ડેટા વેરહાઉસિંગ અને એન્ટરપ્રાઇઝ રિસોર્સ પ્લાનિંગ | DWH અને ERP

આર્કાઇવ ડાટી સેન્ટ્રલ : હિસ્ટરી ઇડી ઉત્ક્રાંતિ

90ના દાયકામાં કોર્પોરેટ ટેક્નોલોજીની બે પ્રબળ થીમ હતી i માહિતી વેરહાઉસ અને ERP. લાંબા સમયથી આ બે શક્તિશાળી પ્રવાહો ક્યારેય આંતરછેદ કર્યા વિના કોર્પોરેટ આઈટીના ભાગ રહ્યા છે. તે લગભગ એવું જ હતું કે તેઓ દ્રવ્ય અને વિરોધી બાબત છે. પરંતુ બંને ઘટનાઓની વૃદ્ધિ અનિવાર્યપણે તેમના આંતરછેદ તરફ દોરી ગઈ છે. આજે કંપનીઓ ERP સાથે શું કરવું તેની સમસ્યાનો સામનો કરી રહી છે અને માહિતી વેરહાઉસ. આ લેખ સમજાવશે કે સમસ્યાઓ શું છે અને તે કંપનીઓ દ્વારા કેવી રીતે સંબોધવામાં આવે છે.

શરૂઆતામા…

શરૂઆતમાં ત્યાં હતો માહિતી વેરહાઉસ. ડેટા વેરહાઉસ તે ટ્રાન્ઝેક્શન પ્રોસેસિંગ એપ્લિકેશન સિસ્ટમનો સામનો કરવા માટે થયો હતો. શરૂઆતના દિવસોમાં ની યાદશક્તિ dati તે ટ્રાન્ઝેક્શન પ્રોસેસિંગ એપ્લીકેશન્સ માટે માત્ર એક કાઉન્ટરપોઇન્ટ બનવાનો હતો. પરંતુ આજકાલ ઘણા વધુ અત્યાધુનિક દ્રષ્ટિકોણો છે જે એ માહિતી વેરહાઉસ. આજની દુનિયામાં માહિતી વેરહાઉસ તેને કોર્પોરેટ ઇન્ફોર્મેશન ફેક્ટરી કહી શકાય તેવા માળખામાં દાખલ કરવામાં આવે છે.

કોર્પોરેટ માહિતી ફેક્ટરી (CIF)

કોર્પોરેટ ઇન્ફર્મેશન ફેક્ટરીમાં પ્રમાણભૂત આર્કિટેક્ચરલ ઘટકો છે: કોડ એકીકરણ અને રૂપાંતર સ્તર જે એકીકૃત કરે છે dati જ્યારે હું dati તેઓ એપ્લિકેશન પર્યાવરણમાંથી ના પર્યાવરણમાં જાય છે માહિતી વેરહાઉસ કંપનીના; a માહિતી વેરહાઉસ કંપનીની જ્યાં i dati વિગતવાર અને સંકલિત ઇતિહાસ. આ માહિતી વેરહાઉસ એન્ટરપ્રાઇઝના પાયા તરીકે કામ કરે છે જેના પર પર્યાવરણના અન્ય તમામ ભાગો બનાવી શકાય છે માહિતી વેરહાઉસ; ઓપરેશનલ ડેટા સ્ટોર (ODS). ODS એ એક વર્ણસંકર માળખું છે જેમાં અમુક પાસાઓ હોય છે માહિતી વેરહાઉસ અને OLTP પર્યાવરણના અન્ય પાસાઓ; ડેટા માર્ટ, જ્યાં વિવિધ વિભાગો પાસે પોતાનું વર્ઝન હોઈ શકે છે માહિતી વેરહાઉસ; એ માહિતી વેરહાઉસ અન્વેષણ જ્યાં કંપનીના વિચારકો તેમની 72-કલાકની ક્વેરીઝ સબમિટ કરી શકે છે, જેમાં કોઈ હાનિકારક અસર થતી નથી. માહિતી વેરહાઉસ; અને નજીકની રેખા મેમરી, જેમાં dati જૂના અને dati જથ્થાબંધ વિગતો સસ્તામાં સંગ્રહિત કરી શકાય છે.

જ્યાં ERP ની સાથે જોડાય છે કોર્પોરેટ માહિતી ફેક્ટરી

ERP બે જગ્યાએ કોર્પોરેટ માહિતી ફેક્ટરી સાથે મર્જ થાય છે. મુખ્યત્વે બેઝલાઈન એપ્લિકેશન તરીકે કે જે i dati માટે અરજી માહિતી વેરહાઉસ. આ કિસ્સામાં આઇ dati, ટ્રાન્ઝેક્શન પ્રક્રિયાના ઉપ-ઉત્પાદન તરીકે જનરેટ થાય છે, સંકલિત અને લોડ કરવામાં આવે છે માહિતી વેરહાઉસ કંપનીના. ERP અને CIF વચ્ચેની બીજી કડી ODS છે. ખરેખર, ઘણા વાતાવરણમાં ERP નો ઉપયોગ ક્લાસિક ODS તરીકે થાય છે.

જો ERP નો ઉપયોગ મૂળભૂત એપ્લિકેશન તરીકે થાય છે, તો તે જ ERP નો ઉપયોગ CIF માં ODS તરીકે પણ થઈ શકે છે. કોઈ પણ સંજોગોમાં, જો ERP નો ઉપયોગ બંને ભૂમિકાઓમાં કરવાનો હોય, તો બે સંસ્થાઓ વચ્ચે સ્પષ્ટ તફાવત હોવો જોઈએ. બીજા શબ્દોમાં કહીએ તો, જ્યારે ERP બેઝ એપ્લીકેશન અને ODS ની ભૂમિકા ભજવે છે, ત્યારે બે આર્કિટેક્ચરલ એન્ટિટીને અલગ પાડવી આવશ્યક છે. જો ERP નું એક જ અમલીકરણ બંને ભૂમિકાઓ એકસાથે પૂર્ણ કરવાનો પ્રયાસ કરે તો તે ફ્રેમવર્કની રચના અને અમલીકરણમાં અનિવાર્યપણે સમસ્યાઓ આવશે.

ODS અને મૂળભૂત અરજીઓને અલગ કરો

આર્કિટેક્ચરલ ઘટકોના વિભાજન તરફ દોરી જતા ઘણા કારણો છે. કદાચ આર્કિટેક્ચરના વિવિધ ઘટકોને અલગ કરવામાં સૌથી વધુ કહેવાનો મુદ્દો એ છે કે આર્કિટેક્ચરના દરેક ઘટકનું પોતાનું દૃશ્ય છે. બેઝલાઈન એપ્લિકેશન ODS કરતાં અલગ હેતુ માટે કામ કરે છે. ઓવરલેપ કરવાનો પ્રયાસ કરો

ODS ની દુનિયા પર બેઝલાઈન એપ્લીકેશન વ્યુ અથવા તેનાથી ઊલટું કામ કરવાની યોગ્ય રીત નથી.

પરિણામે, CIF માં ERP ની પ્રથમ સમસ્યા એ છે કે બેઝલાઇન એપ્લીકેશન અને ODS વચ્ચે ભેદ છે કે કેમ તે ચકાસવું.

કોર્પોરેટમાં ડેટા મોડલ્સ માહિતી ફેક્ટરી

CIF આર્કિટેક્ચરના વિવિધ ઘટકો વચ્ચે સંકલન હાંસલ કરવા માટે, ત્યાં એક મોડેલ હોવું આવશ્યક છે dati. ના મોડેલો dati તેઓ આર્કિટેક્ચરના વિવિધ ઘટકો જેમ કે બેઝલાઇન એપ્લીકેશન્સ અને ODS વચ્ચેની કડી તરીકે સેવા આપે છે. ના મોડેલો dati તેઓ CIF ના વિવિધ આર્કિટેક્ચરલ ઘટકોમાંથી યોગ્ય અર્થ મેળવવા માટે "બૌદ્ધિક માર્ગ નકશો" બની જાય છે.

આ કલ્પના સાથે હાથ જોડીને, વિચાર આવે છે કે એક મોટી અને એક જ પેટર્ન હોવી જોઈએ dati. દેખીતી રીતે ની પેટર્ન હોવી જોઈએ dati દરેક ઘટકો માટે અને વધુમાં અલગ-અલગ મોડલ્સને જોડતો સમજદાર રસ્તો હોવો જોઈએ. આર્કિટેક્ચરના દરેક ઘટક - ODS, બેઝલાઇન એપ્લિકેશન્સ, માહિતી વેરહાઉસ કંપનીના, અને તેથી વધુ.. - તેના પોતાના મોડેલની જરૂર છે dati. અને તેથી આ મોડેલો કેવી રીતે છે તેની ચોક્કસ વ્યાખ્યા હોવી જોઈએ dati તેઓ એકબીજા સાથે ઇન્ટરફેસ કરે છે.

હું ખસેડો ડાટી ERP તારીખની વેરહાઉસ

જો મૂળ dati બેઝલાઇન એપ્લિકેશન અને/અથવા ODS છે, જ્યારે ERP દાખલ કરે છે i dati નેલ માહિતી વેરહાઉસ, આ નિવેશ "ગ્રેન્યુલારિટી" ના સૌથી નીચા સ્તરે થવો જોઈએ. ફક્ત રીકેપ અથવા એકંદર i dati કારણ કે તેઓ ERP બેઝલાઈન એપ્લિકેશનમાંથી બહાર આવે છે અથવા ERP ODS એ યોગ્ય બાબત નથી. ધ dati માં વિગતો જરૂરી છે માહિતી વેરહાઉસ DSS પ્રક્રિયાનો આધાર બનાવવા માટે. આવા dati ડેટા માર્ટ્સ અને એક્સપ્લોરેશન દ્વારા તેમને ઘણી રીતે પુનઃઆકાર આપવામાં આવશે માહિતી વેરહાઉસ.

નું વિસ્થાપન dati ERP બેઝલાઇન એપ્લિકેશન પર્યાવરણથી માહિતી વેરહાઉસ કંપનીનું કામ વ્યાજબી રીતે હળવાશથી કરવામાં આવે છે. આ હિલચાલ ERP માં અપડેટ અથવા બનાવટના લગભગ 24 કલાક પછી થાય છે. ની "આળસુ" ચળવળ હોવાની હકીકત dati નેલ માહિતી વેરહાઉસ કંપની પરવાનગી આપે છે dati ERP માંથી "પતાવટ" પર આવે છે. એકવાર હું dati બેઝલાઇન એપ્લિકેશનમાં સંગ્રહિત થાય છે, પછી તમે સુરક્ષિત રીતે ખસેડી શકો છો dati એન્ટરપ્રાઇઝમાં ERP ના. અન્ય ધ્યેય કે જે "આળસુ" ચળવળ માટે આભાર પ્રાપ્ત કરી શકાય છે dati ઓપરેશનલ પ્રક્રિયાઓ અને DSS વચ્ચે સ્પષ્ટ સીમાંકન છે. ની "ઝડપી" ચળવળ સાથે dati DSS અને ઓપરેશનલ વચ્ચેની રેખા અસ્પષ્ટ રહે છે.

ની ચળવળ dati ERP ના ODS થી માહિતી વેરહાઉસ કંપનીના સમયાંતરે કરવામાં આવે છે, સામાન્ય રીતે સાપ્તાહિક અથવા માસિક. આ કિસ્સામાં ની હિલચાલ dati તે જૂનાને "સાફ" કરવાની જરૂરિયાત પર આધારિત છે dati ઇતિહાસકારો સ્વાભાવિક રીતે, ODS માં i dati જે કરતાં ઘણી નવી છે dati ઇતિહાસકારોમાં જોવા મળે છે માહિતી વેરહાઉસ.

નું વિસ્થાપન dati નેલ માહિતી વેરહાઉસ તે લગભગ ક્યારેય "હોલસેલ" (જથ્થાબંધ વેપારી રીતે) કરવામાં આવતું નથી. ERP પર્યાવરણમાંથી કોષ્ટકની નકલ કરો માહિતી વેરહાઉસ તે અર્થમાં નથી. ના પસંદગીના એકમોને ખસેડવાનો વધુ વાસ્તવિક અભિગમ છે dati. માત્ર આ dati જે છેલ્લા અપડેટ પછી બદલાઈ ગઈ છે માહિતી વેરહાઉસ માં ખસેડવા જોઈએ તે છે માહિતી વેરહાઉસ. જે જાણવાની એક રીત dati ના ટાઇમસ્ટેમ્પ જોવા માટે છેલ્લું અપડેટ છે ત્યારથી બદલાઈ ગયું છે dati ERP પર્યાવરણમાં જોવા મળે છે. ડિઝાઇનર છેલ્લી અપડેટ પછી થયેલા તમામ ફેરફારો પસંદ કરે છે. અન્ય અભિગમ એ પરિવર્તન કેપ્ચર તકનીકોનો ઉપયોગ કરવાનો છે dati. આ તકનીકો સાથે લોગ અને જર્નલ ટેપનું વિશ્લેષણ કરવામાં આવે છે તે નક્કી કરવા માટે કે કઈ છે dati ERP પર્યાવરણમાંથી તેના પર ખસેડવું આવશ્યક છે માહિતી વેરહાઉસ. આ તકનીકો શ્રેષ્ઠ છે કારણ કે અન્ય ERP સંસાધનો પર વધુ અસર કર્યા વિના લોગ અને જર્નલ ટેપ ERP ફાઇલોમાંથી વાંચી શકાય છે.

અન્ય ગૂંચવણો

CIF માં ERP સમસ્યાઓ પૈકીની એક એ છે કે અન્ય એપ્લિકેશન સ્ત્રોતો અથવા ai સાથે શું થાય છે dati ODS ના જેમાં યોગદાન આપવું આવશ્યક છે માહિતી વેરહાઉસ પરંતુ તેઓ ERP પર્યાવરણનો ભાગ નથી. ERP ના બંધ સ્વભાવને જોતાં, ખાસ કરીને SAP, બાહ્ય સ્ત્રોતોમાંથી કીને એકીકૃત કરવાનો પ્રયાસ કરે છે dati હું સાથે dati જે ખસેડતી વખતે ERP માંથી આવે છે i dati નેલ માહિતી વેરહાઉસ, તે એક મોટો પડકાર છે. અને બરાબર શું સંભાવનાઓ છે કે i dati ERP પર્યાવરણની બહારની એપ્લીકેશનો અથવા ODS માં સંકલિત કરવામાં આવશે માહિતી વેરહાઉસ? મતભેદ વાસ્તવમાં ખૂબ ઊંચા છે.

શોધો ડાટી ERP માંથી ઐતિહાસિક

સાથે બીજી સમસ્યા dati ERP એ છે કે જે હોવું જરૂરી છે dati ની અંદર ઐતિહાસિક માહિતી વેરહાઉસ. સામાન્ય રીતે આ માહિતી વેરહાઉસ જરૂરિયાતો dati ઇતિહાસકારો અને ERP ટેક્નોલોજી સામાન્ય રીતે આનો સંગ્રહ કરતી નથી dati ઐતિહાસિક, ઓછામાં ઓછું તે હદ સુધી નહીં કે તે માં જરૂરી છે માહિતી વેરહાઉસ. જ્યારે મોટી માત્રામાં dati લોગ્સ ERP પર્યાવરણમાં ઉમેરવાનું શરૂ કરે છે, તે પર્યાવરણને સાફ કરવાની જરૂર છે. ઉદાહરણ તરીકે, ધારો કે એ માહિતી વેરહાઉસ પાંચ વર્ષ સાથે લોડ થયેલ હોવું જોઈએ dati ઐતિહાસિક જ્યારે ERP આમાંથી વધુમાં વધુ છ મહિના રાખે છે dati. જ્યાં સુધી કંપની સંખ્યાબંધ એકત્રિત કરવા માટે સંતુષ્ટ છે dati જેમ જેમ સમય પસાર થાય છે તેમ તેમ ઐતિહાસિક, પછી સ્ત્રોત તરીકે ERP નો ઉપયોગ કરવામાં કોઈ સમસ્યા નથી માહિતી વેરહાઉસ. પરંતુ જ્યારે ધ માહિતી વેરહાઉસ સમયસર પાછા જવું જોઈએ અને દેવતાઓ લેવા જોઈએ dati ઇતિહાસ કે જે અગાઉ ERP દ્વારા એકત્રિત અને સાચવવામાં આવ્યો નથી, પછી ERP પર્યાવરણ બિનકાર્યક્ષમ બની જાય છે.

ERP અને મેટાડેટા

ERP વિશે અન્ય વિચારણા અને માહિતી વેરહાઉસ ERP પર્યાવરણમાં હાલના મેટાડેટા પરનો એક છે. જેમ મેટાડેટા ERP પર્યાવરણમાંથી આ તરફ જાય છે માહિતી વેરહાઉસ, મેટાડેટા એ જ રીતે ખસેડવા જોઈએ. વધુમાં, મેટાડેટાને ઈન્ફ્રાસ્ટ્રક્ચર દ્વારા જરૂરી ફોર્મેટ અને સ્ટ્રક્ચરમાં રૂપાંતરિત કરવું આવશ્યક છે માહિતી વેરહાઉસ. ઓપરેશનલ મેટાડેટા અને DSS મેટાડેટા વચ્ચે મોટો તફાવત છે. ઓપરેશનલ મેટાડેટા મોટાભાગે ડેવલપર અને માટે છે

પ્રોગ્રામર DSS મેટાડેટા મુખ્યત્વે અંતિમ વપરાશકર્તા માટે છે. ERP એપ્લિકેશનો અથવા ODS માં હાલના મેટાડેટાને રૂપાંતરિત કરવાની જરૂર છે અને આ રૂપાંતર હંમેશા સરળ અને સીધું હોતું નથી.

ERP ડેટા સોર્સિંગ

જો ERP નો પ્રદાતા તરીકે ઉપયોગ થાય છે dati દીઠ IL માહિતી વેરહાઉસ ત્યાં એક નક્કર ઇન્ટરફેસ હોવું જોઈએ જે i dati ERP પર્યાવરણથી પર્યાવરણ સુધી માહિતી વેરહાઉસ. ઇન્ટરફેસ આવશ્યક છે:

• ▪ વાપરવા માટે સરળ હોય
• ▪ ઍક્સેસ કરવાની મંજૂરી આપો dati ERP ના
• ▪ નો અર્થ પસંદ કરો dati જેને ખસેડવામાં આવી રહ્યા છે માહિતી વેરહાઉસ
• ▪ ERP ની મર્યાદાઓ જાણો જે એક્સેસ કરતી વખતે ઊભી થઈ શકે છે dati ERP ના:
• ▪ સંદર્ભિત અખંડિતતા
• ▪ શ્રેણીબદ્ધ સંબંધો
• ▪ ગર્ભિત તાર્કિક સંબંધો
• ▪ અરજી સંમેલન
• ▪ ની તમામ રચનાઓ dati ERP દ્વારા સમર્થિત, અને તેથી વધુ ...
• ▪ ઍક્સેસ કરવામાં સક્ષમ બનો dati, પ્રદાન કરીને:
• ▪ ની સીધી હિલચાલ dati
• ▪ પરિવર્તનનું સંપાદન dati
• ▪ સમયસર ઍક્સેસને સમર્થન આપે છે dati
• ▪ ના ફોર્મેટને સમજો dati, અને તેથી વધુ… SAP સાથે ઇન્ટરફેસ ઇન્ટરફેસ બે પ્રકારના હોઈ શકે છે, હોમગ્રોન અથવા કોમર્શિયલ. કેટલાક મુખ્ય વ્યાપારી ઇન્ટરફેસમાં નીચેનાનો સમાવેશ થાય છે:

• ▪ SAS
• ▪ પ્રાઇમ સોલ્યુશન્સ
• ▪ D2k, વગેરે... બહુવિધ ERP તકનીકો ERP પર્યાવરણને એક જ ટેક્નોલોજીની જેમ સારવાર કરવી એ મોટી ભૂલ છે. ઘણી ERP તકનીકો છે, દરેક તેની શક્તિઓ સાથે. બજારમાં સૌથી જાણીતા વિક્રેતાઓ છે:

• ▪ SAP
• ▪ ઓરેકલ ફાઇનાન્સિયલ્સ
• ▪ પીપલ સોફ્ટ
• જેડી એડવર્ડ્સ
• ▪ બાન્સ એસએપી SAP એ સૌથી મોટું અને સૌથી વ્યાપક ERP સોફ્ટવેર છે. SAP એપ્લીકેશનમાં ઘણા ક્ષેત્રોમાં અનેક પ્રકારની એપ્લિકેશનોનો સમાવેશ થાય છે. SAP આ માટે પ્રતિષ્ઠા ધરાવે છે:

• ▪ ખૂબ મોટું
• ▪ અમલમાં મૂકવું ખૂબ જ મુશ્કેલ અને ખર્ચાળ છે
• ▪ અમલીકરણ માટે ઘણા લોકો અને સલાહકારોની જરૂર છે
• ▪ અમલીકરણ માટે વિશિષ્ટ લોકોની જરૂર છે
• ▪ અમલ કરવા માટે ઘણો સમય જોઈએ છે તેમજ SAP તેની યાદ રાખવા માટે પ્રતિષ્ઠા ધરાવે છે dati નજીકથી, SAP વિસ્તારની બહારની વ્યક્તિ માટે તેમને ઍક્સેસ કરવાનું મુશ્કેલ બનાવે છે. SAP ની તાકાત એ છે કે તે મોટી માત્રામાં કેપ્ચર અને સ્ટોર કરવામાં સક્ષમ છે dati. SAPએ તાજેતરમાં તેની અરજીઓને વિસ્તારવા માટેના તેના ઇરાદાની જાહેરાત કરી માહિતી વેરહાઉસ. વિક્રેતા તરીકે SAP નો ઉપયોગ કરવાના ઘણા ગુણદોષ છે માહિતી વેરહાઉસ. એક ફાયદો એ છે કે SAP પહેલેથી જ ઇન્સ્ટોલ કરેલ છે અને મોટાભાગના સલાહકારો પહેલેથી જ SAP થી પરિચિત છે.
  ના સપ્લાયર તરીકે SAP રાખવાના ગેરફાયદા માહિતી વેરહાઉસ ઘણા છે: SAP ની દુનિયામાં કોઈ અનુભવ નથી માહિતી વેરહાઉસ જો SAP ના સપ્લાયર છે માહિતી વેરહાઉસ, તે "બહાર લેવા" જરૂરી છે i dati SAP અલ તરફથી માહિતી વેરહાઉસ. તારીખ બંધ સિસ્ટમનો SAP નો ટ્રેક રેકોર્ડ, તેમાં SAP થી i મેળવવું સરળ હોવાની શક્યતા નથી (???). SAP ને શક્તિ આપતા ઘણા વારસાગત વાતાવરણ છે, જેમ કે IMS, VSAM, ADABAS, ORACLE, DB2, અને બીજું. SAP "અહીં શોધાયેલ નથી" અભિગમ પર ભાર મૂકે છે. SAP નો ઉપયોગ કરવા અથવા બનાવવા માટે અન્ય વિક્રેતાઓ સાથે ભાગીદારી કરવા માંગતી નથી માહિતી વેરહાઉસ. SAP પોતાના તમામ સોફ્ટવેર પોતે જ જનરેટ કરવાનો આગ્રહ રાખે છે.

SAP એક મોટી અને શક્તિશાળી કંપની હોવા છતાં, ELT, OLAP, સિસ્ટમ એડમિનિસ્ટ્રેશન અને કોડ બેઝની તકનીકને ફરીથી લખવાનો પ્રયાસ કરવાની હકીકત ડીબીએમએસ તે માત્ર પાગલ છે. સપ્લાયરો સાથે સહકારી વલણ અપનાવવાને બદલે માહિતી વેરહાઉસ લાંબા સમયથી, SAP એ અભિગમને અનુસરે છે કે તેઓ "શ્રેષ્ઠ રીતે જાણે છે". આ વલણ SAP ના ક્ષેત્રમાં મેળવી શકે તેવી સફળતાને રોકે છે માહિતી વેરહાઉસ.
SAP નો બાહ્ય વિક્રેતાઓને તાત્કાલિક અને આકર્ષક રીતે તેમની ઍક્સેસ કરવાની મંજૂરી આપવાનો ઇનકાર dati. એનો ઉપયોગ કરવાનો ખૂબ જ સાર માહિતી વેરહાઉસ માટે સરળ ઍક્સેસ છે dati. SAP ની આખી વાર્તા તેને ઍક્સેસ કરવી મુશ્કેલ બનાવવા પર આધારિત છે dati.
ના મોટા જથ્થા સાથે વ્યવહાર કરવામાં એસએપીનો અનુભવનો અભાવ dati; ક્ષેત્રમાં માહિતી વેરહાઉસ ના વોલ્યુમો છે dati SAP માંથી અને આ મોટી માત્રામાં હેન્ડલ કરવા માટે ક્યારેય જોયું નથી dati તમારી પાસે યોગ્ય ટેકનોલોજી હોવી જરૂરી છે. SAP દેખીતી રીતે આ તકનીકી અવરોધથી વાકેફ નથી જે ના ક્ષેત્રમાં પ્રવેશવા માટે અસ્તિત્વમાં છે માહિતી વેરહાઉસ.
SAP નું કોર્પોરેટ કલ્ચર: SAP એ i મેળવવામાં ધંધો બાંધ્યો છે dati સિસ્ટમમાંથી. પરંતુ આ કરવા માટે તમારી પાસે અલગ માનસિકતા હોવી જરૂરી છે. પરંપરાગત રીતે, સૉફ્ટવેર કંપનીઓ કે જેઓ પર્યાવરણમાં ડેટા મેળવવામાં સારી હતી તેઓ બીજી રીતે જવા માટે ડેટા મેળવવામાં સારી નથી. જો SAP આ પ્રકારની સ્વીચ બનાવવાનું મેનેજ કરે છે, તો તે આવું કરનાર પ્રથમ કંપની હશે.

ટૂંકમાં, કંપનીએ SAP ને સપ્લાયર તરીકે પસંદ કરવી જોઈએ કે કેમ તે પ્રશ્નાર્થ છે માહિતી વેરહાઉસ. એક તરફ ખૂબ જ ગંભીર જોખમો છે અને બીજી તરફ બહુ ઓછા પુરસ્કારો છે. પરંતુ એક અન્ય કારણ છે જે સપ્લાયર તરીકે SAP ને પસંદ કરવાનું નિરુત્સાહિત કરે છે માહિતી વેરહાઉસ. કારણ કે દરેક કંપનીમાં સમાન હોવું જોઈએ માહિતી વેરહાઉસ અન્ય તમામ કંપનીઓની? આ માહિતી વેરહાઉસ તે સ્પર્ધાત્મક લાભનું હૃદય છે. જો દરેક કંપની એ જ અપનાવે માહિતી વેરહાઉસ સ્પર્ધાત્મક લાભ હાંસલ કરવો મુશ્કેલ છે, જોકે અશક્ય નથી. SAP એવું લાગે છે કે એ માહિતી વેરહાઉસ કૂકી તરીકે જોઈ શકાય છે અને આ તેમની એપ્લીકેશનમાં "ડેટા મેળવો"ની માનસિકતાની બીજી નિશાની છે.

SAP જેટલો અન્ય કોઈ ERP વિક્રેતા પ્રબળ નથી. નિઃશંકપણે એવી કંપનીઓ હશે જે તેમના માટે SAP માર્ગ પર જશે માહિતી વેરહાઉસ પરંતુ સંભવતઃ આ માહિતી વેરહાઉસ SAPs બનાવવા માટે મોટા, ખર્ચાળ અને સમય માંગી લેનાર હશે.

આ વાતાવરણમાં બેંક ટેલર પ્રોસેસિંગ, એરલાઇન રિઝર્વેશન પ્રક્રિયાઓ, વીમા ફરિયાદ પ્રક્રિયાઓ વગેરે જેવી પ્રવૃત્તિઓનો સમાવેશ થાય છે. ટ્રાન્ઝેક્શન સિસ્ટમ જેટલી સારી રીતે પરફોર્મ કરી રહી છે, ઓપરેશનલ પ્રક્રિયા અને DSS (ડિસિઝન સપોર્ટ સિસ્ટમ) વચ્ચે અલગ થવાની જરૂરિયાત વધુ સ્પષ્ટ હતી. જો કે, એચઆર અને કર્મચારી પ્રણાલી સાથે, તમારે ક્યારેય મોટા પ્રમાણમાં વ્યવહારોનો સામનો કરવો પડતો નથી. અને, અલબત્ત, જ્યારે કોઈ વ્યક્તિને નોકરી પર રાખવામાં આવે છે અથવા કંપની છોડે છે ત્યારે આ વ્યવહારનો રેકોર્ડ છે. પરંતુ અન્ય પ્રણાલીઓની તુલનામાં, એચઆર અને કર્મચારી પ્રણાલીઓમાં ફક્ત ઘણા વ્યવહારો હોતા નથી. તેથી, એચઆર અને કર્મચારી પ્રણાલીઓમાં તે સંપૂર્ણપણે સ્પષ્ટ નથી કે ડેટાવેરહાઉસની જરૂર છે. ઘણી રીતે આ સિસ્ટમો ડીએસએસ સિસ્ટમ્સનું એકીકરણ છે.

પરંતુ ડેટાવેરહાઉસ અને પીપલસોફ્ટ સાથે કામ કરતી વખતે અન્ય એક પરિબળ ધ્યાનમાં લેવું આવશ્યક છે. ઘણા વર્તુળોમાં, i dati HR અને વ્યક્તિગત સંસાધનો કંપનીના પ્રાથમિક વ્યવસાય માટે ગૌણ છે. મોટાભાગની કંપનીઓ ઉત્પાદન, વેચાણ, સેવાઓ પૂરી પાડી રહી છે વગેરે વગેરે. એચઆર અને કર્મચારી પ્રણાલીઓ સામાન્ય રીતે કંપનીના વ્યવસાયની મુખ્ય લાઇન માટે ગૌણ (અથવા સહાયક) હોય છે. તેથી, તે અસ્પષ્ટ અને અસુવિધાજનક છે a માહિતી વેરહાઉસ એચઆર અને વ્યક્તિગત સંસાધન સહાય માટે અલગ.

પીપલસોફ્ટ આ બાબતમાં SAP કરતાં ઘણું અલગ છે. SAP સાથે, તે ફરજિયાત છે કે ત્યાં એ માહિતી વેરહાઉસ. પીપલસોફ્ટ સાથે, તે બધું એટલું સ્પષ્ટ નથી. પીપલસોફ્ટ સાથે ડેટા વેરહાઉસ વૈકલ્પિક છે.

માટે કહી શકાય તે શ્રેષ્ઠ વસ્તુ dati પીપલસોફ્ટ એ છે કે ધ માહિતી વેરહાઉસ આર્કાઇવ કરવા માટે વાપરી શકાય છે i dati જૂના માનવ અને વ્યક્તિગત સંસાધનો સાથે સંબંધિત. કંપની શા માટે ઉપયોગ કરવા માંગે છે તેનું બીજું કારણ માહિતી વેરહાઉસ a

પીપલસોફ્ટ એન્વાયર્નમેન્ટનો ગેરલાભ એ છે કે એનાલિસિસ ટૂલ્સને એક્સેસ અને ફ્રી એક્સેસની મંજૂરી આપવી. dati પીપલસોફ્ટ દ્વારા. પરંતુ આ કારણો ઉપરાંત, એવા કિસ્સાઓ હોઈ શકે છે કે જ્યાં ડેટા વેરહાઉસ ન રાખવું વધુ સારું છે dati પીપલસોફ્ટ.

સારમાં

એવા ઘણા વિચારો છે જે a ના બાંધકામ સાથે સંબંધિત છે માહિતી વેરહાઉસ ERP સોફ્ટવેરની અંદર.
આમાંના કેટલાક છે:

• ▪ એ હોવું અર્થપૂર્ણ છે માહિતી વેરહાઉસ ઉદ્યોગમાં બીજા જેવો કોણ દેખાય છે?
• ▪ ERP કેટલી લવચીક છે માહિતી વેરહાઉસ સ softwareફ્ટવેર?
• ▪ એક ERP માહિતી વેરહાઉસ સોફ્ટવેર વોલ્યુમ હેન્ડલ કરી શકે છે dati જે "માહિતી વેરહાઉસ અખાડો"?
• ▪ સરળ અને સસ્તું, સમય માંગી લે તેવી પરિસ્થિતિમાં ERP વિક્રેતા ટ્રેસ લોગિંગ શું કરે છે dati? (સસ્તી, સમયસર, ડેટા એક્સેસ કરવા માટે સરળ ડિલિવરી પર ERP વિક્રેતાઓનો ટ્રેક રેકોર્ડ શું છે?)
• ▪ DSS આર્કિટેક્ચર અને કોર્પોરેટ માહિતી ફેક્ટરી વિશે ERP વિક્રેતાની સમજ શું છે?
• ▪ ERP વિક્રેતાઓ સમજે છે કે કેવી રીતે મેળવવું dati પર્યાવરણની અંદર, પણ તેમને નિકાસ કેવી રીતે કરવી તે પણ સમજવું?
• ▪ ડેટા વેરહાઉસિંગ ટૂલ્સ માટે ERP વિક્રેતા કેટલા ખુલ્લા છે?
  ક્યાં મૂકવું તે નક્કી કરતી વખતે આ બધી વિચારણાઓ કરવી આવશ્યક છે માહિતી વેરહાઉસ જે હોસ્ટ કરશે i dati ERP અને અન્ય dati. સામાન્ય રીતે, જ્યાં સુધી અન્યથા કરવા માટે કોઈ અનિવાર્ય કારણ ન હોય, તો મકાન બનાવવાની ભલામણ કરવામાં આવે છે માહિતી વેરહાઉસ ERP વિક્રેતા વાતાવરણની બહાર. પ્રકરણ 1 BI સંસ્થાના મુખ્ય મુદ્દાઓની ઝાંખી:
  માહિતી ભંડાર બિઝનેસ ઇન્ટેલિજન્સ (BI) આર્કિટેક્ચરની વિરુદ્ધ રીતે કામ કરે છે:
  કોર્પોરેટ કલ્ચર અને IT BI સંસ્થાઓ બનાવવાની સફળતાને મર્યાદિત કરી શકે છે.

ટેક્નોલોજી હવે BI સંસ્થાઓ માટે મર્યાદિત પરિબળ નથી. આર્કિટેક્ટ્સ અને પ્રોજેક્ટ પ્લાનર્સ માટે સમસ્યા એ નથી કે ટેક્નોલોજી અસ્તિત્વમાં છે કે કેમ, પરંતુ તેઓ ઉપલબ્ધ ટેક્નોલોજીને અસરકારક રીતે અમલમાં મૂકી શકે છે કે કેમ.

ઘણી કંપનીઓ માટે એ માહિતી વેરહાઉસ નિષ્ક્રિય થાપણ કરતાં થોડું વધારે છે જે i વિતરણ કરે છે dati જે વપરાશકર્તાઓને તેની જરૂર છે. ધ dati સ્ત્રોત સિસ્ટમોમાંથી કાઢવામાં આવે છે અને દ્વારા લક્ષ્ય માળખામાં રચાય છે માહિતી વેરહાઉસ. હું dati તેઓ કોઈપણ નસીબ સાથે પણ સાફ કરી શકાય છે. જો કે દ્વારા કોઈ વધારાનું મૂલ્ય ઉમેરવામાં કે એકત્રિત કરવામાં આવતું નથી dati આ પ્રક્રિયા દરમિયાન.

અનિવાર્યપણે, નિષ્ક્રિય dw, શ્રેષ્ઠ રીતે, માત્ર i પ્રદાન કરે છે dati સ્વચ્છ અને વપરાશકર્તા સંગઠનો માટે કાર્યરત. માહિતી નિર્માણ અને વિશ્લેષણાત્મક સમજ સંપૂર્ણપણે વપરાશકર્તાઓ પર આધારિત છે. નક્કી કરવું કે શું DW (ડેટા વેરહાઉસ) શું સફળતા વ્યક્તિલક્ષી છે. જો આપણે કાર્યક્ષમ રીતે એકત્રિત, સંકલિત અને સાફ કરવાની ક્ષમતા પર સફળતાનું મૂલ્યાંકન કરીએ તો i dati અનુમાનિત ધોરણે કોર્પોરેટ, તો હા, DW સફળ છે. બીજી બાજુ, જો આપણે સમગ્ર સંસ્થાની માહિતીના સંગ્રહ, એકત્રીકરણ અને શોષણને જોઈએ, તો DW નિષ્ફળ છે. DW ઓછી અથવા કોઈ માહિતી મૂલ્ય પ્રદાન કરે છે. પરિણામે, વપરાશકર્તાઓને ડુ કરવાની ફરજ પડે છે, આમ માહિતી સિલોઝ બનાવે છે. આ પ્રકરણ એન્ટરપ્રાઇઝ BI(બિઝનેસ ઇન્ટેલિજન્સ) આર્કિટેક્ચરને રીકેપ કરવા માટે એક વ્યાપક દ્રષ્ટિ રજૂ કરે છે. અમે BI ના વર્ણનથી શરૂઆત કરીએ છીએ અને પછી માહિતી ડિઝાઇન અને વિકાસની ચર્ચામાં આગળ વધીએ છીએ, જે ફક્ત પ્રદાન કરવાના વિરોધમાં dati વપરાશકર્તાઓ માટે. ચર્ચાઓ પછી તમારા BI પ્રયત્નોના મૂલ્યની ગણતરી કરવા પર ધ્યાન કેન્દ્રિત કરે છે. IBM તમારી સંસ્થાની BI આર્કિટેક્ચરલ જરૂરિયાતોને કેવી રીતે સંબોધે છે તે વ્યાખ્યાયિત કરીને અમે નિષ્કર્ષ કાઢીએ છીએ.

ના આર્કિટેક્ચરનું વર્ણન BI નું સંગઠન

શક્તિશાળી ટ્રાન્ઝેક્શન-ઓરિએન્ટેડ ઇન્ફર્મેશન સિસ્ટમ્સ હવે દરેક મોટા એન્ટરપ્રાઇઝમાં દિવસનો ક્રમ છે, જે વિશ્વભરના કોર્પોરેશનો માટે અસરકારક રીતે રમતનું ક્ષેત્ર બનાવે છે.

જો કે, સ્પર્ધાત્મક રહેવા માટે, હવે વિશ્લેષણાત્મક લક્ષી સિસ્ટમોની જરૂર છે જે કંપનીની તેમની પાસે પહેલાથી છે તે માહિતીને ફરીથી શોધવા અને તેનો ઉપયોગ કરવાની ક્ષમતામાં ક્રાંતિ લાવી શકે છે. આ વિશ્લેષણાત્મક પ્રણાલીઓ ની સંપત્તિમાંથી સમજણ મેળવે છે dati ઉપલબ્ધ. BI સમગ્ર એન્ટરપ્રાઇઝની તમામ માહિતીમાં પ્રદર્શન સુધારી શકે છે. વ્યવસાયો ગ્રાહક-સપ્લાયર સંબંધોને સુધારી શકે છે, ઉત્પાદન અને સેવાની નફાકારકતામાં સુધારો કરી શકે છે, નવા અને વધુ સારા સોદા જનરેટ કરી શકે છે, જોખમને નિયંત્રિત કરી શકે છે અને અન્ય ઘણા લાભો વચ્ચે ખર્ચમાં ભારે ઘટાડો કરી શકે છે. BI સાથે, તમારી કંપની આખરે ગ્રાહકોની માહિતીનો ઉપયોગ સ્પર્ધાત્મક સંપત્તિ તરીકે કરવાનું શરૂ કરે છે, જેનો બજાર ઉદ્દેશ્યો હોય તેવી એપ્લિકેશનને આભારી છે.

વ્યવસાયના યોગ્ય માધ્યમો હોવાનો અર્થ એ છે કે મુખ્ય પ્રશ્નોના ચોક્કસ જવાબો છે જેમ કે:

• ▪ આપણામાંથી કયું ગ્રાહકો શું તેઓ અમને વધુ કમાણી કરાવે છે, અથવા તેઓ અમને પૈસા ગુમાવે છે?
• ▪ જ્યાં આપણું શ્રેષ્ઠ રહે છે ગ્રાહકો ના સંબંધમાં દુકાન/ વેરહાઉસ તેઓ વારંવાર?
• ▪ અમારી કઈ પ્રોડક્ટ અને સેવાઓ સૌથી વધુ અસરકારક રીતે અને કોને વેચી શકાય છે?
• ▪ કયા ઉત્પાદનો સૌથી વધુ અસરકારક રીતે અને કોને વેચી શકાય?
• ▪ કઈ વેચાણ ઝુંબેશ વધુ સફળ છે અને શા માટે?
• ▪ કયા ઉત્પાદનો માટે વેચાણ ચેનલો સૌથી વધુ અસરકારક છે?
• ▪ આપણે આપણા શ્રેષ્ઠ સાથે સંબંધો કેવી રીતે સુધારી શકીએ ગ્રાહકો? મોટાભાગની કંપનીઓ પાસે છે dati આ પ્રશ્નોના જવાબ આપવા માટે કઠોર.
  ઓપરેશનલ સિસ્ટમ્સ મોટા પ્રમાણમાં ઉત્પાદન, ગ્રાહક અને ખર્ચ પેદા કરે છે dati વેચાણના મુદ્દાઓ, આરક્ષણો, ગ્રાહક સેવા અને તકનીકી સપોર્ટ સિસ્ટમ્સમાંથી. આ માહિતીને બહાર કાઢવા અને તેનો ઉપયોગ કરવાનો પડકાર છે. ઘણી કંપનીઓ તેમના નાના અપૂર્ણાંકમાંથી જ નફો કરે છે dati વ્યૂહાત્મક વિશ્લેષણ માટે.
  I dati બાકી, ઘણીવાર i સાથે જોડાયા dati બહારના સ્ત્રોતો જેમ કે સરકારી અહેવાલો અને અન્ય ખરીદેલી માહિતી મેળવવી એ સોનાની ખાણ છે જે ફક્ત અન્વેષણની રાહ જોઈ રહી છે, અને dati તેમને ફક્ત તમારી સંસ્થાના માહિતીના સંદર્ભમાં શુદ્ધ કરવાની જરૂર છે.

આ જ્ઞાનને ઘણી રીતે લાગુ કરી શકાય છે, જેમાં એકંદર કોર્પોરેટ વ્યૂહરચના તૈયાર કરવાથી માંડીને સપ્લાયરો સાથે વ્યક્તિગત સંચાર, કોલ સેન્ટર્સ, ઇન્વોઇસિંગ દ્વારા, ઈન્ટરનેટ અને અન્ય મુદ્દાઓ. આજનું વ્યાપાર વાતાવરણ સૂચવે છે કે DW અને સંબંધિત BI સોલ્યુશન્સ પરંપરાગત વ્યાપાર માળખાં ચલાવવાની બહાર વિકસિત થાય છે. dati જે i dati અણુ-સ્તર નોર્મલાઇઝ્ડ અને "સ્ટાર/ક્યુબ ફાર્મ્સ".

એક વ્યાપક વિશ્લેષણાત્મક લેન્ડસ્કેપને ટેકો આપવાના પ્રયાસમાં સ્પર્ધાત્મક રહેવા માટે પરંપરાગત અને અદ્યતન તકનીકોનું મિશ્રણ કરવું જરૂરી છે.
અંતે, સામાન્ય વાતાવરણે સમગ્ર રીતે કંપનીના જ્ઞાનમાં સુધારો કરવો જોઈએ, ખાતરી કરવી જોઈએ કે હાથ ધરવામાં આવેલા વિશ્લેષણના પરિણામે લેવામાં આવેલી ક્રિયાઓ ઉપયોગી છે જેથી દરેકને ફાયદો થાય.

ઉદાહરણ તરીકે, ચાલો કહીએ કે તમે તમારો રેન્ક છો ગ્રાહકો ઉચ્ચ અથવા ઓછા જોખમની શ્રેણીઓમાં.
ભલે આ માહિતી ખાણકામ મોડલ અથવા અન્ય માધ્યમો દ્વારા જનરેટ કરવામાં આવી હોય, તેને DW માં મૂકવી જોઈએ અને કોઈપણ એક્સેસ ટૂલ જેમ કે સ્ટેટિક રિપોર્ટ્સ, સ્પ્રેડશીટ્સ, કોષ્ટકો અથવા ઓનલાઈન એનાલિટીકલ પ્રોસેસિંગ (OLAP) દ્વારા કોઈપણ માટે સુલભ બનાવવી જોઈએ.

જો કે, હાલમાં, આ પ્રકારની મોટાભાગની માહિતી સિલોમાં રહે છે dati વિશ્લેષણ પેદા કરતી વ્યક્તિઓ અથવા વિભાગોની. એકંદરે સંસ્થામાં સમજણ માટે ઓછી અથવા કોઈ દૃશ્યતા નથી. ફક્ત તમારા એન્ટરપ્રાઇઝ DW માં આ પ્રકારની માહિતી સામગ્રીને મિશ્રિત કરીને તમે માહિતી સિલોસને દૂર કરી શકો છો અને તમારા DW પર્યાવરણને ઉન્નત કરી શકો છો.
BI સંસ્થાના વિકાસ માટે બે મુખ્ય અવરોધો છે.
પ્રથમ, આપણી પાસે સંસ્થા અને તેની શિસ્તની સમસ્યા છે.
જ્યારે અમે સંસ્થાકીય નીતિના ફેરફારોમાં મદદ કરી શકતા નથી, ત્યારે અમે સંસ્થાના BI ના ઘટકો, તેના આર્કિટેક્ચર અને IBM ની તકનીક તેના વિકાસને કેવી રીતે સુવિધા આપે છે તે સમજવામાં મદદ કરી શકીએ છીએ.
દૂર કરવા માટેનો બીજો અવરોધ એ સંકલિત તકનીકનો અભાવ છે અને એક પદ્ધતિનું જ્ઞાન છે જે ફક્ત એક નાના ઘટકના વિરોધમાં સમગ્ર BI સ્પેસને બોલાવે છે.

IBM ટેક્નોલોજીને સંકલિત કરવાના ફેરફારોને પ્રતિસાદ આપી રહ્યું છે. સભાન ડિઝાઇન પ્રદાન કરવાની જવાબદારી તમારી છે. આ આર્કિટેક્ચરને સીમલેસ ઇન્ટિગ્રેશન માટે પસંદ કરવામાં આવેલી ટેક્નોલોજી સાથે અથવા ઓછામાં ઓછું, ઓપન સ્ટાન્ડર્ડ્સનું પાલન કરતી ટેક્નોલોજી સાથે વિકસાવવામાં આવવી જોઈએ. ઉપરાંત, તમારી કંપની મેનેજમેન્ટે ખાતરી કરવી જોઈએ કે Bi એન્ટરપ્રાઈઝ શેડ્યૂલ પર હાથ ધરવામાં આવે છે અને સ્વ-સેવા એજન્ડા અથવા ધ્યેયોમાંથી ઉદ્ભવતા માહિતી સિલોના વિકાસને મંજૂરી આપવા માટે નહીં.
આનો અર્થ એ નથી કે BI પર્યાવરણ વિવિધ વપરાશકર્તાઓની વિવિધ જરૂરિયાતો અને જરૂરિયાતો પ્રત્યે પ્રતિક્રિયા આપવા માટે સંવેદનશીલ નથી; તેના બદલે, તેનો અર્થ એ છે કે તે વ્યક્તિગત જરૂરિયાતો અને જરૂરિયાતોનું અમલીકરણ સમગ્ર BI સંસ્થાના લાભ માટે કરવામાં આવે છે.
BI સંસ્થાના આર્કિટેક્ચરનું વર્ણન આકૃતિ 9 માં પૃષ્ઠ 1.1 પર મળી શકે છે. આર્કિટેક્ચર તકનીકો અને તકનીકોના સમૃદ્ધ મિશ્રણને દર્શાવે છે.
પરંપરાગત દૃષ્ટિકોણથી, આર્કિટેક્ચરમાં નીચેના વેરહાઉસ ઘટકોનો સમાવેશ થાય છે

અણુ સ્તર.

આ પાયો છે, સમગ્ર Dw અને તેથી વ્યૂહાત્મક રિપોર્ટિંગનું હૃદય છે.
I dati અહીં સંગ્રહિત ઐતિહાસિક અખંડિતતા જાળવી રાખશે, ના અહેવાલો dati અને તેમાં વ્યુત્પન્ન મેટ્રિક્સનો સમાવેશ થાય છે, તેમજ ખાણકામ મોડલ્સનો ઉપયોગ કરીને સાફ, સંકલિત અને સંગ્રહિત કરવામાં આવે છે.
આ તમામ અનુગામી ઉપયોગ dati અને સંબંધિત માહિતી આ રચનામાંથી મેળવવામાં આવે છે. ખાણકામ માટે આ એક ઉત્તમ સ્ત્રોત છે dati અને સંરચિત SQL પ્રશ્નો સાથેના અહેવાલો માટે

ની ઓપરેશનલ ડિપોઝિટ dati અથવા અહેવાલ આધાર dati(ઓપરેશનલ ડેટા સ્ટોર (ODS) અથવા રિપોર્ટિંગ ડેટાબેઝ.)

આ એક માળખું છે dati ખાસ કરીને તકનીકી અહેવાલ માટે રચાયેલ છે.

I dati આ રચનાઓ ઉપર સંગ્રહિત અને જાણ કરવામાં આવે છે તે આખરે સ્ટેજીંગ એરિયા દ્વારા વેરહાઉસમાં પ્રચાર કરી શકે છે, જ્યાં તેનો ઉપયોગ વ્યૂહાત્મક સંકેત માટે થઈ શકે છે.

સ્ટેજીંગ વિસ્તાર.

મોટાભાગના માટે પ્રથમ સ્ટોપ dati વેરહાઉસ પર્યાવરણ માટે બનાવાયેલ સંસ્થા ઝોન છે.
અહીં આઇ dati તેઓ એકીકૃત, સાફ અને રૂપાંતરિત થાય છે dati નફો કે જે વેરહાઉસ માળખું વસાવશે

ડેટ માર્ટ્સ.

આર્કિટેક્ચરનો આ ભાગ ની રચનાનું પ્રતિનિધિત્વ કરે છે dati ખાસ કરીને OLAP માટે વપરાય છે. ડેટામાર્ટની હાજરી, જો i dati તેઓ ઓવરલે કરેલા સ્ટાર સ્કીમામાં સંગ્રહિત થાય છે dati રિલેશનલ એન્વાયર્નમેન્ટમાં અથવા ની ફાઇલોમાં બહુપરીમાણીય dati વિશિષ્ટ OLAP ટેક્નોલોજી, જેમ કે DB2 OLAP સર્વર દ્વારા ઉપયોગમાં લેવાતી માલિકી સંબંધિત નથી.

એકમાત્ર અવરોધ એ છે કે આર્કિટેક્ચર ઉપયોગની સુવિધા આપે છે dati બહુપરીમાણીય.
આર્કિટેક્ચરમાં જટિલ દ્વિ તકનીકો અને તકનીકોનો પણ સમાવેશ થાય છે જે આ રીતે અલગ પડે છે:

અવકાશી વિશ્લેષણ

વિશ્લેષક માટે અવકાશ એ એક માહિતી વિન્ડફોલ છે અને રિઝોલ્યુશન પૂર્ણ કરવા માટે મહત્વપૂર્ણ છે. અવકાશ એ ચોક્કસ સ્થાન પર રહેતા લોકો વિશેની માહિતી તેમજ તે સ્થાન ભૌતિક રીતે બાકીના વિશ્વના સંબંધમાં ક્યાં છે તેની માહિતી રજૂ કરી શકે છે.

આ પૃથ્થકરણ કરવા માટે, તમારે તમારી માહિતીને અક્ષાંશ અને રેખાંશ કોઓર્ડિનેટ્સ સાથે જોડીને શરૂઆત કરવી પડશે. આને "જિયોકોડિંગ" તરીકે ઓળખવામાં આવે છે અને તે તમારા વેરહાઉસના અણુ સ્તર પર અર્ક, ટ્રાન્સફોર્મ અને લોડ પ્રક્રિયા (ETL) નો ભાગ હોવો જોઈએ.

માહિતી ખાણકામ.

ના નિષ્કર્ષણ dati અમારી કંપનીઓની સંખ્યા વધારવા માટે પરવાનગી આપે છે ગ્રાહકો, વેચાણના વલણોની આગાહી કરવા અને i સાથે સંબંધ સંચાલનને સક્ષમ કરવા ગ્રાહકો (સીઆરએમ), અન્ય BI પહેલો વચ્ચે.

ના નિષ્કર્ષણ dati તેથી તે ના બંધારણો સાથે સંકલિત હોવું આવશ્યક છે dati વેરહાઉસ અને ટેક્નોલોજી અને સંબંધિત તકનીકોના અસરકારક અને કાર્યક્ષમ ઉપયોગની ખાતરી કરવા માટે વેરહાઉસ પ્રક્રિયાઓ દ્વારા સમર્થિત.

BI આર્કિટેક્ચરમાં સૂચવ્યા મુજબ, અણુ સ્તર ડ્યુહાઉસ, તેમજ ડેટામાર્ટ, એક ઉત્તમ સ્ત્રોત છે dati નિષ્કર્ષણ માટે. તે સમાન ગુણધર્મો વ્યાપક પ્રેક્ષકો માટે ઉપલબ્ધતાની ખાતરી કરવા માટે નિષ્કર્ષણ પરિણામોના પ્રાપ્તકર્તાઓ પણ હોવા જોઈએ.

એજન્ટો.

ગ્રાહકની તપાસ કરવા માટે વિવિધ "એજન્ટો" છે જેમ કે, કંપનીની ઓપરેટિંગ સિસ્ટમ્સ અને dw. આ એજન્ટો દરેક બિંદુએ વલણો વિશે જાણવા માટે પ્રશિક્ષિત અદ્યતન ન્યુરલ નેટવર્ક્સ હોઈ શકે છે, જેમ કે વેચાણ પ્રમોશન પર આધારિત ભાવિ ઉત્પાદનની માંગ, પ્રતિક્રિયા આપવા માટેના નિયમ-આધારિત એન્જિન ડેટો સંજોગોનો સમૂહ, અથવા ટોચના અધિકારીઓને અપવાદોની જાણ કરતા સરળ એજન્ટો. આ પ્રક્રિયાઓ સામાન્ય રીતે વાસ્તવિક સમયમાં થાય છે અને તેથી, પ્રક્રિયાઓની હિલચાલ સાથે ચુસ્તપણે જોડાયેલી હોવી જોઈએ dati. ની આ બધી રચનાઓ dati, તકનીકો અને તકનીકો ખાતરી કરે છે કે તમે તમારા BI ની સંસ્થા બનાવવા માટે રાત વિતાવશો નહીં.

આ પ્રવૃત્તિ નાના મુદ્દાઓ માટે, વધારાના પગલામાં વિકસાવવામાં આવશે.
દરેક પગલું એક સ્વતંત્ર પ્રોજેક્ટ પ્રયાસ છે, અને તેને તમારા BI dw અથવા પહેલમાં પુનરાવર્તન તરીકે ઓળખવામાં આવે છે. પુનરાવૃત્તિઓમાં નવી તકનીકોનો અમલ, નવી તકનીકોથી શરૂ કરીને, નવા ફ્રેમવર્ક ઉમેરવાનો સમાવેશ થઈ શકે છે. dati , લોડિંગ i dati વધારાના, અથવા તમારા પર્યાવરણના વિશ્લેષણ વિસ્તરણ સાથે. આ ફકરાની વધુ વિગતવાર પ્રકરણ 3 માં ચર્ચા કરવામાં આવી છે.

પરંપરાગત DW ફ્રેમવર્ક અને BI સાધનો ઉપરાંત, તમારી BI સંસ્થાના અન્ય પાસાઓ છે જેના માટે તમારે ડિઝાઇન કરવાની જરૂર છે, જેમ કે:

ગ્રાહક સ્પર્શ બિંદુઓ (ગ્રાહક સ્પર્શ બિંદુઓ).

કોઈપણ આધુનિક સંસ્થાની જેમ ત્યાં પણ સંખ્યાબંધ ગ્રાહક ટચપોઈન્ટ્સ છે જે સૂચવે છે કે તમારા માટે સકારાત્મક અનુભવ કેવી રીતે મેળવવો ગ્રાહકો. વેપારી, સ્વીચબોર્ડ ઓપરેટર્સ, ડાયરેક્ટ મેઈલ, મલ્ટીમીડિયા અને પ્રિન્ટ એડવર્ટાઈઝીંગ જેવી પરંપરાગત ચેનલો તેમજ ઈમેલ અને વેબ જેવી વધુ વર્તમાન ચેનલો છે. dati સંપર્કના અમુક બિંદુઓ સાથેના ઉત્પાદનોને હસ્તગત, પરિવહન, સાફ, પ્રક્રિયા અને પછી સુવિધાઓ પર વસાવવું આવશ્યક છે dati BI ના.

ની મૂળભૂત બાબતો dati ઓપરેશનલ અને વપરાશકર્તા સંગઠનો (ઓપરેશનલ

ડેટાબેસેસ અને વપરાશકર્તા સમુદાયો).
ના સંપર્ક બિંદુઓના અંતે ગ્રાહકો ની મૂળભૂત બાબતો તમને મળશે dati કંપની અને વપરાશકર્તા સમુદાયોની અરજી. ધ dati અસ્તિત્વમાં છે dati પરંપરાગત કે જે પુનઃજોડાવું જોઈએ અને સાથે મર્જ કરવું જોઈએ dati જરૂરી માહિતી પૂરી કરવા માટે ટચપોઇન્ટ્સમાંથી વહેતી.

વિશ્લેષકો. (વિશ્લેષકો)

BI પર્યાવરણના પ્રાથમિક લાભાર્થી વિશ્લેષક છે. તે તે છે જે વર્તમાન નિષ્કર્ષણમાંથી લાભ મેળવે છે dati ઓપરેશનલ, ના વિવિધ સ્ત્રોતો સાથે સંકલિત dati , ભૌગોલિક પૃથ્થકરણ (જીઓકોડિંગ) જેવી વિશેષતાઓ સાથે સંવર્ધિત અને BI ટેક્નોલોજીમાં પ્રસ્તુત છે જે માઇનિંગ, OLAP, અદ્યતન SQL રિપોર્ટિંગ અને ભૌગોલિક વિશ્લેષણ માટે પરવાનગી આપે છે. રિપોર્ટિંગ પર્યાવરણ માટે વિશ્લેષક માટે પ્રાથમિક ઇન્ટરફેસ એ BI પોર્ટલ છે.

જો કે, BI આર્કિટેક્ચરથી માત્ર વિશ્લેષક જ લાભ લેનાર નથી.
એક્ઝિક્યુટિવ્સ, મોટા વપરાશકર્તા સંગઠનો, અને ભાગીદારો, સપ્લાયર્સ અને i ગ્રાહકો તેમને એન્ટરપ્રાઇઝ BI માં લાભો મળવા જોઈએ.

બેક-ફીડ લૂપ.

BI આર્કિટેક્ચર એ શીખવાનું વાતાવરણ છે. ની સતત રચનાઓ માટે પરવાનગી આપવી એ વિકાસનો લાક્ષણિક સિદ્ધાંત છે dati ઉપયોગમાં લેવાતી BI ટેક્નોલોજી દ્વારા અને વપરાશકર્તા દ્વારા લેવામાં આવેલી ક્રિયાઓ દ્વારા અપડેટ કરવામાં આવશે. એક ઉદાહરણ ગ્રાહક સ્કોરિંગ છે.

જો વેચાણ વિભાગ નવી સેવાનો ઉપયોગ કરવા જેવા ગ્રાહક સ્કોર્સનું માઇનિંગ મોડલ કરે છે, તો વેચાણ વિભાગ એ સેવાનો લાભ લેતો એકમાત્ર જૂથ ન હોવો જોઈએ.

તેના બદલે, મૉડલ માઇનિંગ એ એન્ટરપ્રાઇઝની અંદર ડેટા ફ્લોના કુદરતી ભાગ તરીકે કરવામાં આવવું જોઈએ અને ગ્રાહક સ્કોર વેરહાઉસ માહિતી સંદર્ભનો એક સંકલિત ભાગ બનવો જોઈએ, જે બધા વપરાશકર્તાઓને દૃશ્યક્ષમ છે. DB2 UDB, DB2 OLAP સર્વર સહિત દ્વિ-દ્વિ-કેન્દ્રિત IBM સ્યુટમાં સૌથી મહત્વપૂર્ણ તકનીકી ઘટકોનો સમાવેશ થાય છે, જે આકૃતિ 1.1 માં વ્યાખ્યાયિત છે.

અમે આર્કિટેક્ચરનો ઉપયોગ કરીએ છીએ કારણ કે તે પુસ્તકમાંથી આ આકૃતિમાં દેખાય છે અમને સાતત્યનું સ્તર આપવા અને દર્શાવવા માટે કે IBM ની દરેક પ્રોડક્ટ એકંદર BI યોજનામાં કેવી રીતે ફિટ છે.

માહિતી સામગ્રી પૂરી પાડવી (પૂરી પાડવી માહિતી સામગ્રી)

તમારા BI પર્યાવરણની રચના, વિકાસ અને અમલીકરણ એ એક મુશ્કેલ કાર્ય છે. ડિઝાઇનમાં વર્તમાન અને ભાવિ બંને વ્યવસાયની આવશ્યકતાઓને સ્વીકારવી આવશ્યક છે. ડિઝાઇન તબક્કા દરમિયાન મળેલા તમામ તારણો સમાવવા માટે આર્કિટેક્ચર ડ્રોઇંગ વ્યાપક હોવું આવશ્યક છે. એક્ઝેક્યુશન એક જ હેતુ માટે પ્રતિબદ્ધ રહેવું જોઈએ: BI આર્કિટેક્ચરને ઔપચારિક રીતે ડિઝાઇનમાં રજૂ કરવામાં આવે છે અને વ્યવસાયની જરૂરિયાતોને આધારે વિકસાવવા માટે.

ખાસ કરીને એવી દલીલ કરવી મુશ્કેલ છે કે શિસ્ત સંબંધિત સફળતાને સુનિશ્ચિત કરશે.
આ સરળ છે કારણ કે તમે એક જ સમયે BI વાતાવરણ વિકસાવતા નથી, પરંતુ સમય જતાં નાના પગલાઓમાં.

જો કે, તમારા આર્કિટેક્ચરના BI ઘટકોને ઓળખવા એ બે કારણોસર મહત્વપૂર્ણ છે: તમે પછીના તમામ તકનીકી આર્કિટેક્ચર નિર્ણયો ચલાવશો.
તમે સભાનપણે ટેક્નોલોજીના ચોક્કસ ઉપયોગની યોજના બનાવી શકશો, ભલે તમને કેટલાક મહિનાઓ સુધી ટેક્નોલોજીની જરૂર હોય તેવું પુનરાવર્તન ન મળે.

તમારી વ્યવસાયની આવશ્યકતાઓને પૂરતા પ્રમાણમાં સમજવાથી તમે તમારા આર્કિટેક્ચર માટે કયા પ્રકારનાં ઉત્પાદનો મેળવો છો તેના પર અસર કરશે.
તમારા આર્કિટેક્ચરની ડિઝાઇન અને વિકાસ એ સુનિશ્ચિત કરે છે કે તમારું વેરહાઉસ છે

કોઈ અવ્યવસ્થિત ઘટના નથી, પરંતુ સારી રીતે વિચારેલી, કાળજીપૂર્વક બાંધેલી જાહેરાત ઓપેરા મિશ્ર તકનીકના મોઝેક તરીકે કલાનું.

માહિતી સામગ્રી ડિઝાઇન

તમામ પ્રારંભિક ડિઝાઇને મુખ્ય BI ઘટકો પર ધ્યાન કેન્દ્રિત કરવું જોઈએ અને તેને ઓળખવું જોઈએ કે જેની એકંદર પર્યાવરણ દ્વારા હવે અને ભવિષ્યમાં જરૂર પડશે.
વ્યવસાયની આવશ્યકતાઓને જાણવી મહત્વપૂર્ણ છે.

કોઈપણ ઔપચારિક આયોજન શરૂ થાય તે પહેલાં જ, પ્રોજેક્ટ પ્લાનર ઘણીવાર એક કે બે ઘટકોને તરત જ ઓળખી શકે છે.
ઘટકોનું સંતુલન કે જે તમારા આર્કિટેક્ચર માટે જરૂરી હોઈ શકે છે, જો કે, સરળતાથી શોધી શકાતું નથી. ડિઝાઇનના તબક્કા દરમિયાન, આર્કિટેક્ચરનો મુખ્ય ભાગ એપ્લીકેશન ડેવલપમેન્ટ સેશન (JAD) ને વ્યવસાયની જરૂરિયાતોને ઓળખવા સંશોધન પર બાંધે છે.

કેટલીકવાર આ આવશ્યકતાઓ ક્વેરી અને રિપોર્ટિંગ ટૂલ્સને સોંપવામાં આવી શકે છે.
ઉદાહરણ તરીકે, વપરાશકર્તાઓ જણાવે છે કે જો તેઓ વર્તમાન અહેવાલને સ્વચાલિત કરવા માંગતા હોય તો તેઓએ બે વર્તમાન અહેવાલોને એકીકૃત કરીને અને આના સંયોજનમાંથી મેળવેલી ગણતરીઓ ઉમેરીને મેન્યુઅલી જનરેટ કરવું આવશ્યક છે. dati.
જ્યારે આ આવશ્યકતા સરળ છે, તે ચોક્કસ સુવિધા કાર્યક્ષમતાને વ્યાખ્યાયિત કરે છે જે તમારે તમારી સંસ્થા માટે રિપોર્ટિંગ ટૂલ્સ ખરીદતી વખતે શામેલ કરવી આવશ્યક છે.

સંપૂર્ણ ચિત્ર મેળવવા માટે ડિઝાઇનરે વધારાની આવશ્યકતાઓને પણ અનુસરવી આવશ્યક છે. શું વપરાશકર્તાઓ આ રિપોર્ટ પર સબ્સ્ક્રાઇબ કરવા માગે છે?
શું રિપોર્ટ સબસેટ્સ જનરેટ કરવામાં આવે છે અને વિવિધ વપરાશકર્તાઓને ઇમેઇલ કરવામાં આવે છે? કંપનીના પોર્ટલમાં આ રિપોર્ટ જોવા માંગો છો? આ બધી આવશ્યકતાઓ વપરાશકર્તાઓ દ્વારા આવશ્યકતા મુજબ મેન્યુઅલ રિપોર્ટને બદલવાની સરળ જરૂરિયાતનો ભાગ છે. આ પ્રકારની આવશ્યકતાઓનો ફાયદો એ છે કે દરેક વ્યક્તિ, વપરાશકર્તાઓ અને ડિઝાઇનર્સ, અહેવાલોના ખ્યાલથી પરિચિત છે.

અન્ય પ્રકારના વ્યવસાયો છે, જો કે, આપણે તેના માટે આયોજન કરવાની જરૂર છે. જ્યારે વ્યવસાયિક આવશ્યકતાઓ વ્યૂહાત્મક વ્યવસાયિક પ્રશ્નોના સ્વરૂપમાં જણાવવામાં આવે છે, ત્યારે અનુભવી આયોજક માટે પરિમાણીય અને માપ/તથ્યની આવશ્યકતાઓને પારખવી સરળ બને છે.

જો JAD વપરાશકર્તાઓ વ્યવસાયિક સમસ્યાના સ્વરૂપમાં તેમની જરૂરિયાતો કેવી રીતે જણાવવી તે જાણતા ન હોય, તો ડિઝાઇનર ઘણીવાર જરૂરિયાતો એકત્ર કરવાના સત્રને છોડી દેવા માટે ઉદાહરણો પ્રદાન કરશે.
નિષ્ણાત આયોજક વપરાશકર્તાઓને માત્ર વ્યૂહાત્મક વ્યવસાય જ નહીં, પણ તેને કેવી રીતે આકાર આપવો તે પણ સમજવામાં મદદ કરી શકે છે.
જરૂરિયાતો એકત્ર કરવાના અભિગમની ચર્ચા પ્રકરણ 3માં કરવામાં આવી છે; હમણાં માટે અમે ફક્ત તમામ પ્રકારની BI જરૂરિયાતો માટે ડિઝાઇન કરવાની જરૂરિયાત દર્શાવવા માંગીએ છીએ.

વ્યૂહાત્મક વ્યવસાય સમસ્યા એ માત્ર વ્યવસાયની આવશ્યકતા નથી, પણ ડિઝાઇન સંકેત પણ છે. જો તમારે બહુપરીમાણીય પ્રશ્નનો જવાબ આપવો હોય, તો તમારે યાદ રાખવું પડશે, પ્રસ્તુત કરવું પડશે dati પરિમાણો, અને જો તમારે સંગ્રહ કરવાની જરૂર હોય તો i dati બહુપરીમાણીય, તમારે નક્કી કરવાની જરૂર છે કે તમે કયા પ્રકારની તકનીક અથવા તકનીકનો ઉપયોગ કરવા જઈ રહ્યા છો.

શું તમે આરક્ષિત ક્યુબ સ્ટાર સ્કીમાનો અમલ કરો છો કે બંને? જેમ તમે જોઈ શકો છો, એક સરળ વ્યવસાય સમસ્યા પણ ડિઝાઇનને મોટા પ્રમાણમાં પ્રભાવિત કરી શકે છે. પરંતુ આ પ્રકારની વ્યવસાયિક આવશ્યકતાઓ સામાન્ય છે અને અલબત્ત, ઓછામાં ઓછા અનુભવી પ્રોજેક્ટ આયોજકો અને ડિઝાઇનરો દ્વારા.

OLAP તકનીકો અને સમર્થન વિશે પૂરતી ચર્ચા થઈ છે, અને વિવિધ પ્રકારના ઉકેલો ઉપલબ્ધ છે. અત્યાર સુધી અમે પરિમાણીય વ્યાપાર જરૂરિયાતો સાથે સરળ રિપોર્ટિંગ લાવવાની જરૂરિયાત પર સ્પર્શ કર્યો છે અને આ જરૂરિયાતો ટેકનિકલ આર્કિટેક્ચર નિર્ણયોને કેવી રીતે પ્રભાવિત કરે છે.

પરંતુ એવી કઈ જરૂરિયાતો છે જે વપરાશકર્તાઓ અથવા Dw ટીમ દ્વારા સરળતાથી સમજી શકાતી નથી? શું તમને ક્યારેય અવકાશી વિશ્લેષણ (વિશ્લેષણ અવકાશી) ની જરૂર પડશે?
ના ખાણકામ મોડેલો dati શું તેઓ તમારા ભવિષ્યનો આવશ્યક ભાગ હશે? કોણ જાણે?

એ નોંધવું અગત્યનું છે કે આ પ્રકારની તકનીકો સામાન્ય વપરાશકર્તા સમુદાયો અને DW ટીમના સભ્યો દ્વારા સારી રીતે જાણીતી નથી, આંશિક રીતે, આ એટલા માટે હોઈ શકે છે કારણ કે તે સામાન્ય રીતે કેટલાક આંતરિક અથવા તૃતીય પક્ષ તકનીકી નિષ્ણાતો દ્વારા નિયંત્રિત કરવામાં આવે છે. આ પ્રકારની ટેક્નોલોજીઓ જે સમસ્યાઓ પેદા કરે છે તેનો આ એક કિસ્સો છે. જો વપરાશકર્તાઓ વ્યવસાયિક આવશ્યકતાઓનું વર્ણન કરી શકતા નથી અથવા ડિઝાઇનર્સને માર્ગદર્શન પૂરું પાડવા માટે તેમને ફ્રેમ કરી શકતા નથી, તો તેઓનું ધ્યાન ન જાય અથવા ખરાબ રીતે, ફક્ત અવગણવામાં આવે.

જ્યારે ડિઝાઇનર અને વિકાસકર્તા આ અદ્યતન પરંતુ નિર્ણાયક તકનીકોમાંથી એકની એપ્લિકેશનને ઓળખી શકતા નથી ત્યારે તે વધુ સમસ્યારૂપ બને છે.
જેમ કે આપણે ઘણીવાર ડિઝાઇનરોને કહેતા સાંભળ્યા છે, “સારું, જ્યાં સુધી આપણે આ બીજી વસ્તુ ન મેળવીએ ત્યાં સુધી આપણે તેને કેમ દૂર ન કરીએ? "શું તેઓ ખરેખર પ્રાથમિકતાઓમાં રસ ધરાવે છે, અથવા શું તેઓ ફક્ત એવી જરૂરિયાતોને ટાળે છે જે તેઓ સમજી શકતા નથી? તે મોટે ભાગે પછીની ધારણા છે. ચાલો કહીએ કે તમારી સેલ્સ ટીમે આકૃતિ 1.3 માં જણાવ્યા મુજબ, વ્યવસાયની આવશ્યકતાનો સંચાર કર્યો છે, જેમ તમે જોઈ શકો છો, જરૂરિયાત વ્યવસાય સમસ્યાના સ્વરૂપમાં બનાવવામાં આવી છે. આ સમસ્યા અને લાક્ષણિક પરિમાણીય સમસ્યા વચ્ચેનો તફાવત અંતર છે. આ કિસ્સામાં, વેચાણ ટીમ માસિક ધોરણે, ઉત્પાદનો, વેરહાઉસ અને માંથી કુલ વેચાણ જાણવા માંગે છે. ગ્રાહકો જેઓ તેઓ જ્યાં ખરીદી કરે છે તે વેરહાઉસના 5 માઇલની અંદર રહે છે.

દુર્ભાગ્યે, ડિઝાઇનર્સ અથવા આર્કિટેક્ટ્સ ફક્ત એમ કહીને અવકાશી ઘટકને અવગણી શકે છે, "અમારી પાસે ગ્રાહક, ઉત્પાદન અને dati ડિપોઝિટની. ચાલો બીજા પુનરાવર્તન સુધી અંતરને પકડી રાખીએ.

"ખોટો જવાબ. આ પ્રકારની વ્યવસાયિક સમસ્યા BI વિશે છે. તે અમારા વ્યવસાયની ઊંડી સમજણ અને અમારા વિશ્લેષકો માટે એક મજબૂત વિશ્લેષણાત્મક જગ્યાનું પ્રતિનિધિત્વ કરે છે. BI એ સરળ ક્વેરી અથવા પ્રમાણભૂત રિપોર્ટિંગ અથવા તો OLAP ની બહાર છે. તેનો અર્થ એ નથી કે આ ટેક્નોલોજીઓ તમારા BI માટે મહત્વપૂર્ણ નથી, પરંતુ તેઓ પોતે જ BI પર્યાવરણનું પ્રતિનિધિત્વ કરતી નથી.

માહિતી સંદર્ભ માટે ડિઝાઇન (માહિતી સામગ્રી માટે ડિઝાઇનિંગ)

હવે જ્યારે અમે વિવિધ મુખ્ય ઘટકોને અલગ પાડતી વ્યાપાર આવશ્યકતાઓને ઓળખી કાઢી છે, તો તેમને એકંદર આર્કિટેક્ચરલ ડ્રોઇંગમાં સામેલ કરવાની જરૂર છે. કેટલાક BI ઘટકો અમારા પ્રારંભિક પ્રયાસોનો ભાગ છે, જ્યારે કેટલાક કેટલાક મહિનાઓ સુધી લાગુ કરવામાં આવશે નહીં.

જો કે, તમામ જાણીતી આવશ્યકતાઓ ડિઝાઇનમાં પ્રતિબિંબિત થાય છે જેથી જ્યારે અમને કોઈ ચોક્કસ તકનીકને અમલમાં મૂકવાની જરૂર હોય, ત્યારે અમે તે કરવા માટે તૈયાર છીએ. પ્રોજેક્ટ વિશે કંઈક પરંપરાગત વિચારસરણીને પ્રતિબિંબિત કરશે.

આ સમૂહ dati ના પછીના ઉપયોગોને સમર્થન આપવા માટે વપરાય છે dati અમે ઓળખી કાઢેલા વ્યવસાયિક મુદ્દાઓ દ્વારા સંચાલિત પરિમાણીય. જેમ કે વધારાના દસ્તાવેજો જનરેટ થાય છે, જેમ કે પ્રોજેક્ટ ડેવલપમેન્ટ dati, અમે i તરીકે ઔપચારિક કરીને શરૂઆત કરીશું dati તેઓ પર્યાવરણમાં ફેલાય છે. અમે iનું પ્રતિનિધિત્વ કરવાની જરૂરિયાતની ખાતરી કરી છે dati એક પરિમાણીય રીતે, તેમને (ચોક્કસ ચોક્કસ જરૂરિયાતો અનુસાર) ડેટા માર્ટ્સમાં વિભાજીત કરીને.

જવાબ આપવા માટેનો આગળનો પ્રશ્ન છે: આ ડેટા માર્ટ્સ કેવી રીતે બનાવવામાં આવશે?
શું તમે ક્યુબ્સને ટેકો આપવા માટે તારાઓ બનાવો છો, અથવા ફક્ત સમઘનનું, અથવા ફક્ત તારાઓ? (અથવા જમણા સમઘન, અથવા જમણા તારા). આશ્રિત ડેટા માર્ટ્સ માટે આર્કિટેક્ચર જનરેટ કરો કે જેમાં બધા માટે અણુ સ્તરની જરૂર હોય dati aquisites? સ્વતંત્ર ડેટા માર્ટ્સ પ્રાપ્ત કરવાની મંજૂરી આપો dati સીધા ઓપરેટિંગ સિસ્ટમ્સમાંથી?

તમે કઈ ક્યુબ ટેક્નોલોજીને પ્રમાણિત કરવાનો પ્રયાસ કરશો?

તમારી પાસે મોટા પ્રમાણમાં દેવતાઓ છે dati પરિમાણીય પૃથ્થકરણ માટે જરૂરી છે અથવા તમારે સાપ્તાહિક ધોરણે તમારા રાષ્ટ્રીય વેચાણ દળના ક્યુબ્સની જરૂર છે અથવા બંને? શું તમે ફાઇનાન્સ માટે DB2 OLAP સર્વર અથવા તમારી વેચાણ સંસ્થા માટે કોગ્નોસ પાવરપ્લે ક્યુબ્સ અથવા બંને જેવા શક્તિશાળી ઑબ્જેક્ટ બનાવો છો? આ મોટા આર્કિટેક્ચરલ ડિઝાઇન નિર્ણયો છે જે તમારા BI પર્યાવરણને આગળ વધવા પર અસર કરશે. હા, તમે OLAP ની જરૂરિયાત ઓળખી છે. હવે તમે તે પ્રકારની તકનીક અને તકનીકને કેવી રીતે હાથ ધરવા જઈ રહ્યા છો?

કેટલીક વધુ અદ્યતન તકનીકો તમારી ડિઝાઇનને કેવી રીતે અસર કરે છે? ચાલો ધારીએ કે તમે તમારી સંસ્થામાં અવકાશી જરૂરિયાત ઓળખી છે. હવે તમારે આર્કિટેક્ચરલ ડ્રોઇંગ એડિશનને યાદ કરવી પડશે, ભલે તમે કેટલાક મહિનાઓ સુધી અવકાશી ઘટકો બનાવવાની યોજના ન કરો. આર્કિટેક્ટે આજે જે જરૂરી છે તેના આધારે ડિઝાઇન કરવી જોઈએ. અવકાશી પૃથ્થકરણની જરૂરિયાતની ધારણા કરો જે જનરેટ કરે છે, સ્ટોર કરે છે, જાળવે છે અને ઍક્સેસ પ્રદાન કરે છે dati અવકાશી આ બદલામાં સૉફ્ટવેર તકનીકના પ્રકાર અને તમે હાલમાં ધ્યાનમાં લઈ શકો છો તે પ્લેટફોર્મ સ્પષ્ટીકરણો સંબંધિત અવરોધ તરીકે સેવા આપવી જોઈએ. ઉદાહરણ તરીકે, વહીવટી તંત્ર ડેટા બેઝ રિલેશનલ (RDBMS) કે જે તમે તમારા પરમાણુ સ્તર માટે જાળવી રાખો છો તેમાં મજબૂત અવકાશી હદ ઉપલબ્ધ હોવી જોઈએ. જ્યારે તમે તમારી વિશ્લેષણાત્મક એપ્લિકેશન્સમાં ભૂમિતિ અને અવકાશી વસ્તુઓનો ઉપયોગ કરો છો ત્યારે આ મહત્તમ પ્રદર્શનને સુનિશ્ચિત કરશે. જો તમારું RDBMS હેન્ડલ કરી શકતું નથી dati (અવકાશી-કેન્દ્રિત) આંતરિક રીતે, તેથી તમારે એ સ્થાપિત કરવું પડશે ડેટા બેઝ (અવકાશી-કેન્દ્રિત) બાહ્ય. આ ઇશ્યૂ મેનેજમેન્ટને જટિલ બનાવે છે અને તમારા એકંદર કામગીરી સાથે ચેડાં કરે છે, તમારા DBAs માટે તે જે વધારાની સમસ્યાઓ ઊભી કરે છે તેનો ઉલ્લેખ ન કરવો, કારણ કે તેઓ સંભવતઃ મૂળભૂત બાબતોની ન્યૂનતમ સમજ ધરાવે છે. dati અવકાશી પણ. બીજી બાજુ, જો તમારું RDMBS એન્જિન તમામ અવકાશી ઘટકોને હેન્ડલ કરે છે અને તેનું ઑપ્ટિમાઇઝર અવકાશી ઑબ્જેક્ટ્સની વિશેષ જરૂરિયાતો (ઉદાહરણ તરીકે, ઇન્ડેક્સિંગ) થી વાકેફ છે, તો તમારા DBAs સરળતાથી મેનેજમેન્ટ સમસ્યાઓને હેન્ડલ કરી શકે છે અને તમે પ્રદર્શનને મહત્તમ કરી શકો છો.

ઉપરાંત, તમારે એડ્રેસ ક્લિનઅપ (a

અવકાશી વિશ્લેષણનું મુખ્ય તત્વ), તેમજ અવકાશી પદાર્થોની અનુગામી બચત. ડિઝાઇન એડિશનનો ક્રમ હવે ચાલુ છે કે અમે સરનામાંની સ્વચ્છતાની કલ્પના રજૂ કરી છે. એક વસ્તુ માટે, આ એપ્લિકેશન તમને તમારા ETL પ્રયત્નો માટે જરૂરી સોફ્ટવેરના પ્રકારનું નિર્દેશન કરશે.

શું તમને સ્વચ્છ સરનામું પ્રદાન કરવા માટે ટ્રિલિયમ જેવા ઉત્પાદનોની જરૂર છે અથવા તે કાર્યક્ષમતા પ્રદાન કરવા માટે તમારી પસંદગીના ETL વિક્રેતાની જરૂર છે?
હમણાં માટે એ મહત્વનું છે કે તમે તમારા વેરહાઉસને જાળવવાનું શરૂ કરો તે પહેલાં તમે ડિઝાઇનના સ્તરની પ્રશંસા કરો જે પૂર્ણ કરવી આવશ્યક છે. ઉપરોક્ત ઉદાહરણો ડિઝાઇન નિર્ણયોની સંખ્યા દર્શાવે છે જે કોઈપણ ચોક્કસ વ્યવસાય જરૂરિયાતની ઓળખને અનુસરે છે. જ્યારે યોગ્ય રીતે લેવામાં આવે છે, ત્યારે આ ડિઝાઇન નિર્ણયો તમારા પર્યાવરણની ભૌતિક રચનાઓ, ઉપયોગમાં લેવાતી તકનીકની પસંદગી અને માહિતી સામગ્રીના પ્રચાર પ્રવાહ વચ્ચે પરસ્પર નિર્ભરતાને પ્રોત્સાહન આપે છે. આ પરંપરાગત BI આર્કિટેક્ચર વિના, તમારી સંસ્થા હાલની તકનીકોના અસ્તવ્યસ્ત મિશ્રણને આધિન રહેશે, સ્પષ્ટ સ્થિરતા પ્રદાન કરવા માટે શ્રેષ્ઠ રીતે ઢીલી રીતે એકસાથે ગૂંથવામાં આવશે.

માહિતી સામગ્રી જાળવી રાખો

તમારી સંસ્થામાં માહિતીનું મૂલ્ય લાવવું એ ખૂબ જ મુશ્કેલ કાર્ય છે. પૂરતી સમજ અને અનુભવ અથવા યોગ્ય એન્જિનિયરિંગ અને ડિઝાઇન વિના, શ્રેષ્ઠ ટીમો પણ નિષ્ફળ જશે. બીજી બાજુ, જો તમારી પાસે મહાન અંતર્જ્ઞાન અને વિગતવાર ડિઝાઇન છે પરંતુ અમલ કરવા માટે કોઈ શિસ્ત નથી, તો તમે ફક્ત તમારા પૈસા અને સમયનો વ્યય કર્યો છે કારણ કે તમારો પ્રયત્ન નિષ્ફળ થવા માટે વિનાશકારી છે. સંદેશ સ્પષ્ટ હોવો જોઈએ: જો તમારી પાસે આમાંથી એક અથવા વધુ કૌશલ્યો, સમજ/અનુભવ અથવા આયોજન/ડિઝાઇન અથવા અમલીકરણ શિસ્તનો અભાવ હોય, તો આ BI સંસ્થાના મકાનને અપંગ અથવા નાશ તરફ દોરી જશે.

શું તમારી ટીમ પૂરતી તૈયાર છે? શું તમારી BI ટીમ પરના કોઈપણ BI વાતાવરણમાં ઉપલબ્ધ વિશાળ વિશ્લેષણાત્મક લેન્ડસ્કેપ અને તે લેન્ડસ્કેપને જાળવવા માટે જરૂરી તકનીકો અને તકનીકોને સમજે છે? શું તમારી ટીમમાં કોઈ છે જે અદ્યતન અરજી કરવામાં તફાવત કહી શકે

સ્ટેટિક રિપોર્ટિંગ અને OLAP, અથવા ROLAP અને OLAP વચ્ચેનો તફાવત? શું તમારી ટીમના સભ્યોમાંથી એક માઇનિંગની રીતને સ્પષ્ટપણે ઓળખે છે અને તે વેરહાઉસને કેવી રીતે અસર કરી શકે છે અથવા વેરહાઉસ ખાણકામની કામગીરીને કેવી રીતે સમર્થન આપી શકે છે? ટીમના સભ્યનું મૂલ્ય સમજે છે dati જગ્યા કે એજન્ટ આધારિત ટેકનોલોજી? શું તમારી પાસે કોઈ એવી વ્યક્તિ છે જે ETL વિ મેસેજ બ્રોકર ટેક્નોલોજીની અનન્ય ટૂલ્સ એપ્લિકેશનની પ્રશંસા કરે છે? જો તમારી પાસે નથી, તો એક મેળવો. BI સામાન્ય અણુ સ્તર, OLAP, સ્ટાર સ્કીમા અને ODS કરતાં ઘણું મોટું છે.

BI જરૂરિયાતો અને તેમના ઉકેલોને ઓળખવા માટે સમજણ અને અનુભવ હોવો એ વપરાશકર્તાની જરૂરિયાતોને યોગ્ય રીતે ઔપચારિક બનાવવા અને તેમના ઉકેલોને ડિઝાઇન કરવા અને અમલમાં મૂકવાની તમારી ક્ષમતા માટે જરૂરી છે. જો તમારા વપરાશકર્તા સમુદાયને આવશ્યકતાઓનું વર્ણન કરવામાં મુશ્કેલી પડતી હોય, તો તે વેરહાઉસ ટીમને તે સમજ પૂરી પાડવાનું છે. પરંતુ જો વેરહાઉસની ટીમ

BI ની વિશિષ્ટ એપ્લિકેશનને ઓળખતી નથી - ઉદાહરણ તરીકે, ડેટા માઇનિંગ - તો પછી તે શ્રેષ્ઠ નથી કે BI પર્યાવરણો ઘણીવાર નિષ્ક્રિય રીપોઝીટરીઝ તરીકે મર્યાદિત હોય. જો કે, આ ટેક્નોલોજીઓને અવગણવાથી તેમનું મહત્વ ઘટતું નથી અને તમારી સંસ્થાની બિઝનેસ ઇન્ટેલિજન્સ ક્ષમતાઓ તેમજ તમે જે માહિતી સંપત્તિને પ્રમોટ કરવાની યોજના ઘડી રહ્યા છો તેના ઉદભવ પર તેમની અસર ઓછી થતી નથી.

ડિઝાઇનમાં ડ્રોઇંગની કલ્પના શામેલ હોવી આવશ્યક છે, અને બંને માટે સક્ષમ વ્યક્તિની જરૂર છે. વધુમાં, આયોજન માટે ટીમ વેરહાઉસ ફિલોસોફી અને ધોરણોનું પાલન જરૂરી છે. ઉદાહરણ તરીકે, જો તમારી કંપનીએ પ્લેટફોર્મ સ્ટાન્ડર્ડ સ્થાપિત કર્યું હોય અથવા કોઈ ચોક્કસ RDBMS ઓળખી કાઢ્યું હોય જેને તે સમગ્ર પ્લેટફોર્મ પર માનક બનાવવા માંગે છે, તો ટીમ પરના દરેક વ્યક્તિએ તે ધોરણોનું પાલન કરવું આવશ્યક છે. સામાન્ય રીતે એક ટીમ માનકીકરણની જરૂરિયાત (વપરાશકર્તા સમુદાયો માટે) વ્યક્ત કરે છે, પરંતુ ટીમ પોતે કંપનીના અન્ય ક્ષેત્રોમાં અથવા કદાચ સમાન કંપનીઓમાં પણ સ્થાપિત ધોરણોનું પાલન કરવા તૈયાર નથી. આ માત્ર દંભી નથી, પરંતુ તે સ્થાપિત કરે છે કે કંપની હાલના સંસાધનો અને રોકાણોનો ઉપયોગ કરવામાં સક્ષમ નથી. તેનો અર્થ એ નથી કે એવી પરિસ્થિતિઓ નથી કે જે બિન-માનક પ્લેટફોર્મ અથવા ટેક્નોલોજીની ખાતરી આપે; જો કે, વેરહાઉસના પ્રયત્નો

જ્યાં સુધી વ્યવસાયિક આવશ્યકતાઓ અન્યથા નક્કી ન કરે ત્યાં સુધી તેઓએ ઈર્ષ્યાપૂર્વક એન્ટરપ્રાઇઝના ધોરણોનું રક્ષણ કરવું જોઈએ.

BI સંસ્થા બનાવવા માટે જરૂરી ત્રીજું મુખ્ય ઘટક શિસ્ત છે.
તે સંપૂર્ણ રીતે, વ્યક્તિઓ અને પર્યાવરણ પર સમાન રીતે આધાર રાખે છે. પ્રોજેક્ટ આયોજકો, પ્રાયોજકો, આર્કિટેક્ટ્સ અને વપરાશકર્તાઓએ કંપનીની માહિતી સંપત્તિ બનાવવા માટે જરૂરી શિસ્તની પ્રશંસા કરવી આવશ્યક છે. ડિઝાઇનરોએ તેમના ડિઝાઇન પ્રયાસોને સમાજમાં જરૂરી અન્ય પ્રયત્નોને પૂરક બનાવવા માટે નિર્દેશિત કરવા જોઈએ.

ઉદાહરણ તરીકે, ચાલો કહીએ કે તમારી કંપની એક ERP એપ્લિકેશન બનાવે છે જેમાં વેરહાઉસ ઘટક છે.
આ રીતે ERP ડિઝાઇનર્સની જવાબદારી છે કે તેઓ વેરહાઉસ એન્વાયર્નમેન્ટ ટીમ સાથે સહયોગ કરે જેથી પહેલેથી જ શરૂ થયેલ કામની સ્પર્ધા કે ડુપ્લિકેટ ન થાય.

શિસ્ત એ પણ એક વિષય છે જેને સમગ્ર સંસ્થા દ્વારા સંબોધિત કરવાની જરૂર છે અને તે સામાન્ય રીતે એક્ઝિક્યુટિવ સ્તરે સ્થાપિત અને ફરજિયાત છે.
શું એક્ઝિક્યુટિવ્સ ડિઝાઇન કરેલ અભિગમનું પાલન કરવા તૈયાર છે? એક અભિગમ જે માહિતી સામગ્રી બનાવવાનું વચન આપે છે જે આખરે એન્ટરપ્રાઇઝના તમામ ક્ષેત્રોને મૂલ્ય આપશે, પરંતુ કદાચ વ્યક્તિગત અથવા વિભાગીય એજન્ડા સાથે સમાધાન કરશે? "એક વસ્તુ વિશે વિચારવા કરતાં દરેક વસ્તુ વિશે વિચારવું વધુ મહત્વનું છે" કહેવત યાદ રાખો. આ કહેવત BI સંસ્થાઓ માટે સાચી છે.

દુર્ભાગ્યવશ, ઘણા વેરહાઉસ તેમના પ્રયત્નોને લક્ષ્યાંકિત કરવા અને ચોક્કસ વિભાગ અથવા ચોક્કસ વપરાશકર્તાઓને મૂલ્ય પહોંચાડવાના પ્રયાસો પર કેન્દ્રિત કરે છે, મોટા પ્રમાણમાં સંસ્થાને ધ્યાનમાં રાખીને. ધારો કે મેનેજર વેરહાઉસ ટીમ પાસેથી સહાયની વિનંતી કરે છે. ટીમ 90-દિવસના પ્રયત્નો સાથે પ્રતિસાદ આપે છે જેમાં માત્ર એક્ઝિક્યુટિવ દ્વારા નિર્ધારિત સૂચના આવશ્યકતાઓને જ નહીં પરંતુ તમામ dati પ્રસ્તાવિત ક્યુબ ટેક્નોલોજીમાં દાખલ કરવામાં આવે તે પહેલાં આધારને અણુ સ્તરમાં મિશ્ર કરવામાં આવે છે.
આ એન્જિનિયરિંગ ઉમેરણ એ સુનિશ્ચિત કરે છે કે વેરહાઉસ એન્ટરપ્રાઇઝને લાભ થશે dati મેનેજર દ્વારા જરૂરી છે.
જોકે, એક્ઝિક્યુટિવએ બહારની કન્સલ્ટિંગ ફર્મ્સ સાથે વાત કરી જેમણે 4 અઠવાડિયા કરતાં ઓછા સમયમાં ડિલિવરી સાથે સમાન એપ્લિકેશનનો પ્રસ્તાવ મૂક્યો હતો.

આંતરિક વેરહાઉસ ટીમ સક્ષમ છે એમ ધારીને, એક્ઝિક્યુટિવ પાસે પસંદગી છે. એન્ટરપ્રાઇઝ ઇન્ફર્મેશન એસેટને વધારવા માટે જરૂરી વધારાના ઇજનેરી શિસ્તને કોણ સમર્થન આપી શકે છે અથવા ઝડપથી પોતાનું સોલ્યુશન બનાવવાનું પસંદ કરી શકે છે. બાદમાં ઘણી વાર પસંદ કરવામાં આવ્યું હોય તેવું લાગે છે અને તેનો ઉપયોગ માત્ર માહિતી કન્ટેનર બનાવવા માટે થાય છે જે થોડાક અથવા વ્યક્તિગતને લાભ આપે છે.

ટૂંકા અને લાંબા ગાળાના લક્ષ્યો

આર્કિટેક્ટ્સ અને પ્રોજેક્ટ આયોજકોએ એકંદર આર્કિટેક્ચરની લાંબા ગાળાની દ્રષ્ટિ અને BI સંસ્થાના વિકાસ માટેની યોજનાઓને ઔપચારિક બનાવવી જોઈએ. ટૂંકા ગાળાના લાભ અને લાંબા ગાળાના આયોજનનું આ સંયોજન એ BI પ્રયત્નોની બે બાજુ છે. ટૂંકા ગાળાની આવક એ BI નું પાસું છે જે તમારા વેરહાઉસના પુનરાવર્તન સાથે સંકળાયેલું છે.

આ તે છે જ્યાં આયોજકો, આર્કિટેક્ટ અને પ્રાયોજકો ચોક્કસ વ્યવસાય જરૂરિયાતોને પહોંચી વળવા પર ધ્યાન કેન્દ્રિત કરે છે. તે આ સ્તરે છે જ્યાં ભૌતિક બંધારણો બનાવવામાં આવે છે, ટેક્નોલોજી ખરીદવામાં આવે છે અને તકનીકોનો અમલ કરવામાં આવે છે. તેઓ કોઈ પણ રીતે ચોક્કસ વપરાશકર્તા સમુદાયો દ્વારા વ્યાખ્યાયિત ચોક્કસ જરૂરિયાતોને સંબોધવા માટે બનાવવામાં આવ્યા નથી. ચોક્કસ સમુદાય દ્વારા વ્યાખ્યાયિત ચોક્કસ જરૂરિયાતોને સંબોધવાના ઉદ્દેશ્ય સાથે બધું કરવામાં આવે છે.
લાંબા અંતરનું આયોજન, જોકે, BIનું બીજું પાસું છે. આ તે છે જ્યાં યોજનાઓ અને ડિઝાઇન્સ એ સુનિશ્ચિત કરે છે કે કોઈપણ ભૌતિક માળખું બનાવવામાં આવ્યું હતું, તકનીકીઓ પસંદ કરવામાં આવી હતી અને તકનીકીઓ એન્ટરપ્રાઇઝ તરફ નજર રાખીને બનાવવામાં આવી હતી. તે લાંબા ગાળાના આયોજન છે જે ખાતરી કરવા માટે જરૂરી સંકલન પૂરું પાડે છે કે કોઈ પણ ટૂંકા ગાળાના લાભોમાંથી પેઢી લાભો પ્રાપ્ત થાય છે.

તમારા BI પ્રયાસને યોગ્ય ઠેરવો

Un માહિતી વેરહાઉસ પોતે જ તેનું કોઈ સ્વાભાવિક મૂલ્ય નથી. બીજા શબ્દોમાં કહીએ તો, વેરહાઉસ તકનીકો અને અમલીકરણ તકનીકો વચ્ચે કોઈ સહજ મૂલ્ય નથી.

કોઈપણ વેરહાઉસ પ્રયત્નોનું મૂલ્ય વેરહાઉસ પર્યાવરણ અને સમય જતાં ઉગાડવામાં આવતી માહિતી સામગ્રીના પરિણામે કરવામાં આવતી ક્રિયાઓમાં જોવા મળે છે. તમે કોઈપણ વ્હેરહાઉસ પહેલના મૂલ્યનો અંદાજ કાઢવાનો પ્રયાસ કરો તે પહેલાં આ એક મહત્વપૂર્ણ મુદ્દો છે.

ઘણી વાર, આર્કિટેક્ટ્સ અને આયોજકો વેરહાઉસના ભૌતિક અને તકનીકી ઘટકો પર મૂલ્ય લાગુ કરવાનો પ્રયાસ કરે છે જ્યારે વાસ્તવમાં મૂલ્ય વેરહાઉસ અને સારી રીતે કબજે કરેલી માહિતી દ્વારા સકારાત્મક રીતે પ્રભાવિત વ્યવસાય પ્રક્રિયાઓમાં આધારિત હોય છે.

અહીં BI ની સ્થાપના માટેનો પડકાર છે: તમે રોકાણને કેવી રીતે ન્યાયી ઠેરવશો? જો વ્હેરહાઉસનું પોતાનું કોઈ આંતરિક મૂલ્ય નથી, તો પ્રોજેક્ટ આયોજકોએ તે વ્યક્તિઓ માટેના લાભોની તપાસ કરવી, વ્યાખ્યાયિત કરવી અને ઔપચારિક બનાવવી જોઈએ કે જેઓ વેરહાઉસનો ઉપયોગ ચોક્કસ વ્યવસાય પ્રક્રિયાઓ અથવા સુરક્ષિત માહિતીના મૂલ્ય અથવા બંનેને વધારવા માટે કરશે.

બાબતોને જટિલ બનાવવા માટે, વેરહાઉસ પ્રયત્નોથી પ્રભાવિત કોઈપણ વ્યવસાય પ્રક્રિયા "નોંધપાત્ર" અથવા "હળવા" લાભો પ્રદાન કરી શકે છે. નોંધપાત્ર લાભો રોકાણ પર વળતર (ROI) માપવા માટે એક મૂર્ત મેટ્રિક પ્રદાન કરે છે - ઉદાહરણ તરીકે, ચોક્કસ સમયગાળા દરમિયાન ઇન્વેન્ટરીને વધારાનો સમય અથવા શિપમેન્ટ દીઠ પરિવહનના ઓછા ખર્ચ માટે ચાલુ કરો. મૂર્ત મૂલ્યના સંદર્ભમાં સૂક્ષ્મ લાભો, જેમ કે માહિતીની સુધારેલી ઍક્સેસને વ્યાખ્યાયિત કરવી વધુ મુશ્કેલ છે.

તમારા પ્રોજેક્ટને જાણવા માટે કનેક્ટ કરો વ્યવસાય વિનંતીઓ

ઘણી વાર, પ્રોજેક્ટ આયોજકો આકારહીન એન્ટરપ્રાઇઝ લક્ષ્યો સાથે વેરહાઉસ મૂલ્યને લિંક કરવાનો પ્રયાસ કરે છે. ઘોષણા કરીને કે "વેરહાઉસનું મૂલ્ય વ્યૂહાત્મક વિનંતીઓને સંતોષવાની અમારી ક્ષમતા પર આધારિત છે" અમે ચર્ચાને સુખદ રીતે ખોલીએ છીએ. પરંતુ વેરહાઉસમાં રોકાણ કરવું અર્થપૂર્ણ છે કે કેમ તે નિર્ધારિત કરવા માટે તે એકલું પૂરતું નથી. વિશિષ્ટ વ્યવસાય પૂછપરછ અને નોંધો સાથે વેરહાઉસ પ્રતિનિધિઓને જોડવાનું શ્રેષ્ઠ છે.

ROI માપો

વેરહાઉસ સેટિંગમાં ROI ની ગણતરી કરવી ખાસ કરીને મુશ્કેલ હોઈ શકે છે. તે ખાસ કરીને મુશ્કેલ છે જો લીડ

ચોક્કસ પુનરાવર્તન એ અમૂર્ત અથવા માપવા માટે સરળ કંઈક છે. એક અભ્યાસમાં જાણવા મળ્યું છે કે વપરાશકર્તાઓ BI પહેલના બે મુખ્ય લાભો માને છે:

• ▪ નિર્ણય લેવાની ક્ષમતા બનાવો
• ▪ માહિતીની ઍક્સેસ બનાવો
  આ લાભો નરમ (અથવા હળવા) લાભો છે. તે જોવાનું સરળ છે કે અમે નૂર ખર્ચમાં ઘટાડો જેવા સખત (અથવા વધુ) લાભના આધારે કેવી રીતે ROI ની ગણતરી કરી શકીએ છીએ, પરંતુ અમે વધુ સારા નિર્ણયો લેવાની ક્ષમતાને કેવી રીતે માપી શકીએ?
  પ્રોજેક્ટ આયોજકો માટે આ ચોક્કસપણે એક પડકાર છે જ્યારે તેઓ કંપનીને ચોક્કસ વેરહાઉસ પ્રયાસમાં રોકાણ કરવા માટે પ્રયાસ કરી રહ્યા છે. વેચાણમાં વધારો અથવા ઘટતો ખર્ચ એ હવે BI પર્યાવરણને ચલાવતી કેન્દ્રીય થીમ નથી.
  તેના બદલે, તમે માહિતીની વધુ સારી ઍક્સેસ માટે વ્યવસાયિક વિનંતીઓ શોધી રહ્યાં છો જેથી કોઈ ચોક્કસ વિભાગ ઝડપથી નિર્ણય લઈ શકે. આ વ્યૂહાત્મક ડ્રાઈવરો છે જેઓ એન્ટરપ્રાઈઝ માટે સમાન રીતે મહત્વપૂર્ણ હોય છે પરંતુ મૂર્ત મેટ્રિકમાં દર્શાવવા માટે વધુ અસ્પષ્ટ અને મુશ્કેલ હોય છે. આ કિસ્સામાં, ROIની ગણતરી કરવી ગેરમાર્ગે દોરનારી હોઈ શકે છે, જો અપ્રસ્તુત ન હોય.
  ચોક્કસ પુનરાવૃત્તિમાં રોકાણ યોગ્ય છે કે કેમ તે નક્કી કરવા માટે પ્રોજેક્ટ ડિઝાઇનર્સ એક્ઝિક્યુટિવ્સ માટે મૂર્ત મૂલ્ય દર્શાવવા સક્ષમ હોવા જોઈએ. જો કે, અમે ROIની ગણતરી કરવા માટે નવી પદ્ધતિનો પ્રસ્તાવ આપીશું નહીં, ન તો અમે તેના માટે કે વિરુદ્ધમાં કોઈ દલીલો કરીશું.
  ત્યાં ઘણા લેખો અને પુસ્તકો ઉપલબ્ધ છે જે ROI ની ગણતરીના મૂળભૂત બાબતોની ચર્ચા કરે છે. ગાર્ટનર જેવા જૂથો દ્વારા ઓફર કરવામાં આવતા રોકાણ પર મૂલ્ય (VOI) જેવા વિશેષ મૂલ્ય પ્રસ્તાવો છે, જેના પર તમે સંશોધન કરી શકો છો. તેના બદલે, અમે કોઈપણ ROI અથવા અન્ય મૂલ્ય દરખાસ્તોના મુખ્ય પાસાઓ પર ધ્યાન કેન્દ્રિત કરીશું જેને તમારે ધ્યાનમાં લેવાની જરૂર છે. ROI લાગુ કરી રહ્યાં છીએ BI પ્રયાસો સાથે સંકળાયેલા "હાર્ડ" વિરુદ્ધ "સોફ્ટ" લાભો વિશેની દલીલ ઉપરાંત ROI લાગુ કરતી વખતે ધ્યાનમાં લેવાના અન્ય મુદ્દાઓ છે. દાખ્લા તરીકે:

DW પ્રયત્નો માટે ઘણી બધી બચતને આભારી છે જે કોઈપણ રીતે આવશે
ધારો કે તમારી કંપની મેઇનફ્રેમ આર્કિટેક્ચરમાંથી વિતરિત UNIX પર્યાવરણમાં ખસેડવામાં આવી છે. તેથી કોઈપણ બચત કે જે તે પ્રયત્નોથી પ્રાપ્ત થઈ શકે છે (અથવા ન પણ હોઈ શકે) તે ફક્ત વેરહાઉસને જ આભારી ન હોવી જોઈએ.

દરેક વસ્તુનો હિસાબ ન રાખવો ખર્ચાળ છે. અને ધ્યાનમાં લેવાની ઘણી બાબતો છે. નીચેની સૂચિ ધ્યાનમાં લો:

• ▪ શરુઆતની કિંમત, શક્યતા સહિત.
• ▪ સંકળાયેલ સ્ટોરેજ અને સંચાર સાથે સમર્પિત હાર્ડવેરની કિંમત
• ▪ સંચાલન સહિત સોફ્ટવેરની કિંમત dati અને ક્લાયંટ/સર્વર એક્સ્ટેન્શન્સ, ETL સોફ્ટવેર, DSS ટેક્નોલોજી, વિઝ્યુલાઇઝેશન ટૂલ્સ, શેડ્યુલિંગ અને વર્કફ્લો એપ્લિકેશન્સ અને મોનિટરિંગ સૉફ્ટવેર, .
• ▪ સ્ટ્રક્ચર ડિઝાઇન ખર્ચ dati, ની રચના અને ઑપ્ટિમાઇઝેશન સાથે
• ▪ સોફ્ટવેર ડેવલપમેન્ટ ખર્ચ BI પ્રયાસ સાથે સીધો સંકળાયેલો છે
• ▪ સૉફ્ટવેર વર્ઝન કંટ્રોલ અને હેલ્પ ઑપરેશન સહિત પર્ફોર્મન્સ ઑપ્ટિમાઇઝેશન સહિત હોમ સપોર્ટની કિંમત "બિગ-બેંગ" ROI લાગુ કરો. વેરહાઉસનું નિર્માણ એક જ, વિશાળ પ્રયત્નો નિષ્ફળ થવા માટે વિનાશકારી છે, તેથી મોટી એન્ટરપ્રાઇઝ પહેલ માટે ROI ની પણ ગણતરી કરો આ ઓફર આશ્ચર્યજનક છે, અને આયોજકો સમગ્ર પ્રયત્નોના મૂલ્યનો અંદાજ કાઢવા માટે નબળા પ્રયાસો કરવાનું ચાલુ રાખે છે. જો તે વ્યાપકપણે જાણીતું છે અને સ્વીકારવામાં આવે છે કે ચોક્કસ પુનરાવર્તનોનો અંદાજ કાઢવો મુશ્કેલ છે તો આયોજકો શા માટે વ્યવસાયિક પહેલ પર નાણાકીય મૂલ્ય મૂકવાનો પ્રયાસ કરે છે? તે કેવી રીતે શક્ય છે? થોડા અપવાદો સાથે તે શક્ય નથી. તે ન કરો. હવે જ્યારે અમે ROI ની ગણતરી કરતી વખતે શું ન કરવું જોઈએ તે સ્થાપિત કર્યું છે, અહીં કેટલાક મુદ્દા છે જે તમને તમારા BI પ્રયત્નોના મૂલ્યનો અંદાજ કાઢવા માટે વિશ્વસનીય પ્રક્રિયા સ્થાપિત કરવામાં મદદ કરશે.

ROI સંમતિ મેળવવી. તમારા BI પ્રયાસોના મૂલ્યનો અંદાજ લગાવવા માટેની તમારી પસંદગીની ટેકનિકને ધ્યાનમાં લીધા વિના, પ્રોજેક્ટ આયોજકો, પ્રાયોજકો અને કોર્પોરેટ એક્ઝિક્યુટિવ્સ સહિત તમામ પક્ષો દ્વારા તેના પર સંમત થવું આવશ્યક છે.

ROI ને ઓળખી શકાય તેવા ભાગોમાં વિભાજીત કરો. વાજબી ROI ગણતરી તરફ જરૂરી પગલું એ ગણતરીને ચોક્કસ પ્રોજેક્ટ પર કેન્દ્રિત કરવાનું છે. આ પછી તમને ચોક્કસ વ્યવસાયિક આવશ્યકતાઓને આધારે મૂલ્યનો અંદાજ કાઢવાની મંજૂરી આપે છે જે પૂરી થાય છે

ખર્ચ વ્યાખ્યાયિત કરો. ઉલ્લેખ કર્યો છે તેમ, અસંખ્ય ખર્ચને ધ્યાનમાં લેવાની જરૂર છે. વધુમાં, ખર્ચમાં માત્ર વ્યક્તિગત પુનરાવૃત્તિ સાથે સંકળાયેલા જ નહીં પરંતુ એન્ટરપ્રાઇઝ ધોરણોનું પાલન સુનિશ્ચિત કરવા સાથે સંકળાયેલા ખર્ચનો પણ સમાવેશ થવો જોઈએ.

લાભો વ્યાખ્યાયિત કરો. ROI ને ચોક્કસ વ્યાપાર જરૂરિયાતો સાથે સ્પષ્ટપણે લિંક કરીને, અમે એવા લાભોને ઓળખવામાં સમર્થ હોવા જોઈએ જે જરૂરિયાતોને પૂર્ણ કરવા તરફ દોરી જશે.

ખર્ચમાં ઘટાડો અને નિકટવર્તી લાભમાં લાભ. ભાવિ કમાણીમાં ભાવિ મૂલ્યની આગાહી કરવાનો પ્રયાસ કરવાને બદલે નેટ પ્રેઝન્ટ વેલ્યુ (NPV) પર તમારા વેલ્યુએશનને બેઝ કરવાનો શ્રેષ્ઠ માર્ગ છે.

તમારા ROI ને ન્યૂનતમ વિભાજિત કરવા માટે સમય રાખો. તે તમારા ROI માં ઉપયોગમાં લેવાતા લાંબા ગાળે સારી રીતે દસ્તાવેજીકૃત થયેલ છે.

એક કરતાં વધુ ROI ફોર્મ્યુલાનો ઉપયોગ કરો. ROI ની આગાહી કરવા માટે અસંખ્ય પદ્ધતિઓ છે, અને તમારે તેમાંથી એક અથવા વધુનો ઉપયોગ કરવાની યોજના બનાવવી જોઈએ, જેમાં ચોખ્ખી વર્તમાન કિંમત, વળતરનો આંતરિક દર (IRR) અને વળતરનો સમાવેશ થાય છે.

પુનરાવર્તિત પ્રક્રિયાને વ્યાખ્યાયિત કરો. કોઈપણ લાંબા ગાળાના મૂલ્યની ગણતરી કરવા માટે આ નિર્ણાયક છે. તમામ અનુગામી પ્રોજેક્ટ પેટા-સિક્વન્સ માટે એક જ પુનરાવર્તિત પ્રક્રિયાનું દસ્તાવેજીકરણ કરવું જોઈએ.

સૂચિબદ્ધ સમસ્યાઓ વેરહાઉસ પર્યાવરણ નિષ્ણાતો દ્વારા વ્યાખ્યાયિત કરવામાં આવેલી સૌથી સામાન્ય સમસ્યાઓ છે. "બિગ-બેંગ" ROI આપવા માટે મેનેજમેન્ટનો આગ્રહ ખૂબ જ મૂંઝવણભર્યો છે. જો તમે તમારી તમામ ROI ગણતરીઓને ઓળખી શકાય તેવા, મૂર્ત ભાગોમાં વિભાજીત કરીને શરૂ કરો છો, તો તમારી પાસે ચોક્કસ ROI અંદાજનો અંદાજ લગાવવાની સારી તક છે.

ROI લાભો વિશે પ્રશ્નો

તમારા ફાયદા ગમે તે હોય, નરમ અથવા સખત, તમે તેમના મૂલ્યને નિર્ધારિત કરવા માટે થોડા મૂળભૂત પ્રશ્નોનો ઉપયોગ કરી શકો છો. ઉદાહરણ તરીકે, 1 થી 10 સુધીની સરળ સ્કેલ સિસ્ટમનો ઉપયોગ કરીને, તમે નીચેના પ્રશ્નોનો ઉપયોગ કરીને કોઈપણ પ્રયત્નોની અસરને માપી શકો છો:

• તમે સમજણને કેવી રીતે રેટ કરશો dati તમારી કંપનીના આ પ્રોજેક્ટને અનુસરે છે?
• તમે આ પ્રોજેક્ટના પરિણામે પ્રક્રિયામાં થયેલા સુધારાઓને કેવી રીતે રેટ કરશો?
• આ પુનરાવૃત્તિ દ્વારા ઉપલબ્ધ નવી આંતરદૃષ્ટિ અને અનુમાનની અસરને તમે કેવી રીતે માપશો
• જે શીખ્યા તેના પરિણામે નવા અને બહેતર કમ્પ્યુટર વાતાવરણની શું અસર થઈ? જો આ પ્રશ્નોના જવાબો ઓછા છે, તો સંભવ છે કે એન્ટરપ્રાઇઝ કરેલા રોકાણને યોગ્ય નથી. ઉચ્ચ-સ્કોરિંગ પ્રશ્નો નોંધપાત્ર મૂલ્ય લાભો તરફ નિર્દેશ કરે છે અને વધુ તપાસ માટે માર્ગદર્શિકા તરીકે સેવા આપવી જોઈએ. ઉદાહરણ તરીકે, પ્રક્રિયા સુધારણા માટે ઉચ્ચ સ્કોર ડિઝાઇનર્સને પ્રક્રિયાઓ કેવી રીતે સુધારવામાં આવી છે તેની તપાસ કરવા તરફ દોરી જાય છે. તમે શોધી શકો છો કે કેટલાક અથવા તમામ લાભો મૂર્ત છે અને તેથી નાણાકીય મૂલ્ય સરળતાથી લાગુ કરી શકાય છે. ની પ્રથમ પુનરાવૃત્તિમાંથી સૌથી વધુ મેળવવું વેરહાઉસ તમારા એન્ટરપ્રાઇઝ પ્રયાસનું સૌથી મોટું વળતર ઘણીવાર પ્રથમ થોડા પુનરાવર્તનોમાં હોય છે. આ પ્રારંભિક પ્રયાસો પરંપરાગત રીતે જાહેર જનતા માટે સૌથી ઉપયોગી માહિતી સામગ્રી સ્થાપિત કરે છે અને અનુગામી BI એપ્લિકેશન્સ માટે ટેક્નોલોજી પાયો સ્થાપિત કરવામાં મદદ કરે છે. સામાન્ય રીતે દરેક અનુગામી અનુગામી dati વેરહાઉસ પ્રોજેક્ટ્સ સમગ્ર એન્ટરપ્રાઇઝ માટે ઓછા અને ઓછા વધારાના મૂલ્ય લાવે છે. આ ખાસ કરીને સાચું છે જો પુનરાવર્તન નવા વિષયો ઉમેરતું નથી અથવા નવા વપરાશકર્તા સમુદાયની જરૂરિયાતોને પૂર્ણ કરતું નથી.

આ સ્ટોરીંગ ફીચર ના વધતા સ્ટેક્સ પર પણ લાગુ પડે છે dati ઇતિહાસકારો અનુગામી પ્રયત્નો વધુ જરૂરી છે dati અને કેવી રીતે વધુ dati સમય જતાં વેરહાઉસમાં રેડવામાં આવે છે, મોટાભાગના dati તે વપરાયેલ વિશ્લેષણ માટે ઓછું સુસંગત બને છે. આ dati તેઓ ઘણી વખત કહેવામાં આવે છે dati નિષ્ક્રિય હોય છે અને તેમને રાખવા હંમેશા ખર્ચાળ હોય છે કારણ કે તેઓ ભાગ્યે જ ઉપયોગમાં લેવાય છે.

પ્રોજેક્ટ પ્રાયોજકો માટે આનો અર્થ શું છે? અનિવાર્યપણે, પ્રથમ પ્રાયોજકો રોકાણ ખર્ચ કરતાં વધુ શેર કરે છે. આ પ્રાથમિક છે કારણ કે તેઓ વેરહાઉસની વ્યાપક ટેકનોલોજી અને સંસાધન પર્યાવરણ સ્તરની સ્થાપના માટે પ્રેરણા છે, જેમાં કાર્બનિકનો સમાવેશ થાય છે.

પરંતુ આ પ્રથમ પગલાં સૌથી વધુ મૂલ્ય ધરાવે છે અને તેથી પ્રોજેક્ટ આયોજકોએ ઘણીવાર રોકાણને યોગ્ય ઠેરવવું પડે છે.
તમારી BI પહેલ પછી કરવામાં આવેલા પ્રોજેક્ટ્સમાં ઓછા (પહેલાની સરખામણીમાં) અને સીધા ખર્ચ હોઈ શકે છે, પરંતુ એન્ટરપ્રાઈઝ માટે ઓછું મૂલ્ય લાવે છે.

અને સંસ્થાના માલિકોએ બિલ્ડઅપ ફેંકવાની વિચારણા શરૂ કરવાની જરૂર છે dati અને ઓછી સંબંધિત તકનીકો.

ડેટા માઇનિંગ: નિષ્કર્ષણ Dati

ઘણા આર્કિટેક્ચરલ ઘટકોને ડેટા માઇનિંગ તકનીકો અને તકનીકોમાં વિવિધતાની જરૂર હોય છે-
ઉદાહરણ તરીકે, વિવિધ "એજન્ટ્સ" ના રસના મુદ્દાઓની તપાસ કરવા માટે ગ્રાહકો, કંપનીની ઓપરેટિંગ સિસ્ટમ્સ અને તે જ dw માટે. આ એજન્ટો પોટ વલણો પર પ્રશિક્ષિત અદ્યતન ન્યુરલ નેટવર્ક હોઈ શકે છે, જેમ કે વેચાણ પ્રમોશનના આધારે ભાવિ ઉત્પાદનની માંગ; સેટ પર પ્રતિક્રિયા આપવા માટેના નિયમો આધારિત એન્જિન ડેટો સંજોગોમાં, ઉદાહરણ તરીકે, તબીબી નિદાન અને સારવારની ભલામણો; અથવા ટોચના અધિકારીઓને અપવાદોની જાણ કરવાની ભૂમિકા સાથે સરળ એજન્ટો પણ. સામાન્ય રીતે આ નિષ્કર્ષણ પ્રક્રિયાઓ dati si

વાસ્તવિક સમયમાં ચકાસો; તેથી, તેઓની હિલચાલ સાથે સંપૂર્ણ રીતે એક થવું જોઈએ dati પોતાને.

ઑનલાઇન વિશ્લેષણાત્મક પ્રક્રિયા પ્રક્રિયા

ઓનલાઇન એનાલિટિક્સ

સ્લાઇસ, ડાઇસ, રોલ, ડ્રિલ-ડાઉન અને વિશ્લેષણ કરવાની ક્ષમતા
શું-જો, IBM ટેક્નોલોજી સ્યુટના અવકાશની અંદર છે. ઉદાહરણ તરીકે, DB2 માટે ઓનલાઈન એનાલિટીકલ પ્રોસેસિંગ (OLAP) ફંક્શન્સ અસ્તિત્વમાં છે જે એન્જીનમાં પરિમાણીય વિશ્લેષણ લાવે છે. ડેટાબેઝ સમાન

DB2 ના કુદરતી ભાગ હોવાના તમામ લાભો પ્રાપ્ત કરતી વખતે કાર્યો SQL માં પરિમાણીય ઉપયોગિતા ઉમેરે છે. OLAP એકીકરણનું બીજું ઉદાહરણ એક્સ્ટ્રેક્ટર ટૂલ છે, DB2 OLAP એનાલાઇઝર સર્વર. આ ટેક્નોલોજી DB2 OLAP સર્વર ક્યુબ્સને ઝડપથી અને આપમેળે સ્કેન કરવાની મંજૂરી આપે છે અને તેના મૂલ્યોને શોધવા અને તેની જાણ કરવા માટે dati ટ્રેડિંગ એનાલિસ્ટ માટે કોઈપણ ક્યુબ માટે અસામાન્ય અથવા અણધારી. અને અંતે, ડીડબ્લ્યુ સેન્ટર ફંક્શન્સ આર્કિટેક્ટ્સને અન્ય વસ્તુઓની સાથે, ETL પ્રક્રિયાઓના કુદરતી ભાગ તરીકે DB2 OLAP ક્યુબ સર્વરની પ્રોફાઇલ તપાસવા માટેનું સાધન પૂરું પાડે છે.

અવકાશી વિશ્લેષણ અવકાશી વિશ્લેષણ

સ્પેસ એ પેનોરમા માટે જરૂરી અડધા વિશ્લેષણાત્મક એન્કર (વહન)નું પ્રતિનિધિત્વ કરે છે
વ્યાપક વિશ્લેષણાત્મક (સમય બીજા અડધા ભાગનું પ્રતિનિધિત્વ કરે છે). વેરહાઉસનું અણુ-સ્તર, આકૃતિ 1.1 માં દર્શાવવામાં આવ્યું છે, જેમાં સમય અને જગ્યા બંને માટેના પાયાનો સમાવેશ થાય છે. ટાઇમ સ્ટેમ્પ એન્કર સમય દ્વારા વિશ્લેષણ કરે છે અને સરનામાંની માહિતી એન્કર જગ્યા દ્વારા વિશ્લેષણ કરે છે. ટાઇમસ્ટેમ્પ્સ સમય દ્વારા વિશ્લેષણ કરે છે, અને સરનામાંની માહિતી જગ્યા દ્વારા વિશ્લેષણ કરે છે. આકૃતિ જીઓકોડિંગ બતાવે છે–એડ્રેસને નકશામાંના પોઈન્ટમાં અથવા અવકાશમાં પોઈન્ટમાં રૂપાંતરિત કરવાની પ્રક્રિયા જેથી કરીને વિશ્લેષણમાં અંતર અને અંદર/બહાર જેવા ખ્યાલોનો ઉપયોગ કરી શકાય–પરમાણુ સ્તરે હાથ ધરવામાં આવે છે અને વિશ્લેષકને અવકાશી વિશ્લેષણ ઉપલબ્ધ કરાવવામાં આવે છે. IBM અવકાશી એક્સ્ટેંશન પૂરા પાડે છે, જે એન્વાયર્નમેન્ટલ સિસ્ટમ રિસર્ચ ઇન્સ્ટિટ્યૂટ (ESRI), અલ. ડેટાબેઝ DB2 જેથી અવકાશી વસ્તુઓને સામાન્ય ભાગ તરીકે જાળવી શકાય ડેટાબેઝ સંબંધી db2

અવકાશી વિસ્તરણકર્તાઓ, અવકાશી વિશ્લેષણનો લાભ લેવા માટે તમામ SQL એક્સ્ટેંશન પણ પ્રદાન કરે છે. ઉદાહરણ તરીકે, ક્વેરી કરવા માટેના SQL એક્સ્ટેન્શન્સ
સરનામાંઓ વચ્ચેનું અંતર અથવા બિંદુ નિર્ધારિત બહુકોણીય વિસ્તારની અંદર કે બહાર છે, તે અવકાશી એક્સ્ટેન્ડર સાથે વિશ્લેષણાત્મક ધોરણ છે. વધુ માહિતી માટે પ્રકરણ 16 જુઓ.

ડેટાબેઝ-નિવાસી સાધનો સાધનો ડેટાબેઝ-નિવાસી

DB2 પાસે ઘણી SQL BI-નિવાસી સુવિધાઓ છે જે પાર્સિંગ ક્રિયામાં મદદ કરે છે. આમાં શામેલ છે:

• વિશ્લેષણ કરવા માટે પુનરાવર્તિત કાર્યો, જેમ કે "તમામ સંભવિત ફ્લાઇટ પાથ અહીંથી શોધો સાન ફ્રાન્સિસ્કો a ન્યુ યોર્ક".
• રેન્કિંગ, ક્યુમ્યુલેટિવ, ક્યુબ અને રોલઅપ ફંક્શન્સ માટે વિશ્લેષણાત્મક કાર્યો જે સામાન્ય રીતે ફક્ત OLAP ટેક્નોલોજી સાથે થાય છે, તે હવે એન્જિનનો કુદરતી ભાગ છે. ડેટાબેઝ
• પરિણામો સમાવતા કોષ્ટકો બનાવવાની ક્ષમતા
  ના વેચાણકર્તાઓ ડેટાબેઝ નેતાઓ BI વિશેષતાઓને વધુ મિશ્રિત કરે છે ડેટાબેઝ સમાન.
  ના મુખ્ય સપ્લાયર્સ ડેટા બેઝ તેઓ માં BI વિશેષતાઓનું વધુ મિશ્રણ કરી રહ્યાં છે ડેટાબેઝ સમાન.
  આ BI સોલ્યુશન્સ માટે વધુ સારું પ્રદર્શન અને વધુ એક્ઝેક્યુશન વિકલ્પો પ્રદાન કરે છે.
  DB2 V8 ના લક્ષણો અને કાર્યોની વિગતવાર ચર્ચા નીચેના પ્રકરણોમાં કરવામાં આવી છે:
  ટેકનિકલ આર્કિટેક્ચર અને ડેટા મેનેજમેન્ટ ફાઉન્ડેશન્સ (પ્રકરણ 5)

• DB2 BI ફંડામેન્ટલ્સ (પ્રકરણ 6)
• DB2 સામગ્રીયુક્ત ક્વેરી કોષ્ટકો (પ્રકરણ 7)
• DB2 OLAP કાર્યો (પ્રકરણ 13)
• DB2 ઉન્નત BI લક્ષણો અને કાર્યો (પ્રકરણ 15) સરળ ડેટા ડિલિવરી સિસ્ટમ ની ડિલિવરી સિસ્ટમ dati સરળ

આકૃતિ 1.1 માં દર્શાવવામાં આવેલ આર્કિટેક્ચરમાં અસંખ્ય રચનાઓ શામેલ છે dati ભૌતિક એક નું વેરહાઉસ છે dati સંચાલન સામાન્ય રીતે, ODS ઑબ્જેક્ટ ઓરિએન્ટેડ, એકીકૃત અને વર્તમાન હોય છે. તમે આધાર આપવા માટે એક ODS બનાવશો, ઉદાહરણ તરીકે, વેચાણ કચેરી. ODS વેચાણ પૂરક બનશે dati ઘણી જુદી જુદી સિસ્ટમોમાંથી પરંતુ માત્ર રાખશે, ઉદાહરણ તરીકે, આજના વ્યવહારો. ODS પણ દિવસમાં ઘણી વખત અપડેટ કરી શકાય છે. તે જ સમયે, પ્રક્રિયાઓ i dati અન્ય કાર્યક્રમોમાં સંકલિત. આ માળખું ખાસ કરીને એકીકૃત કરવા માટે રચાયેલ છે dati વર્તમાન અને ગતિશીલ અને રીઅલ-ટાઇમ એનાલિટિક્સને સમર્થન આપવા માટે સંભવિત ઉમેદવાર હશે, જેમ કે સેવા એજન્ટો પ્રદાન કરવા ગ્રાહકો ઇન્વેન્ટરીમાંથી જ વેચાણ વલણની માહિતી કાઢીને ગ્રાહકની વર્તમાન વેચાણ માહિતી. આકૃતિ 1.1 માં બતાવેલ અન્ય માળખું dw માટે ઔપચારિક સ્થિતિ છે. માત્ર આ જરૂરી એકીકરણના અમલ માટેનું સ્થાન નથી, ની ગુણવત્તાની dati, અને નું પરિવર્તન dati ઇનકમિંગ વેરહાઉસ, પરંતુ તે માટે વિશ્વસનીય અને અસ્થાયી સંગ્રહ વિસ્તાર પણ છે dati પ્રતિકૃતિઓ કે જેનો ઉપયોગ રીઅલ-ટાઇમ વિશ્લેષણમાં થઈ શકે છે. જો તમે ODS અથવા સ્ટેજીંગ એરિયાનો ઉપયોગ કરવાનું નક્કી કરો છો, તો આ સ્ટ્રક્ચર્સને પોપ્યુલેટ કરવા માટેનું એક શ્રેષ્ઠ સાધન છે dati વિવિધ ઓપરેશનલ સ્ત્રોતોનો ઉપયોગ એ DB2 ની વિષમ વિતરિત ક્વેરી છે. આ ક્ષમતા DB2 રિલેશનલ કનેક્ટ (ફક્ત ક્વેરીઝ) તરીકે ઓળખાતી વૈકલ્પિક DB2 સુવિધા દ્વારા અને DB2 DataJoiner (એક અલગ ઉત્પાદન કે જે વિજાતીય વિતરિત RDBMSs ને ક્વેરી, દાખલ, અપડેટ અને ડિલીટ કરવાની ક્ષમતા પ્રદાન કરે છે) દ્વારા વિતરિત કરવામાં આવે છે.

આ ટેકનોલોજી આર્કિટેક્ટ્સને પરવાનગી આપે છે dati બાંધવું dati વિશ્લેષણાત્મક પ્રક્રિયાઓ સાથે ઉત્પાદન. રીઅલ-ટાઇમ એનાલિટિક્સ સાથે ઊભી થતી કોઈપણ પ્રતિકૃતિની માંગને ટેક્નોલોજી વર્ચ્યુઅલ રીતે અનુકૂલન કરી શકે છે એટલું જ નહીં, પરંતુ તે વિવિધ પ્રકારની વિવિધતા સાથે પણ જોડાઈ શકે છે. dati DB2, Oracle, Sybase, SQL સર્વર, Informix અને અન્ય સહિત સૌથી વધુ લોકપ્રિય. DB2 ડેટાજોઇનરનો ઉપયોગ સ્ટ્રક્ચર બનાવવા માટે થઈ શકે છે dati ઔપચારિક જેમ કે ODS અથવા તો વેરહાઉસમાં રજૂ કરાયેલ કાયમી ટેબલ તાત્કાલિક અપડેટની ઝડપી પુનઃપ્રાપ્તિ અથવા વેચાણ માટે રચાયેલ છે. અલબત્ત, આ રચનાઓ પોતાને dati નો ઉપયોગ કરીને વસ્તી કરી શકાય છે

ની પ્રતિકૃતિ માટે રચાયેલ અન્ય મહત્વપૂર્ણ તકનીક dati, IBM ડેટાપ્રોપેગેટર રિલેશનલ. (ડેટાપ્રોપેગેટર સેન્ટ્રલ સિસ્ટમ્સ માટે એક અલગ ઉત્પાદન છે. DB2 UNIX, Linux, Windows, અને OS/2 માં પ્રતિકૃતિ સેવાઓનો સમાવેશ થાય છે. dati પ્રમાણભૂત લક્ષણ તરીકે).
ખસેડવાની બીજી પદ્ધતિ dati એન્ટરપ્રાઇઝની આસપાસ કાર્યરત એ એન્ટરપ્રાઇઝ એપ્લિકેશન ઇન્ટિગ્રેટર છે જે અન્યથા મેસેજ બ્રોકર તરીકે ઓળખાય છે. આ અનોખી ટેક્નોલોજી લક્ષ્યીકરણ અને ખસેડવા માટે અજોડ નિયંત્રણની મંજૂરી આપે છે. dati કંપનીની આસપાસ. IBM પાસે સૌથી વધુ ઉપયોગમાં લેવાતા મેસેજ બ્રોકર, MQSeries અથવા ઉત્પાદનની વિવિધતા છે જેમાં જરૂરિયાતો શામેલ છે ઈ-કોમર્સ, IBM WebSphere MQ.
વેરહાઉસ અને BI પર્યાવરણને ટેકો આપવા માટે MQ નો લાભ કેવી રીતે લેવો તે અંગે વધુ ચર્ચા માટે, મુલાકાત લો વેબસાઇટ પુસ્તકની. હમણાં માટે, એટલું કહેવું પૂરતું છે કે આ ટેક્નોલોજી કેપ્ચર અને રૂપાંતરિત કરવા માટે એક ઉત્તમ માધ્યમ છે (MQSeries Integrator નો ઉપયોગ કરીને) dati BI સોલ્યુશન્સ માટે લક્ષિત ઓપરેટિવ્સની ભરતી. MQ ટેક્નોલોજીને UDB V8 માં સંકલિત અને પેક કરવામાં આવી છે, જેનો અર્થ છે કે સંદેશની કતાર હવે DB2 કોષ્ટકોની જેમ મેનેજ કરી શકાય છે. વેલ્ડીંગ કતાર સંદેશાઓ અને બ્રહ્માંડનો ખ્યાલ ડેટાબેઝ ની ડિલિવરીના શક્તિશાળી વાતાવરણ તરફ રિલેશનલ ડાયરેક્ટ કરે છે dati.

ઝીરો-લેટન્સી ઝીરો લેટન્સી

IBM માટે અંતિમ વ્યૂહાત્મક ધ્યેય શૂન્ય-લેટન્સી વિશ્લેષણ છે. દ્વારા વ્યાખ્યાયિત કર્યા મુજબ
ગાર્ટનર, BI સિસ્ટમ માંગ પર વિશ્લેષકો માટે અનુમાન લગાવવા, ઇન્જેસ્ટ કરવા અને માહિતી પ્રદાન કરવા સક્ષમ હોવી જોઈએ. પડકાર, અલબત્ત, કેવી રીતે ભળવું તે છે dati જરૂરી ઐતિહાસિક માહિતી સાથે વર્તમાન અને વાસ્તવિક સમય, જેમ કે i dati સંબંધિત વલણ/પેટર્ન અથવા એક્સટ્રેક્ટેડ ઇન્સાઇટ, જેમ કે ગ્રાહક પ્રોફાઇલિંગ.

આવી માહિતીમાં, ઉદાહરણ તરીકે, ની ઓળખ શામેલ છે ગ્રાહકો ઉચ્ચ અથવા ઓછું જોખમ અથવા કયા ઉત્પાદનો i ગ્રાહકો જો તેમની પાસે તેમની શોપિંગ કાર્ટમાં પહેલેથી જ ચીઝ હોય તો તેઓ મોટે ભાગે ખરીદી કરશે.

શૂન્ય લેટન્સી મેળવવી વાસ્તવમાં બે મૂળભૂત પદ્ધતિઓ પર આધારિત છે:

• નું પૂર્ણ સંઘ dati જેનું વિશ્લેષણ સ્થાપિત તકનીકો અને BI દ્વારા બનાવેલા સાધનો સાથે કરવામાં આવે છે
• ની ડિલિવરી સિસ્ટમ dati વાસ્તવિક સમયના વિશ્લેષણો ખરેખર ઉપલબ્ધ છે તેની ખાતરી કરવા માટે કાર્યક્ષમ ના ચુસ્ત જોડાણ dati તે IBM ના સીમલેસ ઇન્ટિગ્રેશન પ્રોગ્રામનો એક ભાગ છે. અને ની ડિલિવરી સિસ્ટમ બનાવો dati કાર્યક્ષમ એ ઉપલબ્ધ તકનીક પર સંપૂર્ણપણે નિર્ભર છે જે વિતરણ પ્રક્રિયાને સરળ બનાવે છે dati. પરિણામે, IBM ના ત્રણ ધ્યેયોમાંથી બે ત્રીજાને હાંસલ કરવા માટે મહત્વપૂર્ણ છે. વેરહાઉસ પ્રયાસો માટે શૂન્ય લેટન્સી વાસ્તવિકતા છે તેની ખાતરી કરવા માટે IBM સભાનપણે તેની ટેકનોલોજી વિકસાવી રહ્યું છે. સારાંશ / સંશ્લેષણ તમારી BI સંસ્થા તમારા પર્યાવરણના નિર્માણ માટે રોડમેપ પ્રદાન કરે છે
  પુનરાવર્તિત રીતે તે તમારા વ્યવસાયની વર્તમાન અને ભવિષ્યની જરૂરિયાતોને પ્રતિબિંબિત કરવા માટે ગોઠવાયેલ હોવું આવશ્યક છે. વ્યાપક આર્કિટેક્ચરલ વિઝન વિના, વેરહાઉસ પુનરાવૃત્તિ એ કેન્દ્રીય વેરહાઉસના આડેધડ અમલીકરણો કરતાં થોડું વધારે છે જે એક વિશાળ, માહિતીપ્રદ એન્ટરપ્રાઇઝ બનાવવા માટે થોડું કરે છે. પ્રોજેક્ટ લીડર્સ માટે પ્રથમ અવરોધ એ છે કે BI સંસ્થાના વિકાસ માટે જરૂરી રોકાણને કેવી રીતે ન્યાયી ઠેરવવું. જ્યારે ROI ગણતરીઓ ઇન્વેન્ટરી સિદ્ધિઓનો મુખ્ય આધાર રહી છે, ત્યારે તેની ચોક્કસ આગાહી કરવી વધુ મુશ્કેલ બની રહી છે. આનાથી તમને તમારા પૈસાની કિંમત મળી રહી છે કે કેમ તે નિર્ધારિત કરવા માટેની અન્ય પદ્ધતિઓ તરફ દોરી ગઈ છે. વેલ્યુ ઓન ઇન્વેસ્ટમેન્ટ2 (VOI), ઉદાહરણ તરીકે, ઉકેલ તરીકે મેળવવામાં આવે છે. ના આર્કિટેક્ટ્સ પર તે ફરજિયાત છે dati અને પ્રોજેક્ટ આયોજકો ઇરાદાપૂર્વક જનરેટ કરે છે અને વપરાશકર્તા સંગઠનોને માહિતી પ્રદાન કરે છે અને ફક્ત સેવા આપતા નથી dati. બંને વચ્ચે ઘણો તફાવત છે. માહિતી એવી વસ્તુ છે જે નિર્ણય લેવા અને અસરકારકતામાં ફરક પાડે છે; પ્રમાણમાં, i dati તેઓ તે માહિતી મેળવવા માટે બ્લોક્સ બનાવી રહ્યા છે.

ભલે સ્ત્રોતની ટીકા કરતા હોય dati વ્યાપારી માંગને સંબોધવા માટે, BI પર્યાવરણ માહિતી સામગ્રી બનાવવામાં મોટી ભૂમિકા ભજવવી જોઈએ. અમે માહિતી સામગ્રીને શુદ્ધ કરવા, એકીકૃત કરવા, રૂપાંતરિત કરવા અથવા અન્યથા બનાવવા માટે વધારાના પગલાં લેવા જોઈએ કે જેના પર વપરાશકર્તાઓ કાર્ય કરી શકે, અને પછી આપણે ખાતરી કરવી જોઈએ કે તે ક્રિયાઓ અને નિર્ણયો, જ્યાં વાજબી હોય, BI પર્યાવરણમાં પ્રતિબિંબિત થાય છે. જો આપણે વેરહાઉસને ફક્ત સેવા આપવા માટે ઉતારીએ છીએ dati, ખાતરી કરો કે વપરાશકર્તા સંગઠનો પગલાં લેવા માટે જરૂરી માહિતી સામગ્રી બનાવશે. આ સુનિશ્ચિત કરે છે કે તેમનો સમુદાય વધુ સારા નિર્ણયો લેવામાં સક્ષમ હશે, પરંતુ એન્ટરપ્રાઈઝ જ્ઞાનના અભાવથી પીડાય છે જેનો તેઓએ ઉપયોગ કર્યો છે. તારીખ આર્કિટેક્ટ્સ અને પ્રોજેક્ટ પ્લાનર્સ BI પર્યાવરણમાં ચોક્કસ પ્રોજેક્ટ્સ શરૂ કરે છે, તેઓ સમગ્ર એન્ટરપ્રાઇઝ માટે જવાબદાર રહે છે. BI પુનરાવૃત્તિઓના આ બે બાજુવાળા લક્ષણનું એક સરળ ઉદાહરણ સ્ત્રોતમાં જોવા મળે છે dati. બધાજ dati ચોક્કસ વ્યાપારી વિનંતીઓ માટે પ્રાપ્ત થયેલ પ્રથમ અણુ સ્તરમાં વસેલું હોવું આવશ્યક છે. આ એન્ટરપ્રાઇઝ માહિતી સંપત્તિના વિકાસને સુનિશ્ચિત કરે છે, તેમજ પુનરાવૃત્તિમાં વ્યાખ્યાયિત ચોક્કસ વપરાશકર્તા વિનંતીઓને સંબોધિત કરે છે.

ડેટા વેરહાઉસ શું છે?

ડેટા વેરહાઉસ 1990 થી ઇન્ફર્મેશન સિસ્ટમ આર્કિટેક્ચરનું કેન્દ્ર છે અને એક નક્કર સંકલિત પ્લેટફોર્મ ઓફર કરીને માહિતી પ્રક્રિયાઓને સમર્થન આપે છે. dati અનુગામી પૃથ્થકરણ માટેના આધાર તરીકે લેવામાં આવેલ ઇતિહાસ. ધ માહિતી વેરહાઉસ તેઓ અસંગત એપ્લિકેશન સિસ્ટમ્સની દુનિયામાં એકીકરણની સરળતા પ્રદાન કરે છે. ડેટા વેરહાઉસ તે ફેડ બનવા માટે વિકસિત થયું છે. ડેટા વેરહાઉસ ગોઠવો અને યાદ રાખો i dati લાંબા ઐતિહાસિક ટેમ્પોરલ પરિપ્રેક્ષ્યના આધારે માહિતી અને વિશ્લેષણાત્મક પ્રક્રિયાઓ માટે જરૂરી. આ બધામાં બાંધકામ અને જાળવણીમાં નોંધપાત્ર અને સતત પ્રયત્નોનો સમાવેશ થાય છે માહિતી વેરહાઉસ.

તો એ શું છે માહિતી વેરહાઉસ? એ માહિતી વેરહાઉસ છે:

• ▪ વિષય લક્ષી
• ▪ સંકલિત સિસ્ટમ
• ▪ સમયનો તફાવત
• ▪ બિન-અસ્થિર (રદ કરતું નથી)

નો સંગ્રહ dati પ્રક્રિયાઓના અમલીકરણમાં સંચાલકીય નિર્ણયોને ટેકો આપવા માટે વપરાય છે.
I dati દાખલ કરેલ માહિતી વેરહાઉસ તેઓ મોટાભાગના કિસ્સાઓમાં ઓપરેશનલ વાતાવરણમાંથી મેળવે છે. આ માહિતી વેરહાઉસ તે સ્ટોરેજ યુનિટમાંથી બનાવવામાં આવે છે, જે તેમાં સમાવિષ્ટ બાકીની સિસ્ટમથી ભૌતિક રીતે અલગ છે dati અગાઉ એપ્લીકેશનો દ્વારા રૂપાંતરિત કે જે ઓપરેટિંગ પર્યાવરણમાંથી મેળવેલી માહિતી પર કાર્ય કરે છે.

a ની શાબ્દિક વ્યાખ્યા માહિતી વેરહાઉસ તે સંપૂર્ણ સમજૂતીને પાત્ર છે કારણ કે ત્યાં મહત્વપૂર્ણ પ્રેરણાઓ અને અંતર્ગત અર્થો છે જે વેરહાઉસની લાક્ષણિકતાઓનું વર્ણન કરે છે.

વિષય ઓરિએન્ટેશન ઓરિએન્ટેશન થિમેટિક

એનું પ્રથમ લક્ષણ માહિતી વેરહાઉસ તે કંપનીના મુખ્ય વિષયો તરફ લક્ષી છે. દ્વારા પ્રક્રિયાઓની માર્ગદર્શિકા dati તે વધુ ક્લાસિક પદ્ધતિથી વિપરીત છે જે પ્રક્રિયાઓ અને કાર્યો તરફ એપ્લિકેશનના અભિગમ માટે પ્રદાન કરે છે, એક પદ્ધતિ મોટે ભાગે ઓછી તાજેતરની મેનેજમેન્ટ સિસ્ટમો દ્વારા વહેંચવામાં આવે છે.

ઓપરેટિંગ વર્લ્ડ એપ્લીકેશન્સ અને કાર્યો જેમ કે લોન, બચત, બેંકકાર્ડ અને નાણાકીય સંસ્થા માટે ટ્રસ્ટની આસપાસ રચાયેલ છે. dw ની દુનિયા ગ્રાહક, વિક્રેતા, ઉત્પાદન અને પ્રવૃત્તિ જેવા મુખ્ય વિષયોની આસપાસ સંગઠિત છે. વિષયોની આસપાસ ગોઠવણી ડિઝાઇન અને અમલીકરણને અસર કરે છે dati dw માં જોવા મળે છે. સૌથી અગત્યનું, મુખ્ય વિષય મુખ્ય માળખાના સૌથી મહત્વપૂર્ણ ભાગને અસર કરે છે.

એપ્લિકેશન્સની દુનિયા ડેટાબેઝ ડિઝાઇન અને પ્રક્રિયા ડિઝાઇન બંનેથી પ્રભાવિત છે. dw ની દુનિયા ફક્ત વિડિઓ મોડેલિંગ પર કેન્દ્રિત છે dati અને ની ડિઝાઇન પર ડેટાબેઝ. પ્રક્રિયા ડિઝાઇન (તેના ક્લાસિક સ્વરૂપમાં) dw પર્યાવરણનો ભાગ નથી.

પ્રક્રિયા/કાર્ય એપ્લિકેશનની પસંદગી અને વિષયની પસંદગી વચ્ચેનો તફાવત પણ વિષયવસ્તુમાં તફાવત તરીકે પ્રગટ થાય છે. dati વિગતવાર સ્તર પર. ધ dati del dw માં i નો સમાવેશ થતો નથી dati જેનો ઉપયોગ એપ્લીકેશન વખતે DSS પર પ્રક્રિયા કરવા માટે કરવામાં આવશે નહીં

ઓપરેશનલ લક્ષી dati i સમાવે છે dati કાર્યાત્મક/પ્રોસેસિંગ જરૂરિયાતોને તાત્કાલિક સંતોષવા માટે કે જેનો DSS વિશ્લેષક માટે કોઈ ઉપયોગ હોઈ શકે અથવા ન પણ હોય.
અન્ય મહત્વની રીત કે જે માટે ઓપરેશનલ-લક્ષી એપ્લિકેશનો dati થી અલગ પડે છે dati dw ના અહેવાલોમાં છે dati. હું dati ઓપરેટિવ્સ સક્રિય હોય તેવા વ્યવસાય નિયમના આધારે બે અથવા વધુ કોષ્ટકો વચ્ચે સતત સંબંધ જાળવી રાખે છે. ધ dati dw ના સ્પેક્ટ્રમ સમયનો છે અને dw માં મળતા અહેવાલો ઘણા છે. ઘણા વેપાર નિયમો (અને અનુરૂપ, ઘણા અહેવાલો dati ) ના સ્ટોકમાં રજૂ થાય છે dati બે અથવા વધુ કોષ્ટકો વચ્ચે.

(ની વચ્ચેના સંબંધો કેવી રીતે છે તેની વિગતવાર સમજૂતી માટે dati DW માં સંચાલિત થાય છે, કૃપા કરીને તે બાબતે ટેક વિષયનો સંદર્ભ લો.)
કાર્યાત્મક/પ્રક્રિયા એપ્લિકેશન પસંદગી અને વિષયની પસંદગી વચ્ચેના મૂળભૂત તફાવત સિવાયના અન્ય કોઈ પરિપ્રેક્ષ્યમાં, શું ઓપરેટિંગ સિસ્ટમ્સ વચ્ચે મુખ્ય તફાવત છે અને dati અને DW.

એકીકરણ એકીકરણ

dw પર્યાવરણનું સૌથી મહત્વનું પાસું એ છે કે i dati dw ની અંદર જોવા મળે છે તે સરળતાથી સંકલિત થાય છે. હંમેશા. અપવાદો વિના. dw પર્યાવરણનો સાર એ છે કે i dati વેરહાઉસની મર્યાદામાં સમાયેલ છે.

એકીકરણ પોતાની જાતને ઘણી જુદી જુદી રીતે પ્રગટ કરે છે - સુસંગત ઓળખાયેલ સંમેલનોમાં, ચલોના સતત માપનમાં, સુસંગત કોડેડ માળખામાં, ભૌતિક લક્ષણોમાં dati સુસંગત, અને તેથી વધુ.

વર્ષોથી વિવિધ એપ્લિકેશનના ડિઝાઇનરોએ એપ્લિકેશન કેવી રીતે વિકસાવવી જોઈએ તે અંગે ઘણા નિર્ણયો લીધા છે. ડિઝાઇનર્સની એપ્લિકેશનની શૈલી અને વ્યક્તિગત ડિઝાઇન નિર્ણયો સો રીતે પ્રગટ થાય છે: કોડિંગમાં તફાવત, મુખ્ય માળખું, ભૌતિક લાક્ષણિકતાઓ, ઓળખ સંમેલનો, વગેરેમાં. અસંગત એપ્લિકેશન બનાવવા માટે ઘણા એપ્લિકેશન ડિઝાઇનરોની સામૂહિક ક્ષમતા સુપ્રસિદ્ધ છે. આકૃતિ 3 એપ્લીકેશન કેવી રીતે ડિઝાઇન કરવામાં આવે છે તેમાંના કેટલાક સૌથી મહત્વપૂર્ણ તફાવતોને ઉજાગર કરે છે.

એન્કોડિંગ: એન્કોડ:

એપ્લિકેશન ડિઝાઇનરોએ ફીલ્ડ કોડિંગ - લિંગ - ઘણી રીતે પસંદ કર્યું છે. ડિઝાઇનર લિંગને "m" અને "f" તરીકે રજૂ કરે છે. અન્ય ડિઝાઇનર લિંગને "1" અને "0" તરીકે રજૂ કરે છે. અન્ય ડિઝાઇનર લિંગને "x" અને "y" તરીકે રજૂ કરે છે. અન્ય ડિઝાઇનર લિંગને "પુરુષ" અને "સ્ત્રી" તરીકે રજૂ કરે છે. તે ખરેખર વાંધો નથી કે કેવી રીતે સેક્સ DW માં નહીં. "M" અને "F" કદાચ કોઈપણ પ્રતિનિધિત્વ જેટલું સારું છે.

મહત્વની બાબત એ છે કે સેક્સ ક્ષેત્ર ગમે તે સ્ત્રોતમાંથી આવે છે, તે ક્ષેત્ર સતત સંકલિત સ્થિતિમાં DW માં આવે છે. પરિણામે જ્યારે ફીલ્ડને એપ્લિકેશનમાંથી DW માં લોડ કરવામાં આવે છે જ્યાં તેને "M" અને "F" ફોર્મેટમાં બહાર રજૂ કરવામાં આવ્યું હોય, dati DW ફોર્મેટમાં કન્વર્ટ કરવું આવશ્યક છે.

લક્ષણોનું માપન: નું માપન વિશેષતાઓ:

એપ્લિકેશન ડિઝાઇનરોએ વર્ષોથી વિવિધ રીતે પાઇપલાઇન માપવાનું પસંદ કર્યું છે. એક ડિઝાઇનર સ્ટોર્સ i dati સેન્ટીમીટરમાં પાઇપલાઇનની. અન્ય એપ્લિકેશન ડિઝાઇનર સ્ટોર કરે છે dati ઇંચની દ્રષ્ટિએ પાઇપલાઇનની. અન્ય એપ્લિકેશન ડિઝાઇનર સ્ટોર કરે છે dati પાઈપલાઈન પ્રતિ સેકન્ડમાં મિલિયન ક્યુબિક ફીટ. અને અન્ય ડિઝાઇનર યાર્ડની દ્રષ્ટિએ પાઇપલાઇન માહિતી સંગ્રહિત કરે છે. સ્ત્રોત ગમે તે હોય, જ્યારે પાઇપલાઇનની માહિતી DW માં આવે છે ત્યારે તેને તે જ રીતે માપવામાં આવવી જોઈએ.

આકૃતિ 3 માં બતાવ્યા પ્રમાણે, સંકલન મુદ્દાઓ પ્રોજેક્ટના લગભગ દરેક પાસાને અસર કરે છે - ની ભૌતિક લાક્ષણિકતાઓ dati, એક કરતાં વધુ સ્ત્રોત હોવાની દ્વિધા dati, અસંગત ઓળખાયેલ નમૂનાઓનો મુદ્દો, ના ફોર્મેટ dati અસંગત, અને તેથી વધુ.

ડિઝાઇનની દલીલ ગમે તે હોય, પરિણામ એક જ છે – i dati જ્યારે અંતર્ગત ઓપરેટિંગ સિસ્ટમ સ્ટોર i dati.

જ્યારે DSS વિશ્લેષક DW તરફ જુએ છે, ત્યારે વિશ્લેષકનું ધ્યાન તેના શોષણ પર હોવું જોઈએ dati જે વેરહાઉસમાં છે,

ની વિશ્વસનીયતા અથવા સુસંગતતા વિશે આશ્ચર્ય કરવાને બદલે dati.

સમય ભિન્નતા

બધાજ dati DW માં તેઓ સમયની અમુક ક્ષણો માટે ચોક્કસ છે. આ મૂળભૂત લક્ષણ dati DW માં ખૂબ જ અલગ છે dati ઓપરેટિંગ વાતાવરણમાં જોવા મળે છે. ધ dati ઓપરેટિંગ એન્વાયર્નમેન્ટના એક્સેસ સમયે જેટલા સચોટ છે. બીજા શબ્દોમાં કહીએ તો, ઓપરેટિંગ પર્યાવરણમાં જ્યારે એકમ એક્સેસ થાય છે dati, તે એક્સેસ સમયે મૂલ્યો જેટલું ચોક્કસ પ્રતિબિંબિત કરે તેવી અપેક્ષા છે. શા માટે હું dati DW માં અમુક સમયે ચોક્કસ હોય છે (એટલે ​​​​કે, "હમણાં" નથી), i dati DW માં જોવા મળે છે "સમય વિચલન".
ના સમયનો તફાવત dati DW દ્વારા અસંખ્ય રીતે ઉલ્લેખ કરવામાં આવે છે.
સૌથી સરળ રસ્તો એ છે કે i dati એક DW પ્રતિનિધિત્વ કરે છે dati લાંબા સમય ક્ષિતિજ - પાંચ થી દસ વર્ષ. ઓપરેટિંગ પર્યાવરણ માટે દર્શાવવામાં આવેલ સમયની ક્ષિતિજ આજના વર્તમાન મૂલ્યો કરતાં સાઠ નેવું સુધી ઘણી ટૂંકી છે
એપ્લિકેશન કે જે સારી રીતે કામ કરવાની જરૂર છે અને ટ્રાન્ઝેક્શન પ્રોસેસિંગ માટે ઉપલબ્ધ હોવી જરૂરી છે તે ન્યૂનતમ રકમ લાવવાની જરૂર છે dati જો તેઓ કોઈપણ અંશે સુગમતા માટે પરવાનગી આપે છે. તેથી ઓપરેશનલ એપ્લીકેશનમાં ટૂંકા સમયની ક્ષિતિજ હોય ​​છે, જેમ કે ઓડિયો એપ્લિકેશન ડિઝાઇન વિષય.
DW માં બીજી રીતે 'ટાઇમ વેરિઅન્સ' દેખાય છે તે કી સ્ટ્રક્ચરમાં છે. DW ની દરેક મુખ્ય રચનામાં, ગર્ભિત અથવા સ્પષ્ટ રીતે, સમય તત્વ, જેમ કે દિવસ, અઠવાડિયું, મહિનો, વગેરેનો સમાવેશ થાય છે. સમય તત્વ લગભગ હંમેશા DW માં મળેલી સંકલિત કીના તળિયે હોય છે. આ પ્રસંગો પર, સમય તત્વ ગર્ભિત રીતે અસ્તિત્વમાં રહેશે, જેમ કે કેસ જ્યાં મહિના અથવા ત્રિમાસિકના અંતે સંપૂર્ણ ફાઇલ ડુપ્લિકેટ થાય છે.
ત્રીજી રીત ટાઈમ વેરિઅન્સ પ્રદર્શિત થાય છે કે i dati DW ના, માત્ર યોગ્ય રીતે નોંધાયેલ, અપડેટ કરી શકાતું નથી. ધ dati DW ના તમામ વ્યવહારુ હેતુઓ માટે, સ્નેપશોટની લાંબી શ્રેણી છે. અલબત્ત જો સ્નેપશોટ ખોટી રીતે લેવામાં આવ્યો હોય, તો પછી સ્નેપશોટમાં ફેરફાર કરી શકાય છે. પરંતુ ધારી રહ્યા છીએ કે સ્નેપશોટ યોગ્ય રીતે લેવામાં આવ્યા છે, તે લેવામાં આવતાની સાથે જ બદલાતા નથી. કેટલાકમાં

કિસ્સાઓમાં તે અનૈતિક અથવા અમાન્ય પણ હોઈ શકે છે કે DW માં સ્નેપશોટમાં ફેરફાર કરવામાં આવ્યો છે. ધ dati ઑપરેશનલ, ઍક્સેસના સમયે જેટલું સચોટ છે, તે જરૂરિયાત મુજબ અપડેટ કરી શકાય છે.

અસ્થિર નથી

DW ની ચોથી મહત્વની લાક્ષણિકતા એ છે કે તે બિન-અસ્થિર છે.
રેકોર્ડ-બાય-રેકોર્ડના આધારે ઓપરેશનલ એન્વાયર્નમેન્ટમાં અપડેટ્સ, ઇન્સર્ટેશન, ડિલીટ અને ફેરફારો નિયમિતપણે કરવામાં આવે છે. પરંતુ મૂળભૂત મેનીપ્યુલેશન dati DW માં જરૂરી ખૂબ સરળ છે. DW માં માત્ર બે પ્રકારની કામગીરી થાય છે - પ્રારંભિક લોડિંગ dati અને ઍક્સેસ કરો dati. નું કોઈ અપડેટ નથી dati (અપડેટ કરવાના સામાન્ય અર્થમાં) સામાન્ય પ્રક્રિયા કામગીરી તરીકે DW માં. ઓપરેશનલ પ્રોસેસિંગ અને DW પ્રોસેસિંગ વચ્ચેના આ મૂળભૂત તફાવતના કેટલાક ખૂબ જ શક્તિશાળી પરિણામો છે. ડિઝાઇન સ્તરે, ક્રેશ અપડેટ વિશે સાવચેત રહેવાની જરૂરિયાત DW માં એક પરિબળ નથી, કારણ કે અપડેટ dati તે હાથ ધરવામાં આવતું નથી. આનો અર્થ એ છે કે ડિઝાઇનના ભૌતિક સ્તરે, ઍક્સેસને ઑપ્ટિમાઇઝ કરવા માટે સ્વતંત્રતાઓ લઈ શકાય છે dati, ખાસ કરીને નોર્મલાઇઝેશન અને ફિઝિકલ ડિનોર્મલાઇઝેશનના વિષયો સાથે કામ કરવા માટે. DW ની કામગીરીની સરળતાનું બીજું પરિણામ DW પર્યાવરણને ચલાવવા માટે વપરાતી અંતર્ગત ટેકનોલોજીમાં છે. ઓનલાઈન રેકોર્ડ-બાય-રેકોર્ડ અપડેટ્સને ટેકો આપવા માટે (જેમ કે ઓપરેશનલ કમ્પ્યુટિંગમાં ઘણી વખત કેસ હોય છે) માટે ટેક્નોલોજીને સ્પષ્ટ સરળતાની નીચે ખૂબ જ જટિલ પાયો હોવો જરૂરી છે.
ટેક્નોલોજી કે જે બેકઅપ અને પુનઃપ્રાપ્તિ, વ્યવહારો અને ડેટા અખંડિતતાને સમર્થન આપે છે dati અને ડેડલોક શોધ અને ઉપાય એ DW પ્રક્રિયા માટે ખૂબ જટિલ અને બિનજરૂરી છે. ડીડબ્લ્યુની લાક્ષણિકતાઓ, ડિઝાઇન ઓરિએન્ટેશન, એકીકરણ dati DW ની અંદર, સમયનો તફાવત અને સંચાલનની સરળતા dati, તે બધા એવા વાતાવરણ તરફ દોરી જાય છે જે ક્લાસિક ઓપરેટિંગ વાતાવરણથી ખૂબ જ અલગ છે. લગભગ બધાનો સ્ત્રોત dati DW ના ઓપરેટિંગ વાતાવરણ છે. ની વિશાળ નિરર્થકતા છે તે વિચારવું આકર્ષક છે dati બે વાતાવરણ વચ્ચે.
ખરેખર ઘણા લોકો પાસે પ્રથમ છાપ એ મહાન નિરર્થકતાની છે dati ઓપરેટિંગ પર્યાવરણ અને પર્યાવરણ વચ્ચે

DW એક્સ્ટેંશન. આવા અર્થઘટન સુપરફિસિયલ છે અને DW માં શું થઈ રહ્યું છે તેની સમજનો અભાવ દર્શાવે છે.
ખરેખર નિરર્થકતા એક ન્યૂનતમ છે dati ઓપરેટિંગ પર્યાવરણ અને i વચ્ચે dati DW ના. નીચેનાનો વિચાર કરો: આઇ dati તેઓ ફિલ્ટર કરવામાં આવે છે ડેટો કે તમે ઓપરેટિંગ પર્યાવરણમાંથી DW પર્યાવરણ પર સ્વિચ કરો છો. ઘણા dati તેઓ ઓપરેટિંગ પર્યાવરણની બહાર ક્યારેય જતા નથી. માત્ર તે જ આઇ dati જે ડીએસએસ પ્રોસેસિંગ માટે જરૂરી છે તેઓ પર્યાવરણમાં તેમની દિશા શોધે છે

▪ સમયની ક્ષિતિજ dati તે એક પર્યાવરણથી બીજા વાતાવરણમાં ખૂબ જ અલગ છે. ધ dati ઓપરેટિંગ વાતાવરણમાં તેઓ ખૂબ જ તાજા છે. ધ dati DW માં તેઓ ઘણા જૂના છે. માત્ર સમય ક્ષિતિજના પરિપ્રેક્ષ્યમાં, ઓપરેટિંગ પર્યાવરણ અને DW વચ્ચે બહુ ઓછું ઓવરલેપ છે.

▪ DW સમાવે છે dati સારાંશ જે ક્યારેય પર્યાવરણમાં નથી

▪ આઇ dati તેઓ આકૃતિ 3 માં સંક્રમણ કરતાં મૂળભૂત પરિવર્તનમાંથી પસાર થાય છે તે દર્શાવે છે કે મોટાભાગના dati જો તે પસંદ કરવામાં આવે અને DW માં ખસેડવામાં આવે તો તેમાં નોંધપાત્ર ફેરફાર કરવામાં આવે છે. બીજી રીતે મૂકો, મોટાભાગના dati તે શારીરિક અને ધરમૂળથી બદલાય છે કારણ કે તે DW માં ખસેડવામાં આવે છે. એકીકરણના દૃષ્ટિકોણથી તેઓ સમાન નથી dati ઓપરેટિંગ વાતાવરણમાં રહે છે. આ પરિબળોને જોતાં, ની નિરર્થકતા dati બે વાતાવરણ વચ્ચેની ઘટના એક દુર્લભ ઘટના છે, જે બે વાતાવરણ વચ્ચે 1% થી ઓછી રીડન્ડન્સી તરફ દોરી જાય છે. વેરહાઉસનું માળખું DWs એક અલગ માળખું ધરાવે છે. સારાંશ અને વિગતના વિવિધ સ્તરો છે જે DW ને સીમાંકન કરે છે.
DW ના વિવિધ ઘટકો છે:

• મેટાડેટા
• Dati વર્તમાન વિગતો
• Dati જૂની વિગતો
• Dati સહેજ સારાંશ
• Dati ખૂબ સારાંશ

અત્યાર સુધી મુખ્ય ચિંતા i માટે છે dati વર્તમાન વિગતો. તે પ્રાથમિક ચિંતા છે કારણ કે:

• I dati વર્તમાન વિગતો સૌથી તાજેતરની ઘટનાઓને પ્રતિબિંબિત કરે છે, જે હંમેશા ખૂબ જ રસપ્રદ હોય છે અને
• i dati વર્તમાન વિગતોનો ડેટા વિશાળ છે કારણ કે તે ગ્રેન્યુલારિટીના સૌથી નીચા સ્તરે સંગ્રહિત છે અને
• i dati વર્તમાન વિગતો લગભગ હંમેશા ડિસ્ક મેમરીમાં સંગ્રહિત થાય છે, જે ઍક્સેસ કરવા માટે ઝડપી છે, પરંતુ I થી ખર્ચાળ અને જટિલ છે dati વિગતો જૂની છે dati જે અમુક મેમરીમાં સંગ્રહિત છે માસ. તે છૂટાછવાયા રૂપે ઍક્સેસ કરવામાં આવે છે અને તેની સાથે સુસંગત વિગતોના સ્તરે સંગ્રહિત થાય છે dati વર્તમાન વિગતો. ની મોટી માત્રાને કારણે વૈકલ્પિક સ્ટોરેજ માધ્યમ પર સંગ્રહ કરવો ફરજિયાત નથી dati ની છૂટાછવાયા ઍક્સેસ સાથે સંયુક્ત dati, માટે સંગ્રહ માધ્યમ dati જૂની વિગતો સામાન્ય રીતે ડિસ્ક પર સંગ્રહિત થતી નથી. ધ dati તેઓ છે dati જે વિગતના નીચા સ્તરથી વિગતના વર્તમાન સ્તર સુધી નિસ્યંદિત છે. DW નું આ સ્તર લગભગ હંમેશા ડિસ્ક મેમરીમાં સંગ્રહિત થાય છે. ડિઝાઇનની સમસ્યાઓ જે પોતાને આર્કિટેક્ટ સમક્ષ રજૂ કરે છે dati DW ના આ સ્તરના નિર્માણમાં છે:

• ઉપર કરવામાં આવેલ સારાંશ સમયનો કયો એકમ છે
• કઈ સામગ્રી, વિશેષતાઓ ની સામગ્રીનો સહેજ સારાંશ આપશે dati નું આગલું સ્તર dati DW માં જોવા મળે છે તે છે dati ખૂબ સારાંશ. ધ dati ખૂબ સારાંશ કોમ્પેક્ટ અને સરળતાથી સુલભ છે. ધ dati ખૂબ સારાંશ ક્યારેક DW પર્યાવરણમાં જોવા મળે છે અને અન્ય કિસ્સાઓમાં i dati DW હોસ્ટ કરતી ટેકનોલોજીની તાત્કાલિક દિવાલોની બહાર અત્યંત અમૂર્ત જોવા મળે છે. (કોઈપણ સંજોગોમાં, i dati અત્યંત સારાંશ એ DW નો ભાગ છે જ્યાં પણ dati શારીરિક રીતે રાખવામાં આવે છે). DW નો અંતિમ ઘટક મેટાડેટા ઘટક છે. ઘણી બાબતોમાં મેટાડેટા અન્ય કરતા અલગ પરિમાણમાં બેસે છે dati DW ના, કારણ કે મેટાડેટામાં કોઈ સમાવતું નથી ડેટો સીધા ઓપરેટિંગ વાતાવરણમાંથી લેવામાં આવે છે. DW માં મેટાડેટાની વિશેષ અને ખૂબ જ મહત્વપૂર્ણ ભૂમિકા છે. મેટાડેટાનો ઉપયોગ આ રીતે થાય છે:

• DSS વિશ્લેષકને DW ની સામગ્રી શોધવામાં મદદ કરવા માટેની ડિરેક્ટરી,
• મેપિંગ માટે માર્ગદર્શિકા dati કેવી રીતે હું dati ઓપરેટિંગ પર્યાવરણમાંથી DW પર્યાવરણમાં રૂપાંતરિત કરવામાં આવ્યા છે,
• i વચ્ચે સારાંશ માટે ઉપયોગમાં લેવાતા અલ્ગોરિધમ્સની માર્ગદર્શિકા dati વર્તમાન વિગતો ei dati સહેજ સારાંશ, i dati ખૂબ સારાંશમાં, મેટાડેટા DW પર્યાવરણમાં ઓપરેશનલ વાતાવરણમાં ક્યારેય નહોતું કરતાં ઘણી મોટી ભૂમિકા ભજવે છે જૂની વિગતો સ્ટોરેજ માધ્યમ મેગ્નેટિક ટેપનો ઉપયોગ તે પ્રકારના સંગ્રહ માટે કરી શકાય છે dati. ખરેખર ત્યાં સ્ટોરેજ મીડિયાની વિશાળ વિવિધતા છે જે જૂનાને સ્ટોર કરવા માટે ધ્યાનમાં લેવી જોઈએ dati વિગતવાર. ના વોલ્યુમ પર આધાર રાખીને dati, ઍક્સેસની આવર્તન, સાધનોની કિંમત અને ઍક્સેસના પ્રકાર, તે સંપૂર્ણપણે સંભવિત છે કે અન્ય સાધનોને DW માં જૂના સ્તરની વિગતોની જરૂર પડશે. ડેટાનો પ્રવાહ નો સામાન્ય અને અનુમાનિત પ્રવાહ છે dati DW ની અંદર.
  I dati તેઓ ઓપરેટિંગ પર્યાવરણમાંથી DW દાખલ કરે છે. (નોંધ: આ નિયમમાં કેટલાક ખૂબ જ રસપ્રદ અપવાદો છે. જો કે, લગભગ તમામ dati ઓપરેટિંગ પર્યાવરણમાંથી DW દાખલ કરો). તારીખ કે હું dati તેઓ ઓપરેટિંગ પર્યાવરણમાંથી DW દાખલ કરે છે, તે ઉપર વર્ણવ્યા પ્રમાણે રૂપાંતરિત થાય છે. જો તમે DW દાખલ કરો, i dati બતાવ્યા પ્રમાણે, વર્તમાન સ્તરની વિગતો દાખલ કરો. તે ત્યાં રહે છે અને ત્રણમાંથી એક ઘટના બને ત્યાં સુધી તેનો ઉપયોગ થાય છે:

• શુદ્ધ થાય છે,
• સારાંશ આપવામાં આવે છે, અને/અથવા ▪ એ DW મૂવ્સ i ની અંદર અપ્રચલિત પ્રક્રિયા છે dati વર્તમાન વિગતો એ dati વિગત જૂની, ઉંમર અનુસાર dati. પ્રક્રિયા

સારાંશ ની વિગતનો ઉપયોગ કરે છે dati ની ગણતરી કરવા માટે dati ના સહેજ સારાંશ અને અત્યંત સારાંશવાળા સ્તરો dati. બતાવેલ પ્રવાહમાં કેટલાક અપવાદો છે (પછી ચર્ચા કરવા માટે). જો કે, સામાન્ય રીતે, મોટા ભાગના માટે dati એક DW માં જોવા મળે છે, ના પ્રવાહ dati તે દર્શાવ્યા પ્રમાણે છે.

ડેટાવેરહાઉસનો ઉપયોગ

ના વિવિધ સ્તરો આશ્ચર્યજનક નથી dati DW ની અંદર તેઓ ઉપયોગના વિવિધ સ્તરો પ્રાપ્ત કરતા નથી. એક નિયમ તરીકે, સારાંશનું સ્તર જેટલું ઊંચું છે, તેટલું વધુ i dati તેઓ વપરાય છે.
ઘણા ઉપયોગો થાય છે dati ખૂબ સારાંશ, જ્યારે જૂના dati વિગતવારનો લગભગ ક્યારેય ઉપયોગ થતો નથી. સંસ્થાને સંસાધનના ઉપયોગના દાખલામાં સ્થાનાંતરિત કરવા માટેનું સારું કારણ છે. વધુ સારાંશ i dati, તે પહોંચવું તેટલું ઝડપી અને વધુ કાર્યક્ષમ છે dati. જો દુકાન શોધે છે કે તે ડીડબ્લ્યુની ઘણી બધી વિગતો-સ્તરની પ્રક્રિયા કરે છે, ત્યારબાદ મશીન સંસાધનોની અનુરૂપ મોટી માત્રામાં વપરાશ થાય છે. શક્ય તેટલી વહેલી તકે આવા ઉચ્ચ સ્તરના સારાંશની પ્રક્રિયા કરવી દરેકના હિતમાં છે.

ઘણા સ્ટોર્સ માટે, પૂર્વ-DW પર્યાવરણમાં DSS વિશ્લેષકે ઉપયોગ કર્યો છે dati વિગતના સ્તરે. ખાતે આગમન ઘણી બાબતોમાં dati સારાંશના અન્ય સ્તરો ઉપલબ્ધ હોય ત્યારે પણ વિગતવાર સુરક્ષા ધાબળાની જેમ દેખાય છે. ના આર્કિટેક્ટની પ્રવૃત્તિઓમાંની એક dati DSS વપરાશકર્તાને સતત ઉપયોગથી છોડાવવાનો છે dati વિગતના સૌથી નીચા સ્તરે. આર્કિટેક્ટ માટે બે પ્રેરણા ઉપલબ્ધ છે dati:

• ચાર્જબેક સિસ્ટમ ઇન્સ્ટોલ કરવી, જ્યાં અંતિમ વપરાશકર્તા વપરાશ કરેલ સંસાધનો માટે ચૂકવણી કરે છે
• જે દર્શાવે છે કે જ્યારે i સાથે વર્તન કરવામાં આવે ત્યારે ખૂબ જ સારો પ્રતિભાવ સમય મેળવી શકાય છે dati સારાંશના ઉચ્ચ સ્તરે છે, જ્યારે નબળો પ્રતિભાવ સમય ના વર્તનથી આવે છે dati ના નીચા સ્તરે અન્ય સંમતિઓ કેટલાક અન્ય DW બાંધકામ અને વ્યવસ્થાપન વિચારણાઓ છે.
  પ્રથમ વિચારણા સૂચકાંકોની છે. ધ dati સારાંશના ઉચ્ચ સ્તરે તેઓ મુક્તપણે અનુક્રમિત થઈ શકે છે, જ્યારે i dati

વિગતના નીચલા સ્તરે તેઓ એટલા પ્રચંડ છે કે તેઓને ઓછા પ્રમાણમાં અનુક્રમિત કરી શકાય છે. સમાન ટોકનથી, આઇ dati વિગતવાર ઉચ્ચ સ્તરે પ્રમાણમાં સરળતાથી પુનઃરચના કરી શકાય છે, જ્યારે વોલ્યુમ dati નીચલા સ્તરે તે એટલું મોટું છે કે i dati તેઓ સરળતાથી નવીનીકરણ કરી શકતા નથી. પરિણામે, નું મોડેલ dati અને ડિઝાઈન દ્વારા કરવામાં આવેલ ઔપચારિક કાર્ય ડીડબ્લ્યુ માટે પાયો નાખે છે જે લગભગ વિશિષ્ટ રીતે વર્તમાન સ્તરની વિગતો માટે લાગુ પડે છે. બીજા શબ્દોમાં કહીએ તો, ની મોડેલિંગ પ્રવૃત્તિઓ dati તેઓ લગભગ દરેક કિસ્સામાં, સારાંશના સ્તરો પર લાગુ પડતા નથી. અન્ય માળખાકીય વિચારણા એ પેટાવિભાગની છે dati DW દ્વારા.

પાર્ટીશન બે સ્તરે કરી શકાય છે - ના સ્તરે ડીબીએમએસ અને એપ્લિકેશન સ્તરે. કક્ષાએ વિભાગમાં ડીબીએમએસતે ડીબીએમએસ વિભાગો વિશે જાણ કરવામાં આવે છે અને તે મુજબ તેનું નિયંત્રણ કરે છે. એપ્લિકેશન-લેવલ ડિવિઝનના કિસ્સામાં, ફક્ત પ્રોગ્રામર જ વિભાગોથી વાકેફ હોય છે અને તેમના વહીવટની જવાબદારી તેના પર છોડી દેવામાં આવે છે.

સ્તર નીચે ડીબીએમએસ, ઘણું કામ આપોઆપ થાય છે. વિભાગોના સ્વ-વહીવટ સાથે ઘણી બધી અણગમો સંકળાયેલી છે. ની વિભાગ-સ્તરની અરજીના કિસ્સામાં dati આ માહિતી વેરહાઉસ, ઘણું કામ પ્રોગ્રામર પર પડે છે, પરંતુ અંતિમ પરિણામ એ ના વહીવટમાં સુગમતા છે dati નેલ માહિતી વેરહાઉસ

અન્ય અસંગતતાઓ

જ્યારે ના ઘટકો માહિતી વેરહાઉસ લગભગ બધા માટે વર્ણવ્યા પ્રમાણે કામ કરો dati, કેટલાક ઉપયોગી અપવાદો છે જેની ચર્ચા કરવાની જરૂર છે. તેનો અપવાદ છે dati જાહેર સારાંશ (જાહેર સારાંશ ડેટા). આ છે dati સારાંશ કે જેમાંથી ગણતરી કરવામાં આવી છે માહિતી વેરહાઉસ પરંતુ તેઓ સમાજ દ્વારા ઉપયોગમાં લેવાય છે. ધ dati માં સાર્વજનિક સારાંશ સંગ્રહિત અને સંચાલિત થાય છે માહિતી વેરહાઉસ, જો કે ઉપર સૂચવ્યા મુજબ તેઓ બહાર કાઢવામાં આવ્યા છે. એકાઉન્ટન્ટ્સ આવા ત્રિમાસિક ઉત્પાદન માટે કામ કરે છે dati જેમ કે આવક, ત્રિમાસિક ખર્ચ, ત્રિમાસિક નફો, વગેરે. એકાઉન્ટન્ટ્સ દ્વારા કરવામાં આવતી કામગીરી બાહ્ય છે માહિતી વેરહાઉસ. જો કે, આઇ dati કંપનીની અંદર “આંતરિક રીતે” વપરાય છે – થી માર્કેટિંગ, વેચાણ, વગેરે. અન્ય વિસંગતતા, જેની ચર્ચા કરવામાં આવશે નહીં, તે છે dati એસ્ટર્ની

અન્ય ઉત્કૃષ્ટ પ્રકાર dati જે a માં મળી શકે છે માહિતી વેરહાઉસ તે કાયમી વિગતવાર માહિતી છે. આ કાયમી ધોરણે સંગ્રહ કરવાની જરૂરિયાતનું કારણ બને છે dati નૈતિક અથવા કાનૂની કારણોસર વિગતવાર સ્તરે. જો કોઈ કંપની તેના કામદારોને જોખમી પદાર્થોના સંપર્કમાં મૂકતી હોય તો તેની જરૂર છે dati વિગતવાર અને કાયમી. જો કોઈ કંપની એવી પ્રોડક્ટનું ઉત્પાદન કરે છે જેમાં જાહેર સલામતી શામેલ હોય, જેમ કે વિમાનના ભાગો, તો તેની જરૂર છે dati કાયમી વિગતો, તેમજ જો કોઈ કંપની જોખમી કરારમાં પ્રવેશ કરે છે.

કંપની વિગતોની અવગણના કરી શકે તેમ નથી કારણ કે આગામી કેટલાક વર્ષોમાં, કેસ, રિકોલ, વિવાદિત બાંધકામ ખામી વગેરેની સ્થિતિમાં. કંપનીનું એક્સપોઝર મોટું હોઈ શકે છે. પરિણામે એક અનન્ય પ્રકાર છે dati કાયમી વિગત ડેટા તરીકે ઓળખાય છે.

સારાંશ

Un માહિતી વેરહાઉસ તે એક ઑબ્જેક્ટ ઓરિએન્ટેડ, ઇન્ટિગ્રેટેડ, ટેન્શન વેરિઅન્ટ, નો સંગ્રહ છે dati વહીવટીતંત્રની નિર્ણય લેવાની જરૂરિયાતોને સમર્થન આપવા માટે બિન-અસ્થિર. a ના દરેક મુખ્ય કાર્યો માહિતી વેરહાઉસ તેની અસરો છે. વધુમાં ચાર સ્તરો છે dati આ માહિતી વેરહાઉસ:

• જૂની વિગતો
• વર્તમાન વિગત
• Dati સહેજ સારાંશ
• Dati ખૂબ સારાંશવાળા મેટાડેટા પણ એક મહત્વપૂર્ણ ભાગ છે માહિતી વેરહાઉસ. અમૂર્ત ના સંગ્રહનો ખ્યાલ dati તાજેતરમાં તેને ઘણું ધ્યાન આપવામાં આવ્યું છે અને તે 90 ના દાયકાનો એક ટ્રેન્ડ બની ગયો છે. આ ક્ષમતાને કારણે છે માહિતી વેરહાઉસ નિર્ણય સપોર્ટ સિસ્ટમ્સ (DSS) અને એક્ઝિક્યુટિવ ઇન્ફર્મેશન સિસ્ટમ્સ (EIS) જેવી મેનેજમેન્ટ સપોર્ટ સિસ્ટમ્સની મર્યાદાઓને દૂર કરવા. ની ખ્યાલ હોવા છતાં માહિતી વેરહાઉસ આશાસ્પદ લાગે છે, અમલીકરણ i માહિતી વેરહાઉસ મોટા પાયે વેરહાઉસિંગ પ્રક્રિયાઓને કારણે સમસ્યારૂપ બની શકે છે. ના વેરહાઉસિંગ પ્રોજેક્ટ્સની જટિલતા હોવા છતાં dati, ઘણા સપ્લાયર્સ અને સલાહકારો જેઓ સ્ટોક કરે છે dati દલીલ કરે છે કે ના સંગ્રહ dati કોઈ સમસ્યા હાજર નથી. જો કે, આ સંશોધન પ્રોજેક્ટની શરૂઆતમાં, ભાગ્યે જ કોઈ સ્વતંત્ર, સખત અને પદ્ધતિસરનું સંશોધન કરવામાં આવ્યું હતું. પરિણામે, તે કહેવું મુશ્કેલ છે કે જ્યારે તેઓ બનાવવામાં આવે છે ત્યારે ઉદ્યોગમાં ખરેખર શું થાય છે માહિતી વેરહાઉસ. આ અભ્યાસમાં વેરહાઉસિંગ પ્રેક્ટિસની શોધ કરવામાં આવી હતી dati સમકાલીન જેનો હેતુ ઓસ્ટ્રેલિયન પ્રેક્ટિસની વધુ સમૃદ્ધ સમજ વિકસાવવાનો છે. સાહિત્ય સમીક્ષાએ પ્રયોગમૂલક અભ્યાસ માટે સંદર્ભ અને પાયો પૂરો પાડ્યો હતો. આ સંશોધનના સંખ્યાબંધ પરિણામો છે. સૌપ્રથમ, આ અધ્યયનમાં વિકાસ દરમિયાન થયેલી પ્રવૃત્તિઓ જાહેર કરવામાં આવી હતી માહિતી વેરહાઉસ. ઘણા વિસ્તારોમાં, i dati સાહિત્યમાં નોંધાયેલ પ્રથાની પુષ્ટિ કરી. બીજું, મુદ્દાઓ અને સમસ્યાઓ જે વિકાસને અસર કરી શકે છે માહિતી વેરહાઉસ આ અભ્યાસ દ્વારા ઓળખવામાં આવી હતી. છેલ્લે, ઉપયોગ સાથે સંકળાયેલ ઓસ્ટ્રેલિયન સંસ્થાઓ દ્વારા મેળવેલ લાભો માહિતી વેરહાઉસ જાહેર કરવામાં આવ્યા છે.

પ્રકરણ 1

સંદર્ભ શોધો

ડેટા વેરહાઉસિંગની વિભાવનાને વ્યાપક એક્સપોઝર મળ્યું અને 90ના દાયકામાં તે ઉભરતો ટ્રેન્ડ બની ગયો (મેકફેડન 1996, TDWI 1996, શાહ અને મિલ્સ્ટેઇન 1997, શેન્ક્સ એટ અલ. 1997, એકર્સન 1998, એડેલમેન અને ઓટ્સ 2000). આ વેપાર પ્રકાશનોમાં ડેટા વેરહાઉસિંગ પરના લેખોની વધતી જતી સંખ્યા પરથી જોઈ શકાય છે (લિટલ અને ગિબ્સન 1999). ઘણા લેખો (જુઓ, ઉદાહરણ તરીકે, ફિશર 1995, હેકાથોર્ન 1995, મોરિસ 1995a, બ્રેમ્બલેટ અને કિંગ 1996, ગ્રેહામ એટ અલ. 1996, સાકાગુચી અને ફ્રોલિક 1996, અલ્વારેઝ 1997, બ્રાઉસેલ 1997, ડોન 1997, ડોન 1997, ડોન 1997 1998, એડવર્ડ્સ 1999, TDWI XNUMX) અમલીકરણ કરતી સંસ્થાઓને નોંધપાત્ર લાભોની જાણ કરી છે માહિતી વેરહાઉસ. તેઓએ તેમના સિદ્ધાંતને સફળ અમલીકરણ, રોકાણ પર ઉચ્ચ વળતર (ROI)ના આંકડાઓ અને વિકાસ માટે માર્ગદર્શિકા અથવા પદ્ધતિઓ પ્રદાન કરીને પણ તેમના સિદ્ધાંતને સમર્થન આપ્યું. માહિતી વેરહાઉસ

(શેન્ક્સ એટ અલ. 1997, સેડન અને બેન્જામિન 1998, લિટલ અને ગિબ્સન 1999). આત્યંતિક કિસ્સામાં, ગ્રેહામ એટ અલ. (1996) એ 401% ના ત્રણ વર્ષના રોકાણ પર સરેરાશ વળતરની જાણ કરી.

મોટા ભાગના વર્તમાન સાહિત્યે, જો કે, આવા પ્રોજેક્ટો હાથ ધરવા સાથે સંકળાયેલી જટિલતાઓને નજરઅંદાજ કરી છે. ના પ્રોજેક્ટ્સ માહિતી વેરહાઉસ તે સામાન્ય રીતે જટિલ અને મોટા પાયે હોય છે અને તેથી જો કાળજીપૂર્વક નિયંત્રિત ન કરવામાં આવે તો નિષ્ફળતાની ઉચ્ચ સંભાવના ધરાવે છે (શાહ અને મિલ્સ્ટેઇન 1997, એકર્સન 1997, ફોલી 1997b, ઝિમર 1997, બોર્ટ 1998, ગિબ્સ અને ક્લાઇમર 1998, રાવ 1998). તેમને માનવીય અને નાણાકીય સંસાધનો, સમય અને પ્રયત્ન બંનેની વિશાળ માત્રાની જરૂર પડે છે (હિલ 1998, ક્રોફ્ટ્સ 1998). સામાન્ય સમય અને નાણાકીય માધ્યમો અનુક્રમે લગભગ બે વર્ષ અને બે થી ત્રણ મિલિયન ડોલરની જરૂર છે (બ્રેલી 1995, ફોલી 1997b, બોર્ટ 1998, હમ્ફ્રીઝ એટ અલ. 1999). ડેટા વેરહાઉસિંગના ઘણા જુદા જુદા પાસાઓને નિયંત્રિત અને એકીકૃત કરવા માટે આ સમય અને નાણાકીય માધ્યમો જરૂરી છે (કાફાસો 1995, હિલ 1998). હાર્ડવેર અને સૉફ્ટવેરની વિચારણાઓ સાથે, અન્ય કાર્યો, જે ના નિષ્કર્ષણથી બદલાય છે dati ની લોડિંગ પ્રક્રિયાઓ માટે dati, અપડેટ્સ અને મેટાનું સંચાલન કરવાની મેમરી ક્ષમતા dati વપરાશકર્તા તાલીમ માટે, ધ્યાનમાં લેવું આવશ્યક છે.

આ સંશોધન પ્રોજેક્ટ શરૂ થયો તે સમયે, ડેટા વેરહાઉસિંગના ક્ષેત્રમાં, ખાસ કરીને ઓસ્ટ્રેલિયામાં ખૂબ જ ઓછા શૈક્ષણિક સંશોધનો હાથ ધરવામાં આવ્યાં હતાં. તે સમયના જર્નલો અથવા અન્ય શૈક્ષણિક લખાણો દ્વારા ડેટા વેરહાઉસિંગ પર પ્રકાશિત થયેલા લેખોની અછત પરથી આ સ્પષ્ટ થયું હતું. ઘણા ઉપલબ્ધ શૈક્ષણિક લખાણોએ યુએસ અનુભવનું વર્ણન કર્યું છે. ડેટા વેરહાઉસિંગના ક્ષેત્રમાં શૈક્ષણિક સંશોધનના અભાવે સખત સંશોધન અને પ્રયોગમૂલક અભ્યાસની માંગ ઊભી કરી છે (McFadden 1996, Shanks et al. 1997, Little and Gibson 1999). ખાસ કરીને, ની અમલીકરણ પ્રક્રિયા પર સંશોધન અભ્યાસ માહિતી વેરહાઉસ ના અમલીકરણ વિશે સામાન્ય જ્ઞાનને વિસ્તારવા માટે કરવાની જરૂર છે માહિતી વેરહાઉસ અને ભવિષ્યના સંશોધન અભ્યાસ માટેના આધાર તરીકે સેવા આપશે (શેન્ક્સ એટ અલ. 1997, લિટલ અને ગિબ્સન 1999).

આ અભ્યાસનો હેતુ, તેથી, જ્યારે સંસ્થાઓ અમલીકરણ કરે છે અને i નો ઉપયોગ કરે છે ત્યારે ખરેખર શું થાય છે તેની તપાસ કરવાનો છે માહિતી વેરહાઉસ ઓસ્ટ્રેલિયામાં. ખાસ કરીને, આ અભ્યાસમાં વિકાસની સમગ્ર પ્રક્રિયાનું વિશ્લેષણ સામેલ હશે માહિતી વેરહાઉસ, ઑસ્ટ્રેલિયન સંસ્થાઓમાં ડિઝાઇન અને અમલીકરણ અને અનુગામી ઉપયોગ દ્વારા દીક્ષા અને ડિઝાઇનથી શરૂ કરીને. વધુમાં, અભ્યાસ એવા ક્ષેત્રોને ઓળખીને વર્તમાન પ્રેક્ટિસમાં પણ યોગદાન આપશે કે જ્યાં પ્રેક્ટિસને વધુ સુધારી શકાય અને બિનકાર્યક્ષમતા અને જોખમો ઘટાડી શકાય અથવા ટાળી શકાય. વધુમાં, તે પરના અન્ય અભ્યાસો માટેના આધાર તરીકે સેવા આપશે માહિતી વેરહાઉસ ઑસ્ટ્રેલિયામાં અને હાલમાં સાહિત્યમાં જે અંતર છે તેને ભરશે.

સંશોધન પ્રશ્નો

આ સંશોધનનો ઉદ્દેશ્ય અમલીકરણમાં સામેલ પ્રવૃત્તિઓનો અભ્યાસ કરવાનો છે માહિતી વેરહાઉસ અને ઓસ્ટ્રેલિયન સંસ્થાઓ દ્વારા તેનો ઉપયોગ. ખાસ કરીને, પ્રોજેક્ટ પ્લાનિંગ, ડેવલપમેન્ટ, ઓપરેશન, ઉપયોગ અને તેમાં સામેલ જોખમોને લગતા તત્વોનો અભ્યાસ કરવામાં આવે છે. તેથી આ સંશોધનનો પ્રશ્ન છે:

“ની વર્તમાન પ્રથા કેવી છે માહિતી વેરહાઉસ ઓસ્ટ્રેલિયામાં?"

આ પ્રશ્નનો અસરકારક રીતે જવાબ આપવા માટે, સંખ્યાબંધ પેટાકંપની સંશોધન પ્રશ્નો જરૂરી છે. ખાસ કરીને, આ સંશોધન પ્રોજેક્ટને માર્ગદર્શન આપવા માટે, સાહિત્યમાંથી ત્રણ પેટા-પ્રશ્નો ઓળખવામાં આવ્યા છે, જે પ્રકરણ 2 માં રજૂ કરવામાં આવ્યા છે: માહિતી વેરહાઉસ ઓસ્ટ્રેલિયન સંસ્થાઓ દ્વારા? કઈ સમસ્યાઓનો સામનો કરવો પડ્યો?

શું લાભો અનુભવાય છે?
આ પ્રશ્નોના જવાબમાં, એક સર્વેક્ષણને કાર્યરત કરતી સંશોધન સંશોધન ડિઝાઇનનો ઉપયોગ કરવામાં આવ્યો હતો. સંશોધનાત્મક અભ્યાસ તરીકે, ઉપરોક્ત પ્રશ્નોના જવાબો પૂરા નથી (શાંક્સ એટ અલ. 1993, ડેન્સકોમ્બે 1998). આ કિસ્સામાં, આ પ્રશ્નોના જવાબોને સુધારવા માટે કેટલાક ત્રિકોણની જરૂર છે. જો કે, તપાસ આ પ્રશ્નોની તપાસ કરતા ભાવિ કાર્ય માટે નક્કર પાયો પૂરો પાડશે. સંશોધન પદ્ધતિના સમર્થન અને ડિઝાઇનની વિગતવાર ચર્ચા પ્રકરણ 3 માં રજૂ કરવામાં આવી છે.

સંશોધન પ્રોજેક્ટનું માળખું

આ સંશોધન પ્રોજેક્ટ બે ભાગોમાં વહેંચાયેલો છે: ડેટા વેરહાઉસિંગ ખ્યાલ અને પ્રયોગમૂલક સંશોધનનો સંદર્ભ અભ્યાસ (જુઓ આકૃતિ 1.1), જેમાંથી દરેકની નીચે ચર્ચા કરવામાં આવી છે.

ભાગ I: સંદર્ભિત અભ્યાસ

સંશોધનના પ્રથમ ભાગમાં નિર્ણય સપોર્ટ સિસ્ટમ્સ (DSS), એક્ઝિક્યુટિવ ઇન્ફર્મેશન સિસ્ટમ્સ (EIS), કેસ સ્ટડીઝ સહિત વિવિધ પ્રકારના ડેટા વેરહાઉસિંગ પર વર્તમાન સાહિત્યની સમીક્ષાનો સમાવેશ થાય છે. માહિતી વેરહાઉસ અને ની વિભાવનાઓ માહિતી વેરહાઉસ. પણ, પર ફોરમ પરિણામો માહિતી વેરહાઉસ અને મોનાશ ડીએસએસ સંશોધન જૂથની આગેવાની હેઠળના નિષ્ણાત અને પ્રેક્ટિશનર મીટિંગ જૂથોએ અભ્યાસના આ તબક્કામાં યોગદાન આપ્યું હતું જેનો હેતુ અભ્યાસમાં સમજ મેળવવાનો હતો. માહિતી વેરહાઉસ અને તેમના દત્તક લેવામાં સામેલ જોખમોને ઓળખવા. સંદર્ભાત્મક અભ્યાસના આ સમયગાળા દરમિયાન, અનુગામી પ્રયોગમૂલક તપાસ માટે જ્ઞાનનો આધાર પૂરો પાડવા માટે સમસ્યા વિસ્તારની સમજ સ્થાપિત કરવામાં આવી હતી. જો કે, આ એક ચાલુ પ્રક્રિયા હતી કારણ કે સંશોધન અભ્યાસ હાથ ધરવામાં આવ્યો હતો.

ભાગ II: પ્રયોગમૂલક સંશોધન

ડેટા વેરહાઉસિંગની પ્રમાણમાં નવી વિભાવના, ખાસ કરીને ઑસ્ટ્રેલિયામાં, ઉપયોગના અનુભવનું વ્યાપક ચિત્ર મેળવવા માટે સર્વેક્ષણની જરૂરિયાત ઊભી કરી છે. આ ભાગ એક વ્યાપક સાહિત્ય સમીક્ષા દ્વારા સમસ્યા ડોમેન સ્થાપિત થઈ ગયા પછી કરવામાં આવ્યો હતો. સંદર્ભ અભ્યાસના તબક્કા દરમિયાન રચાયેલ ડેટા વેરહાઉસિંગ ખ્યાલનો ઉપયોગ આ અભ્યાસની પ્રારંભિક પ્રશ્નાવલિ માટે ઇનપુટ તરીકે કરવામાં આવ્યો હતો. આ પછી, પ્રશ્નાવલિની સમીક્ષા કરવામાં આવી હતી. શું તમે નિષ્ણાત છો માહિતી વેરહાઉસ ટેસ્ટમાં ભાગ લીધો હતો. પ્રારંભિક પ્રશ્નાવલીનું પરીક્ષણ કરવાનો હેતુ પ્રશ્નોની સંપૂર્ણતા અને ચોકસાઈ ચકાસવાનો હતો. પરીક્ષણ પરિણામોના આધારે, પ્રશ્નાવલીમાં ફેરફાર કરવામાં આવ્યો હતો અને સંશોધિત સંસ્કરણ સર્વેના સહભાગીઓને મેઇલ કરવામાં આવ્યું હતું. પાછી આપેલી પ્રશ્નાવલીઓનું પછી વિશ્લેષણ કરવામાં આવ્યું dati કોષ્ટકો, આકૃતિઓ અને અન્ય ફોર્મેટમાં. ધ

ના વિશ્લેષણ પરિણામો dati ઓસ્ટ્રેલિયામાં ડેટા વેરહાઉસિંગ પ્રેક્ટિસનો સ્નેપશોટ બનાવો.

ડેટા વેરહાઉસિંગ વિહંગાવલોકન

કોમ્પ્યુટર ટેક્નોલોજીમાં સુધારા સાથે ડેટા વેરહાઉસિંગનો ખ્યાલ વિકસિત થયો છે.
તેનો હેતુ એપ્લિકેશન સપોર્ટ જૂથો જેમ કે ડિસિઝન સપોર્ટ સિસ્ટમ (DSS) અને એક્ઝિક્યુટિવ ઇન્ફર્મેશન સિસ્ટમ (EIS) દ્વારા આવતી સમસ્યાઓને દૂર કરવાનો છે.

ભૂતકાળમાં આ અરજીઓમાં સૌથી મોટો અવરોધ એ છે કે આ અરજીઓ પૂરી પાડવામાં અસમર્થતા છે ડેટા બેઝ વિશ્લેષણ માટે જરૂરી.
આ મુખ્યત્વે મેનેજમેન્ટના કાર્યની પ્રકૃતિને કારણે થાય છે. કંપનીના મેનેજમેન્ટના હિતો આવરી લેવામાં આવેલા વિસ્તારના આધારે સતત બદલાતા રહે છે. તેથી આઇ dati આ એપ્લીકેશનની મૂળભૂત બાબતો સારવાર માટેના ભાગના આધારે ઝડપથી બદલવામાં સક્ષમ હોવી જોઈએ.
આનો અર્થ એ છે કે આઇ dati જરૂરી વિશ્લેષણો માટે યોગ્ય ફોર્મમાં ઉપલબ્ધ હોવું જોઈએ. વાસ્તવમાં, એપ્લિકેશન સપોર્ટ જૂથોને ભૂતકાળમાં તેને એકત્રિત કરવું અને એકીકૃત કરવું ખૂબ જ મુશ્કેલ લાગ્યું dati જટિલ અને વૈવિધ્યસભર સ્ત્રોતોમાંથી.

આ વિભાગનો બાકીનો ભાગ ડેટા વેરહાઉસિંગની વિભાવનાની ઝાંખી રજૂ કરે છે અને ચર્ચા કરે છે કે કેવી રીતે માહિતી વેરહાઉસ એપ્લિકેશન સપોર્ટ જૂથોની સમસ્યાઓ દૂર કરી શકે છે.
શબ્દ “ડેટા વેરહાઉસવિલિયમ ઇનમોન દ્વારા 1990 માં લોકપ્રિય કરવામાં આવ્યું હતું. તેમની વારંવાર ટાંકેલી વ્યાખ્યા જુએ છે ડેટા વેરહાઉસ ના સંગ્રહ તરીકે dati મેનેજમેન્ટ નિર્ણયોના સમર્થનમાં વિષય-લક્ષી, સંકલિત, બિન-અસ્થિર અને સમયાંતરે ચલ.

આ વ્યાખ્યાનો ઉપયોગ કરીને ઇનમોન નિર્દેશ કરે છે કે i dati a માં રહે છે માહિતી વેરહાઉસ નીચેની 4 લાક્ષણિકતાઓ હોવી આવશ્યક છે:

• ▪ વિષય લક્ષી
• ▪ સંકલિત
• ▪ અસ્થિર નથી
• ▪ વિષય લક્ષી ઈન્મોન દ્વારા સમયાંતરે ચલ એટલે કે i dati નેલ માહિતી વેરહાઉસ સૌથી મોટા સંગઠનાત્મક ક્ષેત્રોમાં જે છે

મોડેલમાં વ્યાખ્યાયિત dati. ઉદાહરણ તરીકે બધા dati હું વિશે ગ્રાહકો વિષય વિસ્તારમાં સમાયેલ છે ગ્રાહકો. એ જ રીતે બધા dati ઉત્પાદનો સંબંધિત વિષય વિસ્તાર ઉત્પાદનોમાં સમાયેલ છે.

ઇન્ટિગ્રેટેડ ઇનમોન દ્વારા એટલે કે આઇ dati વિવિધ પ્લેટફોર્મ્સ, સિસ્ટમ્સ અને સ્થાનોથી એક જગ્યાએ સંયોજિત અને સંગ્રહિત થાય છે. પરિણામે dati સરળતાથી ઉમેરવા અને સરખામણી કરવા માટે સમાન ફોર્મેટમાં રૂપાંતરિત થવું આવશ્યક છે.
ઉદાહરણ તરીકે, પુરૂષવાચી અને સ્ત્રીની જાતિને એક સિસ્ટમમાં M અને F અક્ષરો દ્વારા અને બીજી સિસ્ટમમાં 1 અને 0 દ્વારા દર્શાવવામાં આવે છે. તેમને યોગ્ય રીતે એકીકૃત કરવા માટે, એક અથવા બંને ફોર્મેટને રૂપાંતરિત કરવું આવશ્યક છે જેથી કરીને બે ફોર્મેટ સમાન હોય. આ કિસ્સામાં આપણે M ને 1 અને F ને 0 અથવા તેનાથી વિપરીત બદલી શકીએ છીએ. વિષય લક્ષી અને સંકલિત સૂચવે છે કે માહિતી વેરહાઉસ ની કાર્યાત્મક અને ટ્રાન્સવર્સલ દ્રષ્ટિ પ્રદાન કરવા માટે રચાયેલ છે dati કંપની દ્વારા.

બિન-અસ્થિર દ્વારા તેનો અર્થ એ છે કે i dati નેલ માહિતી વેરહાઉસ ના સુસંગત અને અપડેટ રહો dati તે જરુરી નથી. તેના બદલે, માં કોઈપણ ફેરફાર dati મૂળ ઉમેરવામાં આવે છે ડેટાબેઝ આ માહિતી વેરહાઉસ. આનો અર્થ એ થયો કે ઈતિહાસકાર dati માં સમાયેલ છે માહિતી વેરહાઉસ.

સમય સાથેના ચલો માટે Inmon સૂચવે છે કે i dati નેલ માહિતી વેરહાઉસ હંમેશા ટેમ્પો સૂચક ei સમાવે છે dati તેઓ સામાન્ય રીતે ચોક્કસ સમયની ક્ષિતિજને પાર કરે છે. ઉદાહરણ તરીકે એ
માહિતી વેરહાઉસ ના 5 વર્ષનાં ઐતિહાસિક મૂલ્યો સમાવી શકે છે ગ્રાહકો 1993 થી 1997 સુધી. ઐતિહાસિક અને સમય શ્રેણીની ઉપલબ્ધતા dati તમને વલણોનું વિશ્લેષણ કરવાની મંજૂરી આપે છે.

Un માહિતી વેરહાઉસ તે પોતાનું એકત્ર કરી શકે છે dati OLTP સિસ્ટમ્સમાંથી; મૂળમાંથી dati સંસ્થા માટે બાહ્ય અને/અથવા અન્ય વિશિષ્ટ ટ્રેપિંગ સિસ્ટમ પ્રોજેક્ટ્સમાંથી dati.
I dati અર્ક સફાઈ પ્રક્રિયામાંથી પસાર થઈ શકે છે, આ કિસ્સામાં i dati માં સંગ્રહિત થતાં પહેલાં રૂપાંતરિત અને સંકલિત કરવામાં આવે છે ડેટાબેઝ આ માહિતી વેરહાઉસ. પછી હું dati

ની અંદર રહે છે ડેટાબેઝ આ માહિતી વેરહાઉસ અંતિમ-વપરાશકર્તા લોગિન અને પુનઃપ્રાપ્તિ સાધનો માટે ઉપલબ્ધ કરાવવામાં આવે છે. આ સાધનોનો ઉપયોગ કરીને અંતિમ વપરાશકર્તા સંસ્થાના સંકલિત દૃશ્યને ઍક્સેસ કરી શકે છે dati.

I dati ની અંદર રહે છે ડેટાબેઝ આ માહિતી વેરહાઉસ તેઓ વિગતવાર અને સારાંશ બંને ફોર્મેટમાં સંગ્રહિત છે.
સારાંશનું સ્તર તેની પ્રકૃતિ પર આધારિત હોઈ શકે છે dati. હું dati વિગતવાર સમાવી શકે છે dati વર્તમાન અને dati ઇતિહાસકારો
I dati વાસ્તવિક માં સમાવેલ નથી માહિતી વેરહાઉસ જ્યાં સુધી હું dati નેલ માહિતી વેરહાઉસ ફરીથી અપડેટ કરવામાં આવે છે.
સંગ્રહ કરવા ઉપરાંત dati પોતાને, એ માહિતી વેરહાઉસ તે એક અલગ પ્રકારનો સંગ્રહ પણ કરી શકે છે ડેટો મેટાડેટાનું વર્ણન કરતું i dati તેનામાં રહે છે ડેટાબેઝ.
મેટાડેટાના બે પ્રકાર છે: વિકાસ મેટાડેટા અને વિશ્લેષણ મેટાડેટા.
ડેવલપમેન્ટ મેટાડેટાનો ઉપયોગ એક્સટ્રેક્ટિંગ, ક્લિનિંગ, મેપિંગ અને અપલોડિંગની પ્રક્રિયાઓનું સંચાલન અને સ્વચાલિત કરવા માટે થાય છે. dati નેલ માહિતી વેરહાઉસ.
ડેવલપમેન્ટ મેટાડેટામાં સમાવિષ્ટ માહિતીમાં ઓપરેટિંગ સિસ્ટમ્સની વિગતો, એક્સટ્રેક્ટ કરવા માટેના તત્વોની વિગતો, મોડેલ શામેલ હોઈ શકે છે. dati આ માહિતી વેરહાઉસ અને ડેટા કન્વર્ટ કરવા માટેના વ્યવસાય નિયમો dati.

મેટાડેટાનો બીજો પ્રકાર, જેને એનાલિટિક્સ મેટાડેટા તરીકે ઓળખવામાં આવે છે, જે અંતિમ વપરાશકર્તાને તેની સામગ્રીનું અન્વેષણ કરવા સક્ષમ બનાવે છે માહિતી વેરહાઉસ i શોધવા માટે dati ઉપલબ્ધ અને સ્પષ્ટ, બિન-તકનીકી શબ્દોમાં તેનો અર્થ.

આમ એનાલિટિક્સ મેટાડેટા વચ્ચેના સેતુ તરીકે કામ કરે છે માહિતી વેરહાઉસ અને અંતિમ-વપરાશકર્તા એપ્લિકેશનો. આ મેટાડેટામાં બિઝનેસ મોડલ, વર્ણનો હોઈ શકે છે dati બિઝનેસ મોડલને અનુરૂપ, પૂર્વ-નિર્ધારિત પ્રશ્નો અને અહેવાલો, વપરાશકર્તાની ઍક્સેસ માટેની માહિતી અને અનુક્રમણિકા.

યોગ્ય રીતે કાર્ય કરવા માટે વિશ્લેષણ અને વિકાસ મેટાડેટાને એક સંકલિત કન્ટેઈનમેન્ટ મેટાડેટામાં જોડવા જોઈએ.

કમનસીબે હાલના ઘણા સાધનોનો પોતાનો મેટાડેટા છે અને હાલમાં એવા કોઈ ધોરણો નથી

ડેટા વેરહાઉસિંગ ટૂલ્સને આ મેટાડેટાને એકીકૃત કરવાની મંજૂરી આપો. આ પરિસ્થિતિના ઉકેલ માટે અગ્રણી ડેટા વેરહાઉસિંગ સાધનોના ઘણા વિક્રેતાઓએ મેટા ડેટા કાઉન્સિલની રચના કરી જે પાછળથી મેટા ડેટા ગઠબંધન બની.

આ ગઠબંધનનો ધ્યેય પ્રમાણભૂત મેટાડેટા સેટ બનાવવાનો છે જે વિવિધ ડેટા વેરહાઉસિંગ સાધનોને મેટાડેટાને કન્વર્ટ કરવાની મંજૂરી આપે છે.
તેમના પ્રયત્નોના પરિણામે મેટા ડેટા ઇન્ટરચેન્જ સ્પેસિફિકેશન (MDIS) નો જન્મ થયો જે Microsoft આર્કાઇવ્સ અને સંબંધિત MDIS ફાઇલો વચ્ચે માહિતીના આદાનપ્રદાનને મંજૂરી આપશે.

નું અસ્તિત્વ dati સારાંશ/અનુક્રમિત અને વિગતવાર બંને, તે વપરાશકર્તાને ડ્રિલ ડ્રોન (ડ્રિલિંગ) કરવાની શક્યતા આપે છે dati વિગતવાર રાશિઓ માટે અનુક્રમિત અને ઊલટું. નું અસ્તિત્વ dati વિગતવાર ઇતિહાસ સમયાંતરે વલણ વિશ્લેષણ બનાવવાની મંજૂરી આપે છે. વધુમાં વિશ્લેષણ મેટાડેટાનો ઉપયોગ ડેલ ડિરેક્ટરી તરીકે કરી શકાય છે ડેટાબેઝ આ માહિતી વેરહાઉસ અંતિમ વપરાશકર્તાઓને શોધવામાં મદદ કરવા માટે i dati જરૂરી

OLTP સિસ્ટમ્સની તુલનામાં, તેમના વિશ્લેષણને સમર્થન આપવાની ક્ષમતા સાથે dati અને રિપોર્ટિંગ, ધ માહિતી વેરહાઉસ તે માહિતી પ્રક્રિયાઓ માટે વધુ યોગ્ય સિસ્ટમ તરીકે જોવામાં આવે છે જેમ કે પ્રશ્નો બનાવવા અને જવાબ આપવા અને અહેવાલો બનાવવા. આગળનો વિભાગ બે સિસ્ટમોના તફાવતોને વિગતવાર રીતે પ્રકાશિત કરશે.

ડેટા વેરહાઉસ OLTP સિસ્ટમ્સની વિરુદ્ધ

સંસ્થાઓમાંની ઘણી માહિતી પ્રણાલીઓ રોજિંદી કામગીરીને ટેકો આપવા માટે બનાવાયેલ છે. OLTP સિસ્ટમ્સ તરીકે ઓળખાતી આ સિસ્ટમ્સ, દૈનિક વ્યવહારો કેપ્ચર કરે છે જે સતત અપડેટ થાય છે.

I dati આ સિસ્ટમોની અંદર તેઓ વારંવાર સંશોધિત, ઉમેરવામાં અથવા કાઢી નાખવામાં આવે છે. ઉદાહરણ તરીકે, ગ્રાહકનું સરનામું બદલાય છે કારણ કે તે એક જગ્યાએથી બીજી જગ્યાએ જાય છે. આ કિસ્સામાં નવું સરનામું એડ્રેસ ફીલ્ડમાં ફેરફાર કરીને રજીસ્ટર કરવામાં આવશે ડેટાબેઝ. આ પ્રણાલીઓનો મુખ્ય ઉદ્દેશ્ય વ્યવહાર ખર્ચ ઘટાડવાનો અને તે જ સમયે પ્રક્રિયાના સમયને ઘટાડવાનો છે. OLTP સિસ્ટમ્સના ઉદાહરણોમાં ઓર્ડર જર્નલિંગ, પેરોલ, ઇન્વૉઇસેસ, ઉત્પાદન, ગ્રાહક સેવા જેવી જટિલ ક્રિયાઓનો સમાવેશ થાય છે. ગ્રાહકો.

OLTP સિસ્ટમોથી વિપરીત, જે વ્યવહાર અને ઘટના આધારિત પ્રક્રિયાઓ માટે બનાવવામાં આવી હતી, i માહિતી વેરહાઉસ વિશ્લેષણ-આધારિત પ્રક્રિયા સપોર્ટ પ્રદાન કરવા માટે બનાવવામાં આવી હતી dati અને નિર્ણય લેવાની પ્રક્રિયાઓ પર.

આ સામાન્ય રીતે i ને એકીકૃત કરીને પ્રાપ્ત થાય છે dati ના એક "કન્ટેનર" માં વિવિધ OLTP અને બાહ્ય સિસ્ટમોમાંથી dati, અગાઉના વિભાગમાં ચર્ચા કર્યા મુજબ.

મોનાશ ડેટા વેરહાઉસિંગ પ્રોસેસ મોડલ

માટે પ્રક્રિયા મોડેલ માહિતી વેરહાઉસ મોનાશને મોનાશ ડીએસએસ સંશોધન જૂથના સંશોધકો દ્વારા વિકસાવવામાં આવ્યું હતું અને તે ના સાહિત્ય પર આધારિત છે માહિતી વેરહાઉસ, ડેવલપમેન્ટ સપોર્ટ સિસ્ટમ્સ ક્ષેત્રોમાં અનુભવ, ઉપયોગ માટે એપ્લિકેશન વિક્રેતાઓ સાથે ચર્ચા માહિતી વેરહાઉસ, ના ઉપયોગમાં નિષ્ણાતોના જૂથ પર માહિતી વેરહાઉસ.

તબક્કાઓ છે: પ્રારંભ, યોજના, વિકાસ, કામગીરી અને સમજાવો. આકૃતિ એ વિકાસની પુનરાવર્તિત અથવા ઉત્ક્રાંતિ પ્રકૃતિ સમજાવે છે માહિતી વેરહાઉસ વિવિધ તબક્કાઓ વચ્ચે મૂકવામાં આવેલા દ્વિ-માર્ગી તીરોનો ઉપયોગ કરીને પ્રક્રિયા કરો. આ સંદર્ભમાં "પુનરાવર્તિત" અને "વિકાસવાદી" નો અર્થ એ છે કે, પ્રક્રિયાના દરેક પગલા પર, અમલીકરણ પ્રવૃત્તિઓ હંમેશા પાછલા તબક્કામાં પાછળની તરફ પ્રચાર કરી શકે છે. આ પ્રોજેક્ટની પ્રકૃતિને કારણે છે માહિતી વેરહાઉસ જેમાં અંતિમ વપરાશકર્તા દ્વારા વધારાની વિનંતીઓ કોઈપણ સમયે થાય છે. ઉદાહરણ તરીકે, પ્રક્રિયાના વિકાસના તબક્કા દરમિયાન માહિતી વેરહાઉસજો અંતિમ વપરાશકર્તા દ્વારા નવા વિષયના કદ અથવા વિસ્તારની વિનંતી કરવામાં આવે, જે મૂળ યોજનાનો ભાગ ન હતો, તો તેને સિસ્ટમમાં ઉમેરવું આવશ્યક છે. આ પ્રોજેક્ટમાં ફેરફારનું કારણ બને છે. પરિણામ એ છે કે ડિઝાઇન ટીમે ડિઝાઇનના તબક્કા દરમિયાન અત્યાર સુધી બનાવેલા દસ્તાવેજોની જરૂરિયાતો બદલવી પડશે. ઘણા કિસ્સાઓમાં, પ્રોજેક્ટની વર્તમાન સ્થિતિને ડિઝાઇનના તબક્કામાં પાછા જવું પડે છે જ્યાં નવી આવશ્યકતા ઉમેરવાની અને દસ્તાવેજીકરણ કરવાની હોય છે. અંતિમ વપરાશકર્તા સમીક્ષા કરેલ ચોક્કસ દસ્તાવેજો અને વિકાસના તબક્કામાં કરવામાં આવેલ ફેરફારો જોવા માટે સક્ષમ હોવા જોઈએ. આ વિકાસ ચક્રના અંતે, પ્રોજેક્ટને વિકાસ અને વપરાશકર્તા બંને ટીમો તરફથી સારો પ્રતિસાદ મળવાની જરૂર છે. પ્રતિસાદ પછી ભવિષ્યના પ્રોજેક્ટને સુધારવા માટે ફરીથી ઉપયોગમાં લેવાય છે.

ક્ષમતા આયોજન
dw કદમાં ખૂબ મોટી હોય છે અને ખૂબ જ ઝડપથી વૃદ્ધિ પામે છે (શ્રેષ્ઠ 1995, રુડિન 1997a) ની માત્રાને કારણે dati ઐતિહાસિક કે તેઓ તેમની અવધિથી સાચવે છે. વૃદ્ધિને કારણે પણ થઈ શકે છે dati ની કિંમત વધારવા માટે વપરાશકર્તાઓ દ્વારા વિનંતી કરાયેલ એડ-ઓન્સ dati જે તેમની પાસે પહેલેથી જ છે. પરિણામે, માટે સંગ્રહ જરૂરિયાતો dati નોંધપાત્ર રીતે વધારી શકાય છે (એકરસન 1997). આમ, ક્ષમતા આયોજન કરીને, તે સુનિશ્ચિત કરવું આવશ્યક છે કે જેમ જેમ જરૂરિયાતો વધતી જાય તેમ તેમ બાંધવામાં આવનારી સિસ્ટમ વિકસી શકે (બેસ્ટ 1995, લાપ્લાન્ટે 1996, લેંગ 1997, એકર્સન 1997, રુડિન 1997a, ફોલી 1997a).
ડેટા વેરહાઉસ માપનીયતા માટેના આયોજનમાં, વ્યક્તિએ વેરહાઉસના કદમાં અપેક્ષિત વૃદ્ધિ, સંભવિત પ્રશ્નોના પ્રકારો અને સમર્થિત અંતિમ વપરાશકર્તાઓની સંખ્યા (શ્રેષ્ઠ 1995, રુડિન 1997b, ફોલી 1997a) જાણવી જોઈએ. સ્કેલેબલ એપ્લીકેશન બનાવવા માટે સ્કેલેબલ સર્વર ટેક્નોલોજી અને સ્કેલેબલ એપ્લીકેશન ડિઝાઈન તકનીકોના મિશ્રણની જરૂર છે (શ્રેષ્ઠ 1995, રુડિન 1997b. બંને અત્યંત સ્કેલેબલ એપ્લિકેશન બનાવવા માટે જરૂરી છે. સ્કેલેબલ સર્વર ટેક્નોલોજીઓ વિના સંગ્રહ, મેમરી અને CPU ઉમેરવાનું સરળ અને ખર્ચ અસરકારક બનાવી શકે છે. ડિગ્રેડિંગ પર્ફોર્મન્સ (લેંગ 1997, ટેલિફોની 1997).

બે મુખ્ય માપી શકાય તેવી સર્વર તકનીકો છે: સપ્રમાણ મલ્ટીપલ પ્રોસેસિંગ (SMP) અને મોટા પાયે સમાંતર પ્રક્રિયા (MPP) ) (IDC 1997, Humphries et al. 1999). SMP સર્વરમાં સામાન્ય રીતે બહુવિધ પ્રોસેસર્સ હોય છે જે મેમરી, સિસ્ટમ બસો અને અન્ય સંસાધનો (IDC 1997, Humphries et al. 1999) શેર કરે છે. તેને વધારવા માટે વધારાના પ્રોસેસરો ઉમેરી શકાય છે શક્તિ કોમ્પ્યુટેશનલ. વધારવા માટેની બીજી પદ્ધતિ શક્તિ SMP સર્વરની ગણતરી, અસંખ્ય SMP મશીનોને જોડવાનું છે. આ ટેકનિક ક્લસ્ટરીંગ તરીકે ઓળખાય છે (Humphries et al. 1999). બીજી તરફ, એક MPP સર્વર, દરેક પાસે તેની પોતાની મેમરી, બસ સિસ્ટમ અને અન્ય સંસાધનો (IDC 1997, Humphries et al. 1999) સાથે બહુવિધ પ્રોસેસર છે. દરેક પ્રોસેસરને નોડ કહેવામાં આવે છે. માં વધારો શક્તિ કોમ્પ્યુટેશનલ મેળવી શકાય છે

MPP સર્વર્સમાં વધારાના નોડ્સ ઉમેરી રહ્યા છે (Humphries et al. 1999).

SMP સર્વરની નબળાઈ એ છે કે ઘણા બધા ઈનપુટ-આઉટપુટ (I/O) ઓપરેશન્સ બસ સિસ્ટમ (IDC 1997) ને ભીડ કરી શકે છે. આ સમસ્યા MPP સર્વર્સમાં થતી નથી કારણ કે દરેક પ્રોસેસરની પોતાની બસ સિસ્ટમ હોય છે. જો કે, દરેક નોડ વચ્ચેના આંતરજોડાણો સામાન્ય રીતે SMP બસ સિસ્ટમ કરતા ઘણા ધીમા હોય છે. વધુમાં, MPP સર્વર્સ એપ્લિકેશન ડેવલપર્સ (IDC 1997) માટે જટિલતાના વધારાના સ્તરને ઉમેરી શકે છે. આમ, SMP અને MPP સર્વર વચ્ચેની પસંદગી એપ્લીકેશનની જટિલતા, કિંમત/પ્રદર્શન ગુણોત્તર, જરૂરી થ્રુપુટ, dw એપ્લીકેશન અટકાવી અને કદમાં વધારો સહિતના ઘણા પરિબળોથી પ્રભાવિત થઈ શકે છે. ડેટાબેઝ dw અને અંતિમ વપરાશકર્તાઓની સંખ્યામાં.

ક્ષમતા આયોજનમાં સંખ્યાબંધ સ્કેલેબલ એપ્લિકેશન ડિઝાઇન તકનીકોનો ઉપયોગ કરી શકાય છે. દિવસ, અઠવાડિયા, મહિના અને વર્ષ જેવા વિવિધ રિપોર્ટિંગ સમયગાળાનો ઉપયોગ કરે છે. વિવિધ સૂચના અવધિઓ રાખવાથી, ધ ડેટાબેઝ વ્યવસ્થાપિત રીતે જૂથબદ્ધ ટુકડાઓમાં વિભાજિત કરી શકાય છે (ઈનમોન એટ અલ. 1997). બીજી તકનીક સારાંશ કોષ્ટકોનો ઉપયોગ કરવાની છે જે સારાંશ દ્વારા બનાવવામાં આવે છે dati da dati વિગતવાર આમ, આઇ dati અમૂર્ત વિગતવાર કરતાં વધુ કોમ્પેક્ટ છે, જેને ઓછી મેમરી સ્પેસની જરૂર છે. તેથી dati વિગતોને ઓછા ખર્ચાળ સ્ટોરેજ યુનિટમાં આર્કાઇવ કરી શકાય છે, જે વધુ સ્ટોરેજ બચાવે છે. જ્યારે સારાંશ કોષ્ટકોનો ઉપયોગ સ્ટોરેજ સ્પેસ બચાવી શકે છે, ત્યારે તેમને વર્તમાન અને વ્યવસાયની જરૂરિયાતોને અનુરૂપ રાખવા માટે ઘણા પ્રયત્નોની જરૂર છે. જો કે, આ તકનીકનો વ્યાપકપણે ઉપયોગ થાય છે અને ઘણી વખત અગાઉની તકનીક (બેસ્ટ 1995, ઇનમોન 1996a, ચૌદુરી અને દયાલ) સાથે જોડાણમાં વપરાય છે
1997).

વ્યાખ્યાયિત ડેટા વેરહાઉસ ટેકનિકલ આર્કિટેક્ચર્સ ડીડબ્લ્યુ આર્કિટેક્ચર તકનીકોની વ્યાખ્યા

ડેટા વેરહાઉસિંગના પ્રારંભિક દત્તક લેનારાઓએ મુખ્યત્વે કેન્દ્રિય ડેટા વેરહાઉસ અમલીકરણની કલ્પના કરી હતી જ્યાં તમામ dati, i સહિત dati બાહ્ય, એકમાં સંકલિત કરવામાં આવ્યા હતા,
ભૌતિક ભંડાર (ઈનમોન 1996a, બ્રેસ્નાહન 1996, પીકોક 1998).

આ અભિગમનો મુખ્ય ફાયદો એ છે કે અંતિમ વપરાશકર્તાઓ એન્ટરપ્રાઇઝ-વ્યાપી દૃશ્યને ઍક્સેસ કરવામાં સક્ષમ છે dati સંસ્થાકીય (ઓવમ 1998). અન્ય વત્તા એ છે કે તે નું માનકીકરણ પ્રદાન કરે છે dati સમગ્ર સંસ્થામાં, જેનો અર્થ છે કે રીપોઝીટરી મેટાડેટામાં વપરાતી દરેક પરિભાષા માટે માત્ર એક જ સંસ્કરણ અથવા વ્યાખ્યા છે (ફ્લાનાગન અને સેફડી 1997, ઓવમ 1998). બીજી તરફ, આ અભિગમનો ગેરલાભ એ છે કે તે ખર્ચાળ અને બાંધવું મુશ્કેલ છે (ફ્લાનાગન અને સેફડી 1997, ઓવમ 1998, ઇનમોન એટ અલ. 1998). સ્ટોરેજ આર્કિટેક્ચર પછી લાંબો સમય નથી dati સેન્ટ્રલાઇઝ્ડ લોકપ્રિય બન્યું, દેવતાઓના સૌથી નાના ઉપગણોને ખનન કરવાનો ખ્યાલ વિકસિત થયો dati ચોક્કસ એપ્લિકેશન્સની જરૂરિયાતોને ટેકો આપવા માટે (વાર્ની 1996, IDC 1997, બર્સન અને સ્મિથ 1997, પીકોક 1998). આ નાની સિસ્ટમો મોટી સિસ્ટમમાંથી લેવામાં આવી છે માહિતી વેરહાઉસ કેન્દ્રીયકૃત. તેઓ નામ આપવામાં આવ્યું છે માહિતી વેરહાઉસ કર્મચારી વિભાગીય અથવા કર્મચારી ડેટા માર્ટ્સ. આશ્રિત ડેટા માર્ટ આર્કિટેક્ચરને ત્રિ-સ્તરીય આર્કિટેક્ચર તરીકે ઓળખવામાં આવે છે જ્યાં પ્રથમ સ્તરનો સમાવેશ થાય છે માહિતી વેરહાઉસ કેન્દ્રીયકૃત, બીજામાં ની થાપણોનો સમાવેશ થાય છે dati વિભાગીય અને ત્રીજામાં પ્રવેશનો સમાવેશ થાય છે dati અને વિશ્લેષણ સાધનો દ્વારા (ડીમારેસ્ટ 1994, ઇનમોન એટ અલ. 1997).

ડેટા માર્ટ્સ સામાન્ય રીતે પછી બનાવવામાં આવે છે માહિતી વેરહાઉસ ચોક્કસ એકમોની જરૂરિયાતોને પહોંચી વળવા માટે કેન્દ્રીયકૃત બનાવવામાં આવ્યું હતું (વ્હાઈટ 1995, વર્ની 1996).
ડેટા માર્ટ સ્ટોર i dati ચોક્કસ એકમો માટે સંબંધિત (ઈનમોન એટ અલ. 1997, ઈન્મોન એટ અલ. 1998, IA 1998).

આ પદ્ધતિનો ફાયદો એ છે કે ત્યાં ના હશે ડેટો સંકલિત નથી અને તે i dati ડેટા માર્ટમાં ઓછા બિનજરૂરી હશે dati ની ડિપોઝિટમાંથી આવે છે dati સંકલિત બીજો ફાયદો એ છે કે દરેક ડેટા માર્ટ અને તેના સ્ત્રોતો વચ્ચે ઓછી લિંક્સ હશે dati કારણ કે દરેક ડેટા માર્ટ પાસે માત્ર એક જ સ્ત્રોત છે dati. ઉપરાંત આ આર્કિટેક્ચર સાથે, અંતિમ વપરાશકર્તાઓ હજી પણ ઍક્સેસ કરી શકે છે dati

કોર્પોરેટ સંસ્થાઓ. આ પદ્ધતિને ટોપ-ડાઉન પદ્ધતિ તરીકે ઓળખવામાં આવે છે, જ્યાં ડેટા માર્ટ્સ પછી બનાવવામાં આવે છે માહિતી વેરહાઉસ (પીકોક 1998, ગોફ 1998).
પરિણામો વહેલા બતાવવાની જરૂરિયાતને વધારીને, કેટલીક સંસ્થાઓએ સ્વતંત્ર ડેટા માર્ટ્સ બનાવવાનું શરૂ કર્યું છે (ફ્લાનાગન અને સેફડી 1997, વ્હાઇટ 2000). આ કિસ્સામાં, ડેટા માર્ટ્સ તેમની મેળવે છે dati ની મૂળભૂત બાબતોમાંથી સીધી dati કેન્દ્રીયકૃત અને સંકલિત ભંડારમાંથી OLTP અને નોન-OLTP, આમ સ્થાને કેન્દ્રીય ભંડારની જરૂરિયાતને દૂર કરે છે.

દરેક ડેટા માર્ટને તેના સ્ત્રોતોની ઓછામાં ઓછી એક લિંકની જરૂર હોય છે dati. દરેક ડેટા માર્ટની બહુવિધ લિંક્સ હોવાનો એક ગેરલાભ એ છે કે, અગાઉના બે આર્કિટેક્ચરની તુલનામાં, dati નોંધપાત્ર રીતે વધે છે.

દરેક ડેટા માર્ટે તમામ સ્ટોર કરવું આવશ્યક છે dati OLTP સિસ્ટમ પર કોઈ અસર ન થાય તે માટે સ્થાનિક રીતે જરૂરી છે. આના કારણે i dati તેઓ અલગ અલગ ડેટા માર્ટમાં સંગ્રહિત થાય છે (ઈનમોન એટ અલ. 1997). આ આર્કિટેક્ચરનો બીજો ગેરલાભ એ છે કે તે ડેટા માર્ટ્સ અને તેમના ડેટા સ્ત્રોતો વચ્ચે જટિલ ઇન્ટરકનેક્શન્સની રચના તરફ દોરી જાય છે. dati જેનો અમલ અને નિયંત્રણ કરવું મુશ્કેલ છે (ઈનમોન એટ અલ. 1997).

અન્ય ગેરલાભ એ છે કે અંતિમ વપરાશકર્તાઓ કંપનીની માહિતી વિહંગાવલોકનને ઍક્સેસ કરી શકશે નહીં કારણ કે i dati વિવિધ ડેટા માર્ટ્સ એકીકૃત નથી (ઓવમ 1998).
હજુ સુધી અન્ય ગેરલાભ એ છે કે ડેટા માર્ટ્સમાં ઉપયોગમાં લેવાતી દરેક પરિભાષા માટે એક કરતાં વધુ વ્યાખ્યા હોઈ શકે છે જે ડેટાની અસંગતતાઓ પેદા કરે છે. dati સંસ્થામાં (ઓવમ 1998).
ઉપર ચર્ચા કરેલ ગેરફાયદા હોવા છતાં, સ્ટેન્ડઅલોન ડેટા માર્ટ હજુ પણ ઘણી સંસ્થાઓ (IDC 1997) ના રસને આકર્ષે છે. એક પરિબળ જે તેમને આકર્ષક બનાવે છે તે એ છે કે તેઓ ઝડપથી વિકાસ પામે છે અને ઓછા સમય અને સંસાધનોની જરૂર પડે છે (બ્રેસ્નાહન 1996, બેર્સન અને સ્મિથ 1997, ઓવમ 1998). પરિણામે, તેઓ મુખ્યત્વે પરીક્ષણ ડિઝાઇન તરીકે સેવા આપે છે જેનો ઉપયોગ ઝડપથી ડિઝાઇનમાં લાભો અને/અથવા ખામીઓને ઓળખવા માટે થઈ શકે છે (પર્સાય 1995, બ્રાલી 1995, ન્યુઇંગ 1996). આ કિસ્સામાં, પાયલોટ પ્રોજેક્ટમાં અમલમાં મુકવામાં આવેલો ભાગ નાનો હોવો જોઈએ પરંતુ સંસ્થા માટે મહત્વપૂર્ણ હોવો જોઈએ (ન્યુઈંગ 1996, મેન્સેલ-લુઈસ 1996).

પ્રોટોટાઇપની તપાસ કરીને, અંતિમ વપરાશકર્તાઓ અને મેનેજમેન્ટ નક્કી કરી શકે છે કે પ્રોજેક્ટ ચાલુ રાખવો કે બંધ કરવો (ફ્લાનાગન અને સેફડી 1997).
જો નિર્ણય ચાલુ રાખવાનો હોય, તો અન્ય ઉદ્યોગો માટે ડેટા માર્ટ એક સમયે એક બનાવવો જોઈએ. સ્વતંત્ર ડેટા મેટર્સ બનાવવાની તેમની જરૂરિયાતોને આધારે અંતિમ વપરાશકર્તાઓ માટે બે વિકલ્પો છે: સંકલિત/સંઘિત અને અસંકલિત (ઓવમ 1998)

પ્રથમ પદ્ધતિમાં, દરેક નવા ડેટા માર્ટ વર્તમાન ડેટા માર્ટ્સ અને મોડલના આધારે બનાવવું જોઈએ dati પેઢી દ્વારા વપરાયેલ (વાર્ની 1996, બેર્સન અને સ્મિથ 1997, પીકોક 1998). મોડેલનો ઉપયોગ કરવાની જરૂર છે dati એન્ટરપ્રાઇઝનો અર્થ એ છે કે વ્યક્તિએ ખાતરી કરવી જોઈએ કે સમગ્ર ડેટા માર્ટ્સમાં વપરાતી દરેક પરિભાષા માટે માત્ર એક જ વ્યાખ્યા છે, એ પણ સુનિશ્ચિત કરવા માટે કે એન્ટરપ્રાઇઝ માહિતીની ઝાંખી આપવા માટે વિવિધ ડેટા માર્ટ્સ મર્જ કરી શકાય છે (બ્રેસ્નાહન 1996). આ પદ્ધતિને બોટમ-અપ પદ્ધતિ કહેવામાં આવે છે અને જ્યારે નાણાકીય માધ્યમો અને સમયની મર્યાદા હોય ત્યારે તેનો શ્રેષ્ઠ ઉપયોગ થાય છે (ફ્લાનાગન અને સેફડી 1997, ઓવમ 1998, પીકોક 1998, ગોફ 1998). બીજી પદ્ધતિમાં, બિલ્ટ ડેટા માર્ટ્સ ચોક્કસ એકમની જરૂરિયાતોને જ સંતોષી શકે છે. ફેડરેટેડ ડેટા માર્ટનો એક પ્રકાર છે માહિતી વેરહાઉસ વિતરણ કરવામાં આવ્યું હતું જેમાં ડેટાબેઝ હબ સર્વર મિડલવેરનો ઉપયોગ ઘણા ડેટા માર્ટ્સને એક રીપોઝીટરીમાં મર્જ કરવા માટે થાય છે dati વિતરિત (વ્હાઈટ 1995). આ કિસ્સામાં, આઇ dati બિઝનેસ અનેક ડેટા માર્ટમાં વિતરિત કરવામાં આવે છે. અંતિમ વપરાશકર્તા વિનંતીઓ આગળ મોકલવામાં આવે છે ડેટાબેઝ હબ સર્વર મિડલવેર, જે બધાને બહાર કાઢે છે dati ડેટા માર્ટ્સ દ્વારા વિનંતી કરવામાં આવે છે અને અંતિમ-વપરાશકર્તા એપ્લિકેશનોને પરિણામો પાછા ફીડ કરે છે. આ પદ્ધતિ અંતિમ વપરાશકર્તાઓને વ્યવસાય માહિતી પૂરી પાડે છે. જો કે, સ્વતંત્ર ડેટા માર્ટ્સની સમસ્યાઓ હજી દૂર થઈ નથી. ત્યાં અન્ય આર્કિટેક્ચર છે જેનો ઉપયોગ કરી શકાય છે જેને કહેવાય છે માહિતી વેરહાઉસ વર્ચ્યુઅલ (વ્હાઈટ 1995). જો કે, આ આર્કિટેક્ચર, જે આકૃતિ 2.9 માં દર્શાવવામાં આવ્યું છે, તે ડેટા સ્ટોરેજ આર્કિટેક્ચર નથી. dati વાસ્તવિક કારણ કે તે OLTP સિસ્ટમોમાંથી લોડને ખસેડતું નથી માહિતી વેરહાઉસ (ડિમારેસ્ટ 1994).

હકીકતમાં, ની વિનંતીઓ dati અંતિમ વપરાશકર્તાઓ પાસેથી OLTP સિસ્ટમો પર પસાર થાય છે જે વપરાશકર્તા વિનંતીઓ પર પ્રક્રિયા કર્યા પછી પરિણામો આપે છે. જો કે આ આર્કિટેક્ચર અંતિમ વપરાશકર્તાઓને અહેવાલો બનાવવા અને વિનંતીઓ કરવાની મંજૂરી આપે છે, તે પ્રદાન કરી શકતું નથી

dati કંપનીની માહિતીનું ઐતિહાસિક અને વિહંગાવલોકન જેમ કે i dati વિવિધ OLTP સિસ્ટમોમાંથી સંકલિત નથી. આથી, આ આર્કિટેક્ચરના વિશ્લેષણને સંતોષી શકતું નથી dati જટિલ જેમ કે આગાહી.

ઍક્સેસ અને પુનઃપ્રાપ્તિ એપ્લિકેશન્સની પસંદગી dati

મકાનનો હેતુ એ માહિતી વેરહાઉસ અંતિમ વપરાશકર્તાઓ સુધી માહિતી પહોંચાડવા માટે છે (ઈનમોન એટ અલ. 1997, પો 1996, મેકફેડન 1996, શેન્ક્સ એટ અલ. 1997, હેમરગ્રેન 1998); એક અથવા વધુ ઍક્સેસ અને પુનઃપ્રાપ્તિ એપ્લિકેશન dati પ્રદાન કરવું આવશ્યક છે. આજની તારીખે, આ એપ્લિકેશન્સની વિશાળ વિવિધતા છે જેમાંથી વપરાશકર્તા પસંદ કરી શકે છે (હેમરગ્રેન 1998, હમ્ફ્રીઝ એટ અલ. 1999). તમે પસંદ કરેલી એપ્લિકેશનો તમારા વેરહાઉસિંગ પ્રયત્નોની સફળતા નક્કી કરે છે dati એક સંસ્થામાં કારણ કે એપ્લિકેશન્સ એ સૌથી વધુ દૃશ્યમાન ભાગ છે માહિતી વેરહાઉસ અંતિમ વપરાશકર્તા માટે (ઈનમોન એટ અલ. 1997, પો 1996). સફળ થવા માટે એ માહિતી વેરહાઉસ, ની વિશ્લેષણ પ્રવૃત્તિઓને સમર્થન આપવા માટે સક્ષમ હોવા જોઈએ dati અંતિમ વપરાશકર્તા (Poe 1996, Seddon and Benjamin 1998, Eckerson 1999). આમ અંતિમ વપરાશકર્તા શું ઇચ્છે છે તેનું "સ્તર" ઓળખવું આવશ્યક છે (Poe 1996, Mattison 1996, Inmon et al. 1997, Humphries et al. 1999).

સામાન્ય રીતે, અંતિમ વપરાશકર્તાઓને ત્રણ શ્રેણીઓમાં જૂથબદ્ધ કરી શકાય છે: એક્ઝિક્યુટિવ યુઝર્સ, બિઝનેસ એનાલિસ્ટ અને પાવર યુઝર્સ (Poe 1996, Humphries et al. 1999). એક્ઝિક્યુટિવ યુઝર્સને રિપોર્ટ્સના પૂર્વવ્યાખ્યાયિત સેટ સુધી સરળ ઍક્સેસની જરૂર છે (હમ્ફ્રીઝ એટ અલ. 1999). આ રેશિયો મેનુ નેવિગેશન (Poe 1996) વડે સરળતાથી એક્સેસ કરી શકાય છે. વધુમાં, અહેવાલોમાં માહિતીને ઝડપથી પહોંચાડવા માટે કોષ્ટકો અને નમૂનાઓ જેવી ગ્રાફિકલ રજૂઆતનો ઉપયોગ કરીને માહિતી રજૂ કરવી જોઈએ (Humphries et al. 1999). વ્યાપાર વિશ્લેષકો, જેમની પાસે પોતાની રીતે શરૂઆતથી રિપોર્ટ્સ વિકસાવવાની ટેકનિકલ ક્ષમતાઓ ન હોય, તેઓ તેમની ચોક્કસ જરૂરિયાતોને પહોંચી વળવા વર્તમાન અહેવાલોમાં ફેરફાર કરવા સક્ષમ હોવા જરૂરી છે (Poe 1996, Humphries et al. 1999). બીજી તરફ પાવર યુઝર્સ એ એવા અંતિમ વપરાશકર્તાઓનો પ્રકાર છે કે જેઓ શરૂઆતથી વિનંતીઓ અને અહેવાલો જનરેટ કરવાની અને લખવાની ક્ષમતા ધરાવે છે (Poe 1996, Humphries et al. 1999). તેઓ જેઓ છે

તેઓ અન્ય પ્રકારના વપરાશકર્તાઓ માટે અહેવાલો વિકસાવે છે (Poe 1996, Humphries et al. 1999).

એકવાર અંતિમ વપરાશકર્તાની આવશ્યકતાઓ નિર્ધારિત થઈ જાય, પછી ઍક્સેસ અને પુનઃપ્રાપ્તિ એપ્લિકેશન્સની પસંદગી કરવી આવશ્યક છે dati ઉપલબ્ધ તમામમાં (Poe 1996, Inmon et al. 1997).
પ્રવેશ મેળવવો dati અને પુનઃપ્રાપ્તિ સાધનોને 4 પ્રકારોમાં વર્ગીકૃત કરી શકાય છે: OLAP ટૂલ્સ, EIS/DSS ટૂલ્સ, ક્વેરી અને રિપોર્ટિંગ ટૂલ્સ અને ડેટા માઇનિંગ ટૂલ્સ.

OLAP ટૂલ્સ વપરાશકર્તાઓને એડહોક ક્વેરીઝ તેમજ આ પર બનાવેલ પ્રશ્નો બનાવવાની મંજૂરી આપે છે ડેટાબેઝ આ માહિતી વેરહાઉસ. વધુમાં, આ ઉત્પાદનો વપરાશકર્તાઓને નીચેથી ડ્રિલ કરવાની મંજૂરી આપે છે dati સામાન્યથી વિગતવાર સુધી.

EIS/DSS ટૂલ્સ એક્ઝિક્યુટિવ રિપોર્ટિંગ પ્રદાન કરે છે જેમ કે "શું હોય તો" વિશ્લેષણ અને મેનુ-આધારિત રિપોર્ટ્સની ઍક્સેસ. સરળ નેવિગેશન માટે રિપોર્ટ્સ પૂર્વવ્યાખ્યાયિત અને મેનુ સાથે મર્જ કરવા જોઈએ.
ક્વેરી અને રિપોર્ટિંગ ટૂલ્સ વપરાશકર્તાઓને પૂર્વવ્યાખ્યાયિત અને ચોક્કસ અહેવાલો બનાવવાની મંજૂરી આપે છે.

ડેટા માઇનિંગ ટૂલ્સનો ઉપયોગ સંબંધોને ઓળખવા માટે કરવામાં આવે છે જે વિશ્વમાં ભૂલી ગયેલી કામગીરી પર નવો પ્રકાશ પાડી શકે છે. dati ડેટા વેરહાઉસનું.

દરેક પ્રકારના વપરાશકર્તાની જરૂરિયાતોને ઑપ્ટિમાઇઝ કરવાની સાથે, પસંદ કરેલ સાધનો સાહજિક, કાર્યક્ષમ અને ઉપયોગમાં સરળ હોવા જોઈએ. તેઓ આર્કિટેક્ચરના અન્ય ભાગો સાથે સુસંગત હોવા જોઈએ અને હાલની સિસ્ટમો સાથે કામ કરવા સક્ષમ હોવા જોઈએ. વાજબી કિંમતો અને પ્રદર્શન સાથે ડેટા એક્સેસ અને પુનઃપ્રાપ્તિ સાધનો પસંદ કરવાની પણ ભલામણ કરવામાં આવે છે. ધ્યાનમાં લેવાના અન્ય માપદંડોમાં સાધન વિક્રેતાની તેમના ઉત્પાદનને સમર્થન આપવા માટેની પ્રતિબદ્ધતા અને તે ભવિષ્યના પ્રકાશનોમાં કેવી રીતે વિકસિત થશે તેનો સમાવેશ થાય છે. ડેટા વેરહાઉસનો ઉપયોગ કરવામાં વપરાશકર્તાની સંલગ્નતા સુનિશ્ચિત કરવા માટે, વિકાસ ટીમ વપરાશકર્તાઓને સાધન પસંદગી પ્રક્રિયામાં સામેલ કરે છે. આ કિસ્સામાં વ્યવહારુ વપરાશકર્તા આકારણી હાથ ધરવામાં આવવી જોઈએ.

ડેટા વેરહાઉસના મૂલ્યને સુધારવા માટે ડેવલપમેન્ટ ટીમ તેમના ડેટા વેરહાઉસમાં વેબ એક્સેસ પણ પ્રદાન કરી શકે છે. વેબ-સક્ષમ ડેટા વેરહાઉસ વપરાશકર્તાઓને ઍક્સેસ કરવાની મંજૂરી આપે છે dati દૂરના સ્થળોએથી અથવા મુસાફરી દરમિયાન. વધુમાં માહિતી કરી શકે છે

તાલીમ ખર્ચમાં ઘટાડા દ્વારા ઓછા ખર્ચે પ્રદાન કરવામાં આવશે.

2.4.3 ડેટા વેરહાઉસ ઓપરેશન તબક્કો

આ તબક્કામાં ત્રણ પ્રવૃત્તિઓનો સમાવેશ થાય છે: ડેટા રિફ્રેશ વ્યૂહરચનાઓની વ્યાખ્યા, ડેટા વેરહાઉસ પ્રવૃત્તિઓનું નિયંત્રણ અને ડેટા વેરહાઉસ સુરક્ષાનું સંચાલન.

ડેટા રિફ્રેશ વ્યૂહરચનાઓની વ્યાખ્યા

પ્રારંભિક લોડિંગ પછી, i dati નેલ ડેટાબેઝ ડેટા વેરહાઉસમાં કરેલા ફેરફારોને પુનઃઉત્પાદિત કરવા માટે સમયાંતરે તાજું કરવું આવશ્યક છે dati મૂળ તેથી તમારે ક્યારે રિફ્રેશ કરવું, કેટલી વાર રિફ્રેશ કરવું અને ડેટા કેવી રીતે રિફ્રેશ કરવો તે નક્કી કરવું જોઈએ. dati. તે તાજું કરવા માટે સૂચવવામાં આવે છે dati જ્યારે સિસ્ટમ ઑફલાઇન લઈ શકાય છે. રીફ્રેશ ફ્રિકવન્સી ડેવલપમેન્ટ ટીમ દ્વારા વપરાશકર્તાની જરૂરિયાતોને આધારે નક્કી કરવામાં આવે છે. ડેટા વેરહાઉસને તાજું કરવા માટે બે અભિગમો છે: સંપૂર્ણ તાજું અને ફેરફારોનું સતત લોડિંગ.

પ્રથમ અભિગમ, સંપૂર્ણ તાજું કરવા માટે, બધાને ફરીથી લોડ કરવાની જરૂર છે dati શરૂઆતથી આનો અર્થ એ છે કે બધા dati દરેક રીફ્રેશમાં જરૂરી એક્સ્ટ્રેક્ટ, સાફ, રૂપાંતરિત અને સંકલિત હોવું આવશ્યક છે. આ અભિગમ શક્ય હોય ત્યાં સુધી ટાળવો જોઈએ કારણ કે તેમાં ઘણો સમય અને સંસાધનોની જરૂર પડે છે.

વૈકલ્પિક અભિગમ એ ફેરફારોને સતત અપલોડ કરવાનો છે. આ ઉમેરે છે i dati જે છેલ્લા ડેટા વેરહાઉસ રિફ્રેશ ચક્રથી બદલાઈ ગયા છે. નવા અથવા સંશોધિત રેકોર્ડ્સને ઓળખવાથી નોંધપાત્ર પ્રમાણમાં ઘટાડો થાય છે dati જેનો દરેક અપડેટમાં ડેટા વેરહાઉસમાં પ્રચાર થવો જોઈએ કારણ કે માત્ર આ dati માં ઉમેરવામાં આવશે ડેટાબેઝ ડેટા વેરહાઉસનું.

ત્યાં ઓછામાં ઓછા 5 અભિગમો છે જેનો ઉપયોગ i ઉપાડવા માટે થઈ શકે છે dati નવું અથવા સંશોધિત. કાર્યક્ષમ ડેટા રિફ્રેશ વ્યૂહરચના મેળવવા માટે dati આ અભિગમોનું મિશ્રણ કે જે સિસ્ટમમાંના તમામ ફેરફારોને કેપ્ચર કરે છે તે ઉપયોગી થઈ શકે છે.

પ્રથમ અભિગમ, જે ટાઇમસ્ટેમ્પ્સનો ઉપયોગ કરે છે, તે ધારે છે કે તમામ સોંપેલ છે dati ટાઇમસ્ટેમ્પ સંપાદિત અને અપડેટ કર્યો જેથી તમે સરળતાથી બધાને ઓળખી શકો dati સુધારેલ અને નવું. જોકે, આજની મોટાભાગની ઑપરેટિંગ સિસ્ટમ્સમાં આ અભિગમનો વ્યાપકપણે ઉપયોગ થતો નથી.
બીજો અભિગમ એ એપ્લિકેશન દ્વારા જનરેટ કરાયેલ ડેલ્ટા ફાઇલનો ઉપયોગ કરવાનો છે જેમાં ફક્ત ફેરફારો જ હોય ​​છે dati. આ ફાઇલનો ઉપયોગ અપડેટ ચક્રને પણ વિસ્તૃત કરે છે. જો કે, ઘણી એપ્લિકેશન્સમાં પણ આ પદ્ધતિનો ઉપયોગ કરવામાં આવ્યો નથી.
ત્રીજો અભિગમ એ લોગ ફાઇલને સ્કેન કરવાનો છે, જેમાં મૂળભૂત રીતે ડેલ્ટા ફાઇલ જેવી જ માહિતી હોય છે. માત્ર એટલો જ તફાવત છે કે લોગ ફાઇલ પુનઃપ્રાપ્તિ પ્રક્રિયા માટે બનાવવામાં આવી છે અને તેને સમજવી મુશ્કેલ હોઈ શકે છે.
ચોથો અભિગમ એપ્લીકેશન કોડમાં ફેરફાર કરવાનો છે. જો કે, મોટાભાગના એપ્લિકેશન કોડ જૂના અને નાજુક છે; તેથી આ તકનીક ટાળવી જોઈએ.
છેલ્લો અભિગમ સરખામણી કરવાનો છે dati મુખ્ય dei ફાઇલ સાથે સ્ત્રોતો dati.

ડેટા વેરહાઉસ પ્રવૃત્તિઓનું નિયંત્રણ

એકવાર ડેટા વેરહાઉસ યુઝર્સ માટે રીલીઝ થઈ જાય પછી, સમય જતાં તેનું નિરીક્ષણ કરવું આવશ્યક છે. આ કિસ્સામાં, ડેટા વેરહાઉસ એડમિનિસ્ટ્રેટર ડેટા વેરહાઉસના ઉપયોગ પર દેખરેખ રાખવા માટે એક અથવા વધુ મેનેજમેન્ટ અને નિયંત્રણ સાધનોનો ઉપયોગ કરી શકે છે. ખાસ કરીને, લોકો અને તેઓ કયા સમયે ડેટા વેરહાઉસને ઍક્સેસ કરે છે તેના વિશે માહિતી એકત્રિત કરી શકાય છે. ચલ dati એકત્રિત કરીને, કરવામાં આવેલ કાર્યની પ્રોફાઇલ બનાવી શકાય છે જેનો ઉપયોગ વપરાશકર્તાના ચાર્જબેક અમલીકરણમાં ઇનપુટ તરીકે કરી શકાય છે. ચાર્જબેક વપરાશકર્તાઓને ડેટા વેરહાઉસ પ્રોસેસિંગ ખર્ચ વિશે જાણ કરવાની મંજૂરી આપે છે.

વધુમાં, ડેટા વેરહાઉસ ઓડિટનો ઉપયોગ ક્વેરીઝના પ્રકારો, તેમનું કદ, દરરોજની ક્વેરીઓની સંખ્યા, ક્વેરી રિએક્શનનો સમય, સેક્ટર સુધી પહોંચેલા અને તેની સંખ્યાને ઓળખવા માટે પણ થઈ શકે છે. dati પ્રક્રિયા કરેલ. ડેટા વેરહાઉસ ઓડિટ કરવાનો બીજો હેતુ ઓળખવાનો છે dati જે ઉપયોગમાં નથી. આ dati સમય સુધારવા માટે તેમને ડેટા વેરહાઉસમાંથી દૂર કરી શકાય છે

ની ક્વેરી એક્ઝેક્યુશન પ્રતિભાવ અને વૃદ્ધિનું નિરીક્ષણ કરો dati જે અંદર રહે છે ડેટા બેઝ ડેટા વેરહાઉસનું.

ડેટા વેરહાઉસ સુરક્ષા વ્યવસ્થાપન

ડેટા વેરહાઉસ સમાવે છે dati સંકલિત, જટિલ, સંવેદનશીલ જે ​​સરળતાથી પહોંચી શકાય છે. આ કારણોસર તેને અનધિકૃત વપરાશકર્તાઓથી સુરક્ષિત રાખવું જોઈએ. સુરક્ષા અમલમાં મૂકવાની એક રીત ડેલ ફંક્શનનો ઉપયોગ કરવાનો છે ડીબીએમએસ વિવિધ પ્રકારના વપરાશકર્તાઓને વિવિધ વિશેષાધિકારો સોંપવા માટે. આ રીતે, દરેક પ્રકારના વપરાશકર્તા માટે એક્સેસ પ્રોફાઇલ જાળવવી આવશ્યક છે. ડેટા વેરહાઉસને સુરક્ષિત કરવાની બીજી રીત એ છે કે તેને એન્ક્રિપ્ટ કરો ડેટા બેઝ ડેટા વેરહાઉસનું. પ્રવેશ મેળવવો dati અને પુનઃપ્રાપ્તિ સાધનોને ડિક્રિપ્ટ કરવું આવશ્યક છે dati વપરાશકર્તાઓને પરિણામો રજૂ કરતા પહેલા.

2.4.4 ડેટા વેરહાઉસ જમાવટ તબક્કો

ડેટા વેરહાઉસ અમલીકરણ ચક્રમાં તે છેલ્લો તબક્કો છે. આ તબક્કામાં હાથ ધરવામાં આવનારી પ્રવૃત્તિઓમાં ડેટા વેરહાઉસનો ઉપયોગ કરવા માટે યુઝર્સને તાલીમ આપવી અને ડેટા વેરહાઉસની સમીક્ષાઓ હાથ ધરવાનો સમાવેશ થાય છે.

વપરાશકર્તા તાલીમ

ઍક્સેસ કરતા પહેલા વપરાશકર્તાની તાલીમ લેવી જોઈએ dati ડેટા વેરહાઉસ અને પુનઃપ્રાપ્તિ સાધનોનો ઉપયોગ. સામાન્ય રીતે, સત્રોની શરૂઆત સ્ટોરેજની વિભાવનાના પરિચય સાથે થવી જોઈએ dati, ડેટા વેરહાઉસની સામગ્રી, મેટા dati અને સાધનોની મૂળભૂત સુવિધાઓ. પછી, વધુ અદ્યતન વપરાશકર્તાઓ ડેટા એક્સેસ અને પુનઃપ્રાપ્તિ સાધનોના ભૌતિક કોષ્ટકો અને વપરાશકર્તા સુવિધાઓનો પણ અભ્યાસ કરી શકે છે.

વપરાશકર્તા તાલીમ કરવા માટે ઘણા અભિગમો છે. આમાંના એકમાં તેમના નેતૃત્વ અને સંચાર કૌશલ્યોના આધારે વપરાશકર્તાઓના સમૂહમાંથી પસંદ કરાયેલા ઘણા વપરાશકર્તાઓ અથવા વિશ્લેષકોની પસંદગીનો સમાવેશ થાય છે. સિસ્ટમથી પરિચિત થવા માટે તેઓને જે જાણવાની જરૂર છે તે દરેક બાબતમાં તેઓ વ્યક્તિગત રીતે પ્રશિક્ષિત છે. એકવાર તાલીમ સમાપ્ત થઈ જાય, તેઓ તેમની નોકરી પર પાછા ફરે છે અને અન્ય વપરાશકર્તાઓને સિસ્ટમનો ઉપયોગ કેવી રીતે કરવો તે શીખવવાનું શરૂ કરે છે. પર

તેઓ જે શીખ્યા છે તેના આધારે, અન્ય વપરાશકર્તાઓ ડેટા વેરહાઉસનું અન્વેષણ કરવાનું શરૂ કરી શકે છે.
અન્ય અભિગમ એ એક જ સમયે ઘણા વપરાશકર્તાઓને તાલીમ આપવાનો છે, જેમ કે તમે વર્ગખંડનો અભ્યાસક્રમ લઈ રહ્યા છો. આ પદ્ધતિ યોગ્ય છે જ્યારે ત્યાં ઘણા વપરાશકર્તાઓ હોય જેમને એક જ સમયે તાલીમ લેવાની જરૂર હોય. બીજી પદ્ધતિ એ છે કે દરેક વપરાશકર્તાને એક પછી એક વ્યક્તિગત રીતે તાલીમ આપવી. જ્યારે ઓછા વપરાશકર્તાઓ હોય ત્યારે આ પદ્ધતિ યોગ્ય છે.

વપરાશકર્તા તાલીમનો હેતુ તમને ઍક્સેસ કરવા સાથે પરિચિત કરવાનો છે dati અને પુનઃપ્રાપ્તિ સાધનો તેમજ ડેટા વેરહાઉસની સામગ્રી. જો કે, કેટલાક વપરાશકર્તાઓ તાલીમ સત્ર દરમિયાન આપવામાં આવેલી માહિતીની માત્રાથી અભિભૂત થઈ શકે છે. તેથી, ચાલુ સહાયતા માટે અને ચોક્કસ પ્રશ્નોના જવાબ આપવા માટે ચોક્કસ સંખ્યામાં રિફ્રેશર સત્રો હાથ ધરવા જોઈએ. કેટલાક કિસ્સાઓમાં આ પ્રકારનો આધાર પૂરો પાડવા માટે વપરાશકર્તા જૂથની રચના કરવામાં આવે છે.

પ્રતિસાદ ભેગો

એકવાર ડેટા વેરહાઉસ રોલઆઉટ થઈ ગયા પછી, વપરાશકર્તાઓ i નો ઉપયોગ કરી શકે છે dati જે વિવિધ હેતુઓ માટે ડેટા વેરહાઉસમાં રહે છે. મોટે ભાગે, વિશ્લેષકો અથવા વપરાશકર્તાઓ i નો ઉપયોગ કરે છે dati ડેટા વેરહાઉસમાં આ માટે:

1. 1 કંપનીના વલણોને ઓળખો
2. 2 ની ખરીદી પ્રોફાઇલ્સનું વિશ્લેષણ કરો ગ્રાહકો
3. 3 ભાગાકાર i ગ્રાહકો એડ i
4. 4 શ્રેષ્ઠ સેવાઓ પ્રદાન કરો ગ્રાહકો - સેવાઓ કસ્ટમાઇઝ કરો
5. 5 વ્યૂહરચના બનાવો માર્કેટિંગ
6. 6 ખર્ચ વિશ્લેષણ અને નિયંત્રણમાં સહાય માટે સ્પર્ધાત્મક અવતરણ પ્રદાન કરો
7. 7 વ્યૂહાત્મક નિર્ણય લેવામાં ટેકો આપો
8. 8 અલગ થવાની તકો ઓળખો
9. 9 વર્તમાન વ્યવસાય પ્રક્રિયાઓની ગુણવત્તામાં સુધારો
10. 10 નફો તપાસો

ડેટા વેરહાઉસના વિકાસની દિશાને અનુસરીને, પ્રતિસાદ મેળવવા માટે સિસ્ટમને સમીક્ષાઓની શ્રેણી હાથ ધરવામાં આવી શકે છે.

વિકાસ ટીમ અને અંતિમ વપરાશકર્તા સમુદાય બંને તરફથી.
પ્રાપ્ત પરિણામો આગામી વિકાસ ચક્ર માટે ધ્યાનમાં લઈ શકાય છે.

ડેટા વેરહાઉસમાં વધારાનો અભિગમ હોવાથી, અગાઉના વિકાસની સફળતાઓ અને ભૂલોમાંથી શીખવું મહત્વપૂર્ણ છે.

2.5 સારાંશ

આ પ્રકરણમાં સાહિત્યમાં પ્રસ્તુત અભિગમોની ચર્ચા કરવામાં આવી છે. વિભાગ 1 માં, ડેટા વેરહાઉસની કલ્પના અને નિર્ણય વિજ્ઞાનમાં તેની ભૂમિકાની ચર્ચા કરવામાં આવી હતી. વિભાગ 2 ડેટા વેરહાઉસ અને OLTP સિસ્ટમ્સ વચ્ચેના મુખ્ય તફાવતોનું વર્ણન કરે છે. વિભાગ 3 માં અમે મોનાશ ડેટા વેરહાઉસ મોડેલની ચર્ચા કરી હતી જેનો ઉપયોગ ડેટા વેરહાઉસ વિકસાવવાની પ્રક્રિયામાં સંકળાયેલી પ્રવૃત્તિઓનું વર્ણન કરવા માટે વિભાગ 4 માં કરવામાં આવ્યો હતો, આ થીસીસ સખત સંશોધન પર આધારિત ન હતા. વાસ્તવમાં શું થાય છે તે સાહિત્યના અહેવાલો કરતા ખૂબ જ અલગ હોઈ શકે છે, જો કે આ પરિણામોનો ઉપયોગ મૂળભૂત પૃષ્ઠભૂમિ બનાવવા માટે થઈ શકે છે જે આ સંશોધન માટે ડેટા વેરહાઉસના ખ્યાલને રેખાંકિત કરે છે.

પ્રકરણ 3

સંશોધન અને ડિઝાઇન પદ્ધતિઓ

આ પ્રકરણ આ અભ્યાસ માટે સંશોધન અને ડિઝાઇન પદ્ધતિઓને સંબોધે છે. પ્રથમ ભાગ માહિતી પુનઃપ્રાપ્તિ માટે ઉપલબ્ધ સંશોધન પદ્ધતિઓનો સામાન્ય દૃષ્ટિકોણ દર્શાવે છે, વધુમાં ચોક્કસ અભ્યાસ માટે શ્રેષ્ઠ પદ્ધતિ પસંદ કરવાના માપદંડોની ચર્ચા કરવામાં આવી છે. વિભાગ 2 માં, માપદંડ સાથે પસંદ કરેલી બે પદ્ધતિઓની ચર્ચા પછી કરવામાં આવે છે; આમાંથી, વિભાગ 3 માં નિર્ધારિત કારણો સાથે પસંદ કરવામાં આવશે અને અપનાવવામાં આવશે જ્યાં અન્ય માપદંડને બાકાત રાખવાના કારણો પણ નિર્ધારિત કરવામાં આવ્યા છે. વિભાગ 4 સંશોધન ડિઝાઇન અને વિભાગ 5 તારણો રજૂ કરે છે.

3.1 માહિતી પ્રણાલીઓમાં સંશોધન

માહિતી પ્રણાલીઓમાં સંશોધન ફક્ત તકનીકી ડોમેન સુધી મર્યાદિત નથી પરંતુ વર્તણૂકીય અને સંસ્થાકીય હેતુઓને સમાવવા માટે પણ તેને વિસ્તૃત કરવું આવશ્યક છે.
અમે સામાજિક થી કુદરતી વિજ્ઞાન સુધીના વિવિધ શાખાઓના થીસીસ માટે આના ઋણી છીએ; આ માહિતી પ્રણાલીઓ માટે ઉપયોગમાં લેવાતી માત્રાત્મક અને ગુણાત્મક પદ્ધતિઓનો સમાવેશ કરતી સંશોધન પદ્ધતિઓના ચોક્કસ સ્પેક્ટ્રમની જરૂરિયાત તરફ દોરી જાય છે.
તમામ ઉપલબ્ધ સંશોધન પદ્ધતિઓ મહત્વપૂર્ણ છે, હકીકતમાં ઘણા સંશોધકો જેમ કે જેનકિન્સ (1985), નુનામેકર એટ અલ. (1991), અને ગેલિયર્સ (1992) દલીલ કરે છે કે માહિતી પ્રણાલીના વિવિધ ક્ષેત્રોમાં સંશોધન કરવા માટે કોઈ વિશિષ્ટ સાર્વત્રિક પદ્ધતિ નથી; વાસ્તવમાં પદ્ધતિ ચોક્કસ સંશોધન માટે યોગ્ય હોઈ શકે છે પરંતુ અન્ય લોકો માટે નહીં. આનાથી અમને અમારા ચોક્કસ સંશોધન પ્રોજેક્ટ માટે યોગ્ય પદ્ધતિ પસંદ કરવાની જરૂર છે: આ પસંદગી માટે બેનબાસટ એટ અલ. (1987) જણાવે છે કે સંશોધનની પ્રકૃતિ અને હેતુને ધ્યાનમાં લેવો આવશ્યક છે.

3.1.1 સંશોધનની પ્રકૃતિ

સંશોધનની પ્રકૃતિ પર આધારિત વિવિધ પદ્ધતિઓને માહિતી વિજ્ઞાનમાં વ્યાપકપણે જાણીતી ત્રણ પરંપરાઓમાં વર્ગીકૃત કરી શકાય છે: હકારાત્મક, અર્થઘટનાત્મક અને વિવેચનાત્મક સંશોધન.

3.1.1.1 સકારાત્મક સંશોધન

હકારાત્મક સંશોધનને વૈજ્ઞાનિક અથવા પ્રયોગમૂલક અભ્યાસ તરીકે પણ ઓળખવામાં આવે છે. તે આનો પ્રયાસ કરે છે: "સામાજિક વિશ્વમાં શું થશે તે સમજાવો અને આગાહી કરો કે તે ઘટકો વચ્ચેના નિયમિતતા અને કારણ-અસર સંબંધોને જોઈને" (શાંક્સ એટ અલ 1993).

હકારાત્મક સંશોધન પણ પુનરાવર્તિતતા, સરળીકરણ અને ખંડન દ્વારા વર્ગીકૃત થયેલ છે. વધુમાં, સકારાત્મક સંશોધન અભ્યાસ કરેલ ઘટનાઓ વચ્ચેના પ્રાથમિક સંબંધોના અસ્તિત્વને સ્વીકારે છે.
ગેલિયર્સ (1992) અનુસાર વર્ગીકરણ એ હકારાત્મકતાવાદી દાખલામાં સમાવિષ્ટ સંશોધન પદ્ધતિ છે, જે જો કે આ સુધી મર્યાદિત નથી, વાસ્તવમાં પ્રયોગશાળાના પ્રયોગો, ક્ષેત્ર પ્રયોગો, કેસ સ્ટડી, પ્રમેયના પ્રદર્શનો, આગાહીઓ અને અનુકરણો છે. આ પદ્ધતિઓનો ઉપયોગ કરીને, સંશોધકો સ્વીકારે છે કે અભ્યાસ કરાયેલી ઘટનાને ઉદ્દેશ્ય અને સખત રીતે અવલોકન કરી શકાય છે.

3.1.1.2 અર્થઘટનાત્મક સંશોધન

અર્થઘટનાત્મક સંશોધન, જેને ઘણીવાર ઘટનાવિજ્ઞાન અથવા વિરોધી હકારાત્મકવાદ કહેવામાં આવે છે, તેનું વર્ણન ન્યુમેન (1994) દ્વારા "સમજ પર પહોંચવા માટે, કુદરતી પરિસ્થિતિઓમાં લોકોના સીધા અને વિગતવાર અવલોકન દ્વારા ક્રિયાના સામાજિક અર્થનું વ્યવસ્થિત વિશ્લેષણ" તરીકે કરવામાં આવ્યું છે. લોકો તેમના સામાજિક વિશ્વને કેવી રીતે બનાવે છે અને જાળવી રાખે છે તેના અર્થઘટન માટે. અર્થઘટનાત્મક અભ્યાસો એવી ધારણાને નકારી કાઢે છે કે અવલોકન કરાયેલી ઘટનાને ઉદ્દેશ્યથી અવલોકન કરી શકાય છે. હકીકતમાં તેઓ વ્યક્તિલક્ષી અર્થઘટન પર આધારિત છે. વધુમાં, અર્થઘટનાત્મક સંશોધકો તેઓ જે અસાધારણ ઘટનાનો અભ્યાસ કરે છે તેના પર પ્રાથમિક અર્થ લાદતા નથી.

આ પદ્ધતિમાં વ્યક્તિલક્ષી/વાદકીય અભ્યાસ, ક્રિયા સંશોધન, વર્ણનાત્મક/વ્યાખ્યાયાત્મક અભ્યાસ, ભાવિ સંશોધન અને ભૂમિકા ભજવવાનો સમાવેશ થાય છે. આ સર્વેક્ષણો અને કેસ અભ્યાસો ઉપરાંત આ અભિગમમાં સામેલ કરી શકાય છે કારણ કે તે જટિલ વાસ્તવિક-વિશ્વ પરિસ્થિતિઓમાં વ્યક્તિઓ અથવા સંસ્થાઓના અભ્યાસની ચિંતા કરે છે.

3.1.1.3 જટિલ સંશોધન

જટિલ પૂછપરછ એ સામાજિક વિજ્ઞાનમાં સૌથી ઓછો જાણીતો અભિગમ છે પરંતુ તાજેતરમાં માહિતી પ્રણાલીના સંશોધકો દ્વારા ધ્યાન આપવામાં આવ્યું છે. દાર્શનિક ધારણા કે સામાજિક વાસ્તવિકતા ઐતિહાસિક રીતે લોકો, તેમજ તેમની ક્રિયાઓ અને ક્રિયાપ્રતિક્રિયાઓ સાથે સામાજિક પ્રણાલીઓ દ્વારા ઉત્પન્ન અને પુનઃઉત્પાદિત થાય છે. તેમની ક્ષમતા, જોકે, સંખ્યાબંધ સામાજિક, સાંસ્કૃતિક અને રાજકીય વિચારણાઓ દ્વારા મધ્યસ્થી થાય છે.

અર્થઘટનાત્મક સંશોધનની જેમ, વિવેચનાત્મક સંશોધન એવું જાળવે છે કે સકારાત્મક સંશોધનને સામાજિક સંદર્ભ સાથે કોઈ લેવાદેવા નથી અને માનવીય ક્રિયાઓ પરના તેના પ્રભાવને અવગણે છે.
આલોચનાત્મક સંશોધન, બીજી તરફ, અર્થઘટનાત્મક સંશોધનની ટીકા કરે છે કારણ કે તે ખૂબ જ વ્યક્તિલક્ષી છે અને લોકોને તેમના જીવનને સુધારવામાં મદદ કરવાનો હેતુ નથી. જટિલ સંશોધન અને અન્ય બે અભિગમો વચ્ચેનો સૌથી મોટો તફાવત તેનું મૂલ્યાંકનકારી પરિમાણ છે. જ્યારે સકારાત્મક અને અર્થઘટનાત્મક પરંપરાઓની ઉદ્દેશ્ય યથાસ્થિતિ અથવા સામાજિક વાસ્તવિકતાની આગાહી અથવા સમજાવવાની હોય છે, ત્યારે જટિલ સંશોધનનો હેતુ અભ્યાસ હેઠળ સામાજિક વાસ્તવિકતાનું વિવેચનાત્મક મૂલ્યાંકન અને પરિવર્તન કરવાનો છે.

જટિલ સંશોધકો સામાન્ય રીતે સામાજિક તફાવતોને દૂર કરવા અને સામાજિક પરિસ્થિતિઓને સુધારવા માટે યથાસ્થિતિનો વિરોધ કરે છે. જટિલ સંશોધન રસની ઘટનાના પ્રક્રિયાત્મક દૃષ્ટિકોણ માટે પ્રતિબદ્ધતા ધરાવે છે અને તેથી, સામાન્ય રીતે રેખાંશ હોય છે. સંશોધન પદ્ધતિઓના ઉદાહરણો લાંબા ગાળાના ઐતિહાસિક અભ્યાસ અને એથનોગ્રાફિક અભ્યાસ છે. જટિલ સંશોધન, જોકે, માહિતી પ્રણાલી સંશોધનમાં વ્યાપકપણે ઉપયોગમાં લેવાતું નથી

3.1.2 સંશોધનનો હેતુ

સંશોધનની પ્રકૃતિની સાથે, તેનો હેતુ સંશોધકને ચોક્કસ સંશોધન પદ્ધતિ પસંદ કરવામાં માર્ગદર્શન આપવા માટે ઉપયોગ કરી શકાય છે. સંશોધન પ્રોજેક્ટનો હેતુ સંશોધન ચક્રના સંબંધમાં સંશોધનની સ્થિતિ સાથે ગાઢ રીતે સંકળાયેલો છે જેમાં ત્રણ તબક્કાઓનો સમાવેશ થાય છે: થિયરી બિલ્ડિંગ, થિયરી ટેસ્ટિંગ અને થિયરી રિફાઇનમેન્ટ. આમ, સંશોધન ચક્રના સમયના આધારે, સંશોધન પ્રોજેક્ટમાં સમજૂતીત્મક, વર્ણનાત્મક, સંશોધનાત્મક અથવા અનુમાનાત્મક હેતુ હોઈ શકે છે.

3.1.2.1 સંશોધનાત્મક સંશોધન

સંશોધનાત્મક સંશોધનનો હેતુ તદ્દન નવા વિષયની તપાસ કરવાનો અને ભાવિ સંશોધન માટે પ્રશ્નો અને પૂર્વધારણાઓ ઘડવાનો છે. આ પ્રકારના સંશોધનનો ઉપયોગ નવા ક્ષેત્રમાં પ્રારંભિક સંદર્ભો મેળવવા માટે થિયરી બિલ્ડિંગમાં થાય છે. સામાન્ય રીતે, ગુણાત્મક સંશોધન પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે, જેમ કે કેસ સ્ટડીઝ અથવા અસાધારણ અભ્યાસ.

જો કે, સંશોધનાત્મક સર્વેક્ષણો અથવા પ્રયોગો જેવી જથ્થાત્મક તકનીકોનો ઉપયોગ કરવો પણ શક્ય છે.

3.1.3.3 વર્ણનાત્મક સંશોધન

વર્ણનાત્મક સંશોધનનો હેતુ ચોક્કસ સંસ્થાકીય પરિસ્થિતિ અથવા પ્રેક્ટિસનું વિશ્લેષણ અને વિગતવાર વર્ણન કરવાનો છે. આ સિદ્ધાંતો બનાવવા માટે યોગ્ય છે અને તેનો ઉપયોગ પૂર્વધારણાઓની પુષ્ટિ કરવા અથવા પડકારવા માટે પણ થઈ શકે છે. વર્ણનાત્મક સંશોધનમાં સામાન્ય રીતે પગલાં અને નમૂનાઓનો ઉપયોગ શામેલ હોય છે. સૌથી યોગ્ય સંશોધન પદ્ધતિઓમાં પૂર્વવર્તીઓના સર્વેક્ષણ અને વિશ્લેષણનો સમાવેશ થાય છે.

3.1.2.3 સમજૂતીત્મક સંશોધન

સમજૂતીત્મક સંશોધન વસ્તુઓ શા માટે થાય છે તે સમજાવવાનો પ્રયાસ કરે છે. તે એવા તથ્યો પર બનેલ છે જેનો પહેલાથી અભ્યાસ કરવામાં આવ્યો છે અને આ હકીકતોના કારણો શોધવાનો પ્રયાસ કરે છે.
આમ સમજૂતીત્મક સંશોધન સામાન્ય રીતે સંશોધનાત્મક અથવા વર્ણનાત્મક સંશોધન પર બાંધવામાં આવે છે અને તે સિદ્ધાંતોના પરીક્ષણ અને શુદ્ધિકરણ માટે આનુષંગિક છે. સ્પષ્ટીકરણ સંશોધન સામાન્ય રીતે કેસ સ્ટડીઝ અથવા સર્વે-આધારિત સંશોધન પદ્ધતિઓનો ઉપયોગ કરે છે.

3.1.2.4 નિવારક સંશોધન

નિવારક સંશોધનનો ઉદ્દેશ્ય અવલોકન હેઠળની ઘટનાઓ અને વર્તણૂકોની આગાહી કરવાનો છે જેનો અભ્યાસ કરવામાં આવી રહ્યો છે (માર્શલ અને રોસમેન 1995). આગાહી એ સત્યની પ્રમાણભૂત વૈજ્ઞાનિક કસોટી છે. આ પ્રકારના સંશોધનમાં સામાન્ય રીતે સર્વેક્ષણો અથવા વિશ્લેષણનો ઉપયોગ કરવામાં આવે છે dati ઇતિહાસકારો (યિન 1989)

ઉપરોક્ત ચર્ચા દર્શાવે છે કે ચોક્કસ અભ્યાસમાં ઉપયોગમાં લઈ શકાય તેવી સંખ્યાબંધ સંભવિત સંશોધન પદ્ધતિઓ છે. જો કે, ત્યાં એક ચોક્કસ પદ્ધતિ હોવી જોઈએ જે ચોક્કસ પ્રકારના સંશોધન પ્રોજેક્ટ માટે અન્ય કરતાં વધુ યોગ્ય હોય. (ગેલિયર્સ 1987, યીન 1989, ડી વોસ 1991). તેથી, દરેક સંશોધકે, સંશોધન પ્રોજેક્ટ સાથે સૌથી યોગ્ય અને સુસંગત સંશોધન પદ્ધતિ અપનાવવા માટે, વિવિધ પદ્ધતિઓની શક્તિ અને નબળાઈઓનું કાળજીપૂર્વક મૂલ્યાંકન કરવાની જરૂર છે. (જેનકિન્સ 1985, પરવાન અને ક્લાસ 1992, બોનોમિયા 1985, યીન 1989, હિમિલ્ટન અને ઇવ્સ 1992).

3.2. સંભવિત સંશોધન પદ્ધતિઓ

આ પ્રોજેક્ટનો હેતુ ઓસ્ટ્રેલિયન સંસ્થાઓમાં i સાથે અનુભવનો અભ્યાસ કરવાનો હતો dati ના વિકાસ સાથે સંગ્રહિત માહિતી વેરહાઉસ. તારીખ કે, હાલમાં, ઑસ્ટ્રેલિયામાં ડેટા વેરહાઉસિંગના ક્ષેત્રમાં સંશોધનનો અભાવ છે, આ સંશોધન પ્રોજેક્ટ હજી પણ સંશોધન ચક્રના સૈદ્ધાંતિક તબક્કામાં છે અને તેનો એક સંશોધન હેતુ છે. ડેટા વેરહાઉસિંગને અપનાવતી ઓસ્ટ્રેલિયન સંસ્થાઓમાં અનુભવનું અન્વેષણ કરવા માટે વાસ્તવિક સમાજના અર્થઘટનની જરૂર છે. પરિણામે, સંશોધન પ્રોજેક્ટ અંતર્ગત ફિલોસોફિકલ ધારણા પરંપરાગત અર્થઘટનને અનુસરે છે.

ઉપલબ્ધ પદ્ધતિઓની સખત તપાસ કર્યા પછી, બે સંભવિત સંશોધન પદ્ધતિઓ ઓળખવામાં આવી હતી: સર્વેક્ષણ અને કેસ અભ્યાસ, જેનો ઉપયોગ સંશોધન સંશોધન માટે થઈ શકે છે (શૅંક્સ એટ અલ. 1993). ગેલિયર્સ (1992) તેમના સુધારેલા વર્ગીકરણમાં આ વિશેષ અભ્યાસ માટે આ બે પદ્ધતિઓની યોગ્યતા માટે દલીલ કરે છે કે તેઓ સિદ્ધાંત નિર્માણ માટે યોગ્ય છે. નીચેના બે પેટાવિભાગો દરેક પદ્ધતિની વિગતવાર ચર્ચા કરે છે.

3.2.1 સર્વે સંશોધન પદ્ધતિ

સર્વેક્ષણ સંશોધન પદ્ધતિ પ્રાચીન વસ્તી ગણતરી પદ્ધતિમાંથી આવે છે. વસ્તી ગણતરીમાં સમગ્ર વસ્તી પાસેથી માહિતી એકઠી કરવામાં આવે છે. આ પદ્ધતિ ખર્ચાળ અને અવ્યવહારુ છે, ખાસ કરીને જો વસ્તી મોટી હોય. આમ, વસ્તી ગણતરીની તુલનામાં, સર્વેક્ષણ સામાન્ય રીતે વસ્તીના પ્રતિનિધિઓની નાની સંખ્યા અથવા નમૂના માટે માહિતી એકત્રિત કરવા પર ધ્યાન કેન્દ્રિત કરે છે (ફાઉલર 1988, ન્યુમેન 1994). નમૂનાની સંરચના, કદ અને ઉપયોગમાં લેવાતી પસંદગીની પદ્ધતિના આધારે, સચોટતાના વિવિધ સ્તરો સાથે, તે વસ્તીને પ્રતિબિંબિત કરે છે જેમાંથી તે દોરવામાં આવે છે (ફાઉલર 1988, બેબી 1982, ન્યુમેન 1994).

સર્વેક્ષણ પદ્ધતિની વ્યાખ્યા કરવામાં આવી છે "પ્રથાઓના સ્નેપશોટ, પરિસ્થિતિઓ અથવા સમયના ચોક્કસ બિંદુએ, પ્રશ્નાવલિ અથવા ઇન્ટરવ્યુનો ઉપયોગ કરીને હાથ ધરવામાં આવે છે, જેમાંથી અનુમાન કરી શકાય છે.
બનાવાયેલ” (ગેલિયર્સ 1992:153) [પ્રથાઓ, પરિસ્થિતિઓ અથવા સમયના ચોક્કસ બિંદુ પરના મંતવ્યોનો સ્નેપશોટ, પ્રશ્નાવલી અથવા ઇન્ટરવ્યુનો ઉપયોગ કરીને હાથ ધરવામાં આવે છે, જેમાંથી અનુમાન કરી શકાય છે]. સર્વેક્ષણો અભ્યાસના અમુક પાસાઓ વિશે, ચોક્કસ સંખ્યામાં સહભાગીઓ પાસેથી, પ્રશ્નો પૂછીને માહિતી એકત્ર કરવા સાથે વ્યવહાર કરે છે (ફાઉલર 1988). આ પ્રશ્નાવલિ અને ઇન્ટરવ્યુ, જેમાં રૂબરૂ ટેલિફોન ઇન્ટરવ્યુ અને સ્ટ્રક્ચર્ડ ઇન્ટરવ્યુનો સમાવેશ થાય છે, તે પણ એકત્રીકરણ તકનીકો છે. dati સામાન્ય રીતે તપાસમાં કાર્યરત (બ્લેક 1970, નાચમિયાસ અને નાચમિયાસ 1976, ફાઉલર 1988), અવલોકનો અને વિશ્લેષણનો ઉપયોગ કરી શકાય છે (ગેબલ 1994). એકત્રિત કરવાની આ બધી પદ્ધતિઓમાંથી dati, પ્રશ્નાવલીનો ઉપયોગ એ સૌથી લોકપ્રિય તકનીક છે, કારણ કે તે ખાતરી કરે છે કે i dati

એકત્રિત કરવામાં આવેલ છે સંરચિત અને ફોર્મેટ, અને તેથી માહિતીના વર્ગીકરણની સુવિધા આપે છે (હવાંગ 1987, ડી વોસ 1991).

વિશ્લેષણ કરતી વખતે i dati, તપાસ વ્યૂહરચના ઘણીવાર માત્રાત્મક તકનીકોનો ઉપયોગ કરે છે, જેમ કે આંકડાકીય વિશ્લેષણ, પરંતુ ગુણાત્મક તકનીકોનો પણ ઉપયોગ કરી શકાય છે (ગેલિયર્સ 1992, પરવાન

અને ક્લાસ 1992, ગેબલ 1994). સામાન્ય રીતે, આઇ dati એકત્ર કરાયેલો ઉપયોગ એસોસિએશનના વિતરણો અને પેટર્નનું વિશ્લેષણ કરવા માટે થાય છે (ફાઉલર 1988).

જો કે 'શું?' પ્રશ્ન સાથેના સંશોધન માટે સર્વેક્ષણો સામાન્ય રીતે યોગ્ય હોય છે. (શું) અથવા તેમાંથી મેળવેલા, જેમ કે 'કેટલા' અને 'કેટલા', તેઓને પ્રશ્ન 'શા માટે' (સોનક્વિસ્ટ અને ડંકલબર્ગ 1977, યીન 1989) દ્વારા પૂછી શકાય છે. સોનક્વિસ્ટ અને ડંકલબર્ગ (1977) મુજબ, પૂછપરછ સંશોધનનો ઉદ્દેશ્ય પડકારજનક પૂર્વધારણાઓ, કાર્યક્રમોનું મૂલ્યાંકન, વસ્તીનું વર્ણન અને માનવ વર્તનના મોડલ વિકસાવવાનો છે. વધુમાં, સર્વેક્ષણોનો ઉપયોગ ચોક્કસ વસ્તીના અભિપ્રાય, પરિસ્થિતિઓ, અભિપ્રાયો, લાક્ષણિકતાઓ, અપેક્ષાઓ અને ભૂતકાળ અથવા વર્તમાન વર્તણૂકોનો અભ્યાસ કરવા માટે થઈ શકે છે (ન્યુમેન 1994).

સર્વેક્ષણો સંશોધકને વસ્તી વચ્ચેના સંબંધો શોધવાની મંજૂરી આપે છે અને પરિણામો સામાન્ય રીતે અન્ય પદ્ધતિઓ કરતાં વધુ સામાન્ય હોય છે (સોનક્વિસ્ટ અને ડંકલબર્ગ 1977, ગેબલ 1994). સર્વેક્ષણો સંશોધકોને મોટા ભૌગોલિક વિસ્તારને આવરી લેવા અને ઘણા ઉત્તરદાતાઓ સુધી પહોંચવાની મંજૂરી આપે છે (બ્લેક 1970, સોનક્વિસ્ટ અને ડંકલબર્ગ 1977, હ્વૉંગ અને લિન 1987, ગેબલ 1994, ન્યુમેન 1994). છેલ્લે, સર્વેક્ષણો એવી માહિતી પ્રદાન કરી શકે છે જે અન્યત્ર ઉપલબ્ધ નથી અથવા વિશ્લેષણ માટે જરૂરી ફોર્મમાં છે (ફાઉલર 1988).

જો કે, સર્વેક્ષણ હાથ ધરવા માટે કેટલીક મર્યાદાઓ છે. એક ગેરલાભ એ છે કે સંશોધક અભ્યાસ કરેલ ઑબ્જેક્ટ વિશે વધુ માહિતી મેળવી શકતા નથી. આ એ હકીકતને કારણે છે કે સર્વેક્ષણો ફક્ત ચોક્કસ સમયે જ હાથ ધરવામાં આવે છે અને તેથી, ત્યાં મર્યાદિત સંખ્યામાં ચલો અને લોકો છે જે સંશોધક કરી શકે છે.

અભ્યાસ (યિન 1989, ડી વોસ 1991, ગેબલ 1994, ડેન્સકોમ્બે 1998). અન્ય ગેરલાભ એ છે કે સર્વેક્ષણ હાથ ધરવા સમય અને સંસાધનોની દ્રષ્ટિએ ખૂબ ખર્ચાળ હોઈ શકે છે, ખાસ કરીને જો તેમાં સામ-સામે ઇન્ટરવ્યુ સામેલ હોય (ફાઉલર 1988).

3.2.2. પૂછપરછ સંશોધન પદ્ધતિ

પૂછપરછ સંશોધન પદ્ધતિમાં સંશોધકના કોઈપણ હસ્તક્ષેપ વિના, ચોક્કસ સમયગાળા દરમિયાન તેના વાસ્તવિક-વિશ્વના સંદર્ભમાં ચોક્કસ પરિસ્થિતિનો ઊંડાણપૂર્વકનો અભ્યાસ સામેલ છે (શેન્ક્સ એન્ડ સી. 1993, આઈઝેનહાર્ટ 1989, જેનકિન્સ 1985). મુખ્યત્વે આ પદ્ધતિનો ઉપયોગ ચોક્કસ પરિસ્થિતિમાં અભ્યાસ કરવામાં આવતા ચલો વચ્ચેના સંબંધોનું વર્ણન કરવા માટે થાય છે (ગેલિયર્સ 1992). તપાસમાં એક અથવા બહુવિધ કેસો સામેલ હોઈ શકે છે, જેનું વિશ્લેષણ કરવામાં આવેલ ઘટનાના આધારે (ફ્રાંઝ અને રોબે 1987, આઈઝેનહાર્ટ 1989, યીન 1989).

પૂછપરછ સંશોધન પદ્ધતિને "એક પ્રયોગમૂલક પૂછપરછ કે જે તેના વાસ્તવિક સંદર્ભમાં સમકાલીન ઘટનાનો અભ્યાસ કરે છે, એક અથવા વધુ સંસ્થાઓ જેમ કે લોકો, જૂથો અથવા સંગઠનો પાસેથી એકત્ર કરાયેલા બહુવિધ સ્ત્રોતોનો ઉપયોગ કરીને" (યિન 1989) તરીકે વ્યાખ્યાયિત કરવામાં આવી છે. ઘટના અને તેના સંદર્ભ વચ્ચે કોઈ સ્પષ્ટ વિભાજન નથી અને ચલોનું કોઈ પ્રાયોગિક નિયંત્રણ અથવા મેનીપ્યુલેશન નથી (Yin 1989, Benbasat et al. 1987).

એકત્ર કરવા માટે વિવિધ તકનીકો છે dati જે પૂછપરછ પદ્ધતિમાં ઉપયોગમાં લઈ શકાય છે, જેમાં પ્રત્યક્ષ અવલોકનો, આર્કાઇવલ રેકોર્ડ્સની સમીક્ષાઓ, પ્રશ્નાવલિ, દસ્તાવેજીકરણ સમીક્ષા અને માળખાગત ઇન્ટરવ્યુનો સમાવેશ થાય છે. લણણીની તકનીકોની વિવિધ શ્રેણી ધરાવે છે dati, તપાસ સંશોધકોને બંને સાથે વ્યવહાર કરવાની મંજૂરી આપે છે dati તે જ સમયે ગુણાત્મક અને જથ્થાત્મક (બોનોમા 1985, આઇઝેનહાર્ટ 1989, યીન 1989, ગેબલ 1994). સર્વેક્ષણ પદ્ધતિની જેમ, સર્વેક્ષણ સંશોધક નિરીક્ષક અથવા સંશોધક તરીકે સેવા આપે છે અને અભ્યાસ હેઠળની સંસ્થામાં સક્રિય સહભાગી તરીકે નહીં.

બેનબાસત એટ અલ. (1987) ભારપૂર્વક જણાવે છે કે તપાસ પદ્ધતિ સંશોધન સિદ્ધાંતના નિર્માણ માટે ખાસ કરીને યોગ્ય છે, જે સંશોધન પ્રશ્નથી શરૂ થાય છે અને શિક્ષણ સાથે ચાલુ રહે છે.

એકત્ર કરવાની પ્રક્રિયા દરમિયાન સિદ્ધાંતની dati. સ્ટેજ માટે પણ યોગ્ય છે

થિયરી બિલ્ડિંગ, ફ્રાન્ઝ અને રોબે (1987) સૂચવે છે કે જટિલ સિદ્ધાંત તબક્કા માટે પણ પૂછપરછ પદ્ધતિનો ઉપયોગ કરી શકાય છે. આ કિસ્સામાં, એકત્રિત કરવામાં આવેલા પુરાવાના આધારે, આપેલ સિદ્ધાંત અથવા પૂર્વધારણાને ચકાસવામાં આવે છે અથવા રદિયો આપવામાં આવે છે. વધુમાં, સર્વેક્ષણ 'કેવી રીતે' અથવા 'શા માટે' પ્રશ્નો (યિન 1989) સાથે સંબંધિત સંશોધન માટે પણ યોગ્ય છે.

અન્ય પદ્ધતિઓની તુલનામાં, સર્વેક્ષણો સંશોધકને વધુ વિગતવાર આવશ્યક માહિતી મેળવવાની મંજૂરી આપે છે (ગેલિયર્સ 1992, શેન્ક્સ એટ અલ. 1993). વધુમાં, સર્વેક્ષણો સંશોધકને અભ્યાસ કરેલી પ્રક્રિયાઓની પ્રકૃતિ અને જટિલતાને સમજવાની મંજૂરી આપે છે (બેનબાસત એટ અલ. 1987).

સર્વેક્ષણ પદ્ધતિ સાથે સંકળાયેલા ચાર મુખ્ય ગેરફાયદા છે. પ્રથમ નિયંત્રિત કપાતનો અભાવ છે. સંશોધકની આત્મીયતા અભ્યાસના પરિણામો અને નિષ્કર્ષોને બદલી શકે છે (યિન 1989). બીજો ગેરલાભ એ નિયંત્રિત નિરીક્ષણનો અભાવ છે. પ્રાયોગિક પદ્ધતિઓથી વિપરીત, પૂછપરછ સંશોધક અભ્યાસ કરેલ ઘટનાઓને નિયંત્રિત કરી શકતા નથી કારણ કે તે તેમના કુદરતી સંદર્ભમાં તપાસવામાં આવે છે (ગેબલ 1994). ત્રીજો ગેરલાભ એ પ્રતિકૃતિનો અભાવ છે. આ એટલા માટે છે કારણ કે સંશોધક સમાન ઘટનાઓનું અવલોકન કરે તેવી શક્યતા નથી, અને ચોક્કસ અભ્યાસના પરિણામોની ચકાસણી કરી શકતા નથી (લી 1989). છેવટે, બિન-પ્રતિકૃતિના પરિણામે, એક અથવા વધુ તપાસમાંથી મેળવેલા પરિણામોનું સામાન્યીકરણ કરવું મુશ્કેલ છે (ગેલિયર્સ 1992, શેન્ક્સ એટ અલ. 1993). આ બધી સમસ્યાઓ, જોકે, દુસ્તર નથી અને હકીકતમાં, સંશોધક દ્વારા યોગ્ય પગલાં લાગુ કરીને ઘટાડી શકાય છે (લી 1989).

3.3. સંશોધન પદ્ધતિને ન્યાય આપો દત્તક

આ અભ્યાસ માટેની બે સંભવિત સંશોધન પદ્ધતિઓમાંથી, સર્વેક્ષણ પદ્ધતિ સૌથી યોગ્ય માનવામાં આવે છે. સંબંધિતોની સાવચેતીપૂર્વક વિચારણા કર્યા બાદ તપાસ કાઢી નાખવામાં આવી હતી

ગુણો અને નબળાઈઓ. આ અભ્યાસ માટેની દરેક પદ્ધતિની યોગ્યતા અથવા અયોગ્યતા નીચે ચર્ચા કરવામાં આવી છે.

3.3.1. સંશોધન પદ્ધતિની અયોગ્યતા તપાસ

પૂછપરછ પદ્ધતિ માટે સમયના સમયગાળા દરમિયાન એક અથવા વધુ સંસ્થાઓમાં ચોક્કસ પરિસ્થિતિ વિશે ઊંડાણપૂર્વક અભ્યાસની જરૂર છે (આઈઝેનહાર્ટ 1989). આ કિસ્સામાં, સમયગાળો આ અભ્યાસ માટે આપવામાં આવેલી સમયમર્યાદા કરતાં વધી શકે છે. સર્વેક્ષણ પદ્ધતિ ન અપનાવવાનું બીજું કારણ એ છે કે પરિણામો સખતાઈના અભાવથી પીડાઈ શકે છે (યિન 1989). સંશોધકની આત્મીયતા પરિણામો અને તારણોને પ્રભાવિત કરી શકે છે. બીજું કારણ એ છે કે આ પદ્ધતિ 'કેવી રીતે' અથવા 'શા માટે' પ્રકારના પ્રશ્નો પર સંશોધન માટે વધુ યોગ્ય છે (યિન 1989), જ્યારે આ અભ્યાસ માટે સંશોધન પ્રશ્ન 'કયા' પ્રકારનો છે. છેલ્લું પરંતુ ઓછામાં ઓછું નહીં, માત્ર એક અથવા થોડી તપાસ (ગેલિયર્સ 1992, શેન્ક્સ એટ અલ. 1993) ના તારણોનું સામાન્યીકરણ કરવું મુશ્કેલ છે. આ તર્કના આધારે, સર્વેક્ષણ સંશોધન પદ્ધતિ પસંદ કરવામાં આવી ન હતી કારણ કે તે આ અભ્યાસ માટે અયોગ્ય હતી.

3.3.2. ની શોધ પદ્ધતિની સગવડ તપાસ

જ્યારે આ સંશોધન હાથ ધરવામાં આવ્યું હતું, ત્યારે ઓસ્ટ્રેલિયન સંસ્થાઓ દ્વારા ડેટા વેરહાઉસિંગની પ્રથા વ્યાપકપણે અપનાવવામાં આવી ન હતી. તેથી, ઓસ્ટ્રેલિયન સંસ્થાઓમાં તેમના અમલીકરણ અંગે વધુ માહિતી ન હતી. ઉપલબ્ધ માહિતી એવી સંસ્થાઓ પાસેથી આવી છે કે જેમણે એનો અમલ કર્યો હતો અથવા તેનો ઉપયોગ કર્યો હતો માહિતી વેરહાઉસ. આ કિસ્સામાં, સર્વેક્ષણ સંશોધન પદ્ધતિ સૌથી યોગ્ય છે કારણ કે તે માહિતી મેળવવા માટે પરવાનગી આપે છે જે અન્યત્ર ઉપલબ્ધ નથી અથવા વિશ્લેષણ માટે જરૂરી ફોર્મમાં (ફાઉલર 1988). વધુમાં, સર્વેક્ષણ સંશોધન પદ્ધતિ સંશોધકને કોઈ ચોક્કસ સમયે પ્રથાઓ, પરિસ્થિતિઓ અથવા મંતવ્યો વિશે સારી સમજ મેળવવા માટે પરવાનગી આપે છે (ગેલિયર્સ 1992, ડેન્સકોમ્બે 1998). ઓસ્ટ્રેલિયન ડેટા વેરહાઉસિંગ અનુભવ વિશે જ્ઞાન વધારવા માટે વિહંગાવલોકન જરૂરી હતું.

વધુમાં, સોનક્વિસ્ટ અને ડંકલબર્ગ (1977) જણાવે છે કે સર્વેક્ષણ સંશોધનનાં પરિણામો અન્ય પદ્ધતિઓ કરતાં વધુ સામાન્ય છે.

3.4. સર્વે સંશોધન ડિઝાઇન

ડેટા વેરહાઉસિંગ પ્રેક્ટિસ પર સર્વેક્ષણ 1999 માં હાથ ધરવામાં આવ્યું હતું. ડેટા વેરહાઉસિંગ અભ્યાસમાં રસ ધરાવતી ઓસ્ટ્રેલિયન સંસ્થાઓ દ્વારા લક્ષ્ય વસ્તીની રચના કરવામાં આવી હતી, કારણ કે તેઓ કદાચ પહેલાથી જ dati કે તેઓ સંગ્રહ કરે છે અને તેથી, આ અભ્યાસ માટે ઉપયોગી માહિતી પ્રદાન કરી શકે છે. ધ ડેટા વેરહાઉસિંગ ઇન્સ્ટિટ્યૂટ (Tdwi-aap) ના તમામ ઓસ્ટ્રેલિયન સભ્યોના પ્રારંભિક સર્વેક્ષણ દ્વારા લક્ષ્ય વસ્તીને ઓળખવામાં આવી હતી. આ વિભાગ આ અભ્યાસના પ્રયોગમૂલક સંશોધન તબક્કાની રચનાની ચર્ચા કરે છે.

3.4.1. લણણી તકનીક dati

સર્વેક્ષણ સંશોધનમાં સામાન્ય રીતે ઉપયોગમાં લેવાતી ત્રણ તકનીકોમાંથી (એટલે ​​કે મેઇલ પ્રશ્નાવલિ, ટેલિફોન ઇન્ટરવ્યુ અને વ્યક્તિગત ઇન્ટરવ્યુ) (નાચમિયાસ 1976, ફાઉલર 1988, ડી વોસ 1991), આ અભ્યાસ માટે મેઇલ પ્રશ્નાવલી અપનાવવામાં આવી હતી. બાદમાં અપનાવવાનું પ્રથમ કારણ એ છે કે તે ભૌગોલિક રીતે વિખરાયેલી વસ્તી સુધી પહોંચી શકે છે (બ્લેક 1970, નાચમિયાસ અને નાચમિયાસ 1976, હ્વૉંગ અને લિન 1987, ડી વોસ 1991, ગેબલ 1994). બીજું, મેઇલ પ્રશ્નાવલી ઉચ્ચ શિક્ષિત સહભાગીઓ (ફાઉલર 1988) માટે યોગ્ય છે. આ અભ્યાસ માટેની મેઇલ પ્રશ્નાવલી ડેટા વેરહાઉસિંગ પ્રોજેક્ટના પ્રાયોજકો, ડિરેક્ટરો અને/અથવા પ્રોજેક્ટ મેનેજરોને સંબોધવામાં આવી હતી. ત્રીજું, જ્યારે સુરક્ષિત મેઈલીંગ લિસ્ટ ઉપલબ્ધ હોય ત્યારે મેઈલ પ્રશ્નાવલિ યોગ્ય હોય છે (સલેન્ટ અને દિલમેન 1994). TDWI, આ કિસ્સામાં, એક વિશ્વસનીય ડેટા વેરહાઉસિંગ એસોસિએશને તેના ઓસ્ટ્રેલિયન સભ્યોની મેઇલિંગ સૂચિ પ્રદાન કરી છે. ટેલિફોન પ્રશ્નાવલિ અથવા વ્યક્તિગત ઇન્ટરવ્યુ પર મેઇલ પ્રશ્નાવલિનો બીજો ફાયદો એ છે કે તે ઉત્તરદાતાઓને વધુ સચોટ રીતે જવાબ આપવા માટે પરવાનગી આપે છે, ખાસ કરીને જ્યારે ઉત્તરદાતાઓએ નોંધની સલાહ લેવી જોઈએ અથવા અન્ય લોકો સાથે પ્રશ્નોની ચર્ચા કરવી જોઈએ (ફાઉલર 1988).

સંભવિત ગેરલાભ એ મેઇલ દ્વારા પ્રશ્નાવલિ હાથ ધરવા માટે જરૂરી સમય હોઈ શકે છે. સામાન્ય રીતે, આ ક્રમમાં મેઇલ સર્વે હાથ ધરવામાં આવે છે: મેઇલ લેટર્સ, પ્રતિસાદોની રાહ જુઓ અને પુષ્ટિ મોકલો (ફાઉલર 1988, બેઇનબ્રિજ 1989). આમ, કુલ સમય વ્યક્તિગત ઇન્ટરવ્યુ અથવા ટેલિફોન ઇન્ટરવ્યુ માટે જરૂરી સમય કરતાં લાંબો હોઈ શકે છે. જો કે, કુલ સમય અગાઉથી જાણી શકાય છે (ફાઉલર 1988, ડેન્સકોમ્બે 1998). વ્યક્તિગત ઇન્ટરવ્યુ લેવા માટે વિતાવેલો સમય અગાઉથી જાણી શકાતો નથી કારણ કે તે એક ઇન્ટરવ્યુથી બીજા ઇન્ટરવ્યુમાં બદલાય છે (ફાઉલર 1988). ટેલિફોન ઇન્ટરવ્યુ પોસ્ટલ પ્રશ્નાવલિ અને વ્યક્તિગત ઇન્ટરવ્યુ કરતાં ઝડપી હોઈ શકે છે પરંતુ કેટલાક લોકોની અનુપલબ્ધતાને કારણે ઉચ્ચ બિન-પ્રતિસાદ દર હોઈ શકે છે (ફાઉલર 1988). વધુમાં, ટેલિફોન ઇન્ટરવ્યુ સામાન્ય રીતે પ્રશ્નોની ટૂંકી યાદી સુધી મર્યાદિત હોય છે (બેઇનબ્રિજ 1989).

મેઇલ પ્રશ્નાવલીની બીજી નબળાઇ એ ઉચ્ચ બિન-પ્રતિસાદ દર છે (ફાઉલર 1988, બેઇનબ્રિજ 1989, ન્યુમેન 1994). જો કે, આ અભ્યાસને વિશ્વસનીય ડેટા વેરહાઉસિંગ સંસ્થા (એટલે ​​કે TDWI) (બેનબ્રિજ 1989, ન્યુમેન 1994) સાથે સાંકળીને પ્રતિકારક પગલાં લેવામાં આવ્યા છે, જે બિન-જવાબ આપનારાઓને બે રીમાઇન્ડર પત્રો મોકલે છે (ફાઉલર 1988, ન્યુમેન 1994) અને તેમાં વધારાના પત્રનો પણ સમાવેશ થાય છે. અભ્યાસનો હેતુ સમજાવે છે (ન્યુમેન 1994).

3.4.2. વિશ્લેષણનું એકમ

આ અભ્યાસનો હેતુ ડેટા વેરહાઉસિંગના અમલીકરણ અને ઓસ્ટ્રેલિયન સંસ્થાઓમાં તેના ઉપયોગ વિશે માહિતી મેળવવાનો છે. લક્ષિત વસ્તીમાં તમામ ઑસ્ટ્રેલિયન સંસ્થાઓનો સમાવેશ થાય છે જેણે અમલ કર્યો છે, અથવા અમલ કરી રહી છે, i માહિતી વેરહાઉસ. પછી વ્યક્તિગત સંસ્થાઓ નામ પર નોંધાયેલ છે. પ્રશ્નાવલી દત્તક લેવામાં રસ ધરાવતી સંસ્થાઓને ટપાલ દ્વારા મોકલવામાં આવી હતી માહિતી વેરહાઉસ. આ પદ્ધતિ સુનિશ્ચિત કરે છે કે એકત્રિત કરેલી માહિતી દરેક સહભાગી સંસ્થાના સૌથી યોગ્ય સંસાધનોમાંથી આવે છે.

3.4.3. સર્વે નમૂના

સર્વેના સહભાગીઓની "મેઇલિંગ સૂચિ" TDWI પાસેથી મેળવવામાં આવી હતી. આ સૂચિમાંથી, 3000 ઓસ્ટ્રેલિયન સંસ્થાઓને નમૂના માટેના આધાર તરીકે પસંદ કરવામાં આવી હતી. સર્વેક્ષણનો પ્રોજેક્ટ અને હેતુ સમજાવતો વધારાનો પત્ર, પ્રતિભાવ શીટ અને પૂર્ણ કરેલ પ્રશ્નાવલી પરત કરવા માટે પ્રી-પેઇડ પરબિડીયું સાથે નમૂનાને મોકલવામાં આવ્યા હતા. 3000 સંસ્થાઓમાંથી, 198 અભ્યાસમાં ભાગ લેવા સંમત થયા. આટલા ઓછા પ્રતિભાવોની અપેક્ષા હતી ડેટો મોટી સંખ્યામાં ઓસ્ટ્રેલિયન સંસ્થાઓ કે જેઓ તેમની સંસ્થાઓમાં ડેટા વેરહાઉસિંગ વ્યૂહરચના અપનાવી હતી અથવા સ્વીકારી રહી હતી. આમ, આ અભ્યાસ માટે લક્ષિત વસ્તીમાં માત્ર 198 સંસ્થાઓનો સમાવેશ થાય છે.

3.4.4. પ્રશ્નાવલીની સામગ્રી

પ્રશ્નાવલીનું માળખું મોનાશ ડેટા વેરહાઉસિંગ મોડેલ પર આધારિત હતું (અગાઉ ભાગ 2.3 માં ચર્ચા કરવામાં આવી હતી). પ્રશ્નાવલીની સામગ્રી પ્રકરણ 2 માં પ્રસ્તુત સાહિત્ય વિશ્લેષણ પર આધારિત હતી. સર્વેના સહભાગીઓને મોકલવામાં આવેલી પ્રશ્નાવલિની એક નકલ પરિશિષ્ટ B માં મળી શકે છે. પ્રશ્નાવલીમાં છ વિભાગોનો સમાવેશ થાય છે, જે આવરી લેવામાં આવેલા મોડેલના તબક્કાઓને અનુસરે છે. નીચેના છ ફકરા સંક્ષિપ્તમાં દરેક વિભાગની સામગ્રીનો સારાંશ આપે છે.

વિભાગ A: સંસ્થા વિશે મૂળભૂત માહિતી
આ વિભાગમાં સહભાગી સંસ્થાઓની પ્રોફાઇલને લગતા પ્રશ્નો છે. વધુમાં, કેટલાક પ્રશ્નો સહભાગીના ડેટા વેરહાઉસિંગ પ્રોજેક્ટની સ્થિતિ સાથે સંબંધિત છે. સર્વેક્ષણ વિશ્લેષણમાં સંસ્થાના નામ જેવી ગુપ્ત માહિતી જાહેર કરવામાં આવી ન હતી.

વિભાગ B: શરૂઆત
આ વિભાગના પ્રશ્નો ડેટા વેરહાઉસિંગ શરૂ કરવાના કાર્ય સાથે સંબંધિત છે. પ્રોજેક્ટના પ્રારંભકર્તાઓ, બાંયધરી આપનારાઓ, જરૂરી કૌશલ્યો અને જ્ઞાન, ડેટા વેરહાઉસિંગ ડેવલપમેન્ટ ઉદ્દેશ્યો અને અંતિમ-વપરાશકર્તાની અપેક્ષાઓ અંગે પ્રશ્નો પૂછવામાં આવ્યા હતા.

વિભાગ C: ડિઝાઇન
આ વિભાગમાં આયોજન પ્રવૃત્તિઓ સંબંધિત પ્રશ્નો છે માહિતી વેરહાઉસ. ખાસ કરીને, પ્રશ્નો અમલીકરણના અવકાશ, પ્રોજેક્ટનો સમયગાળો, પ્રોજેક્ટની કિંમત અને ખર્ચ/લાભ વિશ્લેષણ વિશે હતા.

વિભાગ D: વિકાસ
વિકાસ વિભાગમાં વિકાસ પ્રવૃત્તિઓને લગતા પ્રશ્નો છે માહિતી વેરહાઉસ: અંતિમ વપરાશકર્તા જરૂરિયાતોનો સંગ્રહ, સ્ત્રોતો dati, નું લોજિકલ મોડેલ dati, પ્રોટોટાઇપ્સ, ક્ષમતા આયોજન, તકનીકી આર્કિટેક્ચર અને ડેટા વેરહાઉસિંગ વિકાસ સાધનોની પસંદગી.

વિભાગ E: ઓપરેશન
ની કામગીરી અને વિસ્તરણ સાથે સંબંધિત ઓપરેશનલ પ્રશ્નો માહિતી વેરહાઉસ, વિકાસના આગલા તબક્કામાં તે કેવી રીતે વિકસિત થાય છે. ત્યાં ડેટા ગુણવત્તા, ની તાજગી વ્યૂહરચના dati, ની ગ્રેન્યુલારિટી dati, ની માપનીયતા માહિતી વેરહાઉસ અને સુરક્ષા મુદ્દાઓ માહિતી વેરહાઉસ પૂછાયેલા પ્રશ્નોના પ્રકારો પૈકી હતા.

વિભાગ F: વિકાસ
આ વિભાગમાં નો ઉપયોગ કરવા સંબંધિત પ્રશ્નો છે માહિતી વેરહાઉસ અંતિમ વપરાશકર્તાઓ દ્વારા. સંશોધકને હેતુ અને ઉપયોગિતામાં રસ હતો માહિતી વેરહાઉસ, સમીક્ષા અને તાલીમ વ્યૂહરચનાઓ અપનાવવામાં આવે છે અને નિયંત્રણ વ્યૂહરચના માહિતી વેરહાઉસ દત્તક.

3.4.5. પ્રતિભાવ દર

જો કે મેઈલ સર્વેની ટીકા કરવામાં આવે છે કે તે નીચા પ્રતિભાવ દર ધરાવે છે, વળતર દર વધારવા માટે પગલાં લેવામાં આવ્યા છે (જેમ કે ભાગ 3.4.1 માં અગાઉ ચર્ચા કરવામાં આવી છે). 'રિસ્પોન્સ રેટ' શબ્દ ચોક્કસ સર્વેક્ષણના નમૂનામાં એવા લોકોની ટકાવારીને દર્શાવે છે જેઓ પ્રશ્નાવલીનો જવાબ આપે છે (ડેન્સકોમ્બે 1998). આ અભ્યાસ માટે પ્રતિભાવ દરની ગણતરી કરવા માટે નીચેના સૂત્રનો ઉપયોગ કરવામાં આવ્યો હતો:

પ્રતિસાદ આપનાર લોકોની સંખ્યા
પ્રતિભાવ દર = ——————————————————————————– X 100 કુલ પ્રશ્નાવલી મોકલવામાં આવી છે.

3.4.6. પાયલોટ ટેસ્ટ

પ્રશ્નાવલી નમૂના પર મોકલવામાં આવે તે પહેલાં, લક અને રૂબિન (1987), જેક્સન (1988) અને ડી વોસ (1991) દ્વારા સૂચવ્યા મુજબ, પાયલોટ પરીક્ષણો હાથ ધરીને પ્રશ્નોની તપાસ કરવામાં આવી હતી. પાયલોટ પરીક્ષણોનો હેતુ કોઈપણ અસ્પષ્ટ, અસ્પષ્ટ અભિવ્યક્તિઓ અને પ્રશ્નોને ઉજાગર કરવાનો છે જેનું અર્થઘટન કરવું મુશ્કેલ છે, ઉપયોગમાં લેવાતી કોઈપણ વ્યાખ્યાઓ અને શબ્દોને સ્પષ્ટ કરવા અને પ્રશ્નાવલી પૂર્ણ કરવા માટે જરૂરી અંદાજિત સમયને ઓળખવાનો છે (વોરવિક અને લિનિંગર 1975, જેક્સન 1988, સલેન્ટ અને દિલમાન 1994). પાયલોટ પરીક્ષણો ડેવિસ ઇ દ્વારા સૂચવ્યા મુજબ અંતિમ વિષયોની સમાન લાક્ષણિકતાઓ ધરાવતા વિષયો પસંદ કરીને હાથ ધરવામાં આવ્યા હતા. Cosenza (1993). આ અભ્યાસમાં, છ ડેટા વેરહાઉસિંગ વ્યાવસાયિકોને પાયલોટ વિષય તરીકે પસંદ કરવામાં આવ્યા હતા. દરેક પાયલોટ ટેસ્ટ પછી જરૂરી સુધારા કરવામાં આવ્યા હતા. હાથ ધરવામાં આવેલા પાયલોટ પરીક્ષણોમાંથી, સહભાગીઓએ પ્રશ્નાવલીના અંતિમ સંસ્કરણને ફરીથી આકાર આપવા અને રીસેટ કરવામાં ફાળો આપ્યો.

3.4.7. દ્વારા વિશ્લેષણ પદ્ધતિઓ Dati

I dati SPSS નામના આંકડાકીય પ્રોગ્રામ પેકેજનો ઉપયોગ કરીને બંધ-સમાપ્ત પ્રશ્નાવલિઓમાંથી એકત્રિત સર્વેક્ષણોનું વિશ્લેષણ કરવામાં આવ્યું હતું. ઘણા પ્રતિભાવોનું વર્ણનાત્મક આંકડાઓનો ઉપયોગ કરીને વિશ્લેષણ કરવામાં આવ્યું હતું. સંખ્યાબંધ પ્રશ્નાવલીઓ અધૂરી પરત કરવામાં આવી હતી. આની ખાતરી કરવા માટે વધુ કાળજી સાથે સારવાર કરવામાં આવી હતી કે i dati ગુમ થવું એ ડેટા એન્ટ્રીની ભૂલોનું પરિણામ ન હતું, પરંતુ કારણ કે પ્રશ્નો નોંધણીકર્તા માટે યોગ્ય ન હતા, અથવા નોંધણીકર્તાએ એક અથવા વધુ ચોક્કસ પ્રશ્નોના જવાબ ન આપવાનું નક્કી કર્યું. વિશ્લેષણ દરમિયાન આ ખૂટતા પ્રતિભાવોને અવગણવામાં આવ્યા હતા dati અને તેમને વિશ્લેષણ પ્રક્રિયામાંથી બાકાત રાખવાની ખાતરી કરવા માટે '- 9' તરીકે કોડેડ કરવામાં આવ્યા હતા.

પ્રશ્નાવલી તૈયાર કરતી વખતે, બંધ પ્રશ્નો દરેક વિકલ્પને નંબર આપીને પ્રીકોડ કરવામાં આવ્યા હતા. ત્યારબાદ નંબર તૈયાર કરવા માટે ઉપયોગમાં લેવાતો હતો dati વિશ્લેષણ દરમિયાન (ડેન્સકોમ્બે 1998, સેપ્સફોર્ડ અને જુપ 1996). ઉદાહરણ તરીકે, વિભાગ B ના પ્રશ્ન 1 માં છ વિકલ્પો સૂચિબદ્ધ હતા: બોર્ડ ઓફ ડિરેક્ટર્સ, સિનિયર એક્ઝિક્યુટિવ, IT વિભાગ, બિઝનેસ યુનિટ, કન્સલ્ટન્ટ્સ અને અન્ય. ની ફાઇલમાં dati SPSS નું, 'પ્રોજેક્ટ ઇનિશિયેટર' દર્શાવવા માટે એક વેરીએબલ જનરેટ કરવામાં આવ્યું હતું, જેમાં છ મૂલ્યના લેબલ હતા: 'બોર્ડ ઓફ ડિરેક્ટર્સ' માટે '1', 'વરિષ્ઠ એક્ઝિક્યુટિવ' માટે '2' અને તેથી વધુ. સ્ટ્રીટ. કેટલાક બંધ પ્રશ્નોમાં લિકર્ટિન સ્કેલનો ઉપયોગ પણ SPSS માં દાખલ થયેલા અનુરૂપ સંખ્યાત્મક મૂલ્યોના ઉપયોગને કારણે સહેલાઈથી ઓળખ માટે પરવાનગી આપે છે. બિન-સંપૂર્ણ જવાબો સાથેના પ્રશ્નો માટે, જે પરસ્પર વિશિષ્ટ ન હતા, દરેક વિકલ્પને બે મૂલ્ય લેબલ સાથે એક ચલ તરીકે ગણવામાં આવે છે: 'ચિહ્નિત' માટે '1' અને 'ચિહ્નિત નથી' માટે '2'.

ખુલ્લા પ્રશ્નોને બંધ પ્રશ્નો કરતાં અલગ રીતે ગણવામાં આવ્યા હતા. આ પ્રશ્નોના જવાબો SPSS માં દાખલ કરવામાં આવ્યા ન હતા. તેના બદલે, તેઓ હાથ દ્વારા વિશ્લેષણ કરવામાં આવ્યા હતા. આ પ્રકારના પ્રશ્નનો ઉપયોગ અમને મુક્તપણે વ્યક્ત કરેલા વિચારો અને ઉત્તરદાતાઓના વ્યક્તિગત અનુભવો વિશે માહિતી પ્રાપ્ત કરવાની મંજૂરી આપે છે (બેનબ્રિજ 1989, ડેન્સકોમ્બે 1998). જ્યાં શક્ય હોય ત્યાં, પ્રતિભાવોનું વર્ગીકરણ કરવામાં આવ્યું હતું.

ના વિશ્લેષણ માટે dati, સરળ આંકડાકીય વિશ્લેષણ પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે, જેમ કે પ્રતિભાવોની આવર્તન, સરેરાશ, પ્રમાણભૂત વિચલન અને મધ્યક (Argyrous 1996, Denscombe 1998).
વચ્ચેના સંગઠનોના જથ્થાત્મક પગલાં મેળવવા માટે ગામા પરીક્ષણ સારું પ્રદર્શન કરી રહ્યું હતું dati ઓર્ડિનલ્સ (નોરુસિસ 1983, આર્ગીરોસ 1996). આ પરીક્ષણો યોગ્ય હતા કારણ કે ઉપયોગમાં લેવાતા ઓર્ડિનલ સ્કેલમાં ઘણી શ્રેણીઓ નથી અને તે કોષ્ટકમાં દર્શાવી શકાય છે (નોરુસિસ 1983).

3.5 સોમ્મારિયો

આ પ્રકરણમાં, આ અભ્યાસ માટે અપનાવવામાં આવેલી સંશોધન પદ્ધતિ અને ડિઝાઇનની ચર્ચા કરવામાં આવી હતી.

ચોક્કસ અભ્યાસ માટે સૌથી યોગ્ય સંશોધન પદ્ધતિ પસંદ કરવાનું ધ્યાનમાં લે છે
સંશોધનની પ્રકૃતિ અને પ્રકાર, તેમજ દરેક સંભવિત પદ્ધતિના ગુણ અને નબળાઈઓ સહિત સંખ્યાબંધ નિયમોની વિચારણા (જેનકિન્સ 1985, બેનબાસટ એટ અલ. 1097, ગેલિયર્સ એન્ડ લેન્ડ 1987, યીન 1989, હેમિલ્ટન અને આઇવ્સ 1992, ગેલિયર્સ 1992, ન્યુમેન 1994). ઑસ્ટ્રેલિયામાં ડેટા વેરહાઉસિંગ અપનાવવા સંબંધિત હાલના જ્ઞાન અને સિદ્ધાંતના અભાવને જોતાં, આ સંશોધન અભ્યાસ માટે ઑસ્ટ્રેલિયન સંસ્થાઓના અનુભવોનું અન્વેષણ કરવાની ક્ષમતા સાથે અર્થઘટનાત્મક સંશોધન પદ્ધતિની જરૂર છે. પસંદ કરેલ સંશોધન પદ્ધતિ ઓસ્ટ્રેલિયન સંસ્થાઓ દ્વારા ડેટા વેરહાઉસિંગ ખ્યાલ અપનાવવા સંબંધિત માહિતી એકત્રિત કરવા માટે પસંદ કરવામાં આવી હતી. સંગ્રહ તકનીક તરીકે પોસ્ટલ પ્રશ્નાવલી પસંદ કરવામાં આવી હતી dati. સંશોધન પદ્ધતિ અને સંગ્રહ તકનીક માટે સમર્થન dati પસંદ કરેલ આ પ્રકરણમાં પ્રદાન કરવામાં આવશે. વધુમાં, વિશ્લેષણના એકમ, વપરાયેલ નમૂના, પ્રતિભાવોની ટકાવારી, પ્રશ્નાવલીની સામગ્રી, પ્રશ્નાવલીની પૂર્વ-પરીક્ષણ અને વિશ્લેષણની પદ્ધતિ પર ચર્ચા રજૂ કરવામાં આવી હતી. dati.

ડિઝાઇનિંગ એ ડેટા વેરહાઉસ:

એન્ટિટી રિલેશનશિપ અને ડાયમેન્શનલ મોડેલિંગનું સંયોજન

અમૂર્ત
સંગ્રહ i dati ઘણી સંસ્થાઓ માટે એક મુખ્ય વર્તમાન મુદ્દો છે. કમ્પ્યુટર સ્ટોરેજના વિકાસમાં મુખ્ય મુદ્દો dati તે તેની ડિઝાઇન છે.
ડિઝાઇનમાં ખ્યાલોની શોધને સમર્થન આપવું આવશ્યક છે માહિતી વેરહાઉસ લેગસી સિસ્ટમ અને અન્ય સ્ત્રોતો માટે dati અને અમલીકરણમાં પણ સરળ સમજ અને કાર્યક્ષમતા માહિતી વેરહાઉસ.
ના મોટા ભાગનું સંગ્રહ સાહિત્ય dati ની ડિઝાઇનનું પ્રતિનિધિત્વ કરવા માટે એન્ટિટી રિલેશનશિપ મોડેલિંગ અથવા ડાયમેન્શનલ મોડેલિંગનો ઉપયોગ કરવાની ભલામણ કરે છે માહિતી વેરહાઉસ.
આ પેપરમાં અમે બતાવીએ છીએ કે ડ્રોઇંગ માટે બંને રજૂઆતોને એક અભિગમમાં કેવી રીતે જોડી શકાય માહિતી વેરહાઉસ. વપરાયેલ અભિગમ વ્યવસ્થિત છે

કેસ સ્ટડીમાં તપાસવામાં આવે છે અને પ્રેક્ટિશનરો સાથેની સંખ્યાબંધ મહત્વપૂર્ણ અસરોમાં ઓળખાય છે.

ડેટા વેરહાઉસિંગ

Un માહિતી વેરહાઉસ તે સામાન્ય રીતે "વિષય-લક્ષી, સંકલિત, સમય-ચલ અને મેનેજમેન્ટના નિર્ણયોના સમર્થનમાં ડેટાના બિન-અસ્થિર સંગ્રહ" તરીકે વ્યાખ્યાયિત કરવામાં આવે છે (ઈનમોન અને હેકાથોર્ન, 1994). વિષય લક્ષી અને સંકલિત સૂચવે છે કે માહિતી વેરહાઉસ એક સંકલિત પરિપ્રેક્ષ્ય પ્રદાન કરવા માટે લેગાસી સિસ્ટમ્સની કાર્યાત્મક સીમાઓને પાર કરવા માટે રચાયેલ છે dati.
સમય-ચલન ની ઐતિહાસિક અથવા સમય-શ્રેણી પ્રકૃતિને અસર કરે છે dati યુ.એન. માં માહિતી વેરહાઉસ, જે વલણોનું વિશ્લેષણ કરવામાં સક્ષમ બનાવે છે. બિન-અસ્થિર સૂચવે છે કે માહિતી વેરહાઉસ તે a ની જેમ સતત અપડેટ થતું નથી ડેટાબેઝ OLTP ના. તેના બદલે તે સમયાંતરે અપડેટ કરવામાં આવે છે, સાથે dati આંતરિક અને બાહ્ય સ્ત્રોતોમાંથી આવે છે. આ માહિતી વેરહાઉસ તે ખાસ કરીને અખંડિતતા અને ઓપરેશન પ્રદર્શનને અપડેટ કરવાને બદલે શોધ માટે રચાયેલ છે.
સંગ્રહ કરવાનો વિચાર i dati નવી નથી, તે મેનેજમેન્ટ હેતુઓ પૈકીનો એક હતો dati સાઠના દાયકાથી (ધ માર્ટિન, 1982).
I માહિતી વેરહાઉસ તેઓ ઈન્ફ્રાસ્ટ્રક્ચર ઓફર કરે છે dati મેનેજમેન્ટ સપોર્ટ સિસ્ટમ્સ માટે. મેનેજમેન્ટ સપોર્ટ સિસ્ટમ્સમાં નિર્ણય સપોર્ટ સિસ્ટમ્સ (DSS) અને એક્ઝિક્યુટિવ ઇન્ફર્મેશન સિસ્ટમ્સ (EIS)નો સમાવેશ થાય છે. DSS એ કમ્પ્યુટર-આધારિત માહિતી પ્રણાલી છે જે માનવ નિર્ણય લેવામાં સુધારો કરવા માટે રચાયેલ છે. EIS સામાન્ય રીતે ની ડિલિવરી સિસ્ટમ છે dati જે વ્યાપારી નેતાઓને સરળતાથી જોવા માટે સક્ષમ બનાવે છે dati.
એનું સામાન્ય આર્કિટેક્ચર માહિતી વેરહાઉસ ની ભૂમિકા પર પ્રકાશ પાડે છે માહિતી વેરહાઉસ મેનેજમેન્ટ સપોર્ટમાં. તેમજ ઈન્ફ્રાસ્ટ્રક્ચર ઓફર કરે છે dati EIS અને DSS માટે, al માહિતી વેરહાઉસ તે પ્રશ્નો દ્વારા સીધા જ ઍક્સેસ કરી શકાય છે. ધ dati a માં સમાવેશ થાય છે માહિતી વેરહાઉસ મેનેજમેન્ટ માહિતી આવશ્યકતાઓના વિશ્લેષણ પર આધારિત છે અને તે ત્રણ સ્ત્રોતોમાંથી મેળવવામાં આવે છે: આંતરિક લેગસી સિસ્ટમ્સ, વિશેષ હેતુ ડેટા કેપ્ચર સિસ્ટમ્સ અને બાહ્ય ડેટા સ્ત્રોતો. ધ dati આંતરિક લેગસી સિસ્ટમ્સમાં તેઓ વારંવાર નિરર્થક, અસંગત, નીચી ગુણવત્તાવાળા અને વિવિધ ફોર્મેટમાં સંગ્રહિત હોય છે જેથી તેઓને લોડ કરવામાં આવે તે પહેલાં તેઓને સમાધાન અને સાફ કરવું આવશ્યક છે.

માહિતી વેરહાઉસ (ઈનમોન, 1992; મેકફેડન, 1996). ધ dati સ્ટોરેજ સિસ્ટમ્સમાંથી આવે છે dati તદર્થ અને સ્ત્રોતોમાંથી dati બાહ્યનો ઉપયોગ મોટાભાગે વધારવા (અપડેટ, બદલો) કરવા માટે થાય છે dati લેગસી સિસ્ટમ્સમાંથી.

વિકાસ માટે ઘણા અનિવાર્ય કારણો છે માહિતી વેરહાઉસ, જેમાં વધુ માહિતી (Ives 1995) ના અસરકારક ઉપયોગ દ્વારા સુધારેલ નિર્ણય લેવાનો સમાવેશ થાય છે, સમગ્ર સોદા પર ધ્યાન કેન્દ્રિત કરવા માટે સમર્થન (Graham 1996), અને ઘટાડો dati EIS અને DSS માટે (ગ્રાહામ 1996, મેકફેડન 1996).

તાજેતરના પ્રયોગમૂલક અભ્યાસમાં જાણવા મળ્યું છે કે, સરેરાશ, રોકાણ પરનું વળતર માહિતી વેરહાઉસ ત્રણ વર્ષ પછી 401% દ્વારા (ગ્રેહામ, 1996). જો કે, અન્ય પ્રયોગમૂલક અભ્યાસો માહિતી વેરહાઉસ લાભોને માપવામાં અને સોંપવામાં મુશ્કેલી, સ્પષ્ટ હેતુનો અભાવ, હેતુને ઓછો અંદાજ અને લાભો સંગ્રહ કરવાની પ્રક્રિયાની જટિલતા સહિત નોંધપાત્ર સમસ્યાઓ મળી dati, ખાસ કરીને સ્ત્રોતો અને સ્વચ્છતા અંગે dati. સંગ્રહ i dati મેનેજમેન્ટ સમસ્યાના ઉકેલ તરીકે ગણી શકાય dati સંસ્થાઓ વચ્ચે. ની હેરાફેરી dati સામાજિક સંસાધન તરીકે તે ઘણા વર્ષોથી સમગ્ર વિશ્વમાં માહિતી પ્રણાલીના સંચાલનમાં મુખ્ય સમસ્યાઓ પૈકીની એક રહી છે (બ્રાન્ચેઉ એટ અલ. 1996, ગેલિયર્સ એટ અલ. 1994, નિડરમેન એટ અલ. 1990, પરવાન 1993).

વ્યવસ્થાપન માટે લોકપ્રિય અભિગમ dati એંસીના દાયકામાં તે એક મોડેલનો વિકાસ હતો dati સામાજિક મોડલ dati સામાજિકને નવી એપ્લિકેશન સિસ્ટમ્સના વિકાસ માટે સ્થિર આધાર પ્રદાન કરવા માટે ડિઝાઇન કરવામાં આવ્યું હતું અને ડેટાબેઝ અને લેગસી સિસ્ટમ્સનું પુનર્નિર્માણ અને એકીકરણ (બ્રાન્ચેઉ એટ અલ.

1989, ગુડહ્યુ એટ અલ. 1988:1992, કિમ અને એવરેસ્ટ 1994). જો કે, આ અભિગમ સાથે ઘણી સમસ્યાઓ છે, ખાસ કરીને, દરેક કાર્યની જટિલતા અને ખર્ચ, અને મૂર્ત પરિણામો લાવવા માટે જરૂરી લાંબો સમય (બેનોન-ડેવિસ 1994, અર્લ 1993, ગુડહ્યુ એટ અલ. 1992, પેરિયાસામી 1994, શેન્ક્સ 1997) ).

Il માહિતી વેરહાઉસ તે એક અલગ ડેટાબેઝ છે જે લેગસી ડેટાબેસેસને બદલવાને બદલે સહ-અસ્તિત્વ ધરાવે છે. તેથી તે તમને સંચાલનને દિશામાન કરવાની મંજૂરી આપે છે dati અને લેગસી સિસ્ટમના ખર્ચાળ પુનઃનિર્માણને ટાળો.

ડેટા ડિઝાઇન માટે હાલના અભિગમો

વેરહાઉસ

નિર્માણ અને પૂર્ણ કરવાની પ્રક્રિયા a માહિતી વેરહાઉસ તેને પરંપરાગત પ્રણાલીઓના વિકાસના જીવનચક્રને બદલે ઉત્ક્રાંતિ પ્રક્રિયા તરીકે વધુ સમજવું જોઈએ (દેસીયો, 1995, શેન્ક્સ, ઓ'ડોનેલ અને આર્નોટ 1997a). પ્રોજેક્ટમાં ઘણી બધી પ્રક્રિયાઓ સામેલ છે માહિતી વેરહાઉસ જેમ કે પ્રારંભ, આયોજન; કંપની મેનેજરો દ્વારા પૂછવામાં આવેલી જરૂરિયાતોમાંથી મેળવેલ માહિતી; સ્ત્રોતો, પરિવર્તન, સફાઈ dati અને લેગસી સિસ્ટમ્સ અને અન્ય સ્ત્રોતોમાંથી સિંક્રનાઇઝેશન dati; વિકાસમાં ડિલિવરી સિસ્ટમ્સ; ની દેખરેખ માહિતી વેરહાઉસ; અને ઉત્ક્રાંતિ પ્રક્રિયા અને નિર્માણની અણસમજુતા માહિતી વેરહાઉસ (સ્ટિંચી, ઓ'ડોનેલ અને આર્નોટ 1997b). આ જર્નલમાં, અમે કેવી રીતે દોરવા તેના પર ધ્યાન કેન્દ્રિત કરીએ છીએ dati આ અન્ય પ્રક્રિયાઓના સંદર્ભમાં સંગ્રહિત. આર્કિટેક્ચર માટે સંખ્યાબંધ સૂચિત અભિગમો છે માહિતી વેરહાઉસ સાહિત્યમાં (Inmon 1994, Ives 1995, Kimball 1994 McFadden 1996). આ દરેક પદ્ધતિમાં તેમની શક્તિઓ અને નબળાઈઓના વિશ્લેષણ સાથે સંક્ષિપ્ત સમીક્ષા છે.

ઇનમોન્સ (1994) માટે અભિગમ ડેટા વેરહાઉસ ડિઝાઇન

ઇનમોન (1994) એ ડિઝાઇન કરવા માટે ચાર પુનરાવર્તિત પગલાં સૂચવ્યા માહિતી વેરહાઉસ (આકૃતિ 2 જુઓ). પ્રથમ પગલું એ ટેમ્પલેટ ડિઝાઇન કરવાનું છે dati કેવી રીતે i dati તેઓને વિભાજિત કરીને સંસ્થામાં કાર્યાત્મક ક્ષેત્રોમાં એકીકૃત કરી શકાય છે dati વિસ્તારોમાં સ્ટોર કરો. મોડલ dati તે સંગ્રહ માટે બનાવવામાં આવે છે dati નિર્ણય લેવા સંબંધિત, સહિત dati ઇતિહાસકારો, અને સમાવેશ થાય છે dati અનુમાનિત અને એકીકૃત. બીજું પગલું અમલીકરણ માટે વિષય વિસ્તારોને ઓળખવાનું છે. આ ચોક્કસ સંસ્થા દ્વારા નિર્ધારિત પ્રાથમિકતાઓ પર આધારિત છે. ત્રીજા પગલામાં ચિત્રકામનો સમાવેશ થાય છે ડેટાબેઝ વિષય વિસ્તાર માટે, ગ્રેન્યુલારિટીના યોગ્ય સ્તરો સહિત ખાસ ધ્યાન આપો. ઇનમોન એન્ટિટી અને રિલેશનશિપ મોડલનો ઉપયોગ કરવાની ભલામણ કરે છે. ચોથું પગલું સ્ત્રોત સિસ્ટમોને ઓળખવાનું છે dati કેપ્ચર કરવા, સાફ કરવા અને ફોર્મેટ કરવા માટે પરિવર્તન પ્રક્રિયાઓની આવશ્યકતા અને વિકાસ i dati.

ઇનમોનના અભિગમની શક્તિ એ છે કે મોડેલ dati સામાજિક એકીકરણ માટેનો આધાર પૂરો પાડે છે dati ના પુનરાવર્તિત વિકાસ માટે સંગઠન અને સમર્થનના આયોજનની અંદર માહિતી વેરહાઉસ. તેની ખામીઓ મોડેલ ડિઝાઇન કરવામાં મુશ્કેલી અને ખર્ચ છે dati સામાજિક, બંને મોડેલોમાં વપરાતી સંસ્થાઓ અને સંબંધોના મોડેલોને સમજવામાં મુશ્કેલી, તે dati સામાજિક અને તે dati વિષય વિસ્તાર અને તેની યોગ્યતા દ્વારા સંગ્રહિત dati ના ડ્રોઇંગનું માહિતી વેરહાઉસ ની અનુભૂતિ માટે ડેટાબેઝ સંબંધી પરંતુ માટે નહીં ડેટાબેઝ બહુ-પરિમાણીય.

Ives' (1995) એપ્રોચ ટુ ડેટા વેરહાઉસ ડિઝાઇન

આઇવ્સ (1995) એ માહિતી પ્રણાલીને ડિઝાઇન કરવા માટે ચાર-પગલાના અભિગમની દરખાસ્ત કરે છે જે તેઓ માને છે કે માહિતી વેરહાઉસ (આકૃતિ 3 જુઓ). આ અભિગમ માહિતી પ્રણાલીઓના વિકાસ માટે માહિતી ઇજનેરી પર આધારિત છે (માર્ટિન 1990). પ્રથમ પગલું એ હેતુઓ, નિર્ણાયક અને સફળતાના પરિબળો અને મુખ્ય પ્રદર્શન સૂચકાંકો નક્કી કરવાનું છે. મુખ્ય વ્યાપારી પ્રક્રિયાઓ અને જરૂરી માહિતી અમને એક મોડેલ તરફ લઈ જવા માટે તૈયાર કરવામાં આવી છે dati સામાજિક બીજા પગલામાં વ્યાખ્યાયિત આર્કિટેક્ચર વિકસાવવાનો સમાવેશ થાય છે dati વિસ્તારો દ્વારા સંગ્રહિત, ડેટાબેઝ di માહિતી વેરહાઉસ, ટેક્નોલોજી ઘટકો કે જે જરૂરી છે, અમલીકરણ અને સંચાલન માટે જરૂરી સંસ્થાકીય સમર્થનનો સમૂહ માહિતી વેરહાઉસ. ત્રીજા પગલામાં જરૂરી સોફ્ટવેર પેકેજો અને ટૂલ્સ પસંદ કરવાનો સમાવેશ થાય છે. ચોથું પગલું વિગતવાર ડિઝાઇન અને બાંધકામ છે માહિતી વેરહાઉસ. Ives નોંધે છે કે સંગ્રહ dati તે એક પ્રતિબંધિત પુનરાવર્તિત પ્રક્રિયા છે.

Ives અભિગમની શક્તિઓ માહિતીની જરૂરિયાતોને નિર્ધારિત કરવા માટે ચોક્કસ તકનીકોનો ઉપયોગ છે, એકીકરણને ટેકો આપવા માટે માળખાગત પ્રક્રિયાનો ઉપયોગ. માહિતી વેરહાઉસ, યોગ્ય હાર્ડવેર અને સોફ્ટવેરની પસંદગી, અને માટે બહુવિધ પ્રતિનિધિત્વ તકનીકોનો ઉપયોગ માહિતી વેરહાઉસ. તેની ખામીઓ જટિલતામાં સહજ છે. અન્યમાં ઘણા સ્તરો વિકસાવવામાં મુશ્કેલીનો સમાવેશ થાય છે ડેટાબેઝ ની અંદર માહિતી વેરહાઉસ વાજબી સમય અને ખર્ચમાં.

કિમબોલ્સ (1994) એપ્રોચ ટુ ડેટા વેરહાઉસ ડિઝાઇન

કિમબોલ (1994) એ ડિઝાઇન કરવા માટે પાંચ પુનરાવર્તિત પગલાંનો પ્રસ્તાવ મૂક્યો માહિતી વેરહાઉસ (જુઓ આકૃતિઓ 4). તેમનો અભિગમ ખાસ કરીને સોલોની ડિઝાઇન પર સમર્પિત છે માહિતી વેરહાઉસ અને એન્ટિટી અને રિલેશનશિપ મોડલ્સની પસંદગીમાં પરિમાણીય મોડલના ઉપયોગ પર. કિમબોલ તે પરિમાણીય મોડલનું પૃથ્થકરણ કરે છે કારણ કે બિઝનેસ લીડર્સ માટે બિઝનેસને સમજવું સરળ છે, જટિલ પરામર્શ સાથે કામ કરતી વખતે તે વધુ કાર્યક્ષમ છે અને ડેટાબેઝ ભૌતિક વધુ કાર્યક્ષમ છે (કિમ્બોલ 1994). કિમબોલ ઓળખે છે કે વિકાસ એ માહિતી વેરહાઉસ તે પુનરાવર્તિત છે, અને તે માહિતી વેરહાઉસ અલગ કોષ્ટકોને સામાન્ય પરિમાણોના કોષ્ટકોમાં વિભાજીત કરીને એકીકૃત કરી શકાય છે.

પ્રથમ પગલું એ ચોક્કસ વિષય વિસ્તારને ઓળખવાનું છે જે પૂર્ણ કરવા માટે છે. બીજા અને ત્રીજા પગલાં પરિમાણીય મોડેલિંગથી સંબંધિત છે. બીજા પગલામાં પગલાં વિષયના ક્ષેત્રમાં રસ ધરાવતી વસ્તુઓને ઓળખે છે અને હકીકત કોષ્ટકમાં જૂથબદ્ધ કરે છે. ઉદાહરણ તરીકે, વેચાણ વિષયના ક્ષેત્રમાં વ્યાજના માપદંડોમાં વેચાયેલી વસ્તુઓની રકમ અને વેચાણ ચલણ તરીકે ડોલરનો સમાવેશ થઈ શકે છે. ત્રીજા પગલામાં એવા પરિમાણોને ઓળખવાનો સમાવેશ થાય છે કે જે રીતે તથ્યોને જૂથબદ્ધ કરી શકાય છે. વેચાણ વિષયના ક્ષેત્રમાં, સંબંધિત પરિમાણોમાં આઇટમ, સ્થાન અને સમયગાળો શામેલ હોઈ શકે છે. હકીકત કોષ્ટકમાં તેને દરેક પરિમાણ કોષ્ટકો સાથે લિંક કરવા માટે બહુ-ભાગની કી હોય છે અને તેમાં સામાન્ય રીતે ઘણી મોટી સંખ્યામાં તથ્યો હોય છે. તેનાથી વિપરીત, પરિમાણ કોષ્ટકોમાં પરિમાણો અને અન્ય લક્ષણો વિશે વર્ણનાત્મક માહિતી હોય છે જેનો ઉપયોગ તથ્યોને જૂથ કરવા માટે થઈ શકે છે. સંકળાયેલ સૂચિત હકીકત અને પરિમાણ કોષ્ટક તેના આકારને કારણે સ્ટાર સ્કીમા તરીકે ઓળખાય છે તે બનાવે છે. ચોથા પગલામાં એ બિલ્ડીંગનો સમાવેશ થાય છે ડેટાબેઝ સ્ટાર પેટર્નને પૂર્ણ કરવા માટે બહુપરીમાણીય. અંતિમ પગલું એ સ્રોત સિસ્ટમ્સને ઓળખવાનું છે dati કેપ્ચર કરવા, સાફ કરવા અને ફોર્મેટ કરવા માટે પરિવર્તન પ્રક્રિયાઓની આવશ્યકતા અને વિકાસ i dati.

કિમબોલના અભિગમની શક્તિઓમાં પરિમાણીય મોડલનો ઉપયોગ રજૂ કરવા માટેનો સમાવેશ થાય છે dati સંગ્રહિત જે તેને સમજવામાં સરળ બનાવે છે અને કાર્યક્ષમ ભૌતિક ડિઝાઇન તરફ દોરી જાય છે. એક પરિમાણીય મૉડલ કે જે બંને સિસ્ટમનો સરળતાથી ઉપયોગ કરે છે ડેટાબેઝ રિલેશનલ સંપૂર્ણ અથવા સિસ્ટમો હોઈ શકે છે ડેટાબેઝ બહુપરીમાણીય. તેની ખામીઓમાં ઘણા સ્ટાર પેટર્નના આયોજન અથવા એકીકરણની સુવિધા માટે કેટલીક તકનીકોનો અભાવ શામેલ છે. માહિતી વેરહાઉસ અને આત્યંતિક ડિનોર્મલાઈઝ્ડ સ્ટ્રક્ચરમાંથી પરિમાણીય મોડેલમાં ડિઝાઇન કરવામાં મુશ્કેલી a dati લેગસી સિસ્ટમમાં.

મેકફેડન્સ (1996) એપ્રોચ ટુ ડેટા વેરહાઉસ ડિઝાઇન

મેકફેડન (1996) એ ડિઝાઇન કરવા માટે પાંચ-પગલાંનો અભિગમ પ્રસ્તાવિત કરે છે માહિતી વેરહાઉસ (જુઓ આકૃતિ 5).
તેમનો અભિગમ સાહિત્યમાંથી વિચારોના સંશ્લેષણ પર આધારિત છે અને એકલની રચના પર કેન્દ્રિત છે માહિતી વેરહાઉસ. પ્રથમ પગલામાં આવશ્યકતાઓનું વિશ્લેષણ શામેલ છે. જો કે ટેકનિકલ વિશિષ્ટતાઓ નિર્ધારિત નથી, મેકફેડનની નોંધો સંસ્થાઓને ઓળખે છે dati સ્પષ્ટીકરણો અને તેમની વિશેષતાઓ, અને જરૂરિયાતો કેપ્ચર માટે વાચકો Watson and Frolic (1993) નો સંદર્ભ આપે છે.
બીજા પગલામાં, એક એન્ટિટી રિલેશન્સ મોડલ માટે રચાયેલ છે માહિતી વેરહાઉસ અને પછી બિઝનેસ લીડર્સ દ્વારા માન્ય કરવામાં આવે છે. ત્રીજા પગલામાં લેગસી સિસ્ટમ્સ અને બાહ્ય સ્ત્રોતોમાંથી મેપિંગ નક્કી કરવાનો સમાવેશ થાય છે માહિતી વેરહાઉસ. ચોથા પગલામાં વિકાસ, જમાવટ અને સુમેળની પ્રક્રિયાઓનો સમાવેશ થાય છે dati નેલ માહિતી વેરહાઉસ. અંતિમ ચરણમાં, યુઝર ઇન્ટરફેસ પર ખાસ ભાર મૂકીને સિસ્ટમ ડિલિવરી વિકસાવવામાં આવી છે. મેકફેડન નોંધે છે કે ડ્રોઇંગ પ્રક્રિયા સામાન્ય રીતે પુનરાવર્તિત હોય છે.

મેકફેડનના અભિગમની શક્તિઓ જરૂરિયાતો અને સંસાધનોના મહત્વને નિર્ધારિત કરવામાં વ્યવસાયિક નેતાઓની ભાગીદારી તરફ નિર્દેશ કરે છે. dati, તેમની સફાઈ અને સંગ્રહ. તેની ખામીઓમાં મોટા પ્રોજેક્ટને તોડવા માટેની પ્રક્રિયાનો અભાવ શામેલ છે માહિતી વેરહાઉસ ઘણા સંકલિત તબક્કામાં, અને

ની ડિઝાઇનમાં વપરાતા એન્ટિટી અને રિલેશનશિપ મોડલ્સને સમજવામાં મુશ્કેલી માહિતી વેરહાઉસ.

તે ફક્ત તે જ નથી જે આપણી નજીક છે જે આપણને પસંદ કરે છે.