dati. প্রকৃতপক্ষে বিভিন্ন ধরণের স্টোরেজ মিডিয়া রয়েছে যা পুরানো স্টোরেজের জন্য বিবেচনা করা উচিত dati বিস্তারিত এর আয়তনের উপর নির্ভর করে dati, অ্যাক্সেসের ফ্রিকোয়েন্সি, সরঞ্জামগুলির খরচ এবং অ্যাক্সেসের ধরন, এটি সম্পূর্ণভাবে সম্ভব যে অন্যান্য সরঞ্জামগুলির জন্য DW-তে পুরানো স্তরের বিস্তারিত প্রয়োজন হবে। ডেটা ফ্লু দেবতাদের একটি স্বাভাবিক এবং অনুমানযোগ্য প্রবাহ রয়েছে dati ডিডাব্লু এর মধ্যে
  I dati তারা অপারেটিং পরিবেশ থেকে DW তে প্রবেশ করে। (দ্রষ্টব্য: এই নিয়মের কিছু খুব আকর্ষণীয় ব্যতিক্রম আছে। যাইহোক, প্রায় সব dati অপারেটিং পরিবেশ থেকে DW লিখুন) enter তারিখ যে আমি dati অপারেটিং এনভায়রনমেন্ট থেকে DW এ প্রবেশ করুন, এটি পূর্বে বর্ণিত হিসাবে রূপান্তরিত হয়। DW তে প্রবেশের শর্তে, i dati বিশদ বর্তমান স্তর লিখুন, যেমন দেখানো হয়েছে। এটি সেখানে থাকে এবং তিনটি ঘটনার একটি না হওয়া পর্যন্ত ব্যবহার করা হয়:

• শুদ্ধ হয়,
• সংক্ষিপ্ত করা হয়, এবং/অথবা ▪è একটি DW এর মধ্যে অপ্রচলিত প্রক্রিয়া i dati বর্তমান বিবরণ a dati পুরানো বিবরণ, বয়স অনুযায়ী dati। প্রক্রিয়া

সংক্ষিপ্তকরণ এর বিশদ ব্যবহার করে dati গণনা i dati সামান্য সংক্ষিপ্ত এবং উচ্চ সংক্ষিপ্ত স্তর dati. দেখানো প্রবাহের কিছু ব্যতিক্রম আছে (পরে আলোচনা করা হবে)। যাইহোক, সাধারণত, অধিকাংশ জন্য dati একটি DW মধ্যে পাওয়া যায়, এর প্রবাহ dati চিত্র হিসাবে।

ডেটাওয়ারহাউস ব্যবহার করা

আশ্চর্যজনকভাবে বিভিন্ন স্তরের নয় dati DW এর মধ্যে তারা বিভিন্ন স্তরের ব্যবহার পায় না। একটি নিয়ম হিসাবে, সারাংশের স্তর যত বেশি হবে, তত বেশি i dati তারা ব্যবহার করা হয়।
অনেক ব্যবহার ঘটে dati অত্যন্ত সংক্ষিপ্তসার, যখন পুরানো dati বিস্তারিত প্রায় ব্যবহার করা হয় না. সংস্থাটিকে সম্পদ ব্যবহারের দৃষ্টান্তে নিয়ে যাওয়ার একটি ভাল কারণ রয়েছে। আরো সংক্ষিপ্ত করা i dati, দ্রুত এবং আরও দক্ষ এটি পৌঁছানোর জন্য dati. যদি একটি দোকান খুঁজে পায় যে এটি DW এর বিস্তারিত স্তরে অনেকগুলি প্রক্রিয়া করে, তারপরে সংশ্লিষ্ট বৃহৎ পরিমাণে মেশিন সংস্থান গ্রহণ করা হয়। যত তাড়াতাড়ি সম্ভব উচ্চ স্তরের সংক্ষিপ্তকরণ প্রক্রিয়া করা প্রত্যেকের স্বার্থে।

অনেক স্টোরের জন্য, প্রাক-পরিবেশগত ডিডাব্লুতে ডিএসএস বিশ্লেষক ব্যবহৃত হয় dati বিস্তারিত স্তরে। অনেক ক্ষেত্রে আগমন a dati বিশদ সারাংশ একটি নিরাপত্তা কম্বলের অনুরূপ, এমনকি যখন অন্যান্য স্তরের সারাংশ উপলব্ধ থাকে। একজন স্থপতির কর্মকাণ্ড dati DSS ব্যবহারকারীকে এর ক্রমাগত ব্যবহার থেকে মুক্ত করা dati বিস্তারিত সর্বনিম্ন স্তরে। এর স্থপতির কাছে দুটি প্রেরণা পাওয়া যায় dati:

• একটি চার্জব্যাক সিস্টেম ইনস্টল করার মাধ্যমে, যেখানে শেষ ব্যবহারকারী খরচ করা সম্পদের জন্য অর্থ প্রদান করে এবং
• যা ইঙ্গিত দেয় যে খুব ভাল প্রতিক্রিয়া সময় অর্জন করা যেতে পারে যখন i এর সাথে আচরণ করে dati সংক্ষিপ্তকরণের উচ্চ স্তরে রয়েছে, যখন দুর্বল প্রতিক্রিয়ার সময় এর আচরণ থেকে আসে dati একটি নিম্ন স্তরে অন্যান্য বিবেচ্য বিষয় কিছু অন্যান্য DW নির্মাণ এবং ব্যবস্থাপনা বিবেচনা আছে.
  প্রথম বিবেচনাটি সূচকগুলির। দ্য dati সংক্ষিপ্তকরণের উচ্চ স্তরে এগুলি অবাধে সূচিত করা যেতে পারে, যখন i dati

নিম্ন স্তরের বিশদ বিবরণে এগুলি এতটাই ভারী যে সেগুলিকে মিতব্যয়ীভাবে সূচিত করা যেতে পারে। একই টোকেন থেকে, i dati বিস্তারিত উচ্চ মাত্রায় তুলনামূলকভাবে সহজে পুনর্গঠন করা যেতে পারে, যখন ভলিউম dati নিম্ন স্তরে এটি এত বড় যে i dati তারা সহজে সংস্কার করা যাবে না. ফলস্বরূপ, এর মডেল dati এবং নকশা দ্বারা সম্পন্ন আনুষ্ঠানিক কাজ প্রায় একচেটিয়াভাবে বর্তমান বিস্তারিত স্তরে প্রয়োগ করা DW এর ভিত্তি স্থাপন করে। অন্য কথায়, মডেলিং কার্যক্রম dati তারা প্রায় প্রতিটি ক্ষেত্রে, সংক্ষিপ্তকরণ স্তরে প্রযোজ্য নয়। আরেকটি স্ট্রাকচারাল বিবেচ্য বিষয় হল উপবিভাগের dati ডিডাব্লু দ্বারা

বিভাজন দুটি স্তরে করা যেতে পারে - এর স্তরে ডিবিএমএস এবং অ্যাপ্লিকেশন স্তরে। পর্যায়ে বিভাগে ডিবিএমএসএটা ডিবিএমএস বিভাগ সম্পর্কে অবহিত করা হয় এবং সে অনুযায়ী তাদের নিয়ন্ত্রণ করে। আবেদন স্তরে বিভাগের ক্ষেত্রে, শুধুমাত্র প্রোগ্রামারকে বিভাগ সম্পর্কে অবহিত করা হয় এবং তাদের প্রশাসনের দায়িত্ব তার উপর ছেড়ে দেওয়া হয়।

স্তর নীচে ডিবিএমএস, অনেক কাজ স্বয়ংক্রিয়ভাবে সম্পন্ন হয়. স্বয়ংক্রিয়ভাবে বিভাগ পরিচালনার সাথে যুক্ত অনেক নমনীয়তা রয়েছে। বিভাজনের ক্ষেত্রে আবেদনের পর্যায়ে dati এর তথ্য গুদাম, অনেক কাজ প্রোগ্রামার উপর ওজন, কিন্তু শেষ ফলাফল হল প্রশাসনের নমনীয়তা dati নেল তথ্য গুদাম

অন্যান্য মন্তব্যসমূহ

যখন উপাদান তথ্য গুদাম তারা প্রায় সব জন্য বর্ণিত হিসাবে কাজ dati, কিছু দরকারী ব্যতিক্রম আছে যা আলোচনা করা প্রয়োজন। একটি ব্যতিক্রম যে dati পাবলিক সারাংশ তথ্য. এইগুলো dati সারসংক্ষেপ যে গণনা করা হয়েছে তথ্য গুদাম তারা সমাজ দ্বারা ব্যবহৃত হয়। দ্য dati সর্বজনীন সংক্ষিপ্তসারগুলি সংরক্ষণ করা হয় এবং পরিচালিত হয় তথ্য গুদাম, যদিও পূর্বে উল্লিখিত হিসাবে তারা গণনা করা হয়. হিসাবরক্ষক এই ধরনের ত্রৈমাসিক উত্পাদন কাজ dati যেমন আয়, ত্রৈমাসিক ব্যয়, ত্রৈমাসিক মুনাফা ইত্যাদি। হিসাবরক্ষক দ্বারা সম্পন্ন কাজ বাহ্যিক হয় তথ্য গুদাম। তবে, i dati কোম্পানীর মধ্যে "অভ্যন্তরীণভাবে" ব্যবহৃত হয় - থেকে মার্কেটিং, বিক্রয়, ইত্যাদি আরেকটি অসঙ্গতি, যা আলোচনা করা হবে না, তা হল dati বাহ্যিক

আর এক দুর্দান্ত ধরণের dati যে একটি পাওয়া যাবে তথ্য গুদাম স্থায়ী বিস্তারিত তথ্য যে. এই স্থায়ীভাবে সংরক্ষণ করার প্রয়োজন কারণ dati নৈতিক বা আইনগত কারণে একটি বিস্তারিত স্তরে। যদি একটি কোম্পানি তার কর্মীদের বিপজ্জনক পদার্থের সাথে এক্সপোজ করে তবে এটি করার প্রয়োজন রয়েছে dati বিস্তারিত এবং স্থায়ী। যদি একটি কোম্পানি এমন একটি পণ্য তৈরি করে যা জননিরাপত্তার সাথে জড়িত, যেমন বিমানের যন্ত্রাংশ, সেখানে একটি প্রয়োজন আছে dati স্থায়ী বিবরণ, সেইসাথে যদি একটি কোম্পানি বিপজ্জনক চুক্তিতে প্রবেশ করে।

কোম্পানির বিশদ উপেক্ষা করার সামর্থ্য নেই কারণ পরবর্তী কয়েক বছরে, মামলা, প্রত্যাহার, বিতর্কিত নির্মাণ ত্রুটি ইত্যাদির ক্ষেত্রে। কোম্পানির এক্সপোজার বড় হতে পারে. ফলে একটি অনন্য ধরনের আছে dati স্থায়ী বিশদ ডেটা হিসাবে পরিচিত।

সারসংক্ষেপ

Un তথ্য গুদাম একটি বস্তু ভিত্তিক, সমন্বিত, সময় বৈকল্পিক, একটি সংগ্রহ dati প্রশাসনের সিদ্ধান্ত গ্রহণের প্রয়োজনীয়তা সমর্থন করার জন্য অস্থির। প্রতিটি প্রধান কাজ ক তথ্য গুদাম এর প্রভাব রয়েছে। এছাড়াও চারটি স্তর রয়েছে dati এর তথ্য গুদাম:

• পুরানো বিস্তারিত
• বর্তমান বিস্তারিত
• Dati সামান্য সংক্ষেপে
• Dati অত্যন্ত সংক্ষিপ্ত মেটাডেটাও এর একটি গুরুত্বপূর্ণ অংশ তথ্য গুদাম. সংক্ষিপ্তসার স্টোরেজ ধারণা dati এটি সম্প্রতি অনেক মনোযোগ পেয়েছে এবং এটি 90 এর একটি প্রবণতা হয়ে উঠেছে তথ্য গুদাম ম্যানেজমেন্ট সাপোর্ট সিস্টেমের সীমাবদ্ধতা যেমন ডিসিশন সাপোর্ট সিস্টেম (DSS) এবং এক্সিকিউটিভ ইনফরমেশন সিস্টেম (EIS) কাটিয়ে উঠতে। এমনকি যদি ধারণা তথ্য গুদাম প্রতিশ্রুতিশীল দেখায়, আমি বাস্তবায়ন তথ্য গুদাম বড় আকারের গুদামজাতকরণ প্রক্রিয়ার কারণে সমস্যা হতে পারে। গুদামজাতকরণ প্রকল্পের জটিলতা সত্ত্বেও dati, অনেক সরবরাহকারী এবং পরামর্শদাতা যারা স্টক dati তারা দাবি করে যে স্টোরেজ dati বর্তমান কোন সমস্যা সৃষ্টি করে না। যাইহোক, এই গবেষণা প্রকল্পের শুরুতে, প্রায় কোন স্বাধীন, কঠোর এবং পদ্ধতিগত গবেষণা করা হয়নি। ফলে শিল্পে আসলে কী ঘটে, তা বলা কঠিন তথ্য গুদাম. এই গবেষণার গুদামজাতকরণ অনুশীলন অন্বেষণ dati সমসাময়িক যার লক্ষ্য অস্ট্রেলিয়ান অনুশীলনের একটি সমৃদ্ধ বোঝার বিকাশ করা। সাহিত্য পর্যালোচনা অভিজ্ঞতামূলক অধ্যয়নের জন্য প্রসঙ্গ এবং ভিত্তি প্রদান করে। এই গবেষণা থেকে ফলাফলের সংখ্যা আছে. প্রথমত, এই গবেষণাটি বিকাশের সময় উদ্ভূত কার্যকলাপগুলি প্রকাশ করে তথ্য গুদাম। অনেক ক্ষেত্রে, i dati সংগৃহীত অনুশীলন সাহিত্যে রিপোর্ট নিশ্চিত. দ্বিতীয়ত, সমস্যা এবং সমস্যা যা উন্নয়নকে প্রভাবিত করতে পারে তথ্য গুদাম এই গবেষণা দ্বারা চিহ্নিত করা হয়. অবশেষে, অর্জিত সুবিধাগুলি অস্ট্রেলিয়ান সংস্থাগুলির ব্যবহারের সাথে যুক্ত তথ্য গুদাম প্রকাশিত হয়েছে

অধ্যায় 1

গবেষণা প্রসঙ্গে

ডেটা গুদামজাতকরণের ধারণাটি ব্যাপকভাবে প্রকাশ পেয়েছে এবং 90-এর দশকে এটি একটি উদীয়মান প্রবণতা হয়ে উঠেছে (McFadden 1996, TDWI 1996, Shah and Milstein 1997, Shanks et al. 1997, Eckerson 1998, Adelman and Oates 2000)। এটি ট্রেড পাবলিকেশনে ডেটা গুদামজাতকরণ সম্পর্কিত নিবন্ধের ক্রমবর্ধমান সংখ্যা থেকে দেখা যায় (লিটল এবং গিবসন 1999)। অনেক নিবন্ধ (উদাহরণস্বরূপ, Fisher 1995, Hackathorn 1995, Morris 1995a, Bramblett and King 1996, Graham et al. 1996, Sakaguchi and Frolick 1996, Alvarez 1997, Brousell 1997, Mc1997, C1997, C1997 ৭, Edwards 1998, TDWI 1999) i বাস্তবায়নকারী সংস্থাগুলি দ্বারা অর্জিত উল্লেখযোগ্য সুবিধার কথা জানিয়েছে তথ্য গুদাম. তারা তাদের তত্ত্বকে সফল বাস্তবায়নের উপাখ্যানমূলক প্রমাণ, বিনিয়োগের উপর উচ্চ রিটার্ন (ROI) পরিসংখ্যান এবং এছাড়াও, উন্নয়নের জন্য নির্দেশিকা বা পদ্ধতি প্রদান করে সমর্থন করেছিল। তথ্য গুদাম

(Shanks et al. 1997, Seddon and Benjamin 1998, Little and Gibson 1999)। একটি চরম ক্ষেত্রে, গ্রাহাম এট আল। (1996) 401% এর তিন বছরের বিনিয়োগে গড় রিটার্ন রিপোর্ট করেছে।

যদিও বর্তমান সাহিত্যের বেশিরভাগই এই ধরনের প্রকল্প গ্রহণের সাথে জড়িত জটিলতাগুলিকে উপেক্ষা করেছে। এর প্রকল্পগুলি তথ্য গুদাম এগুলি সাধারণত জটিল এবং বড় আকারের হয় এবং তাই সাবধানে নিয়ন্ত্রণ না করা হলে ব্যর্থতার উচ্চ সম্ভাবনা থাকে (শাহ এবং মিলস্টেইন 1997, একারসন 1997, ফোলি 1997বি, জিমার 1997, বোর্ট 1998, গিবস এবং ক্লাইমার 1998, রাও 1998)। তাদের জন্য প্রচুর পরিমাণে মানব ও আর্থিক সংস্থান এবং সেগুলি তৈরি করার জন্য সময় এবং প্রচেষ্টা প্রয়োজন (হিল 1998, ক্রফ্টস 1998)। সাধারণ সময় এবং আর্থিক উপায়ের প্রয়োজন যথাক্রমে প্রায় দুই বছর এবং দুই থেকে তিন মিলিয়ন ডলার (Braly 1995, Foley 1997b, Bort 1998, Humphries et al. 1999)। ডেটা গুদামজাতকরণের বিভিন্ন দিক নিয়ন্ত্রণ এবং একত্রিত করার জন্য এই সময় এবং আর্থিক উপায়গুলির প্রয়োজন (Cafasso 1995, Hill 1998)। হার্ডওয়্যার এবং সফ্টওয়্যার বিবেচনার পাশাপাশি, অন্যান্য ফাংশন, যা নিষ্কাশন থেকে পরিবর্তিত হয় dati এর লোডিং প্রক্রিয়াগুলিতে dati, আপডেট এবং মেটা পরিচালনা করার মেমরি ক্ষমতা dati ব্যবহারকারী প্রশিক্ষণের জন্য, তাদের অবশ্যই বিবেচনা করা উচিত।

যখন এই গবেষণা প্রকল্পটি শুরু হয়েছিল, তখন ডেটা গুদামজাতকরণের ক্ষেত্রে বিশেষত অস্ট্রেলিয়ায় খুব কম একাডেমিক গবেষণা পরিচালিত হয়েছিল। জার্নাল বা অন্যান্য একাডেমিক লেখা থেকে ডেটা গুদামজাতকরণের উপর প্রকাশিত নিবন্ধের অভাব থেকে এটি স্পষ্ট হয়েছিল। উপলব্ধ অনেক একাডেমিক লেখা মার্কিন অভিজ্ঞতা বর্ণনা করেছে. ডেটা গুদামজাতকরণের ক্ষেত্রে একাডেমিক গবেষণার অভাব কঠোর গবেষণা এবং অভিজ্ঞতামূলক গবেষণার আহ্বান জানিয়েছে (McFadden 1996, Shanks et al. 1997, Little and Gibson 1999)। বিশেষ করে, এর বাস্তবায়ন প্রক্রিয়া গবেষণা গবেষণা তথ্য গুদাম বাস্তবায়ন সংক্রান্ত সাধারণ জ্ঞান প্রসারিত করা প্রয়োজন তথ্য গুদাম এবং ভবিষ্যতের গবেষণা অধ্যয়নের ভিত্তি হিসাবে কাজ করবে (শ্যাঙ্কস এট আল। 1997, লিটল এবং গিবসন 1999)।

এই অধ্যয়নের উদ্দেশ্য, তাই, অধ্যয়ন করা যে আসলে কী ঘটে যখন সংস্থাগুলি পরিচালনা করে এবং i ব্যবহার করে তথ্য গুদাম অস্ট্রেলিয়া. বিশেষত, এই গবেষণায় একটি সম্পূর্ণ উন্নয়ন প্রক্রিয়ার বিশ্লেষণ জড়িত থাকবে তথ্য গুদাম, সূচনা ও পরিকল্পনা থেকে শুরু করে নকশা ও বাস্তবায়নের মাধ্যমে এবং পরবর্তীতে অস্ট্রেলিয়ান প্রতিষ্ঠানের মধ্যে ব্যবহার। এছাড়াও, অধ্যয়নটি এমন ক্ষেত্রগুলি চিহ্নিত করে যেখানে অনুশীলনকে আরও উন্নত করা যেতে পারে এবং অদক্ষতা এবং ঝুঁকিগুলি হ্রাস বা এড়ানো যেতে পারে তা চিহ্নিত করে বর্তমান অনুশীলনে অবদান রাখবে। উপরন্তু, এটি অন্যান্য গবেষণার জন্য একটি ভিত্তি হিসাবে পরিবেশন করা হবে তথ্য গুদাম অস্ট্রেলিয়ায় এবং বর্তমানে সাহিত্যে যে শূন্যতা রয়েছে তা পূরণ করবে।

গবেষনার প্রম্নমালা

এই গবেষণার উদ্দেশ্য হল বাস্তবায়নের সাথে জড়িত কার্যকলাপগুলি অধ্যয়ন করা তথ্য গুদাম এবং অস্ট্রেলিয়ান সংস্থাগুলির দ্বারা তাদের ব্যবহার। বিশেষ করে, প্রকল্প পরিকল্পনা, উন্নয়ন, অপারেশন, ব্যবহার এবং জড়িত ঝুঁকি সম্পর্কিত উপাদানগুলি অধ্যয়ন করা হয়। তাই এই গবেষণার প্রশ্ন হল:

“এখনকার অনুশীলন কেমন? তথ্য গুদাম অস্ট্রেলিয়া?"

কার্যকরভাবে এই প্রশ্নের উত্তর দিতে, বেশ কয়েকটি সহায়ক গবেষণা প্রশ্ন প্রয়োজন। বিশেষ করে, সাহিত্য থেকে তিনটি উপ-প্রশ্ন চিহ্নিত করা হয়েছিল, যা এই গবেষণা প্রকল্পকে গাইড করার জন্য অধ্যায় 2 এ উপস্থাপিত হয়েছে: কীভাবে তথ্য গুদাম অস্ট্রেলিয়ান সংস্থা থেকে? আপনি কি সমস্যার সম্মুখীন হয়েছে?

কি সুবিধা বেনিফিট হয়?
এই প্রশ্নের উত্তর দেওয়ার জন্য, একটি সমীক্ষা নিযুক্ত একটি অনুসন্ধানমূলক গবেষণা নকশা ব্যবহার করা হয়েছিল। একটি অনুসন্ধানমূলক অধ্যয়ন হিসাবে, উপরের প্রশ্নগুলির উত্তর সম্পূর্ণ নয় (Shanks et al. 1993, Denscombe 1998)। এই ক্ষেত্রে, এই প্রশ্নগুলির উত্তর উন্নত করার জন্য ত্রিভুজকরণ প্রয়োজন। যাইহোক, তদন্ত এই প্রশ্নগুলি পরীক্ষা করে ভবিষ্যতের কাজের জন্য একটি শক্ত ভিত্তি প্রদান করবে। গবেষণা পদ্ধতির ন্যায্যতা এবং নকশা সম্পর্কে একটি বিশদ আলোচনা অধ্যায় 3 এ উপস্থাপন করা হয়েছে।

গবেষণা প্রকল্পের কাঠামো

এই গবেষণা প্রকল্পটি দুটি ভাগে বিভক্ত: ডেটা গুদামজাতকরণ ধারণার প্রাসঙ্গিক অধ্যয়ন এবং অভিজ্ঞতামূলক গবেষণা (চিত্র 1.1 দেখুন), যার প্রতিটি নিচে আলোচনা করা হয়েছে।

প্রথম খণ্ড: প্রাসঙ্গিক অধ্যয়ন

গবেষণার প্রথম অংশে ডিসিশন সাপোর্ট সিস্টেম (ডিএসএস), এক্সিকিউটিভ ইনফরমেশন সিস্টেম (ইআইএস), কেস স্টাডিসহ বিভিন্ন ধরনের ডেটা গুদামজাতকরণের বর্তমান সাহিত্য পর্যালোচনা করা ছিল। তথ্য গুদাম এবং এর ধারণা তথ্য গুদাম. উপরন্তু, ফোরাম ফলাফল তথ্য গুদাম এবং মোনাশ ডিএসএস রিসার্চ টিমের নেতৃত্বে বিশেষজ্ঞ এবং অনুশীলনকারীর মিটিং গ্রুপ, অধ্যয়নের এই পর্যায়ে অবদান রেখেছিল যার উদ্দেশ্য ছিল অনুশীলনের অন্তর্দৃষ্টি অর্জন করা। তথ্য গুদাম এবং তাদের গ্রহণের সাথে জড়িত ঝুঁকিগুলি চিহ্নিত করা। এই প্রাসঙ্গিক অধ্যয়নের সময়কালে, পরবর্তী অভিজ্ঞতামূলক তদন্তের জন্য পটভূমি জ্ঞান প্রদানের জন্য সমস্যা এলাকার বোঝার প্রতিষ্ঠা করা হয়েছিল। যাইহোক, গবেষণা অধ্যয়ন পরিচালনার সময় এটি একটি চলমান প্রক্রিয়া ছিল।

দ্বিতীয় খণ্ড: অভিজ্ঞতামূলক গবেষণা

ডেটা গুদামজাতকরণের তুলনামূলকভাবে নতুন ধারণা, বিশেষ করে অস্ট্রেলিয়ায়, ব্যবহারকারীর অভিজ্ঞতার বিস্তৃত চিত্র পেতে একটি সমীক্ষার প্রয়োজন তৈরি করেছে। বিস্তৃত সাহিত্য পর্যালোচনার মাধ্যমে সমস্যা ডোমেনটি প্রতিষ্ঠিত হওয়ার পরে এই অংশটি করা হয়েছিল। প্রাসঙ্গিক অধ্যয়ন পর্বের সময় গঠিত ডেটা-গুদামজাতকরণ ধারণাটি এই গবেষণার প্রাথমিক প্রশ্নাবলীর জন্য ইনপুট হিসাবে ব্যবহৃত হয়েছিল। এর পর প্রশ্নপত্র পরীক্ষা করা হয়। আপনি বিশেষজ্ঞ তথ্য গুদাম পরীক্ষায় অংশগ্রহণ করেন। প্রাথমিক প্রশ্নাবলী পরীক্ষা করার উদ্দেশ্য ছিল প্রশ্নের সম্পূর্ণতা এবং নির্ভুলতা পরীক্ষা করা। পরীক্ষার ফলাফলের উপর ভিত্তি করে, প্রশ্নাবলী পরিবর্তন করা হয়েছিল এবং পরিবর্তিত সংস্করণটি জরিপ অংশগ্রহণকারীদের কাছে পাঠানো হয়েছিল। প্রত্যাবর্তিত প্রশ্নাবলী তারপর i জন্য বিশ্লেষণ করা হয় dati টেবিল, ডায়াগ্রাম এবং অন্যান্য ফর্ম্যাটগুলিতে। দ্য

বিশ্লেষণ ফলাফল dati তারা অস্ট্রেলিয়ায় ডেটা গুদামজাতকরণ অনুশীলনের একটি স্ন্যাপশট তৈরি করে।

ডেটা সতর্কতা পর্যালোচনা

কম্পিউটার প্রযুক্তির উন্নতির সাথে ডেটা গুদামজাতকরণের ধারণাটি বিকশিত হয়েছে।
এটি ডিসিশন সাপোর্ট সিস্টেম (ডিএসএস) এবং এক্সিকিউটিভ ইনফরমেশন সিস্টেম (ইআইএস) এর মতো অ্যাপ্লিকেশন সহায়তা গোষ্ঠীগুলির সম্মুখীন সমস্যাগুলি কাটিয়ে ওঠার লক্ষ্যে।

অতীতে এই অ্যাপ্লিকেশনগুলির সবচেয়ে বড় বাধা ছিল এই অ্যাপ্লিকেশনগুলির একটি প্রদানের অক্ষমতা তথ্যশালা বিশ্লেষণের জন্য প্রয়োজনীয়।
এটি প্রধানত ব্যবস্থাপনার কাজের প্রকৃতির কারণে ঘটে। কভার করা এলাকার উপর নির্ভর করে একটি কোম্পানির ব্যবস্থাপনার স্বার্থ ক্রমাগত পরিবর্তিত হয়। অতএব, আমি dati এই অ্যাপ্লিকেশনগুলির জন্য মৌলিক তারা অবশ্যই চিকিত্সা করা অংশের উপর নির্ভর করে দ্রুত পরিবর্তন করতে সক্ষম হবে।
এর অর্থ হ'ল i dati অনুরোধকৃত বিশ্লেষণের জন্য উপযুক্ত ফর্মে উপলব্ধ হতে হবে। প্রকৃতপক্ষে, অ্যাপ্লিকেশন সমর্থন গোষ্ঠীগুলি অতীতে এটি সংগ্রহ এবং সংহত করা খুব কঠিন বলে মনে করেছিল dati জটিল এবং বিভিন্ন উত্স থেকে।

এই বিভাগের বাকি অংশ ডেটা গুদামজাতকরণের ধারণার একটি সংক্ষিপ্ত বিবরণ উপস্থাপন করে এবং কীভাবে তা আলোচনা করে তথ্য গুদাম অ্যাপ্লিকেশন সমর্থন গোষ্ঠীর সমস্যাগুলি কাটিয়ে উঠতে পারে।
শব্দটি “তথ্য ভাণ্ডার” 1990 সালে উইলিয়াম ইনমন দ্বারা জনপ্রিয় হয়েছিল। তার প্রায়ই উদ্ধৃত সংজ্ঞাটি দেখে তথ্য ভাণ্ডার একটি সংগ্রহ হিসাবে dati বিষয়-ভিত্তিক, সমন্বিত, অ-উদ্বায়ী, এবং সময়ের সাথে পরিবর্তনশীল, ব্যবস্থাপনার সিদ্ধান্তের সমর্থনে।

এই সংজ্ঞাটি ব্যবহার করে ইনমন নির্দেশ করে যে i dati বসবাস a তথ্য গুদাম তাদের অবশ্যই নিম্নলিখিত 4টি বৈশিষ্ট্য থাকতে হবে:

• ▪ বিষয়ভিত্তিক
• ▪ সমন্বিত
• ▪ অস্থির
• ▪ সময়ের সাথে পরিবর্তনশীল বিষয়-ভিত্তিক Inmon এর অর্থ হল i dati নেল তথ্য গুদাম সবচেয়ে বড় সাংগঠনিক এলাকায় যে হয়েছে

মডেল সংজ্ঞায়িত dati। উদাহরণস্বরূপ dati সম্পর্কে গ্রাহকদের বিষয় এলাকায় থাকে গ্রাহকদের। একইভাবে সমস্ত dati পণ্য সম্পর্কিত বিষয়গুলি PRODUCTS বিষয়ের এলাকায় রয়েছে।

ইন্টিগ্রেটি ইনমন এর অর্থ i dati বিভিন্ন প্ল্যাটফর্ম থেকে আসছে, সিস্টেম এবং অবস্থান একত্রিত এবং এক জায়গায় সংরক্ষণ করা হয়. ফলশ্রুতিতে dati অনুরূপগুলিকে অবশ্যই সামঞ্জস্যপূর্ণ বিন্যাসে রূপান্তরিত করতে হবে যাতে সেগুলি সহজেই যোগ করা যায় এবং তুলনা করা যায়।
উদাহরণস্বরূপ, পুরুষ এবং মহিলা লিঙ্গ একটি সিস্টেমে M এবং F অক্ষর দ্বারা এবং অন্যটিতে 1 এবং 0 দ্বারা প্রতিনিধিত্ব করা হয়। তাদের সঠিকভাবে একত্রিত করতে, এক বা উভয় বিন্যাসকে রূপান্তরিত করতে হবে যাতে দুটি বিন্যাস একই হয়। এই ক্ষেত্রে আমরা M থেকে 1 এবং F কে 0 তে পরিবর্তন করতে পারি বা এর বিপরীতে। বিষয়-ভিত্তিক এবং সমন্বিত নির্দেশ করে যে তথ্য গুদাম এর একটি কার্যকরী এবং ট্রান্সভার্সাল দৃষ্টি প্রদান করার জন্য ডিজাইন করা হয়েছে dati কোম্পানি দ্বারা

অস্থির অর্থ হ'ল i dati নেল তথ্য গুদাম সামঞ্জস্যপূর্ণ এবং আপডেট করা dati এটি প্রয়োজন হয় না. পরিবর্তে, প্রতিটি পরিবর্তন dati মূল যোগ করা হয় ডাটাবেজ এর তথ্য গুদাম. মানে ঐতিহাসিক দেই dati এর মধ্যে রয়েছে তথ্য গুদাম.

চলকগুলির জন্য ওভার টাইম ইনমন ইঙ্গিত দেয় যে i dati নেল তথ্য গুদাম সর্বদা সময় চিহ্নিতকারী এবং i dati তারা সাধারণত একটি নির্দিষ্ট সময় দিগন্ত অতিক্রম করে। যেমন ক
তথ্য গুদাম এর 5 বছরের historicalতিহাসিক মূল্যবোধ থাকতে পারে গ্রাহকদের 1993 থেকে 1997 পর্যন্ত। ইতিহাসের প্রাপ্যতা এবং একটি সময় সিরিজ dati আপনি প্রবণতা বিশ্লেষণ করতে পারবেন।

Un তথ্য গুদাম সে তার নিজের সংগ্রহ করতে পারে dati OLTP সিস্টেম থেকে উৎস থেকে; dati সংস্থার বাহ্যিক এবং/অথবা অন্যান্য বিশেষ ক্যাপচার সিস্টেম প্রকল্প দ্বারা dati.
I dati নির্যাস একটি পরিষ্কার প্রক্রিয়ার মধ্য দিয়ে যেতে পারে, এই ক্ষেত্রে i dati তে সংরক্ষিত হওয়ার আগে রূপান্তরিত এবং সংহত হয় ডাটাবেজ এর তথ্য গুদাম। তখন আমি dati

ভিতরে থাকা ডাটাবেজ এর তথ্য গুদাম শেষ ব্যবহারকারী লগইন এবং পুনরুদ্ধার সরঞ্জাম উপলব্ধ করা হয়. এই সরঞ্জামগুলি ব্যবহার করে শেষ ব্যবহারকারী সংস্থার সমন্বিত দৃশ্য অ্যাক্সেস করতে পারে dati.

I dati ভিতরে থাকা ডাটাবেজ এর তথ্য গুদাম এগুলি বিস্তারিত এবং সংক্ষিপ্ত আকারে উভয়ই সংরক্ষণ করা হয়।
সংক্ষিপ্তসার স্তরটি প্রকৃতির উপর নির্ভর করে dati। আমি dati বিস্তারিত থাকতে পারে dati বর্তমান এবং dati ইতিহাসবিদরা
I dati বাস্তব অন্তর্ভুক্ত করা হয় না তথ্য গুদাম যতক্ষণ না আমি dati নেল তথ্য গুদাম সতেজ হয়
সংরক্ষণ করার পাশাপাশি i dati তাদের, ক তথ্য গুদাম এটি একটি ভিন্ন ধরনের সংরক্ষণ করতে পারে উপাত্ত METADATA বর্ণনা করে বলা হয় dati তার মধ্যে বাস ডাটাবেজ.
মেটাডেটা দুই ধরনের হয়: ডেভেলপমেন্ট মেটাডেটা এবং অ্যানালিটিক্স মেটাডেটা।
ডেভেলপমেন্ট মেটাডেটা এক্সট্রাকশন, ক্লিনিং, ম্যাপিং এবং লোডিং প্রক্রিয়া পরিচালনা এবং স্বয়ংক্রিয়ভাবে ব্যবহার করা হয়। dati নেল তথ্য গুদাম.
ডেভেলপমেন্ট মেটাডেটাতে থাকা তথ্যে অপারেটিং সিস্টেমের বিশদ, নিষ্কাশন করা উপাদানগুলির বিশদ বিবরণ, মডেল থাকতে পারে dati এর তথ্য গুদাম এবং রূপান্তরের জন্য ব্যবসার নিয়ম dati.

দ্বিতীয় ধরনের মেটাডেটা, যা বিশ্লেষণ মেটাডেটা নামে পরিচিত, শেষ ব্যবহারকারীকে এর বিষয়বস্তু অন্বেষণ করতে সক্ষম করে তথ্য গুদাম খুঁজে পেতে dati উপলব্ধ এবং স্পষ্ট, অ-প্রযুক্তিগত পদে তাদের অর্থ।

অতএব বিশ্লেষণ মেটাডেটা মধ্যে একটি সেতু হিসাবে কাজ করে তথ্য গুদাম এবং শেষ ব্যবহারকারী অ্যাপ্লিকেশন। এই মেটাডেটা ব্যবসায়িক মডেল, এর বর্ণনা থাকতে পারে dati ব্যবসায়িক মডেলের সাথে সঙ্গতিপূর্ণ, পূর্ব-নির্ধারিত প্রশ্ন এবং প্রতিবেদন, ব্যবহারকারীর অ্যাক্সেসের তথ্য এবং সূচক।

সঠিকভাবে কাজ করার জন্য বিশ্লেষণ এবং উন্নয়ন মেটাডেটা অবশ্যই একটি একক সমন্বিত কন্টেনমেন্ট মেটাডেটাতে একত্রিত করতে হবে।

দুর্ভাগ্যবশত বিদ্যমান অনেক টুলের নিজস্ব মেটাডেটা আছে এবং বর্তমানে এর জন্য কোনো বিদ্যমান মান নেই

ডেটা গুদামজাতকরণ সরঞ্জামগুলিকে এই মেটাডেটা সংহত করার অনুমতি দিন। এই পরিস্থিতির প্রতিকারের জন্য, প্রধান ডেটা গুদামজাতকরণ সরঞ্জামগুলির অনেক ব্যবসায়ী মেটা ডেটা কাউন্সিল গঠন করে যা পরে মেটা ডেটা কোয়ালিশন হয়ে ওঠে।

এই জোটের লক্ষ্য হল একটি স্ট্যান্ডার্ড মেটাডেটা সেট তৈরি করা যা বিভিন্ন ডেটা গুদামজাতকরণ সরঞ্জামকে মেটাডেটা রূপান্তর করতে দেয়।
তাদের প্রচেষ্টার ফলে মেটা ডেটা ইন্টারচেঞ্জ স্পেসিফিকেশন (MDIS) এর জন্ম হয় যা মাইক্রোসফ্ট আর্কাইভ এবং সম্পর্কিত MDIS ফাইলগুলির মধ্যে তথ্য আদান-প্রদানের অনুমতি দেবে।

এর অস্তিত্ব dati সংক্ষিপ্ত/সূচিবদ্ধ এবং বিস্তারিত উভয়ই ব্যবহারকারীকে একটি ড্রিল ড্রোন (ড্রিলিং) করার সুযোগ দেয় dati বিস্তারিত বেশী সূচী এবং তদ্বিপরীত. এর অস্তিত্ব dati বিস্তারিত ইতিহাস সময়ের সাথে প্রবণতা বিশ্লেষণ তৈরি করার অনুমতি দেয়। উপরন্তু বিশ্লেষণ মেটাডেটা একটি ডিরেক্টরি হিসাবে ব্যবহার করা যেতে পারে ডাটাবেজ এর তথ্য গুদাম শেষ ব্যবহারকারীদের সনাক্ত করতে সাহায্য করতে dati প্রয়োজনীয়

OLTP সিস্টেমের তুলনায়, তাদের বিশ্লেষণ সমর্থন করার ক্ষমতা সহ dati এবং রিপোর্টিং, তথ্য গুদাম এটিকে তথ্য প্রক্রিয়ার জন্য আরও উপযুক্ত ব্যবস্থা হিসাবে দেখা হয় যেমন প্রশ্ন তৈরি করা এবং উত্তর দেওয়া এবং প্রতিবেদন তৈরি করা। পরবর্তী বিভাগে দুটি সিস্টেমের পার্থক্য বিস্তারিতভাবে তুলে ধরা হবে।

তথ্য ভাণ্ডার ওলটপ সিস্টেমের বিরুদ্ধে

সংস্থাগুলির মধ্যে অনেক তথ্য ব্যবস্থা প্রতিদিনের ক্রিয়াকলাপগুলিকে সমর্থন করার উদ্দেশ্যে। এই সিস্টেমগুলি OLTP সিস্টেম হিসাবে পরিচিত, ক্রমাগত আপডেট হওয়া দৈনিক লেনদেনগুলি ক্যাপচার করে৷

I dati এই সিস্টেমের মধ্যে তারা প্রায়ই পরিবর্তন, যোগ বা মুছে ফেলা হয়. উদাহরণস্বরূপ, একজন গ্রাহক এক স্থান থেকে অন্য স্থানে যাওয়ার সাথে সাথে তার ঠিকানা পরিবর্তিত হয়। এক্ষেত্রে ঠিকানা ফিল্ড পরিবর্তন করে নতুন ঠিকানা নিবন্ধন করা হবে ডাটাবেজ. এই সিস্টেমের মূল উদ্দেশ্য হল লেনদেনের খরচ কমানো এবং একই সাথে প্রক্রিয়াকরণের সময় কমানো। ওএলটিপি সিস্টেমের উদাহরণগুলির মধ্যে রয়েছে ক্রিটিক্যাল অ্যাকশন যেমন অর্ডার এন্ট্রি, পে-রোল, ইনভয়েস, ম্যানুফ্যাকচারিং, গ্রাহক পরিষেবা গ্রাহকদের.

OLTP সিস্টেমের বিপরীতে, যা লেনদেনের জন্য তৈরি করা হয়েছিল- এবং ইভেন্ট-ভিত্তিক প্রক্রিয়া, i তথ্য গুদাম বিশ্লেষণ-ভিত্তিক প্রক্রিয়াগুলির জন্য সমর্থন প্রদানের জন্য তৈরি করা হয়েছিল dati এবং সিদ্ধান্ত গ্রহণের প্রক্রিয়া।

সাধারণত আমি সংহত করে এটি অর্জন করা হয় dati একটি একক "পাত্রে" বিভিন্ন OLTP এবং বাহ্যিক সিস্টেম থেকে dati, পূর্ববর্তী বিভাগে আলোচনা করা হয়েছে.

মোনাশ ডেটা গুদামজাতকরণ প্রক্রিয়া মডেল

প্রক্রিয়া মডেল জন্য তথ্য গুদাম মোনাশ মোনাশ ডিএসএস রিসার্চ গ্রুপের গবেষকদের দ্বারা বিকশিত হয়েছিল এবং এর সাহিত্যের উপর ভিত্তি করে তৈরি করা হয়েছে তথ্য গুদাম, সিস্টেম ক্ষেত্রগুলির বিকাশে সহায়তা করার অভিজ্ঞতার উপর, ব্যবহারের জন্য অ্যাপ্লিকেশনগুলির বিক্রেতাদের সাথে আলোচনার উপর তথ্য গুদাম, ব্যবহার বিশেষজ্ঞদের একটি গ্রুপ তথ্য গুদাম.

পর্যায়গুলি হল: সূচনা, পরিকল্পনা, উন্নয়ন, অপারেশন এবং ব্যাখ্যা। চিত্রটি ক-এর বিকাশের পুনরাবৃত্তিমূলক বা বিবর্তনীয় প্রকৃতি ব্যাখ্যা করে তথ্য গুদাম বিভিন্ন পর্যায়ের মধ্যে স্থাপন করা দ্বি-মুখী তীর ব্যবহার করে প্রক্রিয়া। এই প্রেক্ষাপটে, "পুনরাবৃত্ত" এবং "বিবর্তনমূলক" এর অর্থ হল, প্রক্রিয়ার প্রতিটি ধাপে, বাস্তবায়ন কার্যক্রম সর্বদা পূর্ববর্তী পর্বের দিকে পিছনের দিকে প্রচার করতে পারে। এটি একটি প্রকল্পের প্রকৃতির কারণে তথ্য গুদাম যেটিতে শেষ ব্যবহারকারীর কাছ থেকে যেকোনো সময় অতিরিক্ত অনুরোধ আসে। উদাহরণস্বরূপ, একটি প্রক্রিয়ার বিকাশের পর্যায়ে তথ্য গুদাম, একটি নতুন মাত্রা বা বিষয় এলাকা শেষ ব্যবহারকারীর দ্বারা অনুরোধ করা হয়েছে, যা মূল পরিকল্পনার অংশ ছিল না, এটি অবশ্যই সিস্টেমে যোগ করতে হবে। এটি প্রকল্পে পরিবর্তন ঘটায়। ফলাফল হল যে ডিজাইন দলকে ডিজাইন পর্বের সময় এ পর্যন্ত তৈরি নথিগুলির প্রয়োজনীয়তা পরিবর্তন করতে হবে। অনেক ক্ষেত্রে, প্রকল্পের বর্তমান অবস্থাকে অবশ্যই ডিজাইনের পর্যায়ে ফিরে যেতে হবে যেখানে নতুন প্রয়োজনীয়তা যোগ করতে হবে এবং নথিভুক্ত করতে হবে। শেষ ব্যবহারকারীকে অবশ্যই পর্যালোচনা করা নির্দিষ্ট ডকুমেন্টেশন এবং উন্নয়ন পর্বে করা পরিবর্তনগুলি দেখতে সক্ষম হতে হবে। এই উন্নয়ন চক্রের শেষে প্রকল্পটিকে অবশ্যই উন্নয়ন এবং ব্যবহারকারী দল উভয়ের কাছ থেকে চমৎকার প্রতিক্রিয়া পেতে হবে। প্রতিক্রিয়া তারপর একটি ভবিষ্যতের প্রকল্প উন্নত করতে পুনরায় ব্যবহার করা হয়.

ক্ষমতা পরিকল্পনা
Dw আকারে খুব বড় হয় এবং খুব দ্রুত বৃদ্ধি পায় (সেরা 1995, রুডিন 1997a) পরিমাণের ফলে dati ইতিহাস যা তারা তাদের সময়কাল থেকে ধরে রাখে। বৃদ্ধির কারণেও হতে পারে dati এর মান বাড়াতে ব্যবহারকারীদের দ্বারা অনুরোধ করা সংযোজন dati যে তারা ইতিমধ্যে আছে. তদনুসারে, জন্য স্টোরেজ প্রয়োজনীয়তা dati উল্লেখযোগ্যভাবে উন্নত করা যেতে পারে (Eckerson 1997)। এইভাবে, সক্ষমতা পরিকল্পনা পরিচালনার মাধ্যমে এটি নিশ্চিত করা অপরিহার্য যে, যে সিস্টেমটি তৈরি করা হচ্ছে তা প্রয়োজনের সাথে সাথে বৃদ্ধি পেতে পারে (Best 1995, LaPlante 1996, Lang 1997, Eckerson 1997, Rudin 1997a, Foley 1997a)।
ডাটাবেসের পরিমাপযোগ্যতার পরিকল্পনা করার জন্য, একজনকে অবশ্যই গুদামের আকারে প্রত্যাশিত বৃদ্ধি, সম্ভাব্য প্রশ্নের ধরন এবং সমর্থিত শেষ ব্যবহারকারীর সংখ্যা জানতে হবে (Best 1995, Rudin 1997b, Foley 1997a)। স্কেলযোগ্য অ্যাপ্লিকেশন তৈরি করতে স্কেলযোগ্য সার্ভার প্রযুক্তি এবং স্কেলযোগ্য অ্যাপ্লিকেশন ডিজাইন কৌশলগুলির সংমিশ্রণ প্রয়োজন (সেরা 1995, রুডিন 1997b। উভয়ই একটি উচ্চ মাপযোগ্য অ্যাপ্লিকেশন তৈরির জন্য প্রয়োজনীয়। স্কেলেবল সার্ভার প্রযুক্তি অবনতি ছাড়াই স্টোরেজ, মেমরি এবং CPU যোগ করা সহজ এবং সুবিধাজনক করে তুলতে পারে। কর্মক্ষমতা (ল্যাং 1997, টেলিফোনি 1997)।

দুটি প্রধান পরিমাপযোগ্য সার্ভার প্রযুক্তি রয়েছে: সিমেট্রিক মাল্টিপল প্রসেসিং (SMP) এবং ব্যাপকভাবে সমান্তরাল প্রক্রিয়াকরণ (MPP) (IDC 1997, Humphries et al. 1999)। একটি SMP সার্ভারে সাধারণত মেমরি, সিস্টেম বাস এবং অন্যান্য সংস্থান ভাগ করে নেওয়া একাধিক প্রসেসর থাকে (IDC 1997, Humphries et al. 1999)। এটি বাড়ানোর জন্য অতিরিক্ত প্রসেসর যুক্ত করা যেতে পারে ক্ষমতা গণনা বৃদ্ধি করার আর একটি পদ্ধতি ক্ষমতা SMP সার্ভারের, অনেক SMP মেশিন একত্রিত করা হয়. এই কৌশলটি ক্লাস্টারিং (Humphries et al. 1999) নামে পরিচিত। অন্যদিকে, একটি MPP সার্ভারের প্রত্যেকটির নিজস্ব মেমরি, বাস সিস্টেম এবং অন্যান্য সংস্থান সহ একাধিক প্রসেসর রয়েছে (IDC 1997, Humphries et al. 1999)। প্রতিটি প্রসেসরকে নোড বলা হয়। বৃদ্ধি ক্ষমতা গণনা অর্জন করা যেতে পারে

MPP সার্ভারে অতিরিক্ত নোড যোগ করা হচ্ছে (Humphries et al. 1999)।

এসএমপি সার্ভারগুলির একটি দুর্বলতা হল যে অনেক বেশি ইনপুট-আউটপুট (I/O) অপারেশন সিস্টেম বাসকে (IDC 1997) আটকাতে পারে। প্রতিটি প্রসেসরের নিজস্ব বাস সিস্টেম থাকায় এই সমস্যাটি MPP সার্ভারের মধ্যে ঘটে না। যাইহোক, প্রতিটি নোডের মধ্যে আন্তঃসংযোগ সাধারণত SMP বাস সিস্টেমের তুলনায় অনেক ধীর হয়। উপরন্তু, MPP সার্ভারগুলি অ্যাপ্লিকেশন ডেভেলপারদের (IDC 1997) জটিলতার একটি অতিরিক্ত স্তর যোগ করতে পারে। সুতরাং, এসএমপি এবং এমপিপি সার্ভারের মধ্যে পছন্দটি অ্যাপ্লিকেশনগুলির জটিলতা, মূল্য/কর্মক্ষমতা অনুপাত, প্রয়োজনীয় প্রক্রিয়াকরণ ক্ষমতা, প্রতিরোধ করা dw অ্যাপ্লিকেশন এবং এর আকার বৃদ্ধি সহ অনেকগুলি কারণ দ্বারা প্রভাবিত হতে পারে। ডাটাবেজ ডাব্লু এবং শেষ ব্যবহারকারী সংখ্যা।

ক্ষমতা পরিকল্পনায় অসংখ্য মাপযোগ্য অ্যাপ্লিকেশন ডিজাইন কৌশল নিযুক্ত করা যেতে পারে। কেউ বিভিন্ন বিজ্ঞপ্তি সময়কাল যেমন দিন, সপ্তাহ, মাস এবং বছর ব্যবহার করে। বিভিন্ন বিজ্ঞপ্তি সময়কাল থাকার, ডাটাবেজ এটি পরিচালনাযোগ্যভাবে গোষ্ঠীভুক্ত টুকরোগুলিতে বিভক্ত করা যেতে পারে (ইনমন এট আল। 1997)। আরেকটি কৌশল হল সারাংশ সারণি ব্যবহার করা যা সংক্ষিপ্তকরণ দ্বারা নির্মিত হয় dati da dati বিশদ. এইভাবে, i dati সংক্ষিপ্ত বিবরণ বিস্তারিত তুলনায় আরো কমপ্যাক্ট, যা কম মেমরি স্থান প্রয়োজন. তাহলে dati বিশদ বিবরণ একটি কম ব্যয়বহুল স্টোরেজ ইউনিটে সংরক্ষণ করা যেতে পারে, যা আরও বেশি স্টোরেজ সংরক্ষণ করে। যদিও সারাংশ টেবিল ব্যবহার করে মেমরির জায়গা বাঁচাতে পারে, তবে সেগুলিকে আপ টু ডেট রাখতে এবং ব্যবসায়িক প্রয়োজনের সাথে সামঞ্জস্য রাখতে অনেক প্রচেষ্টার প্রয়োজন হয়৷ যাইহোক, এই কৌশলটি ব্যাপকভাবে ব্যবহৃত হয় এবং প্রায়শই পূর্ববর্তী কৌশলের সাথে একত্রে ব্যবহৃত হয় (সেরা 1995, ইনমন 1996a, চৌদুরী এবং দয়াল
1997).

সংজ্ঞা তথ্য ভাণ্ডার টেকনিক্যাল আর্কিটেকচার ডিডব্লিউ আর্কিটেকচার কৌশলের সংজ্ঞা

ডেটা গুদামজাতকরণের প্রাথমিক গ্রহণকারীরা প্রাথমিকভাবে dw-এর একটি কেন্দ্রীভূত বাস্তবায়নের ধারণা করেছিলেন যেখানে সমস্ত dati, আমি সহ dati বাহ্যিক, একক মধ্যে সংহত ছিল,
শারীরিক ভান্ডার (ইনমন 1996a, ব্রেসনাহান 1996, ময়ূর 1998)।

এই পদ্ধতির প্রধান সুবিধা হল যে শেষ ব্যবহারকারীরা এর এন্টারপ্রাইজ-ওয়াইড ভিউ অ্যাক্সেস করতে সক্ষম dati সাংগঠনিক (ওভাম 1998)। আরেকটি সুবিধা হল যে এটি প্রমিতকরণ প্রদান করে dati সংগঠনের মাধ্যমে, যার অর্থ dw সংগ্রহস্থলে (মেটাডেটা) ব্যবহৃত প্রতিটি পরিভাষার জন্য শুধুমাত্র একটি সংস্করণ বা সংজ্ঞা রয়েছে (Flanagan এবং Safdie 1997, Ovum 1998)। এই পদ্ধতির অসুবিধা, অন্যদিকে, এটি ব্যয়বহুল এবং নির্মাণ করা কঠিন (Flanagan and Safdie 1997, Ovum 1998, Inmon et al. 1998)। স্টোরেজ আর্কিটেকচারের পরে খুব বেশি দিন নয় dati কেন্দ্রীভূত জনপ্রিয় হয়ে ওঠে, বিবর্তিত এর ছোট উপসেট বের করার ধারণা dati নির্দিষ্ট অ্যাপ্লিকেশনের প্রয়োজনীয়তা সমর্থন করতে (ভার্নি 1996, IDC 1997, বারসন এবং স্মিথ 1997, ময়ূর 1998)। এই ছোট সিস্টেমগুলি বড়টির ডেরিভেটিভ তথ্য গুদাম কেন্দ্রীভূত তাদের নামকরণ করা হয় তথ্য গুদাম নির্ভরশীল বিভাগীয় বা নির্ভরশীল ডেটা মার্ট। নির্ভরশীল ডেটা মার্ট আর্কিটেকচারটি তিন-স্তরযুক্ত স্থাপত্য হিসাবে পরিচিত যেখানে প্রথম স্তরটি থাকে তথ্য গুদাম কেন্দ্রীভূত, দ্বিতীয়টি আমানত নিয়ে গঠিত dati বিভাগীয় এবং তৃতীয়টিতে অ্যাক্সেস রয়েছে dati এবং বিশ্লেষণ সরঞ্জাম দ্বারা (Demarest 1994, Inmon et al. 1997)।

ডেটা মার্টগুলি সাধারণত পরে তৈরি করা হয় তথ্য গুদাম কেন্দ্রীভূত নির্দিষ্ট ইউনিটের চাহিদা পূরণের জন্য নির্মিত হয়েছিল (হোয়াইট 1995, ভার্নি 1996)।
ডেটা মার্টসের দোকান i dati বিশেষ ইউনিটের সাথে খুব প্রাসঙ্গিক (Inmon et al. 1997, Inmon et al. 1998, IA 1998)।

এই পদ্ধতির সুবিধাটি হ'ল কোনওটিই থাকবে না উপাত্ত সমন্বিত নয় এবং যে i dati সব হিসাবে ডেটা মার্টের মধ্যে কম অপ্রয়োজনীয় হবে dati আমানত থেকে আসা dati সমন্বিত. আরেকটি সুবিধা হল প্রতিটি ডেটা মার্ট এবং এর উত্সগুলির মধ্যে কয়েকটি সংযোগ থাকবে dati কারণ প্রতিটি ডেটা মার্টের একটি মাত্র উৎস রয়েছে dati. প্লাস এই স্থাপত্যের সাথে, শেষ ব্যবহারকারীরা এখনও এর ওভারভিউ অ্যাক্সেস করতে পারেন dati

কর্পোরেট সংস্থাগুলি এই পদ্ধতিটি টপ-ডাউন পদ্ধতি হিসাবে পরিচিত, যেখানে ডেটা মার্টের পরে তৈরি করা হয় তথ্য গুদাম (ময়ূর 1998, গফ 1998)।
তাড়াতাড়ি ফলাফল দেখানোর প্রয়োজনীয়তা বৃদ্ধি করে, কিছু সংস্থা স্বাধীন ডেটা মার্ট তৈরি করতে শুরু করেছে (Flanagan and Safdie 1997, White 2000)। এই ক্ষেত্রে, ডাটা মার্ট তাদের নিজস্ব পেতে dati সরাসরি বেসিক থেকে dati OLTP এবং কেন্দ্রীভূত ও সমন্বিত গুদাম থেকে নয়, এইভাবে সাইটে কেন্দ্রীয় গুদাম থাকার প্রয়োজনীয়তা দূর করে।

প্রতিটি ডেটা মার্টের তার উত্সগুলিতে কমপক্ষে একটি লিঙ্ক প্রয়োজন dati. প্রতিটি ডেটা মার্টের জন্য একাধিক সংযোগ থাকার একটি অসুবিধা হল, আগের দুটি আর্কিটেকচারের তুলনায়, এর অত্যধিক পরিমাণ dati উল্লেখযোগ্যভাবে বৃদ্ধি পায়।

প্রতিটি ডেটা মার্ট অবশ্যই সংরক্ষণ করতে হবে dati OLTP সিস্টেমে কোন প্রভাব না থাকার জন্য স্থানীয়ভাবে প্রয়োজন। এর ফলে যে i dati এগুলি বিভিন্ন ডেটা মার্টে সংরক্ষণ করা হয় (Inmon et al. 1997)। এই আর্কিটেকচারের আরেকটি অসুবিধা হল যে এটি ডেটা মার্ট এবং তাদের ডেটা উত্সগুলির মধ্যে জটিল আন্তঃসংযোগ তৈরি করে। dati যা পরিচালনা করা এবং নিয়ন্ত্রণ করা কঠিন (Inmon et al. 1997)।

আরেকটি অসুবিধা হল যে শেষ ব্যবহারকারীরা কোম্পানির তথ্যের ওভারভিউ অ্যাক্সেস করতে পারে না কারণ i dati বিভিন্ন ডেটা মার্টের সংহত হয় না (ওভুম 1998)।
তবুও আরেকটি অসুবিধা হল যে ডেটা মার্টে ব্যবহৃত প্রতিটি পরিভাষার জন্য একাধিক সংজ্ঞা থাকতে পারে যা এর অসঙ্গতি তৈরি করে dati সংগঠনে (ওভুম 1998)।
উপরে আলোচনা করা অসুবিধা সত্ত্বেও, স্বাধীন ডেটা মার্ট এখনও অনেক সংস্থার আগ্রহকে আকর্ষণ করে (IDC 1997)। একটি কারণ যা তাদের আকর্ষণীয় করে তোলে তা হল যে তারা দ্রুত বিকাশ লাভ করে এবং কম সময় এবং সংস্থান প্রয়োজন (Bresnahan 1996, Berson and Smith 1997, Ovum 1998)। ফলস্বরূপ, তারা প্রাথমিকভাবে পরীক্ষামূলক প্রকল্প হিসাবে পরিবেশন করে যা প্রকল্পের সুবিধা এবং/অথবা অপূর্ণতাগুলি দ্রুত সনাক্ত করতে ব্যবহার করা যেতে পারে (পার্সায় 1995, ব্রালি 1995, নিউিং 1996)। এই ক্ষেত্রে, পাইলট প্রকল্পে বাস্তবায়ন করা অংশটি অবশ্যই ছোট কিন্তু প্রতিষ্ঠানের জন্য গুরুত্বপূর্ণ হতে হবে (Newing 1996, Mansell-Lewis 1996)।

প্রোটোটাইপ পরীক্ষা করে, শেষ ব্যবহারকারী এবং প্রশাসন প্রকল্পটি চালিয়ে যাবে বা বন্ধ করবে কিনা সিদ্ধান্ত নিতে পারে (Flanagan and Safdie 1997)।
যদি সিদ্ধান্তটি চালিয়ে যেতে হয়, তবে অন্যান্য শিল্পের জন্য ডেটা মার্টগুলি একবারে তৈরি করা উচিত। স্বাধীন ডেটা ম্যাট্রিক্স তৈরিতে তাদের চাহিদার ভিত্তিতে শেষ ব্যবহারকারীদের জন্য দুটি বিকল্প রয়েছে: সমন্বিত/ফেডারেটেড এবং অইন্টিগ্রেটেড (ওভাম 1998)

প্রথম পদ্ধতিতে, প্রতিটি নতুন ডেটা মার্ট বর্তমান ডেটা মার্ট এবং মডেলের উপর ভিত্তি করে তৈরি করা উচিত dati কোম্পানি দ্বারা ব্যবহৃত (ভার্নি 1996, বারসন এবং স্মিথ 1997, ময়ূর 1998)। মডেল ব্যবহার করার প্রয়োজন dati কোম্পানীর অর্থ হল যে এটি নিশ্চিত করতে হবে যে ডেটা মার্ট জুড়ে ব্যবহৃত প্রতিটি পরিভাষার জন্য শুধুমাত্র একটি সংজ্ঞা রয়েছে, এটিও নিশ্চিত করতে হবে যে বিভিন্ন ডেটা মার্টগুলিকে কোম্পানির তথ্যের একটি ওভারভিউ দিতে একত্রিত করা যেতে পারে (Bresnahan 1996)। এই পদ্ধতিটিকে বটম-আপ বলা হয় এবং যখন আর্থিক উপায় এবং সময়ের সীমাবদ্ধতা থাকে (ফ্লানাগান এবং সাফদি 1997, ওভাম 1998, পিকক 1998, গফ 1998) দ্বিতীয় পদ্ধতিতে, নির্মিত ডেটা মার্ট শুধুমাত্র একটি নির্দিষ্ট ইউনিটের চাহিদা পূরণ করতে পারে। ফেডারেটেড ডেটা মার্টের একটি রূপ হল তথ্য গুদাম বিতরণ করা হয় যা ডাটাবেজ হাব সার্ভার মিডলওয়্যার একটি একক সংগ্রহস্থলে অনেক ডেটা মার্ট মার্জ করতে ব্যবহৃত হয় dati বিতরণ করা হয়েছে (হোয়াইট 1995)। এই ক্ষেত্রে, i dati কোম্পানিগুলো বিভিন্ন ডাটা মার্টে বিতরণ করা হয়। শেষ ব্যবহারকারী অনুরোধ ফরোয়ার্ড করা হয় ডাটাবেজ সার্ভার হাব মিডলওয়্যার, যা সমস্ত নিষ্কাশন করে dati ডেটা মার্ট দ্বারা অনুরোধ করা হয় এবং শেষ-ব্যবহারকারী অ্যাপ্লিকেশনগুলিতে ফলাফল ফেরত দেয়। এই পদ্ধতিটি শেষ ব্যবহারকারীদের ব্যবসার তথ্য প্রদান করে। তবে, স্বাধীন ডেটা মার্টের সমস্যাগুলি এখনও দূর হয়নি। আরেকটি স্থাপত্য আছে যা ব্যবহার করা যেতে পারে যাকে বলা হয় তথ্য গুদাম ভার্চুয়াল (হোয়াইট 1995)। যাইহোক, এই আর্কিটেকচার, যা চিত্র 2.9-এ বর্ণিত হয়েছে, এটি একটি ডেটা স্টোরেজ আর্কিটেকচার নয়। dati বাস্তব কারণ এটি OLTP সিস্টেম থেকে লোডিং সরায় না তথ্য গুদাম (1994 সালের ডিমেরেস্ট)।

আসলে, জন্য অনুরোধ dati শেষ ব্যবহারকারীদের থেকে OLTP সিস্টেমে প্রেরণ করা হয় যা ব্যবহারকারীর অনুরোধগুলি প্রক্রিয়া করার পরে ফলাফল দেয়। যদিও এই আর্কিটেকচারটি শেষ ব্যবহারকারীদের রিপোর্ট তৈরি করতে এবং অনুরোধ করার অনুমতি দেয়, এটি প্রদান করতে পারে না

dati i এবং কোম্পানির তথ্যের ওভারভিউ i dati বিভিন্ন OLTP সিস্টেম থেকে একত্রিত হয় না. অতএব, এই স্থাপত্যের বিশ্লেষণকে সন্তুষ্ট করতে পারে না dati জটিল যেমন পূর্বাভাস।

অ্যাক্সেস এবং পুনরুদ্ধার অ্যাপ্লিকেশন নির্বাচন dati

নির্মাণের উদ্দেশ্য ক তথ্য গুদাম শেষ ব্যবহারকারীদের কাছে তথ্য পৌঁছে দেওয়া (Inmon et al. 1997, Poe 1996, McFadden 1996, Shanks et al. 1997, Hammergren 1998); এক বা একাধিক অ্যাক্সেস এবং পুনরুদ্ধার অ্যাপ্লিকেশন dati প্রদান করা আবশ্যক। আজ অবধি, এই অ্যাপ্লিকেশনগুলির একটি বিস্তৃত বৈচিত্র রয়েছে যা থেকে ব্যবহারকারী বেছে নিতে পারেন (Hammergren 1998, Humphries et al. 1999)। আপনি যে অ্যাপ্লিকেশনগুলি নির্বাচন করেন তা আপনার গুদামজাতকরণ প্রচেষ্টার সাফল্য নির্ধারণ করে৷ dati একটি প্রতিষ্ঠানে কারণ অ্যাপ্লিকেশনগুলি এর সবচেয়ে দৃশ্যমান অংশ তথ্য গুদাম শেষ ব্যবহারকারীর কাছে (Inmon et al. 1997, Poe 1996)। সফল হওয়া a তথ্য গুদাম, এর বিশ্লেষণ কার্যক্রম সমর্থন করতে সক্ষম হতে হবে dati শেষ ব্যবহারকারীর (Poe 1996, Seddon and Benjamin 1998, Eckerson 1999)। সুতরাং শেষ ব্যবহারকারী যা চায় তার "স্তর" অবশ্যই চিহ্নিত করা উচিত (Poe 1996, Mattison 1996, Inmon et al. 1997, Humphries et al. 1999)।

সাধারণভাবে, শেষ ব্যবহারকারীদের তিনটি বিভাগে বিভক্ত করা যেতে পারে: নির্বাহী ব্যবহারকারী, ব্যবসা বিশ্লেষক এবং শক্তি ব্যবহারকারী (Poe 1996, Humphries et al. 1999)। এক্সিকিউটিভ ব্যবহারকারীদের রিপোর্টের পূর্বনির্ধারিত সেটগুলিতে সহজ অ্যাক্সেস প্রয়োজন (হামফ্রিস এট আল। 1999)। এই অনুপাতগুলি মেনু নেভিগেশনের মাধ্যমে সহজেই অ্যাক্সেস করা যেতে পারে (Poe 1996)। উপরন্তু, রিপোর্টগুলিকে গ্রাফিকাল উপস্থাপনা ব্যবহার করে তথ্য উপস্থাপন করা উচিত যেমন টেবিল এবং টেমপ্লেটগুলি দ্রুত তথ্য জানাতে (Humphries et al. 1999)। ব্যবসায়িক বিশ্লেষক, যাদের নিজস্বভাবে স্ক্র্যাচ থেকে প্রতিবেদন তৈরি করার প্রযুক্তিগত ক্ষমতা নাও থাকতে পারে, তাদের নির্দিষ্ট চাহিদা পূরণের জন্য বর্তমান প্রতিবেদনগুলিকে সংশোধন করতে সক্ষম হতে হবে (Poe 1996, Humphries et al. 1999)। অন্যদিকে, পাওয়ার ব্যবহারকারীরা হলেন শেষ ব্যবহারকারীদের ধরন যাদের স্ক্র্যাচ থেকে অনুরোধ এবং প্রতিবেদন তৈরি এবং লেখার ক্ষমতা রয়েছে (Poe 1996, Humphries et al. 1999)। তারাই যারা

তারা অন্যান্য ধরনের ব্যবহারকারীদের জন্য রিপোর্ট তৈরি করে (Poe 1996, Humphries et al. 1999)।

একবার শেষ ব্যবহারকারীর প্রয়োজনীয়তাগুলি নির্ধারণ করা হয়ে গেলে, অ্যাক্সেস এবং পুনরুদ্ধার অ্যাপ্লিকেশনগুলির একটি নির্বাচন করা আবশ্যক৷ dati উপলব্ধ সকলের মধ্যে (Poe 1996, Inmon et al. 1997)।
অ্যাক্সেস dati এবং পুনরুদ্ধার সরঞ্জামগুলি 4 প্রকারে শ্রেণীবদ্ধ করা যেতে পারে: OLAP সরঞ্জাম, EIS/DSS সরঞ্জাম, ক্যোয়ারী এবং রিপোর্টিং সরঞ্জাম এবং ডেটা মাইনিং সরঞ্জাম।

OLAP টুল ব্যবহারকারীদের অ্যাডহক কোয়েরি তৈরি করতে দেয় এবং সেইসাথে তৈরি করা হয় ডাটাবেজ এর তথ্য গুদাম. উপরন্তু, এই পণ্য ব্যবহারকারীদের থেকে ড্রিল ডাউন করার অনুমতি দেয় dati সাধারণ থেকে বিস্তারিত।

EIS/DSS টুলস এক্সিকিউটিভ রিপোর্টিং প্রদান করে যেমন "কি হলে" বিশ্লেষণ এবং মেনু-চালিত রিপোর্টগুলিতে অ্যাক্সেস। সহজে নেভিগেশনের জন্য রিপোর্টগুলি পূর্বনির্ধারিত এবং মেনুর সাথে একত্রিত করা উচিত।
ক্যোয়ারী এবং রিপোর্টিং টুল ব্যবহারকারীদের পূর্বনির্ধারিত এবং নির্দিষ্ট রিপোর্ট তৈরি করতে দেয়।

ডেটা মাইনিং সরঞ্জামগুলি সম্পর্ক সনাক্ত করতে ব্যবহৃত হয় যা বিস্মৃত ক্রিয়াকলাপগুলিতে নতুন আলোকপাত করতে পারে dati ডেটাওয়ারহাউসের।

প্রতিটি ধরণের ব্যবহারকারীর প্রয়োজনীয়তা অপ্টিমাইজ করার পাশাপাশি, নির্বাচিত সরঞ্জামগুলি অবশ্যই স্বজ্ঞাত, দক্ষ এবং ব্যবহারে সহজ হতে হবে। তাদের আর্কিটেকচারের অন্যান্য অংশের সাথে সামঞ্জস্যপূর্ণ এবং বিদ্যমান সিস্টেমের সাথে কাজ করতে সক্ষম হওয়া দরকার। যুক্তিসঙ্গত মূল্য এবং কর্মক্ষমতা সহ ডেটা অ্যাক্সেস এবং পুনরুদ্ধারের সরঞ্জামগুলি বেছে নেওয়ারও সুপারিশ করা হয়। বিবেচনা করার জন্য অন্যান্য মানদণ্ডের মধ্যে রয়েছে তাদের পণ্যকে সমর্থন করার জন্য সরঞ্জাম বিক্রেতার প্রতিশ্রুতি এবং এটি ভবিষ্যতের প্রকাশগুলিতে কীভাবে বিকাশ করবে। ডেটা গুদাম ব্যবহারে ব্যবহারকারীর নিযুক্তি নিশ্চিত করতে, উন্নয়ন দল ব্যবহারকারীদের টুল নির্বাচন প্রক্রিয়ায় জড়িত করে। এই ক্ষেত্রে একটি ব্যবহারিক ব্যবহারকারী মূল্যায়ন করা উচিত.

ডেটা গুদামের মান উন্নত করতে উন্নয়ন দল তাদের ডেটা গুদামে ওয়েব অ্যাক্সেসও প্রদান করতে পারে। একটি ওয়েব-সক্ষম ডেটা গুদাম ব্যবহারকারীদের অ্যাক্সেস করতে দেয় dati প্রত্যন্ত স্থান থেকে বা ভ্রমণের সময়। এছাড়াও তথ্য পারেন

প্রশিক্ষণ খরচ কমানোর মাধ্যমে কম খরচে প্রদান করা হবে।

2.4.3 তথ্য ভাণ্ডার অপারেশন পর্ব

এই পর্বে তিনটি কার্যক্রম রয়েছে: ডেটা রিফ্রেশ কৌশলের সংজ্ঞা, ডেটা গুদাম কার্যক্রম নিয়ন্ত্রণ এবং ডেটা গুদাম নিরাপত্তা ব্যবস্থাপনা।

ডেটা রিফ্রেশ কৌশলগুলির সংজ্ঞা

প্রাথমিক আপলোডের পরে, i dati নেল ডাটাবেজ ডেটা গুদামগুলির মধ্যে করা পরিবর্তনগুলি পুনরুত্পাদন করতে পর্যায়ক্রমে রিফ্রেশ করতে হবে৷ dati মূল তাই আপনাকে অবশ্যই সিদ্ধান্ত নিতে হবে কখন রিফ্রেশ করতে হবে, কত ঘন ঘন রিফ্রেশ করতে হবে এবং কীভাবে ডেটা রিফ্রেশ করতে হবে dati. এটি রিফ্রেশ করার পরামর্শ দেওয়া হয় dati যখন সিস্টেম অফলাইনে নেওয়া যেতে পারে। রিফ্রেশ ফ্রিকোয়েন্সি ব্যবহারকারীর প্রয়োজনীয়তার উপর ভিত্তি করে বিকাশ দল দ্বারা নির্ধারিত হয়। ডেটা গুদাম রিফ্রেশ করার জন্য দুটি পদ্ধতি রয়েছে: সম্পূর্ণ রিফ্রেশ এবং পরিবর্তনের ক্রমাগত লোডিং।

প্রথম পদ্ধতি, সম্পূর্ণ রিফ্রেশ, সমস্ত পুনরায় লোড করা প্রয়োজন dati স্ক্র্যাচ থেকে এর অর্থ সব dati প্রয়োজনীয় প্রতিটি রিফ্রেশে নিষ্কাশন, পরিষ্কার, রূপান্তরিত এবং একত্রিত করা আবশ্যক। এই পদ্ধতিটি যতদূর সম্ভব এড়ানো উচিত কারণ এটির জন্য প্রচুর সময় এবং সংস্থান প্রয়োজন।

একটি বিকল্প পদ্ধতি হল ক্রমাগত পরিবর্তন আপলোড করা। এই যোগ i dati যা শেষ ডেটা গুদাম রিফ্রেশ চক্র থেকে পরিবর্তিত হয়েছে। নতুন বা পরিবর্তিত রেকর্ড সনাক্তকরণ উল্লেখযোগ্যভাবে পরিমাণ হ্রাস dati যা শুধুমাত্র এই থেকে প্রতিটি আপডেটে ডেটা গুদামে প্রচার করা আবশ্যক dati যোগ করা হবে ডাটাবেজ ডেটাওয়ারহাউসের।

অন্তত 5টি পন্থা আছে যা i প্রত্যাহার করতে ব্যবহার করা যেতে পারে dati নতুন বা পরিবর্তিত। একটি দক্ষ ডেটা রিফ্রেশ কৌশল পেতে dati এই পদ্ধতির একটি মিশ্রণ যা সিস্টেমের সমস্ত পরিবর্তন ক্যাপচার করে তা কার্যকর হতে পারে।

প্রথম পদ্ধতি, যা টাইমস্ট্যাম্প ব্যবহার করে, অনুমান করে যে সমস্ত বরাদ্দ করা হয়েছে dati modificati e aggiornati un timestamp in modo da potere identificare facilmente tutti i dati modificati e nuovi. Questo approccio, però, non è stato molto usato nella maggior parte degli odierni sistemi operativi.
Il secondo approccio è quello di usare un delta file generato da un’applicazione che contiene soltanto i cambiamenti fatti ai dati. L’uso di questo file inoltre amplifica il ciclo di aggiornamento. Tuttavia, anche questo metodo, non è stato usato in molte applicazioni.
Il terzo approccio è quello di fare uno scan su un file di log, che fondamentalmente contiene informazioni simili al delta file. L’unica differenza è che un log file è creato per il processo di recovery e può essere difficile da capire.
Il quarto approccio è quello di modificare il codice dell’applicazione. Tuttavia la maggior parte del codice delle applicazioni è vecchio e fragile; perciò questa tecnica dovrebbe essere evitata.
শেষ পদ্ধতির সাথে তুলনা করা হয় dati sorgenti con il file principale dei dati.

ডেটা গুদাম কার্যক্রম নিয়ন্ত্রণ

Una volta che il datawarehouse è stato rilasciato agli utenti, è necessario monitorarlo nel tempo. In questo caso, l’amministratore del datawarehouse può impiegare uno o più tool di gestione e controllo per monitorare l’uso del datawarehouse. In particolare possono essere raccolte informazioni sulle persone e sul tempo in cui accedono al datawarehouse. Dai dati raccolti può essere creato un profilo del lavoro effettuato che può essere usato come input nell’implementazione del chargeback dell’utente. Il Chargeback permette agli utenti di essere informati sul costo di elaborazione del datawarehouse.

Inoltre, il controllo del datawarehouse può anche essere usato per identificare i tipi di query, la loro grandezza, il numero di query al giorno, i tempi di reazione alla query, i settori raggiunti e la quantità di dati processati. Un altro scopo di fare il controllo del datawarehouse è identificare i dati যা ব্যবহারে নেই। এইগুলো dati সময় উন্নতির জন্য এগুলি ডেটা গুদাম থেকে সরানো যেতে পারে

ক্যোয়ারী এক্সিকিউশন প্রতিক্রিয়া এবং এর বৃদ্ধি নিয়ন্ত্রণ করে dati যে মধ্যে বসবাস তথ্যশালা ডেটাওয়ারহাউসের।

ডেটা গুদাম সুরক্ষা ব্যবস্থাপনা

একটি ডেটা গুদাম রয়েছে dati integrati, critici, sensibili che possono essere raggiunti facilmente. Per questo motivo dovrebbe essere protetto dagli utenti non autorizzati. Un modo per implementare la sicurezza è quello di usare la funzione del DBMS per assegnare i diversi privilegi ai diversi tipi di utenti. In questo modo, deve essere mantenuto per ogni tipo di utenti un profilo di accesso. Un altro modo per assicurare il datawarehouse è cifrarlo come è scritto nella তথ্যশালা ডেটাওয়ারহাউসের। অ্যাক্সেস dati এবং পুনরুদ্ধার সরঞ্জামগুলি অবশ্যই ডিক্রিপ্ট করে dati prima di presentare i risultati agli utenti.

2.4.4 তথ্য ভাণ্ডার স্থাপনা পর্ব

È l’ultima fase nel ciclo di implementazione del datawarehouse. Le attività da effettuare in questa fase includono l’addestramento degli utenti per utilizzare il datawarehouse e la realizzazione di reviews del datawarehouse.

ব্যবহারকারীর প্রশিক্ষণ

L’addestramento degli utenti dovrebbe essere fatto prima dell’accesso ai dati del datawarehouse e dell’uso dei tool di retrieval. Generalmente, le sessioni dovrebbero iniziare con l’introduzione al concetto dell’immagazzinamento di dati, al contenuto del datawarehouse, ai meta dati ed alle features di base dei tool. Poi, gli utenti più avanzati potrebbero inoltre studiare le tabelle fisiche e le features degli utenti dei data access e dei tool di retrieval.

Ci sono molti approcci per fare l’addestramento degli utenti. Uno di questi prevede una selezione di molti utenti o analisti scelti da un insieme di utenti, basandosi sulla loro leadership e abilità di comunicazione. Questi vengono addestrati a titolo personale su tutto quello che devono sapere per prendere confidenza con il sistema. Finito l’addestramento, questi ritornano al loro lavoro e iniziano a insegnare agli altri utenti come utilizzare il sistema. Sulla

base di quanto hanno imparato, gli altri utenti possono iniziare ad esplorare il datawarehouse.
Un altro approccio è quello di addestrare molti utenti nello stesso tempo, come se si stesse facendo un corso in aula. Questo metodo è adatto quando ci sono molti utenti che devono essere addestrati allo stesso tempo. Un altro metodo ancora è quello di addestrare individualmente ogni utente, ad uno ad uno. Questo metodo è adatto quando ci sono pochi utenti.

Lo scopo dell’addestramento degli utenti è quello di familiarizzare con l’accesso ai dati e i tool di retrieval così come i contenuti del datawarehouse. Tuttavia, alcuni utenti possono essere sopraffatti dalla quantità di informazioni fornita durante la sessione di addestramento. Quindi devono essere fatte un certo numero di sessioni di aggiornamento l’assistenza continua e per rispondere alle domande specifiche. In alcuni casi viene formato un gruppo di utenti per fornire questo tipo di supporto.

প্রতিক্রিয়া সংগ্রহ করা

Una volta che il datawarehouse è stato rolled out, gli utenti possono usare i dati che risiedono nel datawarehouse per vari scopi. Principalmente, gli analisti o gli utenti utilizzano i dati nel datawarehouse per:

1. 1  Identificare le tendenze dell’azienda
2. 2  Analizzare i profili d’acquisto dei গ্রাহকদের
3. 3  Suddividere i গ্রাহকদের এবং
4. 4  Fornire i servizi migliori ai গ্রাহকদের - পরিষেবাগুলি কাস্টমাইজ করুন
5. 5  Formulare strategie di মার্কেটিং
6. 6  Effettuare preventivi competitivi per cost analyses e help control
7. 7  Supportare decision-making strategiche
8. 8  Identificare occasioni per emergere
9. 9  Migliorare la qualità degli attuali business process
10. 10  Controllare il profitto

Seguendo la direzione di sviluppo del datawarehouse, si potrebbero condurre una serie di revisioni al sistema per ottenere dei feddback

sia da parte del team di sviluppo che da parte della comunità degli utenti finali.
I risultati ottenuti possono essere presi in considerazione per il prossimo ciclo di sviluppo.

যেহেতু ডেটা গুদামের একটি ক্রমবর্ধমান পদ্ধতি রয়েছে, তাই পূর্ববর্তী উন্নয়নের সাফল্য এবং ভুলগুলি থেকে শিক্ষা নেওয়া অত্যন্ত গুরুত্বপূর্ণ।

2.5 সংক্ষিপ্তসার

In questo capitolo sono stati discussi gli approcci presenti in letteratura. Nella sezione 1 è stato discusso il concetto di datawarehouse e il suo ruolo nella scienza delle decisioni. Nella sezione 2 sono state descritte le principali differenze tra datawarehouse e sistemi OLTP. Nella sezione 3 si è discusso il modello di datawarehouse secondo Monash che è stato utilizzato nella sezione 4 per descrivere le attività coinvolte nel processo di sviluppo di un datawarehouse, queste tesi non sono state basate su una ricerca rigorosa. Quello che succede nella realtà può essere molto diverso da quello che riporta la letteratura, tuttavia questi risultati possono essere utilizzati per creare un bagaglio di base che sottolinei il concetto di datawarehouse per questa ricerca.

অধ্যায় 3

গবেষণা এবং নকশা পদ্ধতি

Questo capitolo si occupa dei metodi di ricerca e progettazione per questo studio. La prima parte mostra una vista generica dei metodi di ricerca disponibili per il reperimento dell’informazione, inoltre vengono discussi i criteri per selezionare il miglior metodo per uno studio particolare. Nella sezione 2 vengono poi discussi due metodi selezionati con i criteri appena esposti; di questi ne verrà scelto ed adottato uno con le motivazioni esposte nella sezione 3 dove sono anche esposte le motivazioni per l’esclusione dell’altro criterio. La sezione 4 presenta il progetto della ricerca e la sezione 5 le conclusioni.

৩.১ তথ্য পদ্ধতিতে গবেষণা

La ricerca nei sistemi informativi non si limita semplicemente all’ambito tecnologico ma deve essere anche estesa per includere fini riguardanti il comportamento e l’organizzazione.
Questo lo dobbiamo alle tesi di varie discipline che vanno dalle scienze sociali a quelle naturali; questo porta alla necessità di un certo spettro di metodi di ricerca che coinvolgono metodi quantitativi e qualitativi da utilizzare per i sistemi informativi.
Tutti i metodi di ricerca disponibili sono importanti, infatti svariati ricercatori come Jenkins (1985), Nunamaker et al. (1991), e Galliers (1992) sostengono che non esista un metodo specifico universale per condurre ricerche nei vari campi dei sistemi informativi; infatti un metodo può essere adatto per una particolare ricerca ma non per altre. Questo ci porta la necessità di selezionare un metodo che sia adatto alla nostro particolare progetto di ricerca: per questa scelta Benbasat et al. (1987) affermano che si debbano considerare la natura e il fine della ricerca.

৩.১.১ গবেষণার প্রকৃতি

I vari metodi basati sulla natura della ricerca possono essere classificati in tre tradizioni ampiamente conosciuti nella scienza dell’informazione: positivista, interpretativa e ricerca critica.

3.1.1.1.০.XNUMX.২০১। পজিটিভিস্ট গবেষণা

La ricerca positivista è anche conosciuta come studio scientifico o empirico. Essa cerca di: “spiegare e prevedere cosa succederà nel mondo sociale guardando alle regolarità e alle relazioni causa- effetto tra gli elementi che lo costituiscono” (Shanks et al 1993).

La ricerca positivista è inoltre caratterizzata da ripetibilità , semplificazioni e confutazioni. Inoltre la ricerca positivista ammette l’esistenza di relazioni a priori tra i fenomeni studiati.
Secondo Galliers(1992) la tassonomia è un metodo di ricerca incluso nel paradigma positivista, che però non è limitato a questa, infatti sussistono esperimenti di laboratorio, esperimenti sul campo, casi di studio, dimostrazioni di teoremi, previsioni e simulazioni. Utilizzando questi metodi i ricercatori ammettono che i fenomeni studiati possano essere osservati oggettivamente e rigorosamente.

৩.১.২.২ ব্যাখ্যামূলক গবেষণা

La ricerca interpretativa, che è spesso chiamata fenomenologia o anti-positivismo viene descritta da Neuman (1994) come “l’analisi sistematica del significato sociale dell’azione attraverso la diretta e dettagliata osservazione delle persone in situazioni naturali, al fine di arrivare alla comprensione e all’interpretazione di come le persone creano e mantengono il loro mondo sociale”. Gli studi interpretative rifiutano l’assunzione che i fenomeni osservati possano essere osservati oggettivamente. Infatti essi sono basati su interpretazioni soggettive. Inoltre i ricercatori interpretativi non impongono significati a priori ai fenomeni che studiano.

Questo metodo comprende studi soggettivo/argomentativi, azioni di ricerca, studi descrittivo/interpretativi, ricerche future e giochi di ruolo. In aggiunta a questi indagini e casi di studio possono essere inclusi in questo approccio in quanto essi concernono gli studi degli individui o delle organizzazioni all’interno di complesse situazioni del mondo reale.

৩.১.১.৩ সমালোচনা গবেষণা

La ricerca critica è l’approccio meno conosciuto nelle scienze sociali ma di recente ha ricevuto l’attenzione dei ricercatori nell’ambito dei sistemi informativi. L’assunzione filosofica che la realtà sociale è storicamente prodotta e riprodotta dalle persone, così come i sistemi sociali con le loro azioni ed interazioni. La loro abilità, comunque, è mediata da un certo numero di considerazione sociali, culturali e politiche.

Cosi come la ricerca interpretativa, quella critica sostiene che la ricerca positivista non c’entra con il contesto sociale ed ignora la sua influenza sulle azioni umane.
La ricerca critica, d’altra parte, critica la ricerca interpretativa per essere troppo soggettiva e perché non si propone di aiutare le persone a migliorare le proprie vite. La più grossa differenza tra la ricerca critica e gli altri due approcci è la sua dimensione valutativa. Mentre l’oggettività delle tradizioni positivista ed interpretativa, è per predire o spiegare lo status quo o la realtà sociale, la ricerca critica punta a valutare criticamente e trasformare la realtà sociale sotto studio.

I ricercatori critici solitamente si oppongono allo status quo al fine di rimuovere le differenze sociali e migliorare le condizioni sociali. La ricerca critica ha un impegno ad una vista processuale dei fenomeni di interesse e, pertanto, è normalmente longitudinale. Esempi di metodi di ricerca sono gli studi storici a lungo termine e gli studi etnografici. La ricerca critica, tuttavia, non è stata ampiamente usata nella ricerca dei sistemi d’informazione

৩.১.২ গবেষণার উদ্দেশ্য

Assieme alla natura della ricerca, il suo scopo può essere utilizzato per guidare il ricercatore nella selezione di un particolare metodo di ricerca. Lo scopo di un progetto di ricerca è strettamente correlato alla posizione della ricerca rispetto al ciclo di ricerca che consiste di tre fasi: costruzione della teoria, test della teoria e affinamento della teoria. Così, basandosi sul momento rispetto al ciclo di ricerca, un progetto di ricerca può avere un fine di spiegazione, descrittivo, di esplorazione oppure predittivo.

২.১.২.২ অনুসন্ধানমূলক গবেষণা

La ricerca esplorativa è finalizzata nell’investigare un argomento totalmente nuovo e formulare domande e ipotesi per la ricerca futura. Questo tipo di ricerca è utilizzato nella costruzione della teoria per ottenere dei riferimenti iniziali in una nuova area. Normalmente si utilizzano metodi di ricerca qualitativa, come i casi di studio o gli studi fenomenonologici.

যাইহোক, অনুসন্ধানমূলক জরিপ বা পরীক্ষা-নিরীক্ষার মতো পরিমাণগত কৌশলগুলি নিয়োগ করাও সম্ভব।

৩.১.৩.৩ বর্ণনামূলক গবেষণা

La ricerca descrittiva è finalizzata ad analizzare e descrivere in gran dettaglio una particolare situazione o pratica organizzativa. Questa è appropriata per costruire teorie e può essere anche usata per confermare o contestare ipotesi. La ricerca descrittiva solitamente comprende l’uso di misure e campioni. I metodi di ricerca più adatti comprendono indagini e analisi di antecedenti.

৩.১.২.৩ ব্যাখ্যামূলক গবেষণা

La ricerca esplicativa cerca di spiegare perché succedono le cose. Essa è costruita su fatti che sono già stati studiati e cerca di trovare i perché di tali fatti.
Quindi la ricerca esplicativa è normalmente costruita sulla ricerca esplorativa o descrittiva ed è accessoria al fine di testare ed affinare le teorie. La ricerca esplicativa normalmente impiega casi di studio o metodi di ricerca basati sulle indagini.

৩.১.২.৪ প্রতিরোধমূলক গবেষণা

La ricerca preventiva punta a predire gli eventi e i comportamenti sotto osservazione che si stanno studiando (Marshall and Rossman 1995). La previsione è il test scientifico standard della verità. Questo tipo di ricerca generalmente impiega indagini o analisi dei dati ইতিহাসবিদরা। (ইয়িন 1989)

La suddetta discussione dimostra che c’è un certo numero di possibili metodi di ricerca che possono essere usati in uno studio particolare. Tuttavia, ci deve essere un metodo specifico più adatto degli altri per un tipo particolare di progetto di ricerca. (Galliers 1987, Yin 1989, De Vaus 1991). Ogni ricercatore, quindi, ha bisogno di valutare con attenzione i punti di forza e le debolezze di vari metodi, per arrivare ad adottare il metodo di ricerca più adatto e compatibile col progetto di ricerca. (Jenkins 1985, Pervan e Klass 1992, Bonomia 1985, Yin 1989, Himilton and Ives 1992).

3.2। সম্ভাব্য গবেষণা পদ্ধতি

L’obiettivo di questo progetto era studiare l’esperienza nelle organizzazioni australiane con i dati immagazzinati con uno sviluppo di তথ্য গুদাম. তারিখ che, attualmente, c’è una mancanza di ricerca nell’area di data warehousing in Australia, questo progetto di ricerca è ancora nella fase teorica del ciclo di ricerca ed ha uno scopo esplorativo. Esplorando l’esperienza nelle organizzazioni australiane che adottano il data warehousing richiede l’interpretazione della società reale. Di conseguenza, il l’assunzione filosofica alla base del progetto di ricerca segue l’interpretazione tradizionale.

Dopo un rigoroso esame dei metodi disponibili, sono stati identificati due possibili metodi di ricerca: indagini (surveys) e casi di studio (case studies), che possono essere usati per una ricerca esplorativa (Shanks et al. 1993). Galliers (1992) sostiene che l’idoneità di questi due metodi per questo particolare studio nella sua tassonomia rivisitata dicendo che sono adatti per la costruzione teorica. Le seguenti due sottosezioni discutono ogni metodo in dettaglio.

৩.২.১ তদন্ত গবেষণার পদ্ধতি

Il metodo di ricerca d’indagine proviene dall’antico metodo del censimento. Un censimento consta nel collezionare informazioni da un’intera popolazione. Questo metodo è costoso e poco pratico, in particolare se la popolazione è elevata. Quindi, rispetto al censimento, una indagine normalmente è concentrata sul collezionare informazioni per un piccolo numero, o campione, dei rappresentanti della popolazione (Fowler 1988, Neuman 1994). Un campione riflette la popolazione da cui è disegnato, con differenti livelli di accuratezza, secondo la struttura del campione, la dimensione e il metodo di selezione utilizzato (Fowler 1988, Babbie 1982, Neuman 1994).

Il metodo d’indagine è definito come “snapshots of practices, situations or views at a particular point in time, undertaken using questionnaires or interviews, from which inferences may be
made” (Galliers 1992:153) [fotografia istentanea delle pratiche, situazioni o viste in particolare punto temporale, intrapreso usando questionari o interviste, da cui possono essere fatte inferenze]. Le indagini si occupano della raccolta di informazioni su alcuni aspetti dello studio, da un certo numero di partecipanti, facendo delle domande (Fowler 1988). Anche questi questionari e interviste, che includono le interviste faccia a faccia al telefono e quelle strutturate, sono le tecniche di collezione di dati più comuni impiegate nelle indagini (Blalock 1970, Nachmias and Nachmias 1976, Fowler 1988), possono essere utilizzate osservazioni ed analisi (Gable 1994). Di tutti questi metodi di collezione dei dati, l’uso del questionario è la tecnica più popolare, poiché assicura che i dati

collezionati siano strutturati e formattati, e quindi facilita la classificazione delle informazioni (Hwang 1987, de Vaus 1991).

বিশ্লেষণে dati, una strategia d’indagine impiega spesso le tecniche quantitative, come l’analisi statistica, ma possono essere impiegate anche tecniche qualitative (Galliers 1992, Pervan

এবং ক্লাস 1992, গেবল 1994)। সাধারণত, i dati raccolti sono usati per analizzare le distribuzioni e i modelli delle associazioni (Fowler 1988).

Anche se le indagini sono generalmente appropriate per ricerche che si occupano della domanda ‘che cosa?’ (what) o da essa derivanti, quali ‘quanto’(how much) e ‘quant’è’ (how many), esse possono essere poste tramite la domanda ‘perché’ (Sonquist and Dunkelberg 1977, Yin 1989). Secondo Sonquist e Dunkelberg (1977), l’indagine di ricerca punta ad ipotesi difficili, programme di valutazione, descrivendo la popolazione e sviluppando modelli del comportamento umano. Inoltre, le indagini possono essere usate per studiare un’opinione certa della popolazione, condizioni, opinioni, caratteristiche, aspettative e anche comportamenti passati o presenti(Neuman 1994).

Le indagini permettono al ricercatore di scoprire i rapporti tra la popolazione ed i risultato sono normalmente più generici rispetto ad altri metodi (Sonquist and Dunkelberg 1977, Gable 1994). Le indagini permettono ai ricercatori di riguardare una zona geografica più larga e di raggiungere tantissimi dichiaranti (Blalock 1970, Sonquist and Dunkelberg 1977, Hwang and Lin 1987, Gable 1994, Neuman 1994). Infine, le indagini possono fornire le informazioni che non sono disponibili altrove o nella forma richiesta per le analisi (Fowler 1988).

Ci sono, tuttavia, alcune limitazioni nell’eseguire un’indagine. Uno svantaggio è che il ricercatore non può ottenere molte informazioni a riguardo dell’oggetto studiato. Questo è dovuto al fatto che le indagini sono eseguite soltanto in un momento particolare e, quindi, c’è un numero limitato di variabili e di persone che il ricercatore può

studiare (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). Un altro svantaggio è quello che esegue un’indagine può essere molto costoso in termini di tempo e risorse, particolarmente se coinvolge le interviste faccia a faccia (Fowler 1988).

3.2.2। তদন্ত গবেষণা পদ্ধতি

Il metodo di ricerca di inchiesta coinvolge lo studio approfondito su una particolare situazione all’interno del relativo contesto reale in un periodo di tempo definito, senza alcun intervento da parte del ricercatore (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). Principalmente questo metodo è usato per descrivere i rapporti fra le variabili che si stanno studiando in una situazione particolare (Galliers 1992). Le inchieste possono coinvolgere singoli casi o multipli, a seconda del fenomeno analizzato (Franz e Robey 1987, Eisenhardt 1989, Yin 1989).

Il metodo di ricerca di inchiesta è definito come “un’inchiesta empirica che studia un fenomeno contemporaneo all’interno del relativo contesto reale, usando le fonti multiple raccolte da una o più entità quali la gente, i gruppi, o le organizzazioni” (Yin 1989). Non c’è netta separazione fra il fenomeno ed il relativo contesto e non c’è controllo o manipolazione sperimentale delle variabili (Yin 1989, Benbasat ed altri 1987).

সংগ্রহের জন্য বিভিন্ন কৌশল রয়েছে dati che possono essere impiegate nel metodo di inchiesta, che includono le osservazioni dirette, revisioni di record di archivi, questionari, revisione della documentazione ed interviste strutturate. Avendo una gamma varia di tecniche della raccolta di dati, le inchieste permettono ai ricercatori di occuparsi sia dei dati qualitativi che quantitativi allo stesso tempo (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). Com’è il caso con il metodo di indagine, un ricercatore di inchiesta funge da osservatore o ricercatore e non come partecipante attivo all’organizzazione allo studio.

Benbasat ed altri (1987) asseriscono che il metodo di inchiesta è particolarmente adatto per la costruzione della teoria di ricerca, che comincia con una domanda di ricerca e continua con la formazione

সংগ্রহের প্রক্রিয়া চলাকালীন একটি তত্ত্ব dati. Essendo adatto anche per la fase

della costruzione di teoria, Franz e Robey (1987) suggeriscono che il metodo di inchiesta può anche essere utilizzato per la complessa fase di teoria. In questo caso, basandosi sulle prove raccolte, una data teoria o ipotesi viene verificata o confutata. In più, l’inchiesta è anche adatta per ricerca che si occupa delle domande ‘come’ o ‘perché’ (Yin 1989).

Rispetto ad altri metodi, le inchieste permettono al ricercatore di catturare le informazioni essenziali più nel particolare (Galliers 1992, Shanks ed altri 1993). Inoltre, le inchieste permettono al ricercatore di capire la natura e la complessità dei processi studiati (Benbasat ed altri 1987).

Ci sono quattro svantaggi principali connessi con il metodo di inchiesta. Il primo è la mancanza di deduzioni controllate. La soggettività del ricercatore può alterare i risultati e le conclusioni dello studio (Yin 1989). Il secondo svantaggio è la mancanza di osservazione controllata. A differenza dei metodi sperimentali, il ricercatore di inchiesta non può controllare i fenomeni studiati poiché sono esaminati nel loro contesto naturale (Gable 1994). Il terzo svantaggio è la mancanza di replicabilità. Ciò è dovuto al fatto che il ricercatore ha poca probabilità di osservare gli stessi eventi, e non può verificare i risultati di un particolare studio (Lee 1989). Infine, come conseguenza della non replicabilità, è difficile generalizzare i risultati ottenuti da una o più inchieste (Galliers 1992, Shanks ed altri 1993). Tutti questi problemi, tuttavia, non sono insormontabili e possono, infatti, essere minimizzati dal ricercatore applicando azioni appropriate (Lee 1989).

3.3। গবেষণার পদ্ধতিটি ন্যায়সঙ্গত করুন গৃহীত

Dai due metodi di ricerca possibili per questo studio, il metodo di indagine è considerato come il più adatto. Quello di inchiesta è stato scartato in seguito ad un attenta considerazione dei relativi

meriti e debolezze. La convenienza o l’inappropriatezza di ogni metodo per questo studio è discussa in seguito.

3.3.1.৩.১। অনুপযুক্ত গবেষণা পদ্ধতি তদন্তের

Il metodo di inchiesta richiede lo studio approfondito circa una situazione particolare all’interno di una o più organizzazioni per un periodo di tempo (Eisenhardt 1989). In questo caso, il periodo può eccedere la struttura di tempo data per questo studio. Un altro motivo per non adottare il metodo di inchiesta è che i risultati possono soffrire da mancanza di rigore (Yin 1989). La soggettività del ricercatore può influenzare i risultati e le conclusioni. Un altro motivo è che questo metodo è più adatto a ricerche su domande del tipo ‘come’ o ‘perché’ (Yin 1989), mentre la domanda di ricerca per questo studio è del tipo ‘che cosa’. Infine, ma non meno importante, è difficile generalizzare i risultati da appena una o poche inchieste (Galliers 1992, Shanks ed altri 1993). Sulla base di questa spiegazione razionale, il metodo di ricerca di inchiesta non è stato scelto poiché inadatto per questo studio.

৩.৩.২। গবেষণা পদ্ধতির সুবিধা তদন্ত

Quando questa ricerca è stata condotta, la pratica di data- warehousing non era stata ampiamente adottata dalle organizzazioni australiane. Quindi, non c’erano molte informazioni per quanto riguarda la loro implementazione all’interno delle organizzazioni australiane. Le informazioni disponibili provenivano dalle organizzazioni che avevano implementato o utilizzato un তথ্য গুদাম. In questo caso, il metodo di ricerca di indagine è il più adatto poiché permette di ottenere le informazioni che non sono disponibili altrove o nella forma richiesta per analisi (Fowler 1988). In più, il metodo di ricerca di indagine permette al ricercatore di ottenere una buona visione delle pratiche, delle situazioni, o delle viste in un determinato momento (Galliers 1992, Denscombe 1998). Una veduta d’insieme era stata richiesta per aumentare la conoscenza circa l’esperienza australiana di data warehousing.

উপরন্তু, Sonquist and Dunkelberg (1977) বলে যে সমীক্ষা গবেষণার ফলাফল অন্যান্য পদ্ধতির তুলনায় বেশি সাধারণ।

3.4। জরিপ গবেষণা নকশা

L’indagine circa la pratica di data warehousing è stata eseguita nel 1999. La popolazione obiettivo era formata da organizzazioni australiane interessate agli studi di data warehousing, poiché erano probabilmente già informati circa i dati che immagazzinano e, pertanto, potrebbe fornire le informazioni utili per questo studio. La popolazione obiettivo è stata identificata con un’indagine iniziale di tutti i membri australiani del ‘The Data Warehousing Institute’ (Tdwi- aap). Questa sezione discute il disegno della fase di ricerca empirica di questo studio.

৩.৪.১০। সংগ্রহের প্রযুক্তি dati

Dalle tre tecniche usate comunemente nella ricerca di indagine (cioè questionario via posta, intervista del telefono ed intervista personale) (Nachmias 1976, Fowler 1988, de Vaus 1991), per questo studio è stato adottato il questionario via posta. Il primo motivo per l’adozione di quest’ultimo è che può raggiungere una popolazione sparsa geograficamente (Blalock 1970, Nachmias e Nachmias 1976, Hwang e Lin 1987, de Vaus 1991, Gable 1994). Secondariamente, il questionario via posta è adatto a partecipanti altamente istruiti (Fowler 1988). Il questionario via posta per questo studio è stato indirizzato ai project sponsors del data warehousing, direttori e/o responsabili di progetto. In terzo luogo, i questionari via posta sono adatti quando si ha a disposizione una lista sicura di indirizzi (Salant e Dilman 1994). TDWI, in questo caso, una associazione fidata di data warehousing ha fornito la lista di indirizzi dei relativi membri australiani. Un altro vantaggio del questionario via posta rispetto al questionario via telefono o alle interviste personali è che permette ai dichiaranti di rispondere con maggior esattezza, particolarmente quando i dichiaranti devono consultare le annotazioni o discutere le domande con altra gente (Fowler 1988).

Uno svantaggio potenziale può essere il tempo richiesto per condurre i questionari via posta. Normalmente, un questionario via posta è condotto in questa sequenza: spedire le lettere, aspettare le risposte e mandare la conferma(Fowler 1988, Bainbridge 1989). Quindi, il tempo totale può essere più lungo del tempo richiesto per le interviste personali o per le interviste al telefono. Tuttavia, il tempo totale può essere conosciuto in anticipo (Fowler 1988, Denscombe 1998). Il tempo speso per condurre le interviste personali non può essere conosciuto in anticipo poiché varia da un’intervista all’altra (Fowler 1988). Le interviste telefoniche possono essere più rapide dei questionari via posta e delle interviste personali ma possono avere un alto tasso di mancanza di risposta dovuto all’indisponibilità di alcune persone (Fowler 1988). In più, le interviste telefoniche sono limitate generalmente a liste di domande relativamente corte (Bainbridge 1989).

Un’altra debolezza di un questionario via posta è l’alto tasso di mancanza di risposta (Fowler 1988, Bainbridge 1989, Neuman 1994). Tuttavia, sono state prese delle contromisure, associando questo studio con un’istituzione fidata nel campo del data warehousing (cioè TDWI) (Bainbridge 1989, Neuman 1994), la quale trasmette due lettere di sollecito ai chi non ha risposto (Fowler 1988, Neuman 1994) ed include inoltre una lettera aggiuntiva che spiega lo scopo dello studio (Neuman 1994).

3.4.2। বিশ্লেষণ ইউনিট

Lo scopo di questo studio è ottenere le informazioni circa l’implementazione del data warehousing e l’utilizzo dello stesso all’interno delle organizzazioni australiane. La popolazione obiettivo è costituita da tutte le organizzazioni australiane che hanno implementato, o stanno implementando, i তথ্য গুদাম. In seguito vengono intestate le singole organizzazioni. Il questionario via posta è stato spedito alle organizzazioni interessate all’adozione di তথ্য গুদাম. Questo metodo garantisce che le informazioni raccolte provengano dalle risorse più adatte di ogni organizzazione partecipante.

3.4.3। জরিপের নমুনা

La “mailing list” dei partecipanti all’indagine è stata ottenuta da TDWI. A partire da questa lista, 3000 organizzazioni australiane sono state selezionate come base per il campionamento. Una lettera di aggiuntiva spiegava il progetto e lo scopo dell’indagine, insieme ad una scheda per le risposte e una busta prepagata per rinviare il questionario compilato sono state inviate al campione. Delle 3000 organizzazioni, 198 hanno accettato di partecipare allo studio. Era previsto un così piccolo numero di risposte উপাত্ত il grande numero di organizzazioni australiane che allora avevano abbracciato o stavano abbracciando la strategia di data warehousing all’interno delle loro organizzazioni. Quindi, la popolazione obiettivo per questo studio consiste di sole 198 organizzazioni.

3.4.4। প্রশ্নাবলির বিষয়বস্তু

La struttura del questionario è stata basata sul modello di data warehousing Monash (discusso precedentemente nella parte 2.3). Il contenuto del questionario è stato basato sull’analisi della letteratura presentata nel capitolo 2. Una copia del questionario spedito ai partecipanti all’indagine può essere trovata nell’appendice B. Il questionario è composto da sei sezioni, che seguono le fasi del modello trattato. I seguenti sei paragrafi brevemente ricapitolano il contenuto di ogni sezione.

বিভাগ অ: সংস্থা সম্পর্কে প্রাথমিক তথ্য
Questa sezione contiene le domande relative al profilo delle organizzazioni partecipanti. In più, alcune delle domande sono relative alla condizione del progetto di data warehousing del partecipante. Le informazioni confidenziali quale il nome dell’organizzazione non sono state rivelate nell’analisi di indagine.

বিভাগ বি: শুরু করুন
Le domande in questa sezione sono relative all’attività di inizio di data warehousing. Le domande sono state fatte per quanto riguarda gli iniziatori di progetto, garanti, abilità e conoscenza richieste, gli obiettivi dello sviluppo di data warehousing e le aspettative degli utilizzatori finali.

বিভাগ সি: নকশা
Questa sezione contiene le domande relative alle attività di pianificazione del তথ্য গুদাম. In particolare, le domande sono state circa la portata di esecuzione, la durata del progetto, il costo del progetto e l’analisi di costi/benefici.

বিভাগ ডি: উন্নয়ন
Nella sezione di sviluppo ci sono le domande relative alle attività di sviluppo del তথ্য গুদাম: raccolta di requisiti dell’utilizzatore finale, le fonti di datiএর যৌক্তিক মডেল dati, prototipi, la pianificazione di capienza, architetture tecniche e selezione dei tools di sviluppo del data warehousing.

বিভাগ E: অপারেশন
Domande di funzionamento relative al funzionamento ed all’estensibilità del তথ্য গুদাম, come si evolve nella successiva fase di sviluppo. La উপাত্তের গুণ, le strategie di refresh dei datiএর গ্রানুলারিটি dati, scalabilità del তথ্য গুদাম ed i problemi di sicurezza del তথ্য গুদাম erano fra le tipologie di domande fatte.

বিভাগ চ: বিকাশ
Questa sezione contiene le domande relative all’utilizzo del তথ্য গুদাম da parte degli utenti finali. Il ricercatore era interessato allo scopo e all’utilità del তথ্য গুদাম, la revisione e le strategie di addestramento adottati e la strategia di controllo del তথ্য গুদাম adottata.

3.4.5। প্রতিক্রিয়া হার

Anche se le indagini via posta sono criticate per avere un tasso di risposta basso, sono state adottate delle misure per aumentare il tasso di rendimento (come discusso precedentemente nella parte 3.4.1). Il termine ‘tasso di risposta’ si riferisce alla percentuale di persone in un campione particolare di indagine che risponde al questionario (Denscombe 1998). E’ stata utilizzata la seguente formula per calcolare il tasso di risposta per questo studio:

যারা উত্তর দিয়েছেন তাদের সংখ্যা
Tasso di risposta = ——————————————————————————– X 100 Numero totale di questionari spediti

3.4.6। পাইলট পরীক্ষা

Prima che il questionario sia spedito al campione, le domande sono state esaminate effettuando le prove pilota, come suggerito da Luck e Rubin (1987), Jackson (1988) e de Vaus (1991). Lo scopo delle prove pilota è di rivelare tutte le espressioni scomode, ambigue e domande di difficile interpretazione, per chiarire qualunque definizioni e termini usati e per identificare il tempo approssimativo richiesto per compilare il questionario (Warwick e Lininger 1975, Jackson 1988, Salant e Dilman 1994). Le prove pilota sono state effettuate selezionando soggetti con caratteristiche simili a quelle dei soggetti finali, come suggerito Davis e Cosenza স্বাগতম (1993). In questo studio, sei professionisti di data warehousing sono stati selezionati come i soggetti pilota. Dopo ogni prova pilota, sono state fatte le correzioni necessarie. Dalle prove pilota effettuate, i partecipanti hanno contribuito a rimodellare e reimpostar la versione definitiva del questionario.

3.4.7। বিশ্লেষণের পদ্ধতিসমূহ ডি Dati

I dati di indagine raccolti dai questionari a domanda chiusa sono stati analizzati usando un pacchetto di programmi statistico denominato SPSS. Molte delle risposte sono state analizzate usando le statistiche descrittive. Un certo numero di questionari sono ritornati incompleti. Questi sono stati trattati con maggiore attenzione per accertarsi che i dati mancanti non fossero una conseguenza degli errori di data entry, ma perché le domande non erano adatte per il dichiarante, o il dichiarante ha deciso non rispondere ad una o più domande specifiche. Queste risposte mancanti sono state ignorate durante l’analisi dei dati e sono state codificate come ‘- 9’ per accertare la loro esclusione dal processo di analisi.

Nel preparare il questionario, le domande chiuse sono state precodificate assegnando un numero ad ogni opzione. Il numero allora è stato usato per preparare i dati durante l’analisi (Denscombe 1998, Sapsford e Jupp 1996). Per esempio, c’erano sei opzioni elencate nella domanda 1 della sezione B: consiglio d’amministrazione, esecutivo ad alto livello, dipartimento IT , unità di affari, i consulenti ed altro. Nello schedario di dati di SPSS, è stata generata una variabile per indicare ‘l’iniziatore di progetto’, con sei etichette di valore: ‘1’ per il ‘consiglio d’amministrazione’, ‘2’ per ‘l’esecutivo ad alto livello’ e così via. L’uso della scala di Likertin in alcune delle domande chiuse inoltre ha permesso un’identificazione che non richiede sforzo visto l’utilizzo dei valori numerici corrispondenti inseriti in SPSS. Per le domande con le risposte non esaustive, che non erano reciprocamente esclusive, ogni opzione è stata trattata come una singola variabile con due etichette di valore: ‘1 ‘ per ‘segnata’ e ‘2 ‘ per ‘non segnata’.

Le domande aperte sono state trattate diversamente dalle domande chiuse. Le risposte a queste domande non sono state inserite in SPSS. Al contrario, sono state analizzate a mano. L’uso di questo tipo di domande permette di acquisire informazioni circa le idee liberamente espresse e le esperienze personali nei dichiaranti (Bainbridge 1989, Denscombe 1998). Dove possibile, è stata fatta una categorizzazione delle risposte.

বিশ্লেষণের জন্য dati, sono usati metodi di semplice analisi statistica, come la frequenza delle risposte, la media, la scarto quadratico medio e la mediana (Argyrous 1996, Denscombe 1998).
Il Gamma test era performante per ottenere misure quantitative delle associazioni tra dati ordinali (Norusis 1983, Argyrous 1996). Questi test erano appropriati perché le scale ordinali usate non avevano molte categorie e potevano essere mostrate in una tabella (Norusis 1983).

3.5 সংক্ষিপ্তসার

In questo capitolo, sono stati discussi la metodologia di ricerca e il design adottati per questo studio.

La selezione del più appropriato metodo di ricerca per un particolare studio prende in
considerazione un certo numero di regole, inclusa la natura e il tipo della ricerca, così come i meriti e le debolezze di ogni possibile metodo(Jenkins 1985, Benbasat et al. 1097,Galliers e Land 1987, yin 1989, Hamilton e ives 1992, Galliers 1992, neuman 1994). Vista la mancanza di conoscenza e teoria esistenti a proposito dell’adozione di data warehousing in Australia, questo studio di ricerca richiede un metodo di ricerca interpretativo con una abilità esplorativa per esplorare le esperienze delle organizzazioni australiane. Il metodo di ricerca prescelto è stato selezionato per raccogliere informazioni riguardanti l’adozione del concetto di data ware-housing da parte delle organizzazioni australiane. Un questionario postale è stato scelto come tecnica di raccolta dati. Le giustificazioni per il metodo di ricerca e la tecnica di raccolta dati selezionati saranno fornite in questo capitolo. Inoltre è stata presentata una discussione sull’unità di analisi,il campione utilizzato, le percentuali di risposte, il contenuto del questionario, il pre test del questionario e il metdo di analisi dei dati.

ডিজাইনিং ক তথ্য ভাণ্ডার:

সত্তা সম্পর্ক এবং মাত্রিক মডেলিংয়ের সম্মিলন b

বিমূর্ত
স্টোর i dati è un problema attuale importante per molte organizzazioni. Un problema chiave nello sviluppo dell’immagazzinamento dei dati এটা তার নকশা।
Il disegno deve sostenere il rilevamento di concetti nel তথ্য গুদাম a legacy system e le altre fonti di dati ed anche una facile comprensione ed efficienza nell’implementazione di তথ্য গুদাম.
বেশিরভাগ স্টোরেজ সাহিত্য dati raccomanda l’uso di entity relationship modelling or dimensional modelling per rappresentare il disegno di তথ্য গুদাম.
In questo giornale noi mostriamo come entrambe le rappresentazioni possono essere combinate in un approccio per il disegno di তথ্য গুদাম। ব্যবহৃত পদ্ধতির পদ্ধতিগতভাবে

esaminato in un caso di studio ed è identificato in un numero di importanti implicazioni con professionisti.

লেপা কাগজ

Un তথ্য গুদাম di solito è definito come un “subject-oriented, integrated, time-variant, and nonvolatile collection of data in support of management’s decisions” (Inmon and Hackathorn, 1994). Subject-oriented and integrated indica che il তথ্য গুদাম è progettato per attraversare i confini funzionali dei legaci system per offrire una prospettiva integrata dei dati.
সময়-বৈকল্পিক theতিহাসিক বা সময়-সিরিজের প্রকৃতিকে প্রভাবিত করে dati আন তথ্য গুদাম, la quale abilita trend per essere analizzati. Non-volatile indica che il তথ্য গুদাম non è continuamente aggiornato come un ডাটাবেজ di OLTP. Piuttosto è aggiornato periodicamente, con dati অভ্যন্তরীণ এবং বাহ্যিক উত্স থেকে। দ্য তথ্য গুদাম specificatamente è disegnato per la ricerca piuttosto che per l’integrità degli aggiornamenti e le prestazioni delle operazioni.
সংরক্ষণ করার ধারণা i dati non è nuova, è stato uno degli scopi di gestione dei dati 1982 সাল থেকে (ইল মার্টিন, XNUMX)।
I তথ্য গুদাম তারা অবকাঠামো অফার dati per management support systems. Management support systems includono decision support systems (DSS) and executive information systems (EIS). Un DSS è un sistema di informazioni computer-based che è progettato per migliorare il processo e di conseguenza la presa di decisione umana. Un EIS è tipicamente un sistema di consegna di dati che abilita dirigenti d’azienda ad accedere facilmente alla vista dei dati.
এর সাধারণ স্থাপত্য ক তথ্য গুদাম এর ভূমিকা হাইলাইট করে তথ্য গুদাম nel supporto alla gestione. Oltre ad offrire l’infrastruttura dati EIS এবং DSS এর জন্য, আল তথ্য গুদাম è possibile accedervi direttamente attraverso le query. I dati inclusi in un তথ্য গুদাম si basano su un’analisi dei requisiti di informazioni di gestione e sono ottenuti da tre fonti: internal legacy systems, special purpose data capture systems and external data sources. I dati negli internal legacy systems sono frequentemente ridondanti, inconsistenti, di bassa qualità, e immagazzinati in diversi formati quindi devono essere riconciliati e puliti prima di poterli caricare nel

তথ্য গুদাম (ইনমন, 1992; ম্যাকফ্যাডেন, 1996) দ্য dati provenienti da sistemi di immagazzinamento dati অ্যাডহক এবং উত্স থেকে dati বাহ্যিক ব্যয় বৃদ্ধিতে ব্যবহৃত হয় (আপডেট, প্রতিস্থাপন) i dati উত্তরাধিকার ব্যবস্থা থেকে।

একটি বিকাশ করার জন্য অনেক বাধ্যমূলক কারণ রয়েছে তথ্য গুদাম, che includono una migliore presa di decisione attraverso l’uso effettivo di più informazioni (Ives 1995), il supporto per un focus sugli affari completi (Graham 1996), e la riduzione in costi di provvedimento di dati per EIS e DSS (Graham 1996, McFadden 1996).

Un recente studio empirico ha scoperto, in media, un ritorno degli investimenti per i তথ্য গুদাম del 401% dopo tre anni (Graham, 1996). Comunque, gli altri studi empirici di তথ্য গুদাম hanno trovato significanti problemi incluso la difficoltà nel misurare ed assegnare benefici, mancanza di un scopo chiaro, sottovalutando lo scopo e la complessità del processo di immagazzinare i dati, in particolare quanto riguarda le fonti e la pulizia dei dati. Immagazzinare i dati può essere considerato come una soluzione al problema di gestione dei dati fra le organizzazioni. La manipolazione dei dati come risorsa sociale è rimasto uno dei problemi chiave nella gestione di sistemi di informazioni in tutto il mondo per molti anni (Brancheau et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993).

পরিচালনার জন্য একটি জনপ্রিয় পন্থা dati negli anni ottanta era lo sviluppo di un modello dati সামাজিক মডেল dati sociale fu pensato per offrire una base stabile per lo sviluppo di nuovi sistemi applicativi e ডাটাবেজ e la ricostruzione e l’integrazione di legacy systems (Brancheau et al.

1989, Goodhue et al. 1988:1992, Kim and Everest 1994). Comunque, ci sono molti problemi con questo approccio, in particolare, la complessità e il costo di ogni task, ed il lungo tempo richiesto per avere risultati tangibili (Beynon-Davies 1994, Earl 1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997).

Il তথ্য গুদাম è un databse separato che co-esiste coi legacy databases piuttosto che sostituirli. Esso perciò consente di indirizzare la gestione dei dati ed evitare la costosa ricostruzione dei legacy systems.

তারিখ অঙ্কনের তারিখের বিদ্যমান উপস্থিতি

ওয়্যারহাউস

বিল্ডিং এবং নিখুঁত প্রক্রিয়া a তথ্য গুদাম va compreso più come un processo evolutivo piuttosto che un lifecycle di sviluppo di sistemi tradizionali (Desio, 1995, Shanks, O’Donnell and Arnott 1997a ). Ci sono molti processi coinvolti in un progetto di তথ্য গুদাম come inizializzazione, pianificazione; informazioni acquisite dai requisiti chieste ai dirigenti d’azienda; fonti, trasformazioni, pulizia dei dati e di sincronizzazione da legacy systems e le altre fonti di dati; sistemi di consegna in sviluppo; monitoraggio dei তথ্য গুদাম; e insensatezza del processo evolutivo e di costruzione di un তথ্য গুদাম (Stinchi, O’Donnell ed Arnott 1997b). In questo giornale, noi focalizziamo su come disegnare i dati immagazzinati nel contesto di questi altri processi. Ci sono un numero di approcci proposti per l’architettura dei তথ্য গুদাম nella letteratura (Inmon 1994, Ives 1995, Kimball 1994 McFadden 1996). Ognuna di queste metodologie ha una breve rassegna con un’analisi dei loro punti di forza e non.

ইনমনের (1994) পদ্ধতির জন্য তথ্য ভাণ্ডার নকশা

Inmon (1994) propose quattro passi iterativi per disegnare un তথ্য গুদাম (veda Figura 2). Il primo passo è progettare un modello dati সামাজিক আমি বুঝতে কিভাবে dati possono essere integrati attraverso aree funzionali all’interno di un’organizzazione suddividendo i dati এলাকায় স্টোর। মডেল dati è fatto per immagazzinare dati সংক্রান্ত সিদ্ধান্ত গ্রহণ সম্পর্কিত dati historicalতিহাসিক, এবং অন্তর্ভুক্ত dati dedotti ed aggregati. Il secondo passo è identificare aree soggette per la realizzazione. Questi sono basati su priorità determinate da una particolare organizzazione. Il terzo passo comporta il disegno di un ডাটাবেজ per l’area soggetta, pone particolare attenzione a includere appropriati livelli di granularità. Inmon raccomanda di usare il modello entità e relazioni. Il quarto passo è identificare sistemi di fonti dati richiesti e sviluppare processi di trasformazione per acquisire, pulire e formattare i dati.

ইনমন এর পদ্ধতির শক্তি হ'ল মডেল dati sociale offre la base per l’integrazione di dati all’interno dell’organizzazione e pianificazione di supporti per lo sviluppo iterativo di তথ্য গুদাম. Le sue pecche sono la difficoltà e il costo nel disegnare il modello dati sociale, la difficoltà nel capire modelli di entità e relazioni usati in ambo i modelli, quello dati সামাজিক এবং যে dati বিষয় ক্ষেত্র, এবং যথাযথতা দ্বারা সঞ্চিত dati del disegno di তথ্য গুদাম উপলব্ধি জন্য ডাটাবেজ সম্পর্কযুক্ত কিন্তু জন্য নয় ডাটাবেজ বহুমাত্রিক

Ives '(1995) এপ্রোচ তথ্য ভাণ্ডার নকশা

Ives (1995) propone un approccio di quattro passi per disegnare un sistema informativo che lui ritiene applicabile al disegno di un তথ্য গুদাম (veda Figura 3). L’approccio è molto basato sull’ Information Engineering per lo sviluppo di sistemi di informazioni (Martin 1990). Il primo passo è determinare gli obiettivi, i fattori critici e di successo e gli indicatori chiave delle prestazioni. I processi chiave di business e le informazioni necessarie sono modellate per condurci ad un modello dati sociale. Il secondo passo comporta lo sviluppo di un architettura che definisce dati অঞ্চলগুলি দ্বারা সঞ্চিত, ডাটাবেজ di তথ্য গুদাম, i componenti di tecnologia che sono richiesti, l’insieme di supporto organizzativo richiesto per implementare ed operare con তথ্য গুদাম. Il terzo passo include la selezione di pacchetti software e attrezzi richiesti. Il quarto passo è il disegno particolareggiato e la costruzione del তথ্য গুদাম। Ives নোট যে সঞ্চয় dati è un vincolato processo iterativo.

La forza dell’approccio di Ives sono l’uso di specifiche tecniche per determinare i requisiti d’informazione, l’uso di uno strutturato processo per sostenere l’integrazione dei তথ্য গুদাম, l’opportuna selezione hardware e software, e l’uso di molteplici tecniche di rappresentazione per il তথ্য গুদাম. Le sue pecche sono inerenti alla complessità. Altre includono la difficoltà nello sviluppare molti livelli di ডাটাবেজ all'interno ডেল তথ্য গুদাম in tempi e costi ragionevoli.

কিমবলের (1994) এপ্রোচ তথ্য ভাণ্ডার নকশা

Kimball (1994) propose cinque passi iterativi per disegnare un তথ্য গুদাম (vedi Figuri 4). Il suo approccio è particolarmente dedicato sul disegno di un solo তথ্য গুদাম e sull’uso di modelli dimensionali in preferenza a modelli di entità e relazioni. Kimball analizza quei modelli dimensionali perché è più facile capire per i dirigenti d’azienda gli affari, è più efficiente quando si trattano consultazioni complesse, e il disegno di ডাটাবেজ fisico è più efficiente (Kimball 1994). Kimball riconosce che lo sviluppo di un তথ্য গুদাম পুনরাবৃত্তি, এবং যে তথ্য গুদাম separati possono essere integrati attraverso la ripartizione in tavole di dimensioni comuni.

Il primo passo è identificare la particolare area soggetto per essere perfezionato. Il secondo e terzo passo concernono modellatura dimensionale. Nel secondo passo le misure identificano cose di interesse nell’area soggetto e raggruppate in una tabella dei fatti. Per esempio, in un’area di soggetto di vendite le misure di interesse potrebbero includere l’ammontare di articoli venduto ed il dollaro come valuta di vendite. Il terzo passo comporta l’identificazione di dimensioni che sono i modi nei quali possono essere raggruppati i fatti. In un’area di soggetto di vendite, dimensioni attinenti potrebbero includere articolo, ubicazione e tempo periodo. La tabella dei fatti ha una chiave multi- part per collegarla ad ognuna delle tabelle di dimensione e tipicamente contiene un numero molto grande di fatti. In contrasto, tavole di dimensione contengono descrittive informazioni sulle dimensioni e gli altri attributi che possono essere usati per raggruppare i fatti. La tabella dei fatti e dimensioni associata proposta forma quello che è chiamato uno schema a stella a causa della sua forma. Il quarto passo comporta la costruzione di un ডাটাবেজ multidimensionale per perfezionare lo schema della stella. Il passo finale è identificare sistemi di fonti dati richiesti e sviluppare processi di trasformazione per acquisire, pulire e formattare i dati.

Le forze dell’approccio di Kimball includono l’uso di modelli dimensionali per rappresentare i dati immagazzinati che lo rendono facile da capire e conduce ad un disegno fisico efficiente. Un modello dimensionale che usa prontamente anche entrambi i sistemi di ডাটাবেজ রিলেশনাল সিস্টেমগুলি পারফেক্ট বা সিস্টেম হতে পারে ডাটাবেজ multidimensionali. Le sue pecche includono la mancanza di alcune tecniche per facilitare la pianificazione o l’integrazione di molti schemi della stella all’interno di un তথ্য গুদাম e la difficoltà di progettare dall’estrema struttura denormalizzata in un modello dimensionale a dati উত্তরাধিকার ব্যবস্থায়।

ম্যাকফ্যাডেনের (1996) ডেটা এপ্রোচ গুদাম নকশা

McFadden (1996) propone un approccio di cinque passi per disegnare un তথ্য গুদাম (চিত্র 5 দেখুন)
Il suo approccio è basato su una sintesi delle idee dalla letteratura ed è focalizzato sul disegno di un solo তথ্য গুদাম. Il primo passo comporta un’analisi dei requisiti. Anche se le specifiche tecniche non sono prescritte, le note di McFadden identificano le entità dati specifiche ed i loro attributi, e si riferisce ai lettori Watson e Frolick (1993) per l’acquisizione dei requisiti.
দ্বিতীয় ধাপে, একটি সম্পর্কের সত্তা মডেলটি তৈরি করা হয় তথ্য গুদাম e poi convalidato dai dirigenti d’azienda. Il terzo passo comprende la determinazione del mapping da legacy system e fonti esterne di তথ্য গুদাম. Il quarto passo comporta processi in sviluppo, la distribuzione e sincronizzazione di dati নেল তথ্য গুদাম. Nel passo finale, la consegna del sistema è sviluppata con particolare enfasi su un’interfaccia utente. McFadden fa notare che il processo di disegno è generalmente iterativo.

Le forze dell’approccio di McFadden puntano sulla partecipazione da parte dei dirigenti d’azienda nel determinare i requisiti ed anche l’importanza delle risorse dati, la loro pulizia e raccolta. Le sue pecche riguardano la mancanza di un processo per suddividere un grande progetto di তথ্য গুদাম অনেক সংহত পর্যায়ে এবং

ডিজাইনে ব্যবহৃত সত্তা এবং সম্পর্কের মডেলগুলি বুঝতে অসুবিধা তথ্য গুদাম.

যারা কেবল আমাদের নিকটবর্তী তাদেরাই আমাদের বেছে নিলেন না।