Tietovarasto ja yritysresurssien suunnittelu | DWH ja ERP

ARKISTO TIEDOT CENTRAL: HISTORIA ED EVOLUUTIO

Yritysteknologian kaksi hallitsevaa teemaa 90-luvulla olivat i tietovarasto ja ERP. Nämä kaksi tehokasta virtaa ovat pitkään olleet osa yrityksen IT:tä ilman, että niillä olisi koskaan ollut risteystä. Oli melkein kuin ne olisivat ainetta ja antimateriaa. Mutta molempien ilmiöiden kasvu on väistämättä johtanut niiden risteykseen. Nykyään yritykset kohtaavat ongelman, mitä tehdä ERP:n ja tietovarasto. Tässä artikkelissa kerrotaan, mitä ongelmat ovat ja miten yritykset käsittelevät niitä.

ALUSSA…

Alussa oli tietovarasto. Tietovarasto se syntyi torjumaan tapahtumankäsittelysovellusjärjestelmää. Alkuaikoina ulkoa opettelu Dati sen oli tarkoitus olla vain vastakohta tapahtumankäsittelysovelluksille. Mutta nykyään on olemassa paljon kehittyneempiä visioita siitä, mitä a tietovarasto. Nykymaailmassa tietovarasto se on lisätty rakenteeseen, jota voidaan kutsua Corporate Information Factoryksi.

YRITYSTIETOTEHDAS (CIF)

Corporate Information Factoryssa on vakioarkkitehtuurikomponentit: koodiintegrointi- ja muunnoskerros, joka integroi i Dati sillä aikaa kun minä Dati ne siirtyvät sovellusympäristöstä ympäristöön tietovarasto yrityksen, yhtiön; a tietovarasto yrityksen, jossa i Dati yksityiskohtaiset ja integroidut historiat. tietovarasto Yrityksen osa toimii perustana, jolle kaikki muut ympäristön osat voidaan rakentaa tietovarasto; operatiivinen tietovarasto (ODS). ODS on hybridirakenne, joka sisältää jonkin osan siitä tietovarasto ja muut OLTP-ympäristön näkökohdat; data marts, jossa eri osastoilla voi olla oma versio tietovarasto; a tietovarasto tutkimus, jossa yrityksen ajattelijat voivat lähettää 72 tunnin kyselynsä ilman haitallista vaikutusta tietovarasto; ja lähiviivamuisti, jossa Dati vanha ja Dati bulk-tiedot voidaan tallentaa halvalla.

Missä ERP yhdistää YRITYSTIETOTEHDAS

ERP sulautuu Corporate Information Factoryn kanssa kahdessa paikassa. Ensisijaisesti perussovelluksena, joka tarjoaa i Dati hakemuksesta tietovarasto. Tässä tapauksessa i Dati, jotka syntyvät tapahtumaprosessin sivutuotteena, integroidaan ja ladataan tietovarasto yhtiön. Toinen linkki ERP:n ja CIF:n välillä on ODS. Todellakin, monissa ympäristöissä ERP:tä käytetään klassisena ODS:nä.

Mikäli ERP:tä käytetään perussovelluksena, samaa ERP:tä voidaan käyttää myös CIF:ssä ODS:nä. Joka tapauksessa, jos ERP:tä käytetään molemmissa rooleissa, näiden kahden kokonaisuuden välillä on oltava selkeä ero. Toisin sanoen, kun ERP toimii perussovelluksena ja ODS:nä, nämä kaksi arkkitehtonista kokonaisuutta on erotettava. Jos yksi ERP-toteutus yrittää täyttää molemmat roolit samanaikaisesti, tämän kehyksen suunnittelussa ja toteutuksessa tulee väistämättä ongelmia.

ERITYISET HAJAT JA PERUSSOVELLUKSET

On monia syitä, jotka johtavat arkkitehtonisten komponenttien jakautumiseen. Ehkä puhuvin kohta arkkitehtuurin eri komponenttien erottamisessa on se, että jokaisella arkkitehtuurin komponentilla on oma näkemyksensä. Perussovellus palvelee eri tarkoitusta kuin ODS. Kokeile päällekkäisyyttä

sovellusperustainen näkemys ODS-maailmasta tai päinvastoin ei ole reilu tapa toimia.

Näin ollen CIF:n ERP:n ensimmäinen ongelma on varmistaa, onko perussovellusten ja ODS:n välillä ero.

DATAMALLIT YRITYKSESSÄ TIETOTEHDAS

CIF-arkkitehtuurin eri komponenttien välisen koheesion saavuttamiseksi on oltava malli Dati. Mallit Dati ne toimivat linkkinä arkkitehtuurin eri komponenttien, kuten perussovellusten ja ODS:n, välillä. Mallit Dati niistä tulee "älyllinen tiekartta", jotta CIF:n eri arkkitehtonisista osista saadaan oikea merkitys.

Käsi kädessä tämän käsityksen kanssa ajatus on, että pitäisi olla yksi suuri ja yksittäinen kuvio Dati. Ilmeisesti on oltava malli Dati jokaiselle komponentille ja lisäksi on oltava järkevä polku, joka yhdistää eri mallit. Jokainen arkkitehtuurin komponentti – ODS, perussovellukset, tietovarasto Yrityksestä ja niin edelleen.. – tarvitsee oman mallinsa Dati. Ja siksi on oltava tarkka määritelmä siitä, miten nämä mallit toimivat Dati ne ovat yhteydessä toisiinsa.

SIIRRY I TIEDOT ERP-PÄIVÄMÄÄRÄ VARASTO

Jos alkuperä Dati on perussovellus ja/tai ODS, kun ERP lisää i Dati sisään tietovarasto, tämän lisäyksen on tapahduttava "rakeisuuden" alimmalla tasolla. Yksinkertaisesti yhteenveto tai koota i Dati koska ne tulevat ulos ERP-perussovelluksesta tai ERP ODS:stä, ei ole oikea tapa tehdä. THE Dati tiedot tarvitaan tietovarasto muodostaa DSS-prosessin perustan. Sellainen Dati ne muotoutuvat monin tavoin uudelleen datamarkkinoihin ja etsintään tietovarasto.

Siirtymä Dati ERP-perussovellusympäristöstä tietovarasto yrityksen toiminta tapahtuu kohtuullisen rennosti. Tämä siirto tapahtuu noin 24 tunnin kuluttua päivityksestä tai ERP:ssä luomisesta. Se, että "laiska" liikettä Dati sisään tietovarasto yrityksen sallii Dati tulevat ERP:ltä "astumaan". Kerran minä Dati on tallennettu perussovellukseen, voit siirtää niitä turvallisesti Dati ERP:stä yrityksessä. Toinen tavoite, joka voidaan saavuttaa "laiskan" liikkeen ansiosta Dati on selkeä rajaus toimintaprosessien ja DSS:n välillä. "Nopealla" liikkeellä Dati DSS:n ja toiminnan välinen raja on epämääräinen.

Liikkuminen Dati ERP: n ODS: stä tietovarasto Yrityksen toimitukset tehdään säännöllisesti, yleensä viikoittain tai kuukausittain. Tässä tapauksessa liike Dati se perustuu tarpeeseen "puhdistaa" vanha Dati historioitsijat. Luonnollisesti ODS sisältää mm Dati jotka ovat paljon uudempia kuin Dati historioitsijat löytyi tietovarasto.

Siirtymä Dati sisään tietovarasto sitä ei tehdä lähes koskaan "tukkumyyntinä" (tukkukauppiaalla). Kopioi taulukko ERP-ympäristöstä kohteeseen tietovarasto siinä ei ole järkeä. Paljon realistisempi lähestymistapa on siirtää valittuja yksiköitä Dati. Vain Dati jotka ovat muuttuneet viimeisimmän päivityksen jälkeen tietovarasto ovat ne, jotka pitäisi siirtää tietovarasto. Yksi tapa tietää mitkä Dati ovat muuttuneet edellisen päivityksen jälkeen on tarkastella aikaleimoja Dati löytyy ERP-ympäristöstä. Suunnittelija valitsee kaikki muutokset, jotka ovat tapahtuneet edellisen päivityksen jälkeen. Toinen lähestymistapa on käyttää muutosten talteenottotekniikoita Dati. Näillä tekniikoilla lokit ja päiväkirjanauhat analysoidaan sen määrittämiseksi, mitkä niistä Dati on siirrettävä ERP-ympäristöstä ympäristöön tietovarasto. Nämä tekniikat ovat parhaita, koska lokit ja päiväkirjanauhat voidaan lukea ERP-tiedostoista ilman, että se vaikuttaa muihin ERP-resursseihin.

MUUT KOMPLIKAATIOT

Yksi CIF:n ERP-ongelmista on se, mitä tapahtuu muille sovelluslähteille tai ai:lle Dati ODS: n, jonka on edistettävä tietovarasto mutta ne eivät ole osa ERP-ympäristöä. Koska ERP:n, erityisesti SAP:n, suljettu luonne yrittää integroida avaimia ulkoisista lähteistä Dati i: n kanssa Dati jotka tulevat ERP:stä muuttohetkellä i Dati sisään tietovarasto, se on iso haaste. Ja mitkä ovat todennäköisyydet, että i Dati ERP-ympäristön ulkopuoliset sovellukset tai ODS integroidaan tietovarasto? Todennäköisyys on todella korkea.

LÖYTÖ TIEDOT ERP: N HISTORIAT

Toinen ongelma Dati ERP on se, joka johtuu tarpeesta saada Dati historioitsijat tietovarasto. Yleensä tietovarasto tarpeisiin Dati historioitsijat. ERP-tekniikka ei yleensä tallenna näitä Dati historiallinen, ei ainakaan siinä määrin kuin se on tarpeen tietovarasto. Kun suuri määrä Dati lokit alkavat lisääntyä ERP-ympäristössä, tämä ympäristö on siivottava. Oletetaan esimerkiksi a tietovarasto tulee ladata viidellä vuodella Dati historiallisia, kun taas ERP säilyttää näistä enintään kuusi kuukautta Dati. Niin kauan kuin yritys on tyytyväinen kerätä useita Dati historiallinen ajan myötä, ei ole mitään ongelmaa käyttää ERP:tä lähteenä tietovarasto. Mutta kun tietovarasto täytyy palata ajassa taaksepäin ja ottaa jumalat Dati tietueet, joita ERP ei ole aiemmin kerännyt ja tallentanut, ERP-ympäristö muuttuu tehottomaksi.

ERP JA METADATA

Toinen huomio ERP: stä ja tietovarasto on ERP-ympäristön olemassa olevissa metatiedoissa. Aivan kuten metatiedot siirtyvät ERP-ympäristöstä tietovarasto, metatiedot on siirrettävä samalla tavalla. Lisäksi metatiedot on muunnettava infrastruktuurin vaatimaan muotoon ja rakenteeseen tietovarasto. Toiminnallisten metatietojen ja DSS-metatietojen välillä on suuri ero. Operatiiviset metatiedot ovat enimmäkseen kehittäjille ja

ohjelmoija. DSS-metatiedot ovat ensisijaisesti loppukäyttäjille. Olemassa olevat metatiedot ERP-sovelluksissa tai ODS:issä on muunnettava, eikä tämä muuntaminen ole aina helppoa ja yksinkertaista.

ERP-TIETOJEN HANKINTA

Jos ERP: tä käytetään palveluntarjoajana Dati varten tietovarasto täytyy olla kiinteä käyttöliittymä, joka siirtää i Dati ERP-ympäristöstä ympäristöön tietovarasto. Käyttöliittymän on:

• ▪ on helppokäyttöinen
• ▪ salli pääsy Dati ERP
• ▪ poimi merkityksen Dati joihin siirretään tietovarasto
• ▪ tietää ERP:n rajoitukset, joita voi syntyä käytettäessä sitä Dati ERP: n
• ▪ viitteellinen eheys
• ▪ hierarkkiset suhteet
• ▪ implisiittiset loogiset suhteet
• ▪ hakemuskäytäntö
• ▪ kaikki rakenteet Dati tukee ERP, ja niin edelleen ...
• ▪ oltava tehokas pääsyssä Dati, tarjoamalla:
• ▪ suora liikkuminen Dati
• ▪ muutoksen hankinta Dati
• ▪ tukea oikea-aikaista pääsyä Dati
• ▪ ymmärtää muodon Dati, ja niin edelleen… Rajapinta SAP: n kanssa Käyttöliittymä voi olla kahden tyyppinen, kotimainen tai kaupallinen. Joitakin tärkeimpiä kaupallisia rajapintoja ovat:

• ▪ SAS
• ▪ Prime Solutions
• ▪ D2k ja niin edelleen… Useita ERP-tekniikoita ERP-ympäristön käsitteleminen ikään kuin se olisi yksittäinen tekniikka on suuri virhe. On olemassa monia ERP-tekniikoita, joista jokaisella on vahvuutensa. Markkinoiden tunnetuimmat toimittajat ovat:

• ▪ SAP
• ▪ Oracle Financials
• ▪ PeopleSoft
• JD Edwards
• ▪ Baans SAP SAP on suurin ja kattavin ERP-ohjelmisto. SAP-sovellukset sisältävät monenlaisia ​​sovelluksia monilla aloilla. SAP:lla on maine:

• ▪ erittäin suuri
• ▪ erittäin vaikea ja kallis toteuttaa
• ▪ toteuttamiseen tarvitaan paljon ihmisiä ja konsultteja
• ▪ tarvitsee toteuttamiseen erikoistuneita henkilöitä
• ▪ vaatii paljon aikaa käyttöönottoon. Myös SAP:lla on maine muistavansa Dati tiiviisti, mikä vaikeuttaa jonkun SAP-alueen ulkopuolelta pääsyä niihin. SAP:n vahvuus on, että se pystyy kaappaamaan ja tallentamaan suuren määrän Dati. SAP ilmoitti äskettäin aikovansa laajentaa sovelluksiaan tietovarasto. SAP:n käyttämisessä toimittajana on monia etuja ja haittoja tietovarasto. Etuna on, että SAP on jo asennettu ja useimmat konsultit tuntevat SAP:n.
  Haitat SAP: n toimittajana tietovarasto on monia: SAP:lla ei ole kokemusta tietovarasto Jos SAP on tietovarasto, on tarpeen "ottaa pois" i Dati SAP al tietovarasto. Dato SAP:n ennätys suljetusta järjestelmästä, ei todennäköisesti ole helppoa saada i:tä SAP:lta siihen (???). SAP:lle on olemassa monia vanhoja ympäristöjä, kuten IMS, VSAM, ADABAS, ORACLE, DB2 ja niin edelleen. SAP vaatii "ei keksitty täällä" -lähestymistapaa. SAP ei halua tehdä yhteistyötä muiden toimittajien kanssa käyttääkseen tai luodakseen sitä tietovarasto. SAP vaatii luomaan kaikki omat ohjelmistonsa itse.

Vaikka SAP on iso ja voimakas yritys, se yrittää kirjoittaa uudelleen ELT:n, OLAPin, järjestelmänhallinnan ja jopa järjestelmän koodipohjan. DBMS se on vain hullua. Sen sijaan, että ottaisit yhteistyöhaluisen asenteen tavarantoimittajien kanssa tietovarasto SAP on pitkään noudattanut lähestymistapaa, jonka he "tietävät parhaiten". Tämä asenne estää SAP:n menestymisen alalla tietovarasto.
SAP kieltäytyy sallimasta ulkopuolisten toimittajien pääsyä omaansa nopeasti ja sulavasti Dati. Käytännön ydin a tietovarasto on helppo käyttää Dati. Koko SAP:n tarina perustuu siihen, että sen käyttö on vaikeaa Dati.
SAP: lla ei ole kokemusta suurten volyymien käsittelystä Dati; alalla tietovarasto on määriä Dati koskaan nähnyt SAP:lta ja käsitellä näitä suuria määriä Dati sinulla on oltava oikea tekniikka. SAP ei ilmeisesti ole tietoinen tästä teknologisesta esteestä, jonka alalla on olemassa tietovarasto.
SAP:n yrityskulttuuri: SAP on rakentanut liiketoimintaa i:n hankkimisessa Dati järjestelmästä. Mutta tehdäksesi tämän, sinulla on oltava erilainen mentaliteetti. Perinteisesti ohjelmistoyritykset, jotka olivat hyviä saamaan dataa ympäristöön, eivät ole olleet hyviä saamaan dataa toiseen suuntaan. Jos SAP onnistuu tekemään tämäntyyppisen muutoksen, se on ensimmäinen yritys, joka tekee niin.

Lyhyesti sanottuna on kyseenalaista, pitäisikö yrityksen valita SAP toimittajaksi tietovarasto. Toisaalta on olemassa erittäin vakavia riskejä ja toisaalta hyvin vähän palkintoja. Mutta on toinenkin syy, joka estää SAP:n valitsemisen toimittajaksi tietovarasto. Koska jokaisella yrityksellä pitäisi olla sama tietovarasto kaikista muista yrityksistä? The tietovarasto se on kilpailuedun ydin. Jos jokainen yritys ottaisi saman tietovarasto kilpailuedun saavuttaminen olisi vaikeaa, joskaan ei mahdotonta. SAP näyttää ajattelevan, että a tietovarasto voidaan pitää evästeenä, ja tämä on jälleen yksi merkki heidän ajattelustaan ​​"hae tiedot" sovelluksiin.

Mikään muu ERP-toimittaja ei ole yhtä hallitseva kuin SAP. Epäilemättä tulee olemaan yrityksiä, jotka menevät SAP:n tapaan tietovarasto mutta luultavasti nämä tietovarasto SAP:t ovat suuria, kalliita ja aikaa vieviä luoda.

Näitä ympäristöjä ovat muun muassa pankkipalkin käsittely, lentoyhtiöiden varausprosessit, vakuutusvalitusprosessit ja niin edelleen. Mitä paremmin transaktiojärjestelmä suoriutui, sitä ilmeisempi oli tarve erottaa toimintaprosessi ja DSS (Decision Support System). HR- ja henkilöstöjärjestelmien kanssa et kuitenkaan koskaan kohtaa suuria transaktiomääriä. Ja tietysti, kun henkilö palkataan tai lähtee yrityksestä, tämä on tietue tapahtumasta. Mutta muihin järjestelmiin verrattuna HR- ja henkilöstöjärjestelmillä ei yksinkertaisesti ole paljon tapahtumia. Siksi HR- ja henkilöstöjärjestelmissä ei ole täysin selvää, että DataWarehouselle on tarvetta. Nämä järjestelmät ovat monella tapaa DSS-järjestelmien yhteenliittymiä.

Mutta on toinenkin tekijä, joka on otettava huomioon käsiteltäessä tietovarastoa ja PeopleSoftia. Monissa piireissä, ts Dati HR ja henkilökohtaiset resurssit ovat toissijaisia ​​yrityksen pääliiketoimintaan nähden. Suurin osa yrityksistä valmistaa, myy, tarjoaa palveluita ja niin edelleen. HR- ja henkilöstöjärjestelmät ovat yleensä toissijaisia ​​(tai tukevat) yrityksen pääliiketoiminta-alueen kannalta. Siksi se on epäselvää ja hankalaa a tietovarasto erillinen henkilöstö- ja henkilöresurssien tuki.

PeopleSoft on tässä suhteessa hyvin erilainen kuin SAP. SAP:n kanssa on pakollista, että on olemassa a tietovarasto. PeopleSoftin kanssa se ei ole niin selvää. Tietovarasto on valinnainen PeopleSoftin kanssa.

Parasta mitä voidaan sanoa Dati PeopleSoft on se tietovarasto voidaan käyttää arkistointiin i Dati liittyvät vanhoihin inhimillisiin ja henkilökohtaisiin resursseihin. Toinen syy, miksi yritys haluaisi käyttää a tietovarasto a

PeopleSoft-ympäristön haittana on analyysityökalujen käyttö ja vapaa pääsy, ai Dati kirjoittanut PeopleSoft. Mutta näiden syiden lisäksi voi olla tapauksia, joissa ei ole suositeltavaa olla tietovarastoa varten Dati PeopleSoft.

Yhteenvetona

On monia ideoita, jotka liittyvät rakentamiseen a tietovarasto ERP-ohjelmiston sisällä.
Jotkut näistä ovat:

• ▪ On järkevää olla a tietovarasto kuka näyttää keneltäkään muulta alalla?
• ▪ Kuinka joustava ERP on tietovarasto ohjelmisto?
• ▪ ERP tietovarasto ohjelmisto pystyy käsittelemään Dati joka sijaitsee "tietovarasto areena "?
• ▪ Mikä on ERP-toimittajan jäljitysloki, kun se on helppoa ja halpaa, aikaa vievää Dati? (mikä on ERP-toimittajien historia halpojen, oikea-aikaisten ja helposti saatavilla olevien tietojen toimittamisesta?)
• ▪ Mikä on ERP-toimittajan käsitys DSS-arkkitehtuurista ja yritystietotehtaasta?
• ▪ ERP-toimittajat ymmärtävät, kuinka saada Dati ympäristössä, mutta ymmärrät myös kuinka viedä niitä?
• ▪ Kuinka avoin ERP-toimittaja on tietovarastotyökaluille?
  Kaikki nämä seikat on otettava huomioon päätettäessä, mihin se sijoitetaan tietovarasto joka isännöi i Dati ERP ja muut Dati. Yleisesti ottaen, ellei ole pakottavaa syytä toimia toisin, rakentamista suositellaan tietovarasto ERP-toimittajaympäristön ulkopuolella. LUKU 1 Yleiskatsaus BI-organisaation pääkohdat:
  Tietovarastot toimivat päinvastoin kuin business intelligence (BI) -arkkitehtuuri:
  Yrityskulttuuri ja IT voivat rajoittaa BI-organisaatioiden rakentamisen menestystä.

Teknologia ei ole enää BI-organisaatioita rajoittava tekijä. Arkkitehtien ja projektisuunnittelijoiden ongelma ei ole teknologian olemassaolo, vaan se, pystyvätkö he toteuttamaan käytettävissä olevan tekniikan tehokkaasti.

Monille yrityksille a tietovarasto on vähän enemmän kuin passiivinen talletus, joka jakaa i Dati käyttäjille, jotka sitä tarvitsevat. THE Dati poimitaan lähdejärjestelmistä ja asetetaan kohderakenteisiin tietovarasto. Minä Dati ne voidaan myös puhdistaa hyvällä tuurilla. Se ei kuitenkaan lisää tai kerää lisäarvoa Dati prosessin aikana.

Pohjimmiltaan passiivinen dw tarjoaa parhaimmillaan vain i Dati puhdas ja toimiva käyttäjäyhdistyksille. Tiedon luominen ja analyyttinen ymmärtäminen ovat täysin riippuvaisia ​​käyttäjistä. Päätellen onko DW (Tietovarasto) onko menestys subjektiivista. Jos arvioimme menestystä kyvystä kerätä, integroida ja puhdistaa tehokkaasti i Dati yrityksen ennustettavissa olevalla pohjalla, niin kyllä, DW on menestys. Toisaalta, jos katsomme tiedon keräämistä, yhdistämistä ja hyödyntämistä organisaation kokonaisuutena, DW on epäonnistunut. DW tarjoaa vain vähän tai ei ollenkaan informaatioarvoa. Seurauksena on, että käyttäjät joutuvat toimeen ja luovat näin tietosiiloja. Tässä luvussa esitetään kattava näkemys yrityksen BI-arkkitehtuurista (Business Intelligence). Aloitamme BI:n kuvauksella ja siirrymme sitten keskusteluihin tiedon suunnittelusta ja kehittämisestä pelkän tarjoamisen sijaan Dati käyttäjille. Keskusteluissa keskitytään sitten BI-ponnistelujesi arvon laskemiseen. Lopuksi määrittelemme, kuinka IBM vastaa organisaatiosi BI-arkkitehtuurivaatimuksiin.

Arkkitehtuurin kuvaus organisaatio BI

Tehokkaat tapahtumakeskeiset tietojärjestelmät ovat nyt jokaisessa suuryrityksessä arkipäivää, mikä tasoittaa tehokkaasti yritysten toimintaedellytyksiä ympäri maailmaa.

Kilpailukyvyn säilyttäminen vaatii nyt kuitenkin analyyttisesti suuntautuneita järjestelmiä, jotka voivat mullistaa yrityksen kyvyn löytää ja käyttää jo olemassa olevaa tietoa. Nämä analyyttiset järjestelmät perustuvat ymmärrykseen rikkaudesta Dati saatavilla. BI voi parantaa kaikkien tietojen suorituskykyä koko yrityksessä. Yritykset voivat parantaa asiakas-toimittajasuhteita, parantaa tuotteiden ja palvelujen kannattavuutta, luoda uusia ja parempia tarjouksia, hallita riskejä ja monien muiden voittojen ohella leikata kulujaan rajusti. BI:n avulla yrityksesi alkaa vihdoin käyttää asiakastietoja kilpailukykyisenä voimavarana sellaisten sovellusten ansiosta, joilla on markkinatavoitteita.

Oikeat keinot liiketoimintaan tarkoittaa lopullisia vastauksia avainkysymyksiin, kuten:

• ▪ Kumpi meistä asiakkaat Ansaitsevatko ne meidät enemmän vai menettävätkö ne rahaa?
• ▪ Parhaamme asuvat asiakkaat suhteessa kauppa/ varasto he usein?
• ▪ Mitä tuotteistamme ja palveluistamme voidaan myydä tehokkaimmin ja kenelle?
• ▪ Mitä tuotteita voidaan myydä tehokkaimmin ja kenelle?
• ▪ Kumpi myyntikampanja on menestyneempi ja miksi?
• ▪ Mitkä myyntikanavat ovat tehokkaimpia millekin tuotteelle?
• ▪ Miten voimme parantaa suhteita parhaimpiimme asiakkaat? Useimmilla yrityksillä on Dati vaikea vastata näihin kysymyksiin.
  Toimintajärjestelmät synnyttävät suuria määriä tuotetta, asiakasta ja kustannuksia Dati myyntipisteistä, varauksista, asiakaspalvelusta ja teknisestä tuesta. Haasteena on poimia ja hyödyntää tätä tietoa. Monet yritykset hyötyvät vain pienistä murto-osistaan Dati strategisiin analyyseihin.
  I Dati jäljellä, usein liitetty i: hen Dati ulkopuolisten lähteiden, kuten hallituksen raporttien ja muun ostetun tiedon, saaminen on kultakaivos, joka vain odottaa tutkimista, ja Dati niitä on vain jalostettava organisaatiosi tiedotusympäristössä.

Tätä tietoa voidaan soveltaa useilla tavoilla, aina yrityksen kokonaisstrategian suunnittelusta henkilökohtaiseen viestintään tavarantoimittajien kanssa, puhelinkeskusten, laskutuksen, Internet ja muut kohdat. Nykypäivän liiketoimintaympäristö sanelee, että DW ja siihen liittyvät BI-ratkaisut kehittyvät perinteisiä liiketoimintarakenteita pidemmälle. Dati jonka minä Dati atomitason normalisoitu ja "tähti/kuutiofarmit".

Kilpailukyvyn säilyttäminen edellyttää perinteisten ja kehittyneiden teknologioiden fuusiota, jolla pyritään tukemaan laajaa analyyttistä maisemaa.
Lopuksi yleisen ympäristön tulee parantaa tietämystä yrityksestä kokonaisuutena ja varmistaa, että tehtyjen analyysien tuloksena tehdyt toimet ovat hyödyllisiä, jotta kaikki hyötyvät.

Oletetaan esimerkiksi, että sijoitat omasi asiakkaat korkean tai matalan riskin luokissa.
Olipa nämä tiedot tuotettu louhintamallilla tai muilla tavoilla, ne on asetettava DW:hen ja asetettava kenen tahansa saataville millä tahansa pääsytyökalulla, kuten staattisilla raporteilla, laskentataulukoilla, taulukoilla tai online-analyyttisellä käsittelyllä (OLAP).

Suurin osa tämäntyyppisestä tiedosta on kuitenkin tällä hetkellä siiloissa Dati analyysin tekevistä henkilöistä tai osastoista. Organisaatiolla kokonaisuutena on vain vähän tai ei ollenkaan näkyvyyttä ymmärrykselle. Vain yhdistämällä tämäntyyppistä tietosisältöä yrityksesi DW:hen voit poistaa tietosiilot ja parantaa DW-ympäristöäsi.
BI-organisaation kehittämisessä on kaksi suurta estettä.
Ensinnäkin meillä on ongelma itse organisaatiosta ja sen kurinalaisuudesta.
Vaikka emme voi auttaa organisaatiopolitiikan muutoksissa, voimme auttaa ymmärtämään organisaation BI:n komponentteja, sen arkkitehtuuria ja sitä, kuinka IBM:n teknologia helpottaa sen kehitystä.
Toinen este, joka on voitettava, on integroidun teknologian puute ja menetelmän tuntemus, joka kutsuu koko BI-tilan, ei vain pientä komponenttia.

IBM vastaa integroivan teknologian muutoksiin. Sinun vastuullasi on tarjota tietoinen suunnittelu. Tämä arkkitehtuuri on kehitettävä teknologialla, joka on valittu rajoittamattomaan integraatioon, tai ainakin teknologialla, joka noudattaa avoimia standardeja. Myös yrityksesi johdon tulee varmistaa, että Bi-yritys toteutetaan aikataulussa, eikä se, että sallitaan omatoimisista agendoista tai tavoitteista johtuvien tietosiilojen kehittyminen.
Tämä ei tarkoita sitä, etteikö BI-ympäristö olisi herkkä reagoimaan eri käyttäjien erilaisiin tarpeisiin ja vaatimuksiin. Sen sijaan se tarkoittaa, että yksittäisten tarpeiden ja vaatimusten toteuttaminen tapahtuu koko BI-organisaation eduksi.
Kuvaus BI-organisaation arkkitehtuurista on sivulla 9 kuvassa 1.1. Arkkitehtuuri esittelee rikkaan yhdistelmän teknologioita ja tekniikoita.
Perinteisen näkemyksen mukaan arkkitehtuuri sisältää seuraavat varastokomponentit

Atomikerros.

Tämä on koko Dw:n ja siten strategisen raportoinnin perusta, sydän.
I Dati tähän tallennettu säilyttää historiallisen eheyden, raportit Dati ja sisältävät johdettuja mittareita sekä puhdistuksen, integroinnin ja varastoinnin kaivosmalleja käyttäen.
Näiden kaikki myöhempi käyttö Dati ja siihen liittyvä tieto johdetaan tästä rakenteesta. Tämä on erinomainen lähde kaivostoiminnalle Dati ja raportteihin, joissa on jäsennelty SQL-kysely

Operatiivinen talletus Dati tai raporttipohja Dati(Operatiivinen tietovarasto (ODS) tai raportointi tietokanta.)

Tämä on Dati suunniteltu erityisesti teknistä raportointia varten.

I Dati edellä tallennettu ja raportoitu rakenteet voivat lopulta levitä varastoon lavastusalueen kautta, jossa sitä voidaan käyttää strategiseen signalointiin.

Vaihealue.

Ensimmäinen pysäkki useimmille Dati varastoympäristöön tarkoitettu organisaatioalue.
Täällä minä Dati ne integroidaan, puhdistetaan ja muunnetaan Dati voitot, jotka täyttävät varastorakenteen

Päivämäärät.

Tämä arkkitehtuurin osa edustaa Dati käytetään erityisesti OLAP:ia varten. Datamartien läsnäolo, jos i Dati ne tallennetaan tähtiskeemoihin, jotka ne peittävät Dati moniulotteinen relaatioympäristössä tai tiedostoissa Dati Tietyn OLAP-tekniikan, kuten DB2 OLAP Serverin, käyttämä omistusoikeus ei ole olennainen.

Ainoa rajoitus on, että arkkitehtuuri helpottaa Dati moniulotteinen.
Arkkitehtuuri sisältää myös kriittisiä Bi-teknologioita ja -tekniikoita, jotka erotetaan seuraavista:

Alueanalyysi

Avaruus on analyytikoille satunnainen tieto, ja se on ratkaisevan tärkeää täydellisen ratkaisun saavuttamiseksi. Avaruus voi edustaa tietoa ihmisistä, jotka asuvat tietyssä paikassa, sekä tietoa siitä, missä tämä paikka fyysisesti sijaitsee suhteessa muuhun maailmaan.

Suorittaaksesi tämän analyysin, sinun on aloitettava sitomalla tietosi leveys- ja pituuskoordinaatteihin. Tätä kutsutaan "geokoodaukseksi", ja sen on oltava osa purkamis-, muunnos- ja latausprosessia (ETL) varastosi atomitasolla.

Tiedon louhinta.

Liuottaminen Dati mahdollistaa yhtiöidemme määrän kasvattamisen asiakkaat, ennustaa myyntitrendejä ja mahdollistaa suhteiden hallinnan i:n kanssa asiakkaat (CRM) muiden BI-aloitteiden ohella.

Liuottaminen Dati Sen vuoksi se on integroitava Dati varastoon ja varastoprosessien tukemana, jotta voidaan varmistaa teknologian ja siihen liittyvien tekniikoiden tehokas ja tehokas käyttö.

Kuten BI-arkkitehtuuri osoittaa, atomitason Dwhouse, samoin kuin datamartit, ovat erinomainen lähde Dati uuttamista varten. Samojen kiinteistöjen on myös oltava poimintatulosten vastaanottajia, jotta ne ovat saatavilla laajimmalle yleisölle.

Edustajat.

On olemassa useita "agentteja", jotka tutkivat asiakkaan mistä tahansa kohdasta, kuten yrityksen käyttöjärjestelmät ja itse dw. Nämä agentit voivat olla kehittyneitä neuroverkkoja, jotka on koulutettu oppimaan trendejä kussakin vaiheessa, kuten myynninedistämiseen perustuva tuleva tuotekysyntä, sääntöihin perustuvia moottoreita reagoimaan Dato olosuhteet tai jopa yksinkertaiset agentit raportoivat poikkeuksista ylimmälle johdolle. Nämä prosessit tapahtuvat yleensä reaaliajassa, ja siksi niiden on liityttävä tiiviisti prosessien liikkeeseen Dati. Kaikki nämä rakenteet Dati, tekniikat ja tekniikat varmistavat, että et vietä yötä BI:n organisoinnin luomiseen.

Tätä toimintaa kehitetään asteittain pienille pisteille.
Jokainen vaihe on itsenäinen projektityö, ja sitä kutsutaan iteraatioksi BI dw:ssäsi tai aloitteessasi. Iteraatiot voivat sisältää uusien teknologioiden käyttöönottoa, aloittaen uusilla tekniikoilla, uusien puitteiden lisäämistä Dati , lataus i Dati tai ympäristösi analyysilaajennuksella. Tätä kohtaa käsitellään tarkemmin luvussa 3.

Perinteisten DW-kehysten ja BI-työkalujen lisäksi BI-organisaatiossasi on muitakin näkökohtia, joita sinun on suunniteltava, kuten:

Asiakkaan kosketuspisteet (Asiakkaan kosketus) kohdat).

Kuten kaikissa moderneissa organisaatioissa, on useita asiakaskontaktipisteitä, jotka osoittavat, kuinka voit saada positiivisen kokemuksen asiakkaat. Tarjolla on perinteisiä kanavia, kuten kauppiaita, puhelinvaihdeoperaattoreita, suoramainontaa, multimediaa ja painettua mainontaa sekä ajankohtaisempia kanavia, kuten sähköposti ja verkko, Dati tuotteet, joilla on jokin kosketuspiste, on hankittava, kuljetettava, puhdistettava, käsiteltävä ja sitten asetettava tiloihin Dati BI: stä.

Perustiedot Dati operatiiviset ja käyttäjäyhdistykset

tietokannat ja käyttäjäyhteisöt).
Yhteyspisteiden lopussa asiakkaat löydät perusteet Dati yrityksen ja käyttäjäyhteisöjen sovellus. THE Dati olemassa olevat ovat Dati perinteinen, joka on yhdistettävä ja sulautettava Dati kosketuspisteistä tarvittavien tietojen saamiseksi.

Analyytikot. (Analyytikot)

BI-ympäristön ensisijainen edunsaaja on analyytikko. Hän on se, joka hyötyy nykyisestä louhinnasta Dati toimiva, integroitu eri lähteisiin Dati , jota on täydennetty ominaisuuksilla, kuten maantieteellisellä analyysillä (geokoodauksella), ja se esitetään BI-tekniikoissa, jotka mahdollistavat louhinnan, OLAPin, edistyneen SQL-raportoinnin ja maantieteellisen analyysin. Analyytikon ensisijainen käyttöliittymä raportointiympäristöön on BI-portaali.

Analyytikko ei kuitenkaan ole ainoa, joka hyötyy BI-arkkitehtuurista.
Johtajat, suuret käyttäjäyhdistykset ja jopa kumppanit, toimittajat ja minä asiakkaat heidän pitäisi löytää etuja yrityksen BI: stä.

Takaisinsyötön silmukka.

BI-arkkitehtuuri on oppimisympäristö. Tyypillinen kehitysperiaate on sallia pysyviä rakenteita Dati päivitetään käytetyn BI-tekniikan ja käyttäjän toimien mukaan. Esimerkkinä asiakaspisteytys.

Jos myyntiosasto tekee asiakaspisteiden louhintamallin, kuten uuden palvelun käytön, myyntiosaston ei pitäisi olla ainoa palvelusta hyötyvä ryhmä.

Sen sijaan mallin louhinta tulisi suorittaa luonnollisena osana yrityksen sisäistä tietovirtaa ja asiakaspisteistä tulee integroitu osa varastotietokontekstia, joka näkyy kaikille käyttäjille. Bi-bI-keskeinen IBM Suite sisältää DB2 UDB:n ja DB2 OLAP Serverin tärkeimmät teknologiakomponentit, jotka on määritelty kuvassa 1.1.

Käytämme kirjan tässä kuvassa näkyvää arkkitehtuuria antaaksemme meille jatkuvuuden ja osoittaaksemme, kuinka jokainen IBM:n tuote sopii yleiseen BI-järjestelmään.

Tietosisällön tarjoaminen (tarjoaminen Tietosisältö)

BI-ympäristösi suunnittelu, kehittäminen ja käyttöönotto on pelottava tehtävä. Suunnittelun tulee kattaa sekä nykyiset että tulevat liiketoiminnan vaatimukset. Arkkitehtuuripiirustuksen tulee olla kattava, jotta se sisältää kaikki suunnitteluvaiheessa tehdyt johtopäätökset. Toteutuksen tulee pysyä sitoutuneena yhteen tarkoitukseen: kehittää BI-arkkitehtuuria sellaisena kuin se on muodollisesti esitetty suunnittelussa ja joka perustuu liiketoiminnan vaatimuksiin.

On erityisen vaikeaa väittää, että kuri takaa suhteellisen menestyksen.
Tämä on yksinkertaista, koska et kehitä BI-ympäristöä kerralla, vaan pienin askelin ajan mittaan.

Arkkitehtuurisi BI-komponenttien tunnistaminen on kuitenkin tärkeää kahdesta syystä: Sinä ohjaat kaikkia myöhempiä teknisiä arkkitehtuuripäätöksiä.
Pystyt tietoisesti suunnittelemaan tietyn tekniikan käytön, vaikka et ehkä tulekaan tarvitsemaan teknologiaa useaan kuukauteen.

Yrityksesi vaatimusten riittävä ymmärtäminen vaikuttaa arkkitehtuuriisi hankittavien tuotteiden tyyppiin.
Arkkitehtuurisi suunnittelu ja kehittäminen varmistaa, että varastosi on

ei satunnainen tapahtuma, vaan hyvin harkittu, huolellisesti rakennettu mainos toimia taiteesta sekatekniikan mosaiikkina.

Suunnittele tietosisältö

Kaikessa alkuperäisessä suunnittelussa on keskityttävä ja tunnistettava tärkeimmät BI-komponentit, joita koko ympäristö tarvitsee nyt ja tulevaisuudessa.
Liiketoiminnan vaatimusten tunteminen on tärkeää.

Jo ennen kuin muodollinen suunnittelu on alkanut, projektisuunnittelija voi usein tunnistaa yhden tai kaksi komponenttia heti.
Arkkitehtuurisi edellyttämien komponenttien tasapainoa ei kuitenkaan löydy helposti. Suunnitteluvaiheessa suurin osa arkkitehtuurista sitoo sovelluskehitysistunnon (JAD) tutkimukseen liiketoiminnan vaatimusten tunnistamiseksi.

Joskus nämä vaatimukset voidaan uskoa kysely- ja raportointityökaluille.
Esimerkiksi käyttäjät ilmoittavat, että jos he haluavat automatisoida nykyisen raportin, heidän on luotava manuaalisesti integroimalla kaksi nykyistä raporttia ja lisäämällä laskelmat, jotka on johdettu Dati.
Vaikka tämä vaatimus on yksinkertainen, se määrittelee tietyn toiminnon, joka sinun on sisällytettävä, kun ostat raportointityökaluja organisaatiollesi.

Suunnittelijan on myös noudatettava lisävaatimuksia kokonaiskuvan saamiseksi. Haluavatko käyttäjät tilata tämän raportin?
Luodaanko raporttien osajoukkoja ja lähetetäänkö ne sähköpostitse eri käyttäjille? Haluatko nähdä tämän raportin yritysportaalissa? Kaikki nämä vaatimukset ovat osa yksinkertaista tarvetta vaihtaa manuaalinen raportti käyttäjien vaatimalla tavalla. Tämäntyyppisten vaatimusten etuna on, että kaikki, käyttäjät ja suunnittelijat, tuntevat raporttien käsitteen.

On kuitenkin muitakin yrityksiä, joita meidän on suunniteltava. Kun liiketoiminnan vaatimukset esitetään strategisten liiketoimintakysymysten muodossa, kokeneen suunnittelijan on helppo erottaa ulottuvuus- ja mitta-/faktavaatimukset.

Jos JAD-käyttäjät eivät osaa ilmaista vaatimuksiaan liiketoimintaongelman muodossa, suunnittelija antaa usein esimerkkejä vaatimusten keräämisen ohittamiseksi ja aloittamiseksi.
Asiantunteva suunnittelija voi auttaa käyttäjiä ymmärtämään paitsi strategista liiketoimintaa myös sen muokkaamista.
Vaatimusten kokoamista koskevaa lähestymistapaa käsitellään luvussa 3; toistaiseksi haluamme vain korostaa tarvetta suunnitella kaikenlaisia ​​BI-vaatimuksia.

Strateginen liiketoiminnan ongelma ei ole vain liiketoiminnan vaatimus, vaan myös suunnitteluvihje. Jos sinun on vastattava moniulotteiseen kysymykseen, sinun on opittava ulkoa, esitettävä se Dati mitat, ja jos haluat tallentaa i Dati moniulotteinen, sinun on päätettävä, minkä tyyppistä tekniikkaa tai tekniikkaa aiot käyttää.

Otatko käyttöön varatun kuutiotähtimallin vai molemmat? Kuten näette, jopa yksinkertainen liiketoimintakysymys voi vaikuttaa suunnitteluun suuresti. Mutta tämäntyyppiset liiketoiminnan vaatimukset ovat yleisiä ja tietysti ainakin kokeneiden projektisuunnittelijoiden ja suunnittelijoiden toimesta.

OLAP-teknologioista ja -tuesta on keskusteltu riittävästi, ja tarjolla on laaja valikoima ratkaisuja. Toistaiseksi olemme käsitelleet tarvetta yhdistää yksinkertainen raportointi ulottuvuuksiin liittyviin liiketoimintavaatimuksiin ja kuinka nämä vaatimukset vaikuttavat teknisen arkkitehtuurin päätöksiin.

Mutta mitkä ovat ne vaatimukset, joita käyttäjät tai Dw-tiimi eivät ymmärrä? Tarvitsetko koskaan spatiaalista analyysiä (analysisi spatial)?
Kaivosmallit Dati Ovatko ne välttämätön osa tulevaisuuttasi? Kuka tietää?

On tärkeää huomata, että yleiset käyttäjäyhteisöt ja DW-tiimin jäsenet eivät tunne tämäntyyppisiä teknologioita, mikä voi osittain johtua siitä, että niitä käsittelevät tyypillisesti sisäiset tai kolmannen osapuolen tekniset asiantuntijat. Se on reunatapaus tämäntyyppisten tekniikoiden aiheuttamista ongelmista. Jos käyttäjät eivät pysty kuvailemaan liiketoiminnan vaatimuksia tai muotoilemaan niitä ohjaamaan suunnittelijoita, he voivat jäädä huomaamatta tai, mikä pahempaa, yksinkertaisesti jättää huomiotta.

Ongelmallisempaa on, kun suunnittelija ja kehittäjä eivät pysty tunnistamaan jonkin näistä edistyneistä, mutta kriittisistä teknologioista.
Kuten olemme usein kuulleet suunnittelijoiden sanovan: "No, miksi emme laittaisi sitä pois, kunnes saamme tämän toisen asian? ”Ovatko he todella kiinnostuneita prioriteeteista vai välttävätkö he vain vaatimuksia, joita he eivät ymmärrä? Se on todennäköisesti jälkimmäinen oletus. Oletetaan, että myyntitiimisi on ilmoittanut liiketoimintavaatimuksesta, kuten kuvassa 1.3 esitetään, kuten näet, vaatimus on muotoiltu liiketoimintaongelman muotoon. Ero tämän ongelman ja tyypillisen mittaongelman välillä on etäisyys. Tässä tapauksessa myyntitiimi haluaa tietää kuukausittain kokonaismyynnin tuotteista, varastoista ja asiakkaat jotka asuvat 5 mailin säteellä varastosta, jossa he tekevät ostoksia.

Valitettavasti suunnittelijat tai arkkitehdit voivat yksinkertaisesti jättää huomioimatta tilakomponentin sanomalla: "Meillä on asiakas, tuote ja Dati talletuksesta. Pidetään etäisyyttä toiseen iteraatioon asti.

"Väärä vastaus. Tämän tyyppisissä liiketoimintaongelmissa on kyse BI:stä. Se edustaa syvempää ymmärrystä liiketoiminnastamme ja vankkaa analyyttistä tilaa analyytikoillemme. BI on muutakin kuin pelkkä kysely tai standardiraportointi tai jopa OLAP. Tämä ei tarkoita, etteivätkö nämä tekniikat olisi tärkeitä BI:llesi, mutta ne eivät sinänsä edusta BI-ympäristöä.

Suunnittelu tietokontekstille (Suunnittelu tietosisällölle)

Nyt kun olemme tunnistaneet liiketoimintavaatimukset, jotka erottavat eri ydinkomponentit, ne on sisällytettävä yleiseen arkkitehtuuripiirustukseen. Jotkut BI-komponenteista ovat osa ensimmäisiä ponnistelujamme, kun taas toisia ei oteta käyttöön useisiin kuukausiin.

Kaikki tunnetut vaatimukset näkyvät kuitenkin suunnittelussa, joten kun meidän on otettava käyttöön tietty tekniikka, olemme valmiita tekemään sen. Jotain hankkeessa heijastelee perinteistä ajattelua.

Tämä joukko Dati käytetään tukemaan Dati ulottuvuudet, joita ohjaavat tunnistamamme liiketoimintaongelmat. Koska lisädokumentteja syntyy, kuten projektin kehittämisestä Dati, aloitamme formalisoimalla muodossa i Dati ne leviävät ympäristöön. Olemme todenneet tarpeen edustaa i Dati jakamalla ne (erityisten erityistarpeiden mukaan) tietokeskuksiin.

Seuraava kysymys, johon vastataan, on: Miten nämä datamarkkinat rakennetaan?
Rakennatko tähdet tukemaan kuutioita vai vain kuutioita vai vain tähtiä? (tai oikeat kuutiot tai oikeat tähdet). Luo arkkitehtuuri riippuvaisille datamarkkinoille, jotka vaativat atomikerroksen kaikille Dati hankittu? Salli riippumattomien datamartikkeleiden hankkia Dati suoraan käyttöjärjestelmistä?

Mitä kuutiotekniikkaa yrität standardoida?

Sinulla on valtavia määriä jumalia Dati tarvitaanko mitta-analyysiin vai tarvitsetko kansallisen myyntihenkilöstön kuutioita viikoittain vai molempia? Rakennatko tehokkaan objektin, kuten DB2 OLAP Server for Financial tai Cognos PowerPlay -kuutiot myyntiorganisaatiollesi vai molempia? Nämä ovat suuria arkkitehtonisia suunnittelupäätöksiä, jotka vaikuttavat BI-ympäristöösi eteenpäin. Kyllä, olet tunnistanut OLAP-tarpeen. Miten aiot nyt toteuttaa tuollaisen tekniikan ja tekniikan?

Miten jotkut edistyneemmistä tekniikoista vaikuttavat malleihin? Oletetaan, että olet tunnistanut tilatarpeen organisaatiossasi. Nyt on muistettava arkkitehtoniset piirustuspainokset, vaikka tilakomponentteja ei olisikaan tarkoitus tehdä useaan kuukauteen. Arkkitehdin tulee suunnitella tänään sen perusteella, mitä tarvitaan. Ennakoi spatiaalisen analyysin tarve, joka luo, tallentaa, ylläpitää ja tarjoaa pääsyn Dati tila. Tämän puolestaan ​​pitäisi toimia rajoitteena ohjelmistotekniikan tyypin ja alustan spesifikaatioiden suhteen, joita voit tällä hetkellä harkita. Esimerkiksi hallintojärjestelmä tietokanta relaatiojärjestelmällä (RDBMS), jota ylläpidät atomikerrokselle, on oltava käytettävissä vankka spatiaalinen laajuus. Tämä varmistaisi maksimaalisen suorituskyvyn, kun käytät geometriaa ja spatiaalisia objekteja analyyttisissä sovelluksissasi. Jos RDBMS ei voi käsitellä Dati (tilakeskeinen) sisäisesti, joten sinun on määritettävä a tietokanta (tilakeskeinen) ulkoinen. Tämä monimutkaistaa ongelmanhallintaa ja vaarantaa yleisen suorituskyvyn, puhumattakaan lisäongelmista, joita se aiheuttaa DBA:ille, koska heillä on todennäköisesti vain vähän ymmärrystä Dati myös spatiaalinen. Toisaalta, jos RDMBS-moottorisi käsittelee kaikkia spatiaalisia komponentteja ja sen optimoija on tietoinen paikkaobjektien erityistarpeista (esimerkiksi indeksoinnista), DBA:si voivat helposti käsitellä hallintaongelmia ja voit maksimoida suorituskyvyn.

Sinun on myös säädettävä esitysaluetta ja atomiympäristön kerrosta sisällyttämään osoitteen puhdistus (a

alueanalyysin keskeinen elementti) sekä myöhempää paikkatietokohteiden tallentamista. Suunnitteluversioiden peräkkäisyys jatkuu nyt, kun olemme ottaneet käyttöön osoitteen puhtauden käsitteen. Ensinnäkin tämä sovellus sanelee ETL-ponnisteluusi tarvitsemasi ohjelmiston tyypin.

Tarvitsetko Trilliumin kaltaisia ​​tuotteita antamaan sinulle puhtaan osoitteen tai valitsemaasi ETL-toimittajaa tarjoamaan nämä toiminnot?
Tällä hetkellä on tärkeää, että arvostat suunnittelun tasoa, joka on saatava valmiiksi ennen kuin aloitat varastosi ylläpidon. Yllä olevien esimerkkien tulee osoittaa, kuinka paljon suunnittelupäätöksiä on tehtävä minkä tahansa tietyn liiketoimintavaatimuksen tunnistamisen jälkeen. Oikein tehtynä nämä suunnittelupäätökset edistävät keskinäistä riippuvuutta ympäristösi fyysisten rakenteiden, käytetyn teknologian valinnan ja tietosisällön leviämisen välillä. Ilman tätä perinteistä BI-arkkitehtuuria organisaatiosi on kaoottisen yhdistelmän olemassa olevia teknologioita, parhaimmillaankin löyhästi yhteen sidottuina tarjoamaan näennäistä vakautta.

Säilytä tietosisältö

Tiedon arvon tuominen organisaatiollesi on erittäin vaikea tehtävä. Ilman riittävää ymmärrystä ja kokemusta tai asianmukaista suunnittelua, jopa parhaat tiimit epäonnistuisivat. Toisaalta, jos sinulla on loistava intuitio ja yksityiskohtainen suunnittelu, mutta sinulla ei ole kurinalaisuutta suoritettavana, olet vain hukannut rahaa ja aikaa, koska yrityksesi on tuomittu epäonnistumaan. Viestin tulee olla selvä: Jos sinulta puuttuu yksi tai useampi näistä taidoista, ymmärrystä/kokemusta tai suunnittelu-/suunnittelu- tai toteutuskuria, tämä johtaa BI-organisaation rakennuksen lamaantumiseen tai tuhoutumiseen.

Onko tiimisi riittävän valmistautunut? Ymmärtääkö kukaan BI-tiimisistäsi BI-ympäristöjen laajaa analyyttistä maisemaa ja tekniikoita ja teknologioita, joita tarvitaan tämän maiseman ylläpitämiseen? Onko tiimissäsi ketään, joka voi kertoa eron edistyneiden hakemisesta?

staattinen raportointi ja OLAP tai erot ROLAPin ja OLAPin välillä? Tunnistaako joku tiimisi jäsenistä selvästi louhintatavan ja sen, miten se voi vaikuttaa varastoon tai kuinka varasto voi tukea kaivostoiminnan suorituskykyä? Ryhmän jäsen ymmärtää sen arvon Dati avaruuteen vai agenttiin perustuva tekniikka? Onko sinulla joku, joka arvostaa ETL vs Message Broker -teknologian ainutlaatuisia työkalusovelluksia? Jos sinulla ei ole sitä, hanki sellainen. BI on paljon suurempi kuin normalisoitu atomikerros, OLAP, tähtiskeemat ja ODS.

Ymmärrys ja kokemus BI-vaatimusten ja niiden ratkaisujen tunnistamisesta on välttämätöntä, jotta pystyt muotoilemaan käyttäjien tarpeet oikein ja suunnittelemaan ja toteuttamaan heidän ratkaisujaan. Jos käyttäjäyhteisölläsi on vaikeuksia kuvailla vaatimuksia, varastotiimin on pystyttävä ymmärtämään ne. Mutta jos varaston tiimi

ei tunnista BI:n tiettyä sovellusta - esimerkiksi tiedon louhintaa -, silloin ei ole parasta, että BI-ympäristöt rajoittuvat usein vain passiivisiksi tietovarastoiksi. Näiden teknologioiden huomioimatta jättäminen ei kuitenkaan vähennä niiden merkitystä ja vaikutusta organisaatiosi liiketoimintatiedon kykyjen kehittymiseen sekä tiedottamiseen, jota aiot edistää.

Suunnitteluun tulee sisältyä piirtäminen, ja molemmat vaativat pätevän henkilön. Lisäksi suunnittelu edellyttää tiimityöfilosofiaa ja standardien noudattamista. Jos yrityksesi on esimerkiksi luonut alustastandardin tai tunnistanut tietyn RDBMS:n, jonka se haluaa standardoida koko alustalla, kaikkien tiimin jäsenten on ehdottomasti noudatettava näitä standardeja. Yleensä tiimi ilmaisee standardoinnin tarpeen (käyttäjäyhteisöille), mutta tiimi itse ei ole halukas noudattamaan yrityksen muilla alueilla tai ehkä jopa vastaavissa yrityksissä vahvistettuja standardeja. Tämä ei ole vain tekopyhää, vaan se osoittaa, että yritys ei pysty hyödyntämään olemassa olevia resursseja ja investointeja. Se ei tarkoita, etteikö olisi tilanteita, jotka edellyttävät standardoimatonta alustaa tai tekniikkaa. kuitenkin varaston ponnisteluja

heidän pitäisi mustasukkaisesti vartioida yrityksen standardeja, kunnes liiketoiminnan vaatimukset määräävät toisin.

Kolmas avainkomponentti BI-organisaation rakentamisessa on kuri.
Se riippuu kokonaisuutena, yhtä lailla yksilöistä kuin ympäristöstä. Projektisuunnittelijoiden, sponsorien, arkkitehtien ja käyttäjien on arvostettava yrityksen tietovarantojen rakentamiseen vaadittavaa kurinalaisuutta. Suunnittelijoiden on suunnattava suunnittelutyönsä täydentämään muita yhteiskunnassa tarvittavia toimia.

Oletetaan esimerkiksi, että yrityksesi rakentaa ERP-sovelluksen, jossa on varastokomponentti.
Näin ollen ERP-suunnittelijoiden vastuulla on tehdä yhteistyötä varastoympäristötiimin kanssa, jotta ei kilpaile tai jo käynnistettyä työtä toistaisi.

Kuri on myös aihe, jota koko organisaation on käsiteltävä, ja se on yleensä perustettu ja valtuutettu johtotason tasolla.
Ovatko johtajat valmiita noudattamaan suunniteltua lähestymistapaa? Lähestymistapa, joka lupaa luoda tietosisältöä, joka viime kädessä tuottaa arvoa kaikille yrityksen osa-alueille, mutta kenties vaarantaa yksittäisten tai osastojen esityslistat? Muista sanonta "Kaiken ajatteleminen on tärkeämpää kuin yhden asian ajatteleminen". Tämä sanonta pätee BI-organisaatioihin.

Valitettavasti monet varastot keskittyvät pyrkimään kohdistamaan ja tuottamaan lisäarvoa tietylle osastolle tai tietyille käyttäjille ottamatta juurikaan huomioon koko organisaatiota. Oletetaan, että johtaja pyytää apua asuintalon tiimiltä. Tiimi vastaa 90 päivän ponnistelulla, johon sisältyy paitsi toimeenpanon määrittelemien ilmoitusvaatimusten toimittaminen myös sen varmistaminen, että kaikki Dati emäkset sekoitetaan atomitasolle ennen kuin ne otetaan käyttöön ehdotettuun kuutiotekniikkaan.
Tämä tekninen lisäys varmistaa, että washouse-yritys hyötyy Dati välttämätön johtajalle.
Johtaja kuitenkin puhui ulkopuolisten konsulttiyritysten kanssa, jotka ehdottivat samanlaista hakemusta, jonka toimitusaika oli alle 4 viikkoa.

Olettaen, että sisäinen washhouse-tiimi on pätevä, johtajalla on valinnanvaraa. Kuka voi tukea ylimääräistä suunnittelutyötä, jota tarvitaan yrityksen tietoresurssien kasvattamiseen, tai voi päättää rakentaa oman ratkaisunsa nopeasti. Jälkimmäinen näyttää olevan valittu aivan liian usein, ja sen avulla luodaan vain tietosäiliöitä, joista on hyötyä vain muutamalle tai yksittäiselle henkilölle.

Lyhyen ja pitkän aikavälin tavoitteet

Arkkitehtien ja projektisuunnittelijoiden tulee virallistaa pitkän aikavälin visio kokonaisarkkitehtuurista ja suunnitelmat BI-organisaation kasvattamiseksi. Tämä lyhyen aikavälin hyödyn ja pitkän aikavälin suunnittelun yhdistelmä ovat BI-työn kaksi puolta. Lyhyen aikavälin tuotto on BI:n puoli, joka liittyy varastosi iteraatioihin.

Täällä suunnittelijat, arkkitehdit ja sponsorit keskittyvät tiettyjen liiketoiminnan vaatimusten täyttämiseen. Tällä tasolla rakennetaan fyysisiä rakenteita, ostetaan teknologiaa ja toteutetaan tekniikoita. Niitä ei suinkaan ole tehty vastaamaan tiettyjen käyttäjäyhteisöjen määrittelemiä erityisvaatimuksia. Kaikki tehdään tietyn yhteisön määrittelemien erityisvaatimusten täyttämiseksi.
Pitkän aikavälin suunnittelu on kuitenkin BI:n toinen puoli. Siellä suunnitelmat ja suunnitelmat varmistivat, että kaikki fyysiset rakenteet rakennettiin, teknologiat valittiin ja tekniikat toteutettiin yritystä silmällä pitäen. Pitkän aikavälin suunnittelu tarjoaa tarvittavan yhteenkuuluvuuden sen varmistamiseksi, että kiinteät hyödyt saadaan kaikista löydetyistä lyhyen aikavälin hyödyistä.

Perustele BI-ponnistelusi

Un tietovarasto sinänsä sillä ei ole luontaista arvoa. Toisin sanoen varastoteknologian ja toteutustekniikoiden välillä ei ole luontaista arvoa.

Varastotyön arvo löytyy varastoympäristön ja ajan myötä viljellyn tietosisällön seurauksena tehdyistä toimista. Tämä on tärkeä seikka, joka on ymmärrettävä ennen kuin yrität arvioida minkään wherehouse-aloitteen arvoa.

Liian usein arkkitehdit ja suunnittelijat yrittävät soveltaa arvoa varaston fyysisiin ja teknisiin komponentteihin, vaikka itse asiassa arvo perustuu liiketoimintaprosesseihin, joihin varasto ja hyvin kerätty tieto vaikuttavat positiivisesti.

Tässä piilee haaste BI:n perustamiselle: Miten perustelet investoinnin? Jos itse talolla ei ole luontaista arvoa, projektisuunnittelijoiden on tutkittava, määriteltävä ja virallistettava hyödyt niille henkilöille, jotka käyttävät varastoa tiettyjen liiketoimintaprosessien tai suojatun tiedon arvon parantamiseen tai molempiin.

Asioiden mutkistamiseksi kaikki liiketoimintaprosessit, joihin varastotyöt vaikuttavat, voivat tarjota "huomattavia" tai "lieviä" etuja. Merkittävät edut tarjoavat konkreettisen mittarin sijoitetun pääoman tuottoprosentin (ROI) mittaamiseen – esimerkiksi käännä varastoa pidempään tietyn ajanjakson aikana tai alentaa lähetyskohtaisia ​​kuljetuskustannuksia. Hienovaraisia ​​etuja, kuten parempia tiedonsaantia, on vaikeampi määritellä konkreettisena arvona.

Linkitä projektisi oppiaksesi Yrityspyynnöt

Liian usein projektisuunnittelijat yrittävät yhdistää varaston arvon amorfisiin yritystavoitteisiin. Toteamalla, että "varaston arvo perustuu kykyymme tyydyttää strategiset pyynnöt" avaamme keskustelun miellyttävällä tavalla. Mutta se ei yksinään riitä määrittämään, onko varastoon sijoittaminen järkevää. On parasta yhdistää varaston edustajat tiettyihin yrityskyselyihin ja muistiinpanoihin.

Mittaa ROI

ROI:n laskeminen varastotilanteessa voi olla erityisen vaikeaa. Se on erityisen vaikeaa, jos johtaa

Tietty toisto on jotain aineetonta tai helposti mitattavaa. Eräässä tutkimuksessa havaittiin, että käyttäjät näkevät BI-aloitteiden kaksi tärkeintä etua:

• ▪ Luo kyky tehdä päätöksiä
• ▪ Luo pääsy tietoihin
  Nämä edut ovat pehmeitä (tai lieviä) etuja. On helppo ymmärtää, kuinka voimme laskea sijoitetun pääoman tuottoprosentin kovan (tai suuremman) edun, kuten alentuneiden rahtikustannusten, perusteella, mutta miten mitataan kykyä tehdä parempia päätöksiä?
  Tämä on ehdottomasti haaste projektisuunnittelijoille, kun he yrittävät saada yrityksen investoimaan tiettyyn varastopanostukseen. Kasvava myynti tai laskevat kustannukset eivät enää ole BI-ympäristön keskeisiä teemoja.
  Sen sijaan etsit yritysten pyyntöjä saada paremmat tiedot, jotta tietty osasto voi tehdä päätöksiä nopeammin. Nämä ovat strategisia tekijöitä, jotka sattuvat olemaan yhtä tärkeitä yritykselle, mutta ovat moniselitteisempiä ja vaikeammin luonnehdittavissa konkreettisella mittarilla. Tässä tapauksessa ROI:n laskeminen voi olla harhaanjohtavaa, ellei merkityksetöntä.
  Projektisuunnittelijoiden on kyettävä osoittamaan konkreettista arvoa johtajille, jotta he voivat päättää, onko investointi tiettyyn iteraatioon sen arvoinen. Emme kuitenkaan ehdota uutta menetelmää ROI:n laskentaan, emmekä esitä mitään argumentteja sen puolesta tai vastaan.
  Saatavilla on monia artikkeleita ja kirjoja, jotka käsittelevät ROI:n laskennan perusteita. Voit tutkia Gartnerin kaltaisten ryhmien tarjoamia erityisiä arvoehdotuksia, kuten sijoituksen arvo (VOI). Sen sijaan keskitymme ROI:n tai muiden arvoehdotusten ydinnäkökohtiin, joita sinun on harkittava. ROI: n soveltaminen BI-toimiin liittyvien "kovien" ja "pehmeiden" etujen väitteen lisäksi on muitakin asioita, jotka on otettava huomioon ROI:ta sovellettaessa. Esimerkiksi:

Liian monien säästöjen antaminen DW-ponnisteluille, jotka tulisivat joka tapauksessa
Oletetaan, että yrityksesi on siirtynyt keskuskonearkkitehtuurista hajautettuun UNIX-ympäristöön. Joten mitään säästöjä, jotka voivat toteutua (tai eivät) tästä ponnistelusta, ei pitäisi laskea yksinomaan, jos ollenkaan (?), varastolle.

Kaiken huomioon ottaminen on kallista. Ja monia asioita on otettava huomioon. Harkitse seuraavaa luetteloa:

• ▪ Käynnistyskustannukset, mukaan lukien toteutettavuus.
• ▪ Oman laitteiston ja siihen liittyvän tallennustilan ja viestinnän kustannukset
• ▪ Ohjelmiston kustannukset, mukaan lukien hallinta Dati ja asiakas/palvelinlaajennukset, ETL-ohjelmistot, DSS-tekniikat, visualisointityökalut, aikataulu- ja työnkulkusovellukset sekä valvontaohjelmistot, .
• ▪ Rakenteen suunnittelukustannukset Dati, luomalla ja optimoimalla
• ▪ Ohjelmistojen kehityskustannukset, jotka liittyvät suoraan BI-työhön
• ▪ Kotituen kustannukset, mukaan lukien suorituskyvyn optimointi, mukaan lukien ohjelmistoversion hallinta ja ohjetoiminnot Käytä ”Big-Bang” -sijoitetun pääoman tuottoprosenttia. Varaston rakentaminen yhdeksi jättimäiseksi ponnisteluksi on tuomittu epäonnistumaan, joten myös suuren yritysaloitteen sijoitetun pääoman tuotto laskee Tarjous on yllättävä ja suunnittelijat jatkavat heikkoja yrityksiä arvioida koko työn arvoa. Miksi suunnittelijat yrittävät asettaa liike-elämän aloitteelle rahallista arvoa, jos yleisesti tiedetään ja hyväksytään, että tiettyjen iteraatioiden arvioiminen on vaikeaa? Miten se on mahdollista? Se ei ole mahdollista muutamaa poikkeusta lukuun ottamatta. Älä tee sitä. Nyt kun olemme selvittäneet, mitä ei saa tehdä sijoitetun pääoman tuottoprosenttia laskettaessa, tässä on muutamia kohtia, jotka auttavat sinua luomaan luotettavan prosessin BI-työjesi arvon arvioimiseksi.

ROI-suostumuksen hankkiminen. Riippumatta siitä, minkä tekniikan valitset BI-ponnistelujesi arvon arvioimiseksi, kaikkien osapuolten, mukaan lukien projektisuunnittelijoiden, sponsorien ja yritysjohtajien, on hyväksyttävä se.

Jaa ROI tunnistettavissa oleviin osiin. Välttämätön askel kohti järkevää ROI-laskentaa on keskittää laskelma tiettyyn projektiin. Tämän jälkeen voit arvioida arvon tiettyjen täytettyjen liiketoimintavaatimusten perusteella

Määrittele kustannukset. Kuten mainittiin, monet kustannukset on otettava huomioon. Lisäksi kustannuksiin on sisällyttävä yksittäiseen iteraatioon liittyvien kustannusten lisäksi myös yritysstandardien noudattamisen varmistamiseen liittyvät kustannukset.

Määrittele edut. Yhdistämällä sijoitetun pääoman tuottoprosentti selkeästi tiettyihin liiketoiminnan vaatimuksiin, meidän pitäisi pystyä tunnistamaan edut, jotka johtavat vaatimusten täyttämiseen.

Vähennä kustannuksia ja etuja välittömien voittojen avulla. Se on paras tapa perustaa arviosi nykyarvoon (NPV) sen sijaan, että yrität ennustaa tulevien tulojen tulevaa arvoa.

Varaa sijoitetun pääoman tuottoprosenttisi mahdollisimman pieneksi. Se on dokumentoitu hyvin pitkällä aikavälillä, ja sitä on käytetty ROI:ssasi.

Käytä useampaa kuin yhtä ROI-kaavaa. On olemassa lukuisia menetelmiä ROI:n ennustamiseen, ja sinun tulee suunnitella käyttämään yhtä tai useampaa niistä, mukaan lukien nykyarvo, sisäinen tuotto (IRR) ja takaisinmaksu.

Määrittele toistettava prosessi. Tämä on ratkaisevan tärkeää pitkän aikavälin arvon laskennassa. Yksi toistettavissa oleva prosessi tulee dokumentoida kaikille myöhemmille projektin osajaksoille.

Listatut ongelmat ovat yleisimpiä washouse-ympäristön asiantuntijoiden määrittämiä ongelmia. Johdon vaatimus tuottaa "Big-Bang" ROI on hyvin hämmentävää. Jos aloitat kaikki ROI-laskelmasi jakamalla ne tunnistettavissa oleviin, konkreettisiin osiin, sinulla on hyvät mahdollisuudet arvioida tarkka ROI-arvio.

Kysymyksiä sijoitetun pääoman tuottoprosentin eduista

Olivatpa edut mitä tahansa, pehmeitä tai kovia, voit määrittää niiden arvon muutamien peruskysymysten avulla. Esimerkiksi käyttämällä yksinkertaista asteikkojärjestelmää, 1–10, voit mitata minkä tahansa ponnistelun vaikutuksen seuraavilla kysymyksillä:

• Miten arvioisit ymmärrystä Dati seuraat tätä yrityksesi projektia?
• Miten arvioisit prosessin parannuksia tämän projektin tuloksena?
• Miten mittaisit tämän iteroinnin nyt saataville tuomien uusien oivallusten ja johtopäätösten vaikutusta?
• Mikä oli uusien ja parempien tietokoneympäristöjen vaikutus opitun tuloksena? Jos näihin kysymyksiin on vähän vastauksia, on mahdollista, että yritys ei ole investoinnin arvoinen. Korkean pistemäärän saaneet kysymykset viittaavat merkittäviin arvonnousuihin, ja niiden pitäisi toimia oppaina lisätutkimuksessa. Esimerkiksi korkean pistemäärän prosessiparannuksista pitäisi saada suunnittelijat tutkimaan, kuinka prosesseja on parannettu. Saatat huomata, että osa tai kaikki saavutetut hyödyt ovat konkreettisia ja siksi rahallista arvoa voidaan helposti soveltaa. Saada kaikki irti ensimmäisestä iteroinnista varasto Suurin voitto yrityksesi ponnisteluista on usein ensimmäisissä iteraatioissa. Nämä varhaiset pyrkimykset luovat perinteisesti hyödyllisimmän tietosisällön yleisölle ja auttavat luomaan teknologisen perustan myöhempiä BI-sovelluksia varten. Yleensä jokainen myöhempi jakso Dati varastoprojekteista tuovat yhä vähemmän lisäarvoa koko yritykselle. Tämä pätee erityisesti, jos iteraatio ei lisää uusia aiheita tai täytä uuden käyttäjäyhteisön tarpeita.

Tämä säilytysominaisuus koskee myös pinojen kasvattamista Dati historioitsijat. Koska myöhemmät ponnistelut vaativat enemmän Dati ja kuinka enemmän Dati kaadetaan varastoon ajan myötä, suurin osa Dati siitä tulee vähemmän merkityksellinen käytetyn analyysin kannalta. Nämä Dati niitä usein kutsutaan Dati lepotilassa, ja niiden pitäminen on aina kallista, koska niitä ei käytetä juuri koskaan.

Mitä tämä tarkoittaa hankkeen rahoittajille? Pohjimmiltaan ensimmäiset sponsorit jakavat enemmän kuin investointikustannukset. Tämä on ensisijaista, koska ne ovat sysäyksenä varaston laajan teknologisen ja resurssiympäristökerroksen, myös orgaanisen, perustamiselle.

Mutta näillä ensimmäisillä askelilla on suurin arvo, ja siksi projektisuunnittelijoiden on usein perusteltava investointi.
BI-aloitteesi jälkeen tehdyillä projekteilla voi olla alhaisemmat kustannukset (verrattuna ensimmäiseen) ja välittömät kustannukset, mutta ne tuovat vähemmän arvoa yritykselle.

Ja organisaatioiden omistajien on alettava harkita rakentamisen heittämistä Dati ja vähemmän merkityksellisiä tekniikoita.

Tiedon louhinta: Kaivostoiminta Antaa

Monet arkkitehtoniset komponentit vaativat muunnelmia tiedonlouhintatekniikoista ja -tekniikoista.
esimerkiksi erilaiset "agentit", jotka tarkastelevat asiakkaat, yrityksen käyttöjärjestelmät ja sama dw. Nämä agentit voivat olla kehittyneitä neuroverkkoja, jotka on koulutettu pottitrendeihin, kuten myynninedistämiseen perustuviin tulevaisuuden tuotteiden kysyntään; sääntöihin perustuvia moottoreita joukkoon reagoimiseksi Dato olosuhteista, esimerkiksi lääketieteellisestä diagnoosista ja hoitosuosituksista; tai jopa yksinkertaisia ​​agentteja, joiden tehtävänä on raportoida poikkeuksista ylimmälle johdolle. Yleensä nämä uuttoprosessit Dati si

tarkistaa reaaliajassa; siksi ne on yhdistettävä täysin liikkeen kanssa Dati itse.

Online-analyyttinen käsittely

Verkkoanalyysi

Kyky viipaloida, kuutioida, rullata, porata ja suorittaa analyyseja
Mitä jos, kuuluu IBM:n teknologiapaketin soveltamisalaan. Esimerkiksi DB2:lle on olemassa online-analyyttinen käsittely (OLAP) -toimintoja, jotka tuovat ulottuvuusanalyysin tietokanta sama.

Funktiot lisäävät SQL:n ulottuvuusapuohjelmaa ja hyötyvät samalla DB2:n luonnollisesta osasta. Toinen esimerkki OLAP-integraatiosta on purkutyökalu, DB2 OLAP Analyzer Server. Tämän tekniikan avulla DB2 OLAP Server -kuutiot voidaan tarkistaa nopeasti ja automaattisesti paikantaakseen ja raportoidakseen Dati epätavallinen tai odottamaton mille tahansa kuutiolle kauppaanalyytikolle. Ja lopuksi, DW Center -toiminnot tarjoavat arkkitehdeille tavan tarkistaa muun muassa DB2 OLAP -kuutiopalvelimen profiilia luonnollisena osana ETL-prosesseja.

Spatiaalianalyysi Spatial Analysis

Avaruus edustaa puolta panoraamaa varten tarvittavista analyyttisistä ankkureista (johtimista).
laaja analyyttinen (aika edustaa toista puolta). Kuvassa 1.1 esitetty varaston atomitaso sisältää sekä aika- että tilaperustat. Aikaleimat ankkurianalyysit ajan mukaan ja osoitetietojen ankkurianalyysit tilan mukaan. Aikaleimat suorittavat analyysin ajan mukaan ja osoitetiedot tilan mukaan. Kaavio esittää geokoodausta – prosessia, jossa osoitteita muunnetaan pisteiksi kartalla tai pisteiksi avaruudessa, jotta analyysissä voidaan käyttää käsitteitä, kuten etäisyys ja sisä-/ulkopuolinen – analyysi suoritetaan atomitasolla ja spatiaalinen analyysi asetetaan analyytikon saataville. IBM tarjoaa tilalaajennuksia, jotka on kehitetty Environmental System Research Instituten (ESRI), al tietokanta DB2, jotta paikkaobjekteja voidaan ylläpitää normaalina osana tietokanta suhteellinen. DB2

Spatial Extenderit tarjoavat myös kaikki SQL-laajennukset hyödyntääksesi spatiaalista analyysiä. Esimerkiksi SQL-laajennukset kyselyyn
Osoitteiden välinen etäisyys tai se, onko piste määritellyn monikulmioalueen sisällä vai ulkopuolella, ovat Spatial Extenderin analyyttinen standardi. Katso lisätietoja luvusta 16.

tietokanta-Resident Tools Tools tietokanta- Asukas

DB2:ssa on monia SQL BI:n ominaispiirteitä, jotka auttavat jäsennystoiminnossa. Nämä sisältävät:

• Rekursiofunktiot analyysin suorittamiseksi, kuten "etsi kaikki mahdolliset lentoreitit San Francisco a New York".
• Analyyttiset funktiot ranking-, kumulatiivisuus-, kuutio- ja koontifunktiot helpottamaan tehtäviä, joita tavallisesti esiintyy vain OLAP-tekniikalla, ovat nyt luonnollinen osa järjestelmän moottoria. tietokanta
• Mahdollisuus luoda taulukoita, jotka sisältävät tuloksia
  Myyjät tietokanta johtajat yhdistävät enemmän BI-ominaisuuksia tietokanta sama.
  Tärkeimmät toimittajat tietokanta he yhdistävät enemmän BI-ominaisuuksia tietokanta sama.
  Tämä tarjoaa paremman suorituskyvyn ja enemmän suoritusvaihtoehtoja BI-ratkaisuille.
  DB2 V8:n ominaisuuksia ja toimintoja käsitellään yksityiskohtaisesti seuraavissa luvuissa:
  Tekninen arkkitehtuuri ja tiedonhallinnan perusteet (luku 5)

• DB2 BI Fundamentals (Luku 6)
• DB2:n materialisoidut kyselytaulukot (Luku 7)
• DB2 OLAP -funktiot (Luku 13)
• DB2 Enhanced BI -ominaisuudet ja -toiminnot (Luku 15) Yksinkertaistettu tiedonsiirtojärjestelmä Toimitusjärjestelmä Dati yksinkertaistettu

Kuvassa 1.1 esitetty arkkitehtuuri sisältää lukuisia rakenteita Dati fyysinen. Yksi on Dati toimivat. Yleensä ODS on oliosuuntautunut, integroitu ja ajankohtainen. Rakentaisit ODS:n tukemaan esimerkiksi myyntitoimistoa. ODS-myynti täydentäisi Dati useista eri järjestelmistä, mutta säilyttäisi vain esimerkiksi tämän päivän tapahtumat. ODS voidaan myös päivittää useita kertoja päivässä. Samalla prosessit työntävät i Dati integroitu muihin sovelluksiin. Tämä rakenne on erityisesti suunniteltu integroitavaksi Dati nykyinen ja dynaaminen, ja se sopisi todennäköisesti tukemaan reaaliaikaista analytiikkaa, kuten tarjoamalla palveluagentteja asiakkaat asiakkaan nykyiset myyntitiedot poimimalla myyntitrenditiedot itse varastosta. Toinen kuvassa 1.1 esitetty rakenne on dw:n muodollinen tila. Tämä ei ole vain paikka tarvittavan integroinnin, laadun toteuttamiselle Dati, ja muuntamisesta Dati saapuvan varaston, mutta on myös luotettava ja väliaikainen varastointipaikka Dati replikaatioita, joita voitaisiin käyttää reaaliaikaisessa analyysissä. Jos päätät käyttää ODS- tai lavastusaluetta, yksi parhaista työkaluista näiden rakenteiden täyttämiseen Dati eri toimintalähteiden käyttäminen on DB2:n heterogeeninen hajautettu kysely. Tämän ominaisuuden tarjoaa valinnainen DB2-ominaisuus nimeltä DB2 Relational Connect (vain kyselyt) ja DB2 DataJoiner (erillinen tuote, joka toimittaa kysely-, lisäys-, päivitys- ja poisto-ominaisuuden heterogeenisiin hajautettuihin RDBMS-järjestelmiin).

Tämän tekniikan avulla arkkitehdit voivat Dati sitoa Dati analyyttisten prosessien avulla. Tekniikka ei vain pysty mukautumaan käytännöllisesti katsoen kaikkiin replikointivaatimuksiin, joita voi syntyä reaaliaikaisen analytiikan avulla, vaan se voi myös muodostaa yhteyden monenlaisiin Dati suosituimmat, mukaan lukien DB2, Oracle, Sybase, SQL Server, Informix ja muut. DB2 DataJoineria voidaan käyttää rakenteen täyttämiseen Dati muodollinen, kuten ODS tai jopa pysyvä pöytä, joka on edustettuna varastossa, joka on suunniteltu välittömien päivitysten nopeaan palautukseen tai myyntiin. Tietenkin nämä rakenteet itse Dati voidaan täyttää käyttämällä

toinen merkittävä tekniikka, joka on suunniteltu kopioimaan Dati, IBM DataPropagator Relational. (DataPropagator on erillinen tuote keskusjärjestelmille. DB2 UNIX, Linux, Windows ja OS/2 sisältävät replikointipalvelut Dati vakiona).
Toinen tapa siirtää Dati yrityksen ympärillä toimiva yrityssovellusintegraattori, joka tunnetaan myös viestinvälittäjänä. Tämä ainutlaatuinen tekniikka mahdollistaa vertaansa vailla olevan kohdistuksen ja siirron hallinnan Dati yrityksen ympärillä. IBM:llä on yleisimmin käytetty viestinvälittäjä, MQSeries tai tuotteen muunnelma, joka sisältää vaatimukset verkkokaupan, IBM WebSphere MQ.
Per più discussione su come sfruttare MQ per sostenere un magazzino e un ambiente BI, visitare verkkosivusto del libro. Per ora, è sufficiente dire che questa tecnologia è un mezzo eccellente per catturare e trasformare (utilizzando MQSeries Integrator) Dati BI-ratkaisuihin rekrytoituja kohdehenkilöitä. MQ-tekniikka on integroitu ja pakattu UDB V8:aan, mikä tarkoittaa, että viestijonoja voidaan nyt hallita ikään kuin ne olisivat DB2-taulukoita. Hitsausjonoviestien käsite ja maailmankaikkeus tietokanta suhteellinen suuntaa kohti tehokasta toimitusympäristöä Dati.

Nolla-viive Nolla-viive

IBM:n lopullinen strateginen tavoite on nollalatenssianalyysi. Kuten määrittelee
Gartner, BI-järjestelmän on kyettävä päättelemään, nielemään ja tarjoamaan tietoja analyytikoille pyynnöstä. Haasteena on tietysti kuinka sekoittaa Dati nykyinen ja reaaliaikainen tarvittavilla historiallisilla tiedoilla, kuten i Dati liittyvää trendiä/mallia tai poimittua tietoa, kuten asiakasprofilointia.

Tällainen tieto sisältää esimerkiksi tunnistamisen asiakkaat korkea tai pieni riski tai mitkä tuotteet i asiakkaat he todennäköisesti ostavat, jos heillä on jo juustoa ostoskärryissään.

Nollaviiveen saaminen riippuu itse asiassa kahdesta perusmekanismista:

• Täydellinen liitto Dati joita analysoidaan vakiintuneilla tekniikoilla ja BI:n luomilla työkaluilla
• Toimitusjärjestelmä Dati tehokas sen varmistamiseksi, että reaaliaikainen analytiikka on todella saatavilla. Nämä nollaviiveen edellytykset eivät eroa IBM:n asettamista ja edellä kuvatuista kahdesta tavoitteesta. Tiivis kytkentä Dati se on osa IBM:n saumatonta integrointiohjelmaa. Ja luo toimitusjärjestelmä Dati Tehokas on täysin riippuvainen saatavilla olevasta teknologiasta, joka yksinkertaistaa toimitusprosessia Dati. Näin ollen kaksi IBM:n kolmesta tavoitteesta ovat ratkaisevia kolmannen saavuttamisen kannalta. IBM kehittää tietoisesti tekniikkaansa varmistaakseen, että nollaviive on todellisuutta varastotyössä. Yhteenveto / yhteenveto BI-organisaatiosi tarjoaa tiekartan ympäristösi rakentamiseen
  iteratiivisesti. Se on mukautettava vastaamaan yrityksesi tarpeita, sekä nykyisiä että tulevia. Ilman laajaa arkkitehtonista visiota varastoiteraatiot ovat vain satunnaisia ​​keskusvaraston toteutuksia, jotka eivät juurikaan luo suurta, informatiivista yritystä. Ensimmäinen este projektijohtajille on, kuinka perustella BI-organisaation kasvattamiseen tarvittava investointi. Vaikka sijoitetun pääoman tuottoprosenttilaskelmat ovat pysyneet varastosaavutusten peruspilareina, sen tarkka ennustaminen on yhä vaikeampaa. Tämä on johtanut muihin menetelmiin sen määrittämiseksi, saatko rahasi vastinetta. Ratkaisuna hankitaan esimerkiksi Value on Investment2 (VOI). Se on arkkitehtien tehtävä Dati ja projektisuunnittelijat tarkoituksella tuottavat ja toimittavat tietoa käyttäjäyhdistyksille eivätkä vain tarjoa palvelua Dati. Näiden kahden välillä on valtava ero. Tieto on jotain, joka vaikuttaa päätöksentekoon ja tehokkuuteen; suhteellisesti, ts Dati ne ovat rakennuspalikoita näiden tietojen saamiseksi.

Vaikka kriittinen lähteelle Dati Vastatakseen liiketoiminnan vaatimuksiin BI-ympäristön tulisi olla suurempi rooli tietosisällön luomisessa. Meidän on ryhdyttävä lisätoimiin puhdistaaksemme, integroidaksemme, muuttaaksemme tai muuten luodaksemme tietosisältöä, jonka perusteella käyttäjät voivat toimia, ja sitten meidän on varmistettava, että nämä toimet ja päätökset näkyvät BI-ympäristössä, mikäli se on järkevää. Jos siirrämme varaston palvelemaan vain Dati, voit olla varma, että käyttäjäyhdistykset luovat toimiin tarvittavan tietosisällön. Näin varmistetaan, että heidän yhteisönsä pystyy tekemään parempia päätöksiä, mutta yritys kärsii hyödynnetyn tiedon puutteesta. Dato että arkkitehdit ja projektisuunnittelijat käynnistävät tiettyjä projekteja BI-ympäristössä, he ovat vastuussa koko yritykselle. Yksinkertainen esimerkki tästä BI-iteraatioiden kaksipuolisesta ominaisuudesta löytyy lähteestä Dati. Kaikki Dati tiettyihin kaupallisiin pyyntöihin saadut tiedot on täytettävä ensimmäiseen atomikerrokseen. Tämä varmistaa yrityksen tietoresurssin kehittämisen sekä hallitsee iteraatiossa määriteltyjä käyttäjien pyyntöjä.

Mikä on tietovarasto?

Tietovarasto on ollut tietojärjestelmäarkkitehtuurin sydän vuodesta 1990 ja tukee tietoprosesseja tarjoamalla vankan integroidun alustan Dati historiaa myöhempien analyysien pohjaksi. THE tietovarasto ne tarjoavat helpon integroinnin yhteensopimattomien sovellusjärjestelmien maailmaan. Tietovarasto siitä on tullut muotia. Tietovarasto järjestää ja tallentaa i Dati tarvitaan tiedon ja analyyttisten prosessien kannalta pitkän historiallisen ajallisen perspektiivin perusteella. Kaikki tämä edellyttää huomattavaa ja jatkuvaa ponnistusta rakennuksen rakentamisessa ja kunnossapidossa tietovarasto.

Joten mikä on tietovarasto? tietovarasto ja:

• ▪ aihesuuntautunut
• ▪ integroitu järjestelmä
• ▪ ajan vaihtelu
• ▪ haihtumaton (ei peruuta)

kokoelma Dati käytetään tukemaan johdon päätöksiä prosessien toteutuksessa.
I Dati lisätty tietovarasto ne johtuvat useimmissa tapauksissa toimintaympäristöistä. The tietovarasto se on valmistettu tallennusyksiköstä, joka on fyysisesti erillään muusta sen sisältämästä järjestelmästä Dati aiemmin muunnettu sovelluksilla, jotka toimivat käyttöympäristöstä peräisin olevalla tiedolla.

Kirjaimellinen määritelmä a tietovarasto se ansaitsee perusteellisen selityksen, sillä varaston ominaisuuksia kuvaavat tärkeät motivaatiot ja taustamerkitykset.

KOHDESUUNNAN SUUNTAAMINEN TEEMAINEN

Ensimmäinen ominaisuus tietovarasto on, että se on suunnattu yrityksen tärkeimpiin aiheisiin. Prosessien opas läpi Dati se on päinvastoin kuin klassinen menetelmä, joka mahdollistaa sovellusten suuntaamisen prosesseihin ja toimintoihin. Menetelmä on enimmäkseen jaettu useimpien uusimpien hallintajärjestelmien kanssa.

Toimintamaailma on suunniteltu sovellusten ja toimintojen, kuten lainojen, säästöjen, pankkikorttien ja rahoituslaitoksen luottamuksen ympärille. Dw:n maailma on järjestetty pääaiheiden, kuten asiakkaan, myyjän, tuotteen ja toiminnan ympärille. Kohdistus aiheiden ympärille vaikuttaa suunnitteluun ja toteutukseen Dati löytyy dw:stä. Mikä tärkeintä, pääaihe vaikuttaa avainrakenteen tärkeimpään osaan.

Sovellusten maailmaan vaikuttavat sekä tietokantasuunnittelu että prosessisuunnittelu. Dw:n maailma keskittyy yksinomaan videomallinnukseen Dati ja sen suunnittelusta tietokanta. Prosessisuunnittelu (klassisessa muodossaan) ei ole osa dw-ympäristöä.

Prosessin/toimintosovelluksen valinnan ja aiheen valinnan erot paljastuvat myös sisällön eroina. Dati yksityiskohtaisella tasolla. THE Dati del dw ei sisällä i Dati joita ei käytetä DSS:n käsittelyyn sovellusten aikana

toiminnallinen suuntautunut Dati sisältää i Dati täyttää välittömästi toiminnalliset/käsittelyvaatimukset, joista voi olla tai ei ole mitään hyötyä DSS-analyytikolle.
Toinen tärkeä tapa, että toiminnalliset sovellukset Dati erota Dati dw on Dati. Minä Dati operaattorit ylläpitävät jatkuvaa suhdetta kahden tai useamman taulukon välillä aktiivisen liiketoimintasäännön perusteella. THE Dati dw kattaa aikaspektrin, ja dw:stä löytyviä raportteja on monia. Monet kauppasäännöt (ja vastaavasti monet raportit Dati ) ovat edustettuina Dati kahden tai useamman pöydän välissä.

(Yksityiskohtainen selitys siitä, miten Dati joita hallinnoidaan DW:ssä, katso asiaa koskevasta Tech-aiheesta.)
Ei ole suuria eroja käyttöjärjestelmien ja Dati ja DW.

INTEGROINTI INTEGROINTI

Dw-ympäristön tärkein näkökohta on, että i Dati dw:stä löytyvät integroidaan helposti. AINA. ILMAN POIKKEUKSIA. Dw-ympäristön ydin on, että i Dati Varaston rajoissa olevat integroidut.

Integraatio paljastaa itsensä monin eri tavoin – johdonmukaisina tunnistetuina konventioina, muuttujien johdonmukaisessa mittauksessa, johdonmukaisissa koodatuissa rakenteissa, fyysisissä ominaisuuksissa. Dati johdonmukainen ja niin edelleen.

Vuosien varrella eri sovellusten suunnittelijat ovat tehneet monia päätöksiä siitä, miten sovellusta tulisi kehittää. Suunnittelijan sovellusten tyyli ja yksilölliset suunnittelupäätökset paljastuvat sadalla tavalla: eroina koodauksessa, avainrakenteessa, fyysisissä ominaisuuksissa, tunnistuskäytännöissä ja niin edelleen. Monien sovellusten suunnittelijoiden yhteinen kyky luoda epäjohdonmukaisia ​​sovelluksia on legendaarinen. Kuva 3 paljastaa joitakin tärkeimmistä eroista sovellusten suunnittelussa.

Koodaus: Koodaa:

Sovellussuunnittelijat ovat valinneet kenttäkoodauksen – sukupuolen – monella tapaa. Suunnittelija edustaa sukupuolta kirjaimilla "m" ja "f". Toinen suunnittelija edustaa sukupuolta "1" ja "0". Toinen suunnittelija edustaa sukupuolta "x" ja "y". Toinen suunnittelija edustaa sukupuolta "miehenä" ja "naisena". Sillä ei todellakaan ole väliä, kuinka seksi pääsee DW:hen. "M" ja "F" ovat luultavasti yhtä hyviä kuin mikä tahansa esitys.

Tärkeää on, että mistä lähteestä seksikenttä tuleekin, se kenttä saapuu DW:hen johdonmukaisessa integroituneessa tilassa. Näin ollen kun kenttä ladataan DW:hen sovelluksesta, jonka ulkopuolella se on esitetty muodossa "M" ja "F", Dati on muunnettava DW-muotoon.

Attribuuttien mittaus: Määritteet:

Sovellussuunnittelijat ovat päättäneet mitata putkistoa monin eri tavoin vuosien varrella. Suunnittelija myy i Dati putkilinjasta senttimetreinä. Toinen sovellussuunnittelija tallentaa Dati putkilinjasta tuumina. Toinen sovellussuunnittelija tallentaa Dati putkilinjasta miljoonia kuutiojalkoja sekunnissa. Ja toinen suunnittelija tallentaa putkitietoa telakoittain. Lähteestä riippumatta, kun liukuhihnan tiedot saapuvat DW:hen, se on mitattava samalla tavalla.

Kuten kuvasta 3 näkyy, integrointiongelmat vaikuttavat lähes kaikkiin projektin osa-alueisiin – järjestelmän fyysisiin ominaisuuksiin Dati, ongelma, että sinulla on enemmän kuin yksi lähde Dati, kysymys epäjohdonmukaisista tunnistetuista näytteistä, muodoista Dati epäjohdonmukainen ja niin edelleen.

Olipa suunnitteluargumentti mikä tahansa, tulos on sama – ts Dati on tallennettava DW:hen ainutlaatuisella ja maailmanlaajuisesti hyväksyttävällä tavalla, vaikka taustalla olevat käyttöjärjestelmät tallentavat i Dati.

Kun DSS-analyytikko katsoo DW:tä, analyytikon painopisteen tulee olla Dati jotka ovat varastossa

pikemminkin kuin miettiä ohjelman uskottavuutta tai johdonmukaisuutta Dati.

AIKAVAIHE

kaikki Dati DW:ssä ne ovat tarkkoja tiettyyn hetkeen asti. Tämä perusominaisuus Dati DW: ssä se on hyvin erilainen kuin Dati löytyy toimintaympäristöstä. THE Dati toimintaympäristön tiedot ovat yhtä tarkkoja kuin pääsyhetkellä. Toisin sanoen toimintaympäristössä, kun yksikköön päästään käsiksi Dati, sen odotetaan heijastavan yhtä tarkkoja arvoja kuin käyttöhetkellä. Miksi minä Dati DW:ssä ovat tarkkoja jossain vaiheessa (eli eivät "tällä hetkellä"), ts Dati DW:stä löytyvät "aikavarianssit".
Ajan vaihtelu Dati DW: hen viitataan monin tavoin.
Yksinkertaisin tapa on, että minä Dati edustaa DW: tä Dati pitkällä aikahorisontilla – viidestä kymmeneen vuoteen. Toimintaympäristölle kuvattu aikahorisontti on paljon lyhyempi kuin nykyiset arvot jopa kuusikymmentäyhdeksänkymmentä
Sovellusten, joiden on toimittava hyvin ja joiden on oltava käytettävissä tapahtumien käsittelyä varten, on tuotava vähimmäismäärä Dati jos ne sallivat jonkin verran joustavuutta. Toiminnallisilla sovelluksilla on siis lyhyt aikahorisontti, kuten äänisovellussuunnittelun aihe.
Toinen tapa 'aikavarianssi' esiintyy DW:ssä on avainrakenteessa. Jokainen DW:n avainrakenne sisältää implisiittisesti tai eksplisiittisesti aikaelementin, kuten päivä, viikko, kuukausi jne. Aikaelementti on lähes aina DW:stä löytyvän ketjutetun avaimen alaosassa. Näissä tapauksissa aikaelementti on olemassa implisiittisesti, esimerkiksi silloin, kun koko tiedosto monistetaan kuukauden tai vuosineljänneksen lopussa.
Kolmas tapa näyttää aikaerot on se, että i Dati vain oikein rekisteröityä DW:tä ei voida päivittää. THE Dati DW:stä ovat käytännössä pitkä sarja tilannekuvia. Tietenkin, jos tilannekuva on otettu väärin, tilannekuvia voidaan muokata. Mutta jos tilannekuvat on otettu oikein, niitä ei muuteta heti ottamisen jälkeen. Joissakin

tapauksissa voi olla epäeettistä tai jopa virheellistä, että DW:n tilannekuvia muutetaan. THE Dati toimintakuntoinen, yhtä tarkka kuin käyttöhetkellä, voidaan päivittää tarpeen mukaan.

EI Haihtuvia

DW: n neljäs tärkeä ominaisuus on, että se on haihtumaton.
Toimintaympäristöihin tehdään säännöllisesti päivityksiä, lisäyksiä, poistoja ja muutoksia tietuekohtaisesti. Mutta perus manipulointi Dati tarvitaan DW:ssä on paljon helpompaa. DW:ssä tapahtuu vain kahdenlaisia ​​operaatioita – tiedoston alkulataus Dati ja pääsy Dati. Ei ole päivitystä Dati (yleisessä päivityksen merkityksessä) DW:ssä normaalina käsittelytoimintona. Tällä toiminnallisen käsittelyn ja DW-käsittelyn välisellä peruserolla on joitain erittäin voimakkaita seurauksia. Suunnittelutasolla tarve olla varovainen kaatumispäivityksen suhteen ei ole tekijä DW:ssä, koska päivitys Dati sitä ei toteuteta. Tämä tarkoittaa, että suunnittelun fyysisellä tasolla voidaan käyttää vapauksia pääsyn optimoimiseksi Dati, erityisesti kun käsitellään normalisoinnin ja fyysisen denormalisoinnin aiheita. Toinen seuraus DW:n toiminnan yksinkertaisuudesta on taustalla oleva tekniikka, jota käytetään DW-ympäristön suorittamiseen. Online-tietuekohtaisten päivitysten tukeminen (kuten usein operatiivisen käsittelyn tapauksessa) edellyttää, että tekniikalla on erittäin monimutkainen perusta näennäisen yksinkertaisuuden alla.
Tekniikka, joka tukee varmuuskopiointia ja palautusta, tapahtumia ja tiedostojen eheyttä Dati ja lukkiutuman havaitseminen ja korjaaminen on melko monimutkaista ja tarpeetonta DW-käsittelyssä. DW:n ominaisuudet, suunnittelusuuntautuminen, integrointi Dati DW:n sisällä aikavarianssi ja hallinnan helppous Dati, se kaikki johtaa ympäristöön, joka on hyvin, hyvin erilainen kuin klassinen toimintaympäristö. Lähes kaiken lähde Dati DW:stä ovat toimintaympäristö. On houkuttelevaa ajatella, että kyseessä on valtava redundanssi Dati kahden ympäristön välillä.
Monilla ihmisillä on todellakin ensimmäinen vaikutelma suuresta irtisanomisesta Dati käyttöympäristön ja

DW laajennus. Tällainen tulkinta on pinnallinen ja osoittaa, että DW:ssä ei ymmärretä, mitä tapahtuu.
Itse asiassa redundanssia on vähintään Dati toimintaympäristön ja i Dati DW:stä. Harkitse seuraavaa: I Dati suodatetaan Dato että vaihdat käyttöympäristöstä DW-ympäristöön. monet Dati he eivät koskaan mene toimintaympäristön ulkopuolelle. Vain että i Dati DSS-prosessoinnissa tarvittavat materiaalit löytävät suuntansa ympäristöstä

▪ aikahorisontti Dati se on hyvin erilainen ympäristöstä toiseen. THE Dati toimintaympäristössä ne ovat erittäin tuoreita. THE Dati DW:ssä he ovat paljon vanhempia. Pelkästään aikahorisontin näkökulmasta toimintaympäristön ja DW:n välillä on hyvin vähän päällekkäisyyttä.

▪ DW sisältää Dati yhteenveto, jotka eivät ole koskaan ympäristössä

▪ minä Dati läpikäyvät perustavanlaatuisen muutoksen, kun ne siirtyvät kuvioon 3, havainnollistaa, että useimmat Dati niitä muutetaan merkittävästi, jos ne valitaan ja siirretään DW:hen. Toisin sanoen suurin osa Dati se muuttuu fyysisesti ja radikaalisti, kun se siirretään DW:hen. Integraation näkökulmasta ne eivät ole sama asia Dati toimintaympäristössä asuvat. Koska nämä tekijät, irtisanominen Dati kahden ympäristön välillä on harvinainen tapahtuma, mikä johtaa alle 1 %:n redundanssiin näiden kahden ympäristön välillä. VARASTON RAKENNE DW:llä on selkeä rakenne. On olemassa useita yhteenveto- ja yksityiskohtatasoja, jotka rajaavat DW:t.
DW: n eri komponentit ovat:

• Metadata
• Antaa ajankohtaiset tiedot
• Antaa vanhan yksityiskohdan
• Antaa hieman yhteenveto
• Antaa erittäin tiivistetty

Ylivoimaisesti suurin huolenaihe on i Dati nykyiset tiedot. Se on ensisijainen huolenaihe, koska:

• I Dati Ajankohtaiset tiedot heijastavat viimeisimmät tapahtumat, jotka ovat aina erittäin mielenkiintoisia ja kiinnostavia
• i Dati nykyiset yksityiskohdat ovat suuria, koska ne on tallennettu alimmalle tarkkuustasolle ja
• i Dati Nykyiset tiedot tallennetaan lähes aina levymuistiin, joka on nopea pääsy, mutta kallis ja monimutkainen I Dati vanhemmat yksityiskohdat ovat Dati jotka on tallennettu johonkin muistiin massa. Sitä käytetään satunnaisesti ja se tallennetaan yhteensopivalla yksityiskohdalla Dati nykyiset tiedot. Vaikka sen tallentaminen vaihtoehtoiselle tallennusvälineelle ei ole pakollista, suuren määrän vuoksi Dati yhdistettynä satunnaiseen pääsyyn Dati, muistiväline Dati vanhoja yksityiskohtia ei yleensä tallenneta levylle. THE Dati yhteenveto on kevyesti Dati jotka on tislattu havaitusta alhaisesta yksityiskohtatasosta nykyiseen yksityiskohtaisuustasoon. Tämä DW-taso on lähes aina tallennettu levymuistiin. Suunnittelun ongelmat, jotka esittävät itsensä arkkitehdille Dati tämän DW-tason rakentamisessa ovat:

• Mikä aikayksikkö on yllä oleva yhteenveto
• Mitä sisältöä, attribuutit hieman tiivistää sisällön Dati Seuraava taso Dati DW: stä löytyy Dati erittäin tiivistettynä. THE Dati erittäin tiivistetyt ovat kompakteja ja helposti saatavilla. THE Dati erittäin tiivistettyjä löytyy joskus DW-ympäristöstä ja muissa tapauksissa i Dati erittäin abstrakteja löytyy DW:tä isännöivän teknologian välittömien seinien ulkopuolelta. (joka tapauksessa, ts Dati erittäin tiivistetyt ovat osa DW:tä riippumatta siitä, missä i Dati ovat fyysisesti sijoitettuina). DW:n viimeinen komponentti on metatietokomponentti. Metatiedot ovat monessa suhteessa eri ulottuvuudessa kuin muut Dati koska metatiedot eivät sisällä mitään Dato otettu suoraan toimintaympäristöstä. Metatiedoilla on erityinen ja erittäin tärkeä rooli DW:ssä. Metatietoja käytetään seuraavasti:

• hakemisto, joka auttaa DSS-analyytikkoa löytämään DW:n sisällön,
• opas kartoitukseen Dati kuinka minä Dati ovat muuttuneet käyttöympäristöstä DW-ympäristöön,
• opas algoritmeihin, joita käytetään yhteenvedossa i Dati nykyiset tiedot ei Dati hieman yhteenveto, so Dati Yhteenvetona voidaan todeta, että metatiedoilla on paljon suurempi rooli DW-ympäristössä kuin koskaan toimintaympäristössä. VANHA YKSITYISKOHTAINEN VARASTOINTI Magneettinauhaa voidaan käyttää tämän tyyppisten laitteiden tallentamiseen Dati. On todellakin olemassa laaja valikoima tallennusvälineitä, joita tulisi harkita vanhojen tallentamiseen Dati yksityiskohdista. Riippuen tilavuudesta Dati, käyttötiheys, työkalujen hinta ja käyttötapa, on täysin todennäköistä, että muut työkalut tarvitsevat DW:n vanhan yksityiskohtaisuuden. TIETOVIRTA Jumalien virta on normaali ja ennustettavissa Dati DW: n sisällä.
  I Dati ne tulevat DW:hen käyttöympäristöstä. (HUOMAA: Tästä säännöstä on joitakin erittäin mielenkiintoisia poikkeuksia. Kuitenkin melkein kaikki Dati syöttää DW käyttöympäristöstä). Dato että minä Dati ne tulevat DW:hen käyttöympäristöstä, se muunnetaan edellä kuvatulla tavalla. Edellyttäen, että syötät DW:n, ts Dati syötä nykyinen tarkkuuden taso kuvan osoittamalla tavalla. Se sijaitsee siellä ja sitä käytetään, kunnes jokin kolmesta tapahtumasta tapahtuu:

• on puhdistettu,
• on yhteenveto ja/tai ▪on DW:n sisällä oleva vanhentunut prosessi liikkuu i Dati nykyiset tiedot a Dati vanhoja yksityiskohtia iän mukaan Dati. Prosessi

Yhteenveto käyttää Dati laskea i Dati hieman yhteenvetoiset ja erittäin tiivistetyt tasot Dati. Esitetyssä virtauksessa on joitain poikkeuksia (käsitellään myöhemmin). Yleensä kuitenkin suurimmalle osalle Dati löytyy DW:stä, jonka virta on Dati on kuten kuvassa.

TIETOKONEEN KÄYTTÖ

Ei ole yllättävää, että eri tasot Dati DW:n sisällä ne eivät saa eri käyttötasoja. Yleensä mitä korkeampi yhteenvetotaso on, sitä enemmän i Dati niitä käytetään.
Monet käyttötavat esiintyvät vuonna Dati hyvin yhteenvetoinen, kun taas vanha Dati yksityiskohtia ei käytetä lähes koskaan. On hyvä syy siirtää organisaatiota resurssien käytön paradigmaan. Lisää tiivistettynä i Dati, sitä nopeammin ja tehokkaammin on päästä Dati. Jos kauppa toteaa, että se tekee paljon DW:n yksityiskohtatason käsittelyä, jolloin kuluu vastaavasti paljon koneresursseja. On kaikkien etujen mukaista käsitellä näin korkeatasoinen yhteenveto mahdollisimman pian.

Monissa myymälöissä DSS-analyytikko käytti DW: tä ennen ympäristöä Dati yksityiskohtaisuuden tasolla. Monissa suhteissa saapuminen a Dati Yksityiskohtainen näyttää turvapeitteeltä, vaikka muita yhteenvetotasoja olisi saatavilla. Yksi arkkitehdin toiminnoista Dati on vieroittaa DSS-käyttäjä jatkuvasta käytöstä Dati alimmalla tarkkuudella. Arkkitehdilla on kaksi motiivia Dati:

• takaisinveloitusjärjestelmän asentaminen, jossa loppukäyttäjä maksaa kulutetuista resursseista esim
• jotka osoittavat, että erittäin hyvä vasteaika voidaan saavuttaa, kun käyttäytyminen i:n kanssa Dati on korkealla yhteenvedon tasolla, kun taas huono vasteaika johtuu käyttäytymisestä Dati matalalla tasolla MUUT NÄKÖKOHDAT On olemassa muutamia muita DW:n rakentamiseen ja hallintaan liittyviä näkökohtia.
  Ensimmäinen huomio on indeksien kannalta. THE Dati korkeammilla yhteenvetotasoilla ne voidaan indeksoida vapaasti, kun taas i Dati

alemmilla yksityiskohdilla ne ovat niin suuria, että niitä voidaan indeksoida säästeliäästi. Samasta syystä, ts Dati korkeilla yksityiskohdilla voidaan järjestää uudelleen suhteellisen helposti, kun taas tilavuus Dati alemmilla tasoilla se on niin suuri, että i Dati niitä ei voi helposti kunnostaa. Näin ollen malli Dati ja suunnittelun muodollinen työ luo perustan DW:lle, jota sovelletaan lähes yksinomaan nykyiseen yksityiskohtaisuuteen. Toisin sanoen mallinnustoimintaa Dati ne eivät koske yhteenvetotasoja lähes kaikissa tapauksissa. Toinen rakenteellinen näkökohta on alajako Dati kirjoittanut DW.

Osiointi voidaan tehdä kahdella tasolla - tasolla DBMS ja sovellustasolla. Divisioonassa tasolla DBMS, DBMS on tietoinen jaostoista ja valvoo niitä sen mukaisesti. Sovellustason jaossa vain ohjelmoija on tietoinen jaoista ja vastuu niiden hallinnosta on jätetty hänelle.

Tason alapuolella DBMS, suuri osa työstä tehdään automaattisesti. Jaostojen omaan hallintoon liittyy paljon joustamattomuutta. Kun kyseessä on jaostotason soveltaminen Dati ja tietovarasto, suuri osa työstä jää ohjelmoijalle, mutta lopputuloksena on joustavuus järjestelmän hallinnassa Dati sisään tietovarasto

MUUT ANOMALIAT

Vaikka komponentit tietovarasto toimivat kuvatulla tavalla melkein kaikilla Dati, on joitakin hyödyllisiä poikkeuksia, joista on keskusteltava. Poikkeuksena on Dati julkiset yhteenvedot (julkiset yhteenvetotiedot). Nämä ovat Dati yhteenvedot, jotka on laskettu tietovarasto mutta yhteiskunta käyttää niitä. THE Dati julkiset yhteenvedot tallennetaan ja hallinnoidaan tietovarasto, vaikka kuten edellä mainittiin, ne on selvitetty. Kirjanpitäjät työskentelevät tuottaakseen sellaisia ​​neljännesvuosittain Dati kuten tulot, neljännesvuosittaiset kulut, neljännesvuosittaiset voitot ja niin edelleen. Kirjanpitäjien tekemä työ on ulkopuolista tietovarasto. Kuitenkin, minä Dati käytetään "sisäisesti" yrityksen sisällä - alkaen markkinointi, myynti jne. Toinen poikkeama, josta ei keskustella, on se Dati ulkoinen.

Toinen loistava tyyppi Dati joka löytyy kohdasta a tietovarasto on pysyviä yksityiskohtia koskevia tietoja. Nämä aiheuttavat tarpeen säilyttää pysyvästi Dati yksityiskohtaisella tasolla eettisistä tai oikeudellisista syistä. Jos yritys altistaa työntekijänsä vaarallisille aineille, se on tarpeen Dati yksityiskohtainen ja pysyvä. Jos yritys valmistaa yleiseen turvallisuuteen liittyvää tuotetta, kuten lentokoneen osia, siihen on tarvetta Dati pysyvät tiedot sekä jos yritys tekee vaarallisia sopimuksia.

Yrityksellä ei ole varaa sivuuttaa yksityiskohtia, koska seuraavien vuosien aikana oikeudenkäynnin, takaisinkutsujen, kiistanalaisen rakennusvirheen jne. yrityksen altistuminen voi olla suuri. Tämän seurauksena on ainutlaatuinen tyyppi Dati tunnetaan pysyvinä yksityiskohdina.

YHTEENVETO

Un tietovarasto se on oliosuuntautunut, integroitu, jännittynyt muunnelma, kokoelma Dati hallinnon päätöksentekotarpeiden tueksi. Jokainen a.:n tärkeimmistä tehtävistä tietovarasto on seurauksensa. Lisäksi on neljä tasoa Dati ja tietovarasto:

• Vanhoja yksityiskohtia
• Nykyinen yksityiskohta
• Antaa hieman yhteenveto
• Antaa erittäin tiivistetty metatiedot ovat myös tärkeä osa tietovarasto. ABSTRAKTI Käsite varastointi Dati se on saanut viime aikoina paljon huomiota ja siitä on tullut 90-luvun trendi. Tämä johtuu kyvystä tietovarasto Johdon tukijärjestelmien, kuten päätöksenteon tukijärjestelmien (DSS) ja johdon tietojärjestelmien (EIS) rajoitusten voittamiseksi. Vaikka käsite tietovarasto näyttää lupaavalta, toteuta i tietovarasto voi olla ongelmallista suurten varastointiprosessien vuoksi. Huolimatta varastointiprojektien monimutkaisuudesta Dati, monet tavarantoimittajat ja konsultit, jotka varastoivat Dati väittävät, että varastointi Dati ei aiheuta ongelmaa. Tämän tutkimusprojektin alussa ei kuitenkaan ollut juuri tehty itsenäistä, tiukkaa ja systemaattista tutkimusta. Näin ollen on vaikea sanoa, mitä alalla todella tapahtuu, kun niitä rakennetaan tietovarasto. Tässä tutkimuksessa tarkasteltiin varastointikäytäntöä Dati nykyaikaisille, jonka tavoitteena on kehittää rikkaampi ymmärrys Australian käytännöstä. Kirjallisuuskatsaus tarjosi kontekstin ja perustan empiiriselle tutkimukselle. Tästä tutkimuksesta on useita tuloksia. Ensinnäkin tämä tutkimus paljasti toiminnan, joka tapahtui kehityksen aikana tietovarasto. Monilla alueilla, i Dati kerätty vahvisti kirjallisuudessa raportoitua käytäntöä. Toiseksi ongelmat ja ongelmat, jotka voivat vaikuttaa kehitykseen tietovarasto tunnistettiin tässä tutkimuksessa. Lopuksi australialaisten organisaatioiden saamat edut liittyen tietovarasto on paljastettu.

Luku 1

Tutkimuksen konteksti

Tietovarastoinnin käsite sai laajaa julkisuutta, ja siitä tuli nouseva trendi 90-luvulla (McFadden 1996, TDWI 1996, Shah ja Milstein 1997, Shanks et al. 1997, Eckerson 1998, Adelman ja Oates 2000). Tämä näkyy tietovarastointia koskevien artikkelien kasvavasta määrästä ammattijulkaisuissa (Little ja Gibson 1999). Useita artikkeleita (katso esimerkiksi Fisher 1995, Hackathorn 1995, Morris 1995a, Bramblett ja King 1996, Graham et al. 1996, Sakaguchi ja Frolick 1996, Alvarez 1997, Brousell 1997, Don Carell 1997, 1997, Clarke 1997. Edwards 1998, TDWI 1999) ovat raportoineet merkittävistä eduista organisaatioille, jotka toteuttavat tietovarasto. He tukivat teoriaansa anekdoottisilla todisteilla onnistuneista toteutuksista, korkeasta sijoitetun pääoman tuottoluvusta (ROI) ja myös antamalla ohjeita tai menetelmiä kehittämiseen. tietovarasto

(Shanks et ai. 1997, Seddon ja Benjamin 1998, Little ja Gibson 1999). Äärimmäisessä tapauksessa Graham et ai. (1996) raportoi, että kolmen vuoden sijoituksen keskimääräinen tuotto oli 401 %.

Suuri osa nykyisestä kirjallisuudesta on kuitenkin jättänyt huomioimatta tällaisten hankkeiden toteuttamisen monimutkaisuuden. Projektit tietovarasto ne ovat yleensä monimutkaisia ​​ja suuria, ja siksi niillä on suuri epäonnistumisen todennäköisyys, jos niitä ei valvota huolellisesti (Shah ja Milstein 1997, Eckerson 1997, Foley 1997b, Zimmer 1997, Bort 1998, Gibbs ja Clymer 1998, Rao 1998). Niiden rakentaminen vaatii valtavia määriä sekä inhimillisiä että taloudellisia resursseja, aikaa ja vaivaa (Hill 1998, Crofts 1998). Tyypilliset aika- ja taloudelliset varat ovat noin kaksi vuotta ja vastaavasti 1995-1997 miljoonaa dollaria (Braly 1998, Foley 1999b, Bort 1995, Humphries et al. 1998). Tätä aikaa ja taloudellisia resursseja tarvitaan tietovarastoinnin monien eri näkökohtien hallitsemiseen ja yhdistämiseen (Cafasso XNUMX, Hill XNUMX). Laitteisto- ja ohjelmistonäkökohtien lisäksi muita toimintoja, jotka vaihtelevat purkamisesta Dati - lastausprosesseihin Dati, muistikapasiteetti päivitysten hallintaan ja meta Dati käyttäjien koulutuksessa ne on otettava huomioon.

Tämän tutkimusprojektin alkaessa tietovarastoinnin alalla tehtiin hyvin vähän akateemista tutkimusta, etenkin Australiassa. Tämä kävi ilmi aikakauslehdissä tai muissa akateemisissa kirjoituksissa julkaistujen tietovarastointia koskevien artikkelien vähäisyydestä. Monet saatavilla olevista akateemisista kirjoituksista kuvasivat Yhdysvaltojen kokemusta. Akateemisen tutkimuksen puute tietovarastoinnin alalla on aiheuttanut tiukan tutkimuksen ja empiiristen tutkimusten tarpeen (McFadden 1996, Shanks ym. 1997, Little ja Gibson 1999). Erityisesti tutkimukset toteutusprosessista tietovarasto on tehtävä yleisen tietämyksen laajentamiseksi täytäntöönpanosta tietovarasto ja se toimii pohjana tulevalle tutkimustutkimukselle (Shanks et al. 1997, Little ja Gibson 1999).

Tämän tutkimuksen tarkoituksena on siis tutkia, mitä todellisuudessa tapahtuu, kun organisaatiot toteuttavat ja käyttävät i tietovarasto Australiassa. Erityisesti tämä tutkimus sisältää analyysin koko kehitysprosessista a tietovarastoalkaen aloituksesta ja suunnittelusta suunnitteluun ja toteutukseen ja myöhempään käyttöön australialaisissa organisaatioissa. Lisäksi tutkimus tukee myös nykyistä käytäntöä tunnistamalla alueita, joilla käytäntöä voidaan edelleen parantaa ja tehottomuuksia ja riskejä minimoida tai välttää. Lisäksi se toimii pohjana muille tutkimuksille tietovarasto Australiassa ja täyttää tällä hetkellä kirjallisuudessa vallitsevan aukon.

Tutkimuskysymykset

Tämän tutkimuksen tavoitteena on tutkia toimeenpanoon liittyviä toimintoja tietovarasto Australian järjestöt käyttävät niitä. Erityisesti selvitetään projektin suunnitteluun, kehittämiseen, toimintaan, käyttöön ja niihin liittyviin riskeihin liittyviä elementtejä. Joten tämän tutkimuksen kysymys on:

"Kuinka nykyinen käytäntö on tietovarasto Australiassa?"

Jotta tähän kysymykseen voidaan vastata tehokkaasti, tarvitaan useita toissijaisia ​​tutkimuskysymyksiä. Erityisesti luvussa 2 esitetystä kirjallisuudesta on tunnistettu kolme alakysymystä ohjaamaan tätä tutkimusprojektia: Miten tietovarasto australialaisten järjestöjen toimesta? Mitä ongelmia esiintyy?

Mitä hyötyä siitä on?
Näihin kysymyksiin vastattaessa käytettiin kyselyä hyödyntävää tutkivaa tutkimussuunnitelmaa. Tutkivana tutkimuksena vastaukset yllä oleviin kysymyksiin eivät ole täydellisiä (Shanks et al. 1993, Denscombe 1998). Tässä tapauksessa tarvitaan jonkin verran kolmiomittausta, jotta näihin kysymyksiin saadaan parempia vastauksia. Tutkimus antaa kuitenkin vankan pohjan tuleville näiden kysymysten tarkastelulle. Yksityiskohtainen keskustelu tutkimusmenetelmien perusteluista ja suunnittelusta on esitetty luvussa 3.

Tutkimushankkeen rakenne

Tämä tutkimusprojekti on jaettu kahteen osaan: tietovaraston käsitteen kontekstuaaliseen tutkimukseen ja empiiriseen tutkimukseen (ks. kuva 1.1), joista kumpaakin käsitellään alla.

Osa I: Asiayhteyteen liittyvä tutkimus

Tutkimuksen ensimmäinen osa käsitti katsauksen nykyiseen kirjallisuuteen erilaisista tietovarastoinnin tyypeistä, mukaan lukien päätöksenteon tukijärjestelmät (DSS), johdon tietojärjestelmät (EIS), tapaustutkimukset tietovarasto ja käsitteet tietovarasto. Myös foorumien tulokset tietovarasto ja Monash DSS -tutkimusryhmän johtamat asiantuntija- ja käytännön kokousryhmät osallistuivat tähän tutkimuksen vaiheeseen, jonka tarkoituksena oli saada käsitys tietovarasto ja tunnistaa niiden käyttöönottoon liittyvät riskit. Tämän kontekstuaalisen tutkimuksen aikana ongelma-alueen ymmärtäminen luotiin tietopohjan tarjoamiseksi myöhempiä empiirisiä tutkimuksia varten. Tämä oli kuitenkin jatkuva prosessi tutkimusta tehtäessä.

Osa II: Empiirinen tutkimus

Varsinkin Australiassa suhteellisen uusi tietovarastointikonsepti on luonut tarpeen kyselylle, jotta käyttökokemuksesta saadaan laaja kuva. Tämä osa suoritettiin, kun ongelmaalue oli selvitetty laajan kirjallisuuskatsauksen avulla. Kontekstuaalisen tutkimusvaiheen aikana muodostunutta tietovarastointikonseptia käytettiin tämän tutkimuksen alkukyselyn syötteenä. Tämän jälkeen kyselylomake käytiin läpi. Oletko asiantuntija tietovarasto osallistui kokeeseen. Alkukyselyn testauksen tarkoituksena oli tarkistaa kysymysten täydellisyys ja tarkkuus. Testitulosten perusteella kyselylomaketta muokattiin ja muokattu versio postitettiin kyselyyn osallistuneille. Palautetut kyselylomakkeet analysoitiin sitten i Dati taulukoissa, kaavioissa ja muissa muodoissa. THE

analyysitulokset Dati muodostaa tilannekuvan Australian tietovarastoinnin käytännöistä.

TIETOJEN SÄILYTYSKATSAUS

Tietovarastoinnin käsite on kehittynyt tietotekniikan parannuksien myötä.
Sen tarkoituksena on ratkaista ongelmat, joita sovellustukiryhmät, kuten Decision Support System (DSS) ja Executive Information System (EIS) kohtaavat.

Aiemmin näiden sovellusten suurin este on ollut näiden sovellusten kyvyttömyys tarjota a tietokanta analyysin kannalta välttämätön.
Tämä johtuu pääasiassa johdon työn luonteesta. Yrityksen johdon intressit vaihtelevat jatkuvasti toiminta-alueen mukaan. Siksi i Dati Näiden sovellusten perustavanlaatuisten osien on kyettävä muuttumaan nopeasti käsiteltävän osan mukaan.
Tämä tarkoittaa, että i Dati on oltava saatavilla asianmukaisessa muodossa vaadittuja analyyseja varten. Itse asiassa sovellusten tukiryhmien oli aiemmin erittäin vaikea kerätä ja integroida Dati monimutkaisista ja monipuolisista lähteistä.

Tämän osan loppuosa esittää yleiskatsauksen tietovarastoinnin käsitteestä ja keskustelee siitä, kuinka se tietovarasto voi voittaa sovellustukiryhmien ongelmat.
Termi “TietovarastoWilliam Inmon teki suosituksi vuonna 1990. Hänen usein lainaamansa määritelmänsä näkee Tietovarasto kokoelmana Dati aihesuuntautunut, integroitu, muuttumaton ja ajan myötä muuttuva johdon päätösten tueksi.

Tämän määritelmän avulla Inmon huomauttaa, että i Dati asuu a tietovarasto sillä tulee olla seuraavat 4 ominaisuutta:

• ▪ Aihesuuntautunut
• ▪ Integroitu
• ▪ Haihtumaton
• ▪ Muuttuva ajan myötä Aihesuuntautuneella Inmonilla tarkoittaa, että i Dati sisään tietovarasto suurimmilla organisaation aloilla

määritelty mallissa Dati. Esimerkiksi kaikki Dati koskien asiakkaat sisältyvät aihealueeseen ASIAKKAAT. Samoin kaikki Dati tuotteisiin liittyvät kohdat sisältyvät aihealueeseen TUOTTEET.

Integrati Inmon tarkoittaa sitä, että i Dati eri alustoista, järjestelmistä ja paikoista yhdistetään ja tallennetaan yhteen paikkaan. Seurauksena Dati samankaltaiset on muutettava yhtenäisiksi muodoiksi, jotta niitä voidaan lisätä ja verrata helposti.
Esimerkiksi maskuliinista ja feminiinistä sukupuolta edustavat kirjaimet M ja F yhdessä järjestelmässä ja 1 ja 0 toisessa. Jotta ne voidaan integroida oikein, toinen tai molemmat muodot on muunnettava niin, että ne ovat yhtä suuret. Tässä tapauksessa voisimme muuttaa M:n 1:ksi ja F:n 0:ksi tai päinvastoin. Aihesuuntautunut ja integroitu osoittavat, että tietovarasto on suunniteltu tarjoamaan toiminnallinen ja poikittainen näkemys Dati yrityksen toimesta.

Haihtumaton tarkoittaa, että i Dati sisään tietovarasto pysyä johdonmukaisena ja päivitettynä Dati se ei ole tarpeen. Sen sijaan kaikki muutokset Dati alkuperäiset lisätään tietokanta ja tietovarasto. Tämä tarkoittaa, että historioitsija Dati sisältyy tietovarasto.

Muuttujille ajan mittaan Inmon osoittaa, että i Dati sisään tietovarasto sisältää aina aikamerkit ja i Dati ne ylittävät yleensä tietyn aikahorisontin. Esimerkiksi a
tietovarasto voi sisältää 5 vuoden historiallisia arvoja asiakkaat 1993-1997. Historiallisen ja aikasarjan saatavuus Dati avulla voit analysoida trendejä.

Un tietovarasto hän voi kerätä omat Dati OLTP-järjestelmistä; alkuperästä Dati organisaation ulkopuolelta ja/tai muista erityisistä pyyntijärjestelmäprojekteista Dati.
I Dati uutteet voivat käydä läpi puhdistusprosessin, tässä tapauksessa i Dati muunnetaan ja integroidaan ennen varastointia tietokanta ja tietovarasto. Sitten minä Dati

asuvat tietokanta ja tietovarasto ovat saatavilla loppukäyttäjien kirjautumisille ja palautustyökaluille. Näiden työkalujen avulla loppukäyttäjä voi käyttää integroitua näkymää organisaation organisaatiosta Dati.

I Dati asuvat tietokanta ja tietovarasto ne tallennetaan sekä yksityiskohtaisessa että yhteenvetomuodossa.
Yhteenvedon taso voi riippua Dati. Minä Dati yksityiskohtainen voi koostua Dati virta ja Dati historioitsijat
I Dati todellisia eivät sisälly tietovarasto kunnes minä Dati sisään tietovarasto ovat virkistyneet.
Sen lisäksi, että i Dati itse, a tietovarasto se voi myös säilyttää erilaisia Dato nimeltä METADATA, joka kuvaa i Dati asuu hänen tietokanta.
Metatietoja on kahdenlaisia: kehitysmetatiedot ja analyysin metatiedot.
Kehityksen metadataa käytetään purkamis-, puhdistus-, kartoitus- ja latausprosessien hallintaan ja automatisointiin Dati sisään tietovarasto.
Kehitysmetadatan sisältämät tiedot voivat sisältää tietoja käyttöjärjestelmistä, poimittavien elementtien tiedot, mallin Dati ja tietovarasto ja liiketoiminnan säännöt tietojen muuntamiseen Dati.

Toinen metatietojen tyyppi, joka tunnetaan nimellä analytics metadata, antaa loppukäyttäjälle mahdollisuuden tutkia tietovarasto löytääksesi Dati saatavilla ja niiden merkitys selkein, ei-teknisin termein.

Siten analytiikan metatiedot toimivat siltana niiden välillä tietovarasto ja loppukäyttäjäsovellukset. Nämä metatiedot voivat sisältää liiketoimintamallin ja kuvaukset Dati liiketoimintamallia vastaavat, ennalta määritellyt kyselyt ja raportit, tiedot käyttäjien pääsyä varten ja hakemisto.

Analyysi- ja kehitysmetadata on yhdistettävä yhdeksi integroiduksi suojauksen metadataksi toimiakseen kunnolla.

Valitettavasti monilla olemassa olevilla työkaluilla on omat metatietonsa, eikä tällä hetkellä ole olemassa standardeja, joilla niitä olisi

sallia tietovarastotyökalujen integroida nämä metatiedot. Tämän tilanteen korjaamiseksi monet johtavien tietovarastotyökalujen toimittajat muodostivat Meta Data Councilin, josta tuli myöhemmin Meta Data Coalition.

Tämän yhteenliittymän tavoitteena on rakentaa standardi metatietojoukko, jonka avulla erilaiset tietovarastotyökalut voivat muuntaa metatietoja
Heidän ponnistelunsa tuloksena syntyi Meta Data Interchange Specification (MDIS), joka mahdollistaa tiedonvaihdon Microsoftin arkistojen ja niihin liittyvien MDIS-tiedostojen välillä.

- olemassaolo Dati Sekä yhteenveto/indeksoitu että yksityiskohtainen, se antaa käyttäjälle mahdollisuuden suorittaa DRILL DROWN (poraus) alkaen Dati indeksoitu yksityiskohtaisiin ja päinvastoin. olemassaolo Dati yksityiskohtainen historia mahdollistaa trendianalyysien luomisen ajan mittaan. Lisäksi analyysin metatietoja voidaan käyttää del-hakemistona tietokanta ja tietovarasto auttamaan loppukäyttäjiä paikantamaan i Dati tarpeen.

Verrattuna OLTP-järjestelmiin, niiden kyky tukea analysointia Dati ja raportointi, tietovarasto sitä pidetään sopivampana järjestelmänä tietoprosesseihin, kuten kyselyjen tekemiseen ja niihin vastaamiseen sekä raporttien tuottamiseen. Seuraavassa osiossa korostetaan näiden kahden järjestelmän eroja yksityiskohtaisesti.

TIETOVARASTO OLTP-JÄRJESTELMIEN VASTAINEN

Monet organisaatioiden tietojärjestelmät on tarkoitettu tukemaan päivittäistä toimintaa. Nämä järjestelmät, jotka tunnetaan nimellä OLTP SYSTEMS, tallentavat päivittäiset tapahtumat, joita päivitetään jatkuvasti.

I Dati näissä järjestelmissä niitä usein muutetaan, lisätään tai poistetaan. Esimerkiksi asiakkaan osoite muuttuu hänen liikkuessaan paikasta toiseen. Tässä tapauksessa uusi osoite rekisteröidään muuttamalla osoitekenttää tietokanta. Näiden järjestelmien päätavoitteena on vähentää transaktiokustannuksia ja samalla lyhentää käsittelyaikoja. Esimerkkejä OLTP-järjestelmistä ovat kriittiset toiminnot, kuten tilauspäiväkirja, palkanlaskenta, laskut, valmistus, asiakaspalvelu asiakkaat.

Toisin kuin OLTP-järjestelmät, jotka on luotu tapahtuma- ja tapahtumapohjaisia ​​prosesseja varten, ts tietovarasto luotiin tarjoamaan analytiikkapohjaista prosessitukea Dati ja päätöksentekoprosesseista.

Tämä saavutetaan normaalisti integroimalla i Dati eri OLTP- ja ulkoisista järjestelmistä yhteen "säilöön". Dati, kuten edellisessä osiossa käsiteltiin.

Monash-tietovarastoprosessimalli

Prosessin malli tietovarasto Monashin ovat kehittäneet Monash DSS Research Groupin tutkijat ja se perustuu kirjallisuuteen tietovarasto, kokemus kehitystukijärjestelmien aloilta, keskustelut sovellusten toimittajien kanssa käytettäväksi tietovarasto, asiantuntijaryhmälle tietovarasto.

Vaiheet ovat: Aloitus, Suunnittelu, Kehitys, Toiminta ja Selitys. Kaavio selittää a:n kehittämisen iteratiivisen tai evolutionaarisen luonteen tietovarasto prosessi käyttämällä kaksisuuntaisia ​​nuolia, jotka on sijoitettu eri vaiheiden väliin. Tässä yhteydessä "iteratiivisuus" ja "evoluutio" tarkoittavat, että prosessin jokaisessa vaiheessa toteutustoimet voivat aina edetä taaksepäin edelliseen vaiheeseen. Tämä johtuu projektin luonteesta tietovarasto jossa loppukäyttäjä esittää lisäpyyntöjä milloin tahansa. Esimerkiksi prosessin kehitysvaiheessa tietovarastoJos loppukäyttäjä pyytää uutta aihekokoa tai aluetta, joka ei kuulunut alkuperäiseen suunnitelmaan, se on lisättävä järjestelmään. Tämä aiheuttaa muutoksen projektiin. Seurauksena on, että suunnittelutiimin on muutettava suunnitteluvaiheessa tähän mennessä luotujen dokumenttien vaatimuksia. Monissa tapauksissa projektin nykyinen tila on palattava aina suunnitteluvaiheeseen, jossa uusi vaatimus on lisättävä ja dokumentoitava. Loppukäyttäjän on voitava nähdä tarkasteltu dokumentaatio ja kehitysvaiheessa tehdyt muutokset. Tämän kehityssyklin lopussa hankkeen tulee saada hyvää palautetta sekä kehitys- että käyttäjätiimistä. Palautetta käytetään sitten uudelleen tulevan projektin parantamiseen.

Kapasiteettisuunnittelu
dw:t ovat yleensä erittäin suurikokoisia ja kasvavat erittäin nopeasti (Best 1995, Rudin 1997a) johtuen Dati historiallisia, joita ne säilyttävät kestoltaan. Kasvu voi johtua myös Dati käyttäjien pyytämät lisäosat arvon lisäämiseksi Dati jotka heillä jo on. Näin ollen säilytysvaatimukset Dati voidaan merkittävästi parantaa (Eckerson 1997). Siksi on oleellista varmistaa kapasiteettisuunnittelulla, että rakennettava järjestelmä voi kasvaa tarpeiden kasvaessa (Best 1995, LaPlante 1996, Lang 1997, Eckerson 1997, Rudin 1997a, Foley 1997a).
Tietovaraston skaalautuvuutta suunniteltaessa on tiedettävä varaston koon odotettu kasvu, todennäköisesti esitettävät kysymystyypit ja tuettujen loppukäyttäjien määrä (Best 1995, Rudin 1997b, Foley 1997a). Skaalautuvien sovellusten rakentaminen vaatii yhdistelmän skaalautuvia palvelintekniikoita ja skaalautuvia sovellusten suunnittelutekniikoita (Best 1995, Rudin 1997b. Molemmat ovat välttämättömiä erittäin skaalautuvan sovelluksen rakentamisessa. Skaalautuvien palvelintekniikoiden avulla on helppoa ja kustannustehokasta lisätä tallennustilaa, muistia ja prosessoria ilman tarvetta alentava suorituskyky (Lang 1997, Telephony 1997).

On olemassa kaksi pääasiallista skaalautuvaa palvelintekniikkaa: symmetrinen moninkertainen käsittely (SMP) ja massiivisesti rinnakkainen käsittely (MPP)) (IDC 1997, Humphries et al. 1999). SMP-palvelimessa on tyypillisesti useita prosessoreita, jotka jakavat muistin, järjestelmäväylät ja muut resurssit (IDC 1997, Humphries et al. 1999). Muita prosessoreita voidaan lisätä sen tehostamiseksi Potenza laskennallinen. Toinen tapa lisätä Potenza SMP-palvelimen laskennan tarkoituksena on yhdistää useita SMP-koneita. Tämä tekniikka tunnetaan klusterointina (Humphries et al. 1999). Toisaalta MPP-palvelimessa on useita prosessoreita, joista jokaisella on oma muisti, väyläjärjestelmä ja muut resurssit (IDC 1997, Humphries et al. 1999). Jokaista prosessoria kutsutaan solmuksi. Kasvu Potenza laskennallinen voidaan saavuttaa

lisäsolmujen lisääminen MPP-palvelimiin (Humphries et al. 1999).

SMP-palvelimien heikkous on, että liian monet I/O-toiminnot voivat ruuhkauttaa väyläjärjestelmää (IDC 1997). Tätä ongelmaa ei esiinny MPP-palvelimissa, koska jokaisella prosessorilla on oma väyläjärjestelmä. Kuitenkin kunkin solmun väliset yhteydet ovat yleensä paljon hitaampia kuin SMP-väyläjärjestelmä. Lisäksi MPP-palvelimet voivat lisätä sovelluskehittäjien monimutkaisuutta (IDC 1997). Siten valintaan SMP- ja MPP-palvelimien välillä voivat vaikuttaa monet tekijät, mukaan lukien sovellusten monimutkaisuus, hinta/suorituskyky-suhde, vaadittu suorituskyky, estetyt dw-sovellukset ja palvelimen koon kasvu. tietokanta dw ja loppukäyttäjien lukumäärä.

Kapasiteetin suunnittelussa voidaan käyttää useita skaalautuvia sovellussuunnittelutekniikoita. Yksi käyttää erilaisia ​​raportointijaksoja, kuten päiviä, viikkoja, kuukausia ja vuosia. Eri ilmoitusaikoja tietokanta voidaan jakaa hallittavissa oleviin ryhmiteltyihin osiin (Inmon et al. 1997). Toinen tekniikka on käyttää yhteenvetotaulukoita, jotka muodostetaan tiivistämällä Dati da Dati yksityiskohtainen. Siten i Dati tiivistelmät ovat kompakteja kuin yksityiskohtaisia, mikä vaatii vähemmän muistitilaa. Joten Dati yksityiskohdat voidaan arkistoida halvempaan tallennusyksikköön, mikä säästää vielä enemmän tallennustilaa. Yhteenvetotaulukoiden käyttö voi säästää tallennustilaa, mutta niiden pitäminen ajan tasalla ja liiketoiminnan tarpeiden mukaisina vaatii paljon vaivaa. Tätä tekniikkaa käytetään kuitenkin laajalti ja sitä käytetään usein yhdessä edellisen tekniikan kanssa (Best 1995, Inmon 1996a, Chauduri ja Dayal
1997).

Määrittely Tietovarasto Tekniset arkkitehtuurit Dw-arkkitehtuuritekniikoiden määritelmä

Tietovarastoinnin ensimmäiset omaksujat visioivat ensisijaisesti keskitetyn tietovaraston toteutuksen, jossa kaikki Dati, mukaan lukien i Dati ulkoiset, integroitiin yhdeksi,
fyysinen arkisto (Inmon 1996a, Bresnahan 1996, Peacock 1998).

Tämän lähestymistavan tärkein etu on, että loppukäyttäjät voivat käyttää koko yrityksen laajuista näkymää Dati organisaatio (Ovum 1998). Toinen plus on, että se tarjoaa standardoinnin Dati koko organisaatiossa, mikä tarkoittaa, että jokaiselle arkiston metatiedoissa käytetylle terminologialle on vain yksi versio tai määritelmä (Flanagan ja Safdie 1997, Ovum 1998). Tämän lähestymistavan haittana on toisaalta, että se on kallis ja vaikea rakentaa (Flanagan ja Safdie 1997, Ovum 1998, Inmon et ai. 1998). Ei kauan tallennusarkkitehtuurin jälkeen Dati Keskitetty tuli suosituksi, käsitys jumalien pienimpien osajoukkojen louhinnasta kehittyi Dati tukemaan tiettyjen sovellusten tarpeita (Varney 1996, IDC 1997, Berson ja Smith 1997, riikinkukko 1998). Nämä pienet järjestelmät on johdettu suuremmasta tietovarasto keskitetty. Ne on nimetty tietovarasto työntekijäosaston tai työntekijöiden tietomarkkinat. Riippuva data mart -arkkitehtuuri tunnetaan kolmikerroksisena arkkitehtuurina, jossa ensimmäinen taso koostuu tietovarasto keskitetty, toinen koostuu talletuksista Dati osasto ja kolmas koostuu pääsystä Dati ja analyysityökaluilla (Demarest 1994, Inmon et ai. 1997).

Datamartit rakennetaan normaalisti tietovarasto keskitetty rakennettiin vastaamaan tiettyjen yksiköiden tarpeita (White 1995, Varney 1996).
Tietomarket i Dati merkityksellisiä tietyille yksiköille (Inmon et ai. 1997, Inmon et ai. 1998, IA 1998).

Tämän menetelmän etuna on, että sitä ei tule olemaan Dato ei integroitu ja että i Dati on vähemmän tarpeeton datamarkkinoissa, koska kaikki Dati tulevat talletuksesta Dati integroitu. Toinen etu on, että kunkin datakaupan ja sen lähteiden välillä on vähemmän linkkejä Dati koska jokaisella datamarkkinoilla on vain yksi lähde Dati. Lisäksi tämän arkkitehtuurin ollessa käytössä loppukäyttäjät voivat silti käyttää Dati

yritysjärjestöt. Tämä menetelmä tunnetaan ylhäältä alas -menetelmänä, jossa datamarkkinoita rakennetaan sen jälkeen tietovarasto (peacock 1998, Goff 1998).
Jotkin organisaatiot ovat alkaneet rakentaa itsenäisiä datamarkkinoita, koska tarvetta näyttää tuloksia aikaisessa vaiheessa (Flanagan ja Safdie 1997, White 2000). Tässä tapauksessa datamarkkinat saavat omansa Dati suoraan Dati OLTP ja ei-OLTP keskitetystä ja integroidusta arkistosta, mikä eliminoi keskitetyn arkiston tarpeen.

Jokainen datakauppa vaatii vähintään yhden linkin lähteisiinsä Dati. Yksi haittapuoli useiden linkkien käytössä kuhunkin datakauppaan on se, että kahteen edelliseen arkkitehtuuriin verrattuna Dati kasvaa merkittävästi.

Jokaisen tietomäärän on tallennettava kaikki Dati vaaditaan paikallisesti, ettei niillä ole vaikutusta OLTP-järjestelmiin. Tämä aiheuttaa i Dati ne on tallennettu erilaisiin datamarkkinoihin (Inmon et al. 1997). Toinen tämän arkkitehtuurin haittapuoli on, että se johtaa monimutkaisten yhteyksien luomiseen datamarkkinoiden ja niiden tietolähteiden välille. Dati joita on vaikea toteuttaa ja valvoa (Inmon et al. 1997).

Toinen haittapuoli on, että loppukäyttäjät eivät ehkä pääse käsiksi yrityksen tietojen yleiskatsaukseen, koska i Dati eri datamartseista ei ole integroitu (Ovum 1998).
Vielä yksi haittapuoli on, että jokaiselle datamarkkinoinnissa käytettävälle terminologialle voi olla useampi kuin yksi määritelmä, joka tuottaa tietojen epäjohdonmukaisuuksia. Dati organisaatiossa (Ovum 1998).
Huolimatta edellä käsitellyistä haitoista, itsenäiset datamarkkinat kiinnostavat edelleen monia organisaatioita (IDC 1997). Yksi tekijä, joka tekee niistä houkuttelevia, on se, että ne kehittyvät nopeammin ja vaativat vähemmän aikaa ja resursseja (Bresnahan 1996, Berson ja Smith 1997, Ovum 1998). Näin ollen ne toimivat ensisijaisesti testimalleina, joiden avulla voidaan nopeasti tunnistaa suunnittelun edut ja/tai puutteet (Parsaye 1995, Braly 1995, Newing 1996). Tällöin pilottiprojektissa toteutettavan osan tulee olla pieni, mutta organisaatiolle tärkeä (Newing 1996, Mansell-Lewis 1996).

Prototyyppiä tutkimalla loppukäyttäjät ja johto voivat päättää jatkaako vai lopettaako hanke (Flanagan ja Safdie 1997).
Jos päätös jatkaa, muiden toimialojen datamarkkeja tulisi rakentaa yksi kerrallaan. Loppukäyttäjillä on kaksi vaihtoehtoa heidän tarpeidensa perusteella itsenäisten datamatrien rakentamisessa: integroitu/yhdistetty ja integroitumaton (Ovum 1998)

Ensimmäisessä menetelmässä jokainen uusi datakauppa tulisi rakentaa nykyisten datamartien ja mallin perusteella Dati yrityksen käyttämä (Varney 1996, Berson ja Smith 1997, Peacock 1998). Tarve käyttää mallia Dati Yrityksen määritelmä tarkoittaa, että on varmistettava, että kullekin datamarkkinoinnissa käytettävälle terminologialle on vain yksi määritelmä, ja myös sen varmistamiseksi, että eri datamarkkinoita voidaan yhdistää, jotta saadaan yleiskuva yrityksen tiedoista (Bresnahan 1996). Tätä menetelmää kutsutaan alhaalta ylös -menetelmäksi, ja sitä käytetään parhaiten, kun taloudelliset resurssit ja aika ovat rajoittuneet (Flanagan ja Safdie 1997, Ovum 1998, riikinkukko 1998, Goff 1998). Toisessa menetelmässä rakennetut datakeskukset voivat tyydyttää vain tietyn yksikön tarpeet. Eräs muunnos liitetyistä datamarkkinoista on tietovarasto jaetaan, jossa tietokanta hub-palvelimen väliohjelmistoa käytetään yhdistämään useita datamarkkinoita yhdeksi arkistoon Dati jaettu (Valkoinen 1995). Tässä tapauksessa i Dati liiketoimintaa jaetaan useisiin tietomarkkinoihin. Loppukäyttäjien pyynnöt välitetään osoitteeseen tietokanta palvelinkeskittimen väliohjelmisto, joka purkaa kaikki Dati data marts pyytää ja syöttää tulokset takaisin loppukäyttäjien sovelluksiin. Tämä menetelmä tarjoaa yritystietoja loppukäyttäjille. Riippumattomien datamarkkinoiden ongelmia ei kuitenkaan ole vieläkään poistettu. On olemassa toinenkin arkkitehtuuri, jota voidaan käyttää ja jota kutsutaan nimellä tietovarasto virtuaalinen (White 1995). Tämä kuvassa 2.9 esitetty arkkitehtuuri ei kuitenkaan ole tietojen tallennusarkkitehtuuri Dati todellinen, koska se ei siirrä kuormaa OLTP-järjestelmistä tietovarasto (Demarest 1994).

Itse asiassa Dati loppukäyttäjät välittävät ne OLTP-järjestelmiin, jotka palauttavat tulokset käyttäjien pyyntöjen käsittelyn jälkeen. Vaikka tämä arkkitehtuuri sallii loppukäyttäjien luoda raportteja ja tehdä pyyntöjä, se ei voi tarjota i

Dati historia ja yleiskatsaus yritystiedoista vuodesta i Dati koska eri OLTP-järjestelmiä ei ole integroitu. Siksi tämä arkkitehtuuri ei voi tyydyttää analyysiä Dati kuten ennusteet.

Pääsy- ja tietojen palautussovellusten valinta Dati

Rakennuksen tarkoitus a tietovarasto on välittää tietoa loppukäyttäjille (Inmon et ai. 1997, Poe 1996, McFadden 1996, Shanks et ai. 1997, Hammergren 1998); yksi tai useampi pääsy- ja palautussovellus Dati on toimitettava. Tähän mennessä on olemassa laaja valikoima tällaisia ​​sovelluksia, joista käyttäjä voi valita (Hammergren 1998, Humphries et ai. 1999). Valitut sovellukset määräävät varastotyön onnistumisen Dati organisaatiossa, koska sovellukset ovat näkyvin osa tietovarasto loppukäyttäjälle (Inmon et ai. 1997, Poe 1996). Menestyäksesi a tietovarasto, on voitava tukea data-analyysitoimintoja Dati loppukäyttäjästä (Poe 1996, Seddon ja Benjamin 1998, Eckerson 1999). Siten loppukäyttäjän "taso" on tunnistettava (Poe 1996, Mattison 1996, Inmon et al. 1997, Humphries et al. 1999).

Yleisesti ottaen loppukäyttäjät voidaan ryhmitellä kolmeen luokkaan: johtavat käyttäjät, yritysanalyytikot ja tehokäyttäjät (Poe 1996, Humphries et al. 1999). Pääkäyttäjät tarvitsevat helpon pääsyn ennalta määritettyihin raporttijoukkoon (Humphries et al. 1999). Näihin raportteihin pääsee helposti valikon navigoinnin avulla (Poe 1996). Lisäksi raporteissa tulee esittää tiedot käyttämällä graafista esitystä, kuten taulukoita ja malleja, jotta tiedot välitetään nopeasti (Humphries et al. 1999). Yritysanalyytikoiden, joilla ei välttämättä ole teknisiä valmiuksia kehittää raportteja tyhjästä omin voimin, on kyettävä muokkaamaan nykyisiä raportteja vastaamaan erityisiä tarpeitaan (Poe 1996, Humphries et al. 1999). Tehokäyttäjät puolestaan ​​ovat loppukäyttäjiä, joilla on kyky luoda ja kirjoittaa pyyntöjä ja raportteja tyhjästä (Poe 1996, Humphries et al. 1999). He ovat niitä, jotka

he rakentavat suhteita muun tyyppisille käyttäjille (Poe 1996, Humphries et al. 1999).

Kun loppukäyttäjien vaatimukset on määritetty, käyttö- ja palautussovellukset on valittava Dati kaikkien saatavilla olevien joukossa (Poe 1996, Inmon et al. 1997).
Pääsy Dati ja hakutyökalut voidaan luokitella neljään tyyppiin: OLAP-työkalu, EIS/DSS-työkalu, kysely- ja raportointityökalu sekä tiedonlouhintatyökalu.

OLAP-työkalujen avulla käyttäjät voivat luoda ad hoc -kyselyitä sekä palvelimella tehtyjä tietokanta ja tietovarasto. Lisäksi näiden tuotteiden avulla käyttäjät voivat porautua Dati yleisestä yksityiskohtaiseen.

EIS/DSS-työkalut tarjoavat johdon raportoinnin, kuten "mitä jos" -analyysin ja pääsyn valikoimiin raportteihin. Raportit tulee määrittää ennalta ja yhdistää valikoihin navigoinnin helpottamiseksi.
Kysely- ja raportointityökalujen avulla käyttäjät voivat tuottaa ennalta määritettyjä ja erityisiä raportteja.

Tiedonlouhintatyökaluja käytetään tunnistamaan suhteita, jotka voivat tuoda uutta valoa unohdetuille toiminnoille Dati tietovaraston.

Kunkin käyttäjätyypin tarpeiden optimoinnin lisäksi valittujen työkalujen tulee olla intuitiivisia, tehokkaita ja helppokäyttöisiä. Niiden on myös oltava yhteensopivia arkkitehtuurin muiden osien kanssa ja kyettävä toimimaan olemassa olevien järjestelmien kanssa. On myös suositeltavaa valita tietojen käyttö- ja hakutyökalut, joilla on kohtuullinen hinta ja suorituskyky. Muita huomioon otettavia kriteerejä ovat työkalutoimittajan sitoutuminen tuotteen tukemiseen ja sen tulevissa julkaisuissa tapahtuva kehitys. Varmistaakseen käyttäjien sitoutumisen tietovaraston käyttöön kehitystiimi ottaa käyttäjät mukaan työkalun valintaprosessiin. Tässä tapauksessa käyttäjän on suoritettava käytännön arviointi.

Tietovaraston arvon lisäämiseksi kehitystiimi voi tarjota myös verkkoyhteyden tietovarastoihinsa. Web-pohjaisen tietovaraston avulla käyttäjät voivat käyttää Dati syrjäisistä paikoista tai matkoilla. Myös tiedot voivat

tarjota halvemmalla koulutuskustannuksia alentamalla.

2.4.3 Tietovarasto Toimintavaihe

Tämä vaihe koostuu kolmesta toiminnosta: tiedon päivitysstrategioiden määrittely, tietovarastotoimintojen ohjaus ja tietovaraston turvallisuuden hallinta.

Tietojen päivitysstrategioiden määrittely

Ensimmäisen latauksen jälkeen, i Dati sisään tietokanta tietovaraston tiedot on päivitettävä säännöllisesti, jotta siinä tehdyt muutokset toistetaan Dati alkuperäiset. Joten sinun on päätettävä, milloin päivität, kuinka usein päivitys tulee ajoittaa ja miten päivität Dati. On suositeltavaa päivittää Dati kun järjestelmä voidaan ottaa offline-tilaan. Kehitystiimi määrittää päivitystaajuuden käyttäjien vaatimusten perusteella. Tietovaraston päivittämiseen on kaksi tapaa: täydellinen päivitys ja jatkuva muutosten lataaminen.

Ensimmäinen lähestymistapa, täydellinen päivitys, vaatii kaiken lataamisen uudelleen Dati tyhjästä. Tämä tarkoittaa, että kaikki Dati vaadittu on purettava, puhdistettava, muunnettava ja integroitava jokaiseen päivitykseen. Tätä lähestymistapaa tulisi välttää aina kun mahdollista, koska se vie aikaa ja resursseja.

Vaihtoehtoinen tapa on ladata muutoksia jatkuvasti. Tämä lisää i Dati jotka ovat muuttuneet edellisen tietovaraston päivitysjakson jälkeen. Uusien tai muuttuneiden tietueiden tunnistaminen vähentää merkittävästi tietueiden määrää Dati jotka on levitettävä tietovarastoon jokaisessa päivityksessä vain näinä Dati lisätään tietokanta tietovaraston.

On olemassa vähintään 5 lähestymistapaa, joita voidaan käyttää i:n poistamiseen Dati uusi tai muutettu. Tehokkaan videon päivitysstrategian saavuttamiseksi Dati Näiden lähestymistapojen yhdistelmä, joka hakee kaikki järjestelmän muutokset, voi olla hyödyllinen.

Ensimmäinen lähestymistapa, joka käyttää aikaleimoja, olettaa, että kaikki on määrätty Dati muokattu ja päivitetty aikaleima, jotta voit helposti tunnistaa kaikki Dati muokattu ja uusi. Tätä lähestymistapaa ei kuitenkaan ole käytetty laajalti useimmissa käyttöjärjestelmissä nykyään.
Toinen tapa on käyttää sovelluksen luomaa deltatiedostoa, joka sisältää vain tiedostoon tehdyt muutokset Dati. Tämän tiedoston käyttö myös vahvistaa päivityssykliä. Tätäkään menetelmää ei kuitenkaan ole käytetty monissa sovelluksissa.
Kolmas tapa on skannata lokitiedosto, joka sisältää periaatteessa delta-tiedoston kaltaisia ​​tietoja. Ainoa ero on, että palautusprosessia varten luodaan lokitiedosto, jota voi olla vaikea ymmärtää.
Neljäs tapa on muokata sovelluskoodia. Useimmat sovelluskoodit ovat kuitenkin vanhoja ja hauraita; siksi tätä tekniikkaa tulee välttää.
Viimeinen lähestymistapa on verrata Dati lähteet päätiedoston dei kanssa Dati.

Tietovaraston toiminnan hallinta

Kun tietovarasto on vapautettu käyttäjille, sitä on seurattava ajan mittaan. Tässä tapauksessa tietovaraston ylläpitäjä voi käyttää yhtä tai useampaa hallinta- ja ohjaustyökalua tietovaraston käytön seurantaan. Tietoa voidaan kerätä erityisesti ihmisistä ja ajasta, jolloin he pääsevät tietovarastoon. Älä viitsi Dati kerätään, tehdystä työstä voidaan luoda profiili, jota voidaan käyttää syötteenä käyttäjän takaisinperinnän toteutukseen. Takaisinperintä antaa käyttäjille mahdollisuuden saada tietoa tietovaraston käsittelykustannuksista.

Lisäksi tietovaraston auditoinnilla voidaan tunnistaa myös kyselytyypit, niiden koko, kyselyjen määrä päivässä, kyselyn reaktioajat, saavutetut sektorit ja kyselyjen määrä. Dati käsitelty. Toinen tietovaraston auditoinnin tarkoitus on tunnistaa Dati jotka eivät ole käytössä. Nämä Dati ne voidaan poistaa tietovarastosta ajan parantamiseksi

kyselyn suoritusvaste ja hallita kasvua Dati jotka asuvat sisällä tietokanta tietovaraston.

Tietovaraston tietoturvan hallinta

Tietovarasto sisältää Dati integroitu, kriittinen, herkkä, joka on helposti tavoitettavissa. Tästä syystä se tulee suojata luvattomilta käyttäjiltä. Yksi tapa toteuttaa tietoturva on käyttää del-funktiota DBMS määrittää eri oikeudet erityyppisille käyttäjille. Tällä tavalla pääsyprofiilia on ylläpidettävä jokaiselle käyttäjätyypille. Toinen tapa suojata tietovarasto on salata se kuten on kirjoitettu tietokanta tietovaraston. Pääsy Dati ja hakutyökalujen on purettava Dati ennen tulosten esittämistä käyttäjille.

2.4.4 Tietovarasto Käyttöönottovaihe

Se on tietovaraston toteutussyklin viimeinen vaihe. Tässä vaiheessa toteutettavia toimintoja ovat muun muassa käyttäjien kouluttaminen tietovaraston käyttöön ja tietovaraston tarkastusten tekeminen.

Käyttäjien koulutus

Käyttäjäkoulutus on suoritettava ennen pääsyä Dati tietovaraston ja hakutyökalujen käytön. Yleensä istuntojen tulisi alkaa varastoinnin käsitteen esittelyllä Dati, tietovaraston sisältö, meta Dati ja työkalujen perusominaisuudet. Sen jälkeen kokeneemmat käyttäjät voivat myös tutkia tietojen käyttö- ja hakutyökalujen käyttäjien fyysisiä taulukoita ja ominaisuuksia.

Käyttäjäkoulutukseen on monia tapoja. Yksi niistä sisältää useiden käyttäjien tai analyytikoiden valikoiman, jotka valitaan käyttäjäjoukosta heidän johtajuus- ja viestintätaitojensa perusteella. He ovat henkilökohtaisesti koulutettuja kaikkeen, mitä he tarvitsevat tunteakseen järjestelmän. Koulutuksen jälkeen he palaavat töihinsä ja alkavat opettaa muille käyttäjille järjestelmän käyttöä. Käytössä

Muut käyttäjät voivat aloittaa tietovaraston tutkimisen oppimansa perusteella.
Toinen lähestymistapa on kouluttaa useita käyttäjiä samanaikaisesti, aivan kuin harjoittaisit luokkahuoneessa. Tämä menetelmä sopii, kun useita käyttäjiä on koulutettava samanaikaisesti. Vielä yksi tapa on kouluttaa jokainen käyttäjä yksitellen, yksitellen. Tämä menetelmä sopii, kun käyttäjiä on vähän.

Käyttäjäkoulutuksen tarkoituksena on tutustua pääsyyn Dati ja hakutyökalut sekä tietovaraston sisältö. Jotkut käyttäjät voivat kuitenkin olla yllättyneitä koulutusistunnon aikana tarjotun tiedon määrästä. Sitten on suoritettava useita kertausistuntoja jatkuvan tuen saamiseksi ja tiettyihin kysymyksiin vastaamiseksi. Joissakin tapauksissa muodostetaan käyttäjäryhmä tarjoamaan tällaista tukea.

Palautteen kerääminen

Kun tietovarasto on otettu käyttöön, käyttäjät voivat käyttää i Dati oleskelevat tietovarastossa eri tarkoituksiin. Useimmiten analyytikot tai käyttäjät käyttävät i Dati tietovarastossa:

1. 1 Tunnista yrityksen trendit
2. 2 Analysoi ostoprofiilit asiakkaat
3. 3 Jaa i asiakkaat ja minä
4. 4 Tarjoa parhaat palvelut asiakkaat - mukauttaa palveluja
5. 5 Muotoile strategiat markkinointi
6. 6 Tee kilpailukykyisiä tarjouksia kustannusanalyyseistä ja auta hallinnassa
7. 7 Tukea strategista päätöksentekoa
8. 8 Tunnista mahdollisuudet ilmaantua
9. 9 Paranna nykyisten liiketoimintaprosessien laatua
10. 10 Tarkista voitto

Tietovaraston kehityssuunnan mukaisesti järjestelmää voitaisiin arvioida sarjan palautteen saamiseksi

sekä kehitystiimin että loppukäyttäjäyhteisön toimesta.
Saadut tulokset voidaan ottaa huomioon seuraavaa kehitysjaksoa varten.

Koska tietovarastossa on inkrementaalinen lähestymistapa, on tärkeää ottaa oppia aikaisemman kehityksen onnistumisista ja virheistä.

2.5 Yhteenveto

Tässä luvussa on käsitelty kirjallisuudessa esiintyviä lähestymistapoja. Luvussa 1 käsiteltiin tietovaraston käsitettä ja sen roolia päätöstieteessä. Osassa 2 kuvattiin tärkeimmät erot tietovarastojen ja OLTP-järjestelmien välillä. Osassa 3 käsiteltiin Monash-tietovarastomallia, jota käytettiin kohdassa 4 kuvaamaan tietovaraston kehittämisprosessiin liittyviä toimintoja, nämä väitteet eivät perustuneet tiukkaan tutkimukseen. Todellisuudessa tapahtuva voi olla hyvinkin erilaista kuin kirjallisuus raportoi, mutta näiden tulosten perusteella voidaan luoda perusmatkatavara, joka korostaa tietovaraston käsitettä tälle tutkimukselle.

Luku 3

Tutkimus- ja suunnittelumenetelmät

Tämä luku käsittelee tämän tutkimuksen tutkimus- ja suunnittelumenetelmiä. Ensimmäisessä osassa esitetään yleisnäkemys tiedonhakuun käytettävissä olevista tutkimusmenetelmistä, lisäksi pohditaan kriteerejä, joilla valitaan paras menetelmä tiettyyn tutkimukseen. Osassa 2 käsitellään sitten kahta menetelmää, jotka on valittu edellä mainituilla kriteereillä; yksi näistä valitaan ja hyväksytään kohdassa 3 esitetyistä syistä, jossa esitetään myös syyt toisen kriteerin poissulkemiseen. Luvussa 4 esitellään tutkimusprojekti ja osassa 5 johtopäätökset.

3.1 Tietojärjestelmien tutkimus

Tietojärjestelmien tutkimus ei rajoitu pelkästään teknologiaan, vaan se on laajennettava myös käyttäytymiseen ja organisaatioon liittyviin tavoitteisiin.
Olemme tämän velkaa eri tieteenalojen teeseille yhteiskuntatieteistä luonnontieteisiin; tämä johtaa siihen, että tietojärjestelmissä on käytettävä tiettyä tutkimusmenetelmiä, jotka sisältävät määrällisiä ja laadullisia menetelmiä.
Kaikki saatavilla olevat tutkimusmenetelmät ovat tärkeitä, itse asiassa useat tutkijat, kuten Jenkins (1985), Nunamaker et al. (1991) ja Galliers (1992) väittävät, ettei ole olemassa erityistä universaalia menetelmää tietojärjestelmien eri alojen tutkimuksen suorittamiseksi; itse asiassa menetelmä voi sopia tiettyyn tutkimukseen, mutta ei muihin. Tämä johtaa meidät tarpeeseen valita menetelmä, joka sopii tiettyyn tutkimusprojektiimme: tätä valintaa varten Benbasat et al. (1987) toteavat, että tutkimuksen luonne ja tarkoitus on otettava huomioon.

3.1.1 Tutkimuksen luonne

Luonnontutkimuksen erilaiset menetelmät voidaan luokitella kolmeen tietotieteen laajasti tunnettuun perinteeseen: positivistinen, tulkitseva ja kriittinen tutkimus.

3.1.1.1 Positivistinen tutkimus

Positivistinen tutkimus tunnetaan myös tieteellisenä tai empiirisenä tutkimuksena. Se pyrkii "selittämään ja ennustamaan, mitä sosiaalisessa maailmassa tapahtuu tarkastelemalla sen muodostavien elementtien välisiä säännönmukaisuuksia ja syy-seuraus-suhteita" (Shanks et al 1993).

Positivistiselle tutkimukselle on ominaista myös toistettavuus, yksinkertaistaminen ja kumoaminen. Lisäksi positivistinen tutkimus myöntää, että tutkittujen ilmiöiden välillä on a priori suhteita.
Galliersin (1992) mukaan taksonomia on positivistiseen paradigmaan kuuluva tutkimusmenetelmä, joka ei kuitenkaan rajoitu tähän, vaan on olemassa laboratoriokokeita, kenttäkokeita, tapaustutkimuksia, teoreemojen demonstraatioita, ennusteita ja simulaatioita. Näillä menetelmillä tutkijat myöntävät, että tutkitut ilmiöt voidaan tarkkailla objektiivisesti ja tarkasti.

3.1.1.2 Tulkitseva tutkimus

Neuman (1994) kuvailee tulkitsevaa tutkimusta, jota usein kutsutaan fenomenologiaksi tai antipositivismiksi "toiminnan sosiaalisen merkityksen systemaattiseksi analyysiksi ihmisten suoran ja yksityiskohtaisen havainnoinnin avulla luonnollisissa tilanteissa ymmärryksen ja ymmärryksen saavuttamiseksi. tulkinta siitä, kuinka ihmiset luovat ja ylläpitävät sosiaalista maailmaansa”. Tulkintatutkimukset hylkäävät oletuksen, että havaitut ilmiöt voidaan havaita objektiivisesti. Itse asiassa ne perustuvat subjektiivisiin tulkintoihin. Lisäksi tulkinnalliset tutkijat eivät aseta a priori merkityksiä tutkimilleen ilmiöille.

Tämä menetelmä sisältää subjektiivisen/argumentatiivisen tutkimuksen, toimintatutkimuksen, kuvailevan/tulkinnallisen tutkimuksen, tulevaisuuden tutkimuksen ja roolileikin. Näiden kyselyiden ja tapaustutkimusten lisäksi tähän lähestymistapaan voidaan sisällyttää, koska ne koskevat yksilöiden tai organisaatioiden tutkimuksia monimutkaisissa reaalimaailman tilanteissa.

3.1.1.3 Kriittinen tutkimus

Kriittinen haku on yhteiskuntatieteiden vähiten tunnettu lähestymistapa, mutta se on viime aikoina saanut tietojärjestelmien tutkijoiden huomion. Filosofinen oletus, että sosiaalinen todellisuus on historiallisesti tuotettu ja toistettu ihmisten sekä sosiaalisten järjestelmien toimineen ja vuorovaikutuksineen. Heidän kykynsä välittyvät kuitenkin useiden sosiaalisten, kulttuuristen ja poliittisten näkökohtien avulla.

Kuten tulkinnallinen tutkimus, kriittinen tutkimus väittää, että positivistisella tutkimuksella ei ole mitään tekemistä sosiaalisen kontekstin kanssa ja se jättää huomioimatta sen vaikutuksen ihmisten toimintaan.
Kriittinen tutkimus puolestaan ​​arvostelee tulkitsevaa tutkimusta liian subjektiivisuudesta ja siitä, että se ei pyri auttamaan ihmisiä parantamaan elämäänsä. Suurin ero kriittisen tutkimuksen ja kahden muun lähestymistavan välillä on sen arvioiva ulottuvuus. Kun positivististen ja tulkinnallisten perinteiden objektiivisuus on ennustaa tai selittää status quoa tai sosiaalista todellisuutta, kriittisen tutkimuksen tavoitteena on arvioida ja muuttaa tutkittavaa sosiaalista todellisuutta kriittisesti.

Kriittiset tutkijat vastustavat yleensä status quoa poistaakseen sosiaalisia eroja ja parantaakseen sosiaalisia olosuhteita. Kriittinen tutkimus on sitoutunut prosessinäkymään kiinnostavista ilmiöistä ja on siksi yleensä pitkittäissuuntaista. Esimerkkejä tutkimusmenetelmistä ovat pitkäaikaiset historialliset tutkimukset ja etnografiset tutkimukset. Kriittistä hakua ei kuitenkaan ole käytetty laajasti tietojärjestelmätutkimuksessa

3.1.2 Tutkimuksen tarkoitus

Yhdessä tutkimuksen luonteen kanssa sen tarkoitusta voidaan käyttää ohjaamaan tutkijaa tietyn tutkimusmenetelmän valinnassa. Tutkimusprojektin laajuus liittyy läheisesti tutkimuksen asemaan suhteessa tutkimussykliin, joka koostuu kolmesta vaiheesta: teorian rakentaminen, teoriatestaus ja teorian jalostus. Tutkimussyklin vauhdin perusteella tutkimusprojektilla voi siis olla selittävä, kuvaava, tutkiva tai ennakoiva tarkoitus.

3.1.2.1 Tutkiva tutkimus

Selvittävän tutkimuksen tarkoituksena on tutkia aivan uutta aihetta ja muotoilla kysymyksiä ja hypoteeseja tulevaa tutkimusta varten. Tämän tyyppistä tutkimusta käytetään teoriarakennuksessa alkureferenssien saamiseksi uudelle alueelle. Yleensä käytetään laadullisia tutkimusmenetelmiä, kuten tapaustutkimuksia tai fenomenologisia tutkimuksia.

On kuitenkin mahdollista käyttää myös kvantitatiivisia tekniikoita, kuten tutkivia tutkimuksia tai kokeita.

3.1.3.3 Kuvaava tutkimus

Kuvaava tutkimus on suunniteltu analysoimaan ja kuvaamaan erittäin yksityiskohtaisesti tiettyä tilannetta tai organisaatiokäytäntöä. Tämä sopii teorioiden rakentamiseen ja sitä voidaan käyttää myös hypoteesien vahvistamiseen tai kyseenalaistamiseen. Kuvaavassa tutkimuksessa käytetään yleensä mittauksia ja näytteitä. Sopivia tutkimusmenetelmiä ovat kyselyt ja tausta-analyysit.

3.1.2.3 Selittävä tutkimus

Selittävä tutkimus yrittää selittää, miksi asiat tapahtuvat. Se perustuu jo tutkittuihin tosiasioihin ja yrittää löytää näiden tosiseikkojen syyt.
Siten selittävä tutkimus rakentuu yleensä tutkivan tai kuvailevan tutkimuksen päälle ja on apuväline teorioiden testaamiseen ja jalostukseen. Selittävässä tutkimuksessa käytetään tyypillisesti tapaustutkimuksia tai kyselyyn perustuvia tutkimusmenetelmiä.

3.1.2.4 Ennaltaehkäisevä tutkimus

Ennaltaehkäisevän tutkimuksen tavoitteena on ennustaa havaitut tapahtumat ja käyttäytymismallit, joita tutkitaan (Marshall ja Rossman 1995). Ennustus on tavallinen tieteellinen totuuden testi. Tämäntyyppisessä tutkimuksessa käytetään yleensä tutkimuksia tai data-analyysiä Dati historioitsijat. (Yin 1989)

Yllä oleva keskustelu osoittaa, että on olemassa useita mahdollisia tutkimusmenetelmiä, joita voidaan käyttää tietyssä tutkimuksessa. On kuitenkin oltava erityinen menetelmä, joka soveltuu muita paremmin tietyntyyppiseen tutkimusprojektiin. (Galliers 1987, Yin 1989, De Vaus 1991). Siksi jokaisen tutkijan on arvioitava huolellisesti eri menetelmien vahvuudet ja heikkoudet voidakseen omaksua sopivimman tutkimusprojektiin sopivan tutkimusmenetelmän. (Jenkins 1985, Pervan ja Klass 1992, Bonomia 1985, Yin 1989, Himilton ja Ives 1992).

3.2. Mahdolliset tutkimusmenetelmät

Tämän projektin tavoitteena oli tutkia australialaisten organisaatioiden kokemuksia i Dati tallennetaan kehityksen kanssa tietovarasto. Dato että tällä hetkellä Australiassa on puutetta tietovarastoinnin tutkimuksesta, tämä tutkimusprojekti on vielä tutkimussyklin teoreettisessa vaiheessa ja sillä on tutkiva tarkoitus. Tietovarastointia omaksuvien australialaisten organisaatioiden kokemusten tutkiminen vaatii todellisen yhteiskunnan tulkintaa. Näin ollen tutkimusprojektin taustalla oleva filosofinen oletus noudattaa perinteistä tulkintaa.

Käytettävissä olevien menetelmien tarkan tarkastelun jälkeen on tunnistettu kaksi mahdollista tutkimusmenetelmää: kyselyt ja tapaustutkimukset, joita voidaan käyttää tutkivaan tutkimukseen (Shanks et al. 1993). Galliers (1992) väittää näiden kahden menetelmän soveltuvuuden tähän nimenomaiseen tutkimukseen uudistetussa taksonomiassaan sanomalla, että ne soveltuvat teoreettiseen rakentamiseen. Seuraavassa kahdessa alaosassa käsitellään kutakin menetelmää yksityiskohtaisesti.

3.2.1 Tutkimusmenetelmä

Kyselytutkimusmenetelmä on peräisin muinaisesta väestönlaskentamenetelmästä. Väestönlaskenta on tiedon keräämistä koko väestöstä. Tämä menetelmä on kallis ja epäkäytännöllinen, varsinkin jos väestö on suuri. Näin ollen väestönlaskentaan verrattuna kyselyssä keskitytään yleensä tiedon keräämiseen pienelle määrälle tai otokselle väestön edustajia (Fowler 1988, Neuman 1994). Otos heijastaa populaatiota, josta se on otettu, vaihtelevalla tarkkuudella riippuen otosrakenteesta, koosta ja käytetystä valintamenetelmästä (Fowler 1988, Babbie 1982, Neuman 1994).

Kyselymenetelmä määritellään "otoksiksi käytännöistä, tilanteista tai näkemyksistä tietyllä hetkellä, jotka on otettu kyselylomakkeilla tai haastatteluilla, joista voidaan tehdä johtopäätöksiä
tehty” (Galliers 1992:153) [snapshot-valokuvaus käytännöistä, tilanteista tai näkymistä tietyllä hetkellä, otettu kyselylomakkeilla tai haastatteluilla, joista voidaan tehdä johtopäätöksiä]. Kyselyissä kerätään tietoa tietyistä tutkimuksen näkökohdista useilta osallistujilta esittämällä kysymyksiä (Fowler 1988). Nämä kyselyt ja haastattelut, jotka sisältävät kasvokkain puhelinhaastatteluja ja strukturoituja haastatteluja, ovat myös keräystekniikoita Dati Käytetään tutkimuksissa (Blalock 1970, Nachmias ja Nachmias 1976, Fowler 1988), havaintoja ja analyyseja voidaan käyttää (Gable 1994). Kaikista näistä jumalien keräämismenetelmistä Dati, kyselylomakkeen käyttö on suosituin tekniikka, sillä se varmistaa, että i Dati

Kerätyt tiedot on jäsennelty ja muotoiltu, mikä helpottaa tiedon luokittelua (Hwang 1987, de Vaus 1991).

Analysoitaessa DatiTutkimusstrategiassa käytetään usein kvantitatiivisia tekniikoita, kuten tilastollista analyysiä, mutta myös kvalitatiivisia tekniikoita voidaan käyttää (Galliers 1992, Pervan

ja Klass 1992, Gable 1994). Normaalisti, i Dati kerättyjä käytetään analysoimaan assosiaatioiden jakaumia ja kuvioita (Fowler 1988).

Vaikka kyselyt ovat yleensä sopivia hauille, joissa käsitellään kysymystä "mitä?" (mitä) tai siitä johdettuja, kuten "quanto" (kuinka paljon) ja "quant'è" (kuinka monta), ne voidaan kysyä kysymyksen "miksi" kautta (Sonquist ja Dunkelberg 1977, Yin 1989). Sonquistin ja Dunkelbergin (1977) mukaan tutkimustutkimus tähtää koviin hypoteeseihin, arviointiohjelmiin, väestön kuvaamiseen ja ihmisten käyttäytymismallien kehittämiseen. Lisäksi kyselyillä voidaan tutkia tietyn väestön mielipiteitä, olosuhteita, uskomuksia, ominaisuuksia, odotuksia ja jopa menneitä tai nykyisiä käyttäytymismalleja (Neuman 1994).

Tutkimukset antavat tutkijalle mahdollisuuden löytää väestösuhteita ja tulokset ovat yleensä yleisempiä kuin muut menetelmät (Sonquist ja Dunkelberg 1977, Gable 1994). Kyselyjen avulla tutkijat voivat kattaa laajemman maantieteellisen alueen ja tavoittaa suuren määrän vastaajia (Blalock 1970, Sonquist ja Dunkelberg 1977, Hwang ja Lin 1987, Gable 1994, Neuman 1994). Lopuksi kyselyt voivat tarjota tietoa, jota ei ole saatavilla muualta tai analyyseihin vaaditussa muodossa (Fowler 1988).

Kyselyn suorittamiseen liittyy kuitenkin joitain rajoituksia. Haittapuolena on, että tutkija ei voi saada paljon tietoa tutkitusta kohteesta. Tämä johtuu siitä, että kyselyt tehdään vain tiettyyn aikaan ja siksi on olemassa rajoitettu määrä muuttujia ja ihmisiä, joita tutkija voi

tutkimus (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). Toinen haittapuoli on, että tutkimuksen suorittaminen voi olla erittäin kallista ajan ja resurssien suhteen, varsinkin jos se sisältää kasvokkain haastatteluja (Fowler 1988).

3.2.2. Tutkimuksen tutkimusmenetelmä

Kyselytutkimusmenetelmä sisältää tietyn tilanteen syvällisen tutkimuksen sen todellisessa kontekstissa tietyn ajanjakson aikana ilman tutkijan väliintuloa (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). Pääasiassa tätä menetelmää käytetään kuvaamaan tietyssä tilanteessa tutkittavien muuttujien välisiä suhteita (Galliers 1992). Tutkimukset voivat koskea yhtä tai useampaa tapausta riippuen analysoidusta ilmiöstä (Franz ja Robey 1987, Eisenhardt 1989, Yin 1989).

Tutkimustutkimusmenetelmä määritellään "empiiriseksi tutkimukseksi, joka tutkii nykyajan ilmiötä sen todellisessa kontekstissa käyttämällä useita lähteitä yhdestä tai useammasta kokonaisuudesta, kuten ihmisistä, ryhmistä tai organisaatioista" (Yin 1989). Ilmiön ja sen kontekstin välillä ei ole selvää eroa, eikä muuttujia kontrolloida tai kokeellisesti manipuloida (Yin 1989, Benbasat et al. 1987).

Tiedostojen keräämiseen on olemassa erilaisia ​​tekniikoita Dati joita voidaan käyttää kyselymenetelmässä, joka sisältää suoria havaintoja, arkistotarkastuksia, kyselyitä, dokumentaatiotarkastuksia ja strukturoituja haastatteluja. Monipuolinen valikoima sadonkorjuutekniikoita Dati, kyselyjen avulla tutkijat voivat käsitellä molempia Dati laadullinen ja määrällinen samaan aikaan (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). Kyselymenetelmän tapaan kyselytutkija toimii tarkkailijana tai tutkijana eikä aktiivisena osallistujana tutkittavassa organisaatiossa.

Benbasat ym. (1987) väittävät, että kyselymenetelmä soveltuu erityisen hyvin tutkimusteorian rakentamiseen, joka alkaa tutkimuskysymyksellä ja jatkuu koulutuksella.

teorian keräysprosessin aikana Dati. Soveltuu myös näyttämölle

teorian rakentamisen, Franz ja Robey (1987) ehdottavat, että tutkimusmenetelmää voidaan käyttää myös monimutkaisessa teoriavaiheessa. Tässä tapauksessa kerättyjen todisteiden perusteella tietty teoria tai hypoteesi vahvistetaan tai kumotaan. Lisäksi kysely soveltuu myös "miten"- tai "miksi"-kysymyksiä käsittelevään tutkimukseen (Yin 1989).

Muihin menetelmiin verrattuna kyselyt antavat tutkijalle mahdollisuuden saada olennaista tietoa yksityiskohtaisemmin (Galliers 1992, Shanks et al. 1993). Lisäksi tutkimukset antavat tutkijalle mahdollisuuden ymmärtää tutkittujen prosessien luonnetta ja monimutkaisuutta (Benbasat et al. 1987).

Kyselymenetelmään liittyy neljä pääasiallista haittaa. Ensimmäinen on valvottujen vähennysten puute. Tutkijan subjektiivisuus voi muuttaa tutkimuksen tuloksia ja johtopäätöksiä (Yin 1989). Toinen haittapuoli on valvotun havainnoinnin puute. Toisin kuin kokeellisissa menetelmissä, kyselytutkija ei voi hallita tutkittuja ilmiöitä, koska niitä tarkastellaan niiden luonnollisessa kontekstissa (Gable 1994). Kolmas haittapuoli on toistettavuuden puute. Tämä johtuu siitä, että tutkija ei todennäköisesti havaitse samoja tapahtumia, eikä hän voi tarkistaa tietyn tutkimuksen tuloksia (Lee 1989). Lopuksi toistumattomuudesta johtuen on vaikeaa yleistää yhdestä tai useammasta tutkimuksesta saatuja tuloksia (Galliers 1992, Shanks et al. 1993). Kaikki nämä ongelmat eivät kuitenkaan ole ylitsepääsemättömiä, ja tutkija voi itse asiassa minimoida ne asianmukaisin toimenpitein (Lee 1989).

3.3. Perustelkaa tutkimusmenetelmä hyväksytty

Tämän tutkimuksen kahdesta mahdollisesta tutkimusmenetelmästä kyselymenetelmää pidetään sopivimpana. Tutkinta hylättiin asian huolellisen harkinnan jälkeen

ansiot ja heikkoudet. Kunkin menetelmän mukavuutta tai sopimattomuutta tässä tutkimuksessa käsitellään alla.

3.3.1. Sopimaton tutkimusmenetelmä tiedustelu

Kyselymenetelmä edellyttää tietyn tilanteen syvällistä tutkimista yhdessä tai useammassa organisaatiossa tietyn ajanjakson aikana (Eisenhardt 1989). Tässä tapauksessa ajanjakso voi ylittää tälle tutkimukselle annetun aikakehyksen. Toinen syy olla käyttämättä tutkimusmenetelmää on se, että tulokset voivat kärsiä kurinalaisuudesta (Yin 1989). Tutkijan subjektiivisuus voi vaikuttaa tuloksiin ja johtopäätöksiin. Toinen syy on se, että tämä menetelmä soveltuu paremmin "miten"- tai "miksi"-tyyppisiin tutkimuskysymyksiin (Yin 1989), kun taas tämän tutkimuksen tutkimuskysymys on "mitä"-tyyppi. Viimeisenä, mutta ei vähäisimpänä, on vaikea yleistää vain yhden tai muutaman tutkimuksen tuloksia (Galliers 1992, Shanks et al. 1993). Tämän perustelun perusteella kyselytutkimusmenetelmää ei valittu, koska se ei sovellu tähän tutkimukseen.

3.3.2. Tutkimusmenetelmän mukavuus tutkinta

Kun tämä tutkimus tehtiin, tietovarastoinnin käytäntö ei ollut laajalti omaksunut australialaiset organisaatiot. Siksi niiden täytäntöönpanosta australialaisissa organisaatioissa ei ollut paljon tietoa. Saatavilla olevat tiedot tulivat organisaatioilta, jotka olivat ottaneet käyttöön tai käyttäneet a tietovarasto. Tässä tapauksessa kyselytutkimusmenetelmä on sopivin, koska sen avulla saadaan tietoa, jota ei ole saatavilla muualta tai analyysin edellyttämässä muodossa (Fowler 1988). Lisäksi kyselytutkimusmenetelmä antaa tutkijalle mahdollisuuden saada hyvä käsitys tietyn ajan käytännöistä, tilanteista tai näkemyksistä (Galliers 1992, Denscombe 1998). Yleiskatsausta pyydettiin lisäämään tietoisuutta Australian tietovarastokokemuksesta.

Lisäksi Sonquist ja Dunkelberg (1977) väittävät, että kyselytutkimuksen tulokset ovat yleisempiä kuin muut menetelmät.

3.4. Tutkimuksen tutkimussuunnittelu

Tietovarastointikäytäntötutkimus tehtiin vuonna 1999. Kohderyhmä koostui tietovarastointitutkimuksista kiinnostuneista australialaisista organisaatioista, koska he olivat todennäköisesti jo tietoisia Dati joita he tallentavat ja voivat siksi tarjota hyödyllistä tietoa tätä tutkimusta varten. Kohderyhmä tunnistettiin alustavassa kyselyssä, johon osallistuivat kaikki "Data Warehousing Institute" (Tdwi-aap) australialaiset jäsenet. Tässä osiossa käsitellään tämän tutkimuksen empiirisen tutkimusvaiheen suunnittelua.

3.4.1. Tavaroiden keräämisen tekniikka Dati

Kyselytutkimuksessa yleisesti käytetyistä kolmesta tekniikasta (eli sähköpostikysely, puhelinhaastattelu ja henkilöhaastattelu) (Nachmias 1976, Fowler 1988, de Vaus 1991) otettiin tähän tutkimukseen postikysely. Ensimmäinen syy viimeksi mainitun omaksumiseen on, että se voi tavoittaa maantieteellisesti hajallaan olevan väestön (Blalock 1970, Nachmias ja Nachmias 1976, Hwang ja Lin 1987, de Vaus 1991, Gable 1994). Toiseksi, postikysely sopii korkeasti koulutetuille osallistujille (Fowler 1988). Tämän tutkimuksen sähköpostikysely oli osoitettu tietovarastoprojektin rahoittajille, johtajille ja/tai projektipäälliköille. Kolmanneksi postikyselyt ovat sopivia, kun saatavilla on turvallinen osoiteluettelo (Salant ja Dilman 1994). TDWI, tässä tapauksessa luotettava tietovarastoyhdistys, toimitti australialaisten jäsentensä postituslistan. Toinen sähköpostikyselyn etu puhelinkyselyihin tai henkilökohtaisiin haastatteluihin verrattuna on, että sen avulla vastaajat voivat vastata tarkemmin, varsinkin kun vastaajien on tarkasteltava asiakirjoja tai keskustellaan kysymyksistä muiden ihmisten kanssa (Fowler 1988).

Mahdollinen haittapuoli voi olla kyselylomakkeiden lähettämiseen postitse kuluva aika. Normaalisti postikysely suoritetaan tässä järjestyksessä: lähetä kirjeet, odota vastauksia ja lähetä vahvistus (Fowler 1988, Bainbridge 1989). Siten kokonaisaika voi olla pidempi kuin kasvokkain tapahtuvaan haastatteluun tai puhelinhaastatteluun tarvittava aika. Kokonaisaika voidaan kuitenkin tietää etukäteen (Fowler 1988, Denscombe 1998). Henkilöhaastatteluihin käytettyä aikaa ei voi tietää etukäteen, koska se vaihtelee haastattelusta toiseen (Fowler 1988). Puhelinhaastattelut voivat olla nopeampia kuin sähköpostikyselyt ja henkilökohtaiset haastattelut, mutta niillä voi olla korkea vastausten määrä, koska jotkut ihmiset eivät ole tavoitettavissa (Fowler 1988). Lisäksi puhelinhaastattelut rajoittuvat yleensä suhteellisen lyhyisiin kysymysluetteloihin (Bainbridge 1989).

Toinen postitse lähetetyn kyselyn heikkous on korkea vastauskato (Fowler 1988, Bainbridge 1989, Neuman 1994). Vastatoimiin kuitenkin ryhdyttiin yhdistämällä tämä tutkimus luotettavaan tietovarastolaitokseen (ts. TDWI) (Bainbridge 1989, Neuman 1994), joka lähettää kaksi muistutuskirjettä vastaamattomille (Fowler 1988, Neuman 1994) ja sisältää myös lisäkirjeen, jossa selitetään tutkimuksen tarkoitus (Neuman 1994).

3.4.2. Analyysiyksikkö

Tämän tutkimuksen tarkoituksena on saada tietoa tietovarastoinnin käyttöönotosta ja sen käytöstä australialaisissa organisaatioissa. Kohdejoukot ovat kaikki australialaiset organisaatiot, jotka ovat toteuttaneet tai toteuttavat mm tietovarasto. Tämän jälkeen yksittäiset organisaatiot rekisteröidään. Kyselylomake lähetettiin adoptiosta kiinnostuneille organisaatioille tietovarasto. Tällä menetelmällä varmistetaan, että kerätyt tiedot tulevat kunkin osallistuvan organisaation sopivimmista resursseista.

3.4.3. Tutkimusnäyte

Kyselyyn osallistuneiden postituslista saatiin TDWI:ltä. Tästä luettelosta valittiin otospohjaksi 3000 3000 australialaista organisaatiota. Otokseen lähetettiin projektia ja kyselyn tarkoitusta selittävä seurantakirje sekä vastauslomake ja ennakkoon maksettu kirjekuori täytetyn kyselylomakkeen palauttamista varten. 198 organisaatiosta XNUMX suostui osallistumaan tutkimukseen. Näin pientä määrää vastauksia odotettiin Dato suuri määrä australialaisia ​​organisaatioita, jotka olivat tuolloin omaksuneet tai olivat omaksuneet tietovarastostrategian organisaatioissaan. Siten tämän tutkimuksen kohderyhmä koostuu vain 198 organisaatiosta.

3.4.4. Kyselylomakkeen sisältö

Kyselylomakkeen suunnittelu perustui Monashin tietovarastomalliin (käsitelty aiemmin osassa 2.3). Kyselylomakkeen sisältö perustui luvussa 2 esitettyyn kirjallisuuskatsaukseen. Kopio kyselyyn osallistuneille postitetusta kyselylomakkeesta löytyy liitteestä B. Kyselylomake koostuu kuudesta osasta, jotka noudattavat käsitellyn mallin vaiheita. Seuraavat kuusi kappaletta sisältävät lyhyen yhteenvedon kunkin osan sisällöstä.

Osa A: Perustiedot organisaatiosta
Tämä osio sisältää kysymyksiä, jotka liittyvät osallistuvien organisaatioiden profiiliin. Lisäksi osa kysymyksistä liittyy osallistujan tietovarastoprojektin tilaan. Luottamuksellisia tietoja, kuten organisaation nimeä, ei kyselyanalyysissä kerrottu.

Osa B: Aloita
Tämän osion kysymykset liittyvät tietovarastoinnin aloittamiseen. Kysymyksiä koskivat hankkeen alullepanijat, sponsorit, vaadittavat taidot ja tiedot, tietovaraston kehittämisen tavoitteet ja loppukäyttäjien odotukset.

Osa C: Suunnittelu
Tämä osio sisältää kysymyksiä, jotka liittyvät suunnittelutoimintaan tietovarasto. Kysymykset koskivat erityisesti toteutuksen laajuutta, hankkeen kestoa, hankkeen kustannuksia ja kustannus-hyötyanalyysiä.

Osa D: Kehitys
Kehitysosiossa on kysymyksiä, jotka liittyvät yhdistyksen kehitystoimintaan tietovarasto: loppukäyttäjien vaatimusten kokoelma, lähteet Dati, looginen malli Dati, prototyypit, kapasiteetin suunnittelu, tekniset arkkitehtuurit ja tietovaraston kehitystyökalujen valinta.

Osa E: Käyttö
Toiminnalliset kysymykset liittyvät palvelun toimintaan ja laajennettavuus tietovarasto, koska se kehittyy seuraavassa kehitysvaiheessa. siellä tietojen laatu, virkistysstrategiat Dati, rakeisuus Dati, skaalautuvuus tietovarasto ja turvallisuuskysymykset tietovarasto olivat kysyttyjen kysymystyyppien joukossa.

Osa F: Kehitys
Tämä osio sisältää kysymyksiä, jotka liittyvät laitteen käyttöön tietovarasto loppukäyttäjien toimesta. Tutkijaa kiinnosti sen tarkoitus ja käyttökelpoisuus tietovarasto, hyväksytyt tarkistus- ja koulutusstrategiat sekä valvontastrategia tietovarasto hyväksytty.

3.4.5. Vastausaste

Vaikka postikyselyjä arvostellaan alhaisesta vastausprosentista, palautusastetta on lisätty (kuten edellä kohdassa 3.4.1 on todettu). Termi "vastausprosentti" viittaa kyselyyn vastanneiden ihmisten prosenttiosuuteen tietyssä kyselytutkimuksessa (Denscombe 1998). Tämän tutkimuksen vasteprosentin laskemiseen käytettiin seuraavaa kaavaa:

Vastanneiden ihmisten määrä
Vastausprosentti = ————————————————————————— X 100 Lähetettyjen kyselylomakkeiden kokonaismäärä

3.4.6. Pilottikoe

Ennen kuin kyselylomake lähetettiin otokseen, kysymykset testattiin pilottikokeilla Luckin ja Rubinin (1987), Jacksonin (1988) ja de Vausin (1991) ehdotuksen mukaisesti. Pilottikokeiden tarkoituksena on paljastaa kaikki hankalat, moniselitteiset ilmaisut ja vaikeasti tulkittavat kysymykset, selventää käytettyjä määritelmiä ja termejä sekä tunnistaa likimääräinen kyselyn täyttämiseen kuluva aika (Warwick ja Lininger 1975, Jackson 1988, Salant). ja Dilman 1994). Pilottikokeet suoritettiin valitsemalla koehenkilöt, joiden ominaisuudet olivat samanlaisia ​​kuin lopullisilla koehenkilöillä Davis e:n ehdotuksen mukaisesti. Cosenza (1993). Tässä tutkimuksessa pilottikohteiksi valittiin kuusi tietovarastoinnin ammattilaista. Jokaisen pilottitestin jälkeen tehtiin tarvittavat korjaukset. Suoritetuista pilottitesteistä osallistujat osallistuivat kyselylomakkeen lopullisen version muokkaamiseen ja nollaukseen.

3.4.7. Analyysimenetelmät Di Antaa

I Dati Suljetuista kyselylomakkeista kerätyt kyselytiedot analysoitiin SPSS-tilastoohjelmistolla. Monet vastauksista analysoitiin kuvaavien tilastojen avulla. Osa kyselylomakkeista palautettiin puutteellisina. Näitä on käsitelty huolellisemmin sen varmistamiseksi, että i Dati Puuttuminen ei johtunut tietojen syöttövirheistä, vaan siitä, että kysymykset eivät sopineet rekisteröijälle tai hän päätti olla vastaamatta yhteen tai useampaan tiettyyn kysymykseen. Nämä puuttuvat vastaukset jätettiin huomioimatta dataa jäsennettäessä Dati ja ne koodattiin "-9" sen varmistamiseksi, että ne jätetään pois analyysiprosessista.

Kyselyä laadittaessa suljetut kysymykset esikoodattiin antamalla jokaiselle vaihtoehdolle numero. Numeroa käytettiin sitten i-koulutukseen Dati analyysin aikana (Denscombe 1998, Sapsford ja Jupp 1996). Esimerkiksi B-osan kysymyksessä 1 oli kuusi vaihtoehtoa: hallitus, ylin johtaja, IT-osasto, liiketoimintayksikkö, konsultit ja muut. Tiedostossa Dati SPSS:stä luotiin muuttuja 'projektin aloittajalle', jossa on kuusi arvotunnistetta: '1' 'boardille', '2' 'ylemmän tason johtajalle' ja niin edelleen Street. Likertin-asteikon käyttö joissakin suljetuissa kysymyksissä mahdollisti myös vaivattoman tunnistamisen käyttämällä vastaavia SPSS:ään syötettyjä numeerisia arvoja. Kysymyksissä, joihin ei sisältynyt tyhjentäviä vastauksia, jotka eivät olleet toisiaan poissulkevia, kutakin vaihtoehtoa käsiteltiin yhtenä muuttujana, jolla oli kaksi arvotunnistetta: '1' tarkoittaa 'tarkistettu' ja '2' 'tarkistamaton'.

Avoimia kysymyksiä käsiteltiin eri tavalla kuin suljettuja kysymyksiä. Vastauksia näihin kysymyksiin ei ole syötetty SPSS:ään. Sen sijaan ne analysoitiin käsin. Tämäntyyppisen kysymyksen käyttö mahdollistaa tiedon hankkimisen vastaajien vapaasti ilmaistuista ajatuksista ja henkilökohtaisista kokemuksista (Bainbridge 1989, Denscombe 1998). Jos mahdollista, vastaukset luokiteltiin.

Analyysille Datikäytetään yksinkertaisen tilastollisen analyysin menetelmiä, kuten vasteiden frekvenssi, keskiarvo, keskihajonta ja mediaani (Argyrous 1996, Denscombe 1998).
Gamma-testillä saatiin kvantitatiivisia mittauksia välisistä assosiaatioista Dati järjestysluvut (Norusis 1983, Argyrous 1996). Nämä testit olivat tarkoituksenmukaisia, koska käytetyillä järjestysasteikoilla ei ollut monia luokkia ja ne voitiin esittää taulukossa (Norusis 1983).

3.5 Yhteenveto

Tässä luvussa käsiteltiin tähän tutkimukseen sovellettua tutkimusmetodologiaa ja suunnittelua.

Tiettyyn tutkimukseen sopivimman tutkimusmenetelmän valitseminen vaatii
useiden sääntöjen huomioiminen, mukaan lukien tutkimuksen luonne ja tyyppi sekä kunkin mahdollisen menetelmän edut ja heikkoudet (Jenkins 1985, Benbasat et al. 1097, Galliers ja Land 1987, yin 1989, Hamilton ja ives 1992, Galliers 1992, neuman 1994). Koska tietovarastoinnin käyttöönotosta Australiassa ei ole olemassa tietämystä ja teoriaa, tämä tutkimus vaatii tulkitsevaa tutkimusmenetelmää, jolla on tutkiva kyky tutkia australialaisten organisaatioiden kokemuksia. Valittu tutkimusmenetelmä valittiin keräämään tietoa tietovaraston konseptin käyttöönotosta australialaisissa organisaatioissa. Keräystekniikaksi valittiin postikysely Dati. Tutkimusmenetelmän ja keräystekniikan perustelut Dati valinnat esitetään tässä luvussa. Lisäksi keskusteltiin analyysiyksiköstä, käytetystä otoksesta, vastausprosentteista, kyselyn sisällöstä, kyselyn esitestauksesta ja analyysimenetelmästä. Dati.

Suunnittelu a Tietovarasto:

Entiteettisuhteen ja ulottuvuusmallinnuksen yhdistäminen

TIIVISTELMÄ
Kauppa i Dati on tärkeä ajankohtainen ongelma monille organisaatioille. Keskeinen ongelma varastoinnin kehittämisessä Dati se on hänen suunnittelunsa.
Piirustuksen tulee tukea käsitteiden havaitsemista tietovarasto vanhaan järjestelmään ja muihin lähteisiin Dati ja myös helppo ymmärtää ja tehokkuus toteutuksessa tietovarasto.
Suuri osa varastokirjallisuudesta Dati suosittelee kokonaisuuden suhdemallinnuksen tai dimensiomallinnuksen käyttöä edustamaan suunnittelua tietovarasto.
Tässä artikkelissa näytämme, kuinka molemmat esitykset voidaan yhdistää lähestymistapaan suunnitteluun tietovarasto. Käytetty lähestymistapa on järjestelmällinen

tutkitaan tapaustutkimuksessa, ja se on tunnistettu useissa tärkeissä seurauksissa ammattilaisten kanssa.

TIETOJEN VARASTOINTI

Un tietovarasto se määritellään yleensä "aihesuuntautuneeksi, integroiduksi, aikamuunneltavaksi ja haihtumattomaksi tiedon kokoelmaksi johdon päätösten tueksi" (Inmon ja Hackathorn, 1994). Aihesuuntautunut ja integroitu osoittaa, että tietovarasto on suunniteltu ylittämään vanhojen järjestelmien toiminnalliset rajat tarjotakseen integroidun näkökulman Dati.
Aikavaihtoehto vaikuttaa historialliseen tai aikasarjaluonteeseen Dati a tietovarasto, joka mahdollistaa trendien analysoinnin. Haihtumaton osoittaa, että tietovarasto sitä ei päivitetä jatkuvasti, kuten a tietokanta OLTP:stä. Pikemminkin sitä päivitetään säännöllisesti Dati sisäisistä ja ulkoisista lähteistä. tietovarasto se on suunniteltu erityisesti tutkimukseen eikä eheyden ja toiminnan suorituskyvyn päivittämiseen.
Ajatus i Dati ei ole uutta, se oli yksi hallinnon tavoitteista Dati 1982-luvulta lähtien (Il Martin, XNUMX).
I tietovarasto ne tarjoavat infrastruktuurin Dati johdon tukijärjestelmille. Johdon tukijärjestelmiä ovat päätöksen tukijärjestelmät (DSS) ja johdon tietojärjestelmät (EIS). DSS on tietokonepohjainen tietojärjestelmä, joka on suunniteltu parantamaan prosessia ja sitä kautta ihmisen päätöksentekoa. EIS on tyypillisesti jakelujärjestelmä Dati jonka avulla yritysjohtajat pääsevät helposti näkymään Dati.
A. Yleinen arkkitehtuuri tietovarasto korostaa roolia tietovarasto johdon tuessa. Infrastruktuurin tarjoamisen lisäksi Dati EIS: lle ja DSS: lle, al tietovarasto siihen pääsee suoraan kyselyiden kautta. THE Dati mukana a tietovarasto Ne perustuvat johtamistietovaatimusten analyysiin, ja ne saadaan kolmesta lähteestä: sisäiset vanhat järjestelmät, erityiskäyttöiset tiedonkeruujärjestelmät ja ulkoiset tietolähteet. THE Dati sisäiset vanhat järjestelmät ovat usein redundantteja, epäjohdonmukaisia, heikkolaatuisia ja tallennettu eri muodoissa, joten ne on sovitettava yhteen ja puhdistettava ennen kuin ne voidaan ladata

tietovarasto (Inmon, 1992; McFadden, 1996). THE Dati varastointijärjestelmistä Dati tapauskohtaisesti ja lähteistä Dati ulkoisia käytetään lisäykseen (päivittämiseen, korvaamiseen) i Dati vanhoista järjestelmistä.

On monia pakottavia syitä kehittää a tietovarasto, joihin sisältyy parannettu päätöksenteko lisäämällä tietoa tehokkaalla tavalla (Ives 1995), tuki kokonaisiin asioihin keskittymiselle (Graham 1996) ja päätöksentekokustannusten vähentäminen. Dati EIS:lle ja DSS:lle (Graham 1996, McFadden 1996).

Tuoreessa empiirisessä tutkimuksessa havaittiin keskimäärin sijoitetun pääoman tuotto i tietovarasto 401 % kolmen vuoden jälkeen (Graham, 1996). Kuitenkin muut empiiriset tutkimukset tietovarasto havaitsi merkittäviä ongelmia, mukaan lukien vaikeudet hyötyjen mittaamisessa ja jakamisessa, selkeän tarkoituksen puute, varastointiprosessin laajuuden ja monimutkaisuuden aliarviointi Dati, erityisesti mitä tulee lähteisiin ja puhtauteen Dati. Store i Dati voidaan pitää ratkaisuna johtamisongelmaan Dati organisaatioiden välillä. Manipulointi Dati sosiaalisena resurssina se on pysynyt yhtenä avainongelmista tietojärjestelmien hallinnassa maailmanlaajuisesti useiden vuosien ajan (Brancheau ym. 1996, Galliers ym. 1994, Niederman ym. 1990, Pervan 1993).

Suosittu lähestymistapa hallintaan Dati XNUMX-luvulla kehitettiin mallia Dati sosiaalinen. Malli Dati social on suunniteltu tarjoamaan vakaa perusta uusien sovellusjärjestelmien kehittämiseen, esim tietokanta ja vanhojen järjestelmien jälleenrakennus ja integrointi (Brancheau et al.

1989, Goodhue et ai. 1988:1992, Kim ja Everest 1994). Tähän lähestymistapaan liittyy kuitenkin useita ongelmia, erityisesti kunkin tehtävän monimutkaisuus ja kustannukset sekä pitkä aika, joka tarvitaan konkreettisten tulosten saavuttamiseen (Beynon-Davies 1994, Earl 1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997). ).

Il tietovarasto se on erillinen tietokanta, joka on olemassa vanhojen tietokantojen rinnalla sen sijaan, että se korvaa niitä. Sen ansiosta voit ohjata hallintaa Dati ja välttää vanhojen järjestelmien kallis uudelleenrakentaminen.

OLEMASSA OLEVAT LÄHESTYMISPÄIVÄT PIIRUSTAMISEKSI

VARASTO

Rakentaminen ja parantaminen a tietovarasto tulisi ymmärtää enemmän evoluutioprosessina kuin perinteisenä järjestelmien kehittämisen elinkaarina (Desio, 1995, Shanks, O'Donnell ja Arnott 1997a). Projektiin liittyy monia prosesseja tietovarasto kuten alustus, ajoitus; yritysten johtajilta pyydettyjen vaatimusten perusteella hankitut tiedot; lähteet, muunnokset, puhdistus Dati ja synkronoida vanhoista järjestelmistä ja muista lähteistä Dati; toimitusjärjestelmät kehitteillä; seurantaa tietovarasto; ja evoluutioprosessin ja rakentamisen järjettömyys a tietovarasto (Stinchi, O'Donnell ja Arnott 1997b). Tässä lehdessä keskitymme i-piirtämiseen Dati tallennetaan näiden muiden prosessien yhteydessä. Videoarkkitehtuuriin on ehdotettu useita lähestymistapoja tietovarasto kirjallisuudessa (Inmon 1994, Ives 1995, Kimball 1994, McFadden 1996). Jokaisessa näistä menetelmistä on lyhyt katsaus, jossa analysoidaan niiden vahvuudet ja heikkoudet.

Inmonin (1994) lähestymistapa Tietovarasto Malli

Inmon (1994) ehdotti neljä iteratiivista vaihetta a tietovarasto (katso kuva 2). Ensimmäinen askel on mallin suunnittelu Dati sosiaalinen ymmärtää miten minä Dati voidaan integroida organisaation toiminnallisille alueille jakamalla i Dati säilytä alueilla. Malli Dati se on tehty säilytykseen Dati liittyvät päätöksentekoon, mukaan lukien Dati historiallinen ja mukana Dati vähennetään ja lasketaan yhteen. Toinen vaihe on toteuttaa aihealueet. Ne perustuvat tietyn organisaation määrittelemiin prioriteetteihin. Kolmas vaihe sisältää piirtämisen a tietokanta kiinnitä erityistä huomiota aihealueen asianmukaisten tarkkuustasojen sisällyttämiseen. Inmon suosittelee entiteetti- ja suhdemallin käyttöä. Neljäs vaihe on lähdejärjestelmien tunnistaminen Dati vaaditaan ja kehitetään muunnosprosesseja sieppaamaan, puhdistamaan ja muotoilemaan i Dati.

Inmonin lähestymistavan vahvuudet ovat malli Dati sosiaalinen tarjoaa perustan integraatiolle Dati organisaation sisällä ja suunnittelu tukee iteratiivista kehittämistä tietovarasto. Sen haittoja ovat mallin suunnittelun vaikeus ja hinta Dati sosiaalinen, molemmissa malleissa käytettyjen entiteetti- ja suhdemallien ymmärtämisen vaikeus, että Dati sosiaalinen ja Dati tallennetaan aihealueittain ja Dati piirroksesta tietovarasto toteuttamiseksi tietokanta suhteellinen, mutta ei tietokanta moniulotteinen.

Ivesin (1995) lähestymistapa Tietovarasto Malli

Ives (1995) ehdottaa nelivaiheista lähestymistapaa tietojärjestelmän suunnitteluun, jonka hän uskoo soveltuvan tietojärjestelmän suunnitteluun. tietovarasto (katso kuva 3). Lähestymistapa perustuu pitkälti tietojärjestelmien kehittämiseen tarkoitettuun tietotekniikkaan (Martin 1990). Ensimmäinen askel on määrittää tavoitteesi, menestys ja kriittiset tekijät sekä keskeiset suorituskykyindikaattorit. Keskeiset liiketoimintaprosessit ja tarvittava tieto mallinnetaan mallin luomiseksi Dati sosiaalinen. Toinen vaihe sisältää määrittävän arkkitehtuurin kehittämisen Dati varastoidaan alueittain, tietokanta di tietovarasto, tarvittavat teknologiakomponentit, käyttöönottoon ja käyttöön tarvittava organisaatiotuki tietovarasto. Kolmas vaihe sisältää tarvittavien ohjelmistopakettien ja työkalujen valinnan. Neljäs vaihe on yksityiskohtainen suunnittelu ja rakentaminen tietovarasto. Ives toteaa, että varastoitavaksi Dati se on rajoitettu iteratiivinen prosessi.

Ives-lähestymistavan vahvuuksia ovat teknisten eritelmien käyttö tietovaatimusten määrittämisessä, strukturoidun prosessin käyttö tukemaan integrointia. tietovarasto, sopiva laitteiston ja ohjelmiston valinta sekä useiden esitystekniikoiden käyttö tietovarasto. Sen puutteet liittyvät monimutkaisuuteen. Toisiin kuuluu vaikeus kehittää monia tasoja tietokanta all'interno del tietovarasto kohtuullisessa ajassa ja kustannuksin.

Kimballin (1994) lähestymistapa Tietovarasto Malli

Kimball (1994) ehdotti viisi iteratiivista vaihetta a tietovarasto (katso kuvat 4). Hänen lähestymistapansa on erityisen omistautunut soolon piirtämiseen tietovarasto ja ulottuvuusmallien käyttö entiteetti- ja suhdemallien sijaan. Kimball analysoi näitä ulottuvuusmalleja, koska yritysjohtajien on helpompi ymmärtää liiketoimintaa, se on tehokkaampaa monimutkaisissa konsultaatioissa ja tietokanta fyysinen on tehokkaampi (Kimball 1994). Kimball myöntää, että kehittää a tietovarasto on iteratiivinen, ja se tietovarasto erotettu voidaan integroida jakamalla yhteisen mittasuhteen taulukoihin.

Ensimmäinen askel on tunnistaa tietty aihealue, jota on tarkoitus kehittää. Toinen ja kolmas vaihe sisältävät dimensiomuotoilun. Toisessa vaiheessa mitat tunnistavat aihealueen kiinnostavia asioita ja ryhmittelevät ne faktataulukkoon. Esimerkiksi myynnin aihealueella kiinnostavia mittareita voivat olla myytyjen tuotteiden määrä ja dollari myyntivaluuttana. Kolmas vaihe sisältää ulottuvuuksien tunnistamisen, jotka ovat tapoja, joilla tosiasiat voidaan ryhmitellä. Myynnin aihealueella relevantteja ulottuvuuksia voivat olla nimike, sijainti ja ajanjakso. Faktataulukossa on moniosainen avain sen linkittämiseksi kuhunkin ulottuvuustaulukkoon, ja se sisältää tyypillisesti erittäin suuren määrän faktoja. Sitä vastoin ulottuvuustaulukot sisältävät kuvaavia tietoja ulottuvuuksista ja muista attribuuteista, joita voidaan käyttää faktojen ryhmittelyyn. Ehdotettu liittyvä fakta- ja dimensiotaulukko muodostaa muotonsa vuoksi niin sanotun tähtiskeeman. Neljäs vaihe sisältää a tietokanta moniulotteinen täydentämään tähden kuviota. Viimeinen vaihe on lähdejärjestelmien tunnistaminen Dati vaaditaan ja kehitetään muunnosprosesseja sieppaamaan, puhdistamaan ja muotoilemaan i Dati.

Kimballin lähestymistavan vahvuuksiin kuuluu dimensiomallien käyttö edustamaan i Dati tallennettu, mikä tekee siitä helposti ymmärrettävän ja johtaa tehokkaaseen fyysiseen suunnitteluun. Dimensiomalli, joka myös käyttää helposti molempia järjestelmiä tietokanta relaatiojärjestelmät voivat olla täydellisiä tai järjestelmiä tietokanta moniulotteinen. Sen puutteita ovat joidenkin tekniikoiden puute, jotka helpottaisivat monien tähtijärjestelmien suunnittelua tai integrointia a tietovarasto ja vaikeus suunnitella äärimmäisen denormalisoidusta rakenteesta mittamallissa a Dati vanhassa järjestelmässä.

McFaddenin (1996) lähestymistapa tietoihin Varasuunnittelu

McFadden (1996) ehdottaa viisivaiheista lähestymistapaa a tietovarasto (katso kuva 5).
Hänen lähestymistapansa perustuu kirjallisuuden ideoiden synteesiin ja keskittyy singlen suunnitteluun tietovarasto. Ensimmäinen vaihe sisältää vaatimusanalyysin. Vaikka teknisiä eritelmiä ei ole määrätty, McFaddenin muistiinpanot yksilöivät kokonaisuudet Dati spesifikaatiot ja niiden attribuutit, ja viittaa lukijoihin Watson ja Frolick (1993) vaatimusten kaappaamiseen.
Toisessa vaiheessa piirretään suhde-entiteettimalli tietovarasto ja sitten yrityksen johtajat vahvistavat. Kolmas vaihe sisältää kartoituksen määrittämisen vanhoista järjestelmistä ja ulkoisista lähteistä tietovarasto. Neljäs vaihe sisältää kehitys-, käyttöönotto- ja synkronointiprosesseja Dati sisään tietovarasto. Viimeisessä vaiheessa järjestelmän toimitusta kehitetään painottaen käyttöliittymää. McFadden huomauttaa, että piirustusprosessi on yleensä iteratiivinen.

McFaddenin lähestymistavan vahvuuksia ovat yritysjohtajien osallistuminen vaatimusten määrittämiseen sekä resurssien tärkeys. Datiniiden puhdistus ja keräys. Sen puutteet ovat prosessin puute suuren projektin jakamiseksi tietovarasto monissa integroiduissa vaiheissa, ja

vaikeuksia ymmärtää kokonaisuuden ja suhdemalleja, joita käytetään suunnittelussa tietovarasto.

Ei vain ne, jotka ovat lähellä meitä, eivät valitse meitä.